پشم ریزون ترین چیزی که از این مدل میدونیم، اینه که میتونه تا ۱ میلیون توکن جنریت کنه (بقیه مدل های فرونتیر، ۱۲۸k توکنی هستن)

خلاصه پست کارپاتی:

ما باید وقت بیشتری صرف فهمیدن خروجی‌های LLM کنیم. چند پیشنهاد عملی:

1. نوشتن تمیز: از مدل بخواه با زبان کنترل‌شده ASD-STE100 بنویسد (سبک خیلی واضح و خوانا).
2. نمودار و تصویر: به جای متن طولانی، نمودار بساز.
3. صفحه وب HTML: خروجی تعاملی و زیبا بخواه.
4. ویدیوی توضیحی: بهترین گزینه از نظر او — ویدیوهای سفارشی به سبک 3Blue1Brown (با صداگذاری).

نکته اصلی:
هرچه مدل‌ها قوی‌تر شوند، کار سخت را خودشان انجام می‌دهند و کار ما بیشتر به «نظارت و فهمیدن» تبدیل می‌شود. خود LLMها هم می‌توانند ابزارهای کمکی (اپ وب، ویدیو و غیره) بسازند که قبلاً ساختن‌شان منطقی نبود.

@TheDeepTech

مدل تصویر ساز Ideogram 4.5 منتشر شد ...

نقطه قوت اصلیش اینه که می‌تونی یک تصویر رو چندین بار ادیت کنی، بدون اینکه با هر تغییر، جزئیات تصویر به‌هم بریزه یا آرتیفکت و تغییر رنگ اضافه بشه.

توی تست‌های مقایسه‌ای خود Ideogram، مدل 4.5 بعد از چند مرحله ادیت همچنان تصویر رو تمیز نگه می‌داره، درحالی‌که خروجی بعضی مدل‌های رقیب بعد از چند ادیت افت محسوسی پیدا می‌کنه.

قیمت API هم بسته به Quality Mode از ۰.۸ سنت تا ۲۲ سنت برای هر تصویر اعلام شده.

فعلاً داخل Ideogram و API در دسترسه و نسخه Open Weights هم قراره منتشر بشه.

تحلیلش باشه با حسین ... 🫡

Vibe code❌
Vibe copy+paste✅

یه چیزی که خیلی وایب کدرا فراموش میکنن، observation هست
قاعدتا اگه انجامش ندید، باگ هم میگیرید

یک مدل جدید به اسم Kolibri-1 اومده
78B پارامتر داره
و نکته اصلی اینجاست که مدل آلمانی هست
از صفر pretrain شده
تقریبا هم سطح GPT-OSS 120B توی بنچمارک ها

دیتاستی که برای Train مدل استفاده کرردن، چیزی حدود 25 تریلیون توکن بوده که حجم قابل توجهی ازش به زبان آلمانی بوده
و همینطور حجم زیادی هم دیتای کدینگ برای آموزش مدل استفاده شده

کانتکس مدل هم 1 میلیون توکن هست

معماری هم هیبرید 4:1 SWA:GQA هست

جالب ترین نکته هم اینجاست که ستاپی که برای آموزش مدل استفاده کردن رو هم منتشر کردن
768 تا B200 به مدت 21 روز فقط برای pretrain
برای mid train + post train هم چیزی حدود 6 روز دیگه اضافه میشه بهش

این حجم از open کار کردن این مدل رو خیلی خوشم اومد (البته که مدل stableLM حتی از اینم باز تر بود اگه یادتون باشه)

جزیئات بیشتر

@TheDeepTech

از مدل ها پرسیدن که مثلا مختصات جغرافیه ۵۰ درجه شمالی و ۱۰ درجه عرضی خشکی هست یا آب؟

اینکارو ۱۶۲۰۰ بار تکرار کردن و هر بار یک نقطه متفاوت رو دادن

بعد خروجی رو تبدیل به تصویر کردن
خروجی هر مدل به این شکل که میبیند در اومده

یه جورایی میشه گفت بنچمارکی برا knowlage مدل هست (دانشی که داره)

کارپاتی هم میگه این آزمایش نشون میده مدل‌ها واقعا دنیا رو از داده‌ها یاد گرفتن

@TheDeepTech

تا ده روز دیگه میتونید استفاده کنید در cline مدل
ling 3.1 flash

ایشالا از فردا

هوش مصنوعی❌
ابر هوش✅

کد ملیتو زدی تو آیدیت ؟!

وضیعت اینترنت معلومه بد خراب شده
👍👎

🔴 گوگل از ۹ اکتبر ۲۰۲۶ دسترسی به مدل‌های Gemini را تغییر می‌دهد (برای حساب‌های شخصی)

🟨 کاربران رایگان فقط به Flash-Lite دسترسی خواهند داشت.
🟨 مشترکین AI Plus دسترسی به مدل‌های Pro را از دست می‌دهند و فقط Flash خواهند داشت.
🟨 مشترکین AI Pro و AI Ultra همچنان به مدل‌های Pro دسترسی دارند.

🟢 تغییرات برای کاربران بدون اشتراک از ۹ اکتبر اعمال می‌شود و برای مشترکین AI Plus از طریق ایمیل اطلاع‌رسانی خواهد شد.

🔴 خلاصه بخوام بگم :
بدون اشتراک: فقط Flash-Lite دارد، Flash ندارد، Pro ندارد.
پلاس : Flash-Lite و Flash دارد، Pro ندارد.
پرو : Flash-Lite، Flash و Pro دارد.
الترا : Flash-Lite، Flash و Pro دارد.

