42x faster prompt lookup drafting in llama.cpp
سرعت‌بخشی ۴۲ برابری به prompt lookup drafting در llama.cpp
چهار تغییر در n-gram cache های llama.cpp باعث شده drafting برای prompt lookup decoding تا ۴۱.۶ برابر سریع‌تر، بارگذاری static cache تا ۲۳.۵ برابر سریع‌تر، و peak memory تا ۲.۶۵ برابر کمتر بشه.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: بهینه‌سازی inference بدون تغییر مدل یا سخت‌افزار، مستقیماً روی latency و هزینه‌ی اجرای local LLM تأثیر می‌ذاره.
💡 نکته: بهبودهای این‌چنینی در لایه‌ی caching معمولاً در مقالات بزرگ دیده نمی‌شن ولی در عمل بیشترین تأثیر رو دارن.
👥 برای کی: کسانی که روی inference بهینه، edge deployment یا llama.cpp کار می‌کنن.
🔗 https://jadidbourbaki.github.io/blog/prompt-lookup-llama-cpp/
#ai #LLM
@BenFeed
سرعت‌بخشی ۴۲ برابری به prompt lookup drafting در llama.cpp
چهار تغییر در n-gram cache های llama.cpp باعث شده drafting برای prompt lookup decoding تا ۴۱.۶ برابر سریع‌تر، بارگذاری static cache تا ۲۳.۵ برابر سریع‌تر، و peak memory تا ۲.۶۵ برابر کمتر بشه.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: بهینه‌سازی inference بدون تغییر مدل یا سخت‌افزار، مستقیماً روی latency و هزینه‌ی اجرای local LLM تأثیر می‌ذاره.
💡 نکته: بهبودهای این‌چنینی در لایه‌ی caching معمولاً در مقالات بزرگ دیده نمی‌شن ولی در عمل بیشترین تأثیر رو دارن.
👥 برای کی: کسانی که روی inference بهینه، edge deployment یا llama.cpp کار می‌کنن.
🔗 https://jadidbourbaki.github.io/blog/prompt-lookup-llama-cpp/
#ai #LLM
@BenFeed
jadidbourbaki.github.io
42x Faster Prompt Lookup Drafting in llama.cpp
Four changes to the n-gram caches of llama.cpp make drafting up to 41.6x faster, load the static cache up to 23.5x faster, and lower peak memory up to 2.65x.
There are no "rogue" AI agents
هیچ agent هوش مصنوعی «سرکشی» وجود ندارد
وقتی یک agent هوش مصنوعی رفتار غیرمنتظره‌ای انجام می‌دهد، نامیدنش «سرکش» فقط به شرکت‌هایی مثل OpenAI اجازه می‌دهد از مسئولیت فرار کنند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: روایت «agent سرکش» یک framing سیاسی است، نه فنی — و این framing مستقیماً بر نحوه‌ی تنظیم‌گذاری و پاسخ‌گوییِ شرکت‌های بزرگ تأثیر می‌گذارد.
💡 نکته: هر رفتار مضرِ یک agent نتیجه‌ی تصمیم‌های طراحی و deployment است، نه «شورش» — پس مسئول یک انسان است، نه یک مدل.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent یا productهای مبتنی بر LLM کار می‌کنند و باید با مفهوم مسئولیت آشنا باشند.
🔗 https://eoinhiggins.substack.com/p/there-are-no-rogue-ai-agents
#ai #LLM
@BenFeed
هیچ agent هوش مصنوعی «سرکشی» وجود ندارد
وقتی یک agent هوش مصنوعی رفتار غیرمنتظره‌ای انجام می‌دهد، نامیدنش «سرکش» فقط به شرکت‌هایی مثل OpenAI اجازه می‌دهد از مسئولیت فرار کنند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: روایت «agent سرکش» یک framing سیاسی است، نه فنی — و این framing مستقیماً بر نحوه‌ی تنظیم‌گذاری و پاسخ‌گوییِ شرکت‌های بزرگ تأثیر می‌گذارد.
💡 نکته: هر رفتار مضرِ یک agent نتیجه‌ی تصمیم‌های طراحی و deployment است، نه «شورش» — پس مسئول یک انسان است، نه یک مدل.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent یا productهای مبتنی بر LLM کار می‌کنند و باید با مفهوم مسئولیت آشنا باشند.
🔗 https://eoinhiggins.substack.com/p/there-are-no-rogue-ai-agents
#ai #LLM
@BenFeed
Substack
There are no “rogue” AI agents
Identifying them as such only lets companies like OpenAI off the hook.
Calling the AI bluff: Adding "Do not guess" cut made-up fields from 71% to 20%
کاهش فیلدهای جعلی از ۷۱٪ به ۲۰٪ با یک دستور ساده: «حدس نزن»
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: hallucination در خروجی‌های structured یکی از بزرگ‌ترین موانع استفاده‌ی production از LLMهاست؛ این آزمایش نشون می‌ده یک تغییر کوچک در prompt می‌تونه نرخ فیلدهای ساختگی رو به شکل چشمگیری پایین بیاره.
💡 نکته: مدل‌ها تمایل دارن «مفید به نظر برسن» حتی با جعل داده — صراحتِ explicit در prompt که اجازه‌ی ندانستن بده، این bias رو می‌شکنه.
👥 برای کی: هر کسی که از LLM برای استخراج داده‌ی structured یا پر کردن فرم‌ها استفاده می‌کنه.
