معرفی قالب مدیریتی ولین (Velin)

قالب مدیریتی Next.js با آخرین نسخه‌های Shadcn، Base UI و Tailwind؛ با الهام از طراحی بهترین دیزاینرهای دنیا مثل Emil Kowalski، Paco Coursey و ...

قیمت اصلی: 1,000,000
با تخفیف: 450,000 تومان

دمو:
velin.taymakz.ir

خرید:
t.me/velintemplate?direct

شخصی به نام audn_ai یه نسخه خاص از مدل GLM-5.3 ساخته بود به اسم:

audnai/penc1aw-GLM-5.3-abliterated-for-offensive-cyber

این نسخه abliterated هستش. یعنی با روشی به نام abliteration (حذف جهت refusal از وزن‌های مدل) ساخته شده. توی این روش بدون فاین‌تیون کامل، رفتار امتناع مدل (refusal) حذف می‌شه تا مدل راحت‌تر به درخواست‌های حساس یا offensive cyber (مثلاً مباحث امنیتی و سایبری تهاجمی) پاسخ بده.
هاگینگ فیس (بزرگ‌ترین پلتفرم میزبانی مدل‌های اوپن‌سورس) این مدل رو بن کرد و صفحه اش رو غیرفعال کرد. دلیلش نقض سیاست‌های محتوایی Hugging Face بود (چون روی قابلیت‌های سایبری تهاجمی تمرکز داشت).

اما اون حالا مدلش رو توی یه پلتفرم دیگه گذاشته:

pirateface.co/audnai/penclaw-GLM-5.3-abliterated

البته این چیز خطر ناکی نیست اکثر شرکتا خودشون این دسترسی رو به مدل هاشون دارن.

@Linuxor

بن افلک (همون بازیگر معروف هالیوود) داره می‌گه چطور مدل‌های ویدیویی رایگان و باز رو دستکاری می‌کنه.
وزن‌هاش رو باز می‌کنه و فقط لایه آخرش رو که مربوط به ظاهر سینمایی فیلمه، آموزش می‌ده تا بشه باهاش کار واقعی فیلم‌سازی کرد، نه فقط چیزای بازی و الکی.

ماجرا از این قراره که بن افلک سال 2022 یه شرکت کوچیک 16 نفره به اسم InterPositive راه انداخت که کارش هوش مصنوعی برای پس‌تولید فیلم بود. نتفلیکس همون شرکت رو مارس 2026 به قیمت 587 میلیون دلار نقد خرید.

چرا این کارو کرد؟ چون مدل‌های عمومی ویدیو همه روی فیلم‌های بقیه بازیگرا و کارگردونا آموزش دیده بودن و بن فکر می‌کرد اینجوری کسب‌وکار واقعی درنمیاد. برای همین پول جمع کرد، ۸ ماه تو یه استودیو کنترل‌شده خودش فیلم گرفت و فقط از همون فیلم‌ها برای آموزش مرحله آخر مدل استفاده کرد.

حالا هر فیلم جدید، یه مدل خصوصی مخصوص خودش رو روی فیلم‌های خام همون پروژه آموزش می‌ده. اینجوری هم فیلم‌ها دست خود تولید می‌مونه، هم یادگیری مدل مال خودشون می‌شه.
همین کار دقیقاً همون چیزیه که نتفلیکس 587 میلیون دلار بابت‌ش پول داد.

@Linuxor

می‌دونیم ویندوز ایکس‌پی از کارت گرافیک های سری 10 پشتیبانی نمی‌کنه حالا یه بیکاری با هوش مصنوعی نشسته درایور رو از اول نوشته کاربرد خاصی هم نداره چون کسی از ویندوز ایکس‌پی استفاده نمی‌کنه (البته به جز بانک ها و ادارات ایران) فقط این جمله رو یاداور می‌کنه کار نشد نداره!

یعنی روی ویندوز ایکس‌پی GTX 1050، 1050 Ti، 1060، 1070، 1080، 1080 Ti تا TITAN X و TITAN Xp می‌تونی داشته باشی کرک پر های NVIDIA ریخته.

github.com/SupraGSX/Forceware-382.69


@Linuxor

کاری عجیب و خشن
شرکت رباتیک انسان‌نما (فیگور) ربات‌های نسل قدیمی‌ترشان را وادار به پریدن بدرون کورۀ ذوب و رفتن به کام مرگ کرده، از آن فیلمبرداری و پخش کرده است!

@Linuxor ~ samak_e_ayyar

🔎 #وبینار عملی ریشه‌یابی خطا با Sentry

🔮 در وبینار «از گزارش خطای کاربر تا ریشه‌یابی مشکل با Sentry» با یک سناریوی عملی، مسیر رسیدن از گزارش یک مشکل به سرنخ‌های لازم برای ریشه‌یابی آن را دنبال می‌کنیم.

