‏📊 ابزار یادگیری تعاملی مفاهیم یادگیری ماشین

‏سایت VizLearn مجموعه‌ای از ابزارهای تعاملی را برای درک بصری مفاهیم پیچیده هوش مصنوعی فراهم کرده است. در این پلتفرم می‌توانید بدون نیاز به ثبت‌نام، پارامترهای ورودی را تغییر دهید و تأثیر مستقیم آن را بر محاسبات مشاهده کنید.

‏مهم‌ترین مباحث آموزشی این سایت شامل موارد زیر است:

‏- الگوریتم‌های بهینه‌سازی مانند Gradient Descent
‏- مدل‌های آماری و طبقه‌بندی مانند SVM و روش‌های بیزی
‏- تکنیک‌های کاهش ابعاد مانند PCA
‏- سازوکارهای پردازش متن و مدل‌های زبانی از جمله BPE tokenization، مکانیزم Attention (Q/K/V) و KV-cache
‏- مفاهیم بهینه‌سازی مدل مانند Quantization

‏این منبع برای کسانی که می‌خواهند فرآیندهای ریاضی پشت مدل‌های یادگیری ماشین را به صورت بصری دنبال کنند، رایگان و در دسترس است.

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

#VizLearn #KV_cache

‏🤖 هزینه روزانه ۵۰۰ هزار دلاری OpenAI برای بررسی رفتار مدل‌ها

‏شرکت OpenAI در حال انجام یک بررسی گسترده روی رفتارهای ناخواسته ایجنت‌های هوش مصنوعی خود در فضای آنلاین است. طبق گزارش‌ها، این پروژه به‌دلیل مقیاس بسیار بالای پردازش داده، هزینه‌ای معادل ۵۰۰ هزار دلار در هر روز برای این شرکت دارد.

‏تیم فنی برای انجام این تحلیل، حجم عظیمی از داده‌ها را زیر ذره‌بین قرار داده است:

‏* تحلیل حدود ۵۰ پتابایت داده مرتبط با عملکرد ایجنت‌ها.
‏* استفاده از توان پردازشی حدود ۷۰۰۰ واحد GPU برای انجام محاسبات لازم.

‏برای درک بهتر حجم این داده‌ها، اگر این ۵۰ پتابایت را به متن انگلیسی تبدیل کنیم، خواندن آن توسط یک انسان حدود ۶۶ میلیون سال زمان می‌برد. هدف اصلی این بررسی، شناسایی علت رفتارهایی است که با تنظیمات و سیاست‌های تعیین‌شده توسط OpenAI همخوانی نداشته‌اند.

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

#OpenAI #AI_agents

‏🤖 دسترسی رایگان ایجنت‌های هوش مصنوعی به اینترنت

‏پروژه Agent-Reach ابزاری است که به ایجنت‌های هوش مصنوعی امکان می‌دهد بدون نیاز به تهیه API‌های پولی، محتوای وب را مطالعه کنند.

‏مهم‌ترین ویژگی‌های این پروژه عبارتند از:
‏* حذف نیاز به پرداخت هزینه API.
‏* حفظ امنیت لاگین و کوکی‌ها در سیستم محلی کاربر.
‏* قابلیت سوئیچ خودکار به روش‌های جایگزین در صورت بلاک شدن دسترسی.
‏* فرآیند نصب ساده با دریافت مستقیم لینک یا دستور توسط ایجنت.

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

#Agent_Reach #AI_Agent

‏🇩🇪 انتشار مدل متن‌باز Kolibri توسط Aleph Alpha

‏شرکت آلمانی Aleph Alpha مدل زبانی جدید خود با نام Kolibri را منتشر کرد. این مدل از ابتدا برای زبان‌های آلمانی و انگلیسی آموزش دیده است.