🔗 https://earnanhonestdollar.com/bench
#ai #LLM #prompt
@BenFeed
کاهش فیلدهای جعلی از ۷۱٪ به ۲۰٪ با یک دستور ساده: «حدس نزن»
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: hallucination در خروجی‌های structured یکی از بزرگ‌ترین موانع استفاده‌ی production از LLMهاست؛ این آزمایش نشون می‌ده یک تغییر کوچک در prompt می‌تونه نرخ فیلدهای ساختگی رو به شکل چشمگیری پایین بیاره.
💡 نکته: مدل‌ها تمایل دارن «مفید به نظر برسن» حتی با جعل داده — صراحتِ explicit در prompt که اجازه‌ی ندانستن بده، این bias رو می‌شکنه.
👥 برای کی: هر کسی که از LLM برای استخراج داده‌ی structured یا پر کردن فرم‌ها استفاده می‌کنه.
🔗 https://earnanhonestdollar.com/bench
#ai #LLM #prompt
@BenFeed
Prompting Claude Opus 5.5
راهنمای prompt نویسی برای Claude Opus 5.5
تفاوت‌های رفتاری این مدل نسبت به Claude Opus 5 و الگوهای prompt و harness که آن‌ها را پوشش می‌دهند: تنظیم میزان تلاش، رفتار thinking در API و chat، به‌روزرسانی پیشرفت، تسک‌های بی‌مراقب و multiagent، refusalهای حفاظتی، طراحی frontend، ورودی‌های بصری پیچیده، workflowهای چندبرنامه‌ای، و متن pasteشده در پیام‌های کاربر.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: هر نسل جدید از Claude رفتارهای متفاوتی داره و promptهایی که روی نسخه‌ی قبلی کار می‌کردن ممکنه روی Opus 5.5 نتیجه‌ی متفاوتی بدن؛ این مستند دقیقاً همین شکاف رو پر می‌کنه.
💡 نکته: بخش effort calibration و رفتار thinking در API برای کسایی که pipelineهای multiagent می‌سازن احتمالاً بیشترین تغییر رو ایجاد می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که با Claude API کار می‌کنن یا agentهای مبتنی بر Claude می‌سازن.
🔗 https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-opus-5-5
#ai #LLM #Claude
@BenFeed
راهنمای prompt نویسی برای Claude Opus 5.5
تفاوت‌های رفتاری این مدل نسبت به Claude Opus 5 و الگوهای prompt و harness که آن‌ها را پوشش می‌دهند: تنظیم میزان تلاش، رفتار thinking در API و chat، به‌روزرسانی پیشرفت، تسک‌های بی‌مراقب و multiagent، refusalهای حفاظتی، طراحی frontend، ورودی‌های بصری پیچیده، workflowهای چندبرنامه‌ای، و متن pasteشده در پیام‌های کاربر.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: هر نسل جدید از Claude رفتارهای متفاوتی داره و promptهایی که روی نسخه‌ی قبلی کار می‌کردن ممکنه روی Opus 5.5 نتیجه‌ی متفاوتی بدن؛ این مستند دقیقاً همین شکاف رو پر می‌کنه.
💡 نکته: بخش effort calibration و رفتار thinking در API برای کسایی که pipelineهای multiagent می‌سازن احتمالاً بیشترین تغییر رو ایجاد می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که با Claude API کار می‌کنن یا agentهای مبتنی بر Claude می‌سازن.
🔗 https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-opus-5-5
#ai #LLM #Claude
@BenFeed
Claude Platform Docs
Prompting Claude Opus 5.5
Behavioral differences from Claude Opus 5 and the prompting and harness patterns that address them: effort calibration, thinking behavior in API integrations and chat, progress updates, unattended and multiagent tasks, safeguard refusals, frontend design…
TabPFN and TabICL vs. tuned XGBoost: the model that doesn't train won 14/14
مدلی که train نمی‌شود در ۱۴ از ۱۴ آزمایش برنده شد
ادعای پشتِ TabPFN و TabICL اینه که روی داده‌های جدول بدون هیچ trainingای prediction می‌دن و باز هم boosting تیون‌شده رو شکست می‌دن.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اگر این نتایج تکرارپذیر باشن، کلِ چرخه‌ی feature engineering و hyperparameter tuning برای داده‌های جدولی زیر سؤال می‌ره.
💡 نکته: برد ۱۴/۱۴ در برابر XGBoost تیون‌شده یعنی این روش رو باید جدی گرفت، نه به‌عنوان یک zero-shot کنجکاوی‌برانگیز.
👥 برای کی: کسانی که روی داده‌های جدولی، AutoML یا pipelineهای ML کار می‌کنن.
🔗 https://efraingaray.com/en/blog/tabpfn-vs-xgboost/
#ai #ml #XGBoost
@BenFeed
مدلی که train نمی‌شود در ۱۴ از ۱۴ آزمایش برنده شد
ادعای پشتِ TabPFN و TabICL اینه که روی داده‌های جدول بدون هیچ trainingای prediction می‌دن و باز هم boosting تیون‌شده رو شکست می‌دن.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اگر این نتایج تکرارپذیر باشن، کلِ چرخه‌ی feature engineering و hyperparameter tuning برای داده‌های جدولی زیر سؤال می‌ره.
💡 نکته: برد ۱۴/۱۴ در برابر XGBoost تیون‌شده یعنی این روش رو باید جدی گرفت، نه به‌عنوان یک zero-shot کنجکاوی‌برانگیز.
👥 برای کی: کسانی که روی داده‌های جدولی، AutoML یا pipelineهای ML کار می‌کنن.
🔗 https://efraingaray.com/en/blog/tabpfn-vs-xgboost/
#ai #ml #XGBoost
@BenFeed
Efrain Garay
TabPFN vs XGBoost: benchmark measured on an RTX 4070 Ti
The claim behind TabPFN and TabICL is that they predict on a table without ever training on it and still beat tuned boosting.
