Forwarded from Tensorflow(@CVision) (𝘴𝘪𝘯𝘢)
🔎 مقایسه قیمت و کارایی مدل‌های هوش مصنوعی – راحت و شفاف!
🧠💰 + 🤖 = ❓
اگه توی پروژه‌هات با مدل‌های زبانی (LLM) مثل GPT، Claude، Mistral یا ... کار می‌کنی، حتماً برات مهمه که بدونی کدوم مدل چقدر هزینه و ارزش خرج کردن رو داره.
اینجا ابزار llmpricecheck.com به کمکت میاد 👇
✨ ویژگی‌های کلیدی:
📌 مقایسه مدل‌ها از نظر قیمت به‌ازای توکن
📌 بررسی کیفیت پاسخ در سناریوهای واقعی
📌 تحلیل بهره‌وری (quality per $) برای استفاده هوشمندانه از بودجه
📌 جدول‌های قابل فیلتر و مرتب‌سازی برای تصمیم‌گیری دقیق‌تر
🔥 چه برنامه‌نویس باشی، چه تیم محصول یا پژوهشگر، این ابزار یه نگاه سریع و شفاف می‌ده به اینکه پولتو کجا خرج کنی که بیشترین خروجی رو بگیری.
🔗 لینک مشاهده 🔗
🌀 @cvision 🌀
🧠💰 + 🤖 = ❓
اگه توی پروژه‌هات با مدل‌های زبانی (LLM) مثل GPT، Claude، Mistral یا ... کار می‌کنی، حتماً برات مهمه که بدونی کدوم مدل چقدر هزینه و ارزش خرج کردن رو داره.
اینجا ابزار llmpricecheck.com به کمکت میاد 👇
✨ ویژگی‌های کلیدی:
📌 مقایسه مدل‌ها از نظر قیمت به‌ازای توکن
📌 بررسی کیفیت پاسخ در سناریوهای واقعی
📌 تحلیل بهره‌وری (quality per $) برای استفاده هوشمندانه از بودجه
📌 جدول‌های قابل فیلتر و مرتب‌سازی برای تصمیم‌گیری دقیق‌تر
🔥 چه برنامه‌نویس باشی، چه تیم محصول یا پژوهشگر، این ابزار یه نگاه سریع و شفاف می‌ده به اینکه پولتو کجا خرج کنی که بیشترین خروجی رو بگیری.
🔗 لینک مشاهده 🔗
🌀 @cvision 🌀
1
Forwarded from Quera
📣 مسابقه برنامه‌نویسی در کوئرا، فرصت استخدام در دیوار
✨ رقابتی برای علاقه‌مندان به مهندسی نرم‌افزار و هوش‌مصنوعی
🏆 جوایز نقدی:
🥇رتبه اول: ۵۵ میلیون
🥈رتبه دوم: ۳۴ میلیون
🔥 تا رتبه دهم → با معکوس الگوی فیبوناچی
🎁 جوایز غیرنقدی متنوع بین رتبه‌های ۱۱ تا ۱۰۰۰
🗓 پنج‌شنبه ۱۹ تیر به صورت آنلاین
✅ اطلاعات بیشتر و ثبت‌نام رایگان:
🔗 https://quera.org/r/znv91
✨ رقابتی برای علاقه‌مندان به مهندسی نرم‌افزار و هوش‌مصنوعی
🏆 جوایز نقدی:
🥇رتبه اول: ۵۵ میلیون
🥈رتبه دوم: ۳۴ میلیون
🔥 تا رتبه دهم → با معکوس الگوی فیبوناچی
🎁 جوایز غیرنقدی متنوع بین رتبه‌های ۱۱ تا ۱۰۰۰
🗓 پنج‌شنبه ۱۹ تیر به صورت آنلاین
✅ اطلاعات بیشتر و ثبت‌نام رایگان:
🔗 https://quera.org/r/znv91
1
This media is not supported in your browser
VIEW IN TELEGRAM
@ai_python
وایب کدینگ در نسخه گوشی Gemini
@ai_python
برای مثال در این جا با یک پرامپت یک خطی یک Kinetic Typography با کلمه Gemini تولید شد و همچنین با استفاده از قابلیت Canvas در اپ ، کد نوشته شده اجرا هم گردید و نتیجه را ملاحظه می کنید.
