📊 گلوگاه «توجه انسانی» در تعامل با مدل‌های Claude
گزارش تازه Anthropic نشان می‌دهد که در فرآیند تعامل با مدل‌های هوش مصنوعی، عامل اصلی تأخیر، سرعت پردازش مدل نیست، بلکه محدودیت «توجه انسانی» است. بررسی‌ها حاکی از آن است که حدود ۸۰ درصد از زمان جلسات کاری در Claude صرف انتظار برای ورودی‌های کاربر می‌شود.
تحلیل‌ها بر اساس حجم خروجی مدل تا آوریل ۲۰۲۶، میانگین ساعات لازم برای خواندن خروجی‌ها را در حوزه‌های مختلف نشان می‌دهد:
* مهندسی و تحقیق: ۴۲۴ ساعت در هفته برای هر نفر
* امور مالی و حسابداری: ۴۳ ساعت در هفته برای هر نفر
* فروش و بازاریابی: ۳۵ ساعت در هفته برای هر نفر
* امور حقوقی و سیاست‌گذاری: ۲۶ ساعت در هفته برای هر نفر
طبق محاسبات این گزارش، زمان کار فعال مدل در مقایسه با کل زمان جلسه (wall-clock time) بسیار کمتر است و انسان‌ها عملاً به گلوگاهی برای فعالیت عامل‌های هوشمند تبدیل شده‌اند. روند رشد ساعات مورد نیاز برای مطالعه خروجی‌ها از سال ۲۰۲۵ تاکنون صعودی بوده است.
#Claude #توجه_انسانی
گزارش تازه Anthropic نشان می‌دهد که در فرآیند تعامل با مدل‌های هوش مصنوعی، عامل اصلی تأخیر، سرعت پردازش مدل نیست، بلکه محدودیت «توجه انسانی» است. بررسی‌ها حاکی از آن است که حدود ۸۰ درصد از زمان جلسات کاری در Claude صرف انتظار برای ورودی‌های کاربر می‌شود.
تحلیل‌ها بر اساس حجم خروجی مدل تا آوریل ۲۰۲۶، میانگین ساعات لازم برای خواندن خروجی‌ها را در حوزه‌های مختلف نشان می‌دهد:
* مهندسی و تحقیق: ۴۲۴ ساعت در هفته برای هر نفر
* امور مالی و حسابداری: ۴۳ ساعت در هفته برای هر نفر
* فروش و بازاریابی: ۳۵ ساعت در هفته برای هر نفر
* امور حقوقی و سیاست‌گذاری: ۲۶ ساعت در هفته برای هر نفر
طبق محاسبات این گزارش، زمان کار فعال مدل در مقایسه با کل زمان جلسه (wall-clock time) بسیار کمتر است و انسان‌ها عملاً به گلوگاهی برای فعالیت عامل‌های هوشمند تبدیل شده‌اند. روند رشد ساعات مورد نیاز برای مطالعه خروجی‌ها از سال ۲۰۲۵ تاکنون صعودی بوده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude #توجه_انسانی
هوش مصنوعی و علم داده به فارسی
🤖 انتشار چارچوب Harness² گوگل برای بهبود ایجنت‌های هوش مصنوعی گوگل ابزار متن‌باز Harness² را برای بهینه‌سازی عملکرد ایجنت‌های هوش مصنوعی منتشر کرده است. این چارچوب به جای بازآموزی مدل، به ایجنت اجازه می‌دهد تا «هارنس» (Harness) یا همان محیط تعاملی خود را…
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 انتشار ابزار متن‌باز Harness² توسط گوگل
گوگل ابزاری به نام Harness² منتشر کرده است که به ایجنت‌های هوش مصنوعی اجازه می‌دهد با تکرار وظایف، روش کاری خود را به‌طور خودکار بهبود دهند. در این ساختار، ایجنت تنها به مدل وابسته نیست و ترکیبی از ابزارها، حافظه، دستورالعمل‌ها و ساب‌ایجنت‌ها را مدیریت می‌کند.
این ابزار با ایجاد تغییرات در تنظیمات، مقایسه نتایج نسخه‌های مختلف و بهره‌گیری از تجربیات قبلی، بدون نیاز به آموزش مجدد مدل، عملکرد ایجنت را بهینه می‌کند. مهم‌ترین ویژگی‌های این روش عبارتند از:
* تنظیم خودکار ترکیب ابزارها و دستورالعمل‌ها برای دستیابی به خروجی بهتر.
* امکان یادگیری از تجربیات گذشته بدون نیاز به شروع مجدد.
* عدم نیاز به تعیین پاسخ درست در مراحل اولیه برای بهینه‌سازی.
گوگل این روش را روی مدل‌های Gemini 3.5 Flash و GLM-5 در حوزه‌های حقوقی و اداری آزمایش کرده و گزارش داده است که حتی یک دور تغییر در تنظیمات، منجر به ارتقای عملکرد شده است. با استفاده از این ابزار، نیاز به اصلاح دستی تنظیمات توسط کاربر کاهش می‌یابد و ایجنت می‌تواند به مرور زمان خطاهای خود را شناسایی و رفع کند.
گوگل ابزاری به نام Harness² منتشر کرده است که به ایجنت‌های هوش مصنوعی اجازه می‌دهد با تکرار وظایف، روش کاری خود را به‌طور خودکار بهبود دهند. در این ساختار، ایجنت تنها به مدل وابسته نیست و ترکیبی از ابزارها، حافظه، دستورالعمل‌ها و ساب‌ایجنت‌ها را مدیریت می‌کند.
این ابزار با ایجاد تغییرات در تنظیمات، مقایسه نتایج نسخه‌های مختلف و بهره‌گیری از تجربیات قبلی، بدون نیاز به آموزش مجدد مدل، عملکرد ایجنت را بهینه می‌کند. مهم‌ترین ویژگی‌های این روش عبارتند از:
* تنظیم خودکار ترکیب ابزارها و دستورالعمل‌ها برای دستیابی به خروجی بهتر.
* امکان یادگیری از تجربیات گذشته بدون نیاز به شروع مجدد.
* عدم نیاز به تعیین پاسخ درست در مراحل اولیه برای بهینه‌سازی.