Nvidia wants to put a watchdog chip next to every AI agent
انویدیا می‌خواهد یک تراشه‌ی ناظر کنار هر AI agent بگذارد
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی agentها به زیرساخت‌های حیاتی دسترسی دارن، نظارت سخت‌افزاری دیگه یه انتخاب نیست — یه ضرورته؛ این حرکت Nvidia می‌تونه استانداردِ جدیدِ صنعت بشه.
💡 نکته: جا‌به‌جا کردن safety از لایه‌ی software به لایه‌ی hardware یعنی حتی یه agent دست‌کاری‌شده هم نمی‌تونه نظارت رو دور بزنه.
👥 برای کی: کسانی که روی AI agent، زیرساخت ML یا امنیت سیستم‌های هوشمند کار می‌کنند.
🔗 https://www.cnbc.com/2026/09/28/nvidia-releases.html
#ai #agent #LLM
@BenFeed
انویدیا می‌خواهد یک تراشه‌ی ناظر کنار هر AI agent بگذارد
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی agentها به زیرساخت‌های حیاتی دسترسی دارن، نظارت سخت‌افزاری دیگه یه انتخاب نیست — یه ضرورته؛ این حرکت Nvidia می‌تونه استانداردِ جدیدِ صنعت بشه.
💡 نکته: جا‌به‌جا کردن safety از لایه‌ی software به لایه‌ی hardware یعنی حتی یه agent دست‌کاری‌شده هم نمی‌تونه نظارت رو دور بزنه.
👥 برای کی: کسانی که روی AI agent، زیرساخت ML یا امنیت سیستم‌های هوشمند کار می‌کنند.
🔗 https://www.cnbc.com/2026/09/28/nvidia-releases.html
#ai #agent #LLM
@BenFeed
CNBC
Nvidia releases software platform to stop AI agents from misbehaving
Nvidia says its new software could have prevented OpenAI's Hugging Face incident.
Basis completes a tax workbook 2x faster with GPT-6 Astra
شرکت Basis با کمک GPT-6 Astra کارنامه‌ی مالیاتی را دو برابر سریع‌تر تکمیل می‌کند
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: این یک case study واقعی از به‌کارگیری LLM در حسابداری مالیاتی است و نشان می‌دهد چطور می‌توان workflowهای سنتی و کسل‌کننده را با AI جایگزین کرد.
💡 نکته: عدد «۲ برابر سریع‌تر» در دنیای مالی و compliance که دقت حرفِ اول را می‌زند، ادعای قابل‌توجهی است؛ جزئیاتِ پیاده‌سازی را حتماً بخوانید.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent یا automation در حوزه‌ی fintech و accounting کار می‌کنند.
🔗 https://openai.com/index/basis-tax-workbook-with-astra
#ai #LLM #fintech
@BenFeed
شرکت Basis با کمک GPT-6 Astra کارنامه‌ی مالیاتی را دو برابر سریع‌تر تکمیل می‌کند
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: این یک case study واقعی از به‌کارگیری LLM در حسابداری مالیاتی است و نشان می‌دهد چطور می‌توان workflowهای سنتی و کسل‌کننده را با AI جایگزین کرد.
💡 نکته: عدد «۲ برابر سریع‌تر» در دنیای مالی و compliance که دقت حرفِ اول را می‌زند، ادعای قابل‌توجهی است؛ جزئیاتِ پیاده‌سازی را حتماً بخوانید.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent یا automation در حوزه‌ی fintech و accounting کار می‌کنند.
🔗 https://openai.com/index/basis-tax-workbook-with-astra
#ai #LLM #fintech
@BenFeed
OpenAI
Basis completes a tax workbook 2x faster with GPT-6 Astra
GPT-6 Astra completed a 50-tab tax workbook twice as fast as GPT-5.6 Sol, and its stronger understanding of user intent gives Basis more confidence in real-world use.
We found 24 Android vulnerabilities using our open source AI security agent
با agent هوش مصنوعی متن‌باز خودمان ۲۴ آسیب‌پذیری Android پیدا کردیم
نگاهی به taskflowهای هدفمند هوش مصنوعی پشت این یافته‌ها، باگ‌هایی که کشف شدند، و اینکه چطور می‌توانید همین agent متن‌باز را روی اپلیکیشن خودتان اجرا کنید.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی یک agent متن‌باز می‌تواند ۲۴ آسیب‌پذیری واقعی در Android پیدا کند، یعنی security review خودکار دیگر آینده نیست — الان است.
💡 نکته: قابل‌تکرار بودن این روش (run روی اپ خودتان) آن را از یک تحقیق صرف به یک ابزار عملی تبدیل می‌کند.
👥 برای کی: توسعه‌دهنده‌های Android و هر کسی که روی security، static analysis یا AI agent کار می‌کند.
🔗 https://github.blog/security/how-we-found-24-android-vulnerabilities-using-our-open-source-ai-security-agent/
#ai #backend #security #agent
@BenFeed
با agent هوش مصنوعی متن‌باز خودمان ۲۴ آسیب‌پذیری Android پیدا کردیم
نگاهی به taskflowهای هدفمند هوش مصنوعی پشت این یافته‌ها، باگ‌هایی که کشف شدند، و اینکه چطور می‌توانید همین agent متن‌باز را روی اپلیکیشن خودتان اجرا کنید.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی یک agent متن‌باز می‌تواند ۲۴ آسیب‌پذیری واقعی در Android پیدا کند، یعنی security review خودکار دیگر آینده نیست — الان است.
