مفهوم Harness Engineering در سیستم‌های عملیاتی
در پروژه‌های هوش مصنوعی سازمانی، حدود ۸۸ درصد از مدل‌ها به مرحله تولید (Production) نمی‌رسند. مشکل اصلی معمولاً خودِ مدل نیست، بلکه زیرساخت‌های اطراف آن است. در سال ۲۰۲۶، مهارتی به نام Harness Engineering جایگزین «پرامپت‌نویسی» و «مدیریت محتوا» شده است.
در واقع Harness (که می‌توان آن را «مجموعه ابزارهای مهارکننده» یا «لایه اجرایی» نامید)، سیستمی است که مدل را به دنیای واقعی متصل می‌کند. این لایه هفت وظیفه حیاتی دارد:
• مدیریت ابزارها: مدل نباید مستقیماً به ابزارها دسترسی داشته باشد؛ Harness باید درخواست‌ها را اعتبارسنجی و اجرا کند.
• اعتبارسنجی: استفاده از مدل ثانویه برای بررسی خروجی مدل اصلی.
• حافظه پایدار: ذخیره محدودیت‌ها و دانش در فایل‌های سیستمی جهت استفاده در نشست‌های بعدی.
• مدیریت زمینه (Context): خلاصه کردن تاریخچه برای جلوگیری از هدررفت پنجره متنی.
• گاردریل‌ها (Guardrails): بررسی خروجی‌ها بر اساس سیاست‌های رفتاری، داده‌ای و امنیتی.
🔗 ادامه مطلب در سایت
در پروژه‌های هوش مصنوعی سازمانی، حدود ۸۸ درصد از مدل‌ها به مرحله تولید (Production) نمی‌رسند. مشکل اصلی معمولاً خودِ مدل نیست، بلکه زیرساخت‌های اطراف آن است. در سال ۲۰۲۶، مهارتی به نام Harness Engineering جایگزین «پرامپت‌نویسی» و «مدیریت محتوا» شده است.
در واقع Harness (که می‌توان آن را «مجموعه ابزارهای مهارکننده» یا «لایه اجرایی» نامید)، سیستمی است که مدل را به دنیای واقعی متصل می‌کند. این لایه هفت وظیفه حیاتی دارد:
• مدیریت ابزارها: مدل نباید مستقیماً به ابزارها دسترسی داشته باشد؛ Harness باید درخواست‌ها را اعتبارسنجی و اجرا کند.
• اعتبارسنجی: استفاده از مدل ثانویه برای بررسی خروجی مدل اصلی.
• حافظه پایدار: ذخیره محدودیت‌ها و دانش در فایل‌های سیستمی جهت استفاده در نشست‌های بعدی.
• مدیریت زمینه (Context): خلاصه کردن تاریخچه برای جلوگیری از هدررفت پنجره متنی.
• گاردریل‌ها (Guardrails): بررسی خروجی‌ها بر اساس سیاست‌های رفتاری، داده‌ای و امنیتی.
🔗 ادامه مطلب در سایت
🤖 حذف آزمون‌های کدنویسی در فرآیند استخدام Anthropic
فلیکس ریزبرگ، مدیر توسعه در شرکت Anthropic اعلام کرد که از ماه اکتبر، فرآیند ارزیابی فنی متقاضیان تغییر کرده و دیگر از آن‌ها آزمون کدنویسی نمی‌گیرد. او دلیل این تصمیم را توانایی مدل‌های هوش مصنوعی مانند Claude در حل تمرین‌های برنامه‌نویسی می‌داند که باعث شده این آزمون‌ها دیگر شاخصی برای سنجش مهارت واقعی داوطلبان نباشند.
به گفته ریزبرگ، مدل استخدامی جدید بیشتر بر اساس این اصول استوار است:
* بررسی رزومه و پورتفولیو برای یافتن نمونه‌کارهای عملی
* ارزیابی سلیقه، درک کاربر و توانایی حل مسئله از پایه
* اولویت‌دهی به «اشتیاق» و «انگیزه» به‌جای صرفاً تجربه کاری و تسلط بر فریم‌ورک‌ها
او معتقد است که با کاهش هزینه تولید کد، نقش تجربه در ابزارهای فنی کمرنگ شده و مهندسان تازه‌کار که سریعاً نمونه‌کارهای عملی (Prototype) ارائه می‌دهند، موفق‌تر عمل می‌کنند. ریزبرگ پیشنهاد می‌دهد مهندسان به‌جای نوشتن اسناد طولانی، در یک آخر هفته ایده‌های خود را به خروجی ملموس تبدیل کنند.
