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
انتشار مدل‌های ترجمه Index-Translate توسط Bilibili
تیم Index LLM در پلتفرم Bilibili، خانواده‌ای از مدل‌های متن‌باز ترجمه ماشینی را بر پایه Qwen3.5 منتشر کرده است. این مدل‌ها در سه اندازه 2B، 9B و 35B-A3B عرضه شده‌اند که نسخه 35B با معماری MoE، فعلاً در وضعیت پیش‌نمایش قرار دارد.
این مدل‌ها از ۱۵۰ زبان، از جمله فارسی و روسی، پشتیبانی می‌کنند و قابلیت دریافت دستورالعمل‌های خاص برای حفظ استایل، حفظ کدهای برنامه‌نویسی، استفاده از واژه‌نامه و درک اصطلاحات عامیانه را دارند. علاوه بر ترجمه متنی، مدل‌های تخصصی دیگری نیز برای پردازش‌های صوتی و متنی عرضه شده‌اند:
* Index-Echo S2TT: تبدیل گفتار به زیرنویس.
* Index-Echo S2ST: تبدیل گفتار به گفتار با حفظ ویژگی‌های صوتی.
* Index-Homura: ترجمه با محدودیت تعداد هجا برای دوبله.
* Index-NativeLong: ترجمه کتاب در یک مرحله.
طبق گزارش فنی، نسخه 35B-A3B در بنچمارک FLORES-200 امتیاز 0.8794 را کسب کرده است. برای اجرای محلی نسخه 2B به حدود ۸ گیگابایت و نسخه 9B به ۲۴ گیگابایت حافظه گرافیکی نیاز است. تمام مدل‌ها با مجوز Apache 2.0 از طریق Hugging Face قابل دسترسی هستند.
تیم Index LLM در پلتفرم Bilibili، خانواده‌ای از مدل‌های متن‌باز ترجمه ماشینی را بر پایه Qwen3.5 منتشر کرده است. این مدل‌ها در سه اندازه 2B، 9B و 35B-A3B عرضه شده‌اند که نسخه 35B با معماری MoE، فعلاً در وضعیت پیش‌نمایش قرار دارد.
این مدل‌ها از ۱۵۰ زبان، از جمله فارسی و روسی، پشتیبانی می‌کنند و قابلیت دریافت دستورالعمل‌های خاص برای حفظ استایل، حفظ کدهای برنامه‌نویسی، استفاده از واژه‌نامه و درک اصطلاحات عامیانه را دارند. علاوه بر ترجمه متنی، مدل‌های تخصصی دیگری نیز برای پردازش‌های صوتی و متنی عرضه شده‌اند:
* Index-Echo S2TT: تبدیل گفتار به زیرنویس.
* Index-Echo S2ST: تبدیل گفتار به گفتار با حفظ ویژگی‌های صوتی.
* Index-Homura: ترجمه با محدودیت تعداد هجا برای دوبله.
* Index-NativeLong: ترجمه کتاب در یک مرحله.
طبق گزارش فنی، نسخه 35B-A3B در بنچمارک FLORES-200 امتیاز 0.8794 را کسب کرده است. برای اجرای محلی نسخه 2B به حدود ۸ گیگابایت و نسخه 9B به ۲۴ گیگابایت حافظه گرافیکی نیاز است. تمام مدل‌ها با مجوز Apache 2.0 از طریق Hugging Face قابل دسترسی هستند.
🌐 شناسایی کمپین استخراج غیرمجاز از مدل‌های OpenAI
شرکت OpenAI در بررسی‌های اخیر خود یک کمپین هماهنگ برای استخراج دانش و «استدلال‌های پنهان» (CoT) از مدل‌هایش را شناسایی کرد. در اوج این فعالیت، طی دو روز بیش از ۱۶ هزار درخواست از طریق ۴ هزار حساب کاربری برای کپی‌برداری از خروجی‌های مدل ارسال شده بود.
