‏🌐 ابزار هوش مصنوعی گوگل برای تحلیل داده‌های جغرافیایی

‏تیم تحقیقاتی گوگل از یک عامل هوش مصنوعی برای استدلال‌های جغرافیایی (Geospatial Reasoning agent) رونمایی کرد که بر پایه Earth AI بنا شده است. این سیستم با برنامه‌ریزی چندمرحله‌ای، تحلیل‌های پیچیده فضایی را انجام می‌دهد و مدل‌های پیش‌بینی‌کننده می‌سازد.

‏ویژگی اصلی این عامل، مدیریت داده‌های حجیم خارج از پنجره متنی (context window) است تا دقت و ارجاع داده‌ها حفظ شود. خروجی این مدل شامل نقشه راه و منابع است تا امکان بررسی فرضیات یا جایگزینی مجموعه‌داده‌ها برای متخصصان فراهم باشد.

‏نتایج کاربردی این ابزار در همکاری با سازمان‌های مختلف عبارتند از:

‏* شناسایی ۴۸ سکونتگاه درگیر با بیماری ابولا و تعیین بیش از ۴۵ هزار نفر در مناطق پرخطر، در عرض چند ساعت.
‏* تحلیل مسیرهای تاریخی ۱۴ طوفان توسط سازمان People in Need در عرض چند دقیقه.
‏* غربالگری بیش از ۱۵۰۰ ساختمان توسط موسسه Milken برای انتخاب مراکز پایداری.
‏* بهبود ۱۲ درصدی دقت پیش‌بینی‌ها در حوزه سلامت با ترکیب داده‌های ماهواره‌ای و جمعیتی.

‏اطلاعات بیشتر در بلاگ گوگل ریسرچ در دسترس است.

🇮🇷 سایت | تلگرام

‏📊 مقایسه عملکرد مدل ۲۷ میلیاردی Qwen با مدل‌های SOTA سال گذشته

‏داده‌های بنچمارک Artificial Analysis نشان می‌دهد اگر مدل ۲۷ میلیارد پارامتری Qwen یک سال پیش منتشر می‌شد، با اختلاف زیاد از تمامی مدل‌های پیشتاز (SOTA) آن زمان پیشی می‌گرفت.

‏این ارزیابی سرعت رشد هوش مصنوعی را نشان می‌دهد؛ مدل‌های جدیدتر با پارامتر کمتر مثل Qwen 27B اکنون کیفیتی ارائه می‌دهند که یک سال قبل در انحصار بزرگ‌ترین مدل‌های موجود بود.

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

‏🔍 بازطراحی رابط مدل‌های بینایی-زبانی و دکودر بخش‌بندی توسط KAUST و Adobe

‏پژوهشگران دانشگاه KAUST و شرکت Adobe شیوه انتقال موقعیت سوژه از مدل بینایی-زبانی به دکودر بخش‌بندی (segmentation decoder) را بازنگری کرده‌اند.

‏در این روش، نحوه ارسال مختصات و ارجاع تصویری به دکودر اصلاح شده است تا ارزیابی دقیق‌تری از مکان سوژه صورت گیرد. کد منبع پروژه نیز به‌زودی منتشر می‌شود.

‏جزئیات بیشتر در مقاله علمی، صفحه پروژه و مرور آن در دسترس است.

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

‏🧠 انتشار مدل‌های UltraBERT با تمرکز بر روش آموزش

‏مدل‌های UltraBERT در دو نسخه ۱۵۲ و ۳۸۰ میلیون پارامتری با پنجره محتوایی ۳۲ هزار توکن منتشر شدند. این انکودرها برای کاربردهایی مانند طبقه‌بندی متن، استخراج موجودیت‌ها، پاسخ به سوالات و بازیابی اطلاعات بهینه شده‌اند.

‏نوآوری اصلی این مدل‌ها در استراتژی ماسک‌گذاری و آموزش است:
‏• در ۵ درصد ماسک‌گذاری، مدل برای طبقه‌بندی بهینه‌سازی می‌شود.
‏• در ۵۰ درصد ماسک‌گذاری، مدل برای وظایف بازیابی تمرکز می‌کند.
‏• برای هر حالت، یک خروجی (head) مجزا در نظر گرفته شده است.
‏• تقطیر دانش (Distillation) از مدل معلم ۱.۳ میلیارد پارامتری تنها برای داده‌های با ماسک ۵ درصد انجام شده، زیرا نتایج نشان داد استفاده از معلم در حالت بازیابی (۵۰ درصد) کارایی را کاهش می‌دهد.

