🚀 معرفی مدل GLM-5.3-Flash؛ بهرهوری بالا در پردازش متن و تصویر
مدل جدید GLM-5.3-Flash به عنوان اولین مدل ناتیومولتیمودال در سری GLM-5 عرضه شد. این مدل با معماری بهینهشده، برای مدیریت متنهای بسیار طولانی و هزینههای عملیاتی پایین طراحی شده است.
از مهمترین ویژگیهای این مدل میتوان به موارد زیر اشاره کرد:
* استفاده از معماری هیبریدی (Sparse و Linear Attention) برای افزایش سرعت و کاهش محاسبات.
* پشتیبانی از کانتکست تا سقف ۱ میلیون توکن.
* کاهش ۴.۴۴ برابری حافظه KV-cache.
* قابلیت پردازش مستقیم تصاویر و تعامل با واسطهای کاربری (GUI).
* کارایی بالا در برنامهنویسی، کارهای اداری، تحقیقاتی و تحلیل اسناد.
در زمینه هزینهها، این مدل با مدلهای پیشرو بازار مقایسه شده است. قیمت ورودی آن ۰.۱۵ دلار و قیمت خروجی ۰.۵ دلار تعیین شده که در حال حاضر با تخفیف ۵۰ درصدی ارائه میشود. جزئیات فنی و مستندات کامل را میتوانید در Model ID: glm-5.3-flash مشاهده کنید.
📚 مطالعه با جزئیات بیشتر
#GLM_5 #Sparse_Attention
مدل جدید GLM-5.3-Flash به عنوان اولین مدل ناتیومولتیمودال در سری GLM-5 عرضه شد. این مدل با معماری بهینهشده، برای مدیریت متنهای بسیار طولانی و هزینههای عملیاتی پایین طراحی شده است.
از مهمترین ویژگیهای این مدل میتوان به موارد زیر اشاره کرد:
* استفاده از معماری هیبریدی (Sparse و Linear Attention) برای افزایش سرعت و کاهش محاسبات.
* پشتیبانی از کانتکست تا سقف ۱ میلیون توکن.
* کاهش ۴.۴۴ برابری حافظه KV-cache.
* قابلیت پردازش مستقیم تصاویر و تعامل با واسطهای کاربری (GUI).
* کارایی بالا در برنامهنویسی، کارهای اداری، تحقیقاتی و تحلیل اسناد.
در زمینه هزینهها، این مدل با مدلهای پیشرو بازار مقایسه شده است. قیمت ورودی آن ۰.۱۵ دلار و قیمت خروجی ۰.۵ دلار تعیین شده که در حال حاضر با تخفیف ۵۰ درصدی ارائه میشود. جزئیات فنی و مستندات کامل را میتوانید در Model ID: glm-5.3-flash مشاهده کنید.
📚 مطالعه با جزئیات بیشتر
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#GLM_5 #Sparse_Attention
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 ساخت بزرگترین مجموعه داده جهان برای رباتهای هوشمند
شرکت FigureAI در حال توسعه عظیمترین دیتاسِت آموزشی برای رباتهای انساننما است. این استارتاپ با استفاده از پلتفرم Index، ویدئوهای مربوط به فعالیتهای روزمره انسانها را جمعآوری میکند تا به هوش مصنوعی کمک کند تعامل با دنیای فیزیکی را بهتر درک کند.
برخی از جزئیات این پروژه در مقیاس بزرگ:
- جمعآوری بیش از ۱۵ میلیون ویدئوی آموزشی.
- پردازش لحظهای معادل ۵ سال کارِ انسانی در هر شبانهروز.
- بهکارگیری این دادهها برای آموزش مدل Helix و دستیابی به نتایج درخشان در تعمیمپذیری (Generalization).
- برنامهریزی برای ۱۰۰ برابر کردن حجم دادهها در سال آینده با بودجهای بیش از ۱ میلیارد دلار.
این رویکرد نشان میدهد که نبرد اصلی در دنیای رباتیک، نه فقط در الگوریتمها، بلکه در دسترسی به حجم وسیعی از دادههای ویدئویی متنوع برای آموزش مدلهای پایه نهفته است.
📚 مطالعه با جزئیات بیشتر
#FigureAI #Helix
شرکت FigureAI در حال توسعه عظیمترین دیتاسِت آموزشی برای رباتهای انساننما است. این استارتاپ با استفاده از پلتفرم Index، ویدئوهای مربوط به فعالیتهای روزمره انسانها را جمعآوری میکند تا به هوش مصنوعی کمک کند تعامل با دنیای فیزیکی را بهتر درک کند.
