🚀 معرفی مدل قدرتمند Step 5 Preview
شرکت StepFun بهتازگی از مدل پرچمدار جدید خود با نام
از ویژگیهای فنی کلیدی این مدل میتوان به موارد زیر اشاره کرد:
• بهرهگیری از ۶۰۰ میلیارد پارامتر (۲۷ میلیارد پارامتر فعال)
• پشتیبانی از پنجره متنی ۱ میلیون توکن
• قابلیتهای چندوجهی (Multimodal) پیشرفته
طبق اعلام تیم توسعهدهنده، این مدل قادر است وظایف خودمختار را تا ۲۴ ساعت بهصورت مستمر اجرا کرده و در حوزههای تخصصی نظیر کدنویسی، بهینهسازی هستههای GPU و تحلیلهای دقیق مالی فعالیت کند.
شما میتوانید هماکنون عملکرد این مدل را در پلتفرم StepFun آزمایش کنید. همچنین طبق زمانبندی اعلامشده، وزنهای این مدل در تاریخ ۱۵ اکتبر بهصورت عمومی منتشر خواهند شد.
معرفی مدل Step 5 Preview؛ پرچمدار جدید StepFun با معماری MoE
#Step_5_Preview #MoE
شرکت StepFun بهتازگی از مدل پرچمدار جدید خود با نام
Step 5 Preview رونمایی کرد. این مدل که بر پایه معماری MoE ساخته شده، با هدف انجام وظایف طولانیمدت عاملی، توسعه نرمافزار و تحلیلهای پیچیده داده طراحی شده است.از ویژگیهای فنی کلیدی این مدل میتوان به موارد زیر اشاره کرد:
• بهرهگیری از ۶۰۰ میلیارد پارامتر (۲۷ میلیارد پارامتر فعال)
• پشتیبانی از پنجره متنی ۱ میلیون توکن
• قابلیتهای چندوجهی (Multimodal) پیشرفته
طبق اعلام تیم توسعهدهنده، این مدل قادر است وظایف خودمختار را تا ۲۴ ساعت بهصورت مستمر اجرا کرده و در حوزههای تخصصی نظیر کدنویسی، بهینهسازی هستههای GPU و تحلیلهای دقیق مالی فعالیت کند.
شما میتوانید هماکنون عملکرد این مدل را در پلتفرم StepFun آزمایش کنید. همچنین طبق زمانبندی اعلامشده، وزنهای این مدل در تاریخ ۱۵ اکتبر بهصورت عمومی منتشر خواهند شد.
معرفی مدل Step 5 Preview؛ پرچمدار جدید StepFun با معماری MoE
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Step_5_Preview #MoE
❤1
📊 تحلیل عملکرد مدلهای کدنویس از نگاه کاربران
در دنیای هوش مصنوعی، علاوه بر بنچمارکهای استاندارد، «بازخورد کاربران» به یکی از شاخصهای کلیدی برای درک کیفیت واقعی Agentها تبدیل شده است. تیم Arena.ai با تحلیل بیش از ۲۰ هزار گزارش از عملکرد مدلهای مختلف، نتایج کاربردی و جالبی استخراج کرده است.
مهمترین یافتههای این تحقیق:
- مدلهای پیشرو (Frontier Models) به شکل معناداری بازخوردهای مثبت بیشتری دریافت میکنند و این بهبود کیفیت در نسخههای جدیدتر کاملاً مشهود است.
- «کد ناقص یا خراب» اصلیترین دلیل نارضایتی کاربران است که نزدیک به ۷۰ درصد از بازخوردهای منفی را شامل میشود.
- ضعف در تکمیل خروجیها، چالشهای مربوط به استفادهپذیری و نادیده گرفتن دستورالعملهای ارسالی از دیگر مشکلات رایج در مدلهاست.
- اگرچه اکثر مدلها نقاط ضعف مشترکی دارند، اما سطح پایداری و میزان «کد بیدقت» (slop) در هر مدل متفاوت است که این موضوع انتخاب بهترین ابزار برای سناریوهای خاص را حساستر میکند.
تحلیل دقیق عملکرد مدلهای کدنویس بر اساس بازخورد واقعی کاربران در Agent Arena
📊 Data➕Science
در دنیای هوش مصنوعی، علاوه بر بنچمارکهای استاندارد، «بازخورد کاربران» به یکی از شاخصهای کلیدی برای درک کیفیت واقعی Agentها تبدیل شده است. تیم Arena.ai با تحلیل بیش از ۲۰ هزار گزارش از عملکرد مدلهای مختلف، نتایج کاربردی و جالبی استخراج کرده است.
مهمترین یافتههای این تحقیق:
- مدلهای پیشرو (Frontier Models) به شکل معناداری بازخوردهای مثبت بیشتری دریافت میکنند و این بهبود کیفیت در نسخههای جدیدتر کاملاً مشهود است.
- «کد ناقص یا خراب» اصلیترین دلیل نارضایتی کاربران است که نزدیک به ۷۰ درصد از بازخوردهای منفی را شامل میشود.
- ضعف در تکمیل خروجیها، چالشهای مربوط به استفادهپذیری و نادیده گرفتن دستورالعملهای ارسالی از دیگر مشکلات رایج در مدلهاست.
- اگرچه اکثر مدلها نقاط ضعف مشترکی دارند، اما سطح پایداری و میزان «کد بیدقت» (slop) در هر مدل متفاوت است که این موضوع انتخاب بهترین ابزار برای سناریوهای خاص را حساستر میکند.
تحلیل دقیق عملکرد مدلهای کدنویس بر اساس بازخورد واقعی کاربران در Agent Arena
📊 Data➕Science
🩺 هوش مصنوعی در پزشکی: واقعیت یا همبستگی؟
نمودارهای اخیر نشان میدهند که مراکز درمانی با استفاده گسترده از هوش مصنوعی، نرخ مرگومیر کمتری را تجربه کردهاند. با این حال، نباید به سادگی بین این دو رابطه علت و معلولی برقرار کرد.
مراکز مجهزتر معمولاً بودجه بیشتری دارند، از کادر درمان متخصصتری برخوردارند و زیرساختهای مدرنتری فراهم کردهاند. این عوامل بهتنهایی میتوانند نتایج درمانی را بهبود بخشند. برای درک اثر واقعی AI، باید متغیرهایی مانند سن بیمار، نوع بیماری و شدت وضعیت سلامت را نیز در محاسبات لحاظ کرد.
با این حال، بزرگترین خدمت هوش مصنوعی در کوتاهمدت احتمالاً کاهش بار اداری است. مهمترین کاربردهای فعلی شامل موارد زیر است:
* ثبت دقیق اطلاعات بیمار و پر کردن فرمهای طولانی
* ساختارمند کردن تاریخچه پزشکی (Electronic Health Records)
* آمادهسازی پیشنویس خروجی و گزارشهای ترخیص
* بررسی خودکار دادههای آزمایشگاهی برای کاهش خطای انسانی
هوش مصنوعی در پزشکی: تحلیل دادهمحور رابطه تکنولوژی و کاهش نرخ مرگومیر
نمودارهای اخیر نشان میدهند که مراکز درمانی با استفاده گسترده از هوش مصنوعی، نرخ مرگومیر کمتری را تجربه کردهاند. با این حال، نباید به سادگی بین این دو رابطه علت و معلولی برقرار کرد.
مراکز مجهزتر معمولاً بودجه بیشتری دارند، از کادر درمان متخصصتری برخوردارند و زیرساختهای مدرنتری فراهم کردهاند. این عوامل بهتنهایی میتوانند نتایج درمانی را بهبود بخشند. برای درک اثر واقعی AI، باید متغیرهایی مانند سن بیمار، نوع بیماری و شدت وضعیت سلامت را نیز در محاسبات لحاظ کرد.
با این حال، بزرگترین خدمت هوش مصنوعی در کوتاهمدت احتمالاً کاهش بار اداری است. مهمترین کاربردهای فعلی شامل موارد زیر است:
* ثبت دقیق اطلاعات بیمار و پر کردن فرمهای طولانی
* ساختارمند کردن تاریخچه پزشکی (Electronic Health Records)
* آمادهسازی پیشنویس خروجی و گزارشهای ترخیص
* بررسی خودکار دادههای آزمایشگاهی برای کاهش خطای انسانی
هوش مصنوعی در پزشکی: تحلیل دادهمحور رابطه تکنولوژی و کاهش نرخ مرگومیر
🚀 عرضه Grok 4.7 و تحلیل بنچمارک مدلهای هوش مصنوعی
مدل
بر اساس جدیدترین تحلیلها در
* مدل
* مدل
* عملکرد
* مدل
بررسی فنی مدل Grok 4.7 و تحلیل رقابتی در بنچمارک CursorBench 4.0
مدل
Grok 4.7 به تازگی منتشر شد و با وجود حفظ قیمت و سرعت پیشین، شاهد بهبود عملکرد قابل توجهی در پردازشها هستیم. برخلاف گمانهزنیهای اولیه مبنی بر استفاده از یک مدل ۲.۱ تریلیون پارامتری، این نسخه با بهینهسازیهای جدید عرضه شده است. همچنین گزارشها حاکی از آن است که روند آموزش Grok 4.8 با ۲.۵ تریلیون پارامتر به پایان رسیده و این مدل در حال حاضر در مرحله آموزش تقویتی (RL) قرار دارد.بر اساس جدیدترین تحلیلها در
CursorBench 4.0، رقابت مدلهای هوش مصنوعی بر سر بهرهوری هزینه و دقت به اوج رسیده است. مهمترین یافتههای این ارزیابی عبارتند از:* مدل
Fable 5.1 با کسب امتیاز ۵۱٪ در بالاترین رده عملکردی قرار دارد.* مدل
Opus 5 با رویکردی متعادل، امتیاز ۴۵.۵٪ را در بهینهترین هزینه به دست آورده است.* عملکرد
Grok 4.7 در سطوح قیمتی میانی، رقابت نزدیکی با سایر مدلهای مطرح بازار دارد.* مدل
Sonnet 5 و GPT-5.6 Sol نیز با استراتژیهای متفاوت در جایگاههای بعدی بنچمارک قرار گرفتهاند.بررسی فنی مدل Grok 4.7 و تحلیل رقابتی در بنچمارک CursorBench 4.0
هوش مصنوعی و علم داده به فارسی
🚀 عرضه Grok 4.7 و تحلیل بنچمارک مدلهای هوش مصنوعی مدل Grok 4.7 به تازگی منتشر شد و با وجود حفظ قیمت و سرعت پیشین، شاهد بهبود عملکرد قابل توجهی در پردازشها هستیم. برخلاف گمانهزنیهای اولیه مبنی بر استفاده از یک مدل ۲.۱ تریلیون پارامتری، این نسخه با بهینهسازیهای…
🚀 ظهور Grok 4.7 در صدر مدلهای ایجنتیک
مدل جدید Grok 4.7 با جهشی قابلتوجه در بنچمارکهای هوش مصنوعی، جایگاه خود را به عنوان یکی از پیشروترین مدلها در حوزه کارهای دانشمحور ایجنتیک تثبیت کرد. طبق بررسیهای Artificial Analysis، این نسخه با کسب امتیازات بالا در پردازشهای پیچیده، اکنون در کنار مدلهای قدرتمندی مثل Claude Opus 5 قرار گرفته است.
مهمترین نکات درباره این بهروزرسانی:
➤ جهش در توانمندیهای ایجنتیک: مدل جدید با کسب ۱۶۵۷ امتیاز Elo در بنچمارک AA-Briefcase، عملکردی خیرهکننده در کارهای دانشمحور طولانیمدت از خود نشان داده است.
➤ تحول در برنامهنویسی ایجنتیک: ترکیب Grok 4.7 با ابزار Grok Build توانسته به امتیاز ۵۶ در Coding Agent Index دست یابد و در جمع ۴ مدل برتر دنیا در حوزه کدنویسی جای بگیرد.
➤ افزایش مصرف توکن: بهبود عملکرد این مدل با افزایش قابلتوجه مصرف توکن همراه بوده است؛ بهطوری که برای هر تسک بهطور میانگین ۸۱ هزار توکن خروجی مصرف میکند که بیش از دو برابر نسل قبلی است.
بررسی عمیق Grok 4.7: جهش در هوش مصنوعی ایجنتیک و کدنویسی
📊 Data➕Science
مدل جدید Grok 4.7 با جهشی قابلتوجه در بنچمارکهای هوش مصنوعی، جایگاه خود را به عنوان یکی از پیشروترین مدلها در حوزه کارهای دانشمحور ایجنتیک تثبیت کرد. طبق بررسیهای Artificial Analysis، این نسخه با کسب امتیازات بالا در پردازشهای پیچیده، اکنون در کنار مدلهای قدرتمندی مثل Claude Opus 5 قرار گرفته است.
مهمترین نکات درباره این بهروزرسانی:
➤ جهش در توانمندیهای ایجنتیک: مدل جدید با کسب ۱۶۵۷ امتیاز Elo در بنچمارک AA-Briefcase، عملکردی خیرهکننده در کارهای دانشمحور طولانیمدت از خود نشان داده است.
➤ تحول در برنامهنویسی ایجنتیک: ترکیب Grok 4.7 با ابزار Grok Build توانسته به امتیاز ۵۶ در Coding Agent Index دست یابد و در جمع ۴ مدل برتر دنیا در حوزه کدنویسی جای بگیرد.
➤ افزایش مصرف توکن: بهبود عملکرد این مدل با افزایش قابلتوجه مصرف توکن همراه بوده است؛ بهطوری که برای هر تسک بهطور میانگین ۸۱ هزار توکن خروجی مصرف میکند که بیش از دو برابر نسل قبلی است.
بررسی عمیق Grok 4.7: جهش در هوش مصنوعی ایجنتیک و کدنویسی
📊 Data➕Science
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 جهش در عملکرد با رویکرد Hybrid در هوش مصنوعی
اخیراً هریسون کینسلی (Sentdex) در تجربهای جالب، تفاوت عملکرد مدل زبانی GLM 5.3 Flash را به تنهایی در برابر ترکیب آن با ابزار Jev در بازی استراتژیک Halite 2 بررسی کرده است. نتایج این رویکرد ترکیبی نشان میدهد که چگونه میتوان با ترکیب قدرت استدلالی مدلهای بزرگ و ابزارهای تخصصی، به خروجیهای بهینهتری رسید.
در این مدل ترکیبی:
- مدل GLM 5.3 Flash وظیفه تصمیمگیریهای کلان استراتژیک مانند انتخاب سیارات و زمانبندی بازنگری در برنامهها را بر عهده دارد.
- ابزار Jev مسئولیت اجرای عملیات جزئی و هدایت تکتک کشتیها را انجام میدهد.
مهمترین نتایج این آزمایش عبارتند از:
- افزایش ۱۳ برابری سرعت اجرا در مقایسه با مدل خالص.
- کاهش ۴۴ درصدی هزینههای پردازشی API.
- بهبود جزئی در نرخ پیروزی و عملکرد نهایی در بازی.
این آزمایش نشان میدهد که چگونه اضافه کردن ابزارهای تخصصی به عنوان مکمل در کنار LLMها، نه تنها هزینهها و زمان اجرا را کاهش میدهد، بلکه دقت سیستم در محیطهای عملیاتی را به شدت بالا میبرد.
📊 Data➕Science
اخیراً هریسون کینسلی (Sentdex) در تجربهای جالب، تفاوت عملکرد مدل زبانی GLM 5.3 Flash را به تنهایی در برابر ترکیب آن با ابزار Jev در بازی استراتژیک Halite 2 بررسی کرده است. نتایج این رویکرد ترکیبی نشان میدهد که چگونه میتوان با ترکیب قدرت استدلالی مدلهای بزرگ و ابزارهای تخصصی، به خروجیهای بهینهتری رسید.
در این مدل ترکیبی:
- مدل GLM 5.3 Flash وظیفه تصمیمگیریهای کلان استراتژیک مانند انتخاب سیارات و زمانبندی بازنگری در برنامهها را بر عهده دارد.
- ابزار Jev مسئولیت اجرای عملیات جزئی و هدایت تکتک کشتیها را انجام میدهد.
مهمترین نتایج این آزمایش عبارتند از:
- افزایش ۱۳ برابری سرعت اجرا در مقایسه با مدل خالص.
- کاهش ۴۴ درصدی هزینههای پردازشی API.
- بهبود جزئی در نرخ پیروزی و عملکرد نهایی در بازی.
این آزمایش نشان میدهد که چگونه اضافه کردن ابزارهای تخصصی به عنوان مکمل در کنار LLMها، نه تنها هزینهها و زمان اجرا را کاهش میدهد، بلکه دقت سیستم در محیطهای عملیاتی را به شدت بالا میبرد.
📊 Data➕Science
⚡️ جهش بزرگ OpenAI در حل مسائل پیچیده ریاضی
شرکت OpenAI اعلام کرد که مدل داخلی جدید آنها تنها در ۲۴ روز توانسته است بیش از ۱۰۰ مسئله باز و قدیمی را در حوزههای مختلف ریاضیات حل کند. این سرعت خیرهکننده، حتی تیمهای داخلی را نیز شگفتزده کرده است.
از مهمترین دستاوردهای این مدل میتوان به حل مسئله Navier-Stokes Millennium Prize اشاره کرد. برای بررسی دقیق و اعتبارسنجی این نتایج، یک گروه مشاوره مستقل تشکیل شده است که شامل برجستهترین ریاضیدانان جهان است:
- ادوارد ویتن (Edward Witten)
- تیموتی گاورز (Timothy Gowers)
- مارتین هایرر (Martin Hairer)
- راوی واکیل (Ravi Vakil)
- ملانی میچت وود (Melanie Matchett Wood)
این متخصصان به صورت داوطلبانه و مستقل بر روند فعالیتها نظارت میکنند. در حال حاضر بسیاری از این راهکارها هنوز برای بررسی دقیق توسط جامعه علمی منتشر نشدهاند. جزئیات بیشتر این همکاری را میتوانید در وبسایت رسمی OpenAI مطالعه کنید.
جهش خیرهکننده OpenAI در حل مسائل پیچیده ریاضی با مدل داخلی جدید
#Navier_Stokes #OpenAI
شرکت OpenAI اعلام کرد که مدل داخلی جدید آنها تنها در ۲۴ روز توانسته است بیش از ۱۰۰ مسئله باز و قدیمی را در حوزههای مختلف ریاضیات حل کند. این سرعت خیرهکننده، حتی تیمهای داخلی را نیز شگفتزده کرده است.
از مهمترین دستاوردهای این مدل میتوان به حل مسئله Navier-Stokes Millennium Prize اشاره کرد. برای بررسی دقیق و اعتبارسنجی این نتایج، یک گروه مشاوره مستقل تشکیل شده است که شامل برجستهترین ریاضیدانان جهان است:
- ادوارد ویتن (Edward Witten)
- تیموتی گاورز (Timothy Gowers)
- مارتین هایرر (Martin Hairer)
- راوی واکیل (Ravi Vakil)
- ملانی میچت وود (Melanie Matchett Wood)
این متخصصان به صورت داوطلبانه و مستقل بر روند فعالیتها نظارت میکنند. در حال حاضر بسیاری از این راهکارها هنوز برای بررسی دقیق توسط جامعه علمی منتشر نشدهاند. جزئیات بیشتر این همکاری را میتوانید در وبسایت رسمی OpenAI مطالعه کنید.
جهش خیرهکننده OpenAI در حل مسائل پیچیده ریاضی با مدل داخلی جدید
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Navier_Stokes #OpenAI
❤1
🚀 معرفی مدلهای جدید هوش مصنوعی شیائومی: MiMo-V2.6
شیائومی بهتازگی خانواده مدلهای
* مدل Flash: دارای ۳۰۹ میلیارد پارامتر (۱۵ میلیارد فعال) که برای اجرا به ۱۷۷.۸ گیگابایت حافظه در فرمت FP8 نیاز دارد.
* مدل Pro: یک مدل عظیم با ۱.۰۲ تریلیون پارامتر (۴۲ میلیارد فعال) و ۵۷۳.۵ گیگابایت حافظه مورد نیاز در فرمت FP8.
با استفاده از تکنیک کوانتایزاسیون
برای بررسی فنی و دسترسی به نسخه تقطیر شده، میتوانید به مخزن رسمی در HuggingFace مراجعه کنید.
معرفی مدلهای هوش مصنوعی چندوجهی شیائومی MiMo-V2.6: قدرت و کارایی بیسابقه
شیائومی بهتازگی خانواده مدلهای
MiMo-V2.6 را با وزنهای باز معرفی کرده است. این سری شامل دو مدل پیشرفته از نوع MoE است که قابلیت پردازش همزمان متن، تصویر، ویدیو و صدا را دارند و از پنجره متنی تا ۱ میلیون توکن پشتیبانی میکنند:* مدل Flash: دارای ۳۰۹ میلیارد پارامتر (۱۵ میلیارد فعال) که برای اجرا به ۱۷۷.۸ گیگابایت حافظه در فرمت FP8 نیاز دارد.
* مدل Pro: یک مدل عظیم با ۱.۰۲ تریلیون پارامتر (۴۲ میلیارد فعال) و ۵۷۳.۵ گیگابایت حافظه مورد نیاز در فرمت FP8.
با استفاده از تکنیک کوانتایزاسیون
NVFP4، میتوان نیازهای حافظه این مدلها را تقریباً به نصف کاهش داد. همچنین نسخه تقطیر شده این خانواده بر پایه مدل Qwen 9B منتشر شده است که در بنچمارکهای مختلف، بهویژه در حوزههای کدنویسی و امنیت سایبری، عملکرد بهتری نسبت به نسخه پایه Qwen 3.5 نشان میدهد.برای بررسی فنی و دسترسی به نسخه تقطیر شده، میتوانید به مخزن رسمی در HuggingFace مراجعه کنید.
معرفی مدلهای هوش مصنوعی چندوجهی شیائومی MiMo-V2.6: قدرت و کارایی بیسابقه
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #121 | 📌 8 آیتم گزارش | 🧾 از 16 پست بررسیشده
🕐 دوشنبه 1405/06/30 ساعت 14:00 تا سهشنبه 1405/06/31 ساعت 14:00
🔎 تحلیل کوتاه
🔬 هوش مصنوعی در مرزهای علم
⚙️ مدلها و زیرساختهای نوین
🗂 گزارش #121 | 📌 8 آیتم گزارش | 🧾 از 16 پست بررسیشده
🕐 دوشنبه 1405/06/30 ساعت 14:00 تا سهشنبه 1405/06/31 ساعت 14:00
🔎 تحلیل کوتاه
تحولات اخیر نشاندهنده تغییر پارادایمی در توانمندی مدلها برای حل مسائل پیچیده ریاضی و پیشبرد تحقیقات علمی است. در کنار این نفوذ به حوزههای انتزاعی، تمرکز توسعهدهندگان بر استفاده از رویکرد Hybrid با ترکیب ایجنتهای تخصصی و مدلهای زبانی کلان برای بهینهسازی عملکرد و کاهش مصرف توکن معطوف شده است.
🔬 هوش مصنوعی در مرزهای علم
هوش مصنوعی و پایان عصر ریاضیات
سدریک ویلانی نسبت به توانایی مدلهای OpenAI در حل مسائل پیچیده ریاضی ابراز نگرانی کرد. هوش مصنوعی و پایان عصر ریاضیات
🔗 مشاهده پست
حل مسائل هزاره توسط هوش مصنوعی
مدل جدید OpenAI طی ۲۴ روز موفق به حل بیش از ۱۰۰ مسئله باز ریاضی از جمله Navier-Stokes شد. حل مسائل هزاره توسط هوش مصنوعی
🔗 مشاهده پست
واقعیتسنجی هوش مصنوعی در پزشکی
کاهش مرگومیر در مراکز مجهز را نباید لزوماً به هوش مصنوعی نسبت داد و متغیرهای دیگر دخیلاند. واقعیتسنجی هوش مصنوعی در پزشکی
🔗 مشاهده پست
⚙️ مدلها و زیرساختهای نوین
معرفی مدل Step 5 Preview
مدل جدید بر پایه معماری MoE با ۱ میلیون توکن کانتکست برای وظایف خودمختار طولانیمدت. معرفی مدل Step 5 Preview
🔗 مشاهده پست
خانواده مدلهای MiMo-V2.6 شیائومی
مدلهای MoE چندوجهی با وزنهای باز و پشتیبانی از پنجره متنی ۱ میلیون توکن. خانواده مدلهای MiMo-V2.6 شیائومی
🔗 مشاهده پست
مدل Qwen-Image-2.1 برای تولید تصویر
نسل جدید هوش مصنوعی علیبابا با قابلیت پشتیبانی بومی از شفافیت تصویر (RGBA).
🔗 مطالعه کامل در سایت
تنش در توسعه هوش مصنوعی مدل Fable
گزارش Politico از تقابل Anthropic با دولت آمریکا بر سر آسیبپذیریهای مدل Fable.
🔗 جزئیات کامل در سایت
همکاری Universal Music و ElevenLabs
توافق برای تولید موسیقی هوش مصنوعی با استفاده از صداهای دارای مجوز رسمی.
🔗 جزئیات کامل در سایت
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 خیز بزرگ علیبابا در دنیای هوش مصنوعی
شرکت علیبابا از برنامههای توسعهای جسورانهای برای آینده مدلهای زبانی خود رونمایی کرد. طبق گزارش رویترز، این شرکت در حال آموزش مدل Qwen 4 است و قصد دارد نسلهای بعدی یعنی Qwen 4.5 و Qwen 5 را تا مقیاس ۱۰ تریلیون پارامتر توسعه دهد.
مهمترین نکات این نقشه راه عبارتند از:
• تمرکز بر خوداصلاحی بازگشتی: مدلها نقاط ضعف خود را شناسایی کرده، آزمایش طراحی میکنند و دادههای لازم برای آموزش نسل بعدی خود را تولید میکنند.
• استفاده از زیرساخت قدرتمند
• برنامهریزی برای ایجاد کلاسترهای عظیم روی پردازندههای جدید
ادی وو، مدیرعامل علیبابا، پیشبینی میکند که با این مقیاسپذیری، توان محاسباتی و قدرت «تفکر» ماشینها در آینده میتواند تا ۱۰۰۰ برابر از هوش انسانی پیشی بگیرد.
نقشه راه جاهطلبانه علیبابا: توسعه مدلهای Qwen تا ۱۰ تریلیون پارامتر و زیرساختهای نوین
📊 Data➕Science
شرکت علیبابا از برنامههای توسعهای جسورانهای برای آینده مدلهای زبانی خود رونمایی کرد. طبق گزارش رویترز، این شرکت در حال آموزش مدل Qwen 4 است و قصد دارد نسلهای بعدی یعنی Qwen 4.5 و Qwen 5 را تا مقیاس ۱۰ تریلیون پارامتر توسعه دهد.
مهمترین نکات این نقشه راه عبارتند از:
• تمرکز بر خوداصلاحی بازگشتی: مدلها نقاط ضعف خود را شناسایی کرده، آزمایش طراحی میکنند و دادههای لازم برای آموزش نسل بعدی خود را تولید میکنند.
• استفاده از زیرساخت قدرتمند
M890 برای استنتاج مدلهای بالای ۲ تریلیون پارامتر که در حال حاضر تنها در اختیار تعداد محدودی از شرکتهای پیشرو جهان است.• برنامهریزی برای ایجاد کلاسترهای عظیم روی پردازندههای جدید
V900 با قابلیت اتصال ۵۰۰ هزار شتابدهنده به یکدیگر.ادی وو، مدیرعامل علیبابا، پیشبینی میکند که با این مقیاسپذیری، توان محاسباتی و قدرت «تفکر» ماشینها در آینده میتواند تا ۱۰۰۰ برابر از هوش انسانی پیشی بگیرد.
نقشه راه جاهطلبانه علیبابا: توسعه مدلهای Qwen تا ۱۰ تریلیون پارامتر و زیرساختهای نوین
📊 Data➕Science
@DataPlusScience_linkedin_7508068813310025728_01.pdf
1.6 MB
گزارش وضعیت جهانی نفوذ هوش مصنوعی در ۲۰۲۶
بر اساس جدیدترین تحلیل مؤسسه اقتصاد هوش مصنوعی مایکروسافت، نرخ استفاده از هوش مصنوعی مولد در میان جمعیت فعال جهان در سه ماهه دوم سال ۲۰۲۶ به ۱۸.۸ درصد رسیده است. این گزارش نشاندهنده رشد مستمر در اکثر اقتصادهای جهان است، هرچند شکاف دیجیتالی میان شمال و جنوب جهانی همچنان رو به افزایش است.
مهمترین نکات این گزارش:
* امارات (۷۳.۳٪) و سنگاپور (۶۴.۳٪) همچنان پیشتاز استفاده جهانی هستند.
* مدلهای متنباز (Open-weight) با سرعتی چشمگیر در حال نزدیک شدن به توانمندی مدلهای انحصاری (Closed-weight) هستند.
* در جنوب جهانی، کاربرد هوش مصنوعی بیش از هر چیز بر «یادگیری خودآموز» و «پشتیبانی تحصیلی» متمرکز است.
* استراتژی سازمانها از استفاده مطلق از مدلهای پرهزینه به سمت «تطبیق هوشمند مدل با نوع تسک» تغییر یافته است.
برای مطالعه جزئیات فنی و متدولوژی اندازهگیری این شاخصها، میتوانید مقاله علمی مربوطه را مطالعه کرده یا از مجموعه دادههای کامل این گزارش در گیتهاب استفاده کنید.
گزارش جامع وضعیت جهانی AI Diffusion: روندهای دقیق سهماهه دوم ۲۰۲۶
📊 Data➕Science
بر اساس جدیدترین تحلیل مؤسسه اقتصاد هوش مصنوعی مایکروسافت، نرخ استفاده از هوش مصنوعی مولد در میان جمعیت فعال جهان در سه ماهه دوم سال ۲۰۲۶ به ۱۸.۸ درصد رسیده است. این گزارش نشاندهنده رشد مستمر در اکثر اقتصادهای جهان است، هرچند شکاف دیجیتالی میان شمال و جنوب جهانی همچنان رو به افزایش است.
مهمترین نکات این گزارش:
* امارات (۷۳.۳٪) و سنگاپور (۶۴.۳٪) همچنان پیشتاز استفاده جهانی هستند.
* مدلهای متنباز (Open-weight) با سرعتی چشمگیر در حال نزدیک شدن به توانمندی مدلهای انحصاری (Closed-weight) هستند.
* در جنوب جهانی، کاربرد هوش مصنوعی بیش از هر چیز بر «یادگیری خودآموز» و «پشتیبانی تحصیلی» متمرکز است.
* استراتژی سازمانها از استفاده مطلق از مدلهای پرهزینه به سمت «تطبیق هوشمند مدل با نوع تسک» تغییر یافته است.
برای مطالعه جزئیات فنی و متدولوژی اندازهگیری این شاخصها، میتوانید مقاله علمی مربوطه را مطالعه کرده یا از مجموعه دادههای کامل این گزارش در گیتهاب استفاده کنید.
گزارش جامع وضعیت جهانی AI Diffusion: روندهای دقیق سهماهه دوم ۲۰۲۶
📊 Data➕Science
🚀 معرفی مدل قدرتمند Jina-OCR برای تحلیل اسناد
تیم Jina AI نسخه جدید jina-ocr-v1 را منتشر کرده است. این مدل ۳ میلیارد پارامتری به طور ویژه برای پردازش اسناد در سیستمهای مقرونبهصرفه بهینه شده و میتواند تصاویر، فایلهای PDF و اسکنها را به فرمت Markdown با پشتیبانی از LaTeX تبدیل کند.
از قابلیتهای کلیدی این مدل میتوان به موارد زیر اشاره کرد:
- استخراج جداول و فرمولهای پیچیده
- پاسخگویی به سوالات متنی بر اساس محتوای سند
- استخراج فیلدهای کلیدی و زیرنویسنویسی تصاویر
- نرخ پردازش عالی با توانایی تحلیل ۲.۵۷ صفحه در ثانیه روی کارت گرافیک A100
معماری این مدل بر پایه DeepSeek-OCR است و از تکنیک FastMTP برای افزایش سرعت استنتاج بهره میبرد. برای استفاده از این قابلیت، اطمینان حاصل کنید که از نسخه ۰.۲۱ vLLM یا جدیدتر استفاده میکنید.
شما میتوانید برای بررسی عملکرد مدل از دموی آنلاین استفاده کنید یا مستندات فنی و مقالات مرتبط را در Arxiv مطالعه کنید. دسترسی به وزنهای مدل نیز در Hugging Face برای علاقهمندان فراهم شده است.
بررسی مدل Jina-OCR-v1: پردازش هوشمند اسناد با بهینهسازی سرعت و دقت
تیم Jina AI نسخه جدید jina-ocr-v1 را منتشر کرده است. این مدل ۳ میلیارد پارامتری به طور ویژه برای پردازش اسناد در سیستمهای مقرونبهصرفه بهینه شده و میتواند تصاویر، فایلهای PDF و اسکنها را به فرمت Markdown با پشتیبانی از LaTeX تبدیل کند.
از قابلیتهای کلیدی این مدل میتوان به موارد زیر اشاره کرد:
- استخراج جداول و فرمولهای پیچیده
- پاسخگویی به سوالات متنی بر اساس محتوای سند
- استخراج فیلدهای کلیدی و زیرنویسنویسی تصاویر
- نرخ پردازش عالی با توانایی تحلیل ۲.۵۷ صفحه در ثانیه روی کارت گرافیک A100
معماری این مدل بر پایه DeepSeek-OCR است و از تکنیک FastMTP برای افزایش سرعت استنتاج بهره میبرد. برای استفاده از این قابلیت، اطمینان حاصل کنید که از نسخه ۰.۲۱ vLLM یا جدیدتر استفاده میکنید.
شما میتوانید برای بررسی عملکرد مدل از دموی آنلاین استفاده کنید یا مستندات فنی و مقالات مرتبط را در Arxiv مطالعه کنید. دسترسی به وزنهای مدل نیز در Hugging Face برای علاقهمندان فراهم شده است.
بررسی مدل Jina-OCR-v1: پردازش هوشمند اسناد با بهینهسازی سرعت و دقت
🧠 تازههای هوش مصنوعی و علم داده
🚀 مدلهای هوش مصنوعی موبایلی: LFM2.5 پیشتاز شد!
در دنیای پرسرعت هوش مصنوعی، بهینهسازی مدلها برای اجرا روی دستگاههای موبایل اهمیت فزایندهای پیدا کرده است. اخیراً، Artificial Analysis نتایج تستهای خود را روی 39 مدل مختلف روی آیفون 17 پرو و گلکسی S26 اولترا منتشر کرده است.
نکته برجسته این بررسی، عملکرد درخشان مدل LFM2.5-2.6B است. این مدل نه تنها در کنار Nanbeige 3B رتبه اول را از نظر هوشمندی کسب کرده، بلکه با مصرف تقریبی 40% حافظه کمتر و سرعت اجرای تا سه برابر بیشتر، برتری قابل توجهی نشان داده است.
برای مثال، روی آیفون 17 پرو، LFM2.5 تنها 2.32 گیگابایت حافظه مصرف کرده و در 8 ثانیه پردازش را به پایان رسانده، در حالی که Nanbeige به 4.03 گیگابایت حافظه و 21.4 ثانیه زمان نیاز داشته است. این تفاوتها در گلکسی S26 اولترا نیز مشهود است.
جالب اینجاست که چهار مدل از پنج مدل خانواده LFM2.5 در مرز بهینه (Pareto front) از نظر هوشمندی، سرعت و مصرف حافظه قرار گرفتهاند.
LFM2.5: صدرنشین مدلهای هوش مصنوعی محلی برای گوشیهای هوشمند
📊 Data➕Science
🚀 مدلهای هوش مصنوعی موبایلی: LFM2.5 پیشتاز شد!
در دنیای پرسرعت هوش مصنوعی، بهینهسازی مدلها برای اجرا روی دستگاههای موبایل اهمیت فزایندهای پیدا کرده است. اخیراً، Artificial Analysis نتایج تستهای خود را روی 39 مدل مختلف روی آیفون 17 پرو و گلکسی S26 اولترا منتشر کرده است.
نکته برجسته این بررسی، عملکرد درخشان مدل LFM2.5-2.6B است. این مدل نه تنها در کنار Nanbeige 3B رتبه اول را از نظر هوشمندی کسب کرده، بلکه با مصرف تقریبی 40% حافظه کمتر و سرعت اجرای تا سه برابر بیشتر، برتری قابل توجهی نشان داده است.
برای مثال، روی آیفون 17 پرو، LFM2.5 تنها 2.32 گیگابایت حافظه مصرف کرده و در 8 ثانیه پردازش را به پایان رسانده، در حالی که Nanbeige به 4.03 گیگابایت حافظه و 21.4 ثانیه زمان نیاز داشته است. این تفاوتها در گلکسی S26 اولترا نیز مشهود است.
جالب اینجاست که چهار مدل از پنج مدل خانواده LFM2.5 در مرز بهینه (Pareto front) از نظر هوشمندی، سرعت و مصرف حافظه قرار گرفتهاند.
LFM2.5: صدرنشین مدلهای هوش مصنوعی محلی برای گوشیهای هوشمند
📊 Data➕Science
🔊 مدلهای صوتی Samsone سامسونگ برای موبایل
سامسونگ از خانوادهای از مدلهای زبانی صوتی کوچک به نام Samsone رونمایی کرده است که برای اجرا روی دستگاههای موبایل طراحی شدهاند. این مدلها شامل Samsone-99M، Samsone-134M و Samsone-356M هستند و قرار است در کنفرانس Interspeech 2026 در سیدنی معرفی شوند.
این مدلها قادرند صداهای صوتی را همراه با درخواستهای متنی دریافت کرده و به سوالات پاسخ دهند، صداها را توصیف کنند یا کلیپهای صوتی را مقایسه کنند. Samsone توانایی درک گفتار، موسیقی و صداهای محیطی را دارد، اما پاسخهای آن فقط به زبان انگلیسی و با حروف کوچک است.
معماری Samsone شامل یک کدگذار صوتی Whisper-Tiny، یک پروجکتور غیرخطی و مدل زبانی SmolLM2 از Hugging Face است. این مدلها در تست MMAU عملکرد بهتری نسبت به مدلهای کوچک قبلی مانند Mellow نشان دادهاند، اما در بخش پردازش گفتار پیچیدهتر، مدلهای بزرگتر مانند Qwen2-Audio و GPT-4o عملکرد بهتری دارند.
سرعت تولید توکن در Samsone-99M روی Galaxy S25 Ultra به 125 توکن در ثانیه میرسد.
معرفی Samsone؛ خانواده مدلهای زبانی صوتی سبک برای دستگاههای موبایل
سامسونگ از خانوادهای از مدلهای زبانی صوتی کوچک به نام Samsone رونمایی کرده است که برای اجرا روی دستگاههای موبایل طراحی شدهاند. این مدلها شامل Samsone-99M، Samsone-134M و Samsone-356M هستند و قرار است در کنفرانس Interspeech 2026 در سیدنی معرفی شوند.
این مدلها قادرند صداهای صوتی را همراه با درخواستهای متنی دریافت کرده و به سوالات پاسخ دهند، صداها را توصیف کنند یا کلیپهای صوتی را مقایسه کنند. Samsone توانایی درک گفتار، موسیقی و صداهای محیطی را دارد، اما پاسخهای آن فقط به زبان انگلیسی و با حروف کوچک است.
معماری Samsone شامل یک کدگذار صوتی Whisper-Tiny، یک پروجکتور غیرخطی و مدل زبانی SmolLM2 از Hugging Face است. این مدلها در تست MMAU عملکرد بهتری نسبت به مدلهای کوچک قبلی مانند Mellow نشان دادهاند، اما در بخش پردازش گفتار پیچیدهتر، مدلهای بزرگتر مانند Qwen2-Audio و GPT-4o عملکرد بهتری دارند.
سرعت تولید توکن در Samsone-99M روی Galaxy S25 Ultra به 125 توکن در ثانیه میرسد.
معرفی Samsone؛ خانواده مدلهای زبانی صوتی سبک برای دستگاههای موبایل