🤖 ‏ راهنمای انتخاب مدل هوش مصنوعی بر اساس سخت‌افزار

🚀 ‏ اگر قصد دارید مدل‌های زبانی بزرگ (LLM) را به صورت محلی بر روی سیستم شخصی خود اجرا کنید اما در انتخاب مدل بهینه برای سخت‌افزارتان دچار تردید هستید، ابزار جدید whichllm یک راهکار کاربردی است.

🧠 ‏ این ابزار با بررسی دقیق GPU، CPU و RAM سیستم شما، بهترین گزینه‌ها را شناسایی می‌کند. هدف اصلی این پروژه ارائه پیشنهادهایی است که تعادل مناسبی میان عملکرد مدل و محدودیت‌های سخت‌افزاری شما برقرار کنند.

⚙ ‏️ استفاده از این ابزار به کاربران کمک می‌کند تا بدون آزمون و خطای طولانی، مدل‌های سازگار با ظرفیت VRAM و توان پردازشی خود را پیدا کنند. برای بررسی قابلیت‌های این ابزار و مشاهده جزئیات فنی آن می‌توانید به مخزن گیت‌هاب پروژه مراجعه کنید.

‏مخزن GitHub پروژه

🔗 ‏ GitHub

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#whichllm #VRAM

🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #74 | 📌 13 آیتم گزارش | 🧾 از 91 پست بررسی‌شده
🕐 شنبه 1405/05/10 ساعت 14:00 تا دوشنبه 1405/05/12 ساعت 14:00

🤖 مدل‌های زبانی بزرگ

ایلان ماسک از عرضه مدل Grok 4.6 با 1.5 تریلیون پارامتر خبر داد و وعده مدل 2.1 تریلیون پارامتری را در آینده نزدیک داد.
🔗 مشاهده پست

مدل GPT-5.6 Sol با استفاده از تکنیک Compaction، امتیاز خود در بنچمارک ARC-AGI-3 را از 13.3 درصد به 38.3 درصد ارتقا داد.
🔗 مشاهده پست

تیم Qwen از مدل Qwen3.8-Max با 2.4 تریلیون پارامتر رونمایی کرد که برای مدیریت خودمختار ایجنت‌ها و پروژه‌های طولانی‌مدت بهینه‌سازی شده است.
🔗 مشاهده پست

مدل جدید Qwen-CUA یک ایجنت تخصصی برای تعامل مستقیم با رابط‌های گرافیکی (GUI) است که با تحلیل اسکرین‌شات‌ها، بدون نیاز به DOM، با ماوس و کیبورد فعالیت می‌کند.
🔗 مشاهده پست

🦾 رباتیک و خودکارسازی

سیستم Gemini Robotics 2 از گوگل برای مدیریت حرکات بدن ربات‌های انسان‌نما در تسک‌های پیچیده طراحی شده و تنها با 200 نمونه آموزشی خود را با ساختارهای جدید تطبیق می‌دهد.
🔗 مشاهده پست

شرکت مشاوره McKinsey گزارش داد که استفاده از Agentic Workflows در توسعه نرم‌افزار، منجر به کاهش 50 درصدی تلاش‌های توسعه و کوچک‌تر شدن 60 درصدی تیم‌ها شده است.
🔗 مشاهده پست

📊 ابزارهای داده و تحلیل

هزینه استنتاج مدل‌های هوش مصنوعی با توانمندی معادل GPT-3.5 از 20 دلار در سال 2022 به 0.07 دلار در اکتبر 2024 کاهش یافته است.
🔗 مشاهده پست

محققان Anthropic معتقدند اتصال ایجنت‌ها به یک گراف دانش (Knowledge Graph) می‌تواند کارایی سیستم‌های هوشمند را تا 1000 برابر افزایش دهد.
🔗 مشاهده پست

مطالعه‌ای جدید وجود یک بردار آگاهی در مدل‌های زبانی را کشف کرده است که تغییر جهت‌گیری در آن، دیدگاه مدل نسبت به مفاهیم اخلاقی و ارزشی را تغییر می‌دهد.
🔗 مشاهده پست