فلیکس ریزبرگ، مدیر توسعه در شرکت Anthropic اعلام کرد که از ماه اکتبر، فرآیند ارزیابی فنی متقاضیان تغییر کرده و دیگر از آن‌ها آزمون کدنویسی نمی‌گیرد. او دلیل این تصمیم را توانایی مدل‌های هوش مصنوعی مانند Claude در حل تمرین‌های برنامه‌نویسی می‌داند که باعث شده این آزمون‌ها دیگر شاخصی برای سنجش مهارت واقعی داوطلبان نباشند.
به گفته ریزبرگ، مدل استخدامی جدید بیشتر بر اساس این اصول استوار است:
* بررسی رزومه و پورتفولیو برای یافتن نمونه‌کارهای عملی
* ارزیابی سلیقه، درک کاربر و توانایی حل مسئله از پایه
* اولویت‌دهی به «اشتیاق» و «انگیزه» به‌جای صرفاً تجربه کاری و تسلط بر فریم‌ورک‌ها
او معتقد است که با کاهش هزینه تولید کد، نقش تجربه در ابزارهای فنی کمرنگ شده و مهندسان تازه‌کار که سریعاً نمونه‌کارهای عملی (Prototype) ارائه می‌دهند، موفق‌تر عمل می‌کنند. ریزبرگ پیشنهاد می‌دهد مهندسان به‌جای نوشتن اسناد طولانی، در یک آخر هفته ایده‌های خود را به خروجی ملموس تبدیل کنند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
🤖 به‌روزرسانی مدل Drex Max 1.1
مدل تصمیم‌گیری جدید Drex Max 1.1 توسط شرکت Nace منتشر شد. این مدل چندوجهی (Multimodal) است و اکنون از پنجره بافت (Context window) با ظرفیت ۲۶۲ هزار توکن پشتیبانی می‌کند.
طبق گزارش Nace، این نسخه در مقایسه با مدل قبلی بهبودهایی در تعمیم‌پذیری به داده‌های خارج از توزیع (Out-of-distribution) داشته است. مهم‌ترین تغییرات عملکردی این مدل عبارتند از:
- کسب امتیاز ۷۰.۸ در شاخص Decision Index (در مقایسه با ۶۷.۶ نسخه قبل)
- تأخیر میانی (Median latency) معادل ۱۷۲ میلی‌ثانیه
#Drex_Max #Decision_Index
مدل تصمیم‌گیری جدید Drex Max 1.1 توسط شرکت Nace منتشر شد. این مدل چندوجهی (Multimodal) است و اکنون از پنجره بافت (Context window) با ظرفیت ۲۶۲ هزار توکن پشتیبانی می‌کند.
طبق گزارش Nace، این نسخه در مقایسه با مدل قبلی بهبودهایی در تعمیم‌پذیری به داده‌های خارج از توزیع (Out-of-distribution) داشته است. مهم‌ترین تغییرات عملکردی این مدل عبارتند از:
- کسب امتیاز ۷۰.۸ در شاخص Decision Index (در مقایسه با ۶۷.۶ نسخه قبل)
- تأخیر میانی (Median latency) معادل ۱۷۲ میلی‌ثانیه
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Drex_Max #Decision_Index
انتشار مدل Nemotron 3.5 Transcribe توسط انویدیا
انویدیا مدل Nemotron 3.5 Transcribe را به عنوان یک مدل متن‌باز برای تبدیل گفتار به متن منتشر کرد. این مدل از ۴۰ زبان پشتیبانی می‌کند، قادر به ترجمه ۳۱ زبان است و عملیات تشخیص گوینده (Diarization) را برای ۱۳ زبان انجام می‌دهد.
ویژگی‌های فنی و کاربردی:
- دارای ۳۴ میلیارد پارامتر که ۴.۳ میلیارد آن در لحظه فعال هستند.
- معماری ترکیبی شامل Mamba-2، لایه‌های Transformer و Mixture of Experts.
- پردازش فایل‌های صوتی تا ۶۰ دقیقه بدون نیاز به استریم زنده.
- قابلیت دریافت دستورالعمل‌های خاص در ورودی (مانند استخراج کلمه به کلمه، اصلاح نوشتاری، انتساب به گوینده یا ترجمه).
- ثبت نرخ خطای ۵.۳۳٪ در بنچمارک انگلیسی Hugging Face.
انویدیا همراه با این مدل، مجموعه داده Granary v2 شامل ۴۶۳ هزار ساعت داده صوتی برای ۴۸ زبان را نیز در دسترس قرار داده است. وزن‌های این مدل تحت لایسنس OpenMDW-1.1 عرضه شده‌اند و برای استفاده عملیاتی، تست‌های انجام‌شده کارایی بالای آن را روی سخت‌افزارهای RTX PRO 6000 نشان می‌دهند. جزئیات بیشتر در گزارش فنی و دموی آنلاین قابل مشاهده است.