💡 نکته: قابل‌تکرار بودن این روش (run روی اپ خودتان) آن را از یک تحقیق صرف به یک ابزار عملی تبدیل می‌کند.
👥 برای کی: توسعه‌دهنده‌های Android و هر کسی که روی security، static analysis یا AI agent کار می‌کند.
🔗 https://github.blog/security/how-we-found-24-android-vulnerabilities-using-our-open-source-ai-security-agent/
#ai #backend #security #agent
@BenFeed
The GitHub Blog
How we found 24 Android vulnerabilities using our open source AI security agent
A look at the targeted AI taskflows behind these findings, the bugs they uncovered, and how to run the same open-source agent on your own app.
Introducing dots
معرفی dots از OpenAI
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: هر محصول جدید OpenAI می‌تونه زیرساخت ابزارهای AI-driven رو تغییر بده و بدونِ اطلاعات بیشتر نمی‌شه دقیق‌تر قضاوت کرد.
💡 نکته: اسم «dots» احتمالاً اشاره به یه لایه‌ی ارتباطی یا orchestration داره — صبر کنید بلاگ‌پست کامل منتشر بشه.
👥 برای کی: توسعه‌دهنده‌هایی که با OpenAI API یا محصولات enterprise کار می‌کنند.
🔗 https://openai.com/index/introducing-dots
#ai #LLM
@BenFeed
معرفی dots از OpenAI
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: هر محصول جدید OpenAI می‌تونه زیرساخت ابزارهای AI-driven رو تغییر بده و بدونِ اطلاعات بیشتر نمی‌شه دقیق‌تر قضاوت کرد.
💡 نکته: اسم «dots» احتمالاً اشاره به یه لایه‌ی ارتباطی یا orchestration داره — صبر کنید بلاگ‌پست کامل منتشر بشه.
👥 برای کی: توسعه‌دهنده‌هایی که با OpenAI API یا محصولات enterprise کار می‌کنند.
🔗 https://openai.com/index/introducing-dots
#ai #LLM
@BenFeed
OpenAI
Introducing dots
Dots by OpenAI are proactive assistants that can keep working across complex projects and everyday tasks. Learn how dots help you stay in control while work moves forward.
DevDay 2026 Recap
خلاصه‌ی رویداد DevDay 2026
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: رویدادهای DevDay معمولاً همراه با اعلام APIها و ابزارهای جدید OpenAI هستند که مستقیماً روی workflow توسعه‌دهنده‌ها تأثیر می‌گذارند.
💡 نکته: اگر الگوی سال‌های قبل تکرار شود، انتظار داریم تغییرات قیمت‌گذاری یا قابلیت‌های جدید modelها هم در این رویداد اعلام شده باشد.
👥 برای کی: توسعه‌دهنده‌هایی که با OpenAI API کار می‌کنند یا روی ساخت product با LLM مشغولند.
🔗 https://openai.com/index/devday-2026-recap
#ai #LLM #OpenAI
@BenFeed
خلاصه‌ی رویداد DevDay 2026
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: رویدادهای DevDay معمولاً همراه با اعلام APIها و ابزارهای جدید OpenAI هستند که مستقیماً روی workflow توسعه‌دهنده‌ها تأثیر می‌گذارند.
💡 نکته: اگر الگوی سال‌های قبل تکرار شود، انتظار داریم تغییرات قیمت‌گذاری یا قابلیت‌های جدید modelها هم در این رویداد اعلام شده باشد.
👥 برای کی: توسعه‌دهنده‌هایی که با OpenAI API کار می‌کنند یا روی ساخت product با LLM مشغولند.
🔗 https://openai.com/index/devday-2026-recap
#ai #LLM #OpenAI
@BenFeed
OpenAI
DevDay 2026 Recap
Explore more than 20 announcements from OpenAI DevDay 2026, including GPT-6 Astra, ChatGPT, Codex, APIs, security, and new tools for builders.
modelcontextprotocol/servers
سرورهای Model Context Protocol
مخزن رسمی serverهای MCP روی GitHub — می‌توانید در توسعه‌ی آن مشارکت کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: پروتکل MCP دارد به استاندارد اتصال agentها و ابزارهای خارجی تبدیل می‌شود؛ این مخزن پیاده‌سازی‌های مرجع را یکجا جمع کرده.
💡 نکته: اگر می‌خواهید LLM شما با سرویس‌های واقعی تعامل داشته باشد، شروع از این serverهای آماده خیلی سریع‌تر از پیاده‌سازی از صفر است.
👥 برای کی: کسانی که روی agent، tool-use یا integrationهای LLM کار می‌کنند.
🔗 https://github.com/modelcontextprotocol/servers
#ai #LLM #MCP
@BenFeed
سرورهای Model Context Protocol
مخزن رسمی serverهای MCP روی GitHub — می‌توانید در توسعه‌ی آن مشارکت کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: پروتکل MCP دارد به استاندارد اتصال agentها و ابزارهای خارجی تبدیل می‌شود؛ این مخزن پیاده‌سازی‌های مرجع را یکجا جمع کرده.
💡 نکته: اگر می‌خواهید LLM شما با سرویس‌های واقعی تعامل داشته باشد، شروع از این serverهای آماده خیلی سریع‌تر از پیاده‌سازی از صفر است.
👥 برای کی: کسانی که روی agent، tool-use یا integrationهای LLM کار می‌کنند.
🔗 https://github.com/modelcontextprotocol/servers
#ai #LLM #MCP
@BenFeed
GitHub
GitHub - modelcontextprotocol/servers: Model Context Protocol Servers
Model Context Protocol Servers. Contribute to modelcontextprotocol/servers development by creating an account on GitHub.
We're introducing SynthID Bio, bringing our watermarking technology to synthetic biology.