🎓 پژوهش و آموزش

مدل Astra از OpenAI موفق به حل ده مسئله ریاضی حل‌نشده طی دهه‌ها شده و استدلال‌های خود را در محیط Lean فرمالیزه کرده است.
🔗 مشاهده پست

پژوهشگران دریافتند که مدل‌های زبانی بزرگ در ایده‌پردازی، تمایل به پیوند قطعات تحقیقات گذشته دارند، در حالی که انسان‌ها در تست‌های شکست و توسعه سیستم‌های جدید خلاق‌تر هستند.
🔗 مشاهده پست

تحلیل مدل‌های VLM نشان می‌دهد که استفاده از Token Pruning برای حذف توکن‌های کم‌اهمیت، موجب بهینه‌سازی منابع در مدل‌های سنگین می‌شود.
🔗 مشاهده پست

💼 صنعت و سیاست‌گذاری

اتحادیه اروپا قصد دارد با اختصاص 10 میلیارد یورو بودجه عمومی، زیرساختی عظیم شامل هفت گیگافکتوری هوش مصنوعی ایجاد کند.
🔗 مشاهده پست

آمارها نشان می‌دهد که تنها 0.14 درصد از جمعیت جهان با ایجنت‌های هوش مصنوعی کار می‌کنند و 71 درصد مردم هنوز هیچ تجربه‌ای از ابزارهای مولد ندارند.
🔗 مشاهده پست

اتحادیه اروپا مذاکرات رسمی با OpenAI و Anthropic را برای اجرای اولین قانون جامع هوش مصنوعی و رعایت استانداردهای ایمنی آغاز کرد.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

🚀 ‏ اجرای مدل DeepSeek-V4-Flash روی سخت‌افزار محلی

‏مدل قدرتمند DeepSeek-V4-Flash با ۳۰۴ میلیارد پارامتر اکنون قابلیت اجرا به‌صورت محلی روی سیستم‌های Apple Silicon با ۱۲۸ گیگابایت حافظه یکپارچه (Unified Memory) را پیدا کرده است. این مدل عظیم از پنجره متنی تا ۱ میلیون توکن پشتیبانی می‌کند.

📦 ‏ برای امکان‌پذیر شدن این اجرا، نسخه GGUF ویژه‌ای عرضه شده که در آن از تکنیک کوانتیزاسیون ترکیبی ۲ و ۴ بیتی استفاده شده است. در این ساختار، لایه‌های حساس، مکانیزم Attention و متخصص‌های عمومی با دقت بالا حفظ شده و بخش بزرگی از متخصص‌های MoE به‌طور بهینه‌ای فشرده‌سازی شده‌اند که حجم نهایی را به ۹۷.۶ گیگابایت می‌رساند.

🔧 ‏ جهت اجرای این مدل باید از موتور اختصاصی ds4 (DwarfStar) استفاده کنید.

🔗 ‏ GitHub
🤗 ‏ Hugging Face

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#DeepSeek_V4 #DwarfStar

‏🤖 حل مسئله نیم‌قرنی ریاضی با عامل هوشمند

‏محققان تنسنت با بهره‌گیری از عامل پژوهشی Hyra و مدل متن‌باز Hy3، موفق شدند یکی از مسائل قدیمی ریاضیات ترکیبیاتی را پس از بیش از ۵۰ سال حل کنند. این مسئله به بررسی تفاوت میان اندازه مجموعه‌های مجموع و تفاضل اعداد صحیح می‌پردازد که تا پیش از این، حد بالای شاخص آن در ابهام بود.

‏⚡ عامل هوشمند Hyra طی تنها ۲۴ ساعت محاسبات، هسته اصلی راهکار و ساختار کلی اثبات را شناسایی کرد. دانشمندان پس از بررسی منطق ارائه شده توسط هوش مصنوعی و اصلاحات نهایی، برای تأیید صحت و ترجمه محاسبات به زبان اثبات رسمی Lean 4، از مدل GPT-5.6 Sol استفاده کردند.

