یه پروژه جالب به اسم Valen اومده که به‌جای اینکه مدل بعد از دیدن تصویر بشینه reasoning طولانی تولید کنه، مستقیماً از روی تصویر/متن، احتمال action های مختلف رو حساب می‌کنه؛ یعنی ورودی میره داخل مدل و خروجی میشه تصمیم آماده برای اجرا.

روی Qwen3.5-2B ساخته شده و یه Decision Head به مدل اضافه می‌کنه. مثلاً برای یه بازی می‌تونه خروجی‌ای شبیه Left: 0.05 / Right: 0.72 / Up: 0.18 / Down: 0.05 بده و Agent هم سریع‌ترین action رو انتخاب کنه. این معماری برای بازی‌ها، UI Agentها، moderation و سیستم‌های real-time خیلی جالبه.

توی benchmark مربوط به Sokoban، Valen با 9 تصمیم مجموعاً حدود 1.13 ثانیه latency داشته، درحالی‌که Qwen3.8-27B Think برای همون سناریو حدود 198.05 ثانیه زمان گرفته. نکته مهم اینه که این اعداد مربوط به همین task و setup هستن، نه اینکه 2B در همه‌چیز جای 27B رو بگیره.

تست آنلاین :
huggingface.co/spaces/yuhangzang/Valen-Preview-0923
سورس کد :

github.com/Liuziyu77/Valen

@Linuxor

یه فرمولی برای تولید محتوا که تقریبا پابلیکه و اکثر تولید کننده های محتوا ازش استفاده می‌کنن (مثلا مستر بیست) و حتی شما هم میدونینش پول خرج کردنه، جالبه یعنی به هر صورتی پول خرج بشه برای مردم جذابه چه پول رو بسوزونی، چه رایگان بدیش به یکی، بری چیز بخری نشون مردم بدی و هر کار دیگه کنی حتما توجه مردم رو جلب میکنی.

دیدید توی روانشناسی میگن هدف اصلی و اول انسان بقاست و بقیه اهداف زیر مجموعه این هدفن؟ توی تولید محتوا هم هدف پول خرج کردنه بقیه اهداف زیر مجموعه اینن؛ در واقع هرچی یه منبع برای انسان باارزش‌تر باشه، دیدنِ نحوه خرج شدن، از دست رفتن، به دست اومدن یا به خطر افتادن اون منبع می‌تونه جذاب‌تر باشه😁


@Linuxor

خالق روبی روی ریل، DHH بزرگوار
حرفای جالبی راجع به هوش مصنوعی و آینده نامعلوم برنامه‌نویسی میزنه،‌
جالبترین جاش اینجاس که میگه :
من به عنوان کسی که قراره خودش کد بزنه، از Rust متنفرم ولی اگر ایجنت قراره بزنه عاشقشم. میگه اگر قراره ما به عنوان بلک باکس به زبانهای برنامه نویسی نگاه کنیم و با اینکه ندونیم توش چخبره، نرم افزار توسعه بدیم، خب دیگه چه کاریه بیایم از زبانهای خیلی سطح بالا و developer friendly استفاده کنیم؟ کدنویسی با زبانهای خفن ارزون شده و احتمالا یسری از معماریا هم که برای نگه‌داری و توسعه انسان بود احتمالا به مرور مهم نباشه دیگه ....

mrbug.ir/fa/blog/ruby-on-rails-ai-dhh


@Linuxor ~ Ralireza11

نسخه های چند وجهی Jev (اونایی که به غیر از متن می‌تونن عکس و مدیا هم بفهمن) می‌تونن یه انقلاب خوبی توی صنعت Manufacturing به وجود بیارن مثلا می‌شه فهمید :

قطعه سالمه یا خراب و معیوب؟
این جوش درست انجام شده؟
این محصول scratch داره؟
کارگر کلاه ایمنی داره؟
چیزی وارد محدوده خطر شده؟
دستگاه رفتار غیرعادی داره؟
این قطعه باید reject بشه یا نه؟

اینجا لیستی از Jev های چند وجهی رو جمع کرده و با تعدادی تصاویر اونارو بنچمارک کرده:

benchmarkheaven.com/image-jev-bench


@Linuxor

حراج بزرگ آنلاین استوک لپ! 💥

دنبال یه کامپیوتر قدرتمند می‌گردی ؟
دیگه لازم نیست بین قیمت بالا و کیفیت دست‌وپا بزنی! ✋

