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
🌐 مدل‌های کوچک‌تر با بازنمایی دقیق‌تر جهان
یان لکان و رندال بالستریرو در پژوهش جدید خود نشان داده‌اند که یادگیری مدل‌های زبانی از طریق پیش‌بینی کلمه بعدی، روشی ناکارآمد برای درک واقعیت است. آن‌ها ثابت کردند مدل‌هایی که از دو دیدگاه متفاوت از یک صحنه (مانند عکس و کپشن آن) آموزش می‌بینند، به بازنمایی درونی دقیق‌تری از جهان می‌رسند.
این رویکرد جدید که در مقاله اخیر محققان AMI Labs منتشر شده، نتایج قابل‌توجهی دارد:
• رسیدن به عملکرد مدل‌های تصویری تنها با ۲۱.۶ میلیون نمونه آموزشی، در حالی که روش‌های سنتی به ۹۰۰ میلیون نمونه نیاز دارند.
• برتری یک مدل متنی ۱۰۹ میلیون پارامتری نسبت به مدل‌های زبانی بسیار بزرگ‌تر از جمله Qwen2.5-72B در همسویی با مدل‌های تصویری.
این یافته‌ها نشان می‌دهد که یادگیری از داده‌های چندوجهی می‌تواند جایگزین بهینه‌تری برای پیش‌بینی متن خالص در ساخت مدل‌های هوش مصنوعی باشد.
یان لکان و رندال بالستریرو در پژوهش جدید خود نشان داده‌اند که یادگیری مدل‌های زبانی از طریق پیش‌بینی کلمه بعدی، روشی ناکارآمد برای درک واقعیت است. آن‌ها ثابت کردند مدل‌هایی که از دو دیدگاه متفاوت از یک صحنه (مانند عکس و کپشن آن) آموزش می‌بینند، به بازنمایی درونی دقیق‌تری از جهان می‌رسند.
این رویکرد جدید که در مقاله اخیر محققان AMI Labs منتشر شده، نتایج قابل‌توجهی دارد:
• رسیدن به عملکرد مدل‌های تصویری تنها با ۲۱.۶ میلیون نمونه آموزشی، در حالی که روش‌های سنتی به ۹۰۰ میلیون نمونه نیاز دارند.
• برتری یک مدل متنی ۱۰۹ میلیون پارامتری نسبت به مدل‌های زبانی بسیار بزرگ‌تر از جمله Qwen2.5-72B در همسویی با مدل‌های تصویری.
این یافته‌ها نشان می‌دهد که یادگیری از داده‌های چندوجهی می‌تواند جایگزین بهینه‌تری برای پیش‌بینی متن خالص در ساخت مدل‌های هوش مصنوعی باشد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
pandas-guide.pdf
188.3 KB
📊 انتشار راهنمای عملی کتابخانه pandas
کتاب pandas - The Mental Model در ۱۸ فصل منتشر شد. این راهنمای ۳۱ صفحه‌ای با تمرکز بر مثال‌های کاربردی، جزئیات فنی کار با جداول و ایندکس‌ها را بررسی می‌کند.
مهم‌ترین موارد پوشش داده شده در این کتاب شامل:
- نحوه کارکرد داخلی ایندکس‌ها و انتخاب داده‌ها
- متدهای groupby و نحوه تغییر شکل (Reshaping) جداول
- مدیریت سری‌های زمانی و داده‌های متنی
- تکنیک‌های Chaining و بهینه‌سازی عملکرد
- تغییرات کلیدی در نسخه ۳.۰ کتابخانه pandas
تمام مثال‌های این کتاب اجرا شده‌اند و خروجی واقعی هر دستور در متن نمایش داده شده است. در پایان کتاب نیز یک صفحه به‌عنوان Cheat sheet برای دسترسی سریع به سینتکس‌ها قرار دارد.
#pandas_mental_model #groupby
کتاب pandas - The Mental Model در ۱۸ فصل منتشر شد. این راهنمای ۳۱ صفحه‌ای با تمرکز بر مثال‌های کاربردی، جزئیات فنی کار با جداول و ایندکس‌ها را بررسی می‌کند.
