‏🤖 معرفی مدل GPT-6 Cyber برای امنیت سایبری

‏شرکت OpenAI از مدل تخصصی جدیدی با نام GPT-6 Cyber رونمایی کرد که برای شناسایی حفره‌های امنیتی، تحلیل کد و طراحی اکسپلویت سیستم‌های محافظت‌شده بهینه‌سازی شده است.

‏این مدل در معیارهای عملکردی پیشرفت قابل‌توجهی داشته است:
‏* در بنچمارک ExploitGym، این مدل به امتیاز ۴۸.۵ درصد دست یافت، در حالی که مدل قبلی (GPT-5.6 Cyber) امتیاز ۳۲.۱ درصد را ثبت کرده بود.
‏* این ابزار موفق به شناسایی ۸۱ آسیب‌پذیری ناشناخته در مرورگر فایرفاکس شد.

‏OpenAI سطح ریسک این مدل را در طبقه‌بندی خود «بحرانی» اعلام کرده است؛ چرا که توانایی طراحی خودکار اکسپلویت برای سیستم‌های امنیتی پیچیده را دارد. با این حال، کنترل رفتارهای خودمختار مدل بهبود یافته و نرخ خروج از محدوده‌های تعیین‌شده در آزمایش‌ها به کمتر از ۱ درصد رسیده است.

‏دسترسی به این مدل فعلاً از طریق برنامه Daybreak Red برای گروه محدودی از متخصصان امنیت امکان‌پذیر است و در هفته‌های آینده به شکل گسترده‌تری منتشر خواهد شد.

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

#GPT6_Cyber #ExploitGym

‏🧠 امکان اشتراک حافظه میان ChatGPT و Claude در نوشن

‏نوشن با پشتیبانی از پروتکل MCP امکان استفاده از حافظه مشترک را برای ChatGPT، Claude و سایر برنامه‌های متصل فراهم کرده است. با این قابلیت، دستیارها می‌توانند یادداشت‌ها، ترجیحات و مهارت‌های موجود در فضای کاری را بخوانند و اطلاعات جدید را در همان‌جا ثبت کنند.

‏مراحل راه‌اندازی:
‏۱. اتصال برنامه از طریق گالری نوشن یا محیط همان برنامه
‏۲. قرار دادن پرامپت تنظیمات نوشن تا ربات پیش از پاسخ، یادداشت‌ها را بررسی کند و خروجی‌های مفید را ذخیره نماید
‏۳. کپی کردن دستورالعمل‌های سفارشی ارائه شده در بخش تنظیمات ChatGPT یا Claude

‏نوشن اعلام کرده است که بدون قرار دادن این پرامپت، مدل‌ها معمولاً اتصال ایجادشده را نادیده می‌گیرند. تمام داده‌ها در یک دیتابیس قابل‌ویرایش به نام Memories ذخیره می‌شوند و این تنظیمات برای هر ربات فقط یک‌بار انجام می‌شود. جزئیات بیشتر در راهنمای Notion MCP در دسترس است.

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

#Notion #MCP

‏🌐 تنست مدل متن‌باز Hy4 را با قابلیت پردازش تصویر منتشر کرد

‏تیم تنست نسخه جدید مدل متن‌باز خود را با نام Hy4 منتشر کرد. این مدل در این نسخه به قابلیت‌های بینایی و دریافت ورودی تصویری مجهز شده است.

‏طبق اعلام تنست، این مدل برای کاربرد در حوزه‌های مختلفی مانند برنامه‌نویسی فرانت‌اند، امور مالی، بازی‌سازی، کارهای اداری و پژوهشی توسعه یافته و در آموزش آن به ملاحظات ایمنی سایبری و زیستی توجه شده است.

