یه نفر به DeepSeek یه ساب‌ایجنت از Astra داد (یعنی یه ایجنت فرعی که توسط ایجنت اصلی برای انجام بخشی از کار استفاده می‌شه). بعد به Astra هم یه ساب‌ایجنت از DeepSeek داد (یعنی DeepSeek به‌عنوان ایجنت فرعی، زیر نظر Astra کار می‌کرد) نتایج رو ببنینید چه تفاوتی داره:

DeepSeek + Astra:
alesha-pro.github.io/bench-portal/games/kart-deepseek-astra

Astra + DeepSeek:
alesha-pro.github.io/bench-portal/games/kart-astra-deepseek

Astra solo:
alesha-pro.github.io/bench-portal/games/kart-astra-solo

DeepSeek solo:
alesha-pro.github.io/bench-portal/games/kart-deepseek-solo


@Linuxor

یکی از عجیب ترین چیز هایی که دیدم اینه وقتی به جمنای یه کار طولانی میدی وسطش اینترنتت قطع می‌شه اونم قطع می‌شه انگار داره روی سیستم تو کارو انجام میده!

@Linuxor

قشنگ ترین چیزی که امروز دیدم اینه، می‌دونیم مدل QWEN 27B نسبتا کوچیکه و قوی حالا یه عده اومدن این مدل کوچیک رو انداختن روی یه کلاستر مجموعه ای از کارت گرافیک ها و نتیجه شده 2000 توکن بر ثانیه که سرعت فوق العاده بالاییه.

حالا این سرعت به چه دردی می‌خوره؟ باهاش می‌شه به صورت زنده هرچیزی که می‌خوای رو بسازی ویدیوی بالا رو ببنید کل اینترنت در لحظه ساخته می‌شه و هرچی بخواید از جمله گوگل براتون ساخته می‌شه دقت کنید اون سایت گوگل و یوتیوب واقعی نیست در لحظه هوش مصنوعی با درخواستتون براتون می‌سازتش!


@Linuxor

گوگل همین چند روز پیش یه ابزار رو متن‌باز کرده که می‌تونه هر کاری رو روی موبایل به‌صورت خودکار انجام بده. آرتمیس پرامپت‌ها رو تبدیل می‌کنه به فرایندهای خودکار.

ایده‌ش ساده‌ست به‌جای اینکه برای هر کاری کلی اسکریپت و selector بنویسی، به AI می‌گی چه کاری انجام بده و Agent خودش محیط اندروید رو می‌بینه، روی عناصر UI کلیک می‌کنه، متن وارد می‌کنه، Swipe می‌کنه و بین مراحل مختلف جلو می‌ر

با Codex، Claude Code و Antigravity یکپارچه میشه
ورک‌فلوها رو به‌صورت خودکار اجرا می‌کنه و لاگ‌ها رو هم ثبت می‌کنه

github.com/google/artemis

@Linuxor

دیدین این منوها چقدر می‌رن رو مخ و هی بسته می‌شن. بخاطر اینه که safe polygon ندارن. UI لایبرری‌ها معمولا این رو دارن و شما لازم نیست کاری بکنین. ولی اگر دیدین هی بسته می‌شه بدونین مشکل کجاست و بگید ایجنت فیکس کنه.

@Linuxor ~ craftWithPooria

مدل GPT-6 Astra می‌تونه بعضی از واقعاً پیچیده‌ترین مسائل مربوط به محدودیت‌های فضایی رو حل کنه؛ از باز کردن قطعاتی که به هم قفل شدن گرفته تا رد کردن یک طناب از داخل 3 حلقه.

qinengwang-aiden.github.io/demos/constraint_demos


@Linuxor

خیلیا وقتی پستی چیزی از AI می‌بینن یا کسی میاد میگه توی دو ساعت فلان چیزو ساختم احساس عقب موندگی می‌کنن.
ولی واقعیتش ساختن چیزها با خلق کردن ارزش خیلی متفاوته.

هوش مصنوعی فقط هزینه و زمان ساختن رو پایین آورده؛ به این معنی نیست که ارزش چیزهایی که ساخته میشن بالاست اتفاقا باید بجای انقلاب انتظار اینو داشته باشید در آینده با مجموعه ای از آشغال های ساخته شده با هوش مصنوعی مواجه می‌شید قبل از AI که آشغال ساختن کار سختی بود گیتهاب 400 میلیون تا ریپو داشت که 99.99 درصدش آشغال بودن و هیچ کاربردی نداشتن و ارزش خاصی تولید نمیکردن با اینکه کلی زحمت پای هرکدومش بود. حالا مقایسش کنید با الانی که یارو دو ساعته یه چیز می‌سازه...


