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

آنتروپیک گفته کاربرایی که به مدلاش توهین میکنه رو بن میکنه

قوانین حریم خصوصی مثل GDPR بر این فرض ساده استوارند که داده شخصی در یک پایگاه داده ذخیره شده و شرکت می‌تواند آن را پیدا و حذف کند. این فرض درباره دیتابیس‌های معمولی درست است، اما وقتی همان داده برای آموزش یک LLM استفاده شده باشد دیگر کار نمی‌کند. مدل‌ها اطلاعات را مثل رکورد نگه نمی‌دارند؛ داده در میان میلیاردها پارامتر پخش می‌شود و نمی‌توان سهم یک فرد خاص را جدا کرد یا حذف تمیزی انجام داد.

راه‌حل‌های موجود گران و ناقص‌اند. آموزش کامل مدل از صفر و بدون داده آن فرد تنها راهی است که از نظر قانونی قابل دفاع به نظر می‌رسد، ولی هزینه‌اش میلیون‌ها دلار و هفته‌ها محاسبات است. روشی به نام machine unlearning هم تلاش می‌کند تأثیر داده خاص را بدون آموزش مجدد کم کند، اما تحقیقات نشان می‌دهد این روش تقریبی است و اثبات کامل حذف هنوز مسئله‌ای حل‌نشده است.

بسیاری از شرکت‌ها فعلاً داده شخصی را داخل مدل نمی‌پزند و آن را در یک دیتابیس معمولی نگه می‌دارند و هنگام پاسخ‌دهی از آن استفاده می‌کنند؛ این روش RAG نام دارد. این کار برای سیستم‌های جدید مفید است، اما برای مدل‌هایی که قبلاً با داده‌های جمع‌آوری‌شده از اینترنت آموزش دیده‌اند کمکی نمی‌کند. مقامات حفاظت از داده اروپا پرونده‌هایی باز کرده‌اند. شرکت‌ها به فیلتر خروجی اشاره می‌کنند، مثلاً اینکه مدل نام کسی را بازتولید نکند، ولی نظارتی‌ها قانع نشده‌اند، چون جلوگیری از خروجی با پاک شدن داده از وزن‌های مدل فرق دارد. در پرونده‌های جدید استدلال می‌شود که اگر مدل بدون رضایت با داده شخصی آموزش دیده باشد، خودِ این کار نقض قانون است، حتی اگر خروجی مشکلی نداشته باشد. اگر دادگاه‌ها این نظر را بپذیرند، ممکن است شرکت‌ها فقط جریمه نشوند و دستور داده شود مدل از نو آموزش ببیند یا از کار بیفتد.

#آموزشی

@TheDeepTech

یک تغییر اساسی در ورژن جدید جاوا .

@TheDeepTech

هوش مصنوعی متن باز انویدیا صوتی که میتونه در لحظه جواب بده و با قابلیت معماری دو‌جریانی (Dual-Stream) این کار اتفاق میافته . مکالمه‌ای با قابلیت Full-Duplex که می‌تونه هم‌زمان گوش بده و صحبت کنه.
نام این مدل منتشر شده : PersonaPlex-7B


@TheDeepTech

پست جدید کارپاتی که خیلی دست به دست شد امروز :
https://x.com/karpathy/status/2109361546505966046?s=20

خلاصه :
شکاف درک مردم از قدرت واقعی LLMها داره خیلی عمیق‌تر می‌شه و شکل قیف پیدا کرده:

۶ میلیارد نفر (~۷۵٪): تقریباً هیچ تماسی با LLM نداشته‌اند.
۱–۲ میلیارد نفر (~۲۰٪): کاربر گاه‌به‌گاه نسخه رایگان ChatGPT. فقط چت‌بات ساده و کمی بهتر از گوگل می‌بینند.
حدود ۲۰ میلیون نفر (۰.۲٪): حرفه‌ای‌های حوزه کد و ریاضی که با مدل‌های frontier کار می‌کنند و می‌بینند پروژه‌های چند هفته‌ای در چند ساعت انجام می‌شود.
حدود ۵ هزار نفر (۰.۰۰۰۰۶٪): کسانی که به سیستم‌های داخلی frontier دسترسی دارند و چیزهایی مثل swarmهای هزاران agent، کشف آسیب‌پذیری، پیشرفت ریاضی و علم را از نزدیک می‌بینند.