گوگل این روش را روی مدل‌های Gemini 3.5 Flash و GLM-5 در حوزه‌های حقوقی و اداری آزمایش کرده و گزارش داده است که حتی یک دور تغییر در تنظیمات، منجر به ارتقای عملکرد شده است. با استفاده از این ابزار، نیاز به اصلاح دستی تنظیمات توسط کاربر کاهش می‌یابد و ایجنت می‌تواند به مرور زمان خطاهای خود را شناسایی و رفع کند.
🧠 گرنت سندرسون و آینده ریاضیات در عصر هوش مصنوعی
گرنت سندرسون، خالق کانال 3Blue1Brown معتقد است با پیشرفت هوش مصنوعی در اثبات قضایا، ریاضیات همچنان حوزه‌ای حیاتی باقی می‌ماند. او استدلال می‌کند که کار ریاضی‌دان تنها اثبات نیست و شامل موارد زیر است:
• انتخاب پرسش‌های درست
• تدوین فرضیه‌ها
• ساخت نظریه‌ها
• یافتن ارتباط میان مفاهیم
• انتقال و تبیین نتایج برای دیگران
سندرسون باور دارد که توانایی هوش مصنوعی در اثبات قضایا مشابه ماشین‌هایی است که وزنه‌های سنگین‌تری از انسان بلند می‌کنند؛ این موضوع ورزش یا در اینجا، یادگیری ریاضیات را بی‌معنا نمی‌کند، زیرا حل مسئله به تنهایی باعث توسعه تفکر می‌شود. با ورود ابزارهای هوشمند به پژوهش، معیارهای ارزیابی دستاوردهای علمی و نحوه کسب اعتبار برای دانشمندان نیز نیازمند بازنگری خواهد بود.
#3Blue1Brown #اثبات_قضایا
گرنت سندرسون، خالق کانال 3Blue1Brown معتقد است با پیشرفت هوش مصنوعی در اثبات قضایا، ریاضیات همچنان حوزه‌ای حیاتی باقی می‌ماند. او استدلال می‌کند که کار ریاضی‌دان تنها اثبات نیست و شامل موارد زیر است:
• انتخاب پرسش‌های درست
• تدوین فرضیه‌ها
• ساخت نظریه‌ها
• یافتن ارتباط میان مفاهیم
• انتقال و تبیین نتایج برای دیگران
سندرسون باور دارد که توانایی هوش مصنوعی در اثبات قضایا مشابه ماشین‌هایی است که وزنه‌های سنگین‌تری از انسان بلند می‌کنند؛ این موضوع ورزش یا در اینجا، یادگیری ریاضیات را بی‌معنا نمی‌کند، زیرا حل مسئله به تنهایی باعث توسعه تفکر می‌شود. با ورود ابزارهای هوشمند به پژوهش، معیارهای ارزیابی دستاوردهای علمی و نحوه کسب اعتبار برای دانشمندان نیز نیازمند بازنگری خواهد بود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#3Blue1Brown #اثبات_قضایا
This media is not supported in your browser
VIEW IN TELEGRAM
🖼️ معرفی LILIE: تبدیل تصویر معکوس‌پذیر از دانشگاه استنفورد
محققان دانشگاه استنفورد روش LILIE را معرفی کردند؛ یک تبدیل معکوس‌پذیر تصویر که به‌گونه‌ای آموزش دیده است تا مدل‌های بینایی-زبانی بتوانند کپشن‌ها را از ویژگی‌های نویزی بازسازی کنند.
مستندات و کدهای این پروژه منتشر شده است:
• مقاله علمی
• وب‌سایت پروژه
• مخزن گیت‌هاب
#LILIE #Invertible_Image_Transform
محققان دانشگاه استنفورد روش LILIE را معرفی کردند؛ یک تبدیل معکوس‌پذیر تصویر که به‌گونه‌ای آموزش دیده است تا مدل‌های بینایی-زبانی بتوانند کپشن‌ها را از ویژگی‌های نویزی بازسازی کنند.
مستندات و کدهای این پروژه منتشر شده است:
• مقاله علمی
• وب‌سایت پروژه
• مخزن گیت‌هاب
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#LILIE #Invertible_Image_Transform
❤1
🎙 شرکت xAI مدل گفتاری Grok Voice 3.0 را منتشر کرد
شرکت xAI مدل جدید Grok Voice 3.0 را منتشر کرد. این مدل به صورت گفتاربه‌گفتار بدون تبدیل میانی به متن کار می‌کند و زمان پاسخ‌دهی آن کمتر از یک ثانیه است.
در شاخص Artificial Analysis Speech-to-Speech، این مدل امتیاز ۸۶٫۹ را به دست آورده که بالاتر از GPT-Live-1 (۸۳٫۲) و Gemini 3.8 Live (۸۲٫۶) است. همچنین در بنچمارک Full Duplex Bench به امتیاز ۹۷ درصد رسیده، اما در ارزیابی تماس‌های پشتیبانی τ-Voice با امتیاز ۷۱٫۶ درصد از GPT-Live-1 (۷۴٫۵ درصد) عقب‌تر است. زبان روسی در این مدل پشتیبانی نمی‌شود.
مدل Grok Voice 3.0 در حال حاضر در خودروهای تسلا و بخش پشتیبانی استارلینک فعال است. این سیستم روزانه ۲۰ هزار تماس استارلینک را دریافت کرده و حدود ۷۰ درصد آن‌ها را بدون دخالت انسان انجام می‌دهد. استفاده از آن از طریق Voice Agent API با قیمت ۸ سنت برای هر دقیقه در دسترس است.
شرکت xAI مدل جدید Grok Voice 3.0 را منتشر کرد. این مدل به صورت گفتاربه‌گفتار بدون تبدیل میانی به متن کار می‌کند و زمان پاسخ‌دهی آن کمتر از یک ثانیه است.
در شاخص Artificial Analysis Speech-to-Speech، این مدل امتیاز ۸۶٫۹ را به دست آورده که بالاتر از GPT-Live-1 (۸۳٫۲) و Gemini 3.8 Live (۸۲٫۶) است. همچنین در بنچمارک Full Duplex Bench به امتیاز ۹۷ درصد رسیده، اما در ارزیابی تماس‌های پشتیبانی τ-Voice با امتیاز ۷۱٫۶ درصد از GPT-Live-1 (۷۴٫۵ درصد) عقب‌تر است. زبان روسی در این مدل پشتیبانی نمی‌شود.