@Linuxor

یه یادآوری دوستانه: می‌تونی بیشتر از 500 مدل متن‌باز رو به‌صورت رایگان توی Google Colab فاین‌تیون کنی.

حتی می‌تونی فایل‌های PDF یا CSV رو هم آپلود کنی و ازشون دیتاست‌های مصنوعی (Synthetic Dataset) قابل استفاده بسازی.

colab.research.google.com/github/unslothai/unsloth/blob/main/studio/Unsloth_Studio_Colab.ipynb


خود تیم Unsloth توی GitHub گفته که:

امکان فاین‌تیون کردن 500+ مدل رو داره.
روی Google Colab قابل اجرا هستش.
می‌تونه از فایل‌هایی مثل PDF، CSV و JSON/DOCX دیتاست بسازه.
این دیتاست‌ها می‌تونن به شکل synthetic dataset تولید بشن.
مدل فاین‌تیون‌شده رو می‌تونی به فرمت‌هایی مثل GGUF و Safetensors خروجی بگیری.

حتی Hugging Face هم در مستندات خودش برای فاین‌تیون Gemma 4 به Unsloth Studio اشاره کرده و مشخصاً گفته که Unsloth Studio روی Google Colab هم اجرا می‌شه.

@Linuxor

چطور یه مدل 35B رو روی RTX 3060 با 12GB VRAM اجرا کنیم؟

با ترکیب Q4_K_M + MoE CPU offloading میشه مدل Qwen3.8-35B-A3B رو روی یه RTX 3060 اجرا کرد.

کل 262K کانتکست رو هم استفاده می‌کنه. سرعت decode حدود 50 توکن بر ثانیه هستش و سرعت prefill حدود 550 توکن بر ثانیه.

کانفیگ:
llama-server
-m Qwen3.8-35B-A3B-Q4_K_M.gguf
-ngl 99 --n-cpu-moe 26 -c 262144 -fa on --jinja
-np 1
--cache-type-k q8_0 --cache-type-v q8_0
--temp 0.6 --top-p 0.95 --top-k 20
--reasoning on


@Linuxor

یه چیزی که توجه همه رو جلب کرده قدرت بالای GPT-6-Astra توی درک سه بعدی هستش اون هم بدون آموزش اختصاصی برای هر کار (Zero-shot) از چرخوندن حرفه ای خودکار توی دست تا حل کردن روبیک و معما های سه بعدی.

سورس کد :

github.com/jianglongye/dexterous-astra

@Linuxor

نمایی از اجرای Qwen 3.8 Flash Next روی Macbook M5 24 GB. حالت Thinking خاموشه مقدار 2K پنجره کانتکست و حدود 4 توکن بر ثانیه خروجی.

البته کاربران که استفاده کردن گفتن با این پرفومنس این مدل عملاً روی این لپ تاپ قابل استفاده نیست، مخصوصاً توی مرحله‌ی prefilling. اگه کانتکست رو بزرگ‌تر کنی، پردازشش ساعت‌ها طول می‌کشه.

@Linuxor

یه آزمون خیلی ساده برای اینکه بفهمید توی شرکت بهتون بیش از حد فشار میاد یا نه

کافیه به یک ماه گذشته خودتون نگاه کنید میانگین ببینید چقدر بعد از تایم کاری که اومدید خونه تونستید چیزی خلق کنید البته منظور از خلق یه چیز بزرگ نیستا هر چیز کوچیکی و اختیاری ای هم حسابه؛ اگه چیزی خلق نکردید بازم نشونه منفی ای نیست ولی اگه به سمت چیز های اعتیاد آور مثل بعضی گیم ها یا شبکه های اجتماعی مثل اینستاگرام رفتید و تا آخر شب توش بودید یعنی عملا مغزتون زیاد کار کرده و بدهی داره.

