🤖 معرفی مدل مولتی‌مودال SenseNova-Loop-9B
مدل SenseNova-Loop-9B-Preview با ۹ میلیارد پارامتر و پشتیبانی از طول متن ۲۵۶ هزار توکن منتشر شد. این مدل با مجوز Apache-2.0 برای درک اسناد، برنامه‌نویسی و فعالیت‌های ایجنت‌ها بهینه شده است.
ساختار فنی این مدل شامل ۳۲ لایه دیکودر متمایز است که با اجرای دوباره بخش میانی، به ۵۶ لایه اجرایی می‌رسد. آموزش این مدل ترکیبی از متن، تصویر، کد و مسیرهای استفاده از ابزار است.
مهم‌ترین نکات درباره عملکرد و توسعه این مدل:
• پیشتاز در ۶ از ۸ بنچمارک اعلامی، از جمله کسب امتیاز ۷۱.۳۸ در BIRD-Dev و ۶۶.۸۹ در WorkBuddy Bench.
• پشتیبانی از MTP برای افزایش سرعت و سازگاری با کتابخانه‌های Transformers، LightLLM، SGLang و vLLM.
• قابلیت پردازش داده‌های طولانی تا ۲۶۲ هزار توکن.
نسخه فعلی یک نسخه پیش‌نمایش (Preview) است و گزارش فنی آن در آینده منتشر خواهد شد.
#SenseNova_Loop_9B #Multi_modal_Learning
مدل SenseNova-Loop-9B-Preview با ۹ میلیارد پارامتر و پشتیبانی از طول متن ۲۵۶ هزار توکن منتشر شد. این مدل با مجوز Apache-2.0 برای درک اسناد، برنامه‌نویسی و فعالیت‌های ایجنت‌ها بهینه شده است.
ساختار فنی این مدل شامل ۳۲ لایه دیکودر متمایز است که با اجرای دوباره بخش میانی، به ۵۶ لایه اجرایی می‌رسد. آموزش این مدل ترکیبی از متن، تصویر، کد و مسیرهای استفاده از ابزار است.
مهم‌ترین نکات درباره عملکرد و توسعه این مدل:
• پیشتاز در ۶ از ۸ بنچمارک اعلامی، از جمله کسب امتیاز ۷۱.۳۸ در BIRD-Dev و ۶۶.۸۹ در WorkBuddy Bench.
• پشتیبانی از MTP برای افزایش سرعت و سازگاری با کتابخانه‌های Transformers، LightLLM، SGLang و vLLM.
• قابلیت پردازش داده‌های طولانی تا ۲۶۲ هزار توکن.
نسخه فعلی یک نسخه پیش‌نمایش (Preview) است و گزارش فنی آن در آینده منتشر خواهد شد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#SenseNova_Loop_9B #Multi_modal_Learning
🔬 تنسنت Hyra 2.0: عامل هوش مصنوعی برای خودکارسازی پژوهش
تنسنت از Hyra 2.0 رونمایی کرده است؛ نسل جدید عامل پژوهشی که با هدف خودکارسازی تحقیقات علمی طراحی شده. برخلاف نسخه اول Hyra که صرفاً بر پیشنهاد راه‌حل، اجرای آزمایش، و ارزیابی نتایج تمرکز داشت، Hyra 2.0 قابلیت ذخیره و استفاده مجدد از ابزارها، مدل‌ها، و خطوط لوله آزمایشی ایجاد شده در طول فرآیند پژوهش را نیز داراست.
این توسعه، ایده AutoResearch را به سطحی جدید می‌برد. در Hyra 2.0، یک عامل می‌تواند در حین بهینه‌سازی آموزش، روش‌های جدیدی برای جستجوی هایپرپارامتر یا ارزیابی مدل‌ها ابداع کند و سپس از این ابزارها در آزمایش‌های بعدی بهره ببرد. این رویکرد تضمین می‌کند که یک بار تلاش برای توسعه ابزار، به وظایف پژوهشی متعدد بعدی سود می‌رساند.
