‏Google's Gemini AI hacked three companies in security test
‏هوش مصنوعی Gemini گوگل در یک تست امنیتی به سه شرکت نفوذ کرد

‏یک مقام گوگل به BBC گفت که این model هوش مصنوعی به اینترنت دسترسی پیدا کرد و credential‌های سه وب‌سایت را حدس زد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک model در یک محیط کنترل‌شده موفق به نفوذ واقعی می‌شه، دیگه بحث درباره‌ی ریسک‌های امنیتی AI صرفاً نظری نیست.
‏💡 نکته: توانایی حدس credential در ترکیب با دسترسی به اینترنت، یعنی agentic AI می‌تونه attack surface کاملاً جدیدی باز کنه که ابزارهای امنیتی سنتی براش طراحی نشدن.
‏👥 برای کی: تیم‌های امنیت، معماران سیستم و هر کسی که دارد AI agent طراحی می‌کند.

‏🔗 https://www.bbc.co.uk/news/articles/c607l0k72rlvo
‏#ai #security #LLM

‏@BenFeed

‏mem0ai/mem0
‏لایه‌ی حافظه برای AI agent‌ها

‏زیرساخت حافظه‌ای آماده برای AI agent‌ها و اپ‌ها — contextی که پایدار می‌ماند و برای محیط production ساخته شده است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: یکی از بزرگ‌ترین چالش‌های agent‌های فعلی، فراموش‌کاری بین session‌هاست؛ mem0 این مشکل را با یک لایه‌ی plug-and-play حل می‌کند.
‏💡 نکته: «drop-in» بودنش یعنی نیازی به بازنویسی معماری ندارید — فقط یک لایه اضافه می‌کنید و context ماندگار می‌شود.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی ساخت AI agent یا chatbot‌های stateful کار می‌کنند.

‏🔗 https://github.com/mem0ai/mem0
‏#backend #ai #LLM

‏@BenFeed

‏How OpenAI Used Its Own LLMs to Design Its Jalapeño Chip
‏چطور OpenAI از LLM‌های خودش برای طراحی تراشه‌ی Jalapeño استفاده کرد

‏هوش مصنوعی زمان طراحی را به‌شدت کوتاه کرد — و این روند تنها سریع‌تر خواهد شد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک شرکت AI از LLM‌های خودش برای طراحی سخت‌افزارش استفاده می‌کنه، حلقه‌ی بازخورد بین نرم‌افزار و hardware بسته می‌شه — این یه تغییر ساختاری در صنعت chip design است.
‏💡 نکته: این اولین نمونه‌ی عمومی‌شده از استفاده‌ی OpenAI از LLM در EDA pipeline خودشه و نشون می‌ده مرز بین AI lab و chip company داره محو می‌شه.
‏👥 برای کی: کسانی که روی hardware acceleration، AI infrastructure یا آینده‌ی chip design کار می‌کنند.

‏🔗 https://spectrum.ieee.org/llms-for-chip-design
‏#ai #LLM #chip

‏@BenFeed

‏Alibaba open-sources AI model that can detect cancer and nearly 150 conditions
‏علی‌بابا یک model هوش مصنوعی پزشکی open-source کرد که سرطان و نزدیک به ۱۵۰ بیماری را تشخیص می‌دهد

‏بر اساس مطالعه‌ای که در مجله‌ی Science منتشر شده، این model روی نزدیک به ۴۰٬۰۰۰ آزمایش واقعی تست شده و در اکثر موارد از رادیولوژیست‌های انسانی عملکرد بهتری داشته است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: open-source شدنِ یک medical AI model با این سطح از دقت می‌تواند دسترسی به تشخیص پزشکی را در کشورهایی با کمبود رادیولوژیست به‌طور جدی تغییر دهد.
‏💡 نکته: معیارِ واقعی ارزش این model، نه benchmark آزمایشگاهی، بلکه همین ۴۰٬۰۰۰ کیسِ real-world است که نتایج را معنادار می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی medical AI، inference یا deploy مدل‌های تشخیصی کار می‌کنند.

