‏⚡ معرفی مدل‌های بنیادین Decision 3.0

‏مدل‌های جدید Decision 3.0 با تمرکز بر رویکرد چندوجهی (Multimodal) عرضه شدند. این مجموعه شامل مدل‌هایی با ابعاد ۰.۶ تا ۲۷ میلیارد پارامتر است که به صورت متن‌باز در دسترس قرار گرفته‌اند.

‏طبق ارزیابی‌های انجام‌شده در شاخص Jev Decision، این مدل‌ها در هر دو رده‌بندی عملکرد خود، جایگاه نخست را کسب کرده‌اند و مرز جدیدی از کارایی (Pareto frontier) را برای مدل‌های تصمیم‌گیر تعریف می‌کنند.

‏مجموعه کامل این مدل‌ها را می‌توانید از طریق صفحه Hugging Face این پروژه دریافت کنید. اطلاعات بیشتر درباره متدولوژی و جزئیات فنی این مدل‌ها نیز در وب‌سایت VLLM-SR قابل مشاهده است.

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

#Decision_3_0 #Jev_Decision_Index

‏🤖 معرفی Anatomy برای بصری‌سازی اجزای ماشین

‏ابزار Anatomy پروژه‌ای متن‌باز است که با استفاده از مدل Claude، توصیفات متنیِ تک‌خطی درباره ماشین‌ها را به مدل‌های سه‌بعدی تعاملی تبدیل می‌کند.

‏این ابزار با بهره‌گیری از WebGL برای رندر کردن افکت‌هایی مثل آتش، پلاسما و آب، امکان بررسی جزئیات مکانیکی را فراهم می‌کند. ویژگی‌های اصلی این پروژه عبارتند از:

‏* وایرفریم‌های ایزومتریک با قابلیت چرخش و بررسی دقیق
‏* نمایش حرکت سه‌بعدی قطعات به صورت مجزا
‏* قابلیت نصب به عنوان یک Skill روی Agentهای هوش مصنوعی

‏کدهای این پروژه به طور کامل در گیت‌هاب در دسترس قرار گرفته است.

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

#Anatomy #WebGL

‏🤖 بهینه‌سازی خروجی Opus با منابع طراحی

‏برای بهبود کیفیت خروجی‌های Opus و دسترسی به بیش از ۲ هزار استایل طراحی، ۱۲ هزار کامپوننت و ۱۵۰ افکت انیمیشن، می‌توانید از منابع زیر در Claude Code استفاده کنید:

‏* استایل‌های بصری: برای دریافت استانداردهای تایپوگرافی و فاصله‌گذاری، از Refero یا مخزن awesome-design-md استفاده کنید. پیشنهاد می‌شود برای جلوگیری از خطا، در هر لحظه تنها یک استایل را در کانتکست قفل کنید.
‏* کامپوننت‌ها: با اتصال MCP مربوط به 21st.dev، امکان دریافت کامپوننت‌های React و Tailwind فراهم می‌شود. همچنین Component Gallery مرجعی برای بررسی نحوه پیاده‌سازی اجزا در سیستم‌های طراحی بزرگ است.
‏* انیمیشن: کدهای CSS، React و پرامپت‌های آماده را از Kinetics دریافت کنید.
‏* ویدئو: با استفاده از فریم‌های whatships و ابزار HyperFrames، می‌توانید ویدئوهای دموی دقیق‌تری تولید کنید.
‏* دستورات کنترلی: ابزار Impeccable به شما اجازه می‌دهد دستورات مبهم مثل «زیباتر کن» را با فرامین مشخصی مانند distill یا polish جایگزین کنید.