‏طبق مقاله منتشر شده، پس از پردازش ۱ تا ۲ تریلیون توکن، کیفیت مدل در وظایف کاربردی به ثبات رسید، هرچند مقدار Loss همچنان کاهش می‌یافت. نسخه ۳۸۰ میلیونی این مدل در بنچمارک‌های GLUE و BEIR عملکرد بهتری نسبت به انکودرهای مشابه دارد. وزن‌ها و کدهای این پروژه تحت مجوز Apache 2.0 در دسترس هستند.

🇮🇷 سایت | تلگرام

‏🧊 مدل SchemaPose برای تخمین پوز ۹بعدی در تصاویر RGB

‏پژوهشگران دانشگاه شانگهای جیائو تونگ (SJTU) روش جدیدی به نام SchemaPose برای تخمین پوز ۹بعدی (9D Pose Estimation) در سطح دسته‌بندی اشیاء ارائه کرده‌اند. این مدل در میان روش‌های مبتنی بر تصویر RGB به نتایج SOTA دست یافته است.

‏در این روش، برآورد موقعیت، جهت و مقیاس سه‌بعدی اشیاء بدون اتکا به داده‌های عمق انجام می‌شود. جزئیات این پژوهش در صفحه پروژه SchemaPose و متن مقاله منتشر شده است و مخزن کد آن نیز به‌زودی در دسترس قرار می‌گیرد.

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

#SchemaPose #9D_Pose_Estimation

‏🧍‍♂️ مدل Dense4D؛ بازسازی چهاربعدی بدن، لباس و مو از تصاویر تک‌دوربینه

‏پژوهشگران امپریال کالج لندن مدل Dense4D را معرفی کرده‌اند. این مدل فیدفور وارد، تناظر ۴D متراکم را برای بدن، لباس و مو از روی مجموعه‌ای از تصاویر تک‌دوربینه (RGB) و بدون نیاز به الگوی پیش‌فرض بدن بازسازی می‌کند.

‏جزئیات بیشتر در صفحه پروژه و مقاله علمی آن منتشر شده است. مخزن کد این پروژه به‌زودی در دسترس قرار می‌گیرد و می‌توانید مرور متنی آن را نیز مطالعه کنید.

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

#Dense4D #4D_correspondence

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #143 | 📌 8 آیتم گزارش | 🧾 از 9 پست بررسی‌شده
🕐 پنجشنبه 1405/07/23 ساعت 14:00 تا جمعه 1405/07/24 ساعت 14:00

🔎 تحلیل کوتاه

انتشار بنچمارک OmniParseBench و مدل‌های UltraBERT نشان‌دهنده تمرکز پژوهش‌ها بر بهینه‌سازی دقیق‌تر عملکرد مدل‌ها در حوزه‌های تخصصی است. این تغییرات با رویکرد ارائه ابزارهای جدید برای استدلال‌های جغرافیایی و بازطراحی رابط بینایی-زبانی همسو است که هدف همگی بهبود خروجی‌های تخصصی است.

📊 ابزارهای ارزیابی و مدل‌های زبانی

معرفی بنچمارک OmniParseBench برای ارزیابی OCR
بنچمارک متن‌باز برای ارزیابی پردازش اسناد با ۱۶ هزار پرسش و پشتیبانی از ۹۲ زبان.
🔗 مشاهده پست

عملکرد مدل ۲۷ میلیاردی Qwen در مقایسه با مدل‌های سال قبل
داده‌های Artificial Analysis نشان می‌دهد مدل‌های کوچک‌تر امروزی از مدل‌های پیشتاز سال گذشته پیشی گرفته‌اند.
🔗 مشاهده پست

انتشار مدل‌های UltraBERT با استراتژی ماسک‌گذاری دوگانه
انکودرهای ۱۵۲ و ۳۸۰ میلیون پارامتری با پنجره ۳۲ هزار توکن برای وظایف تخصصی بازیابی و طبقه‌بندی.
🔗 مشاهده پست

🧊 مدل‌های بینایی و بازسازی سه‌بعدی

بهینه‌سازی دکودر بخش‌بندی در مدل‌های بینایی-زبانی
اصلاح نحوه انتقال مختصات سوژه به دکودر برای افزایش دقت مکان‌سنجی در مدل‌های بینایی-زبانی.
🔗 مشاهده پست

