✨ شرکت OpenAI امروز یک سری ابزار جدید منتشر کرده است که کمک می‌کند برنامه‌نویسان راحت‌تر بتوانند «ایجنت» (Agent) بسازند.

🧐 حالا «ایجنت» یعنی چی؟

ایجنت یک برنامه یا ابزاری است که به صورت هوشمند کارهایی را به شکل خودکار و بدون دخالت انسان انجام می‌دهد. مثلاً تصور کن یک ربات هوشمند که می‌تواند ایمیل‌هایت را بخواند، جواب بدهد، از اینترنت اطلاعات پیدا کند یا فایل‌های زیادی را سریع جستجو کند و جواب دقیقی به تو بدهد. این یک «ایجنت» است.

حالا OpenAI سه ابزار جدید برای ساده کردن ساختن چنین برنامه‌هایی ارائه کرده است:

⚙️ (رابط برنامه‌نویسی جدید) Responses API

این ابزار جدید کار برنامه‌نویس‌ها را ساده‌تر کرده. قبلاً دو ابزار مختلف وجود داشت که کمی پیچیده بودند.

حالا OpenAI یک ابزار جدید درست کرده که از هر دوی آن‌ها بهتر و آسان‌تر است.

ویژگی این ابزار این است که خودش می‌تواند به شکل خودکار کارهایی مثل جستجو یا استفاده از ابزارهای دیگر را انجام بدهد و جواب آن‌ها را سریعاً به گفتگوی شما اضافه کند.

- تصور کن به یک دستیار هوشمند می‌گویی: «قیمت گوشی آیفون امروز چنده؟». دستیار از این ابزار استفاده می‌کند، در اینترنت جستجو می‌کند و جواب دقیق و سریع به تو می‌دهد.

1️⃣ (جستجوی وب) Web Search

این ابزار به برنامه شما کمک می‌کند تا خیلی راحت به اینترنت وصل شود، سوال‌های کاربر را در اینترنت جستجو کند و جواب‌های دقیق و همراه با منبع ارائه بدهد.

- تو از دستیار هوشمندت می‌پرسی: «آب و هوای فردا در تهران چطور است؟». دستیار با این ابزار در اینترنت جستجو می‌کند و دقیق‌ترین جواب را پیدا می‌کند و به تو نشان می‌دهد.

2️⃣ (جستجو در فایل‌ها) File Search

این ابزار اجازه می‌دهد که برنامه تو بتواند خیلی سریع فایل‌های زیادی را بگردد و از داخل آن‌ها اطلاعات موردنظرت را پیدا کند.

- فرض کن صدها فایل PDF یا Word داری و به دنبال یک جمله یا کلمه خاص می‌گردی. به جای اینکه خودت تک تک آن‌ها را بگردی، «ایجنت» یا برنامه تو با این ابزار به سرعت همه فایل‌ها را می‌گردد و دقیقاً اطلاعاتی که می‌خواهی را برایت پیدا می‌کند.


3️⃣ (ابزار ساخت و مدیریت ایجنت‌ها) Agents SDK

یک ابزاری است که کل مراحل ساخت و مدیریت ایجنت‌ها را خیلی ساده می‌کند. مثل یک کیت آماده است که پیچیدگی‌های زیادی را حذف کرده و برنامه‌نویسان می‌توانند راحت‌تر ایجنت‌های هوشمند بسازند و بررسی کنند که چطور عمل می‌کنند.

- اگر بخواهی ایجنتی بسازی که پاسخگوی خودکار مشتریان باشد (مثل یک دستیار خودکار برای پاسخ به سوالات کاربران)، با این ابزار می‌توانی راحت‌تر این کار را انجام دهی و حتی بررسی کنی که دستیار چقدر خوب کارش را انجام می‌دهد و کجاها باید بهتر شود.




📁 #AI

✅ کانال تخصصی لاراول
📌 @PapiDon_state

☕️ اتاق برنامه‌نویسی
📌 @PapiDon_coding

✨ نحوه عملکرد ارسال و دریافت درخواست‌ها در SPA + چرخه‌ی حیات (Lifecycle)


1️⃣ (درخواست اولیه) Initial Request – ورود به سایت برای اولین بار

داستان از اینجا شروع می‌شه که کاربر برای اولین بار سایت رو باز می‌کنه.

🔸 توی SPA این یعنی:

1. مرورگر کاربر درخواست (Request) رو به سرور می‌فرسته تا کل ساختار برنامه (HTML, CSS, JavaScript) رو دریافت کنه.