این اقدام بدون نفوذ مستقیم به سیستم رمزنگاری انجام می‌شد؛ مهاجمان با انتقال «زنجیره استدلال» (CoT) از یک گفتگو به گفتگوی دیگر، مدل را وادار به بازتولید آن به صورت متن ساده می‌کردند تا امکان تقطیر (Distillation) مدل فراهم شود.
OpenAI اعلام کرد بخش اصلی این فعالیت با توسعه‌دهندگان Kimi مرتبط است، هرچند مستقیماً آن‌ها را عامل قطعی این کمپین ندانست. پس از این بررسی، تغییرات امنیتی زیر در پلتفرم اعمال شد:
- مسدودسازی امکان انتقال بلوک‌های رمزنگاری‌شده بین کاربران و محیط‌های کاری مختلف.
- تقویت فرایندهای احراز هویت و بررسی حساب‌های کاربری.
- افزودن لایه حفاظتی اختصاصی برای جلوگیری از خروج استدلال‌های پنهان مدل.
جزئیات کامل این گزارش در وبلاگ OpenAI در دسترس است.
🇮🇷 سایت | تلگرام
شرکت OpenAI در بررسی‌های اخیر خود یک کمپین هماهنگ برای استخراج دانش و «استدلال‌های پنهان» (CoT) از مدل‌هایش را شناسایی کرد. در اوج این فعالیت، طی دو روز بیش از ۱۶ هزار درخواست از طریق ۴ هزار حساب کاربری برای کپی‌برداری از خروجی‌های مدل ارسال شده بود.
این اقدام بدون نفوذ مستقیم به سیستم رمزنگاری انجام می‌شد؛ مهاجمان با انتقال «زنجیره استدلال» (CoT) از یک گفتگو به گفتگوی دیگر، مدل را وادار به بازتولید آن به صورت متن ساده می‌کردند تا امکان تقطیر (Distillation) مدل فراهم شود.
OpenAI اعلام کرد بخش اصلی این فعالیت با توسعه‌دهندگان Kimi مرتبط است، هرچند مستقیماً آن‌ها را عامل قطعی این کمپین ندانست. پس از این بررسی، تغییرات امنیتی زیر در پلتفرم اعمال شد:
- مسدودسازی امکان انتقال بلوک‌های رمزنگاری‌شده بین کاربران و محیط‌های کاری مختلف.
- تقویت فرایندهای احراز هویت و بررسی حساب‌های کاربری.
- افزودن لایه حفاظتی اختصاصی برای جلوگیری از خروج استدلال‌های پنهان مدل.
جزئیات کامل این گزارش در وبلاگ OpenAI در دسترس است.
🇮🇷 سایت | تلگرام
📉 کاهش محدودیت‌های GPT-6 Pro و هدیه ۲۵۰۰ دلاری OpenAI به کاربران
شرکت OpenAI تغییرات جدیدی در اشتراک ۲۰۰ دلاری خود اعمال می‌کند. طبق اعلام این شرکت، از ۳۰ اکتبر ۲۰۲۶ سقف پیام‌های هفتگی GPT-6 Pro از ۲۰۰ به ۱۰۰ پیام کاهش می‌یابد. همچنین میزان استفاده در سرویس‌های ChatGPT Work و Codex از ۲۰ برابر به ۱۰ برابر سقف ChatGPT Plus کاهش خواهد یافت، در حالی که قیمت اشتراک تغییر نمی‌کند.
برای تعدیل نارضایتی کاربران از این تصمیم، OpenAI به مشترکان فعلی نسخه پرو، یک اعتبار هدیه یک‌بارمصرف معادل ۶۲,۵۰۰ کریدیت API (به ارزش ۲,۵۰۰ دلار) اهدا کرده است. این اعتبار که در بخش Settings قابل مشاهده است، تا ۳۱ دسامبر ۲۰۲۶ اعتبار دارد.