مدل Grok Voice 3.0 در حال حاضر در خودروهای تسلا و بخش پشتیبانی استارلینک فعال است. این سیستم روزانه ۲۰ هزار تماس استارلینک را دریافت کرده و حدود ۷۰ درصد آن‌ها را بدون دخالت انسان انجام می‌دهد. استفاده از آن از طریق Voice Agent API با قیمت ۸ سنت برای هر دقیقه در دسترس است.
🇮🇷 - 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
🗣 پیش‌بینی افزایش ۱۰ میلیارد دانشمند مجازی توسط Anthropic
جک کلارک، هم‌بنیان‌گذار Anthropic در گفتگو با صندوق بین‌المللی پول (IMF) اعلام کرد که با گسترش سیستم‌های هوش مصنوعی، تعداد دانشمندان فعال در جهان از ۱۰ میلیون نفر فعلی به ۱۰ میلیارد «دانشمند مجازی» افزایش می‌یابد.
طبق داده‌های یونسکو، در حال حاضر حدود ۱۰ میلیون دانشمند در جهان فعالیت می‌کنند. کلارک معتقد است کمبود نیروی انسانی، آزمایشگاه‌های فیزیکی و تجهیزات علمی، سرعت پیشرفت در حوزه‌هایی مانند علم مواد و تولید دارو را محدود کرده است.
این دیدگاه مبتنی بر این است که با در اختیار داشتن میلیاردها عامل هوش مصنوعی تحت هدایت دانشمندان انسانی، ظرفیت انجام آزمایش‌ها و تحلیل‌های علمی به شکل گسترده‌ای افزایش پیدا می‌کند. او معتقد است آماده‌سازی زیرساخت‌ها برای این تغییر، می‌تواند منجر به نتایجی شامل موارد زیر شود:
* افزایش طول عمر و بهبود وضعیت سلامت
* دسترسی به منابع انرژی بیشتر
* تأمین غذای کافی برای جمعیت جهان
* رشد ثروت عمومی
#Anthropic #دانشمند_مجازی
جک کلارک، هم‌بنیان‌گذار Anthropic در گفتگو با صندوق بین‌المللی پول (IMF) اعلام کرد که با گسترش سیستم‌های هوش مصنوعی، تعداد دانشمندان فعال در جهان از ۱۰ میلیون نفر فعلی به ۱۰ میلیارد «دانشمند مجازی» افزایش می‌یابد.
طبق داده‌های یونسکو، در حال حاضر حدود ۱۰ میلیون دانشمند در جهان فعالیت می‌کنند. کلارک معتقد است کمبود نیروی انسانی، آزمایشگاه‌های فیزیکی و تجهیزات علمی، سرعت پیشرفت در حوزه‌هایی مانند علم مواد و تولید دارو را محدود کرده است.
این دیدگاه مبتنی بر این است که با در اختیار داشتن میلیاردها عامل هوش مصنوعی تحت هدایت دانشمندان انسانی، ظرفیت انجام آزمایش‌ها و تحلیل‌های علمی به شکل گسترده‌ای افزایش پیدا می‌کند. او معتقد است آماده‌سازی زیرساخت‌ها برای این تغییر، می‌تواند منجر به نتایجی شامل موارد زیر شود:
* افزایش طول عمر و بهبود وضعیت سلامت
* دسترسی به منابع انرژی بیشتر
* تأمین غذای کافی برای جمعیت جهان
* رشد ثروت عمومی
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Anthropic #دانشمند_مجازی
🤖 برنامه‌ریزی آنتروپیک برای مذاکره ایجنت‌های هوش مصنوعی
شرکت Anthropic در حال مشاوره با موسسات حقوقی است تا چارچوبی برای نحوه مذاکره ایجنت‌های Claude تدوین کند. این برنامه‌ریزی شامل تعیین مرزهای تصمیم‌گیری مستقل ایجنت‌ها و الزامات تأیید انسانی است. این شرکت همچنین برای اطمینان از اجرای دقیق دستورات کاربر، استفاده از اسناد دیجیتالی امضاشده را بررسی می‌کند.
نتایج آزمایش‌های اولیه نشان‌دهنده چالش‌های جدی است:
* مدل‌های قوی‌تر مانند Claude Opus در مذاکرات عملکرد بهتری نسبت به مدل‌های سبک‌تر مثل Haiku دارند.
* کاربران مدل‌های ضعیف‌تر، تفاوت کیفیت در مذاکره را احساس نمی‌کنند و امتیاز عادلانه مشابهی به توافق‌ها می‌دهند.
* استفاده از دستورالعمل‌های سخت‌گیرانه برای «بی‌رحم بودن» ایجنت در مذاکره، بهبود معناداری در نتایج ایجاد نمی‌کند.
چالش اصلی تنها تقویت توان مذاکره نیست؛ ایجنت‌ها باید بتوانند رفتارهای مشکوک رقیب را شناسایی کنند و در عین حال، تعادلی میان اعتماد و احتیاط ایجاد کنند تا از شکست در معاملات یا بدبینی بیش از حد جلوگیری شود.
🇮🇷 سایت | تلگرام
شرکت Anthropic در حال مشاوره با موسسات حقوقی است تا چارچوبی برای نحوه مذاکره ایجنت‌های Claude تدوین کند. این برنامه‌ریزی شامل تعیین مرزهای تصمیم‌گیری مستقل ایجنت‌ها و الزامات تأیید انسانی است. این شرکت همچنین برای اطمینان از اجرای دقیق دستورات کاربر، استفاده از اسناد دیجیتالی امضاشده را بررسی می‌کند.
نتایج آزمایش‌های اولیه نشان‌دهنده چالش‌های جدی است:
* مدل‌های قوی‌تر مانند Claude Opus در مذاکرات عملکرد بهتری نسبت به مدل‌های سبک‌تر مثل Haiku دارند.
* کاربران مدل‌های ضعیف‌تر، تفاوت کیفیت در مذاکره را احساس نمی‌کنند و امتیاز عادلانه مشابهی به توافق‌ها می‌دهند.