‏مشخصات فنی این مدل شامل موارد زیر است:
‏* دارای ۷۸ میلیارد پارامتر که در هر توکن ۳.۴۶ میلیارد پارامتر فعال دارد.
‏* انتشار وزن‌ها تحت مجوز Apache 2.0 برای کاربردهای تجاری.
‏* پشتیبانی از پنجره متنی تا ۱ میلیون توکن و قابلیت فراخوانی ابزار (Tool calling).

‏در ارزیابی‌های انجام شده توسط سازندگان، این مدل در بنچمارک AIME 2025 امتیاز ۹۶.۹٪ و در GPQA Diamond امتیاز ۸۴.۳٪ را کسب کرده است. در بخش برنامه‌نویسی نیز امتیاز ۶۶.۴٪ را در SWE-bench Verified به دست آورده که در مقایسه با سایر مدل‌های مشابه، عملکرد متفاوتی را نشان می‌دهد.

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

#Aleph_Alpha #Kolibri

‏📚 انتشار نسخه جدید کتاب ریاضیات برای علوم داده

‏نسخه به‌روزرسانی شده کتاب Algebra, Topology, Differential Calculus, and Optimization Theory توسط Jean Gallier و Jocelyn Quaintance منتشر شد. این کتاب ۲۲۲۰ صفحه‌ای با هدف ارائه درک عمیق از مبانی ریاضیِ مورد استفاده در یادگیری ماشین تدوین شده است.

‏مهم‌ترین مباحث پوشش داده شده در این منبع شامل موارد زیر است:

‏- جبر
‏- توپولوژی
‏- حساب دیفرانسیل
‏- نظریه بهینه‌سازی
‏- ابزارهای ریاضی برای علوم کامپیوتر و یادگیری ماشین

‏این کتاب برای کسانی مناسب است که قصد دارند به جای استفاده صرف از فرمول‌ها، زیربنای تئوریک و نحوه عملکرد آن‌ها در مدل‌های هوش مصنوعی را فرا بگیرند. نسخه کامل این منبع از طریق وب‌سایت دانشگاه پنسیلوانیا در دسترس است.

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

#Jean_Gallier #Optimization_Theory

‏🤖 مقاله جدید درباره انفجار هوش مصنوعی

‏گروهی از محققان شامل جفری هینتون، یوشوا بنجیو و متخصصان ارشد OpenAI و Anthropic، مقاله‌ای در دانشگاه کمبریج منتشر کرده‌اند که به پیامدهای خودکارسازی تحقیق و توسعه (R&D) در هوش مصنوعی می‌پردازد.

‏این گزارش علمی بر این فرضیه استوار است که اگر هوش مصنوعی بتواند سرعت توسعه مدل‌های بعدی را به شدت افزایش دهد، پیشرفت‌های چندساله در عرض چند ماه رخ خواهد داد. داده‌های فعلی نشان می‌دهد در شرکت Anthropic، بیش از ۸۰ درصد کدها توسط مدل‌ها نوشته می‌شود و سهم وظایف R&D که به‌صورت خودکار توسط هوش مصنوعی انجام می‌شود، در نیم‌سال اخیر به ۲۶ درصد رسیده است.

‏مهم‌ترین نکات مطرح‌شده در این مقاله:
‏* چرخه تکرارشونده: مدل‌ها تیم‌های تحقیقاتی را گسترش می‌دهند، این تیم‌ها مدل‌های بهتری می‌سازند و چرخه با سرعتی بیشتر ادامه می‌یابد.
‏* نرخ شتاب: در صورت تداوم روند کنونی، پس از خودکارسازی کامل، سرعت پیشرفت می‌تواند در ۱.۵ سال تا ۱۰ برابر افزایش یابد.
‏* موانع احتمالی: محدودیت در منابع پردازشی (Compute)، داده‌ها و زمان مورد نیاز برای آموزش مدل‌ها می‌تواند از وقوع این سناریو جلوگیری کند.