در این وبینار:

• #سنتری را راه‌اندازی می‌کنیم و به یک اپلیکیشن متصل می‌شویم

• یک خطا را ثبت می‌کنیم و با اطلاعاتی که Sentry در اختیارمان می‌گذارد، علت آن را بررسی می‌کنیم

• با Session Replay اتفاقات پیش از بروز خطا را از دید کاربر بازبینی می‌کنیم

• با Trace و Span مسیر اجرای عملیات را دنبال و گلوگاه‌های عملکردی اپلیکیشن را پیدا می‌کنیم.

📣 ارائه‌دهنده: علیرضا بانشی | SaaS Team Lead در هم‌روش
📅 سه‌شنبه ۲۱ مهر ساعت ۱۹

🔗 ثبت‌نام رایگان:
https://hmrv.sh/RYMnL9

☁️@hamravesh

مدل Jev وارد دیتابیس ها شده، فیلترهای سنتی دیتابیس به شرط‌های دقیق و از قبل تعریف‌شده نیاز دارن. ولی خیلی از سوال‌ها معنایی (Semantic) هستن، مثلا فرض کنید کاربر این سوالارو داشته باشه:

آیا این مقاله بیشتر درباره‌ی مهندسی نرم‌افزار هستش؟
کدوم موضوع بهترین توصیف رو برای این مقاله داره؟
به نظر میاد این مقاله از نظر فنی چقدر عمیق باشه؟

این pg-jev یه افزونه‌ی متن‌باز برای Postgres هستش که Jev رو از طریق توابع SQL در اختیار می‌ذاره.

تابع jev() می‌تونه مستقیماً داخل WHERE استفاده بشه.
تابع jev_prob() یه احتمال برمی‌گردونه.
تابع jev_choice() یه برچسب رو انتخاب می‌کنه.
تابع jev_score() ردیف‌ها رو بر اساس سطوح مرتب‌شده رتبه‌بندی می‌کنه.

خیلی سادس این سیستم به ستون وکتور (Vector Column) یا Embedding Index هم نیاز نداره.

راهنما و دانلود:
pgjev.com

@Linuxor

تولید ویدیو با هوش مصنوعی، حالا مستقیم روی لپ‌تاپ خودتون! FreeVideo اومده تا مدل‌های MiniMax H3 + Video DeltaNet رو روی سخت‌افزاری که همین الان دارین با تکنیک هایی اجرا کنه؛ البته حداقل باید 8GB VRAM و 16GB RAM داشته باشید

از ComfyUI هم پشتیبانی می‌کنه و امکان استفاده از LoRAها و ورک‌فلوهای شخصی‌سازی‌شده رو هم داره.

بدون نیاز به سرورهای ابری، می‌تونین تولید ویدیو رو مستقیم روی سیستم خودتون انجام بدین.

برای اطلاعات بیشتر و دیدن پروژه:

github.com/FlashML-org/FreeVideo

@Linuxor

یه خبر تلخ برای برنامه‌نویس‌های C و ++C

گوگل اختصاصاً جمنای ورژن 4 آرگون رو جوری آموزش داده که بتونه کدهای C و ++C رو به Rust تبدیل کنه؛ اونم نه در حد کدهای ساده، بلکه در مقیاس‌های دیوانه‌وار سازمانی!

گوگل اعلام کرده ایجنت‌های Gemini 4 Argon در حال مهاجرت پروژه‌ها به راست هستن؛ از ده‌ها هزار خط کد کتابخونه‌هایی مثل re2 گرفته تا بازنویسی بیش از 800 هزار خط کد کرنل Zircon در سیستم‌عامل Fuchsia.

توی یکی از پروژه‌ها (دیکودر ویدیویی libgav1)، این مدل با بازنویسی 32 هزار خط کد SIMD به Safe Rust و بهینه‌سازی کامپایلر، خروجی داده که 2.7 برابر سریع‌تر شده، امنیت حافظه (Memory-safe) رو تضمین می‌کنه و پرفورمنسش کاملاً شانه به شانه ++C می‌زنه.

کوچ تاریخی از دنیای ناامن حافظه در C++/C به Rust، حالا با هوش مصنوعی چندصد برابر سریع‌تر شده...

@Linuxor

این بار ساده‌تر  با لینگانو ادامه بده!  📕

📍دسترسی نامحدود به دوره‌ها
📍پنل اختصاصی در سایت و اپلیکیشن
📍تعیین سطح و مشاوره اختصاصی

دوره جامع لینگانو با ۷۵٪ تخفیف و پرداخت ۴ قسطه اسنپ‌پی؛ برای مشاوره تخصصی و ثبت نام دوره، همین حالا کلمه ((دوره)) رو ارسال کنید

👇🏻👇🏻👇🏻👇🏻


@lingano_support_2
@lingano_support_2

مدل اوپن Decision 2.0 منتشر شد ورژن یکش به اسم Lux ادعا می‌کرد از Jev بهتره اما امتیاز 43 گرفت در صورتی که Jev امتیاز 57 داشت

حالا توی ورژن جدیدش باید ببینیم چیکار کرده همچنین گفته علاوه بر تقویت مدل Lux یه مدل قوی تر از اون اضافه کردیم به اسم Vega لیست تمام مدل های جدیدش:

huggingface.co/collections/vllm-sr/decision-20

همچنین یه نسخه خیلی ضعیف هم داره برای موبایل ها خوبه.