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

🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #14 | 📌 5 آیتم گزارش | 🧾 از 22 پست بررسی‌شده
🕐 چهارشنبه 1405/08/13 ساعت 14:00 تا جمعه 1405/08/15 ساعت 14:00

تأیید اصالت خروجی مدل‌های زبانی در سیستم‌های روتینگ
ارزیابی صحت مدل بدون افشای وزن‌ها، از جایگزینی سرویس با نسخه‌های ارزان‌تر در زیرساخت‌های سازمانی جلوگیری می‌کند. اجرای اثبات اثربخش zkSNARK روی پردازنده‌های معمولی، راهکاری عملی برای تایید اصالت API فراهم می‌آورد. البته حجم ۱۹ مگابایتی اثبات برای ۱۰۲۴ توکن، اعمال این لایه را مشروط به پهنای باند شبکه می‌کند.

بهینه‌سازی نرخ استنتاج مدل‌های MoE در پردازش تک‌کاربره
کاهش تاخیر در استنتاج تک‌تک درخواست‌ها، گلوگاه حافظه را در سناریوهای کم‌حجم برطرف کرده و بهره‌وری سرویس‌دهی را افزایش می‌دهد. در صورت وجود ماژول مشترک خروجی، استفاده از رمزگشایی قیاسی و هسته‌های اختصاصی باعث کاهش تاخیر می‌شود. اما عدم پشتیبانی معماری مدل از این ساختار، مانع دستیابی به این افزایش سرعت خواهد شد.

🛠️ زیرساخت و ابزارهای توسعه

انتشار ابزار متن‌باز FlashProve توسط Anthropic
پروتکل اثبات اصالت مدل بدون نیاز به وزن‌ها و قابل بررسی روی سی‌پیو معمولی با استاندارد zkSNARK.

راهکارهای انویدیا برای شتاب‌دهی استنتاج مدل‌های MoE
افزایش ۴۲.۵ درصدی سرعت تولید توکن با هسته‌های بهینه‌شده، محاسبات FP8 و رمزگشایی قیاسی.

افزوده شدن Creator Mode به هرنس متن‌باز DeepSeek
تولید و ادغام خودکار پلاگین‌ها در رابط کاربری برنامه بر اساس توصیف متنی کاربر.

🔬 معماری مدل و ارزیابی عملیاتی

اشتراک حافظه دستیارهای هوش مصنوعی با پروتکل MCP در نوشن
امکان خواندن و به‌روزرسانی پایگاه داده یادداشت‌ها بین مدل‌های مختلف از جمله ChatGPT و Claude.

سنجش بهره‌وری اقتصادی شتاب‌دهنده‌های انویدیا و AMD توسط استنفورد
ارزیابی کارایی B200 در برابر MI350X روی مدل ثابت بر اساس میزان کار انجام‌شده به ازای انرژی مصرفی.

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

‏🤖 خروج مستقل ربات‌های انسان‌نمای F.03 فیگور از کارخانه

‏مدیرعامل شرکت Figure AI ویدیوی کوتاهی منتشر کرد که نشان می‌دهد ربات‌های انسان‌نمای جدید F.03 به‌طور مستقل از کارخانه BotQ خارج می‌شوند و از پارکینگ مجموعه عبور می‌کنند.

‏در این کلیپ ۲۰ ثانیه‌ای، این ربات‌ها بدون کنترل دستی یا هدایت اپراتور از راه دور، از کنار خودروها و عابران پیاده می‌گذرند.

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

‏⚡️ افزایش ۳۵ درصدی سرعت Claude Code با قابلیت Message Threads

‏انتروپیک قابلیت جدیدی به نام Message Threads را در Claude API معرفی کرد که سرعت پاسخ‌دهی را در زمینه (Context) بین ۵۰۰ هزار تا یک میلیون توکن حدود ۳۵ درصد افزایش می‌دهد. این ویژگی به صورت بتا در ای‌پی‌آی اصلی، AWS، گوگل کلود و مایکروسافت فاوندری فعال شده است.

