🚀 آنتروپیک به بزرگترین مشتری مالی اسپیس‌ایکس تبدیل شد
طبق اسناد مالی اخیر اسپیس‌ایکس و گزارش بلومبرگ، شرکت هوش مصنوعی Anthropic که در گزارش‌ها با نام «مشتری B» ثبت شده، در سه ماهه گذشته حدود ۳۴.۵ درصد از کل درآمد اسپیس‌ایکس را تأمین کرده و سهمی بیشتر از دولت آمریکا در پرداختی‌های این شرکت داشته است.
این هزینه‌ها مربوط به پرتاب موشک نیست. آنتروپیک قدرت پردازشی دیتاسنتر ممفیس را از بخش هوش مصنوعی اسپیس‌ایکس (Super Intelligence) اجاره می‌کند. پرونده عرضه عمومی (IPO) آنتروپیک نشان می‌دهد که این شرکت طبق قراردادهایی تا سال ۲۰۲۹، ممکن است تا ۱۲۰.۵ میلیارد دلار در این بخش هزینه کند که از دسامبر به حدود ۳.۱ میلیارد دلار در ماه می‌رسد.
بر اساس این اسناد، امکان لغو قرارداد از اوایل سال ۲۰۲۷ با اعلام قبلی ۹۰ روزه وجود دارد. هیچ‌یک از این دو شرکت درباره خبر منتشرشده اظهارنظر نکرده‌اند.
طبق اسناد مالی اخیر اسپیس‌ایکس و گزارش بلومبرگ، شرکت هوش مصنوعی Anthropic که در گزارش‌ها با نام «مشتری B» ثبت شده، در سه ماهه گذشته حدود ۳۴.۵ درصد از کل درآمد اسپیس‌ایکس را تأمین کرده و سهمی بیشتر از دولت آمریکا در پرداختی‌های این شرکت داشته است.
این هزینه‌ها مربوط به پرتاب موشک نیست. آنتروپیک قدرت پردازشی دیتاسنتر ممفیس را از بخش هوش مصنوعی اسپیس‌ایکس (Super Intelligence) اجاره می‌کند. پرونده عرضه عمومی (IPO) آنتروپیک نشان می‌دهد که این شرکت طبق قراردادهایی تا سال ۲۰۲۹، ممکن است تا ۱۲۰.۵ میلیارد دلار در این بخش هزینه کند که از دسامبر به حدود ۳.۱ میلیارد دلار در ماه می‌رسد.
بر اساس این اسناد، امکان لغو قرارداد از اوایل سال ۲۰۲۷ با اعلام قبلی ۹۰ روزه وجود دارد. هیچ‌یک از این دو شرکت درباره خبر منتشرشده اظهارنظر نکرده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
📉 ریزش شدید سهام شرکت‌های هوش مصنوعی
در ۴۸ ساعت گذشته، بازار سهام شرکت‌های بزرگ فناوری شاهد افت قابل‌توجهی بود که ناشی از نگرانی سرمایه‌گذاران نسبت به تراز مالی و هزینه‌های زیرساختی حوزه هوش مصنوعی است. مهم‌ترین تغییرات بازار عبارتند از:
* Intel: با کاهش ۳۲.۹ درصدی ارزش سهام، بزرگترین افت روزانه خود در ۴۰ سال اخیر را تجربه کرد. پیش‌بینی درآمد سه‌ماهه چهارم این شرکت ۱.۱ میلیارد دلار کمتر از انتظارات تحلیل‌گران بود.
* Google: با وجود رشد درآمد ۲۵ درصدی، جریان نقدی آزاد آن ۹.۱ میلیارد دلار منفی شد که منجر به کاهش ۵۰۰ میلیارد دلاری ارزش بازار این شرکت در یک روز شد.
* Amazon: اگرچه درآمد AWS رشد ۳۹ درصدی داشته، اما پیش‌بینی مخارج ۲۲۰ میلیارد دلاری برای زیرساخت‌های هوش مصنوعی و منفی شدن جریان نقدی، فشار فروش را افزایش داده است.
سرمایه‌گذاران نگرانند که هزینه‌های کلان در زیرساخت‌های AI هنوز منجر به بازگشت نقدی متناسب نشده باشد. این تردید اکنون به بخش نیمه‌هادی‌ها نیز سرایت کرده است.
در ۴۸ ساعت گذشته، بازار سهام شرکت‌های بزرگ فناوری شاهد افت قابل‌توجهی بود که ناشی از نگرانی سرمایه‌گذاران نسبت به تراز مالی و هزینه‌های زیرساختی حوزه هوش مصنوعی است. مهم‌ترین تغییرات بازار عبارتند از:
* Intel: با کاهش ۳۲.۹ درصدی ارزش سهام، بزرگترین افت روزانه خود در ۴۰ سال اخیر را تجربه کرد. پیش‌بینی درآمد سه‌ماهه چهارم این شرکت ۱.۱ میلیارد دلار کمتر از انتظارات تحلیل‌گران بود.
* Google: با وجود رشد درآمد ۲۵ درصدی، جریان نقدی آزاد آن ۹.۱ میلیارد دلار منفی شد که منجر به کاهش ۵۰۰ میلیارد دلاری ارزش بازار این شرکت در یک روز شد.
* Amazon: اگرچه درآمد AWS رشد ۳۹ درصدی داشته، اما پیش‌بینی مخارج ۲۲۰ میلیارد دلاری برای زیرساخت‌های هوش مصنوعی و منفی شدن جریان نقدی، فشار فروش را افزایش داده است.
سرمایه‌گذاران نگرانند که هزینه‌های کلان در زیرساخت‌های AI هنوز منجر به بازگشت نقدی متناسب نشده باشد. این تردید اکنون به بخش نیمه‌هادی‌ها نیز سرایت کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
📚 بیش از ۵۰۰ تقلب‌نامه یادگیری ماشین در یک مخزن گیت‌هاب
در مخزن MLCheatSheets بیش از ۵۰۰ تقلب‌نامه (Cheat Sheet) درباره یادگیری ماشین و یادگیری عمیق گردآوری شده است. این منابع مباحث مختلفی از الگوریتم‌های پایه و ریاضیات گرفته تا شبکه‌های عصبی و ترنسفورمرها را پوشش می‌دهند.
هر تقلب‌نامه شامل توضیحات تئوری، فرمول‌های مرتبط، نمونه‌کدهای پایتون و نکاتی برای اجرای آن‌ها است.
در مخزن MLCheatSheets بیش از ۵۰۰ تقلب‌نامه (Cheat Sheet) درباره یادگیری ماشین و یادگیری عمیق گردآوری شده است. این منابع مباحث مختلفی از الگوریتم‌های پایه و ریاضیات گرفته تا شبکه‌های عصبی و ترنسفورمرها را پوشش می‌دهند.
هر تقلب‌نامه شامل توضیحات تئوری، فرمول‌های مرتبط، نمونه‌کدهای پایتون و نکاتی برای اجرای آن‌ها است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
❤1
🤖 انتشار وزن‌های مدل Mistral Large 4
شرکت Mistral وزن‌های مدل جدید خود با نام Large 4 را منتشر کرد. این مدل که حدود یک تریلیون پارامتر دارد، هم‌اکنون از طریق Hugging Face به‌صورت متن‌باز در دسترس قرار گرفته است.
تیم سازنده اعلام کرده که پس از سه هفته آموزش تکمیلی پیش از عرضه، توانایی‌های این مدل در حوزه‌های کدنویسی و شناسایی آسیب‌پذیری‌ها بهبود یافته است.