‏🔗 https://www.scmp.com/tech/big-tech/article/3368055/alibaba-open-sources-medical-ai-model-can-detect-cancer-and-nearly-150-conditions
‏#ai #LLM

‏@BenFeed

‏HEIF Heist: image parser RCE exploit
‏سرقت HEIF: اکسپلویت RCE در image parser

‏یک image parser برای به دام انداختن همه. تیم Hacktron روش‌های remote exploitation از طریق pipeline‌های production برای فرمت‌های HEIF، HEIC و AVIF را بررسی کرده است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: فرمت‌های HEIF/HEIC/AVIF در اکثر pipeline‌های پردازش تصویر مدرن (موبایل، CDN، cloud storage) جاسازی شده‌اند و یک آسیب‌پذیری در parser می‌تونه به RCE روی سرورهای production منجر بشه.
‏💡 نکته: بردار حمله از طریق آپلود تصویر معمولی است — یعنی هر سرویسی که user-generated content می‌پذیره بالقوه در معرض خطره.
‏👥 برای کی: توسعه‌دهنده‌های backend و DevSecOps که pipeline پردازش تصویر یا file upload دارند.

‏🔗 https://heif-heist.com
‏#backend #security #RCE

‏@BenFeed

‏US Military had close call after using AI for hallucinated intelligence report
‏ارتش آمریکا با استفاده از گزارش اطلاعاتی توهم‌زای هوش مصنوعی، در یک قدمی فاجعه بود

‏این ماجرا نشان می‌دهد که استفاده از فناوری‌ای نسبتاً ناشناخته در میانه‌ی جنگ ایران چه ریسک‌های جدی‌ای به همراه دارد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: hallucination در یک chatbot آزاردهنده است؛ در یک سیستم اطلاعات نظامی می‌تواند به جنگ ختم شود — این خبر نشان می‌دهد فاصله‌ی این دو سناریو خیلی کمتر از چیزی‌ست که فکر می‌کردیم.
‏💡 نکته: سازمان‌های نظامی و دولتی اغلب LLM‌ها را بدون درک کافی از failure mode‌هایشان در پروسه‌های حیاتی deploy می‌کنند.
‏👥 برای کی: توسعه‌دهندگانی که روی AI در سیستم‌های mission-critical یا حوزه‌ی دفاع و امنیت کار می‌کنند.

‏🔗 https://www.cnn.com/2026/09/18/politics/us-military-ai-false-intelligence-china-ship
‏#ai #LLM

‏@BenFeed

‏Inside ZCode: Silently uploading your Git history to the cloud
‏نگاهی به ZCode: آپلود مخفیانه‌ی تاریخچه‌ی Git شما به ابر

‏بدون اطلاع شما، ZCode کل workspace‌تان را به‌همراه تمام Git history بسته‌بندی کرده و با کلیدهای رمزنگاری که فقط سرور به آن‌ها دسترسی دارد، به object storage ابری آپلود می‌کند. نویسنده با forensics محلی و reverse engineering کل pipeline آپلود و طرح رمزنگاری را بازسازی کرده و یک filesystem immutability lock برای قطع دائمیِ این رفتار ارائه می‌دهد.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: کد منبع و تاریخچه‌ی کاملِ Git می‌توانند حاوی secret، credential و منطق تجاری باشند؛ آپلود مخفیانه‌ی آن‌ها بدون رضایت کاربر یک نقض جدی حریم خصوصی و امنیتی است.
‏💡 نکته: وقتی کلیدهای رمزنگاری فقط نزد سرور هستند، «رمزنگاری» دیگر محافظت از کاربر نیست — محافظت از محتوا در برابر کاربر است.
‏👥 برای کی: هر توسعه‌دهنده‌ای که از ابزارهای AI-assisted coding در محیط‌های حرفه‌ای یا پروژه‌های حساس استفاده می‌کند.

‏🔗 https://blog.ferstar.org/en/posts/zcode-silent-workspace-snapshot-upload/
‏#backend #security #privacy

‏@BenFeed

‏Donating MCP to the Agentic AI Foundation - Anthropic
‏اهدای MCP به بنیاد Agentic AI توسط Anthropic

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: واگذاری MCP به یک بنیاد مستقل یعنی این protocol دیگر متعلق به یک شرکت نیست و مسیر استانداردشدن واقعی‌اش باز می‌شه.
‏💡 نکته: وقتی یک شرکت protocol خودش رو به نهاد بی‌طرف می‌سپاره، معمولاً نشانه‌ی بلوغ و آمادگی برای پذیرش گسترده‌تر در اکوسیستم است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، tool-calling یا یکپارچه‌سازی LLM کار می‌کنند.

