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
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
the Guardian
Online ads weaponised to deliver ‘zero-click’ spyware, researchers say
Discover-Tech’s Controlium software lets clients mass-profile internet users then covertly hack targets, say researchers at University of Toronto
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
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
Signals Corps
Prompt injection in HTTP headers | Signals Corps
Our Common Crawl scan found 7,959 sites sending HTTP headers aimed at AI agents, including 30 injection attempts. See what they say and how to defend agents.
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
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
OpenStation
I Deleted 168,000 Lines of Comments. My AI Agent Didn’t Notice
Almost a third of our source code was comments. I deleted all of them and asked an AI agent to build the same features on both versions of the codebase, three times each. The code it wrote was just…
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
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
LWN.net
Linus Torvalds's first LLM-assisted patch series
At the recently concluded Maintainers Summit, Linus Torvalds said that he had been using a larg [...]
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
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
Building an LLM in NodeJS
The from-scratch guide to building large language models in NodeJS.
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
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
GitHub
GitHub - timescale/pg_vectorsearch: High-performance vector search for PostgreSQL
High-performance vector search for PostgreSQL. Contribute to timescale/pg_vectorsearch development by creating an account on GitHub.
How Itaú is building generative AI for its entire customer base
چطور Itaú دارد generative AI را برای کل پایگاه مشتریانش می‌سازد
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین بانک‌های آمریکای لاتین دارد generative AI را در مقیاس واقعی و با میلیون‌ها کاربر deploy می‌کند؛ نه یک پایلوتِ آزمایشگاهی.
💡 نکته: چالش اصلی در این‌جور پروژه‌ها compliance و اعتماد کاربر است، نه خودِ model — دیدن رویکرد یک بانک سنتی به این مشکل ارزش داره.
👥 برای کی: توسعه‌دهنده‌هایی که روی پیاده‌سازی AI در صنایع regulated مثل فین‌تک و بانکداری کار می‌کنند.
🔗 https://openai.com/index/itau-generative-ai
#ai #backend #fintech
@BenFeed
چطور Itaú دارد generative AI را برای کل پایگاه مشتریانش می‌سازد
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین بانک‌های آمریکای لاتین دارد generative AI را در مقیاس واقعی و با میلیون‌ها کاربر deploy می‌کند؛ نه یک پایلوتِ آزمایشگاهی.
💡 نکته: چالش اصلی در این‌جور پروژه‌ها compliance و اعتماد کاربر است، نه خودِ model — دیدن رویکرد یک بانک سنتی به این مشکل ارزش داره.
👥 برای کی: توسعه‌دهنده‌هایی که روی پیاده‌سازی AI در صنایع regulated مثل فین‌تک و بانکداری کار می‌کنند.
🔗 https://openai.com/index/itau-generative-ai
#ai #backend #fintech
@BenFeed
OpenAI
How Itaú is building generative AI for its entire customer base
With ia.i, a conversational interface, and the IARA governance platform, Itaú is applying its AI First strategy to customers and employees — in one of Brazil’s most regulated sectors.
90% of US working hours are spent on tasks not covered well by AI benchmarks
۹۰٪ از ساعات کاری آمریکا روی وظایفی است که benchmarkهای هوش مصنوعی آن‌ها را خوب نمی‌سنجند
نقشه‌ی US Benchmark Map جایگاه benchmarkهای هوش مصنوعی را در اقتصاد آمریکا مشخص می‌کند و می‌سنجد کدام بخش‌های نیروی کار توسط benchmarkهای عمومی، اشباع‌نشده و agentic پوشش داده می‌شوند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اکثر ادعاهای «AI کارها را جایگزین می‌کند» بر اساس benchmarkهایی است که فقط ۱۰٪ از واقعیت بازار کار را پوشش می‌دهند؛ این تحقیق آن شکافِ نگران‌کننده را با داده نشان می‌دهد.
