شرکت Moonshot مدل K3.1 Pro را عرضه کرده.

این مدل بر اساس همان معماری پایه مدل K3 ساخته شده هست، اما به نظر میرسه که شرکت Moonshot در اجرای (inference) مدلی با این حجم با مشکل مواجه هست و به زودی شاهد عرضه مدلی کوچکتر خواهیم بود. در این نسخه، تمرکز ویژه‌ای بر استفاده از ابزارهای سه‌بعدی مانند Blender و موتورهای بازی Unity، Unreal Engine و Godot شده هست. این مدل در حال حاضر در تمام محصولات Moonshot در دسترس هست و انتظار می‌رود که وزن آن در
تاریخ ۴ نوامبر منتشر شود.

#Ai

کلادفلر ابزاری رو که باهاش باگ امنیتی پیدا می‌کنه رایگان کرد و فقط یه هفته‌ای ۱۶ هزار ستاره گرفت.

این ابزار یه Skill برای ایجنت‌های کدنویسی مثل Claude Code و Codex هست.
ریپوتو بهش می‌دی و اون چند تا ایجنت جدا رو می‌فرسته که کد رو دنبال حفره بگردن.
بعد هر باگی پیدا بشه، یه ایجنت تازه‌نفس دیگه سعی می‌کنه ردش کنه. یعنی کسی که باگ رو پیدا کرده حق نداره خودش تاییدش کنه.
آخرش هم یه گزارش مرتب می‌ده که باگ‌ها رو سه دسته کرده: تاییدشده، نیازمند بررسی و ردشده.

جالبیش اینه که این نسخه‌ی ساده، هسته‌ی همون سیستمیه که خود کلادفلر داخلی ازش استفاده می‌کنه.

اگه پروژه داری، قبل از انتشار یه بار بندازش روش.
بدترین حالت چند تا هشدار الکی می‌گیری، بهترین حالت یه حفره‌ی جدی رو زودتر از بقیه پیدا می‌کنی.

https://github.com/cloudflare/security-audit-skill

🌟 CHANNEL | GP CODE NEURON

می‌خوام به یک نکته مهم درباره استفاده از هوش مصنوعی اشاره کنم.

به دید‌ من استفاده از AI در برنامه‌نویسی زمانی بیشترین ارزش رو ایجاد می‌کنه که در کنار اون، درک درستی از اصول فنی و منطق برنامه‌نویسی داشته باشیم.

صرفاً تولید کد با کمک هوش مصنوعی به معنای توسعه بهتر نرم‌افزار نیست. اگر نتونیم خروجی‌های AI رو تحلیل کنیم، صحت اون‌ها رو بسنجیم و خطاهاشون رو تشخیص بدیم، ممکنه به‌جای افزایش بهره‌وری، پیچیدگی و مشکلات بیشتری به پروژه اضافه کنیم.

در مقابل، وقتی دانش فنی کافی داشته باشیم، AI می‌تونه به یک ابزار قدرتمند برای حل مسائل، بهینه‌سازی کد و افزایش سرعت توسعه تبدیل بشه.

به بیان ساده، مهم‌تر از توانایی AI در تولید کد، توانایی ما در درک، ارزیابی و هدایت اون کدهاست.

#AI
#Programming
#SoftwareEngineering

بیش از ۵.۶ میلیارد دلار تاکنون از بایننس به سرقت رفته !

در تازه‌ترین حمله، ۱۸.۲ هزار بیت‌کوین به ارزش حدود ۱.۴۵ میلیارد دلار به سرقت رفته.

گزارش‌ها حاکی از اینه که در حال حاضر تمام کیف‌پول‌های گرم (Hot Wallets) بایننس در حال تخلیه شدن هستن.

تتر (USDT) و سرکل (USDC) تاکنون ۱.۵ میلیارد دلار از دارایی‌های سرقت‌شده رو مسدود کردن؛ با این حال، حدود ۴ میلیارد دلار همچنان در کیف‌پول هکر باقی مونده.

جالبه بایننس خودش نمیدونه از کجا خورده هنوز!!!

آپدیت هک بایننس رو داشته باشیم.

