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

دهنت سرویس سریع اومد یه چیز امنیتی که کشف کردن داد بیرون 😂

بعد ترکیب اینه

مدل‌های Claude (از جمله Opus 4.7، Mythos 5 و یک پروتوتایپ داخلی)




https://x.com/AnthropicAI/status/2097762642958135398?s=20

Paul Christiano

ارتقای رتبه پیدا کرده در open ai که

یکی از پیشگامان اصلی rlhf

AI Engineering — Ultimate Roadmap (SAVE THIS)!

├── 01. LLM Fundamentals
│ ├── Transformers & Attention
│ ├── Inference & Decoding
│ ├── Tokenization
│ └── Context Window & Limits
│
├── 02. Prompting & Context
│ ├── Prompting & In-Context Learning
│ ├── Context Engineering
│ ├── Structured Outputs & Schemas
│ └── Constrained Decoding
│
├── 03. Representations
│ ├── Embeddings
│ ├── Similarity Search
│ ├── Vector Databases
│ └── Hybrid Retrieval
│
├── 04. RAG
│ ├── Chunking
│ ├── Hybrid Search
│ ├── Reranking
│ ├── Query Rewriting
│ └── GraphRAG
│
├── 05. Tools & Agents
│ ├── Tool / Function Calling
│ ├── Agentic Workflows
│ ├── Agent Memory & State
│ ├── MCP
│ ├── A2A / Interoperability
│ └── Human-in-the-Loop
│
├── 06. Evaluation
│ ├── Evals
│ ├── Test Datasets
│ ├── Online Metrics
│ └── Tracing & Debugging
│
├── 07. Safety
│ ├── Guardrails
│ ├── AI Security
│ └── Prompt-Injection Defense
│
├── 08. LLMOps & Serving
│ ├── Model Selection & Routing
│ ├── Caching, Latency & Cost
│ ├── vLLM / TGI
│ ├── Quantization & Batching
│ └── Production Lifecycle
│
├── 09. Adaptation
│ ├── Fine-Tuning
│ ├── PEFT
│ ├── LoRA / QLoRA
│ └── Distillation
│
├── 10. Advanced
│ ├── Multimodal AI
│ ├── Knowledge Graphs
│ ├── AI App Architecture
│ └── Product Integration

Learn to ship AI systems, not just prompt models.

بیخیال بابا
خیلی اخرالزمانی توضیح میدن 😂


https://x.com/OpenAI/status/2097786616311840853?s=20

این فرد خیلی خیلی موضوعات بروزی رو آموزش میده حتما داشته باشید
اون کورس gpu هم خیلی خوبه

#ابزار

برنامه متن باز با کارکرد مشابه لاوابل

https://www.dyad.sh/

@TheDeepTech

دیپ سیکم مدل فلش داده
DeepSeek officially released V4.1 Flash.

552B parameter MoE model,

ولی جالبیش میدونی چیه
هم دیکودر داره هم انکودر