انویدیا یک پروژه جالب برای ساخت دستیارهای صوتی هوش مصنوعی منتشر کرده که مکالمه با AI رو طبیعی‌تر می‌کنه.

‏مدل Nemotron 3 VoiceChat برای مکالمه صوتی دوطرفه و لحظه‌ای طراحی شده؛ یعنی می‌تونید وسط صحبتش حرف بزنید، مکالمه رو قطع کنید و بدون منتظر موندن برای پایان پاسخ، ادامه بدید. انویدیا این مدل رو در مارس ۲۰۲۶ به‌صورت Early Access معرفی کرده.

‏نکته جذاب‌تر، قابلیت استفاده از ابزارها وسط مکالمه است؛ مثلاً دستیار می‌تونه بر اساس درخواست شما سراغ جست‌وجوی وب، تقویم یا ابزارهای دیگه بره و بعد مکالمه رو ادامه بده.

‏هدف اصلی این پروژه ساخت دستیارهای صوتیه که فقط صدا تولید نمی‌کنن، بلکه می‌تونن هم‌زمان گوش بدن، پاسخ بدن، وقفه‌های طبیعی مکالمه رو مدیریت کنن و برای انجام کارها از ابزارهای مختلف کمک بگیرن.
https://github.com/NVIDIA-NeMo/Speech/tree/nemotron-labs-voicechat

@catartifitial

‏مشکل AI برای نوشتن long-form این نیست که نمی‌تونه بنویسه؛ مشکل اینه که معمولاً همه‌چیز رو با هم قاطی می‌کنه
‏راه‌حل جالب اینجاست:
https://x.com/exm7777/status/2086557637983027459?s=46

@catartifitial

‏اگه می‌خواین درباره LLMها یاد بگیرین و واقعا بفهمین پشت صحنه‌ اين مدلاى زبانى بزرگ چه خبره، این ریپو می‌تونه شروع خوبی باشه.
‏از tokenizer و attention شروع می‌کنه و قدم‌به‌قدم می‌ره سمت ساخت GPT، pretraining و fine-tuning همه‌چیز هم با PyTorch و از صفر پیاده‌سازی شده.
https://github.com/rasbt/LLMs-from-scratch

@catartifitial

اگه توی یه تیم چند نفر با AI کار می‌کنن، این ایده واقعاً جالبه؛ اینکه تجربه‌ها، پرامپت‌ها، Agentها و Workflowهای هرکس رو بشه بین کل تیم به اشتراک گذاشت.
یه جورایی AI مشترک برای کل تیم.
https://x.com/vibemarketer_/status/2086808854898323774?s=46

@catartifitial

بعضی بانکای ایران برای یه لاگین ساده، انقدر لایه امنیتی می‌ذارن که باید ده‌تا اطلاعات مختلف بدی و سه بار هم کد پیامک کنی!

هکر هم اسكول نيست، قرار نیست لزوماً دونه‌دونه از همه این دیوارها رد بشه؛ اگه یه جای پیاده‌سازی، مثلاً مدیریت سشن، درست انجام نشده باشه، ممکنه کل این لایه‌های امنیتی عملاً بی‌فایده بشن.

امنیت فقط زیاد کردن تعداد لایه‌ها نیست. امنیت خوب یعنی درست ساختن سیستم، نه فقط زیاد کردن مرحله‌های ورود.

@catartifitial

کلاد قراره یه واترمارک نامرئی به متن‌ها و عکس‌هایی که تولید می‌کنه اضافه کنه یعنی اينطوريه كه خودت چیزی نمی‌بینی، ولی سیستم‌ها می‌تونن تشخیص بدن محتوا با Claude ساخته شده.

جالب‌تر اینکه این نشونه حتی با کپی‌پیست یا یه‌سری ویرایش‌های جزئی هم از بین نمیره :)

@catartificial

‏یه برنامه عالی برا ویندوز که باهاش میتونید به راحتی هرچیزی که میاد روی صفحه دسکتاپ رو به صورت آنی به زبان دلخواهتون ترجمه کنين.

‏مخصوصا اگه گیمر هستی میتونی باهاش زیرنویس و منوی بازی ها رو فارسی کنی و اینجوری کامل داستان اون بازی رو بفهمی و پیش بری
https://github.com/killkimno/mort

@catartificial

‏اپ دسکتاپ chatgpt به همراه codex بالاخره برای لینوکس هم به صورت preview منتشر شد.

@catartificial

اگه یه روز خواستی درباره برنامه‌نویسی، مهندسی نرم‌افزار، DevOps، هوش مصنوعی یا موضوعات فنی دیگه کتاب بنویسی، این ریپو می‌تونه شروع خیلی خوبی باشه.

منابع مختلف رو دسته‌بندی کرده و قدم‌به‌قدم نشونت می‌ده برای نوشتن یه کتاب فنی خوب از کجا شروع کنی
https://github.com/TalAter/awesome-book-authoring

@catartificial

اگه کلی PDF، مقاله، مستندات و فایل فنی داری و دلت می‌خواد به‌جای گشتن بین تک‌تک‌شون، ازشون تحقیق بگیری، DeepDoc می‌تونه خیلی جالب باشه. این پروژه در واقع یه ابزار Deep Research برای فایل‌های خودته.