* استفاده از دستورالعمل‌های سخت‌گیرانه برای «بی‌رحم بودن» ایجنت در مذاکره، بهبود معناداری در نتایج ایجاد نمی‌کند.
چالش اصلی تنها تقویت توان مذاکره نیست؛ ایجنت‌ها باید بتوانند رفتارهای مشکوک رقیب را شناسایی کنند و در عین حال، تعادلی میان اعتماد و احتیاط ایجاد کنند تا از شکست در معاملات یا بدبینی بیش از حد جلوگیری شود.
🇮🇷 سایت | تلگرام
📊 بهبود عملکرد DeepSeek V4.1 Flash با استفاده از DeepSeek Harness
استفاده از ابزار DeepSeek Harness باعث شده است امتیاز مدل DeepSeek V4.1 Flash به‌طور میانگین ۲ تا ۳ نمره در بنچمارک‌ها افزایش یابد. این بهبود عملکرد به دلیل استفاده از ساب-ایجنت‌ها و تولید خروجی بیشتر حاصل می‌شود که البته هزینه اجرای مدل و مصرف توکن را تا ۸۰ درصد افزایش می‌دهد.
نتایج ثبت‌شده برای DeepSeek V4.1 Flash با استفاده از این ابزار:
- Max: 42.7
- High: 39.2
- Low: 34.8
این مدل در جریان تست‌ها توانسته است موارد تقلب را شناسایی کند. برای مقایسه، امتیاز مدل‌های دیگر در این بنچمارک شامل GPT-6 Astra با ۴۵، Opus 5.5 با ۴۱.۷ و Muse Wonder Full 1.0 با ۴۲ است. تمامی نتایج در سایت بنچمارک مربوطه قابل بررسی و مشاهده هستند.
#DeepSeek_Harness #DeepSeek_V4_1_Flash
استفاده از ابزار DeepSeek Harness باعث شده است امتیاز مدل DeepSeek V4.1 Flash به‌طور میانگین ۲ تا ۳ نمره در بنچمارک‌ها افزایش یابد. این بهبود عملکرد به دلیل استفاده از ساب-ایجنت‌ها و تولید خروجی بیشتر حاصل می‌شود که البته هزینه اجرای مدل و مصرف توکن را تا ۸۰ درصد افزایش می‌دهد.
نتایج ثبت‌شده برای DeepSeek V4.1 Flash با استفاده از این ابزار:
- Max: 42.7
- High: 39.2
- Low: 34.8
این مدل در جریان تست‌ها توانسته است موارد تقلب را شناسایی کند. برای مقایسه، امتیاز مدل‌های دیگر در این بنچمارک شامل GPT-6 Astra با ۴۵، Opus 5.5 با ۴۱.۷ و Muse Wonder Full 1.0 با ۴۲ است. تمامی نتایج در سایت بنچمارک مربوطه قابل بررسی و مشاهده هستند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#DeepSeek_Harness #DeepSeek_V4_1_Flash
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #2 | 📌 8 آیتم گزارش | 🧾 از 21 پست بررسی‌شده
🕐 یکشنبه 1405/07/26 ساعت 14:00 تا دوشنبه 1405/07/27 ساعت 14:00
🔎 تحلیل کوتاه
🧬 پژوهش‌های علمی و اخلاق داده
🤖 ابزارهای ایجنتیک و بهینه‌سازی
✨ مدل‌های نوین و قابلیت‌های جدید
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🗂 گزارش #2 | 📌 8 آیتم گزارش | 🧾 از 21 پست بررسی‌شده
🕐 یکشنبه 1405/07/26 ساعت 14:00 تا دوشنبه 1405/07/27 ساعت 14:00
🔎 تحلیل کوتاه
انتشار ابزارهای بهینه‌سازی ایجنت‌ها مانند Harness² و DeepSelect نشان می‌دهد که تمرکز توسعه‌دهندگان بر مدیریت خودکار محیط‌های تعاملی و شتاب‌دهی محاسبات است. این در حالی است که چالش‌های ناشی از محتوای مصنوعی، مانند تولید مقالات پزشکی جعلی، داوری همتا را با دشواری‌های بی‌سابقه‌ای روبه‌رو کرده است.
🧬 پژوهش‌های علمی و اخلاق داده
چالش مقالات پزشکی جعلی
استفاده از هوش مصنوعی برای تولید مقالات ساختگی، روند داوری همتا در نشریات پزشکی را با بحران مواجه کرده است.
🔗 مطالعه کامل در سایت
رمزگشایی زبان سلول‌ها با IRIS
مدل یادگیری عمیق IRIS ابزاری برای شناسایی مسیرهای سیگنال‌دهی سلولی جهت پیشبرد مهندسی سلول‌های بنیادی است.
🔗 مطالعه کامل در سایت
🤖 ابزارهای ایجنتیک و بهینه‌سازی
چارچوب Harness² گوگل
ابزار متن‌باز گوگل برای بهینه‌سازی ایجنت‌ها از طریق بازنویسی محیط‌های تعاملی بدون نیاز به بازآموزی مدل.
🔗 مشاهده پست
کتابخانه DeepSelect
کتابخانه جدید تیم DeepSeek برای تسریع عملیات TopK در مدل‌های زبانی با سرعتی تا ۲۰ برابر بیشتر از PyTorch.
🔗 مشاهده پست
پروژه SPACE پرپلکسیتی
محیط سندباکس ایزوله برای اجرای ایجنت‌های هوش مصنوعی با استفاده از ماشین‌های مجازی Firecracker.
🔗 مشاهده پست
✨ مدل‌های نوین و قابلیت‌های جدید
مدل Nemotron 3.5 Super VL
مدل ۱۲۰ میلیارد پارامتری انویدیا با معماری MoE برای پردازش همزمان تصویر، اسناد و ویدیو.
🔗 مشاهده پست
فروش ۶.۶ میلیارد دلاری سهام OpenAI
بیش از ۶۰۰ کارمند OpenAI در اکتبر ۲۰۲۵ بخشی از سهام خود را به سرمایه‌گذاران خصوصی فروختند.