انویدیا مدل Nemotron 3.5 Transcribe را به عنوان یک مدل متن‌باز برای تبدیل گفتار به متن منتشر کرد. این مدل از ۴۰ زبان پشتیبانی می‌کند، قادر به ترجمه ۳۱ زبان است و عملیات تشخیص گوینده (Diarization) را برای ۱۳ زبان انجام می‌دهد.
ویژگی‌های فنی و کاربردی:
- دارای ۳۴ میلیارد پارامتر که ۴.۳ میلیارد آن در لحظه فعال هستند.
- معماری ترکیبی شامل Mamba-2، لایه‌های Transformer و Mixture of Experts.
- پردازش فایل‌های صوتی تا ۶۰ دقیقه بدون نیاز به استریم زنده.
- قابلیت دریافت دستورالعمل‌های خاص در ورودی (مانند استخراج کلمه به کلمه، اصلاح نوشتاری، انتساب به گوینده یا ترجمه).
- ثبت نرخ خطای ۵.۳۳٪ در بنچمارک انگلیسی Hugging Face.
انویدیا همراه با این مدل، مجموعه داده Granary v2 شامل ۴۶۳ هزار ساعت داده صوتی برای ۴۸ زبان را نیز در دسترس قرار داده است. وزن‌های این مدل تحت لایسنس OpenMDW-1.1 عرضه شده‌اند و برای استفاده عملیاتی، تست‌های انجام‌شده کارایی بالای آن را روی سخت‌افزارهای RTX PRO 6000 نشان می‌دهند. جزئیات بیشتر در گزارش فنی و دموی آنلاین قابل مشاهده است.
📊 سهم ۲۴ درصدی محتوای هوش مصنوعی در وب
بر اساس پژوهش جدیدی روی ۵.۱ میلیون صفحه وب، تا آگوست ۲۰۲۶ حدود ۲۴ درصد از صفحات قابل خزش حاوی متن‌های تولید یا ویرایش شده توسط هوش مصنوعی هستند. این میزان تا قبل از سال ۲۰۲۲ تقریباً صفر بود.
شتاب تولید این محتوا نیز افزایش یافته است؛ در حالی که رشد آن بین سال‌های ۲۰۲۳ تا ۲۰۲۵ حدود ۴.۶ درصد در سال بود، این رقم اکنون به ۸.۱ درصد رسیده است.
مهم‌ترین یافته‌های این تحقیق:
* اکثر رشد محتوای هوش مصنوعی مربوط به سایت‌هایی است که لینک‌های ورودی بسیار کمی دارند، در حالی که صفحات پربازدید و معتبر کمترین استفاده را از این متون داشته‌اند.
* محتوای انگلیسی بیش از سایر زبان‌ها تحت تأثیر این روند قرار دارد.
* دامنه‌های آموزشی (.edu) و دولتی (.gov) به مراتب کمتر از دامنه‌های تجاری (.com) از این نوع محتوا استفاده می‌کنند.
تیم پژوهشی دانشگاه واشینگتن و برکلی برای دستیابی به این آمار، از چندین ابزار تشخیص هوش مصنوعی استفاده کرده و نتایج را با اصلاح خطاهای مثبت و منفی کاذب مدل‌ها گزارش کرده‌اند.
بر اساس پژوهش جدیدی روی ۵.۱ میلیون صفحه وب، تا آگوست ۲۰۲۶ حدود ۲۴ درصد از صفحات قابل خزش حاوی متن‌های تولید یا ویرایش شده توسط هوش مصنوعی هستند. این میزان تا قبل از سال ۲۰۲۲ تقریباً صفر بود.
شتاب تولید این محتوا نیز افزایش یافته است؛ در حالی که رشد آن بین سال‌های ۲۰۲۳ تا ۲۰۲۵ حدود ۴.۶ درصد در سال بود، این رقم اکنون به ۸.۱ درصد رسیده است.
مهم‌ترین یافته‌های این تحقیق:
* اکثر رشد محتوای هوش مصنوعی مربوط به سایت‌هایی است که لینک‌های ورودی بسیار کمی دارند، در حالی که صفحات پربازدید و معتبر کمترین استفاده را از این متون داشته‌اند.
* محتوای انگلیسی بیش از سایر زبان‌ها تحت تأثیر این روند قرار دارد.
* دامنه‌های آموزشی (.edu) و دولتی (.gov) به مراتب کمتر از دامنه‌های تجاری (.com) از این نوع محتوا استفاده می‌کنند.
تیم پژوهشی دانشگاه واشینگتن و برکلی برای دستیابی به این آمار، از چندین ابزار تشخیص هوش مصنوعی استفاده کرده و نتایج را با اصلاح خطاهای مثبت و منفی کاذب مدل‌ها گزارش کرده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
⚖️ ابزارهای جدید کلاود برای امور حقوقی
شرکت Anthropic مجموعه‌ای از ابزارهای آماده تحت عنوان Artifacts را برای استفاده در امور حقوقی به پلتفرم Claude اضافه کرده است. این ابزارها با هدف خودکارسازی بررسی اسناد و تطبیق آن‌ها با استانداردهای قانونی طراحی شده‌اند.