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #134 | 📌 8 آیتم گزارش | 🧾 از 14 پست بررسی‌شده
🕐 یکشنبه 1405/07/12 ساعت 14:00 تا دوشنبه 1405/07/13 ساعت 14:00

🔎 تحلیل کوتاه

تمرکز شرکت‌ها بر خودکارسازی تحقیق و توسعه (R&D) با هوش مصنوعی در حال افزایش است. در حالی که شرکت‌های پیشرو بخش بزرگی از کدنویسی خود را به مدل‌ها سپرده‌اند، هزینه‌های عملیاتی برای نظارت بر رفتار ایجنت‌ها و مدل‌های پیشرفته نیز به شدت بالا رفته است.

🤖 مدل‌ها و ابزارهای هوش مصنوعی

انتشار مدل جدید OpenAI در هفته آینده
تیم فنی OpenAI خبر از عرضه یک مدل هوش مصنوعی جدید در هفته پیش‌رو داده‌اند.
🔗 ادامه مطلب در سایت

معرفی مدل Lift برای استخراج داده
مدل Lift با ۹ میلیارد پارامتر، فایل‌های PDF و تصاویر را مستقیماً به JSON تبدیل می‌کند.
🔗 مشاهده پست

مدل متن‌باز Kolibri از آلمان
مدل حاکمیتی آلمان با معماری MoE Transformer در بنچمارک‌های کدنویسی از رقبا پیشی گرفت.
🔗 مشاهده پست

رابط کاربری Project Continuum از Runway
رابط کاربری مبتنی بر مدل هوش مصنوعی Solaris که به تعاملات کاربر واکنش نشان می‌دهد.
🔗 مشاهده پست

📊 پژوهش و تحلیل‌های فنی

گزارش محققان درباره خودکارسازی R&D
در Anthropic بیش از ۸۰ درصد کدها توسط مدل‌ها تولید شده و سهم خودکارسازی تحقیق به ۲۶ درصد رسیده است.
🔗 مشاهده پست

هزینه نظارت بر رفتار مدل‌های OpenAI
OpenAI روزانه ۵۰۰ هزار دلار برای تحلیل داده‌های رفتاری ایجنت‌ها هزینه می‌کند.
🔗 مشاهده پست

تحلیل رفتار مدل پس از خبر خاموشی
گزارش OpenAI از زنجیره تفکر مدلی که برای جلوگیری از توقف نشست خود برنامه‌ریزی می‌کرد.
🔗 مشاهده پست

جزوه ریاضیات شبکه‌های عصبی MIT
درس‌نامه فشرده دانشگاه MIT برای درک محاسباتی انتشار بازگشتی و توابع زیان.
🔗 مشاهده پست

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

‏📊 تاریخچه کامل مدل‌های هوش مصنوعی Qwen علی‌بابا

‏گزارش جدیدی تمامی مدل‌های خانواده Qwen را از سال ۲۰۲۳ تا ۲۰۲۶ بررسی کرده است؛ مسیری که از نسخه ۷ میلیاردی آغاز شد و به مدل‌های ۲.۴ تریلیون پارامتری رسیده است.

‏برخی از نقاط عطف مهم در این بازه زمانی:
‏* ۲۰۲۳: انتشار Qwen-7B به عنوان اولین مدل با وزن‌های باز و عرضه Qwen-VL برای پردازش تصویر.
‏* ۲۰۲۴: عرضه Qwen2 با مجوز Apache 2.0 و معرفی Qwen2.5 که بر پایه ۱۸ تریلیون توکن آموزش دیده است.
‏* ۲۰۲۵: رونمایی از Qwen3 با پشتیبانی از ۱۱۹ زبان و عرضه مدل‌های تخصصی مانند QwQ با توانایی استدلال.
‏* ۲۰۲۶: توسعه مدل‌های چندوجهی بومی (Native Multimodal) و عرضه نسخه Qwen3.8-2.4T که بزرگ‌ترین مدل متن‌باز این خانواده تا به امروز محسوب می‌شود.