2. سرور فایل اصلی HTML رو ارسال می‌کنه (معمولاً یه صفحه‌ی ساده که فقط یه <div id="app"> داخلشه).

3. بعد از اینکه صفحه‌ی HTML لود شد، مرورگر می‌ره سراغ فایل‌های جاوااسکریپت که شامل React, Vue یا Angular هستن.

4. جاوااسکریپت اجرا می‌شه و کل اپلیکیشن روی مرورگر کاربر ساخته می‌شه بدون اینکه صفحه دوباره لود بشه.

2️⃣ (جابجایی بین صفحات بدون رفرش) Routing

خب، حالا که صفحه‌ی اولیه لود شد، کاربر می‌خواد روی یه لینک کلیک کنه (مثلاً بره به صفحه‌ی پروفایل خودش).

💡 در MPA این یعنی درخواست جدید به سرور و لود شدن یک صفحه‌ی جدید، اما در SPA ما اینو هوشمندانه‌تر مدیریت می‌کنیم.

🔸 اینجا اتفاقی که می‌افته اینه:

1. وقتی کاربر روی لینک کلیک می‌کنه، جاوااسکریپت جلوی رفرش شدن صفحه رو می‌گیره.

2. React Router / Vue Router / Angular
تشخیص می‌ده Router که کاربر کدوم صفحه رو می‌خواد ببینه.

3. اگر اطلاعات جدیدی نیاز باشه، یه درخواست AJAX یا Fetch API به سرور فرستاده می‌شه.

4. داده‌های جدید به‌صورت JSON برمی‌گردن و کامپوننت‌ها آپدیت می‌شن.

3️⃣ (دریافت اطلاعات از سرور) Fetching Data

وقتی صفحه‌ی جدید باز می‌شه، شاید نیاز باشه که داده‌ها از سرور گرفته بشن.
مثلاً کاربر به صفحه‌ی پروفایلش می‌ره و می‌خواد اطلاعات کاربری‌اش رو ببینه.

🔸 توی این مرحله:

1. جاوااسکریپت یه درخواست به سرور ارسال می‌کنه (معمولاً با ()fetch یا axios).

2. سرور اطلاعات رو از دیتابیس می‌گیره و به‌صورت JSON به مرورگر می‌فرسته.

3. بعد از دریافت داده‌ها، React/Vue/Angular کامپوننت‌ها رو با اطلاعات جدید آپدیت می‌کنن.

4️⃣ (مدیریت وضعیت) State Management

اینجا زمانی پیش میاد که داده‌های برنامه باید توی حافظه نگه داشته بشن تا تجربه‌ی کاربری بهتر بشه.

مثلاً وقتی لاگین می‌کنی، دیگه نمی‌خوای هر بار که صفحه رو عوض می‌کنی، دوباره از سرور اطلاعاتت گرفته بشه.

🔸 توی SPA معمولاً از یکی از این روش‌ها استفاده می‌شه:

1. LocalStorage یا SessionStorage:
اطلاعات در مرورگر ذخیره می‌شه.

2. State Management Libraries مثل Redux, Vuex, یا Zustand:
یه بخش مرکزی برای ذخیره‌ی وضعیت (State) داریم.

3. React Context یا useState:
برای نگه‌داشتن داده‌های کوچک در سطح کامپوننت.

5️⃣ (آپدیت شدن رابط کاربری بدون رفرش) Updating UI

یکی از جذاب‌ترین بخش‌های SPA اینه که وقتی چیزی تغییر می‌کنه، فقط همون بخش آپدیت می‌شه، نه کل صفحه!

مثلاً وقتی یه پیام جدید توی چت واتساپ می‌گیری، فقط همون پیام اضافه می‌شه، نه اینکه کل صفحه رفرش بشه.

🔸 نحوه‌ی کار:

1. داده‌های جدید از سرور میاد.
2. در واقع در React/Vue فقط همون بخش صفحه رو تغییر می‌ده.
3. کاربر هیچ تغییری حس نمی‌کنه جز اینکه محتوا آپدیت شده.

6️⃣ (بستن و تمیزکاری) Unmounting & Cleanup

وقتی کاربر از یه صفحه خارج می‌شه، داده‌ها و رویدادهای قبلی باید پاک بشن تا عملکرد سایت کند نشه.

مثلاً توی React وقتی یه کامپوننت بسته می‌شه، باید از useEffect یا componentWillUnmount برای حذف رویدادهای غیرضروری استفاده کرد.