از جمله ابزارهای قابل استفاده مجدد که در Hyra 2.0 توسعه یافته‌اند می‌توان به موارد زیر اشاره کرد:
* مدل‌های علمی: HyInv، HyPLM، HyFF
* گردش‌های کاری پژوهشی: HyProver
* کیت‌های ابزاری نرم‌افزاری: HyQEC
تنسنت از Hyra 2.0 رونمایی کرده است؛ نسل جدید عامل پژوهشی که با هدف خودکارسازی تحقیقات علمی طراحی شده. برخلاف نسخه اول Hyra که صرفاً بر پیشنهاد راه‌حل، اجرای آزمایش، و ارزیابی نتایج تمرکز داشت، Hyra 2.0 قابلیت ذخیره و استفاده مجدد از ابزارها، مدل‌ها، و خطوط لوله آزمایشی ایجاد شده در طول فرآیند پژوهش را نیز داراست.
این توسعه، ایده AutoResearch را به سطحی جدید می‌برد. در Hyra 2.0، یک عامل می‌تواند در حین بهینه‌سازی آموزش، روش‌های جدیدی برای جستجوی هایپرپارامتر یا ارزیابی مدل‌ها ابداع کند و سپس از این ابزارها در آزمایش‌های بعدی بهره ببرد. این رویکرد تضمین می‌کند که یک بار تلاش برای توسعه ابزار، به وظایف پژوهشی متعدد بعدی سود می‌رساند.
از جمله ابزارهای قابل استفاده مجدد که در Hyra 2.0 توسعه یافته‌اند می‌توان به موارد زیر اشاره کرد:
* مدل‌های علمی: HyInv، HyPLM، HyFF
* گردش‌های کاری پژوهشی: HyProver
* کیت‌های ابزاری نرم‌افزاری: HyQEC
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
📊 معرفی بنچمارک GDPx برای ارزیابی ایجنت‌های هوش مصنوعی
مؤسسه SemiAnalysis بنچمارک جدیدی با نام GDPx منتشر کرده است که عملکرد مدل‌های هوش مصنوعی را در ۲۰۶ وظیفه پیچیده در ۱۱ حوزه تخصصی مانند طراحی تراشه، برنامه‌نویسی، بیولوژی و امنیت سایبری می‌سنجد.
نتایج اولیه نشان می‌دهد که بالاترین امتیاز کسب‌شده توسط مدل‌ها تنها ۱۲ درصد است که بخشی از آن حاصل حل ناقص وظایف است. رتبه‌بندی مدل‌های برتر به شرح زیر است:
* Claude Opus 5.5: با امتیاز ۱۲.۰٪ و هزینه ۵۱.۴۱ دلار برای هر وظیفه.
* Gemini 4 Carbon: با امتیاز ۱۰.۹٪ و هزینه ۱۶.۲۹ دلار برای هر وظیفه.
* GPT-6 Astra: با امتیاز ۹.۶٪ و هزینه ۵۳.۹۹ دلار برای هر وظیفه.
* Muse Wonder Full: با امتیاز ۹.۰٪.
* Claude Fable 5.1: با امتیاز ۸.۵٪ و هزینه ۶۷.۱۶ دلار برای هر وظیفه.
بررسی مرز پارتو نشان می‌دهد مدل Gemini 4 Carbon با فاصله عملکردی اندک نسبت به صدر جدول، حدود ۳.۲ برابر ارزان‌تر از Claude Opus 5.5 عمل می‌کند. مدل‌های GPT-6.1 Sol و Gemini 4 Carbon در حال حاضر در رده مدل‌های بهینه از نظر نسبت هزینه به عملکرد قرار دارند.
🇮🇷 تلگرام
مؤسسه SemiAnalysis بنچمارک جدیدی با نام GDPx منتشر کرده است که عملکرد مدل‌های هوش مصنوعی را در ۲۰۶ وظیفه پیچیده در ۱۱ حوزه تخصصی مانند طراحی تراشه، برنامه‌نویسی، بیولوژی و امنیت سایبری می‌سنجد.
