This media is not supported in your browser
VIEW IN TELEGRAM
🤖 معرفی مدل مالتی‌مودال Jev-Omni
مدل Jev-Omni به عنوان یک سیستم جامع چندوجهی منتشر شد که برخلاف نسخه‌های متن‌باز فعلی، همزمان از ورودی‌های متن، تصویر، صدا و ویدیو پشتیبانی می‌کند.
این مدل در بنچمارک‌های تایپ‌شده با مدل Jev برابری می‌کند و برای آموزش آن از ۳۰ هزار نمونه داده روی سخت‌افزار 8xH200 استفاده شده است. طبق اعلام توسعه‌دهنده، زمان پاسخگویی این مدل روی یک پردازنده H100 کمتر از ۱۰۰ میلی‌ثانیه است.
اطلاعات فنی و فایل‌های این مدل را می‌توانید در صفحه Hugging Face پروژه مشاهده کنید.
#Jev_Omni #H100
مدل Jev-Omni به عنوان یک سیستم جامع چندوجهی منتشر شد که برخلاف نسخه‌های متن‌باز فعلی، همزمان از ورودی‌های متن، تصویر، صدا و ویدیو پشتیبانی می‌کند.
این مدل در بنچمارک‌های تایپ‌شده با مدل Jev برابری می‌کند و برای آموزش آن از ۳۰ هزار نمونه داده روی سخت‌افزار 8xH200 استفاده شده است. طبق اعلام توسعه‌دهنده، زمان پاسخگویی این مدل روی یک پردازنده H100 کمتر از ۱۰۰ میلی‌ثانیه است.
اطلاعات فنی و فایل‌های این مدل را می‌توانید در صفحه Hugging Face پروژه مشاهده کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Jev_Omni #H100
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 معرفی موتور جستجوی Photon توسط Perplexity
جستجو به گلوگاه اصلی برای ایجنت‌های هوش مصنوعی تبدیل شده است و شرکت Perplexity برای رفع این مشکل، موتور بازیابی و رتبه‌بندی خود را با نام Photon از پایه بازنویسی کرده است. این موتور که با زبان Rust توسعه یافته، جایگزین نسخه متن‌بازی شده که سال‌ها از آن استفاده می‌شد.
موتور قبلی با افزایش حجم ایندکس دچار مشکل کمبود RAM می‌شد و زمان پاسخگویی p99 آن به حدود ۸۰۰ تا ۱۲۰۰ میلی‌ثانیه می‌رسید. Photon با تغییرات زیر این مشکل را حل کرده است:
• استفاده از لیست‌های فشرده (Inline، آرایه‌های پراکنده یا Bitmap) برای ذخیره‌سازی
• پیاده‌سازی الگوریتم پیمایش WAND برای حذف کاندیداهای نامناسب پیش از محاسبه دقیق امتیازها
• دسته‌بندی خواندن از دیسک با استفاده از
• انتقال فرایند ساخت ایندکس به خارج از نودهای سرویس‌دهنده
در محیط عملیاتی، این تغییرات باعث شد p99 به حدود ۶۵ میلی‌ثانیه کاهش یابد؛ در حالی که مصرف منابع سخت‌افزاری ۲۰ درصد کمتر شده و ظرفیت ذخیره‌سازی داده‌ها ۲.۵ برابر افزایش یافته است.
🇮🇷 سایت | تلگرام
جستجو به گلوگاه اصلی برای ایجنت‌های هوش مصنوعی تبدیل شده است و شرکت Perplexity برای رفع این مشکل، موتور بازیابی و رتبه‌بندی خود را با نام Photon از پایه بازنویسی کرده است. این موتور که با زبان Rust توسعه یافته، جایگزین نسخه متن‌بازی شده که سال‌ها از آن استفاده می‌شد.