@Linuxor

دوستان اگر ارور های تحریم آنتی گراویتی اذیتتون میکنه (که علت عمدش هم بخاطر VPN هستش) از این آنتی گراویتی ترمینالی استفاده کنید

مثل اینکه آنتی گراویتی گرافیکی کش داره و اگه یه بار با اینترنت خراب برید دفعه های بعدی اگر حتی VPN خوب هم بزنید ممکنه بخاطر کش قبلی گیر بده بهتون؛ البته یه دلیل دیگه هم که حدس میزنم اینه سیستمش به صورت استاندارد از اینترنت استفاده نمیکنه (مثل گوگل کروم) و این باعث میشه VPN نتونه پوشش کامل بدتش و بعضی از اطلاعات حتی وقتی وی پی ان روشن باشه هم از پشت VPN رد نشه و مستقیم رد بشه.


خیلی برای من پیش اومده آنتی گراویتی ترمینالی کار میکرده اما آنتی گراویتی گرافیکی کار نمیکرده :

antigravity.google/product/antigravity-cli


@Linuxor

به نظر من سی پیو های AMD خیلی از اینتل بهترن، می‌تونی درش بیاری سرتو باهاش بخارونی خیلی حال میده، تازه اگه سیستم تازه خاموش شده باشه میتونی به عنوان اتو مو هم ازش استفاده کنی.


@Linuxor

شرکت تازه‌تأسیس کاکتوس از Needle 3 رونمایی کرده؛ یه مدل بنیادی برای اتوماسیون که حجمش بین 8 تا 29 مگابایت هستش و می‌تونه با DeepSeek V4 Flash توی یه کار خاص رقابت کنه.

این مدل فقط از یک مجموعه وزن weights استفاده می‌کنه، اما با عمق‌های مختلف از 2 تا 20 لایه، هر عمق عملاً یه مدل مستقل محسوب میشه. یکی از نکات جالبش اینه که Needle می‌تونه به‌صورت کاملاً محلی روی Raspberry Pi 5 اجرا بشه و به سرعت تا 4,000 توکن در ثانیه برسه.

اساساً برای چت کردن ساخته نشده. هر تعامل باهاش به شکل یه function call انجام میشه؛ یعنی ابزارهایی که اپلیکیشن در اختیارش میذاره به مدل داده میشن و Needle بر اساس چیزی که کاربر گفته، ابزار مناسب رو انتخاب می‌کنه و تمام آرگومان‌های موردنیازش رو هم پر می‌کنه.

اگه کاربر چیزی بخواد که هیچ‌کدوم از ابزارهای موجود نتونن انجامش بدن، Needle به‌جای حدس زدن، یه لیست خالی برمی‌گردونه. همچنین برای اجرا روی دستگاه‌های مختلف طراحی شده؛ از موبایل‌ها و گجت‌های پوشیدنی گرفته تا دستگاه‌های خانه هوشمند، ربات‌های کوچیک و میکروکنترلرها:

huggingface.co/Cactus-Compute/needle3

@Linuxor

این روش هم برای دیدن دیاگرام پروژه های روی گیتهابه یه دید خوبی بهتون درباره پروژه و ریپازیتوری میده.

@Linuxor

اگه شرکتتون داره ماهی 200 دلار هزینه هوش مصنوعی میده بهتره دست نگه داره چون می‌تونه یه 5090 بخره و با ران کردن Qwen3.8 27B با سرعت خروجی خوب طی یک یکو نیم سال پول کارت گرافیک رو در بیاره

البته درسته قدرت مدل به اندازه یه اشتراک مدل های 200 دلاری نمیشه اما اینطوری هم نیست که بگیم دیگه خیلی ضعیفه واقعا تجربه کاربرا نشون داده که به خصوص توی کد زدن خیلی خوبه و کار رو راه میندازه، ویدیوی بالا مدل فشرده شدست که 98 درصد قدرت خودش رو همچنان حفظ کرده و با سرعت خوب 143 توکن بر ثانیه داره روی 5090 کار می‌کنه که حتی چند نفری هم میشه ازش استفاده کرد.


@Linuxor

اینم جالب بود، با AI می‌تونید از طریق DevTools کروم و MCP با تردینگ ویو تعامل داشته باشید

می‌تونه symbol و تایم‌فریم رو تغییر بده، قیمت و OHLCV و indicatorها رو بخونه، اندیکاتور اضافه یا حذف کنه، روی چارت drawing بذاره، Alert بسازه و حتی Pine Script رو بنویسه، compile کنه و برای رفع خطا دوباره اصلاحش کنه.