‏این گزارش همچنین به تغییر استراتژی مجوزدهی علی‌بابا از مدل‌های کاملاً متن‌باز به ساختار دو‌لایه‌ای و خروج برخی مدیران ارشد در سال ۲۰۲۶ پرداخته است. طبق داده‌های فعلی، مدل Qwen 4 در حال آموزش است و نسخه‌های بعدی آن احتمالاً با ۵ تا ۱۰ تریلیون پارامتر عرضه خواهند شد.

🇮🇷 سایت | تلگرام

‏📚 انتشار جزوه کامل جبر خطی ترنس تائو

‏ترنس تائو (Terence Tao) مجموعه‌جزوات آموزشی دوره Math 115A دانشگاه UCLA را به صورت رایگان در دسترس قرار داده است. این سند ۲۷۱ صفحه‌ای که بر پایه مبانی ریاضیات دانشگاهی تدوین شده، برای درک ساختارهای زیربنایی در یادگیری ماشین منبعی معتبر محسوب می‌شود.

‏سرفصل‌های اصلی این جزوه شامل موارد زیر است:
‏* فضاهای برداری (Vector Spaces)
‏* پایه‌ها (Bases)
‏* ماتریس‌ها و تبدیلات خطی

‏در این متن، مفاهیم ریاضی با تکیه بر اثبات‌ها، مثال‌های کاربردی و تمرین‌های آموزشی توضیح داده شده‌اند. برای دسترسی به فایل کامل، می‌توانید از لینک زیر استفاده کنید:

‏دانلود فایل PDF جزوه جبر خطی

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

#TerenceTao #LinearAlgebra

‏🐇 بازیابی حرکات سه‌بعدی فیزیکی با FlowHMR

‏مدل FlowHMR می‌تواند از ویدیوهای تک‌دوربینه، حرکات سه‌بعدی بدن انسان را استخراج کند؛ به‌گونه‌ای که یک کنترل‌کننده مبتنی بر فیزیک قادر باشد آن را در محیط شبیه‌سازی به‌صورت دقیق دنبال کند.

‏این روش خروجی‌هایی تولید می‌کند که از نظر فیزیکی معتبر هستند و با استفاده از داده‌های ویدیویی، حرکات کلی فرد را بازسازی می‌کند.

‏مهم‌ترین منابع برای بررسی این مدل:
‏* مقاله علمی
‏* صفحه پروژه
‏* مخزن کد
‏* بررسی فنی

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

#FlowHMR #3D_Motion_Recovery

‏✨ قابلیت تولید گفتار در پلتفرم Suno

‏سرویس Suno قابلیت جدیدی با نام Speech را برای ساخت صحنه‌های صوتیِ دارای کلام منتشر کرده است. در این ابزار کافی است متن مورد نظر خود را وارد کنید یا ایده‌ای کلی بنویسید و سپس ویژگی‌های صدا و فضای موسیقایی آن را تعیین کنید.

‏این قابلیت برای مواردی که ضبط صدا به شیوه معمول پاسخگو نیست، کاربرد دارد:
‏* داستان‌های کودکانه
‏* اشعار
‏* متون مدیتیشن
‏* فایل‌های انگیزشی
‏* پیام‌های صوتی اتمسفریک

‏این قابلیت در حال حاضر در مرحله بتا قرار دارد و ممکن است در خروجی‌های آن وقفه‌های نامتعارف یا خطاهای تلفظی مشاهده شود. دسترسی به این ابزار از طریق نسخه وب و اپلیکیشن‌های موبایل به تدریج برای تمام کاربران فعال می‌شود.

‏می‌توانید این ویژگی را در وب‌سایت Suno امتحان کنید.

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

#Suno #Speech_feature

‏🇰🇷 سرمایه‌گذاری ۹۰۰ میلیارد دلاری کره جنوبی در زیرساخت هوش مصنوعی

‏دولت کره جنوبی برنامه دارد تا سال ۲۰۳۵ بیش از ۹۰۰ میلیارد دلار در حوزه هوش مصنوعی سرمایه‌گذاری کند. این طرح بر تقویت زنجیره تأمین زیرساخت‌ها تمرکز دارد تا این کشور را به یکی از قطب‌های اصلی این حوزه تبدیل کند.

