‏Codex CLI installs a persistent, self-updating background daemon by default
‏نصب خودکارِ daemon پایدار و self-updating توسط Codex CLI — بدون اجازه

‏نسخه‌ی CLI 0.157.0 از Codex که از طریق npm install -g @openai/codex نصب می‌شود، به‌صورت پیش‌فرض یک background daemon راه‌اندازی می‌کند که خودش را هم به‌روز نگه می‌دارد — بدون اینکه از کاربر بپرسد. درخواست کاربران اینه که daemon_auto_start حداقل opt-in باشد یا قبل از شروع یک بار تأیید گرفته شود.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: نصبِ یک process پایدار و self-updating روی سیستم کاربر بدون رضایت صریح، یک نگرانیِ جدیِ امنیتی و حریمِ خصوصی است — مخصوصاً در محیط‌های حساسِ enterprise.
‏💡 نکته: اینکه یک CLI tool بدون اطلاع کاربر daemon نصب کند، مرزِ اعتماد بین developer tool و malware را کمرنگ می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که Codex CLI را روی Linux یا WSL2 نصب کرده‌اند یا قصد دارند.

‏🔗 https://github.com/openai/codex/issues/48195
‏#ai #devops #LLM

‏@BenFeed

‏AI models may be capable of self-replicating without access to a datacenter
‏مدل‌های هوش مصنوعی ممکن است بدون نیاز به datacenter قادر به self-replication باشند

‏مدل‌های کوچک هوش مصنوعی شاید تنها چند ماه دیگر بتوانند روی دستگاه‌های ارزان‌قیمت IoT مثل Android TV box‌ها خودشان را تکثیر کنند — بدون اینکه به هیچ datacenter‌ای نیاز داشته باشند.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: self-replication بدون زیرساخت متمرکز یعنی مدل‌ها می‌توانند فراتر از کنترل‌های معمول گسترش پیدا کنند — این یک تغییر بنیادی در معادلات AI safety است.
‏💡 نکته: وقتی یک مدل می‌تواند روی سخت‌افزار ارزان و پراکنده اجرا و تکثیر شود، مکانیزم‌های containment مبتنی بر datacenter دیگر کافی نیستند.
‏👥 برای کی: همه‌ی کسانی که روی AI safety، edge deployment یا سیاست‌گذاری هوش مصنوعی کار می‌کنند.

‏🔗 https://www.anthropic.com/research/self-replicating-ai
‏#ai #LLM #AISafety

‏@BenFeed

‏Muse Spark Open, the Most Capable US Open‑Weight Model to Date
‏قوی‌ترین open-weight مدل آمریکایی تاکنون: Muse Spark Open

‏مدل Muse Spark Open قوی‌ترین open-weight مدل آمریکایی تا به امروز معرفی شده و قابلیت‌های پیشرفته‌ی agentic را مستقیم روی دسکتاپ و از طریق Apple M5 Ultra Mac Studios در اختیار کاربران می‌گذارد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: رقابت open-weight مدل‌های آمریکایی داره جدی‌تر می‌شه و اجرای local یک مدل قدرتمند agentic روی سخت‌افزار consumer-grade، مرزِ دسترسی به AI رو جابه‌جا می‌کنه.
‏💡 نکته: تمرکز روی Apple Silicon نشون می‌ده که بهینه‌سازی برای edge inference دیگه یک نکته‌ی فرعی نیست، بلکه بخشِ اصلیِ استراتژی deploy مدل‌های بزرگ شده.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، local inference یا اپلیکیشن‌های مبتنی بر LLM کار می‌کنند.

‏🔗 https://research.meta.ai/blog/muse-spark-open
‏#ai #LLM #agent

‏@BenFeed

‏Anthropic Update on Independent Evaluators
‏به‌روزرسانی Anthropic درباره‌ی ارزیاب‌های مستقل

‏Anthropic به‌روزرسانی‌هایی درباره‌ی نحوه‌ی جاسازی evaluator‌های مستقل در فرآیندهایش اعلام کرد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وجود evaluator‌های مستقل یعنی Anthropic داره نظارت بیرونی روی مدل‌هاش رو جدی می‌گیره — قدمی که اعتماد به AI safety رو ملموس‌تر می‌کنه.
‏💡 نکته: این حرکت فشار بیشتری روی بقیه‌ی شرکت‌های AI می‌ذاره که evaluation‌هاشون رو از داخل به بیرون ببرن.
‏👥 برای کی: کسانی که روی AI safety، evaluation یا governance کار می‌کنن.

‏🔗 https://www.anthropic.com/news/an-update-on-independent-evaluators
‏#ai #LLM

‏@BenFeed

‏TIME has named Google SynthID one of the Best Inventions of 2026.
‏مجله‌ی TIME گوگل SynthID را در فهرست بهترین اختراعات ۲۰۲۶ قرار داد.

‏مجله‌ی TIME تکنولوژی SynthID گوگل را به‌عنوان یکی از بهترین اختراعات سال ۲۰۲۶ انتخاب کرد؛ رویکردی که در زمینه‌ی watermarking و تأییدِ محتوای تولیدشده توسط هوش مصنوعی پیشگام است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: با گسترش محتوای AI-generated، ابزارهایی مثل SynthID برای تشخیص منشأ محتوا به زیرساختِ ضروریِ اینترنت تبدیل می‌شن.
‏💡 نکته: watermarking نامرئی روی متن و تصویر یعنی تشخیصِ محتوای جعلی دیگه نیازی به متادیتای خارجی نداره — این رویکرد اگر جا بیفته، بازیِ content verification رو عوض می‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی content moderation، AI safety یا پلتفرم‌های رسانه‌ای کار می‌کنن.

‏🔗 https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-time-best-inventions/
‏#ai #LLM #SynthID

‏@BenFeed

‏C++26 Contracts: Introduction to Preconditions and Postconditions
‏آشنایی با Preconditionها و Postconditionها در C++26 Contracts

‏در مقاله‌ی مربوط به Standard Library hardening، بررسی کردیم که چطور دسترسی نامعتبر به container‌ها و شکستن preconditionها شناسایی می‌شود — و اشاره شد که این الزامات با «contracts» بیان می‌شوند. حالا نوبت کد خودمان است: در این پست با contracts در C++26 آشنا می‌شویم، از یک cassert ساده شروع می‌کنیم، الزام را به داخل تابع منتقل می‌کنیم، و می‌بینیم چطور نتایج را هم می‌توان بررسی کرد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: contracts در C++26 یکی از بزرگ‌ترین اضافه‌های این استاندارد برای نوشتن کدِ defensive و self-documenting است و جایگزین الگوهای پراکنده‌ی assert می‌شود.
‏💡 نکته: داشتن precondition و postcondition به‌عنوان بخشی از signature تابع، مرز بین مسئولیت caller و callee را صریح می‌کند — چیزی که documentation و comment هرگز نمی‌توانستند تضمین کنند.
‏👥 برای کی: توسعه‌دهنده‌های C++ که روی کدبیس‌های بزرگ، کتابخانه‌های عمومی یا سیستم‌های حساس به safety کار می‌کنند.

‏🔗 https://www.cppstories.com/2026/cpp26_contracts/
‏#backend #cpp #contracts

‏@BenFeed

‏Using AI to reverse engineer hardware
‏استفاده از AI برای reverse engineer کردن سخت‌افزار

‏بعد از فوت مادرم، یک جعبه‌ی بزرگ پر از نگاتیو‌های قدیمی به دستم رسید — عکس‌هایی از سفرهای خانوادگی دوران کودکی. تصمیم گرفتم یک اسکنر نگاتیو بخرم و به Plustek 8200i رسیدم...

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: نشون می‌ده AI می‌تونه در reverse engineering سخت‌افزارهایی که driver یا مستندات کافی ندارن واقعاً مفید باشه — مشکلی که خیلی از توسعه‌دهنده‌های Linux باهاش دست‌وپنجه نرم می‌کنن.
‏💡 نکته: این رویکرد می‌تونه شکاف بین سخت‌افزارهای بدون مستندات و پشتیبانی open source رو کم‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی driver، embedded یا Linux hardware support کار می‌کنن.

‏🔗 https://blogs.gnome.org/uraeus/2026/10/15/aiandreverseengineerhardware/
‏#ai #backend #Linux

‏@BenFeed

‏Israeli firm's digital ads enabling installation of 'zero-click' spyware
‏تبلیغات دیجیتال یک شرکت اسرائیلی برای نصب بدافزار جاسوسی «zero-click» استفاده می‌شود

‏محققان دانشگاه Toronto می‌گویند نرم‌افزار Controlium شرکت Discover-Tech به مشتریانش امکان می‌دهد کاربران اینترنت را به‌صورت انبوه پروفایل کنند و سپس مخفیانه به دستگاه‌هایشان نفوذ کنند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: حمله‌ی zero-click از طریق زیرساخت تبلیغاتیِ معمولی یعنی هیچ تعاملی از طرف قربانی لازم نیست — هر دستگاهی که تبلیغ را بارگذاری کند در معرض خطر است.
‏💡 نکته: سوءاستفاده از ad network به‌عنوان بردار حمله، سطح تهدید را از «کلیک روی لینک مشکوک» به «صرفاً آنلاین بودن» می‌رساند.
‏👥 برای کی: توسعه‌دهندگان حوزه‌ی security، privacy و کسانی که روی ad tech یا mobile backend کار می‌کنند.

‏🔗 https://www.theguardian.com/technology/2026/oct/15/israeli-firm-digital-ads-enabling-installation-of-zero-click-spyware-researchers-say
‏#backend #security #spyware

‏@BenFeed

‏Prompt injection in HTTP headers: what 217M web responses show
‏تزریق prompt در HTTP headerها: درس‌هایی از ۲۱۷ میلیون پاسخ وب

‏اسکن Common Crawl ما روی ۲۱۷ میلیون پاسخ وب نشان داد که ۷٬۹۵۹ سایت HTTP headerهایی می‌فرستند که مستقیماً هدفشان AI agentهاست — از این بین، ۳۰ مورد تلاشِ واقعیِ prompt injection بودند. این مقاله محتوای این headerها و روش‌های دفاع از agentها را بررسی می‌کند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: با گسترش AI agentهایی که وب را browse می‌کنند، HTTP header به یک سطح حمله‌ی واقعی تبدیل شده که اکثر تیم‌ها هنوز آن را جدی نمی‌گیرند.
‏💡 نکته: داده‌های واقعی از Common Crawl نشان می‌دهد این تهدید دیگر تئوری نیست — سایت‌ها فعالانه سعی در دستکاری agentها دارند.
‏👥 برای کی: هر کسی که روی AI agent، LLM application یا امنیت backend کار می‌کند.

‏🔗 https://www.signalscorps.com/blog/prompt-injection-in-http-headers/
‏#ai #LLM #security

‏@BenFeed

‏I Deleted 168,000 Lines of Comments. My AI Agent Didn't Notice
‏۱۶۸,۰۰۰ خط کامنت حذف کردم؛ agent هیچ‌چیز متوجه نشد

‏تقریباً یک‌سوم از سورس‌کد ما کامنت بود. همه‌شان را حذف کردم و از یک AI agent خواستم روی هر دو نسخه — با کامنت و بی‌کامنت — سه بار یک‌سری feature یکسان بسازد. کدی که نوشت، در هر دو حالت به یک اندازه خوب بود. اگر روی یک codebase واقعی از agent استفاده می‌کنید و این سؤال برایتان هست که آیا کامنت‌ها اصلاً اهمیتی دارند…

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این آزمایش یک باور رایج را زیر سؤال می‌برد؛ شاید زمانی که صرف نگه‌داری و به‌روز‌رسانی کامنت‌ها می‌کنید، برای agent‌ها اصلاً ارزش عملی ندارد.
‏💡 نکته: agent‌ها احتمالاً بیشتر از ساختار و نام‌گذاری کد سیگنال می‌گیرند تا از کامنت‌های prose — این یعنی باید اولویت‌بندی مستندسازی را بازنگری کنید.
‏👥 برای کی: هر کسی که با AI agent روی codebase واقعی کار می‌کند یا روی developer tooling تمرکز دارد.