‏📊 نمودارهای این تحقیق نشان می‌دهد که از سال ۱۹۶۹ تا ۲۰۲۶، پیشرفت در تعیین حد بالای این شاخص بسیار کند بود و از مقدار ۱.۰۲۹۰ به ۱.۲۸۵۱ رسیده بود. پژوهش اخیر با معرفی خانواده صریح مجموعه‌های $A_K$ و رسیدن به سقف مطلق ۲، جهشی خیره‌کننده در حل این چالش ریاضی ایجاد کرده است.

‏🔗 hy.tencent.ai
‏🔗 GitHub
‏📄 مقاله arXiv

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Hyra #Lean4

‏⚡️ رقابت سنگین مدل‌های زبانی در شبیه‌سازی فیزیک سه‌بعدی

‏مدل جدید Qwen 3.8 Max در یک ارزیابی فنی دقیق، توانست مدل Fable 5 را در چالش پیچیده شبیه‌سازی فیزیک سه‌بعدی پشت سر بگذارد. این رقابت شامل تولید سه سناریوی تعاملی مبتنی بر HTML بود که اجرای صحیح آن‌ها مستلزم حفظ دقیق وضعیت اشیاء، محاسبه برخوردهای فیزیکی و رعایت هندسه مکانیکی است.

‏🧠 تست‌های انجام شده شامل پیاده‌سازی حرکت توپ‌های مرمری در مسیرهای حلقوی، شبیه‌سازی خط تولید خودکار خودرو و ساخت یک کارگاه نجاری دیجیتال بود. مدل Qwen 3.8 Max توانست با مصرف 46.6 هزار توکن و صرف هزینه تنها 0.28 دلار، سناریوهایی با پایداری و کیفیت فنی به‌مراتب بالاتر تولید کند.

‏📊 در مقابل، مدل Fable 5 با استفاده از 38.7 هزار توکن، هزینه‌ای معادل 1.93 دلار بر جای گذاشت. این ارزیابی نشان می‌دهد Qwen با وجود مصرف توکن بالاتر، حدود 6.9 برابر ارزان‌تر از رقیب خود عمل کرده و در مدیریت دینامیک محیط‌های تعاملی، خروجی دقیق‌تری ارائه داده است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Qwen_3_8_Max #شبیه

‏🧬 توسعه اپلیکیشن آناتومی سه‌بعدی با Vibe Coding

‏🧠 توسعه‌دهنده‌ای با رویکرد «وایت‌کدینگ» (کدنویسی مبتنی بر توصیف ایده)، یک ابزار تعاملی و آموزشی برای بررسی آناتومی بدن انسان طراحی کرده است. این پروژه با استفاده از قابلیت‌های مدل‌های جدید و ابزارهای تولید محتوا از یک تصویر طراحی اولیه شروع شد.

‏⚡ مدل GPT-5.6 Sol نقش اصلی را در تبدیل تصاویر به مدل‌های سه‌بعدی ایفا کرد. سپس با بهره‌گیری از Codex، تمامی دارایی‌های بصری و منطق برنامه یکپارچه شدند. در نسخه اولیه، به دلیل حجم بالای مدل‌ها (هر کدام تا ۱۵۰ مگابایت)، نرخ فریم به ۱۶ رسید که تجربه کاربری مناسبی نبود.

‏🚀 با بهینه‌سازی‌های انجام شده، حجم هر مدل به بازه ۲ تا ۵.۵ مگابایت کاهش یافت و مجموع حجم دارایی‌ها از ۹۰۰ مگابایت به حدود ۲۸.۶ مگابایت رسید. این پروژه اکنون از بارگذاری در لحظه (On-demand) پشتیبانی می‌کند و شامل نشانگرهای تعاملی برای آموزش دقیق اجزای بدن است.

‏🔗 anatomy-livid.vercel.app

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#ThreeJS #Codex

‏⚡ مقایسه عملکرد مدل‌های DeepSeek و رقبای چینی

‏🔬 نتایج یک ارزیابی جدید بر روی ۳۰ وظیفه دشوار Agentic (عامل‌محور)، عملکرد مدل DeepSeek V4 Flash را در برابر رقبای مطرحی همچون Kimi K3 و GLM 5.2 بررسی کرده است.