نتایج اولیه نشان می‌دهد که بالاترین امتیاز کسب‌شده توسط مدل‌ها تنها ۱۲ درصد است که بخشی از آن حاصل حل ناقص وظایف است. رتبه‌بندی مدل‌های برتر به شرح زیر است:
* Claude Opus 5.5: با امتیاز ۱۲.۰٪ و هزینه ۵۱.۴۱ دلار برای هر وظیفه.
* Gemini 4 Carbon: با امتیاز ۱۰.۹٪ و هزینه ۱۶.۲۹ دلار برای هر وظیفه.
* GPT-6 Astra: با امتیاز ۹.۶٪ و هزینه ۵۳.۹۹ دلار برای هر وظیفه.
* Muse Wonder Full: با امتیاز ۹.۰٪.
* Claude Fable 5.1: با امتیاز ۸.۵٪ و هزینه ۶۷.۱۶ دلار برای هر وظیفه.
بررسی مرز پارتو نشان می‌دهد مدل Gemini 4 Carbon با فاصله عملکردی اندک نسبت به صدر جدول، حدود ۳.۲ برابر ارزان‌تر از Claude Opus 5.5 عمل می‌کند. مدل‌های GPT-6.1 Sol و Gemini 4 Carbon در حال حاضر در رده مدل‌های بهینه از نظر نسبت هزینه به عملکرد قرار دارند.
🇮🇷 تلگرام
This media is not supported in your browser
VIEW IN TELEGRAM
معرفی بنچمارک مهندسی RWE-bench برای مدل‌های هوش مصنوعی
استارتاپ Xplore مجموعه‌ای شامل ۲۰ مسئله در حوزه‌های مکانیک، الکترونیک و مهندسی هوافضا با نام RWE-bench ارائه کرده است که توانایی مدل‌های هوش مصنوعی را در طراحی‌های مهندسی واقعی ارزیابی می‌کند. در این آزمون، مدل باید با استفاده از ابزارهایی نظیر CadQuery، Gmsh، CalculiX و پایتون، خروجی‌هایی منطبق با استانداردهای دقیق فنی تولید کند. ارزیابی پاسخ‌ها به‌صورت خودکار و از طریق حل‌کننده‌های فیزیکی انجام می‌شود.
در نتایج این بنچمارک، مدل‌های پیشرو به شرح زیر عمل کرده‌اند:
* GPT-6 Astra با ۳۷٪ موفقیت، بالاترین امتیاز را کسب کرده است.
* Claude Opus 5.5 با ۲۹٪ در جایگاه دوم قرار دارد.
* GPT-6.1 Sol با ۲۵٪ موفقیت در رتبه سوم جای گرفته است.
* Gemini 4 Argon موفق به حل ۱۲٪ و Claude Fable 5.1 موفق به حل ۷٪ از مسائل شده‌اند.
تیم Xplore این مجموعه را برای آموزش مدل‌ها منتشر نمی‌کند و دسترسی به فرآیند ارزیابی تنها از طریق هماهنگی مستقیم امکان‌پذیر است.
#RWE_bench #CadQuery
استارتاپ Xplore مجموعه‌ای شامل ۲۰ مسئله در حوزه‌های مکانیک، الکترونیک و مهندسی هوافضا با نام RWE-bench ارائه کرده است که توانایی مدل‌های هوش مصنوعی را در طراحی‌های مهندسی واقعی ارزیابی می‌کند. در این آزمون، مدل باید با استفاده از ابزارهایی نظیر CadQuery، Gmsh، CalculiX و پایتون، خروجی‌هایی منطبق با استانداردهای دقیق فنی تولید کند. ارزیابی پاسخ‌ها به‌صورت خودکار و از طریق حل‌کننده‌های فیزیکی انجام می‌شود.
در نتایج این بنچمارک، مدل‌های پیشرو به شرح زیر عمل کرده‌اند:
* GPT-6 Astra با ۳۷٪ موفقیت، بالاترین امتیاز را کسب کرده است.
