This media is not supported in your browser
VIEW IN TELEGRAM
🤖 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
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.
#مایکل_اسمیت #حق_امتیاز_موسیقی
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.
#MiniCPM_V #Lookahead_Expert_Scheduling
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
This media is not supported in your browser
VIEW IN TELEGRAM
🥬 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
#RaCo #Rotationally_Equivariant
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
🤖 دسترسی مدل‌های هوش مصنوعی به فایل‌های سیستم‌عامل
ابزار MCP Desktop Commander امکان اتصال نسخه‌های تحت‌وب ChatGPT و Claude به سیستم‌عامل را فراهم می‌کند.
با استفاده از این افزونه، نیازی به کپی و پیست کردن کدها از سایت به محیط برنامه‌نویسی نیست. کافی است به مدل دستور دهید تا فایل‌های مورد نظر را مستقیماً در فولدر پروژه ایجاد یا ویرایش کند. این ابزار از طریق پروتکل MCP بر روی نسخه رسمی سایت فعال می‌شود.
#MCP_Desktop_Commander #Model_Context_Protocol
ابزار MCP Desktop Commander امکان اتصال نسخه‌های تحت‌وب ChatGPT و Claude به سیستم‌عامل را فراهم می‌کند.
با استفاده از این افزونه، نیازی به کپی و پیست کردن کدها از سایت به محیط برنامه‌نویسی نیست. کافی است به مدل دستور دهید تا فایل‌های مورد نظر را مستقیماً در فولدر پروژه ایجاد یا ویرایش کند. این ابزار از طریق پروتکل MCP بر روی نسخه رسمی سایت فعال می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#MCP_Desktop_Commander #Model_Context_Protocol
🚀 معرفی QwenGyre برای بهینه‌سازی آموزش ایجنت‌های هوش مصنوعی
تیم Qwen سیستم جدیدی به نام
ویژگی‌های کلیدی این سیستم عبارتند از:
• Elastic Scheduler: مدیریت پویا و اختصاص منابع GPU به بخش‌های تولید مسیر و آموزش، بدون ایجاد وقفه در تسک‌های فعال.
• Trajectory Processor: ترکیب مسیرهای شاخه‌بندی شده، حذف داده‌های تکراری و پردازش تسک‌هایی که تنها به صورت جزئی انجام شده‌اند.
طبق نتایج آزمایش‌ها، این سیستم باعث افزایش ۱.۸۵ برابری سرعت نسبت به
جزئیات فنی بیشتر را می‌توانید در مقاله منتشر شده در arXiv مطالعه کنید.
تیم Qwen سیستم جدیدی به نام
QwenGyre را برای آموزش ایجنت‌های هوش مصنوعی ارائه کرده است. این ابزار برای تسک‌هایی با افق زمانی بسیار طولانی طراحی شده که ممکن است ساعت‌ها به طول انجامند و صدها هزار توکن تولید کنند. در روش‌های فعلی، پردازنده‌های گرافیکی هنگام تولید مسیرهای تکراری دچار اتلاف منابع می‌شوند.ویژگی‌های کلیدی این سیستم عبارتند از:
• Elastic Scheduler: مدیریت پویا و اختصاص منابع GPU به بخش‌های تولید مسیر و آموزش، بدون ایجاد وقفه در تسک‌های فعال.
• Trajectory Processor: ترکیب مسیرهای شاخه‌بندی شده، حذف داده‌های تکراری و پردازش تسک‌هایی که تنها به صورت جزئی انجام شده‌اند.
طبق نتایج آزمایش‌ها، این سیستم باعث افزایش ۱.۸۵ برابری سرعت نسبت به
Colocate و بهبود ۱.۷۸ برابری نسبت به Async شده است. همچنین دقت مدل در NL2RepoBench پس از ۴مهم‌ترین مراحل آموزش، از ۵۲.۵٪ به ۵۸.۵٪ رسیده است.جزئیات فنی بیشتر را می‌توانید در مقاله منتشر شده در arXiv مطالعه کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 معرفی مدل‌های جدید هوش مصنوعی Muse Wonder توسط متا
متا از خانواده مدل‌های جدید خود به نام Muse Wonder با تمرکز بر وظایف عاملی (Agentic tasks) رونمایی کرد. این مجموعه شامل دو مدل Muse Wonder و نسخه پیشرفته‌تر Muse Wonder Full است.
