اجرای مدل غول‌پیکر ۸۱۶ میلیارد پارامتری متا روی ۴ مک استودیو با فریم‌ورک MLX اپل! 🚀🍏
تیم تحقیقاتی یادگیری ماشین اپل راهنمای جدیدی منتشر کرده که نشان می‌دهد چگونه می‌توان مدل‌های زبانی فوق‌بزرگ و متن‌باز (Open-Weight) را بدون نیاز به سرورهای دیتاسنتری، به‌صورت محلی و توزیع‌شده (Distributed Inference) روی کلاستر کوچکی از Mac Studio با تراشه M5 Ultra اجرا کرد.
🔥 نکات کلیدی و بنچمارک‌ها:
مدل هدف: مدل جدید متا یعنی Muse Spark Open با مجموع ۸۱۶ میلیارد پارامتر (۴۲ میلیارد پارامتر فعال). این مدل در فرمت NVFP4 فقط برای وزن‌های خود به حدود ۴۹۳ گیگابایت حافظه نیاز دارد و روی یک سیستم ۵۱۲ گیگابایتی به تنهایی جا نمی‌شود.
سرعت پردازش (Decode Speed):
اجرای مدل Muse Spark Open روی ۴ مک استودیو (M5 Ultra): ۳۶.۷۳ توکن بر ثانیه
اجرای مدل Qwen 3.8 27B روی ۴ مک استودیو (M5 Ultra): ۵۰.۸۹ توکن بر ثانیه (بیش از دو برابر سریع‌تر از حالت تک‌دستگاه)
⚙️ این سیستم چطور کار می‌کند؟
ارتباط پرسرعت RDMA: در نسخه
موازی‌سازی (Parallelism): ابزار
راه‌اندازی سرور محلی: در نهایت با دستور
💡 چرا این اتفاق مهم است؟
اجرای خصوصی و محلی مدل‌های Frontier دیگر نیازمند رک‌های پرهزینه کارت‌های گرافیک دیتاسنتری نیست. با ترکیب حافظه یکپارچه (Unified Memory) اپل سیلیکون و ارتباط مستقیم RDMA روی تاندربولت، می‌توان یک کلاستر دسکتاپ بسیار قدرتمند و کم‌مصرف برای اجرای ایجنت‌های کدنویسی و مدل‌های نزدیک به یک تریلیون پارامتر ساخت.
🛠 دستور تست بنچمارک (برای توسعه‌دهندگان):
Bash
🔗 منابع و مستندات رسمی:
گزارش رسمی Apple Machine Learning Research
مخزن گیت‌هاب MLX LM
مستندات اجرای توزیع‌شده در MLX
بحث و تبادل نظر در Hacker News
#Apple #MLX #LLM #LocalLLM #MacStudio #M5Ultra #MuseSparkOpen #AI #DistributedInference
کانال تلگرام:
@artificialintelligenceresearch
تیم تحقیقاتی یادگیری ماشین اپل راهنمای جدیدی منتشر کرده که نشان می‌دهد چگونه می‌توان مدل‌های زبانی فوق‌بزرگ و متن‌باز (Open-Weight) را بدون نیاز به سرورهای دیتاسنتری، به‌صورت محلی و توزیع‌شده (Distributed Inference) روی کلاستر کوچکی از Mac Studio با تراشه M5 Ultra اجرا کرد.
🔥 نکات کلیدی و بنچمارک‌ها:
مدل هدف: مدل جدید متا یعنی Muse Spark Open با مجموع ۸۱۶ میلیارد پارامتر (۴۲ میلیارد پارامتر فعال). این مدل در فرمت NVFP4 فقط برای وزن‌های خود به حدود ۴۹۳ گیگابایت حافظه نیاز دارد و روی یک سیستم ۵۱۲ گیگابایتی به تنهایی جا نمی‌شود.
سرعت پردازش (Decode Speed):
اجرای مدل Muse Spark Open روی ۴ مک استودیو (M5 Ultra): ۳۶.۷۳ توکن بر ثانیه
اجرای مدل Qwen 3.8 27B روی ۴ مک استودیو (M5 Ultra): ۵۰.۸۹ توکن بر ثانیه (بیش از دو برابر سریع‌تر از حالت تک‌دستگاه)
⚙️ این سیستم چطور کار می‌کند؟
ارتباط پرسرعت RDMA: در نسخه
MLX v0.30.1 بک‌اند جدیدی به نام jaccl اضافه شده که از درایور RDMA-over-Thunderbolt در سیستم‌عامل macOS 26.2 استفاده می‌کند. هر جفت مک استودیو با دو کابل تاندربولت به هم متصل می‌شوند تا پهنای باند دو برابر شود.موازی‌سازی (Parallelism): ابزار
mlx.launch مدل را بین دستگاه‌ها به دو روش تقسیم می‌کند: بر اساس لایه‌ها (Pipeline Parallelism) یا بر اساس عرض مدل (Tensor Parallelism).راه‌اندازی سرور محلی: در نهایت با دستور
mlx_lm.server یک سرور سازگار با APIهای OpenAI روی شبکه محلی ایجاد می‌شود که در این گزارش از آن برای درایو کردن ایجنت کدنویسی OpenCode استفاده شده است.💡 چرا این اتفاق مهم است؟
اجرای خصوصی و محلی مدل‌های Frontier دیگر نیازمند رک‌های پرهزینه کارت‌های گرافیک دیتاسنتری نیست. با ترکیب حافظه یکپارچه (Unified Memory) اپل سیلیکون و ارتباط مستقیم RDMA روی تاندربولت، می‌توان یک کلاستر دسکتاپ بسیار قدرتمند و کم‌مصرف برای اجرای ایجنت‌های کدنویسی و مدل‌های نزدیک به یک تریلیون پارامتر ساخت.
🛠 دستور تست بنچمارک (برای توسعه‌دهندگان):
Bash
mlx_lm.benchmark --model Qwen/Qwen3.8-27B -p 8192 -g 128 -b 1
🔗 منابع و مستندات رسمی:
گزارش رسمی Apple Machine Learning Research
مخزن گیت‌هاب MLX LM
مستندات اجرای توزیع‌شده در MLX
بحث و تبادل نظر در Hacker News
#Apple #MLX #LLM #LocalLLM #MacStudio #M5Ultra #MuseSparkOpen #AI #DistributedInference
کانال تلگرام:
@artificialintelligenceresearch
Apple Machine Learning Research
Local and Distributed Large LLM Inference with MLX and RDMA on Mac Studio
MLX on Mac with Apple silicon lets AI researchers and developers experiment locally with the latest models and methods in a private…
❤1
معرفی مدل تصویری Krea 3؛ ویرایش فوق‌سریع و دقیق در کمتر از ۸ ثانیه! 🎨⚡️
مدل جدید Krea 3 با تمرکز ویژه بر ویرایش دقیق تصاویر (Editing-First) معرفی شد. برخلاف مدل‌های مرسوم که در هر ویرایش کل تصویر را دستخوش تغییر می‌کنند، Krea 3 فقط بخش مورد نظر شما را تغییر می‌دهد و جزئیاتی مثل لوگوها، برچسب محصولات و پس‌زمینه را کاملاً دست‌نخورده نگه می‌دارد.
🔥 ویژگی‌های کلیدی:
سرعت خیره‌کننده: انجام ویرایش‌ها با کیفیت 2K در کمتر از ۸ ثانیه (در سریع‌ترین حالت ۴ تا ۵ ثانیه)؛ بسیار سریع‌تر از رقبایی مثل Nano Banana 2 (۲۷ ثانیه)، Nano Banana Pro (۳۳ ثانیه) و GPT Image 2 (۹۰ ثانیه).
تصاویر مرجع: قابلیت دریافت همزمان تا ۶ تصویر مرجع (Reference) در هر بار ویرایش.
هزینه مقرون‌به‌صرفه: ۰.۰۶ دلار به ازای هر تصویر با کیفیت 2K و ۰.۰۳ دلار برای کیفیت 1K.
دسترسی گسترده: قابل استفاده از طریق وب‌سایت و API رسمی Krea، و همچنین پلتفرم‌های محبوبی مثل fal، Replicate، OpenRouter، Together AI، Hedra و Nous Research.
🔗 لینک:
صفحه رسمی و تست مدل Krea 3
کانال تلگرام:
@artificialintelligenceresearch
#Krea #Krea3 #ImageEditing #GenerativeAI #AI #ComputerVision #OpenRouter #Replicate
مدل جدید Krea 3 با تمرکز ویژه بر ویرایش دقیق تصاویر (Editing-First) معرفی شد. برخلاف مدل‌های مرسوم که در هر ویرایش کل تصویر را دستخوش تغییر می‌کنند، Krea 3 فقط بخش مورد نظر شما را تغییر می‌دهد و جزئیاتی مثل لوگوها، برچسب محصولات و پس‌زمینه را کاملاً دست‌نخورده نگه می‌دارد.
🔥 ویژگی‌های کلیدی:
سرعت خیره‌کننده: انجام ویرایش‌ها با کیفیت 2K در کمتر از ۸ ثانیه (در سریع‌ترین حالت ۴ تا ۵ ثانیه)؛ بسیار سریع‌تر از رقبایی مثل Nano Banana 2 (۲۷ ثانیه)، Nano Banana Pro (۳۳ ثانیه) و GPT Image 2 (۹۰ ثانیه).
تصاویر مرجع: قابلیت دریافت همزمان تا ۶ تصویر مرجع (Reference) در هر بار ویرایش.
هزینه مقرون‌به‌صرفه: ۰.۰۶ دلار به ازای هر تصویر با کیفیت 2K و ۰.۰۳ دلار برای کیفیت 1K.
دسترسی گسترده: قابل استفاده از طریق وب‌سایت و API رسمی Krea، و همچنین پلتفرم‌های محبوبی مثل fal، Replicate، OpenRouter، Together AI، Hedra و Nous Research.
🔗 لینک:
صفحه رسمی و تست مدل Krea 3
کانال تلگرام:
@artificialintelligenceresearch
#Krea #Krea3 #ImageEditing #GenerativeAI #AI #ComputerVision #OpenRouter #Replicate
Krea
Krea 3: an image editing model 4× faster than Nano Banana Pro
Krea 3 is a new image editing model built for production. It keeps your product intact and is priced for volume.
❤2
۷ ابزار متن‌باز (Open-Source) هوش مصنوعی برای جایگزینی اشتراک‌های پولی! 🚀🔓
هزینه اشتراک ماهانه سرویس‌های هوش مصنوعی به سرعت بالا می‌رود. خوشبختانه اکوسیستم متن‌باز آن‌قدر پیشرفت کرده که می‌توانید بسیاری از این سرویس‌ها را به‌صورت محلی (Local) یا روی سرور شخصی (Self-host) با حفظ کامل حریم خصوصی و بدون هزینه ماهانه اجرا کنید:
1️⃣ ابزار llama.cpp (جایگزین APIهای پولی و ChatGPT)
اجرای بهینه مدل‌های زبانی کوانتایز شده روی سخت‌افزار شخصی (CPU، کارت‌های گرافیک NVIDIA/AMD و Apple Silicon). این ابزار یک رابط وب و سرور سازگار با OpenAI API در اختیارتان می‌گذارد تا مدل‌های قدرتمندی مثل
2️⃣ پلتفرم ComfyUI (جایگزین Midjourney و Firefly)
یک محیط گرافیکی مبتنی بر نود (Node-based) برای تولید و ویرایش حرفه‌ای تصویر و ویدیو. از قابلیت‌های پیشرفته‌ای مثل Inpainting، Upscaling و مدل‌های روز (مثل Flux Kontext، Qwen Image Edit، Wan و HunyuanVideo) با کنترل کامل پشتیبانی می‌کند.
3️⃣ ایجنت Pi (جایگزین Claude Code و Codex)
یک ایجنت کدنویسی سریع در محیط ترمینال برای ساخت پروژه، دیباگ و ویرایش فایل‌ها. می‌توانید آن را مستقیم به مدل‌های محلی روی
4️⃣ نرم‌افزار AppFlowy (جایگزین Notion)
محیط کاری یکپارچه برای مدیریت اسناد، یادداشت‌ها، تسک‌ها و دیتابیس‌ها به همراه قابلیت‌های هوش مصنوعی برای نوشتن و ویرایش. دارای نسخه‌های دسکتاپ و موبایل با پشتیبانی از حالت آفلاین و امکان میزبانی شخصی.
5️⃣ اپلیکیشن Handy (جایگزین Wispr Flow و ابزارهای تایپ صوتی)
ابزار تبدیل گفتار به نوشتار کاملاً آفلاین (ساخته شده با Rust و Tauri). با فشردن یک کلید میانبر، صدای شما را با استفاده از مدل‌های محلی
6️⃣ ابزار LanguageTool (جایگزین Grammarly)
بررسی دقیق گرامر، املا و نگارش با پشتیبانی از بیش از ۲۵ زبان. امکان راه‌اندازی سرور شخصی و استفاده از HTTP API را فراهم می‌کند تا متون خود را بدون ارسال به سرورهای ابری ویرایش کنید.
7️⃣ پلتفرم SurfSense (جایگزین NotebookLM)
دستیار پژوهشی مبتنی بر RAG با قابلیت Self-host. به اسناد شما و منابعی مثل YouTube، GitHub، Notion و Slack متصل می‌شود، به سوالات با ذکر منبع (Citation) پاسخ می‌دهد، پادکست و گزارش می‌سازد و با مدل‌های محلی روی Ollama سازگار است.
💡 مزیت اصلی: فراتر از حذف هزینه‌های اشتراک، کنترل کامل داده‌ها، انتخاب مدل و معماری ابزارها کاملاً در اختیار خودتان خواهد بود.
کانال تلگرام:
@artificialintelligenceresearch
#OpenSource #AI #LocalLLM #LlamaCpp #ComfyUI #SelfHosted #ArtificialIntelligence #MachineLearning
هزینه اشتراک ماهانه سرویس‌های هوش مصنوعی به سرعت بالا می‌رود. خوشبختانه اکوسیستم متن‌باز آن‌قدر پیشرفت کرده که می‌توانید بسیاری از این سرویس‌ها را به‌صورت محلی (Local) یا روی سرور شخصی (Self-host) با حفظ کامل حریم خصوصی و بدون هزینه ماهانه اجرا کنید:
1️⃣ ابزار llama.cpp (جایگزین APIهای پولی و ChatGPT)
اجرای بهینه مدل‌های زبانی کوانتایز شده روی سخت‌افزار شخصی (CPU، کارت‌های گرافیک NVIDIA/AMD و Apple Silicon). این ابزار یک رابط وب و سرور سازگار با OpenAI API در اختیارتان می‌گذارد تا مدل‌های قدرتمندی مثل
Qwen3.8-27B را بدون پرداخت هزینه به ازای هر توکن اجرا کنید.2️⃣ پلتفرم ComfyUI (جایگزین Midjourney و Firefly)
یک محیط گرافیکی مبتنی بر نود (Node-based) برای تولید و ویرایش حرفه‌ای تصویر و ویدیو. از قابلیت‌های پیشرفته‌ای مثل Inpainting، Upscaling و مدل‌های روز (مثل Flux Kontext، Qwen Image Edit، Wan و HunyuanVideo) با کنترل کامل پشتیبانی می‌کند.
