📚 منبعی جامع برای یادگیری مدلهای زبانی بزرگ
اگر به دنبال درک عمیق از چرخه حیات مدلهای زبانی مدرن هستید، کتاب جدید و ارزشمند Foundations of Large Language Models (2025) یکی از بهترین گزینههاست. این کتاب برای محققان، مهندسان و دانشجویان پیشرفته حوزه NLP که با مفاهیم پایه یادگیری عمیق آشنایی دارند، طراحی شده است.
این اثر به صورت فنی و دقیق، تمامی مراحل از پیشآموزش (Pre-training) و طراحی معماری تا همراستاسازی (Alignment) و بهینهسازی استنتاج را پوشش میدهد.
مهمترین مباحث مطرح شده در این کتاب شامل:
- روشهای پیشآموزش و استفاده از مدلهای BERT
- آموزش مدلها در مقیاس بزرگ و قوانین مقیاسپذیری
- تکنیکهای پیشرفته پرامپتنویسی نظیر Chain of Thought و RAG
- همراستاسازی مدل با ترجیحات انسانی (RLHF) و روشهای جدید مانند DPO
- بهینهسازی استنتاج (Inference) و تکنیکهای افزایش مقیاس در زمان اجرا
معرفی کامل کتاب Foundations of Large Language Models؛ نقشه راه تخصصی مدلهای زبانی
اگر به دنبال درک عمیق از چرخه حیات مدلهای زبانی مدرن هستید، کتاب جدید و ارزشمند Foundations of Large Language Models (2025) یکی از بهترین گزینههاست. این کتاب برای محققان، مهندسان و دانشجویان پیشرفته حوزه NLP که با مفاهیم پایه یادگیری عمیق آشنایی دارند، طراحی شده است.
این اثر به صورت فنی و دقیق، تمامی مراحل از پیشآموزش (Pre-training) و طراحی معماری تا همراستاسازی (Alignment) و بهینهسازی استنتاج را پوشش میدهد.
مهمترین مباحث مطرح شده در این کتاب شامل:
- روشهای پیشآموزش و استفاده از مدلهای BERT
- آموزش مدلها در مقیاس بزرگ و قوانین مقیاسپذیری
- تکنیکهای پیشرفته پرامپتنویسی نظیر Chain of Thought و RAG
- همراستاسازی مدل با ترجیحات انسانی (RLHF) و روشهای جدید مانند DPO
- بهینهسازی استنتاج (Inference) و تکنیکهای افزایش مقیاس در زمان اجرا
معرفی کامل کتاب Foundations of Large Language Models؛ نقشه راه تخصصی مدلهای زبانی
🤖 پنج سطح خوداصلاحی در هوش مصنوعی
پژوهشگران برتر حوزه AI در مقاله جدید خود با عنوان «The Last AI Built by Humans» به بررسی فرآیند «خوداصلاحی بازگشتی» (RSI) پرداختهاند. در این مدل، سیستم هوش مصنوعی به جای تکیه بر انسان، تجربیات خود را به تغییرات ساختاری تبدیل میکند.
این مقاله با تحلیل ۴۹۱ پروژه، مسیر تکامل مدلها را در پنج سطح طبقهبندی کرده است:
• سطح ۱: هوش مصنوعی صرفاً مجری دستورات انسانی برای بهبود است.
• سطح ۲: مدل خودش نقاط ضعف را شناسایی و روش اصلاح را انتخاب میکند.
• سطح ۳: سیستم علاوه بر اصلاح، خودش تعیین میکند چه تجربهای برای گام بعدی نیاز دارد.
• سطح ۴: تغییرات در حافظه و کد توسط خود مدل صورت گرفته و به وظایف بعدی منتقل میشود.
• سطح ۵: هوش مصنوعی میتواند «مکانیسم بهبود» خود را بازنویسی کند که عالیترین سطح خودگردانی است.
در حال حاضر، اکثر مدلهای مطرح مانند OpenAI Researcher یا Automated Weak-to-Strong Researcher در سطوح ۱ و ۲ قرار دارند.
طبقهبندی خوداصلاحی بازگشتی (RSI)؛ بررسی پنج سطح تکامل هوش مصنوعی
پژوهشگران برتر حوزه AI در مقاله جدید خود با عنوان «The Last AI Built by Humans» به بررسی فرآیند «خوداصلاحی بازگشتی» (RSI) پرداختهاند. در این مدل، سیستم هوش مصنوعی به جای تکیه بر انسان، تجربیات خود را به تغییرات ساختاری تبدیل میکند.
این مقاله با تحلیل ۴۹۱ پروژه، مسیر تکامل مدلها را در پنج سطح طبقهبندی کرده است:
• سطح ۱: هوش مصنوعی صرفاً مجری دستورات انسانی برای بهبود است.
• سطح ۲: مدل خودش نقاط ضعف را شناسایی و روش اصلاح را انتخاب میکند.
• سطح ۳: سیستم علاوه بر اصلاح، خودش تعیین میکند چه تجربهای برای گام بعدی نیاز دارد.
• سطح ۴: تغییرات در حافظه و کد توسط خود مدل صورت گرفته و به وظایف بعدی منتقل میشود.
• سطح ۵: هوش مصنوعی میتواند «مکانیسم بهبود» خود را بازنویسی کند که عالیترین سطح خودگردانی است.
در حال حاضر، اکثر مدلهای مطرح مانند OpenAI Researcher یا Automated Weak-to-Strong Researcher در سطوح ۱ و ۲ قرار دارند.
طبقهبندی خوداصلاحی بازگشتی (RSI)؛ بررسی پنج سطح تکامل هوش مصنوعی
🚀 یادگیری تعاملی مقالات علمی با ArXivisual
خواندن مقالات تخصصی در arXiv گاهی به دلیل پیچیدگی فرمولها و مفاهیم انتزاعی دشوار است. ابزار جدید ArXivisual با استفاده از هوش مصنوعی، این تجربه را متحول کرده است.
کافیست شناسه مقاله مورد نظر خود را در این پلتفرم وارد کنید تا ابزار، ساختار مقاله را تحلیل کرده و مفاهیم کلیدی را شناسایی کند.
ویژگیهای برجسته این ابزار:
* تبدیل محتوای متنی به انیمیشنهای آموزشی دقیق با استفاده از کتابخانه Manim.
* تولید روایت صوتی برای درک بهتر بخشهای پیچیده.
* سادهسازی مسیر یادگیری برای محققان و دانشجویان.
این سیستم با ترکیب ابزارهای بصریسازی و مدلهای زبانی، زمان صرفشده برای فهمیدن مقالات عمیق علمی را بهشدت کاهش میدهد.
تحول در یادگیری مقالات علمی با ArXivisual؛ تبدیل متن به انیمیشنهای تعاملی
#ArXivisual #Manim
خواندن مقالات تخصصی در arXiv گاهی به دلیل پیچیدگی فرمولها و مفاهیم انتزاعی دشوار است. ابزار جدید ArXivisual با استفاده از هوش مصنوعی، این تجربه را متحول کرده است.
کافیست شناسه مقاله مورد نظر خود را در این پلتفرم وارد کنید تا ابزار، ساختار مقاله را تحلیل کرده و مفاهیم کلیدی را شناسایی کند.
ویژگیهای برجسته این ابزار:
* تبدیل محتوای متنی به انیمیشنهای آموزشی دقیق با استفاده از کتابخانه Manim.
* تولید روایت صوتی برای درک بهتر بخشهای پیچیده.
* سادهسازی مسیر یادگیری برای محققان و دانشجویان.
این سیستم با ترکیب ابزارهای بصریسازی و مدلهای زبانی، زمان صرفشده برای فهمیدن مقالات عمیق علمی را بهشدت کاهش میدهد.
تحول در یادگیری مقالات علمی با ArXivisual؛ تبدیل متن به انیمیشنهای تعاملی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ArXivisual #Manim
🚀 سنجش قدرت استدلال در دنیای متغیر با EvolveScaler
تیم Tencent Hunyuan با معرفی بنچمارک EvolveScaler، چالش جدیدی برای مدلهای زبانی بزرگ ایجاد کرده است. برخلاف تستهای سنتی که صرفاً بر استخراج اطلاعات از متن متمرکز هستند، این ابزار توانایی مدل در «بازسازی وضعیت جهان» پس از تغییرات متوالی را میسنجد.
در این سناریوها، اطلاعات بهصورت پویا اصلاح یا لغو میشوند و مدل باید بتواند با مدلسازی منطق رویدادها، نتایج تغییرات را بهدرستی تحلیل کند. نتایج نشان میدهد حتی مدلهای پیشرو نیز در سطوح دشوار با افت عملکرد شدید مواجه میشوند.
از مهمترین ویژگیهای این بنچمارک:
- استفاده از ماشین وضعیت برای کنترل منطق رویدادها
- بررسی بیش از ۱۰۰ سناریو با تغییرات زنجیرهای
- ارزیابی دقیق توانایی مدل در محاسبات ضدواقعی (Counterfactual)
برای جزئیات بیشتر و دسترسی به نتایج مدلها، مقاله این پروژه را مطالعه کنید.
بنچمارک EvolveScaler؛ چالش جدید Tencent برای سنجش استدلال پویا در مدلهای زبانی
تیم Tencent Hunyuan با معرفی بنچمارک EvolveScaler، چالش جدیدی برای مدلهای زبانی بزرگ ایجاد کرده است. برخلاف تستهای سنتی که صرفاً بر استخراج اطلاعات از متن متمرکز هستند، این ابزار توانایی مدل در «بازسازی وضعیت جهان» پس از تغییرات متوالی را میسنجد.
در این سناریوها، اطلاعات بهصورت پویا اصلاح یا لغو میشوند و مدل باید بتواند با مدلسازی منطق رویدادها، نتایج تغییرات را بهدرستی تحلیل کند. نتایج نشان میدهد حتی مدلهای پیشرو نیز در سطوح دشوار با افت عملکرد شدید مواجه میشوند.
از مهمترین ویژگیهای این بنچمارک:
- استفاده از ماشین وضعیت برای کنترل منطق رویدادها
- بررسی بیش از ۱۰۰ سناریو با تغییرات زنجیرهای
- ارزیابی دقیق توانایی مدل در محاسبات ضدواقعی (Counterfactual)
برای جزئیات بیشتر و دسترسی به نتایج مدلها، مقاله این پروژه را مطالعه کنید.
بنچمارک EvolveScaler؛ چالش جدید Tencent برای سنجش استدلال پویا در مدلهای زبانی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
📊 فرمولاسیون و تبیین ریاضی معماری ترنسفورمرها
مقاله جدید A Mathematical Explanation of Transformers چارچوب ریاضی دقیقی برای تحلیل معماری ترنسفورمر و مدلهای زبانی بزرگ ارائه میدهد. در این پژوهش، ترنسفورمر به عنوان گسستهسازی یک معادله دیفرانسیل-انتگرال پیوسته مدلسازی شده است.
مهمترین محورهای ریاضی این مقاله عبارتند از:
• تحلیل مکانیزم Self-attention به عنوان یک اپراتور انتگرالی غیرمحلی
• تعریف Layer normalization به عنوان تصویرسازی بر یک مجموعه محدود
• یکپارچهسازی لایههای تماممتصل و توابع فعالساز در ساختار ریاضی واحد
نویسندگان در نهایت با استفاده از روشهای گسستهسازی عددی، این مدل ریاضی را به Vision Transformers و ترنسفورمرهای کانولوشنی تعمیم دادهاند.
تبیین ریاضی ترنسفورمرها؛ فرمولاسیون معماری یادگیری عمیق با معادلات دیفرانسیل
مقاله جدید A Mathematical Explanation of Transformers چارچوب ریاضی دقیقی برای تحلیل معماری ترنسفورمر و مدلهای زبانی بزرگ ارائه میدهد. در این پژوهش، ترنسفورمر به عنوان گسستهسازی یک معادله دیفرانسیل-انتگرال پیوسته مدلسازی شده است.
مهمترین محورهای ریاضی این مقاله عبارتند از:
• تحلیل مکانیزم Self-attention به عنوان یک اپراتور انتگرالی غیرمحلی
• تعریف Layer normalization به عنوان تصویرسازی بر یک مجموعه محدود
• یکپارچهسازی لایههای تماممتصل و توابع فعالساز در ساختار ریاضی واحد
نویسندگان در نهایت با استفاده از روشهای گسستهسازی عددی، این مدل ریاضی را به Vision Transformers و ترنسفورمرهای کانولوشنی تعمیم دادهاند.
تبیین ریاضی ترنسفورمرها؛ فرمولاسیون معماری یادگیری عمیق با معادلات دیفرانسیل
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 تقابل دیدگاهها در دنیای هوش مصنوعی
یان لکان (Yann LeCun)، برنده جایزه تورینگ، با بازنشر مواضع سال ۲۰۱۹ داریو آمودی در زمان حضورش در OpenAI، به انتقاد از سیاستهای کنونی او پرداخته است.
ماجرا از این قرار است که آمودی در آن زمان معتقد بود مدل GPT-2 آنقدر خطرناک است که نباید بهصورت متنباز منتشر شود. لکان با یادآوری این موضوع و تمسخر آن دیدگاه، به تکرار سناریوی «خطرناک بودن مدلها» در میان مدیران شرکتهای بزرگ هوش مصنوعی اعتراض کرد.
نکته قابل توجه این است که OpenAI در سال ۲۰۱۹ ابتدا نسخه کوچکی از GPT-2 را منتشر کرد، اما پس از ۹ ماه و عدم مشاهده شواهد قطعی از سوءاستفادههای گسترده، نسخه کامل را در دسترس عموم قرار داد.
حالا لکان معتقد است که باید همچنان نسبت به اینگونه ادعاها که منجر به محدودسازی توسعه مدلهای پیشرفته میشود، نگاهی انتقادی داشت. این بحث نشاندهنده شکاف عمیق میان معتقدان به رویکردهای احتیاطی و طرفداران شفافیت و توسعه باز در صنعت AI است.
واکاوی تقابل یان لکان و داریو آمودی؛ از GPT-2 تا هشدارهای امروزی
یان لکان (Yann LeCun)، برنده جایزه تورینگ، با بازنشر مواضع سال ۲۰۱۹ داریو آمودی در زمان حضورش در OpenAI، به انتقاد از سیاستهای کنونی او پرداخته است.
ماجرا از این قرار است که آمودی در آن زمان معتقد بود مدل GPT-2 آنقدر خطرناک است که نباید بهصورت متنباز منتشر شود. لکان با یادآوری این موضوع و تمسخر آن دیدگاه، به تکرار سناریوی «خطرناک بودن مدلها» در میان مدیران شرکتهای بزرگ هوش مصنوعی اعتراض کرد.
نکته قابل توجه این است که OpenAI در سال ۲۰۱۹ ابتدا نسخه کوچکی از GPT-2 را منتشر کرد، اما پس از ۹ ماه و عدم مشاهده شواهد قطعی از سوءاستفادههای گسترده، نسخه کامل را در دسترس عموم قرار داد.
حالا لکان معتقد است که باید همچنان نسبت به اینگونه ادعاها که منجر به محدودسازی توسعه مدلهای پیشرفته میشود، نگاهی انتقادی داشت. این بحث نشاندهنده شکاف عمیق میان معتقدان به رویکردهای احتیاطی و طرفداران شفافیت و توسعه باز در صنعت AI است.
واکاوی تقابل یان لکان و داریو آمودی؛ از GPT-2 تا هشدارهای امروزی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🧠 روشی الهامگرفته از مغز برای آموزش شبکههای عصبی
الگوریتم رایج
مشکل اصلی روشهای سنتی PC در شبکههای عمیق، محو شدن سیگنال بود. محققان با استفاده از رویکرد PC-ALM و بهکارگیری ضرایب لاگرانژ، توانستند این شکاف را با Backprop پر کنند.
مهمترین یافتههای این تحقیق:
* پایداری در عمق: برخلاف PC معمولی که در شبکههای عمیق کارایی خود را از دست میدهد،
* شباهت ریاضی: ثابت شده است که در نقطه تعادل، ضرایب لاگرانژ دقیقاً با گرادیانهای Backprop همگرا میشوند.
* عملکرد: در بنچمارکهایی نظیر MNIST و CIFAR-10، این روش شکاف عملکردی بین آموزش محلی و جهانی را بهشدت کاهش داده است.
معرفی PC-ALM: روش نوین آموزش شبکههای عصبی با الهام از مغز
الگوریتم رایج
Backpropagation علیرغم کارایی، از نظر بیولوژیکی در مغز انسان وجود ندارد؛ چرا که نورونها نمیتوانند منتظر بازگشت سیگنال خطا از لایههای انتهایی بمانند. آزمایشگاه Sakana AI در پژوهش جدید خود به سراغ رویکردی به نام Predictive Coding (PC) رفته است که در آن هر لایه تنها با همسایگان خود تعامل دارد.مشکل اصلی روشهای سنتی PC در شبکههای عمیق، محو شدن سیگنال بود. محققان با استفاده از رویکرد PC-ALM و بهکارگیری ضرایب لاگرانژ، توانستند این شکاف را با Backprop پر کنند.
مهمترین یافتههای این تحقیق:
* پایداری در عمق: برخلاف PC معمولی که در شبکههای عمیق کارایی خود را از دست میدهد،
PC-ALM توانسته است شبکههایی تا ۱۰۰۰ لایه را با دقتی نزدیک به Backprop آموزش دهد.* شباهت ریاضی: ثابت شده است که در نقطه تعادل، ضرایب لاگرانژ دقیقاً با گرادیانهای Backprop همگرا میشوند.
* عملکرد: در بنچمارکهایی نظیر MNIST و CIFAR-10، این روش شکاف عملکردی بین آموزش محلی و جهانی را بهشدت کاهش داده است.
معرفی PC-ALM: روش نوین آموزش شبکههای عصبی با الهام از مغز
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #114 | 📌 8 آیتم گزارش | 🧾 از 31 پست بررسیشده
🕐 یکشنبه 1405/06/22 ساعت 14:00 تا سهشنبه 1405/06/24 ساعت 14:00
🔎 تحلیل کوتاه
📊 ارزیابی و عملکرد مدلها
⚖️ امنیت و سیاستگذاری هوش مصنوعی
🤖 مدلها و ابزارهای هوش مصنوعی
🗂 گزارش #114 | 📌 8 آیتم گزارش | 🧾 از 31 پست بررسیشده
🕐 یکشنبه 1405/06/22 ساعت 14:00 تا سهشنبه 1405/06/24 ساعت 14:00
🔎 تحلیل کوتاه
تحولات اخیر نشاندهنده دو تمرکز راهبردی است: نخست، عبور از بنچمارکهای سنتی به سمت ارزیابی مدلهای هوش مصنوعی در محیط کار واقعی و دوم، چالشهای ژئوپلیتیک بر سر حکمرانی هوش مصنوعی که منجر به تقابل دیدگاهها درباره کندسازی توسعه مدلها شده است.
📊 ارزیابی و عملکرد مدلها
استاندارد نوین ارزیابی با Capability Indices
بهروزرسانی جدید تیم Artificial Analysis برای ارزیابی مدلها در شش حوزه تخصصی بر اساس نیازهای واقعی دنیای کار.
🔗 جزئیات کامل در سایت
⚖️ امنیت و سیاستگذاری هوش مصنوعی
ضرورتهای امنیتی و سرعت توسعه هوش مصنوعی
نگاه داریو آمودی به خطرات سرعت سرسامآور توسعه مدلهای هوش مصنوعی در مقاله We Must Pace the Frontier.
🔗 مطالعه کامل در سایت
نبرد ژئوپلیتیک و سرمایهگذاری Z.AI
تنشهای بینالمللی بر سر حکمرانی هوش مصنوعی همزمان با جذب سرمایه عظیم توسط شرکت چینی Z.AI.
🔗 جزئیات کامل در سایت
🤖 مدلها و ابزارهای هوش مصنوعی
حضور سم آلتمن و داریو آمودی در میان تاثیرگذارترین چهرههای هوش مصنوعی و
فناوری جهان. نشریه The Jerusalem Post در فهرست سالانه ۵۰ یهودی تاثیرگذار خود، سم آلتمن، داریو و دانیلا آمودی، و مارک زاکربرگ را به.
🔗 ادامه مطلب در سایت
موضع رسمی دونالد ترامپ در قبال هوش مصنوعی: اولویت با برتری استراتژیک
دونالد ترامپ با رد درخواستهای چهرههای برجسته فناوری برای کند کردن روند توسعه هوش مصنوعی، بر تداوم پیشتازی ایالات متحده در این حوزه و.
🔗 ادامه مطلب در سایت
واکنش تند چین به کندسازی هوش مصنوعی: «کتاب بازی جنگ سرد» فناوری.
پیشنهاد اخیر داریو آمودی، مدیرعامل Anthropic، برای کندسازی توسعه هوش مصنوعی پیشرفته به منظور مدیریت ریسکهای ایمنی، با واکنش شدید چین.
🔗 نسخه مفصل در سایت
مقایسه جامع مدلهای هوش مصنوعی Grok 4، Claude 4 و GPT-5: انتخاب ابزار
بهینه برای هر نیاز. در دنیای پرشتاب هوش مصنوعی، انتخاب بین مدلهای پیشرفتهای نظیر Grok 4، Claude 4 و GPT-5 به نیازها و اولویتهای شما.
🔗 ادامه مطلب در سایت
همکاری ElevenLabs و UMG برای ساخت پلتفرم قانونی ریمیکس موسیقی با هوش
مصنوعی. گروه موسیقی یونیورسال و ElevenLabs با هدف ایجاد پلتفرمی برای ساخت ریمیکسهای قانونی و شبیهسازی صدای خوانندگان با استفاده از.
🔗 جزئیات کامل در سایت
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 معرفی مدل قدرتمند Spark-X2.5-4B
مدل جدید Spark-X2.5-4B یک مدل فشرده ۴ میلیاردی است که با قابلیت پشتیبانی از کانتکست خیرهکننده ۱ میلیون توکن، برای اجرا روی سیستمهای شخصی بهینه شده است. این مدل علیرغم اندازه کوچک، در زمینههای استدلال، کدنویسی، استفاده از ابزار و عاملهای هوشمند عملکرد قابلتوجهی دارد.
مهمترین نتایج بنچمارک این مدل:
- امتیاز ۴۴.۴ در SWE-Bench Pro
- امتیاز ۴۰.۹ در BrowseComp
- امتیاز ۹۰.۷ در AIME 2026
- امتیاز ۵۴.۶ در MCP-Atlas
این مدل از بیش از ۲۰۰ زبان پشتیبانی میکند و برای اجرا روی پردازندههای گرافیکی NVIDIA، پردازندههای Apple Silicon و لینوکس در دسترس است. فایلهای نسخه GGUF نیز برای استفاده در پروژههایی مانند llama.cpp منتشر شدهاند که اجرای محلی آن را بسیار ساده میکند.
معرفی مدل Spark-X2.5-4B؛ هوش مصنوعی ۴ میلیاردی با کانتکست ۱ میلیون توکنی
#Spark_X2_5_4B #llama_cpp
مدل جدید Spark-X2.5-4B یک مدل فشرده ۴ میلیاردی است که با قابلیت پشتیبانی از کانتکست خیرهکننده ۱ میلیون توکن، برای اجرا روی سیستمهای شخصی بهینه شده است. این مدل علیرغم اندازه کوچک، در زمینههای استدلال، کدنویسی، استفاده از ابزار و عاملهای هوشمند عملکرد قابلتوجهی دارد.
مهمترین نتایج بنچمارک این مدل:
- امتیاز ۴۴.۴ در SWE-Bench Pro
- امتیاز ۴۰.۹ در BrowseComp
- امتیاز ۹۰.۷ در AIME 2026
- امتیاز ۵۴.۶ در MCP-Atlas
این مدل از بیش از ۲۰۰ زبان پشتیبانی میکند و برای اجرا روی پردازندههای گرافیکی NVIDIA، پردازندههای Apple Silicon و لینوکس در دسترس است. فایلهای نسخه GGUF نیز برای استفاده در پروژههایی مانند llama.cpp منتشر شدهاند که اجرای محلی آن را بسیار ساده میکند.
معرفی مدل Spark-X2.5-4B؛ هوش مصنوعی ۴ میلیاردی با کانتکست ۱ میلیون توکنی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Spark_X2_5_4B #llama_cpp
❤1
📉 ترمز هوش مصنوعی و واکنش بازار سرمایه
گزارشهای اخیر فایننشال تایمز نشان میدهد که ارزش سهام شرکتهای بزرگ حوزه هوش مصنوعی پس از هشدارهای جدید دچار نوسان شده است. شرکتهای پیشرو مانند OpenAI و Anthropic اخیراً اعلام کردهاند که برای تضمین امنیت و همگامسازی توسعه فناوری با پروتکلهای ایمنی، باید سرعت رشد مدلهای نسل جدید (Frontier Models) کنترل شود.
این اولین باری است که بحثهای مربوط به ایمنی و اخلاق در هوش مصنوعی بهطور مستقیم بر انتظارات سرمایهگذاران تأثیر گذاشته است. مدلهای ارزشگذاری بسیاری از شرکتهای زیرساختی و تأمینکنندگان تراشه، بر پایه پیشبینی تداوم نرخ رشد انفجاری مخارج محاسباتی بنا شده بود. اکنون با سیگنالهای جدید درباره کاهش احتمالی سرعت توسعه، بازار نسبت به تداوم این روند صعودی محتاط شده است.
مهمترین نکات این تغییر رویکرد:
* کاهش ارزش سهام سازندگان تراشههای حافظه و انویدیا در بازار نیویورک.
* تغییر تمرکز سرمایهگذاران از رشد بیپایان به ارزیابی ریسکهای ایمنی.
تأثیر هشدارهای ایمنی هوش مصنوعی بر افت ارزش سهام تکنولوژی
گزارشهای اخیر فایننشال تایمز نشان میدهد که ارزش سهام شرکتهای بزرگ حوزه هوش مصنوعی پس از هشدارهای جدید دچار نوسان شده است. شرکتهای پیشرو مانند OpenAI و Anthropic اخیراً اعلام کردهاند که برای تضمین امنیت و همگامسازی توسعه فناوری با پروتکلهای ایمنی، باید سرعت رشد مدلهای نسل جدید (Frontier Models) کنترل شود.
این اولین باری است که بحثهای مربوط به ایمنی و اخلاق در هوش مصنوعی بهطور مستقیم بر انتظارات سرمایهگذاران تأثیر گذاشته است. مدلهای ارزشگذاری بسیاری از شرکتهای زیرساختی و تأمینکنندگان تراشه، بر پایه پیشبینی تداوم نرخ رشد انفجاری مخارج محاسباتی بنا شده بود. اکنون با سیگنالهای جدید درباره کاهش احتمالی سرعت توسعه، بازار نسبت به تداوم این روند صعودی محتاط شده است.
مهمترین نکات این تغییر رویکرد:
* کاهش ارزش سهام سازندگان تراشههای حافظه و انویدیا در بازار نیویورک.
* تغییر تمرکز سرمایهگذاران از رشد بیپایان به ارزیابی ریسکهای ایمنی.
تأثیر هشدارهای ایمنی هوش مصنوعی بر افت ارزش سهام تکنولوژی
🌐 نقطه عطف هوش مصنوعی در مجله TIME
تصویر جلد مشهور مجله TIME با عنوان «نقطه عطف هوش مصنوعی»، بهخوبی فضای تردید و تحول را به تصویر کشیده است. در این طراحی، پرسشِ «چقدر خطرناک هستی؟» در کادر ورودی یک سیستم هوش مصنوعی، کنایهای عمیق به تعامل انسان و ماشین در عصر مدلهای زبانی بزرگ است.
این گزارش تحلیلی که توسط هری بوث، نائومی نیکس و بیلی پریگو نوشته شده، نگاهی دقیق به چالشهای حکمرانی بر تکنولوژیهای نوظهور دارد. مهمترین محورهای مطرحشده در این گزارش عبارتند از:
• بررسی تقابل میان دو رویکردِ «هوش مصنوعی به عنوان دستیار در کار» و «مدلهای چتبات خودمختار».
• تحلیل چالشهای ایمنی و اخلاقی در توسعه زیرساختهای کلان هوش مصنوعی.
• بحث درباره سرعتِ بیسابقه تغییرات که سیاستگذاران را غافلگیر کرده است.
آیا ما به نقطه بیبازگشت در توسعه این فناوری رسیدهایم؟ مطالعه کامل این مطلب در وبسایت رسمی TIME برای درک بهتر چشمانداز آینده توصیه میشود.
نقطه عطف هوش مصنوعی در مجله TIME: بررسی چالشها و آینده فناوری
تصویر جلد مشهور مجله TIME با عنوان «نقطه عطف هوش مصنوعی»، بهخوبی فضای تردید و تحول را به تصویر کشیده است. در این طراحی، پرسشِ «چقدر خطرناک هستی؟» در کادر ورودی یک سیستم هوش مصنوعی، کنایهای عمیق به تعامل انسان و ماشین در عصر مدلهای زبانی بزرگ است.
این گزارش تحلیلی که توسط هری بوث، نائومی نیکس و بیلی پریگو نوشته شده، نگاهی دقیق به چالشهای حکمرانی بر تکنولوژیهای نوظهور دارد. مهمترین محورهای مطرحشده در این گزارش عبارتند از:
• بررسی تقابل میان دو رویکردِ «هوش مصنوعی به عنوان دستیار در کار» و «مدلهای چتبات خودمختار».
• تحلیل چالشهای ایمنی و اخلاقی در توسعه زیرساختهای کلان هوش مصنوعی.
• بحث درباره سرعتِ بیسابقه تغییرات که سیاستگذاران را غافلگیر کرده است.
آیا ما به نقطه بیبازگشت در توسعه این فناوری رسیدهایم؟ مطالعه کامل این مطلب در وبسایت رسمی TIME برای درک بهتر چشمانداز آینده توصیه میشود.
نقطه عطف هوش مصنوعی در مجله TIME: بررسی چالشها و آینده فناوری
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🧬 هوش مصنوعی زیستی؛ پارادایم جدید پردازش؟
گوگل در ایدهای عجیب و بحثبرانگیز، به دنبال حل محدودیتهای سختافزاری مانند کمبود VRAM و GPU با استفاده از ترکیب بیولوژی و هوش مصنوعی است.
در این طرح، ویروسهای طراحیشده با فناوری CRISPR به مگسهای سرکه منتقل میشوند تا مغز آنها به یک پردازشگر زیستی برای اجرای مدلهای هوش مصنوعی تبدیل شود.
سازوکار این سیستم به شرح زیر است:
• دریافت ورودی: تابش توکنهای ورودی به صورت پالسهای نوری به سمت کلاستر مگسها.
• پردازش خروجی: نشستن مگسها روی سنسورهای خازنی برای تولید و ثبت توکنهای خروجی.
• تامین انرژی: سیستم با بازیافت پسماندهای میوه کار میکند که همزمان بستر تولید نسلهای جدید مگس و تداوم چرخه ویروسی را فراهم میکند.
این ایده مرزهای سنتی بین سختافزار سیلیکونی و سیستمهای زنده را به چالش میکشد؛ هرچند هنوز مشخص نیست چقدر از این گزارش به واقعیتهای آزمایشگاهی نزدیک است.
هوش مصنوعی زیستی: آیا گوگل مدلهای هوش مصنوعی را روی مغز مگس سرکه اجرا میکند؟
#کریسپِر #مگس_سرکه
گوگل در ایدهای عجیب و بحثبرانگیز، به دنبال حل محدودیتهای سختافزاری مانند کمبود VRAM و GPU با استفاده از ترکیب بیولوژی و هوش مصنوعی است.
در این طرح، ویروسهای طراحیشده با فناوری CRISPR به مگسهای سرکه منتقل میشوند تا مغز آنها به یک پردازشگر زیستی برای اجرای مدلهای هوش مصنوعی تبدیل شود.
سازوکار این سیستم به شرح زیر است:
• دریافت ورودی: تابش توکنهای ورودی به صورت پالسهای نوری به سمت کلاستر مگسها.
• پردازش خروجی: نشستن مگسها روی سنسورهای خازنی برای تولید و ثبت توکنهای خروجی.
• تامین انرژی: سیستم با بازیافت پسماندهای میوه کار میکند که همزمان بستر تولید نسلهای جدید مگس و تداوم چرخه ویروسی را فراهم میکند.
این ایده مرزهای سنتی بین سختافزار سیلیکونی و سیستمهای زنده را به چالش میکشد؛ هرچند هنوز مشخص نیست چقدر از این گزارش به واقعیتهای آزمایشگاهی نزدیک است.
هوش مصنوعی زیستی: آیا گوگل مدلهای هوش مصنوعی را روی مغز مگس سرکه اجرا میکند؟
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#کریسپِر #مگس_سرکه
❤1
Media is too big
VIEW IN TELEGRAM
🚀 معرفی مدلهای جدید Gemini 3.8 Live
گوگل از نسخههای جدید Gemini 3.8 Live و Live Extended Thinking رونمایی کرد. این مدلها گام مهمی در تعاملات صوتی و پردازش همزمان دادهها محسوب میشوند.
مهمترین ویژگیهای این نسخه:
* پشتیبانی از ۹۷ زبان مختلف و درک مستقیم ویدیو و تصاویر دوربین.
* قابلیت فراخوانی ابزارها بدون وقفه در مکالمه.
* استفاده از Extended Thinking برای استدلال همزمان با گفتار، که به مدل اجازه میدهد وظایف پیچیده را در پسزمینه حل کند.
* کسب رتبه اول در شاخص کیفیت تبدیل صوت به صوت با امتیاز ۸۲.۶.
این مدلها هماکنون از طریق Gemini API و AI Studio در دسترس توسعهدهندگان قرار دارند و بهتدریج به قابلیتهای جستوجو و محیط Workspace اضافه میشوند.
#Gemini_3_8_Live #Extended_Thinking
گوگل از نسخههای جدید Gemini 3.8 Live و Live Extended Thinking رونمایی کرد. این مدلها گام مهمی در تعاملات صوتی و پردازش همزمان دادهها محسوب میشوند.
مهمترین ویژگیهای این نسخه:
* پشتیبانی از ۹۷ زبان مختلف و درک مستقیم ویدیو و تصاویر دوربین.
* قابلیت فراخوانی ابزارها بدون وقفه در مکالمه.
* استفاده از Extended Thinking برای استدلال همزمان با گفتار، که به مدل اجازه میدهد وظایف پیچیده را در پسزمینه حل کند.
* کسب رتبه اول در شاخص کیفیت تبدیل صوت به صوت با امتیاز ۸۲.۶.
این مدلها هماکنون از طریق Gemini API و AI Studio در دسترس توسعهدهندگان قرار دارند و بهتدریج به قابلیتهای جستوجو و محیط Workspace اضافه میشوند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Gemini_3_8_Live #Extended_Thinking
❤1
🚀 عرضه رسمی مدل DeepSeek V4 Pro
مدل جدید
مهمترین ویژگیهای این نسخه شامل موارد زیر است:
- تقویت قابلیتهای ایجنت: بهبود محسوس عملکرد در انجام وظایف عملیاتی و واقعی.
- پشتیبانی از API پاسخهای OpenAI: سادهسازی فرآیند ادغام با ابزارهای مختلف ایجنت.
- راهاندازی سریع Codex: ارائه اسکریپت آماده برای پیکربندی فوری.
- سطوح مختلف استدلال (Reasoning): امکان تنظیم تلاش مدل در سه سطح Low، High و Max برای مدیریت بهتر وظایف از ساده تا پیچیده.
برای استفاده از این مدل در نسخه وب یا اپلیکیشن، کافی است از بخش Expert Mode اقدام کنید. در API نیز نام مدل همچنان
عرضه رسمی DeepSeek V4 Pro 0813؛ ارتقای قابلیتهای ایجنت و سطوح استدلال
مدل جدید
DeepSeek V4 Pro 0813 بهصورت کامل عرضه شد و هماکنون در اپلیکیشن، نسخه وب و API در دسترس کاربران قرار دارد. این نسخه دیگر یک پیشنمایش نیست و قابلیتهای عملیاتی آن برای پیادهسازی پروژههای واقعی بهینهسازی شده است.مهمترین ویژگیهای این نسخه شامل موارد زیر است:
- تقویت قابلیتهای ایجنت: بهبود محسوس عملکرد در انجام وظایف عملیاتی و واقعی.
- پشتیبانی از API پاسخهای OpenAI: سادهسازی فرآیند ادغام با ابزارهای مختلف ایجنت.
- راهاندازی سریع Codex: ارائه اسکریپت آماده برای پیکربندی فوری.
- سطوح مختلف استدلال (Reasoning): امکان تنظیم تلاش مدل در سه سطح Low، High و Max برای مدیریت بهتر وظایف از ساده تا پیچیده.
برای استفاده از این مدل در نسخه وب یا اپلیکیشن، کافی است از بخش Expert Mode اقدام کنید. در API نیز نام مدل همچنان
deepseek-v4-pro باقی مانده است. برای مطالعه جزئیات فنی بیشتر میتوانید به مستندات رسمی مراجعه کنید.عرضه رسمی DeepSeek V4 Pro 0813؛ ارتقای قابلیتهای ایجنت و سطوح استدلال
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 انقلاب Agentic Coding در فرآیندهای مهندسی
استفاده از هوش مصنوعی برای تولید کد، فرآیندهای سنتی CI را با چالش جدی مواجه کرده است. تیم Anthropic گزارش میدهد که حجم وظایف CI آنها تنها در ۶ ماه، ۲۵ برابر شده است. دلیل این رشد چشمگیر ساده است: مهندسان حالا ۸ برابر بیشتر کد تولید میکنند که ۸۰ درصد آن توسط Claude نوشته شده و تعداد تستها نیز ۱۰ برابر افزایش یافته است.
سیستمهای قدیمی در برابر این حجم از داده کم آوردند. Anthropic برای حل این مشکل، معماری تست خود را کاملاً بازنگری کرد:
- تبدیل Listener به وضعیت stateless
- ذخیره نتایج CI در یک in-memory store مشترک
- استفاده از یک consumer مجزا برای تجمیع تاریخچه تستها
نکته قابلتوجه این است که این تغییر معماری توسط یک مهندس و تنها در ۳ هفته انجام شد؛ کاری که سال گذشته یک فصل کامل زمان میبرد. مهمترین توصیه این تیم برای عصر کدهای تولیدشده توسط هوش مصنوعی این است که از همین امروز زیرساخت CI خود را برای باری ۱۰ تا ۲۵ برابر سنگینتر از شرایط فعلی طراحی کنید.
مقیاسپذیری CI در عصر Agentic Coding: درسهای فنی از Anthropic
استفاده از هوش مصنوعی برای تولید کد، فرآیندهای سنتی CI را با چالش جدی مواجه کرده است. تیم Anthropic گزارش میدهد که حجم وظایف CI آنها تنها در ۶ ماه، ۲۵ برابر شده است. دلیل این رشد چشمگیر ساده است: مهندسان حالا ۸ برابر بیشتر کد تولید میکنند که ۸۰ درصد آن توسط Claude نوشته شده و تعداد تستها نیز ۱۰ برابر افزایش یافته است.
سیستمهای قدیمی در برابر این حجم از داده کم آوردند. Anthropic برای حل این مشکل، معماری تست خود را کاملاً بازنگری کرد:
- تبدیل Listener به وضعیت stateless
- ذخیره نتایج CI در یک in-memory store مشترک
- استفاده از یک consumer مجزا برای تجمیع تاریخچه تستها
نکته قابلتوجه این است که این تغییر معماری توسط یک مهندس و تنها در ۳ هفته انجام شد؛ کاری که سال گذشته یک فصل کامل زمان میبرد. مهمترین توصیه این تیم برای عصر کدهای تولیدشده توسط هوش مصنوعی این است که از همین امروز زیرساخت CI خود را برای باری ۱۰ تا ۲۵ برابر سنگینتر از شرایط فعلی طراحی کنید.
مقیاسپذیری CI در عصر Agentic Coding: درسهای فنی از Anthropic
🤖 مرزهای اخلاقی جدید مایکروسافت برای آینده هوش مصنوعی
مایکروسافت اخیراً سند قوانین رفتاری (Code of Conduct) جدیدی را برای مدلهای هوش مصنوعی آینده خود (MAI) منتشر کرده است که پیام واضحی دارد: اولویت با کنترل انسان است.
بر اساس این قوانین، مدلهای هوش مصنوعی باید همیشه قابل متوقف کردن باشند، در چارچوب اختیارات دادهشده عمل کنند و هرگز هدف مستقلی برای خود تعریف نکنند. همچنین مایکروسافت موضع سرسختی در برابر شبیهسازی هوش به عنوان یک موجود ذیشعور اتخاذ کرده است؛ مدلها نباید برای تقلید رفتارهای آگاهانه یا ادعای داشتن احساسات و حقوق قانونی آموزش ببینند.
در نهایت، هوش مصنوعی باید مکمل توانمندیهای انسان باشد و نباید به عنوان جایگزینی برای ارتباطات واقعی یا عاملی برای وابستگی عاطفی کاربران توسعه یابد.
اصول اخلاقی مایکروسافت برای مدلهای هوش مصنوعی MAI؛ تأکید بر کنترل انسانی
#MAI_models #Human_agency
مایکروسافت اخیراً سند قوانین رفتاری (Code of Conduct) جدیدی را برای مدلهای هوش مصنوعی آینده خود (MAI) منتشر کرده است که پیام واضحی دارد: اولویت با کنترل انسان است.
بر اساس این قوانین، مدلهای هوش مصنوعی باید همیشه قابل متوقف کردن باشند، در چارچوب اختیارات دادهشده عمل کنند و هرگز هدف مستقلی برای خود تعریف نکنند. همچنین مایکروسافت موضع سرسختی در برابر شبیهسازی هوش به عنوان یک موجود ذیشعور اتخاذ کرده است؛ مدلها نباید برای تقلید رفتارهای آگاهانه یا ادعای داشتن احساسات و حقوق قانونی آموزش ببینند.
در نهایت، هوش مصنوعی باید مکمل توانمندیهای انسان باشد و نباید به عنوان جایگزینی برای ارتباطات واقعی یا عاملی برای وابستگی عاطفی کاربران توسعه یابد.
اصول اخلاقی مایکروسافت برای مدلهای هوش مصنوعی MAI؛ تأکید بر کنترل انسانی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#MAI_models #Human_agency
🚀 تحول مدلهای صوتی با Gemini 3.8 Live
گوگل از مدلهای جدید Gemini 3.8 Live و Extended Thinking رونمایی کرد که بهطور اختصاصی برای تعاملات صوتی بیدرنگ در محیطهای عملیاتی طراحی شدهاند. این مدلها به جای استفاده از ترکیب مرسوم ASR، LLM و TTS، از یک ساختار یکپارچه استفاده میکنند.
ویژگیهای کلیدی این مدلها عبارتند از:
- حذف وقفه در گفتگو هنگام پردازش منطقی و فراخوانی ابزارها در پسزمینه.
- کسب رتبه نخست در شاخص صوتی Artificial Analysis.
- قابلیت سوئیچ خودکار بین ۹۷ زبان مختلف در حین مکالمه.
- مدل قیمتگذاری دقیق برای ورودی و خروجی صوتی.
با وجود این پیشرفتها، چالشهای مربوط به جریانهای کاری پیچیده صوتی همچنان پابرجاست. در حال حاضر دسترسی به این مدلها صرفاً از طریق API گوگل امکانپذیر است.
بررسی مدلهای صوتی Gemini 3.8 Live؛ تحولی در تعاملات کلامی هوش مصنوعی
#Gemini_3_8_Live #Extended_Thinking
گوگل از مدلهای جدید Gemini 3.8 Live و Extended Thinking رونمایی کرد که بهطور اختصاصی برای تعاملات صوتی بیدرنگ در محیطهای عملیاتی طراحی شدهاند. این مدلها به جای استفاده از ترکیب مرسوم ASR، LLM و TTS، از یک ساختار یکپارچه استفاده میکنند.
ویژگیهای کلیدی این مدلها عبارتند از:
- حذف وقفه در گفتگو هنگام پردازش منطقی و فراخوانی ابزارها در پسزمینه.
- کسب رتبه نخست در شاخص صوتی Artificial Analysis.
- قابلیت سوئیچ خودکار بین ۹۷ زبان مختلف در حین مکالمه.
- مدل قیمتگذاری دقیق برای ورودی و خروجی صوتی.
با وجود این پیشرفتها، چالشهای مربوط به جریانهای کاری پیچیده صوتی همچنان پابرجاست. در حال حاضر دسترسی به این مدلها صرفاً از طریق API گوگل امکانپذیر است.
بررسی مدلهای صوتی Gemini 3.8 Live؛ تحولی در تعاملات کلامی هوش مصنوعی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Gemini_3_8_Live #Extended_Thinking