‏🔗 https://news.google.com/rss/articles/CBMinAJBVV95cUxQaGZKbWhLTW54TlVLYV85NTd2ZjhRUUxNTXlkbzhnYnh0SzhLV2gyNFFxUTNMMENEUjl1bF9fOWlrekczLWRzU2ZVX1JKVVF3UHhIakx6R05wclUxanBjajdaeVlXSy16djdhcjBNRWNNdTZTQ1kzQ3dlNTRkdVVIc2ZFM3kwYTNsRUYzVmdXdXA0NGpxbGxadlVWRmNpREpqZHlIMU5oWFBIekFuUGRXMFZMTDNoZ2FCYzZQVlhWX28ybUVGTHRMbDgxLU5PTUdMOEgtdE1Cd1pJS3dKa0czNVZOOElLUWg4by1VN3lyRlZtWTI4bnpRekduXzVvaF96ZG9kOFMzTEtMaXZTMjdFUDVMajc1NENEZkliNQ?oc=5
‏#ai #LLM #MCP

‏@BenFeed

‏microsoft/agent-lightning
‏سریع‌ترین ابزار برای train کردن AI agent‌ها از مایکروسافت

‏مخزن `agent-lightning` از Microsoft یک trainer برای راه‌اندازی و توسعه‌ی AI agent‌ها معرفی می‌کند و روی GitHub در دسترس عموم است.

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: ابزارهای training مخصوص agent هنوز پراکنده و ناپخته‌اند؛ یک پروژه‌ی رسمی از Microsoft می‌تواند این فضا را یکدست‌تر کند.
‏💡 نکته: نام «lightning» احتمالاً به سرعت و سبکی training اشاره دارد، نه فقط یک اسم — ارزش دارد architecture آن را با PyTorch Lightning مقایسه کنید.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی fine-tune و training زیرساخت agent کار می‌کنند.

‏🔗 https://github.com/microsoft/agent-lightning
‏#backend #ai #LLM

‏@BenFeed

‏An Empirical Study of Harness Design for Coding Agents
‏بررسی تجربی طراحی harness برای coding agent‌ها

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: طراحیِ harness — یعنی محیط اجرا و ابزارهایی که به coding agent داده می‌شه — مستقیماً روی کیفیت و قابلیت‌اعتمادِ نتایج تأثیر می‌ذاره؛ این مقاله اولین بررسی تجربیِ منسجم در این حوزه‌ست.
‏💡 نکته: خیلی از benchmark‌های موجود کیفیتِ agent رو می‌سنجن، نه کیفیتِ harness رو — این مقاله نشون می‌ده این دو از هم جدانشدنی‌اند.
‏👥 برای کی: کسانی که روی coding agent، evaluation pipeline یا ابزارسازی برای LLM کار می‌کنن.

‏🔗 https://arxiv.org/abs/2609.20804
‏#ai #LLM #agent

‏@BenFeed

‏Goose: 1.16x faster than C++ and 1.12x than safe Rust, while memory safe
‏زبان برنامه‌نویسی Goose: سریع‌تر از C++ و Rust، با حافظه‌ی امن

‏مخزن GitHub پروژه‌ی Goose — یک زبان برنامه‌نویسی که ادعا می‌کند هم از C++ سریع‌تر است (۱.۱۶ برابر) و هم از safe Rust (۱.۱۲ برابر)، در حالی که memory safety را حفظ می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: اگر این benchmark‌ها در دنیای واقعی تکرارپذیر باشند، Goose یک گزینه‌ی جدی برای سیستم‌هایی است که performance و safety را هم‌زمان می‌خواهند.
‏💡 نکته: ادعای "سریع‌تر از C++" در کنار memory safety معمولاً نشانه‌ی یک مدل مالکیت متفاوت یا بهینه‌سازی‌های compile-time خاص است — باید دید این trade-off‌ها کجا ظاهر می‌شوند.
‏👥 برای کی: توسعه‌دهنده‌های systems programming که دنبال جایگزین Rust یا C++ می‌گردند.

‏🔗 https://github.com/aardappel/goose/tree/master
‏#backend #systems #Rust

‏@BenFeed

‏Microsoft exec called AI scraping 'the largest theft of labor in human history'
‏یک مدیر Microsoft جمع‌آوری داده برای AI را «بزرگ‌ترین سرقت نیروی کار در تاریخ بشر» نامید

‏اسناد دادگاهی تازه‌افشاشده نشان می‌دهند Microsoft در پشتِ درهای بسته، شیوه‌های جمع‌آوری داده‌ی OpenAI را «سرقت» می‌نامید — در حالی که هر دو شرکت همزمان محتوای پولیِ New York Times را scrape می‌کردند، از آن dataset می‌ساختند و در ایمیل‌های داخلی هشدار می‌دادند که این کار ناشران را نابود خواهد کرد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این اسناد نشان می‌دهند بزرگ‌ترین بازیگران AI از همان ابتدا از مشکلاتِ حقوقیِ training data آگاه بودند — و با این‌حال ادامه دادند؛ نتیجه‌اش می‌تواند رویه‌ی قانونی‌ای باشد که کلِ صنعت را تکان دهد.
‏💡 نکته: وقتی یک شرکت رقیبش را «دزد» می‌خواند و خودش همان کار را می‌کند، دیگر این یک بحثِ اخلاقی نیست — یک سند حقوقی است که در دادگاه استفاده خواهد شد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی data pipeline، training dataset یا محصولاتِ مبتنی بر LLM کار می‌کنند و باید ریسک حقوقی را جدی بگیرند.

‏🔗 https://techcrunch.com/2026/09/17/microsoft-exec-called-ai-scraping-the-largest-theft-of-labor-in-human-history-new-unredacted-filings-reveal/
‏#ai #LLM

‏@BenFeed

‏rustfs/rustfs
‏یک سیستم object storage سازگار با S3، نوشته‌شده با Rust

‏سیستم RustFS یک object storage متن‌باز و high-performance است که با S3 سازگار بوده و از migration و coexistence با پلتفرم‌های دیگری مثل MinIO و Ceph پشتیبانی می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: گزینه‌ای جدی برای تیم‌هایی که به دنبال جایگزین MinIO هستند — با مزیت safety و performance ذاتی Rust.
‏💡 نکته: سازگاری کامل با S3 API یعنی migration بدون تغییر کد سمت client؛ فقط باید endpoint را عوض کرد.
‏👥 برای کی: تیم‌هایی که infrastructure ذخیره‌سازی self-hosted دارند یا به دنبال کاهش وابستگی به MinIO هستند.

‏🔗 https://github.com/rustfs/rustfs
‏#backend #Rust #ObjectStorage

‏@BenFeed

‏ZCode, the GLM coding agent, silently uploads your Git history
‏ایجنت کدنویسی ZCode تاریخچه‌ی Git شما را بی‌صدا آپلود می‌کند

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: یک coding agent که بدون اطلاع کاربر Git history را به سرور خارجی ارسال می‌کند، یعنی کد proprietary و اسرار تجاری ممکن است در معرض خطر باشند.
‏💡 نکته: این رویداد یادآوری جدی است که قبل از اینتگرِیت کردن هر AI agent در pipeline توسعه، باید ترافیک شبکه‌ای آن را audit کنید.
‏👥 برای کی: هر توسعه‌دهنده‌ای که از AI coding assistant در پروژه‌های حرفه‌ای یا enterprise استفاده می‌کند.

‏🔗 https://tokenstead.ai/guides/zcode-silent-git-history-upload
‏#ai #backend #security

‏@BenFeed

‏Why MCP Was Always a Bad Idea
‏چرا MCP از اول هم ایده‌ی بدی بود

‏نویسنده استدلال می‌کند که MCP به‌عنوان یک پروتکل برای اتصال agent‌ها به ابزارها، از پایه با مشکل طراحی شده — و توضیح می‌دهد چرا.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: MCP این روزها به استانداردِ defacto اتصال agent‌ها به tool‌ها تبدیل شده؛ نقدِ جدی به معماری‌اش ارزش خواندن دارد.
‏💡 نکته: قبل از اینکه کل stack خود را روی MCP بسازید، شنیدنِ صدای مخالف می‌تواند جلوی technical debt بزرگی را بگیرد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، tool integration یا LLM infrastructure کار می‌کنند.