‏🚀 طبق این گزارش، مدل DeepSeek موفق شده است با نرخ موفقیت مشابه، سرعت عملکرد خود را به شکل چشمگیری بهبود ببخشد. این مدل در مقایسه با GLM 5.2 حدود ۲.۵ برابر سریع‌تر و نسبت به Kimi K3 حدود ۱.۴ برابر سریع‌تر عمل کرده است.

‏📊 نکته قابل توجه این است که مدل DeepSeek علی‌رغم این سرعت بالا، بیشترین میزان Token مصرفی را در هر وظیفه به ثبت رسانده که نشان‌دهنده ماهیت سنگین‌تر پردازش در این معماری برای دستیابی به خروجی‌های سریع‌تر است. این بنچمارک نشان می‌دهد مدل‌های جدید چینی در سناریوهای پیچیده و تعاملی به بلوغ قابل‌قبولی رسیده‌اند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#DeepSeek_V4_Flash #Agentic_Tasks

‏⚡ بهینه‌سازی فاین‌تیون مدل‌های زبانی با پارامترهای کمتر

‏🧠 آیا می‌دانستید برای شخصی‌سازی یک مدل زبانی ۷۰ میلیاردی، نیازی به آموزش تمام پارامترهای آن ندارید؟ امروزه روش‌های پیشرفته Parameter-Efficient Fine-Tuning امکان تغییر رفتار مدل‌های بزرگ را با حداقل هزینه محاسباتی فراهم کرده‌اند.

‏🔬 در مدل قدیمی Full Fine-tuning، تمامی وزن‌های شبکه بازنویسی می‌شوند که بسیار هزینه‌بر است. اما تکنیک LoRA با افزودن لایه‌های کم‌رتبه، تنها حدود ۱.۳ درصد از پارامترها را آموزش می‌دهد.

‏⚡ رویکرد LoRA-FA با فریز کردن نیمی از آداپتورها، تعداد پارامترهای قابل آموزش را از این هم کمتر می‌کند. در همین حال، متد QLoRA با استفاده از کوانتیزاسیون ۴ بیتی (فشرده‌سازی عددی)، حافظه مورد نیاز را به‌شدت کاهش داده و کارایی مدل را در عین حفظ دقت تضمین می‌کند.

‏🚀 در نهایت، TinyLoRA با به حداقل رساندن یادگیری در حد چند بردار کوچک، کارایی را به اوج می‌رساند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#LoRA #QLoRA

‏🚀 عملکرد خیره‌کننده DeepSeek v4 Flash

‏مدل جدید DeepSeek v4 Flash در دو نسخه 0731 (high) و (max) موفق به ثبت امتیازهای قابل توجه 57.1% و 63.0% در بنچمارک WeirdML شده است. این دستاورد عملاً استانداردهای فعلی در نسبت هزینه به دقت (cost/accuracy SOTA) را جابه‌جا کرده و حتی از GPT 5.6 Luna (پس از کاهش قیمت اخیر) پیشی گرفته است.

‏🧠 تحلیل‌های اولیه نشان می‌دهد که قدرت واقعی این مدل احتمالاً بیش از نتایج ثبت‌شده است. بسیاری از مدل‌های جدید، از جمله Opus، از داده‌های ارزیابی بیشتر برای کاوش در مجموعه داده‌ها استفاده می‌کنند تا ثبت بالاترین امتیاز؛ پدیده‌ای که احتمالاً ناشی از Overfitting (بیش‌برازش) در محیط‌های عاملی (agentic settings) است.

‏⚡ در صورتی که این مدل در یک چارچوب (harness) بهینه‌تر قرار گیرد، تحلیلگران انتظار دارند که عملکردی در سطح GLM 5.2 از خود نشان دهد. این پیشرفت می‌تواند رقابت در حوزه مدل‌های مقرون‌به‌صرفه با کارایی بالا را وارد فاز جدیدی کند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#DeepSeek_v4_Flash #WeirdML

‏🧠 درک ریاضی عمیق ترنسفورمرها

‏🔬 مقاله جدید با عنوان Understanding Transformers and Attention Mechanisms معماری Transformer را از دریچه ریاضیات کاربردی تحلیل می‌کند. این مطالعه مسیری دقیق برای درک نحوه تبدیل متن به بردار و پردازش آن‌ها در مکانیزم توجه (Attention) ارائه می‌دهد.

