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

این جدید بود

552B total, 8B activated on decode, 16B activated on prefill. I have never seen a different number of parameters activated in the same model before

من دارم چکش میکنم
و خب هیچ بعید نیست برگردیم به
معماری های دیکودر انکودر

باید ببینیم مدل بعدی چینی به چه شکل خواهد بود معماریش

یکی از دلایل اصلی این بوده که moe در دیکودر یه سری مشکلات داره
حالا با اضافه کردن انکودر اون مشکل برطرف شده تا حدودی و خب قیمت هم به شدت پایین اومده
که خب batching و parallelism
بهینه میشه

در اصل انکودر اومده کمک بهینه سازی و inference ماجرا در moe

که میتونه بخشی از overheadهای routing و expert utilization را کاهش بده