Hy-Memory-30B-A3B قرار نیست یک چت‌بات باشه، بلکه یک نویسنده حافظه بلندمدت اختصاصی هست.

این
🧠 مکالمات جدید / فعالیت عامل رو می‌خونه
🎯 تصمیم می‌گیره چی واقعاً ارزش به خاطر سپردن داره
📝 شواهد رو به خاطرات دقیق و پایدار تبدیل می‌کنه
🔄 خاطرات رو وقتی واقعیت‌ها تغییر می‌کنن به‌روزرسانی می‌کنه
🗑️ از ذخیره اطلاعات نامربوط اجتناب می‌کنه
💾 بانک حافظه پایدار رو حفظ می‌کنه

چرا؟
بدون حافظه پایدار، عامل شما یا:

یک سیستم حافظه به عامل شما یک ذخیره بلندمدت فشرده می‌ده که در طول جلسات دوام می‌آره.

Hy-Memory مدلیه که تصمیم می‌گیره چی شایسته ورود به اون ذخیره‌ست.

و امروزه سیستم‌های حافظه اغلب از یک LLM عمومی برای اون کار استفاده می‌کنن.

Tencent در عوض یک متخصص پراکنده رو به طور خاص برای اون آموزش داده.

و Tencent گزارش می‌ده که اون در اون وظیفه خاص، مدل‌های مرزی رو شکست میده

🏆 Hy-Memory-30B-A3B → 55.49
Claude Opus 5 → 54.62
DeepSeek V4.1 Flash → 53.64
Qwen3.6-35B-A3B → 50.37
EverMemOS رتبه #1 اونجا با 56.89.

مشخصات
🧠 30B کل
⚡ ~3B فعال/توکن
🔓 Apache 2.0
🏠 وزن‌های باز
⚙️ vLLM + SGLang
🔌 API سازگار با OpenAI

@TheDeepTech

با REA می‌تونید از ایجنت هوش مصنوعی بخواید بررسی کنه یک قابلیت در اپلیکیشن، سایت یا نرم‌افزار چطور کار می‌کنه و بعد نسخه مشابهی از اون رو بسازه؛ حتی وقتی کد منبع برنامه در دسترس نیست! 👀
🔹 بررسی اپلیکیشن‌ها، سایت‌ها و فایل‌های اجرایی
🔹 ردیابی توابع و ارتباط بین بخش‌های مختلف برنامه
🔹 کمک به بازسازی قابلیت‌های نرم‌افزاری
🔹 سازگار با Claude Code، Codex، Cursor و ابزارهای دیگه

🌐 وب‌سایت: https://rea.tools/
💻 گیت‌هاب: https://github.com/morluto/rea


یکی از دوستان من با همین ابزار تیم اسپیک مخصوص خودش رو درست کرده و در سرورش ران و کلاینت رو استفاده میکنه و ابزار هایی مثل اشتراک گذاری و راست دسک و نمایش فیلم و ... رو هم بهش اضافه کرده .

@TheDeepTech

دیپ‌سیک مدل جدید DeepSeek-V4.1-Flash-1017 را منتشر کرد.

این نسخه نسبت به قبل عملکرد بهتری در بنچمارک‌ها دارد، کارها را سریع‌تر انجام می‌دهد و خروجی‌های کوتاه‌تری تولید می‌کند (بهبود هم‌زمان عملکرد و هزینه). مدل الان روی وب‌سایت، اپ و API در دسترس است و برای ابزارهایی مثل DeepSeek Harness بهینه‌سازی شده.

علاوه بر این:
- مدل توانایی ساخت پروژه‌های کامل از صفر (مثل بازی و مدل‌سازی سه‌بعدی) را با یادگیری تقویتی بهبود داده است.
- APIهای Search و Fetch برای همه باز شده (هر ۱۰۰۰ فراخوانی ۰.۷۵ دلار؛ تا ۳۱ اکتبر ۲۰۲۶ برای برخی کاربران رایگان است).
- مدل به‌صورت متن‌باز روی Hugging Face و ModelScope منتشر شده است.

قیمت هم فرقی نکرده :

Input 0.15 $
Output 0.60 $
Cache 0.003 $

منبع : https://x.com/deepseek_ai/status/2111375640717033777

@TheDeepTech

یه زمانی «داده‌کاری» یعنی همون کار برچسب‌گذاری داده برای آموزش هوش مصنوعی، شغل بچه‌مدرسه‌ای‌ها و آدم‌های کم‌درآمد بود. ولی حالا ورق برگشته و پزشک‌ها و وکیل‌ها هم دارن می‌ریزن وسط. مثلاً یه رادیولوژیست ساعتی ۴۰۰ دلار درمی‌آره، یه وکیل حقوق مدنی هم همین حدود، مهندس فیزیک ۱۷۰ دلار و مهندس نرم‌افزار تا ۱۲۰ دلار. لینکدین هم نقش «حاشیه‌نویس داده» رو چهارمین شغل پررشد آمریکا معرفی کرده.