موتور قبلی با افزایش حجم ایندکس دچار مشکل کمبود RAM می‌شد و زمان پاسخگویی p99 آن به حدود ۸۰۰ تا ۱۲۰۰ میلی‌ثانیه می‌رسید. Photon با تغییرات زیر این مشکل را حل کرده است:
• استفاده از لیست‌های فشرده (Inline، آرایه‌های پراکنده یا Bitmap) برای ذخیره‌سازی
• پیاده‌سازی الگوریتم پیمایش WAND برای حذف کاندیداهای نامناسب پیش از محاسبه دقیق امتیازها
• دسته‌بندی خواندن از دیسک با استفاده از
io_uring برای جلوگیری از انباشت تأخیرها• انتقال فرایند ساخت ایندکس به خارج از نودهای سرویس‌دهنده
در محیط عملیاتی، این تغییرات باعث شد p99 به حدود ۶۵ میلی‌ثانیه کاهش یابد؛ در حالی که مصرف منابع سخت‌افزاری ۲۰ درصد کمتر شده و ظرفیت ذخیره‌سازی داده‌ها ۲.۵ برابر افزایش یافته است.
🇮🇷 سایت | تلگرام
Media is too big
VIEW IN TELEGRAM
🤖 عرضه نسخه ۲.۰ پلتفرم Manus با معماری Cascade
نسخه جدید Manus از یک ایجنت هوش مصنوعی به یک محیط کاری کامل تبدیل شده است. قلب تپنده این نسخه، معماری جدید Cascade است که ابزارها را تنها در زمان نیاز فعال می‌کند. طبق داده‌های فنی، این تغییر باعث کاهش ۲۳.۲ درصدی مصرف توکن، افزایش ۲۸.۲ درصدی سرعت اجرای تسک‌ها و کاهش ۳۲ درصدی هزینه‌ها شده است.
مهم‌ترین ویژگی‌های نسخه جدید عبارتند از:
* Manus Studio: فضایی یکپارچه برای مدیریت همزمان اسناد، صفحات گسترده، ارائه، وب‌سایت، کد، ویدیو و بازی.
* ویرایشگر ویدیو: امکان تغییر دستی فریم‌ها، موسیقی، متن و انیمیشن‌ها بدون نیاز به تولید مجدد کامل ویدیو.
* Game Dev: ابزاری برای ساخت و انتشار بازی با قابلیت اجرای سرور اختصاصی در Cloud Computer.
* اتوماسیون رویدادمحور: اجرای خودکار تسک‌ها بر اساس پیام‌های Slack، ایمیل یا تغییرات تقویم.
* Computer Use: قابلیت کنترل مستقیم برنامه‌ها و فایل‌های سیستم از طریق گوشی.
علاوه بر این، اپلیکیشن Cue نیز معرفی شده است که امکان ساخت ایجنت‌های شخصی با ایمیل، شماره تلفن و کیف پول اختصاصی و تشکیل تیم‌های چندعاملی را فراهم می‌کند.
نسخه جدید Manus از یک ایجنت هوش مصنوعی به یک محیط کاری کامل تبدیل شده است. قلب تپنده این نسخه، معماری جدید Cascade است که ابزارها را تنها در زمان نیاز فعال می‌کند. طبق داده‌های فنی، این تغییر باعث کاهش ۲۳.۲ درصدی مصرف توکن، افزایش ۲۸.۲ درصدی سرعت اجرای تسک‌ها و کاهش ۳۲ درصدی هزینه‌ها شده است.
مهم‌ترین ویژگی‌های نسخه جدید عبارتند از:
* Manus Studio: فضایی یکپارچه برای مدیریت همزمان اسناد، صفحات گسترده، ارائه، وب‌سایت، کد، ویدیو و بازی.
* ویرایشگر ویدیو: امکان تغییر دستی فریم‌ها، موسیقی، متن و انیمیشن‌ها بدون نیاز به تولید مجدد کامل ویدیو.
* Game Dev: ابزاری برای ساخت و انتشار بازی با قابلیت اجرای سرور اختصاصی در Cloud Computer.
* اتوماسیون رویدادمحور: اجرای خودکار تسک‌ها بر اساس پیام‌های Slack، ایمیل یا تغییرات تقویم.
* Computer Use: قابلیت کنترل مستقیم برنامه‌ها و فایل‌های سیستم از طریق گوشی.