علاوه بر دسترسی عمومی به وزن‌ها، تغییراتی در استفاده از سرویس API این مدل اعمال شده که مهم‌ترین آن‌ها به شرح زیر است:
- امکان میزبانی محلی (Self-hosting) برای تیم‌هایی که کنترل داده برایشان اولویت دارد.
- کاهش محسوس هزینه‌های استفاده از API نسبت به نرخ‌های اولیه تعیین‌شده.
#MistralLarge4 #SelfHosting
شرکت Mistral وزن‌های مدل جدید خود با نام Large 4 را منتشر کرد. این مدل که حدود یک تریلیون پارامتر دارد، هم‌اکنون از طریق Hugging Face به‌صورت متن‌باز در دسترس قرار گرفته است.
تیم سازنده اعلام کرده که پس از سه هفته آموزش تکمیلی پیش از عرضه، توانایی‌های این مدل در حوزه‌های کدنویسی و شناسایی آسیب‌پذیری‌ها بهبود یافته است.
علاوه بر دسترسی عمومی به وزن‌ها، تغییراتی در استفاده از سرویس API این مدل اعمال شده که مهم‌ترین آن‌ها به شرح زیر است:
- امکان میزبانی محلی (Self-hosting) برای تیم‌هایی که کنترل داده برایشان اولویت دارد.
- کاهش محسوس هزینه‌های استفاده از API نسبت به نرخ‌های اولیه تعیین‌شده.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#MistralLarge4 #SelfHosting
🤖 ابزارهای متن‌باز برای ساخت ایجنت‌های هوشمند
برای طراحی ایجنت‌های هوشمند که توانایی انجام کارهای چندمرحله‌ای، استفاده از ابزارها و حفظ حافظه را دارند، این پروژه‌های گیت‌هاب قابلیت‌های فنی لازم را فراهم می‌کنند:
OpenHands: ایجنت برنامه‌نویس برای خودکارسازی وظایف مهندسی و رفع باگ.
Browser Use: کنترل مرورگر جهت وب‌گردی، تکمیل فرم‌ها و تعامل با سایت‌ها.
Mem0: فراهم‌کردن لایه حافظه بلندمدت برای حفظ زمینه گفتگو بین جلسات مختلف.
Composio: اتصال ایجنت‌ها به سرویس‌های خارجی از طریق یکپارچه‌سازی‌های آماده.
E2B: ایجاد محیط‌های ایزوله برای اجرای امن کد توسط مدل‌های هوش مصنوعی.
LangGraph: ساخت جریان‌های کاری پیچیده و چندمرحله‌ای برای ایجنت‌ها.
n8n: اتوماسیون بصری فرآیندها با استفاده از هوش مصنوعی و APIها.
Docling: استخراج داده‌های ساختاریافته از اسناد و جداول برای استفاده در مدل‌ها.
LiveKit Agents: توسعه دستیارهای صوتی با قابلیت پاسخ‌دهی در لحظه.
Open Interpreter: اجرای کد و کنترل سیستم‌عامل محلی با استفاده از زبان طبیعی.
با ترکیب این ابزارها، می‌توانید سیستم‌های ایجنتی مستقلی بسازید که از حافظه، امکانات صوتی و دسترسی به محیط‌های عملیاتی برخوردارند.
#OpenHands #LangGraph
برای طراحی ایجنت‌های هوشمند که توانایی انجام کارهای چندمرحله‌ای، استفاده از ابزارها و حفظ حافظه را دارند، این پروژه‌های گیت‌هاب قابلیت‌های فنی لازم را فراهم می‌کنند:
OpenHands: ایجنت برنامه‌نویس برای خودکارسازی وظایف مهندسی و رفع باگ.
Browser Use: کنترل مرورگر جهت وب‌گردی، تکمیل فرم‌ها و تعامل با سایت‌ها.
Mem0: فراهم‌کردن لایه حافظه بلندمدت برای حفظ زمینه گفتگو بین جلسات مختلف.
Composio: اتصال ایجنت‌ها به سرویس‌های خارجی از طریق یکپارچه‌سازی‌های آماده.
E2B: ایجاد محیط‌های ایزوله برای اجرای امن کد توسط مدل‌های هوش مصنوعی.
LangGraph: ساخت جریان‌های کاری پیچیده و چندمرحله‌ای برای ایجنت‌ها.
n8n: اتوماسیون بصری فرآیندها با استفاده از هوش مصنوعی و APIها.
Docling: استخراج داده‌های ساختاریافته از اسناد و جداول برای استفاده در مدل‌ها.
LiveKit Agents: توسعه دستیارهای صوتی با قابلیت پاسخ‌دهی در لحظه.
Open Interpreter: اجرای کد و کنترل سیستم‌عامل محلی با استفاده از زبان طبیعی.
با ترکیب این ابزارها، می‌توانید سیستم‌های ایجنتی مستقلی بسازید که از حافظه، امکانات صوتی و دسترسی به محیط‌های عملیاتی برخوردارند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#OpenHands #LangGraph
Media is too big
VIEW IN TELEGRAM
🌐 انتشار مدل دنیای Hy-Nomas توسط تنسنت
تنسنت مدل دنیای (World Model) جدید خود با نام Hy-Nomas را به‌صورت متن‌باز منتشر کرد. این مدل امکان کنترل ویدیوها از طریق متن و تنظیم حرکت دوربین را فراهم می‌کند و ویدیوها را به صورت قطعه‌قطعه با حفظ کانتکست در KV-Cache می‌سازد.
ویژگی‌های اصلی این مدل شامل موارد زیر است:
* دسترسی آزاد: کد و وزن‌های مدل تحت مجوز Apache 2.0 در دسترس است و امکان Fine-tuning آن با استفاده از LoRA وجود دارد.
* سازگاری: ارائه آداپتورهای آماده برای کاربردهای سینمایی و رباتیک.
* سخت‌افزار: امکان اجرا روی یک کارت گرافیک RTX 4090 با استفاده از کوانتیزاسیون INT8. در آزمایش‌های انجام شده با سخت‌افزار قدرتمندتر (8×B200)، سرعت تولید به حدود ۱۸.۵ فریم بر ثانیه رسیده است.
برای بررسی عملکرد می‌توانید به دموی آنلاین مراجعه کنید یا جزئیات فنی و وزن‌ها را از طریق Hugging Face دریافت کنید. گزارش کامل عملکرد نیز در مستندات فنی پروژه موجود است.
#Hy_Nomas #KV_Cache
تنسنت مدل دنیای (World Model) جدید خود با نام Hy-Nomas را به‌صورت متن‌باز منتشر کرد. این مدل امکان کنترل ویدیوها از طریق متن و تنظیم حرکت دوربین را فراهم می‌کند و ویدیوها را به صورت قطعه‌قطعه با حفظ کانتکست در KV-Cache می‌سازد.
ویژگی‌های اصلی این مدل شامل موارد زیر است:
* دسترسی آزاد: کد و وزن‌های مدل تحت مجوز Apache 2.0 در دسترس است و امکان Fine-tuning آن با استفاده از LoRA وجود دارد.
* سازگاری: ارائه آداپتورهای آماده برای کاربردهای سینمایی و رباتیک.
* سخت‌افزار: امکان اجرا روی یک کارت گرافیک RTX 4090 با استفاده از کوانتیزاسیون INT8. در آزمایش‌های انجام شده با سخت‌افزار قدرتمندتر (8×B200)، سرعت تولید به حدود ۱۸.۵ فریم بر ثانیه رسیده است.