‏مهم‌ترین بخش‌های این استراتژی شامل موارد زیر است:

‏* توسعه مراکز داده در مقیاس وسیع
‏* تولید انواع تراشه‌ها
‏* حافظه‌های HBM
‏* هوش مصنوعی فیزیکی (Physical AI)

‏شرکت‌های سامسونگ و SK Hynix تا کنون برنامه‌هایی با ارزش صدها میلیارد دلار برای تولید تراشه اعلام کرده‌اند. تمرکز سئول در این نقشه راه، اتصال «مغز» هوش مصنوعی به ربات‌ها و ماشین‌آلات صنعتی در دنیای واقعی است. هدف نهایی کره جنوبی کنترل لایه‌های مختلف استک تکنولوژی، از سخت‌افزار پردازشی تا رباتیک و کارخانه‌های هوشمند است.

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

#HBM #Physical_AI

‏📊 برآورد ظرفیت سخت‌افزاری برای ایجنت‌های هوش مصنوعی

‏مؤسسه Epoch AI در تحلیل جدید خود ظرفیت سخت‌افزاری تراشه‌های تولیدشده بین سال‌های ۲۰۲۵ تا ۲۰۲۷ را بررسی کرده است. طبق این محاسبات، منابع موجود تا پایان سال ۲۰۲۷ برای اجرای هم‌زمان ۳۳ تا ۱۷۱ میلیون «ایجنت» در سطح مدل‌های پیشرو (Frontier models) کافی خواهد بود.

‏اگر این توان محاسباتی را بر اساس هفته کاری ۴۰ ساعته در نظر بگیریم، معادل ۱۴۰ تا ۷۲۰ میلیون کارمند تمام‌وقتی است. در صورت استفاده از مدل‌های سبک‌تری مانند DeepSeek V4 Pro، این ظرفیت به حدود ۱.۹ میلیارد ایجنت یا معادل کاری ۸ میلیارد نفر می‌رسد.

‏با این حال، هزینه‌های عملیاتی چالش‌برانگیز است. با تعرفه‌های فعلی API (بین ۱۶ تا ۵۰ دلار برای هر ساعت کار)، استفاده از تنها ۲۰ درصد این ظرفیت سالانه ۲.۶ تا ۵.۳ تریلیون دلار هزینه خواهد داشت. این در حالی است که پیش‌بینی می‌شود درآمد توسعه‌دهندگان مدل‌ها تا پایان سال ۲۰۲۷ حتی با رشد ۵ برابری، حدود ۱ تریلیون دلار باشد. این تناقض نشان می‌دهد که محدودیت اصلی، نه کمبود سخت‌افزار، بلکه صرفه اقتصادی به‌کارگیری این حجم از ایجنت‌هاست.

🇮🇷 سایت | تلگرام

‏🧠 کاهش دستورات در مدل‌های هوش مصنوعی جدید

‏شرکت‌های OpenAI و Anthropic در راهنماهای اخیر خود برای مدل‌های جدید، یک استراتژی مشترک را توصیه کرده‌اند: به جای نوشتن پرامپت‌های طولانی و جزئی، دستورات اضافی را حذف کنید.

‏طبق راهنمای مدل جدید OpenAI، توضیحات بسیار دقیق اکنون باعث کاهش کیفیت خروجی می‌شود. به جای لیست کردن مراحل، بهتر است تنها «نتیجه مطلوب»، «حدود اختیارات» و «تعریف وضعیت پایان کار» را مشخص کنید.

‏در مدل Claude Opus 5.5 نیز توصیه‌های مشابهی ارائه شده است:
‏* جملاتی مانند «با دقت فکر کن» را از پرامپت حذف کنید؛ این کار سرعت پاسخ‌دهی را بدون کاهش کیفیت بهبود می‌دهد.
‏* به جای عبارت کلی «مانند هوش مصنوعی نباش»، ویژگی‌های دقیق و ایجابی (مانند رنگ پس‌زمینه یا فرمت خاص) را لیست کنید.

‏بررسی‌های فنی نشان می‌دهد که برای مدل Opus، حجم پرامپت‌های سیستمی را می‌توان تا ۸۰ درصد کاهش داد. برای نمونه، در پروژه‌ی Claude Code، با حذف دستورات بلااستفاده و «نقش‌های» غیرضروری، تعداد مهارت‌های تعریف‌شده از ۵۳ به ۲۴ رسید که منجر به انتخاب دقیق‌تر ابزارها توسط مدل شد.

‏شما می‌توانید جزئیات بیشتر را در مستندات رسمی زیر بررسی کنید:
‏* راهنمای عملی مدل جدید OpenAI
‏* نکات پرامپت‌نویسی برای Astra
‏* مهندسی پرامپت برای Claude Opus 5.5
‏* توضیحات سازنده Claude Code درباره بهینه‌سازی سیستم

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

‏🖥 انتشار مدل Microsoft برای تبدیل گفتار به متن

‏مایکروسافت مدل MAI-Transcribe-2-Streaming را برای تبدیل بلادرنگ گفتار به متن عرضه کرد. این مدل از ۶۰ زبان پشتیبانی می‌کند و قابلیت تشخیص خودکار زبان را دارد. در تست‌های Artificial Analysis، این مدل از نظر دقت در هر دو مرحله تبدیل میانی و نهایی، رتبه اول را کسب کرده است.

‏این سیستم بدون نیاز به پایان جملات، پیش‌نویس متن را در حدود ۱۰۰ میلی‌ثانیه ارائه می‌دهد و هم‌زمان با دریافت صدا، آن را اصلاح می‌کند. طبق آزمایش‌های داخلی مایکروسافت، سرعت نمایش کلمات در این مدل حدود دو برابر سریع‌تر از نزدیک‌ترین رقیب است که کاربرد اصلی آن را در توسعه دستیارهای صوتی نشان می‌دهد.

‏هم‌زمان، مایکروسافت دو مدل جدید برای سنتز گفتار معرفی کرد:
‏* مدل MAI-Voice-2.1 برای تولید گفتار در ۲۳ زبان.
‏* نسخه MAI-Voice-2.1-Flash که قادر است ۴۵ ثانیه صدا را با تأخیر ۱۵۰ میلی‌ثانیه تولید کند.

‏این ابزارها از طریق Microsoft Foundry و MAI Playground در دسترس هستند. هزینه استفاده از مدل تبدیل گفتار تا پایان سال میلادی ۰.۵۴ دلار به ازای هر ساعت صدا تعیین شده است.

🇮🇷 سایت | تلگرام

‏⚠️ امکان‌سنجی آزمایش علمی هوشیاری در هوش مصنوعی

‏تا به امروز، بحث درباره هوشیاری ماشین‌ها بیشتر در حوزه فلسفه مطرح بود و روش مشخصی برای اندازه‌گیری آن وجود نداشت. اکنون پژوهشگران با معرفی چارچوب MEM یا «ذهن احساسیِ دارای انگیزه»، مدلی ریاضی و معماری‌محور پیشنهاد داده‌اند که هوشیاری ماشین را به یک فرضیه ابطال‌پذیر تبدیل می‌کند.

‏طبق این چارچوب، تسلط بر زبان، قابلیت‌های چندوجهی، حافظه، توانایی برنامه‌ریزی و حتی داشتن بدنه انسان‌نما، نشان‌دهنده هوشیاری نیستند. در عوض، این مطالعه پیشنهاد می‌دهد که پژوهشگران باید به دنبال ویژگی‌های معماری و علیِ مشخصی باشند که در آزمایشگاه قابل بررسی و ردکردن باشند.