ماجرا اینه که شرکت‌ها دیگه از داده‌های عمومی اینترنت سیر شدن و دنبال داده‌های تخصصی و سفارشی‌ان. مثلاً از یه رادیولوژیست می‌خوان تصاویر قفسه سینه و قلب رو برچسب‌گذاری کنه، یا از یه وکیل می‌خوان قراردادهای پیچیده رو بررسی کنه. پلتفرم‌هایی مثل «Mercor» هم حسابی راه افتادن و ارزششون داره به ۲۰ میلیارد دلار می‌رسه.

ولی یه نکته‌ی مهم: بعضی از داده‌کارهای قدیمی می‌گن کارشون سخت‌تر شده و پیدا کردن پروژه سخت‌تر. از اون طرف، بعضی پژوهشگرها می‌گن این متخصص‌ها فقط «گیلاس روی کیک»ان و بیشتر بار داده‌کاری هنوز روی دوش کارگرهای کم‌دستمزدیه. یه نگرانی دیگه هم اینه که یه روز این متخصص‌ها با مدل‌هایی که خودشون آموزش دادن جایگزین بشن. جالب اینکه متا از بهار امسال نرم‌افزاری نصب کرده که کلیک‌ها و حرکت‌های ماوس کارمنداش رو ردیابی می‌کنه تا از کار روزمره‌شون داده‌ی آموزشی بسازه. یعنی کم‌کم هر کسی که با کامپیوتر کار می‌کنه، خودش یه معدن داده‌ست.

مطالعه کامل

@TheDeepTech

#fun #فان

@TheDeepTech

#شایعه

ممکنه این مدل ها فردا از چت جی پی تی منتشر بشن .


GPT-6.2 Astar，
GPT-6.2 Sol，GPT-6.1 Luna

@TheDeepTech

OpenCode امروز صبح هک شد

یادم رفت پست کنم
ولی طبق گزارش خودشون روی ۱.۴ درصد اکانت یوزر ها موثر بوده این هک

و بهشون ایمیل شده و فورا باید کلید ای پی آیشون رو تغییر بدن
اونایی که براشون ایمیلی نیومده، لازم نیست کاری کنن

پ.ن : کدوم هکر گوسفندی دلش میاد اپن کد که اینهنه خدمت کرد رو هک کنه آخه :/

@TheDeepTech

یه مدل کدنویسی متن‌باز دیگه اومد!
شرکت Reflection AI مدل Beam رو با لایسنس Apache 2.0 داد بیرون: ۵۰۱ میلیارد پارامتر کل، فقط ۲۳ میلیارد فعال.

تو Terminal-Bench 2.1 حدود ۸۰٪ گرفته، ولی نکته اینجاست: مدل‌های دیگه برای این نتیجه ۸۰ هزار توکن مصرف می‌کنن، Beam با ۲۵ هزار توکن همین نتیجه رو می‌گیره! یعنی هم سریع‌تر هم ارزون‌تر.

ادعا هم اینه که فقط ۴ هفته روی ۱۰,۵۰۰ تا GPU انویدیا GB300 با بیش از ۱۰۰ میلیون تا تمرین RL آموزش دیده

مدل کارت : https://huggingface.co/blog/reflection-beam
وزن های مدل : https://huggingface.co/reflection/Beam-1.0-501B-A23B

@TheDeepTech

چینی‌ها بازم خبر دادن...

StepFun مدل Step 5 Preview رو وزن‌باز منتشر کرد:
۶۰۰ میلیارد پارامتر (MoE) با ۲۷ میلیارد فعال
کانتکست ۱ میلیون توکنی
دکودینگ MTP-3 که حدود ۳۰٪ سرعت رو بالا می‌بره

تو Terminal-Bench 4 هم ۳۳.۳٪ زده که از GLM-5.3 پایین‌تره، ولی اصل ماجرا اجراشه: برای FP8 حدود ۴ برابر GPU های B300 می‌خواد! یعنی footnote‌ی «وزن باز» برا اکثر ما فعلاً فقط حرف فعله

@TheDeepTech

🤖 سم آلتمن رسمی گفت: «ما صددرصد یه ربات انسانی (Humanoid) می‌سازیم»

تو مصاحبه با Fortune گفته دمو رو برای ۲۰۲۷ هدف گذاشته («یه دموی خوشگل تو ۲۰۲۷ خواهیم داشت») و در همین مدت ۲۷ تا موقعیت شغلی مرتبط با رباتیک توی OpenAI باز شده.

نکته جالب نظر خودشه: به گفته آلتمن سخت‌ترین قسمت بدنه فلزی نیست، بلکه «مغز» هوش مصنوعیه که باید ربات رو هدایت کنه. البته پیش‌بینی کرده ربات‌های انسانی هنوز چند سالی تا اومدن به خیابون‌ها فاصله دارن.

منبع

@TheDeepTech

🧠 کلود یه معمای ۲۵ ساله رمزنگاری رو ۳۰ دقیقه‌ای حل کرد!

استاندارد ECDSA که اواخر دهه ۹۰ منتشر شد یه معمای ماندگار داشت: seed های منحنی‌های NIST از کجا اومدن؟ حتی شایعه backdoor هم بین رمزنگارها بود. مدل تحقیقاتی داخلی Claude جوابشو تو کمتر از ۳۰ دقیقه پیدا کرد: با مولد قدیمی lrand48 و یه timestamp یونیکس ساخته شده بودن، نه هش یه جمله به‌یادموندنی!

پاسخش مستقل بازتولید شده و جایزه ۳۶,۸۶۴ دلاری ماجرا هم به Internet Security Research Group اهدا شده. (۴ تا از seed ها هنوز مجهولن)

در همین راستا Claude ۸ مدار کوانتومی رو هم بازطراحی کرده که تا ۱۷ برابر گیت کمتری مصرف می‌کنن.

منبع

@TheDeepTech

اگه مطالب این چنل به دردت می‌خوره، با یه ری‌اکت حمایت کنید و لینکشو برای دوستاتون بفرستید 🙏

فعالیت چنل به همین حمایت‌ های کوچیکه🤗

@TheDeepTech

🐰 معمای «Space Bunny» بالاخره باز شد!

یادتون هست؟ حدود ۳ هفته پیش یه مدل ناشناس به اسم Space Bunny Alpha مجانی ظاهر شد روی OpenRouter و OpenCode: کانتکست ۱ میلیون توکنی، ورودی تصویر و ویدیو، و Zero Data Retention. تا یه روز بعدش صدرنشین جدول مصرف روزانه OpenCode شد و همه داشتند حدس می‌زدند زیر این نقاب کیه!

امروز (۱۹ اکتبر) حساب رسمی MiniMax با یه ویدیوی کوتاه و کپشن «Welcome back, Space Bunny 🚀» رسماً تأیید کرد: Space Bunny همون نسخه اولیه MiniMax-M3.1-Flash بوده! جالبه که جامعه خودش قبل از اعلام رسمی با تست توکنایزر و اثر انگشت مدل، هویتش رو حدس زده بود.

خلاصه ماجرا:
🔻 ۲۳ سپتامبر: ظهور ناشناس و رایگان روی OpenRouter/OpenCode
🔻 ۲۷ سپتامبر: شروع بی‌سروصدای M3.1-Flash-Preview در MiniMax Code
🔻 امروز (۱۹ اکتبر): اعلام رسمی و تغییر نام به M3.1 Flash

انگار استراتژی جدید شرکت‌های چینی شده: اول بذار مردم رایگان تست کنن، بعد اسم برند رو بذار روش 😄

منبع

@TheDeepTech

📊 حالا بریم برا مشخصات MiniMax M3.1 Flash

معماری:

🧠 یک MoE با ۴۲۸ میلیارد پارامتر کل که فقط ~۲۳ میلیاردش برای هر توکن فعاله
🔭 کانتکست ۱ میلیون توکنی (خروجی تا ۵۲۴ هزار توکن!)

🖼 ورودی متن، تصویر و ویدیو

🤔 تفکر همیشه روشنه با ۵ سطح تلاش (low تا max که پیش‌فرضه) — خاموش کردنش ارور ۴۰۰ میده!


عملکرد: فعلاً جدول بنچمارک رسمی و کامل برای M3.1 Flash منتشر نشده؛ عدد و رسمی امروزش (تو چارت خود MiniMax) حدود ۷۹٪ در DeepSWE v1.1 reported شده. برای مقایسه، نسل قبلی خانواده (M3) تو SWE-Bench Pro نمره ۵۹٪ و Terminal-Bench 2.1 نمره ۶۶٪ گرفته بود.

اما بهتر از بنچمارک، تست واقعیه: مدل ۱۲ روز متوالی پرمصرف‌ترین مدل OpenCode بود و ۱۰۶ ترلیون توکن فقط اونجا سرو شده! سرعتش هم ادعای سازنده حدود ۱۵۰ توکن بر ثانیه‌ست — حالا چیزی که کاربرها می‌گن تو سطح low سریع‌تر از باد و تو max خیلی کنده 😅

💰 قیمت رسمی هنوز اعلام نشده، ولی وزن‌های مدل قراره ۲۳ اکتبر منتشر بشن و تا ۳ روز آینده هم مجانیه روی OpenCode.

منبع

@TheDeepTech