‏⚡ در این نوشتار، نحوه پیاده‌سازی ریاضی Multi-Head Attention تشریح شده و اجزای اصلی معماری مدل‌های زبانی مدرن با استفاده از جبر خطی تحلیل می‌شوند. این منبع برای درک مفاهیم زیربنایی، بسیار فراتر از توضیحات کلی و سطح بالا است.

‏📊 همچنین این مقاله به بررسی روش‌های بهینه‌سازی پرداخته است که هدف آن‌ها کاهش هزینه‌های محاسباتی و حافظه است. از جمله مباحث کلیدی مطرح شده می‌توان به KV Caching، مکانیزم Grouped Query Attention و Latent Attention اشاره کرد که در مدل‌های پیشرفته امروزی نقشی حیاتی ایفا می‌کنند.

‏📄 مقاله arXiv

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#MultiHeadAttention #KVCaching

‏📊 ۸ معیار کلیدی رگرسیون در یادگیری ماشین

‏انتخاب معیار (Metric) مناسب صرفاً یک بحث آکادمیک نیست، بلکه تعیین‌کننده تفاوت بین یک مدل کارآمد در محیط عملیاتی و مدلی است که اعتماد سیستم را سلب می‌کند. در اینجا هشت معیار اساسی که هر مهندس ML باید بشناسد را بررسی می‌کنیم.

‏⚡️ شاخص MAE (میانگین خطای مطلق) تفسیر ساده‌ای دارد و MSE با مجذور کردن خطاها، باعث می‌شود خطاهای بزرگ اثر سنگین‌تری داشته باشند. معیار RMSE نیز جذر MSE است که به دلیل هم‌واحد بودن با متغیر هدف، درک شهودی بهتری برای تحلیل خطا ارائه می‌دهد.

‏📊 شاخص R² نشان می‌دهد مدل چه میزان از واریانس داده‌ها را توضیح می‌دهد، در حالی که Adjusted R² با جریمه کردن ویژگی‌های غیرضروری، از تورم مصنوعی نمره و بیش‌برازش (Overfitting) جلوگیری می‌کند. برای گزارش‌های تجاری، MAPE خطای درصدی را نشان می‌دهد که البته در نزدیکی مقادیر صفر، ناپایدار عمل می‌کند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Huber_Loss #Quantile_Loss

‏🌊 مقایسه عملکرد مدل‌های هوش مصنوعی در کدنویسی بازی

‏🔬 در یک آزمایش عملی، مدل‌های زبانی DeepSeek V4 Flash 0731، Claude Opus 4.8، GPT-5.6 Luna و Gemini 3.6 Flash برای طراحی و توسعه یک بازی با عنوان Space Waves به چالش کشیده شدند. تمامی مدل‌ها در این ارزیابی بر روی حالت High thinking تنظیم شده بودند تا حداکثر توان پردازشی خود را به کار بگیرند.

‏⚡ نتایج نشان داد که اکثر این مدل‌ها موفق شدند بدون نیاز به ویرایش و در تلاش اول کد کامل بازی را تولید کنند. در این میان، تنها مدل GPT-5.6 Luna برای تکمیل نهایی پروژه به یک مرحله اصلاح اضافی (Edit turn) نیاز داشت که عملکرد سایر رقبا را در این بنچمارک خاص برجسته می‌کند.