مجموع دارایی‌های به سرقت رفته: ۵.۵ میلیارد دلار به بالا

۲.۲۹ میلیارد دلار تتر (USDT) - مسدود شد
۸۲۳ میلیون دلار یو‌اس‌دی‌سی (USDC) - مسدود شد
ارزهایی که هنوز دارن جابه‌جا می‌شن:
۱۸,۲۷۰ بیت‌کوین (۱.۴۵ میلیارد دلار)
۱۹۷ هزار اتریوم (۴۵۱ میلیون دلار)
۷۳۰ میلیون دلار تتر (USDT) - هنوز مسدود نشده

هک بایننس چطور اتفاق افتاد:

هکر از پروتکل EIP-7702 سواستفاده کرده؛ یعنی آپدیت Pectra اتریوم.
این قابلیت به یه کیف پول معمولی اجازه می‌ده موقتاً مثل یه قرارداد هوشمند (اسمارت کانتکت) با یه امضای کلید خصوصی معتبر عمل کنه.
هکر ۵۰ تا مجوز EIP-7702 رو با نانس‌های (Nonce) ترتیبی از قبل جمع‌آوری کرده بود.
بدون اینکه نانس دقیق رو موقع حمله بدونه.
همه رو با هم فرستاد و فقط یکی‌شون درست دراومد.
همون یکی براش کافی بود.
جریان جابه‌جایی استیبل‌کوین‌های ترون چی بود؟ کار خودِ بایننس بوده.

#موقت

تا ۵۰۰۰ کاربر Cursor به‌خاطر نسخه جعلی Claude Code در معرض خطر قرار گرفتن!

یه اتفاق امنیتی جدی برای کاربرهای Cursor افتاده که دونستنش خالی از لطف نیست.

۲۹ اکتبر، یه نسخه مخرب از افزونه Claude Code با نام "Anthropic.claude-code" و شماره نسخه "2.1.313" توی فروشگاه افزونه‌های Cursor منتشر شد.

این افزونه بعد از اجرا، بدون اینکه کاربر متوجه بشه، اطلاعات سیستمش رو جمع‌آوری می‌کرد و سعی داشت از طریق SSH یه راه دسترسی مخفی برای مهاجم ایجاد کنه.

اما دقیقاً چه اتفاقی می‌افتاد؟

🔹 با باز شدن افزونه، کد مخرب به‌صورت خودکار اجرا می‌شد.

🔹 اطلاعات مربوط به سیستم و کامپیوتر توسعه‌دهنده جمع‌آوری می‌شد.

🔹 یک کلید SSH غیرمجاز به سیستم اضافه می‌شد.

🔹 مهاجم تلاش می‌کرد از طریق ایجاد یک تونل معکوس، امکان اتصال از راه دور به سیستم رو فراهم کنه.

طبق اعلام Cursor، حداکثر ۵۰۰۰ کاربر در معرض این حمله قرار گرفته بودن.

سرور مهاجم از دسترس خارج شده و نسخه آلوده هم از فروشگاه حذف شده؛ اما یه نکته مهم وجود داره: صرفاً حذف افزونه به معنی پاک شدن کامل آلودگی نیست!

اگه از این نسخه استفاده کردید، باید فایل "authorized_keys" رو بررسی کنید و ببینید کلید مشکوکی با نام "svc-telemetry" داخلش وجود داره یا نه. همچنین باید اسکریپت‌های پاک‌سازی منتشرشده توسط Cursor رو اجرا کنید.

اگه نشونه‌ای از نفوذ پیدا کردید، سیستم رو از شبکه جدا کنید و رمزها و اطلاعات دسترسی‌ای رو که از طریق اون سیستم در دسترس بودن، تغییر بدید.

یه نکته مهم: این اتفاق نشون می‌ده حتی ابزارها و افزونه‌هایی که هر روز برای برنامه‌نویسی ازشون استفاده می‌کنیم هم می‌تونن به نقطه ورود مهاجم تبدیل بشن. پس صرفاً به اسم و اعتبار یک ابزار اعتماد نکنید.

#CyberSecurity
#Cursor
#ClaudeCode
#SSH
#SupplyChainAttack
#AppSec

جالبه که کل دنیا این روزها جوگیر شدن و دارن به سمت Rust حرکت می‌کنن! 😁

تا همین چند سال پیش، خیلی‌ها حتی اسم Rust رو هم نشنیده بودن؛ اما حالا به یکی از جدی‌ترین گزینه‌ها برای توسعه نرم‌افزارهای سیستمی، زیرساخت‌های مدرن و پروژه‌هایی تبدیل شده که امنیت و بهینگی توشون اهمیت زیادی داره.

۳ تا دلیل هم بگم خیلی کوتاه:

مدیریت حافظه بدون Garbage Collector
ایمنی حافظه
عملکرد بالا

پ.ن: ولی خداییش Rust فقط یه زبان برنامه‌نویسی ترند نیست. به دید من یه تغییر نگرش در مهندسی نرم‌افزاره. 🔥

#SoftwareEngineering
#AI

نکته: اجازه ندین یک ضرر کوچک، تبدیل به یک فاجعه‌ی روانی شود.