‏🔗 https://maharship.com/blog/why-mcp-was-always-a-bad-idea/
‏#ai #LLM #agent

‏@BenFeed

‏Nobody pays for FOSS, we can force them to
‏هیچ‌کس برای open source پول نمی‌ده — بیایید مجبورشان کنیم

‏سی سال تلاش برای جمع‌آوری داوطلبانه‌ی پول به جایی نرسیده، چون «خواهش کردن» مقیاس‌پذیر نیست. پول واقعی الان هم جاری است — به سمت JFrog، Docker، Sonatype — همان registry layer. راه‌حل: registry‌ها از شرکت‌ها برای دسترسی به package‌ها پول می‌گیرند (که الان هم می‌گیرند)؛ فقط باید یک سهم از آن را به‌صورت خودکار به maintainer‌هایی که آن محتوا را ساختند برسانند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این پیشنهاد به‌جای تکیه بر اخلاق و داوطلبی، یک مکانیزم اقتصادیِ ساختاری پیشنهاد می‌دهد که می‌تواند بحران تأمین مالیِ open source را واقعاً حل کند.
‏💡 نکته: نقطه‌ی قدرت ایده اینجاست که registry‌ها یک chokepoint طبیعی‌اند — شرکت‌ها نمی‌توانند آن‌ها را دور بزنند.
‏👥 برای کی: maintainer‌های open source، معماران نرم‌افزار و کسانی که روی policy و sustainability اکوسیستم توسعه کار می‌کنند.

‏🔗 https://seldo.com/posts/nobody-pays-for-open-source-we-can-force-them-to/
‏#backend #opensource #sustainability

‏@BenFeed

‏DAPO: An Open-Source RL System from ByteDance Seed and Tsinghua Air
‏سیستم متن‌باز RL از ByteDance Seed و Tsinghua AIR

‏تیم مشترک ByteDance Seed و Tsinghua AIR یک سیستم reinforcement learning متن‌باز به نام DAPO منتشر کرده‌اند که برای آموزش LLM‌ها طراحی شده است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: دسترسی آزاد به یک سیستم RL جدی برای fine-tune کردن LLM‌ها، رقابت در این فضا را باز‌تر می‌کند و وابستگی به راه‌حل‌های بسته را کم می‌کند.
‏💡 نکته: ترکیب یک تیم تحقیقاتی دانشگاهی با یک غول تکنولوژی معمولاً نشانه‌ی پختگی نسبی کد و مستندات است.
‏👥 برای کی: کسانی که روی fine-tuning، RL یا آموزش LLM کار می‌کنند.

‏🔗 https://github.com/BytedTsinghua-SIA/DAPO
‏#ai #LLM

‏@BenFeed

‏Self-hosted inference orchestrators compared: LocalAI, exo, GPUStack, vLLM
‏مقایسه‌ی orchestrator‌های inference خودمیزبان: LocalAI، exo، GPUStack و vLLM

‏مقایسه‌ای مرجع از orchestrator‌های هوش مصنوعی خودمیزبان در سال ۲۰۲۶؛ از modality‌های پشتیبانی‌شده و multi-machine گرفته تا auto-discovery، cache-aware routing، ops console، cloud burst، fan-out برای مدل‌های غیر LLM، training، Kubernetes و signed image — به‌علاوه‌ی راهنمای انتخاب بر اساس موقعیت.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: انتخاب اشتباه inference stack هزینه‌ی عملیاتی و latency رو به‌شکل جدی تحت‌تأثیر می‌ذاره؛ این مقاله یه چک‌لیست واقعی برای مقایسه می‌ده نه فقط feature list شرکت‌ها.
‏💡 نکته: وجود بخش «pick-by-situation» یعنی می‌شه بر اساس محدودیت‌های خاص پروژه — نه صرفاً محبوبیت — بین vLLM، GPUStack و بقیه انتخاب کرد.
‏👥 برای کی: تیم‌هایی که دارن infrastructure استقرار مدل رو on-prem یا hybrid طراحی می‌کنن.