فایل‌هات رو بهش می‌دی، موضوع یا سؤال رو مشخص می‌کنی و DeepDoc منابع رو بررسی می‌کنه، اطلاعات مرتبط رو پیدا می‌کنه و در نهایت یه گزارش ساختاریافته با ارجاع به منابع تولید می‌کنه. یعنی عملاً یه Research Agent داری که روی دانش و فایل‌های خودت کار می‌کنه.

جالب‌تر اینکه پروژه Open Source و قابل اجرا به‌صورت لوکاله؛ بنابراین می‌تونه برای تحقیق روی مستندات فنی، مقالات، پروژه‌های دانشگاهی یا حتی یادگیری یه موضوع خاص خیلی کاربردی باشه.
github.com/Oqura-ai/deepdoc

@catartificial

۱۲ دقیقه وقت بذارید و این ویدیو رو ببینید، مخصوصاً اگه عاشق ریاضی و هوش مصنوعی هستید.

برای اولین بار، یه تیم متشکل از ۶۰ عامل هوش مصنوعی به‌صورت موازی روی حل مسئله‌ای کار کردن که ۱۶۷ ساله حل‌نشده باقی مونده بود؛ اما وسط این مسیر، به چیزی رسیدن که اصلاً انتظارش رو نداشتن و یک کشف جدید اتفاق افتاد.

ادامه ماجرا رو توی این ویدیوی جذاب ببینید؛ ویدیویی که با NotebookLM ساخته شده.

@catartificial

‏اگه برای محصولاتتون میخواین دمو بسازین یا کارهای باحال موشنی دارین Raylight‏ میتونه کمک کنه.
‏روی browser هم اجرا میشه.
https://www.raylight.app/

@catartificial

‏اگه با ChatGPT یا Claude یا بقیه‌ی AIها فارسی کار می‌کنی، حتماً از چپ‌چین‌شدن متن و به‌هم‌ریختگی جهت حرص خوردی!
‏‌
‏این افزونه‌ی کروم دقیقاً همینو حل می‌کنه: متن فارسی رو خودکار راست‌چین می‌کنه و فونت وزیرمتن می‌ذاره. ChatGPT، Claude، Gemini. رایگان
https://chromewebstore.google.com/detail/persian-right-%E2%80%94-rtl-font/fhjfipcjninejjbejpcplejjlkglhmdj

@catartificial

اين افكت ليكوييد گلس خيلى چيز باحاليه، ميتونين واسه وبسايت خودتون ازش استفاده كنين. قبلشم ميتونين تست آنلاين كنين
gooey.jakubantalik.com

@catartificial

یه پروژه متن‌باز خفن برای ساخت پاورپوینت با AI پیدا کردم. PPT Master به‌جای اینکه اسلایدها رو به‌صورت عکس تحویلت بده، یه فایل واقعی و کاملاً قابل ویرایش PowerPoint می‌سازه.

از PDF، Word و حتی صفحات وب هم PPT می‌سازه و می‌تونه نمودار، جدول، انیمیشن و نریشن هم اضافه کنه.

جالب‌تر اینکه با Claude، GPT، Gemini و Kimi هم قابل استفاده‌ست.
https://github.com/hugohe3/ppt-master

@catartificial

‏ایلان ماسک میگه Grok قراره با داده‌های داخلی SpaceX و دانش کارکنانش آموزش ببینه؛ طوری که به تعبیر خودش، «افکار و ایده‌های» اون‌ها رو به ارث ببره!

‏وقتی داده‌های اینترنت دیگه مزیت رقابتی نیستن، گنج بعدی AI شاید همون دانشی باشه که داخل شرکت‌ها قفل شده.

@catartificial

‏بلاخره DeepSeek Harness v0.1 منتشر شد. مدل‌ها، ابزارها، اسکیل‌ها، UI و همه‌چیز به صورت پلاگین طراحی شده که بشه عوضشون کرد.

@catartificial

سرویس MiniMax بعد از مدل ویدیوییش، H3، مدل موسیقیش رو هم اوپن سورس کرد!

‏می‌تونه آهنگ کامل تا ۵ دقیقه بسازه، با وکال، خروجی هم WAV استریو ۳۲ کیلوهرتز.

‏با CPU offload روی کارت ۸ گیگی هم اجرا میشه، ComfyUI هم پشتیبانیش می‌کنه.

@catartificial

تو كلاد اين تيك رو ميزنى وقتى ليميت ريست شد خودش سشن رو ادامه ميده، فيچر باحاليه

@catartificial

‏بچه‌ها اگه وایب کدینگ میکنید حتما و حتما پیشنهاد میکنم این مقاله رو با دقت بخونید.
https://x.com/andrewyng/status/2088302050706686198?s=46

@catartificial