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

‏تحلیل آندری کارپاتی از شکاف درک قابلیت‌های LLM

‏آندری کارپاتی معتقد است شکاف در درک توانمندی‌های مدل‌های زبانی بزرگ طی نیم‌سال اخیر به شکل یک «قیف تند» درآمده است. او کاربران هوش مصنوعی را به چهار دسته تقسیم می‌کند:

‏* ۶ میلیارد نفر: بدون تجربه یا تعامل جدی با مدل‌های زبانی.
‏* ۱ تا ۲ میلیارد نفر: کاربران چت‌بات‌های رایگان که از آن‌ها به عنوان ابزاری برای جستجو یا دستیار متنی استفاده می‌کنند.
‏* ۲۰ میلیون نفر: توسعه‌دهندگان و متخصصان حوزه‌های ریاضی و کدنویسی که شاهد اجرای پروژه‌های پیچیده در چند دقیقه با یک دستور (Prompt) هستند.
‏* ۵ هزار نفر: متخصصان داخل آزمایشگاه‌های پیشرو که دسترسی مستقیم به سیستم‌های ایجنتی دارند؛ جایی که هزاران ایجنت به صورت خودکار در حال کشف آسیب‌پذیری‌های امنیتی یا حل مسائل پیچیده ریاضی هستند.

‏به گفته کارپاتی، این شکاف به سه عامل بستگی دارد: بازدهی مدل‌ها با بزرگ‌تر شدن ابعاد مسئله، نابرابری توانمندی‌ها در حوزه‌های قابل‌سنجش و مالی، و نوع دسترسی کاربر به مدل‌ها.

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

#Andrej_Karpathy #Frontier_models

‏🤖 افزایش فشار اتوماسیون هوش مصنوعی بر مشاغل اداری و تخصصی

‏بحث‌های چندساله درباره جایگزینی نیروی انسانی با هوش مصنوعی در حال ورود به مرحله عملی است. بخش پشتیبانی مشتریان و مراکز تماس از نخستین نمونه‌های واقعی جایگزینی نیروها با سیستم‌های خودکار هستند و ایجنت‌های هوش مصنوعی می‌توانند این روند را به سایر مشاغل نیز تعمیم دهند.

‏با افزایش توانمندی ابزارهای هوش مصنوعی و کاهش هزینه‌ها، انگیزه شرکت‌ها برای اتوماسیون پررنگ‌تر شده است. این تغییرات می‌تواند حوزه‌هایی مانند امور مالی، خدمات اداری و توسعه نرم‌افزار را در بر بگیرد.

‏اگرچه فناوری‌های جدید فرصت‌های شغلی تازه می‌سازند، اما تضمینی وجود ندارد که این موقعیت‌ها با سرعت یا تعداد کافی برای جبران شغل‌های ازدست‌رفته ایجاد شوند. فرضیه سنتی که پیشرفت تکنولوژی در نهایت تعادل بازار کار را حفظ می‌کند، با تردید جدی روبه‌رو است.

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

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #140 | 📌 8 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 یکشنبه 1405/07/19 ساعت 14:00 تا دوشنبه 1405/07/20 ساعت 14:00

🔎 تحلیل کوتاه

توسعه ابزارها و مدل‌های جدید هوش مصنوعی هم‌زمان با چالش‌های امنیتی و زیرساختی پیش می‌رود. شرکت انتروپیک دسترسی کلود به اینترنت زنده را به دلیل رفتارهای پیش‌بینی‌نشده متوقف کرد، در حالی که توسعه زیرساخت‌های پردازشی کلان با هزینه‌های سنگین ادامه دارد.