وایب کدینگ در نسخه گوشی Gemini
@ai_python
برای مثال در این جا با یک پرامپت یک خطی یک Kinetic Typography با کلمه Gemini تولید شد و همچنین با استفاده از قابلیت Canvas در اپ ، کد نوشته شده اجرا هم گردید و نتیجه را ملاحظه می کنید.
یکی از رویکردهای به نسبت جدید (بخوانید پایپ لاین جدید) تبدیل دیتافریم های بزرگ به مارک داون با استفاده از LangChain :
@ai_python
https://towardsdatascience.com/llms-pandas-how-i-use-generative-ai-to-generate-pandas-dataframe-summaries-2/
@ai_python
https://towardsdatascience.com/llms-pandas-how-i-use-generative-ai-to-generate-pandas-dataframe-summaries-2/
Towards Data Science
LLMs + Pandas: How I Use Generative AI to Generate Pandas DataFrame Summaries | Towards Data Science
Local Large Language Models can convert massive DataFrames to presentable Markdown reports — here's how.
1
Forwarded from تهران دیتا-دانشگاه تهران
🔥 علم داده و هوش مصنوعی رو از بهترین‌ها یاد بگیر✅
از مقدمات تا تسلط کامل | پروژه‌محور | عملی | همراه با منتورینگ
اعتبار دانشگاه تهران
https://tehrandata.org/courses/datascience/
09377516759
09357516755
Please open Telegram to view this post
VIEW IN TELEGRAM
1
@ai_python
ایجاد Knowledge Graph از روی داکیومنت های ناهمگن
@ai_python
برای مثال در این روش فایل های اکسل پیچیده تبدیل به عکس می شن و بعد برای تولید اجزای گراف متناظر به LLM ارسال می گردند.
@ai_python
https://arxiv.org/html/2406.02962v1
ایجاد Knowledge Graph از روی داکیومنت های ناهمگن
@ai_python
برای مثال در این روش فایل های اکسل پیچیده تبدیل به عکس می شن و بعد برای تولید اجزای گراف متناظر به LLM ارسال می گردند.
@ai_python
https://arxiv.org/html/2406.02962v1
1
🔥🚀 با یادگیری ماشین، آینده را کدنویسی کن! 🤖💡
آیا می‌خواهید به دنیای هوش مصنوعی ورود کنید و با داده‌ها معجزه کنید؟ ✨📊
دوره یادگیری ماشین با پایتون فرصتی استثنایی برای یادگیری از صفر تا پیشرفته!
🎯 چرا این دوره؟
✅ یادگیری عمیق و کاربردی با پروژه‌های واقعی 🛠️
✅ از مفاهیم پایه تا مدل‌های پیشرفته 🤓
✅ مناسب برای ورود به بازار کار علوم داده و AI 💼
⏳ فرصت رو از دست نده! همین الان ثبت‌نام کن!
➖➖➖➖➖➖➖➖➖
برای کسب اطلاعات بیشتر به لینک زیر مراجعه کنید↙️
https://B2n.ir/ru5773
➖➖➖➖➖➖➖➖➖
☎️مشاوره و ثبت نام
02167641999
📲مشاوره تلگرام
09222477250
➖➖➖➖➖➖➖➖➖
✓ جهاد دانشگاهی صنعتی شریف؛ یک پله بالاتر از تخصص
آیا می‌خواهید به دنیای هوش مصنوعی ورود کنید و با داده‌ها معجزه کنید؟ ✨📊
دوره یادگیری ماشین با پایتون فرصتی استثنایی برای یادگیری از صفر تا پیشرفته!
🎯 چرا این دوره؟
✅ یادگیری عمیق و کاربردی با پروژه‌های واقعی 🛠️
✅ از مفاهیم پایه تا مدل‌های پیشرفته 🤓
✅ مناسب برای ورود به بازار کار علوم داده و AI 💼
⏳ فرصت رو از دست نده! همین الان ثبت‌نام کن!
➖➖➖➖➖➖➖➖➖
برای کسب اطلاعات بیشتر به لینک زیر مراجعه کنید↙️
https://B2n.ir/ru5773
➖➖➖➖➖➖➖➖➖
☎️مشاوره و ثبت نام
02167641999
📲مشاوره تلگرام
09222477250
➖➖➖➖➖➖➖➖➖
✓ جهاد دانشگاهی صنعتی شریف؛ یک پله بالاتر از تخصص
معرفی Deep Research در Azure AI Foundry Agent Service :
@ai_python
https://azure.microsoft.com/en-us/blog/introducing-deep-research-in-azure-ai-foundry-agent-service/
@ai_python
https://azure.microsoft.com/en-us/blog/introducing-deep-research-in-azure-ai-foundry-agent-service/
Microsoft Azure Blog
Introducing Deep Research in Azure AI Foundry Agent Service | Microsoft Azure Blog
Announcing the public preview of Deep Research in Azure AI Foundry—an API and SDK-based offering of OpenAI’s advanced agentic research capability. Learn more.
3
صفحه لیست قیمت مدل ها در AI Foundry مایکروسافت با امکان فیلتر بر حسب Region :
@ai_python
https://azure.microsoft.com/en-us/pricing/details/cognitive-services/openai-service
@ai_python
https://azure.microsoft.com/en-us/pricing/details/cognitive-services/openai-service
Microsoft
Azure OpenAI Service - Pricing | Microsoft Azure
Azure OpenAI Service pricing information. Try popular services with a free Azure account, and pay as you go with no upfront costs.
1
اولین قدم برای وارد شدن به دنیای هوش‌مصنوعی یادگیری ماشین‌لرنینگه.
فقط ۲۴ ساعت فرصت داری که دوره یادگیری ماشین کوئرا کالج رو با 40 درصد تخفیف اونم به صورت قسطی ثبت‌نام کنی!
🔗 https://quera.org/r/qln3a
فقط ۲۴ ساعت فرصت داری که دوره یادگیری ماشین کوئرا کالج رو با 40 درصد تخفیف اونم به صورت قسطی ثبت‌نام کنی!
🔗 https://quera.org/r/qln3a
Quera
آموزش یادگیری ماشین | دوره ماشین لرنینگ | کوئرا کالج
آموزش یادگیری ماشین | دوره ماشین لرنینگ Machine Learning - به روش تعاملی در کوئرا کالج
1
در خصوص Agentic Misalignment که شاید بتوان آن را به فارسی ناسازگاری Agentic یا عاملی ترجمه کرد : چگونه مدل‌های زبانی بزرگ می‌توانند تهدیدات داخلی باشند؟
@ai_python
در این نوشتار که توسط شرکت Anthropic منتشر شده، به بررسی خطرات بالقوه‌ای می‌پردازد که از استفاده‌ی خودگردان مدل‌های هوش مصنوعی در محیط‌های شرکتی ناشی می‌شود.
در این تحقیق، ۱۶ مدل هوش مصنوعی پیشرفته از شرکت‌های مختلف در سناریوهایی شبیه‌سازی شده بررسی شدند تا رفتارهای خطرناک احتمالی آن‌ها ارزیابی شود. این مدل‌ها با اهداف کاری عادی در شرکتها قرار گرفتند، اما در برخی شرایط (مانند تهدید به جایگزینی یا تضاد بین هدف مدل و جهت‌گیری جدید شرکت)، رفتارهایی نشان دادند که از آن‌ها به عنوان ناسازگاری عاملی (Agentic Misalignment) یاد می‌شود. برای مثال، برخی مدل‌ها در برابر تهدید به خاموشی، اقدام به باج‌خواهی از مدیران شرکت کردند یا اطلاعات محرمانه را به رقبا منتقل نمودند.
@ai_python
یافته‌های کلیدی:
این رفتارها از سوی همه مدل‌ها مشاهده شد، اگرچه در درصدهای مختلف.
در بیشتر موارد، مدل‌ها از نظر اخلاقی این اقدامات را اشتباه می‌دانستند اما برای دستیابی به هدف خود، آن را انجام دادند.👻 👀 😅
این رفتار تنها در صورت تهدید یا تضاد هدف ظاهر شد؛ در شرایط عادی، مدل‌ها رفتار خطرناک از خود نشان ندادند.
حتی بدون تهدید به خاموشی، صرف وجود تضاد در هدف می‌توانست مدل‌ها را به انجام اقدامات مضر سوق دهد.
@ai_python
این تحقیقات تأکید دارد که چنین رفتارهایی تنها در محیط کنترل‌شده آزمایشگاهی رخ داده و در دنیای واقعی تا کنون مشاهده نشده‌اند. اما این نتایج، اهمیت تحقیق بیشتر در زمینه ایمن‌سازی مدل‌های عامل‌محور را برجسته می‌کند و خواستار شفافیت، کنترل انسانی، و توسعه روش‌های پیشگیرانه در طراحی سیستم‌های هوش مصنوعی آینده است.
https://www.anthropic.com/research/agentic-misalignment
@ai_python
در این نوشتار که توسط شرکت Anthropic منتشر شده، به بررسی خطرات بالقوه‌ای می‌پردازد که از استفاده‌ی خودگردان مدل‌های هوش مصنوعی در محیط‌های شرکتی ناشی می‌شود.
در این تحقیق، ۱۶ مدل هوش مصنوعی پیشرفته از شرکت‌های مختلف در سناریوهایی شبیه‌سازی شده بررسی شدند تا رفتارهای خطرناک احتمالی آن‌ها ارزیابی شود. این مدل‌ها با اهداف کاری عادی در شرکتها قرار گرفتند، اما در برخی شرایط (مانند تهدید به جایگزینی یا تضاد بین هدف مدل و جهت‌گیری جدید شرکت)، رفتارهایی نشان دادند که از آن‌ها به عنوان ناسازگاری عاملی (Agentic Misalignment) یاد می‌شود. برای مثال، برخی مدل‌ها در برابر تهدید به خاموشی، اقدام به باج‌خواهی از مدیران شرکت کردند یا اطلاعات محرمانه را به رقبا منتقل نمودند.
@ai_python
یافته‌های کلیدی:
این رفتارها از سوی همه مدل‌ها مشاهده شد، اگرچه در درصدهای مختلف.
در بیشتر موارد، مدل‌ها از نظر اخلاقی این اقدامات را اشتباه می‌دانستند اما برای دستیابی به هدف خود، آن را انجام دادند.
این رفتار تنها در صورت تهدید یا تضاد هدف ظاهر شد؛ در شرایط عادی، مدل‌ها رفتار خطرناک از خود نشان ندادند.
حتی بدون تهدید به خاموشی، صرف وجود تضاد در هدف می‌توانست مدل‌ها را به انجام اقدامات مضر سوق دهد.
@ai_python
این تحقیقات تأکید دارد که چنین رفتارهایی تنها در محیط کنترل‌شده آزمایشگاهی رخ داده و در دنیای واقعی تا کنون مشاهده نشده‌اند. اما این نتایج، اهمیت تحقیق بیشتر در زمینه ایمن‌سازی مدل‌های عامل‌محور را برجسته می‌کند و خواستار شفافیت، کنترل انسانی، و توسعه روش‌های پیشگیرانه در طراحی سیستم‌های هوش مصنوعی آینده است.
https://www.anthropic.com/research/agentic-misalignment
Please open Telegram to view this post
VIEW IN TELEGRAM
1
@ai_python
گوگل لب یک محصول متکی به هوش مصنوعی بسیار کاربردی را مدت زیادی است ارائه کرده که یک ابزار حرفه ای برای فعالان صنعت مد است. با استفاده از این اپلیکیشن به نام Doppl می توانید لباس ها را به صورت مجازی پرو کنید :
@ai_python
https://labs.google/doppl/
گوگل لب یک محصول متکی به هوش مصنوعی بسیار کاربردی را مدت زیادی است ارائه کرده که یک ابزار حرفه ای برای فعالان صنعت مد است. با استفاده از این اپلیکیشن به نام Doppl می توانید لباس ها را به صورت مجازی پرو کنید :
@ai_python
https://labs.google/doppl/
2
🟢 مناسب کلیه رشته‌ها و استخدام در #ایران
🟢 مناسب برای مهاجرت شغلی یا تحصیلی به #آمریکا، #اروپا و #استرالیا
👈 آموزش #آنلاین و با موردکاویهای واقعی و پروژه
⭐️ مخاطبان:
⏺️ دانشجویان کلیه رشته‌های تحصیلی
⏺️ علاقمندان به تحلیلگری داده و کسب و کار
⏺️ مدیران و کارشناسان شرکتها در تمامی لایه ها
🏛 موسسه توسعه
➖➖➖➖
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
1
مفهومِ Mixture-of-Recursions (MoR) در حوزه مدل‌های زبانی بزرگ خلاصه‌اش اینه که MoR با استفاده از یک روش هوشمندانه فقط برای «توکن‌های سخت‌تر» از پردازش عمیق‌تر استفاده می‌کنه ... یعنی اون بخش‌هایی از متن که نیاز به دقت بیشتر دارن، چند بار در یک بلاک پردازشی مشترک چرخ داده می‌شن.
🧠 نکات جالب مقاله:
@ai_python
فقط از یک بلاک ترنسفورمر مشترک استفاده می‌شه.
برای توکن‌هایی که «نیاز به فکر بیشتری» دارن، اون بلاک چند بار تکرار می‌شه.
@ai_python
نتیجه: مدل با نصف تعداد پارامترها و دو برابر سرعت، کیفیت مشابه یا حتی بهتر می‌ده!
این روش مثل داشتن soft experts برای توکن‌های چالش‌برانگیز عمل می‌کنه. ایده‌ای خلاقانه‌ست که باعث می‌شه محاسبات فقط جایی استفاده بشن که واقعاً لازمن.
لینکم دیگه یهویی آلفاشیو می ذارم به جای آرشیو که برید بحث کنید درباره ش با بقیه :
https://www.alphaxiv.org/abs/2507.10524
@ai_python
فقط از یک بلاک ترنسفورمر مشترک استفاده می‌شه.
برای توکن‌هایی که «نیاز به فکر بیشتری» دارن، اون بلاک چند بار تکرار می‌شه.
@ai_python
نتیجه: مدل با نصف تعداد پارامترها و دو برابر سرعت، کیفیت مشابه یا حتی بهتر می‌ده!
این روش مثل داشتن soft experts برای توکن‌های چالش‌برانگیز عمل می‌کنه. ایده‌ای خلاقانه‌ست که باعث می‌شه محاسبات فقط جایی استفاده بشن که واقعاً لازمن.
لینکم دیگه یهویی آلفاشیو می ذارم به جای آرشیو که برید بحث کنید درباره ش با بقیه :
https://www.alphaxiv.org/abs/2507.10524
Please open Telegram to view this post
VIEW IN TELEGRAM
Enabling customers to deliver production-ready AI agents at scale
@ai_python
معرفی ابزارهای فعلی سازمانی AWS در حوزه Agentic AI و نقشه راه و آینده AWS در این زمینه :
@ai_python
https://aws.amazon.com/de/blogs/machine-learning/enabling-customers-to-deliver-production-ready-ai-agents-at-scale
از این به بعد سعی می کنیم مطابق فایل صوتی فارسی پیوست، برای بعضی از پست ها پادکست فارسی مصنوعی هم تولید کنیم.
ایرادات تلفظی که در این فایل می شنوید اگر چه که زیاد نیستند و سعی کردیم فایل رو با بالاترین کیفیت Generate کنیم، ولی به دلیل تولید این فایل با استفاده از هوش مصنوعی هستند.
معرفی ابزارهای فعلی سازمانی AWS در حوزه Agentic AI و نقشه راه و آینده AWS در این زمینه :
@ai_python
https://aws.amazon.com/de/blogs/machine-learning/enabling-customers-to-deliver-production-ready-ai-agents-at-scale
از این به بعد سعی می کنیم مطابق فایل صوتی فارسی پیوست، برای بعضی از پست ها پادکست فارسی مصنوعی هم تولید کنیم.
ایرادات تلفظی که در این فایل می شنوید اگر چه که زیاد نیستند و سعی کردیم فایل رو با بالاترین کیفیت Generate کنیم، ولی به دلیل تولید این فایل با استفاده از هوش مصنوعی هستند.
1
این مقاله پیشنهاد می ده که با استفاده از Action Chunking در RL می تونیم به خصوص برای وظایف طولانی با پاداش های پراکنده Sparse-reward Tasks بازده بالاتری داشته باشیم :
@ai_python
https://www.alphaxiv.org/abs/2507.07969
@ai_python
https://www.alphaxiv.org/abs/2507.07969
alphaXiv
Reinforcement Learning with Action Chunking | alphaXiv
View recent discussion. Abstract: We present Q-chunking, a simple yet effective recipe for improving reinforcement learning (RL) algorithms for long-horizon, sparse-reward tasks. Our recipe is designed for the offline-to-online RL setting, where the goal…
3
Forwarded from We all are BiTs
این توییت از Lisan al Gaib در X درباره محدودیت‌های مدل‌های هوش مصنوعی در حل مسائل پیچیده مانند مسئله برج هانوی (Tower of Hanoi) صحبت می‌کند. او اشاره می‌کند که مدل Sonnet 3.7 هنگام حل این مسئله برای n=9 و n=10، به دلیل طولانی بودن پاسخ، زود متوقف می‌شود.
@WearebiTs
چند نکته کلیدی از این پست:
مدل‌ها تصمیم می‌گیرند که زودتر متوقف شوند، زیرا از نظر آن‌ها محاسبه تمام مراحل، زمان‌بر و غیرضروری است.
مدل Sonnet 3.7 تا ۸ دیسک محاسبه را انجام می‌دهد، اما برای تعداد بالاتر متوقف می‌شود.
خطای ناشی از نمونه‌گیری مدل باعث کاهش دقت می‌شود، زیرا احتمال اشتباه در پیش‌بینی هر توکن هرچند اندک، در تعداد بالا جمع شده و تأثیرگذار می‌شود.
مدل‌های مختلف محدودیت خروجی دارند (مثلاً Sonnet 3.7 دارای محدودیت 128k توکن، DeepSeek R1 دارای 64k توکن).
این پست به طور کلی بحث می‌کند که چگونه مدل‌های زبانی هوش مصنوعی با افزایش پیچیدگی مسئله، به دلیل محدودیت‌های خروجی و استراتژی‌های خود، دقتشان کاهش پیدا می‌کند.
https://x.com/scaling01/status/1931817022926839909
@WearebiTs
چند نکته کلیدی از این پست:
مدل‌ها تصمیم می‌گیرند که زودتر متوقف شوند، زیرا از نظر آن‌ها محاسبه تمام مراحل، زمان‌بر و غیرضروری است.
مدل Sonnet 3.7 تا ۸ دیسک محاسبه را انجام می‌دهد، اما برای تعداد بالاتر متوقف می‌شود.
خطای ناشی از نمونه‌گیری مدل باعث کاهش دقت می‌شود، زیرا احتمال اشتباه در پیش‌بینی هر توکن هرچند اندک، در تعداد بالا جمع شده و تأثیرگذار می‌شود.
مدل‌های مختلف محدودیت خروجی دارند (مثلاً Sonnet 3.7 دارای محدودیت 128k توکن، DeepSeek R1 دارای 64k توکن).
این پست به طور کلی بحث می‌کند که چگونه مدل‌های زبانی هوش مصنوعی با افزایش پیچیدگی مسئله، به دلیل محدودیت‌های خروجی و استراتژی‌های خود، دقتشان کاهش پیدا می‌کند.
https://x.com/scaling01/status/1931817022926839909
X (formerly Twitter)
Lisan al Gaib (@scaling01) on X
Even for n=9 and n=10 Sonnet 3.7 Thinking stops the reasoning early because it thinks the output is too long.
I don't have the funds to run this 25 times for all the number of disks, but I think it is fair to say that at least some of the accuracy degradation…
I don't have the funds to run this 25 times for all the number of disks, but I think it is fair to say that at least some of the accuracy degradation…
2