علاوه بر این، اپلیکیشن Cue نیز معرفی شده است که امکان ساخت ایجنت‌های شخصی با ایمیل، شماره تلفن و کیف پول اختصاصی و تشکیل تیم‌های چندعاملی را فراهم می‌کند.
❤2
🛡 مخزن منابع امنیت ایجنت‌های هوش مصنوعی
مخزن Awesome Agent Skills Security در گیت‌هاب مجموعه‌ای از تحقیقات، استانداردها و ابزارهای لازم برای ایمن‌سازی ایجنت‌هایی که از ابزارها، افزونه‌ها و مهارت‌های خارجی استفاده می‌کنند را گردآوری کرده است.
این فهرست برای افرادی که در حال توسعه زیرساخت‌های MCP یا سیستم‌های ایجنتی هستند، کاربردی است و موارد زیر را پوشش می‌دهد:
- حملات تزریق پرامپت (Prompt Injection) از طریق ابزارها
- حملات مسموم‌سازی داده و زنجیره تأمین
- نشت اطلاعات و دسترسی‌های فراتر از نیاز
- محیط‌های ایزوله (Sandboxing) و نظارت در زمان اجرا
- تیم‌های قرمز (Red Teaming) و بنچمارک‌ها
- استانداردهای OWASP، MITRE ATLAS، NIST و IETF
این منابع نشان می‌دهند که با دسترسی مدل‌ها به فایل‌ها، APIها و انجام عملیات واقعی، سطح حمله برای سیستم‌های ایجنتی به میزان قابل توجهی گسترش یافته است.
#Agent_Security #MCP
مخزن Awesome Agent Skills Security در گیت‌هاب مجموعه‌ای از تحقیقات، استانداردها و ابزارهای لازم برای ایمن‌سازی ایجنت‌هایی که از ابزارها، افزونه‌ها و مهارت‌های خارجی استفاده می‌کنند را گردآوری کرده است.
این فهرست برای افرادی که در حال توسعه زیرساخت‌های MCP یا سیستم‌های ایجنتی هستند، کاربردی است و موارد زیر را پوشش می‌دهد:
- حملات تزریق پرامپت (Prompt Injection) از طریق ابزارها
- حملات مسموم‌سازی داده و زنجیره تأمین
- نشت اطلاعات و دسترسی‌های فراتر از نیاز
- محیط‌های ایزوله (Sandboxing) و نظارت در زمان اجرا
- تیم‌های قرمز (Red Teaming) و بنچمارک‌ها
- استانداردهای OWASP، MITRE ATLAS، NIST و IETF
این منابع نشان می‌دهند که با دسترسی مدل‌ها به فایل‌ها، APIها و انجام عملیات واقعی، سطح حمله برای سیستم‌های ایجنتی به میزان قابل توجهی گسترش یافته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Agent_Security #MCP
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #130 | 📌 8 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 چهارشنبه 1405/07/08 ساعت 14:00 تا پنجشنبه 1405/07/09 ساعت 14:00
🔎 تحلیل کوتاه
🤖 توسعه ابزارها و زیرساخت ایجنت‌ها
🧠 مدل‌های جدید و تحقیقات فنی
🗂 گزارش #130 | 📌 8 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 چهارشنبه 1405/07/08 ساعت 14:00 تا پنجشنبه 1405/07/09 ساعت 14:00
🔎 تحلیل کوتاه
تمرکز توسعه‌دهندگان بر ابزارهای خودکار، از معرفی ایجنت‌های دائمی تا زیرساخت‌های تخصصی، بهینه‌سازی عملکرد و مدیریت منابع را به چالش اصلی تبدیل کرده است. در این میان، کاهش فاصله زمانی انتشار مدل‌ها و توسعه معماری‌های جدید برای افزایش سرعت اجرای تسک‌ها، نشان‌دهنده شتاب‌گیری در استقرار ایجنت‌های هوش مصنوعی در محیط‌های عملیاتی است.
🤖 توسعه ابزارها و زیرساخت ایجنت‌ها
معرفی ایجنت‌های دائمی Dots توسط OpenAI
ایجنت‌های ابری که حتی در زمان آفلاین بودن کاربر، در اپلیکیشن‌ها جست‌وجو می‌کنند.
🔗 مشاهده پست
آناتومی فنی زیرساخت Agent Harness
بررسی اجزای زیرساختی که مدل‌های زبانی را به عامل‌های خودکار تبدیل می‌کنند.
🔗 ادامه مطلب در سایت
نسخه جدید پلتفرم Manus با معماری Cascade
ارتقای سرعت و کاهش هزینه اجرای تسک‌ها با فعال‌سازی ابزارها فقط در زمان نیاز.
🔗 مشاهده پست
مخزن منابع امنیت ایجنت‌های هوش مصنوعی
مجموعه‌ای از استانداردها و ابزارها برای ایمن‌سازی مهارت‌های خارجی ایجنت‌ها.
🔗 مشاهده پست
ابزار Jev برای غنی‌سازی داده‌ها
جایگزین متن‌باز و کم‌هزینه برای استفاده در عامل‌های هوشمند.
🔗 جزئیات کامل در سایت
🧠 مدل‌های جدید و تحقیقات فنی
معرفی مدل Gemini 4 Argon گوگل دیپ‌مایند
مدل جدید برای مدیریت گردش‌های کاری پیچیده در برنامه‌نویسی و امنیت سایبری.
🔗 مشاهده پست
انتشار مدل مالتی‌مودال Jev-Omni
سیستم چندوجهی با زمان پاسخگویی زیر ۱۰۰ میلی‌ثانیه روی سخت‌افزار H100.
🔗 مشاهده پست
بنچمارک ExplorationBench برای هوش مصنوعی
ارزیابی توانایی مدل‌ها در کشف قواعد ناشناخته در محیط‌های مجازی.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🧪 بنچمارک جدید برای سنجش توانایی اکتشاف هوش مصنوعی
محققان Tencent، دانشگاه فودان و چینهوا بنچمارک ExplorationBench را برای بررسی قدرت «کشف قوانین جدید» توسط مدل‌های هوش مصنوعی ارائه کرده‌اند. در این محیط، منطق معمول کار نمی‌کند و مدل باید با آزمایش و خطا، قواعد حاکم بر «جهان‌های بیگانه» را بیاموزد.
این بنچمارک از دو محیط اصلی تشکیل شده است:
* AlienCode: شامل ۳۱ قانون و ۷۰ تسک برای ارزیابی منطق عددی.
* AlienLogic: شامل ۲۴ قانون و ۷۰ تسک برای بررسی قواعد منطقی.
نتایج ارزیابی ۱۰ سیستم هوش مصنوعی نشان می‌دهد که توانایی استدلال بر اساس قوانین از پیش‌تعیین‌شده با توانایی کشف قوانین جدید متفاوت است. مهم‌ترین نکات این آزمایش:
* مدل‌ها در شروع بدون بازخورد، عملکردی حداکثر ۱۵.۷ درصدی دارند که پس از چهار مرحله تعامل با محیط، در AlienCode تا ۸۹ درصد بهبود می‌یابد.
* در مهم‌ترین موارد از ۱۰ سیستم، طراحی آزمایش‌های خودکار توسط مدل برای کشف محیط، موثرتر از تکیه بر اطلاعات پیش‌فرض بود.
* تفاوت فاحش عملکردی (از ۵.۷ تا ۷۹ درصد) در مدل‌های مختلف با بودجه یکسان مشاهده شده است.
🇮🇷 سایت | تلگرام
محققان Tencent، دانشگاه فودان و چینهوا بنچمارک ExplorationBench را برای بررسی قدرت «کشف قوانین جدید» توسط مدل‌های هوش مصنوعی ارائه کرده‌اند. در این محیط، منطق معمول کار نمی‌کند و مدل باید با آزمایش و خطا، قواعد حاکم بر «جهان‌های بیگانه» را بیاموزد.
این بنچمارک از دو محیط اصلی تشکیل شده است:
* AlienCode: شامل ۳۱ قانون و ۷۰ تسک برای ارزیابی منطق عددی.