معرفی SynthID Bio؛ watermarking برای پروتئین‌های طراحی‌شده با هوش مصنوعی
گوگل دیپ‌مایند ابزار SynthID Bio را معرفی کرد تا پروتئین‌های طراحی‌شده توسط هوش مصنوعی را watermark کند — بدون اینکه عملکرد بیولوژیکی‌شان آسیب ببیند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش ابزارهای AI در زیست‌شناسی مصنوعی، ردیابی و اصالت‌سنجی خروجی‌های مدل‌ها یک نیاز امنیتی جدی می‌شه؛ SynthID Bio مستقیماً این مشکل را هدف گرفته.
💡 نکته: watermarking در دنیای متن و تصویر آشناست، اما انجامش روی ساختار پروتئین بدون افتِ عملکرد بیولوژیکی چالشِ فنیِ متفاوتیه.
👥 برای کی: کسانی که روی AI در حوزه‌ی bioinformatics، drug discovery یا safety هوش مصنوعی کار می‌کنند.
🔗 https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-bio/
#ai #LLM #SynthID
@BenFeed
معرفی SynthID Bio؛ watermarking برای پروتئین‌های طراحی‌شده با هوش مصنوعی
گوگل دیپ‌مایند ابزار SynthID Bio را معرفی کرد تا پروتئین‌های طراحی‌شده توسط هوش مصنوعی را watermark کند — بدون اینکه عملکرد بیولوژیکی‌شان آسیب ببیند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش ابزارهای AI در زیست‌شناسی مصنوعی، ردیابی و اصالت‌سنجی خروجی‌های مدل‌ها یک نیاز امنیتی جدی می‌شه؛ SynthID Bio مستقیماً این مشکل را هدف گرفته.
💡 نکته: watermarking در دنیای متن و تصویر آشناست، اما انجامش روی ساختار پروتئین بدون افتِ عملکرد بیولوژیکی چالشِ فنیِ متفاوتیه.
👥 برای کی: کسانی که روی AI در حوزه‌ی bioinformatics، drug discovery یا safety هوش مصنوعی کار می‌کنند.
🔗 https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-bio/
#ai #LLM #SynthID
@BenFeed
Google
We’re introducing SynthID Bio, bringing our watermarking technology to synthetic biology.
Google DeepMind introduces SynthID Bio to watermark AI-designed proteins while maintaining biological function. Read the full research report here.
colbymchenry/codegraph
گراف دانشِ کد برای agentهای AI — محلی، سبک، سریع
یک knowledge graph از پایه‌ی کدبیس شما می‌سازد که به‌صورت خودکار با هر تغییری sync می‌شود. سازگار با Claude Code، Codex، Gemini، Cursor، OpenCode، AntiGravity، Kiro، CoPilot و Hermes Agent — token کمتر، tool call کمتر، و کاملاً local.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از گلوگاه‌های اصلی coding agentها هزینه‌ی بالای context و tool callهای مکررِ file-traversal است؛ pre-indexed graph این مشکل رو از ریشه حل می‌کنه.
💡 نکته: local بودن کامل یعنی نه dependency به cloud، نه نگرانی privacy — برای codebaseهای enterprise این یک مزیت جدی است.
👥 برای کی: توسعه‌دهنده‌هایی که با AI coding agentها کار می‌کنند و دنبال کاهش هزینه‌ی inference هستند.
🔗 https://github.com/colbymchenry/codegraph
#backend #ai #LLM
@BenFeed
گراف دانشِ کد برای agentهای AI — محلی، سبک، سریع
یک knowledge graph از پایه‌ی کدبیس شما می‌سازد که به‌صورت خودکار با هر تغییری sync می‌شود. سازگار با Claude Code، Codex، Gemini، Cursor، OpenCode، AntiGravity، Kiro، CoPilot و Hermes Agent — token کمتر، tool call کمتر، و کاملاً local.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از گلوگاه‌های اصلی coding agentها هزینه‌ی بالای context و tool callهای مکررِ file-traversal است؛ pre-indexed graph این مشکل رو از ریشه حل می‌کنه.
💡 نکته: local بودن کامل یعنی نه dependency به cloud، نه نگرانی privacy — برای codebaseهای enterprise این یک مزیت جدی است.
👥 برای کی: توسعه‌دهنده‌هایی که با AI coding agentها کار می‌کنند و دنبال کاهش هزینه‌ی inference هستند.
🔗 https://github.com/colbymchenry/codegraph
#backend #ai #LLM
@BenFeed
GitHub
GitHub - colbymchenry/codegraph: Pre-indexed code knowledge graph, auto syncs on code changes, for Claude Code, Codex, Gemini,…
Pre-indexed code knowledge graph, auto syncs on code changes, for Claude Code, Codex, Gemini, Cursor, OpenCode, AntiGravity, Kiro, CoPilot, and Hermes Agent — fewer tokens, fewer tool calls, 100% l...
Postgres with QUIC
تست پروتکل Postgres روی QUIC در مقابل TCP
یک آزمایش عملی: پروتکل wire مربوط به Postgres روی QUIC streamها در برابر TCP connection pooling، روی یک لینک با تأخیر ۳۰ میلی‌ثانیه. نتایج benchmark و trade-offهای هر رویکرد بررسی شده.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: تأخیر شبکه یکی از گلوگاه‌های اصلی دیتابیس در معماری‌های توزیع‌شده‌ست؛ QUIC می‌تواند connection overhead را کاهش دهد و این آزمایش نشان می‌دهد عملاً چه می‌شود.
💡 نکته: QUIC برای کوئری‌های کوتاه و پرتعداد جذاب‌تر است، اما trade-offها با TCP pooling کلاسیک هنوز ساده نیستند.