مهم‌ترین موارد پوشش داده شده در این کتاب شامل:
- نحوه کارکرد داخلی ایندکس‌ها و انتخاب داده‌ها
- متدهای groupby و نحوه تغییر شکل (Reshaping) جداول
- مدیریت سری‌های زمانی و داده‌های متنی
- تکنیک‌های Chaining و بهینه‌سازی عملکرد
- تغییرات کلیدی در نسخه ۳.۰ کتابخانه pandas
تمام مثال‌های این کتاب اجرا شده‌اند و خروجی واقعی هر دستور در متن نمایش داده شده است. در پایان کتاب نیز یک صفحه به‌عنوان Cheat sheet برای دسترسی سریع به سینتکس‌ها قرار دارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#pandas_mental_model #groupby
Media is too big
VIEW IN TELEGRAM
🤖 عرضه مدل هوش مصنوعی Brush توسط Canva
شرکت Canva از مدل هوش مصنوعی اختصاصی خود با نام Brush رونمایی کرد. این مدل یک Vision-Language Model است که علاوه بر تحلیل تصاویر، ساختار لایه‌ها، چیدمان (Layout)، فونت‌ها و سبک کلی طراحی را درک می‌کند.
قابلیت‌های کلیدی Brush شامل موارد زیر است:
* ویرایش متن در اسلایدها
* تغییر استایل کلی ارائه‌ها
* تطبیق طراحی‌ها با فرمت‌های متفاوت
این مدل از یک حلقه عامل (Agent Loop) استفاده می‌کند؛ به این صورت که ابتدا کد لازم برای تغییر المان‌ها را می‌نویسد و اجرا می‌کند، سپس نتیجه را به‌صورت بصری بررسی کرده و در صورت نیاز اصلاحات لازم را اعمال می‌کند. در تست‌های داخلی، سرعت انجام وظایف ویرایشی با این مدل ۶۹ درصد افزایش و هزینه پردازش هر وظیفه ۴۶ درصد کاهش یافته است.
این ابزار بر پایه یک مدل متن‌باز ساخته شده و برای تسک‌های طراحی، با استفاده از یادگیری تقویتی (Reinforcement Learning) آموزش دیده است. تغییرات ایجاد شده توسط این مدل همچنان به‌صورت دستی قابل ویرایش باقی می‌مانند.
#CanvaBrush #AgentLoop
شرکت Canva از مدل هوش مصنوعی اختصاصی خود با نام Brush رونمایی کرد. این مدل یک Vision-Language Model است که علاوه بر تحلیل تصاویر، ساختار لایه‌ها، چیدمان (Layout)، فونت‌ها و سبک کلی طراحی را درک می‌کند.
قابلیت‌های کلیدی Brush شامل موارد زیر است:
* ویرایش متن در اسلایدها
* تغییر استایل کلی ارائه‌ها
* تطبیق طراحی‌ها با فرمت‌های متفاوت
این مدل از یک حلقه عامل (Agent Loop) استفاده می‌کند؛ به این صورت که ابتدا کد لازم برای تغییر المان‌ها را می‌نویسد و اجرا می‌کند، سپس نتیجه را به‌صورت بصری بررسی کرده و در صورت نیاز اصلاحات لازم را اعمال می‌کند. در تست‌های داخلی، سرعت انجام وظایف ویرایشی با این مدل ۶۹ درصد افزایش و هزینه پردازش هر وظیفه ۴۶ درصد کاهش یافته است.
این ابزار بر پایه یک مدل متن‌باز ساخته شده و برای تسک‌های طراحی، با استفاده از یادگیری تقویتی (Reinforcement Learning) آموزش دیده است. تغییرات ایجاد شده توسط این مدل همچنان به‌صورت دستی قابل ویرایش باقی می‌مانند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#CanvaBrush #AgentLoop
📊 انتشار مدل چندوجهی LongCat-2.5 توسط Meituan
شرکت Meituan از مدل هوش مصنوعی LongCat-2.5 رونمایی کرد. این مدل به‌طور اختصاصی برای پردازش تصاویر، تولید کد و اجرای وظایف مهندسی طولانی طراحی شده است.
طبق اعلام سازنده، این نسخه در مقایسه با مدل‌های قبلی در دو حوزه درک بصری و توانایی برنامه‌نویسی بهبود یافته است تا بتواند زنجیره‌ای از دستورات و وظایف پیچیده‌تر را با تعداد پرامپت کمتر اجرا کند.