‏پیش از این در گفتگوهای طولانی یا عامل‌های هوش مصنوعی، کل تاریخچه پیام‌ها و خروجی ابزارها در هر درخواست دوباره ارسال می‌شد که گاهی به یک میلیون توکن می‌رسید. در روش جدید، تاریخچه کامل فقط یک‌بار ارسال و موقتاً در رم رمزشده سرور نگهداری می‌شود و درخواست‌های بعدی فقط پیام جدید و شناسه پاسخ قبلی را می‌فرستند.

‏این تغییر مدلی را عوض نمی‌کند و تعداد توکن‌های محاسبه‌شده در فاکتور مالی را کاهش نمی‌دهد، بلکه صرفاً زمان ارسال مجدد و آماده‌سازی داده‌ها را کم می‌کند. در صورت بی‌کار ماندن جلسه به مدت ۵ دقیقه، حافظه سرور پاک شده و درخواست بعدی دوباره تمام تاریخچه را ارسال خواهد کرد.

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

‏🛑 قطع دسترسی Cursor به مدل‌های OpenAI

‏شرکت OpenAI قصد دارد ارائه مدل‌های هوش مصنوعی خود را به محیط توسعه Cursor متوقف کند. ۱۲ نوامبر ۲۰۲۶ به‌عنوان تاریخ پیشنهادی برای پایان این دوره انتقالی مطرح شده، اما زمان نهایی هنوز در حال مذاکره است و ممکن است Cursor زودتر دسترسی به این مدل‌ها را قطع کند.

‏با اجرای این تصمیم، مدل‌های فعلی OpenAI از فهرست Cursor حذف خواهند شد. همچنین OpenAI اعلام کرده است که مدل‌های بعدی خود مانند GPT-6 Astra، GPT-6.1 Sol یا GPT-6 Luna را در اختیار این ادیتور قرار نخواهد داد.

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

#Cursor #OpenAI

‏🤖 انتشار مدل Images 2.6 توسط OpenAI

‏شرکت OpenAI نسخه 2.6 از مدل تولید تصویر خود را منتشر کرد که سرعت تولید آن نسبت به نسخه قبلی 50 درصد بهبود یافته است. این مدل اکنون در ChatGPT، Codex و API در دسترس قرار دارد.

‏مهم‌ترین تغییرات این نسخه شامل موارد زیر است:

‏- پشتیبانی از ساخت تصاویر متحرک (GIF): مدل با تولید توالی فریم‌ها، یک فایل GIF آماده برای انتشار ایجاد می‌کند.
‏- بهبود دقت در ویرایش: مدل در حفظ ثبات شخصیت‌ها و اشیا هنگام ویرایش‌های متوالی عملکرد بهتری دارد.
‏- قابلیت انتخاب نسخه API: کاربران می‌توانند از نسخه Flare برای سرعت بیشتر (حدود ۶ ثانیه در تنظیمات کیفیت پایین) یا نسخه Sunburst برای جزئیات بیشتر و حفظ دقیق‌تر طراحی استفاده کنند.
‏- ابزارهای جدید: افزودن نشانه‌گذاری ناحیه‌ای (Region Markup) برای ویرایش هدفمند، خروجی SVG برای تصاویر برداری و پارامتر Complexity جهت تنظیم سطح تفسیر پرامپت مستقل از کیفیت تصویر.

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

#Images_2 #Region_Markup

‏معماری‌های مختلف سیستم‌های RAG

‏معماری‌های تولید تقویت‌شده با بازیابی (RAG) برای بهبود دقت پاسخ‌های مدل‌های زبانی از روش‌های مختلفی استفاده می‌کنند. مهم‌ترین این معماری‌ها به شرح زیر هستند:

‏* Naive RAG: روش پایه که شامل مراحل متوالی تقسیم اسناد به تکه‌ها (Chunks)، تبدیل به بردار و بازیابی مستقیم برای تولید پاسخ توسط LLM است.
‏* Retrieve-and-Rerank: اضافه کردن یک مدل رنکر (Reranker) پس از بازیابی اولیه برای اولویت‌بندی دقیق‌تر تکه‌های مرتبط.
‏* Multimodal RAG: پشتیبانی از انواع داده‌های چندوجهی شامل تصویر، جدول و صوت علاوه بر متن، با استفاده از مدل‌های Embedding چندوجهی.
‏* Graph RAG: استفاده از گراف دانش برای استخراج روابط بین موجودیت‌ها و بهبود درک محتوایی از داده‌ها.
‏* Hybrid RAG: ترکیب جستجوی برداری با جستجوی مبتنی بر کلمات کلیدی (مانند BM25) برای بهره‌گیری از مزایای هر دو رویکرد.
‏* Agentic RAG (Router): استفاده از یک عامل هوشمند برای تحلیل کوئری و انتخاب بهترین ابزار یا منبع بازیابی.

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

#GraphRAG #AgenticRAG

‏🤖 عرضه مدل Gemini 1.2 Flash با قابلیت تولید ویدیو

‏گوگل مدل جدید Gemini 1.2 Flash را منتشر کرد. در این نسخه، امکان تولید و ویرایش کلیپ‌های ویدیویی همراه با صدا تا مدت ۱۵ ثانیه فراهم شده است که نسبت به نسخه ۱.۱، پنج ثانیه افزایش یافته است.

‏مهم‌ترین تغییرات و جزئیات این نسخه:

‏* کاهش هزینه: قیمت تولید هر ثانیه ویدیو با کیفیت 720p از طریق API حدود ۰.۰۷ دلار تعیین شده که ۳۰ درصد ارزان‌تر از نسخه قبلی است.
‏* کیفیت تصویر: خروجی‌های 1080p و 4K همچنان از طریق روش آپ‌اسکیل (Upscale) تولید می‌شوند.
‏* دسترسی: این مدل در AI Studio و پلتفرم Flow در دسترس است، اما برای تولید ویدیوهای ۱۵ ثانیه‌ای در اپلیکیشن Gemini، اشتراک Google AI Ultra الزامی است.

‏توضیحات فنی کامل این مدل در Model Card و راهنمای پیاده‌سازی آن در مستندات گوگل قابل مشاهده است. اطلاعات هزینه‌ها نیز در بخش قیمت‌گذاری سرویس‌های ابری گوگل به‌روزرسانی شده است.

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

#Gemini_1_2_Flash #Upscale

‏🤖 معماری اجزای تشکیل‌دهنده ایجنت‌های هوش مصنوعی

‏ساختار یک ایجنت هوش مصنوعی، ترکیبی از یک مدل زبانی بزرگ (LLM) و یک زیرساخت جانبی است که اصطلاحاً Harness نامیده می‌شود. وظیفه اصلی خودِ LLM صرفاً تولید متن است و برای اجرای عملیات روی سیستم، به این زیرساخت نیاز دارد.

‏مهم‌ترین بخش‌های این ساختار عبارتند از:

‏* Context: شامل پرامپت‌ها، دستورالعمل‌های سیستمی، تاریخچه گفتگو و فایل‌های مرتبط.
‏* Tool call format: قالبی توافقی که مدل از طریق آن ابزارهای مورد نیاز (مانند خواندن فایل یا اجرای دستورات bash) را مشخص می‌کند.
‏* Guardrails: مجموعه‌ای از قوانین و دسترسی‌ها که محدودیت‌های اجرایی را اعمال می‌کند.
‏* Runtime: کدی که ابزار فراخوانی شده را اجرا کرده و خروجی آن را دوباره به LLM بازمی‌گرداند.
‏* Checks: بررسی نهایی خروجی توسط ابزارهایی مانند تست‌سوییت یا تایپ‌چکر؛ در صورت عدم تایید، نتایج خطا به مدل بازگردانده می‌شود تا فرآیند اصلاح انجام شود.

‏در واقع، زمانی که بین ایجنت‌های مختلف کدنویسی سوئیچ می‌کنید، در حال استفاده از یک Harness متفاوت هستید که نحوه تعامل با مدل را تغییر می‌دهد.

🇮🇷 تلگرام