👥 برای کی: backend توسعه‌دهنده‌هایی که با Postgres در محیط‌های distributed یا edge کار می‌کنند.
🔗 https://blogs.lupyd.com/blog/postgres-with-quic/
#backend #Postgres #QUIC
@BenFeed
تست پروتکل Postgres روی QUIC در مقابل TCP
یک آزمایش عملی: پروتکل wire مربوط به Postgres روی QUIC streamها در برابر TCP connection pooling، روی یک لینک با تأخیر ۳۰ میلی‌ثانیه. نتایج benchmark و trade-offهای هر رویکرد بررسی شده.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: تأخیر شبکه یکی از گلوگاه‌های اصلی دیتابیس در معماری‌های توزیع‌شده‌ست؛ QUIC می‌تواند connection overhead را کاهش دهد و این آزمایش نشان می‌دهد عملاً چه می‌شود.
💡 نکته: QUIC برای کوئری‌های کوتاه و پرتعداد جذاب‌تر است، اما trade-offها با TCP pooling کلاسیک هنوز ساده نیستند.
👥 برای کی: backend توسعه‌دهنده‌هایی که با Postgres در محیط‌های distributed یا edge کار می‌کنند.
🔗 https://blogs.lupyd.com/blog/postgres-with-quic/
#backend #Postgres #QUIC
@BenFeed
Lupyd Blog
Postgres with QUIC: Breaking the Client-Side Connection Bottleneck | Lupyd
Why Postgres connection poolers still choke on client-side TCP bottlenecks, how QUIC stream multiplexing solves the 30ms latency wall, and real benchmark numbers.
Building a certificate authority for the whole Internet
ساخت یک certificate authority برای کل اینترنت
دوازده سال پس از راه‌اندازی Universal SSL، حالا Cloudflare درخواست داده تا به یک certificate authority تبدیل شود.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اگر Cloudflare به عنوان CA تأیید شود، بخش بزرگی از زیرساخت TLS اینترنت زیر یک سقف قرار می‌گیرد و این تغییرِ بزرگی در اکوسیستم certificate است.
💡 نکته: کنترل کامل بر چرخه‌ی صدور certificate یعنی Cloudflare می‌تواند ویژگی‌هایی مثل کوتاه‌کردن عمر cert یا automation بیشتر را مستقل از CAهای فعلی پیاده کند.
👥 برای کی: کسانی که روی security، TLS، یا زیرساخت شبکه کار می‌کنند.
🔗 https://blog.cloudflare.com/cloudflare-certificate-authority/
#backend #security #TLS
@BenFeed
ساخت یک certificate authority برای کل اینترنت
دوازده سال پس از راه‌اندازی Universal SSL، حالا Cloudflare درخواست داده تا به یک certificate authority تبدیل شود.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اگر Cloudflare به عنوان CA تأیید شود، بخش بزرگی از زیرساخت TLS اینترنت زیر یک سقف قرار می‌گیرد و این تغییرِ بزرگی در اکوسیستم certificate است.
💡 نکته: کنترل کامل بر چرخه‌ی صدور certificate یعنی Cloudflare می‌تواند ویژگی‌هایی مثل کوتاه‌کردن عمر cert یا automation بیشتر را مستقل از CAهای فعلی پیاده کند.
👥 برای کی: کسانی که روی security، TLS، یا زیرساخت شبکه کار می‌کنند.
🔗 https://blog.cloudflare.com/cloudflare-certificate-authority/
#backend #security #TLS
@BenFeed
Cloudflare Blog
Building a certificate authority for the whole Internet
Twelve years after launching Universal SSL, Cloudflare is applying to become a certificate authority.
Deser: Rethinking Rust Serialization
بازاندیشی در serialization در Rust با Deser
آیا می‌توان بهتر از Serde بود؟
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: Serde سال‌هاست استاندارد de facto برای serialization در Rust است؛ هر چالشی جدی به آن یعنی ممکن است اکوسیستم در حال تحول باشد.
💡 نکته: طراحیِ مجدد یک primitive به این اندازه بنیادی نشان می‌دهد که ergonomics و compile-time در Rust هنوز جای رشد دارند.
👥 برای کی: توسعه‌دهنده‌های Rust که روی backend، parsing یا protocol design کار می‌کنند.
🔗 https://lucumr.pocoo.org/2026/9/29/deser/
#backend #Rust #serialization
@BenFeed
بازاندیشی در serialization در Rust با Deser
آیا می‌توان بهتر از Serde بود؟
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: Serde سال‌هاست استاندارد de facto برای serialization در Rust است؛ هر چالشی جدی به آن یعنی ممکن است اکوسیستم در حال تحول باشد.
💡 نکته: طراحیِ مجدد یک primitive به این اندازه بنیادی نشان می‌دهد که ergonomics و compile-time در Rust هنوز جای رشد دارند.
👥 برای کی: توسعه‌دهنده‌های Rust که روی backend، parsing یا protocol design کار می‌کنند.
🔗 https://lucumr.pocoo.org/2026/9/29/deser/
#backend #Rust #serialization
@BenFeed
Armin Ronacher's Thoughts and Writings
Deser: Rethinking Rust Serialization
Can we do better than Serde?
EDG C++ Compiler is open source
کامپایلر C++ شرکت EDG حالا متن‌باز شد
با ساختن یک اکانت در GitHub می‌توانید در توسعه‌ی edgcpp/compiler مشارکت کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: کامپایلر EDG یکی از قدیمی‌ترین و دقیق‌ترین frontendهای C++ است که سال‌ها پشتِ ابزارهای تجاری مثل Visual C++ و Intel Compiler بوده؛ متن‌باز شدنش یه اتفاق غیرمنتظره است.