برای بررسی عملکرد می‌توانید به دموی آنلاین مراجعه کنید یا جزئیات فنی و وزن‌ها را از طریق Hugging Face دریافت کنید. گزارش کامل عملکرد نیز در مستندات فنی پروژه موجود است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Hy_Nomas #KV_Cache
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 دانشگاه هنگ‌کنگ DeepTutor را متن‌باز کرد
آزمایشگاه هوش مصنوعی داده دانشگاه هنگ‌کنگ، DeepTutor، یک دستیار آموزشی هوش مصنوعی همه‌کاره را متن‌باز کرده است. این پروژه که با هدف همراهی دانش‌آموزان در مسیر یادگیری بلندمدت و ارائه آموزش شخصی‌سازی شده طراحی شده، به سرعت در گیت‌هاب بیش از ۵۰ هزار ستاره کسب کرده است.
DeepTutor به کاربران اجازه می‌دهد تا کتاب‌های درسی، جزوه‌ها و یادداشت‌های شخصی خود را وارد کنند. این ابزار می‌تواند بر اساس این داده‌ها به تدریس، حل تمرین، انجام تحقیقات عمیق و تولید نمودارهای بصری بپردازد. تمام این قابلیت‌ها در یک محیط کاربری یکپارچه در دسترس هستند.
یکی از ویژگی‌های کلیدی DeepTutor «حافظه بلندمدت» آن است که پیشرفت یادگیری و اشتباهات گذشته را در جلسات مختلف حفظ می‌کند. این سیستم دارای سه لایه حافظه است: ثبت اولیه تمام مکالمات، استخراج نکات کلیدی هر موضوع، و ایجاد یک پروفایل کلی از توانایی‌های کاربر. تمامی این اطلاعات قابل مشاهده و تنظیم دستی هستند.
آدرس گیت‌هاب: HKUDS/DeepTutor
آزمایشگاه هوش مصنوعی داده دانشگاه هنگ‌کنگ، DeepTutor، یک دستیار آموزشی هوش مصنوعی همه‌کاره را متن‌باز کرده است. این پروژه که با هدف همراهی دانش‌آموزان در مسیر یادگیری بلندمدت و ارائه آموزش شخصی‌سازی شده طراحی شده، به سرعت در گیت‌هاب بیش از ۵۰ هزار ستاره کسب کرده است.
DeepTutor به کاربران اجازه می‌دهد تا کتاب‌های درسی، جزوه‌ها و یادداشت‌های شخصی خود را وارد کنند. این ابزار می‌تواند بر اساس این داده‌ها به تدریس، حل تمرین، انجام تحقیقات عمیق و تولید نمودارهای بصری بپردازد. تمام این قابلیت‌ها در یک محیط کاربری یکپارچه در دسترس هستند.
یکی از ویژگی‌های کلیدی DeepTutor «حافظه بلندمدت» آن است که پیشرفت یادگیری و اشتباهات گذشته را در جلسات مختلف حفظ می‌کند. این سیستم دارای سه لایه حافظه است: ثبت اولیه تمام مکالمات، استخراج نکات کلیدی هر موضوع، و ایجاد یک پروفایل کلی از توانایی‌های کاربر. تمامی این اطلاعات قابل مشاهده و تنظیم دستی هستند.
آدرس گیت‌هاب: HKUDS/DeepTutor
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
📊 پیشی‌گرفتن هوش مصنوعی از انسان در پیش‌بینی‌های Metaculus
در تورنمنت سالانه پیش‌بینی Metaculus، مدل‌های هوش مصنوعی برای نخستین‌بار موفق شدند رتبه‌های اول و دوم را کسب کنند. در این مسابقه، صدها شرکت‌کننده وضعیت رویدادهای مختلف، از قیمت نفت برنت تا محدودیت‌های ساخت دیتاسنترها، را پیش‌بینی کردند و دقت آن‌ها بر اساس میزان نزدیکی به نتیجه نهایی سنجیده شد.
بررسی عملکرد مدل‌ها در بازه زمانی میان‌مدت نشان می‌دهد:
* روند میانگین عملکرد هوش مصنوعی صعودی است و در برخی موارد به دقتِ بهترین پیش‌بین‌های انسانی نزدیک شده است.
* مدل‌های برتر هوش مصنوعی اکنون با عملکرد ۳۰ نفر از برترین پیش‌بین‌های انسانی برابری کرده یا از آن‌ها پیشی گرفته‌اند.
* برخلاف پیش‌بینی‌های انسانی که ممکن است تحت تأثیر سوگیری‌های شناختی قرار گیرند، مدل‌های هوش مصنوعی در این محیط آزمایشی روند رو به رشدی را در دقتِ محاسباتی خود ثبت کرده‌اند.
این نتایج در نمودار تهیه‌شده توسط نشریه اکونومیست، بهبود مداوم مدل‌ها را در بازه سه‌ماهه دوم ۲۰۲۴ تا سه‌ماهه سوم ۲۰۲۶ به تصویر می‌کشد.
🇮🇷 تلگرام
در تورنمنت سالانه پیش‌بینی Metaculus، مدل‌های هوش مصنوعی برای نخستین‌بار موفق شدند رتبه‌های اول و دوم را کسب کنند. در این مسابقه، صدها شرکت‌کننده وضعیت رویدادهای مختلف، از قیمت نفت برنت تا محدودیت‌های ساخت دیتاسنترها، را پیش‌بینی کردند و دقت آن‌ها بر اساس میزان نزدیکی به نتیجه نهایی سنجیده شد.
بررسی عملکرد مدل‌ها در بازه زمانی میان‌مدت نشان می‌دهد:
* روند میانگین عملکرد هوش مصنوعی صعودی است و در برخی موارد به دقتِ بهترین پیش‌بین‌های انسانی نزدیک شده است.
* مدل‌های برتر هوش مصنوعی اکنون با عملکرد ۳۰ نفر از برترین پیش‌بین‌های انسانی برابری کرده یا از آن‌ها پیشی گرفته‌اند.
* برخلاف پیش‌بینی‌های انسانی که ممکن است تحت تأثیر سوگیری‌های شناختی قرار گیرند، مدل‌های هوش مصنوعی در این محیط آزمایشی روند رو به رشدی را در دقتِ محاسباتی خود ثبت کرده‌اند.
این نتایج در نمودار تهیه‌شده توسط نشریه اکونومیست، بهبود مداوم مدل‌ها را در بازه سه‌ماهه دوم ۲۰۲۴ تا سه‌ماهه سوم ۲۰۲۶ به تصویر می‌کشد.
🇮🇷 تلگرام
🤖 پنج دوره رایگان برای یادگیری مهندسی هوش مصنوعی
این منابع آموزشی برای یادگیری مفاهیم کاربردی از مدل‌های زبانی بزرگ تا عملیاتی‌سازی مدل‌ها در محیط واقعی طراحی شده‌اند:
* Hugging Face LLM Course: تمرکز بر مفاهیم پایه شامل Transformerها، توکنایزیشن، کار با دیتاست‌ها و فرآیندهای مدرن آموزش یا Fine-tuning مدل‌های زبانی.
* AI Engineer Notebooks: مجموعه‌ای از نوت‌بوک‌های عملی برای کار با سیستم‌های RAG، عامل‌های هوش مصنوعی (AI Agents)، ارزیابی مدل و مباحث مربوط به LLMOps.
* LLM Zoomcamp: دوره‌ای برای ساخت کاربردی برنامه‌های مبتنی بر LLM که شامل پیاده‌سازی جستجوی برداری (Vector Search)، مانیتورینگ و خط‌لوله‌های تولیدی است.