دسترسی به این مدل در حال حاضر از طریق چت‌بات اختصاصی Meituan و API فراهم شده است. نسخه نهایی وزن‌های مدل برای دسترسی عمومی در پلتفرم‌های GitHub و Hugging Face در آینده منتشر خواهد شد. فعلاً ارزیابی کاربرد عملی این ابزار به انتشار مستقل وزن‌ها و نتایج بنچمارک‌های مستقل وابسته است.
#LongCat_2_5 #Meituan
شرکت Meituan از مدل هوش مصنوعی LongCat-2.5 رونمایی کرد. این مدل به‌طور اختصاصی برای پردازش تصاویر، تولید کد و اجرای وظایف مهندسی طولانی طراحی شده است.
طبق اعلام سازنده، این نسخه در مقایسه با مدل‌های قبلی در دو حوزه درک بصری و توانایی برنامه‌نویسی بهبود یافته است تا بتواند زنجیره‌ای از دستورات و وظایف پیچیده‌تر را با تعداد پرامپت کمتر اجرا کند.
دسترسی به این مدل در حال حاضر از طریق چت‌بات اختصاصی Meituan و API فراهم شده است. نسخه نهایی وزن‌های مدل برای دسترسی عمومی در پلتفرم‌های GitHub و Hugging Face در آینده منتشر خواهد شد. فعلاً ارزیابی کاربرد عملی این ابزار به انتشار مستقل وزن‌ها و نتایج بنچمارک‌های مستقل وابسته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#LongCat_2_5 #Meituan
Forwarded from آکادمی همراه
📣 ثبت‌نام مسیر یادگیری «مدیریت محصول» آغاز شد.
مسیر یادگیری «مدیریت محصول» یک برنامه آموزشی جامع و ساختارمند است که به شما کمک می‌کند مهارت‌های موردنیاز برای ورود به دنیای مدیریت محصول و رشد حرفه‌ای در این حوزه را به‌صورت گام‌به‌گام یاد بگیرید.
با این مسیر یادگیری، دانش و مهارت‌های خود را در حوزه مدیریت محصول توسعه دهید و برای مواجهه با چالش‌های واقعی این نقش آماده شوید.
🎁 ۳۰٪ تخفیف ویژه | به مدت محدود 🎁
💎 همراه با منتورهای تخصصی در قالب گروه اختصاصی پرسش‌وپاسخ
✅ آموزش‌های تخصصی و گام‌به‌گام
✅ ویدئوهای آفلاین آموزشی + وبینارهای اختصاصی آنلاین
✅ یادگیری همراه با پروژه‌های کاربردی
✅ گواهینامه معتبر آکادمی همراه اول
✅ امکان خرید اقساطی
🌐 برای دریافت کد تخفیف و تهیه مسیر یادگیری مدیریت محصول، روی لینک زیر بزنید:
🔗 https://l.hamrah.academy/xo7
⭐️ @hamrah_academy | آکادمی همراه اول
مسیر یادگیری «مدیریت محصول» یک برنامه آموزشی جامع و ساختارمند است که به شما کمک می‌کند مهارت‌های موردنیاز برای ورود به دنیای مدیریت محصول و رشد حرفه‌ای در این حوزه را به‌صورت گام‌به‌گام یاد بگیرید.
با این مسیر یادگیری، دانش و مهارت‌های خود را در حوزه مدیریت محصول توسعه دهید و برای مواجهه با چالش‌های واقعی این نقش آماده شوید.
🎁 ۳۰٪ تخفیف ویژه | به مدت محدود 🎁
💎 همراه با منتورهای تخصصی در قالب گروه اختصاصی پرسش‌وپاسخ
✅ آموزش‌های تخصصی و گام‌به‌گام
✅ ویدئوهای آفلاین آموزشی + وبینارهای اختصاصی آنلاین
✅ یادگیری همراه با پروژه‌های کاربردی
✅ گواهینامه معتبر آکادمی همراه اول
✅ امکان خرید اقساطی
🌐 برای دریافت کد تخفیف و تهیه مسیر یادگیری مدیریت محصول، روی لینک زیر بزنید:
🔗 https://l.hamrah.academy/xo7
⭐️ @hamrah_academy | آکادمی همراه اول
🤖 معرفی مدل مولتی‌مودال SenseNova-Loop-9B
مدل SenseNova-Loop-9B-Preview با ۹ میلیارد پارامتر و پشتیبانی از طول متن ۲۵۶ هزار توکن منتشر شد. این مدل با مجوز Apache-2.0 برای درک اسناد، برنامه‌نویسی و فعالیت‌های ایجنت‌ها بهینه شده است.