🔗 نسخه مفصل در سایت
🤖 مدل‌ها و ابزارهای هوش مصنوعی
بازیابی دقیق حرکات سه‌بعدی بدن انسان با مدل OmniPoser. مدل OmniPoser
ابزاری برای بازسازی سه‌بعدی حرکات بدن انسان است که با استفاده از ترکیبات مختلفی از سیگنال‌های پراکنده در یک مدل واحد عمل می‌کند.
🔗 مطالعه کامل در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
❤1
🌡 شناسایی بدافزار ماینر توسط Claude روی مک
یکی از کاربران Reddit برای ساخت یک برنامه مانیتورینگ دمای سیستم، از مدل Claude Code کمک گرفت. در حین اجرای کد و تحلیل وضعیت سخت‌افزار توسط این ایجنت، مشخص شد که دمای پردازنده به ۱۱۲ درجه سانتی‌گراد رسیده و میزان مصرف CPU به ۱۱۷۵٪ (معادل ۱۲ هسته) رسیده است.
بررسی‌های Claude نشان داد که یک بدافزار استخراج ارز دیجیتال با نام
* محل اجرا: بدافزار از مسیر
* ماندگاری: یک فایل با نام تصادفی در مسیر
* دسترسی‌ها: بدافزار به تمامی فایل‌های کاربر، از جمله توکن‌های ورود به GitHub، دسترسی داشت.
در نهایت با راهنمایی Claude، فایل‌های بدافزار حذف و آیتم استارتاپ غیرفعال شد. جزئیات بیشتر این رخداد در سایت Reddit قابل مشاهده است.
#Claude_Code #xmrig
یکی از کاربران Reddit برای ساخت یک برنامه مانیتورینگ دمای سیستم، از مدل Claude Code کمک گرفت. در حین اجرای کد و تحلیل وضعیت سخت‌افزار توسط این ایجنت، مشخص شد که دمای پردازنده به ۱۱۲ درجه سانتی‌گراد رسیده و میزان مصرف CPU به ۱۱۷۵٪ (معادل ۱۲ هسته) رسیده است.
بررسی‌های Claude نشان داد که یک بدافزار استخراج ارز دیجیتال با نام
xmrig بدون اطلاع کاربر روی سیستم در حال اجراست. مهم‌ترین یافته‌های این گزارش فنی عبارتند از:* محل اجرا: بدافزار از مسیر
/tmp/rigupdater و با اتصال به pool.hashvault.sh فعال بود.* ماندگاری: یک فایل با نام تصادفی در مسیر
/Library/LaunchAgents/com.rymbotqcjoiqlqbp.plist وظیفه اجرای خودکار بدافزار را بر عهده داشت.* دسترسی‌ها: بدافزار به تمامی فایل‌های کاربر، از جمله توکن‌های ورود به GitHub، دسترسی داشت.
در نهایت با راهنمایی Claude، فایل‌های بدافزار حذف و آیتم استارتاپ غیرفعال شد. جزئیات بیشتر این رخداد در سایت Reddit قابل مشاهده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude_Code #xmrig
📊 مدل‌های پایه سری زمانی Timestral از Mistral
Mistral از مدل‌های پایه سری زمانی خود با نام Timestral رونمایی کرد. این مدل‌ها با ۲۰۹ میلیون پارامتر، در سه معیار (benchmark) در حالت zero-shot رتبه اول را کسب کرده‌اند و برای اجرا به GPU نیاز ندارند.
نوآوری اصلی در این مدل‌ها، Decoupled Horizon Forecasting (DHF) است. به جای ماسک کردن مقادیر برای پیش‌بینی، توکن‌های پیش‌بینی‌کننده، تاریخچه کامل را می‌خوانند و هر مقدار مشاهده‌شده هم به عنوان هدف و هم به عنوان زمینه عمل می‌کند. قابلیت Covariate-aware attention به هر سری زمانی نقشی مشخص می‌دهد: هدف، گذشته یا کووریت آینده‌شناخته‌شده. این جریان اطلاعات فقط از کووریت‌ها به سمت اهداف است، بنابراین پیش‌بینی آب‌وهوا یا تقویم تعطیلات می‌تواند کمک‌کننده باشد بدون اینکه آینده هدف لو برود.
مدل Timestral-209M امتیاز ۰.۶۵۸ MASE در GIFT-Eval، ۰.۶۲۶ در TIME و ۵۰.۳۹ SQL skill در fev-bench را ثبت کرده است. مدل ۲۸ میلیون پارامتری آن در GIFT-Eval و TIME از Chronos-2 که حدود ۴ برابر بزرگتر است، بهتر عمل می‌کند.
🇮🇷 سایت | تلگرام
Mistral از مدل‌های پایه سری زمانی خود با نام Timestral رونمایی کرد. این مدل‌ها با ۲۰۹ میلیون پارامتر، در سه معیار (benchmark) در حالت zero-shot رتبه اول را کسب کرده‌اند و برای اجرا به GPU نیاز ندارند.
نوآوری اصلی در این مدل‌ها، Decoupled Horizon Forecasting (DHF) است. به جای ماسک کردن مقادیر برای پیش‌بینی، توکن‌های پیش‌بینی‌کننده، تاریخچه کامل را می‌خوانند و هر مقدار مشاهده‌شده هم به عنوان هدف و هم به عنوان زمینه عمل می‌کند. قابلیت Covariate-aware attention به هر سری زمانی نقشی مشخص می‌دهد: هدف، گذشته یا کووریت آینده‌شناخته‌شده. این جریان اطلاعات فقط از کووریت‌ها به سمت اهداف است، بنابراین پیش‌بینی آب‌وهوا یا تقویم تعطیلات می‌تواند کمک‌کننده باشد بدون اینکه آینده هدف لو برود.
مدل Timestral-209M امتیاز ۰.۶۵۸ MASE در GIFT-Eval، ۰.۶۲۶ در TIME و ۵۰.۳۹ SQL skill در fev-bench را ثبت کرده است. مدل ۲۸ میلیون پارامتری آن در GIFT-Eval و TIME از Chronos-2 که حدود ۴ برابر بزرگتر است، بهتر عمل می‌کند.