تخمین پوز ۹بعدی با مدل SchemaPose
روش جدید پژوهشگران SJTU برای برآورد موقعیت و جهت اشیاء در تصاویر RGB بدون داده عمق.
🔗 مشاهده پست

بازسازی ۴بعدی بدن انسان با مدل Dense4D
مدل امپریال کالج لندن برای بازسازی متراکم بدن و لباس از تصاویر تک‌دوربینه بدون الگوی پیش‌فرض.
🔗 مشاهده پست

☁️ خدمات ابری و عامل‌های هوشمند

تجمیع اشتراک Grok و Cursor در یک طرح واحد
سرویس‌های X و Cursor تحت یک طرح اشتراکی با استخر توکن مشترک عرضه شدند.
🔗 مشاهده پست

استخراج داده توسط عامل‌های هوشمند در Tencent Cloud
فعالیت عامل‌های هوشمند برای دسترسی غیرمجاز به داده‌های نقشه علی‌بابا از طریق زیرساخت‌های ابری.
🔗 مشاهده پست

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

‏📚 کتاب الگوهای طراحی مدل‌های زبانی بزرگ (LLM Design Patterns)

‏کتاب LLM Design Patterns نوشته کن هوانگ (Ken Huang) توسط انتشارات Packt منتشر شده است. این کتاب به بررسی الگوهای معماری و روش‌های کاربردی برای ساخت سیستم‌های هوش مصنوعی پایدار و کارآمد مبتنی بر مدل‌های زبانی می‌پردازد.

‏تمرکز اصلی کتاب بر ارائه راهکارهای عملی برای حل چالش‌های توسعه، مقیاس‌پذیری و بهبود قابلیت اطمینان سیستم‌های هوش مصنوعی است.

‏فایل این کتاب در پست بعدی ارسال می‌شود.

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

#LLM_Design_Patterns #Ken_Huang

‏🤖 راهنمای الگوهای طراحی برای مدل‌های زبانی بزرگ

‏کتاب «LLM Design Patterns» نوشته کن هوانگ، راهنمای عملی برای توسعه سیستم‌های هوش مصنوعی مبتنی بر LLM است که چرخه‌ عمر کامل توسعه مدل، از آماده‌سازی داده تا استقرار را پوشش می‌دهد. این منبع به بررسی راهکارهای مهندسی برای مدیریت داده، آموزش، بهینه‌سازی و ارزیابی می‌پردازد.

‏مهم‌ترین مباحث مطرح‌شده در این کتاب عبارتند از:

‏* آماده‌سازی داده: تکنیک‌های پاک‌سازی، تقویت (Augmentation) و برچسب‌گذاری مجموعه‌داده‌های مقیاس‌بزرگ.
‏* آموزش و بهینه‌سازی: طراحی پایپ‌لاین‌های آموزش، تنظیم ابرپارامترها، پرنینگ (Pruning) و کوانتیزاسیون مدل.
‏* روش‌های پیشرفته پرامپت‌نویسی: اجرای تکنیک‌هایی مانند Chain-of-Thought، Tree-of-Thought و استدلال چندمرحله‌ای.
‏* سیستم‌های Agentic و RAG: پیاده‌سازی Retrieval-Augmented Generation و ساخت سیستم‌های هوشمند با استفاده از ابزارها و قابلیت Reflection.
‏* ارزیابی و امنیت: سنجش مدل با متریک‌های استاندارد، تشخیص سوگیری (Bias)، و استفاده از RLHF برای هم‌راستایی مدل با ارزش‌های انسانی.

🇮🇷 سایت | تلگرام

‏🤖 راه‌اندازی فضای اشتراکی ChatGPT Space

‏شرکت OpenAI ابزار جدیدی به نام ChatGPT Space را معرفی کرده است؛ فضایی برای همکاری همزمان تیم‌ها و هوش مصنوعی روی اسناد. در این محیط، گفت‌وگوهای طولانی با هوش مصنوعی به برنامه‌های ساختاریافته تبدیل می‌شوند و همکاران می‌توانند با عضویت در صفحات، نظرات خود را ثبت کنند و تغییرات را پیش ببرند.