* Claude Opus 5.5 با ۲۹٪ در جایگاه دوم قرار دارد.
* GPT-6.1 Sol با ۲۵٪ موفقیت در رتبه سوم جای گرفته است.
* Gemini 4 Argon موفق به حل ۱۲٪ و Claude Fable 5.1 موفق به حل ۷٪ از مسائل شده‌اند.
تیم Xplore این مجموعه را برای آموزش مدل‌ها منتشر نمی‌کند و دسترسی به فرآیند ارزیابی تنها از طریق هماهنگی مستقیم امکان‌پذیر است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#RWE_bench #CadQuery
🤖 انتشار ۷ پرامپت DeepSeek برای ساخت ابزارهای تعاملی در Creator Mode
شرکت DeepSeek مجموعه پرامپت‌های ۷ دموی کاربردی خود را در حالت Creator Mode ابزار DeepSeek Harness منتشر کرد. با این حالت می‌توان بدون توسعه دستی رابط کاربری، ابزارهای تعاملی ساخت.
مهم‌ترین موارد ارائه شده:
• تجسم سه‌بعدی معماری Transformer و محاسبات داخلی شبکه
• ویرایشگر ویدیو همراه با تایم‌لاین و کنترل تدوین از طریق چت
• ابزار مرور مقالات علمی PDF با امکان علامت‌گذاری، یادداشت‌نویسی و گفتگو درباره سند
• داشبورد مانیتورینگ برای پایش مصرف توکن، تخمین هزینه و بار CPU
• ویرایشگر پوستر و گالری تعاملی
تیم DeepSeek اعلام کرده که ساخت برخی ابزارها به چند مرحله گفتگو و اصلاح نیاز داشته است؛ به همین دلیل ارسال یک پرامپت تکی ممکن است دقیقاً همان خروجی دموها را بازتولید نکند.
شرکت DeepSeek مجموعه پرامپت‌های ۷ دموی کاربردی خود را در حالت Creator Mode ابزار DeepSeek Harness منتشر کرد. با این حالت می‌توان بدون توسعه دستی رابط کاربری، ابزارهای تعاملی ساخت.
مهم‌ترین موارد ارائه شده:
• تجسم سه‌بعدی معماری Transformer و محاسبات داخلی شبکه
• ویرایشگر ویدیو همراه با تایم‌لاین و کنترل تدوین از طریق چت
• ابزار مرور مقالات علمی PDF با امکان علامت‌گذاری، یادداشت‌نویسی و گفتگو درباره سند
• داشبورد مانیتورینگ برای پایش مصرف توکن، تخمین هزینه و بار CPU
• ویرایشگر پوستر و گالری تعاملی
تیم DeepSeek اعلام کرده که ساخت برخی ابزارها به چند مرحله گفتگو و اصلاح نیاز داشته است؛ به همین دلیل ارسال یک پرامپت تکی ممکن است دقیقاً همان خروجی دموها را بازتولید نکند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
راهنمای ساخت سیستم‌های عامل‌محور (Agentic) با Jev
برای پیاده‌سازی یک دستیار کدنویسی که بتواند به‌مرور بهتر شود، باید «لایه تصمیم‌گیری» را از هسته اصلی برنامه جدا کرد. در این رویکرد، به جای واگذاری کنترل کامل به مدل، از یک «هوشمندِ تصمیم‌گیر» (Selector) استفاده می‌کنیم که تنها در چارچوب گزینه‌های از پیش تعریف‌شده توسط میزبان (Host) انتخاب می‌کند.
اصول کلیدی در این معماری شامل موارد زیر است:
• محدودیت در انتخاب: میزبان، منوی گزینه‌ها را آماده می‌کند و خروجی مدل باید در قالبی مشخص باشد که سیستم بتواند آن را بررسی و تأیید کند.
• جدا‌سازی مسیرها: انتخاب ارائه‌دهنده (Provider) و انتخاب ابزارها (Tools) باید در دو لایه مجزا مدیریت شوند تا شکست در یکی از آن‌ها باعث اختلال در کل سیستم نشود.