مهم‌ترین ابزارهای ارائه‌شده عبارتند از:
• Cite check: بررسی مطابقت نقل‌قول‌ها با منابع اصلی و شناسایی شماره صفحات یا ارجاعات نادرست.
• Playbook deviation board: شناسایی بندهای قرارداد که با استانداردهای شرکت فاصله دارند.
• Tabular review: استخراج اطلاعات کلیدی از قراردادهای متعدد و تبدیل آن‌ها به یک جدول واحد.
• Regulatory horizon scan: مرتب‌سازی و نمایش قوانین جدید بر اساس زمان‌بندی و میزان تأثیرگذاری.
بخشی از این ابزارها توسط مجموعه‌هایی مانند Harvey، PwC، Goodwin و Foley & Lardner توسعه یافته‌اند. علاوه بر این، ابزارهای تخصصی دیگری برای حوزه‌هایی مانند دعاوی تخلیه ملک نیز در دسترس قرار گرفته است. کاربران می‌توانند با بارگذاری اسناد خود در این محیط‌های تعاملی، از قابلیت‌های تحلیلی این مدل‌ها استفاده کنند.
🇮🇷 تلگرام
شرکت Anthropic مجموعه‌ای از ابزارهای آماده تحت عنوان Artifacts را برای استفاده در امور حقوقی به پلتفرم Claude اضافه کرده است. این ابزارها با هدف خودکارسازی بررسی اسناد و تطبیق آن‌ها با استانداردهای قانونی طراحی شده‌اند.
مهم‌ترین ابزارهای ارائه‌شده عبارتند از:
• Cite check: بررسی مطابقت نقل‌قول‌ها با منابع اصلی و شناسایی شماره صفحات یا ارجاعات نادرست.
• Playbook deviation board: شناسایی بندهای قرارداد که با استانداردهای شرکت فاصله دارند.
• Tabular review: استخراج اطلاعات کلیدی از قراردادهای متعدد و تبدیل آن‌ها به یک جدول واحد.
• Regulatory horizon scan: مرتب‌سازی و نمایش قوانین جدید بر اساس زمان‌بندی و میزان تأثیرگذاری.
بخشی از این ابزارها توسط مجموعه‌هایی مانند Harvey، PwC، Goodwin و Foley & Lardner توسعه یافته‌اند. علاوه بر این، ابزارهای تخصصی دیگری برای حوزه‌هایی مانند دعاوی تخلیه ملک نیز در دسترس قرار گرفته است. کاربران می‌توانند با بارگذاری اسناد خود در این محیط‌های تعاملی، از قابلیت‌های تحلیلی این مدل‌ها استفاده کنند.
🇮🇷 تلگرام
🤖 تقطیر مدل OpenAI Astra در آزمایشگاه‌های چینی
نشریه The Information گزارش داده است که آزمایشگاه‌های هوش مصنوعی در چین از مدل Astra متعلق به OpenAI برای آموزش و «تقطیر» (Distillation) مدل‌های جدید خود استفاده کرده‌اند.
بر اساس این گزارش، مدل‌های زیر با بهره‌گیری از خروجی‌ها و دانش مدل Astra توسعه یافته‌اند:
- مدل Kimi K3.1 Pro محصول شرکت Moonshot AI که هفته گذشته منتشر شد.
- مدل DeepSeek V4.1-Flash 1017 که نسخه به‌روزرسانی‌شده در ۱۷ اکتبر است.
پیش از این، مدل‌های Claude شرکت Anthropic هدف اصلی فرآیندهای تقطیر در آزمایشگاه‌های چینی بودند. شرکت‌های OpenAI و Anthropic بارها آزمایشگاه‌های Moonshot و DeepSeek را به استفاده غیرمجاز از مدل‌هایشان برای آموزش متهم کرده‌اند، اما این شرکت‌های چینی تاکنون واکنشی به این اتهامات نشان نداده‌اند و در پاسخ به درخواست‌ها برای اظهارنظر نیز پاسخی نداده‌اند.
#Kimi_K3_1_Pro #DeepSeek_V4_1_Flash
نشریه The Information گزارش داده است که آزمایشگاه‌های هوش مصنوعی در چین از مدل Astra متعلق به OpenAI برای آموزش و «تقطیر» (Distillation) مدل‌های جدید خود استفاده کرده‌اند.
بر اساس این گزارش، مدل‌های زیر با بهره‌گیری از خروجی‌ها و دانش مدل Astra توسعه یافته‌اند:
- مدل Kimi K3.1 Pro محصول شرکت Moonshot AI که هفته گذشته منتشر شد.