شرکت OpenAI تغییرات جدیدی در اشتراک ۲۰۰ دلاری خود اعمال می‌کند. طبق اعلام این شرکت، از ۳۰ اکتبر ۲۰۲۶ سقف پیام‌های هفتگی GPT-6 Pro از ۲۰۰ به ۱۰۰ پیام کاهش می‌یابد. همچنین میزان استفاده در سرویس‌های ChatGPT Work و Codex از ۲۰ برابر به ۱۰ برابر سقف ChatGPT Plus کاهش خواهد یافت، در حالی که قیمت اشتراک تغییر نمی‌کند.
برای تعدیل نارضایتی کاربران از این تصمیم، OpenAI به مشترکان فعلی نسخه پرو، یک اعتبار هدیه یک‌بارمصرف معادل ۶۲,۵۰۰ کریدیت API (به ارزش ۲,۵۰۰ دلار) اهدا کرده است. این اعتبار که در بخش Settings قابل مشاهده است، تا ۳۱ دسامبر ۲۰۲۶ اعتبار دارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
❤1
🧠 مدل‌های زبانی با قابلیت مدیریت مستقیم حافظه
محققان متا در مدل‌های جدیدی با عنوان Context Language Models (CLM)، منطق سنتی مدیریت حافظه را کنار گذاشته‌اند. در این روش، مدل به‌جای انباشت متوالی تاریخچه چت، امکان دسترسی و ویرایش مستقیم فایل متنِ حاوی «کانتکست» خود را از طریق دستورات Bash دارد.
مدل می‌تواند در هر لحظه بخش‌های قدیمی را پاک کند، خلاصه‌ای از نتایج بنویسد یا جزئیات مهم را بازنویسی کند. در آزمایش‌ها، مدل‌ها به‌طور خودکار شروع به ایجاد جداول وضعیت یا حذف نتایج جستجوی غیرضروری کردند تا حجم کانتکست خود را در محدوده ۶ تا ۸ هزار توکن نگه دارند.
مهم‌ترین نتایج این پژوهش:
* افزایش کارایی: مدل Qwen3.5-9B پس از آموزش با این روش، در بنچمارک BrowseComp-Plus رشد دقت قابل‌توجهی داشته و مصرف محاسباتی آن ۳۸.۸ درصد کاهش یافته است.
* بهینه‌سازی حافظه: با تکنیک Suffix Cache Reuse، بخش‌هایی از کانتکست که تغییر نکرده‌اند همچنان از KV-cache استفاده می‌کنند که منجر به کاهش ۳۵ درصدی محاسبات سرور می‌شود.
محققان متا در مدل‌های جدیدی با عنوان Context Language Models (CLM)، منطق سنتی مدیریت حافظه را کنار گذاشته‌اند. در این روش، مدل به‌جای انباشت متوالی تاریخچه چت، امکان دسترسی و ویرایش مستقیم فایل متنِ حاوی «کانتکست» خود را از طریق دستورات Bash دارد.
مدل می‌تواند در هر لحظه بخش‌های قدیمی را پاک کند، خلاصه‌ای از نتایج بنویسد یا جزئیات مهم را بازنویسی کند. در آزمایش‌ها، مدل‌ها به‌طور خودکار شروع به ایجاد جداول وضعیت یا حذف نتایج جستجوی غیرضروری کردند تا حجم کانتکست خود را در محدوده ۶ تا ۸ هزار توکن نگه دارند.
مهم‌ترین نتایج این پژوهش:
* افزایش کارایی: مدل Qwen3.5-9B پس از آموزش با این روش، در بنچمارک BrowseComp-Plus رشد دقت قابل‌توجهی داشته و مصرف محاسباتی آن ۳۸.۸ درصد کاهش یافته است.
* بهینه‌سازی حافظه: با تکنیک Suffix Cache Reuse، بخش‌هایی از کانتکست که تغییر نکرده‌اند همچنان از KV-cache استفاده می‌کنند که منجر به کاهش ۳۵ درصدی محاسبات سرور می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 شکستن کد ۲۱۷ ساله ناپلئون با GPT-6 Astra
کارتر چرچ با استفاده از مدل GPT-6 Astra موفق شد یک نامه رمزنگاری‌شده متعلق به سال ۱۸۰۹ را در مدت ۶ ساعت رمزگشایی کند. این متن که از زمان جنگ‌های ناپلئونی حل‌نشده باقی مانده بود، گزارش محرمانه ژنرال مارمون درباره موقعیت ارتش‌ها در جریان حمله اتریش به باواریا را در خود داشت.
فرایند انجام‌شده توسط این مدل به این ترتیب بود:
* برش خودکار تصاویر اسکن‌شده نامه به خطوط مجزا.
* شناسایی و استخراج نمادهای یونانی، ریاضی و حروف استفاده‌شده در کد.
* استفاده از الگوریتم بهینه‌سازی «تبرید شبیه‌سازی‌شده» (Simulated Annealing) برای تطبیق نمادها با دیکشنری زبان فرانسوی.
صحت این رمزگشایی توسط ساتوشی توکیمو، مسئول کاتالوگ رمزهای Cryptiana تأیید شده است. این مدل پیش‌تر نیز یک رادیوگرام آلمانی مربوط به جنگ جهانی دوم را رمزگشایی کرده بود. محتوای نامه فاش‌شده نشان می‌دهد که تحرکات نیروهای فرانسوی دقیقاً با دستورات ناپلئون در ۱۶ مارس ۱۸۰۹ مطابقت داشته است.
#GPT6_Astra #Simulated_Annealing
کارتر چرچ با استفاده از مدل GPT-6 Astra موفق شد یک نامه رمزنگاری‌شده متعلق به سال ۱۸۰۹ را در مدت ۶ ساعت رمزگشایی کند. این متن که از زمان جنگ‌های ناپلئونی حل‌نشده باقی مانده بود، گزارش محرمانه ژنرال مارمون درباره موقعیت ارتش‌ها در جریان حمله اتریش به باواریا را در خود داشت.
فرایند انجام‌شده توسط این مدل به این ترتیب بود:
* برش خودکار تصاویر اسکن‌شده نامه به خطوط مجزا.
* شناسایی و استخراج نمادهای یونانی، ریاضی و حروف استفاده‌شده در کد.
* استفاده از الگوریتم بهینه‌سازی «تبرید شبیه‌سازی‌شده» (Simulated Annealing) برای تطبیق نمادها با دیکشنری زبان فرانسوی.
صحت این رمزگشایی توسط ساتوشی توکیمو، مسئول کاتالوگ رمزهای Cryptiana تأیید شده است. این مدل پیش‌تر نیز یک رادیوگرام آلمانی مربوط به جنگ جهانی دوم را رمزگشایی کرده بود. محتوای نامه فاش‌شده نشان می‌دهد که تحرکات نیروهای فرانسوی دقیقاً با دستورات ناپلئون در ۱۶ مارس ۱۸۰۹ مطابقت داشته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#GPT6_Astra #Simulated_Annealing
❤1
🤖 معرفی مدل‌های Intern-Decision برای تصمیم‌گیری ساختاریافته
خانواده مدل‌های Intern-Decision شامل سه مدل سبک با ۰.۸، ۲ و ۴ میلیارد پارامتر عرضه شده است. این مدل‌ها به‌جای چت عمومی، برای کارهای تخصصی مانند انتخاب ابزار، مسیریابی درخواست‌ها و مدیریت گردش‌کارهای چندوجهی بهینه شده‌اند.
این مدل‌ها متن و حداکثر ۸ تصویر را دریافت کرده و خروجی را در قالب JSON استاندارد همراه با توزیع احتمالات ارائه می‌دهند.
مهم‌ترین ویژگی‌های عملکردی:
* انجام پاسخ‌دهی به سوالات چندگزینه‌ای، امتیازی و بله/خیر در یک مرحله پردازش (Forward pass).
* مدل 4B در بنچمارک‌های تصمیم‌گیری امتیاز ۹۰.۰۲ را کسب کرده که از مدل Jev با امتیاز ۸۸.۷۴ پیشی می‌گیرد.
* تأخیر زمانی بسیار پایین (۳۳ تا ۴۴ میلی‌ثانیه) در محیط محلی Hugging Face، که آن را برای استفاده به‌عنوان لایه تصمیم‌گیر در AI Agentها مناسب می‌کند.
این پروژه تحت لایسنس Apache 2.0 منتشر شده است.
#Intern_Decision #Structured_Decision_Making
خانواده مدل‌های Intern-Decision شامل سه مدل سبک با ۰.۸، ۲ و ۴ میلیارد پارامتر عرضه شده است. این مدل‌ها به‌جای چت عمومی، برای کارهای تخصصی مانند انتخاب ابزار، مسیریابی درخواست‌ها و مدیریت گردش‌کارهای چندوجهی بهینه شده‌اند.
این مدل‌ها متن و حداکثر ۸ تصویر را دریافت کرده و خروجی را در قالب JSON استاندارد همراه با توزیع احتمالات ارائه می‌دهند.
مهم‌ترین ویژگی‌های عملکردی:
* انجام پاسخ‌دهی به سوالات چندگزینه‌ای، امتیازی و بله/خیر در یک مرحله پردازش (Forward pass).
* مدل 4B در بنچمارک‌های تصمیم‌گیری امتیاز ۹۰.۰۲ را کسب کرده که از مدل Jev با امتیاز ۸۸.۷۴ پیشی می‌گیرد.
* تأخیر زمانی بسیار پایین (۳۳ تا ۴۴ میلی‌ثانیه) در محیط محلی Hugging Face، که آن را برای استفاده به‌عنوان لایه تصمیم‌گیر در AI Agentها مناسب می‌کند.
این پروژه تحت لایسنس Apache 2.0 منتشر شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Intern_Decision #Structured_Decision_Making
🛠 عرضه ابزار متن‌باز MCP برای سرویس ترب
ابزار جدیدی برای تعامل با سرویس «ترب» با استفاده از استاندارد MCP (Model Context Protocol) منتشر شده است. این پروژه تحت لایسنس MIT در دسترس قرار گرفته و امکان استفاده از داده‌های این پلتفرم را در محیط‌های هوش مصنوعی فراهم می‌کند.
این ابزار مجموعه‌ای از قابلیت‌ها را برای کار با داده‌های تجارت الکترونیک ارائه می‌دهد که مهم‌ترین آن‌ها عبارتند از:
* جست‌وجو و مقایسه قیمت محصولات
* بررسی تاریخچه تغییرات قیمت
* امکان جست‌وجوی محصول از طریق تصویر
* دسترسی به ترندهای فعلی بازار و تخفیف‌های روز
* تحلیل گزینه‌ها بر اساس بودجه تعیین‌شده توسط کاربر
کدهای منبع و مستندات این پروژه را می‌توانید در مخزن گیت‌هاب torob-mcp مشاهده و استفاده کنید.
#MCP #Torob
ابزار جدیدی برای تعامل با سرویس «ترب» با استفاده از استاندارد MCP (Model Context Protocol) منتشر شده است. این پروژه تحت لایسنس MIT در دسترس قرار گرفته و امکان استفاده از داده‌های این پلتفرم را در محیط‌های هوش مصنوعی فراهم می‌کند.
این ابزار مجموعه‌ای از قابلیت‌ها را برای کار با داده‌های تجارت الکترونیک ارائه می‌دهد که مهم‌ترین آن‌ها عبارتند از:
* جست‌وجو و مقایسه قیمت محصولات
* بررسی تاریخچه تغییرات قیمت
* امکان جست‌وجوی محصول از طریق تصویر
* دسترسی به ترندهای فعلی بازار و تخفیف‌های روز
* تحلیل گزینه‌ها بر اساس بودجه تعیین‌شده توسط کاربر
کدهای منبع و مستندات این پروژه را می‌توانید در مخزن گیت‌هاب torob-mcp مشاهده و استفاده کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#MCP #Torob
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #131 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 پنجشنبه 1405/07/09 ساعت 14:00 تا جمعه 1405/07/10 ساعت 14:00
🔎 تحلیل کوتاه
🤖 نوآوری در مدل‌ها و ابزارها
📊 پژوهش و بنچمارک‌های هوش مصنوعی
⚖️ سیاست‌گذاری و اخلاق
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🗂 گزارش #131 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 پنجشنبه 1405/07/09 ساعت 14:00 تا جمعه 1405/07/10 ساعت 14:00
🔎 تحلیل کوتاه
بررسی‌ها نشان می‌دهد مدل‌های جدید هوش مصنوعی با قابلیت مدیریت مستقیم حافظه و استفاده از استانداردهای نوین مانند MCP، به سمت تخصصی‌تر شدن و بهبود کارایی در تصمیم‌گیری‌های ساختاریافته حرکت کرده‌اند. این تغییرات، مدل‌ها را برای فعالیت‌هایی فراتر از چت‌بات‌های عمومی آماده می‌کند.
🤖 نوآوری در مدل‌ها و ابزارها
مدل‌های هوش مصنوعی با قابلیت مدیریت مستقیم حافظه
مدل‌های جدید متا (CLM) به جای انباشت تاریخچه، با دستورات Bash حافظه خود را مدیریت و بهینه می‌کنند.
🔗 مشاهده پست
عرضه ابزار متن‌باز MCP برای سرویس ترب
استفاده از پروتکل MCP برای جست‌وجوی محصولات، تحلیل قیمت و ترندهای بازار در محیط‌های هوش مصنوعی.
🔗 مشاهده پست
معرفی مدل‌های Intern-Decision برای تصمیم‌گیری ساختاریافته
خانواده مدل‌های سبک برای مدیریت گردش‌کارهای چندوجهی و انتخاب ابزار با خروجی JSON.
🔗 مشاهده پست
کاربرد مدل Gemini 4 Argon در بهینه‌سازی زیرساخت‌های فنی
گوگل از این مدل برای بهینه‌سازی دیتاسنترها و انتقال کدهای C/C++ به Rust استفاده می‌کند.
🔗 نسخه مفصل در سایت
📊 پژوهش و بنچمارک‌های هوش مصنوعی
انتشار مجموعه داده Ego-Exo4D-HM
مجموعه‌ای برای بازسازی حرکات چهاربعدی انسان به همراه خط لوله پردازشی اختصاصی.
🔗 نسخه مفصل در سایت
⚖️ سیاست‌گذاری و اخلاق
تحقیقات رسمی کمیسیون تجارت فدرال درباره OpenAI و Anthropic
FTC بررسی گسترده‌ای را درباره خطرات و رویکردهای این دو شرکت آغاز کرده است.
🔗 نسخه مفصل در سایت
رایزنی آنتروپیک با متفکران دینی برای اخلاق مدل‌های کلود
آنتروپیک به‌دنبال تدوین معیارهای اخلاقی و بررسی احتمال هوشیاری در سیستم‌های خود است.
🔗 ادامه مطلب در سایت
🤖 مدل‌ها و ابزارهای هوش مصنوعی
تأثیر ایجنت‌های هوش مصنوعی بر مدل درآمدی سرویس‌های اشتراکی. تحقیقات.
تأثیر ایجنت‌های هوش مصنوعی بر مدل درآمدی سرویس‌های اشتراکی. تحقیقات استنفورد نشان می‌دهد حدود نیمی از درآمد سرویس‌های اشتراکی از.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🧠 تأثیر ایجنت‌های هوش مصنوعی بر اقتصاد اشتراکی
تحقیقات استنفورد نشان می‌دهد حدود ۵۰ درصد از درآمد سرویس‌های اشتراکی، حاصل کاربرانی است که اشتراک خود را فعالانه لغو نمی‌کنند. همچنین احتمال لغو اشتراک در صورت یادآوری فعال به کاربر، تا ۴ برابر افزایش می‌یابد.
ظهور ایجنت‌های هوش مصنوعی می‌تواند این مدل درآمدی را تغییر دهد. ابزارهایی مانند Muse، Instinct و Grok Bot هم‌اکنون قادر به بررسی حساب‌های کاربری و شناسایی اشتراک‌های بلااستفاده هستند.
با فراگیر شدن ایجنت‌های شخصی روی گوشی‌های هوشمند، فراموشیِ لغو اشتراک دیگر منبع درآمد پایداری برای کسب‌وکارها نخواهد بود و شرکت‌ها ناچار به بازنگری در راهکارهای حفظ مشتری خواهند شد.
#Grok_Bot #اقتصاد_اشتراکی
تحقیقات استنفورد نشان می‌دهد حدود ۵۰ درصد از درآمد سرویس‌های اشتراکی، حاصل کاربرانی است که اشتراک خود را فعالانه لغو نمی‌کنند. همچنین احتمال لغو اشتراک در صورت یادآوری فعال به کاربر، تا ۴ برابر افزایش می‌یابد.
ظهور ایجنت‌های هوش مصنوعی می‌تواند این مدل درآمدی را تغییر دهد. ابزارهایی مانند Muse، Instinct و Grok Bot هم‌اکنون قادر به بررسی حساب‌های کاربری و شناسایی اشتراک‌های بلااستفاده هستند.
با فراگیر شدن ایجنت‌های شخصی روی گوشی‌های هوشمند، فراموشیِ لغو اشتراک دیگر منبع درآمد پایداری برای کسب‌وکارها نخواهد بود و شرکت‌ها ناچار به بازنگری در راهکارهای حفظ مشتری خواهند شد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Grok_Bot #اقتصاد_اشتراکی
This media is not supported in your browser
VIEW IN TELEGRAM
📊 انتشار مجموعه داده Ego-Exo4D-HM برای بازسازی حرکت انسان
دانشگاه تگزاس در آستین مجموعه داده جدیدی با نام Ego-Exo4D-HM منتشر کرده است. این منبع شامل بازسازی‌های سه‌بعدی و چهاربعدی از حرکات انسانی است که با استفاده از داده‌های Ego-Exo4D تهیه شده است.
این پروژه علاوه بر داده‌ها، شامل یک خط لوله (pipeline) برای بازسازی حرکات نیز می‌شود. دسترسی به محتوای این پروژه از طریق لینک‌های زیر امکان‌پذیر است:
- بررسی فنی و جزئیات
- مقاله علمی
- مستندات و کد منبع
#EgoExo4D_HM #Human_Motion_Reconstruction
دانشگاه تگزاس در آستین مجموعه داده جدیدی با نام Ego-Exo4D-HM منتشر کرده است. این منبع شامل بازسازی‌های سه‌بعدی و چهاربعدی از حرکات انسانی است که با استفاده از داده‌های Ego-Exo4D تهیه شده است.
این پروژه علاوه بر داده‌ها، شامل یک خط لوله (pipeline) برای بازسازی حرکات نیز می‌شود. دسترسی به محتوای این پروژه از طریق لینک‌های زیر امکان‌پذیر است:
- بررسی فنی و جزئیات
- مقاله علمی
- مستندات و کد منبع
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#EgoExo4D_HM #Human_Motion_Reconstruction