‏🤖 انتشار مدل تصمیم‌گیر Drex Max v1 توسط Nace AI

‏شرکت Nace AI مدل تصمیم‌گیر Drex Max v1 را به صورت متن‌باز عرضه کرد. این مدل برخلاف مدل‌های زبانی رایج، متن تولید نمی‌کند؛ بلکه وضعیت (متن، JSON یا تصویر) و پرسش‌های تایپ‌شده را می‌خواند و با یک Forward pass، احتمال هر گزینه را محاسبه می‌کند.

‏ساختار مدل شامل یک Backbone با ۲۷ میلیارد پارامتر است که از ۴۸ لایه Gated DeltaNet و ۱۶ لایه full-attention تشکیل شده است. در بنچمارک Decision Index 0.4، این مدل امتیاز ۶۷.۵۲ را کسب کرده که نسبت به نسخه‌های پیشین بهبود یافته است.

‏جزئیات فنی اجرا:
‏* پشتیبانی از سخت‌افزار محلی از جمله Apple Silicon.
‏* اجرای نسخه Q4 روی مک‌های ۲۴ گیگابایتی و نسخه Q8_0 GGUF روی سیستم‌های ۴۸ گیگابایتی.
‏* پنجره متنی تا ۲۶۲,۱۴۴ توکن.
‏* محدودیت: نسخه‌های GGUF، Q4 و MLX فعلاً فقط متنی هستند و امتیاز vision در R-Bench-M به ۳۸.۶ می‌رسد.

‏کدهای این مدل در مخزن گیت‌هاب قابل دسترسی است و وزن‌های آن تحت لایسنس Nace AI Open RAIL-M منتشر شده‌اند.

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

#Drex_Max #Gated_DeltaNet

‏📖 نسخه فارسی و تحت وب کتاب Deep Learning with Python ویرایش ۳

‏نسخه فارسی و تحت وب کتاب Deep Learning with Python (ویرایش ۳) منتشر شد. این ویرایش به‌صورت آنلاین و در قالب وب‌سایت در دسترس علاقه‌مندان به یادگیری عمیق و پایتون قرار گرفته است.

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

‏📊 معرفی بنچمارک GDPx برای سنجش مدل‌های هوش مصنوعی

‏شرکت پژوهشی SemiAnalysis به‌تازگی بنچمارک GDPx را منتشر کرده است. این آزمون بر خلاف سنجه‌های رایج، توانایی مدل‌های هوش مصنوعی را در انجام فعالیت‌های تخصصی و چندمرحله‌ای ارزیابی می‌کند. در نتایج اولیه، بهترین مدل‌های فعلی تنها موفق به کسب ۱۲ درصد از امتیاز کل شدند.

‏این بنچمارک در ۱۱ حوزه تخصصی اجرا می‌شود که مهم‌ترین آن‌ها عبارتند از:
‏• طراحی تراشه و سخت‌افزار
‏• امنیت سایبری و مهندسی نرم‌افزار
‏• زیست‌شناسی و علم مواد
‏• امور مالی و معاملات کمی
‏• هم‌ترازی هوش مصنوعی و خودبهبوددهی بازگشتی

‏تفاوت اصلی GDPx در محیط اجرای واقعی آن است؛ برای مثال در بخش مالی، مدل باید اطلاعات مورد نیاز را از میان هزاران فایل پراکنده استخراج کند. زمان پیش‌فرض برای انجام هر وظیفه هشت ساعت تعیین شده و امتیاز نهایی بر اساس نرخ موفقیت در تلاش اول (Pass@1) با در نظر گرفتن سه اجرای مستقل محاسبه می‌شود.