بر اساس نتایج منتشر شده توسط متا، نسخه Full در مهم‌ترین موارد از ۱۴ بنچمارک، عملکرد بهتری نسبت به Claude Opus 3.5 داشته است. این مدل در حوزه‌های برنامه‌نویسی طولانی، امور حقوقی و اتوماسیون فرآیندهای تجاری، از GPT-6 Astra و Claude Fable 5.1 پیشی گرفته است.
مهم‌ترین نتایج عملکرد این مدل عبارتند از:
- کسب امتیاز ۵۷.۵ در بنچمارک مهندسی SWE-Marathon در برابر امتیاز ۴۶.۳ برای مدل Opus 3.5.
- کسب امتیاز ۷۹.۰ در آزمون برنامه‌نویسی DeepSWE 1.1.
- ثبت امتیاز ۱۳.۱ در بنچمارک حقوقی Harvey که در آن تنها پاسخ‌های بدون توهم (Hallucination) محاسبه می‌شوند.
مدل‌های Muse Wonder با استفاده از معماری Active Memory و Active Focus در مرکز داده Prometheus آموزش دیده‌اند. در حال حاضر دسترسی به این مدل‌ها از طریق Meta Model API و پلتفرم Muse Code امکان‌پذیر است.
🇮🇷 سایت | تلگرام
متا از خانواده مدل‌های جدید خود به نام Muse Wonder با تمرکز بر وظایف عاملی (Agentic tasks) رونمایی کرد. این مجموعه شامل دو مدل Muse Wonder و نسخه پیشرفته‌تر Muse Wonder Full است.
بر اساس نتایج منتشر شده توسط متا، نسخه Full در مهم‌ترین موارد از ۱۴ بنچمارک، عملکرد بهتری نسبت به Claude Opus 3.5 داشته است. این مدل در حوزه‌های برنامه‌نویسی طولانی، امور حقوقی و اتوماسیون فرآیندهای تجاری، از GPT-6 Astra و Claude Fable 5.1 پیشی گرفته است.
مهم‌ترین نتایج عملکرد این مدل عبارتند از:
- کسب امتیاز ۵۷.۵ در بنچمارک مهندسی SWE-Marathon در برابر امتیاز ۴۶.۳ برای مدل Opus 3.5.
- کسب امتیاز ۷۹.۰ در آزمون برنامه‌نویسی DeepSWE 1.1.
- ثبت امتیاز ۱۳.۱ در بنچمارک حقوقی Harvey که در آن تنها پاسخ‌های بدون توهم (Hallucination) محاسبه می‌شوند.
مدل‌های Muse Wonder با استفاده از معماری Active Memory و Active Focus در مرکز داده Prometheus آموزش دیده‌اند. در حال حاضر دسترسی به این مدل‌ها از طریق Meta Model API و پلتفرم Muse Code امکان‌پذیر است.
🇮🇷 سایت | تلگرام
⚡️ مایکروسافت و استقرار تراشه‌های اختصاصی Maia
مایکروسافت اعلام کرده است که از سال ۲۰۲۷، خانواده تراشه‌های Maia به پلتفرم اصلی این شرکت برای اجرای عملیات استنتاج (Inference) در خدمات و محصولات خود تبدیل خواهد شد. این استقرار در مقیاس چند گیگاوات برنامه‌ریزی شده است.
در همین راستا، تراشه جدید Maia 300 معرفی شده که طبق اعلام مایکروسافت، ۴۰ درصد بهره‌وری بیشتری در تعداد توکن بر وات نسبت به سیستم‌های مبتنی بر GPU ارائه می‌دهد. نسل پیشین این تراشه‌ها یعنی Maia 200 هم‌اکنون در مراکز داده ایالات متحده، اروپا و استرالیا فعال است و کارایی توکن بر وات را در سرویس‌های Teams و Copilot تا ۱.۷ برابر افزایش داده است.
مهم‌ترین نکات فنی:
* اولویت‌بندی متریک «توکن بر وات» به جای «ترافلاپس» برای بهینه‌سازی هزینه‌های عملیاتی Copilot.
* کاهش وابستگی به محصولات Nvidia و کنترل کامل بر پشته نرم‌افزار و سخت‌افزار.
* برنامه‌ریزی برای تولید حدود ۳۰۰ هزار واحد از تراشه Maia 300 با همکاری TSMC.