‏🚀 این تست برتری مدل‌های جدیدتر را در وظایف پیچیده برنامه‌نویسی و کدنویسی یک‌مرحله‌ای به خوبی نشان می‌دهد. استفاده از حالت‌های تفکر عمیق، نقش کلیدی در کاهش خطاهای منطقی و افزایش کیفیت خروجی در پروژه‌های توسعه نرم‌افزار ایفا می‌کند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#DeepSeek_V4_Flash #Space_Waves

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #75 | 📌 10 آیتم گزارش | 🧾 از 48 پست بررسی‌شده
🕐 دوشنبه 1405/05/12 ساعت 14:00 تا سه‌شنبه 1405/05/13 ساعت 14:00

🤖 مدل‌های زبانی بزرگ

ایلان ماسک از عرضه مدل Grok 4.6 با 1.5 تریلیون پارامتر خبر داد و وعده مدل 2.1 تریلیون پارامتری را در آینده نزدیک مطرح کرد.
🔗 مشاهده پست

مدل GPT-5.6 Sol با بهره‌گیری از تکنیک Compaction، امتیاز خود در بنچمارک ARC-AGI-3 را از 13.3 درصد به 38.3 درصد بهبود بخشید.
🔗 مشاهده پست

مدل جدید MiniMax H3 با وزن‌های متن‌باز و قابلیت پردازش چندوجهی، توانایی تولید ویدیوهای 2K و 15 ثانیه‌ای با صدای استریو را دارد.
🔗 مشاهده پست

تیم Qwen از مدل Qwen3.8-Max با 2.4 تریلیون پارامتر برای مدیریت خودمختار ایجنت‌ها رونمایی کرد که در شبیه‌سازی فیزیک سه‌بعدی از Fable 5 پیشی گرفت.
🔗 مشاهده پست

مدل DeepSeek-V4-Flash با 304 میلیارد پارامتر قابلیت اجرا روی سیستم‌های Apple Silicon با 128 گیگابایت حافظه یکپارچه را پیدا کرده است.
🔗 مشاهده پست

🦾 هوش مصنوعی عاملی و کاربردی

محققان با استفاده از عامل هوشمند Hyra و مدل Hy3 موفق به حل یک مسئله ریاضی 50 ساله شدند که در نهایت با GPT-5.6 Sol تأیید شد.
🔗 مشاهده پست

یک توسعه‌دهنده با رویکرد Vibe Coding و قدرت GPT-5.6 Sol، حجم دارایی‌های یک پروژه آناتومی سه‌بعدی را از 900 مگابایت به 28.6 مگابایت کاهش داد.
🔗 مشاهده پست

مقایسه عملکردی مدل‌های DeepSeek V4 Flash، Kimi K3 و GLM 5.2 نشان می‌دهد که دیپ‌سیک در وظایف Agentic حدود 2.5 برابر سریع‌تر از GLM 5.2 عمل می‌کند.
🔗 مشاهده پست

🎓 پژوهش و آموزش فنی

تکنیک Parameter-Efficient Fine-Tuning و متد LoRA امکان شخصی‌سازی مدل‌های 70 میلیاردی را با آموزش تنها 1.3 درصد از پارامترها فراهم کرده‌اند.
🔗 مشاهده پست

مقاله جدید Understanding Transformers به تحلیل ریاضی Multi-Head Attention و بهینه‌سازی‌هایی نظیر KV Caching می‌پردازد.
🔗 مشاهده پست

معرفی 8 معیار کلیدی رگرسیون شامل MAE، MSE، RMSE و Adjusted R² که برای ارزیابی دقیق مدل‌های یادگیری ماشین ضروری هستند.
🔗 مشاهده پست

📊 دیتاست‌های جدید و تحلیل داده

دیتاست‌های متنوعی از جمله شاخص S&P 500، قیمت تاریخی طلای آنتام، و جفت‌ارزهای USD/JPY با تواتر زمانی 5 دقیقه‌ای برای تحلیل‌های تکنیکال منتشر شد.
🔗 مشاهده پست

مجموعه داده‌های جدیدی در مورد مسابقات فوتبال بین‌المللی (از سال 1872)، بازار رمزارزها، و لیگ کریکت هند (IPL) 2023 برای تحلیل‌های آماری در دسترس قرار گرفت.
🔗 مشاهده پست

دیتاست‌های تخصصی شامل آسیب‌پذیری‌های CISA (KEV)، بازار کار AI در 2026 و آپارتمان‌های وین با بیش از 100 هزار رکورد معرفی شدند.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

🏴 السَّلامُ عَلَیْکَ یا اَبا عَبْدِاللَّهِ الْحُسَیْن (علیه‌السلام)، وَ عَلَى الاَرْواحِ الَّتی حَلَّتْ بِفِنائِکَ...