• ثبت سوابق (Record-keeping): هر تصمیم، نامزدها، نتیجه اعتبار‌سنجی و خروجی نهایی باید ثبت شوند تا بتوان رفتار سیستم را ارزیابی کرد. این سوابق برخلاف Chain-of-thought، مستنداتی برای بازبینی مهندسی هستند.
• حفظ اولویت کاربر: اگر کاربر مسیری را از قبل تعیین (Pin) کرده باشد، سیستم نباید خودسرانه آن را تغییر دهد.
🇮🇷 تلگرام
برای پیاده‌سازی یک دستیار کدنویسی که بتواند به‌مرور بهتر شود، باید «لایه تصمیم‌گیری» را از هسته اصلی برنامه جدا کرد. در این رویکرد، به جای واگذاری کنترل کامل به مدل، از یک «هوشمندِ تصمیم‌گیر» (Selector) استفاده می‌کنیم که تنها در چارچوب گزینه‌های از پیش تعریف‌شده توسط میزبان (Host) انتخاب می‌کند.
اصول کلیدی در این معماری شامل موارد زیر است:
• محدودیت در انتخاب: میزبان، منوی گزینه‌ها را آماده می‌کند و خروجی مدل باید در قالبی مشخص باشد که سیستم بتواند آن را بررسی و تأیید کند.
• جدا‌سازی مسیرها: انتخاب ارائه‌دهنده (Provider) و انتخاب ابزارها (Tools) باید در دو لایه مجزا مدیریت شوند تا شکست در یکی از آن‌ها باعث اختلال در کل سیستم نشود.
• ثبت سوابق (Record-keeping): هر تصمیم، نامزدها، نتیجه اعتبار‌سنجی و خروجی نهایی باید ثبت شوند تا بتوان رفتار سیستم را ارزیابی کرد. این سوابق برخلاف Chain-of-thought، مستنداتی برای بازبینی مهندسی هستند.
• حفظ اولویت کاربر: اگر کاربر مسیری را از قبل تعیین (Pin) کرده باشد، سیستم نباید خودسرانه آن را تغییر دهد.
🇮🇷 تلگرام
🤖 افزودن واترمارک پنهان به خروجی مدل‌های Grok در API
از شنبه (۷ نوامبر)، متون تولیدشده توسط هفت مدل Grok در API به‌صورت پیش‌فرض حاوی واترمارک نامرئی خواهند بود. این تغییر برای انطباق با قانون هوش مصنوعی اتحادیه اروپا اعمال می‌شود.
این سیستم کاراکتر جدیدی به متن اضافه نمی‌کند، بلکه با تغییر جزئی در نحوه انتخاب توکن‌ها توسط مدل عمل می‌کند. ظاهر متن تفاوت ظاهری با خروجی‌های عادی ندارد، اما در ارزیابی‌های بعدی می‌توان متن را در سه حالت دارای واترمارک، بدون واترمارک یا نامشخص دسته‌بندی کرد. متون طولانی‌تر سیگنال قوی‌تری برای تشخیص ارائه می‌دهند.
واترمارک شامل پاسخ‌های متنی ساده، خروجی‌های ساختاریافته و فراخوانی ابزارها می‌شود. مدیران حساب‌ها فقط در صورت تأیید وجود معافیت قانونی می‌توانند آن را برای هر مدل غیرفعال کنند. دسترسی به ابزار تشخیص نیز مستلزم ثبت درخواست جداگانه است.
همچنین شرکت Anthropic از روز سه‌شنبه درج علامت روی متن مدل‌های قدیمی‌تر Claude را آغاز می‌کند.
#GrokWatermarking #EUAIAct
از شنبه (۷ نوامبر)، متون تولیدشده توسط هفت مدل Grok در API به‌صورت پیش‌فرض حاوی واترمارک نامرئی خواهند بود. این تغییر برای انطباق با قانون هوش مصنوعی اتحادیه اروپا اعمال می‌شود.