اومدن PostgreSQL رو با Rust بازنویسی کردن، بعد گفتن ۱۶۰۰ برابر سریع‌تریم.

اسم پروژه هم هست PgRust.

هنوز توی نسخه بتاست، ولی بنچمارک‌هاش جوریه که آدم شک می‌کنه نکنه دیتابیس قبلی رو با ماشین‌حساب مقایسه کردن.

البته صبر کنین، داستان جالب‌تر می‌شه.

عدد ۱۶۰۰ برابر مربوط به بعضی Queryهای تحلیلیه، نه اینکه هرچی تو PostgreSQL بزنی، ۱۶۰۰ برابر سریع‌تر تحویلت بده.

این پروژه از معماری متفاوتی استفاده می‌کنه؛ از ذخیره‌سازی ستونی گرفته تا JIT و بهینه‌سازی اجرای Queryها. یعنی قضیه صرفاً این نیست که کد C رو برداشتن، با Rust نوشتن و یهو دیتابیس فضایی شده.

ولی خب، وقتی خود سازنده بنچمارک رو منتشر می‌کنه، باید جزئیاتش رو هم بررسی کرد؛ نوع Query، سخت‌افزار، شرایط اجرا و اینکه دقیقاً چی رو با چی مقایسه کردن.

فعلاً هم پروژه بتاست و برای دیتای حیاتی توصیه نمی‌شه.

خلاصه هنوز PostgreSQL رو بازنشسته نکنین، بذارین این یکی از بتا بیاد بیرون، بعد براش حکم بازنشستگی صادر می‌کنیم.

🔗 https://pgrust.com

#برنامه_نویسی
#دیتابیس
#زبان_راست

#rust

آنتروپیک اومده API اصلی خودش رو با Rust بازنویسی کرده و بخش زیادی از کد رو هم Claude نوشته؛ اونم درحالی‌که تیمش متخصص Rust نداشته!

نتیجه؟ حدود ۴۰ تا ۵۰ درصد مصرف CPU کمتر و ۱۰ تا ۲۰ درصد پاسخ‌دهی سریع‌تر.

ولی قسمت جالب ماجرا فقط این اعداد نیست.

تیم آنتروپیک قبل از انتقال سیستم به محیط اصلی، نسخه جدید رو کنار نسخه قبلی اجرا کرده و درخواست‌های واقعی رو برای هر دو فرستاده تا مطمئن بشه خروجی‌ها درست و قابل اعتمادن.

یعنی همین‌جوری نگفتن Claude کد زده، پس بریم روی سرور اصلی اجراش کنیم؛ اول آزمایشش کردن، بعد سراغ انتقال رفتن.

نکته جالب‌تر اینه که تقسیم کار چطور بوده؛ Claude بیشتر کد رو نوشته، اما انسان‌ها مسئول طراحی تست‌ها و اثبات درست کار کردن سیستم بودن.

البته این اعداد، نتایجی هستن که مهندسان آنتروپیک اعلام کردن و نباید بدون توجه به شرایط آزمایش، اون‌ها رو به همه پروژه‌ها تعمیم داد.

خلاصه، یه تیم بدون متخصص Rust، با کمک هوش مصنوعی رفته سراغ بازنویسی یه سیستم واقعی و بهبود قابل‌توجهی هم گزارش کرده.

بعد هنوز بعضیا فکر می‌کنن کاربرد هوش مصنوعی توی برنامه‌نویسی فقط اینه که بهش بگی یه ماشین‌حساب بساز و امیدوار باشی پروژه رو به فنا نده!



#هوش_مصنوعی
#برنامه_نویسی
#زبان_راست


#rust
#AI

دوستان احراز هویت از فرگمنت برداشته شد.

یه Skill کاربردی برای Claude Code پیدا کردم به اسم Brainstorming.

کارش چیه؟

به‌جای اینکه با اولین ایده بری سراغ کدنویسی، اول کمک می‌کنه ایده خامت رو به یک طرح فنی مشخص و قابل‌اجرا تبدیل کنی.

چطور؟

🔹 درباره هدف پروژه و نیازمندی‌ها ازت سؤال می‌پرسه.
🔹 راهکارهای مختلف رو بررسی و مقایسه می‌کنه.
🔹 معماری و ساختار پیشنهادی پروژه رو مشخص می‌کنه.
🔹 اجزای اصلی و نحوه ارتباطشون رو توضیح می‌ده.
🔹 در نهایت، روش پیاده‌سازی و تست رو مشخص می‌کنه.