🏴 فرارسیدن اربعین حسینی، چهلمین روز شهادت سید و سالار شهیدان حضرت اباعبدالله الحسین (علیه‌السلام) و یاران باوفایشان را به عموم شیعیان و عاشقان آن حضرت تسلیت عرض می‌کنیم.

🖤 اَللّهُمَّ ارْزُقْنا زِیارَةَ الْحُسَیْنِ (علیه‌السلام) فِی الدُّنْیا وَ شَفاعَتَهُ فِی الآخِرَة.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏💰 بررسی دقیق حقوق مهندسان در Anthropic

‏شرکت Anthropic با وجود ادعای عدم مشارکت در «جنگ حقوق‌ها»، در واقعیت یکی از بالاترین نرخ‌های جبران خدمات را در اکوسیستم هوش مصنوعی پرداخت می‌کند. داده‌های Levels.fyi نشان می‌دهد ساختار پرداختی این شرکت به شدت مبتنی بر سهام و پاداش است.

‏📊 در سطح ورودی (Entry level)، میانگین دریافتی مهندسان ۳۷۵ هزار دلار است که یک‌سوم آن شامل مزایای غیرنقدی می‌شود. این رقم برای سطوح راهبر (Staff) به ۱.۳ میلیون دلار در سال می‌رسد که در آن سهم سهام و پاداش، دو‌سوم کل پرداختی را تشکیل می‌دهد.

‏🚀 مقایسه با غول‌های فناوری بسیار قابل‌تأمل است. به‌طور میانگین، پیشنهادات شغلی Anthropic تقریباً دو برابر Google و نزدیک به سه برابر Tesla در سطوح مشابه شغلی است.

‏🧠 برای درک بهتر این اختلاف، سطح ارشد در Anthropic حدود ۸۱۰ هزار دلار برآورد می‌شود، در حالی که همین رده در گوگل حدود ۴۱۰ هزار دلار و در تسلا ۲۷۹ هزار دلار است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Anthropic #Levels_fyi

‏📊 صنعت نوظهور ارزیابی مدل‌های هوش مصنوعی

‏⚡ بنچمارکینگ یا همان سنجش عملکرد مدل‌ها به یک صنعت چند میلیارد دلاری تبدیل شده است. با رشد انفجاری تعداد مدل‌های هوش مصنوعی، فرآیند ارزیابی به یک حوزه تخصصی و مستقل در بازار فناوری بدل گشته که اهمیت آن در اکوسیستم فعلی به‌سرعت در حال افزایش است.

‏💰 ارزش این بازار در حال حاضر حدود ۱.۲ میلیارد دلار برآورد می‌شود. تحلیل‌های اقتصادی نشان می‌دهد این رقم تا سال ۲۰۳۵ به ۹.۶ میلیارد دلار خواهد رسید که گویای رشد خیره‌کننده ۸ برابری در طول یک دهه آینده است.

‏🧠 رویکرد سازمان‌ها نسبت به سنجش کیفیت مدل‌ها در حال تغییر است. شرکت‌های پیشرو دیگر به نمرات ثابت در بنچمارک‌های سنتی اکتفا نمی‌کنند و به دنبال شواهد متقنی هستند که نشان دهد مدل‌ها در شرایط واقعی عملیاتی و در مواجهه با تعاملات انسانی، چه کارایی و خروجی قابل‌اطمینانی دارند.

‏🚀 در فاز بعدی تحولات هوش مصنوعی، صرفاً توسعه مدل‌های قدرتمند کافی نخواهد بود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#AI_benchmarking #مدل

‏🤖 ابزار PixelRAG برای وب‌اسکرپینگ هوشمند

‏🚀 پروژه PixelRAG رویکردی نوآورانه برای استخراج داده از وب‌سایت‌ها ارائه کرده است. این ابزار به جای روش‌های سنتی مبتنی بر تحلیل HTML، وب‌سایت را به صورت بصری پردازش می‌کند.