* MLOps Zoomcamp: آموزش مراحل انتقال مدل‌های یادگیری ماشین از محیط توسعه به تولید، شامل استفاده از MLflow، خط‌لوله‌های CI/CD و پایش مدل.
* LLM Course: منبعی برای یادگیری عمیق‌تر در مورد مدل‌های متن‌باز، تکنیک‌های بهینه‌سازی استنتاج، کمی‌سازی (Quantization)، ترکیب مدل‌ها و روش‌های تخصصی مانند QLoRA.
#Fine_tuning #LLMOps
این منابع آموزشی برای یادگیری مفاهیم کاربردی از مدل‌های زبانی بزرگ تا عملیاتی‌سازی مدل‌ها در محیط واقعی طراحی شده‌اند:
* Hugging Face LLM Course: تمرکز بر مفاهیم پایه شامل Transformerها، توکنایزیشن، کار با دیتاست‌ها و فرآیندهای مدرن آموزش یا Fine-tuning مدل‌های زبانی.
* AI Engineer Notebooks: مجموعه‌ای از نوت‌بوک‌های عملی برای کار با سیستم‌های RAG، عامل‌های هوش مصنوعی (AI Agents)، ارزیابی مدل و مباحث مربوط به LLMOps.
* LLM Zoomcamp: دوره‌ای برای ساخت کاربردی برنامه‌های مبتنی بر LLM که شامل پیاده‌سازی جستجوی برداری (Vector Search)، مانیتورینگ و خط‌لوله‌های تولیدی است.
* MLOps Zoomcamp: آموزش مراحل انتقال مدل‌های یادگیری ماشین از محیط توسعه به تولید، شامل استفاده از MLflow، خط‌لوله‌های CI/CD و پایش مدل.
* LLM Course: منبعی برای یادگیری عمیق‌تر در مورد مدل‌های متن‌باز، تکنیک‌های بهینه‌سازی استنتاج، کمی‌سازی (Quantization)، ترکیب مدل‌ها و روش‌های تخصصی مانند QLoRA.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Fine_tuning #LLMOps
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #11 | 📌 5 آیتم گزارش | 🧾 از 28 پست بررسی‌شده
🕐 جمعه 1405/08/08 ساعت 14:00 تا یکشنبه 1405/08/10 ساعت 14:00
انتخاب الگوریتم بچینگ در موتورهای استنتاج LLM
بازسازی پویای بچ‌ها در هر گام پردازشی، اتلاف توان محاسباتی GPU را هنگام پاسخ‌دهی هم‌زمان به درخواست‌هایی با طول متغیر برطرف می‌کند. این روش معماری سروینگ را از صف‌بندی ایستا نجات می‌دهد، اما بهینه‌سازی واقعی آن منوط به مدیریت دقیق حافظه KV-Cache در ترافیک بالا است. انتخاب این ابزارها برای تیم‌های فنی، هزینه زیرساخت استنتاج را مستقیماً کاهش می‌دهد.
ارزیابی مدل Fern 0.1 با پنجره بافت ۱۰ میلیونی
افزایش ظرفیت ورودی به ۱۰ میلیون توکن امکان تحلیل یکباره کدهای حجیم و لاگ‌های طولانی را فراهم می‌کند، اما کسب امتیاز پایین ۶.۱ در بنچمارک استدلال نشان می‌دهد نباید حجم بافت را با کیفیت خروجی اشتباه گرفت. مهندسان داده برای تحلیل‌های دقیق نباید استدلال مدل را فدای پنجره بافت بزرگ‌تر کنند و استفاده از آن فقط برای پردازش اولیه داده خام مناسب است.
🔬 توسعه مدل‌ها و زیرساخت‌های استنتاج
بهینه‌سازی توان استنتاج LLM با بچینگ پیوسته
موتورهای vLLM و SGLang با بازسازی پویای بچ‌ها در هر گام، توان عملیاتی پردازش توکن را تا ۲۳ برابر افزایش می‌دهند.
انتشار وزن‌های مدل ۱ تریلیون پارامتری Mistral Large 4
مسترال وزن‌های مدل Large 4 را در هاگینگ‌فیس منتشر کرد و امکان میزبانی محلی و کاهش هزینه API را فراهم آورد.
معرفی مدل Fern 0.1 با پنجره بافت ۱۰ میلیون توکنی
استارتاپ Mirendil مدلی با ظرفیت ۲۳ مگابایت کد معرفی کرد که به دلیل مراحل اولیه آموزش، امتیاز بنچمارک پایینی دارد.
متن‌باز شدن مدل دنیای Hy-Nomas توسط تنسنت
تنسنت مدل کنترل ویدیو Hy-Nomas را تحت مجوز Apache 2.0 منتشر کرد که امکان اجرا روی یک کارت RTX 4090 را دارد.
انتشار رایگان ترجمه فارسی کتاب یادگیری عمیق با پایتون
نسخه آنلاین و رایگان ویرایش سوم کتاب فرانسوا شوله به زبان فارسی همراه با لینک نوت‌بوک‌های عملی در دسترس قرار گرفت.
🗂 گزارش #11 | 📌 5 آیتم گزارش | 🧾 از 28 پست بررسی‌شده
🕐 جمعه 1405/08/08 ساعت 14:00 تا یکشنبه 1405/08/10 ساعت 14:00
انتخاب الگوریتم بچینگ در موتورهای استنتاج LLM
بازسازی پویای بچ‌ها در هر گام پردازشی، اتلاف توان محاسباتی GPU را هنگام پاسخ‌دهی هم‌زمان به درخواست‌هایی با طول متغیر برطرف می‌کند. این روش معماری سروینگ را از صف‌بندی ایستا نجات می‌دهد، اما بهینه‌سازی واقعی آن منوط به مدیریت دقیق حافظه KV-Cache در ترافیک بالا است. انتخاب این ابزارها برای تیم‌های فنی، هزینه زیرساخت استنتاج را مستقیماً کاهش می‌دهد.
ارزیابی مدل Fern 0.1 با پنجره بافت ۱۰ میلیونی
افزایش ظرفیت ورودی به ۱۰ میلیون توکن امکان تحلیل یکباره کدهای حجیم و لاگ‌های طولانی را فراهم می‌کند، اما کسب امتیاز پایین ۶.۱ در بنچمارک استدلال نشان می‌دهد نباید حجم بافت را با کیفیت خروجی اشتباه گرفت. مهندسان داده برای تحلیل‌های دقیق نباید استدلال مدل را فدای پنجره بافت بزرگ‌تر کنند و استفاده از آن فقط برای پردازش اولیه داده خام مناسب است.
🔬 توسعه مدل‌ها و زیرساخت‌های استنتاج
بهینه‌سازی توان استنتاج LLM با بچینگ پیوسته
موتورهای vLLM و SGLang با بازسازی پویای بچ‌ها در هر گام، توان عملیاتی پردازش توکن را تا ۲۳ برابر افزایش می‌دهند.
انتشار وزن‌های مدل ۱ تریلیون پارامتری Mistral Large 4
مسترال وزن‌های مدل Large 4 را در هاگینگ‌فیس منتشر کرد و امکان میزبانی محلی و کاهش هزینه API را فراهم آورد.
معرفی مدل Fern 0.1 با پنجره بافت ۱۰ میلیون توکنی
استارتاپ Mirendil مدلی با ظرفیت ۲۳ مگابایت کد معرفی کرد که به دلیل مراحل اولیه آموزش، امتیاز بنچمارک پایینی دارد.
