سخت افزار های جدیدی که میبینید
طراحی و ایده و چیز های مختلفش
رو هم خود Ai برای پیشرفتش دخیل بوده

اینطوری نیست که کامل خودش انجام داده باشه ولی در خیلی از جاها کمک کننده بوده

بنچمارکا مدلا ریختن که طبیعی

خب خب بارونا شروع شد قهوه
کتاب
ساز زدنم شروع شد🤌

و البته وزنه های سنگین

خب مسئله دیگه توسط افراد مهم در زمینه ریاضیات حل شده با کمک Ai

خود Ai سر خود حلش نکرده

دقیقا اگر مثل یک ابزار ببینید که کارهای تکراری محاسبات پیچیده
رو بزاتون حل میکنه و شما باید به اون فهم حلش برسید

چند پله جلویید

یه بحثی که میگن سم آلتمن خیلی گفتم منم منم و خب کمتر اسم افراد ریاضی دان در بحث رو آورده
و دزدی و اینجور مسائل من دادم‌ گروک نظرات رو دسته بندی کرد که حالب بود

دسته‌بندی نظرات روی توییت OpenAI (حل مسئله ناویه-استوکس):از روی نمونه‌های زیاد ریپلای‌ها و نقل‌قول‌ها، نظرات تقریباً به این دسته‌ها تقسیم می‌شوند:۱. هیجان و تحسین پیشرفت AI (حدود ۳۰–۴۰٪)شگفت‌زده از اینکه AI یک مسئله جایزه هزاره را حل کرده که ۹۰ سال باز مانده بود.
مثال‌ها:«از اشتباه شمردن R در strawberry به حل قضایای پیچیده ریاضی در ۲ سال»
«قبل از GTA 6 حل شد»
«گام بزرگ به سمت AGI و موتور کشف علمی»
تأکید روی اینکه این نقطه عطفی در تاریخ علم است.
۲. بحث اعتبار و اولویت (Credit Dispute) (حدود ۲۵–۳۵٪)انتقاد شدید از اینکه OpenAI نام Tristan Buckmaster و Levent Alpöge را به اندازه کافی ذکر نکرده یا ادعا کرده کار خودش است.
برخی معتقدند OpenAI از کار آن‌ها (یا شایعات مربوط به آن) الهام گرفته و عجله کرده.
اتهاماتی مثل «دزدی اعتبار»، «سرقت از یادداشت‌های Codex»، «رفتار شرم‌آور OpenAI».
Sam Altman هم در پاسخ‌ها دفاع کرده که سعی در همکاری داشته‌اند.

۳. شک و تردید (Skepticism) (حدود ۱۵–۲۰٪)«هنوز بررسی مستقل نشده»، «Clay Institute هنوز تأیید نکرده»، «فقط چند ساعت از اعلام گذشته».
برخی می‌گویند اثبات فقط برای نسخه forced یا حالت خاص است، نه کل مسئله کلاسیک.
نظرات کوتاه مثل «False» یا درخواست تأیید از Grok و دیگران.

۴. جوک، میم و طنز (حدود ۱۵٪)میم‌های کاری مثل «فردا سر کار این کار رو با من می‌کنن».
مقایسه با چیزهای بی‌ربط («آیا این کوازار نیست؟»).
شوخی‌های سطح پایین یا توهین‌آمیز.

۵. نظرات فنی و توضیحیبحث درباره اثبات تحلیلی + formalization در Lean 4.
اشاره به کارهای قبلی Córdoba و Martínez-Zoroa.
جزئیات تعداد agentها (حدود ۱۰٬۰۰۰)، زمان ۸۸ ساعت و مدل نسل بعد از GPT-6 Astra.

خلاصه کلی فضا:فضای نظرات بسیار دوقطبی است: یک طرف هیجان خالص از قابلیت جدید AI، طرف دیگر عصبانیت از نحوه اعلام و اعتبار علمی. بحث «کی اول کار رو انجام داد» خیلی داغ‌تر از خود ریاضیات شده.اگر بخوای روی یک دسته خاص تمرکز کنم یا تعداد بیشتری نمونه بیارم، بگو.
بررسی جزئیات اثبات ریاضی

تحلیل واکنش‌های جامعه علمی
خب یه خلاصه از دسته بندی بده
خلاصه دسته‌بندی نظرات توییت OpenAI:نظرات عمدتاً به ۵ دسته اصلی تقسیم می‌شوند:هیجان و تحسین پیشرفت AI (حدود ۳۰–۴۰٪)
شگفت‌زده از حل مسئله ۹۰ ساله توسط AI و دیدن آن به‌عنوان گام بزرگ به سمت AGI.
بحث اعتبار و اولویت (Credit Dispute) (حدود ۲۵–۳۵٪)
انتقاد شدید از OpenAI بابت ذکر نکردن کافی نام Tristan Buckmaster و Levent Alpöge و اتهام گرفتن اعتبار کار دیگران.
شک و تردید (حدود ۱۵–۲۰٪)
سؤال درباره صحت اثبات، نیاز به بررسی مستقل و اینکه هنوز تأیید نهایی نشده.
جوک و میم (حدود ۱۵٪)
شوخی‌هایی مثل «قبل از GTA 6 حل شد» و میم‌های کاری.
نظرات فنی
بحث جزئیات اثبات، Lean formalization و کارهای قبلی مرتبط.

جمع‌بندی کوتاه:
فضای نظرات بسیار دوقطبی است: یک طرف هیجان خالص از قابلیت جدید AI، طرف دیگر عصبانیت از نحوه اعلام و اعتبار علمی. بحث «کی اول کار رو انجام داد» خیلی داغ‌تر از خود ریاضیات شده.

اینم کاربردش

معادلات ناویه-استوکس پایه بسیاری از کاربردهای واقعی هستند:پیش‌بینی آب‌وهوا و اقلیم
طراحی هواپیما، خودرو و کشتی (کاهش پسا و مصرف سوخت)
جریان خون در بدن و طراحی ابزارهای پزشکی
توربین‌های بادی، خطوط لوله و آلودگی هوا

دانستن دقیق‌تر اینکه مدل کجا ممکن است مشکل پیدا کند، می‌تواند به بهبود روش‌های عددی و تشخیص زودهنگام مشکلات در شبیه‌سازی‌ها کمک کند. با این حال، متخصصان می‌گویند شبیه‌سازی‌های فعلی از قبل خیلی خوب کار می‌کنند و این نتیجه به‌تنهایی طراحی‌ها یا پیش‌بینی‌ها را یک‌شبه متحول نمی‌کند.

کلاد کد باز بود داشت کد میزد
بعد من رفتم قهوه ریختم

بعد یه لحظه گفتم قبلا من کد میزدم خسته میشدم قهوه میخوردم

الان چرا قهوه میخورم
فقط یه پرامپ دادم دیگه

اره خلاصه
از این به بعد تصمیم گرفتم به کلاد قهوه بدم شاید یکم مغزش درست تر کار کنه ما که مغزمون دیگه کار نمیکنه😂😂

یه چیزی بود شلاق میزد به کلاد بهتر کار میکرد
کاش مثلا یکی هم این قهوه رو بسازه براش جالب میشه

رنگاروو

اون آلبالویی و مشکیه خیلی خوبه

البته پولش زیاده بیاد فکر کنم کمه کمش ۱ میلیارد که برای من کارت گرافیک بهتره تا گوشی

و البته رم

توییت های مهندس معماری pre training
آنتروپیک هم ترسناکه ها

ببین دیگه اینو ربط ندید به بیزینس
حرفش رو بخونید
هرچیزی هایپ و بیزینس که نیست

توئیت های Jacob Coxon که خیلی داره دست به دست میشه

مهندس معماری pretrain آنتروپیک

من امروز از Anthropic استعفا دادم. سه سال گذشته را در حال انجام تحقیقات pretraining هم در OpenAI و هم در Anthropic بودم. هیچ‌کدام از این دو شرکت مسئولانه عمل نمی‌کنند. آن‌ها مستقیم به سمت ابرهوش خودبهبوددهنده (self-improving superintelligence) می‌تازند و با جان ما قمار می‌کنند. افکار بیشتر را در ادامه می‌گویم.

قدرت این فناوری را دست‌کم نگیرید. این سیستم‌ها به‌زودی ابرانسان خواهند شد که می‌توانند هر چیزی را هک کنند، هر حوزه‌ای را یک‌شبه متحول کنند، و قدرت و منابع واقعی به دست آورند. همه ما پیشرفت در هر کدام از این حوزه‌ها را دیده‌ایم، و این پیشرفت کند نمی‌شود.

افرادی که هوش مصنوعی می‌سازند صادقانه باور دارند که این فناوری می‌تواند تا پایان این دهه همه ما را بکشد. این یک حقه تبلیغاتی نیست. اگر هم چیزی باشد، بسیاری از مدیران و محققان ارشد در رسانه‌ها حرف‌هایشان را ملایم‌تر و معقول‌تر بیان می‌کنند — اما من همان افراد را شنیده‌ام که در خلوت ترس خود را ابراز می‌کنند. هیچ فعالیت انسانی دیگری این سطح از خطر را ندارد.

یک پاسخ رایج این است که «اگر واقعاً به این باور دارند، پس چرا هنوز دارند آن را می‌سازند؟»
در OpenAI، بسیاری هنوز عمق خطر تمدنی آن را عمیقاً درک نکرده‌اند.
در Anthropic، خطر را خوب می‌فهمند، اما در یک مسابقه گیر افتاده‌اند تا اول به آنجا برسند — آن‌ها باور دارند هیچ‌کس دیگری مسئولانه عمل نخواهد کرد، پس خودشان باید این کار را انجام دهند، با وجود همه ریسک‌ها.

پذیرفتن این مسابقه و ورود به «آخرین مرحله» (endgame) یک قمار متکبرانه است که نباید از داخل اسلک یک شرکت خصوصی شروع شود. تلاش برای سرعت‌بخشیدن به alignment (هم‌راستاسازی) باید نیازمند اطمینان فوق‌العاده بالایی باشد که مسیرهای بهتری وجود ندارد.
من نسبت به امکان هماهنگی خوش‌بین هستم. هشدارهایی مثل حمله Hugging Face باعث شده توافق‌های کنترل سرعت (pacing agreements) بین آزمایشگاه‌های آمریکایی عملی‌تر شود. اما احساس نمی‌کنم در مسیر جلوگیری از یک مسابقه جهانی باشیم؛ مسابقه‌ای که ممکن است نیازمند اقدامات پرهزینه‌ای مثل ممنوعیت موقت بهبود قابلیت‌های مدل‌ها باشد.

اگر شما یک محقق در آزمایشگاه‌های هوش مصنوعی هستید، از شما می‌خواهم فکر کنید که چند سال آینده واقعاً چه حسی خواهد داشت.
آیا می‌خواهید یک اجرای RL ابرهوشمند را بدون درک دقیق از ذهن آن شروع کنید؟
آیا باید سرتان را پایین بیندازید چون «بالاخره اتفاق می‌افتد» — یا این لحظه را غنیمت بشمارید و خواستار شرایط متفاوتی شوید؟

ChatGPT Images 2.5
مدل جدید OpenAI برای تولید و ویرایش تصویر
تولید ۵۰٪ سریع‌تر از Images 2.0
جزئیات تیزتر، نور طبیعی‌تر، بافت غنی‌تر
ویرایش دقیق‌تر با حفظ سوژه و جزئیات (حتی در چند دور)
بهبود fidelity در تبدیل عکس‌های ارجاعی به تنظیمات جدید
نوارها + قالب‌های آماده برای فرمت‌های محبوب
Sketch: ترسیم مستقیم داخل چت برای تبدیل به تصویر
اشتراک پرومپت + تصویر برای ویرایش توسط دیگران
در دسترس رایگان برای همه کاربران ChatGPT + Work + Codex
در API: GPT-Image-2.5 Flare (پیش‌فرض، سرعت بالا) و GPT-Image-2.5 Sunburst
(دقت بالا)

@TheDeepTech

deepseek v4.1 flash
به صورت بتا در api خود دیپ سیک در دسترس هست .

میتونید با حفظ base url این مدل رو برای پرووایدر دیپ سیک انتخاب کنید .
ین سیستم از معماری مدل جدیدی با پشتیبانی چندوجهی بومی، قابلیت‌های قوی‌تر، سرعت بالاتر و هزینه کمتر استفاده می‌کند.

قیمت api v4.1 همان v4 flash

@TheDeepTech

کل حرفش

هرچه AI بهتر می‌شود ارزش دانش فنی کم نمی‌شود بلکه بیشتر می‌شود

https://youtu.be/Eg5bygoMDTQ?si=Jtmn2z09aTijqWR2

سطح خواندن و ریاضی دانش‌آموزان در سراسر جهان به طور قابل توجهی در حال کاهش است.

بر اساس نتایج آزمون‌های بین‌المللی (OECD & PISA) که دانش‌آموزان را ارزیابی می‌کنند، میانگین نمرات دانش‌آموزان 15 ساله در کشورهای توسعه‌یافته در سال 2025، 25 امتیاز در خواندن و 22 امتیاز در ریاضی نسبت به سال 2018 کاهش داشته است.

دانش‌آموزان 15 ساله کنونی، بیش از یک سال از همسالان خود در سال 2018 عقب هستند. سطح برخی از آن‌ها به سطح دانش‌آموزان 14 ساله در آن زمان نزدیک است.

نسل جوان کنونی، نسبت به نسل‌های قبلی، سریع‌تر مطالعه می‌کنند، اما دقت در درک مطلب آن‌ها کمتر است. توانایی آن‌ها در خلاصه‌سازی، تحلیل و بیان افکارشان کاهش یافته است.

به جای آن، عادت آن‌ها به مرور سریع اطلاعات افزایش یافته است.

@DevYara

اوپن کد هارنس خیلی داغونی داره

خیلی هارنس اپش عقب افتاده


این چینیا هرچقدر توی متن باز خوبن توی هارنس افتضاحن

بخاطر همونه خیلی توکن اضافه میده
ولی چه فایده وقتی هارنس خوبی نداشته باشه عملا توکن های بی مصرفی خرج میشه

همیشه جایی که دارن رایگان میدن اینو در نظر بگیرید که ضعف خیلی خیلی زیادی در یک جای دیگه داره