3️⃣ ایجنت Pi (جایگزین Claude Code و Codex)
یک ایجنت کدنویسی سریع در محیط ترمینال برای ساخت پروژه، دیباگ و ویرایش فایل‌ها. می‌توانید آن را مستقیم به مدل‌های محلی روی
llama.cpp متصل کنید و یک دستیار برنامه‌نویسی کاملاً رایگان و خصوصی داشته باشید.4️⃣ نرم‌افزار AppFlowy (جایگزین Notion)
محیط کاری یکپارچه برای مدیریت اسناد، یادداشت‌ها، تسک‌ها و دیتابیس‌ها به همراه قابلیت‌های هوش مصنوعی برای نوشتن و ویرایش. دارای نسخه‌های دسکتاپ و موبایل با پشتیبانی از حالت آفلاین و امکان میزبانی شخصی.
5️⃣ اپلیکیشن Handy (جایگزین Wispr Flow و ابزارهای تایپ صوتی)
ابزار تبدیل گفتار به نوشتار کاملاً آفلاین (ساخته شده با Rust و Tauri). با فشردن یک کلید میانبر، صدای شما را با استفاده از مدل‌های محلی
Whisper یا Parakeet V3 (با سرعت ۵ برابر زمان واقعی روی پردازنده‌های معمولی) در هر محیطی تایپ می‌کند.6️⃣ ابزار LanguageTool (جایگزین Grammarly)
بررسی دقیق گرامر، املا و نگارش با پشتیبانی از بیش از ۲۵ زبان. امکان راه‌اندازی سرور شخصی و استفاده از HTTP API را فراهم می‌کند تا متون خود را بدون ارسال به سرورهای ابری ویرایش کنید.
7️⃣ پلتفرم SurfSense (جایگزین NotebookLM)
دستیار پژوهشی مبتنی بر RAG با قابلیت Self-host. به اسناد شما و منابعی مثل YouTube، GitHub، Notion و Slack متصل می‌شود، به سوالات با ذکر منبع (Citation) پاسخ می‌دهد، پادکست و گزارش می‌سازد و با مدل‌های محلی روی Ollama سازگار است.
💡 مزیت اصلی: فراتر از حذف هزینه‌های اشتراک، کنترل کامل داده‌ها، انتخاب مدل و معماری ابزارها کاملاً در اختیار خودتان خواهد بود.
کانال تلگرام:
@artificialintelligenceresearch
#OpenSource #AI #LocalLLM #LlamaCpp #ComfyUI #SelfHosted #ArtificialIntelligence #MachineLearning
GitHub
GitHub - ggml-org/llama.cpp: LLM inference in C/C++
LLM inference in C/C++. Contribute to ggml-org/llama.cpp development by creating an account on GitHub.
❤2
معرفی EmbeddingGemma 2 از گوگل؛ مدل امبدینگ چندوجهی (Multimodal)، سبک و متن‌باز برای اجرای محلی! 🚀🧠
تیم Google DeepMind نسل جدید مدل امبدینگ سبک و متن‌باز خود یعنی EmbeddingGemma 2 را با لایسنس تجاری Apache 2.0 و بر پایه معماری Gemma 4 معرفی کرد. این مدل ۷۴۰ میلیون پارامتری، متن، کد، تصویر، صدا و ویدیو را به یک فضای امبدینگ واحد نگاشت می‌کند و به‌طور ویژه برای اجرای مستقیم روی دستگاه (On-device) و سیستم‌های RAG خصوصی طراحی شده است.
🔥 ویژگی‌های کلیدی و فنی:
طراحی ماژولار (Modular): تنها 270M پارامتر برای پردازش‌های متنی نیاز دارد و در صورت نیاز می‌توانید انکودرهای تصویر (170M) و صدا (300M) را برای پشتیبانی کامل چندوجهی به آن اضافه کنید.
مصرف بهینه رم (On-Device): با استفاده از کوانتایزیشن (روی گوشی Pixel 11 Pro)، نسخه متنی تنها به حدود ۱۹۱ مگابایت و نسخه کامل چندوجهی به حدود ۵۶۷ مگابایت رم فعال نیاز دارد.
کاهش ۶ برابری فضای ذخیره‌سازی با MRL: به لطف تکنیک Matryoshka Representation Learning، توسعه‌دهندگان می‌توانند ابعاد بردارهای خروجی را به‌صورت پویا از 768 به 512، 256 یا 128 کاهش دهند تا حجم دیتابیس‌های برداری محلی و مصرف حافظه تا ۶ برابر کمتر شود.
پنجره زمینه (Context Window) ۸ هزار توکنی: ۴ برابر بزرگ‌تر از نسل قبل؛ قابلیت پردازش مستقیم تا ۵.۵ دقیقه فایل صوتی، ۲۹ تصویر یا ۵۸ فریم ویدیو به‌صورت همزمان.
جهش بزرگ در پردازش کد و چندوجهی: کسب امتیاز درخشان 78.68 در بنچمارک
💡 هم‌افزایی با Gemma 4:
از آنجایی که این مدل توکنایزر متن و انکودر صوتی مشترکی با Gemma 4 دارد، اجرای همزمان هر دو مدل در یک پایپ‌لاین RAG چندوجهی و کاملاً آفلاین، حافظه بسیار کمتری مصرف می‌کند (مثلاً پیدا کردن یک کلیپ ویدیویی خاص با استفاده از یک ویس، یا جستجو در ساعت‌ها فایل صوتی با یک کوئری متنی).
🛠 اکوسیستم و ابزارهای پشتیبانی‌شده:
قابل اجرا روی ابزارهای محبوبی مثل
🔗 لینک‌های رسمی و دانلود مدل:
مقاله رسمی معرفی EmbeddingGemma 2 در بلاگ گوگل
دانلود وزن‌های مدل از Hugging Face، Kaggle و نسخه بهینه‌شده در LiteRT Community
مستندات فنی و مدل کارد EmbeddingGemma 2
کانال تلگرام:
@artificialintelligenceresearch
#Google #DeepMind #EmbeddingGemma2 #Gemma4 #Multimodal #RAG #OnDeviceAI #OpenSource #AI #MachineLearning
تیم Google DeepMind نسل جدید مدل امبدینگ سبک و متن‌باز خود یعنی EmbeddingGemma 2 را با لایسنس تجاری Apache 2.0 و بر پایه معماری Gemma 4 معرفی کرد. این مدل ۷۴۰ میلیون پارامتری، متن، کد، تصویر، صدا و ویدیو را به یک فضای امبدینگ واحد نگاشت می‌کند و به‌طور ویژه برای اجرای مستقیم روی دستگاه (On-device) و سیستم‌های RAG خصوصی طراحی شده است.
🔥 ویژگی‌های کلیدی و فنی:
طراحی ماژولار (Modular): تنها 270M پارامتر برای پردازش‌های متنی نیاز دارد و در صورت نیاز می‌توانید انکودرهای تصویر (170M) و صدا (300M) را برای پشتیبانی کامل چندوجهی به آن اضافه کنید.
مصرف بهینه رم (On-Device): با استفاده از کوانتایزیشن (روی گوشی Pixel 11 Pro)، نسخه متنی تنها به حدود ۱۹۱ مگابایت و نسخه کامل چندوجهی به حدود ۵۶۷ مگابایت رم فعال نیاز دارد.
کاهش ۶ برابری فضای ذخیره‌سازی با MRL: به لطف تکنیک Matryoshka Representation Learning، توسعه‌دهندگان می‌توانند ابعاد بردارهای خروجی را به‌صورت پویا از 768 به 512، 256 یا 128 کاهش دهند تا حجم دیتابیس‌های برداری محلی و مصرف حافظه تا ۶ برابر کمتر شود.
پنجره زمینه (Context Window) ۸ هزار توکنی: ۴ برابر بزرگ‌تر از نسل قبل؛ قابلیت پردازش مستقیم تا ۵.۵ دقیقه فایل صوتی، ۲۹ تصویر یا ۵۸ فریم ویدیو به‌صورت همزمان.
جهش بزرگ در پردازش کد و چندوجهی: کسب امتیاز درخشان 78.68 در بنچمارک
MTEB Code (ارتقای ۹.۹۲ واحدی نسبت به نسخه اول) که آن را به گزینه‌ای عالی برای ایندکس کردن کدبیس‌های محلی و ایجنت‌های کدنویسی تبدیل می‌کند. همچنین عملکردی پیشرو در بنچمارک صوتی MAEB در میان مدل‌های زیر ۱ میلیارد پارامتر دارد.💡 هم‌افزایی با Gemma 4:
از آنجایی که این مدل توکنایزر متن و انکودر صوتی مشترکی با Gemma 4 دارد، اجرای همزمان هر دو مدل در یک پایپ‌لاین RAG چندوجهی و کاملاً آفلاین، حافظه بسیار کمتری مصرف می‌کند (مثلاً پیدا کردن یک کلیپ ویدیویی خاص با استفاده از یک ویس، یا جستجو در ساعت‌ها فایل صوتی با یک کوئری متنی).
🛠 اکوسیستم و ابزارهای پشتیبانی‌شده:
قابل اجرا روی ابزارهای محبوبی مثل
sentence-transformers، vLLM، SGLang، LMStudio، MLX، llama.cpp و Ollama، ذخیره‌سازی بردارها با Qdrant، استقرار روی موبایل و وب با LiteRT، MediaPipe و WebGPU، و قابلیت Fine-tune با Unsloth.🔗 لینک‌های رسمی و دانلود مدل:
مقاله رسمی معرفی EmbeddingGemma 2 در بلاگ گوگل
دانلود وزن‌های مدل از Hugging Face، Kaggle و نسخه بهینه‌شده در LiteRT Community
مستندات فنی و مدل کارد EmbeddingGemma 2
کانال تلگرام:
@artificialintelligenceresearch
#Google #DeepMind #EmbeddingGemma2 #Gemma4 #Multimodal #RAG #OnDeviceAI #OpenSource #AI #MachineLearning
❤2
🚀 رونمایی انویدیا از Nemotron 3.5 Super VL؛ مدل بینایی-زبانی ۱۲۰ میلیارد پارامتری و متن‌باز برای ایجنت‌های هوشمند!
انویدیا عضو جدید و قدرتمند خانواده Nemotron 3.5 را با قابلیت درک تصویر و ویدیو معرفی کرد. مدل Nemotron 3.5 Super VL به شما اجازه می‌دهد در یک چک‌پوینت واحد، پردازش متن، استدلال، استفاده از ابزار (Tool Use)، خواندن اسناد (OCR)، تحلیل نمودارها، فایل‌های PDF و حتی ویدیوهای کوتاه (تا ۲ دقیقه) را به صورت یکجا انجام دهید؛ یعنی دیگر نیازی به گذاشتن یک مدل بینایی مجزا در کنار مدل زبانی برای ایجنت‌ها نیست!
🔍 مشخصات فنی و معماری:
معماری ترکیبی بهینه: ترکیب لایه‌های Mamba-2 (مدل‌های فضای حالت)، مکانیزم Attention و مسیریاب Mixture-of-Experts (MoE) به همراه انکودر تصویر C-RADIO.
پارامترها: ۱۲۰ میلیارد پارامتر کل، اما تنها ۱۲ میلیارد پارامتر فعال به ازای هر توکن (سرعت بالا و مصرف بهینه).
پنجره زمینه (Context Window): پشتیبانی از حداکثر ۱ میلیون توکن.
آموزش: تقطیرشده (Distilled) از مدل Nemotron 3 Ultra و آموزش‌دیده روی ۲۶ تریلیون توکن به همراه یادگیری تقویتی (RL).
لایسنس: کاملاً متن‌باز با مجوز تجاری آزاد (OpenMDW-1.1) به همراه انتشار ۴۰ دیتاست آموزشی بینایی-زبانی و محیط‌های تمرینی NeMo Gym.
💻 نسخه فشرده برای کارت‌های گرافیک خانگی (Bolt 74B): از آنجا که اجرای نسخه اصلی (BF16) نیازمند ۴ کارت H100 یا ۲ کارت GB200 است، انویدیا همزمان مدل Nemotron 3.5 Bolt 74B-A9B را هم منتشر کرده است. این مدل ۷۴ میلیارد پارامتری (با ۹ میلیارد پارامتر فعال) با تکنیک Quantization-Aware Distillation به حدود ۲ بیت فشرده شده تا به راحتی روی کارت‌های گرافیک ۲۴ گیگابایتی (مثل RTX 5090 یا لپ‌تاپ‌های رده‌بالا) با پنجره زمینه ۲۵۶ هزار توکنی اجرا شود. (یک نسخه فوق سبک ۴ گیگابایتی به نام Bolt E4B هم در تاریخ ۲۳ اکتبر برای دستیارهای صوتی و ایجنت‌های فیزیکی منتشر خواهد شد).
📊 عملکرد در بنچمارک‌ها:
GPQA Diamond: امتیاز عالی 89.52%
SWE-bench Verified: کسب امتیاز 71.10% (هم‌تراز با Qwen3.5-122B-A10B با 71.9%)
Terminal-Bench 2.1: کسب امتیاز 60.67% (پایین‌تر از رقبایی مثل Qwen3.8-Flash-Next و GLM-5.3-Flash، اما انویدیا می‌گوید برگ برنده این مدل، سرعت و توان عملیاتی تا ۵ برابر بیشتر روی تکGPU نسبت به رقباست).
🔗 لینک‌های اصلی برای بررسی و دانلود:
📢 اطلاعیه رسمی در وبلاگ انویدیا
🛠 پست فنی در وبلاگ توسعه‌دهندگان انویدیا
🤗 صفحه مدل Nemotron 3.5 Super VL 120B در Hugging Face
⚡️ صفحه مدل فشرده Bolt 74B (نسخه ۲۴ گیگابایتی) در Hugging Face
📈 بنچمارک و تحلیل عملکرد در Artificial Analysis
کانال تلگرام هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
#NVIDIA #Nemotron #VisionLanguageModel #AI_Agents #OpenWeights #Multimodal #LLM #هوش_مصنوعی
انویدیا عضو جدید و قدرتمند خانواده Nemotron 3.5 را با قابلیت درک تصویر و ویدیو معرفی کرد. مدل Nemotron 3.5 Super VL به شما اجازه می‌دهد در یک چک‌پوینت واحد، پردازش متن، استدلال، استفاده از ابزار (Tool Use)، خواندن اسناد (OCR)، تحلیل نمودارها، فایل‌های PDF و حتی ویدیوهای کوتاه (تا ۲ دقیقه) را به صورت یکجا انجام دهید؛ یعنی دیگر نیازی به گذاشتن یک مدل بینایی مجزا در کنار مدل زبانی برای ایجنت‌ها نیست!
