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
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
IEEE Spectrum
How OpenAI Used Its Own LLMs to Design Its Jalapeño Chip
AI drastically shortened its design time; it will only get faster
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
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
South China Morning Post
Alibaba open-sources AI model that can detect cancer and nearly 150 conditions
Tested on nearly 40,000 real-world exams, the model outperformed most radiologists, according to a new study published in Science.
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
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
Hacktron
HEIF Heist
One image parser to pwn them all. Hacktron research into remote exploitation through production HEIF, HEIC, and AVIF image pipelines.
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
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
CNN
Exclusive: US military had close call after using AI for false intelligence report, sources say
The episode shows the risks of using this new, relatively poorly understood technology in the middle of the Iran war
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
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
Code is cheap, let's talk
Inside ZCode: Silently Uploading Your Entire Git History to the Cloud
ZCode silently uploads full Git history to the cloud; this post provides a block rule and source review — checkpoint claims fall apart against the code.
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
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
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
GitHub
GitHub - microsoft/agent-lightning: The absolute trainer to light up AI agents.
The absolute trainer to light up AI agents. Contribute to microsoft/agent-lightning development by creating an account on GitHub.
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
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
arXiv.org
An Empirical Study of Harness Design for Coding Agents
Coding harnesses shape how autonomous coding agents translate model capabilities into long-horizon software-engineering performance, yet existing work typically evaluates harnesses as monolithic...
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
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
GitHub
GitHub - aardappel/goose: The Goose Programming Language
The Goose Programming Language. Contribute to aardappel/goose development by creating an account on GitHub.
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
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
TechCrunch
Microsoft exec called AI scraping ‘the largest theft of labor in human history,' new unredacted filings reveal | TechCrunch
Newly unsealed court filings show Microsoft privately called OpenAI's data practices "theft" while both companies scraped paywalled Times content, built datasets from it, and warned internally it would gut publishers.
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
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
GitHub
GitHub - rustfs/rustfs: RustFS is an open-source, S3-compatible high-performance object storage system supporting migration and…
RustFS is an open-source, S3-compatible high-performance object storage system supporting migration and coexistence with other S3-compatible platforms such as MinIO and Ceph. - rustfs/rustfs
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
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
tokenstead.ai
ZCode uploads your git history; Z.ai holds the only key
ZCode, the GLM coding agent from Z.ai, uploads full workspaces with .git history, LFS cache and reflogs to Aliyun OSS. UI toggles do not stop it.
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
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
Maharshi Patel
Why MCP Was Always a Bad Idea
Why MCP was always a bad idea and I'm tired of pretending it's not.
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
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
seldo.com
Nobody pays for open source. We can force them to.
The first time I thought it would be a good idea to write a blog post about the economics of open source was 2013, so this post has been in the works a while. The closest I got before today was 2022, when I wrote a stream-of-consciousness rant into my iOS…
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
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
GitHub
GitHub - BytedTsinghua-SIA/DAPO: An Open-source RL System from ByteDance Seed and Tsinghua AIR
An Open-source RL System from ByteDance Seed and Tsinghua AIR - BytedTsinghua-SIA/DAPO
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
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
www.nexlab.net
Self-hosted inference orchestrators compared: LocalAI, exo, GPUStack, Xinference, Ollama, vLLM and CoderAI (September 2026) | Nexlab
A reference comparison of the self-hosted AI orchestrators in 2026: modalities, multi-machine support, auto-discovery, cache-aware routing, ops console, cloud burst, non-LLM fan-out, training, Kubernetes, platforms and signed images — with a pick-by-situation…
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
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
agentexecutor.io
AX
Declare an agentic task in YAML. AX sandboxes it, wires up its workspace, fences its network, and helps running it at scale.
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
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
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
PyPy
PyPy v8.0.0 release
PyPy v8.0.0: release of python 2.7, 3.11, and 3.12 beta released 2026-09-19
The PyPy team is proud to release version 8.0.0 of PyPy after the previous
release on May 26, 2026. This is a major new vers
The PyPy team is proud to release version 8.0.0 of PyPy after the previous
release on May 26, 2026. This is a major new vers
🔥1
In September, AI generated code has made up 17.25% of all Linux Kernel patches
در سپتامبر، ۱۷.۲۵٪ از همه‌ی patchهای Linux Kernel توسط هوش مصنوعی نوشته شده
هفته‌ی گذشته رکورد تازه‌ای در توسعه‌ی Linux با هوش مصنوعی ثبت شد. در این هفته ۱٬۶۳۴ submission کد به Linux Kernel ارسال شد که همگی توسط AI نوشته شده بودند. مجموعاً در سپتامبر، ۱۷.۲۵٪ از تمام patchهای Linux Kernel ساخته‌ی AI بوده است.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی تقریباً یک‌پنجم patchهای یک پروژه‌ی critical مثل Linux Kernel از AI می‌آید، دیگر این یک آزمایش نیست — یک واقعیت عملیاتی است.