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

#GDPx #Pass_at_1

‏انتشار مدل سبک Nemotron-3.5 Bolt E4B توسط NVIDIA

‏ان‌ویدیا مدل Nemotron-3.5 Bolt E4B را برای دستگاه‌های لبه (Edge) منتشر کرد. این مدل ۸ میلیارد پارامتری که با بهره‌گیری از معماری پایه Google Gemma 4 ساخته شده، در هر لحظه از ۴ میلیارد پارامتر فعال استفاده می‌کند و از پنجره بافت ۶۴ هزار توکنی پشتیبانی می‌کند.

‏وزن‌های این مدل در قالب‌های BF16 و GGUF در دسترس است و با کوانتایز ۴ بیتی، حافظه‌ای حدود ۴ گیگابایت اشغال می‌کند. طبق گزارش فنی، این مدل در مدیریت ابزارها و طول پاسخ‌ها، بهینه‌سازی شده و از روش DFlash برای افزایش سرعت تولید توکن تا ۲۱ درصد استفاده می‌کند.

‏این مدل با ابزارهای llama.cpp، Ollama، LM Studio، vLLM و SGLang سازگار است. لایسنس آن نیز از نوع OpenMDW 1.1 تعیین شده است.

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

‏چارچوب ارزیابی آمادگی سازمانی برای GenAI و Agentic AI

‏برای پیاده‌سازی موفق هوش مصنوعی مولد و سیستم‌های عامل‌محور (Agentic AI) در سازمان، ارزیابی سیستماتیک زیرساخت‌ها و توانمندی‌ها ضروری است. این چارچوب عملیاتی، آمادگی سازمان را در ۱۱ حوزه کلیدی مورد سنجش قرار می‌دهد تا شکاف‌های فنی و مدیریتی پیش از عملیاتی‌سازی شناسایی شوند.

‏مهم‌ترین محورهای این ارزیابی عبارتند از:

‏• استراتژی و رهبری: بررسی همسویی اهداف تجاری با نقشه راه هوش مصنوعی و تعیین مسئولیت‌های اجرایی.
‏• داده و دانش: ارزیابی زیرساخت‌های داده، RAG، استفاده از GraphRAG و نحوه مدیریت حافظه در عامل‌ها.
‏• مهندسی Agentic AI: سنجش قابلیت‌های سازمان در طراحی عامل‌ها، ارکستراسیون، مدیریت ابزارها و مرزهای خودمختاری.
‏• امنیت و حاکمیت: بررسی پروتکل‌های دسترسی، شناسایی ریسک‌های تزریق پرامپت (Prompt Injection) و کنترل‌های نظارتی.
‏• عملیات و ارزش‌سنجی: محاسبه هزینه‌های نهایی (TCO)، بازگشت سرمایه (ROI) و پایش عملکرد در محیط عملیاتی.

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

#Agentic_AI #RAG

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #12 | 📌 5 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 یکشنبه 1405/08/10 ساعت 14:00 تا دوشنبه 1405/08/11 ساعت 14:00

تصمیم‌گیری غیرتولیدی با ارزیابی گزینه‌ها در مدل‌های محلی
محاسبه مستقیم احتمال گزینه‌ها در یک گذرِ جلو بدون تولید متن، نیاز به نمونه‌گیری توکن به توکن را در مسائل تصمیم‌گیری حذف می‌کند و تأخیر استنتاج را کاهش می‌دهد. این رویکرد برای سیستم‌های رتبه‌بندی یا تخصیص منبع محلی مناسب است، اما افت عملکرد نسخه کوانتایزشده در مدهای چندرسانه‌ای، به‌کارگیری آن را فعلاً به ورودی‌های متنی محدود می‌سازد.

🔬 مدل‌ها و ابزارهای مهندسی هوش مصنوعی

انتشار کدهای منبع ایجنت dsh-superagent دیپ‌سیک
سورس‌کد پروژه آزمایشی دیپ‌سیک برای تعامل مستقیم با گیت‌هاب و خودکارسازی تغییرات برنامه‌نویسی منتشر شد.