🔍 مشخصات فنی و معماری:
معماری ترکیبی بهینه: ترکیب لایه‌های Mamba-2 (مدل‌های فضای حالت)، مکانیزم Attention و مسیریاب Mixture-of-Experts (MoE) به همراه انکودر تصویر C-RADIO.
پارامترها: ۱۲۰ میلیارد پارامتر کل، اما تنها ۱۲ میلیارد پارامتر فعال به ازای هر توکن (سرعت بالا و مصرف بهینه).
پنجره زمینه (Context Window): پشتیبانی از حداکثر ۱ میلیون توکن.
آموزش: تقطیرشده (Distilled) از مدل Nemotron 3 Ultra و آموزش‌دیده روی ۲۶ تریلیون توکن به همراه یادگیری تقویتی (RL).
لایسنس: کاملاً متن‌باز با مجوز تجاری آزاد (OpenMDW-1.1) به همراه انتشار ۴۰ دیتاست آموزشی بینایی-زبانی و محیط‌های تمرینی NeMo Gym.
💻 نسخه فشرده برای کارت‌های گرافیک خانگی (Bolt 74B): از آنجا که اجرای نسخه اصلی (BF16) نیازمند ۴ کارت H100 یا ۲ کارت GB200 است، انویدیا همزمان مدل Nemotron 3.5 Bolt 74B-A9B را هم منتشر کرده است. این مدل ۷۴ میلیارد پارامتری (با ۹ میلیارد پارامتر فعال) با تکنیک Quantization-Aware Distillation به حدود ۲ بیت فشرده شده تا به راحتی روی کارت‌های گرافیک ۲۴ گیگابایتی (مثل RTX 5090 یا لپ‌تاپ‌های رده‌بالا) با پنجره زمینه ۲۵۶ هزار توکنی اجرا شود. (یک نسخه فوق سبک ۴ گیگابایتی به نام Bolt E4B هم در تاریخ ۲۳ اکتبر برای دستیارهای صوتی و ایجنت‌های فیزیکی منتشر خواهد شد).
📊 عملکرد در بنچمارک‌ها:
GPQA Diamond: امتیاز عالی 89.52%
SWE-bench Verified: کسب امتیاز 71.10% (هم‌تراز با Qwen3.5-122B-A10B با 71.9%)
Terminal-Bench 2.1: کسب امتیاز 60.67% (پایین‌تر از رقبایی مثل Qwen3.8-Flash-Next و GLM-5.3-Flash، اما انویدیا می‌گوید برگ برنده این مدل، سرعت و توان عملیاتی تا ۵ برابر بیشتر روی تکGPU نسبت به رقباست).
🔗 لینک‌های اصلی برای بررسی و دانلود:
📢 اطلاعیه رسمی در وبلاگ انویدیا
🛠 پست فنی در وبلاگ توسعه‌دهندگان انویدیا
🤗 صفحه مدل Nemotron 3.5 Super VL 120B در Hugging Face
⚡️ صفحه مدل فشرده Bolt 74B (نسخه ۲۴ گیگابایتی) در Hugging Face
📈 بنچمارک و تحلیل عملکرد در Artificial Analysis
کانال تلگرام هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
#NVIDIA #Nemotron #VisionLanguageModel #AI_Agents #OpenWeights #Multimodal #LLM #هوش_مصنوعی
NVIDIA Blog
Open From Data Center to Desktop: NVIDIA Expands Nemotron Family With Highest Efficiency Super VL and Bolt Models
NVIDIA today released Nemotron 3.5 Super VL, an open 120-billion-parameter model that delivers the fastest task completion and highest accuracy for specialized always-on agents. Joining it are two new edge models: Nemotron 3.5 Bolt 74B-A9B 24GB, optimized…
❤2
🧠 معرفی Jeeves از تیم PostHog؛ مدل تصمیم‌گیرنده ۹ میلیارد پارامتری و متن‌باز که قبل از انتخاب گزینه‌ها فکر می‌کند!
شرکت PostHog مدل متن‌باز Jeeves را منتشر کرد؛ یک مدل دسته‌بندی و تصمیم‌گیری (Decision Model) ۹ میلیارد پارامتری که فرمت درخواست‌های مدل‌های خانواده‌ی Jev (سوالات بله/خیر، چندگزینه‌ای و امتیازدهی) را می‌گیرد، اما برخلاف اکثر مدل‌های مشابه، ابتدا یک زنجیره استدلال (Reasoning Chain) می‌نویسد و سپس احتمال کالیبره‌شده (Calibrated Probability) هر گزینه را خروجی می‌دهد. وزن‌های مدل در هاگینگ‌فیس و کدهای کامل آموزش و دیتاست آن در گیت‌هاب منتشر شده است.
⚙️ معماری و نحوه کارکرد:
مدل پایه: مبتنی بر Qwen3.5-9B به همراه یک آداپتور LoRA و یک Pointer Head که بعد از اتمام زنجیره استدلال، روی یک توکن ویژه (
فرآیند آموزش: فاین‌تیونینگ نظارت‌شده (SFT) روی ۱۹,۱۲۶ سوال، سپس یادگیری تقویتی با الگوریتم CISPO و در نهایت تنظیم دما (Temperature Fitting) برای کالیبره کردن دقیق احتمالات.
شتاب‌دهی استدلال: استفاده از یک Diffusion Drafter سازگار با لایه‌های Gated DeltaNet در Qwen3.5 که سرعت تولید زنجیره استدلال را حدود ۱.۶ برابر افزایش می‌دهد.
📊 چرا اهمیت دارد؟ (مقایسه عملکرد و چالش‌ها):
در بسیاری از پایپ‌لاین‌های مهندسی یادگیری ماشین، از یک مدل سبک شبیه Jev برای پاسخ‌های سریع و کالیبره‌شده استفاده می‌شود و در مواقعی که دقت بالا حیاتی است، سراغ مدل‌های استدلال‌گر بزرگ می‌روند. مدل Jeeves تلاش می‌کند هر دو کار را در یک مدل Self-hosted یکجا انجام دهد:
نقاط قوت: کسب امتیاز 0.889 در بخش تست Out-of-domain (در مقابل 0.857 برای مدل Jev)؛ امتیاز 0.935 در بنچمارک Jev Bench Public و 0.865 در Jev Bench Hard.
محدودیت‌ها (Trade-offs): در بنچمارک MMLU پایین‌تر از Jev قرار می‌گیرد (امتیاز 0.793 در برابر 0.900). همچنین، استدلال کامل به طور میانه ۳.۳ ثانیه روی یک کارت گرافیک H100 زمان می‌برد (البته امکان محدود کردن طول استدلال یا رد کردن مرحله فکر کردن وجود دارد).
💻 دانلود و راه‌اندازی سریع:
مناسب برای مهندسان ML که در حال ساخت پایپ‌لاین‌های دسته‌بندی (Classification) و مسیریابی (Routing) هستند:
Bash
🔗 لینک‌های اصلی پروژه:
📦 مخزن گیت‌هاب PostHog/jeeves
🤗 وزن‌های مدل Jeeves در Hugging Face
💬 گفتگو و بررسی فنی در
Hacker News
کانال تلگرام هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
#PostHog #Jeeves #Jev #DecisionModel #Qwen #Reasoning #ReinforcementLearning #SpeculativeDecoding #OpenSource #هوش_مصنوعی
شرکت PostHog مدل متن‌باز Jeeves را منتشر کرد؛ یک مدل دسته‌بندی و تصمیم‌گیری (Decision Model) ۹ میلیارد پارامتری که فرمت درخواست‌های مدل‌های خانواده‌ی Jev (سوالات بله/خیر، چندگزینه‌ای و امتیازدهی) را می‌گیرد، اما برخلاف اکثر مدل‌های مشابه، ابتدا یک زنجیره استدلال (Reasoning Chain) می‌نویسد و سپس احتمال کالیبره‌شده (Calibrated Probability) هر گزینه را خروجی می‌دهد. وزن‌های مدل در هاگینگ‌فیس و کدهای کامل آموزش و دیتاست آن در گیت‌هاب منتشر شده است.
⚙️ معماری و نحوه کارکرد:
مدل پایه: مبتنی بر Qwen3.5-9B به همراه یک آداپتور LoRA و یک Pointer Head که بعد از اتمام زنجیره استدلال، روی یک توکن ویژه (
decide) به هر گزینه امتیاز می‌دهد.فرآیند آموزش: فاین‌تیونینگ نظارت‌شده (SFT) روی ۱۹,۱۲۶ سوال، سپس یادگیری تقویتی با الگوریتم CISPO و در نهایت تنظیم دما (Temperature Fitting) برای کالیبره کردن دقیق احتمالات.
شتاب‌دهی استدلال: استفاده از یک Diffusion Drafter سازگار با لایه‌های Gated DeltaNet در Qwen3.5 که سرعت تولید زنجیره استدلال را حدود ۱.۶ برابر افزایش می‌دهد.
📊 چرا اهمیت دارد؟ (مقایسه عملکرد و چالش‌ها):
در بسیاری از پایپ‌لاین‌های مهندسی یادگیری ماشین، از یک مدل سبک شبیه Jev برای پاسخ‌های سریع و کالیبره‌شده استفاده می‌شود و در مواقعی که دقت بالا حیاتی است، سراغ مدل‌های استدلال‌گر بزرگ می‌روند. مدل Jeeves تلاش می‌کند هر دو کار را در یک مدل Self-hosted یکجا انجام دهد:
نقاط قوت: کسب امتیاز 0.889 در بخش تست Out-of-domain (در مقابل 0.857 برای مدل Jev)؛ امتیاز 0.935 در بنچمارک Jev Bench Public و 0.865 در Jev Bench Hard.
محدودیت‌ها (Trade-offs): در بنچمارک MMLU پایین‌تر از Jev قرار می‌گیرد (امتیاز 0.793 در برابر 0.900). همچنین، استدلال کامل به طور میانه ۳.۳ ثانیه روی یک کارت گرافیک H100 زمان می‌برد (البته امکان محدود کردن طول استدلال یا رد کردن مرحله فکر کردن وجود دارد).
💻 دانلود و راه‌اندازی سریع:
مناسب برای مهندسان ML که در حال ساخت پایپ‌لاین‌های دسته‌بندی (Classification) و مسیریابی (Routing) هستند:
Bash
hf download PostHog/jeeves --local-dir jeeves-weights
🔗 لینک‌های اصلی پروژه:
📦 مخزن گیت‌هاب PostHog/jeeves
🤗 وزن‌های مدل Jeeves در Hugging Face
💬 گفتگو و بررسی فنی در
Hacker News
کانال تلگرام هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
#PostHog #Jeeves #Jev #DecisionModel #Qwen #Reasoning #ReinforcementLearning #SpeculativeDecoding #OpenSource #هوش_مصنوعی
GitHub
GitHub - PostHog/jeeves: Jeeves – Reasoning improves Jev-like decision models
Jeeves – Reasoning improves Jev-like decision models - PostHog/jeeves
❤1
📝 چطور بخش Methodology مقالات را بنویسیم تا داورها ایراد ابهام و عدم تکرارپذیری نگیرند؟
یکی از متداول‌ترین دلایل ریجکت مقالات AI در کنفرانس‌های رده‌بالا و ژورنال‌های Q1، کامنت معروف داوران است:
داورها زمان زیادی برای رمزگشایی متن مبهم شما ندارند. اگر بخش متدولوژی را بر اساس این چارچوب ۴ بخشی سازماندهی کنید، احتمال این ایراد به صفر نزدیک می‌شود:
▫️ ۱. فرمول‌بندی شفاف مسئله (Problem Formulation)
قبل از ورود به جزئیات مدل، ورودی و خروجی را با نمادگذاری ریاضی دقیق (Mathematical Notation) تعریف کنید:
• ورودی چیست؟ (تنسور، ماتریس ویژگی، دنباله متنی، گره‌های گراف؟ ابعاد هر فضا را صریح بنویسید).
• خروجی و هدف نهایی چیست؟
• تابع هدف (Objective Function) چه پارامترهایی را بهینه‌سازی می‌کند؟
یک جدول کوچک برای نمادها (Notations) یا تعریف دقیق ابعاد هر لایه در متن، جلوی سردرگمی داور را می‌گیرد.
▫️ ۲. دیاگرام مفهومی جامع (System Architecture Diagram)
داور قبل از خواندن خط به خط معادلات، تصویر مدل شما را اسکن می‌کند:
• دیاگرام باید مستقل از متن فهمیده شود (Self-contained).
• جریان داده (Data Flow)، ابعاد تنسورها در گلوگاه‌ها، و ماژول‌های پیشنهادی جدید شما (با تمایز رنگی نسبت به اجزای پایه) حتماً در شکل مشخص باشند.
• کپشن شکل فقط نباید بنویسد: "Overview of the proposed model"؛ بلکه باید در ۳-۴ خط عملکرد اصلی جریان ورودی تا خروجی را توضیح دهد.
▫️ ۳. جداسازی هسته نوآوری از ابزارهای آماده
بزرگ‌ترین خطای نگارش این است که ۲ صفحه توضیح دهید ترنسفورمر، کانولوشن یا بک‌بون چطور کار می‌کند! داور این‌ها را می‌داند:
• اجزای استاندارد را در چند سطر با رفرنس‌دهی جمع‌بندی کنید.
• تمرکز متن و زیربخش‌ها را منحصراً روی «ماژول پیشنهادی»، «تابع هزینه جدید» یا «سازوکار تلفیقی خودتان» بگذارید.
▫️ ۴. تفکیک دقیق الگوریتم و جزئیات پیاده‌سازی (Implementation Details)
مرز تکرارپذیری اینجاست:
• شبه‌کد (Pseudocode/Algorithm box): مراحل دقیق آموزش و استنتاج (Inference) را گام‌به‌گام و خوانا بنویسید.
• بخش جزئیات پیاده‌سازی: هایپرپارامترهای کلیدی (Learning rate، اندازه Batch، توابع فعال‌ساز، روش بهینه‌سازی مثل AdamW، نرخ Dropout و نحوه مقداردهی اولیه وزن‌ها) را شفاف قید کنید.