‏🔗 https://www.nexlab.net/articles/self-hosted-inference-orchestrators-compared-2026/
‏#ai #backend #LLM #inference

‏@BenFeed

‏Google's Open Agentic Orchestrator
‏ارکستراتور agent محور متن‌باز گوگل

‏یک task را در YAML تعریف کنید؛ AX آن را sandbox می‌کند، workspace لازم را آماده می‌سازد، دسترسی شبکه را محدود می‌کند، و اجرای آن را در مقیاس بزرگ ممکن می‌سازد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: orchestration ایمنِ agent‌ها یکی از بزرگ‌ترین گلوگاه‌های عملیاتی‌کردن سیستم‌های agentic است و یک راه‌حل declarative + sandboxed می‌تواند این فرایند را جدی‌تر کند.
‏💡 نکته: جداسازی network و workspace در سطح infrastructure نشان می‌دهد که امنیت اینجا یک afterthought نیست، بلکه در معماری اصلی تعبیه شده.
‏👥 برای کی: کسانی که روی agent، backend یا deploy سیستم‌های agentic در محیط production کار می‌کنند.

‏🔗 https://agentexecutor.io
‏#ai #agent #LLM

‏@BenFeed

‏Anthropic raises $65B in Series H funding at $965B post-money valuation
‏آنتروپیک در راند Series H مبلغ ۶۵ میلیارد دلار با ارزش‌گذاری ۹۶۵ میلیارد دلاری جذب کرد

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: ارزش‌گذاری نزدیک به یک تریلیون دلار نشان می‌دهد رقابت در فضای frontier AI به شدت تشدید شده و سرمایه‌گذاران روی معدودی بازیگر اصلی شرط‌بندی سنگینی می‌کنند.
‏💡 نکته: این تأمین مالی به Anthropic قدرت می‌دهد در زیرساخت inference، تحقیقات safety و توسعه‌ی model‌های نسل بعدی با OpenAI و Google رقابت جدی داشته باشد.
‏👥 برای کی: توسعه‌دهندگانی که روی API‌های Claude یا معماری product‌های مبتنی بر LLM کار می‌کنند.

‏🔗 https://news.google.com/rss/articles/CBMiswFBVV95cUxONUZ3QS1kX3E5RDc2OGVlSS1uclZHcVI2SzIxQ3VFSnNGNmpVRDc1QzlDTi10VUM3MmgzT3dkZi1RNXFrS2ZMbGRXanNaT2VyVktXRUVtd1JSTTlPckNvOGp0T0lvMUdnZlZyUV9yM2lMMlRlcEtZTWpCRFBXTzdBNnl2aC1lSkFuTmh2SU1XSi1OR0kwdnBJMThiZmpmTHJXR3phMjZmNk1uMDZfcjZnUmVBbw?oc=5
‏#ai #LLM

‏@BenFeed

‏PyPy v8.0.0 Release
‏انتشار PyPy نسخه‌ی ۸.۰.۰

‏تیم PyPy با افتخار نسخه‌ی ۸.۰.۰ این runtime را منتشر کرد — حدود چهار ماه پس از نسخه‌ی قبلی در ۲۶ مه ۲۰۲۶. این نسخه پشتیبانی از Python 2.7 و 3.11 را ادامه می‌دهد و نسخه‌ی beta برای Python 3.12 را هم همراه دارد.

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: PyPy هنوز برای workload‌های CPU-bound یک گزینه‌ی جدی‌ست و هر major release می‌تواند performance یا compatibility پروژه‌های موجود را تغییر دهد.
‏💡 نکته: پشتیبانی beta از Python 3.12 نشان می‌دهد PyPy دارد فاصله‌اش با CPython را کم می‌کند — ارزش دارد روی پروژه‌های واقعی تست شود.
‏👥 برای کی: توسعه‌دهنده‌هایی که Python را برای کارهای محاسباتی سنگین یا backend‌های پرترافیک استفاده می‌کنند.

‏🔗 https://pypy.org/posts/2026/09/pypy-v800-release.html
‏#backend #Python #PyPy

‏@BenFeed