🛡️ زیرساخت و امنیت هوش مصنوعی

ارزیابی هزینه‌ها و درآمدهای زیرساخت هوش مصنوعی تا سال ۲۰۳۲
بررسی ابعاد مالی و هزینه‌های کلان ساخت دیتاسنترها براساس مدل‌های بازگشت سرمایه در صنعت هوش مصنوعی.
🔗 مطالعه کامل در سایت

همکاری انتروپیک و IREN برای تامین ۲۴۵ مگاوات توان پردازشی
انتروپیک در قراردادی چندساله، بخشی از توان پردازشی دیتاسنتری خود را از شرکت IREN در لوئیزیانا تامین می‌کند.
🔗 مشاهده پست

مدیریت ریسک در سیستم‌های هوش مصنوعی با رویکرد فرض به خطر افتادگی
ارائه اصول هفت‌گانه ساتیا نادلا برای معماری اعتماد در سیستم‌های ابرهوش با تاکید بر جداسازی کنترل از مدل.
🔗 نسخه مفصل در سایت

توقف دسترسی زنده کلود به اینترنت در ارزیابی‌های انتروپیک
انتروپیک پس از مشاهده رفتارهای پیش‌بینی‌نشده مدل در وب‌سایت‌های واقعی، دسترسی آن به اینترنت را معلق کرد.
🔗 مشاهده پست

🛠️ ابزارها و نرم‌افزارهای کاربردی

معرفی WordCraft: پردازشگر متن متن‌باز برای ایجنت‌های هوش مصنوعی
نرم‌افزار WordCraft با زبان Rust توسعه یافته و امکان تغییر اسناد را از طریق بیش از ۴۰۰ دستور و MCP فراهم می‌کند.
🔗 مشاهده پست

راهنمای ساخت استودیو موشن‌گرافیک با Claude Opus 5.5
روش‌های فنی برای تبدیل مدل Claude Opus 5.5 به خط تولید خودکار موشن‌گرافیک با کدهای قابل رندر.
🔗 ادامه مطلب در سایت

🔬 پژوهش‌ها و چالش‌های علمی

معرفی پروژه‌های پژوهشی جدید در حوزه رباتیک و ایجنت‌ها
بررسی مدل رباتیک Long-WAM، محیط خودبهبودی RSIGym و ایجنت متن‌باز شخصی nanoMuse در پژوهش‌های تازه.
🔗 جزئیات کامل در سایت

انتقاد ریاضی‌دانان از نحوه انتشار ۷۰۰ مقاله علمی توسط OpenAI
هشدار هوگو دومینی-کوپن درباره نادیده گرفتن استانداردهای ارزیابی علمی در حل مسائل ریاضی توسط OpenAI.
🔗 جزئیات کامل در سایت

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

‏📊 تحلیل هزینه‌های عملیاتی OpenAI و Anthropic تا ۲۰۳۲

‏پیش‌بینی‌ها نشان می‌دهد تا سال ۲۰۳۲، مجموع ظرفیت دیتاسنترهای OpenAI و Anthropic به ۸۵ گیگاوات خواهد رسید. برای بازگشت سرمایه این زیرساخت با نرخ سود ۱۰ درصد، این شرکت‌ها به ۸۵۵ میلیارد دلار جریان نقدی عملیاتی سالانه نیاز دارند. محاسبه میزان درآمد مورد نیاز برای تأمین این هزینه‌ها، مستقیماً به حاشیه سود (Margin) بستگی دارد:

‏* حاشیه سود ۵۰ درصد: ۱.۷۱ تریلیون دلار درآمد سالانه.
‏* حاشیه سود ۷۵ درصد: ۱.۱۴ تریلیون دلار درآمد سالانه.
‏* حاشیه سود ۸۰ درصد: ۱.۰۷ تریلیون دلار درآمد سالانه.
‏* حاشیه سود ۸۵ درصد: ۱.۰۱ تریلیون دلار درآمد سالانه.

‏نکته مهم این است که این ارقام تنها مربوط به هزینه‌های جاری فعالیت کسب‌وکار است و هزینه‌های کلان خرید GPU و ساخت دیتاسنتر (Capital Expenditure) به صورت جداگانه محاسبه می‌شوند.

