Linuxor ?
34.7K subscribers
2.09K photos
758 videos
12 files
1.91K links
اخبار لحظه ای تکنولوژی و معرفی ابزار های کامپیوتری و برنامه نویسی!

ارتباطات و تبلیغات :
@LinuxorContact
Download Telegram
This media is not supported in your browser
VIEW IN TELEGRAM
مقایسه جمنای آرگون 4 و فلش 3.8

@Linuxor
تا به حال ندیدم کسی بر اساس رنگ گوشیشو فولدر بندی کنه! اینو یه دختره انجام داده بود پستش کرده بود توییتر... چه جالب!


البته اون WinRAR جاش اشتباس باید بره پیش داداشیای گوگل اش.

@Linuxor ~ cestzarathema
دوستانی که کد می‌زنن فقط به VSCode اکتفا نکنن به Zed هم یه نگاهی بندازن 100 هزار تا ستاره گرفته و نصف ستاره های VSCode هستش یعنی چیز کم یوزر و بی کاربردی نیست

مزیتش اینه برخلاف VSCode که برپایه الکترونه و کنده و رم میخوره این با راست نوشته شده و بسیار سریعه همچنین به صورت داخلی از هوش مصنوعی و حتی چند عامله هم به صورت زنده پشتیبانی می‌کنه، دانلود:

zed.dev/download


@Linuxor
1
This media is not supported in your browser
VIEW IN TELEGRAM
این ویدیو به زبان ساده نشون میده چرا دوتا ساب ایجنت هوش مصنوعی خیلی سخته با هم دیگه کار کنن و خیلی وقت ها تکی بهره وری بالاتری داره.

به این مشکل هزینه هماهنگی (Coordination Overhead) میگن وقتی یه ایجنت به‌تنهایی کار می‌کنه، کل مسئله رو توی ذهن و Context خودش نگه می‌داره.
اما وقتی 2 ایجنت داریم، باید دائماً اطلاعات رو به هم منتقل کنن.


@Linuxor
1
آندری کارپاتی (دانشمند برجسته هوش مصنوعی و از اعضای سابق OpenAI) معتقده آینده هوش مصنوعی لزوماً متعلق به مدل‌های غول‌پیکر نیست. به گفته اون، بخش زیادی از ظرفیت مدل‌های فعلی صرف حفظ کردن حجم عظیمی از اطلاعات اینترنت شده؛ در حالی که هوش واقعی بیشتر به توانایی استدلال، تحلیل و حل مسئله وابسته‌ست، نه صرفاً داشتن اطلاعات بیشتر.

از نظر اون، شاید هسته اصلی هوش و توانایی تفکر فقط به 1 میلیارد پارامتر یا حتی کمتر نیاز داشته باشه. ما تا امروز هزینه زیادی برای ساختن کتابخونه‌هایی از اطلاعات پرداخت کردیم، در حالی که چیزی که واقعاً نیاز داشتیم یک مغز متفکر بوده. این یعنی میتونه توی آینده حتی روی گوشی یه مدل بسیار قدرتمند به صورت لوکال داشت.

@Linuxor
رفیقم: یه ایده استارتاپی دارم که با یه سیم مفتول میتونیم پولدار بشیم.

ایدش:


@Linuxor
Media is too big
VIEW IN TELEGRAM
اگه برات سواله که برنامه نویس های قدیمی بدون هوش مصنوعی چطوری کد میزدن این ویدیو رو ببین، برای هر تکه کد کلی آزمایش و خطا میکردیم یادش بخیر😁

@Linuxor
1
اینم از دست گل کلاود عزیز!

@Linuxor ~ alighanavatidev
اینو می‌دونید که هوش مصنوعی ها اطلاعات رو به زبان خاصی یاد نگرفتن بلکه به صورت مفهوم و روابط یادش گرفتن و می‌تونن به هر زبانی بیانش کنن حتی اگر به همون زبان یادش نگرفته باشن، توی آینده ای نه چندان دور من حدس می‌زنم که بشر یه سیستمی طراحی میکنه که اطلاعات فاقد از نوع زبانش واردش میشه و به کاربرای دیگه به زبان و فرهنگ و اطلاعات خودشون ترجمه می‌شه


به جای شبکه های اجتماعی فعلی یه چیزی به وجود میاد به اسم شبکه جهانی معنا (Universal Semantic Network) (اینو اولین بار خودم گفتم جایزه نوبل رو بدید بهم) این شبکه جهانی معنا اینطوریه که یه عده تولید کننده محتوا توش محتوا تولید میکنن و یه عده مصرف کننده بسته به سلیقه، زبان و فرهنگشون به صورت کاستومایز ازش اطلاعات برمیدارن! یعنی یه شبکه اجتماعی فوق کاستومایز شده برای هر شخص.


@Linuxor
This media is not supported in your browser
VIEW IN TELEGRAM
لیکویید گلس 27 برای وب، به‌صورت کامپوننت‌های React.

سمت چپ نسخه اصلی و بومی iOS 27 هستش و سمت راست نسخه ساخته‌شده با Liquid Glass.

برای نصبش هم فقط یه دستوز کافیه بزنید:

github.com/onlymoein/liquidglass

@Linuxor
This media is not supported in your browser
VIEW IN TELEGRAM
شاید باورتون نشه یه نفر روی CSS (بدون هیچ زبان دیگر و جاوااسکریپتی) تونسته GPT-2 رو ران کنه!