#Maia_300 #Inference
مایکروسافت اعلام کرده است که از سال ۲۰۲۷، خانواده تراشه‌های Maia به پلتفرم اصلی این شرکت برای اجرای عملیات استنتاج (Inference) در خدمات و محصولات خود تبدیل خواهد شد. این استقرار در مقیاس چند گیگاوات برنامه‌ریزی شده است.
در همین راستا، تراشه جدید Maia 300 معرفی شده که طبق اعلام مایکروسافت، ۴۰ درصد بهره‌وری بیشتری در تعداد توکن بر وات نسبت به سیستم‌های مبتنی بر GPU ارائه می‌دهد. نسل پیشین این تراشه‌ها یعنی Maia 200 هم‌اکنون در مراکز داده ایالات متحده، اروپا و استرالیا فعال است و کارایی توکن بر وات را در سرویس‌های Teams و Copilot تا ۱.۷ برابر افزایش داده است.
مهم‌ترین نکات فنی:
* اولویت‌بندی متریک «توکن بر وات» به جای «ترافلاپس» برای بهینه‌سازی هزینه‌های عملیاتی Copilot.
* کاهش وابستگی به محصولات Nvidia و کنترل کامل بر پشته نرم‌افزار و سخت‌افزار.
* برنامه‌ریزی برای تولید حدود ۳۰۰ هزار واحد از تراشه Maia 300 با همکاری TSMC.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Maia_300 #Inference
🛡 مقابله آنتروپیک با حملات تقطیر مدل Claude
شرکت Anthropic اعلام کرد با اعمال محدودیت‌های جدید، امکان کپی‌برداری از استدلال‌های مدل Claude توسط سایر مدل‌ها (Distillation) را ۹۰ تا ۹۹ درصد کاهش داده است. در این حملات، مهاجمان با استفاده از خروجی‌های دقیق مدل‌های پیشرفته، مدل‌های کوچک‌تر خود را آموزش می‌دهند تا قابلیت‌های مشابه را با هزینه کمتر شبیه‌سازی کنند.
مهم‌ترین تغییرات اعمال شده شامل موارد زیر است:
* محدود کردن انتقال داده‌های استدلالی بین حساب‌ها و مدل‌های مختلف
* به‌کارگیری طبقه‌بندی‌کننده دو مرحله‌ای برای شناسایی الگوهای استخراج داده
* تشدید محدودیت‌ها و مسدودسازی حساب‌های مشکوک
طبق بررسی‌ها، استفاده از استدلال‌های کامل Claude در فرآیند آموزش، عملکرد مدل‌ها در بنچمارک SWE-bench Verified را به ۸۰.۴ درصد می‌رساند، در حالی که بدون این داده‌ها، دقت مدل به ۷۱.۸ درصد کاهش می‌یابد.
این تغییرات برخی کاربران قانونی را نیز تحت تأثیر قرار داده و آن‌ها را ملزم به به‌روزرسانی در یکپارچه‌سازی‌های نرم‌افزاری خود کرده است.
شرکت Anthropic اعلام کرد با اعمال محدودیت‌های جدید، امکان کپی‌برداری از استدلال‌های مدل Claude توسط سایر مدل‌ها (Distillation) را ۹۰ تا ۹۹ درصد کاهش داده است. در این حملات، مهاجمان با استفاده از خروجی‌های دقیق مدل‌های پیشرفته، مدل‌های کوچک‌تر خود را آموزش می‌دهند تا قابلیت‌های مشابه را با هزینه کمتر شبیه‌سازی کنند.
مهم‌ترین تغییرات اعمال شده شامل موارد زیر است:
* محدود کردن انتقال داده‌های استدلالی بین حساب‌ها و مدل‌های مختلف
* به‌کارگیری طبقه‌بندی‌کننده دو مرحله‌ای برای شناسایی الگوهای استخراج داده
* تشدید محدودیت‌ها و مسدودسازی حساب‌های مشکوک
طبق بررسی‌ها، استفاده از استدلال‌های کامل Claude در فرآیند آموزش، عملکرد مدل‌ها در بنچمارک SWE-bench Verified را به ۸۰.۴ درصد می‌رساند، در حالی که بدون این داده‌ها، دقت مدل به ۷۱.۸ درصد کاهش می‌یابد.
این تغییرات برخی کاربران قانونی را نیز تحت تأثیر قرار داده و آن‌ها را ملزم به به‌روزرسانی در یکپارچه‌سازی‌های نرم‌افزاری خود کرده 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 #141 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 دوشنبه 1405/07/20 ساعت 14:00 تا سه‌شنبه 1405/07/21 ساعت 14:00
🔎 تحلیل کوتاه
🌐 مدل‌ها و تحولات صنعت
⚡ بهینه‌سازی و سخت‌افزار
🤖 ابزارهای ایجنتیک و یادگیری
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🗂 گزارش #141 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 دوشنبه 1405/07/20 ساعت 14:00 تا سه‌شنبه 1405/07/21 ساعت 14:00
🔎 تحلیل کوتاه
تمرکز اصلی توسعه‌دهندگان بر افزایش بهره‌وری ایجنت‌های هوش مصنوعی معطوف شده است. معرفی ابزارهای نوین برای آموزش ایجنت‌های هوش مصنوعی و پروتکل‌های تعاملی جدید، امکان اجرای وظایف پیچیده را با مصرف بهینه منابع فراهم می‌کند.
🌐 مدل‌ها و تحولات صنعت
تحولات مدل‌های زبانی در اکتبر ۲۰۲۶
مروری بر عرضه مدل‌های جدید نظیر GPT-6، Claude Haiku 5.5 و ابزارهای پایش ایجنت‌ها.
🔗 نسخه مفصل در سایت
رقابت مدل‌های چینی با شرکت‌های آمریکایی
عرضه ۱۶ مدل جدید توسط بازیگران چینی از جمله DeepSeek برای به چالش کشیدن سلطه آمریکا.
🔗 ادامه مطلب در سایت
متا و مدل‌های Muse Wonder
رونمایی از مدل‌های تخصصی برای وظایف عاملی با عملکردی فراتر از مدل‌های پیشرو فعلی.
🔗 مشاهده پست
⚡ بهینه‌سازی و سخت‌افزار
پیش‌بینی هزینه‌های زیرساختی OpenAI
تحلیل نیاز به درآمد تریلیون‌دلاری برای تأمین هزینه‌های دیتاسنترها تا سال ۲۰۳۲.
🔗 مشاهده پست
تراشه‌های اختصاصی Maia مایکروسافت
برنامه مایکروسافت برای جایگزینی زیرساخت استنتاج با تراشه‌های Maia جهت بهبود کارایی انرژی.
🔗 مشاهده پست
اجرای مدل روی موبایل با MiniCPM-V 4.7
بهره‌گیری از فناوری LES برای اجرای مدل ۳۵ میلیاردی روی آیفون با سرعت ۱۳ توکن بر ثانیه.
🔗 مشاهده پست
🤖 ابزارهای ایجنتیک و یادگیری
متد MASS برای یادگیری خودکار
استفاده از تیمی از عوامل مجازی برای حل مسئله و بهبود مدل بدون دخالت انسانی.
🔗 مشاهده پست
🤖 مدل‌ها و ابزارهای هوش مصنوعی
واکنش هوگو دومینیل-کوپن به توانایی OpenAI در حل مسائل پیچیده ریاضی.
هوگو دومینیل-کوپن، برنده مدال فیلدز، پس از آنکه OpenAI موفق به حل ۱۶ مسئله ریاضی مورد پژوهش او شد، از تهدید علیه حوزه‌های تحقیقاتی.
🔗 نسخه مفصل در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
📊 استخدام متخصص Pricing Data Scientist در افق کوروش
شرکت افق کوروش برای ستاد مرکزی خود به دنبال جذب متخصص داده‌محور در حوزه قیمت‌گذاری است. این موقعیت شغلی بر حل چالش‌های قیمت‌گذاری در مقیاس بزرگ متمرکز است.
داوطلبان برای این نقش باید در زمینه‌های زیر تجربه کافی داشته باشند:
* مدل‌سازی پیش‌بینی (Predictive Modeling)
* روش‌های بهینه‌سازی (Optimization)
* تحلیل دقیق قیمت‌گذاری در صنعت خرده‌فروشی
* کار با ابزارها و زبان‌های تحلیل داده
اگر در این حوزه‌ها تجربه دارید و به فعالیت در تیم‌های تحلیل داده علاقه‌مندید، می‌توانید از طریق لینک زیر جزئیات بیشتر را مشاهده و رزومه خود را ارسال کنید:
لینک مشاهده فرصت شغلی و ارسال رزومه
#افق_کوروش #Optimization
شرکت افق کوروش برای ستاد مرکزی خود به دنبال جذب متخصص داده‌محور در حوزه قیمت‌گذاری است. این موقعیت شغلی بر حل چالش‌های قیمت‌گذاری در مقیاس بزرگ متمرکز است.
داوطلبان برای این نقش باید در زمینه‌های زیر تجربه کافی داشته باشند:
* مدل‌سازی پیش‌بینی (Predictive Modeling)
* روش‌های بهینه‌سازی (Optimization)
* تحلیل دقیق قیمت‌گذاری در صنعت خرده‌فروشی
* کار با ابزارها و زبان‌های تحلیل داده
اگر در این حوزه‌ها تجربه دارید و به فعالیت در تیم‌های تحلیل داده علاقه‌مندید، می‌توانید از طریق لینک زیر جزئیات بیشتر را مشاهده و رزومه خود را ارسال کنید:
لینک مشاهده فرصت شغلی و ارسال رزومه
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#افق_کوروش #Optimization
📊 میزان مواجهه گروه‌های شغلی با LLM و ربات‌ها
مطالعات آماری نشان می‌دهد مشاغل مختلف به شکل متفاوتی در معرض تأثیر مدل‌های زبانی بزرگ (LLM) و سیستم‌های رباتیک قرار دارند. داده‌ها مشاغل را بر اساس نوع مواجهه دسته‌بندی کرده‌اند.
مهم‌ترین یافته‌ها در گروه‌های شغلی:
* مشاغل دانش‌محور: حوزه‌هایی مانند حقوق، تجارت و امور مالی، کامپیوتر و ریاضیات، و پشتیبانی اداری بیشترین مواجهه (نزدیک به ۱۰۰٪) را با مدل‌های زبانی بزرگ دارند.
* مشاغل فیزیکی و عملیاتی: در بخش‌هایی مانند تولید، حمل‌ونقل، آماده‌سازی غذا و نظافت، تأثیر ربات‌ها بسیار بیشتر از مدل‌های زبانی است.
* ترکیب مواجهه: گروه‌هایی مثل مدیریت و فروش با هر دو فناوری LLM و ربات‌ها مواجهه بسیار بالایی دارند.
در حالی که محور این داده‌ها بر میزان مواجهه از ۲۰ تا ۱۰۰ درصد متمرکز است، الگوی کلی نشان می‌دهد که ابزارهای هوش مصنوعی مولد بیشتر مشاغل اداری و تحلیل‌محور را هدف قرار داده‌اند، در حالی که توسعه رباتیک تغییرات بیشتری در محیط‌های فیزیکی و تولیدی ایجاد کرده است.
#LLM #سیستم
مطالعات آماری نشان می‌دهد مشاغل مختلف به شکل متفاوتی در معرض تأثیر مدل‌های زبانی بزرگ (LLM) و سیستم‌های رباتیک قرار دارند. داده‌ها مشاغل را بر اساس نوع مواجهه دسته‌بندی کرده‌اند.
مهم‌ترین یافته‌ها در گروه‌های شغلی:
* مشاغل دانش‌محور: حوزه‌هایی مانند حقوق، تجارت و امور مالی، کامپیوتر و ریاضیات، و پشتیبانی اداری بیشترین مواجهه (نزدیک به ۱۰۰٪) را با مدل‌های زبانی بزرگ دارند.
* مشاغل فیزیکی و عملیاتی: در بخش‌هایی مانند تولید، حمل‌ونقل، آماده‌سازی غذا و نظافت، تأثیر ربات‌ها بسیار بیشتر از مدل‌های زبانی است.
* ترکیب مواجهه: گروه‌هایی مثل مدیریت و فروش با هر دو فناوری LLM و ربات‌ها مواجهه بسیار بالایی دارند.
در حالی که محور این داده‌ها بر میزان مواجهه از ۲۰ تا ۱۰۰ درصد متمرکز است، الگوی کلی نشان می‌دهد که ابزارهای هوش مصنوعی مولد بیشتر مشاغل اداری و تحلیل‌محور را هدف قرار داده‌اند، در حالی که توسعه رباتیک تغییرات بیشتری در محیط‌های فیزیکی و تولیدی ایجاد کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#LLM #سیستم
📊 گزارش شفافیت Anthropic و مسدودسازی ۱۱.۴ میلیون حساب
شرکت Anthropic در گزارش شفافیت جدید خود اعلام کرد که در نیمه نخست سال ۲۰۲۶، بیش از ۱۱.۴ میلیون حساب کاربری را مسدود کرده است. این رقم نسبت به ۱.۴۵ میلیون حساب مسدودشده در نیمه دوم سال ۲۰۲۵، رشد هشت‌برابری داشته است.