متن‌باز شدن مدل دنیای Hy-Nomas توسط تنسنت
تنسنت مدل کنترل ویدیو Hy-Nomas را تحت مجوز Apache 2.0 منتشر کرد که امکان اجرا روی یک کارت RTX 4090 را دارد.
انتشار رایگان ترجمه فارسی کتاب یادگیری عمیق با پایتون
نسخه آنلاین و رایگان ویرایش سوم کتاب فرانسوا شوله به زبان فارسی همراه با لینک نوت‌بوک‌های عملی در دسترس قرار گرفت.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
👓 رونمایی از عینک XR مدل AURA توسط گوگل و XREAL
گوگل و XREAL از عینک واقعیت گسترده (XR) مدل AURA رونمایی کردند. این دستگاه از نمایشگرهای شفاف با میدان دید ۷۰ درجه برای نمایش رابط‌های دیجیتال استفاده می‌کند و به عنوان جایگزینی برای مانیتورهای فیزیکی طراحی شده است.
پردازش دستگاه توسط واحدی خارجی با معماری Snapdragon Reality Elite انجام می‌شود. دستیار هوشمند Gemini به صورت مداوم محیط و محتوای نمایشگرها را تحلیل می‌کند تا تعامل با پنجره‌های کاری تسهیل شود. از ویژگی‌های فنی این عینک می‌توان به موارد زیر اشاره کرد:
- قابلیت Wired Mirroring برای اتصال مستقیم لپ‌تاپ از طریق USB-C
- پشتیبانی از اندروید XR و دسترسی به Google Play
- اتصال لوازم جانبی بلوتوثی
- عرضه در دو نسخه حافظه ۱۲/۲۵۶ و ۱۶/۵۱۲ گیگابایت
قیمت این محصول از ۱۰۹۹ دلار آغاز می‌شود و عرضه آن در بازارهای منتخب از اواسط نوامبر شروع خواهد شد.
#XREAL_AURA #Snapdragon_Reality_Elite
گوگل و XREAL از عینک واقعیت گسترده (XR) مدل AURA رونمایی کردند. این دستگاه از نمایشگرهای شفاف با میدان دید ۷۰ درجه برای نمایش رابط‌های دیجیتال استفاده می‌کند و به عنوان جایگزینی برای مانیتورهای فیزیکی طراحی شده است.
پردازش دستگاه توسط واحدی خارجی با معماری Snapdragon Reality Elite انجام می‌شود. دستیار هوشمند Gemini به صورت مداوم محیط و محتوای نمایشگرها را تحلیل می‌کند تا تعامل با پنجره‌های کاری تسهیل شود. از ویژگی‌های فنی این عینک می‌توان به موارد زیر اشاره کرد:
- قابلیت Wired Mirroring برای اتصال مستقیم لپ‌تاپ از طریق USB-C
- پشتیبانی از اندروید XR و دسترسی به Google Play
- اتصال لوازم جانبی بلوتوثی
- عرضه در دو نسخه حافظه ۱۲/۲۵۶ و ۱۶/۵۱۲ گیگابایت
قیمت این محصول از ۱۰۹۹ دلار آغاز می‌شود و عرضه آن در بازارهای منتخب از اواسط نوامبر شروع خواهد شد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#XREAL_AURA #Snapdragon_Reality_Elite
🐳 انتشار کدهای منبع ایجنت هوش مصنوعی DeepSeek
تیم DeepSeek کدهای منبع پروژه‌ای آزمایشی به نام dsh-superagent را منتشر کرده است؛ سیستمی که برای خودکارسازی فرآیند توسعه نرم‌افزار در تیم‌ها طراحی شده و بر پایه DeepSeek Harness توسعه یافته است.
این ایجنت برخلاف دستیارهای برنامه‌نویسی معمول، نیازی به دریافت دستی دستورات در چت ندارد و می‌تواند به طور مستقل با محیط توسعه تعامل کند. مهم‌ترین قابلیت‌های این سیستم عبارتند از:
- پایش رویدادهای GitHub و پیام‌های پلتفرم Feishu
- پذیرش خودکار وظایف از اعضای مجاز تیم
- ایجاد نشست‌های کاری اختصاصی برای هر تسک
- اعمال تغییرات در کد و آماده‌سازی Pull Request
- ارائه گزارش پیشرفت در فضای گفتگو و نمایش تسک‌های نیازمند مداخله انسانی در پنل وب
طبق اعلام سازندگان، بخش‌هایی از کدهای این پروژه توسط خود ایجنت‌های هوش مصنوعی نوشته شده است. این ابزار در حال حاضر یک نمونه اولیه تحقیقاتی محسوب می‌شود و برای استفاده در محیط‌های عملیاتی (Production) طراحی نشده است. توسعه این پروژه با استفاده از TypeScript انجام شده و تحت مجوز MIT در دسترس است.
🇮🇷 تلگرام
تیم DeepSeek کدهای منبع پروژه‌ای آزمایشی به نام dsh-superagent را منتشر کرده است؛ سیستمی که برای خودکارسازی فرآیند توسعه نرم‌افزار در تیم‌ها طراحی شده و بر پایه DeepSeek Harness توسعه یافته است.
این ایجنت برخلاف دستیارهای برنامه‌نویسی معمول، نیازی به دریافت دستی دستورات در چت ندارد و می‌تواند به طور مستقل با محیط توسعه تعامل کند. مهم‌ترین قابلیت‌های این سیستم عبارتند از:
- پایش رویدادهای GitHub و پیام‌های پلتفرم Feishu
- پذیرش خودکار وظایف از اعضای مجاز تیم
- ایجاد نشست‌های کاری اختصاصی برای هر تسک
- اعمال تغییرات در کد و آماده‌سازی Pull Request
- ارائه گزارش پیشرفت در فضای گفتگو و نمایش تسک‌های نیازمند مداخله انسانی در پنل وب
طبق اعلام سازندگان، بخش‌هایی از کدهای این پروژه توسط خود ایجنت‌های هوش مصنوعی نوشته شده است. این ابزار در حال حاضر یک نمونه اولیه تحقیقاتی محسوب می‌شود و برای استفاده در محیط‌های عملیاتی (Production) طراحی نشده است. توسعه این پروژه با استفاده از TypeScript انجام شده و تحت مجوز MIT در دسترس است.
🇮🇷 تلگرام
🧐 نتایج نظرسنجی DeepMind درباره انگیزه کار در عصر AI
جولیان جیکوبز از گوگل دیپ‌مایند در پژوهشی روی ۸,۲۳۴ نفر در کشورهای بریتانیا، آمریکا، دانمارک و هند، به بررسی وابستگی افراد به شغل‌شان پرداخته است. یافته‌های این مطالعه نشان می‌دهد که یک‌پنجم شاغلان حتی در صورت دریافت ۱۲۰ درصد از حقوق فعلی‌شان برای ترک کار، همچنان حاضر به استعفا نیستند.
نتایج نشان می‌دهد انگیزه‌های افراد برای کار کردن متفاوت است:
- ۲۵٪ به دلیل درآمد
- ۳۳٪ به دلیل ماهیت خودِ کار
- ۲۵٪ به دلیل تعامل با همکاران
- ۱۷٪ به دلیل جایگاه اجتماعی
این الگوهای انگیزشی در سطوح مختلف درآمدی و در مشاغل یقه سفید و یقه آبی یکسان است. نویسنده این گزارش تحلیلی نتیجه می‌گیرد که اگر هوش مصنوعی مشاغل را جایگزین کند، درآمد پایه ممکن است لازم باشد، اما این جایگزینی نمی‌تواند جایگاه و ارزش‌های روانیِ کار را برای انسان جبران کند.