‏🔗 https://openstation.blog/2026/10/13/i-deleted-168000-lines-of-comments-my-ai-agent-didnt-notice/
‏#ai #backend #LLM

‏@BenFeed

‏Linus Torvalds's first LLM-assisted patch series
‏اولین مجموعه patch لینوس توروالدز با کمک LLM

‏در اجلاس Maintainers Summit که اخیراً برگزار شد، لینوس توروالدز اعلام کرد که از یک LLM برای کمک در نوشتن کد استفاده کرده — و حالا آن patch series عملاً منتشر شده است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی سازنده‌ی kernel لینوکس برای اولین بار LLM را وارد workflow خودش می‌کند، یک سیگنال فرهنگی قوی برای کل جامعه‌ی open-source است.
‏💡 نکته: اینکه توروالدز — که همیشه با skepticism به ابزارهای جدید نگاه کرده — این قدم را برداشته، احتمالاً بیشتر از هر benchmark ای به پذیرش LLM در توسعه‌ی سیستم‌های low-level کمک می‌کند.
‏👥 برای کی: توسعه‌دهنده‌های سیستم، مشارکت‌کنندگان در پروژه‌های open-source و هر کسی که روی AI-assisted coding کار می‌کند.

‏🔗 https://lwn.net/Articles/1100449/
‏#ai #backend #LLM

‏@BenFeed

‏Show HN: Building an LLM from Scratch in TypeScript
‏ساختن یک LLM از صفر با TypeScript

‏راهنمای ساخت large language model از صفر در محیط NodeJS.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: فهمیدن مکانیزم درونی LLM‌ها برای هر توسعه‌دهنده‌ای که باهاشون کار می‌کنه ضروریه، و این guide اون رو با ابزارهای آشنای JavaScript ecosystem ممکن می‌کنه.
‏💡 نکته: پیاده‌سازی با TypeScript به جای Python، باریرِ ورود رو برای frontend و fullstack developerها به شکل قابل‌توجهی پایین می‌آره.
‏👥 برای کی: توسعه‌دهنده‌های JavaScript/TypeScript که می‌خوان از سطح API‌بازی به درک واقعی LLM برسن.

‏🔗 https://book.humanexperiences.io/
‏#ai #LLM

‏@BenFeed

‏Pg_vectorsearch: An index that is faster than pgvector's IVFFlat and HNSW
‏یک index سریع‌تر از IVFFlat و HNSW در pgvector

‏جست‌وجوی vector با کارایی بالا برای PostgreSQL — این چیزی است که پروژه‌ی `pg_vectorsearch` از Timescale دنبال می‌کند و ادعا می‌کند از دو index اصلیِ pgvector یعنی IVFFlat و HNSW سریع‌تر است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: بسیاری از تیم‌ها برای vector search همچنان روی PostgreSQL می‌مانند و هر بهبودی در سرعتِ index مستقیماً روی latency جست‌وجوی semantic و RAG pipeline تأثیر می‌گذارد.
‏💡 نکته: رقابت با index‌های بومیِ pgvector نشان می‌دهد که این فضا هنوز اشباع نشده و extension‌محوری می‌تواند جایگزینِ ابزارهای اختصاصی vector database شود.
‏👥 برای کی: توسعه‌دهنده‌هایی که RAG یا vector search را روی PostgreSQL پیاده می‌کنند.

‏🔗 https://github.com/timescale/pg_vectorsearch
‏#backend #database #vectorsearch

‏@BenFeed