💡 نکته: اگر این release واقعی و کامل باشد، می‌تواند مرجعی بی‌نظیر برای پیاده‌سازیِ دقیق استانداردهای C++ در toolchainهای جدید باشد.
👥 برای کی: کسانی که روی compiler، toolchain یا زیرساخت‌های C++ کار می‌کنند.
🔗 https://github.com/edgcpp/compiler
#backend #cpp
@BenFeed
کامپایلر C++ شرکت EDG حالا متن‌باز شد
با ساختن یک اکانت در GitHub می‌توانید در توسعه‌ی edgcpp/compiler مشارکت کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: کامپایلر EDG یکی از قدیمی‌ترین و دقیق‌ترین frontendهای C++ است که سال‌ها پشتِ ابزارهای تجاری مثل Visual C++ و Intel Compiler بوده؛ متن‌باز شدنش یه اتفاق غیرمنتظره است.
💡 نکته: اگر این release واقعی و کامل باشد، می‌تواند مرجعی بی‌نظیر برای پیاده‌سازیِ دقیق استانداردهای C++ در toolchainهای جدید باشد.
👥 برای کی: کسانی که روی compiler، toolchain یا زیرساخت‌های C++ کار می‌کنند.
🔗 https://github.com/edgcpp/compiler
#backend #cpp
@BenFeed
GitHub
GitHub - edgcpp/compiler: The Open EDG C & C++ Compiler Project
The Open EDG C & C++ Compiler Project. Contribute to edgcpp/compiler development by creating an account on GitHub.
Show HN: Strata – an expressive semantic layer that can say no to your LLM
معرفی Strata — یک semantic layer که می‌تواند به LLM شما «نه» بگوید
تحلیل셀 self-service با کارایی بالا و ایمنیِ هوش مصنوعی — یک semantic layer حاکمیت‌محور که با dashboardهای زیبا و آماده‌به‌کار برای انسان‌ها و agentها ترکیب شده.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین ریسک‌های agentهای داده‌محور اینه که LLM می‌تونه queryهای دلبخواهی بزنه؛ داشتن یک لایه‌ی semantic که بتونه درخواست‌ها رو رد کنه، این ریسک رو جدی کمتر می‌کنه.
💡 نکته: ترکیب governance با visualization در یک لایه یعنی تیم‌های داده دیگه مجبور نیستن بین سرعت셀 self-service و کنترل دسترسی یکی رو انتخاب کنن.
👥 برای کی: کسانی که روی data engineering، analytics agent یا ساخت pipelineهای LLM روی داده‌های حساس کار می‌کنن.
🔗 https://strata.do/
#ai #backend #LLM
@BenFeed
معرفی Strata — یک semantic layer که می‌تواند به LLM شما «نه» بگوید
تحلیل셀 self-service با کارایی بالا و ایمنیِ هوش مصنوعی — یک semantic layer حاکمیت‌محور که با dashboardهای زیبا و آماده‌به‌کار برای انسان‌ها و agentها ترکیب شده.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین ریسک‌های agentهای داده‌محور اینه که LLM می‌تونه queryهای دلبخواهی بزنه؛ داشتن یک لایه‌ی semantic که بتونه درخواست‌ها رو رد کنه، این ریسک رو جدی کمتر می‌کنه.
💡 نکته: ترکیب governance با visualization در یک لایه یعنی تیم‌های داده دیگه مجبور نیستن بین سرعت셀 self-service و کنترل دسترسی یکی رو انتخاب کنن.
👥 برای کی: کسانی که روی data engineering، analytics agent یا ساخت pipelineهای LLM روی داده‌های حساس کار می‌کنن.
🔗 https://strata.do/
#ai #backend #LLM
@BenFeed
Strata
Strata — high-performance, AI-safe self-service analytics
High-performance, AI-safe self-service analytics — a governed semantic layer fused with beautiful-by-default dashboards, for humans and agents.
FTC is investigating OpenAI, Anthropic and other AI companies over product risks
کمیسیون تجارت فدرال آمریکا سراغ OpenAI، Anthropic و دیگر شرکت‌های هوش مصنوعی رفته
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: نظارت رگولاتوری جدی روی بزرگ‌ترین بازیگران AI می‌تونه مسیر توسعه و عرضه‌ی محصولات هوش مصنوعی رو در سطح جهانی تغییر بده.
💡 نکته: وقتی FTC وارد می‌شه، معمولاً خروجیش یا جریمه‌ی سنگینه یا الزامات complianceای که کل industry رو درگیر می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی محصولات مبتنی بر LLM و AI کار می‌کنن یا با API این شرکت‌ها integrate شدن.
🔗 https://www.cnbc.com/2026/09/30/ftc-ai-probe-openai-anthropic.html
#ai #LLM
@BenFeed
کمیسیون تجارت فدرال آمریکا سراغ OpenAI، Anthropic و دیگر شرکت‌های هوش مصنوعی رفته
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: نظارت رگولاتوری جدی روی بزرگ‌ترین بازیگران AI می‌تونه مسیر توسعه و عرضه‌ی محصولات هوش مصنوعی رو در سطح جهانی تغییر بده.
💡 نکته: وقتی FTC وارد می‌شه، معمولاً خروجیش یا جریمه‌ی سنگینه یا الزامات complianceای که کل industry رو درگیر می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی محصولات مبتنی بر LLM و AI کار می‌کنن یا با API این شرکت‌ها integrate شدن.