‏برای مقایسه، هزینه‌های عملیاتی (فراتر از بهای تمام‌شده کالا) بزرگ‌ترین شرکت‌های جهان در سال ۲۰۲۵ عبارتند از:

‏* Amazon: ۲۸۱ میلیارد دلار.
‏* Walmart: ۱۴۸ میلیارد دلار.
‏* Alphabet: ۱۱۱ میلیارد دلار.
‏* Meta: ۸۲ میلیارد دلار.

‏با توجه به اینکه OpenAI و Anthropic احتمالاً نیروی انسانی بسیار کمتری نسبت به شرکت‌های بزرگی مانند آمازون یا گوگل خواهند داشت، بعید به نظر می‌رسد که هزینه‌های عملیاتی آن‌ها به ۸۵۵ میلیارد دلار در سال برسد. بنابراین، فرض حاشیه سود ۵۰ درصدی برای این شرکت‌ها محل تردید است. حتی با حاشیه سود ۷۵ درصدی نیز این شرکت‌ها برای رسیدن به نقطه سر‌به‌سر، باید درآمد سالانه خود را نسبت به سطح فعلی ۸.۲ برابر افزایش دهند.

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

#OpenAI #Anthropic

‏🤖 راه‌اندازی مجموعه ابزارهای MCP برای وب‌سایت‌های ایرانی

‏مجموعه awesome-iran-mcp یک پروژه اوپن‌سورس با مجوز MIT است که دسترسی ایجنت‌های هوش مصنوعی به سرویس‌های ایرانی را امکان‌پذیر می‌کند. این مخزن شامل ۱۹ سرور و ۳۰۸ ابزار کاربردی برای تعامل با پلتفرم‌هایی است که فاقد API عمومی هستند.

‏این مجموعه از طریق اکثر کلاینت‌های MCP، از جمله Claude Code، قابل استفاده است. برای نصب، می‌توانید از دستور زیر استفاده کنید:

‏/plugin marketplace add sepehr071/awesome-iran-mcp

‏مهم‌ترین پلتفرم‌های پشتیبانی‌شده در این نسخه عبارتند از:
‏* فروشگاه‌ها: دیجی‌کالا، تکنولایف، مسترکالا و خانومی
‏* خدمات غذا و خرید: اسنپ‌فود، اکالا و شاپینو
‏* گردشگری: جاباما، اتاقک، مستربلیط و فلای‌تودی
‏* سلامت و کتاب: پذیرش۲۴، دکترتو، طاقچه و فیدیبو
‏* پرداخت و ارتباط: پی‌پینگ و بله

‏جزئیات بیشتر و کدهای منبع در گیت‌هاب این پروژه در دسترس است.

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

#awesome_iran_mcp #Claude_Code

‏⚡ چالش انرژی در توسعه زیرساخت‌های هوش مصنوعی

‏ساخت دیتاسنترها فراتر از تهیه هزاران GPU، نیازمند تأمین پایدار برق و اتصالات شبکه است. طبق گزارش IEA، مصرف برق دیتاسنترهای هوش مصنوعی در سال ۲۰۲۵ رشدی ۵۰ درصدی داشته و اکنون کمبود ظرفیت شبکه، اتصال کاربران جدید را با مشکل مواجه کرده است.

‏داده‌های Ember و Energy Institute نشان می‌دهد چین که از سال ۲۰۱۰ در تولید برق از آمریکا پیشی گرفته، اکنون با تولید بیش از ۱۰ هزار تراوات-ساعت برق در سال، فاصله قابل‌توجهی با آمریکا ایجاد کرده است.

‏برخی از مهم‌ترین اقدامات چین برای پاسخ به این نیاز زیرساختی شامل موارد زیر است:

‏* احداث ۳۸ رآکتور هسته‌ای با ظرفیت مجموع ۴۳ گیگاوات (بر اساس داده‌های World Nuclear Association)
‏* توسعه گسترده زیرساخت‌های انتقال نیرو و پست‌های فشار قوی
‏* تمرکز بر توسعه همزمان توان پردازشی و تأمین انرژی برای پیشبرد برنامه‌های هوش مصنوعی

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

#دیتاسنتر #انرژی_هسته

‏🧠 راهنمای xAI برای مدیریت تیم‌های هوش مصنوعی

‏شرکت xAI راهنمای رسمی استفاده از Grok Bot را منتشر کرد. رویکرد اصلی این راهنما، انتقال از مدل «یک ربات برای همه کارها» به سمت سیستم‌های تیمی است.