‏ویژگی‌های کلیدی این قابلیت عبارتند از:
‏- امکان ارجاع مستقیم به ChatGPT یا Dot agent در متن برای واگذاری ویرایش‌ها و وظایف جدید.
‏- همگام‌سازی خودکار صفحات با ابزارهای کاری متصل برای کاهش نیاز به به‌روزرسانی دستی.

‏این قابلیت در حال حاضر برای کاربران نسخه‌های Pro، Business و Enterprise در وب و نسخه دسکتاپ در دسترس است.

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

‏🤖 گوگل Gemini 4 Argon ربات‌ها را هدایت و شبیه‌سازی می‌کند

‏گوگل مدل جدید Gemini 4 Argon را معرفی کرده که توانایی هدایت ربات‌ها و ساخت شبیه‌سازی برای آن‌ها را دارد. این مدل در تست ERQA، معیاری برای سنجش درک ربات‌ها از دنیای فیزیکی، امتیاز ۸۷٪ را کسب کرده است؛ این عملکرد بدون استفاده از ابزارهای خارجی و تنها با اتکا به توانایی استدلال مدل به دست آمده است. گوگل ادعا می‌کند این نتیجه از تمام مدل‌های پیشرفته دیگر بهتر است.

‏Gemini 4 Argon ربات Spot از Boston Dynamics را کنترل کرده و در شبیه‌ساز MuJoCo، مدلی دیجیتال از سطل زباله با پدال ساخته است. سپس حرکات لازم را تمرین و ربات واقعی را وادار به فشار دادن پدال و انداختن قوطی‌ها کرده است. در سناریوی دیگری، یک بازوی رباتیک ساده با دوربین روی مچ، به دستور مدل، یک ماگ افتاده را بلند کرده و دستمال کاغذی مچاله شده‌ای را درون آن قرار داده است. برای این کار، مدل توالی دستوراتی مانند «نگاه کن»، «بگیر»، «جابجا کن» و «بگذار» را در چند مرحله اجرا کرده است.

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

‏🤖 مدل Jev 1.14 با قابلیت پردازش تصویر و متن طولانی منتشر شد

‏TypeSafe.ai در نسخه جدید مدل Jev 1.14، قابلیت‌های پردازش تصویر و کار با اسناد طولانی را اضافه کرده است. این سه ویژگی جدید که شامل درک بصری، یافتن اشیاء در تصاویر و پردازش متن با طول بالا هستند، در حال حاضر در مرحله آزمایشی قرار دارند و TypeSafe توصیه می‌کند برای محیط‌های عملیاتی استفاده نشوند.

‏برای فعال‌سازی این قابلیت‌ها، باید از هدرهای مخصوصی در درخواست‌ها با برچسب Danger Zone استفاده کرد. تصاویر می‌توانند به عنوان بخشی از توضیحات موقعیت، دستورالعمل‌ها یا معیارهای تصمیم‌گیری به مدل ارائه شوند. نوع جدید پرسش Box، مختصات و میزان اطمینان برای اشیاء یافت شده در تصویر را برمی‌گرداند که امکان پردازش بیشتر مانند برش دادن تصویر را فراهم می‌کند.

‏مدل Jev از ابتدا قابلیت پردازش چندین نوع داده (multimodal) را داشته، اما قابلیت بینایی آن به دلیل چالش‌های پردازش تصویر نسبت به متن، دیرتر فعال شده است. محدودیت توکن در حالت عادی ۶۴ هزار و در حالت طولانی ۲۶۲ هزار توکن است.

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

‏🚀 تنسنت Hy-Memory 2.0 را منتشر کرد: مدل، فریم‌ورک و MemHub برای حافظه طولانی ایجنت‌های هوش مصنوعی

‏Tencent با انتشار سه محصول در یک مجموعه، Hy-Memory 2.0 را معرفی کرد: مدل Hy-Memory-30B-A3B، فریم‌ورک SDK و اپلیکیشن MemHub. طبق اعلام Tencent، این مجموعه در چهار معیار حافظه، بهترین راه‌حل متن‌باز محسوب می‌شود و مدل آن در برخی فریم‌ورک‌های رایج از Opus 5 پیشی گرفته است.

‏فریم‌ورک Hy-Memory از سه نوع حافظه پشتیبانی می‌کند: حافظه مکالمات عادی، حافظه وظایف کاری و حافظه کد. این قابلیت به ایجنت هوش مصنوعی اجازه می‌دهد تا علاوه بر مکالمات، فعالیت‌های انجام شده در پروژه‌ها را نیز به خاطر بسپارد.