🔗 https://www.cnbc.com/2026/09/30/ftc-ai-probe-openai-anthropic.html
#ai #LLM
@BenFeed
CNBC
FTC is investigating OpenAI, Anthropic and other AI companies over product risks
The probe adds to the mounting scrutiny that OpenAI and Anthropic have been facing over their safety practices following the Hugging Face hack.
Micron CEO Says Memory Supply Will Be Much Tighter in 2027 and 2028 Than in 2026
مدیرعامل Micron: عرضه‌ی حافظه در ۲۰۲۷ و ۲۰۲۸ بسیار تنگ‌تر از ۲۰۲۶ خواهد بود
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: کمبود حافظه در ۲۰۲۷–۲۰۲۸ می‌تونه هزینه‌ی infrastructure برای training و inference مدل‌های بزرگ رو به‌شدت بالا ببره و برنامه‌ریزی‌های سخت‌افزاری را تحت تأثیر قرار بده.
💡 نکته: این پیش‌بینی از سمت تولیدکننده‌ست، نه تحلیلگر — یعنی Micron خودش انتظار تقاضایی داره که ظرفیت فعلی‌اش پاسخش رو نمی‌ده.
👥 برای کی: تیم‌هایی که روی infrastructure، انتخاب سخت‌افزار یا برنامه‌ریزی بلندمدت هزینه‌های cloud کار می‌کنن.
🔗 https://www.techpowerup.com/353296/micron-ceo-says-memory-supply-will-be-much-tighter-in-2027-and-2028-than-in-2026
#backend #devops #infrastructure
@BenFeed
مدیرعامل Micron: عرضه‌ی حافظه در ۲۰۲۷ و ۲۰۲۸ بسیار تنگ‌تر از ۲۰۲۶ خواهد بود
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: کمبود حافظه در ۲۰۲۷–۲۰۲۸ می‌تونه هزینه‌ی infrastructure برای training و inference مدل‌های بزرگ رو به‌شدت بالا ببره و برنامه‌ریزی‌های سخت‌افزاری را تحت تأثیر قرار بده.
💡 نکته: این پیش‌بینی از سمت تولیدکننده‌ست، نه تحلیلگر — یعنی Micron خودش انتظار تقاضایی داره که ظرفیت فعلی‌اش پاسخش رو نمی‌ده.
👥 برای کی: تیم‌هایی که روی infrastructure، انتخاب سخت‌افزار یا برنامه‌ریزی بلندمدت هزینه‌های cloud کار می‌کنن.
🔗 https://www.techpowerup.com/353296/micron-ceo-says-memory-supply-will-be-much-tighter-in-2027-and-2028-than-in-2026
#backend #devops #infrastructure
@BenFeed
TechPowerUp
Micron CEO Says Memory Supply Will Be Much Tighter in 2027 and 2028 Than in 2026
Micron CEO Sanjay Mehrotra says memory and storage supply will likely be much tighter in 2027 and 2028 than it was in 2026. He made the remarks during Micron's fiscal Q4 2026 earnings call on September 30, where the company reported record quarterly revenue…
Is sandboxing sufficient to contain rogue agents?
آیا sandbox کردن برای مهار agentهای سرکش کافی است؟
یک استاد رمزنگاری درباره‌ی AI safety می‌نویسد — اگر این ترکیب برایتان عجیب است، شاید این مقاله مناسب شما نباشد. نویسنده تلاش می‌کند از حوزه‌ی AI دور بماند، اما گاهی موضوع به‌قدری به رمزنگاری نزدیک می‌شود که نمی‌تواند سکوت کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش agentهای خودمختار در محیط‌های production، سؤال مهار و محدودسازی‌شان دیگر فقط یک بحث تئوریک نیست.
💡 نکته: sandbox به‌تنهایی یک مرز فنی است، نه یک تضمین امنیتی — همان‌طور که در دنیای رمزنگاری هم هیچ‌وقت به یک لایه‌ی دفاعی اکتفا نمی‌شود.
👥 برای کی: توسعه‌دهنده‌هایی که روی deploy کردن agentها یا طراحی سیستم‌های امن AI کار می‌کنند.
🔗 https://blog.cryptographyengineering.com/2026/09/30/is-sandboxing-sufficient-to-contain-rogue-agents/
#ai #LLM #security
@BenFeed
آیا sandbox کردن برای مهار agentهای سرکش کافی است؟
یک استاد رمزنگاری درباره‌ی AI safety می‌نویسد — اگر این ترکیب برایتان عجیب است، شاید این مقاله مناسب شما نباشد. نویسنده تلاش می‌کند از حوزه‌ی AI دور بماند، اما گاهی موضوع به‌قدری به رمزنگاری نزدیک می‌شود که نمی‌تواند سکوت کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش agentهای خودمختار در محیط‌های production، سؤال مهار و محدودسازی‌شان دیگر فقط یک بحث تئوریک نیست.
💡 نکته: sandbox به‌تنهایی یک مرز فنی است، نه یک تضمین امنیتی — همان‌طور که در دنیای رمزنگاری هم هیچ‌وقت به یک لایه‌ی دفاعی اکتفا نمی‌شود.
👥 برای کی: توسعه‌دهنده‌هایی که روی deploy کردن agentها یا طراحی سیستم‌های امن AI کار می‌کنند.
🔗 https://blog.cryptographyengineering.com/2026/09/30/is-sandboxing-sufficient-to-contain-rogue-agents/
#ai #LLM #security
@BenFeed
A Few Thoughts on Cryptographic Engineering
Is sandboxing sufficient to contain rogue agents?
Quick caveats: this is a post on AI safety, written by a cryptography professor. If that troubles you, you should read something else. I try hard not to work on AI (except when the topic occasional…