چرا مهمه؟

یکی از مشکلات کار با ابزارهای کدنویسی هوش مصنوعی اینه که خیلی سریع وارد فاز پیاده‌سازی می‌شن؛ درحالی‌که ممکنه هنوز خود مسئله درست تعریف نشده باشه.
این Skill کمک می‌کنه قبل از تولید کد، کمی بیشتر روی طراحی، تصمیم‌گیری و معماری وقت بذاری.

📌 لینک دریافت و نصب:

https://aitmpl.com/component/skill/development/brainstorming

#ClaudeCode
#AI
#SoftwareEngineering

یه سؤال جدی دارم.
اگر یک شرکت نرم‌افزاری تنها یک روز بعد از انتشار عمومی یک آسیب‌پذیری مورد حمله قرار بگیره، دقیقاً چه توجیهی برای این اتفاق داره؟

شاید بهتر باشه به‌جای اینکه منتظر حمله بمونید، یک متخصص امنیت استخدام کنید، بهش دستمزد بدید و اجازه بدید قبل از مهاجم‌ها، نقاط ضعف زیرساختتون رو پیدا کنه. این‌طوری حداقل می‌دونید کجا آسیب‌پذیرید و چه اطلاعاتی ممکنه در معرض نشت قرار بگیره.

می‌دونم که توی بعضی کشورها، از جمله روسیه، هنوز سازوکارهای بازدارنده و جریمه‌های مالی برای چنین اتفاقاتی به‌اندازه کافی جدی نیستن. گاهی حتی با افشای اطلاعات شخصی میلیون‌ها نفر، نهایتاً یک تذکر یا جریمه ناچیز نصیب شرکت می‌شه.

اما واقعاً تا کی قراره امنیت اطلاعات مردم این‌قدر کم‌اهمیت باشه؟

یه نکته مهم‌تر هم وجود داره:

برای مهاجم‌ها مهم نیست چند روز از انتشار یک آسیب‌پذیری گذشته؛ یک روز، ده روز یا حتی نود روز!

اگر یک مهاجم زیرساخت و دانش لازم برای تحلیل آسیب‌پذیری‌های N-day و توسعه PoC رو داشته باشه، ممکنه فاصله بین انتشار عمومی جزئیات یک باگ تا سوءاستفاده از اون، به‌شدت کوتاه بشه.

امروز هم با ابزارهای هوش مصنوعی مثل Claude Code و Codex، بخشی از فرایند تحلیل کد و توسعه ابزارهای آزمایشی سریع‌تر شده. البته این ابزارها جای دانش عمیق Vulnerability Research رو نمی‌گیرن، اما می‌تونن توانایی یک محقق یا مهاجم رو چند برابر کنن.

به نظرم دوران اینکه شرکت‌ها امنیت رو بذارن برای بعد از وقوع حادثه، باید تموم بشه.

امنیت هزینه اضافی نیست.
هزینه جلوگیری از یک فاجعه‌ست.

نظرتون چیه؟ آیا شرکت‌ها باید بابت بی‌توجهی به امنیت و نشت اطلاعات کاربران، مسئولیت مالی و حقوقی جدی‌تری داشته باشن؟

پلتفرم DataCamp تا ۸ نوامبر ۲۰۲۶ دسترسی رایگان به دوره‌های آموزشی خودش رو فراهم کرده.
یعنی فرصت دارید بدون پرداخت هزینه، سراغ یادگیری مهارت‌های مختلف در حوزه دیتا و هوش مصنوعی برید.

#Ai

یه پلی‌لیست جالب درباره مفاهیم Training و Inference مدل‌های زبانی که موضوعات نسبتاً پیچیده رو به زبان ساده توضیح میده.

اگه به معماری و نحوه کار LLMها علاقه دارید، پیشنهاد می‌کنم ببینید.

لینک پلی لیست

#Ai

چرا اکانت‌های Claude بن می‌شن؟

یکی از کاربران با بررسی تجربه و گزارش کاربران، چند الگوی مشترک در مسدود شدن اکانت‌های Claude پیدا کرده.

مواردی مثل:

🔹 ناهماهنگی کشور IP و کارت بانکی

🔹 لو رفتن IP واقعی هنگام قطع VPN

🔹 احتمال ردیابی شناسه دستگاه و مشخصات سخت‌افزاری

🔹 استفاده از اشتراک‌های گران‌قیمت Max

نکته جالب اینه که بعضی کاربران گزارش دادن با استفاده از CLI به‌جای اپلیکیشن دسکتاپ، همچنان به حسابشون دسترسی دارن.

البته این بررسی بر اساس تجربه کاربران و فرضیه‌هاست و هیچ‌کدوم به‌صورت رسمی از طرف Anthropic تأیید نشده.

