منتظریم:)

یه سناریو هست که مدتیه بهش فکر می‌کنم:

شاید Altman، Amodei و Musk دارن به این نتیجه می‌رسن که Google اصلاً تمام تمرکزش رو روی بهتر کردن AI مصرف‌کننده نذاشته.

شاید Google از اول بازی متفاوتی رو دنبال می‌کرده.

چون وقتی به تاریخ Google نگاه می‌کنین، یه نکته خیلی مهم وجود داره:

خود Google Search عملاً یکی از اولین سیستم‌های AI در مقیاس عظیم بود.

۲۵ سال داده.

۲۵ سال رفتار کاربر.

۲۵ سال جست‌وجو، لینک، سؤال، پاسخ و تعامل.

حجم داده‌ای که Google در این مدت جمع کرده، واقعاً قابل تصوره؟

برای همین همیشه برام جالب بوده که چرا Google نباید یکی از اصلی‌ترین برنده‌های این موج باشه.

شاید چون مسئله فقط ساختن یه Chatbot بهتر نیست.

شاید Google از همون اول، بازی بزرگ‌تری رو می‌دیده.

حتی درباره شکل‌گیری OpenAI هم یک روایت مهم وجود داره: نگرانی از قدرت گرفتن Google و DeepMind یکی از انگیزه‌هایی بود که در شکل‌گیری OpenAI مطرح شد.

حالا سؤال جالب اینه:

اگر Google واقعاً از اول روی مسیر بلندمدت‌تر و بنیادی‌تر AI تمرکز کرده باشه، ما تازه داریم نتیجه‌ی اون تصمیم رو می‌بینیم؟

این قسمت داستان هنوز مشخص نیست.

ولی چیزی که مشخصه اینه که مسابقه AI خیلی بزرگ‌تر از «کدوم شرکت بهترین Chatbot رو داره» شده.

#AI
#Google
#OpenAI
#DeepMind
#AGI
#ASI
#ArtificialIntelligence

به نظرم خیلی‌ها دارن بدون اینکه واقعاً بفهمن کدی که تولید می‌کنن چطور کار می‌کنه، همین‌طوری YOLO می‌کنن.

با Vibe Coding بعضی وقت‌ها واقعاً می‌تونی از A برسی به Z.

ولی خیلی وقت‌ها چیزی که تحویل می‌گیری اینه:

A → F + N → Z

وسطش خالیه.

مدل بهت می‌گه:
«انجام شد، از A تا Z کامل شد.»

و تو هم بررسی نمی‌کنی.

یا حتی بدتر؛ از خود مدل می‌خوای که کد خودش رو بررسی کنه.

اینجاست که یه مشکل جدی به وجود میاد.

مدل ممکنه روی اشتباه خودش اصرار کنه، چون به جای اینکه واقعاً صحت کار رو ثابت کنه، دنبال کامل‌کردن همون چیزی می‌ره که فکر می‌کنه باید کامل شده باشه.

برای همین من فکر می‌کنم Vibe Coding قرار نیست جای فهمیدن رو بگیره.

هوش مصنوعی رو استفاده کن.

سریع‌تر کد بزن.

کارهای تکراری رو بده بهش.

ولی از Loop خارج نشو.

کدی که نمی‌فهمی چطور کار می‌کنه، واقعاً هنوز مال تو نیست.



#VibeCoding
#AI
#Programming
#SoftwareEngineering
#Developers
#LLM

یه مدل جدید رفته در OpenRouter به اسم UnionAlpha.

گفته میشه عملکرد خوبی هم داره.

ولی چیزی که جالبه اینه که تا یک هفته رایگان و بدون محدودیت می‌تونین ازش استفاده کنین.

یعنی اگه یه ایده داشتین که همیشه می‌گفتین «بعداً می‌سازمش»، الان وقتشه بالا بیارینش و ببینین این مدل واقعاً چیکار می‌تونه بکنه.

رایگان بودنش تموم می‌شه.
ولی چیزی که باهاش می‌سازین می‌تونه بمونه.

🔗 OpenRouter.ai/stealth/union-alpha


سریعا تست کنید.


پ.ن: از نان شب واجب تره😁

#Ai
#LLM

کند شده وقتی درخواست میزنی

یکم آروم تر:)

شاهد موج عظیمی هستیم

یه نفر با کمک GPT-6 رفته سراغ ساخت چیزی شبیه فتوشاپ؛ اسمش Photon هست.

طبق توضیحات سازنده، این پروژه بخش زیادی از قابلیت‌های یک ادیتور حرفه‌ای تصویر رو پوشش میده و روی Windows، Linux و macOS هم اجرا میشه.

هزینه‌ای که برای ساختش اعلام شده حدود ۲۰۰۰ دلاره.

اما چیزی که برای من جالب‌تره خود Photon نیست.

چند سال پیش برای ساخت چنین نرم‌افزاری باید یک تیم بزرگ، زمان زیاد و هزینه قابل‌توجهی داشته باشی. الان یک توسعه‌دهنده می‌تونه با کمک مدل‌های کدنویسی، بخش زیادی از این مسیر رو سریع‌تر طی کنه.