💡 نکته: نبودِ benchmark مناسب یعنی نه می‌توان توانایی مدل‌ها را سنجید، نه می‌توان ریسک جایگزینی شغلی را درست ارزیابی کرد — یک کور‌نقطه‌ی بزرگ برای هر دو طرفِ این بحث.
👥 برای کی: کسانی که روی evaluation، agent و سیاست‌گذاری هوش مصنوعی کار می‌کنند.
🔗 https://www.mercor.com/research/labor-index/benchmark-map/
#ai #benchmark #LLM
@BenFeed
۹۰٪ از ساعات کاری آمریکا روی وظایفی است که benchmarkهای هوش مصنوعی آن‌ها را خوب نمی‌سنجند
نقشه‌ی US Benchmark Map جایگاه benchmarkهای هوش مصنوعی را در اقتصاد آمریکا مشخص می‌کند و می‌سنجد کدام بخش‌های نیروی کار توسط benchmarkهای عمومی، اشباع‌نشده و agentic پوشش داده می‌شوند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اکثر ادعاهای «AI کارها را جایگزین می‌کند» بر اساس benchmarkهایی است که فقط ۱۰٪ از واقعیت بازار کار را پوشش می‌دهند؛ این تحقیق آن شکافِ نگران‌کننده را با داده نشان می‌دهد.
💡 نکته: نبودِ benchmark مناسب یعنی نه می‌توان توانایی مدل‌ها را سنجید، نه می‌توان ریسک جایگزینی شغلی را درست ارزیابی کرد — یک کور‌نقطه‌ی بزرگ برای هر دو طرفِ این بحث.
👥 برای کی: کسانی که روی evaluation، agent و سیاست‌گذاری هوش مصنوعی کار می‌کنند.
🔗 https://www.mercor.com/research/labor-index/benchmark-map/
#ai #benchmark #LLM
@BenFeed
Mercor
A benchmark map of the US economy | Mercor
The US Benchmark Map places AI benchmarks across the American economy, measuring which parts of the labor force are covered by unsaturated, public, agentic benchmarks.
Claude writes about 90% of Claude Code's code
تقریباً ۹۰٪ کد Claude Code را خودِ Claude می‌نویسد
در تیم Claude Code، وقتی به پوشش بالا و review عمیق رسیدند، هدف را روی کمینه‌کردنِ زمانِ review انسانی گذاشتند — بدون اینکه revert یا incident افزایش پیدا کند. حالا سؤال اصلی اینه: وقتی agentها با این حجم کد تولید می‌کنند، اصلاً چطور باید code review کرد؟
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: این تجربه‌ی واقعیِ یک تیم داخلیِ Anthropic است که با agentمحور شدنِ توسعه دست‌وپنجه نرم کرده — نه یک مقاله‌ی نظری.
💡 نکته: وقتی ۹۰٪ کد را agent می‌نویسد، فرآیند review باید از «خواندنِ خط‌به‌خط» به «تأیید رفتار و intent» تغییر شکل بدهد.
👥 برای کی: تیم‌هایی که دارند workflow توسعه‌شان را با AI agentها بازطراحی می‌کنند.
🔗 https://claude.dev/blog/solving-code-review-at-anthropic/
#ai #backend #LLM
@BenFeed
تقریباً ۹۰٪ کد Claude Code را خودِ Claude می‌نویسد
در تیم Claude Code، وقتی به پوشش بالا و review عمیق رسیدند، هدف را روی کمینه‌کردنِ زمانِ review انسانی گذاشتند — بدون اینکه revert یا incident افزایش پیدا کند. حالا سؤال اصلی اینه: وقتی agentها با این حجم کد تولید می‌کنند، اصلاً چطور باید code review کرد؟
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: این تجربه‌ی واقعیِ یک تیم داخلیِ Anthropic است که با agentمحور شدنِ توسعه دست‌وپنجه نرم کرده — نه یک مقاله‌ی نظری.