‏📸 عملکرد این سیستم به این صورت است که از صفحات وب اسکرین‌شات تهیه می‌کند. سپس با استفاده از مدل‌های زبانی بزرگ (LLM)، محتوا و ساختار پیچیده سایت را تحلیل کرده و اطلاعات مورد نیاز را با دقت بسیار بالا استخراج می‌نماید.

‏💡 این رویکرد به ویژه برای سایت‌های مدرن که از ساختارهای تو در تو یا رندرینگ پیچیده جاوااسکریپت استفاده می‌کنند، بسیار کارآمد است. استفاده از این ابزار می‌تواند فرآیند خزش و جمع‌آوری داده (Web Scraping) را برای توسعه‌دهندگان به شدت تسهیل کند.

‏مخزن گیت‌هاب پروژه PixelRAG

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#PixelRAG #WebScraping

‏🤖 انتشار خانواده مدل‌های Kandinsky WM 1.0 برای آموزش هوش مصنوعی فیزیکی

‏⚡ گروهی از محققان، خانواده مدل‌های Kandinsky WM 1.0 را تحت مجوز متن‌باز MIT منتشر کرده‌اند. این مجموعه که برای حوزه‌های رباتیک و خودروهای خودران بهینه شده، ابزاری قدرتمند برای تولید داده‌های ویدئویی با دقت فیزیکی بالا جهت آموزش هوش مصنوعی فراهم می‌کند. این فناوری مشکل هزینه‌های سنگین و خطرات شبیه‌سازی حوادث واقعی را با تولید سناریوهای پیچیده، از تصادفات جاده‌ای تا خرابی تجهیزات، حل می‌کند.

‏🧠 هسته اصلی این مدل‌ها از Kandinsky 5.0 Video Lite تشکیل شده که با میلیون‌ها ویدئوی واقعی از خطوط تولید و ترافیک جاده‌ای آموزش دیده است. برای حفظ واقع‌گرایی، از الگوریتم‌های مبتنی بر RL (یادگیری تقویتی) استفاده شده تا هندسه و کینماتیک اشیاء در ویدئوها دچار تغییر شکل نشوند. این مدل‌ها به عنوان زیربنای World Models عمل می‌کنند و قادرند پیش‌بینی کنند که رویدادها در دنیای واقعی چگونه توسعه می‌یابند.

‏🔗 rozetked.me

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Kandinsky_WM_1 #World_Models

‏🤖 انتشار وزن‌های مدل ویدئویی قدرتمند MiniMax H3

‏شرکت MiniMax به وعده خود عمل کرد و وزن‌های مدل ویدئویی H3 را منتشر کرد. این مدل 33 میلیارد پارامتری قادر است ویدئوهایی ۴ تا ۱۵ ثانیه‌ای با نرخ ۲۴ فریم بر ثانیه و صدای استریو ۳۲ کیلوهرتز تولید کند. معماری این مدل یک Omni Transformer یکپارچه است که شامل هسته مشترک DiT (مدل دیفیوژن مبتنی بر ترنسفورمر) با ۵۰ لایه بوده و همزمان ویدئو و صوت را با همگام‌سازی بالا تولید می‌کند.

‏⚡️ بخش H3-Base در دو نسخه عرضه شده است. مدل FL2VA برای تولید ویدئو از ابتدا یا حد فاصل بین دو فریم، و مدل Ref2VA برای دریافت ورودی‌های ترکیبی (تا ۱۲ فایل شامل تصویر، ویدئو و صوت) طراحی شده‌اند. اگرچه ماژول‌های پیش‌پردازش و ارتقای 2K همچنان بسته هستند، اما این مدل در بنچمارک‌های Artificial Analysis جایگاه‌های برتر در ویرایش و تولید ویدئو را کسب کرده است.

‏🤗 Hugging Face
‏🤗 Hugging Face
‏🔗 GitHub
‏🔗 GitHub

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#MiniMax_H3 #Omni_Transformer