در حال حاضر پروژه حدود 84 ابزار در اختیار Agent می‌ذاره و بیشتر شبیه اینه که به AI چشم و دست برای TradingView بدی. برای ساخت workflowهای تحلیل تکنیکال و توسعه و تست استراتژی‌های Pine Script، ایده خیلی جالبی داره.


github.com/tradesdontlie/tradingview-mcp

@Linuxor

یه نفر به مغز یه مگس فقط یه وظیفه داد: یاد بگیره روی دوچرخه تعادلش رو حفظ کنه. مغز واقعی مگس با 139,255 نورون به بدن، دوچرخه و قوانین فیزیک وصل شده بود؛ بدون هیچ کدی برای حفظ تعادل یا دستورالعملی درباره دوچرخه. تنها چیزی که بهش داده شده بود، میزان مسافتی بود که قبل از افتادن طی می‌کرد؛ هرچی بیشتر می‌رفت، پاداش بیشتری می‌گرفت.

مگس بارها و بارها افتاد؛ چپ، راست، دوباره ریست و دوباره تلاش. بهترین مسافت طی‌شده بعد از بیشتر از 1000 تلاش، کم‌کم از 0.7 متر به 1.9 متر رسید. چیزی که جالب بود این بود که مدار عصبی‌ای که مگس برای حفظ تعادل در پرواز ازش استفاده می‌کنه، روی دوچرخه در ابتدا درست عمل نمی‌کرد و باعث می‌شد بیش از حد دیر یا شدید واکنش نشون بده و بیفته.

اما بعد از 1238 بار شکست، اتفاقی افتاد. در تلاش 1239، مگس تونست سوار بمونه، وقتی به چپ و راست منحرف شد خودش رو اصلاح کرد و برای اولین بار از 2 متر و بعد 3 متر عبور کرد. در نهایت 4.2 متر رکاب زد و خودش متوقف شد، بدون اینکه بیفته.

هیچ‌کس بهش یاد نداده بود با پاداش و تجربه 1238 بار زمین خوردن، تونست خودش رو با یک بدن و محیط کاملاً جدید هماهنگ کنه.


@Linuxor

تا حالا شده یه مقاله، مستندات یا صفحه‌ای رو چند ماه پیش خونده باشی و بعد هرچی می‌گردی پیداش نکنی؟ Hister یه موتور جستجوی شخصی و متن‌بازه که چیزهایی که خودت توی وب دیدی یا روی سیستمت داری رو ایندکس می‌کنه تا بعداً بتونی داخل محتوای واقعی‌شون سرچ کنی.

می‌تونی تاریخچه مرورگرت، صفحات وب، فایل‌های محلی، PDFها و Markdownها و... رو واردش کنی و بعد با جستجوی Full-text یا حتی Semantic Search دنبال چیزی که یادت مونده بگردی. یعنی به‌جای اینکه فقط اسم فایل یا URL رو یادت باشه، خود محتوای چیزی که قبلاً دیدی قابل جستجو هستش.حتی MCP Server هم داره و می‌تونی AI رو بهش وصل کنی تا بتونه داخل دانش و آرشیو شخصی‌ت جستجو کنه.

اگر حجم زیادی اطلاعات و لینک و فایل داری و همیشه با مشکل یه جا خونده بودم، ولی یادم نیست کجا! مواجهی، Hister دقیقاً برای همین سناریو ساخته شده. یه جور مینی Google شخصی برای چیزهایی که خودت قبلاً دیدی و ذخیره کردی:

hister.org

@Linuxor

روز پیش یه مدل جدید معرفی شد به اسم Jev

برخلاف LLM های معمولی که برای گفتگو و تولید متن ساخته شدن، Jev یه مدل تصمیم‌گیرنده‌ی فوق‌سریعه. Jev به‌جای تولید متن، مستقیماً از بین گزینه‌های مشخص تصمیم می‌گیره. طبق بنچمارک TypeSafe، زمان پاسخ Jev حدود 100 میلی ثانیه؛ در حالی که برای مدل‌های Frontier حدود 3 تا 329 ثانیه گزارش شده.

یعنی برای بعضی کارهای مشخص، تا حدود 200 برابر سریع‌تر. برای کنترل Agentها، انتخاب Tool، بازی‌هایی مثل Doom و تصمیم‌های لحظه‌ای طراحی شده.

@Linuxor