#GoogleDeepMind #درآمد_پایه
جولیان جیکوبز از گوگل دیپ‌مایند در پژوهشی روی ۸,۲۳۴ نفر در کشورهای بریتانیا، آمریکا، دانمارک و هند، به بررسی وابستگی افراد به شغل‌شان پرداخته است. یافته‌های این مطالعه نشان می‌دهد که یک‌پنجم شاغلان حتی در صورت دریافت ۱۲۰ درصد از حقوق فعلی‌شان برای ترک کار، همچنان حاضر به استعفا نیستند.
نتایج نشان می‌دهد انگیزه‌های افراد برای کار کردن متفاوت است:
- ۲۵٪ به دلیل درآمد
- ۳۳٪ به دلیل ماهیت خودِ کار
- ۲۵٪ به دلیل تعامل با همکاران
- ۱۷٪ به دلیل جایگاه اجتماعی
این الگوهای انگیزشی در سطوح مختلف درآمدی و در مشاغل یقه سفید و یقه آبی یکسان است. نویسنده این گزارش تحلیلی نتیجه می‌گیرد که اگر هوش مصنوعی مشاغل را جایگزین کند، درآمد پایه ممکن است لازم باشد، اما این جایگزینی نمی‌تواند جایگاه و ارزش‌های روانیِ کار را برای انسان جبران کند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#GoogleDeepMind #درآمد_پایه
❤1
🤖 دوره رایگان ساخت عوامل برنامه‌نویس قابل‌اطمینان
دوره آموزشی Learn Harness Engineering با تمرکز بر زیرساخت‌های جانبی مدل‌های زبانی مانند دستورالعمل‌ها، ابزارها، مدیریت حافظه و بررسی خروجی، منتشر شده است. این محتوا شامل ۱۴ درس و ۸ پروژه عملی به ۱۵ زبان مختلف است و تحت مجوز MIT در دسترس قرار دارد.
مهم‌ترین مباحث این دوره عبارتند از:
* ایجاد حلقه بازخورد که در آن یک عامل وظایف را انجام داده و عامل دیگر آن‌ها را بررسی می‌کند.
* توسعه ساختار به یک گراف با مراحل موازی، مسیر بازگشت به عقب (rollback) و تایید انسانی.
* تحلیل فنی نحوه عملکرد AGENTS.md برای مستندسازی لیست ویژگی‌ها و مراحل تایید پروژه.
* بررسی معماری ابزارهایی نظیر Claude Code، Codex، DeepSeek و Pi در طراحی سیستم‌های عامل.
این دوره بر پایه مقالات مهندسی OpenAI و Anthropic درباره طراحی محیط‌های اجرا (Harness) تدوین شده است.
#LearnHarnessEngineering #ClaudeCode
دوره آموزشی Learn Harness Engineering با تمرکز بر زیرساخت‌های جانبی مدل‌های زبانی مانند دستورالعمل‌ها، ابزارها، مدیریت حافظه و بررسی خروجی، منتشر شده است. این محتوا شامل ۱۴ درس و ۸ پروژه عملی به ۱۵ زبان مختلف است و تحت مجوز MIT در دسترس قرار دارد.
مهم‌ترین مباحث این دوره عبارتند از:
* ایجاد حلقه بازخورد که در آن یک عامل وظایف را انجام داده و عامل دیگر آن‌ها را بررسی می‌کند.
* توسعه ساختار به یک گراف با مراحل موازی، مسیر بازگشت به عقب (rollback) و تایید انسانی.
* تحلیل فنی نحوه عملکرد AGENTS.md برای مستندسازی لیست ویژگی‌ها و مراحل تایید پروژه.
* بررسی معماری ابزارهایی نظیر Claude Code، Codex، DeepSeek و Pi در طراحی سیستم‌های عامل.
این دوره بر پایه مقالات مهندسی OpenAI و Anthropic درباره طراحی محیط‌های اجرا (Harness) تدوین شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#LearnHarnessEngineering #ClaudeCode
This media is not supported in your browser
VIEW IN TELEGRAM
🛠 ۵ پلاگین کاربردی برای ارتقای کارایی Claude Code
اگر از Claude Code برای برنامه‌نویسی استفاده می‌کنید، این ۵ ابزار می‌توانند در مدیریت مصرف توکن، حفظ حافظه و بهبود کیفیت خروجی به شما کمک کنند:
* Claude Code Router: برای جلوگیری از قطع شدن جلسه پس از اتمام سهمیه، به‌طور خودکار مدل را تغییر می‌دهد.
* Caveman: با حذف توضیحات اضافی، مصرف توکن شما را تا ۵۰ درصد کاهش می‌دهد.
* Ponytail: به‌جای خواندن چندباره فایل‌ها، از پروژه گراف می‌سازد و فقط بخش‌های مورد نیاز را تحلیل می‌کند.
* Agent Skills: چرخه‌های برنامه‌ریزی، تست و بازبینی کد را به صورت خودکار مدیریت می‌کند.
* claude-mem: حافظه بین‌جلسه‌ای به Claude Code اضافه می‌کند تا تاریخچه پروژه‌ها را به خاطر بسپارد.
#Claude_Code #claude_mem
اگر از Claude Code برای برنامه‌نویسی استفاده می‌کنید، این ۵ ابزار می‌توانند در مدیریت مصرف توکن، حفظ حافظه و بهبود کیفیت خروجی به شما کمک کنند:
* Claude Code Router: برای جلوگیری از قطع شدن جلسه پس از اتمام سهمیه، به‌طور خودکار مدل را تغییر می‌دهد.
* Caveman: با حذف توضیحات اضافی، مصرف توکن شما را تا ۵۰ درصد کاهش می‌دهد.
* Ponytail: به‌جای خواندن چندباره فایل‌ها، از پروژه گراف می‌سازد و فقط بخش‌های مورد نیاز را تحلیل می‌کند.
* Agent Skills: چرخه‌های برنامه‌ریزی، تست و بازبینی کد را به صورت خودکار مدیریت می‌کند.
* claude-mem: حافظه بین‌جلسه‌ای به Claude Code اضافه می‌کند تا تاریخچه پروژه‌ها را به خاطر بسپارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Claude_Code #claude_mem
❤1
🤖 انتشار مدل تصمیم‌گیر Drex Max v1 توسط Nace AI
شرکت Nace AI مدل تصمیم‌گیر Drex Max v1 را به صورت متن‌باز عرضه کرد. این مدل برخلاف مدل‌های زبانی رایج، متن تولید نمی‌کند؛ بلکه وضعیت (متن، JSON یا تصویر) و پرسش‌های تایپ‌شده را می‌خواند و با یک Forward pass، احتمال هر گزینه را محاسبه می‌کند.
ساختار مدل شامل یک Backbone با ۲۷ میلیارد پارامتر است که از ۴۸ لایه Gated DeltaNet و ۱۶ لایه full-attention تشکیل شده است. در بنچمارک Decision Index 0.4، این مدل امتیاز ۶۷.۵۲ را کسب کرده که نسبت به نسخه‌های پیشین بهبود یافته است.
جزئیات فنی اجرا:
* پشتیبانی از سخت‌افزار محلی از جمله Apple Silicon.
* اجرای نسخه Q4 روی مک‌های ۲۴ گیگابایتی و نسخه Q8_0 GGUF روی سیستم‌های ۴۸ گیگابایتی.
* پنجره متنی تا ۲۶۲,۱۴۴ توکن.