عرضه مدل تصمیم‌گیر متن‌باز Drex Max v1
این مدل ۲۷ میلیارد پارامتری با محاسبه احتمال گزینه‌ها در یک گذر، برای اجرای محلی روی سخت‌افزار محدود ارائه شد.

انتشار مدل سبک Nemotron-3.5 Bolt E4B ان‌ویدیا
مدل ۸ میلیارد پارامتری ان‌ویدیا با ۴ میلیارد پارامتر فعال و پنجره بافت ۶۴ هزار توکنی برای پردازش لبه منتشر شد.

معرفی بنچمارک GDPx توسط SemiAnalysis
بنچمارک جدید GDPx توانایی مدل‌های هوش مصنوعی را در وظایف تخصصی چندمرحله‌ای طی پنجره زمانی ۸ ساعته می‌سنجد.

توسعه ابزارهای جانبی برای مدیریت Claude Code
مجموعه ۵ ابزار جدید برای کاهش مصرف توکن، حفظ حافظه بین‌جلسه‌ای و تغییر خودکار مدل در Claude Code معرفی شدند.

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

‏🌐 مدل‌های کوچک‌تر با بازنمایی دقیق‌تر جهان

‏یان لکان و رندال بالستریرو در پژوهش جدید خود نشان داده‌اند که یادگیری مدل‌های زبانی از طریق پیش‌بینی کلمه بعدی، روشی ناکارآمد برای درک واقعیت است. آن‌ها ثابت کردند مدل‌هایی که از دو دیدگاه متفاوت از یک صحنه (مانند عکس و کپشن آن) آموزش می‌بینند، به بازنمایی درونی دقیق‌تری از جهان می‌رسند.

‏این رویکرد جدید که در مقاله اخیر محققان AMI Labs منتشر شده، نتایج قابل‌توجهی دارد:

‏• رسیدن به عملکرد مدل‌های تصویری تنها با ۲۱.۶ میلیون نمونه آموزشی، در حالی که روش‌های سنتی به ۹۰۰ میلیون نمونه نیاز دارند.
‏• برتری یک مدل متنی ۱۰۹ میلیون پارامتری نسبت به مدل‌های زبانی بسیار بزرگ‌تر از جمله Qwen2.5-72B در همسویی با مدل‌های تصویری.

‏این یافته‌ها نشان می‌دهد که یادگیری از داده‌های چندوجهی می‌تواند جایگزین بهینه‌تری برای پیش‌بینی متن خالص در ساخت مدل‌های هوش مصنوعی باشد.

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

‏📊 انتشار راهنمای عملی کتابخانه pandas

‏کتاب pandas - The Mental Model در ۱۸ فصل منتشر شد. این راهنمای ۳۱ صفحه‌ای با تمرکز بر مثال‌های کاربردی، جزئیات فنی کار با جداول و ایندکس‌ها را بررسی می‌کند.

‏مهم‌ترین موارد پوشش داده شده در این کتاب شامل:
‏- نحوه کارکرد داخلی ایندکس‌ها و انتخاب داده‌ها
‏- متدهای groupby و نحوه تغییر شکل (Reshaping) جداول
‏- مدیریت سری‌های زمانی و داده‌های متنی
‏- تکنیک‌های Chaining و بهینه‌سازی عملکرد
‏- تغییرات کلیدی در نسخه ۳.۰ کتابخانه pandas

‏تمام مثال‌های این کتاب اجرا شده‌اند و خروجی واقعی هر دستور در متن نمایش داده شده است. در پایان کتاب نیز یک صفحه به‌عنوان Cheat sheet برای دسترسی سریع به سینتکس‌ها قرار دارد.

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

#pandas_mental_model #groupby

‏🤖 عرضه مدل هوش مصنوعی Brush توسط Canva

‏شرکت Canva از مدل هوش مصنوعی اختصاصی خود با نام Brush رونمایی کرد. این مدل یک Vision-Language Model است که علاوه بر تحلیل تصاویر، ساختار لایه‌ها، چیدمان (Layout)، فونت‌ها و سبک کلی طراحی را درک می‌کند.