- مدل DeepSeek V4.1-Flash 1017 که نسخه به‌روزرسانی‌شده در ۱۷ اکتبر است.
پیش از این، مدل‌های Claude شرکت Anthropic هدف اصلی فرآیندهای تقطیر در آزمایشگاه‌های چینی بودند. شرکت‌های OpenAI و Anthropic بارها آزمایشگاه‌های Moonshot و DeepSeek را به استفاده غیرمجاز از مدل‌هایشان برای آموزش متهم کرده‌اند، اما این شرکت‌های چینی تاکنون واکنشی به این اتهامات نشان نداده‌اند و در پاسخ به درخواست‌ها برای اظهارنظر نیز پاسخی نداده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Kimi_K3_1_Pro #DeepSeek_V4_1_Flash
📊 تحلیل هزینه مدل‌های زبانی در Agent Arena
پلتفرم Agent Arena در بررسی عملکرد مدل‌ها، تفاوت ساختاری در کاهش هزینه اجرای تسک‌ها را نشان می‌دهد. بر اساس داده‌های این پلتفرم، مدل GPT-6.1 Sol (Max) با هزینه ۱.۹۱ دلار برای هر تسک، ۸۵ درصد ارزان‌تر از Claude Opus 5.5 با هزینه ۱۲.۵۱ دلار و ۸۷ درصد ارزان‌تر از GPT-6 Astra با هزینه ۱۴.۹۳ دلار عمل می‌کند.
این کاهش هزینه در مدل Sol نسبت به مدل‌های رقیب از دو منبع متفاوت تامین می‌شود:
* در برابر Astra: مزیت اصلی Sol ناشی از قیمت پایین‌تر هر توکن است.
* در برابر Opus: مزیت اصلی مدل ناشی از مصرف کمتر تعداد توکن برای انجام یک تسک مشابه است.
Agent Arena با ردیابی واقعی هزینه‌های کاربران، مجموع توکن‌های مصرفی مدل در بخش‌های ورودی، خروجی و cache-read را در قیمت هر توکن ضرب می‌کند تا مشخص شود هر مدل چگونه هزینه‌های عملیاتی را مدیریت می‌کند. اطلاعات بیشتر در سایت Arena.ai قابل مشاهده است.
#Agent_Arena #GPT_6_1_Sol
پلتفرم Agent Arena در بررسی عملکرد مدل‌ها، تفاوت ساختاری در کاهش هزینه اجرای تسک‌ها را نشان می‌دهد. بر اساس داده‌های این پلتفرم، مدل GPT-6.1 Sol (Max) با هزینه ۱.۹۱ دلار برای هر تسک، ۸۵ درصد ارزان‌تر از Claude Opus 5.5 با هزینه ۱۲.۵۱ دلار و ۸۷ درصد ارزان‌تر از GPT-6 Astra با هزینه ۱۴.۹۳ دلار عمل می‌کند.
این کاهش هزینه در مدل Sol نسبت به مدل‌های رقیب از دو منبع متفاوت تامین می‌شود:
* در برابر Astra: مزیت اصلی Sol ناشی از قیمت پایین‌تر هر توکن است.
* در برابر Opus: مزیت اصلی مدل ناشی از مصرف کمتر تعداد توکن برای انجام یک تسک مشابه است.
Agent Arena با ردیابی واقعی هزینه‌های کاربران، مجموع توکن‌های مصرفی مدل در بخش‌های ورودی، خروجی و cache-read را در قیمت هر توکن ضرب می‌کند تا مشخص شود هر مدل چگونه هزینه‌های عملیاتی را مدیریت می‌کند. اطلاعات بیشتر در سایت Arena.ai قابل مشاهده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Agent_Arena #GPT_6_1_Sol
🤖 تخصیص اعتبار API به کاربران اشتراکی OpenAI
شرکت OpenAI اعلام کرد که برای کاربران برخی از سطوح اشتراکی، اعتبار ماهیانه API در نظر می‌گیرد. در این طرح، مبلغ پرداختی برای اشتراک در قالب اعتبار (Credit) برای استفاده از API بازگردانده می‌شود.
این اعتبار به یک سازمان مشخص در پنل API اختصاص می‌یابد و متقاضیان باید برای فعال‌سازی آن درخواست خود را ثبت کنند.