ما تو استوک لپ، بهترین سیستم‌ها رو با قیمت حراجی و ضمانت واقعی برات آوردیم. 💻💎

✅ کیفیت تضمینی
✅ قیمت استثنایی
✅ خرید با ضمانت

⏳ موجودی محدوده، همین حالا وارد شو و فرصت رو از دست نده! 👇
https://t.me/stock_lapp

تیم FrontiersMind امروز مدل‌های Lumma-fev-0.1B و نسخه‌ی به‌روزشده‌ی Lumma-fev-0.6B رو به‌صورت متن‌باز منتشر کرده ویدیو از اجراش روی مک M2 هستش.

این‌ها مدل‌های تصمیم‌گیری (Decision-Based Models) این تیم هستن که روی زبان انگلیسی و 10 زبان هندی (Indic) آموزش داده شدن. این مدل‌ها به‌جای تولید متن، برای تصمیم‌گیری و انجام اقدامات مختلف طراحی شدن.نتایج اولیه هم جالب توجه هستن؛ طبق اعلام تیم، Lumma-fev تونسته توی چندین بنچمارک عملکرد بهتری نسبت به Jev داشته باشه.

از بازی کردن گرفته تا دسته‌بندی، تصمیم‌گیری ساختاریافته و خیلی از کارهای دیگه که نیازی به تولید متن ندارن، Lumma-fev برای انجام عمل و تصمیم‌گیری طراحی شده. طبق اعلام این تیم، فردا مدل‌های Lumma-fev-4B و Lumma-fev-9B هم به‌صورت متن‌باز منتشر می‌شن.


این مدل‌ها از طریق مجموعه‌ی زیر در دسترس قرار گرفتن:
huggingface.co/collections/FrontiersMind/lumma-decision-models


@Linuxor

وقتی سینیور می‌رینه تو پروژه و می‌سپارتش دست جونیور که درستش کنه

@Linuxor

برای کسایی که با مدل ها زیاد سرو کله می‌زنن، انویدیا یه جعبه ابزار برای بهینه‌سازی مدل‌های AI داره قبل از اینکه مدل رو ببری برای inference، کمک می‌کنه مدل رو کم‌حجم‌تر و کم‌مصرف‌تر و سریع‌تر کنی.

تمرکز اصلیش روی چیزهایی مثل Quantization، Pruning، Sparsity و Distillation هستش. مثلاً می‌تونی یه مدل BF16 رو به FP8 یا NVFP4 تبدیل کنی تا VRAM و هزینه محاسبات کمتر بشه، البته با کنترل افت کیفیت مدل.

نکته جالبش اینه که ModelOpt خودش جای vLLM یا TensorRT-LLM نیست؛ بیشتر نقش مرحله‌ی optimization رو داره. یعنی مدل رو آماده می‌کنی و بعد می‌دی به inference engineهایی مثل vLLM، SGLang یا TensorRT-LLM تا روی GPU اجرا بشه.

اگه با مدل‌های بزرگ و GPU های NVIDIA کار می‌کنی، ModelOpt یه جعبه‌ابزار برای اینه که از همون مدل، نسخه‌ای سبک‌تر و مناسب‌تر برای production بسازی؛ مخصوصاً وقتی بحث FP8/NVFP4، کاهش VRAM و افزایش throughput مطرح باشه:

nvidia.github.io/Model-Optimizer


@Linuxor

🤖 مینی دوره Claude رایگان شد! | ابزار برنامه‌نویسی، تحقیق و حل مسئله

✔️ توی این مینی‌دوره یاد می‌گیری چطور از Claude برای انجام سریع‌تر و بهینه‌تر کارهات استفاده کنی.

✨ ثبت‌نام رایگان:
🔗 quera.org/r/jd7au

یه مدل جالب برای اجرای AI روی دستگاه اندرویدی (ویدیو تست شده روی S26 برای هر درخواست 128توکنه 70 میلی ثانیه زمان می‌بره)

مدل GLiNER2.5-Decide دارای 340M پارامتره که برای classification، routing، sentiment، intent detection و تصمیم‌گیری ساختاریافته ساخته شده.

نسخه‌ی LiteRTش رو می‌تونید روی دستگاه‌هایی مثل Android به‌صورت local اجرا کنید؛ بدون API و بدون نیاز به ارسال متن به سرور.

یعنی برای خیلی از کارهایی که لازم نیست حتماً یه LLM بزرگ داشته باشید، می‌تونه گزینه‌ی جذابی باشه.

huggingface.co/litert-community/GLiNER2.5-Decide-LiteRT


@Linuxor

مغز انسان یه باگی داره اینه که آینده رو خوب پیش‌بینی نمیکنه از اون بد تر یه عده بهش اعتماد هم میکنن؛

مثلا همیشه با خودشون میگن وای فلانی آنلاین شاپ داره چه پولی در میاره فلانی شرکت داره چه پولی درمیاره فلانی فریلنسره چقدر راحته کسی روی سرش نیست و همیشه آزاده!

بعد که خودشون بدون پیش بینی آینده و با صرف اینکه اون کاره راحته یکی از اون کارارو شروع میکنن، می‌افتن توی باتلاق اون کاره که به راحتی هم نمیشه ازش بیرون اومد مثلا آنلاین شاپ به ظاهر شاید پول پارو کنه ولی باید بدونید که «باید محصول خوب پیدا کنید ← سرمایه بذارید ← محتوا بسازید ← تبلیغ کنید ← مشتری جذب کنید ← بسته‌بندی کنید ← ارسال کنید ← مرجوعی بگیرید ← پشتیبانی کنید ← حسابداری کنید ← با افت فروش کنار بیاید ← دوباره تبلیغ کنید و ممکنه اصلا به مشتری هدف نرسید...» تازه بعدش میفهمن این کار همچین براشون جذاب هم نیست!


@Linuxor

یه کتابخونه UI پیدا کردم که کلی کامپوننت خیلی شیک و جذاب رو یکجا جمع کرده؛ برای اینکه توی یه لندینگ پیج یه افکت «واااو عجب چیز پشم ریزونی» بسازی

سایتش اینه:
componentry.dev

@Linuxor

یه تکنیکی که جدیدا دارم روش تمرکز میکنم درست Exit کردنه، اکثر ماها نمیتونیم درست از یه کاری که شروع کردیم و به نتیجه دلخواه نرسیده خروج بزنیم و توی لحظه آخر همه چی رو آتیش میزنیم، برای مثال تا الان ده ها تا سرویس و محصول از سایت و API و... ساختم که همشون هم درآمدزا بودن ولی کم بوده یا زحمتش زیاد بوده همشم از بین بردم؛ با خودم میگم بابا کاش حداقل یکم روی آتومیشینش کار میکردی مثلا یه سرویسی که ماهی حتی 10 تومن درآمد داشته باشه و روزی مثلا 3 ساعتت وقتت رو بگیره رو یه جوری اتومیتش کنی بشه روزی نیم ساعت یا یه ربع واقعا می‌ارزه نگهش داری در واقع بجای اینکه محکم Exit کنی و بی سرپناه بزاریش و درآمد بشه صفر تومن یجوری با AI و آتومیشن فشردش میکنی که بشه یه ربع در روز حتی درآمد کمترم شد و مثلا 7 الی 8 تومنم می‌ارزه.

چیزی که داره براتون پول می‌سازه ولی کمه رو هیچ وقت سرش رو نبرید ببینید می‌تونید رامش کنید اگه نشد سرش رو ببرید.

@Linuxor

اگه تا حالا خواستی یه وبسایت شبیه VS Code، Figma یا Photoshop بسازی، احتمالا با یکی از دردناک‌ترین قسمت‌هاش که برخورد کردی مدیریت Layout. Split، Tab، پنل‌های شناور، Resize و Nesting خیلی زود تبدیل به یه عالمه منطق پیچیده میشن. Trellis برای همین ساخته شده؛ یه Layout Engine برای ساخت Workspace های پیچیده و قابل شخصی‌سازی توی Web App. کاربر می‌تونه پنل‌ها رو جابه‌جا کنه، Split کنه، Float کنه، داخل Tab بذاره و حتی Layoutها رو تا عمق‌های مختلف داخل هم Nest کنه.

اگه داری یه IDE، داشبورد، ابزار طراحی، ادیتور، Trading Terminal یا هر اپی می‌سازی که کاربر باید محیط کارش رو خودش بچینه چیز بدرد بخوریه کلا 33 کیلوبایته.