• در صورت امکان به مخزن کد (با لینک ناشناس ناشر برای داوری دوسوکور) ارجاع دهید.
📌 قاعده طلایی:
یک متدولوژی استاندارد طوری نوشته می‌شود که یک دانشجوی ارشد دیگر با خواندن متن و شبه‌کد شما، بتواند معماری را از صفر پیاده‌سازی کند بدون اینکه نیازی به حدس زدن ابعاد یا فرمول‌ها داشته باشد.
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#هوش_مصنوعی #مقاله_نویسی #نگارش_علمی #پژوهش #تز #LaTeX #DeepLearning
یکی از متداول‌ترین دلایل ریجکت مقالات AI در کنفرانس‌های رده‌بالا و ژورنال‌های Q1، کامنت معروف داوران است:
"The method is unclear, and the results seem hard to reproduce."
داورها زمان زیادی برای رمزگشایی متن مبهم شما ندارند. اگر بخش متدولوژی را بر اساس این چارچوب ۴ بخشی سازماندهی کنید، احتمال این ایراد به صفر نزدیک می‌شود:
▫️ ۱. فرمول‌بندی شفاف مسئله (Problem Formulation)
قبل از ورود به جزئیات مدل، ورودی و خروجی را با نمادگذاری ریاضی دقیق (Mathematical Notation) تعریف کنید:
• ورودی چیست؟ (تنسور، ماتریس ویژگی، دنباله متنی، گره‌های گراف؟ ابعاد هر فضا را صریح بنویسید).
• خروجی و هدف نهایی چیست؟
• تابع هدف (Objective Function) چه پارامترهایی را بهینه‌سازی می‌کند؟
یک جدول کوچک برای نمادها (Notations) یا تعریف دقیق ابعاد هر لایه در متن، جلوی سردرگمی داور را می‌گیرد.
▫️ ۲. دیاگرام مفهومی جامع (System Architecture Diagram)
داور قبل از خواندن خط به خط معادلات، تصویر مدل شما را اسکن می‌کند:
• دیاگرام باید مستقل از متن فهمیده شود (Self-contained).
• جریان داده (Data Flow)، ابعاد تنسورها در گلوگاه‌ها، و ماژول‌های پیشنهادی جدید شما (با تمایز رنگی نسبت به اجزای پایه) حتماً در شکل مشخص باشند.
• کپشن شکل فقط نباید بنویسد: "Overview of the proposed model"؛ بلکه باید در ۳-۴ خط عملکرد اصلی جریان ورودی تا خروجی را توضیح دهد.
▫️ ۳. جداسازی هسته نوآوری از ابزارهای آماده
بزرگ‌ترین خطای نگارش این است که ۲ صفحه توضیح دهید ترنسفورمر، کانولوشن یا بک‌بون چطور کار می‌کند! داور این‌ها را می‌داند:
• اجزای استاندارد را در چند سطر با رفرنس‌دهی جمع‌بندی کنید.
• تمرکز متن و زیربخش‌ها را منحصراً روی «ماژول پیشنهادی»، «تابع هزینه جدید» یا «سازوکار تلفیقی خودتان» بگذارید.
▫️ ۴. تفکیک دقیق الگوریتم و جزئیات پیاده‌سازی (Implementation Details)
مرز تکرارپذیری اینجاست:
• شبه‌کد (Pseudocode/Algorithm box): مراحل دقیق آموزش و استنتاج (Inference) را گام‌به‌گام و خوانا بنویسید.
• بخش جزئیات پیاده‌سازی: هایپرپارامترهای کلیدی (Learning rate، اندازه Batch، توابع فعال‌ساز، روش بهینه‌سازی مثل AdamW، نرخ Dropout و نحوه مقداردهی اولیه وزن‌ها) را شفاف قید کنید.
• در صورت امکان به مخزن کد (با لینک ناشناس ناشر برای داوری دوسوکور) ارجاع دهید.
📌 قاعده طلایی:
یک متدولوژی استاندارد طوری نوشته می‌شود که یک دانشجوی ارشد دیگر با خواندن متن و شبه‌کد شما، بتواند معماری را از صفر پیاده‌سازی کند بدون اینکه نیازی به حدس زدن ابعاد یا فرمول‌ها داشته باشد.
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#هوش_مصنوعی #مقاله_نویسی #نگارش_علمی #پژوهش #تز #LaTeX #DeepLearning
❤1
🔑 شاه‌کلید پیدا کردن Research Gap؛ بخش Future Work را فراموش کنید!
بزرگ‌ترین تله‌ی پژوهشگران ارشد و دکتری علوم و مهندسی کامپیوتر و فناوری اطلاعات این است که مستقیم سراغ بخش Future Work در مقالات NeurIPS، CVPR یا ICLR می‌روند.
حقیقت تلخ: ایده‌ای که در Future Work یک مقاله چاپ‌شده می‌بینید، احتمالاً ۶ ماه پیش توسط همان تیم کد زده شده و الان در مرحله داوری کنفرانس بعدی است. شما صرفاً دارید دنبال رد پای کسی می‌دوید که مدت‌هاست از آن مسیر عبور کرده است.
گپ پژوهشیِ چاپ‌شدنی و معنادار از ۳ استراتژی مهندسی‌شده به‌دست می‌آید:
۱. ماتریس «محدودیت‌های تکرارشونده» (Recurring Failure Modes)
به‌جای چکیده (Abstract)، مستقیماً بخش Limitations و جدول‌های Error Analysis را هدف بگیرید.
اکشن‌پلن ۳۰ دقیقه‌ای:
۱. ۳ تا ۵ مقاله SOTA دو سال اخیر حوزه‌تان را بردارید (حتماً نسخه داوری‌شده در OpenReview را ببینید).
۲. یک جدول ۳ ستونه بسازید:
۳. اگر ۳ گروه تحقیقاتیِ مستقل به یک بن‌بست مشترک رسیده باشند، آن بن‌بست دقیقاً گپ پژوهشی شماست.
الگوهای رایج شکست:
• افت شدید دقت روی توزیع‌های خارج از دامنه (OOD) یا داده‌های نویزی
• بهبود ناچیز ۰.۵ درصدی با ۱۰ برابر شدن هزینه محاسباتی و پارامترها
• کرش کردن در سناریوهای بلادرنگ (Real-Time) یا روی سخت‌افزارهای لبه (Edge)
۲. تکنیک Cross-Pollination (اختراع نکنید؛ پیوند بزنید)
ساختن یک معماری کاملاً جدید از صفر تقریباً ناممکن و پرریسک است. هوشمندانه‌ترین کار، قرض گرفتن ابزار از یک پارادایم برای حل معضل پارادایم دیگر است:
داده‌محور + ساختارهای نمادین: ترکیب یادگیری عمیق با گراف‌های دانش (Knowledge Graphs) یا استنتاج منطقی (Neuro-Symbolic) برای مهار توهم مدل‌ها و افزودن قابلیت تفسیر (Explainability).
بازیابی ساختاریافته + تولید: پیوند مدل‌های زبانی به پایگاه‌های رابطهای بدون هزینه‌های سنگین فاین‌تیون (مثل SQL-aware RAG).
فرمول: ابزاری که در «حوزه A» مسئله‌ای مشابه را حل کرده پیدا کنید و بررسی کنید آیا کسی آن را برای چالش معادل در «حوزه B» به کار گرفته است یا خیر.
۳. به چالش کشیدن «فرضیات پیش‌فرض» (Challenging the Defaults)
هر الگوریتم بر پایه چند پیش‌فرض نانوشته جلو می‌رود که سال‌هاست کسی دستکاری‌شان نکرده است:
فرض ایستا بودن داده‌ها: همه فرض می‌کنند توزیع داده ثابت است. شما بپرسید: اگر با Concept Drift مواجه شویم چه می‌شود؟ راه‌حل یادگیری مداوم (Continual Learning) چیست؟
فرض دسترسی به لیبل کامل: همه داده را تمیز و برچسب‌دار فرض می‌کنند. شما بپرسید: چطور با Self-Supervised یا Weak Supervision وابستگی به نظارت انسانی را به حداقل برسانیم؟
جعبه سیاه بودن مدل: همه به خروجی دقت می‌کنند. شما بپرسید: آیا بدون ارائه زنجیره استدلال قابل ردیابی، چنین مدلی در پزشکی یا حوزه‌های حیاتی قابل اتکا خواهد بود؟
📌 فرمول طلایی نوشتن صورت‌مسئله در پروپوزال یا اینتروداکشن:
⏱️ چک‌لیست اجرایی ۹۰ دقیقه‌ای:
▫️ ۲۰ دقیقه: استخراج ۵ بخش Limitation از مقالات اخیر در یک جدول مقایسه‌ای
▫️ ۳۰ دقیقه: فهرست کردن فرضیات پیش‌فرض و یافتن مقالاتی که آن فرض‌ها را نقض کرده‌اند
▫️ ۴۰ دقیقه: طراحی یک پیوند بین‌رشته‌ای و پیاده کردن آن در قالب فرمول طلایی بالا
🧰 جعبه‌ابزار کاربردی:
• OpenReview.net: برای خواندن نقدهای تند داوران و دیدن نقاط ضعف عریان مقالات
• Elicit.org: استخراج خودکار و مقایسه بخش Limitations در مقالات مرتبط
• Connected Papers: شناسایی سریع خوشه‌های پژوهشی و مسیرهای توسعه‌نیافته
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#هوش_مصنوعی #پژوهش #پایان_نامه #Research_Gap #مقاله_نویسی #ارشد_دکتری
بزرگ‌ترین تله‌ی پژوهشگران ارشد و دکتری علوم و مهندسی کامپیوتر و فناوری اطلاعات این است که مستقیم سراغ بخش Future Work در مقالات NeurIPS، CVPR یا ICLR می‌روند.
حقیقت تلخ: ایده‌ای که در Future Work یک مقاله چاپ‌شده می‌بینید، احتمالاً ۶ ماه پیش توسط همان تیم کد زده شده و الان در مرحله داوری کنفرانس بعدی است. شما صرفاً دارید دنبال رد پای کسی می‌دوید که مدت‌هاست از آن مسیر عبور کرده است.
گپ پژوهشیِ چاپ‌شدنی و معنادار از ۳ استراتژی مهندسی‌شده به‌دست می‌آید:
۱. ماتریس «محدودیت‌های تکرارشونده» (Recurring Failure Modes)
به‌جای چکیده (Abstract)، مستقیماً بخش Limitations و جدول‌های Error Analysis را هدف بگیرید.
اکشن‌پلن ۳۰ دقیقه‌ای:
۱. ۳ تا ۵ مقاله SOTA دو سال اخیر حوزه‌تان را بردارید (حتماً نسخه داوری‌شده در OpenReview را ببینید).
۲. یک جدول ۳ ستونه بسازید:
نام مقاله | ادعای اصلی | کجا و چرا مدل شکست خورده؟۳. اگر ۳ گروه تحقیقاتیِ مستقل به یک بن‌بست مشترک رسیده باشند، آن بن‌بست دقیقاً گپ پژوهشی شماست.
الگوهای رایج شکست:
• افت شدید دقت روی توزیع‌های خارج از دامنه (OOD) یا داده‌های نویزی
• بهبود ناچیز ۰.۵ درصدی با ۱۰ برابر شدن هزینه محاسباتی و پارامترها
• کرش کردن در سناریوهای بلادرنگ (Real-Time) یا روی سخت‌افزارهای لبه (Edge)
نمونه عملی: «در حالی که مدل‌های RAG اخیر روی HotpotQA به دقت بالای ۸۰٪ رسیده‌اند، تحلیل خطای همه‌شان نشان می‌دهد روی سوالات Multi-hop نیازمند استنتاج زمانی (Temporal Reasoning)، عملکردشان به زیر ۴۵٪ سقوط می‌کند.» این یعنی یک گپ واقعی و شفاف.
۲. تکنیک Cross-Pollination (اختراع نکنید؛ پیوند بزنید)
ساختن یک معماری کاملاً جدید از صفر تقریباً ناممکن و پرریسک است. هوشمندانه‌ترین کار، قرض گرفتن ابزار از یک پارادایم برای حل معضل پارادایم دیگر است:
داده‌محور + ساختارهای نمادین: ترکیب یادگیری عمیق با گراف‌های دانش (Knowledge Graphs) یا استنتاج منطقی (Neuro-Symbolic) برای مهار توهم مدل‌ها و افزودن قابلیت تفسیر (Explainability).
بازیابی ساختاریافته + تولید: پیوند مدل‌های زبانی به پایگاه‌های رابطهای بدون هزینه‌های سنگین فاین‌تیون (مثل SQL-aware RAG).
فرمول: ابزاری که در «حوزه A» مسئله‌ای مشابه را حل کرده پیدا کنید و بررسی کنید آیا کسی آن را برای چالش معادل در «حوزه B» به کار گرفته است یا خیر.
۳. به چالش کشیدن «فرضیات پیش‌فرض» (Challenging the Defaults)
هر الگوریتم بر پایه چند پیش‌فرض نانوشته جلو می‌رود که سال‌هاست کسی دستکاری‌شان نکرده است:
فرض ایستا بودن داده‌ها: همه فرض می‌کنند توزیع داده ثابت است. شما بپرسید: اگر با Concept Drift مواجه شویم چه می‌شود؟ راه‌حل یادگیری مداوم (Continual Learning) چیست؟
فرض دسترسی به لیبل کامل: همه داده را تمیز و برچسب‌دار فرض می‌کنند. شما بپرسید: چطور با Self-Supervised یا Weak Supervision وابستگی به نظارت انسانی را به حداقل برسانیم؟
جعبه سیاه بودن مدل: همه به خروجی دقت می‌کنند. شما بپرسید: آیا بدون ارائه زنجیره استدلال قابل ردیابی، چنین مدلی در پزشکی یا حوزه‌های حیاتی قابل اتکا خواهد بود؟
📌 فرمول طلایی نوشتن صورت‌مسئله در پروپوزال یا اینتروداکشن:
«در حالی که کارهای اخیر چالش [X] را با روش [Y] حل کرده‌اند، همگی در سناریوی [Z] دچار افت جدی می‌شوند؛ زیرا فرض ضمنیِ [A] را حفظ کرده‌اند. این پژوهش با جایگزینی [A] با رویکرد [B]، این بن‌بست ساختاری را حل می‌کند.»