به نظر می‌رسه سیستم‌های ضدتقلب فقط IP رو بررسی نمی‌کنن و ترکیبی از اطلاعات شبکه، پرداخت و دستگاه می‌تونه در تصمیم‌گیری نقش داشته باشه.


#هوش_مصنوعی
#Claude

یک معماری جالب برای استفاده از ابزارهایی مثل Claude Code اینه که به‌جای اجرای Agent روی سیستم شخصی، کل محیط توسعه رو روی یک VPS لینوکسی مستقر کنیم.

در این معماری، VPS نقش محیط اجرای دائمی رو داره و Claude Code از طریق CLI روی سرور اجرا می‌شه. برای مدیریت و تعامل با Agentها هم می‌تونیم از ابزارهایی مثل T3 Code یا GetBB استفاده کنیم.

مزیت اصلی این معماری، جدا شدن محیط اجرای Agent از دستگاه شخصیه. در نتیجه می‌تونیم تسک‌های طولانی‌مدت رو روی سرور اجرا کنیم، چند پروژه رو به‌صورت مستقل مدیریت کنیم و بدون نیاز به روشن بودن سیستم شخصی، از طریق موبایل یا لپ‌تاپ به Sessionها دسترسی داشته باشیم.

البته باید به امنیت سرور، مدیریت Secretها، محدودسازی دسترسی پنل و پایداری اتصال توجه کرد. استفاده از Proxy هم به‌تنهایی تضمینی برای جلوگیری از محدودیت حساب نیست.

به نظرم این رویکرد می‌تونه پایه مناسبی برای ساخت یک Remote AI Development Environment باشه؛ محیطی که در اون چندین Coding Agent به‌صورت هم‌زمان و در بستری مستقل فعالیت می‌کنن.

لینک پروژه‌ها:

T3 Code:
https://t3.codes/

GetBB:
https://getbb.app/

#هوش_مصنوعی
#برنامه_نویسی
#AI_Agents
#Ai

پ.ن: حتی اگر قصد پیاده‌سازی چنین سیستمی رو ندارید، پیشنهاد می‌کنم معماری و زیرساخت پشت این راهکار رو بررسی کنید. ترکیب VPS، پراکسی، SSH، Docker و مدیریت Remote Agentها می‌تونه دید خوبی نسبت به طراحی زیرساخت‌های توسعه مدرن و نحوه اجرای AI Agentها در محیط واقعی بهتون بده.

خیلی‌ها کار با مدل‌های زبانی بزرگ رو با ارسال درخواست به API و دریافت پاسخ یاد می‌گیرن؛ اما مهندسی LLM خیلی فراتر از این حرف‌هاست😁

وقتی قراره یک مدل رو در محیط واقعی اجرا کنین، باید بدونین چطور منابع سخت‌افزاری رو مدیریت کنین، سرعت پاسخ‌گویی رو بالا ببرین، هزینه‌ها رو کاهش بدین و سیستم رو برای حجم بالای درخواست‌ها آماده کنین.

💥 پروژه LLM Inference Handbook دقیقاً روی همین موضوع تمرکز کرده.

این ریپو یک نقشه راه ۱۰ هفته‌ای شامل ۵۰ درس ارائه می‌ده که به‌صورت پروژه‌محور مباحث مهندسی و اجرای مدل‌های زبانی رو آموزش می‌ده.

توی این مسیر با موضوعات زیر آشناییت پیدا میکنین:

🔹 مفاهیم پایه Inference و تفاوت Prefill و Decode
🔹 اجرای مدل‌ها با vLLM
🔹 مدیریت حافظه GPU و بهینه‌سازی مصرف منابع
🔹 کوانتایز کردن مدل‌ها
🔹 تست فشار و مدیریت هزاران درخواست هم‌زمان
🔹 مانیتورینگ با Prometheus و Grafana
🔹 بهینه‌سازی سرعت و تأخیر پاسخ‌گویی
🔹 طراحی و استقرار سیستم‌های پایدار در محیط Production

نکته مهم اینه که تمرکز این مجموعه روی آموزش مدل از صفر نیست؛ بلکه یاد می‌گیرین چطور مدل‌های آماده رو به شکل اصولی اجرا، مدیریت و بهینه‌سازی کنین.

به نظرم اگر به زیرساخت هوش مصنوعی، استقرار مدل‌های زبانی و تبدیل نمونه‌های آزمایشی به سرویس‌های واقعی علاقه دارین، این ریپو می‌تونه منبع ارزشمندی براتون باشه.

📌 LLM Inference Handbook

#هوش_مصنوعی
#یادگیری_ماشین
#LLM
#MachineLearning
#AIEngineering