احتمالاً اولین چیزی که به ذهنتون می‌رسه اینه که CSS فقط برای طراحی ظاهر سایته؛ مثلاً رنگ، فونت، فاصله، انیمیشن و چیدمان ولی سازندش تونسته از قابلیت‌های عجیب و کمتر شناخته‌شده‌ی CSS و موتور پردازش فونت مرورگر استفاده کنه تا محاسبات یک شبکه عصبی واقعی رو انجام بده


تست آنلاین:
gpt2css.shubhampatil.dev

توضیحات بیشتر:
shubhampatil.dev/blog/gpt2-css


@Linuxor
This media is not supported in your browser
VIEW IN TELEGRAM
معرفی QIQ، یک مدل Qwen3.5-0.6B که داخل مدل Qwen3.5-4B کامپایل شده!

برای انجام این کار، مدل حدود 199 میلیون توکن Trace (ردیابی محاسبات) و فقط 1 توکن خروجی محاسبه کرده، بدون اینکه حتی یک مورد مغایرت (Mismatch) وجود داشته باشه.

تولید فقط 1 توکن توسط مدل داخلی، حدود 1.1 سال طول می‌کشه!

اما بعد از اعمال بهینه‌سازی سرعت (Speedup)، خروجی ما عدد 15846 بوده؛ عددی که با اجرای مدل واقعی در Hugging Face هم بررسی و تأیید شده!

github.com/Bobliuuu/qweninqwen


@Linuxor
سایت های com. ایرانی به چوخ رفتن؟!

به علت تحریم، دامنه های سایت های پربازدید ایرانی توسط شرکت GoDaddy داره بسته میشه. ورزش ۳، ویرگول و ... در این لیست هستند.

همین الان هم از دسترس خارج هستن.


@Linuxor ~ yashar_rashedi
3
This media is not supported in your browser
VIEW IN TELEGRAM
چه جالبه! کامپوننت های تعاملی اینسپکتور و کلی چیز جالب دیگه :


bencho.dev

@Linuxor
هوش مصنوعی برای بقیه شاید فرصت باشه ولی برای من و تویی که پول و به نتیجه بی پولی وقت هم نداریم فرصت که نیست، تهدیده تهدید!

@Linuxor
1
دانلود و اجرای بازی‌های پورت شده کنسول‌ها برای اندروید !
جالب بود سایتش

apkports.com


@Linuxor ~ melviiin1990
یکی از دلایلی که متن‌های AI لو میرن، همین الگوهای تکراری و قابل پیش‌بینیه. این پروژه دقیقاً رفته سراغ همین مشکل!

اسکیل متن باز Lieflat Less AI Tone که با بررسی 1169 مقاله، حدود 5.2 میلیون کلمه و بیش از 100 شاخص، الگوهای رایج نوشتار ماشینی رو شناسایی می‌کنه.

مثلاً: تکرار ساختارهایی مثل «نه A، بلکه B»، پاراگراف‌های بیش‌ازحد منظم و جمله‌بندی‌های کلیشه‌ای.

اما قابلیت جذابش اینه که اول گزارش ایرادها و پیشنهاد اصلاح می‌ده؛ بعد از تأیید تو، متن رو بازنویسی و دوباره بررسی می‌کنه. یعنی قرار نیست جمله‌های خوبت رو هم قربانی اصلاحات AI کنه!


github.com/larashero3-dotcom/lieflat-less-ai-tone

@Linuxor ~ HazratCrypto
Media is too big
VIEW IN TELEGRAM
مدل Claude Opus 5.5 با استفاده از مدل‌های آماده و رایگان SimReady شرکت NVIDIA، یک خط تولید خودرو ساخته:

airsup.ai/lab/guess-the-bottleneck


@Linuxor
This media is not supported in your browser
VIEW IN TELEGRAM
یه پروژه تحقیقاتی جذاب در حوزه درک صحنه‌های سه‌بعدی هست به اسم VINO که با استفاده از معماری «ترنسفورمر حجمی»، به هوش مصنوعی کمک می‌کنه ساختار و ویژگی‌های محیط‌های سه‌بعدی رو از مجموعه‌ای از نقاط فضایی یاد بگیره.

نکته جالبش استفاده از روش «یادگیری خودنظارتی» هست؛ یعنی مدل بدون نیاز به برچسب‌گذاری دستی گسترده، از داده‌های سه‌بعدی یاد می‌گیره و ویژگی‌های معنایی اشیا و محیط رو استخراج می‌کنه.

یکی از جذاب‌ترین بخش‌های این پروژه، امکان مقایسه ویژگی‌های یادگرفته‌شده در نقاط مختلف یک صحنه سه‌بعدیه؛ قابلیتی که نشون می‌ده هوش مصنوعی چطور شباهت‌های معنایی و ساختاری بین بخش‌های مختلف محیط رو تشخیص می‌ده.

اگه به آینده هوش مصنوعی، رباتیک، بینایی ماشین و درک سه‌بعدی محیط علاقه‌مندی، پیشنهاد می‌کنم حتماً دموی این پروژه رو ببینی:

adriankruse.github.io/VINO


@Linuxor
ترجمه: گوگل رید تو لوگوش!

@Linuxor