⏱️ چک‌لیست اجرایی ۹۰ دقیقه‌ای:
▫️ ۲۰ دقیقه: استخراج ۵ بخش Limitation از مقالات اخیر در یک جدول مقایسه‌ای
▫️ ۳۰ دقیقه: فهرست کردن فرضیات پیش‌فرض و یافتن مقالاتی که آن فرض‌ها را نقض کرده‌اند
▫️ ۴۰ دقیقه: طراحی یک پیوند بین‌رشته‌ای و پیاده کردن آن در قالب فرمول طلایی بالا
🧰 جعبه‌ابزار کاربردی:
• OpenReview.net: برای خواندن نقدهای تند داوران و دیدن نقاط ضعف عریان مقالات
• Elicit.org: استخراج خودکار و مقایسه بخش Limitations در مقالات مرتبط
• Connected Papers: شناسایی سریع خوشه‌های پژوهشی و مسیرهای توسعه‌نیافته
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#هوش_مصنوعی #پژوهش #پایان_نامه #Research_Gap #مقاله_نویسی #ارشد_دکتری
❤1
📣 فراخوان سی‌اُمین کنفرانس بین‌المللی کامپیوتر انجمن کامپیوتر ایران (CSICC 2026)
سی‌اُمین دوره کنفرانس بین‌المللی انجمن کامپیوتر ایران به میزبانی پژوهشگاه ارتباطات و فناوری اطلاعات (ITRC) در دی‌ماه ۱۴۰۵ برگزار می‌شود.
🎯 محور اصلی این دوره:
زیست‌بوم‌های هوشمند و چرخه امن توسعه نرم‌افزار (با هدف بررسی راهکارهای نوین در طراحی، پیاده‌سازی و بهره‌برداری از سامانه‌های هوشمند، امن و پایدار)
🌟 نکته ویژه: بارگذاری مقالات انگلیسی پذیرفته‌شده در کتابخانه دیجیتال IEEE Xplore
📅 تاریخ‌های مهم:
🔹 مهلت ارسال مقالات: ۳۰ مهرماه ۱۴۰۵
🔹 مهلت ثبت‌نام در مسابقه: ۳۰ مهرماه ۱۴۰۵
🔹 اعلام نتایج داوری: ۱۵ آذرماه ۱۴۰۵
🔹 ارسال نسخه نهایی مقالات: ۳۰ آذرماه ۱۴۰۵
🔹 برگزاری کارگاه‌های آموزشی: ۶ و ۷ دی‌ماه ۱۴۰۵
🔹 زمان برگزاری کنفرانس: ۸ و ۹ دی‌ماه ۱۴۰۵
🎙 سخنرانان کلیدی:
دکتر حمید سربازی‌آزاد
دکتر صادق طالبی
دکتر فرزاد تشتریان
📍 محل برگزاری: تهران، انتهای کارگر شمالی، پژوهشگاه ارتباطات و فناوری اطلاعات
🔗 جهت کسب اطلاعات بیشتر، دریافت قالب مقالات و ثبت‌نام به وب‌سایت رسمی کنفرانس مراجعه فرمایید:
وب‌سایت سی‌اُمین کنفرانس بین‌المللی کامپیوتر
#کنفرانس_کامپیوتر #انجمن_کامپیوتر_ایران #فراخوان_مقاله #هوش_مصنوعی #مهندسی_کامپیوتر #CSICC2026 #IEEE
سی‌اُمین دوره کنفرانس بین‌المللی انجمن کامپیوتر ایران به میزبانی پژوهشگاه ارتباطات و فناوری اطلاعات (ITRC) در دی‌ماه ۱۴۰۵ برگزار می‌شود.
🎯 محور اصلی این دوره:
زیست‌بوم‌های هوشمند و چرخه امن توسعه نرم‌افزار (با هدف بررسی راهکارهای نوین در طراحی، پیاده‌سازی و بهره‌برداری از سامانه‌های هوشمند، امن و پایدار)
🌟 نکته ویژه: بارگذاری مقالات انگلیسی پذیرفته‌شده در کتابخانه دیجیتال IEEE Xplore
📅 تاریخ‌های مهم:
🔹 مهلت ارسال مقالات: ۳۰ مهرماه ۱۴۰۵
🔹 مهلت ثبت‌نام در مسابقه: ۳۰ مهرماه ۱۴۰۵
🔹 اعلام نتایج داوری: ۱۵ آذرماه ۱۴۰۵
🔹 ارسال نسخه نهایی مقالات: ۳۰ آذرماه ۱۴۰۵
🔹 برگزاری کارگاه‌های آموزشی: ۶ و ۷ دی‌ماه ۱۴۰۵
🔹 زمان برگزاری کنفرانس: ۸ و ۹ دی‌ماه ۱۴۰۵
🎙 سخنرانان کلیدی:
دکتر حمید سربازی‌آزاد
دکتر صادق طالبی
دکتر فرزاد تشتریان
📍 محل برگزاری: تهران، انتهای کارگر شمالی، پژوهشگاه ارتباطات و فناوری اطلاعات
🔗 جهت کسب اطلاعات بیشتر، دریافت قالب مقالات و ثبت‌نام به وب‌سایت رسمی کنفرانس مراجعه فرمایید:
وب‌سایت سی‌اُمین کنفرانس بین‌المللی کامپیوتر
#کنفرانس_کامپیوتر #انجمن_کامپیوتر_ایران #فراخوان_مقاله #هوش_مصنوعی #مهندسی_کامپیوتر #CSICC2026 #IEEE
❤1
خداحافظی با پاسخ‌های صرفاً متنی در ChatGPT! 🚀
شرکت OpenAI همزمان با انتشار مدل GPT-6، قابلیت جدیدی به نام ChatGPT Intelligent UI را معرفی کرده که شکل پاسخ‌دهی این چت‌بات را متحول می‌کند.
از این پس، خروجی‌های ChatGPT دیگر محدود به دیوارهای طولانی از متن نیستند، بلکه مدل می‌تواند حین استریم کردن پاسخ، مینی‌اپ‌ها و رابطهای کاربری تعاملی (Generative UI) بسازد!
✨ با این قابلیت چه چیزهایی را مستقیماً داخل چت می‌بینیم؟
📊 نمودارها و جدول‌های قابل ویرایش
🧮 ماشین‌حساب‌های اختصاصی برای یک تسک مشخص (مثلاً محاسبه‌گر پس‌انداز شخصی)
🗺 نقشه‌های مسیر (مثل مسیرهای طبیعت‌گردی) و راهنماهای تصویری پخت غذا
⚙️ دیاگرام‌های آموزشی و تعاملی (مثلاً نحوه کارکرد بال هواپیما یا مکانیزم دوچرخه)
📌 نکات مهم این آپدیت:
کنترل در دست کاربر: می‌توانید میزان استفاده از المان‌های بصری را در پاسخ‌ها کم یا زیاد کنید.
دسترسی: این قابلیت به صورت جهانی برای تمام کاربران (چه نسخه‌های پولی و چه رایگان) فعال شده است.
محدودیت API: در حال حاضر این ویژگی فقط مختص محیط چت است و هنوز در API یا ابزارهایی مثل Codex ارائه نشده است.
🔗 منابع خبر: گزارش TechCrunch | گزارش AlphaSignal
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#ChatGPT #OpenAI #GPT6 #AI #GenerativeUI #هوش_مصنوعی
شرکت OpenAI همزمان با انتشار مدل GPT-6، قابلیت جدیدی به نام ChatGPT Intelligent UI را معرفی کرده که شکل پاسخ‌دهی این چت‌بات را متحول می‌کند.
از این پس، خروجی‌های ChatGPT دیگر محدود به دیوارهای طولانی از متن نیستند، بلکه مدل می‌تواند حین استریم کردن پاسخ، مینی‌اپ‌ها و رابطهای کاربری تعاملی (Generative UI) بسازد!
✨ با این قابلیت چه چیزهایی را مستقیماً داخل چت می‌بینیم؟
📊 نمودارها و جدول‌های قابل ویرایش
🧮 ماشین‌حساب‌های اختصاصی برای یک تسک مشخص (مثلاً محاسبه‌گر پس‌انداز شخصی)
🗺 نقشه‌های مسیر (مثل مسیرهای طبیعت‌گردی) و راهنماهای تصویری پخت غذا
⚙️ دیاگرام‌های آموزشی و تعاملی (مثلاً نحوه کارکرد بال هواپیما یا مکانیزم دوچرخه)
📌 نکات مهم این آپدیت:
کنترل در دست کاربر: می‌توانید میزان استفاده از المان‌های بصری را در پاسخ‌ها کم یا زیاد کنید.
دسترسی: این قابلیت به صورت جهانی برای تمام کاربران (چه نسخه‌های پولی و چه رایگان) فعال شده است.
محدودیت API: در حال حاضر این ویژگی فقط مختص محیط چت است و هنوز در API یا ابزارهایی مثل Codex ارائه نشده است.
🔗 منابع خبر: گزارش TechCrunch | گزارش AlphaSignal
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#ChatGPT #OpenAI #GPT6 #AI #GenerativeUI #هوش_مصنوعی
ChatGPT
ChatGPT helps you get answers, find inspiration, and be more productive.
❤2
تفاوت واقعی چت‌بات، ورک‌فلو (Workflow) و ایجنت (Agent) چیست؟ 🤖⚙️
امروزه تقریباً به هر سیستم مبتنی بر هوش مصنوعی برچسب «Agent» می‌زنند، اما از نظر مهندسی، بین این سه مفهوم تفاوت‌های ساختاری و مهمی وجود دارد. ساده‌ترین راه برای تشخیص آن‌ها پاسخ به یک سوال کلیدی است: «چه کسی تصمیم می‌گیرد قدم بعدی چه باشد؟»
🍽 یک مثال ساده در فضای رستوران:
چت‌بات (Chatbot) مثل گارسون است: شما می‌پرسید «سوپ روز چیه؟» و او جواب می‌دهد. یک سوال، یک جواب و تمام.
ورک‌فلو (Workflow) مثل خط تولید آشپزخانه است: هر بخش وظیفه ثابتی را به ترتیب مشخص انجام می‌دهد (گریل کردن، کشیدن در بشقاب، تزئین و سرو). هیچ‌کس بداهه‌پردازی نمی‌کند و دستور پخت از قبل کدنویسی شده است.
ایجنت (Agent) مثل یک سرآشپز باتجربه است: یخچالی پر از مواد اولیه را تحویل می‌گیرد و به او می‌گویید «امشب یک غذای خاص برای مهمان‌ها درست کن». خودش تصمیم می‌گیرد چه بپزد، موجودی را چک می‌کند، اگر چیزی کم بود مسیرش را تغییر می‌دهد و تا آماده شدن غذا به تلاش ادامه می‌دهد.
🔍 نگاه فنی‌تر به هر الگو:
1️⃣ چت‌بات (کنترل در دست کاربر):
یک پرامپت می‌گیرد و یک پاسخ می‌دهد. به ابزارهای خارجی وصل نیست و کنشی در دنیای واقعی انجام نمی‌دهد. سریع و ارزان است اما برای کارهای چندمرحله‌ای یا عملیاتی مناسب نیست.
2️⃣ ورک‌فلو یا جریان کار (کنترل در دست کدهای شما):
زنجیره‌ای از فراخوانی‌های LLM در یک مسیر از پیش تعیین‌شده است (مثلاً: دریافت تیکت پشتیبانی ← دسته‌بندی موضوع با LLM ← انتخاب قالب پاسخ در کد ← نگارش متن نهایی توسط LLM). قابل‌پیش‌بینی، سریع و قابل دیباگ کردن است، اما در برابر ورودی‌های پیش‌بینی‌نشده انعطاف ندارد.
3️⃣ ایجنت (کنترل در دست مدل):
شما فقط «هدف» و «ابزارها» (Tools) را به مدل می‌دهید. خودِ مدل در زمان اجرا (Runtime) تصمیم می‌گیرد کدام ابزار را، به چه ترتیبی صدا بزند و چه زمانی متوقف شود (چرخه Observe → Reason → Act → Update). انعطاف‌پذیری بالایی دارد، اما هزینه‌بر است و احتمال خطای زنجیره‌ای (Error Compounding) در آن وجود دارد.
💡 قانون طلایی در طراحی سیستم‌های AI:
همیشه با ساده‌ترین راه‌حل شروع کنید! اگر می‌توانید مراحل اجرای کار را قبل از شروع روی کاغذ بکشید، شما به Workflow نیاز دارید، نه Agent.
در واقع، بیشتر سیستم‌های موفق امروزی در محیط‌های عملیاتی از الگوی ترکیبی Agentic Workflow استفاده می‌کنند: یعنی ساختار کلی و استخوان‌بندی پروژه یک Workflow قطعی و قابل کنترل است، اما در یک یا دو مرحله خاص که نیاز به انعطاف بالا دارد، به مدل اجازه می‌دهند مثل یک Agent عمل کند.
📚 بیشتر بخوانید و بدانید:
Anthropic — Building Effective Agents
Prompt Engineering Guide — AI Workflows vs AI Agents
IBM Think — What Are Agentic Workflows?
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#AI #AIAgents #LLM #MachineLearning #SoftwareEngineering #هوش_مصنوعی
امروزه تقریباً به هر سیستم مبتنی بر هوش مصنوعی برچسب «Agent» می‌زنند، اما از نظر مهندسی، بین این سه مفهوم تفاوت‌های ساختاری و مهمی وجود دارد. ساده‌ترین راه برای تشخیص آن‌ها پاسخ به یک سوال کلیدی است: «چه کسی تصمیم می‌گیرد قدم بعدی چه باشد؟»
🍽 یک مثال ساده در فضای رستوران:
چت‌بات (Chatbot) مثل گارسون است: شما می‌پرسید «سوپ روز چیه؟» و او جواب می‌دهد. یک سوال، یک جواب و تمام.
ورک‌فلو (Workflow) مثل خط تولید آشپزخانه است: هر بخش وظیفه ثابتی را به ترتیب مشخص انجام می‌دهد (گریل کردن، کشیدن در بشقاب، تزئین و سرو). هیچ‌کس بداهه‌پردازی نمی‌کند و دستور پخت از قبل کدنویسی شده است.
ایجنت (Agent) مثل یک سرآشپز باتجربه است: یخچالی پر از مواد اولیه را تحویل می‌گیرد و به او می‌گویید «امشب یک غذای خاص برای مهمان‌ها درست کن». خودش تصمیم می‌گیرد چه بپزد، موجودی را چک می‌کند، اگر چیزی کم بود مسیرش را تغییر می‌دهد و تا آماده شدن غذا به تلاش ادامه می‌دهد.
🔍 نگاه فنی‌تر به هر الگو:
1️⃣ چت‌بات (کنترل در دست کاربر):
یک پرامپت می‌گیرد و یک پاسخ می‌دهد. به ابزارهای خارجی وصل نیست و کنشی در دنیای واقعی انجام نمی‌دهد. سریع و ارزان است اما برای کارهای چندمرحله‌ای یا عملیاتی مناسب نیست.