مهم‌ترین موارد تخصیص اعتبار به شرح زیر است:
- اشتراک Pro در سطح ۱۰۰ دلار: ۱۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۲۰۰ دلار: ۲۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۵۰۰ دلار: ۵۰۰ دلار اعتبار ماهیانه
- اشتراک Business Standard: ۲۰ دلار به ازای هر صندلی فعال
- اشتراک Business Premium: ۱۰۰ دلار به ازای هر صندلی فعال (با سقف کلی ۵۰۰ دلار برای هر Workspace)
#OpenAI #API_Credits
شرکت OpenAI اعلام کرد که برای کاربران برخی از سطوح اشتراکی، اعتبار ماهیانه API در نظر می‌گیرد. در این طرح، مبلغ پرداختی برای اشتراک در قالب اعتبار (Credit) برای استفاده از API بازگردانده می‌شود.
این اعتبار به یک سازمان مشخص در پنل API اختصاص می‌یابد و متقاضیان باید برای فعال‌سازی آن درخواست خود را ثبت کنند.
مهم‌ترین موارد تخصیص اعتبار به شرح زیر است:
- اشتراک Pro در سطح ۱۰۰ دلار: ۱۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۲۰۰ دلار: ۲۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۵۰۰ دلار: ۵۰۰ دلار اعتبار ماهیانه
- اشتراک Business Standard: ۲۰ دلار به ازای هر صندلی فعال
- اشتراک Business Premium: ۱۰۰ دلار به ازای هر صندلی فعال (با سقف کلی ۵۰۰ دلار برای هر Workspace)
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#OpenAI #API_Credits
This media is not supported in your browser
VIEW IN TELEGRAM
⚡ مقایسه Gemini 4 Carbon و Opus 5.5 در رندر سه‌بعدی
در یک ارزیابی عملی برای ساخت رندر سه‌بعدی با پرامپت یکسان، مدل Gemini 4 Carbon نسبت به Opus 5.5 با هزینه کمتر و سرعت بالاتری خروجی ارائه کرد.
جزئیات عملکرد:
• Gemini 4 Carbon: هزینه ۴٫۳۰ دلار و زمان پردازش ۳۲ دقیقه
• Opus 5.5: هزینه ۱۴٫۰۰ دلار و زمان پردازش ۱ ساعت و ۲۰ دقیقه
تصویر خروجی Gemini 4 Carbon شفاف‌تر بود و سایه‌های رنگین‌کمانی ایجاد کرد، در حالی که تصویر Opus 5.5 در مقایسه با آن کم‌رنگ‌تر شد. بر اساس این تست، Gemini 4 Carbon سه برابر ارزان‌تر و دو برابر سریع‌تر از Opus 5.5 پردازش را انجام داده است.
در یک ارزیابی عملی برای ساخت رندر سه‌بعدی با پرامپت یکسان، مدل Gemini 4 Carbon نسبت به Opus 5.5 با هزینه کمتر و سرعت بالاتری خروجی ارائه کرد.
جزئیات عملکرد:
• Gemini 4 Carbon: هزینه ۴٫۳۰ دلار و زمان پردازش ۳۲ دقیقه
• Opus 5.5: هزینه ۱۴٫۰۰ دلار و زمان پردازش ۱ ساعت و ۲۰ دقیقه
تصویر خروجی Gemini 4 Carbon شفاف‌تر بود و سایه‌های رنگین‌کمانی ایجاد کرد، در حالی که تصویر Opus 5.5 در مقایسه با آن کم‌رنگ‌تر شد. بر اساس این تست، Gemini 4 Carbon سه برابر ارزان‌تر و دو برابر سریع‌تر از Opus 5.5 پردازش را انجام داده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
📊 مقایسه عملکرد Gemini 4 Carbon با Opus 5.5 و GPT-6 Astra
در یک آزمون مقایسه‌ای با پرومپت یکسان، عملکرد چند مدل پرچمدار از نظر زمان پردازش و هزینه سنجیده شد.
نتایج ثبت‌شده در این تست به این شرح است:
• GPT-6 Astra: ۲۲ دقیقه و ۵۴ ثانیه (هزینه: ۳.۲۸ دلار)
• Gemini 4 Carbon: ۲۹ دقیقه و ۴۹ ثانیه
• Opus 5.5: ۴۳ دقیقه و ۲۱ ثانیه (هزینه: ۹.۲۵ دلار)
در این آزمون، مدل GPT-6 Astra سریع‌ترین زمان و کمترین هزینه را ثبت کرد و Gemini 4 Carbon نیز زمان پردازش کوتاه‌تری نسبت به Opus 5.5 داشت.
در یک آزمون مقایسه‌ای با پرومپت یکسان، عملکرد چند مدل پرچمدار از نظر زمان پردازش و هزینه سنجیده شد.