البته «شبیه فتوشاپ بودن» با جایگزین کامل فتوشاپ شدن فرق داره و باید خود پروژه رو تست کرد.

ولی جهت حرکت کاملاً جالبه:
خود AI داره هزینه ساخت نرم‌افزارهای پیچیده رو پایین‌تر میاره.

🔗 https://tenzen.studio/photon/

#Ai

برای همه کسانی که در دنیای هوش مصنوعی فعالیت می‌کنند.

برای همه کسانی که در دنیای هوش مصنوعی فعالیت می‌کنند.


پ.ن:نسخه دوم

یه مدل جدید به اسم Bonsai 2 27B منتشر شده که برای اجرای لوکال جالبه.

این مدل بر پایه Qwen3.8 ساخته شده و طبق ادعای منتشرشده، روی بنچمارک موردنظر به ۹۸.۲٪ عملکرد رسیده.

حجم مدل هم حدود ۵.۹ گیگابایت اعلام شده.

یعنی داریم به جایی می‌رسیم که مدل‌های نسبتاً قدرتمند، با حجم کمتر و بدون نیاز به ارسال داده به سرویس‌های ابری، راحت‌تر روی سیستم شخصی اجرا بشن.

برای Sovereign AI این اتفاق مهمیه؛
چون هرچی مدل‌های بهتر روی سخت‌افزار معمولی‌تر قابل اجرا بشن، وابستگی به API و سرویس‌های ابری کمتر میشه.

فقط یه نکته: عدد ۹۸.۲٪ به‌تنهایی معنی زیادی نداره و باید دید مربوط به کدوم بنچمارک و با چه تنظیماتیه.

#AI
#LocalAI
#SovereignAI
#LLM
#Qwen

یه مدل جدید به اسم Jev اومده که اصلاً برای نوشتن متن ساخته نشده.

کارش فقط یه چیزه: تصمیم گرفتن.

بهش وضعیت اپلیکیشن و یه سؤال مشخص میدی، اونم یه جواب Typed همراه با احتمال برمی‌گردونه.

طبق اطلاعات منتشرشده، ورودی هر یک میلیون توکن حدود ۰.۰۴۲ دلار هزینه داره و خروجی رایگانه.

توی همین مدت کوتاه ازش برای کارهای مختلف استفاده شده:

→ انتخاب مدل مناسب برای هر درخواست
→ جلوگیری از Tool Callهای خطرناک
→ تشخیص گیر کردن Agent توی Loop
→ دسته‌بندی ۱۵۰۰ ایمیل به‌صورت موازی
→ اجرای Browser Agent با هزینه خیلی پایین

نکته اصلی اینجاست:

یه Agent فقط وقتی داره فکر می‌کنه هزینه ایجاد نمی‌کنه؛ بین هر مرحله صدها تصمیم کوچیک می‌گیره.

این درخواست بره کدوم مدل؟
این Tool اجرا بشه یا نه؟
ایجنت ادامه بده یا متوقف بشه؟

اگه برای همه اینا مدل‌های بزرگ رو صدا بزنیم، هزینه خیلی سریع بالا میره.

برای همین احتمالاً معماری Agentها داره به این سمت میره:

مدل‌های بزرگ برای فکر کردن و تولید محتوا.
مدل‌های کوچک و سریع برای تصمیم‌های بین مسیر.

خود Jev فعلاً بیشتر روی سرعت و هزینه تمرکز داره، نه اینکه الزاماً قضاوت بهتری از مدل‌های بزرگ داشته باشه.

ولی اگه این ایده جواب بده، احتمالاً خیلی زود مدل‌های مشابهش از سمت شرکت‌های بزرگ و پروژه‌های Open Source هم می‌بینیم.

به نظرم بخش جالب ماجرا همینجاست؛
قرار نیست برای هر تصمیم کوچیک، یک مدل چندصد دلاری رو صدا بزنیم.

#AI
#AIAgents
#AgenticAI
#LLM

هرچی استفاده از AI Agentها توی شرکت‌ها بیشتر میشه، یه مشکل جدید خودش رو نشون میده:

مدیریت Agentها.

فرض کن یه سازمان ده‌ها Agent داشته باشه؛ یکی با LangChain ساخته شده، یکی با Claude، یکی با Microsoft و یکی هم با Databricks.

حالا باید بدونی هر Agent کجاست، چه دسترسی‌هایی داره، چه کاری انجام داده، کجا خطا کرده و چطور نسخه جدیدش رو منتشر کنی.

خود Lyzr برای همین مشکل Open Controller رو ساخته؛ یک لایه برای مدیریت Agentهای مختلف از یکجا.

رجیستری، دسترسی‌ها، Traceها و CI/CD همگی کنار هم قرار می‌گیرن.

نکته جالب برای من خود محصول نیست.

اینکه یک شرکت Fortune 500 در توسعه چنین چیزی مشارکت کرده، نشون میده مشکل مدیریت Agentها داره از یک دغدغه فنی به یک مسئله جدی در Enterprise تبدیل میشه.

ساختن یک Agent شاید بخش جذاب ماجرا باشه.