📁#javascript

✅ کانال تخصصی لاراول
📌 @PapiDon_state

☕️ اتاق برنامه‌نویسی
📌 @PapiDon_coding

در دنیای مدیریت پکیج‌ها و مخازن (ریپازیتوری‌ها) در ابزارهایی مثل Nexus Repository Manager یا Artifactory، سه نوع اصلی ریپازیتوری وجود دارد:

1️⃣ (میزبان‌شده) Hosted

2️⃣ (پراکسی) Proxy

3️⃣ (گروهی) Group

🔥حالا هرکدام را خیلی ساده توضیح می‌دهم و می‌گویم در چه زمانی باید از آن‌ها استفاده کنیم.

1️⃣ (ریپازیتوری میزبان‌شده) Hosted Repository

این نوع ریپازیتوری یک مخزن خصوصی است که در سرور خودتان میزبانی می‌شود. شما در اینجا پکیج‌ها، لایبرری‌ها، یا هر فایلی که نیاز دارید را آپلود و نگه‌داری می‌کنید.

🔹چه زمانی استفاده می‌شود؟

زمانی که بخواهید بسته‌های اختصاصی خودتان را مدیریت کنید.

وقتی نیاز دارید از یک فضای امن برای ذخیره‌ی artifactها (خروجی‌های بیلد، مثل فایل‌های jar یا Docker images) استفاده کنید.

اگر تیم شما پکیج‌های داخلی دارد که نمی‌خواهید در اینترنت عمومی منتشر شوند.

🔹 مثال کاربردی:
فرض کنید شما در شرکت خودتان یک کتابخانه‌ی PHP یا جاوا اسکریپت نوشته‌اید که فقط اعضای شرکت باید از آن استفاده کنند. می‌توانید این کتابخانه را در یک Hosted Repository قرار دهید تا فقط همکارانتان به آن دسترسی داشته باشند.

2️⃣ (ریپازیتوری پراکسی) Proxy Repository

این نوع ریپازیتوری مثل یک واسطه عمل می‌کند. یعنی هر درخواست برای دریافت یک پکیج از یک ریپازیتوری عمومی (مثلاً Maven Central یا Docker Hub) را دریافت کرده، آن را دانلود و ذخیره می‌کند. بعداً اگر دوباره به همان پکیج نیاز داشتید، به‌جای دانلود مجدد از اینترنت، از کش (cache) خود استفاده می‌کند.

🔹 چه زمانی استفاده می‌شود؟

وقتی نمی‌خواهید هر بار یک پکیج از اینترنت دانلود شود و می‌خواهید سرعت بیلد و توسعه را بالا ببرید.

وقتی می‌خواهید از تغییرات ناگهانی یا حذف شدن پکیج‌ها در ریپازیتوری‌های عمومی جلوگیری کنید.

اگر در سازمان خودتان اینترنت محدود یا کندی دارید و می‌خواهید حجم دانلودهای اینترنتی را کاهش دهید.

🔹مثال کاربردی:

فرض کنید تیم شما دائماً از npm برای دانلود پکیج‌های جاوا اسکریپت استفاده می‌کند. اگر هر توسعه‌دهنده هر بار همه‌ی پکیج‌ها را مستقیماً از اینترنت دانلود کند، هم زمان زیادی هدر می‌رود و هم اینترنت زیادی مصرف می‌شود. اما اگر یک Proxy Repository برای npmjs.com داشته باشید، فقط اولین درخواست از اینترنت دریافت می‌شود و بعداً برای همه‌ی افراد داخل شرکت از نسخه‌ی کش‌شده استفاده می‌شود.

3️⃣ (ریپازیتوری گروهی) Group Repository

این نوع ریپازیتوری ترکیبی از چند ریپازیتوری مختلف (Hosted، Proxy، یا حتی دیگر Groupها) است و آن‌ها را در یک نقطه‌ی دسترسی واحد ارائه می‌دهد.

🔹چه زمانی استفاده می‌شود؟

وقتی می‌خواهید همه‌ی کاربران فقط یک URL را بدانند، بدون اینکه بدانند یک پکیج از Hosted می‌آید یا از Proxy.

برای سازمان‌دهی بهتر ریپازیتوری‌ها و ساده‌سازی مدیریت دسترسی به پکیج‌ها.
وقتی می‌خواهید از چندین منبع مختلف استفاده کنید ولی فقط یک مسیر واحد برای دانلود داشته باشید.

🔹مثال کاربردی:

فرض کنید در یک شرکت کار می‌کنید که توسعه‌دهندگان از Maven Central، یک ریپازیتوری خصوصی داخلی (Hosted)، و یک Proxy Repository برای یک منبع خارجی دیگر استفاده می‌کنند. به‌جای اینکه سه مسیر مختلف تنظیم کنید، یک Group Repository می‌سازید که شامل هر سه ریپازیتوری باشد. حالا کاربران فقط با یک آدرس به همه‌ی این ریپازیتوری‌ها دسترسی دارند.


✨این سه نوع ریپازیتوری در کنار هم یک اکوسیستم کامل را برای مدیریت بسته‌ها فراهم می‌کنند. مثلاً شما ممکن است یک Proxy برای دانلود پکیج‌های عمومی، یک Hosted برای بسته‌های اختصاصی، و یک Group برای ترکیب این دو داشته باشید.




📁#Docker

✅ کانال تخصصی لاراول
📌 @PapiDon_state

☕️ اتاق برنامه‌نویسی
📌 @PapiDon_coding

سال نو مبارک رفقا
سالی باشه از حال خوب، برکت و روزی فراوان و در هر مسیری که براش در تلاش هستید بهترین ها براتون پیش بیاد و موفقیت باشه ❤️🪻

🎓 درسگفتار ۱: آشنایی با مفاهیم پایه‌ای هوش مصنوعی مولد


1️⃣ هوش مصنوعی مولد (Generative AI)

🔹 تعریف:
مدلی از هوش مصنوعی که قادر به ساختن چیزهای جدید است، مثل متن، تصویر، صدا، کد و...

🔹 مثال‌ها:

- ChatGPT: تولید متن
- DALL·E: تولید تصویر
- MusicLM: تولید موسیقی
- Copilot: نوشتن کد

🔹 کاربردها:

-نوشتن مقاله
-ساخت عکس و ویدیو و ...

2️⃣ مدل هوش مصنوعی چیست؟

🔹 تعریف:
مدل هوش مصنوعی یعنی یک سیستم (یا مغز دیجیتال) که با دیدن مقدار زیادی داده، یاد می‌گیرد کاری مثل انسان انجام دهد.

🔹 انواع مدل‌های هوش مصنوعی:

- مدل زبانی (متن)
- مدل تصویری (عکس)
- مدل صوتی (صدا)
- مدل مولتی‌مودال (ترکیبی از چند نوع داده)

3️⃣ مدل زبانی (Language Model)

🔹 تعریف:
یک نوع خاص از مدل هوش مصنوعی که با زبان انسان (متن) کار می‌کند.

🔹 توانایی‌ها:

- نوشتن متن
- پاسخ به سوال
- ترجمه
- خلاصه‌سازی
- نوشتن کد

🔹 مثال: GPT (مثل GPT-3, GPT-4)

4️⃣ مدل مولتی‌مودال (Multimodal)

🔹 تعریف:
مدلی که می‌تونه چند نوع ورودی مختلف رو با هم بفهمه و ترکیب کنه
مثل: متن + تصویر، یا صدا + ویدیو

🔹 مثال:
- تصویر رو هم مثل متن تحلیل می‌کنه - GPT-4 Vision
- (مدل گوگل) - Gemini: همزمان متن، تصویر، ویدیو، صدا رو می‌فهمه

5️⃣ آموزش مدل‌ها: چطور یه مدل می‌تونه "زبانی" بشه؟

1. اول یه مدل خام هوش مصنوعی طراحی می‌شه (مثل یه مغز بدون تجربه)
2. بعد بهش مقدار زیادی متن داده می‌شه → می‌شه مدل زبانی
3. یا بهش تصویر داده می‌شه → می‌شه مدل تصویری
4. یا هردو → می‌شه مدل مولتی‌مودال

6️⃣ مهندسی پرامپت (Prompt Engineering)

🔹 تعریف:
هنر و مهارت نوشتن دستور مناسب برای هوش مصنوعی، به طوری که بهترین نتیجه رو ازش بگیری.

🔹 مثال:

❌ بد: «برام مقاله بنویس»

✅ خوب: «یک مقاله‌ی ۵ پاراگرافی درباره تأثیر خواب کافی بر مغز، با زبان ساده و یک مثال بنویس»

🔹 کاربردها:

- تولید محتوا دقیق‌تر
- گرفتن کد بهتر از مدل
- گفت‌وگوی مؤثرتر با AI
- صرفه‌جویی در زمان و انرژی



📁 #AI

✅ کانال تخصصی لاراول
📌 @PapiDon_state

☕️ اتاق برنامه‌نویسی
📌 @PapiDon_coding

✨ سلام به همه رفقای عزیز
امیدواریم که حالتون خوب باشه 😊

همون‌طور که قول داده بودیم، شروع کردیم به گذاشتن مطالب درباره‌ی هوش مصنوعی.
حالا هرچقدر بازخورد از شما بگیریم، بیشتر تشویق میشیم و محتواهای بیشتر، بهتر و عمیق تری حتی در قالب آموزش ارائه میدیم.

امیدواریم که این موضوعات مفید باشه براتون 🫶

🎓 درسگفتار 2: مدل‌های زبانی بزرگ (LLM)

🧠 «پیرمرد باهوشی که فقط از دیدن یاد گرفته!»

بخش اول: مدل زبانی بزرگ یعنی چی؟

فرض کن یه بچه‌ی کنجکاو رو از کودکی می‌نشونیم و بهش میلیاردها کتاب، گفتگو، مقاله، پیام، شعر، داستان و... نشون می‌دیم.
اون فقط گوش می‌ده و می‌خونه؛ و کم‌کم یاد می‌گیره چطور مردم فکر می‌کنن، حرف می‌زنن، شوخی می‌کنن یا ناراحت می‌شن.

حالا دیگه اون بچه پیرمرد باتجربه‌ای شده که می‌تونه باهات حرف بزنه، شعر بگه، سؤال جواب بده و حتی کدنویسی کنه!

به این مدل می‌گیم:

مدل زبانی بزرگ (Large Language Model - LLM)

🧐 بخش دوم: LLM چطور کار می‌کنه؟

مثل یه «پیشگو»ئه که با دیدن چند کلمه، سعی می‌کنه حدس بزنه جمله‌ی بعدی چی می‌تونه باشه.

مثال:
تو می‌گی: «امروز هوا...»
مدل فوراً با خودش می‌گه:
«تو ۱۰۰ میلیون جمله‌ی مشابه، مردم معمولاً گفتن: هوا خوبه، یا بارونیه... پس احتمال زیاد یکی از این‌ها درسته.»

❗️این پیش‌بینی بر اساس الگوهای آماری انجام می‌شه، نه بر اساس درک واقعی.

⚙️ بخش سوم: پارامتر یعنی چی؟

ما گفتیم LLM مثل یه پیرمرده که کلی تجربه داره — دقیقاً همین‌طوره!

- توی مدل‌های زبانی، این تجربه‌ها تبدیل می‌شن به یه چیز فنی به اسم "پارامتر"

- هر پارامتر، یه تنظیم کوچیکه که نشون می‌ده مدل چی یاد گرفته

هرچی پارامتر بیشتر = حافظه و قدرت پیش‌بینی بیشتر

مثلاً مدل GPT-3 حدود 175 میلیارد پارامتر داره!

🧩 بخش چهارم: چرا گاهی اشتباه می‌کنه؟

با اینکه این پیرمرد دنیا دیده است، اما هنوز ممکنه:

1️⃣ چیزی رو ندیده باشه (همه‌چیز توی داده‌ها نبوده)

2️⃣ درکش سطحی باشه (فقط "حدس" می‌زنه، نه اینکه بفهمه)

3️⃣ سؤال ما گنگ بوده باشه (مدل گیج شده)

4️⃣ منبع دقیق نداشته باشه (حافظه‌ش آماریه، نه کتابی)



📁 #AI

✅ کانال تخصصی لاراول
📌 @PapiDon_state

☕️ اتاق برنامه‌نویسی
📌 @PapiDon_coding

🎓 درسگفتار 3: آشنایی با مدل‌های ترکیبی بینایی و زبان (VLM)

دنیا پر از تصویر و پر از نوشته‌ست.
ما آدم‌ها وقتی چیزی می‌بینیم، همزمان هم تصویرش رو درک می‌کنیم و هم اگه متنی کنارش باشه، اون رو هم می‌خونیم و باهم ترکیب می‌کنیم.

یه عکس از یه سگ کنار دریا می‌بینی و زیرش نوشته: "سگم عاشق تابستونه!"
تو فوراً متوجه می‌شی که عکس و نوشته به هم مربوط‌ان. مدل‌های VLM هم دقیقاً همین کارو می‌کنن.

✨ تعریف ساده‌ی VLM:

یعنی Vision-Language Model مدلی که هم می‌فهمه، هم می‌بینه، هم می‌خونه.

این مدل‌ها طوری طراحی شدن که بتونن همزمان:

- تصویرها رو ببینن
- متن‌ها رو بخونن
- و ربط بین اون‌ها رو بفهمن

⚙️ معماری کلی VLM چطوریه؟ (ساختار درونی)

یک مدل VLM معمولاً از ۳ بخش اصلی ساخته شده:

1️⃣ بینایی (Vision Encoder):
عکس رو می‌گیره و تبدیلش می‌کنه به خلاصه‌ای عددی که کامپیوتر بفهمه.

2️⃣ زبان (Language Encoder):
متن رو می‌گیره و اونم تبدیل می‌کنه به خلاصه‌ای از معنا.

3️⃣ بخش ترکیب‌کننده (Fusion Module):
جایی که اون دوتا خلاصه به هم می‌رسن و مدل تصمیم می‌گیره که چی به چی مربوطه.

✳️ نکته مهم:
همه‌ی این‌ها داخل یه مدل واحد اتفاق می‌افته، ولی هر بخش، تخصص خودش رو داره.


🧐 آموزش VLM چطوره؟

مدل‌های VLM با یه روش خیلی هوشمند آموزش می‌بینن:

بهشون عکس و متن مربوط نشون داده می‌شه.
هدف اینه که یاد بگیرن کدوم متن با کدوم عکس می‌خوره.

روش آموزش معروفی که استفاده می‌شه بهش می‌گن: Contrastive Learning (یادگیری با مقایسه)

در این روش:

- عکس و متن درست باید به هم نزدیک بشن (توی ذهن مدل)
- عکس و متن اشتباه باید از هم دور بشن

مثل اینه که یاد بگیری "عکس سگ" به "متن درباره‌ی سگ" ربط داره، نه به "پیتزا داغ روی میز".

🔹 آیا VLM بهتر از LLMهاست؟

نه، بهتر نیست — بلکه توانایی متفاوتی داره.

اگه فقط بخوای متن بنویسی یا ترجمه کنی، LLM کافیه.
ولی اگه بخوای از روی تصویر چیزی بفهمی یا متن مرتبط بسازی، VLM لازمه.

🛠 کاربردهای واقعی VLM:

- توصیف خودکار عکس‌ها
- ساخت تصویر از روی متن (Text-to-Image)
- کمک به افراد نابینا با توصیف محیط
- طراحی لباس، آواتار، لوگو و... از روی توضیح
- تحلیل گزارش‌های تصویری پزشکی
- ساختن دنیای مجازی و بازی‌های تعاملی

🧠 درک نهایی: VLM چطور فکر می‌کنه؟

هم تصویر رو می‌بینه
هم متن رو می‌فهمه
بعد اون دو تا رو توی یه فضای مشترک عددی (embedding space) می‌ذاره و بررسی می‌کنه که چقدر به هم نزدیک‌ان

مثل یه مترجم تصویری-زبانی که همزمان می‌تونه نگاه کنه و بفهمه چی داره می‌شنوه یا می‌خونه.

📌 خلاصه‌ی کلی:

- در واقع VLMها مدل‌هایی هستن که تصویر و متن رو با هم تحلیل می‌کنن.
- معماری‌شون ترکیبی از مدل بینایی و زبانیه.
- با داده‌های "عکس + متن" آموزش می‌بینن.
- توی زمینه‌هایی که ترکیب تصویر و متن مهمه، بسیار قدرتمندن.
- نمونه‌های معروفش: CLIP، Flamingo، BLIP و ...



📁 #AI

✅ کانال تخصصی لاراول
📌 @PapiDon_state

☕️ اتاق برنامه‌نویسی
📌 @PapiDon_coding

رفقا تو این پرسش ها مشارکت کنید لطفاً
چون با مطرح کردن این موضوعات و میزان درصدها تصمیم گرفته میشه که چطور و در چه سطحی مطالب ارایه بشه. 😊

سلام رفقا

دارم یکسری درس‌گفتارهای واقعا قابل درک تر و عالی از پایه براتون تنظیم میکنم و می‌آییم جلو و بخصوص در بحث موضوعات مهندسی پرامپت نویسی متمرکز میشیم اصلا پرپر
یعنی فوق العاده لذت ببرید
که به زودی و به مرور ارسال میکنم در کانال

😊🫶