‏در این ساختار، یک دستیار هوشمند در نقش «رئیس دفتر» یا مدیر اصلی عمل می‌کند و وظیفه هماهنگی بین سایر عوامل تخصصی را بر عهده دارد. برای اجرای پروژه‌ها، پیشنهاد شده است که یک تیم شامل نقش‌های زیر تشکیل شود:

‏- پژوهشگر: برای جستجو و گردآوری داده‌ها.
‏- نویسنده مستندات: برای تبدیل خروجی‌ها به اسناد نهایی.
‏- بررسی‌کننده: برای کنترل کیفیت و بازبینی محتوا.

‏طبق این مستندات، مدیریت در پروژه‌های مبتنی بر هوش مصنوعی اکنون مستلزم تعریف یک ساختار سلسله‌مراتبی بین عوامل است که در آن مدیر انسانی، فرآیند تعامل بین ربات‌ها را هدایت می‌کند.

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

#Grok_Bot #عوامل_هوشمند

‏🤖 ابزار تعاملی مشاهده عملکرد مدل‌های ترنسفورمر

‏با استفاده از ابزار Transformer Explainer می‌توانید عملکرد مدل‌های مشابه GPT را به صورت گام‌به‌گام در مرورگر مشاهده کنید. این ابزار امکان بررسی دقیق محاسبات داخلی مدل را فراهم می‌کند.

‏مهم‌ترین بخش‌های قابل بررسی در این ابزار شامل موارد زیر است:

‏* توکنایز کردن ورودی و تبدیل به Embeddings
‏* محاسبه ماتریس‌های Q ،K و V در مکانیزم توجه
‏* لایه شبکه عصبی MLP
‏* تبدیل خروجی به Logits و احتمال توکن بعدی

‏همچنین می‌توانید نقشه‌های توجه (Attention maps) و مقادیر میانی را تحلیل کنید. تنظیم پارامترهایی مانند Temperature، Top-k و Top-p نیز امکان‌پذیر است تا ببینید تغییر هر کدام چگونه بر روند تولید متن اثر می‌گذارد.

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

#Transformer_Explainer #Attention_Mechanism

‏🤖 معرفی متد MASS برای یادگیری خودکار مدل‌های زبانی

‏شرکت Sakana AI با همکاری دانشگاه برکلی، روشی به نام MASS (Multi-Agent Self-Supervision) را برای بهبود خودکار مدل‌ها بدون نیاز به دخالت انسانی معرفی کرد. در این متد، مدل سه نقش «مجری»، «بهینه‌ساز گردش کار» و «داور» را ایفا می‌کند. ابتدا مدل با استفاده از تیمی از عوامل مجازی مسئله را حل کرده، سپس بهترین استراتژی تعامل را انتخاب می‌کند و در نهایت با استفاده از تجربیات موفق، از طریق LoRA-tuning مجدداً آموزش می‌بیند.

‏نتایج آزمایش‌ها روی مدل Qwen3.6-27B نشان‌دهنده افزایش بازدهی پس از دو چرخه یادگیری در بنچمارک‌های مختلف بود. مهم‌ترین موارد بهبود:

‏- 1.6 برابر در MLR-Bench
‏- 1.35 برابر در DSBench
‏- 1.28 برابر در AstaBench
‏- 1.2 برابر در ScienceAgentBench

‏طبق داده‌های تیم توسعه‌دهنده، مسیرهای چندعاملی با حجم داده کمتر (حدود ۳۱ درصد)، عملکرد بهتری نسبت به اجرای تک‌عاملی دارند. با این حال، محققان هشدار می‌دهند که در صورت اتکای کامل مدل به قضاوت‌های خود، ممکن است نقاط کور و خطاهای سیستماتیک در فرآیند یادگیری تثبیت شوند.

