‏🚀 افزایش چشمگیر سرعت دیکودینگ با مدل‌های جدید Liquid AI

‏شرکت Liquid AI به تازگی مدل‌های LFM2.5-DSpark را معرفی کرده است که می‌توانند سرعت تولید توکن (Decoding) را تا ۳.۱۸ برابر افزایش دهند، بدون اینکه کوچک‌ترین تغییری در خروجی نهایی مدل ایجاد کنند.

‏مهم‌ترین نکات این نسخه:
‏• عملکرد بدون تغییر در کیفیت: این معماری به گونه‌ای طراحی شده که خروجی مدل کاملاً مشابه مدل پایه باقی می‌ماند. اگر توکن پیش‌بینی شده توسط مدلِ درفتر با توزیع هدف مطابقت نداشته باشد، مدل اصلی جایگزین آن می‌شود.

‏• ارتباط مستقیم با نرخ پذیرش: افزایش سرعت وابستگی مستقیمی به «نرخ پذیرش توکن‌ها» دارد. به عبارت دیگر، هرچه مدل پیش‌بینی‌های دقیق‌تری داشته باشد، جهش سرعت بیشتر خواهد بود.

‏• مدل‌های منتشر شده:
‏- LFM2.5-1.2B-Instruct
‏- LFM2.5-2.6B
‏- LFM2.5-8B-A1B

‏این مدل‌های درفتر با حدود ۳۰۰ میلیون پارامتر، بهینه‌سازی بسیار کارآمدی برای تسریع در اجرا روی سخت‌افزارهایی مانند H100 یا پردازنده‌های سری M اپل محسوب می‌شوند. برای مطالعه تحلیل کامل فنی، می‌توانید به این گزارش مراجعه کنید.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

‏🎓 راه‌اندازی آکادمی آموزشی Claude توسط Anthropic

‏شرکت Anthropic پلتفرم آموزشی جامع خود را تحت عنوان Claude Academy به صورت کاملاً رایگان در دسترس همگان قرار داده است.

‏این آکادمی شامل دوره‌های متنوعی از سطح مبتدی و آشنایی با مبانی هوش مصنوعی تا سطوح پیشرفته برای بهره‌گیری حرفه‌ای از Claude در فعالیت‌های روزمره و تخصصی است.

‏نکته جالب این است که برخی از دوره‌های این پلتفرم مدرک معتبر (Certificate) نیز ارائه می‌دهند که برای اشتراک‌گذاری در لینکدین و ارتقای رزومه بسیار مناسب است. تمامی محتواها و راهنماهای این آکادمی بدون هیچ محدودیتی قابل استفاده هستند.

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

#Anthropic #ClaudeAcademy

‏هوش مصنوعی و آینده ریاضیات از نگاه ترنس تائو

‏ترنس تائو در مقاله‌ای تازه، به بررسی نقش ریاضیدانان در عصر تسلط هوش مصنوعی پرداخته است. او استدلال می‌کند که با خودکار شدنِ «حل مسئله» توسط AI، ماهیت پژوهش‌های ریاضی دگرگون خواهد شد.

‏تائو معتقد است فرآیند علمی فراتر از رسیدن به پاسخ است و شامل مراحل زیر می‌شود که بخش بزرگی از آن برای ماشین غیرقابل دسترس است:

‏* درک و تبیین: تبدیل راه‌حل‌های خام به دانش قابل فهم برای جامعه علمی.
‏* ارتباط‌دهی: پیوند دادن یافته‌های جدید با نظریه‌های موجود.
‏* جامعه‌پذیری: بحث‌های انتقادی و داوری همتایان.
‏* کانونیزه کردن: تبدیل نتایج به بخشی از بدنه آموزش و متون مرجع.

‏برخلاف تصور، هوش مصنوعی تنها در تولید و تایید اثبات‌ها (Proofs) پیشرو است. وظیفه اصلی ریاضیدانان در آینده، نه صرفاً حل معماها، بلکه مدیریت «کولکتیو دانش» و انتقال مفاهیم به نسل‌های آینده است. تائو معتقد است ما در حال ورود به دوره‌ای از بازنگری در ارزش‌های ضمنی ریاضیات هستیم.

📚 مطالعه با جزئیات بیشتر

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

#Terence_Tao #Proof_Assistants

‏🧬 شبیه‌سازی سلول زنده انسان با مدل جهانی هوش مصنوعی

‏استارت‌آپ GenBio AI از سیستم جدیدی به نام AIDO Cell رونمایی کرده است؛ یک مدل جهانی (World Model) که می‌تواند یک سلول زنده را در تمامی سطوح از جمله DNA، RNA، پروتئین‌ها و رفتارهای کل سلول شبیه‌سازی کند.

‏برخلاف مدل‌های گذشته که هر بخش را جداگانه پیش‌بینی می‌کردند، این ابزار کل زنجیره زیستی را به هم متصل می‌کند. برای مثال، تغییر در یک ژن می‌تواند اثرات خود را در سراسر سلول نشان دهد. همچنین، این مدل وضعیت سلول را به خاطر می‌سپارد؛ بنابراین هر مداخله جدید، روی سلول تغییریافته قبلی اعمال می‌شود نه روی یک نسخه خام.

‏این فناوری هنوز در مراحل اولیه است، اما پتانسیل آن را دارد که به پژوهشگران اجازه دهد آزمایش‌های پیچیده بیولوژیکی را پیش از محیط واقعی، درون یک سلول مجازی اجرا کنند.

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

#AIDOCell #WorldModel

‏🚀 راهنمای جامع و عملی مدل‌های Transformer

‏یادگیری معماری ترنسفورمرها از مبانی تا سطوح پیشرفته و عملیاتی، نیازمند دسترسی به کدهای تست‌شده و پروژه‌محور است. مخزن Transformers - The definitive Guide یک منبع کامل شامل ۱۲ فصل آموزشی است که به شما اجازه می‌دهد تمامی مفاهیم را به‌صورت عملی در Google Colab پیاده‌سازی کنید.

‏مهم‌ترین سرفصل‌های این مجموعه عبارتند از:
‏• آشنایی با اصول اولیه و معماری ترنسفورمرهای SOTA
‏• کاربرد ترنسفورمرها در سری‌های زمانی و وظایف بینایی
‏• مدل‌های تولیدکننده تصویر، ویدیو و صوت
‏• یادگیری تقویتی، برنامه‌ریزی، استدلال و کدنویسی
‏• طراحی عوامل (Agents) هوش مصنوعی و بهینه‌سازی مدل
‏• استقرار و Deploy کردن نهایی مدل‌ها در محیط عملیاتی

‏ساختار این مخزن به گونه‌ای طراحی شده که نوت‌بوک‌های هر فصل با نام‌گذاری استاندارد در پوشه‌های مجزا قرار دارند و یادگیری مرحله‌به‌مرحله را برای شما تسهیل می‌کنند. این منبع برای تمامی متخصصان حوزه پردازش متن و تصویر که به دنبال تسلط بر اکوسیستم ترنسفورمرها هستند، توصیه می‌شود.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #92 | 📌 6 آیتم گزارش | 🧾 از 9 پست بررسی‌شده
🕐 پنجشنبه 1405/05/29 ساعت 14:00 تا جمعه 1405/05/30 ساعت 14:00

🧬 هوش مصنوعی در پزشکی و زیست‌شناسی

واکسن شخصی‌سازی‌شده سرطان مبتنی بر mRNA شرکت‌های مدرنا و مرک با کمک هوش مصنوعی برای شناسایی جهش‌های تومور، فاز سوم کارآزمایی بالینی را با موفقیت پشت سر گذاشت.
🔗 مشاهده پست

استارت‌آپ GenBio AI از مدل جهانی AIDO Cell رونمایی کرد که قادر است یک سلول زنده انسان را در تمامی سطوح شامل DNA، RNA و پروتئین‌ها به‌طور یکپارچه شبیه‌سازی کند.
🔗 مشاهده پست

🤖 مدل‌های نوین و بنچمارک‌های هوش مصنوعی

مایکروسافت با معرفی مدل‌های جدید MAI-Image که توسط متخصصان سابق متا توسعه یافته‌اند، در بنچمارک‌های تولید تصویر به رقابت نزدیکی با مدل‌های برتر بازار رسیده است.
🔗 مشاهده پست

گزارش‌ها نشان می‌دهد شکاف هوش مصنوعی چین و آمریکا با سرعت در حال کاهش است؛ مدل Kimi K3 چین اکنون در بنچمارک‌ها در کنار مدل‌های پیشرو قرار دارد.
🔗 مشاهده پست

شرکت Liquid AI مدل‌های LFM2.5-DSpark را معرفی کرد که بدون تغییر در کیفیت خروجی، سرعت تولید توکن و دیکودینگ را تا ۳.۱۸ برابر افزایش می‌دهند.
🔗 مشاهده پست

بررسی بنچمارک خانواده Qwen 2.5-32B نشان می‌دهد کوانتایزیشن ۴ بیت با متد AWQ توانسته با دقت ۹۰٪ حتی از نسخه‌های با دقت بالاتر FP8 نیز پیشی بگیرد.
🔗 مشاهده پست

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

‏🚀 مدل‌های جدید ترجمه Tencent و عرضه Ox Alpha در OpenRouter

‏پلتفرم OpenRouter به‌تازگی میزبان مدل‌های جدید و جذابی شده است که قابلیت‌های کاربردی برای مهندسان داده و توسعه‌دهندگان ارائه می‌دهند.

‏مهم‌ترین موارد اضافه شده:

‏• مدل‌های ترجمه Hy-MT2: شرکت Tencent مدل‌های Hy-MT2-1.8B و Hy-MT2-30B-A3B را عرضه کرده است. این مدل‌ها از ۳۳ زبان پشتیبانی می‌کنند و علاوه بر متن عادی، در پردازش ساختار، بافتار (Context) و رعایت سبک‌های خاص در ترجمه عملکرد بسیار خوبی دارند.

‏• مدل استدلالی Ox Alpha: این مدل که با رویکردی متمرکز بر استدلال (Reasoning) طراحی شده، برای انجام کارهای عامل‌محور (Agentic)، کدنویسی پیچیده و بارهای کاری سنگین در محیط‌های Production بسیار ایده‌آل است. این مدل با پنجره متنی بیش از ۱ میلیون توکن ارائه شده است.

📚 مطالعه با جزئیات بیشتر

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

#Hy_MT2 #Ox_Alpha

‏🚀 ظهور مدل چندوجهی جدید DeepSeek برای AI Agents

‏تیم DeepSeek مدل آزمایشی جدیدی با نام DeepSeek-V4-Flash-Vision-Exp را معرفی کرد. این مدل چندوجهی (Multimodal) به‌طور اختصاصی برای ایجنت‌هایی طراحی شده که علاوه بر متن، نیاز به درک تصاویر و تعامل با رابط‌های کاربری دارند.

‏نکته قابل‌توجه، عملکرد این نسخه Flash در بنچمارک‌های Visual-Agent است که توانسته در بسیاری از سناریوها به سطح مدل‌های سنگینی مثل Opus 4.8 نزدیک شده و در برخی موارد حتی از آن پیشی بگیرد. عرضه چنین مدل‌های بهینه‌ای می‌تواند به کاهش هزینه‌ها و افزایش دسترسی به ایجنت‌های هوشمند منجر شود.

‏مهم‌ترین نتایج در ارزیابی‌های فنی:

‏* Terminal Bench 2.1: امتیاز ۸۳.۹
‏* DeepSWE: امتیاز ۵۹.۳
‏* Toolathlon-Verified: امتیاز ۷۵.۹
‏* ApexBench: امتیاز ۳۶.۵
‏* ZeroBench: امتیاز ۳۵.۰

‏این نتایج نشان‌دهنده پتانسیل بالای مدل‌های سبک‌تر در انجام وظایف پیچیده ایجنتی است. آیا دوران سلطه مطلق مدل‌های غول‌پیکر در حال تغییر است؟

📚 مطالعه با جزئیات بیشتر

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

#DeepSeek_V4_Flash #Visual_Agent

‏🚀 یادگیری ماشین؛ از تئوری تا کاربرد

‏یادگیری ماشین یا Machine Learning، هسته اصلی تحولات تکنولوژیک در دنیای امروز است. این حوزه با ترکیب آمار، علوم کامپیوتر و ریاضیات، به سیستم‌ها اجازه می‌دهد بدون برنامه‌نویسی صریح، از داده‌ها بیاموزند و الگوهای پیچیده را شناسایی کنند.

‏در دنیای حرفه‌ای علم داده، تسلط بر ابزارها و مفاهیم زیر برای هر متخصص ضروری است:

‏- PyTorch: کتابخانه‌ای قدرتمند و انعطاف‌پذیر برای یادگیری عمیق که در میان محققان محبوبیت ویژه‌ای دارد.
‏- Scikit-learn: کتابخانه‌ای استاندارد و کاربردی برای اجرای الگوریتم‌های کلاسیک یادگیری ماشین.
‏- Pandas: ابزار حیاتی برای دست‌کاری، تحلیل و پیش‌پردازش داده‌های ساختاریافته.
‏- CUDA: پلتفرمی برای محاسبات موازی روی پردازنده‌های گرافیکی که سرعت آموزش مدل‌های بزرگ را به شدت افزایش می‌دهد.
‏- Hugging Face: مرجعی برای دسترسی به مدل‌های پیش‌آموزش‌دیده و ترنسفورمرها که مسیر توسعه اپلیکیشن‌های هوش مصنوعی را هموار کرده است.

📚 مطالعه با جزئیات بیشتر

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

#PyTorch #CUDA

‏🚀 ظهور مرموز Ox Alpha در دنیای مدل‌های هوش مصنوعی

‏مدل جدید و ناشناخته‌ای با نام Ox Alpha به تازگی در پلتفرم OpenCode ظاهر شده که بحث‌های زیادی را در جامعه هوش مصنوعی ایجاد کرده است. اگرچه منشأ اصلی این مدل هنوز به صورت رسمی فاش نشده، اما عملکرد اولیه آن در حل مسائل برنامه‌نویسی بسیار فراتر از حد انتظار گزارش شده است.

‏بر اساس نتایج اولیه در ۱۰ تسک پیچیده DeepSWE، این مدل موفق به کسب نرخ موفقیت حدود ۸۰ درصد شده که آن را در جایگاهی بالاتر از مدل‌های شناخته‌شده‌ای همچون Fable 5، GLM-5.3 و Grok 4.6 قرار می‌دهد.

‏نکات کلیدی پیرامون این مدل:
‏- عملکرد درخشان اولیه: کسب امتیاز بالا در تست‌های مقدماتی کدنویسی.
‏- دسترسی فعلی: مدل در حال حاضر به صورت رایگان در دسترس کاربران قرار گرفته و برای تسک‌های agentic و برنامه‌نویسی تست می‌شود.
‏- پشتیبانی از Context: گزارش‌ها حاکی از ظرفیت بالای پنجره متنی این مدل است.

‏دقت کنید که این نتایج با لیدربورد رسمی DeepSWE که شامل ۱۱۳ مسئله است تفاوت دارد و هنوز نتیجه جامع و نهایی برای Ox Alpha منتشر نشده است.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

‏مهارت‌های کلیدی در توسعه و استقرار سیستم‌های هوش مصنوعی

‏اندرو ان‌جی در جدیدترین تحلیل خود، نقشه راه مهارت‌های مورد نیاز برای مهندسان هوش مصنوعی را بازبینی کرده است. برخلاف نرم‌افزارهای سنتی که خروجی قابل پیش‌بینی دارند، سیستم‌های مبتنی بر AI به دلیل ماهیت احتمالی خود، نیازمند رویکردی تکرارشونده و توسعه مبتنی بر ارزیابی هستند.

‏مهم‌ترین مهارت‌ها برای تسلط بر این حوزه عبارتند از:
‏- درک مبانی LLM: شناخت نحوه توکن‌بندی، مدیریت پنجره کانتکست و انتخاب استراتژی‌های بهینه‌سازی مدل.
‏- Grounding با داده‌ها: استفاده از تکنیک‌های پیشرفته برای اتصال مدل به داده‌های واقعی از طریق جستجوی برداری، نمودار دانش یا لایه‌های معنایی.
‏- طراحی سیستم‌های عامل‌محور (Agentic): تعریف گردش‌کار، مدیریت حافظه و ابزارهای مورد نیاز برای اجرای خودمختار وظایف.
‏- توسعه مبتنی بر ارزیابی: ایجاد حلقه‌های بازخورد سیستماتیک برای تحلیل خطا و اندازه‌گیری عملکرد به جای حدس و گمان.
‏- عملیات در تولید: پیاده‌سازی مکانیزم‌های مشاهده‌پذیری، تست رگرسیون و مدیریت هزینه و تأخیر در مقیاس بالا.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

‏🌐 اتوماسیون هوشمند مرورگر با Browser Use

‏اگر به دنبال راهکاری برای اجرای خودکار فعالیت‌های پیچیده در محیط وب هستید، پروژه Browser Use یکی از ابزارهای بسیار کاربردی است.

‏این ابزار به شما اجازه می‌دهد Agentهایی بسازید که دقیقاً مانند یک کاربر واقعی با صفحات وب تعامل داشته باشند. از جمله مهم‌ترین قابلیت‌های آن می‌توان به موارد زیر اشاره کرد:

‏• پر کردن خودکار انواع فرم‌های اینترنتی
‏• استخراج داده‌های مورد نیاز از ساختار سایت‌ها
‏• تست خودکار وب‌سایت‌ها برای شناسایی باگ‌ها و مشکلات عملکردی

‏این پروژه برای ساده‌سازی فرآیندهای تکراری و اتوماسیون تست در پروژه‌های مختلف علم داده و توسعه نرم‌افزار، گزینه‌ای ایده‌آل محسوب می‌شود.

📚 مطالعه با جزئیات بیشتر

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

#Browser_Use #اتوماسیون_وب

‏🚀 اجرای مدل هوش مصنوعی ۹ میلیاردی روی موبایل

‏خانواده جدید مدل‌های Ornith 1.5 با معرفی نسخه 9B، مرزهای اجرای مدل‌های زبانی روی سخت‌افزارهای محدود را جابجا کرده است. این مدل متن‌باز با قابلیت Self-Improving و پنجره متنی ۲۵۶ هزار توکنی، به طور اختصاصی برای استدلال، کدنویسی و کارهای Agentic بهینه شده است.

‏نکته تحسین‌برانگیز این مدل، عملکرد نزدیک به مدل‌های بسیار بزرگ‌تر در برخی بنچمارک‌های رسمی است. نسخه‌های Quantized این مدل امکان اجرا روی دستگاه‌های موبایل و سیستم‌های شخصی را فراهم کرده‌اند.

‏برای اجرای این مدل می‌توانید از ابزارهای زیر استفاده کنید:

‏• llama.cpp
‏• Ollama
‏• LM Studio

‏فایل‌های مورد نیاز و نسخه GGUF را می‌توانید از طریق مخزن رسمی Hugging Face دریافت و بر اساس قدرت سخت‌افزار خود، Quantization مناسب را انتخاب کنید.

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

#Ornith_1 #Quantization

‏🚀 دستیابی ایجنت هوش مصنوعی AVO به رکورد بی‌نظیر

‏انویدیا به تازگی از ایجنت کدنویس خود به نام AVO رونمایی کرده که موفق شد در بنچمارک استدلالی ARC-AGI-3 امتیاز کامل ۱۰۰ درصد را کسب کند. این سیستم تمام ۱۸۳ مرحله موجود در محیط‌های تست را با موفقیت پشت سر گذاشته است.

‏ویژگی‌های کلیدی این دستاورد عبارتند از:

‏* عدم نیاز به قوانین از پیش تعیین شده یا اهداف صریح.
‏* یادگیری از طریق آزمون و خطا، مشاهده نتایج و اصلاح استراتژی بر اساس تجربیات قبلی.
‏* استفاده از حافظه مداوم و به‌روزرسانی آن در طول فرآیند یادگیری، به‌جای شروع مجدد از صفر.
‏* بهره‌گیری از قدرت مدل Claude Opus 5 برای تحلیل‌های پیچیده.

‏این موفقیت نشان‌دهنده توانایی مدل‌های جدید در تسلط بر وظایف خاص محیطی از طریق تعاملات تکرار‌شونده است. این رویکرد مسیر جدیدی را برای حل مسائل پیچیده هوش مصنوعی باز می‌کند که در آن ماشین قادر است بدون مداخله مستقیم، دانش خود را به‌صورت پویا بهبود ببخشد.

📚 مطالعه با جزئیات بیشتر

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

#AVO #ARC_AGI_3

‏🌐 خلق محیط‌های سه‌بعدی تعاملی با SpAItial

‏ابزار نوآورانه SpAItial با استفاده از مدل هوش مصنوعی Echo-2 به کاربران اجازه می‌دهد تنها از روی یک تصویر تک یا توصیف متنی، یک محیط سه‌بعدی کاملاً تعاملی و قابل‌کاوش خلق کنند.

‏برخلاف ویدیوهای دوبعدی و ایستا، خروجی این ابزار فضایی پویا است که می‌توانید آزادانه در آن حرکت کرده و زاویه دوربین را تغییر دهید. این سیستم همچنین خروجی‌های باکیفیت به روش 3D Gaussian Splatting تولید می‌کند که پتانسیل بالایی در توسعه بازی‌ها و واقعیت مجازی دارد.

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

‏هوش مصنوعی و چالش واقعی ARC-AGI

‏اخیراً گزارش‌هایی از دستیابی سیستم NVIDIA AVO به امتیاز ۱۰۰٪ در مجموعه آزمون ARC-AGI-3 منتشر شده است. اما باید در تفسیر این اعداد محتاط بود، چرا که این نتیجه بر روی مجموعه عمومی (public set) به دست آمده که با لیدربورد رسمی و نیمه‌خصوصی تفاوت‌های اساسی دارد.

‏مهم‌ترین نکات برای درک بهتر این پیشرفت:

‏* سیستم AVO در واقع از مدل Claude Opus 5 به عنوان هسته اصلی استفاده می‌کند، نه اینکه این امتیاز صرفاً متعلق به یک مدل واحد باشد.
‏* امتیاز ۳۰.۱۶٪ برای Claude Opus 5 در ارزیابی نیمه‌خصوصی، معیار دقیق‌تری برای سنجش قابلیت‌های این مدل نسبت به نتایج عمومی است.
‏* موفقیت اخیر، اهمیت طراحی معماری عامل‌های خودگردان (Agentic Systems) را در کنار قدرت پردازشی مدل‌های پایه نشان می‌دهد.

‏در نهایت، تفاوت در مجموعه‌های داده و نحوه ارزیابی باعث می‌شود نتایج مدل‌هایی مثل GPT-5.6 Sol یا Claude Opus 4.8 با این آمار جدید مستقیماً قابل مقایسه نباشند. این دستاورد بیشتر گامی به سوی سیستم‌های خودمختار با افق زمانی طولانی است.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science