روز سه‌شنبه، OpenAI ابزارهای جدیدی رو معرفی کرد که به توسعه‌دهندگان و شرکت‌ها کمک می‌کنه تا ایجنت‌های هوش مصنوعی - سیستم‌های خودکاری که می‌تونن مستقلاً وظایف رو انجام بدن - با استفاده از مدل‌ها و چارچوب‌های خود این شرکت بسازن. این ابزارها بخشی از Responses API جدید OpenAI هستن که به کسب‌وکارها اجازه می‌ده ایجنت‌های هوش مصنوعی سفارشی رو توسعه بدن که می‌تونن جستجوی وب انجام بدن، فایل‌های شرکت رو اسکن کنن و در وب‌سایت‌ها گشت‌وگذار کنن، درست مثل محصول Operator این شرکت. Responses API عملاً جایگزین Assistants API میشه که قراره در نیمه اول سال ۲۰۲۶ کنار گذاشته بشه.

محبوبیت ایجنت‌های هوش مصنوعی در سال‌های اخیر به‌طور چشمگیری افزایش پیدا کرده، علی‌رغم اینکه شرکت‌های هوش مصنوعی در نشون دادن یا حتی تعریف کردن اینکه "ایجنت‌های هوش مصنوعی" واقعاً چی هستن، با مشکل مواجه شدن. در جدیدترین نمونه از پیشی گرفتن تبلیغات از کاربرد واقعی، استارتاپ چینی Butterfly Effect اوایل این هفته با پلتفرم ایجنت هوش مصنوعی جدیدی به نام Manus در فضای مجازی محبوب شد که کاربران سریعاً کشف کردن این پلتفرم بسیاری از وعده‌های شرکت رو محقق نمی‌کنه.

اولیویه گودمان، مدیر محصول API در OpenAI، در مصاحبه‌ای به TechCrunch گفته: "نمایش دادن ایجنت هوش مصنوعی خیلی آسونه. اما مقیاس‌پذیر کردن یک ایجنت خیلی سخته، و اینکه مردم رو ترغیب کنی اغلب از اون استفاده کنن هم خیلی دشواره." اوایل امسال، OpenAI دو ایجنت هوش مصنوعی رو در ChatGPT معرفی کرد: Operator که از طرف شما در وب‌سایت‌ها گردش می‌کنه و Deep Research که گزارش‌های تحقیقاتی رو برای شما تهیه می‌کنه. هر دو ابزار نگاهی کلی به چیزی که ایجنت ها قادر به انجامش هستن ارائه دادن، اما در بخش "خودمختاری" چیزهای زیادی برای بهبود وجود داره.

حالا با Responses API، شرکت OpenAI می‌خواد دسترسی به ابزارهای سازنده ایجنت‌های هوش مصنوعی رو فراهم کنه و به توسعه‌دهندگان اجازه بده ایجنت‌هایی مشابه Operator و Deep Research رو بسازن. OpenAI امیدواره که توسعه‌دهندگان بتونن با استفاده از فناوری ایجنت‌های این شرکت، برنامه‌هایی بسازن که نسبت به آنچه امروز در دسترسه، خودمختارتر به نظر برسن. با استفاده از Responses API، توسعه‌دهندگان می‌تونن به همون مدل‌های هوش مصنوعی که در پشت صحنه ابزار جستجوی وب ChatGPT Search استفاده میشه، دسترسی پیدا کنن یعنی GPT-4o search و GPT-4o mini search. این مدل‌ها می‌تونن برای یافتن پاسخ سؤالات در وب جستجو کنن و هنگام تولید پاسخ‌ها به منابع استناد کنن.

این شرکت ادعا میکنه قابلیت سرچ مدل‌های GPT-4o و GPT-4o mini بسیار دقیق و قابل اتکا هستن. در بنچمارک SimpleQA که توانایی مدل‌ها برای پاسخ به سوالات کوتاه اما چالش برانگیز و متکی به واقعیت رو میسنجه، مدل GPT-4o و GPT-4o mini تونستن به ترتیب ۹۰٪ و ۸۸٪ امتیاز رو کسب کنن درحالی که مدل GPT-4.5 نتونسته بیشتر از ۶۳٪ امتیاز بگیره.

شرکت OpenAI همچنین یک جعبه ابزار اوپن سورس به نام Agents SDK رو منتشر می‌کنه که به توسعه‌دهندگان ابزارهای رایگانی ارائه می‌ده تا مدل‌ها رو با سیستم‌های داخلیشون ادغام کنن، تمهیدات ایمنی رو به کار بگیرن و فعالیت‌های ایجنت هوش مصنوعی رو برای اشکال‌زدایی و بهینه‌سازی نظارت کنن. گودمان گفته امیدواره OpenAI بتونه امسال شکاف بین ایجنت‌های نمایشی هوش مصنوعی و محصولات واقعی رو پر کنه و به نظر اون، "ایجنت‌ها تأثیرگذارترین کاربرد هوش مصنوعی خواهند بود که اتفاق خواهد افتاد." این حرف بازتاب اعلامیه سم آلتمن، مدیرعامل OpenAI، در ژانویه است که ۲۰۲۵ سالیه که از ایجنت‌های هوش مصنوعی به عنوان نیروی کار استفاده میشه.

@aipulse24

گوگل همچنین بالاخره قابلیت ساخت عکس با هوش مصنوعی Gemini 2.0 Flash رو هم فعال کرده که قابلیتهای متمایزی نسبت به دیگر مدلهای ساخت عکس داره.

برخلاف دیگر هوش مصنوعیها از جمله میدجرنی و فلاکس که مدل diffusion هست، گوگل یکی از اولین شرکتهایی که مدل ساخت عکس رو برای یک مدل زبانی بزرگ (LLM) فعال کرده به طوری که وقتی ازش خواسته بشه که عکس بسازه، این هوش مصنوعی به مدل دیگه ای که برای ساخت عکس طراحی شده، وصل نمیشه بلکه خودش ذاتا امکان تولید عکس رو داره.

چنین قابلیتی به این مدل امکانات متمایزی میده که از جمله اونها این هست چون یک مدل LLM هست، اطلاعاتی زیادی در مورد جهان داره و دستورات متنی کاربر رو خیلی بهتر از دیگر مدلها میتونه متوجه بشه و دقت بالایی در ساخت عکسها براساس پرامپت کاربر داره.

علاوه بر این در ایجاد تغییرات روی یک عکس ورودی هم بهتر از بقیه عمل میکنه به طوری که وقتی ازش خواسته میشه یک دستور پخت غذا رو بنویسه، این مدل میتونه برای هر مرحله اون عکس قبلی رو تغییر بده و فقط موادی که به اون غذا در هر مرحله اضافه میشه رو به عکس اضافه کنه.

همچنین در ساخت تصاویر با نوشته های طولانی هم خوب عمل میکنه و این نوشته ها عمدتا غلطهای املایی کمتری نسبت به بقیه مدلها دارن.

این هوش مصنوعی از حالا به صورت رایگان از طریق پلتفرم Google AI Studio با انتخاب مدل Gemini 2.0 Flash Experimental و قرار دادن output format روی images and text قابل استفاده هست.

🔎 venturebeat

📍 @TechTube