نتایج ثبت‌شده در این تست به این شرح است:
• GPT-6 Astra: ۲۲ دقیقه و ۵۴ ثانیه (هزینه: ۳.۲۸ دلار)
• Gemini 4 Carbon: ۲۹ دقیقه و ۴۹ ثانیه
• Opus 5.5: ۴۳ دقیقه و ۲۱ ثانیه (هزینه: ۹.۲۵ دلار)
در این آزمون، مدل GPT-6 Astra سریع‌ترین زمان و کمترین هزینه را ثبت کرد و Gemini 4 Carbon نیز زمان پردازش کوتاه‌تری نسبت به Opus 5.5 داشت.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
📖 دسترسی رایگان به صدها کتاب درسی در NotebookLM
گوگل امکان دسترسی مستقیم و رایگان به صدها کتاب درسی را به ابزار NotebookLM اضافه کرد. این کتاب‌ها از ناشرانی مانند OpenStax، S Chand Publishing و Open Textbook Library تامین شده‌اند و کاربران می‌توانند بدون نیاز به بارگذاری فایل، آن‌ها را درون برنامه جستجو و انتخاب کنند.
با افزودن این منابع، هوش مصنوعی NotebookLM می‌تواند فصل‌های مختلف را خلاصه کند، متون را توضیح دهد و از محتوای کتاب‌ها پرسش‌وپاسخ و آزمون تمرینی بسازد.
#NotebookLM #OpenStax
گوگل امکان دسترسی مستقیم و رایگان به صدها کتاب درسی را به ابزار NotebookLM اضافه کرد. این کتاب‌ها از ناشرانی مانند OpenStax، S Chand Publishing و Open Textbook Library تامین شده‌اند و کاربران می‌توانند بدون نیاز به بارگذاری فایل، آن‌ها را درون برنامه جستجو و انتخاب کنند.
با افزودن این منابع، هوش مصنوعی NotebookLM می‌تواند فصل‌های مختلف را خلاصه کند، متون را توضیح دهد و از محتوای کتاب‌ها پرسش‌وپاسخ و آزمون تمرینی بسازد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#NotebookLM #OpenStax
This media is not supported in your browser
VIEW IN TELEGRAM
🖼️ توضیح تعاملی لایه‌به‌لایه شبکه‌های CNN
ابزار CNN Explainer به شما امکان می‌دهد پردازش گام‌به‌گام تصویر توسط شبکه‌های کانولوشنال عصبی (CNN) را مشاهده کنید. می‌توانید تصویر دلخواه خود را بارگذاری کرده و ببینید هر لایه چگونه آن را پردازش می‌کند.
این ابزار مراحل زیر را توضیح می‌دهد:
- کانال‌های ورودی RGB
- کانولوشن (Convolution)
- تابع فعال‌سازی ReLU
- پولینگ حداکثر (Max Pooling)
- نقشه‌های فعال‌سازی (Activation maps)
- مسطح‌سازی (Flatten)
- تابع Softmax
- پیش‌بینی نهایی
این ابزار برای درک عمیق‌تر نحوه کار CNNها بسیار مفید است.
🔗 CNN Explainer
#CNN_Explainer #Convolutional_Neural_Networks
ابزار CNN Explainer به شما امکان می‌دهد پردازش گام‌به‌گام تصویر توسط شبکه‌های کانولوشنال عصبی (CNN) را مشاهده کنید. می‌توانید تصویر دلخواه خود را بارگذاری کرده و ببینید هر لایه چگونه آن را پردازش می‌کند.
این ابزار مراحل زیر را توضیح می‌دهد:
- کانال‌های ورودی RGB
- کانولوشن (Convolution)
- تابع فعال‌سازی ReLU
- پولینگ حداکثر (Max Pooling)
- نقشه‌های فعال‌سازی (Activation maps)
- مسطح‌سازی (Flatten)
- تابع Softmax
- پیش‌بینی نهایی
این ابزار برای درک عمیق‌تر نحوه کار CNNها بسیار مفید است.
🔗 CNN Explainer
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#CNN_Explainer #Convolutional_Neural_Networks
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #10 | 📌 5 آیتم گزارش | 🧾 از 41 پست بررسی‌شده
🕐 چهارشنبه 1405/08/06 ساعت 14:00 تا جمعه 1405/08/08 ساعت 14:00
تاثیر آزادسازی سخت‌افزاری بر سرعت پردازش محلی
آزادسازی ظرفیت تنسورکور کارت‌های مصرفی در لینوکس، هزینه تست و پردازش محلی مدل‌ها را کاهش می‌دهد. این تغییر به توسعه‌دهندگان اجازه می‌دهد بدون سرمایه‌گذاری روی کارت‌های سازمانی، سرعت پیش‌پردازش و فین‌تیون را بالا ببرند. با این حال، ثابت ماندن پهنای باند حافظه باعث می‌شود نرخ تولید توکن در مدل‌های کوانتایزشده تغییر چندانی نکند.