💡 نکته: سرعت رشد این عدد مهم‌تر از خودِ عدد است؛ اگر همین روند ادامه یابد، سؤال code review و ownership در open-source به‌زودی جدی‌تر می‌شود.
👥 برای کی: توسعه‌دهنده‌هایی که روی open-source، kernel-level یا tooling هوش مصنوعی کار می‌کنند.
🔗 https://twitter.com/LundukeJournal/status/2101841277432070210
#ai #backend #Linux
@BenFeed
در سپتامبر، ۱۷.۲۵٪ از همه‌ی patchهای Linux Kernel توسط هوش مصنوعی نوشته شده
هفته‌ی گذشته رکورد تازه‌ای در توسعه‌ی Linux با هوش مصنوعی ثبت شد. در این هفته ۱٬۶۳۴ submission کد به Linux Kernel ارسال شد که همگی توسط AI نوشته شده بودند. مجموعاً در سپتامبر، ۱۷.۲۵٪ از تمام patchهای Linux Kernel ساخته‌ی AI بوده است.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی تقریباً یک‌پنجم patchهای یک پروژه‌ی critical مثل Linux Kernel از AI می‌آید، دیگر این یک آزمایش نیست — یک واقعیت عملیاتی است.
💡 نکته: سرعت رشد این عدد مهم‌تر از خودِ عدد است؛ اگر همین روند ادامه یابد، سؤال code review و ownership در open-source به‌زودی جدی‌تر می‌شود.
👥 برای کی: توسعه‌دهنده‌هایی که روی open-source، kernel-level یا tooling هوش مصنوعی کار می‌کنند.
🔗 https://twitter.com/LundukeJournal/status/2101841277432070210
#ai #backend #Linux
@BenFeed
X (formerly Twitter)
The Lunduke Journal (@LundukeJournal) on X
Yet *another* record week for AI development of Linux.
Last week there were 1,634 code submissions to the Linux Kernel which were written by AI.
So far, in September, AI generated code has made …
Last week there were 1,634 code submissions to the Linux Kernel which were written by AI.
So far, in September, AI generated code has made …
Mini-AGI – dynamic continual learning model trained from scratch on 8GB VRAM
مدل یادگیری مستمر پویا که روی ۸ گیگابایت VRAM از صفر آموزش می‌بینه
این مدل continual learning روی یک لپ‌تاپ با ۸ گیگابایت VRAM و با stream داده‌ی batch-1 از صفر آموزش دیده — پروژه‌ای که نشون می‌ده چقدر محدودیت سخت‌افزاری می‌تونه الهام‌بخش باشه.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: اکثر تحقیقات continual learning به سخت‌افزار سنگین وابسته‌ست؛ این پروژه نشون می‌ده آموزش پیوسته روی یک GPU معمولی هم شدنیه.
💡 نکته: batch-1 stream یعنی مدل داده‌ها رو به‌صورت ترتیبی می‌بینه و مثل یادگیری انسانی، بدون replaying کل dataset، به‌روز می‌شه.
👥 برای کی: توسعه‌دهنده‌هایی که روی edge AI، on-device learning یا تحقیقات continual learning کار می‌کنن.
🔗 https://github.com/volotat/mini-AGI/
#ai #LLM
@BenFeed
مدل یادگیری مستمر پویا که روی ۸ گیگابایت VRAM از صفر آموزش می‌بینه
این مدل continual learning روی یک لپ‌تاپ با ۸ گیگابایت VRAM و با stream داده‌ی batch-1 از صفر آموزش دیده — پروژه‌ای که نشون می‌ده چقدر محدودیت سخت‌افزاری می‌تونه الهام‌بخش باشه.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: اکثر تحقیقات continual learning به سخت‌افزار سنگین وابسته‌ست؛ این پروژه نشون می‌ده آموزش پیوسته روی یک GPU معمولی هم شدنیه.
💡 نکته: batch-1 stream یعنی مدل داده‌ها رو به‌صورت ترتیبی می‌بینه و مثل یادگیری انسانی، بدون replaying کل dataset، به‌روز می‌شه.
👥 برای کی: توسعه‌دهنده‌هایی که روی edge AI، on-device learning یا تحقیقات continual learning کار می‌کنن.
🔗 https://github.com/volotat/mini-AGI/
#ai #LLM
@BenFeed
GitHub
GitHub - volotat/mini-AGI: Continual learning model trained from scratch on 8GB VRAM laptop with batch-1 stream of data.
Continual learning model trained from scratch on 8GB VRAM laptop with batch-1 stream of data. - volotat/mini-AGI