دلایل این اقدام شامل نقض سیاست‌های استفاده، شرایط خدمات برای مشتریان شخصی و تجاری، و همچنین قوانین مربوط به مناطق جغرافیایی تحت پشتیبانی اعلام شده است.
در این بازه زمانی، جزئیات فعالیت‌های تیم محافظت (Safeguards Team) به شرح زیر است:
* تعداد کل حساب‌های مسدود شده: ۱۱.۴ میلیون
* درخواست‌های تجدیدنظر ارسالی: ۳۹۸ هزار
* تجدیدنظرهای پذیرفته‌شده: ۴۲ هزار (حدود ۱۰.۶ درصد)
مقایسه آمار نشان می‌دهد که نرخ موفقیت کاربران در بازگردانی حساب‌هایشان در نیمه دوم سال ۲۰۲۵ حدود ۳.۳ درصد بوده که در گزارش اخیر به ۱۰.۶ درصد رسیده است. Anthropic در گزارش خود جزئیات بیشتری درباره علت افزایش ناگهانی تعداد مسدودسازی‌ها یا تفکیک آمار بر اساس محصولات ارائه نداده است.
شرکت Anthropic در گزارش شفافیت جدید خود اعلام کرد که در نیمه نخست سال ۲۰۲۶، بیش از ۱۱.۴ میلیون حساب کاربری را مسدود کرده است. این رقم نسبت به ۱.۴۵ میلیون حساب مسدودشده در نیمه دوم سال ۲۰۲۵، رشد هشت‌برابری داشته است.
دلایل این اقدام شامل نقض سیاست‌های استفاده، شرایط خدمات برای مشتریان شخصی و تجاری، و همچنین قوانین مربوط به مناطق جغرافیایی تحت پشتیبانی اعلام شده است.
در این بازه زمانی، جزئیات فعالیت‌های تیم محافظت (Safeguards Team) به شرح زیر است:
* تعداد کل حساب‌های مسدود شده: ۱۱.۴ میلیون
* درخواست‌های تجدیدنظر ارسالی: ۳۹۸ هزار
* تجدیدنظرهای پذیرفته‌شده: ۴۲ هزار (حدود ۱۰.۶ درصد)
مقایسه آمار نشان می‌دهد که نرخ موفقیت کاربران در بازگردانی حساب‌هایشان در نیمه دوم سال ۲۰۲۵ حدود ۳.۳ درصد بوده که در گزارش اخیر به ۱۰.۶ درصد رسیده است. Anthropic در گزارش خود جزئیات بیشتری درباره علت افزایش ناگهانی تعداد مسدودسازی‌ها یا تفکیک آمار بر اساس محصولات ارائه نداده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🧠 تأثیر استفاده از LLM بر مهارت حل مسئله
پژوهشگران دانشگاه‌های UC Berkeley، MIT و آکسفورد در مطالعه‌ای تازه دریافته‌اند که حتی ۱۰ دقیقه کار با مدل‌های زبانی بزرگ می‌تواند توانایی فرد در حل مستقل مسائل دشوار منطقی و ریاضی را کاهش دهد.
در این آزمایش که روی ۱۲۰۰ شرکت‌کننده انجام شد، گروهی که از ChatGPT استفاده کرده بودند، پس از قطع دسترسی به مدل، عملکرد ضعیف‌تری نسبت به گروه کنترل داشتند؛ این افراد در مواجهه با چالش‌ها سریع‌تر تسلیم شده و سوالات بیشتری را بدون پاسخ رها می‌کردند.
محققان معتقدند دلیل این موضوع، حذف «مقاومت سازنده» است؛ یعنی همان تلاش ذهنی که برای یادگیری مهارت‌های پیچیده ضروری است. عادت کردن به دریافت پاسخ‌های آماده باعث می‌شود مغز، مسیرِ جستجوی مستقل برای راهکار را فرآیندی خسته‌کننده و ناکارآمد ارزیابی کند.
نویسندگان این پژوهش پیشنهاد می‌دهند که توسعه هوش مصنوعی به‌سمت مدل‌های «منتورینگ» تغییر جهت دهد تا به‌جای ارائه مستقیم پاسخ، کاربر را به استدلال و تفکر تشویق کند.
مستندات و کد این آزمایش در گیت‌هاب منتشر شده است و جزئیات بیشتر در سایت دانشگاه برکلی در دسترس است.
🇮🇷 سایت | تلگرام
پژوهشگران دانشگاه‌های UC Berkeley، MIT و آکسفورد در مطالعه‌ای تازه دریافته‌اند که حتی ۱۰ دقیقه کار با مدل‌های زبانی بزرگ می‌تواند توانایی فرد در حل مستقل مسائل دشوار منطقی و ریاضی را کاهش دهد.
در این آزمایش که روی ۱۲۰۰ شرکت‌کننده انجام شد، گروهی که از ChatGPT استفاده کرده بودند، پس از قطع دسترسی به مدل، عملکرد ضعیف‌تری نسبت به گروه کنترل داشتند؛ این افراد در مواجهه با چالش‌ها سریع‌تر تسلیم شده و سوالات بیشتری را بدون پاسخ رها می‌کردند.
محققان معتقدند دلیل این موضوع، حذف «مقاومت سازنده» است؛ یعنی همان تلاش ذهنی که برای یادگیری مهارت‌های پیچیده ضروری است. عادت کردن به دریافت پاسخ‌های آماده باعث می‌شود مغز، مسیرِ جستجوی مستقل برای راهکار را فرآیندی خسته‌کننده و ناکارآمد ارزیابی کند.
نویسندگان این پژوهش پیشنهاد می‌دهند که توسعه هوش مصنوعی به‌سمت مدل‌های «منتورینگ» تغییر جهت دهد تا به‌جای ارائه مستقیم پاسخ، کاربر را به استدلال و تفکر تشویق کند.
مستندات و کد این آزمایش در گیت‌هاب منتشر شده است و جزئیات بیشتر در سایت دانشگاه برکلی در دسترس است.
🇮🇷 سایت | تلگرام
❤1
📊 دوره آموزش حساب دیفرانسیل ماتریسی MIT
دانشگاه MIT مجموعه اسلایدهای آموزشی رایگانی را با عنوان Matrix Differential Calculus for Machine Learning and Beyond منتشر کرده است. این دوره بر ریاضیاتِ مشتق‌گیری از بردارها و ماتریس‌ها تمرکز دارد.
مطالب ارائه‌شده شامل موارد زیر است:
- گرادیان‌ها و ژاکوبی‌ها
- مشتق توابع ماتریسی و دیفرانسیل‌ها
- مشتق ضرب ماتریس‌ها، معکوس ماتریس و دترمینان
- ضرب کرونکر (Kronecker product)
- بهینه‌سازی و تمایز خودکار (Automatic differentiation)
این منبع برای کسانی که با مبانی جبر خطی و تحلیل ریاضی آشنا هستند و قصد دارند درک خود را از نحوه تعمیم دیفرانسیل به بردارها و ماتریس‌ها در مسائل بهینه‌سازیِ یادگیری ماشین ارتقا دهند، مناسب است.
#MatrixCalculus #KroneckerProduct
دانشگاه MIT مجموعه اسلایدهای آموزشی رایگانی را با عنوان Matrix Differential Calculus for Machine Learning and Beyond منتشر کرده است. این دوره بر ریاضیاتِ مشتق‌گیری از بردارها و ماتریس‌ها تمرکز دارد.
مطالب ارائه‌شده شامل موارد زیر است:
- گرادیان‌ها و ژاکوبی‌ها
- مشتق توابع ماتریسی و دیفرانسیل‌ها
- مشتق ضرب ماتریس‌ها، معکوس ماتریس و دترمینان
- ضرب کرونکر (Kronecker product)
- بهینه‌سازی و تمایز خودکار (Automatic differentiation)
این منبع برای کسانی که با مبانی جبر خطی و تحلیل ریاضی آشنا هستند و قصد دارند درک خود را از نحوه تعمیم دیفرانسیل به بردارها و ماتریس‌ها در مسائل بهینه‌سازیِ یادگیری ماشین ارتقا دهند، مناسب است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#MatrixCalculus #KroneckerProduct