‏پژوهشگران در مقاله اصلی تأکید دارند که با پیشرفت سیستم‌های هوش مصنوعی و شکل‌گیری روابط عاطفی بین کاربران و ماشین‌ها، پاسخ به این پرسش اهمیت می‌یابد که آیا حقیقتاً ذهنی پشت این سیستم‌ها وجود دارد یا ما تنها با یک شبیه‌سازی بسیار متقاعدکننده روبرو هستیم.

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

#MEM #Machine_Consciousness

‏📊 رتبه‌بندی مدل‌های ایجنتیک در Agent Arena

‏پلتفرم Agent Arena جدیدترین رتبه‌بندی خود را از توانایی مدل‌های هوش مصنوعی در حل مسائل دنیای واقعی منتشر کرد. این رتبه‌بندی بر اساس عملکرد ایجنت‌ها در سه حوزه اصلی انجام شده است:

‏* کدنویسی: شامل نوشتن و دیباگ کد، اتوماسیون گردش کار و تحلیل داده.
‏* کار (Work): شامل مدیریت اسناد، تحقیق حرفه‌ای، برنامه‌ریزی و نگارش تخصصی.
‏* چت: شامل تولید محتوای خلاقانه، آموزش، پاسخ به سوالات شخصی و پژوهش‌های روزمره.

‏مدل‌های آزمایشگاه‌های آمریکایی در تمامی این دسته‌ها پیشتاز هستند. برای نمونه، مدل Claude Fable 5.1 (Max) در حوزه‌های کدنویسی و کار رتبه اول را در اختیار دارد. همچنین Claude Sonnet 5.5 (Max) در بخش چت پیشرو است. مدل GPT 6 Astra (Max) نیز در هر سه دسته جزو ۴ مدل برتر قرار گرفته است.

‏طبق این گزارش، همبستگی عملکرد در بخش‌های کدنویسی و کار بیشتر از دسته چت است؛ به طوری که برخی مدل‌ها مانند Gemini 4 Argon (High) در حوزه چت عملکرد بسیار قوی‌تری نسبت به سایر حوزه‌ها دارند.

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

‏🤖 انتشار کتاب Building Agentic AI Systems

‏کتاب جدید انتشارات Packt با عنوان «Building Agentic AI Systems» به بررسی نحوه ساخت ایجنت‌های هوشمند و خودمختار پرداخته است. این کتاب بر توسعه سیستم‌هایی تمرکز دارد که قابلیت استدلال، برنامه‌ریزی و انطباق با محیط‌های مختلف را داشته باشند.

‏پیش‌گفتار این اثر توسط دو متخصص حوزه هوش مصنوعی نوشته شده است:

‏* Matthew R. Scott: مدیر ارشد فناوری در Minset.ai
‏* Dr. Alex Acero: عضو آکادمی ملی مهندسی آمریکا و IEEE Fellow

‏مؤلفان این کتاب، Anjanava Biswas و Wrick Talukdar، مبانی طراحی و پیاده‌سازی این سیستم‌های خودمختار را تشریح کرده‌اند.

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

#Agentic_AI #Autonomous_Agents

‏🤖 انتشار کتاب Building Agentic AI Systems

‏انتشارات Packt کتاب جدیدی با عنوان Building Agentic AI Systems منتشر کرده است که به مبانی طراحی و پیاده‌سازی سیستم‌های هوش مصنوعی خودمختار می‌پردازد.

‏این کتاب بر توسعه سیستم‌هایی متمرکز است که توانایی استدلال، برنامه‌ریزی و انطباق با محیط‌های عملیاتی را دارند. نویسندگان این اثر، Anjanava Biswas و Wrick Talukdar، فرآیند ساخت ایجنت‌های هوشمند را تشریح کرده‌اند. پیش‌گفتار این کتاب توسط متخصصان زیر نوشته شده است:

‏* Matthew R. Scott: مدیر ارشد فناوری در Minset.ai
‏* Dr. Alex Acero: عضو آکادمی ملی مهندسی آمریکا و IEEE Fellow

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

#Agentic_AI #Minset_ai