این سیستم کاراکتر جدیدی به متن اضافه نمی‌کند، بلکه با تغییر جزئی در نحوه انتخاب توکن‌ها توسط مدل عمل می‌کند. ظاهر متن تفاوت ظاهری با خروجی‌های عادی ندارد، اما در ارزیابی‌های بعدی می‌توان متن را در سه حالت دارای واترمارک، بدون واترمارک یا نامشخص دسته‌بندی کرد. متون طولانی‌تر سیگنال قوی‌تری برای تشخیص ارائه می‌دهند.
واترمارک شامل پاسخ‌های متنی ساده، خروجی‌های ساختاریافته و فراخوانی ابزارها می‌شود. مدیران حساب‌ها فقط در صورت تأیید وجود معافیت قانونی می‌توانند آن را برای هر مدل غیرفعال کنند. دسترسی به ابزار تشخیص نیز مستلزم ثبت درخواست جداگانه است.
همچنین شرکت Anthropic از روز سه‌شنبه درج علامت روی متن مدل‌های قدیمی‌تر Claude را آغاز می‌کند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#GrokWatermarking #EUAIAct
🤖 بهینه‌سازی مستقیم وزن‌های شبکه عصبی با Weight-Space Programming
پژوهشگران MIT CSAIL روشی به نام Weight-Space Programming معرفی کرده‌اند که در آن یک LLM بزرگ، بدون نیاز به آموزش سنتی یا گرادیان، پارامترهای مدل دیگری را مستقیماً تغییر می‌دهد.
در یک آزمایش، مدل Astra با تحلیل وزن‌های مدل Qwen3.5-0.8B، متوجه شد که این شبکه در لایه‌های ۱۵ و ۱۹ دچار حلقه تکرار در استدلال می‌شود. با تغییر تنها ۰.۰۱۶٪ از کل وزن‌ها (حدود ۱۳۱ هزار پارامتر از ۸۰۰ میلیون)، عملکرد مدل در بنچمارک‌های ریاضی جهش قابل‌توجهی داشت:
- MATH-500: رشد از ۷.۹٪ به ۴۸.۱٪
- GSM8K: رشد از ۱۳.۸٪ به ۶۷.۱٪
- IFEval: رشد از ۲۱٪ به ۶۲.۳٪
این بهبود عمدتاً ناشی از رفع نقص منطقی در لایه‌های MLP بود. علاوه بر این، Astra توانست وزن‌های یک مدل بازی‌ساز را از صفر تولید کند که عملکردی فراتر از مدل‌های آموزش‌دیده با ۱۰۰ میلیون گام PPO داشت. این رویکرد نشان می‌دهد که می‌توان با تحلیل مستقیم تنسورها، رفتارهای نامطلوب مدل‌های کوچک‌تر را بدون آموزش مجدد اصلاح کرد.
پژوهشگران MIT CSAIL روشی به نام Weight-Space Programming معرفی کرده‌اند که در آن یک LLM بزرگ، بدون نیاز به آموزش سنتی یا گرادیان، پارامترهای مدل دیگری را مستقیماً تغییر می‌دهد.
در یک آزمایش، مدل Astra با تحلیل وزن‌های مدل Qwen3.5-0.8B، متوجه شد که این شبکه در لایه‌های ۱۵ و ۱۹ دچار حلقه تکرار در استدلال می‌شود. با تغییر تنها ۰.۰۱۶٪ از کل وزن‌ها (حدود ۱۳۱ هزار پارامتر از ۸۰۰ میلیون)، عملکرد مدل در بنچمارک‌های ریاضی جهش قابل‌توجهی داشت:
- MATH-500: رشد از ۷.۹٪ به ۴۸.۱٪
- GSM8K: رشد از ۱۳.۸٪ به ۶۷.۱٪
- IFEval: رشد از ۲۱٪ به ۶۲.۳٪
این بهبود عمدتاً ناشی از رفع نقص منطقی در لایه‌های MLP بود. علاوه بر این، Astra توانست وزن‌های یک مدل بازی‌ساز را از صفر تولید کند که عملکردی فراتر از مدل‌های آموزش‌دیده با ۱۰۰ میلیون گام PPO داشت. این رویکرد نشان می‌دهد که می‌توان با تحلیل مستقیم تنسورها، رفتارهای نامطلوب مدل‌های کوچک‌تر را بدون آموزش مجدد اصلاح کرد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
❤1
📊 اتصال دیتابیس «رسمیو» به ایجنت‌های هوش مصنوعی
ابزار متن‌باز rasmio-mcp امکان اتصال دیتابیس شرکت‌های ایرانی در سامانه رسمیو را به ایجنت‌های هوش مصنوعی فراهم کرده است.