2️⃣ ورک‌فلو یا جریان کار (کنترل در دست کدهای شما):
زنجیره‌ای از فراخوانی‌های LLM در یک مسیر از پیش تعیین‌شده است (مثلاً: دریافت تیکت پشتیبانی ← دسته‌بندی موضوع با LLM ← انتخاب قالب پاسخ در کد ← نگارش متن نهایی توسط LLM). قابل‌پیش‌بینی، سریع و قابل دیباگ کردن است، اما در برابر ورودی‌های پیش‌بینی‌نشده انعطاف ندارد.
3️⃣ ایجنت (کنترل در دست مدل):
شما فقط «هدف» و «ابزارها» (Tools) را به مدل می‌دهید. خودِ مدل در زمان اجرا (Runtime) تصمیم می‌گیرد کدام ابزار را، به چه ترتیبی صدا بزند و چه زمانی متوقف شود (چرخه Observe → Reason → Act → Update). انعطاف‌پذیری بالایی دارد، اما هزینه‌بر است و احتمال خطای زنجیره‌ای (Error Compounding) در آن وجود دارد.
💡 قانون طلایی در طراحی سیستم‌های AI:
همیشه با ساده‌ترین راه‌حل شروع کنید! اگر می‌توانید مراحل اجرای کار را قبل از شروع روی کاغذ بکشید، شما به Workflow نیاز دارید، نه Agent.
در واقع، بیشتر سیستم‌های موفق امروزی در محیط‌های عملیاتی از الگوی ترکیبی Agentic Workflow استفاده می‌کنند: یعنی ساختار کلی و استخوان‌بندی پروژه یک Workflow قطعی و قابل کنترل است، اما در یک یا دو مرحله خاص که نیاز به انعطاف بالا دارد، به مدل اجازه می‌دهند مثل یک Agent عمل کند.
📚 بیشتر بخوانید و بدانید:
Anthropic — Building Effective Agents
Prompt Engineering Guide — AI Workflows vs AI Agents
IBM Think — What Are Agentic Workflows?
💡 کانال پژوهش‌های هوش مصنوعی:
🔗 @artificialintelligenceresearch
#AI #AIAgents #LLM #MachineLearning #SoftwareEngineering #هوش_مصنوعی
Anthropic
Building effective AI agents
Practical guidance from Anthropic on building reliable AI agents, from simple composable patterns to fully autonomous systems.
❤2
✍🏻 معرفی پژوهشی نوین در زمینه همکاری هوش مصنوعی و متخصصان بالینی
در این پست، پوستر یکی از مقالات پذیرفته‌شده در کنفرانس معتبر MICCAI 2026 با عنوان "Learning to Defer with Guidance on Real World Medical Data" ارائه شده است. این پژوهش توسط محققان دپارتمان علوم مهندسی دانشگاه آکسفورد تدوین و ارائه گردیده است.
مفاهیم و نوآوری‌های کلیدی مقاله:
توسعه چارچوب L2D: این مطالعه، مدل پایه «یادگیری برای ارجاع» (Learning to Defer - L2D) را به مدل پیشرفته‌تر «ارجاع با راهنمایی» (L2D-G) ارتقا داده است.
مکانیسم تصمیم‌گیری: در این معماری، سیستم به‌طور هوشمند تصمیم می‌گیرد که آیا تفسیر داده‌های ورودی (مانند تصاویر اشعه ایکس) را مستقلاً توسط هوش مصنوعی انجام دهد، کاملاً به یک پزشک متخصص واگذار کند، و یا آن را به پزشک ارجاع داده و همزمان راهنمایی‌های کمکی هوش مصنوعی (AI Guidance) را نیز در اختیار وی قرار دهد.
دستاوردها و نتایج بالینی: ارزیابی‌های انجام‌شده بر روی مجموعه داده‌های واقعی پزشکی نشان می‌دهد که مدل L2D-G قادر است به بالاترین سطح دقت یعنی ۹۷.۵٪ دست یابد که در مقایسه با بهترین دقت مدل پایه (۹۲.۳٪)، بهبود قابل‌توجهی را نشان می‌دهد. این رویکرد می‌تواند ضمن کاهش بار کاری کادر درمان، بدون به خطر انداختن ایمنی بیماران، عملکردی فراتر از هوش مصنوعیِ مستقل یا انسانِ مستقل ارائه دهد.
پوستر پیوست‌شده، حاوی جزئیات روش‌شناسی (متدولوژی)، معماری شبکه‌های ارزیابی‌شده و نتایج آماری این پژوهش است. مطالعه این کار تحقیقاتی به پژوهشگران حوزه پردازش تصاویر پزشکی و سیستم‌های تصمیم‌گیری بالینی پیشنهاد می‌شود.
#هوش_مصنوعی_در_پزشکی #یادگیری_ماشین #هوش_مصنوعی #پردازش_تصاویر_پزشکی #دانشگاه_آکسفورد #MICCAI2026
در این پست، پوستر یکی از مقالات پذیرفته‌شده در کنفرانس معتبر MICCAI 2026 با عنوان "Learning to Defer with Guidance on Real World Medical Data" ارائه شده است. این پژوهش توسط محققان دپارتمان علوم مهندسی دانشگاه آکسفورد تدوین و ارائه گردیده است.
مفاهیم و نوآوری‌های کلیدی مقاله:
توسعه چارچوب L2D: این مطالعه، مدل پایه «یادگیری برای ارجاع» (Learning to Defer - L2D) را به مدل پیشرفته‌تر «ارجاع با راهنمایی» (L2D-G) ارتقا داده است.
مکانیسم تصمیم‌گیری: در این معماری، سیستم به‌طور هوشمند تصمیم می‌گیرد که آیا تفسیر داده‌های ورودی (مانند تصاویر اشعه ایکس) را مستقلاً توسط هوش مصنوعی انجام دهد، کاملاً به یک پزشک متخصص واگذار کند، و یا آن را به پزشک ارجاع داده و همزمان راهنمایی‌های کمکی هوش مصنوعی (AI Guidance) را نیز در اختیار وی قرار دهد.
دستاوردها و نتایج بالینی: ارزیابی‌های انجام‌شده بر روی مجموعه داده‌های واقعی پزشکی نشان می‌دهد که مدل L2D-G قادر است به بالاترین سطح دقت یعنی ۹۷.۵٪ دست یابد که در مقایسه با بهترین دقت مدل پایه (۹۲.۳٪)، بهبود قابل‌توجهی را نشان می‌دهد. این رویکرد می‌تواند ضمن کاهش بار کاری کادر درمان، بدون به خطر انداختن ایمنی بیماران، عملکردی فراتر از هوش مصنوعیِ مستقل یا انسانِ مستقل ارائه دهد.
پوستر پیوست‌شده، حاوی جزئیات روش‌شناسی (متدولوژی)، معماری شبکه‌های ارزیابی‌شده و نتایج آماری این پژوهش است. مطالعه این کار تحقیقاتی به پژوهشگران حوزه پردازش تصاویر پزشکی و سیستم‌های تصمیم‌گیری بالینی پیشنهاد می‌شود.
#هوش_مصنوعی_در_پزشکی #یادگیری_ماشین #هوش_مصنوعی #پردازش_تصاویر_پزشکی #دانشگاه_آکسفورد #MICCAI2026
❤1
گروه مدل‌سازی پیش‌بینی در مرکز NIHR BRC: Maudsley در ادامه سلسله نشست‌های ماهانه خود در حوزه یادگیری ماشین و مدل‌سازی پیش‌بینی در سلامت، میزبان ارائه‌ای با موضوع پیش‌بینی چندبیماری (Multimorbidity Prediction) خواهد بود.
سخنران:
دکتر دیانا شمس‌الدینوا - Dr Diana Shamsutdinova
Research Fellow, Department of Biostatistics and Health Informatics, IoPPN, King's College London
دارای دکترای آمار زیستی از KCL، کارشناسی ارشد علوم اعصاب و روانشناسی سلامت روان و کارشناسی ریاضی از دانشگاه دولتی مسکو. حوزه پژوهشی ایشان شامل مدل‌های پیش‌بینی طولی، مدل‌های بقا (Survival Models)، مدل‌های چند-خروجی و فاندیشن مدل‌ها و کاربرد هوش مصنوعی در داده‌های بالینی است.
عنوان ارائه:
Multimorbidity Prediction: From Single-Outcome Cox Models to Deep Learning Multi-Outcome Longitudinal Models
برگزارکننده:
Prediction Modelling Group, NIHR Biomedical Research Centre at South London and Maudsley
نحوه شرکت:
این نشست به صورت آنلاین و رایگان از طریق Microsoft Teams برگزار می‌شود.
۲۸ اکتبر ۲۰۲۶ - ساعت ۱۵:۰۰ تا ۱۶:۰۰ به وقت لندن (ساعت ۱۷:۳۰ تا ۱۸:۳۰ به وقت تهران)
Join Link: https://teams.microsoft.com/meet/391198081457495?p=43FHZrmt9bLFKEDK3c
Meeting ID: 391 198 081 457 495
Passcode: Jz7oc6LR
سخنران:
دکتر دیانا شمس‌الدینوا - Dr Diana Shamsutdinova
Research Fellow, Department of Biostatistics and Health Informatics, IoPPN, King's College London
دارای دکترای آمار زیستی از KCL، کارشناسی ارشد علوم اعصاب و روانشناسی سلامت روان و کارشناسی ریاضی از دانشگاه دولتی مسکو. حوزه پژوهشی ایشان شامل مدل‌های پیش‌بینی طولی، مدل‌های بقا (Survival Models)، مدل‌های چند-خروجی و فاندیشن مدل‌ها و کاربرد هوش مصنوعی در داده‌های بالینی است.
عنوان ارائه:
Multimorbidity Prediction: From Single-Outcome Cox Models to Deep Learning Multi-Outcome Longitudinal Models
برگزارکننده:
Prediction Modelling Group, NIHR Biomedical Research Centre at South London and Maudsley
نحوه شرکت:
این نشست به صورت آنلاین و رایگان از طریق Microsoft Teams برگزار می‌شود.
۲۸ اکتبر ۲۰۲۶ - ساعت ۱۵:۰۰ تا ۱۶:۰۰ به وقت لندن (ساعت ۱۷:۳۰ تا ۱۸:۳۰ به وقت تهران)
Join Link: https://teams.microsoft.com/meet/391198081457495?p=43FHZrmt9bLFKEDK3c
Meeting ID: 391 198 081 457 495
Passcode: Jz7oc6LR
❤1👍1
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 معرفی مدل جدید Muse Spark Open؛ قدرتمندترین مدل متن‌باز آمریکایی تا به امروز
شرکت متا از Muse Spark Open به عنوان قدرتمندترین مدل وزن‌باز (Open-Weight) آمریکایی رونمایی کرد. این مدل برای تسک‌های عامل‌محور (Agentic tasks)، مهندسی نرم‌افزار پیشرفته و استدلال‌های چندمرحله‌ای توسعه یافته است.
📊 مشخصات کلیدی:
معماری: مدل بومی چندوجهی با ۸۱۶ میلیارد پارامتر کل (۴۲ میلیارد فعال)
حجم کانتکست: ۱ میلیون توکن
قابلیت اجرا روی دسکتاپ: طراحی‌شده برای اجرا روی سیستم‌های خانگی با استفاده از دو دستگاه Apple M5 Ultra Mac Studio و فریم‌ورک MLX.
🔗 دسترسی و لینک‌های رسمی:
مطالعه جزئیات و اطلاعیه کامل در وبلاگ تحقیقاتی متا
دریافت وزن‌های مدل از طریق مجموعه رسمی در Hugging Face
استفاده از پلتفرم‌های میزبانی‌شده مانند Together AI، Fireworks AI و OpenRouter
ابزارهای بیشتر هوش مصنوعی در پژوهش:
@artificialintelligenceresearch
شرکت متا از Muse Spark Open به عنوان قدرتمندترین مدل وزن‌باز (Open-Weight) آمریکایی رونمایی کرد. این مدل برای تسک‌های عامل‌محور (Agentic tasks)، مهندسی نرم‌افزار پیشرفته و استدلال‌های چندمرحله‌ای توسعه یافته است.
📊 مشخصات کلیدی:
معماری: مدل بومی چندوجهی با ۸۱۶ میلیارد پارامتر کل (۴۲ میلیارد فعال)
حجم کانتکست: ۱ میلیون توکن
قابلیت اجرا روی دسکتاپ: طراحی‌شده برای اجرا روی سیستم‌های خانگی با استفاده از دو دستگاه Apple M5 Ultra Mac Studio و فریم‌ورک MLX.
🔗 دسترسی و لینک‌های رسمی:
مطالعه جزئیات و اطلاعیه کامل در وبلاگ تحقیقاتی متا
دریافت وزن‌های مدل از طریق مجموعه رسمی در Hugging Face
استفاده از پلتفرم‌های میزبانی‌شده مانند Together AI، Fireworks AI و OpenRouter
ابزارهای بیشتر هوش مصنوعی در پژوهش:
@artificialintelligenceresearch
❤1
🚀 معرفی مدل RAM 2؛ نسل جدید فاندیشن مدل بازسازی تصویر از Blur Labs
تیم Blur Labs از نسخه‌ی دوم مدل پایه خود برای بازسازی تصویر با نام Reconstruct Anything Model 2 (RAM 2) رونمایی کرد. این مدل برای بازسازی تصاویر با وفاداری بالا از هرگونه داده‌ی حسگر خام (Raw Sensor Data) طراحی شده است.
🌟 ویژگی‌های کلیدی RAM 2:
معماری فیزیک‌محور (~۳۵۹ میلیون پارامتر): مدل با در نظر گرفتن فیزیکِ اکتساب و ویژگی‌های نویز، کار می‌کند تا بالاترین کیفیت بازسازی را ارائه دهد.
عملکرد Zero-Shot فوق‌العاده: برخلاف مدل‌های سنتی که برای هر وظیفه به‌طور خاص آموزش می‌بینند، RAM 2 بدون نیاز به هیچ‌گونه آموزش مجدد روی داده‌های نظارت‌شده‌ی جدید، نتایج State-of-the-art ارائه می‌دهد.
سرعت بالا: ترکیب بک‌بون جدید تصویر و تهییج (Conditioning) کارآمدتر، زمان استنتاج را در مسائل چالش‌برانگیز (مانند توموگرافی) حدود ۵۰ درصد نسبت به نسخه اول کاهش داده است.