دلیل این شکاف:

تأثیر فقط وقتی بزرگ می‌شود که مسئله بزرگ و پیچیده باشد.
قابلیت‌ها «دندانه‌دار» هستند (در کد و ریاضی خیلی قوی‌ترند چون قابل‌تأیید و پول‌ساز هستند).
سطح دسترسی (رایگان / پولی / داخلی).

نتیجه: عموم مردم هنوز چت‌بات ساده می‌بینند، اکثر حرفه‌ای‌ها فقط کمی پیشرفت حس می‌کنند، و عده خیلی کمی دارند منحنی عمودی را تجربه می‌کنند — و همه این‌ها هم‌زمان در حال وقوع است.

@TheDeepTech

مدل‌های Decision (تصمیم‌گیر) هم بیشتر افتادن رو دور و هرکی برا خودش یکی ساخته

آمازون
مایکروسافت
کلودفلر
و چندتای دیگه ...

پ.ن : اون ستون مشکی، jev (open ai) هست

اگه دقت کنید اکثر مدل ها، پایشون qwen 27b هست

منبع

@TheDeepTech

متا سر کیسه رو شل کرد🔥

۱ میلیارد توکن muse spark 1.3 دائمی رایگان به کاربرانی که بقیه رو دعوت کنن (با کد دعوت) میده

فقط کافیه یک اکانت فیس بوک بزنید و ثبت نام کنید باهاش، بعد توی قسمت invite,‌کد دعوت رو وارد کنید

کد دعوت رو هم تا ۴۸ ساعت بعد از ساخت اکانت وقت دارید بزنید

در ضمن اگه ارورهایی از قبیل تایید سن و whitelist و این حرفا گرفتید، به احتمال زیاد از ip تون هست (وی پی ان آمریکا بزنید)

@TheDeepTech

25 دلار رایگان ای پی آی مدل های glm 5.3 flash و deepseek v4.1 flash

نیاز به احراز هویت با شماره تلفن داره (شماره ایرانی رو قبول میکنه - کد رو به تلگرام میفرسته)

https://console.river.ai/

@TheDeepTech

Gemini 4 Argon

اکانت پرو میخواد
به api ها هم اد شده

در حال حاصر توی ai studio و antigravity اد شده
آی پی USA هم لازم داره

@TheDeepTech

تست شده .

در opencode با تغییر آی پی میتونید لیمیت رو دور بزنید .

من از ویندسکرایب تست کردم با آی پی سرور خودم استفاده کردم بعد با کشور هلند ویندسکرایب ادامه کار انجام شد .

@TheDeepTech

🟣 چرا همه وب‌سایت‌های هوش مصنوعی «بنفش» شده‌اند؟!

اگر از ChatGPT یا Claude بپرسید برایتان Landing Page بسازد، تمام دکمه‌ها و المان‌ها بنفش می‌شوند! دلیلش یک کلاس ساده CSS به نام bg-indigo-500 در Tailwind است.

داستان چه بود؟
آدام واثن (خالق Tailwind) در پستی طنز در X نوشت:

عذرخواهی می‌کنم که ۵ سال پیش رنگ دکمه‌های دمو در Tailwind UI را روی bg-indigo-500 گذاشتم؛ همین باعث شده امروز تمام UIهای تولیدشده توسط AI بنفش شوند!

چطور این اتفاق افتاد؟
۱. خالق Tailwind رنگ نیلی/بنفش را برای نمونه‌ها انتخاب کرد.
۲. میلیون‌ها برنامه‌نویس همین کدهای آماده را کپی کردند.
۳. هوش مصنوعی روی کدهای وب آموزش دید و فرض کرد «دکمه یعنی بنفش!»
۴. حالا AI هر صفحه‌ای می‌سازد، بنفش با فونت Inter و گوشه‌های گرد است!

یک تصمیم ساده طراحی، تبدیل به الگوی ذهنی هوش مصنوعی برای وب شد! 😄

#چرا
@TheDeepTech

اگه از این سبک پست ها خوشتون میاد ری اکت بزنید، بازم میزارم🤗🤗