🇮🇷 سایت | تلگرام
🧠 خروج محقق ۱۷ساله چینی از شرکت Kimi و مهاجرت به سیلیکون‌ولی
چن گوانگ‌یو، محقق ۱۷ساله حوزه هوش مصنوعی، پس از ترک تیم تحقیقاتی شرکت Kimi تصمیم به مهاجرت به سیلیکون‌ولی گرفته است. او که متولد سال ۲۰۰۹ است، فعالیت خود را در ۱۶ سالگی و زمانی که هنوز دانش‌آموز دبیرستان بود، در این شرکت آغاز کرد.
این پژوهشگر بدون داشتن مدرک دانشگاهی یا دکترا، با ارائه نتایج تحقیقاتی تأثیرگذار توانست جایگاه ویژه‌ای در دنیای AI کسب کند. از مهم‌ترین دستاوردهای او می‌توان به موارد زیر اشاره کرد:
* همکاری در مقاله علمی: او نفر اول در لیست نویسندگان مقاله‌ای است که در جامعه هوش مصنوعی مورد توجه قرار گرفت و نتایج آن در مدلی با ۲.۸ تریلیون پارامتر استفاده شده است.
* درآمد سالانه: گزارش‌ها میزان درآمد او را در دوران حضور در این شرکت حدود ۷۰ میلیون یوآن برآورد کرده‌اند.
خروج چن از Kimi در ۱۵ اکتبر اعلام شد. مسیر حرفه‌ای او نشان می‌دهد که در آزمایشگاه‌های برتر هوش مصنوعی، نتایج عملی و مقالات تخصصی اولویت بیشتری نسبت به مدارک تحصیلی رسمی دارند. جزئیات بیشتر پژوهش او در این مقاله قابل مشاهده است.
🇮🇷 سایت | تلگرام
چن گوانگ‌یو، محقق ۱۷ساله حوزه هوش مصنوعی، پس از ترک تیم تحقیقاتی شرکت Kimi تصمیم به مهاجرت به سیلیکون‌ولی گرفته است. او که متولد سال ۲۰۰۹ است، فعالیت خود را در ۱۶ سالگی و زمانی که هنوز دانش‌آموز دبیرستان بود، در این شرکت آغاز کرد.
این پژوهشگر بدون داشتن مدرک دانشگاهی یا دکترا، با ارائه نتایج تحقیقاتی تأثیرگذار توانست جایگاه ویژه‌ای در دنیای AI کسب کند. از مهم‌ترین دستاوردهای او می‌توان به موارد زیر اشاره کرد:
* همکاری در مقاله علمی: او نفر اول در لیست نویسندگان مقاله‌ای است که در جامعه هوش مصنوعی مورد توجه قرار گرفت و نتایج آن در مدلی با ۲.۸ تریلیون پارامتر استفاده شده است.
* درآمد سالانه: گزارش‌ها میزان درآمد او را در دوران حضور در این شرکت حدود ۷۰ میلیون یوآن برآورد کرده‌اند.
خروج چن از Kimi در ۱۵ اکتبر اعلام شد. مسیر حرفه‌ای او نشان می‌دهد که در آزمایشگاه‌های برتر هوش مصنوعی، نتایج عملی و مقالات تخصصی اولویت بیشتری نسبت به مدارک تحصیلی رسمی دارند. جزئیات بیشتر پژوهش او در این مقاله قابل مشاهده است.
🇮🇷 سایت | تلگرام
❤2
۵ مخزن کاربردی برای توسعه AI Agentها
این لیست شامل ریپازیتوری‌های متن‌باز برای ساخت و به‌کارگیری ایجنت‌های هوش مصنوعی در حوزه‌های مختلف است. به‌جای شروع از صفر، می‌توانید از ساختار و ابزارهای موجود در این پروژه‌ها استفاده کنید.
مهم‌ترین منابع عبارتند از:
* Agency Agents: مجموعه‌ای از ۱۷۰ ایجنت با نقش‌های تخصصی مانند مدیریت محصول، مارکتینگ و توسعه نرم‌افزار.
* Agents for Claude Code: شامل بیش از ۲۰۰ ایجنت و ۱۰۰ دستور کاربردی برای برنامه‌نویسی و امنیت با قابلیت انتخاب پلاگین‌های موردنیاز.
* Knowledge Work Plugins: پلاگین‌های رسمی برای تحلیل داده، امور حقوقی و مالی جهت شخصی‌سازی فرایندهای کاری.
* Claude Quickstarts: پروژه‌های نمونه برای یادگیری ساختار ایجنت‌ها و اتوماسیون.
* Agent Skills: اسکیل‌های اختصاصی برای مراحل توسعه نرم‌افزار، از تست تا CI/CD.
قبل از نصب یا اجرای هر پروژه، مستندات، وابستگی‌ها و سطح دسترسی‌های مورد نیاز را بررسی کنید. برای شروع یادگیری، بررسی پروژه‌های بخش Quickstarts پیشنهاد می‌شود.
این لیست شامل ریپازیتوری‌های متن‌باز برای ساخت و به‌کارگیری ایجنت‌های هوش مصنوعی در حوزه‌های مختلف است. به‌جای شروع از صفر، می‌توانید از ساختار و ابزارهای موجود در این پروژه‌ها استفاده کنید.
مهم‌ترین منابع عبارتند از:
* Agency Agents: مجموعه‌ای از ۱۷۰ ایجنت با نقش‌های تخصصی مانند مدیریت محصول، مارکتینگ و توسعه نرم‌افزار.
* Agents for Claude Code: شامل بیش از ۲۰۰ ایجنت و ۱۰۰ دستور کاربردی برای برنامه‌نویسی و امنیت با قابلیت انتخاب پلاگین‌های موردنیاز.
* Knowledge Work Plugins: پلاگین‌های رسمی برای تحلیل داده، امور حقوقی و مالی جهت شخصی‌سازی فرایندهای کاری.
* Claude Quickstarts: پروژه‌های نمونه برای یادگیری ساختار ایجنت‌ها و اتوماسیون.
* Agent Skills: اسکیل‌های اختصاصی برای مراحل توسعه نرم‌افزار، از تست تا CI/CD.