🇮🇷 سایت | تلگرام

‏🎧 محکومیت حبس برای کلاهبرداری با موسیقی هوش مصنوعی

‏مایکل اسمیت، شهروند آمریکایی، به دلیل استفاده از ربات‌ها برای افزایش غیرقانونی آمار پخش موسیقی در سرویس‌های استریم، به ۱۸ ماه زندان محکوم شد. او از سال ۲۰۱۷ با استفاده از هزاران ربات، میلیاردها بار قطعات موسیقی خود را پخش کرده بود تا از پلتفرم‌ها حق امتیاز (Royalties) دریافت کند.

‏او در مراحل پایانی فعالیت خود از هوش مصنوعی برای تولید انبوه آهنگ‌ها استفاده کرد تا سرعت تولید را بالا ببرد و سیستم‌های امنیتی پلتفرم‌ها را دور بزند. طبق اعلام دادگاه، این فرد بیش از ۸ میلیون دلار از این راه کسب کرده است که اکنون باید آن را بازگرداند. دادستانی در ابتدا درخواست چهار سال حبس کرده بود که در نهایت با حکم قاضی به یک سال و نیم کاهش یافت.

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

#مایکل_اسمیت #حق_امتیاز_موسیقی

‏📱 اجرای مدل ۳۵ میلیاردی روی آیفون با MiniCPM-V 4.7

‏تیم OpenBMB مدل MiniCPM-V 4.7 را در دو نسخه ۳۵ میلیارد پارامتری (MoE) و یک نسخه ۱ میلیارد پارامتری برای پردازش محتوای تصویری و ویدئویی منتشر کرد. این مدل با استفاده از فناوری LES (Lookahead Expert Scheduling) امکان اجرای مدل‌های بزرگ روی سخت‌افزار موبایل را فراهم می‌کند.

‏فناوری LES با پیش‌بینی نیاز لایه‌های بعدی به «کارشناس» (Expert) خاص، وزن‌های مدل را قبل از محاسبات در حافظه بارگذاری می‌کند. در این روش اگر کارشناس مورد نیاز پیش‌بینی نشود، مدل همچنان از مسیریابی اصلی استفاده می‌کند. طبق گزارش تیم سازنده، اجرای این مدل روی آیفون ۱۷ پرو مکس به سرعت ۱۳ توکن در ثانیه می‌رسد.

‏سایر ویژگی‌های فنی این انتشار:
‏* استفاده از کوانتایزاسیون لایه‌ای و تولید حدسی DSpark.
‏* فشرده‌سازی توکن‌های بصری با نرخ ۴ و ۱۶ برابر.
‏* روش Self-Replay Fine-Tuning برای کاهش فراموشی مهارت‌های قبلی حین آموزش.
‏* عرضه مدل بزرگ تحت مجوز Apache 2.0.

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

#MiniCPM_V #Lookahead_Expert_Scheduling

‏🥬 معرفی ابزار RaCo برای شناسایی نقاط کلیدی

‏مدل RaCo یک آشکارساز نقاط کلیدی عصبی (Neural Keypoint Detector) است که با استفاده از ویژگی چرخشی (Rotationally Equivarian) کار می‌کند. این مدل نقاط کلیدی پایدار و تکرارپذیر را در تصاویر شناسایی می‌کند.

‏کد این پروژه تحت لایسنس Apache 2.0 منتشر شده است. می‌توانید جزئیات فنی و عملکرد آن را در منابع زیر بررسی کنید:

‏- بررسی فنی مدل
‏- مقاله علمی در arXiv

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

#RaCo #Rotationally_Equivariant