تست آنلاین و دانلود :
trellisui.com

@Linuxor

✨ اکانت ChatGPT K12 پیش‌ساخته یک ماهه، کاملاً اختصاصی و کاملا مشابه پلن Plus🔐
‌
✅ ۷ روز گارانتی بی‌قید و شرط
‌✅مدل Codex Astra
✅ قابلیت اجرا در VS Code و Cursor
✅ به همراه Codex Windows و قابلیت Work
❗️ موجودی بسیار محدود
⚠️ آفر محدود

💥 فقط ۱.۵۰۰.۰۰۰ تومان

⚡️ برای خرید کلیک کنید

وقتی یک مدل با 58.5 درصد توکن فکری کمتر، همان دقت یا حتی بهتر را ارائه می‌دهد، ارزش تست‌کردن دارد!

نسخه جدید Swift 1.5 برای Qwen3.8-27B با RL و OPD قوی‌تر، مخصوصاً در کدنویسی و Agentها، منتشر شده و در برخی تسک‌ها تا 9.18 برابر سریع‌تر است.

huggingface.co/ukisai/Swift-1.5-Qwen3.8-27B-GGUF


@Linuxor ~ callitVer1

دوستان دقت کنید برای تلفظ SQL دوتا حالت مختلف درست داریم

یکیش اس کیو ال هستش

دومی سی‌کْوِل یا SEQUEL هستش که جفتش درسته، چیزی به اسم CQL یا سی کیو ال نداریم CQL اصلا یه چیز دیگس : Cassandra Query Language که مال آپاچیه.


@Linuxor

اگه براتون سواله این بازی اسپایدرمن یه نفر داشت با کلاد Opus 5.5 می‌ساختش چی شد؟ این ویدیو رو ببینید کیفیتش در حد GTA-V بالا رفته

همچنین توسعه دهندش چند ساعت پیش سورس کدش هم اوپن کرد:

github.com/xikhar/spiderbench

@Linuxor

🤖 از AI فقط برای سؤال‌پرسیدن استفاده نکن؛ باهاش چیزی بساز.

اگه اخبار هوش مصنوعی و ابزارهای جدید رو دنبال می‌کنین، وقتشه یک قدم جلوتر برین و یاد بگیرین چطور از این تکنولوژی‌ها برای حل مسائل واقعی استفاده کنین.
با AI می‌تونین:

▫️ کارهای تکراری رو خودکار کنین
▫️ ابزارها و سرویس‌های مختلف رو به هم وصل کنین
▫️ با n8n گردش‌کارهای هوشمند بسازین
▫️ هوش مصنوعی رو به فایل‌ها و داده‌های واقعی متصل کنین
▫️ از RAG، Tool Calling و AI Agents استفاده کنین
▫️ ایده‌تون رو به یک ابزار کاربردی تبدیل کنین

در دوره پروژه‌محور AI Players & Solution Builders، از آشنایی با ابزارهای AI عبور می‌کنین و یاد می‌گیرین چطور باهاشون یک راه‌حل واقعی و قابل‌استفاده بسازین؛ حتی اگه برنامه‌نویسی بلد نباشین.

📍 امکان ثبت‌نام به‌صورت حضوری و آنلاین وجود داره.

👇 جزئیات دوره و شرایط ثبت‌نام:
https://prodemy.ir/a-players-course

💬 مشاوره و پشتیبانی: @prodemy_admin

یه ابزار جالب برای کسایی که با کد ایجنت ها کار می‌کنن jevgrep یا همون jg، یه ابزار برای جمع‌کردن هوشمند Context از داخل codebase هستش که از طرف تیم Typesafe AI یا همون سازنده Jev ساخته شده.

به‌جای اینکه Agent برای پیدا کردن جواب یه سوال، کلی فایل رو بگرده و حجم زیادی Context وارد مدل کنه، jg کمک می‌کنه قسمت‌های مرتبط کد رو سریع‌تر پیدا کنه و فقط همون بخش‌هایی که احتمالاً مهمن رو در اختیار Agent بذاره.

نکته جالبش اینه که طبق تست منتشرشده روی بخشی از SWE-bench، استفاده از jg هزینه اجرای Coding Agent رو حدود 40٪ کم کرده. البته این عدد مربوط به همون تست مشخصه و نباید به همه پروژه‌ها و Agentها تعمیمش داد:

github.com/dzhng/jevgrep

@Linuxor