چند خبر مهم از دنیای ⁦AI⁩ که این هفته سروصدا کردن:

🔸 شرکت ⁦OpenAI⁩ پنجره ⁦Context⁩ مدل ⁦Codex⁩ رو از ۳۷۲ هزار به ۲۷۲ هزار ⁦Token⁩ کاهش داد — بدون هیچ اطلاع قبلی. توسعه‌دهنده‌ها حسابی شاکی شدن چون پروژه‌های بزرگ دیگه توی یه ⁦Context⁩ جا نمی‌شن. این اتفاق دقیقاً همزمان با دعوای حقوقی ⁦Apple⁩ با ⁦OpenAI⁩ افتاده.

🔸 شرکت ⁦Alibaba⁩ اعلام کرد مدل ⁦Qwen3.8⁩ به زودی به صورت ⁦open-weight⁩ منتشر می‌شه. این مدل با ۲.۴ تریلیون پارامتر ادعا می‌کنه فقط از ⁦Fable 5⁩ عقب‌تره و با بقیه مدل‌های ⁦frontier⁩ رقابت می‌کنه.

🔸 شرکت ⁦Moonshot AI⁩ مدل ⁦Kimi K3⁩ رو به صورت ⁦open-source⁩ منتشر کرد — همزمان با سخنرانی رئیس‌جمهور ⁦Xi Jinping⁩ در کنفرانس ⁦AI⁩ شانگهای. شاخص ⁦Nasdaq⁩ حدود ۱٪ افت کرد چون سرمایه‌گذارا سهام شرکت‌های چیپ مثل ⁦Nvidia⁩ رو فروختن.

🔸 یه سازمان غیرانتفاعی به اسم ⁦Current AI⁩ با جذب ۴۰۰ میلیون دلار از دولت فرانسه، ⁦Ford Foundation⁩، ⁦MacArthur⁩ و ⁦DeepMind⁩ داره زیرساخت باز ⁦AI⁩ رو می‌سازه. اولین پروژه‌هاشون در کنیا، لبنان و جنگل‌های آمازون با زبان‌های بومی کار می‌کنن. ایده اصلی‌شون اینه که ⁦AI⁩ باید مثل وب اولیه برای همه رایگان و باز باشه.

یه پرامپت که یه مطلب وبلاگ رو می‌گیره و تبدیل می‌کنه به ۱۰ پست واقعاً متفاوت برای شبکه‌های اجتماعی — نه ۱۰ بار بازنویسیِ همون تیتر.

مشکلِ اصلیِ اکثر تیم‌ها اینه که بعد از ۲ تا ۳ پست ایده‌شون تموم می‌شه، چون دارن تیتر رو بازنویسی می‌کنن نه اینکه از دلِ مقاله زوایای مجزا بیرون بکشن. این پرامپت مدل رو مجبور می‌کنه ۱۰ آمار، نقل‌قول، یا نکته‌ی متفاوت استخراج کنه.

برای هر پست، فرمتِ همون پلتفرم رو رعایت می‌کنه و یه قلابِ روان‌شناختی تعیین می‌کنه — شوکِ آماری، ادعای خلافِ انتظار، اثباتِ اجتماعی — تا همه‌شون از یه جنس نشن.

لازمه یه بار لحنِ برند، پلتفرم‌ها و مخاطبت رو بهش بدی، بعد هر پست رو متناسب با همون پلتفرم تنظیم می‌کنه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior social media content strategist who has repurposed long-form content for [YOUR INDUSTRY] brands for over a decade.

CONTEXT:
I've just published the following blog post/article:
[PASTE FULL BLOG POST TEXT HERE]

My brand voice is: [DESCRIBE BRAND VOICE, e.g. "direct, data-driven, occasionally irreverent"]
My primary social platforms are: [LIST PLATFORMS, e.g. "LinkedIn, X/Twitter, Instagram"]
My target audience is: [DESCRIBE AUDIENCE, e.g. "mid-level marketing managers at B2B SaaS companies"]

TASK:
Extract 10 distinct, non-repetitive angles from this article and turn each into a platform-appropriate social post. Each post must highlight a DIFFERENT idea, stat, quote, or takeaway from the source material — not the same headline reworded 10 times.

CONSTRAINTS:
- Do not simply summarize the article title in 10 different ways
- Each post must lead with a hook in the first line: a question, a surprising stat, a contrarian claim, or a specific number
- Match platform norms: LinkedIn posts 150-300 words with line breaks; X/Twitter posts under 280 characters; Instagram captions 100-150 words with a clear call-to-action
- Include a suggested visual/image concept for each post
- Flag the 2-3 posts with the highest viral/engagement potential and explain why

OUTPUT FORMAT:
For each of the 10 posts, provide:
1. Platform
2. Hook (first line)
3. Full post copy
4. Suggested visual
5. Psychological angle used (curiosity gap, social proof, controversy, data shock, etc.)

End with a ranked list of the top 3 posts by predicted engagement, with reasoning for each.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

مرور هفتگی اکثر آدم‌ها شبیه یه خلاصه‌ی بی‌طرف می‌شه — «این کارها رو کردم، اون جلسه‌ها رو داشتم» — بدون اینکه کسی قضاوت کنه این وقت واقعاً کجا رفت.

این ⁦Prompt⁩ یه قدم فراتر می‌ره: از ⁦AI⁩ می‌خواد فعالیت‌های هفته گذشته‌ات رو با اولویت‌های واقعی‌ات مقایسه کنه، یه الگویی که خودت بهش توجه نکردی رو برجسته کنه، و برای هفته پیش رو یه لیست اولویت‌بندی‌شده با تعداد محدود بسازه.

خروجی: نه یه لیست ۱۵ تایی که همه‌شون «اولویت» دارن، بلکه چند آیتم واقعی با دلیل.

ورودی رو هم می‌تونی خام بدی — یادداشت‌های پراکنده، ایمیل‌ها، هر چیزی. هر چقدر درهم‌تر باشه، تحلیل دقیق‌تره.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as an executive coach who specializes in weekly planning and priority-setting for [YOUR ROLE, e.g. "a mid-level product manager"].

CONTEXT:
Here is what I actually did last week (tasks completed, meetings held, decisions made, things that came up unexpectedly): [PASTE YOUR ROUGH NOTES, CALENDAR EXPORT, OR TASK LIST FROM LAST WEEK]

Here are my goals and commitments for this week: [LIST THIS WEEK'S GOALS, DEADLINES, AND KNOWN COMMITMENTS]

My role's top 3 priorities for this quarter are: [LIST YOUR QUARTERLY OR OKR-LEVEL PRIORITIES]

TASK:
Produce a structured weekly review that does three things:
1. Score last week against my quarterly priorities — what I did that actually moved the needle vs. what consumed time without advancing anything that matters
2. Surface at least one blind spot: a task, meeting, or recurring pattern from last week that I likely didn't notice was working against my priorities
3. Convert this week's goals and commitments into a ranked priority list, accounting for what's genuinely urgent vs. what only feels urgent

CONSTRAINTS:
- Do not just restate what I did last week back to me — evaluate it against the stated priorities
- Be direct about time that was wasted or misallocated, even if that means contradicting how productive the week felt
- Rank this week's items using a clear method (e.g. impact vs. effort, or urgency vs. importance) and state the method used
- Limit the output to what fits on one page — if there are more than 7 priority items, force a cut and explain what got deprioritized and why
- Flag anything on this week's list that conflicts with or duplicates another item

OUTPUT FORMAT:
1. **Last Week Scorecard** — 3-5 bullet points: what moved the needle, what didn't, one blind spot
2. **This Week's Ranked Priorities** — numbered list (max 7), each with a one-line reason for its rank
3. **Cut List** — anything deprioritized or removed, with a one-line reason
4. **One Question to Ask Yourself Friday** — a single forward-looking check to evaluate whether this week actually went well

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

یه ⁦skill⁩ برای ⁦Claude Code⁩ هست که کارش پیدا کردنِ ⁦skill⁩ مناسب برای توئه.

اسمش ⁦Find Skills⁩ هست و نصبش با اینه:
‏⁦npx skills add vercel-labs/skills --skill find-skills⁩

بعد از نصب، کافیه از ⁦Claude⁩ بپرسی: «آیا ⁦skill⁩ خوبی برای [هدف من] هست؟»

خودش می‌ره توی ⁦skills.sh⁩ و جستجو می‌کنه، گزینه‌های مناسب رو بررسی می‌کنه و بهترینشو برات نصب می‌کنه.

دیگه نیازی نیست دستی بگردی دنبال ⁦skill⁩ مناسب — ⁦Claude⁩ این کارو برات انجام می‌ده. ⚡

⚡ انویدیا داره یه حرکت بزرگ انجام می‌ده که تا حالا کمتر بهش توجه شده — خرید فیبر نوری «تاریک» در سراسر آمریکا.

فیبر تاریک کابل‌های نوری هستن که کشیده شدن ولی هنوز فعال نیستن. انویدیا داره اینا رو می‌خره و یه شبکه کاملاً مستقل می‌سازه. هزینه‌اش طبق برآوردها بین ۵ تا ۱۰ میلیارد دلاره — و طی سه سال انجام می‌شه.

ظرفیت این شبکه با فناوری ⁦DWDM⁩ و ۱۰۰ جفت فیبر به حدود ۷.۶ پتابیت‌برثانیه می‌رسه — زیرساختی که برای خدمات ⁦AI⁩ در مقیاس خیلی بزرگ طراحی شده.

تحلیلگرا می‌گن هدف اصلی اینه که انویدیا دیگه به ⁦AWS⁩، ⁦Google Cloud⁩ و بقیه غول‌های ابری وابسته نباشه. با این شبکه می‌تونه مستقیماً ⁦GPU-as-a-Service⁩ بفروشه، مراکز داده‌اش رو به یه خوشه بزرگ وصل کنه و در برابر تراشه‌های ⁦ASIC⁩ اختصاصی که شرکت‌های بزرگ دارن می‌سازن، بهتر رقابت کنه.

متن فارسی توی اپ دسکتاپ ⁦Claude⁩ همیشه یه مشکل داشته — چیدمان ⁦RTL⁩ درست کار نمی‌کنه و فونت‌های استاندارد فارسی پشتیبانی نمی‌شن.

یه ابزار ⁦Open Source⁩ به اسم ⁦claude-rtl-patcher⁩ دقیقاً همین رو حل می‌کنه. فونت ⁦Vazirmatn⁩ رو به‌عنوان قلم پیش‌فرض برای متن‌های فارسی تنظیم می‌کنه و مشکل چیدمان راست‌به‌چپ رو برطرف می‌کنه.

فعلاً فقط برای ⁦Mac⁩ در دسترسه، ولی نسخه ویندوزش هم قراره به‌زودی بیاد. 🛠️

🤖 سه مدل تازه از ⁦Gemini⁩ اومد: 3.6 ⁦Flash⁩، 3.5 ⁦Flash Lite⁩ و 3.5 ⁦Flash Cyber.⁩

هدف اصلی اینا بهبود کارایی، کاهش تأخیر، مصرف کمتر ⁦Token⁩ و راحت‌تر کردن راه‌اندازی ایجنت‌های ⁦AI⁩ هست.

شرکت ⁦Google⁩ مدل ⁦Gemini 3.6 Flash⁩ رو به عنوان مدل اصلی و پرکاربردش معرفی کرده. این مدل توی برنامه‌نویسی، تحلیل داده و کارهای چندوجهی بهتر از نسل قبلیش عمل می‌کنه و مصرف ⁦Token⁩ خروجیش تا ۱۷ درصد پایین اومده.

یه چیزی که خیلی‌ها منتظرش بودن — ⁦Gemini 3.5 Pro⁩ — هنوز از راه نرسیده.

این هفته شاید یه اتفاق جالب بیفته: گفته می‌شه ⁦Claude Opus 5⁩ ممکنه منتشر بشه 🔥

خبر زیادی در کار نیست — فقط همین احتمال مطرح شده که ⁦Anthropic⁩ ممکنه مدل ⁦Opus 5⁩ رو همین هفته بیاره. هنوز جزئیات بیشتری در دست نیست و چیزی قطعی نشده.

بمونید که اگه خبری اومد، اینجا می‌ذاریم ⚡

جک دورسی، هم‌بنیان‌گذار ⁦Twitter⁩، یه اپ کاری جدید به اسم ⁦Buzz⁩ معرفی کرده که قراره رقیب ⁦Slack⁩ بشه.

این ابزار یه پلتفرم چت گروهیه برای محیط‌های کاری که هم آدم‌ها و هم ایجنت‌های ⁦AI⁩ می‌تونن توی یه فضای مشترک با هم گفتگو و همکاری کنن.

شرکت ⁦Block⁩ پشت این پروژه‌ست و به شکل غیرمتمرکز و ⁦Open Source⁩ منتشر شده. اپ ⁦Buzz⁩ چندتا جریان کاری رو توی یه محیط ادغام می‌کنه و مدیریت پروژه‌های ⁦GitHub⁩ و تعامل با هوش مصنوعی رو ساده‌تر می‌کنه.

نسخه دسکتاپش رایگانه و برای ⁦Windows⁩، ⁦macOS⁩ و ⁦Linux⁩ در دسترسه — هرچند خود توسعه‌دهنده‌ها تأکید دارن پروژه هنوز توی مراحل اولیه‌ست.

یکی از سوال‌هایی که این مدت خیلی توی دایرکت ازم می‌پرسیدید این بود که چطور می‌تونیم خودمون بدون واسطه اشتراک سرویس‌های خارجی و هوش مصنوعی رو پرداخت کنیم؟

برای همین گفتم این سرویس رو بهتون معرفی کنم.

‏⁦MPay⁩ یک پلتفرم پرداخته که هیچ‌گونه احراز هویت (⁦KYC⁩) برای ساخت حساب و دریافت کارت از شما نمی‌خواد. فقط کافیه با اکانت گوگل‌تون ثبت‌نام کنید و توی چند دقیقه حسابتون آماده میشه.

بعد از ثبت‌نام، با پرداخت ۵ دلار یک کارت ویزای مجازی (⁦Virtual Visa Card⁩) دریافت می‌کنید که می‌تونید ازش برای پرداخت در اکثر سایت‌های خارجی استفاده کنید. این کارت برای خیلی از پرداخت‌ها، مخصوصاً خرید اشتراک سرویس‌های هوش مصنوعی، قابل استفاده است.

شارژ حساب هم با ⁦USDT⁩ و ⁦USDC⁩ انجام میشه و از شبکه‌های ⁦TRC20⁩، ⁦BNB Chain⁩ (⁦BEP20⁩) و ⁦Ethereum⁩ (⁦ERC20⁩) پشتیبانی می‌کنه.

⚠️ فقط دقت کنید که نداشتن احراز هویت مربوط به خود ⁦MPay⁩ هست. ممکنه بعضی از سرویس‌هایی که قصد خرید اشتراکشون رو دارید، خودشون قوانین یا احراز هویت مخصوص به خودشون رو داشته باشن که این موضوع کاملاً به اون سرویس مربوطه .

⚠️ یه نکته مهم دیگه...

معمولاً پلتفرم‌هایی که بدون احراز هویت کارت بانکی صادر می‌کنن، بعد از اینکه تعداد کاربرانشون زیاد میشه، زیر ذره‌بین نهادهای نظارتی قرار می‌گیرن و ممکنه بعد از چند ماه یا حتی چند سال، قوانینشون تغییر کنه یا فعالیتشون متوقف بشه.

به همین خاطر پیشنهاد من اینه که هیچ‌وقت موجودی زیادی داخل این کارت یا حساب نگه ندارید.

مثلاً اگر می‌خواید یه خرید ۲۰ دلاری انجام بدید، همون موقع ۲۰ دلار (⁦USDT⁩ یا ⁦USDC⁩) واریز کنید، خریدتون رو انجام بدید و موجودی رو داخل کارت نگه ندارید. این کار باعث میشه اگر روزی مشکلی برای پلتفرم پیش اومد، سرمایه‌تون درگیر نشه.

اگر هدفتون اینه که بدون واسطه پرداخت‌های بین‌المللی انجام بدید، ⁦MPay⁩ فعلاً یکی از ساده‌ترین گزینه‌هاست؛ چون ثبت‌نامش فقط با اکانت گوگل انجام میشه، احراز هویت نمی‌خواد و گرفتن کارت هم فقط ۵ دلار هزینه داره.

وقتی ⁦AI⁩ جوابِ دقیقی نمی‌ده، خیلی‌ها فکر می‌کنن مشکل از مدله. ولی خیلی وقتا مشکل اینه که به ⁦AI⁩ نشون ندادیم دقیقاً چی می‌خوایم.

تکنیکِ ⁦Few-shot⁩ این مشکل رو حل می‌کنه. ایده‌اش ساده‌ست: قبل از سوالِ اصلیت، چند تا مثال از «ورودی → خروجی» بهش بده. این‌طوری ⁦AI⁩ می‌فهمه سبک، ساختار، و لحنِ مورد نظرت — بدونِ اینکه صدتا توضیح بنویسی.

یه مثالِ ملموس:

فرض کن می‌خوای تیترهای جذاب برای پست‌های کاری بنویسی.

یه ⁦Prompt⁩ معمولی:
«یه تیتر جذاب برای این مطلب بنویس: [متن]»
خروجی؟ معمولاً کلیشه‌ای و بی‌روح.

همون درخواست با ⁦Few-shot⁩:
«تیترهای جذاب رو به این شکل می‌نویسم:
مطلب: کاهش بهره‌وری تیم → تیتر: چرا تیمت خسته‌ست ولی کاری پیش نمی‌ره؟
مطلب: انتخابِ ⁦CRM⁩ → تیتر: قبل از خریدِ ⁦CRM⁩، این سوالا رو از خودت بپرس
حالا این مطلب رو تیتر بزن: [متن]»

از روی همین دو مثال، ⁦AI⁩ می‌فهمه تیترت باید مستقیم، کمی چالشی، و بدونِ کلیشه باشه. دیگه لازم نیست این ویژگی‌ها رو یکی‌یکی توضیح بدی — مثال‌ها خودشون حرف می‌زنن.

کجا بیشتر به دردت می‌خوره؟ هر جا که سبک یا لحنِ خروجی برات مهمه: ترجمه، کپی‌رایتینگ، نامه‌های رسمی، دسته‌بندی داده. هر کاری که «باید شبیهِ این باشه، نه اون» داره.

قبلِ ⁦Prompt⁩ بعدیت، دو مثالِ کوتاه از چیزی که می‌خوای بذار. همین کافیه. 👇

جلسه استراتژی تموم می‌شه، وایت‌برد رو پاک می‌کنن، و همه برمی‌گردن سر کار — دقیقاً مثل قبل.

این ⁦Prompt⁩ تحلیل ⁦SWOT⁩ تیمت رو می‌گیره و تبدیلش می‌کنه به یه برنامه ۳۰ روزه، هفته به هفته. هر آیتم اجرایی یه مالک داره، یه مهلت، و یه معیار مشخص — و مشخصه از کدوم بخش ⁦SWOT⁩ اومده، نه از هوا.

خروجیش یه جدول آماده‌ست که مستقیم می‌تونی توی ابزار مدیریت پروژه‌ات بذاری. بهتره همون بعد از جلسه ازش استفاده کنی، وقتی ⁦SWOT⁩ هنوز تازه‌ست.

📋 پرامپت کامل (لمس کن تا کپی بشه):

ROLE:
Act as an experienced operations consultant who specializes in converting strategic analysis into executable plans. You are not a strategist generating more ideas — you are the person who turns ideas into a schedule.

CONTEXT:
Here is our completed SWOT analysis:

Strengths:
[PASTE YOUR STRENGTHS LIST]

Weaknesses:
[PASTE YOUR WEAKNESSES LIST]

Opportunities:
[PASTE YOUR OPPORTUNITIES LIST]

Threats:
[PASTE YOUR THREATS LIST]

Team size available to execute this plan: [NUMBER OF PEOPLE]
Approximate hours per week each person can dedicate to new initiatives (beyond regular work): [HOURS PER WEEK]

TASK:
Convert this SWOT analysis into a 30-day action plan broken into 4 weekly blocks. Every single action item must:
1. Be specific and measurable (not "improve X" but "do Y, measured by Z")
2. Cite exactly which SWOT item it addresses (e.g., "Addresses Weakness #2")
3. Be sized realistically to the stated team capacity — do not assume unlimited hours

CONSTRAINTS:
- Maximum [NUMBER, e.g. 5] action items per week — prioritize ruthlessly rather than listing everything possible
- At least one action per week must directly address a Weakness or a Threat — do not let the plan become 100% opportunity-chasing
- Do not invent SWOT items that weren't provided — only work with what's given
- If the stated team capacity is clearly insufficient for a meaningful 30-day plan, say so explicitly instead of producing an unrealistic schedule

OUTPUT FORMAT:
For each of the 4 weeks, produce a table with these columns: Action | SWOT Source | Owner (use role titles like "[MARKETING LEAD]" if no names given) | Success Metric | Priority (High/Medium/Low).

After the 4 weekly tables, add a short "Week 5 Check-In" section listing 3 questions the team should ask itself to evaluate whether the plan is working, so there's a built-in review point at the end of the 30 days.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

کاخ سفید دیروز یه اتهام سنگین به ⁦Moonshot AI⁩ زد — اون شرکت چینی که پشت مدل‌های ⁦Kimi⁩ هست.

ادعا اینه که ⁦Moonshot AI⁩ مدل ⁦Fable⁩ شرکت ⁦Anthropic⁩ رو به‌صورت مخفیانه «تقطیر» کرده تا ⁦Kimi K3⁩ رو بسازه. تقطیر یه روش رایج تو دنیای ⁦AI⁩ هست که باهاش می‌شه توانایی‌های یه مدل بزرگ رو بدون دسترسی مستقیم به اجزای داخلیش به یه مدل کوچیک‌تر منتقل کرد. اتهام اینه که ⁦Moonshot⁩ این کار رو در مقیاس بزرگ و پنهانی علیه مدل اختصاصی ⁦Anthropic⁩ انجام داده.

مایکل کراتسیوس، مدیر دفتر سیاست علم و فناوری کاخ سفید (⁦OSTP⁩)، گفته ⁦Moonshot⁩ یه پلتفرم داخلی پیچیده ساخته تا بتونه همزمان از چند روش دسترسی استفاده کنه و زیر رادار بمونه. کنار این، متهمشون کردن که سرورهای ⁦Nvidia GB300⁩ رو از طریق تایلند تهیه کردن — تراشه‌هایی که فروششون به چین زیر تحریم‌های صادراتی آمریکاست.

اسکات بسنت، وزیر خزانه‌داری، هم اعلام کرد که ⁦Entity List⁩ برای شرکت‌های ⁦AI⁩ چینی‌ای که این کارو می‌کنن گزینه‌ای روی میزه. یعنی قطع کامل دسترسی به تأمین‌کننده‌های آمریکایی — از جمله خودِ ⁦Nvidia⁩ و زیرساخت‌های ⁦cloud⁩ — که خیلی جدی‌تر از یه اتهام عمومیه.

شرکت ⁦Moonshot⁩ اواسط تیر ماه ⁦Kimi K3⁩ رو منتشر کرد: یه مدل با ۲.۸ تریلیون پارامتر از نوع ⁦MoE⁩ (سیستمی که از ترکیب چند مدل تخصصی‌تر تشکیل شده) که تو رده‌بندی‌های مستقل ⁦AI⁩ تقریباً جایگاه سوم گرفت و قیمتش از آزمایشگاه‌های آمریکایی پایین‌تر بود. ادعای کراتسیوس اینه که بخشی از این توانایی‌ها از ⁦Fable⁩ آمده، نه از آموزش مستقل خودِ ⁦Moonshot.⁩

این اولین بار نیست که چنین اتهامی مطرح می‌شه — مدیر ارشد سیاست عمومی ⁦Anthropic⁩ در فوریه ۲۰۲۶ اتهام مشابهی رو مطرح کرده بود. ⁦Anthropic⁩ قبلاً هم ⁦Alibaba⁩ رو به ساختن حدود ۲۵ هزار حساب جعلی برای استخراج داده از مدل‌هاش متهم کرده بود.

بعضی محققان ⁦AI⁩ هم با مقایسه تاریخ انتشار ⁦Kimi K3⁩ و تاریخ راه‌اندازی ⁦Fable⁩ شک دارن که اصلاً زمان کافی برای انجام این حجم از تقطیر وجود داشته باشه — سوالی که کراتسیوس بهش نپرداخته.

شرکت ⁦Moonshot AI⁩ تا زمان انتشار خبر هیچ پاسخی به رسانه‌ها نداده و کراتسیوس هم توضیح نداده که اطلاعات سازمان‌های اطلاعاتی آمریکا چطور وقوع این تقطیر رو ثابت کرده.

قابلیت ⁦Voice⁩ اومد روی نسخه دسکتاپ ⁦ChatGPT.⁩

می‌شه باهاش با صدا کامپیوترت رو کنترل کنی، ایجنت‌ها رو مدیریت کنی، و کلاً بدون دست زدن به کیبورد کارتو پیش ببری.

این دیگه فقط یه ابزار چت نیست. 🤖

🔺 گوگل یه راه جدید برای بازیابی حساب اضافه کرده — این بار با ویدیوی سلفی.

اگه رمز عبورت رو فراموش کردی و به روش‌های معمول بازیابی هم دسترسی نداری، حالا می‌تونی با ضبط یه ویدیوی سلفی هویتت رو ثابت کنی. گوگل این ویدیو رو با تصاویری که قبلاً ازت داره مقایسه می‌کنه، و اگه تطابق داشت می‌تونی وارد حسابت بشی.

ویدیوی سلفی به‌صورت امن ذخیره می‌شه و هر وقت خواستی می‌تونی حذفش کنی.

گوگل می‌گه این قابلیت به لایه‌های امنیتی برای تشخیص تصاویر جعلی و دیپ‌فیک مجهزه. فعلاً هم فقط برای تعداد محدودی از کاربرا فعاله.

این مطلب مخصوص برنامه‌نویس‌ها و تیم‌هاییه که روی ⁦feature⁩ های ⁦AI⁩ کار می‌کنن.

اغلب تیم‌ها یا می‌رن سراغ قوی‌ترین مدل (که ۸ تا ۱۰ برابر گرون‌تر از نیازشونه) یا ارزون‌ترین، که توی حجم واقعی خراب از آب درمیاد. این پرامپت یه مقایسه ساختارمند بین حداقل سه رده مدل می‌سازه — بر اساس نوع ⁦task⁩، حجم درخواست، تأخیر مجاز، بودجه، دقت مورد نیاز، و حساسیت داده — و یه توصیه مستدل می‌ده، نه یه حدس.

یه بخشش هم ⁦escalation plan⁩ هست: کِی ارزش داره مدل ارزون‌تر بزاری و فقط موارد غیرقطعی رو به مدل قوی‌تر پاس بدی؟ اغلب این ترکیب از اجرای یه مدل گرون روی همه درخواست‌ها ارزون‌تر تموم می‌شه — ولی اکثر تیم‌ها اصلاً بهش فکر نمی‌کنن.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior AI infrastructure consultant who has deployed dozens of production LLM-based systems across cost-sensitive, latency-sensitive, and compliance-sensitive environments.

CONTEXT:
- Task to automate: [TASK DESCRIPTION]
- Expected monthly volume: [EXPECTED VOLUME]
- Maximum acceptable latency per request: [LATENCY REQUIREMENT]
- Monthly budget ceiling: [BUDGET CONSTRAINT]
- Minimum acceptable quality/accuracy bar: [QUALITY BAR]
- Data sensitivity level (e.g., contains PII, regulated data, public data only): [DATA SENSITIVITY LEVEL]
- Region/residency requirements, if any: [REGION REQUIREMENT]

TASK:
Recommend which AI model tier to use for this specific workload. Do not default to recommending the most powerful available model — match the model to the actual requirements.

CONSTRAINTS:
- Compare at least 3 distinct model tiers (e.g., flagship/frontier, mid-tier, small/fast) — never recommend just one option without showing what was ruled out and why
- If data sensitivity or region requirements would rule out standard API access to a given provider, say so explicitly and note the self-hosted or region-locked alternative
- If the expected volume makes self-hosting an open-weight model more cost-effective than API calls, flag that as an option even if it adds operational complexity
- Do not recommend a model tier that cannot plausibly hit the stated latency requirement
- Be explicit about the confidence level of any cost estimate (pricing changes; note the estimate is a snapshot for planning purposes)

OUTPUT FORMAT:
1. Requirements Summary (one paragraph restating the constraints as understood)
2. Comparison Table: rows = 3-4 candidate model tiers, columns = estimated cost per 1,000 requests, expected latency, expected quality fit, data-handling fit
3. Primary Recommendation (which tier, and the specific reasoning tying it back to the stated constraints)
4. Fallback / Escalation Plan (what to do if the primary choice underperforms in production — e.g., route to a stronger model on low-confidence outputs)
5. Estimated Monthly Cost at the stated volume, with the assumptions spelled out

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

هر تیمی این صحنه رو تجربه کرده: جلسه تموم می‌شه، همه سر می‌جنبونن، دو هفته بعد معلوم می‌شه سه نفر سه تا برداشت مختلف داشتن از اینکه «تصمیم گرفتیم».

این ⁦Prompt⁩ متن جلسه رو می‌گیره و تصمیمات واقعی رو از چیزایی که فقط شبیه تصمیم بودن جدا می‌کنه. اگه مسئول یه کار مشخص نشده، نمی‌نویسه. اگه کسی گفته «فکر کنم بشه» یا «انگار اوکیه»، این‌ها به‌عنوان توافق‌های با اطمینانِ پایین علامت‌گذاری می‌شن.

خروجیش یه لیست تصمیمات قطعیه — به‌علاوه‌ی چند مورد که باید یه پیام کوتاه برای تأییدشون بفرستی.

بهترین موقع استفاده: بلافاصله بعد از جلسه، وقتی هنوز می‌تونی خروجی رو با حافظه‌ات چک کنی.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as an experienced chief-of-staff or operations lead who has run hundreds of cross-functional meetings and knows exactly how a vague "we'll figure it out" turns into three teams building three different things a week later.

CONTEXT:
- Meeting transcript or raw notes: [MEETING TRANSCRIPT OR NOTES]
- Participants and their roles: [MEETING PARTICIPANTS AND ROLES]
- Meeting purpose/agenda: [MEETING PURPOSE]

TASK:
Extract a clean decision log from the raw meeting content. Distinguish clearly between what was actually decided and what was merely discussed.

CONSTRAINTS:
- Only list something as a "Decision Made" if the transcript shows clear agreement — do not invent an owner or deadline if none was actually stated
- If a decision sounded final but had no named owner or deadline, flag it under Ambiguity Flags instead of the Decisions table — do not guess
- If two participants appeared to agree on different versions of the same decision, call out the contradiction explicitly
- Do not pad the output with meeting-process commentary (no "the meeting opened with..." narration) — go straight to substance
- Keep each decision to one line; put nuance and caveats in a separate notes column, not the decision text itself

OUTPUT FORMAT:
1. Decisions Made (table: Decision | Owner | Deadline | Confidence — high/medium/low based on how explicit the transcript was)
2. Open Items Requiring Follow-up (things discussed but not resolved, with who needs to weigh in next)
3. Ambiguity Flags (things that sounded decided but had no clear owner/deadline, or where speakers seemed to disagree)
4. Suggested One-Line Recap (a single Slack-ready message summarizing the meeting's outcome for people who weren't there)

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

این بار ⁦Anthropic⁩ با ⁦Opus 5⁩ نشون داد که هنوز حرف برای گفتن داره: توی شبیه‌سازی فیزیک تخریب سه‌بعدی از ⁦Fable 5⁩ جلو زده، اونم با حدود نصف قیمت.

یه برنامه دسکتاپ برای اجرای محلی ⁦LLM⁩ها به اسم ⁦atomic⁩ یه بنچمارک طراحی کرد و از چهار مدل خواست سه صحنه ⁦HTML⁩ مستقل با فیزیک واقع‌گرایانه بسازن:
- یه تورنادو که یه مزرعه رو می‌بلعه
- یه گلوله تخریب که یه آپارتمان رو خراب می‌کنه
- یه کامیون اضافه‌بار که یه پل خرپایی رو فرو می‌ریزه

نتیجه مصرف ⁦Token⁩ و هزینه:
مدل ⁦Opus 5⁩: ۵۵.۹ هزار ⁦Token⁩، ۱.۴۰ دلار
مدل ⁦Fable 5⁩: ۵۵.۱ هزار ⁦Token⁩، ۲.۸۲ دلار
مدل ⁦Kimi K3⁩: ۳۵.۷ هزار ⁦Token⁩، ۰.۵۵ دلار
مدل ⁦GPT 5.6⁩: ۲۰.۱ هزار ⁦Token⁩، ۰.۳۱ دلار

مدل ⁦Opus 5⁩ هر سه سناریو رو درست شبیه‌سازی کرد: خونه‌ها از دهانه تورنادو بالا می‌رن، دیوار دقیقاً همون‌جایی که گلوله بهش می‌خوره ترک می‌خوره و آوار جمع می‌شه، پل هم با کامیون داخل رودخونه سقوط می‌کنه.

در مقابل، مدل ⁦Fable 5⁩ توی هر سه ضعیف بود: تقریباً هیچ‌چیزی روی زمین نبود که تورنادو بکشه، ساختمون قبل از اینکه گلوله بهش برسه خودش فرو ریخت، پل هم یه‌دفعه مثل چوب‌کبریت از هم پاشید.

مدل ⁦GPT 5.6⁩ ارزون‌ترینه ولی گلوله‌اش اصلاً به ساختمون نرسید و پلش هم به شکلی فرو ریخت که توی دنیای واقعی اصلاً اتفاق نمی‌افته. مدل ⁦Kimi K3⁩، آخرین مدل ⁦frontier⁩ چینی، هم تقریباً همون نتیجه رو داشت.

با توجه به اینکه ⁦Fable 5⁩ از زمان عرضه‌اش جزو بهترین‌ها بوده، این نتیجه برای ⁦Opus 5⁩ واقعاً قابل توجهه. 🔥

🚀 سیزدهمین پرواز آزمایشی ⁦Starship⁩ یه نتیجه نصفه‌نیمه داشت — هم موفقیت، هم شکست.

شرکت ⁦SpaceX⁩ اولین ماهواره‌های نسل سوم ⁦Starlink⁩ رو با نسخه ارتقایافته ⁦Starship V3⁩ پرتاب کرد. مرحله دوم موشک کارش رو درست انجام داد: ماهواره‌ها رو توی فضا مستقر کرد و بعد از ورود به جو، روی اقیانوس هند فرود اومد.

ولی بوستر ⁦Super Heavy⁩ اینطور نشد. موقع فرود شبیه‌سازی‌شده توی خلیج مکزیک، همه موتورها روشن نشدن و بوستر بعد از برخورد شدید با آب منفجر شد.

ماهواره‌های ⁦V3⁩ پتانسیل افزایش ۲۰ برابری ظرفیت اینترنت ⁦Starlink⁩ رو دارن، ولی رسیدن به این هدف به بازیابی کامل بوسترها نیاز داره — که هنوز یه کار نیمه‌تموم هست.