بدون توهم (Hallucination-free): تمرکز اصلی مدل بر حفظ ثبات فیزیکی و تطابق حداکثری با داده‌های ورودی (به‌ویژه برای کاربردهای پزشکی و صنعتی) است.
📊 حوزه‌های کاربردی و مدالیته‌ها:
مدل RAM 2 در طیف وسیعی از حوزه‌ها نتایج بی‌رقیبی ثبت کرده است:
عکاسی محاسباتی: حذف نویز، دبلور کردن کور (Blind Motion Deblurring) و ترکیب پردازش تصویر خام (RAW).
پزشکی (MRI ،CT و PET): بازسازی شتاب‌گرفته‌ی MRI قلبی و مغزی، CT اسکن‌های Sparse-view و بازسازی پیشرفته PET.
تصویربرداری میکروسکوپی و ژئوفیزیک: حذف نویز میکروسکوپ فلورسانس، اینترپولاسیون لرزه‌ای (Seismic) و پردازش داده‌های سنجش از دور (SAR).
🔗 دسترسی و منابع:
کد و وزن‌های مدل: صفحه گیت‌هاب RAM 2
کتابخانه پایتون سازگار: DeepInverse
ابزارهای بیشتر هوش مصنوعی در پژوهش:
@artificialintelligenceresearch
تیم Blur Labs از نسخه‌ی دوم مدل پایه خود برای بازسازی تصویر با نام Reconstruct Anything Model 2 (RAM 2) رونمایی کرد. این مدل برای بازسازی تصاویر با وفاداری بالا از هرگونه داده‌ی حسگر خام (Raw Sensor Data) طراحی شده است.
🌟 ویژگی‌های کلیدی RAM 2:
معماری فیزیک‌محور (~۳۵۹ میلیون پارامتر): مدل با در نظر گرفتن فیزیکِ اکتساب و ویژگی‌های نویز، کار می‌کند تا بالاترین کیفیت بازسازی را ارائه دهد.
عملکرد Zero-Shot فوق‌العاده: برخلاف مدل‌های سنتی که برای هر وظیفه به‌طور خاص آموزش می‌بینند، RAM 2 بدون نیاز به هیچ‌گونه آموزش مجدد روی داده‌های نظارت‌شده‌ی جدید، نتایج State-of-the-art ارائه می‌دهد.
سرعت بالا: ترکیب بک‌بون جدید تصویر و تهییج (Conditioning) کارآمدتر، زمان استنتاج را در مسائل چالش‌برانگیز (مانند توموگرافی) حدود ۵۰ درصد نسبت به نسخه اول کاهش داده است.
بدون توهم (Hallucination-free): تمرکز اصلی مدل بر حفظ ثبات فیزیکی و تطابق حداکثری با داده‌های ورودی (به‌ویژه برای کاربردهای پزشکی و صنعتی) است.
📊 حوزه‌های کاربردی و مدالیته‌ها:
مدل RAM 2 در طیف وسیعی از حوزه‌ها نتایج بی‌رقیبی ثبت کرده است:
عکاسی محاسباتی: حذف نویز، دبلور کردن کور (Blind Motion Deblurring) و ترکیب پردازش تصویر خام (RAW).
پزشکی (MRI ،CT و PET): بازسازی شتاب‌گرفته‌ی MRI قلبی و مغزی، CT اسکن‌های Sparse-view و بازسازی پیشرفته PET.
تصویربرداری میکروسکوپی و ژئوفیزیک: حذف نویز میکروسکوپ فلورسانس، اینترپولاسیون لرزه‌ای (Seismic) و پردازش داده‌های سنجش از دور (SAR).
🔗 دسترسی و منابع:
کد و وزن‌های مدل: صفحه گیت‌هاب RAM 2
کتابخانه پایتون سازگار: DeepInverse
ابزارهای بیشتر هوش مصنوعی در پژوهش:
@artificialintelligenceresearch
www.blurlabs.ai
RAM 2
Today we release Reconstruct Anything Model 2, our latest foundation model for computational imaging.
❤1
هوش مصنوعی قلب: تحلیل هوشمند تپش (Cardiac AI : Intelligent Heart Analysis)
💠 گروه بیوالکتریک دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با همکاری شاخه دانشجویی IEEE برگزار می‌کند:
👤 سخنران: جناب آقای دکتر سهیل حکاک‌زاده
(استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران)
🎯 این نشست علمی فرصتی ویژه برای آشنایی با مرزهای دانش هوش مصنوعی در تحلیل داده‌ها و تصاویر قلبی و نقش الگوریتم‌های هوشمند در ارزیابی تپش و تشخیص دقیق‌تر بیماری‌های قلبی-عروقی است. شرکت در این جلسه به تمامی دانشجویان و علاقه‌مندان حوزه بیوالکتریک و پردازش داده‌های پزشکی پیشنهاد می‌شود.
🗓 زمان: دوشنبه ۴ آبان ۱۴۰۵
⏰ ساعت: ۱۲:۳۰ الی ۱۳:۳۰
📍 محل برگزاری: دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، سالن آمفی‌تئاتر دکتر جبه‌دار
🌐 لینک ورود به جلسه آنلاین:
vroom.ut.ac.ir/ece1
💠 گروه بیوالکتریک دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با همکاری شاخه دانشجویی IEEE برگزار می‌کند:
👤 سخنران: جناب آقای دکتر سهیل حکاک‌زاده
(استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران)
🎯 این نشست علمی فرصتی ویژه برای آشنایی با مرزهای دانش هوش مصنوعی در تحلیل داده‌ها و تصاویر قلبی و نقش الگوریتم‌های هوشمند در ارزیابی تپش و تشخیص دقیق‌تر بیماری‌های قلبی-عروقی است. شرکت در این جلسه به تمامی دانشجویان و علاقه‌مندان حوزه بیوالکتریک و پردازش داده‌های پزشکی پیشنهاد می‌شود.
🗓 زمان: دوشنبه ۴ آبان ۱۴۰۵
⏰ ساعت: ۱۲:۳۰ الی ۱۳:۳۰
📍 محل برگزاری: دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، سالن آمفی‌تئاتر دکتر جبه‌دار
🌐 لینک ورود به جلسه آنلاین:
vroom.ut.ac.ir/ece1
❤2
🧠✨ هوش مصنوعی قراره جایگزین ما بشه یا توانمندترمون کنه؟
🎓 وبینار تخصصی: بازتعریف هوش در عصر هوش مصنوعی
ذهن انسان، ذهن ماشین و عاملیت انسانی
👩🏫 با حضور دکتر زهره عظیمی‌فر
استاد تمام دانشکده مهندسی برق و کامپیوتر دانشگاه شیراز | متخصص هوش مصنوعی
━━━━━━━━━━━━━━━
📌 در این وبینار چه می‌آموزیم؟
۱. درک عمیق تفاوت هوش انسان و هوش ماشین
۲. روانشناسی تعامل انسان و هوش مصنوعی
۳. عاملیت انسانی و تقویت شناختی در عصر AI
۴. اصول طراحی سیستم‌های هوش مصنوعی انسان‌محور
۵. چگونه برای آینده‌ای یکپارچه با هوش مصنوعی آماده شویم؟
━━━━━━━━━━━━━━━
🗓 زمان: چهارشنبه ۶ آبان ۱۴۰۵
⏰ ساعت: ۱۶:۰۰ الی ۱۸:۰۰
🔗 لینک مستقیم ورود به جلسه:
https://vc.sharif.edu/ch/ieee
💠 آینده هوش مصنوعی فقط به قدرتمندتر شدن ماشین‌ها نیست؛ به طراحی سیستم‌هایی وابسته است که پتانسیل انسان را گسترش دهند، استقلال و عاملیت او را حفظ کنند و همکاری سازنده میان انسان و ماشین هوشمند را ممکن سازند.
این گفتگوی مهم را از دست ندهید.
📤 برای دوستان علاقه‌مند به AI هم بفرستید.
کانال هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
#هوش_مصنوعی #وبینار #AI #انسان_محور #دانشگاه_شریف #IEEE
🎓 وبینار تخصصی: بازتعریف هوش در عصر هوش مصنوعی
ذهن انسان، ذهن ماشین و عاملیت انسانی
👩🏫 با حضور دکتر زهره عظیمی‌فر
استاد تمام دانشکده مهندسی برق و کامپیوتر دانشگاه شیراز | متخصص هوش مصنوعی
━━━━━━━━━━━━━━━
📌 در این وبینار چه می‌آموزیم؟
۱. درک عمیق تفاوت هوش انسان و هوش ماشین
۲. روانشناسی تعامل انسان و هوش مصنوعی
۳. عاملیت انسانی و تقویت شناختی در عصر AI
۴. اصول طراحی سیستم‌های هوش مصنوعی انسان‌محور
۵. چگونه برای آینده‌ای یکپارچه با هوش مصنوعی آماده شویم؟
━━━━━━━━━━━━━━━
🗓 زمان: چهارشنبه ۶ آبان ۱۴۰۵
⏰ ساعت: ۱۶:۰۰ الی ۱۸:۰۰
🔗 لینک مستقیم ورود به جلسه:
https://vc.sharif.edu/ch/ieee
💠 آینده هوش مصنوعی فقط به قدرتمندتر شدن ماشین‌ها نیست؛ به طراحی سیستم‌هایی وابسته است که پتانسیل انسان را گسترش دهند، استقلال و عاملیت او را حفظ کنند و همکاری سازنده میان انسان و ماشین هوشمند را ممکن سازند.
این گفتگوی مهم را از دست ندهید.
📤 برای دوستان علاقه‌مند به AI هم بفرستید.
کانال هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
#هوش_مصنوعی #وبینار #AI #انسان_محور #دانشگاه_شریف #IEEE
❤1
📅 تقویم رویدادهای هوش مصنوعی | آبان ۱۴۰۵
این هفته ۳ رویداد تخصصی و رایگان داریم، به ترتیب زمانی:
۱️⃣ هوش مصنوعی قلب: تحلیل هوشمند تپش
🗓 دوشنبه ۴ آبان | ⏰ ۱۲:۳۰ تا ۱۳:۳۰
👤 دکتر سهیل حکاک‌زاده - دانشگاه تهران
📍 حضوری: دانشکده برق و کامپیوتر دانشگاه تهران، آمفی‌تئاتر دکتر جبه‌دار
🌐 آنلاین: vroom.ut.ac.ir/ece1
مناسب برای علاقه‌مندان بیوالکتریک و پردازش سیگنال‌های پزشکی
۲️⃣ بازتعریف هوش در عصر هوش مصنوعی
🗓 چهارشنبه ۶ آبان | ⏰ ۱۶:۰۰ تا ۱۸:۰۰
👤 دکتر زهره عظیمی‌فر - دانشگاه شیراز
🔗 لینک ورود: vc.sharif.edu/ch/ieee
بررسی آینده تعامل ذهن انسان و ماشین و طراحی AI انسان‌محور
۳️⃣ Multimorbidity Prediction - از مدل‌های Cox تا Deep Learning
🗓 چهارشنبه ۶ آبان / 28 October
⏰ ۱۷:۳۰ تا ۱۸:۳۰ به وقت تهران (15:00-16:00 London)
👤 Dr Diana Shamsutdinova - King's College London
🔗 Teams: teams.microsoft.com/meet/391198081457495
ID: 391 198 081 457 495 | Pass: Jz7oc6LR
💠 شرکت در همه رویدادها رایگان و آنلاین است.
تصویر تقویم رو ذخیره کنید تا زمان‌ها رو از دست ندید.
📤 برای دوستان و هم‌کلاسی‌های علاقه‌مند هم فوروارد کنید.
@artificialintelligenceresearch
#هوش_مصنوعی #یادگیری_ماشین #وبینار #سلامت_دیجیتال #CardiacAI #Multimorbidity
این هفته ۳ رویداد تخصصی و رایگان داریم، به ترتیب زمانی:
۱️⃣ هوش مصنوعی قلب: تحلیل هوشمند تپش
🗓 دوشنبه ۴ آبان | ⏰ ۱۲:۳۰ تا ۱۳:۳۰
👤 دکتر سهیل حکاک‌زاده - دانشگاه تهران
📍 حضوری: دانشکده برق و کامپیوتر دانشگاه تهران، آمفی‌تئاتر دکتر جبه‌دار
🌐 آنلاین: vroom.ut.ac.ir/ece1
مناسب برای علاقه‌مندان بیوالکتریک و پردازش سیگنال‌های پزشکی
۲️⃣ بازتعریف هوش در عصر هوش مصنوعی
🗓 چهارشنبه ۶ آبان | ⏰ ۱۶:۰۰ تا ۱۸:۰۰
👤 دکتر زهره عظیمی‌فر - دانشگاه شیراز
🔗 لینک ورود: vc.sharif.edu/ch/ieee
بررسی آینده تعامل ذهن انسان و ماشین و طراحی AI انسان‌محور
۳️⃣ Multimorbidity Prediction - از مدل‌های Cox تا Deep Learning
🗓 چهارشنبه ۶ آبان / 28 October
⏰ ۱۷:۳۰ تا ۱۸:۳۰ به وقت تهران (15:00-16:00 London)
👤 Dr Diana Shamsutdinova - King's College London
🔗 Teams: teams.microsoft.com/meet/391198081457495
ID: 391 198 081 457 495 | Pass: Jz7oc6LR
💠 شرکت در همه رویدادها رایگان و آنلاین است.
تصویر تقویم رو ذخیره کنید تا زمان‌ها رو از دست ندید.
📤 برای دوستان و هم‌کلاسی‌های علاقه‌مند هم فوروارد کنید.
@artificialintelligenceresearch
#هوش_مصنوعی #یادگیری_ماشین #وبینار #سلامت_دیجیتال #CardiacAI #Multimorbidity
❤1
🎙 پایان دردسر چسباندن ابزارهای صوتی به هم! فرانسه با Voxtral 3 بازار را تکان داد.
اگر تا حالا برای ساخت یک ایجنت صوتی مجبور بودید مدل ASR یک شرکت (مثل Whisper)، بخش استدلال را از یک جا و TTS (تبدیل متن به صوت) را هم از جای دیگری با هزار بدبختی به هم وصل کنید، شرکت Mistral AI بازی را عوض کرد!
میسترال بالاخره از خانواده‌ی جدید مدل‌های صوتی‌اش به نام Voxtral 3 رونمایی کرد؛ یک پلتفرم و استک کاملِ صوتی که همه‌چیز را یکجا و یکپارچه در اختیارتان می‌گذارد.