با استفاده از این پروتکل MCP، می‌توانید پرس‌وجوهای مربوط به هویت حقوقی، اطلاعات مالکان و جزئیات ثبتی شرکت‌ها را مستقیماً از طریق محیط چت ایجنت انجام دهید. این ابزار به ویژه برای بررسی‌های پیش از انعقاد قرارداد یا تحلیل‌های اولیه در فرآیندهای سرمایه‌گذاری کاربرد دارد.
#rasmio_mcp #پروتکل_MCP
ابزار متن‌باز rasmio-mcp امکان اتصال دیتابیس شرکت‌های ایرانی در سامانه رسمیو را به ایجنت‌های هوش مصنوعی فراهم کرده است.
با استفاده از این پروتکل MCP، می‌توانید پرس‌وجوهای مربوط به هویت حقوقی، اطلاعات مالکان و جزئیات ثبتی شرکت‌ها را مستقیماً از طریق محیط چت ایجنت انجام دهید. این ابزار به ویژه برای بررسی‌های پیش از انعقاد قرارداد یا تحلیل‌های اولیه در فرآیندهای سرمایه‌گذاری کاربرد دارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#rasmio_mcp #پروتکل_MCP
🤖 ابزار متن‌باز برای اتصال ایجنت‌های AI به سایت‌های کاریابی ایران
سپهر رادمرد یک سرور MCP (Model Context Protocol) توسعه داده که امکان جستجوی همزمان آگهی‌های شغلی در پلتفرم‌های ایران‌تلنت، جابینجا و جاب‌ویژن را برای ایجنت‌های هوش مصنوعی فراهم می‌کند.
این ابزار با یک فراخوانی، اطلاعاتی نظیر آگهی‌های شغلی، جزئیات شرکت‌ها، نظرات کارمندان و گزارش‌های حقوق و مصاحبه را استخراج می‌کند.
نکات فنی:
- دستور اجرا: از طریق
- عملکرد: در مجموع ۳۷ ابزار مختلف برای پیمایش داده‌ها دارد.
- نمونه استفاده: جستجوی متمرکز با دستور
این پروژه یک ابزار غیررسمی است و هیچ وابستگی ساختاری به وب‌سایت‌های ذکر شده ندارد.
#iran_jobs_mcp #ModelContextProtocol
سپهر رادمرد یک سرور MCP (Model Context Protocol) توسعه داده که امکان جستجوی همزمان آگهی‌های شغلی در پلتفرم‌های ایران‌تلنت، جابینجا و جاب‌ویژن را برای ایجنت‌های هوش مصنوعی فراهم می‌کند.
این ابزار با یک فراخوانی، اطلاعاتی نظیر آگهی‌های شغلی، جزئیات شرکت‌ها، نظرات کارمندان و گزارش‌های حقوق و مصاحبه را استخراج می‌کند.
نکات فنی:
- دستور اجرا: از طریق
uvx iran-jobs-mcp قابل اجراست.- عملکرد: در مجموع ۳۷ ابزار مختلف برای پیمایش داده‌ها دارد.
- نمونه استفاده: جستجوی متمرکز با دستور
job_search(keyword="python", site="all") امکان‌پذیر است.این پروژه یک ابزار غیررسمی است و هیچ وابستگی ساختاری به وب‌سایت‌های ذکر شده ندارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#iran_jobs_mcp #ModelContextProtocol