قبل از نصب یا اجرای هر پروژه، مستندات، وابستگی‌ها و سطح دسترسی‌های مورد نیاز را بررسی کنید. برای شروع یادگیری، بررسی پروژه‌های بخش Quickstarts پیشنهاد می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
⚡️ معرفی مدل MiniMax M3.1 Flash با سرعت سه‌برابری و هزینه کمتر
مدل جدید MiniMax M3.1 Flash معرفی شد. این مدل در مقایسه با نسخه M3 سه برابر سریع‌تر است و قیمت آن به یک‌سوم کاهش یافته. مدل Space Bunny که پیش‌تر بیش از ۲۰۰ تریلیون توکن را پردازش کرده بود، نسخه اولیه M3.1 Flash بوده است.
وزن‌های این مدل در ۲۳ اکتبر منتشر خواهند شد.
نتایج بنچمارک‌ها:
• Automation-Bench: ۶۲٪
• ALE: ۳۰٪
• DeepSWE: ۷۴٪
• BabyVision: ۹۱٪
قیمت استفاده از API برای هر ۱ میلیون توکن ورودی ۰٫۱۵ دلار و توکن خروجی ۰٫۶۰ دلار است. علاوه بر API، دسترسی به مدل از طریق اشتراک M Plan و نرم‌افزار دسکتاپ MiniMax Code هم امکان‌پذیر است.
مدل جدید MiniMax M3.1 Flash معرفی شد. این مدل در مقایسه با نسخه M3 سه برابر سریع‌تر است و قیمت آن به یک‌سوم کاهش یافته. مدل Space Bunny که پیش‌تر بیش از ۲۰۰ تریلیون توکن را پردازش کرده بود، نسخه اولیه M3.1 Flash بوده است.
وزن‌های این مدل در ۲۳ اکتبر منتشر خواهند شد.
نتایج بنچمارک‌ها:
• Automation-Bench: ۶۲٪
• ALE: ۳۰٪
• DeepSWE: ۷۴٪
• BabyVision: ۹۱٪
قیمت استفاده از API برای هر ۱ میلیون توکن ورودی ۰٫۱۵ دلار و توکن خروجی ۰٫۶۰ دلار است. علاوه بر API، دسترسی به مدل از طریق اشتراک M Plan و نرم‌افزار دسکتاپ MiniMax Code هم امکان‌پذیر است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 تشخیص کلاهبرداری با مدل Gemma در گوشی
گوگل دیپ‌مایند با همکاری دولت سنگاپور، نسخه‌ای از مدل متن‌باز Gemma را برای شناسایی کلاهبرداری‌ها آموزش داده است. این مدل به‌صورت محلی (On-device) اجرا می‌شود و در صورت تشخیص رفتارهای مشکوک یا تلاش برای فریب در پیام‌ها، به کاربر هشدار می‌دهد.
ساختار پردازشی این سیستم شامل دو مرحله است:
* غربالگری سریع: یک طبقه‌بندی‌کننده سبک، پیام‌ها را به‌صورت بی‌درنگ بررسی می‌کند.
* ارزیابی بافتاری: در صورت تشخیص ابهام، مدل Gemma گفتگوهای چندمرحله‌ای را تحلیل می‌کند تا احتمال کلاهبرداری را تایید یا رد کند.
دسترسی مدل به پیام‌ها تنها با رضایت کاربر ممکن است. این طرح برای کاهش آمار جرایم سایبری در سنگاپور ارائه شده است و به تدریج در برنامه‌های مختلف پیاده‌سازی خواهد شد.
گوگل دیپ‌مایند با همکاری دولت سنگاپور، نسخه‌ای از مدل متن‌باز Gemma را برای شناسایی کلاهبرداری‌ها آموزش داده است. این مدل به‌صورت محلی (On-device) اجرا می‌شود و در صورت تشخیص رفتارهای مشکوک یا تلاش برای فریب در پیام‌ها، به کاربر هشدار می‌دهد.
ساختار پردازشی این سیستم شامل دو مرحله است:
* غربالگری سریع: یک طبقه‌بندی‌کننده سبک، پیام‌ها را به‌صورت بی‌درنگ بررسی می‌کند.
* ارزیابی بافتاری: در صورت تشخیص ابهام، مدل Gemma گفتگوهای چندمرحله‌ای را تحلیل می‌کند تا احتمال کلاهبرداری را تایید یا رد کند.
دسترسی مدل به پیام‌ها تنها با رضایت کاربر ممکن است. این طرح برای کاهش آمار جرایم سایبری در سنگاپور ارائه شده است و به تدریج در برنامه‌های مختلف پیاده‌سازی خواهد شد.
🇮🇷 - 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
🤖 معرفی 3DCodeVerse برای تولید محتوای سه‌بعدی با کد
پروژه 3DCodeVerse یک محیط پژوهشی برای ایجنت‌های برنامه‌نویسی است که به جای تولید مش‌های ثابت، برنامه‌های قابل‌ویرایش و تست برای ساخت اشیاء سه‌بعدی، صحنه‌ها و انیمیشن‌ها تولید می‌کنند.
مهم‌ترین بخش‌های این پروژه شامل موارد زیر است:
* 3DCodeVerse-2M: مجموعه‌ای شامل ۲ میلیون برنامه سه‌بعدی اجرایی به همراه سورس‌کد، دارایی‌های زمان اجرا و لاگ‌های تأیید.
* 3DCodeVerse Harness: یک فریم‌ورک چند‌ایجنت مبتنی بر نمودار وابستگی که کد را اجرا می‌کند، معیارهای فضایی و رندر را بررسی کرده و بدون دخالت انسان، خطاها را اصلاح می‌کند.
* یادداشت‌های فنی: تجربیات کاربردی استخراج‌شده از سری آزمایش‌های انجام‌شده روی مدل‌های کدنویس.
در ارزیابی‌های انسانی، خروجی این مدل در ۹۰ درصد موارد عملکرد بهتری نسبت به Claude Design در تولید اشیاء سه‌بعدی داشته است.
#3DCodeVerse #3DCodeVerse_2M
پروژه 3DCodeVerse یک محیط پژوهشی برای ایجنت‌های برنامه‌نویسی است که به جای تولید مش‌های ثابت، برنامه‌های قابل‌ویرایش و تست برای ساخت اشیاء سه‌بعدی، صحنه‌ها و انیمیشن‌ها تولید می‌کنند.