منبع

@TheDeepTech

میسترال از مدل جدیدش رونمایی کرد: Mistral Large 4

🟨 ۱ تریلیون پارامتر، چندوجهی بومی (natively multimodal) و فقط ۴۹ میلیارد پارامتر فعال

🟢 بهترین مدل open weights از آمریکا یا اروپا در بنچمارک‌های تجمیعی

🟢 عملکرد سطح‌بالا در حوزه‌های حیاتی مثل دفاع سایبری، تولید و مالی؛ و حتی از مدل‌های بسته frontier در visual grounding بهتر عمل می‌کند

🟢 کاملاً در اروپا ساخته شده و از طریق زیرساخت ابری خود میسترال قابل استقرار در اروپاست

🟢از همین امروز از طریق API در دسترس همه قرار گرفته و با شرکای امنیت سایبری هم به‌صورت خصوصی همکاری می‌کند

وزن‌های باز مدل تا پایان اکتبر منتشر می‌شود.

منبع

@TheDeepTech

ابر هوش رو مشاهده میکنید

🔥 معرفی EmbeddingGemma 2 — مدل امبدینگ چندوجهی گوگل!

EmbeddingGemma 2 جدیدترین مدل امبدینگ گوگل دیپ مایند هست که با معماری Gemma 4 ساخته شده و می‌تونه متن، کد، تصویر، ویدیو و صدا رو همزمان پردازش کنه! 🚀

📊 مشخصات فنی:
• پارامترهای کلیدی: 740 میلیون (کامل چندوجهی)
• فضای برداری: 768 بعدی (قابل کاهش تا 128 با Matryoshka)
• بستر اجرا: Gemma 4 decoder architecture
• پشتیبانی از 100+ زبان
• پنجره متنی: 8,192 توکن

🎯 قابلیت‌های کلیدی:
✅ جستجوی معنایی چندوجهی (متن↔تصویر، متن↔ویدیو، متن↔صدا)
✅ RAG محلی روی دستگاه‌های مصرفی
✅ کد سرچ هوشمند
✅ دسته‌بندی و خوشه‌بندی صفر-shot

📈 نتایج بنچمارک:
• MTEB Code: 78.68 NDCG@10 (+14% نسبت به نسخه قبل)
• MIEB Image: 64.64 Multiple
• MAEB Audio: 69.54 MRR@10

💡 نکته مهم: حتی با کاهش ابعاد تا 256d هم کیفیت نزدیک به حالت اصلی حفظ میشه (~3x صرفه‌جویی در فضا!)

🔗 منبع: Google DeepMind / ai.google.dev

#EmbeddingGemma2 #GoogleDeepMind #AI #Multimodal #RAG #OpenSource

@TheDeepTech

اگر برنامه‌نویس یا علاقه‌مند به هوش مصنوعی هستید، این ۵ کار فوق‌العاده رو می‌تونید باهاش انجام بدید:

🔍 ۱. جستجوی پیشرفته متقاطع (Cross-Modal Search)
دیگه نیازی نیست برای عکس‌ها یا ویدیوها کپشن متنی بنویسید تا سرچ بشن! می‌تونید یه جمله بنویسید (مثلاً: "پیدا کردن ویدیویی که بارون میاد") و هوش مصنوعی بدون هیچ متنی، خودِ ویدیو یا عکس مربوطه رو از دیتابیس شما پیدا می‌کنه. حتی می‌تونید با فرستادن یک ویس (صدا)، عکس یا متنِ مرتبط با اون رو جستجو کنید!

🧠 ۲. ساخت چت‌بات‌های همه‌فن‌حریف (Multimodal RAG)
چت‌بات‌های سازمانی قدیمی فقط می‌تونستند متن‌های یک سند رو بخونن و جواب بدن. حالا با این مدل می‌تونید سیستمی بسازید که جواب سوال کاربر رو همزمان از دل نمودارهای داخل یک PDF، مکالمات صوتی ضبط‌شده جلسات، و ویدیوهای آموزشی بیرون بکشه و دقیق‌ترین پاسخ رو تحویل بده.

🗂️ ۳. دسته‌بندی هوشمند انواع فایل‌ها (Clustering)
تصور کنید میلیون‌ها فایل ترکیبی دارید. این مدل می‌تونه همه رو بر اساس "مفهوم" دسته‌بندی کنه. مثلاً تمام فایل‌های مربوط به "شکایت مشتری" رو (چه ایمیل متنی باشه، چه ویس تلفنی ضبط‌شده و چه عکس از محصول خراب) شناسایی می‌کنه و توی یک پوشه مشترک می‌ذاره.

🎭 ۴. تحلیل حس و حال (Sentiment Analysis) چندوجهی
به جای اینکه اول صدا یا ویدیو رو به متن تبدیل کنید و بعد حس کاربر رو بسنجید، این مدل مستقیماً لحن، میزان فوریت و احساسات موجود در فایل‌های صوتی یا ویدیوها رو بدون از دست رفتن جزئیات تحلیل می‌کنه.

📸 ۵. درک ورودی‌های ترکیبی
مجبور نیستید فقط یک فرمت بفرستید! می‌تونید ترکیبی از عکس و متن رو همزمان به سیستم بدید؛ مثلاً عکس یک لباس به همراه توضیحات متنی اون رو به یک کد ریاضی واحد تبدیل کنید تا سیستم ارتباط عمیق بین تصویر کالا و مشخصاتش رو متوجه بشه (پایه و اساس موتورهای جستجوی تصویری لباس و کالا).

https://x.com/Google/status/2105388143902175529

آقا چیزی نمونده به gemini 4
عمومی که بشه، جزیئاتش رو میگم

اینترنت یه جوریه که انگار میخوان قطع کنن، ولی روشون نمیشه