ارزیابی راهکار SLEEP در یادگیری بدون فراموشی
تفکیک فازهای یادگیری و انتقال دانش به بلوک‌های حافظه، امکان به‌روزرسانی مداوم مدل‌ها را بدون دستکاری کل شبکه فراهم می‌کند. این رویکرد ریسک فراموشی فاجعه‌بار را در مواجهه با داده‌های جدید کاهش می‌دهد. البته موفقیت عملی آن نیازمند مدیریت دقیق چرخه رویاسازی و ارزیابی کیفیت نمونه‌های تولیدشده است.
🔬 زیرساخت و مدل‌های باز
بهبود عملکرد کارت‌های GeForce با ابزار gpu-unlock
ابزار gpu-unlock با حذف محدودیت‌های تنسورکور در لینوکس، سرعت پردازش پرامپت و بازآموزی مدل‌ها را افزایش می‌دهد.
معماری SLEEP گوگل برای یادگیری مداوم مدل‌ها
معماری SLEEP با استفاده از بلوک‌های حافظه MoE و فازهای خواب و رویا، امکان یادگیری مداوم را بدون از دست رفتن دانش قبلی فراهم می‌کند.
انتشار مدل متن‌باز Nemotron 3.5 Transcribe انویدیا
مدل ۳۴ میلیارد پارامتری انویدیا با معماری ترکیبی Mamba-2 و MoE برای تبدیل گفتار به متن و تشخیص گوینده منتشر شد.
انتشار مدل متن‌باز Atria Dawn با پنجره متنی ۵۱۲ هزار توکنی
مدل ۷۴۴ میلیارد پارامتری Atria Dawn بر پایه معماری MoE با مجوز MIT برای تعامل چندمرحله‌ای ایجنت‌ها منتشر شد.
دسترسی کلاینت‌های MCP به داده‌های زنده صرافی‌های ایرانی
پروژه اوپن‌سورس iran-crypto-mcp امکان اتصال ابزارهایی مثل Claude و Cursor را به داده‌های ۷ صرافی ایرانی فراهم کرد.
🗂 گزارش #10 | 📌 5 آیتم گزارش | 🧾 از 41 پست بررسی‌شده
🕐 چهارشنبه 1405/08/06 ساعت 14:00 تا جمعه 1405/08/08 ساعت 14:00
تاثیر آزادسازی سخت‌افزاری بر سرعت پردازش محلی
آزادسازی ظرفیت تنسورکور کارت‌های مصرفی در لینوکس، هزینه تست و پردازش محلی مدل‌ها را کاهش می‌دهد. این تغییر به توسعه‌دهندگان اجازه می‌دهد بدون سرمایه‌گذاری روی کارت‌های سازمانی، سرعت پیش‌پردازش و فین‌تیون را بالا ببرند. با این حال، ثابت ماندن پهنای باند حافظه باعث می‌شود نرخ تولید توکن در مدل‌های کوانتایزشده تغییر چندانی نکند.
ارزیابی راهکار SLEEP در یادگیری بدون فراموشی
تفکیک فازهای یادگیری و انتقال دانش به بلوک‌های حافظه، امکان به‌روزرسانی مداوم مدل‌ها را بدون دستکاری کل شبکه فراهم می‌کند. این رویکرد ریسک فراموشی فاجعه‌بار را در مواجهه با داده‌های جدید کاهش می‌دهد. البته موفقیت عملی آن نیازمند مدیریت دقیق چرخه رویاسازی و ارزیابی کیفیت نمونه‌های تولیدشده است.
🔬 زیرساخت و مدل‌های باز
بهبود عملکرد کارت‌های GeForce با ابزار gpu-unlock
ابزار gpu-unlock با حذف محدودیت‌های تنسورکور در لینوکس، سرعت پردازش پرامپت و بازآموزی مدل‌ها را افزایش می‌دهد.
معماری SLEEP گوگل برای یادگیری مداوم مدل‌ها
معماری SLEEP با استفاده از بلوک‌های حافظه MoE و فازهای خواب و رویا، امکان یادگیری مداوم را بدون از دست رفتن دانش قبلی فراهم می‌کند.
انتشار مدل متن‌باز Nemotron 3.5 Transcribe انویدیا
مدل ۳۴ میلیارد پارامتری انویدیا با معماری ترکیبی Mamba-2 و MoE برای تبدیل گفتار به متن و تشخیص گوینده منتشر شد.
انتشار مدل متن‌باز Atria Dawn با پنجره متنی ۵۱۲ هزار توکنی
مدل ۷۴۴ میلیارد پارامتری Atria Dawn بر پایه معماری MoE با مجوز MIT برای تعامل چندمرحله‌ای ایجنت‌ها منتشر شد.
دسترسی کلاینت‌های MCP به داده‌های زنده صرافی‌های ایرانی
پروژه اوپن‌سورس iran-crypto-mcp امکان اتصال ابزارهایی مثل Claude و Cursor را به داده‌های ۷ صرافی ایرانی فراهم کرد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما