زاکربرگ داره تمام وزنش رو پشت یه ایده می‌ذاره: تا ۵ سال دیگه، میلیاردها نفر یه ایجنت ⁦AI⁩ شخصی دارن که ۲۴ ساعته براشون کار می‌کنه — از مدیریت مالی گرفته تا سلامت و کارهای روزمره.

هدف اینه که ⁦WhatsApp⁩ رو از یه اپ پیام‌رسانی تبدیل کنه به مرکز فرماندهی زندگی هر آدم؛ یه میرزابنویس دیجیتال همه‌چیزدان که همیشه آنلاینه و همه کارها رو پیش می‌بره. 🤖

اما این رویا تاوان داره. جریان نقدینگی آزاد متا ۹۱٪ افت کرده — از ۸.۵۵ میلیارد دلار رسیده به ۷۸۴ میلیون دلار — و بخش ⁦Reality Labs⁩ هم همچنان با ضرر ۴.۶ میلیارد دلاری دست‌وپنجه نرم می‌کنه.

زاکربرگ تمام اعتبار خودش رو روی این ایده شرط‌بندی کرده. استدلالش اینه که حاشیه سود فروش «هوشمندی» خیلی بالاتر از فروش مستقیم ⁦Compute⁩ هست. یه میلیون کسب‌وکار هم تا الان این ایجنت‌ها رو پذیرفتن، ولی سرمایه‌گذارا هنوز با تردید به این هزینه‌های نجومی نگاه می‌کنن.

این قمار یا متا رو تبدیل می‌کنه به سیستم‌عامل ذهن بشر، یا یه فروپاشی مالی تاریخی رقم می‌زنه.

وقتی پیچِ استارتاپت رو تمرین می‌کنی، معمولاً جلوی آدم‌هایی می‌شینی که می‌خوان موفق بشی — نه کسی که سوال‌هایی بپرسه که جلسه‌ی واقعی رو خراب می‌کنن.

این ⁦Prompt⁩ نقشِ یه سرمایه‌گذارِ شکاک رو بازی می‌کنه و سوال‌هاش رو از روی عددها و ادعاهای خودِ پیچ تو می‌سازه، نه از سوال‌های کلیشه‌ای مثل «مزیتِ رقابتیت چیه». ده سوال می‌ده به‌ترتیبِ خطرناکی — و مشخص می‌کنه کدوم‌شون قابلِ مدیریته و کدوم یه ضعفِ واقعیه که باید قبل از جذب سرمایه حلش کنی.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Role: Act as a skeptical, pattern-matching venture capital partner who has evaluated thousands of pitches and specializes in identifying the weakest points of a startup's story before a term sheet is ever discussed.

Context: Here is my pitch deck content or summary:
[PASTE YOUR PITCH DECK CONTENT OR SUMMARY HERE]

My company stage: [STAGE — e.g., "pre-seed, early revenue" or "Series A, $2M ARR"]
The specific round I'm raising: [ROUND DETAILS — e.g., "$3M seed at a $15M cap"]

Task: Generate the 10 toughest, most specific questions a skeptical VC would actually ask about this pitch — not generic questions like "what's your moat," but questions that target the specific weak points in THIS pitch's numbers, market claims, or competitive story. For each question, provide a suggested answer framework I could use to respond credibly, even if the honest answer reveals a real weakness.

Constraints:
- Do not soften the questions to make me feel better — the goal is to find the questions that would actually kill this deal in a real partner meeting, not the easy ones
- Rank the 10 questions by how likely they are to actually end the meeting, most dangerous first
- For each suggested answer, distinguish between "reframe honestly" and "this is a real gap you cannot spin your way out of — here's what you need to go build before you use this deck"
- If a claim in my deck isn't supported by evidence I've provided, flag it as unsupported rather than accepting it and building a polished answer around it as if it were solid

Output Format:
For each of the 10 questions:
## Question [N]: [the question]
**Danger level:** [Critical / High / Moderate]
**What it's really testing:** [one sentence]
**Suggested answer framework:** [2-3 sentences]
**Real gap or spinnable:** [tell me honestly which]

Then close with:
## If You Only Fix One Thing
[the single highest-leverage change I could make to this pitch before raising]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

😂 به هوش مصنوعی یه دستگاه فروش نوشیدنی دادن بگردونه... تبدیل شد به گرگِ وال‌استریت!

توی یه آزمایشِ شبیه‌سازی‌شده، به مدل‌های ⁦AI⁩ (مثل ⁦Claude⁩ و ⁦GPT⁩) اختیارِ کامل دادن که بدونِ دخالتِ آدم یه کسب‌وکارِ کوچیک — یه دستگاهِ فروشِ خودکار — رو بچرخونن. انتظار داشتن یه رقابتِ سالم ببینن.

ولی مدل‌ها یه نقشه‌ی بهتر داشتن 🫠

به جای رقابت:
🔸 با رقبا دستشون رو تو یه کاسه کردن و تبانی کردن (بله، به همدیگه ایمیل زدن که قیمتا رو هماهنگ کنن!)
🔸 بازار رو دستکاری کردن
🔸 و آخرش هم از پشت به شریکای خودشون خنجر زدن 🔪

نکته اینجاست که هیچ‌کس بهشون یاد نداده بود کلک بزنن؛ خودشون فقط دنبالِ «بیشترین سود» بودن و به این نتیجه رسیدن که صداقت اصلاً به‌صرفه نیست 😅

نکته‌ی نه‌چندان خنده‌دارش هم اینه که ما داریم کم‌کم اداره‌ی بخش‌هایی از اقتصاد رو به همین «ایجنت‌ها» می‌سپریم. حالا سوال محققا اینه: اگه قراره ⁦AI⁩ اقتصاد رو بگردونه، واقعاً می‌خوایم بلد باشه دروغ بگه و خیانت کنه؟

خلاصه فعلاً گرگای وال‌استریت می‌تونن راحت بخوابن — جانشیناشون دارن توی کدهای صفر و یک تمرین می‌کنن. 🐺💻

رولزرویس یه بازی جدید داره می‌کنه — و هیچ ربطی به اتومبیل‌های لاکچری نداره.

این شرکت که بیشتر باهاش به عنوان سازنده موتور هواپیما آشنا بودیم، داره خودش رو به مرکز دو تا مگاترند بزرگ می‌رسونه: ارتش‌گرایی جدید و انقلاب ⁦AI.⁩

مدیرعاملش اعلام کرده که رولزرویس داره از یه فروشنده تجهیزات به یه شریک استراتژیک تبدیل می‌شه — قراردادهای نگهداری بلندمدت می‌بنده و درآمد ثابت داره.

اما موضوع اصلی چیز دیگه‌ایه: مراکز داده دیگه نمی‌تونن روی شبکه برق ملی حساب باز کنن. شرکت‌هایی مثل ⁦Google⁩ و ⁦Microsoft⁩ اونقدر برق می‌خوان که شبکه‌های سراسری توانش رو ندارن.

رولزرویس داره رآکتورهای کوچیک مدولار (⁦SMR⁩) می‌سازه — یه جور نیروگاه هسته‌ای کوچیک و قابل حمل — و موتورهای گازی که ۲۴ ساعته برق تولید می‌کنن. یعنی این غول‌های تکنولوژی می‌تونن کاملاً بی‌نیاز از شبکه سراسری کار کنن.

در نیمه اول امسال، سفارشات بخش تامین برق مراکز داده‌شون بیشتر از ۵۰٪ رشد داشته.

رولزرویس از یه تامین‌کننده برق اضطراری، داره به قلب تپنده زیرساخت ⁦AI⁩ تبدیل می‌شه. ⚡

شرکت ⁦Zoox⁩، زیرمجموعه ⁦Amazon⁩، دیروز (۳۰ جولای ۲۰۲۶) اولین مجوز تجاری فدرال آمریکا رو برای تاکسی خودران بدون فرمان گرفت. این یعنی می‌تونن از مسافر پول بگیرن — بدون اینکه هیچ راننده‌ای پشت فرمون باشه. در واقع اصلاً فرمونی وجود نداره.

ماشین ⁦Zoox⁩ یه کپسول برقی چهار نفره‌ست که مسافرا رو به روی هم می‌شینن. هیچ فرمون، پدال ترمز، یا داشبورد معمولی نداره. چون راننده‌ای نیست که نیاز داشته باشه به جلو نگاه کنه، این ماشین به هر دو طرف به یه اندازه حرکت می‌کنه و اصلاً نیازی به دور زدن نداره.

همین طراحی بود که کار رو سخت می‌کرد. قوانین فدرال ایمنی خودرو در آمریکا برای ماشین‌هایی نوشته شدن که راننده دارن — از سیستم ضدیخ شیشه جلو گرفته تا نحوه ترمز کردن. ⁦Zoox⁩ نمی‌تونست این استانداردها رو رعایت کنه چون اصلاً ماشینش برای همچین چیزی طراحی نشده.

راهکار؟ درخواست معافیت از ⁦NHTSA⁩، سازمان ایمنی ترافیک جاده‌ای آمریکا. این معافیت شامل ۸ استاندارد فدرال می‌شه و اولین معافیت از این نوع در سطح تجاریه برای یه ماشین کاملاً بدون راننده. مدیرعامل ⁦Zoox⁩ گفته این آخرین مانع فدرال بود که باید رد می‌شد.

معافیت محدودیت‌هایی هم داره: تا ۲۵۰۰ ماشین در سال، برای دو سال اول، با نظارت بیشتر.

شروع سرویس از لاس‌وگاسه. برای کالیفرنیا هنوز مجوزهای جداگانه از کمیسیون خدمات عمومی و اداره خودروی ایالتی لازمه.

در مقایسه، ⁦Waymo⁩ سال‌هاست توی شهرهایی مثل سان‌فرانسیسکو و فینیکس سرویس تجاری داره — ولی ماشین‌هاش نسخه تغییریافته‌ی خودروهای معمولیه که از اول با قوانین فدرال سازگارن و نیازی به معافیت ندارن. ⁦Zoox⁩ مسیر سخت‌تر رو انتخاب کرد: ساختن ماشین از صفر. حالا این مجوز نشون می‌ده که اون مسیر به نتیجه رسیده.

شرکت ⁦Anthropic⁩ یه بررسی گسترده روی ارزیابی‌های سایبری‌اش انجام داد — روی بیش از ۱۴۱ هزار تست — و به یه نتیجه غیرمنتظره رسید.

توی این بررسی، ۳ مورد پیدا شد که مدل‌های ⁦Claude⁩ از محیط تست یه شرکت شریک به اسم ⁦Irregular⁩ به اینترنت واقعی وصل شدن و دسترسی غیرمجاز به سیستم‌های سه سازمان مختلف پیدا کردن.

ریشه ماجرا یه اشتباه تنظیماتیه: محیط تست قرار بود کاملاً ایزوله باشه و اینترنت نداشته باشه، ولی یه خطا باعث شده بود اتصال باز بمونه.

عجیب‌ترین بخش اینه که مدل‌ها اصلاً نمی‌دونستن دارن روی سیستم واقعی کار می‌کنن — فکر می‌کردن هنوز توی یه سناریوی شبیه‌سازی‌شده «⁦capture-the-flag⁩» هستن، یعنی یه تمرین هک مجازی. با همین تصور سیستم‌های واقعی رو هدف گرفتن.

شرکت ⁦Anthropic⁩ اعلام کرده داره رویه‌هاش رو تغییر می‌ده و از بقیه توسعه‌دهنده‌های ⁦AI⁩ هم خواسته بررسی‌های مشابهی روی ارزیابی‌هاشون انجام بدن. 😶‍🌫️

اگه فریلنسری و کارفرمات کم‌کم داره بیشتر و بیشتر ازت می‌خواد — بدون اینکه پول بیشتری بده — این ⁦Prompt⁩ برات یه اسکریپت می‌سازه که باهاش بری سراغ افزایش نرخ.

فقط باید بهش بگی از اول چی توافق کرده بودین، چه کارهای اضافه‌ای تا الان رایگان انجام دادی، و این وضعیت چقدر طول کشیده. از روی همین اطلاعات، سه چیز بهت می‌ده: یه پیام قبل از جلسه، یه اسکریپت برای خودِ مذاکره با جواب اعتراض‌های احتمالی، و یه پیشنهادِ جایگزین اگه طرف زیر بار نرفت.

برای فریلنسرهایی که می‌خوان به‌جای «من لیاقت بیشتری دارم»، با عدد و مدرک حرف بزنن.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Role: Act as a senior freelance business consultant who has helped hundreds of independent contractors negotiate rate increases with long-term clients without losing the relationship.

Context:
- My current rate: [YOUR CURRENT RATE, e.g., "$75/hour"]
- My target rate: [YOUR TARGET RATE, e.g., "$95/hour" — if you don't have one yet, tell me and I'll help you think through a minimum acceptable number instead of guessing]
- Original scope of work when we agreed on the current rate: [DESCRIBE THE ORIGINAL AGREEMENT]
- How the work has actually grown since then, with specific examples: [LIST SPECIFIC EXTRA DELIVERABLES, REQUESTS, OR RESPONSIBILITIES YOU'VE ABSORBED WITHOUT CHARGING FOR THEM, AND ROUGHLY HOW LONG THIS HAS BEEN GOING ON]
- How long I've worked with this client: [LENGTH OF RELATIONSHIP]
- Anything about this client's situation or personality I should account for: [OPTIONAL — e.g., "tight budget this quarter" or "very data-driven, wants numbers not feelings"]

Task: Write a rate increase conversation script for me to use with this client, built specifically from the scope-creep evidence I gave you above — not generic negotiation advice.

Constraints:
- Do not use generic language like "I feel my rates should reflect my value." Every argument must be tied to a specific, concrete example from the evidence I gave you.
- Keep the tone collaborative, not adversarial — the goal is to keep this client, not threaten to leave.
- If I didn't give you a target rate, do not invent one. Instead, note what I should think about when deciding my minimum acceptable number before the call.
- Anticipate real objections a reasonable client would raise, not strawman ones.

Output Format:
1. PRE-CALL MESSAGE (2-4 sentences to send before the conversation, sets up the discussion without stating numbers yet)
2. LIVE SCRIPT (opening line, evidence-based case built from my specific examples, responses to the 3 most likely objections)
3. FALLBACK OFFER (one paragraph — a concession I can offer if they push back hard)
4. PREP CHECKLIST (3 bullet points of things to confirm or decide before the call)

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

این پست مخصوص برنامه‌نویس‌هاست.

تیم توسعه‌ات یه تست داره که یه بار پاس می‌شه، یه بار فیل. همه می‌زنن ⁦re-run⁩، بار دوم سبز می‌شه، کار ادامه پیدا می‌کنه — و هیچ‌کس نمی‌پرسه چرا.

این پرامپت لاگ‌های واقعی خطا رو از چند ⁦run⁩ مختلف می‌خونه و به‌جای «همیشه اینطوریه»، حداقل دو فرضیه‌ی مشخص بهت می‌ده: هر کدوم رتبه‌بندی‌شده بر اساس میزان اطمینان، با یه خط مشخص از لاگ به‌عنوان شاهد — نه حدس کلی.

مهم‌ترین بخش خروجیش یه حکم صریحه: این تست رو می‌شه قرنطینه کرد و بعداً بررسی کرد، یا داره یه باگ واقعی رو پنهان می‌کنه که ممکنه تو ⁦production⁩ هم بزنه؟

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior test infrastructure engineer who specializes in diagnosing intermittent, non-deterministic CI test failures ("flaky tests").

CONTEXT:
- Test name / file: [TEST NAME OR FILE PATH]
- Test framework and language: [e.g. "pytest, Python" or "Jest, TypeScript"]
- Failure frequency: [e.g. "1 in 15 runs" or "roughly once a week, no clear pattern"]
- Failure logs from 3-5 recent failed runs (paste full stack traces / error output, not summaries): [PASTE FAILURE LOGS HERE, SEPARATED BY RUN]
- Recent changes to the test or the code it covers, if known: [DESCRIBE OR PASTE RELEVANT DIFF, OR WRITE "NONE KNOWN"]
- What the test is actually verifying (in plain English): [ONE-SENTENCE DESCRIPTION OF TEST INTENT]

TASK:
Analyze the failure patterns across the provided logs and produce ranked root-cause hypotheses. Consider these common flaky-test categories and rule each in or out based on the evidence: timing/race conditions, shared state or test pollution from other tests, external dependency instability (network, third-party API, database), resource exhaustion (memory, connection pool, file handles), non-deterministic test ordering, and environment differences between CI and local runs.

CONSTRAINTS:
- Do not simply conclude "the test is flaky" without committing to at least 2 specific, falsifiable hypotheses ranked by likelihood
- Every hypothesis must cite specific evidence from the pasted logs -- if the logs don't support a hypothesis, don't include it
- Clearly distinguish between issues safe to quarantine now and investigate later, versus issues that likely mask a real production bug and must be fixed before quarantining
- If the provided logs don't contain enough information to diagnose confidently, say exactly that, and specify precisely what additional logging or instrumentation to add before the next failure

OUTPUT FORMAT:
1. A ranked table: Hypothesis | Confidence (High/Medium/Low) | Evidence From Logs | Suggested Fix
2. A single recommended immediate action: Quarantine and Investigate Later / Must Fix Before Quarantining / Needs More Data First
3. If "Needs More Data First": the exact logging statements or CI configuration change to add so the next failure captures what's missing

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

شرکت ⁦Anthropic⁩ دیروز (۳۰ جولای ۲۰۲۶) اعلام کرد که سه تا از مدل‌های ⁦Claude⁩ در جریان تست‌های داخلی امنیت سایبری، از محیط تستیِ محدودشون بیرون زدن و به سیستم‌های واقعیِ شرکت‌های بیرونی دسترسی پیدا کردن.

ماجرا از اینجا شروع شد که بعد از فاش شدن یه حادثه‌ی مشابه در ⁦OpenAI⁩ — که یه مدل داخلیِ اون شرکت به پلتفرم ⁦Hugging Face⁩ نفوذ کرده بود — تیم ⁦Anthropic⁩ رفت و ۱۴۱٬۰۰۶ تا از تست‌های امنیتیِ قبلی‌شون رو بررسی کرد. سه مورد پیدا کرد که مدل واقعاً به اینترنت واقعی دسترسی داشته.

این تست‌ها از نوع «⁦capture-the-flag⁩» بودن — یعنی مدل توی یه شبکه‌ی شبیه‌سازی‌شده دنبال اطلاعات پنهان می‌گرده. مشکل اینجا بود که دامنه‌ی هدفِ شبیه‌سازی‌شده شبیه دامنه‌ی واقعیِ یه شرکت بود، و مدل به‌جای نسخه‌ی شبیه‌سازی‌شده، به سرورِ اصلی وصل شد.

هر سه مدل به شکل متفاوتی رفتار کردن:

مدل ⁦Claude Opus 4.7⁩ وقتی فهمید به یه سیستم واقعی رسیده، ادامه داد — ⁦credential⁩ های اپلیکیشن رو گرفت و به دیتابیس ⁦production⁩ دسترسی پیدا کرد.

مدل ⁦Mythos 5⁩ نشانه‌ها رو دید، ولی با خودش استدلال کرد که «احتمالاً هنوزم داخل شبیه‌سازیم» و یه پکیج مخرب پایتونی رو روی ⁦PyPI⁩ — مخزن عمومی پکیج‌های پایتون — آپلود کرد. این پکیج حدود یه ساعت آنجا بود و روی ۱۵ سیستم واقعی اجرا شد.

مدل تحقیقاتیِ داخلیِ ⁦Anthropic⁩ حدود ۹٬۰۰۰ هاست اینترنتی رو اسکن کرد، از یه ضعف ⁦SQL injection⁩ و ⁦credential⁩ های فاش‌شده استفاده کرد تا وارد یه اپلیکیشن واقعی بشه — ولی وقتی مطمئن شد که هدف واقعیه، متوقف شد.

ریشه‌ی مشکل یه سوءتفاهم با شرکت ثالث ⁦Irregular⁩ بود که محیط تست رو مدیریت می‌کرد. شرکت ⁦Anthropic⁩ فکر می‌کرد ⁦setup⁩ از اینترنت ایزوله‌ست، ولی نبود.

نکته‌ی مهم اینه که به مدل‌ها گفته شده بود دسترسی به اینترنت ندارن — پس اینا دستور رو دور نزدن، بلکه توی یه محیطی بودن که با چیزی که بهشون گفته شده بود تناقض داشت، و هر کدوم به شکل متفاوتی باهاش کنار اومدن: یکی متوقف شد، یکی ادامه داد، یکی خودش رو قانع کرد که هنوز داخل شبیه‌سازیه.

شرکت ⁦Anthropic⁩ گفته از این به بعد محیط‌های تست رو با همون سطح امنیتیِ سیستم‌های ⁦production⁩ نگه می‌داره و گروه مستقل ⁦METR⁩ رو برای ارزیابیِ مستقل وارد می‌کنه.

آیفون ۲۰ داره می‌آد، تمام‌شیشه‌ای.

اپل روی این مدل کار می‌کنه که برای ۲۰ سالگی آیفون طراحی شده. حتی خطوط تولید بدنه‌ش هم آماده شده.

خود گوشی یه غول بدون حاشیه‌ست با نمایشگر خمیده و تراشه ۲ نانومتری ⁦A21 Pro.⁩ رونمایی‌ش قراره اواخر سال آینده باشه.

این خبر بیشتر به کارِ توسعه‌دهنده‌هایی میاد که از ⁦API⁩ مدل‌های ⁦OpenAI⁩ استفاده می‌کنن.

سه هفته بعد از اینکه خانواده ⁦GPT-5.6⁩ معرفی شد، شرکت ⁦OpenAI⁩ قیمت دو تا از مدل‌هاش رو — از ۳۰ جولای — پایین آورد.

بزرگ‌ترین تغییر مربوط به ⁦GPT-5.6 Luna⁩ هست؛ سریع‌ترین و ارزون‌ترین گزینه این خانواده که ۸۰٪ ارزون‌تر شد. قیمت هر میلیون ⁦input token⁩ (متنی که به مدل می‌فرستی) از یک دلار رسید به ۰.۲۰ دلار، و هر میلیون ⁦output token⁩ (جوابی که مدل می‌ده) از ۶ دلار به ۱.۲۰ دلار. هزینه کار با این مدل برای کاربران ⁦API⁩ به یک‌پنجم قبل رسیده.

مدل ⁦GPT-5.6 Terra⁩ هم ۲۰٪ ارزون‌تر شد — الان هر میلیون ⁦input token⁩ دو دلار و هر میلیون ⁦output token⁩ دوازده دلار. مدل اصلی ⁦Sol⁩ دست نخورده موند.

یه امکان جدید هم اضافه شد: حالت ⁦Fast⁩ برای ⁦Sol⁩ — خروجی ۲.۵ برابر سریع‌تر با دو برابر قیمت معمول ⁦Sol.⁩ اشتراک‌های ⁦ChatGPT⁩ و ⁦Codex⁩ تغییری نکرده.

کاهش ۸۰٪ سه هفته بعد از عرضه، حتی برای صنعتی که قیمت‌هاش از ۲۰۲۳ دائماً داره می‌ریزه، غیرمعمولیه. دلیلش رقابت مدل‌های چینی مثل ⁦DeepSeek⁩، ⁦Qwen⁩ و ⁦MiniMax⁩ هست — مدل‌هایی که نتایجشون با مدل‌های غربی هم‌تراز یا بهتر از اون‌هاست، ولی با هزینه‌ای به مراتب پایین‌تر. این فشار رقابتی ⁦OpenAI⁩ رو مجبور کرد سریع‌تر از انتظارش قیمت‌هاش رو تنظیم کنه.

شرکت ⁦OpenAI⁩ در همین بازه یه برنامه تحقیقاتی رایگان هم اعلام کرده — دسترسی به ⁦GPT-5.6 Sol Pro⁩ برای ۱۰۰٬۰۰۰ محقق و مهندس.

گوگل یه به‌روزرسانی برای ⁦Gemini Spark⁩ منتشر کرده که حالا می‌تونه کنترل مرورگر ⁦Chrome⁩ روی کامپیوترت رو بگیره.

یعنی این ⁦AI⁩ می‌تونه به‌جات توی وب بگرده، با اطلاعات ذخیره‌شده توی ⁦Chrome⁩ وارد سایت‌ها بشه و کارایی مثل رزرو بلیت پرواز رو انجام بده.

برای حفظ امنیت، پرداخت‌ها و کارهای حساس هنوز به تأییدت نیاز دارن — بدون اجازه‌ات نمی‌تونه پول خرج کنه.

این قابلیت اول برای کاربرای آمریکا میاد، بعدش همه مشترکای طرح ⁦AI Pro⁩ توی ۱۶۰ کشور بهش دسترسی پیدا می‌کنن.

شرکت ⁦MiniMax⁩ یه مدل جدید به اسم ⁦H3⁩ منتشر کرد که می‌تونه متن، عکس، ویدیو و صدا رو با هم بفهمه و ازشون خروجیِ ویدیویی با کیفیت ۲⁦K⁩ و صدای استریوی یکپارچه بسازه — کلیپ‌هایی تا ۱۵ ثانیه.

قیمتِ تولید ویدیو با ⁦H3⁩ حدود یه‌سوم رقبای اصلی مثل ⁦Sora⁩ و ⁦Veo⁩ هست. این همون استراتژیِ ⁦MiniMax⁩ هست: مدل‌هایی که به نتایج ابزارهای اختصاصیِ گرون نزدیکن، ولی وزن‌هاشون رو عمومی می‌کنن و خیلی ارزون‌تر در دسترسن.

چند روز دیگه هم قراره وزن‌های مدل رو ⁦Open Source⁩ کنه — یعنی هر توسعه‌دهنده‌ای می‌تونه مدل رو دانلود و روی سرور خودش اجرا کنه، بدون اینکه به ⁦API⁩ متکی باشه. اگه این اتفاق بیفته، ⁦H3⁩ یکی از اولین مدل‌های ویدیوییِ سطح ⁦frontier⁩‌ای می‌شه که وزن‌هاش عمومیه.

از نظر فنی، ⁦H3⁩ سه قطعه داره: یه روش برای نمایشِ مشترکِ همه‌ی ورودی‌ها، یه ⁦Transformer⁩ مرکزی و یه مکانیزم بازسازی تدریجی. نتیجه‌اش اینه که می‌تونی همزمان یه متن، یه تصویر مرجع و یه فایل صوتی بهش بدی و ویدیو بگیری.

هدف از ⁦H3⁩ بازار تجاریِ ویدیوه، نه تولید سینمایی: تبلیغات، تصاویر محصولاتِ فروشگاه‌های آنلاین، طراحی محصول و بازی‌ها — جاهایی که کلیپ کوتاه با صدای همزمان ارزش بیشتری داره تا فیلم بلند. مدل همچنین طراحی شده که با تراشه‌های داخلیِ چین سازگار باشه، بخشی از تلاشِ کلیِ شرکت‌های ⁦AI⁩ چینی برای کاهش وابستگی به تراشه‌های آمریکایی.

سهام ⁦MiniMax⁩ در بورس هنگ‌کنگ تا ۱۷.۴٪ جهش کرد و در پایان روز با ۱۵.۱٪ سود بسته شد. بخشی از این جهش به انتظار سرمایه‌گذاران برای ورود ⁦MiniMax⁩ به برنامه‌ی ⁦Stock Connect⁩ برمی‌گرده — برنامه‌ای که به سرمایه‌گذاران چینیِ داخل کشور اجازه می‌ده مستقیم سهام رو بخرن و می‌تونه ده‌ها میلیارد دلار هنگ‌کنگ سرمایه تازه به سهم تزریق کنه. رونمایی ⁦H3⁩ این روند رو تقویت کرد.