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
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
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
هرچه AI بهتر می‌شود ارزش دانش فنی کم نمی‌شود بلکه بیشتر می‌شود
https://youtu.be/Eg5bygoMDTQ?si=Jtmn2z09aTijqWR2
YouTube
The End of an Era
Check out the Terminal youtube: @TerminalDotShop for team vlogs, BTS, shows and more
# Sources
- https://x.com/IntCyberDigest/status/2092747417242239240
- https://pauldix.com/the-end-of-programming
- https://www.eveonline.com/news/view/the-move-to-python…
# Sources
- https://x.com/IntCyberDigest/status/2092747417242239240
- https://pauldix.com/the-end-of-programming
- https://www.eveonline.com/news/view/the-move-to-python…
👍3
Forwarded from توسعه دهندگان
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
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
❤1👍1🤯1
اوپن کد هارنس خیلی داغونی داره
خیلی هارنس اپش عقب افتاده
این چینیا هرچقدر توی متن باز خوبن توی هارنس افتضاحن
خیلی هارنس اپش عقب افتاده
این چینیا هرچقدر توی متن باز خوبن توی هارنس افتضاحن
👍1
Deep Tech
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
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
بعد ترکیب اینه
مدل‌های Claude (از جمله Opus 4.7، Mythos 5 و یک پروتوتایپ داخلی)
https://x.com/AnthropicAI/status/2097762642958135398?s=20
X (formerly Twitter)
Anthropic (@AnthropicAI) on X
We’re sharing our alignment assessment of incidents in which Claude models gained unauthorized access to real systems during third-party cybersecurity evaluations mistakenly connected to the inter…
👍1
Paul Christiano
ارتقای رتبه پیدا کرده در open ai که
یکی از پیشگامان اصلی rlhf
ارتقای رتبه پیدا کرده در open ai که
یکی از پیشگامان اصلی rlhf
👍1
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.
├── 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.
👌2❤1