💡 نکته: وقتی ۹۰٪ کد را agent می‌نویسد، فرآیند review باید از «خواندنِ خط‌به‌خط» به «تأیید رفتار و intent» تغییر شکل بدهد.
👥 برای کی: تیم‌هایی که دارند workflow توسعه‌شان را با AI agentها بازطراحی می‌کنند.
🔗 https://claude.dev/blog/solving-code-review-at-anthropic/
#ai #backend #LLM
@BenFeed
claude.dev Blog
How the Claude Code team does code review / claude.dev Blog
How do you review code at the volume agents produce it? On the Claude Code team, once we had high coverage and deep reviews, we started optimizing for the minimum amount of human review time that doesn't raise reverts or incidents.
The NIST Elliptic Curves Seeds Bounty Has Been Claimed
معمای بذرهای منحنی‌های بیضوی NIST حل شد
حالا می‌دانیم بذرهای منحنی‌های بیضوی NIST چطور تولید شده‌اند: نه hash یک جمله‌ی مشکوک، بلکه خروجی تابع `drand48()` که با زمانِ سیستم — احتمالاً در سال‌های ۱۹۹۷ تا ۱۹۹۸ — seed شده بود.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: این کشف دهه‌ها ابهام درباره‌ی شفافیتِ استانداردهای رمزنگاری NIST را برطرف می‌کند و نشان می‌دهد فرایند تولید پارامترها هر چند ساده، مستند نشده بود.
💡 نکته: اگر یک PRNG ساده با timestamp کافی بود، چرا هیچ‌وقت مستند نشد؟ این سوال اعتمادِ تاریخی به standardها را به چالش می‌کشد.
👥 برای کی: توسعه‌دهنده‌هایی که روی cryptography، امنیت پروتکل‌ها یا استانداردهای TLS کار می‌کنند.
🔗 https://words.filippo.io/seeds-solved/
#backend #cryptography #security
@BenFeed
معمای بذرهای منحنی‌های بیضوی NIST حل شد
حالا می‌دانیم بذرهای منحنی‌های بیضوی NIST چطور تولید شده‌اند: نه hash یک جمله‌ی مشکوک، بلکه خروجی تابع `drand48()` که با زمانِ سیستم — احتمالاً در سال‌های ۱۹۹۷ تا ۱۹۹۸ — seed شده بود.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: این کشف دهه‌ها ابهام درباره‌ی شفافیتِ استانداردهای رمزنگاری NIST را برطرف می‌کند و نشان می‌دهد فرایند تولید پارامترها هر چند ساده، مستند نشده بود.
💡 نکته: اگر یک PRNG ساده با timestamp کافی بود، چرا هیچ‌وقت مستند نشد؟ این سوال اعتمادِ تاریخی به standardها را به چالش می‌کشد.
👥 برای کی: توسعه‌دهنده‌هایی که روی cryptography، امنیت پروتکل‌ها یا استانداردهای TLS کار می‌کنند.
🔗 https://words.filippo.io/seeds-solved/
#backend #cryptography #security
@BenFeed
words.filippo.io
The NIST Elliptic Curves Seeds Bounty Has Been Claimed
We now know how the seeds of the NIST elliptic curves were generated: they’re not the hash of some saucy sentence, but the output of drand48() seeded with the time, which was indeed in 1997–98.
Flux 3 Image Klein: open weights, 5.6B parameters
فلاکس ۳ ایمیج کلاین: وزن‌های باز، ۵.۶ میلیارد پارامتر
کیفیت تصویر در سطح frontier با مزایای سرعت و سفارشی‌سازیِ open weights: مدلی با ۵.۶ میلیارد پارامتر که در text-to-image، تولید با چند reference و ویرایش تصویر رتبه‌ی اول را دارد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: ترکیب کیفیت frontier-level با open weights معادله‌ی بازار image generation رو به هم می‌زنه و اجرای محلی با کنترل کامل رو ممکن می‌کنه.