* محدودیت: نسخه‌های GGUF، Q4 و MLX فعلاً فقط متنی هستند و امتیاز vision در R-Bench-M به ۳۸.۶ می‌رسد.
کدهای این مدل در مخزن گیت‌هاب قابل دسترسی است و وزن‌های آن تحت لایسنس Nace AI Open RAIL-M منتشر شده‌اند.
#Drex_Max #Gated_DeltaNet
شرکت Nace AI مدل تصمیم‌گیر Drex Max v1 را به صورت متن‌باز عرضه کرد. این مدل برخلاف مدل‌های زبانی رایج، متن تولید نمی‌کند؛ بلکه وضعیت (متن، JSON یا تصویر) و پرسش‌های تایپ‌شده را می‌خواند و با یک Forward pass، احتمال هر گزینه را محاسبه می‌کند.
ساختار مدل شامل یک Backbone با ۲۷ میلیارد پارامتر است که از ۴۸ لایه Gated DeltaNet و ۱۶ لایه full-attention تشکیل شده است. در بنچمارک Decision Index 0.4، این مدل امتیاز ۶۷.۵۲ را کسب کرده که نسبت به نسخه‌های پیشین بهبود یافته است.
جزئیات فنی اجرا:
* پشتیبانی از سخت‌افزار محلی از جمله Apple Silicon.
* اجرای نسخه Q4 روی مک‌های ۲۴ گیگابایتی و نسخه Q8_0 GGUF روی سیستم‌های ۴۸ گیگابایتی.
* پنجره متنی تا ۲۶۲,۱۴۴ توکن.
* محدودیت: نسخه‌های GGUF، Q4 و MLX فعلاً فقط متنی هستند و امتیاز vision در R-Bench-M به ۳۸.۶ می‌رسد.
کدهای این مدل در مخزن گیت‌هاب قابل دسترسی است و وزن‌های آن تحت لایسنس Nace AI Open RAIL-M منتشر شده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Drex_Max #Gated_DeltaNet
📖 نسخه فارسی و تحت وب کتاب Deep Learning with Python ویرایش ۳
نسخه فارسی و تحت وب کتاب Deep Learning with Python (ویرایش ۳) منتشر شد. این ویرایش به‌صورت آنلاین و در قالب وب‌سایت در دسترس علاقه‌مندان به یادگیری عمیق و پایتون قرار گرفته است.
نسخه فارسی و تحت وب کتاب Deep Learning with Python (ویرایش ۳) منتشر شد. این ویرایش به‌صورت آنلاین و در قالب وب‌سایت در دسترس علاقه‌مندان به یادگیری عمیق و پایتون قرار گرفته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
📊 معرفی بنچمارک GDPx برای سنجش مدل‌های هوش مصنوعی
شرکت پژوهشی SemiAnalysis به‌تازگی بنچمارک GDPx را منتشر کرده است. این آزمون بر خلاف سنجه‌های رایج، توانایی مدل‌های هوش مصنوعی را در انجام فعالیت‌های تخصصی و چندمرحله‌ای ارزیابی می‌کند. در نتایج اولیه، بهترین مدل‌های فعلی تنها موفق به کسب ۱۲ درصد از امتیاز کل شدند.
این بنچمارک در ۱۱ حوزه تخصصی اجرا می‌شود که مهم‌ترین آن‌ها عبارتند از:
• طراحی تراشه و سخت‌افزار
• امنیت سایبری و مهندسی نرم‌افزار
• زیست‌شناسی و علم مواد
• امور مالی و معاملات کمی
• هم‌ترازی هوش مصنوعی و خودبهبوددهی بازگشتی
تفاوت اصلی GDPx در محیط اجرای واقعی آن است؛ برای مثال در بخش مالی، مدل باید اطلاعات مورد نیاز را از میان هزاران فایل پراکنده استخراج کند. زمان پیش‌فرض برای انجام هر وظیفه هشت ساعت تعیین شده و امتیاز نهایی بر اساس نرخ موفقیت در تلاش اول (Pass@1) با در نظر گرفتن سه اجرای مستقل محاسبه می‌شود.
#GDPx #Pass_at_1
شرکت پژوهشی SemiAnalysis به‌تازگی بنچمارک GDPx را منتشر کرده است. این آزمون بر خلاف سنجه‌های رایج، توانایی مدل‌های هوش مصنوعی را در انجام فعالیت‌های تخصصی و چندمرحله‌ای ارزیابی می‌کند. در نتایج اولیه، بهترین مدل‌های فعلی تنها موفق به کسب ۱۲ درصد از امتیاز کل شدند.
این بنچمارک در ۱۱ حوزه تخصصی اجرا می‌شود که مهم‌ترین آن‌ها عبارتند از:
• طراحی تراشه و سخت‌افزار
• امنیت سایبری و مهندسی نرم‌افزار
• زیست‌شناسی و علم مواد
• امور مالی و معاملات کمی
• هم‌ترازی هوش مصنوعی و خودبهبوددهی بازگشتی
تفاوت اصلی GDPx در محیط اجرای واقعی آن است؛ برای مثال در بخش مالی، مدل باید اطلاعات مورد نیاز را از میان هزاران فایل پراکنده استخراج کند. زمان پیش‌فرض برای انجام هر وظیفه هشت ساعت تعیین شده و امتیاز نهایی بر اساس نرخ موفقیت در تلاش اول (Pass@1) با در نظر گرفتن سه اجرای مستقل محاسبه می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#GDPx #Pass_at_1
انتشار مدل سبک Nemotron-3.5 Bolt E4B توسط NVIDIA
ان‌ویدیا مدل Nemotron-3.5 Bolt E4B را برای دستگاه‌های لبه (Edge) منتشر کرد. این مدل ۸ میلیارد پارامتری که با بهره‌گیری از معماری پایه Google Gemma 4 ساخته شده، در هر لحظه از ۴ میلیارد پارامتر فعال استفاده می‌کند و از پنجره بافت ۶۴ هزار توکنی پشتیبانی می‌کند.
وزن‌های این مدل در قالب‌های BF16 و GGUF در دسترس است و با کوانتایز ۴ بیتی، حافظه‌ای حدود ۴ گیگابایت اشغال می‌کند. طبق گزارش فنی، این مدل در مدیریت ابزارها و طول پاسخ‌ها، بهینه‌سازی شده و از روش DFlash برای افزایش سرعت تولید توکن تا ۲۱ درصد استفاده می‌کند.
این مدل با ابزارهای
ان‌ویدیا مدل Nemotron-3.5 Bolt E4B را برای دستگاه‌های لبه (Edge) منتشر کرد. این مدل ۸ میلیارد پارامتری که با بهره‌گیری از معماری پایه Google Gemma 4 ساخته شده، در هر لحظه از ۴ میلیارد پارامتر فعال استفاده می‌کند و از پنجره بافت ۶۴ هزار توکنی پشتیبانی می‌کند.
وزن‌های این مدل در قالب‌های BF16 و GGUF در دسترس است و با کوانتایز ۴ بیتی، حافظه‌ای حدود ۴ گیگابایت اشغال می‌کند. طبق گزارش فنی، این مدل در مدیریت ابزارها و طول پاسخ‌ها، بهینه‌سازی شده و از روش DFlash برای افزایش سرعت تولید توکن تا ۲۱ درصد استفاده می‌کند.
این مدل با ابزارهای
llama.cpp، Ollama، LM Studio، vLLM و SGLang سازگار است. لایسنس آن نیز از نوع OpenMDW 1.1 تعیین شده است.🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
7522279292328734720_01_@DataPlusScience_7522279292328734720_01.pdf
3.8 MB
چارچوب ارزیابی آمادگی سازمانی برای GenAI و Agentic AI
برای پیاده‌سازی موفق هوش مصنوعی مولد و سیستم‌های عامل‌محور (Agentic AI) در سازمان، ارزیابی سیستماتیک زیرساخت‌ها و توانمندی‌ها ضروری است. این چارچوب عملیاتی، آمادگی سازمان را در ۱۱ حوزه کلیدی مورد سنجش قرار می‌دهد تا شکاف‌های فنی و مدیریتی پیش از عملیاتی‌سازی شناسایی شوند.
مهم‌ترین محورهای این ارزیابی عبارتند از:
• استراتژی و رهبری: بررسی همسویی اهداف تجاری با نقشه راه هوش مصنوعی و تعیین مسئولیت‌های اجرایی.
• داده و دانش: ارزیابی زیرساخت‌های داده، RAG، استفاده از GraphRAG و نحوه مدیریت حافظه در عامل‌ها.
• مهندسی Agentic AI: سنجش قابلیت‌های سازمان در طراحی عامل‌ها، ارکستراسیون، مدیریت ابزارها و مرزهای خودمختاری.
• امنیت و حاکمیت: بررسی پروتکل‌های دسترسی، شناسایی ریسک‌های تزریق پرامپت (Prompt Injection) و کنترل‌های نظارتی.
• عملیات و ارزش‌سنجی: محاسبه هزینه‌های نهایی (TCO)، بازگشت سرمایه (ROI) و پایش عملکرد در محیط عملیاتی.
#Agentic_AI #RAG
برای پیاده‌سازی موفق هوش مصنوعی مولد و سیستم‌های عامل‌محور (Agentic AI) در سازمان، ارزیابی سیستماتیک زیرساخت‌ها و توانمندی‌ها ضروری است. این چارچوب عملیاتی، آمادگی سازمان را در ۱۱ حوزه کلیدی مورد سنجش قرار می‌دهد تا شکاف‌های فنی و مدیریتی پیش از عملیاتی‌سازی شناسایی شوند.
مهم‌ترین محورهای این ارزیابی عبارتند از:
• استراتژی و رهبری: بررسی همسویی اهداف تجاری با نقشه راه هوش مصنوعی و تعیین مسئولیت‌های اجرایی.
• داده و دانش: ارزیابی زیرساخت‌های داده، RAG، استفاده از GraphRAG و نحوه مدیریت حافظه در عامل‌ها.
• مهندسی Agentic AI: سنجش قابلیت‌های سازمان در طراحی عامل‌ها، ارکستراسیون، مدیریت ابزارها و مرزهای خودمختاری.
• امنیت و حاکمیت: بررسی پروتکل‌های دسترسی، شناسایی ریسک‌های تزریق پرامپت (Prompt Injection) و کنترل‌های نظارتی.
• عملیات و ارزش‌سنجی: محاسبه هزینه‌های نهایی (TCO)، بازگشت سرمایه (ROI) و پایش عملکرد در محیط عملیاتی.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Agentic_AI #RAG
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #12 | 📌 5 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 یکشنبه 1405/08/10 ساعت 14:00 تا دوشنبه 1405/08/11 ساعت 14:00
تصمیم‌گیری غیرتولیدی با ارزیابی گزینه‌ها در مدل‌های محلی
محاسبه مستقیم احتمال گزینه‌ها در یک گذرِ جلو بدون تولید متن، نیاز به نمونه‌گیری توکن به توکن را در مسائل تصمیم‌گیری حذف می‌کند و تأخیر استنتاج را کاهش می‌دهد. این رویکرد برای سیستم‌های رتبه‌بندی یا تخصیص منبع محلی مناسب است، اما افت عملکرد نسخه کوانتایزشده در مدهای چندرسانه‌ای، به‌کارگیری آن را فعلاً به ورودی‌های متنی محدود می‌سازد.
🔬 مدل‌ها و ابزارهای مهندسی هوش مصنوعی
انتشار کدهای منبع ایجنت dsh-superagent دیپ‌سیک
سورس‌کد پروژه آزمایشی دیپ‌سیک برای تعامل مستقیم با گیت‌هاب و خودکارسازی تغییرات برنامه‌نویسی منتشر شد.
عرضه مدل تصمیم‌گیر متن‌باز Drex Max v1
این مدل ۲۷ میلیارد پارامتری با محاسبه احتمال گزینه‌ها در یک گذر، برای اجرای محلی روی سخت‌افزار محدود ارائه شد.
انتشار مدل سبک Nemotron-3.5 Bolt E4B ان‌ویدیا
مدل ۸ میلیارد پارامتری ان‌ویدیا با ۴ میلیارد پارامتر فعال و پنجره بافت ۶۴ هزار توکنی برای پردازش لبه منتشر شد.
معرفی بنچمارک GDPx توسط SemiAnalysis
بنچمارک جدید GDPx توانایی مدل‌های هوش مصنوعی را در وظایف تخصصی چندمرحله‌ای طی پنجره زمانی ۸ ساعته می‌سنجد.
توسعه ابزارهای جانبی برای مدیریت Claude Code
مجموعه ۵ ابزار جدید برای کاهش مصرف توکن، حفظ حافظه بین‌جلسه‌ای و تغییر خودکار مدل در Claude Code معرفی شدند.
🗂 گزارش #12 | 📌 5 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 یکشنبه 1405/08/10 ساعت 14:00 تا دوشنبه 1405/08/11 ساعت 14:00
تصمیم‌گیری غیرتولیدی با ارزیابی گزینه‌ها در مدل‌های محلی
محاسبه مستقیم احتمال گزینه‌ها در یک گذرِ جلو بدون تولید متن، نیاز به نمونه‌گیری توکن به توکن را در مسائل تصمیم‌گیری حذف می‌کند و تأخیر استنتاج را کاهش می‌دهد. این رویکرد برای سیستم‌های رتبه‌بندی یا تخصیص منبع محلی مناسب است، اما افت عملکرد نسخه کوانتایزشده در مدهای چندرسانه‌ای، به‌کارگیری آن را فعلاً به ورودی‌های متنی محدود می‌سازد.
🔬 مدل‌ها و ابزارهای مهندسی هوش مصنوعی
انتشار کدهای منبع ایجنت dsh-superagent دیپ‌سیک
سورس‌کد پروژه آزمایشی دیپ‌سیک برای تعامل مستقیم با گیت‌هاب و خودکارسازی تغییرات برنامه‌نویسی منتشر شد.
عرضه مدل تصمیم‌گیر متن‌باز Drex Max v1
این مدل ۲۷ میلیارد پارامتری با محاسبه احتمال گزینه‌ها در یک گذر، برای اجرای محلی روی سخت‌افزار محدود ارائه شد.
انتشار مدل سبک Nemotron-3.5 Bolt E4B ان‌ویدیا
مدل ۸ میلیارد پارامتری ان‌ویدیا با ۴ میلیارد پارامتر فعال و پنجره بافت ۶۴ هزار توکنی برای پردازش لبه منتشر شد.
معرفی بنچمارک GDPx توسط SemiAnalysis
بنچمارک جدید GDPx توانایی مدل‌های هوش مصنوعی را در وظایف تخصصی چندمرحله‌ای طی پنجره زمانی ۸ ساعته می‌سنجد.
توسعه ابزارهای جانبی برای مدیریت Claude Code
مجموعه ۵ ابزار جدید برای کاهش مصرف توکن، حفظ حافظه بین‌جلسه‌ای و تغییر خودکار مدل در Claude Code معرفی شدند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما