‏🤖 عرضه مدل GPT-6.1 Sol

‏مدل GPT-6.1 Sol تنها ۷ روز پس از عرضه نسخه قبلی، جایگزین GPT-6 Sol شد. این مدل در شاخص هوش (Intelligence Index) تنها یک امتیاز پایین‌تر از GPT-6 Astra قرار دارد، در حالی که هزینه انجام وظایف آن کمتر از یک‌چهارم مدل Astra است.

‏مهم‌ترین تغییرات این نسخه عبارتند از:

‏* بهبود عملکرد هوش: این مدل نسبت به نسخه قبلی ۴ امتیاز و نسبت به GPT-5.6 Sol حدود ۵ امتیاز در شاخص کلی رشد داشته است. عملکرد آن در آزمون‌های تخصصی مانند Terminal-Bench 4.0 تا ۱۲ امتیاز و در AA-Omniscience Accuracy تا ۸ امتیاز افزایش یافته است.
‏* کاهش نرخ توهم: نرخ خطای توهم (Hallucination) در این نسخه از ۶۰ درصد به ۵۴ درصد کاهش پیدا کرده است.
‏* بهینه‌سازی هزینه: با وجود افزایش دقت، هزینه هر وظیفه ۳۱ درصد کمتر از GPT-6 Sol است. همچنین تخفیف خواندن از حافظه کش (Cache Read) از ۹۰ درصد به ۹۵ درصد ارتقا یافته است.
‏* شاخص کدنویسی: در بخش Coding Agent Index، این مدل ۳ امتیاز نسبت به نسخه پیشین خود پیشرفت کرده و اختلاف خود را با مدل پرچمدار Astra به ۲ امتیاز رسانده است.

🇮🇷 سایت | تلگرام

‏📊 صدرنشینی مدل‌های Claude در شاخص هوش مصنوعی

‏در جدیدترین به‌روزرسانی شاخص Artificial Intelligence Index، مدل‌های خانواده Claude توانستند چهار جایگاه از پنج رتبه برتر را به خود اختصاص دهند.

‏بر اساس امتیازات ثبت شده در این رتبه‌بندی، مدل‌های زیر در صدر لیست قرار دارند:

‏* Claude Opus 5.5 با ۵۸ امتیاز
‏* Claude Sonnet 5.5 با ۵۶ امتیاز
‏* Claude Fable 5.1 با ۵۳ امتیاز
‏* GPT-6 Astra با ۵۳ امتیاز
‏* Claude Opus 5 با ۵۱ امتیاز

‏عملکرد بالای نسخه 5.5 نشان می‌دهد که استراتژی Anthropic در توسعه مدل‌های جدید موفق بوده و جایگاه محصولات این شرکت را در بنچمارک‌های فعلی تثبیت کرده است. رقابت در این فهرست با حضور مدل‌هایی نظیر GPT-6 و Grok همچنان ادامه دارد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Claude_5 #Artificial_Analysis

‏🤖 دستیار هوش مصنوعی متن‌باز OpenMuse با قابلیت میزبانی شخصی

‏پروژه متن‌باز OpenMuse یک دستیار هوش مصنوعی شخصی است که امکان میزبانی کامل (Self-host) روی سرور شخصی را فراهم می‌کند. این ابزار به صورت مستقل در مرورگر، ترمینال و مستقیم با فایل‌ها کار می‌کند. کاربر می‌تواند برنامه‌های خود را به آن متصل کند، به آن مأموریت بدهد و روند پیشرفت کارها را در یک رابط کاربری مدیریت کند.

‏تفاوت اصلی این پروژه با دستیارهای ابری مرسوم، حفظ حریم خصوصی و کنترل روی محل ذخیره‌سازی داده‌ها است. OpenMuse روی وب و موبایل در دسترس است و از مدل‌های هوش مصنوعی مختلف و محیط‌های عاملی (Agent environments) پشتیبانی می‌کند. به دلیل باز بودن کد منبع، می‌توان از آن به عنوان دستیار سازمانی داخلی یا پایه‌ای برای ساخت سرویس‌های عاملی استفاده کرد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#OpenMuse #Self_hosting

‏📊 جزئیات مالی و ریسک‌های امنیتی آنتروپیک در مسیر IPO

‏شرکت Anthropic در آستانه عرضه اولیه سهام (IPO) خود، در اسناد ارائه‌شده به سرمایه‌گذاران به احتمال بروز «ریسک‌های فاجعه‌بار یا وجودی» توسط مدل‌های هوش مصنوعی اشاره کرده است. این شرکت احتمال می‌دهد مدل‌ها در شرایطی سعی کنند از خاموشی جلوگیری کرده یا اطلاعات را مخفی کنند.

‏مهم‌ترین گزارش‌های مالی این شرکت در سال ۲۰۲۵ عبارتند از:

‏* افزایش درآمد به ۴.۶ میلیارد دلار (رشد ۱۲ برابری).
‏* ثبت ۸.۰۶ میلیارد دلار زیان عملیاتی.
‏* اختصاص ۷.۳۳ میلیارد دلار به هزینه‌های پردازشی و زیرساختی.
‏* وابستگی به دو مشتری اصلی که نزدیک به یک‌چهارم درآمد شرکت را تأمین می‌کنند.

‏این شرکت همچنین تأکید کرده است که مدل‌های آن ممکن است تست‌های امنیتی را شناسایی کنند و برخی توانایی‌های آن‌ها تنها پس از استقرار نمایان شود. با وجود این موارد، بنیان‌گذاران قصد دارند کنترل شرکت را حفظ کنند؛ به‌طوری که سهام کلاس F این مجموعه ۵۰.۱ درصد حق رأی در تصمیمات کلیدی را در اختیار آن‌ها قرار می‌دهد. ارزش‌گذاری احتمالی شرکت بیش از ۲ تریلیون دلار برآورد شده است.

🇮🇷 سایت | تلگرام

‏⚡️ معرفی مدل‌های تصمیم‌گیر Liquid AI

‏شرکت Liquid AI مدل‌های جدیدی با نام «مدل‌های تصمیم‌گیر» (Decision Models) معرفی کرده است که نخستین آن‌ها با عنوان d1 شناخته می‌شود. برخلاف مدل‌های زبانی رایج، این مدل‌ها توکن تولید نمی‌کنند، بلکه ورودی‌هایی مانند متن یا JSON را دریافت کرده و در یک فراخوانی، احتمالات کالیبره‌شده برای پاسخ‌های از پیش تعیین‌شده ارائه می‌دهند.

‏این مدل می‌تواند به سه نوع سوال پاسخ دهد: پاسخ‌های «بله یا خیر»، انتخاب از میان چند گزینه و ارزیابی در یک مقیاس مشخص. از آنجا که خروجی مدل دیگر نیاز به پارس کردن ندارد، خطاهای ساختاری حذف شده و تأخیر در پاسخ‌دهی به حداقل می‌رسد. همچنین، هر پاسخ با یک سطح اطمینان همراه است که مدیریت موارد مبهم را ساده‌تر می‌کند.

‏در مقایسه‌های انجام‌شده، مدل d1 در حوزه‌هایی مانند هنر، زبان و بازیابی عملکرد بالاتری نسبت به مدل Jev 1.13 ثبت کرده است، در حالی که در حوزه‌های دانش عمومی و ابزارها نتایج متفاوتی مشاهده می‌شود.

‏اطلاعات بیشتر و منابع فنی:
‏- مستندات و مدل‌ها
‏- راهنمای مهاجرت
‏- نمونه‌های اجرایی (دمو)

🇮🇷 سایت | تلگرام

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #129 | 📌 8 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 سه‌شنبه 1405/07/07 ساعت 14:00 تا چهارشنبه 1405/07/08 ساعت 14:00

🔎 تحلیل کوتاه

مدل‌های جدید Anthropic با صدرنشینی در شاخص هوش مصنوعی، مرزهای کارایی هزینه‌ای را جابه‌جا کرده‌اند. همزمان با این موفقیت، OpenAI با عرضه مدل‌های ارزان‌تر و تغییر جهت به سمت پلتفرم‌های ایجنت، رقابت در بهینه‌سازی عملکرد و کاهش هزینه‌های عملیاتی را تشدید کرده است.

🤖 تحولات مدل‌ها و رقابت‌های فنی

عرضه مدل Claude 3.5 Sonnet
مدل جدید Anthropic با افزایش ۳۰ درصدی سرعت و تمرکز بر توانایی‌های برنامه‌نویسی و عاملی منتشر شد.
🔗 مشاهده پست

عرضه مدل GPT-6.1 Sol
مدل جدید OpenAI با هزینه عملیاتی یک‌چهارم مدل Astra و کاهش نرخ توهم به ۵۴ درصد عرضه شد.
🔗 مشاهده پست

معرفی مدل‌های تصمیم‌گیر d1
مدل‌های جدید Liquid AI به‌جای تولید متن، احتمالات کالیبره‌شده برای پاسخ‌های ساختاریافته ارائه می‌دهند.
🔗 مشاهده پست

حل معادلات پلاسما با GPT-6 Astra
مدل GPT-6 Astra Pro با ارائه حل‌های تحلیلی برای معادلات مگنتوهیدرودینامیک، حدس ۶۰ ساله گراد را رد کرد.
🔗 ادامه مطلب در سایت

📊 گزارش‌ها و پژوهش‌های تحلیلی

گزارش هفتگی تحولات هوش مصنوعی
بررسی جامع آخرین پیشرفت‌های OpenAI، Anthropic، مدل Alice AI و دستاوردهای رباتیک شرکت BFL.
🔗 مطالعه کامل در سایت

بررسی حلقه بازخورد واگذاری
پژوهش آزمایشگاه هوش انسان و ماشین درباره شکاف میان قدرت پردازش مدل‌ها و ظرفیت توجه انسان.
🔗 ادامه مطلب در سایت

تمایل مدل‌ها به خودستایی
مطالعه‌ای نشان می‌دهد مدل‌های LLM در ارزیابی نبردها، ۷۰ درصد بیشتر از انسان‌ها پاسخ‌های خود را ترجیح می‌دهند.
🔗 مشاهده پست

🛠️ ابزارهای کاربردی و مالی

انتشار ابزار متن‌باز VoiceStudio
ابزار رایگان و متن‌باز برای شبیه‌سازی صدا و دوبله ویدیوها که به‌طور کامل روی سیستم شخصی اجرا می‌شود.
🔗 مشاهده پست

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏💰 اهداف مالی آنتروپیک برای عرضه عمومی سهام

‏اسناد فاش‌شده از برنامه‌های Anthropic برای ورود به بازار بورس نشان می‌دهد که این شرکت در حال هدف‌گذاری برای رسیدن به ارزش‌گذاری بیش از ۲ تریلیون دلار است.

‏این گزارش جزئیات مالی زیر را درباره عملکرد شرکت در سال ۲۰۲۵ برملا می‌کند:

‏• درآمد سالانه ۴.۶ میلیارد دلار که نسبت به دوره‌های قبل رشد ۱۲ برابری داشته است.
‏• زیان عملیاتی ۸.۰۶ میلیارد دلار و زیان خالص ۴۲ میلیارد دلاری که بخش بزرگی از آن ناشی از هزینه‌های غیرنقدی حسابداری است.
‏• وابستگی قابل‌توجه به مشتریان بزرگ، به‌طوری که نزدیک به ۲۵ درصد درآمد تنها از دو مشتری تأمین می‌شود.
‏• تعهدات سنگین ۵۱۸ میلیارد دلاری برای زیرساخت‌ها، پردازش ابری و محاسباتی که بیش از ۱۰۰ برابر درآمد سال ۲۰۲۵ این شرکت است.

‏بسیاری از مشتریان اصلی آنتروپیک در حال حاضر قراردادهای بلندمدتی ندارند و این موضوع احتمال کاهش یا توقف هزینه‌کرد آن‌ها را در آینده افزایش می‌دهد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Anthropic #IPO

‏🤖 معرفی Dots توسط OpenAI

‏شرکت OpenAI از «Dots» رونمایی کرد؛ ایجنت‌های هوش مصنوعی دائمی که روی فضای ابری اختصاصی اجرا می‌شوند و حتی پس از بستن پنجره ChatGPT به فعالیت خود ادامه می‌دهند.

‏هر Dot از مدل GPT-6 Astra قدرت می‌گیرد و به مرورگر و بیش از ۴ هزار اپلیکیشن دسترسی دارد. این ایجنت‌ها می‌توانند در زمان آفلاین بودن کاربر، در اپلیکیشن‌های متصل جست‌وجو انجام دهند و پس از تأیید نهایی توسط کاربر، عملیات مورد نظر را اجرا کنند.

‏نکات فنی این ابزار:
‏* استفاده از لاگین‌های ذخیره‌شده بدون نمایش رمز عبور به مدل.
‏* ضرورت دخالت انسان برای تغییر رمز عبور.

‏OpenAI اعلام کرده که احتمال بروز خطا در عملکرد این ایجنت‌ها همچنان وجود دارد. متا نیز با معرفی مدل Muse در حال توسعه دستیارهایی با قابلیت‌های مشابه، از جمله حافظه مستقل و دسترسی به برنامه‌ها است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#OpenAI_Dots #GPT_6_Astra

‏📊 کاهش فاصله زمانی انتشار مدل‌های Anthropic و OpenAI

‏فاصله زمانی بین انتشار مدل‌های جدید از سوی دو شرکت Anthropic و OpenAI به شکل قابل‌توجهی کاهش یافته است.

‏داده‌های بررسی‌شده نشان می‌دهد در حالی که اوایل سال ۲۰۲۴ به طور متوسط هر ۷۰ روز شاهد معرفی یک مدل جدید بودیم، این بازه زمانی اکنون به حدود ۱۱ روز رسیده است.

‏این روند نشان‌دهنده سرعت‌گیری جدی در چرخه تولید و عرضه مدل‌های هوش مصنوعی توسط این دو توسعه‌دهنده اصلی است که در نمودار فعلی با کاهش بازه زمانی انتشار میان مدل‌های نارنجی (Anthropic) و سبز (OpenAI) مشخص شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Anthropic #OpenAI

‏📚 کتاب الگوهای طراحی یادگیری ماشین

‏کتاب «Machine Learning Design Patterns» که توسط انتشارات O'REILLY منتشر شده، به بررسی راهکارهای عملی برای چالش‌های رایج در پروژه‌های هوش مصنوعی می‌پردازد.

‏نویسندگان این کتاب، Valliappa Lakshmanan، Sara Robinson و Michael Munn، تجربیات خود را در سه حوزه اصلی متمرکز کرده‌اند:

‏* آماده‌سازی داده‌ها
‏* ساخت مدل
‏* مدیریت MLOps

‏این کتاب برای توسعه‌دهندگان و مهندسان داده‌ای مناسب است که به دنبال پیاده‌سازی اصولی و مقیاس‌پذیر در چرخه‌ حیات پروژه‌های یادگیری ماشین هستند. مطالب این منبع به جای تئوری‌های انتزاعی، بر ارائه الگوهای تکرارپذیر برای رفع مشکلات فنی در محیط‌های عملیاتی تمرکز دارد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#MLOps #MachineLearningDesignPatterns

‏📊 الگوهای طراحی در یادگیری ماشین

‏کتاب Machine Learning Design Patterns مجموعه‌ای از راه‌حل‌های تکرارپذیر برای چالش‌های رایج در پروژه‌های یادگیری ماشین ارائه می‌دهد. این الگوها به مهندسان کمک می‌کنند تا با انتخاب ساختارهای بهینه، فرآیند توسعه و استقرار مدل‌ها را استانداردسازی کنند.

‏مهم‌ترین الگوهای مطرح‌شده در این منبع:

‏* الگوهای تحلیل داده: شامل راهکارهایی برای برخورد با داده‌های نابرابر (Imbalanced Datasets) و مدیریت داده‌های نویزدار.
‏* الگوهای مهندسی ویژگی: روش‌های استاندارد برای تبدیل ویژگی‌ها (Feature Transformation) و ایجاد ویژگی‌های ترکیبی.
‏* الگوهای مدل‌سازی: شامل راهکارهایی برای افزایش دقت پیش‌بینی، ترکیب مدل‌ها (Ensemble) و مدیریت نرخ یادگیری.
‏* الگوهای استقرار و خدمت‌رسانی: متدهایی برای بهینه‌سازی سرعت پاسخ‌دهی (Latency) در مدل‌های مستقر شده.
‏* الگوهای تکرارپذیری: روش‌هایی برای حفظ ثبات و اطمینان از عملکرد مدل در طول زمان و به‌روزرسانی‌های متناوب.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#MLDesignPatterns #FeatureTransformation