‏قابلیت‌های کلیدی Brush شامل موارد زیر است:
‏* ویرایش متن در اسلایدها
‏* تغییر استایل کلی ارائه‌ها
‏* تطبیق طراحی‌ها با فرمت‌های متفاوت

‏این مدل از یک حلقه عامل (Agent Loop) استفاده می‌کند؛ به این صورت که ابتدا کد لازم برای تغییر المان‌ها را می‌نویسد و اجرا می‌کند، سپس نتیجه را به‌صورت بصری بررسی کرده و در صورت نیاز اصلاحات لازم را اعمال می‌کند. در تست‌های داخلی، سرعت انجام وظایف ویرایشی با این مدل ۶۹ درصد افزایش و هزینه پردازش هر وظیفه ۴۶ درصد کاهش یافته است.

‏این ابزار بر پایه یک مدل متن‌باز ساخته شده و برای تسک‌های طراحی، با استفاده از یادگیری تقویتی (Reinforcement Learning) آموزش دیده است. تغییرات ایجاد شده توسط این مدل همچنان به‌صورت دستی قابل ویرایش باقی می‌مانند.

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

#CanvaBrush #AgentLoop

‏📊 انتشار مدل چندوجهی LongCat-2.5 توسط Meituan

‏شرکت Meituan از مدل هوش مصنوعی LongCat-2.5 رونمایی کرد. این مدل به‌طور اختصاصی برای پردازش تصاویر، تولید کد و اجرای وظایف مهندسی طولانی طراحی شده است.

‏طبق اعلام سازنده، این نسخه در مقایسه با مدل‌های قبلی در دو حوزه درک بصری و توانایی برنامه‌نویسی بهبود یافته است تا بتواند زنجیره‌ای از دستورات و وظایف پیچیده‌تر را با تعداد پرامپت کمتر اجرا کند.

‏دسترسی به این مدل در حال حاضر از طریق چت‌بات اختصاصی Meituan و API فراهم شده است. نسخه نهایی وزن‌های مدل برای دسترسی عمومی در پلتفرم‌های GitHub و Hugging Face در آینده منتشر خواهد شد. فعلاً ارزیابی کاربرد عملی این ابزار به انتشار مستقل وزن‌ها و نتایج بنچمارک‌های مستقل وابسته است.

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

#LongCat_2_5 #Meituan

📣 ثبت‌نام مسیر یادگیری «مدیریت محصول» آغاز شد.

مسیر یادگیری «مدیریت محصول» یک برنامه آموزشی جامع و ساختارمند است که به شما کمک می‌کند مهارت‌های موردنیاز برای ورود به دنیای مدیریت محصول و رشد حرفه‌ای در این حوزه را به‌صورت گام‌به‌گام یاد بگیرید.

با این مسیر یادگیری، دانش و مهارت‌های خود را در حوزه مدیریت محصول توسعه دهید و برای مواجهه با چالش‌های واقعی این نقش آماده شوید.

🎁 ۳۰٪ تخفیف ویژه | به مدت محدود 🎁

💎 همراه با منتورهای تخصصی در قالب گروه اختصاصی پرسش‌وپاسخ

✅ آموزش‌های تخصصی و گام‌به‌گام
✅ ویدئوهای آفلاین آموزشی + وبینارهای اختصاصی آنلاین
✅ یادگیری همراه با پروژه‌های کاربردی
✅ گواهینامه معتبر آکادمی همراه اول
✅ امکان خرید اقساطی

🌐 برای دریافت کد تخفیف و تهیه مسیر یادگیری مدیریت محصول، روی لینک زیر بزنید:

🔗 https://l.hamrah.academy/xo7

⭐️ @hamrah_academy | آکادمی همراه اول