* AlienLogic: شامل ۲۴ قانون و ۷۰ تسک برای بررسی قواعد منطقی.
نتایج ارزیابی ۱۰ سیستم هوش مصنوعی نشان می‌دهد که توانایی استدلال بر اساس قوانین از پیش‌تعیین‌شده با توانایی کشف قوانین جدید متفاوت است. مهم‌ترین نکات این آزمایش:
* مدل‌ها در شروع بدون بازخورد، عملکردی حداکثر ۱۵.۷ درصدی دارند که پس از چهار مرحله تعامل با محیط، در AlienCode تا ۸۹ درصد بهبود می‌یابد.
* در مهم‌ترین موارد از ۱۰ سیستم، طراحی آزمایش‌های خودکار توسط مدل برای کشف محیط، موثرتر از تکیه بر اطلاعات پیش‌فرض بود.
* تفاوت فاحش عملکردی (از ۵.۷ تا ۷۹ درصد) در مدل‌های مختلف با بودجه یکسان مشاهده شده است.
🇮🇷 سایت | تلگرام
هوش مصنوعی و علم داده به فارسی
🧠 گوگل دیپ‌مایند مدل جدید Gemini 4 Argon را معرفی کرد شرکت گوگل دیپ‌مایند از مدل پیشرو جدید خود با نام Gemini 4 Argon رونمایی کرد. این مدل برای مدیریت گردش‌های کاری پیچیده در حوزه‌های برنامه‌نویسی، فعالیت‌های دانشی سازمانی و دفاع امنیت سایبری توسعه یافته…
🤖 معرفی مدل هوش مصنوعی Gemini 4 Argon
گوگل مدل جدید Gemini 4 Argon را برای انجام وظایف پیچیده چندمرحله‌ای مانند برنامه‌نویسی، تحلیل‌های حقوقی و مالی، و مدیریت جریان‌های کاری سازمانی معرفی کرد. ویژگی اصلی این مدل افزایش ظرفیت تولید خروجی تا ۱ میلیون توکن است که امکان استدلال در پروژه‌های بسیار طولانی را فراهم می‌کند.
برخی از نتایج بنچمارک این مدل عبارتند از:
- کسب امتیاز ۷۷.۹٪ در DeepSWE v1.1 برای مسائل پیچیده مهندسی نرم‌افزار
- رتبه اول در AutomationBench با امتیاز ۵۱.۳٪
- کسب امتیاز ۹۱.۷٪ در LVBench برای تحلیل ویدیوهای طولانی
- امتیاز ۶۸٪ در CWE-bench v1 برای شناسایی و اصلاح آسیب‌پذیری‌ها
در پروژه‌های داخلی گوگل، مدل Argon برای بازنویسی کدهای حجیم C/C++ به Rust استفاده شده است. همچنین با تحلیل زیرساخت‌های این شرکت، مدل موفق به شناسایی بهینه‌سازی‌هایی در مدیریت حافظه شد که آزادسازی بیش از ۳۰۰ ترابایت رم را به همراه داشت.
در حال حاضر دسترسی به این مدل محدود است و ابتدا برای کاربران برنامه Fairwind فراهم شده.
گوگل مدل جدید Gemini 4 Argon را برای انجام وظایف پیچیده چندمرحله‌ای مانند برنامه‌نویسی، تحلیل‌های حقوقی و مالی، و مدیریت جریان‌های کاری سازمانی معرفی کرد. ویژگی اصلی این مدل افزایش ظرفیت تولید خروجی تا ۱ میلیون توکن است که امکان استدلال در پروژه‌های بسیار طولانی را فراهم می‌کند.
برخی از نتایج بنچمارک این مدل عبارتند از:
- کسب امتیاز ۷۷.۹٪ در DeepSWE v1.1 برای مسائل پیچیده مهندسی نرم‌افزار
- رتبه اول در AutomationBench با امتیاز ۵۱.۳٪
- کسب امتیاز ۹۱.۷٪ در LVBench برای تحلیل ویدیوهای طولانی
- امتیاز ۶۸٪ در CWE-bench v1 برای شناسایی و اصلاح آسیب‌پذیری‌ها
در پروژه‌های داخلی گوگل، مدل Argon برای بازنویسی کدهای حجیم C/C++ به Rust استفاده شده است. همچنین با تحلیل زیرساخت‌های این شرکت، مدل موفق به شناسایی بهینه‌سازی‌هایی در مدیریت حافظه شد که آزادسازی بیش از ۳۰۰ ترابایت رم را به همراه داشت.
در حال حاضر دسترسی به این مدل محدود است و ابتدا برای کاربران برنامه Fairwind فراهم شده.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 ابزار تعاملی برای درک بصری معماری Transformer
آزمایشگاه Polo Club دانشگاه جورجیا تک یک ابزار تعاملی به نام Transformer Explainer توسعه داده است که کارکرد درونی این معماری را به صورت زنده در مرورگر نمایش می‌دهد.
این شبیه‌ساز جریان داده‌ها را در یک مدل پیش‌فرض (در مقیاس GPT-2) بررسی می‌کند. شما می‌توانید متن دلخواه خود را وارد کنید و فرآیند تبدیل متن به توکن، کارکرد مکانیزم Attention، اعمال توابع فعال‌ساز و نحوه محاسبه احتمالات برای تولید کلمه بعدی را به صورت گام‌به‌گام مشاهده کنید. این ابزار به درک مفاهیم ریاضی پشت مدل‌های زبانی بدون نیاز به درگیری با کدها کمک می‌کند.
#Transformer_Explainer #GPT2
آزمایشگاه Polo Club دانشگاه جورجیا تک یک ابزار تعاملی به نام Transformer Explainer توسعه داده است که کارکرد درونی این معماری را به صورت زنده در مرورگر نمایش می‌دهد.
این شبیه‌ساز جریان داده‌ها را در یک مدل پیش‌فرض (در مقیاس GPT-2) بررسی می‌کند. شما می‌توانید متن دلخواه خود را وارد کنید و فرآیند تبدیل متن به توکن، کارکرد مکانیزم Attention، اعمال توابع فعال‌ساز و نحوه محاسبه احتمالات برای تولید کلمه بعدی را به صورت گام‌به‌گام مشاهده کنید. این ابزار به درک مفاهیم ریاضی پشت مدل‌های زبانی بدون نیاز به درگیری با کدها کمک می‌کند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Transformer_Explainer #GPT2
📊 عملکرد متفاوت دستیار هوش مصنوعی در آموزش فیزیک هاروارد
دانشگاه هاروارد در آزمایشی روی ۱۹۴ دانشجوی فیزیک، عملکرد یک دستیار هوش مصنوعی اختصاصی را با کلاس‌های درس سنتی مقایسه کرد. این سیستم به جای ارائه پاسخ‌های آماده، دانشجو را با پرسش، توضیحات گام‌به‌گام و بررسی استدلال‌ها هدایت می‌کند.
نتایج نشان می‌دهد دانشجویانی که از این ابزار استفاده کردند:
* نمره میانه ۴.۵ را در آزمون نهایی کسب کردند (در مقابل نمره ۳.۵ گروه کلاس حضوری).
* یادگیری بیشتری را تجربه کردند در حالی که زمان مطالعه آن‌ها به ۴۹ دقیقه کاهش یافت (در مقابل ۶۰ دقیقه زمان کلاس حضوری).
این مدل به‌طور اختصاصی برای اصول یادگیری علوم طراحی شده است و برخلاف چت‌بات‌های عمومی، مانند یک معلم خصوصی برای هر دانشجو شخصی‌سازی می‌شود. این مطالعه تنها بر دو مبحث فیزیک متمرکز بوده و به معنای جایگزینی کلی اساتید یا دانشگاه‌ها نیست.
#Harvard_Physics #AI_Tutor
دانشگاه هاروارد در آزمایشی روی ۱۹۴ دانشجوی فیزیک، عملکرد یک دستیار هوش مصنوعی اختصاصی را با کلاس‌های درس سنتی مقایسه کرد. این سیستم به جای ارائه پاسخ‌های آماده، دانشجو را با پرسش، توضیحات گام‌به‌گام و بررسی استدلال‌ها هدایت می‌کند.
نتایج نشان می‌دهد دانشجویانی که از این ابزار استفاده کردند:
* نمره میانه ۴.۵ را در آزمون نهایی کسب کردند (در مقابل نمره ۳.۵ گروه کلاس حضوری).
* یادگیری بیشتری را تجربه کردند در حالی که زمان مطالعه آن‌ها به ۴۹ دقیقه کاهش یافت (در مقابل ۶۰ دقیقه زمان کلاس حضوری).
این مدل به‌طور اختصاصی برای اصول یادگیری علوم طراحی شده است و برخلاف چت‌بات‌های عمومی، مانند یک معلم خصوصی برای هر دانشجو شخصی‌سازی می‌شود. این مطالعه تنها بر دو مبحث فیزیک متمرکز بوده و به معنای جایگزینی کلی اساتید یا دانشگاه‌ها نیست.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Harvard_Physics #AI_Tutor
This media is not supported in your browser
VIEW IN TELEGRAM
🎙 انتشار مدل جدید تبدیل گفتار به متن مایکروسافت
مایکروسافت مدل جدید MAI-Transcribe-2-Streaming را برای تبدیل لحظه‌ای گفتار به متن منتشر کرد. این مدل اکنون با نرخ خطای ۲.۵ درصد در جایگاه نخست بنچمارک AA-WER قرار گرفته است.
برخی از ویژگی‌های عملکردی این مدل عبارتند از:
* دقت و سرعت: دستیابی به نرخ خطای ۲.۵ درصد در زمان ۰.۱۳ ثانیه پس از پایان صحبت که نسبت به مدل‌هایی مانند Grok Voice Transcribe 2.0 با نرخ ۲.۷ درصد و تأخیر ۰.۴۹ ثانیه، بهبود یافته است.
* هزینه: قیمت سرویس استریمینگ این مدل ۰.۵۴ دلار به ازای هر ساعت صدا (معادل ۹ دلار برای هر ۱۰۰۰ دقیقه) تعیین شده است.
* نسخه آفلاین: هزینه تبدیل گفتار به متن در حالت غیر‌استریمینگ (non-streaming) معادل ۰.۱۰ دلار برای هر ساعت است.
این مدل در بخش First Partial Transcript نیز دقت مشابه ۲.۵ درصد را در زمان ۰.۱۲ ثانیه ثبت کرده است. جزئیات بیشتر و مقایسه با سایر مدل‌ها در وب‌سایت Artificial Analysis در دسترس است.
#MAI_Transcribe_2_Streaming #WER
مایکروسافت مدل جدید MAI-Transcribe-2-Streaming را برای تبدیل لحظه‌ای گفتار به متن منتشر کرد. این مدل اکنون با نرخ خطای ۲.۵ درصد در جایگاه نخست بنچمارک AA-WER قرار گرفته است.
برخی از ویژگی‌های عملکردی این مدل عبارتند از:
* دقت و سرعت: دستیابی به نرخ خطای ۲.۵ درصد در زمان ۰.۱۳ ثانیه پس از پایان صحبت که نسبت به مدل‌هایی مانند Grok Voice Transcribe 2.0 با نرخ ۲.۷ درصد و تأخیر ۰.۴۹ ثانیه، بهبود یافته است.
* هزینه: قیمت سرویس استریمینگ این مدل ۰.۵۴ دلار به ازای هر ساعت صدا (معادل ۹ دلار برای هر ۱۰۰۰ دقیقه) تعیین شده است.
* نسخه آفلاین: هزینه تبدیل گفتار به متن در حالت غیر‌استریمینگ (non-streaming) معادل ۰.۱۰ دلار برای هر ساعت است.
این مدل در بخش First Partial Transcript نیز دقت مشابه ۲.۵ درصد را در زمان ۰.۱۲ ثانیه ثبت کرده است. جزئیات بیشتر و مقایسه با سایر مدل‌ها در وب‌سایت Artificial Analysis در دسترس است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#MAI_Transcribe_2_Streaming #WER