برخی از جزئیات این پروژه در مقیاس بزرگ:
- جمعآوری بیش از ۱۵ میلیون ویدئوی آموزشی.
- پردازش لحظهای معادل ۵ سال کارِ انسانی در هر شبانهروز.
- بهکارگیری این دادهها برای آموزش مدل Helix و دستیابی به نتایج درخشان در تعمیمپذیری (Generalization).
- برنامهریزی برای ۱۰۰ برابر کردن حجم دادهها در سال آینده با بودجهای بیش از ۱ میلیارد دلار.
این رویکرد نشان میدهد که نبرد اصلی در دنیای رباتیک، نه فقط در الگوریتمها، بلکه در دسترسی به حجم وسیعی از دادههای ویدئویی متنوع برای آموزش مدلهای پایه نهفته است.
📚 مطالعه با جزئیات بیشتر
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#FigureAI #Helix
هوش مصنوعی و علم داده به فارسی
🚀 معرفی مدل GLM-5.3-Flash؛ بهرهوری بالا در پردازش متن و تصویر مدل جدید GLM-5.3-Flash به عنوان اولین مدل ناتیومولتیمودال در سری GLM-5 عرضه شد. این مدل با معماری بهینهشده، برای مدیریت متنهای بسیار طولانی و هزینههای عملیاتی پایین طراحی شده است. از مهمترین…
🚀 درخشش مدل جدید GLM در دنیای کدنویسی
مدل جدید
نکته قابل توجه درباره این مدل، بازدهی بالای آن در مقایسه با مدل
• مدل
• مدل
این مدل با قیمتگذاری رقابتی ۰.۱۵ تا ۰.۵ دلار به ازای هر میلیون توکن، تعادل جدیدی در عملکرد و هزینه ایجاد کرده است. امتیازهای فعلی بر اساس سیستم
📚 مطالعه با جزئیات بیشتر
#GLM_5 #AutoEval
مدل جدید
GLM-5.3-Flash با ورود به عرصه رقابت، توانسته است رتبه پنجم در Code Arena بخش WebDev را کسب کند و به عنوان دومین مدل متنباز قدرتمند خود را مطرح کند.نکته قابل توجه درباره این مدل، بازدهی بالای آن در مقایسه با مدل
GLM-5.3-Max است:• مدل
Flash با ۳۲۰ میلیارد پارامتر کل (۱۸ میلیارد پارامتر فعال) به امتیاز ۱۶۳۴ رسیده است.• مدل
Max با ۷۵۳ میلیارد پارامتر کل (۴۰ میلیارد پارامتر فعال) رتبه هشتم را در اختیار دارد.این مدل با قیمتگذاری رقابتی ۰.۱۵ تا ۰.۵ دلار به ازای هر میلیون توکن، تعادل جدیدی در عملکرد و هزینه ایجاد کرده است. امتیازهای فعلی بر اساس سیستم
AutoEval (مبتنی بر مدلهای پاداش آموزشدیده با دادههای ترجیحی انسانی) محاسبه شده و با افزایش رایهای انسانی در وبسایت Arena، دقت این بنچمارک دقیقتر خواهد شد.📚 مطالعه با جزئیات بیشتر
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#GLM_5 #AutoEval
@DataPlusScience_linkedin_7498316168152231936_01.pdf
3.4 MB
هوش مصنوعی در سال ۲۰۲۶: مسیر رسیدن به ROI
گزارش جدید مککینزی با عنوان The state of AI in 2026 نشان میدهد که سازمانها با وجود گسترش استفاده از هوش مصنوعی، هنوز در حال کلنجار رفتن با هزینهها برای رسیدن به بازگشت سرمایه (ROI) ملموس هستند.
مهمترین نکات این گزارش:
- استفاده از
- بسیاری از شرکتها در حال استفاده از ابزارهای کدنویسیِ مبتنی بر عامل (agentic coding tools) برای توسعه نرمافزار در داخل مجموعه خود هستند.
- برخلاف تصور، تأثیر مالی مستقیم هوش مصنوعی بر سود عملیاتی (EBIT) سازمانها نسبت به سال قبل تغییر چندانی نکرده است.
- عملکرد سازمانهای پیشرو (High performers) متفاوت است؛ آنها بهجای اضافه کردن ابزارهای هوش مصنوعی به جریانهای کاری فعلی، کل ساختار عملیاتی خود را بازطراحی میکنند.
- این سازمانهای موفق، علاوه بر کاهش هزینهها، به دنبال اهداف استراتژیکتر مثل نوآوری و رشد درآمد هستند و مدیریت ریسکهای مرتبط با هوش مصنوعی را در اولویت قرار دادهاند.
📚 مطالعه با جزئیات بیشتر
📊 Data➕Science
گزارش جدید مککینزی با عنوان The state of AI in 2026 نشان میدهد که سازمانها با وجود گسترش استفاده از هوش مصنوعی، هنوز در حال کلنجار رفتن با هزینهها برای رسیدن به بازگشت سرمایه (ROI) ملموس هستند.
مهمترین نکات این گزارش:
- استفاده از
agentic AI در سازمانهای بزرگ با سرعت بالایی در حال رشد و توسعه است.- بسیاری از شرکتها در حال استفاده از ابزارهای کدنویسیِ مبتنی بر عامل (agentic coding tools) برای توسعه نرمافزار در داخل مجموعه خود هستند.
- برخلاف تصور، تأثیر مالی مستقیم هوش مصنوعی بر سود عملیاتی (EBIT) سازمانها نسبت به سال قبل تغییر چندانی نکرده است.
- عملکرد سازمانهای پیشرو (High performers) متفاوت است؛ آنها بهجای اضافه کردن ابزارهای هوش مصنوعی به جریانهای کاری فعلی، کل ساختار عملیاتی خود را بازطراحی میکنند.
- این سازمانهای موفق، علاوه بر کاهش هزینهها، به دنبال اهداف استراتژیکتر مثل نوآوری و رشد درآمد هستند و مدیریت ریسکهای مرتبط با هوش مصنوعی را در اولویت قرار دادهاند.
📚 مطالعه با جزئیات بیشتر
📊 Data➕Science
🎥 راهنمای جامع حرکت دوربین در ویدیوهای هوش مصنوعی
اگر در حال تولید ویدیو با ابزارهایی مثل Runway، Kling یا دیگر مدلهای هوش مصنوعی هستید، مدیریت دقیق حرکت دوربین یکی از بزرگترین چالشها برای حرفهایتر شدن خروجی است.
سایت AI Camera Movements یک کتابخانه رایگان و بسیار کاربردی شامل ۴۶ دستور (Prompt) آماده برای کنترل دقیق حرکت دوربین در اختیار شما قرار میدهد.
چرا این ابزار برای هر ویدیوساز هوش مصنوعی ضروری است؟
* پیشنمایش بصری: برای هر حرکت، یک پیشنمایش متحرک وجود دارد تا دقیقاً بدانید حرکتهایی مثل Pan یا Dolly چه تاثیری روی تصویر شما میگذارند.
* دستورات آماده: شما میتوانید بدون درگیری با پیچیدگیهای زبانی، متن آماده حرکت دوربین را کپی کرده و به پرامپت اصلی خود اضافه کنید.
* جداسازی هوشمند: کدهای حرکتی به شکلی طراحی شدهاند که با سوژه یا سبک بصری ویدیو شما تداخل ندارند.
این مجموعه شامل مهمترین حرکات استاندارد سینمایی از جمله:
* Static shot: ثابت نگه داشتن دقیق دوربین.
* Pan (left/right): چرخش افقی دوربین حول یک محور ثابت.
📚 مطالعه با جزئیات بیشتر
اگر در حال تولید ویدیو با ابزارهایی مثل Runway، Kling یا دیگر مدلهای هوش مصنوعی هستید، مدیریت دقیق حرکت دوربین یکی از بزرگترین چالشها برای حرفهایتر شدن خروجی است.
سایت AI Camera Movements یک کتابخانه رایگان و بسیار کاربردی شامل ۴۶ دستور (Prompt) آماده برای کنترل دقیق حرکت دوربین در اختیار شما قرار میدهد.
چرا این ابزار برای هر ویدیوساز هوش مصنوعی ضروری است؟
* پیشنمایش بصری: برای هر حرکت، یک پیشنمایش متحرک وجود دارد تا دقیقاً بدانید حرکتهایی مثل Pan یا Dolly چه تاثیری روی تصویر شما میگذارند.
* دستورات آماده: شما میتوانید بدون درگیری با پیچیدگیهای زبانی، متن آماده حرکت دوربین را کپی کرده و به پرامپت اصلی خود اضافه کنید.
* جداسازی هوشمند: کدهای حرکتی به شکلی طراحی شدهاند که با سوژه یا سبک بصری ویدیو شما تداخل ندارند.
این مجموعه شامل مهمترین حرکات استاندارد سینمایی از جمله:
* Static shot: ثابت نگه داشتن دقیق دوربین.
* Pan (left/right): چرخش افقی دوربین حول یک محور ثابت.
📚 مطالعه با جزئیات بیشتر
❤1
هوش مصنوعی و علم داده به فارسی
🚀 جهش بزرگ OpenAI با تراشه اختصاصی Jalapeño شرکت OpenAI با معرفی تراشه اختصاصی خود با نام Jalapeño، استانداردهای جدیدی را در صنعت سختافزار هوش مصنوعی تعریف کرده است. بر اساس نتایج اولیه، این تراشه در بارهای کاری تعاملی، نه تنها از نظر سرعت، بلکه از نظر…
تراشه Jalapeño؛ غول جدید OpenAI برای رقابت با Nvidia
شرکت OpenAI بهتازگی از جزئیات فنی تراشه اختصاصی خود با نام Jalapeño رونمایی کرده است. این تراشه که توسط تیمی کوچک (حدود ۳۰ نفر) طراحی شده، در حوزه استنتاج (Inference) عملکردی خیرهکننده ثبت کرده و توانسته است در بسیاری از سناریوها، تراشههای قدرتمند سری Rubin شرکت Nvidia را پشت سر بگذارد.
برخی از مهمترین نکات فنی این دستاورد:
* دستیابی به توان عملیاتی ۴ برابر بیشتر در مدلهای سنگینی نظیر DeepSeek R1.
* بهرهوری انرژی فوقالعاده با ارائه بازدهی ۵۰ برابری در نرخهای توکن بر ثانیه بالا در مقایسه با استاندارد فعلی صنعت.
* مجهز بودن به ۲۱۶ گیگابایت حافظه HBM4 و توان پردازشی تا ۱۳.۴ پتافلاپس در فرمت mxfp4.
* سرعت توسعه باورنکردنی؛ از شروع طراحی در اکتبر ۲۰۲۴ تا تولید اولین نمونه در کمتر از دو سال.
این تراشه با هدف بهینهسازی حداکثری برای سرویسهای چتبات و مدلهای زبانی بزرگ طراحی شده و انتظار میرود از سال آینده بهصورت گسترده در زیرساختهای این شرکت مستقر شود.
📚 مطالعه با جزئیات بیشتر
📊 Data➕Science
شرکت OpenAI بهتازگی از جزئیات فنی تراشه اختصاصی خود با نام Jalapeño رونمایی کرده است. این تراشه که توسط تیمی کوچک (حدود ۳۰ نفر) طراحی شده، در حوزه استنتاج (Inference) عملکردی خیرهکننده ثبت کرده و توانسته است در بسیاری از سناریوها، تراشههای قدرتمند سری Rubin شرکت Nvidia را پشت سر بگذارد.
برخی از مهمترین نکات فنی این دستاورد:
* دستیابی به توان عملیاتی ۴ برابر بیشتر در مدلهای سنگینی نظیر DeepSeek R1.
* بهرهوری انرژی فوقالعاده با ارائه بازدهی ۵۰ برابری در نرخهای توکن بر ثانیه بالا در مقایسه با استاندارد فعلی صنعت.
* مجهز بودن به ۲۱۶ گیگابایت حافظه HBM4 و توان پردازشی تا ۱۳.۴ پتافلاپس در فرمت mxfp4.
* سرعت توسعه باورنکردنی؛ از شروع طراحی در اکتبر ۲۰۲۴ تا تولید اولین نمونه در کمتر از دو سال.
این تراشه با هدف بهینهسازی حداکثری برای سرویسهای چتبات و مدلهای زبانی بزرگ طراحی شده و انتظار میرود از سال آینده بهصورت گسترده در زیرساختهای این شرکت مستقر شود.
📚 مطالعه با جزئیات بیشتر
📊 Data➕Science
@DataPlusScience_linkedin_7498298187196067841_01.pdf
925 KB
واژهنامه جامع هوش مصنوعی و LLM
دنیای هوش مصنوعی و مدلهای زبانی بزرگ (LLM) پر از اصطلاحات فنی است که درک دقیق آنها برای هر مهندس یا توسعهدهنده این حوزه ضروری است. فاصله بین یک پروتوتایپ ساده تا سیستمی که در مقیاس تولید (Production) عملکرد قابلاطمینان داشته باشد، اغلب به دانش فنی و درک مشترک از همین مفاهیم بازمیگردد.
اگر به دنبال تسلط بر مباحث بهینهسازی، استقرار و معماریهای پیشرفته هستید، آشنایی با اصطلاحات کلیدی زیر نقطه شروع بسیار خوبی است:
* بهینهسازی آموزش: تکنیکهایی نظیر FSDP برای آموزش مدلهای بزرگ، Flash Attention جهت کاهش بار حافظه، و متدهایی مثل RoPE برای مدیریت توالیهای طولانی.
* تنظیم دقیق (Fine-tuning): روشهای کارآمدی مانند LoRA و QLoRA که اجازه میدهند مدلهای حجیم را با منابع سختافزاری محدود شخصیسازی کنید.
* کوانتایزیشن (Quantization): ابزارهایی مثل GPTQ، AWQ و فرمت GGUF که برای اجرای مدلها روی سختافزارهای معمولی و محلی حیاتی هستند.
* شتابدهی استنتاج: موتورهای عملیاتی نظیر vLLM و TensorRT-LLM که سرعت سرویسدهی مدل را چندین برابر میکنند.
📚 مطالعه با جزئیات بیشتر
دنیای هوش مصنوعی و مدلهای زبانی بزرگ (LLM) پر از اصطلاحات فنی است که درک دقیق آنها برای هر مهندس یا توسعهدهنده این حوزه ضروری است. فاصله بین یک پروتوتایپ ساده تا سیستمی که در مقیاس تولید (Production) عملکرد قابلاطمینان داشته باشد، اغلب به دانش فنی و درک مشترک از همین مفاهیم بازمیگردد.
اگر به دنبال تسلط بر مباحث بهینهسازی، استقرار و معماریهای پیشرفته هستید، آشنایی با اصطلاحات کلیدی زیر نقطه شروع بسیار خوبی است:
* بهینهسازی آموزش: تکنیکهایی نظیر FSDP برای آموزش مدلهای بزرگ، Flash Attention جهت کاهش بار حافظه، و متدهایی مثل RoPE برای مدیریت توالیهای طولانی.
* تنظیم دقیق (Fine-tuning): روشهای کارآمدی مانند LoRA و QLoRA که اجازه میدهند مدلهای حجیم را با منابع سختافزاری محدود شخصیسازی کنید.
* کوانتایزیشن (Quantization): ابزارهایی مثل GPTQ، AWQ و فرمت GGUF که برای اجرای مدلها روی سختافزارهای معمولی و محلی حیاتی هستند.
* شتابدهی استنتاج: موتورهای عملیاتی نظیر vLLM و TensorRT-LLM که سرعت سرویسدهی مدل را چندین برابر میکنند.
📚 مطالعه با جزئیات بیشتر
⚡️ بازگشت محدودیتهای جدید در ChatGPT
شرکت OpenAI اعلام کرد که از ۲۶ آگوست، محدودیت استفاده ۵ ساعته را برای اشتراکهای
بر اساس توضیحات رسمی، دلایل اصلی این تغییر به شرح زیر است:
• مدیریت بهینه بار پردازشی روی سرورها برای حفظ پایداری و سخاوتمندی در سهمیههای هفتگی.
• جلوگیری از اتمام زودهنگام و ناگهانی سهمیه کاربران، که باعث سردرگمی و کاهش کیفیت تجربه کاربری میشد.
طبق اعلام توسعهدهندگان، این محدودیت فعلاً شامل مشترکین طرحهای گرانقیمت
#ChatGPT_Plus #OpenAI_Codex
شرکت OpenAI اعلام کرد که از ۲۶ آگوست، محدودیت استفاده ۵ ساعته را برای اشتراکهای
ChatGPT Plus، Work و Codex دوباره فعال میکند. این سیاست در کنار محدودیتهای هفتگی اعمال میشود.بر اساس توضیحات رسمی، دلایل اصلی این تغییر به شرح زیر است:
• مدیریت بهینه بار پردازشی روی سرورها برای حفظ پایداری و سخاوتمندی در سهمیههای هفتگی.
• جلوگیری از اتمام زودهنگام و ناگهانی سهمیه کاربران، که باعث سردرگمی و کاهش کیفیت تجربه کاربری میشد.
طبق اعلام توسعهدهندگان، این محدودیت فعلاً شامل مشترکین طرحهای گرانقیمت
Pro $100 و Pro $200 نخواهد شد و آنها همچنان دسترسی بازتری خواهند داشت. این تغییر در ماههای آینده نیز به قوت خود باقی میماند.📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ChatGPT_Plus #OpenAI_Codex