@Linuxor

اینو من خیلی وقت پیش متوجه شده بودم، الان دیدم دیجی کالا هم به صورت عملی ازش استفاده می‌کنه روی عکس ها یه دکمه نمادین می‌سازه و می‌نویسه "خرید" تا کاربر بفهمه واقعا می‌شه اونجا کلیک کرد، من قبلا فکر می‌کردم یوزر دیگه خودش می‌دونه ولی فهمیدم یوزر اتقاقا نمی‌دونه باید اونجا کلیک کنه اگه اون "خرید" رو ننویسی آمار کلیک خیلی میاد پایین!

دلیلش هم اینه اکثر یوزرا روی عکس کلیک نمی‌کنن حتی اگر واقعا پشتش یه چیزی باشه خیلی از کاربرا اصلاً Affordance لازم رو نمی‌بینن و عکس رو صرفاً به‌عنوان یه تصویر جهت زیبایی در نظر می‌گیرن توی UX معنی Affordance یعنی ظاهر عنصر باید نشون بده که باهاش می‌شه کاری کرد چون کاربرا اونجوری که شما فکر می‌کنین فکر نمی‌کنن خیلی ساده تر فکر می‌کنن.


@Linuxor

توی سایتتون خواستید گِیج یا نمودار نشانگر بزارید مثلا برای مصرف منابع یا آب و هوا یا سرعت و قدرت چیزی یا تایمر و... از این کامپوننت ها استفاده کنید رابط کاربری زیبایی داره کاملا رایگان و تازه هم هستش همین هفته پیش معرفی شده :

www.gauge-ui.dev

@Linuxor

غول فناوری و هوش مصنوعی
یک سرور قدرتمند برای نسل جدید پردازش‌های هوش مصنوعی و زیرساخت‌های حرفه‌ای دیتاسنتر.

مناسب برای:
هوش مصنوعی و Machine Learning، پردازش داده‌های حجیم، مجازی‌سازی، محاسبات سنگین، دیتابیس، رندرینگ و پردازش‌های GPU محور.

با سخت‌افزار قدرتمند و قابلیت اجرای ورک‌لودهای سنگین، انتخابی مناسب برای پروژه‌های حرفه‌ای، سازمانی و زیرساخت‌های AI.

ولکان سرور
ولکان سرور با تمرکز بر فروش، تأمین و مشاوره تخصصی تجهیزات سرور و زیرساخت دیتاسنتر، راهکارهای سخت‌افزاری مورد نیاز کسب‌وکارها و سازمان‌ها را ارائه می‌دهد.


Volkanserver.com
https://t.me/volkanserver_ir

یه مدل System One مثل Jev ممکنه اصلاً به تمام عمق یه LLM نیاز نداشته باشه. پژوهشگرهای AutoScientists متوجه شدن که میشه بخش قابل‌توجهی از لایه‌های انتهایی شبکه رو بدون اینکه عملکرد مدل در تصمیم‌گیری افت کنه، حذف کرد.

مثلاً توی مدل Qwen3.5-4B وقتی پردازش رو توی لایه 20 از مجموع 32 لایه متوقف کردن، عملکرد تقریباً با حالتی که کل مدل استفاده می‌شد یکسان بود. پس 12 لایه آخر رو حذف کردن و مدل RSI-Jev v5.0-VL 3B رو ساختن.

این مدل توی معیار Decision Index امتیاز 38.38 گرفته، در حالی که بهترین مدل بعدی با اندازه 3B یا کمتر امتیاز 28.97 داشته. این مدل حتی از 11 مدل 4B هم عملکرد بهتری داشته.

وقتی از این زاویه نگاه کنیم، قضیه تا حدی منطقی به نظر میاد: تصمیم‌گیری و صحبت کردن 2 کار متفاوتن یه مدل System One لازم نیست کلمه بعدی رو تولید کنه؛ فقط باید اطلاعات رو بخونه و یه تصمیم بگیره.

سوال بعدی، چرا باید همه سوال‌ها رو با عمق یکسانی پردازش کنیم؟ اگه سوال‌های ساده بتونن زودتر متوقف بشن و سوال‌های سخت‌تر برن سراغ لایه‌های عمیق‌تر، این روش می‌تونه سرعت مدل رو خیلی بیشتر کنه:

github.com/Shanghua-Gao/RSI-Jev

@Linuxor

سم آلتمن می‌گه من واقعاً از این موضوع معذبم که بعضی‌ها می‌خوان برای مدل‌های هوش مصنوعی نوعی قدرت یا جایگاه دینی قائل بشن، یا طوری باهاشون برخورد کنن که انگار باید قضاوت و تشخیص انسانی خودشون رو کنار بذارن و تسلیم نظر AI بشن. به نظرم این موضوع واقعاً یک مسئله‌ی ایمنی هستش.


@Linuxor

وقتی یه مدل رایگان لوکال پیدا کردی و پروژه رو باهاش می‌بری جلو...

@Linuxor