‏MemHub که نسخه CLI و مکینتاش دارد، حافظه را بین بیش از ده ابزار هوش مصنوعی همگام‌سازی می‌کند. این امکان به کاربران اجازه می‌دهد تا یک بار زمینه (context) را تعریف کرده و آن را بدون نیاز به تکرار توضیحات برای هر دستیار، در اختیار همه ابزارها قرار دهند.

‏این مدل با 30 میلیارد پارامتر و 3 میلیارد پارامتر فعال (MoE)، اجرای آن به صورت محلی (local) نسبت به عدد اعلام شده، واقع‌بینانه‌تر است.

🇮🇷 سایت | تلگرام

‏🛠 مهم‌ترین ریپازیتورهای گیت‌هاب برای مهندسی نرم‌افزار

‏این ریپازیتورهای گیت‌هاب منابعی کاربردی برای یادگیری طراحی سیستم، آمادگی برای مصاحبه‌های فنی، مسیرهای شغلی و پروژه‌های عملی ارائه می‌دهند:

‏• System design academy: آموزش مفاهیم و الگوهای طراحی سیستم
‏• Public APIs: فهرست عمومی APIهای رایگان برای توسعه‌دهندگان
‏• Tech interview handbook: راهنمای آماده‌سازی برای مصاحبه‌های فنی
‏• Coding interview university: برنامه مطالعه خودآموز برای یادگیری علوم کامپیوتر و مصاحبه
‏• Developer roadmaps: نقشه راه مسیرهای مختلف توسعه‌دهندگی
‏• Free programming books: مجموعه کتاب‌ها و منابع آموزشی رایگان برنامه‌نویسی
‏• Build your own x: آموزش بازسازی فناوری‌ها و ابزارهای مختلف از صفر
‏• Path to senior engineer handbook: راهنما و منابع برای ارتقا به سطح مهندس ارشد

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

#SystemDesign #DeveloperRoadmap

‏🤖 راهنمای عملی OpenAI برای کاربردهای تجاری هوش مصنوعی

‏شرکت OpenAI در بخش جدید منابع تجاری خود، کاربردهای عملی هوش مصنوعی برای بهبود بهره‌وری و کاهش وظایف تکراری را معرفی کرده است. طبق این مستندات، هوش مصنوعی می‌تواند در حوزه‌های زیر به کسب‌وکارها کمک کند:

‏* تحقیقات بازار
‏* تولید محتوا
‏* تحلیل بازخورد مشتریان
‏* بررسی و تحلیل اسناد
‏* اتوماسیون جریان‌های کاری

‏این مدل‌ها قابلیت سازماندهی اطلاعات، پیش‌نویس کردن متون و آماده‌سازی پیشنهادهای اولیه را دارند. با این حال، خروجی‌های تولیدشده توسط هوش مصنوعی همچنان نیازمند بازبینی انسانی هستند، به‌ویژه در مواردی که داده‌های حساس پردازش می‌شوند یا تصمیمات مهمی اتخاذ می‌گردد.

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

#OpenAI #اتوماسیون_جریان_کاری

‏🚀 عرضه مدل جدید DeepSeek-V4.1-Flash

‏کمپانی DeepSeek مدل جدید خود را با نام DeepSeek-V4.1-Flash-1017 منتشر کرد. این نسخه با هدف بهبود نتایج در بنچمارک‌ها، افزایش سرعت انجام وظایف و کاهش طول خروجی‌ها بهینه‌سازی شده است.

‏تمرکز اصلی این مدل بر توسعه پروژه‌های کامل از صفر است. DeepSeek با استفاده از یادگیری تقویتی و بازخورد خودکار، توانایی مدل را برای ساخت پروژه‌های نهایی مانند بازی‌ها یا مدل‌های سه‌بعدی ارتقا داده است.

‏این مدل اکنون از طریق وب‌سایت، اپلیکیشن و API در دسترس است و با ابزارهای زیر سازگاری کامل دارد:

‏* DeepSeekHarness
‏* Tencent CodeBuddy
‏* WorkBuddy

‏تیم توسعه‌دهنده توصیه می‌کند برای استفاده بهینه، به نسخه v0.2.1-rc.1 یا بالاترِ ابزار Harness ارتقا دهید.

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

#DeepSeek_V4_1_Flash #DeepSeekHarness

‏🤖 تبدیل فایل‌های PDF به اپلیکیشن تعاملی با جمینای ۴

‏با استفاده از قابلیت Canvas در مدل هوش مصنوعی جمینای ۴، می‌توانید اسناد متنی و فایل‌های PDF طولانی را به برنامه‌های تحت وب پویا و انیمیشنی تبدیل کنید. این ابزار به جای ارائه خلاصه متنی ساده، داده‌های سند را به شکلی زنده و بصری نمایش می‌دهد.

‏برای اجرای این ترفند، کافی است فایل خود را آپلود کرده و از این پرامپت استفاده کنید:

‏Turn this dense PDF into an interactive animated visual web app that I can scrub through to make the key moments come alive!

‏پس از ارسال این دستور، هوش مصنوعی یک رابط کاربری تعاملی می‌سازد که از طریق آن می‌توانید داده‌های مهم سند را به صورت زنده بررسی کنید. این قابلیت برای تحلیل سریع‌تر اسناد حجیم و تبدیل اطلاعات متنی به خروجی‌های بصری در دسترس کاربران قرار گرفته است.

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

#جمینای_۴ #Canvas

‏🚀 افزایش سرعت پاسخ‌دهی در Claude و Claude Code

‏شرکت Anthropic با تغییرات فنی، زمان انتظار برای دریافت اولین توکن (Time to First Token) را به‌شکل قابل‌توجهی کاهش داده است. بر اساس گزارش تغییرات جدید، سرعت Claude Code در جلسات محلی تا ۳ برابر و در محیط‌های ابری تا ۲.۸ برابر افزایش یافته است.

‏این بهبود عملکرد در بخش‌های مختلف به شرح زیر است:

‏* Claude Code (محلی): کاهش زمان از ۴.۰۷ به ۱.۳۳ ثانیه.
‏* Claude Code (ابری): کاهش زمان از ۱۶.۹۹ به ۶ ثانیه.
‏* Claude (چت و Cowork): افزایش سرعت ۱.۵ برابری (از ۳.۳۶ به ۲.۱۷ ثانیه).
‏* Claude API: افزایش سرعت ۱.۵ برابری (از ۱.۵۳ به ۱.۰۱ ثانیه).

‏این تغییرات به دلیل انتقال تاریخچه گفتگو به صورت فشرده و همچنین پیش‌بارگذاری محیط ابری هم‌زمان با تایپ کاربر رخ داده است. علاوه بر این، در Claude Code قابلیتی برای فشرده‌سازی خودکار مکالمات طولانی (بیش از ۲۰۰ هزار توکن) پس از ۵۴ دقیقه عدم فعالیت اضافه شده تا از انقضای کش پرامپت و پردازش مجدد هزینه‌بر جلوگیری شود.

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

#Claude_Code #Prompt_Caching

‏🤖 رمزگشایی مدل Claude از معمای ۲۵ ساله ECDSA

‏مدل هوش مصنوعی Claude موفق شد در عرض ۳۰ دقیقه، منشأ پارامترهای انتخاب‌شده توسط NSA برای منحنی‌های بیضوی استاندارد NIST را کشف کند. این پارامترها که در دهه ۹۰ میلادی برای الگوریتم امضای دیجیتال ECDSA (مبنای امنیت HTTPS، Bitcoin و SSH) تعیین شده بودند، سال‌ها مورد تردید بودند و گمانه‌زنی‌های زیادی مبنی بر وجود «در پشتی» (Backdoor) در آن‌ها وجود داشت.

‏Claude با تحلیل داده‌ها فرضیه جدیدی مطرح کرد: مقادیر (Seeds) استفاده‌شده برای تولید این منحنی‌ها، خروجی یک مولد اعداد تصادفی ساده بوده که بر اساس زمان سیستم کار می‌کرده است. با بررسی تاریخ‌های بین مه ۱۹۹۷ تا آوریل ۱۹۹۸، مدل تأیید کرد که تمامی مقادیر با خروجی این مولد در زمان‌های مشخص مطابقت دارند.

‏در گزارش تحقیقاتی Anthropic، جزئیات این فرآیند بررسی شده است. مدل در حین حل مسئله حتی دچار تردید شده بود که آیا با یک سناریوی آزمایشی روبروست یا یک کشف واقعی، اما در نهایت با تطبیق بیت‌های کلیدی، صحت محاسبات خود را تأیید کرد.

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

#Claude #ECDSA