چرا Voxtral 3 انقدر سر و صدا کرده؟
1️⃣ دقیق‌تر از رقبای نامدار با قیمت شوکه‌کننده! مدل پرچمدار Voxtral Small Transcribe 3 روی بنچمارک FLEURS توانسته با نرخ خطای پایین (WER حدود ۴ درصد) رقبای بزرگی مثل Whisper v3 و جمنای را پشت سر بگذارد؛ آن هم با قیمت بی‌نظیر نيم‌سنت به ازای هر دقیقه!
2️⃣ ایجنت صوتی ریل‌تایم و فوق‌سریع (< 500ms) نسخه ریل‌تایم این مدل روی زیرساخت LiveKit پیاده شده و به لطف تشخیص هوشمند پایان جمله (End-of-turn)، مکالمه‌ای کاملاً طبیعی می‌سازد. اگر وسط حرف زدن ایجنت بپرید، بلافاصله متوقف می‌شود؛ درست مثل یک انسان واقعی!
3️⃣ کلون صدای حرفه‌ای (Pro Voice) با احساسات واقعی مدل Voxtral TTS 3 فقط با ۳۰ دقیقه نمونه صدا، لحن، احساس، سرعت و حتی ریتم گوینده را در ۳۵+ زبان و ۵۰+ لهجه شبیه‌سازی می‌کند. قیمت آن هم فقط ۱۳ دلار به ازای هر ۱ میلیون کاراکتر است.
4️⃣ حاکمیت داده و امنیت سازمانی (Data Sovereignty) برخلاف خیلی از سرویس‌های ابری بسته، میسترال این قابلیت را به شما می‌دهد که کل این استک صوتی را روی سرور شخصی خودتان (Self-host) یا از طریق APIهای امن این شرکت در اروپا اجرا کنید؛ یک موهبت بزرگ برای مراکز تماس و سازمان‌های حساس.
💡 جمع‌بندی: اگر توسعه‌دهنده هستید یا روی پروژه‌های هوش مصنوعی صوتی و ایجنت‌های تلفنی کار می‌کنید، Voxtral 3 به لطف قیمت بسیار پایین، تاخیر زیر ثانیه و کیفیت خیره‌کننده، گزینه‌ای است که دیگر نمی‌شود نادیده‌اش گرفت.
🔗 برای اطلاعات فنی بیشتر و شروع کار:
بررسی کامل در وبلاگ رسمی میسترال
مستندات مدل Voxtral Small Transcribe 3
راهنمای مدل Voxtral TTS 3
کانال هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
اگر تا حالا برای ساخت یک ایجنت صوتی مجبور بودید مدل ASR یک شرکت (مثل Whisper)، بخش استدلال را از یک جا و TTS (تبدیل متن به صوت) را هم از جای دیگری با هزار بدبختی به هم وصل کنید، شرکت Mistral AI بازی را عوض کرد!
میسترال بالاخره از خانواده‌ی جدید مدل‌های صوتی‌اش به نام Voxtral 3 رونمایی کرد؛ یک پلتفرم و استک کاملِ صوتی که همه‌چیز را یکجا و یکپارچه در اختیارتان می‌گذارد.
چرا Voxtral 3 انقدر سر و صدا کرده؟
1️⃣ دقیق‌تر از رقبای نامدار با قیمت شوکه‌کننده! مدل پرچمدار Voxtral Small Transcribe 3 روی بنچمارک FLEURS توانسته با نرخ خطای پایین (WER حدود ۴ درصد) رقبای بزرگی مثل Whisper v3 و جمنای را پشت سر بگذارد؛ آن هم با قیمت بی‌نظیر نيم‌سنت به ازای هر دقیقه!
2️⃣ ایجنت صوتی ریل‌تایم و فوق‌سریع (< 500ms) نسخه ریل‌تایم این مدل روی زیرساخت LiveKit پیاده شده و به لطف تشخیص هوشمند پایان جمله (End-of-turn)، مکالمه‌ای کاملاً طبیعی می‌سازد. اگر وسط حرف زدن ایجنت بپرید، بلافاصله متوقف می‌شود؛ درست مثل یک انسان واقعی!
3️⃣ کلون صدای حرفه‌ای (Pro Voice) با احساسات واقعی مدل Voxtral TTS 3 فقط با ۳۰ دقیقه نمونه صدا، لحن، احساس، سرعت و حتی ریتم گوینده را در ۳۵+ زبان و ۵۰+ لهجه شبیه‌سازی می‌کند. قیمت آن هم فقط ۱۳ دلار به ازای هر ۱ میلیون کاراکتر است.
4️⃣ حاکمیت داده و امنیت سازمانی (Data Sovereignty) برخلاف خیلی از سرویس‌های ابری بسته، میسترال این قابلیت را به شما می‌دهد که کل این استک صوتی را روی سرور شخصی خودتان (Self-host) یا از طریق APIهای امن این شرکت در اروپا اجرا کنید؛ یک موهبت بزرگ برای مراکز تماس و سازمان‌های حساس.
💡 جمع‌بندی: اگر توسعه‌دهنده هستید یا روی پروژه‌های هوش مصنوعی صوتی و ایجنت‌های تلفنی کار می‌کنید، Voxtral 3 به لطف قیمت بسیار پایین، تاخیر زیر ثانیه و کیفیت خیره‌کننده، گزینه‌ای است که دیگر نمی‌شود نادیده‌اش گرفت.
🔗 برای اطلاعات فنی بیشتر و شروع کار:
بررسی کامل در وبلاگ رسمی میسترال
مستندات مدل Voxtral Small Transcribe 3
راهنمای مدل Voxtral TTS 3
کانال هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
❤1
🔍 کالبدشکافی مقاله‌های ردشده! (چرا مقالات خوب ریجکت می‌شوند؟)
خیلی وقت‌ها فکر می‌کنیم دلیل ریجکت شدن یک مقاله، ضعفِ خودِ پژوهش است؛ در حالی که خیلی از اوقات مشکل اصلی، نحوه‌ی نگارش و ارائه‌ی آن است. در ادامه رایج‌ترین تله‌هایی که بررسی‌کنندگان (Reviewers) را به دردسر می‌اندازد، از مقدمه تا نتیجه‌گیری مرور می‌کنیم:
۱. عنوان و چکیده (Title & Abstract): تله‌های رایج
❌ استفاده از عنوان‌های خیلی کلی، مبهم یا بیش از حد طولانی.
❌ نوشتن چکیده قبل از نهایی شدن نتایج اصلی مقاله.
❌ آوردن ارجاع، مخفف‌های تعریف‌نشده یا فرمول‌های پیچیده در چکیده.
❌ تناقض داشتنِ اعداد و ارقامِ داخل چکیده با متن اصلی مقاله.
۲. مقدمه (Introduction): خطاهای بحرانی
❌ شروع کردن با کلی‌گویی‌های خیلی وسیع و بی‌ربط (مثلاً تعریف‌های پایه‌ای از صفر!).
❌ عدم شفافیت در بیان «مسئله‌ی پژوهش» و سوالات دقیق تحقیق.
❌ روشن نکردن این که مطالعه‌ی شما چه شکافی را در ادبیات پژوهش پر می‌کند.
❌ قلمداد نکردنِ اهمیت و ضرورت کار برای خوانندگان بین‌رشته‌ای.
۳. مرور ادبیات (Literature Review): اشتباهات رایج
❌ تبدیل کردن مرور پیشینه به صرفاً فهرستی از خلاصه‌ی مقالات دیگران.
❌ استفاده‌ی بیش از حد از منابع قدیمی، منسوخ‌شده یا کم‌اعتبار.
❌ اتکا به منابع ثانویه به‌جای رجوع به منابع اصلی و اولیه‌ی پژوهش.
❌ عدم شناسایی دقیقِ بحث‌ها، شکاف‌ها یا تناقض‌های موجود در ادبیات پژوهش.
❌ نادیده گرفتن مطالعاتی که فرضیات شما رو به چالش می‌کشند.
۴. روش‌شناسی (Methods): خطاهای بحرانی
❌ توصیف روش‌ها بدون ارائه‌ی توجیه و دلیل منطقی برای آن‌ها.
❌ مبهم بودن درباره‌ی اندازه نمونه (Sample Size) یا نحوه‌ی انتخاب آن.
❌ ترکیب ابزارهای کیفی و کمی بدون منطق و پیوستگیِ درست.
❌ نپرداختن به محدودیت‌های پژوهش یا سوگیری‌های احتمالی.
❌ کپی-پیست کردنِ روش‌های استاندارد بدون شخصی‌سازی و تطبیق آن‌ها با پژوهش خودتان.
۵. نتایج (Results): این اشتباهات را نکنید!
❌ وارد کردن بخش بحث و تحلیل (Discussion) در این قسمت.
❌ گزارش تک‌تک یافته‌های پیش‌پاافتاده به‌جای تمرکز بر نکات کلیدی و اصلی.
❌ استفاده از جدول‌ها یا نمودارهای پیچیده بدون توضیح و تفسیر کافی.
❌ جا انداختن واحدها، برچسب‌ها یا مقادیر آماری (مثل مقادیر p).
❌ فراموش کردنِ ذکر یافته‌های غیرمعنادار (و گلچین کردنِ تعمدیِ فقط نتایج مثبت یا اصطلاحاً Cherry-picking).
۶. بحث و نتیجه‌گیری (Discussion): از این شیوه‌ها پرهیز کنید
❌ تکرار صرفِ نتایج بدون ارائه‌ی یک تفسیر عمیق‌تر.
❌ ارائه‌ی ادعاهای اغراق‌آمیز، حدسی و فراتر از شواهد واقعی.
❌ نادیده گرفتن نتایج متضاد یا غیرمنتظره‌ای که به‌دست آمده‌اند.
❌ عدم هماهنگیِ بحث با فرضیات، اهداف و سوالات اصلی پژوهش.
❌ بیان نکردن پیامدهای تئوریک و کاربردیِ مطالعه.
💡 نکته کلیدی: داوران به‌دنبال یک «رشته‌ی ارتباطیِ منسجم» هستند؛ از سوال پژوهش گرفته تا نتیجه‌گیری نهایی. هرچه این زنجیره منطقی‌تر و شفاف‌تر باشد، مسیر پذیرش مقاله هموارتر خواهد بود!
کانال هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
خیلی وقت‌ها فکر می‌کنیم دلیل ریجکت شدن یک مقاله، ضعفِ خودِ پژوهش است؛ در حالی که خیلی از اوقات مشکل اصلی، نحوه‌ی نگارش و ارائه‌ی آن است. در ادامه رایج‌ترین تله‌هایی که بررسی‌کنندگان (Reviewers) را به دردسر می‌اندازد، از مقدمه تا نتیجه‌گیری مرور می‌کنیم:
۱. عنوان و چکیده (Title & Abstract): تله‌های رایج
❌ استفاده از عنوان‌های خیلی کلی، مبهم یا بیش از حد طولانی.
❌ نوشتن چکیده قبل از نهایی شدن نتایج اصلی مقاله.
❌ آوردن ارجاع، مخفف‌های تعریف‌نشده یا فرمول‌های پیچیده در چکیده.
❌ تناقض داشتنِ اعداد و ارقامِ داخل چکیده با متن اصلی مقاله.
۲. مقدمه (Introduction): خطاهای بحرانی
❌ شروع کردن با کلی‌گویی‌های خیلی وسیع و بی‌ربط (مثلاً تعریف‌های پایه‌ای از صفر!).
❌ عدم شفافیت در بیان «مسئله‌ی پژوهش» و سوالات دقیق تحقیق.
❌ روشن نکردن این که مطالعه‌ی شما چه شکافی را در ادبیات پژوهش پر می‌کند.
❌ قلمداد نکردنِ اهمیت و ضرورت کار برای خوانندگان بین‌رشته‌ای.
۳. مرور ادبیات (Literature Review): اشتباهات رایج
❌ تبدیل کردن مرور پیشینه به صرفاً فهرستی از خلاصه‌ی مقالات دیگران.
❌ استفاده‌ی بیش از حد از منابع قدیمی، منسوخ‌شده یا کم‌اعتبار.
❌ اتکا به منابع ثانویه به‌جای رجوع به منابع اصلی و اولیه‌ی پژوهش.
❌ عدم شناسایی دقیقِ بحث‌ها، شکاف‌ها یا تناقض‌های موجود در ادبیات پژوهش.
❌ نادیده گرفتن مطالعاتی که فرضیات شما رو به چالش می‌کشند.
۴. روش‌شناسی (Methods): خطاهای بحرانی
❌ توصیف روش‌ها بدون ارائه‌ی توجیه و دلیل منطقی برای آن‌ها.
❌ مبهم بودن درباره‌ی اندازه نمونه (Sample Size) یا نحوه‌ی انتخاب آن.
❌ ترکیب ابزارهای کیفی و کمی بدون منطق و پیوستگیِ درست.
❌ نپرداختن به محدودیت‌های پژوهش یا سوگیری‌های احتمالی.
❌ کپی-پیست کردنِ روش‌های استاندارد بدون شخصی‌سازی و تطبیق آن‌ها با پژوهش خودتان.
۵. نتایج (Results): این اشتباهات را نکنید!
❌ وارد کردن بخش بحث و تحلیل (Discussion) در این قسمت.
❌ گزارش تک‌تک یافته‌های پیش‌پاافتاده به‌جای تمرکز بر نکات کلیدی و اصلی.
❌ استفاده از جدول‌ها یا نمودارهای پیچیده بدون توضیح و تفسیر کافی.
❌ جا انداختن واحدها، برچسب‌ها یا مقادیر آماری (مثل مقادیر p).
❌ فراموش کردنِ ذکر یافته‌های غیرمعنادار (و گلچین کردنِ تعمدیِ فقط نتایج مثبت یا اصطلاحاً Cherry-picking).
۶. بحث و نتیجه‌گیری (Discussion): از این شیوه‌ها پرهیز کنید
❌ تکرار صرفِ نتایج بدون ارائه‌ی یک تفسیر عمیق‌تر.
❌ ارائه‌ی ادعاهای اغراق‌آمیز، حدسی و فراتر از شواهد واقعی.
❌ نادیده گرفتن نتایج متضاد یا غیرمنتظره‌ای که به‌دست آمده‌اند.
❌ عدم هماهنگیِ بحث با فرضیات، اهداف و سوالات اصلی پژوهش.
❌ بیان نکردن پیامدهای تئوریک و کاربردیِ مطالعه.
💡 نکته کلیدی: داوران به‌دنبال یک «رشته‌ی ارتباطیِ منسجم» هستند؛ از سوال پژوهش گرفته تا نتیجه‌گیری نهایی. هرچه این زنجیره منطقی‌تر و شفاف‌تر باشد، مسیر پذیرش مقاله هموارتر خواهد بود!
کانال هوش مصنوعی و پژوهش:
@artificialintelligenceresearch
❤1