وقتی تعدادشون زیاد بشه، تازه دردسر اصلی شروع میشه:

لینک :
https://www.lyzr.ai/opencontroller

چه کسی به چی دسترسی داره؟
کدوم Agent چه کاری انجام داده؟
کجا خطا کرده؟
و چطور همه این‌ها رو کنترل کنیم؟

به نظرتون با بیشتر شدن Agentها، داشتن همچین لایه‌ای واقعاً ضروری میشه یا خود فریم‌ورک‌ها در نهایت این مشکلات رو حل می‌کنن؟

نظرتون چیه؟

#AI
#AIAgents
#AgenticAI
#EnterpriseAI

پ.ن: به نظرم Registry و IAM و Trace و CI/CD وقتی ارزش دارن که واقعاً زمان بین خراب شدن یک Agent تا پیدا کردن مشکل و اصلاحش رو کم کنن.

در نهایت، امتحان واقعی یک Control Plane اینه که تیم بتونه بفهمه کجای سیستم کیفیت داره افت می‌کنه و قبل از اینکه اعتماد کاربر از بین بره، مشکل رو پیدا و برطرف کنه.

امروز ویدیو جدید داریم.
منتظر باشید.

دوستان متاسفانه مشکل فنی پیش اومده فردا ویدیو بارگذاری میشه.
ممنونم از صبر شما

Jev is incredible
https://youtu.be/F3YXg7AaKWE

براتون 250+ Python One-Liners برای تقویت Problem Solving آوردم.

واقعا One-Linerها فقط ترفندهای عجیب برای کوتاه‌تر کردن کد نیستن.

وقتی درست ازشون استفاده کنین، مجبور می‌شین مسئله رو بهتر بشکافین، الگوها رو سریع‌تر پیدا کنین و با قابلیت‌های خود Python آشناتر بشین.

این مجموعه با عنوان 250+ Killer Python One-Liners بیش از ۲۵۰ مثال کوتاه و کاربردی داره؛ از کار با String و List گرفته تا Date، Math، Validation و Random.

📌 موضوعاتش شامل:

• String و List manipulation

• کار با Arrayها
• Date & Time
• Math و Geometry
• Random Generatorها
• Validation برای Email، IP، URL و...
• Recursion
• Bitwise Operations
• Utility Functionهای کوچک

نکته جالب اینه که هدف صرفاً حفظ کردن One-Linerها نیست؛ ایده اصلی اینه که ببینین یک مسئله‌ی نسبتاً ساده رو چطور می‌شه با ابزارهای خود Python به شکل تمیز، کوتاه و Pythonic حل کرد.

البته کوتاه‌تر بودن همیشه به معنی بهتر بودن نیست؛ خوانایی همچنان مهم‌تره.

📚 برای تمرین Python و تقویت Problem Solving می‌تونه مجموعه جالبی باشه.

❤️ Share & Support

#Python
#Programming
#ProblemSolving
#PythonTips
#CyberSecurity
#Coding

سباستین راشکا شروع کرده به انتشار ویدئوهای کتاب جدیدش درباره‌ی Reasoning Models.

اگه می‌خواید واقعاً وارد مسیر AI Engineering بشید، این ویدئوها ارزش دیدن دارن.

موضوع فقط استفاده از مدل‌ها نیست؛ بحث اینه که چطور باید با مدل‌های Reasoning عمیق‌تر و مهندسی‌تر فکر کنیم، چطور رفتار اون‌ها رو درک کنیم و چطور ازشون در سیستم‌های واقعی استفاده کنیم.

یعنی به‌جای اینکه فقط بگیم «این مدل جواب خوبی میده»، بریم سراغ اینکه چرا جواب میده، چطور reasoning می‌کنه و چطور میشه این فرآیند رو مهندسی کرد.

🎥 لینک پلی‌لیست:
https://youtube.com/playlist?list=PLfrHAQCRxtUs&si=RDlXAHoMTLFxC8bs

پ.ن. برای کسی که می‌خواد از صرفاً استفاده‌کننده‌ی AI به سمت AI Engineer شدن بره، این جنس محتوا خیلی مهم‌تر از آموزش‌های صرفاً ابزارمحوره.

#AI
#AIEngineering
#ReasoningModels
#LLM
#MachineLearning

میتونین به مدل Jev دسترسی پیدا کنین :

console.typesafe.ai

هر ایمیل معادل ۵ دلار کردیت هست!

یه AI Upscaler خیلی کاربردی و جالب بهتون معرفی کنم.

اگه یه تصویر یا ویدیو رزولوشن پایینی داره، می‌تونید باهاش 2x یا 4x آپ‌اسکیلش کنید؛ بدون نصب نرم‌افزار و بدون اینکه فایل‌هاتون رو به سرور بفرستید.

نکته جالبش اینه که پردازش کاملاً محلی داخل مرورگر انجام می‌شه و رایگانه. ⚡️

یعنی فایل روی سیستم خودتون پردازش می‌شه و برای استفاده‌های سریع و روزمره گزینه خیلی خوبیه.

🔗 freeupscaler.app



#AI
#Upscaler
#ArtificialIntelligence
#Tools