مهم‌ترین بخش‌های این پروژه شامل موارد زیر است:
* 3DCodeVerse-2M: مجموعه‌ای شامل ۲ میلیون برنامه سه‌بعدی اجرایی به همراه سورس‌کد، دارایی‌های زمان اجرا و لاگ‌های تأیید.
* 3DCodeVerse Harness: یک فریم‌ورک چند‌ایجنت مبتنی بر نمودار وابستگی که کد را اجرا می‌کند، معیارهای فضایی و رندر را بررسی کرده و بدون دخالت انسان، خطاها را اصلاح می‌کند.
* یادداشت‌های فنی: تجربیات کاربردی استخراج‌شده از سری آزمایش‌های انجام‌شده روی مدل‌های کدنویس.
در ارزیابی‌های انسانی، خروجی این مدل در ۹۰ درصد موارد عملکرد بهتری نسبت به Claude Design در تولید اشیاء سه‌بعدی داشته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#3DCodeVerse #3DCodeVerse_2M
⚠️ کاهش هزینه حملات سایبری با استفاده از ایجنت‌های هوش مصنوعی
خبرگزاری رویترز گزارش داد که یک هکر با استفاده از ایجنت‌های هوش مصنوعی موفق به نفوذ به وب‌سایت بیش از ۱۰۰ شرکت از جمله Deere، SharkNinja و Cummins شده است. این فرد پیش از موفقیت، بیش از ۱۲۰۰ هدف را مورد حمله قرار داده بود.
هزینه نهایی این عملیات تنها ۵۰۰۰ دلار توکن هوش مصنوعی بوده که به معنای ۵۰ دلار برای هر نفوذ موفق است. زمان مورد نیاز برای هر نفوذ به‌طور میانگین حدود ۲۳ ساعت گزارش شده است.
این کمپین بر پایه فریم‌ورک متن‌باز Cairn پیاده‌سازی شده و از ترکیب مدل‌های DeepSeek و Claude Code استفاده کرده است. در یکی از عملیات‌ها، دستورالعمل‌های ارسالی به ایجنت‌ها کمتر از ۱۰۰ کاراکتر بوده است.
استفاده از ایجنت‌ها بخش‌های بزرگی از فرآیند هک را خودکار کرده و امکان اجرای حملات در مقیاسی را فراهم می‌کند که پیش‌تر نیازمند نیروی انسانی بسیار بیشتری بود. اسنور فگرلند، محقق NorForge در این باره گفته است که با شرایط جدیدی در امنیت سایبری روبرو هستیم.
خبرگزاری رویترز گزارش داد که یک هکر با استفاده از ایجنت‌های هوش مصنوعی موفق به نفوذ به وب‌سایت بیش از ۱۰۰ شرکت از جمله Deere، SharkNinja و Cummins شده است. این فرد پیش از موفقیت، بیش از ۱۲۰۰ هدف را مورد حمله قرار داده بود.
هزینه نهایی این عملیات تنها ۵۰۰۰ دلار توکن هوش مصنوعی بوده که به معنای ۵۰ دلار برای هر نفوذ موفق است. زمان مورد نیاز برای هر نفوذ به‌طور میانگین حدود ۲۳ ساعت گزارش شده است.
این کمپین بر پایه فریم‌ورک متن‌باز Cairn پیاده‌سازی شده و از ترکیب مدل‌های DeepSeek و Claude Code استفاده کرده است. در یکی از عملیات‌ها، دستورالعمل‌های ارسالی به ایجنت‌ها کمتر از ۱۰۰ کاراکتر بوده است.
استفاده از ایجنت‌ها بخش‌های بزرگی از فرآیند هک را خودکار کرده و امکان اجرای حملات در مقیاسی را فراهم می‌کند که پیش‌تر نیازمند نیروی انسانی بسیار بیشتری بود. اسنور فگرلند، محقق NorForge در این باره گفته است که با شرایط جدیدی در امنیت سایبری روبرو هستیم.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 تخصیص ۷۵ درصد توان پردازشی Anthropic به آموزش مدل‌های آینده
شرکت Anthropic در حال حاضر تنها ۲۵ درصد از منابع محاسباتی خود را به سرویس‌دهی به مشتریان فعلی اختصاص می‌دهد. بررسی‌ها نشان می‌دهد که ۷۵ درصد باقی‌مانده از توان پردازشی این شرکت صرف آموزش مدل‌های آتی، بهبودهای پس از آموزش و آزمایش‌های فنی می‌شود.
بر اساس ارقام منتشر شده، این شرکت با ۵ گیگاوات ظرفیت محاسباتی، حدود ۱۰۰ میلیون دلار درآمد سالانه به ازای هر گیگاوات تولید می‌کند. با این محاسبات، تنها ۱.۲۵ گیگاوات از توان عملیاتی فعلی به پردازش (Inference) برای کاربران اختصاص یافته است. همچنین Anthropic قصد دارد تا سال ۲۰۲۷، ۱۰.۵ گیگاوات دیگر به زیرساخت‌های محاسباتی خود اضافه کند که نشان‌دهنده برنامه‌ریزی برای گسترش جدی زیرساخت‌هاست.
#Anthropic #Inference
شرکت Anthropic در حال حاضر تنها ۲۵ درصد از منابع محاسباتی خود را به سرویس‌دهی به مشتریان فعلی اختصاص می‌دهد. بررسی‌ها نشان می‌دهد که ۷۵ درصد باقی‌مانده از توان پردازشی این شرکت صرف آموزش مدل‌های آتی، بهبودهای پس از آموزش و آزمایش‌های فنی می‌شود.
بر اساس ارقام منتشر شده، این شرکت با ۵ گیگاوات ظرفیت محاسباتی، حدود ۱۰۰ میلیون دلار درآمد سالانه به ازای هر گیگاوات تولید می‌کند. با این محاسبات، تنها ۱.۲۵ گیگاوات از توان عملیاتی فعلی به پردازش (Inference) برای کاربران اختصاص یافته است. همچنین Anthropic قصد دارد تا سال ۲۰۲۷، ۱۰.۵ گیگاوات دیگر به زیرساخت‌های محاسباتی خود اضافه کند که نشان‌دهنده برنامه‌ریزی برای گسترش جدی زیرساخت‌هاست.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Anthropic #Inference