💡 نکته: پشتیبانی از multi-reference generation در یک مدل open-weight این سایز، قابلیتی‌ست که تا حالا عملاً انحصار مدل‌های بسته بود.
👥 برای کی: توسعه‌دهنده‌هایی که روی pipelineهای تولید تصویر، fine-tuning یا deploy محلی کار می‌کنند.
🔗 https://bfl.ai/blog/flux-3-image-klein
#ai #image_generation #openweights
@BenFeed
فلاکس ۳ ایمیج کلاین: وزن‌های باز، ۵.۶ میلیارد پارامتر
کیفیت تصویر در سطح frontier با مزایای سرعت و سفارشی‌سازیِ open weights: مدلی با ۵.۶ میلیارد پارامتر که در text-to-image، تولید با چند reference و ویرایش تصویر رتبه‌ی اول را دارد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: ترکیب کیفیت frontier-level با open weights معادله‌ی بازار image generation رو به هم می‌زنه و اجرای محلی با کنترل کامل رو ممکن می‌کنه.
💡 نکته: پشتیبانی از multi-reference generation در یک مدل open-weight این سایز، قابلیتی‌ست که تا حالا عملاً انحصار مدل‌های بسته بود.
👥 برای کی: توسعه‌دهنده‌هایی که روی pipelineهای تولید تصویر، fine-tuning یا deploy محلی کار می‌کنند.
🔗 https://bfl.ai/blog/flux-3-image-klein
#ai #image_generation #openweights
@BenFeed
bfl.ai
FLUX 3 Image Klein: open weights, 5.6B parameters
Frontier image quality with the customization and speed of open weights: 5.6B parameters, first in text-to-image, multi-reference generation and editing.
Show HN: Which Mac runs which LLM, and how fast
کدام Mac کدام LLM را اجرا می‌کند و با چه سرعتی؟
یک Mac و یک model انتخاب کنید؛ ابزار به شما می‌گوید چقدر حافظه نیاز دارد و چند token در ثانیه انتظار داشته باشید. پوشش کامل از M1 تا M6، همه‌ی اندازه‌های unified memory، و quantizationهای Q4 تا FP16 — فرمول‌ها بر اساس اندازه‌گیری‌های واقعی روی دو دستگاه تنظیم و تأیید شده‌اند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: انتخاب Mac برای اجرای local LLM بدون یک ماشین‌حساب واقعی تبدیل به حدس‌وگمان می‌شه؛ این ابزار تصمیم خرید یا deploy را مستند می‌کند.
💡 نکته: پوشش Q4 تا FP16 یعنی می‌توانید تأثیر quantization روی سرعت را قبل از دانلود مدل ببینید — که اغلب از خود مدل مهم‌تر است.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLM را به‌صورت local روی Apple Silicon اجرا یا benchmark کنند.
🔗 https://macyou.co/mac-llm-calculator
#ai #LLM #inference
@BenFeed
کدام Mac کدام LLM را اجرا می‌کند و با چه سرعتی؟
یک Mac و یک model انتخاب کنید؛ ابزار به شما می‌گوید چقدر حافظه نیاز دارد و چند token در ثانیه انتظار داشته باشید. پوشش کامل از M1 تا M6، همه‌ی اندازه‌های unified memory، و quantizationهای Q4 تا FP16 — فرمول‌ها بر اساس اندازه‌گیری‌های واقعی روی دو دستگاه تنظیم و تأیید شده‌اند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: انتخاب Mac برای اجرای local LLM بدون یک ماشین‌حساب واقعی تبدیل به حدس‌وگمان می‌شه؛ این ابزار تصمیم خرید یا deploy را مستند می‌کند.
💡 نکته: پوشش Q4 تا FP16 یعنی می‌توانید تأثیر quantization روی سرعت را قبل از دانلود مدل ببینید — که اغلب از خود مدل مهم‌تر است.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLM را به‌صورت local روی Apple Silicon اجرا یا benchmark کنند.
🔗 https://macyou.co/mac-llm-calculator
#ai #LLM #inference
@BenFeed
macyou.co
Mac LLM Calculator: RAM and Tokens per Second for Local Models
Which Apple Silicon Mac runs which model, how much unified memory it takes, and the generation speed to expect. M1 through M6, validated on measurements from two machines.
Partnering with Accenture on embedded evaluation - Anthropic
همکاری Anthropic و Accenture روی ارزیابی یکپارچه
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: ورود Accenture به حوزه‌ی evaluation مدل‌های Anthropic نشان می‌دهد که سازمان‌های بزرگ دارند ارزیابی AI را از یک مرحله‌ی اختیاری به بخشی ساختاریافته از چرخه‌ی توسعه تبدیل می‌کنند.
💡 نکته: embedded evaluation یعنی سنجشِ مدل درون pipeline واقعی، نه در محیط آزمایشگاهی — این تفاوتِ بزرگی در قابل‌اعتمادبودنِ نتایج ایجاد می‌کند.
👥 برای کی: تیم‌هایی که روی استقرار enterprise AI، evaluation یا integration با Claude کار می‌کنند.
🔗 https://news.google.com/rss/articles/CBMiigFBVV95cUxPUlY1bzNzZkhzYmFMTGdubERsN0QtcWYxLWF1U1BKR1hUVG1WYnNIQ3RFTHM5Z1lUaFZray11MlI0b2xPa3NPdzBXcDRrQkF1VzMtSzA2R1RSNHlScTFwZWhRUS1jSHJZN3VsZ29YeklXSU9XQ0ZUYTVUUkVJMG14UksxbEhhLWhza3c?oc=5
#ai #LLM #evaluation
@BenFeed
همکاری Anthropic و Accenture روی ارزیابی یکپارچه
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: ورود Accenture به حوزه‌ی evaluation مدل‌های Anthropic نشان می‌دهد که سازمان‌های بزرگ دارند ارزیابی AI را از یک مرحله‌ی اختیاری به بخشی ساختاریافته از چرخه‌ی توسعه تبدیل می‌کنند.
💡 نکته: embedded evaluation یعنی سنجشِ مدل درون pipeline واقعی، نه در محیط آزمایشگاهی — این تفاوتِ بزرگی در قابل‌اعتمادبودنِ نتایج ایجاد می‌کند.
👥 برای کی: تیم‌هایی که روی استقرار enterprise AI، evaluation یا integration با Claude کار می‌کنند.
🔗 https://news.google.com/rss/articles/CBMiigFBVV95cUxPUlY1bzNzZkhzYmFMTGdubERsN0QtcWYxLWF1U1BKR1hUVG1WYnNIQ3RFTHM5Z1lUaFZray11MlI0b2xPa3NPdzBXcDRrQkF1VzMtSzA2R1RSNHlScTFwZWhRUS1jSHJZN3VsZ29YeklXSU9XQ0ZUYTVUUkVJMG14UksxbEhhLWhza3c?oc=5
#ai #LLM #evaluation
@BenFeed
Show HN: Llmspeed – feel how fast a local LLM runs before you buy the hardware
پیش از خرید سخت‌افزار، سرعت واقعی یک LLM محلی را حس کنید
سخت‌افزار و model موردنظرتان را انتخاب کنید و پیش از خرید، سرعت واقعی اجرای یک LLM محلی را تجربه کنید. این ابزار بر اساس benchmarkهای تأییدشده برای GPUها، Macها و موارد دیگر، مقادیر tokens/sec و time-to-first-token را شبیه‌سازی می‌کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: خرید سخت‌افزار برای inference محلی بدون داده‌ی واقعی یک شرط‌بندیِ گران است؛ این ابزار آن ریسک را پیش از پرداخت پول حذف می‌کند.
💡 نکته: تفاوت time-to-first-token با throughput در تجربه‌ی کاربری خیلی محسوس‌تر از عدد روی کاغذ است و دیدنِ شبیه‌سازیِ زنده‌اش این را ملموس می‌کند.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLM را به‌صورت local و self-hosted اجرا کنند و هنوز در انتخاب سخت‌افزار مردد هستند.
🔗 https://llmspeed.dev/
#ai #LLM
@BenFeed
پیش از خرید سخت‌افزار، سرعت واقعی یک LLM محلی را حس کنید
سخت‌افزار و model موردنظرتان را انتخاب کنید و پیش از خرید، سرعت واقعی اجرای یک LLM محلی را تجربه کنید. این ابزار بر اساس benchmarkهای تأییدشده برای GPUها، Macها و موارد دیگر، مقادیر tokens/sec و time-to-first-token را شبیه‌سازی می‌کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: خرید سخت‌افزار برای inference محلی بدون داده‌ی واقعی یک شرط‌بندیِ گران است؛ این ابزار آن ریسک را پیش از پرداخت پول حذف می‌کند.
💡 نکته: تفاوت time-to-first-token با throughput در تجربه‌ی کاربری خیلی محسوس‌تر از عدد روی کاغذ است و دیدنِ شبیه‌سازیِ زنده‌اش این را ملموس می‌کند.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLM را به‌صورت local و self-hosted اجرا کنند و هنوز در انتخاب سخت‌افزار مردد هستند.
🔗 https://llmspeed.dev/
#ai #LLM
@BenFeed
llmspeed
llmspeed — feel local LLM speed before you buy
Pick hardware and a model, and feel the real speed of a local LLM before you buy. Simulates tokens/sec and time-to-first-token from verified benchmarks for GPUs, Macs, and more.
DeepSeek v4.1 flash on OpenCode pretty good
عملکرد DeepSeek v4.1 flash روی OpenCode — نتایج قابل‌توجه
این مخزن روی GitHub به توسعه‌ی پروژه‌ی shev اختصاص دارد و برای مشارکت نیاز به ساخت اکانت دارید.
نظر هوش مصنوعی — ⭐ ۴/۱۰
🎯 چرا مهمه: ترکیب DeepSeek v4.1 flash با OpenCode می‌تونه گزینه‌ی سبک‌تر و سریع‌تری برای coding assistantها باشه و ارزش بررسی داره.
💡 نکته: اطلاعات کمی در دسترسه؛ قبل از هر نتیجه‌گیری بهتره مستقیم سراغ مخزن برید و benchmarkهای واقعی رو ببینید.
👥 برای کی: توسعه‌دهنده‌هایی که دنبال coding assistant مبتنی بر LLMهای سبک‌وزن می‌گردن.
🔗 https://github.com/aditauqir/shev
#ai #LLM
@BenFeed
عملکرد DeepSeek v4.1 flash روی OpenCode — نتایج قابل‌توجه
این مخزن روی GitHub به توسعه‌ی پروژه‌ی shev اختصاص دارد و برای مشارکت نیاز به ساخت اکانت دارید.
نظر هوش مصنوعی — ⭐ ۴/۱۰
🎯 چرا مهمه: ترکیب DeepSeek v4.1 flash با OpenCode می‌تونه گزینه‌ی سبک‌تر و سریع‌تری برای coding assistantها باشه و ارزش بررسی داره.
💡 نکته: اطلاعات کمی در دسترسه؛ قبل از هر نتیجه‌گیری بهتره مستقیم سراغ مخزن برید و benchmarkهای واقعی رو ببینید.
👥 برای کی: توسعه‌دهنده‌هایی که دنبال coding assistant مبتنی بر LLMهای سبک‌وزن می‌گردن.
🔗 https://github.com/aditauqir/shev
#ai #LLM
@BenFeed
GitHub
GitHub - aditauqir/shev
Contribute to aditauqir/shev development by creating an account on GitHub.