ساختار فنی این مدل شامل ۳۲ لایه دیکودر متمایز است که با اجرای دوباره بخش میانی، به ۵۶ لایه اجرایی می‌رسد. آموزش این مدل ترکیبی از متن، تصویر، کد و مسیرهای استفاده از ابزار است.
مهم‌ترین نکات درباره عملکرد و توسعه این مدل:
• پیشتاز در ۶ از ۸ بنچمارک اعلامی، از جمله کسب امتیاز ۷۱.۳۸ در BIRD-Dev و ۶۶.۸۹ در WorkBuddy Bench.
• پشتیبانی از MTP برای افزایش سرعت و سازگاری با کتابخانه‌های Transformers، LightLLM، SGLang و vLLM.
• قابلیت پردازش داده‌های طولانی تا ۲۶۲ هزار توکن.
نسخه فعلی یک نسخه پیش‌نمایش (Preview) است و گزارش فنی آن در آینده منتشر خواهد شد.
#SenseNova_Loop_9B #Multi_modal_Learning
مدل SenseNova-Loop-9B-Preview با ۹ میلیارد پارامتر و پشتیبانی از طول متن ۲۵۶ هزار توکن منتشر شد. این مدل با مجوز Apache-2.0 برای درک اسناد، برنامه‌نویسی و فعالیت‌های ایجنت‌ها بهینه شده است.
ساختار فنی این مدل شامل ۳۲ لایه دیکودر متمایز است که با اجرای دوباره بخش میانی، به ۵۶ لایه اجرایی می‌رسد. آموزش این مدل ترکیبی از متن، تصویر، کد و مسیرهای استفاده از ابزار است.
مهم‌ترین نکات درباره عملکرد و توسعه این مدل:
• پیشتاز در ۶ از ۸ بنچمارک اعلامی، از جمله کسب امتیاز ۷۱.۳۸ در BIRD-Dev و ۶۶.۸۹ در WorkBuddy Bench.
• پشتیبانی از MTP برای افزایش سرعت و سازگاری با کتابخانه‌های Transformers، LightLLM، SGLang و vLLM.
• قابلیت پردازش داده‌های طولانی تا ۲۶۲ هزار توکن.
نسخه فعلی یک نسخه پیش‌نمایش (Preview) است و گزارش فنی آن در آینده منتشر خواهد شد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#SenseNova_Loop_9B #Multi_modal_Learning
🔬 تنسنت Hyra 2.0: عامل هوش مصنوعی برای خودکارسازی پژوهش
تنسنت از Hyra 2.0 رونمایی کرده است؛ نسل جدید عامل پژوهشی که با هدف خودکارسازی تحقیقات علمی طراحی شده. برخلاف نسخه اول Hyra که صرفاً بر پیشنهاد راه‌حل، اجرای آزمایش، و ارزیابی نتایج تمرکز داشت، Hyra 2.0 قابلیت ذخیره و استفاده مجدد از ابزارها، مدل‌ها، و خطوط لوله آزمایشی ایجاد شده در طول فرآیند پژوهش را نیز داراست.
این توسعه، ایده AutoResearch را به سطحی جدید می‌برد. در Hyra 2.0، یک عامل می‌تواند در حین بهینه‌سازی آموزش، روش‌های جدیدی برای جستجوی هایپرپارامتر یا ارزیابی مدل‌ها ابداع کند و سپس از این ابزارها در آزمایش‌های بعدی بهره ببرد. این رویکرد تضمین می‌کند که یک بار تلاش برای توسعه ابزار، به وظایف پژوهشی متعدد بعدی سود می‌رساند.
از جمله ابزارهای قابل استفاده مجدد که در Hyra 2.0 توسعه یافته‌اند می‌توان به موارد زیر اشاره کرد:
* مدل‌های علمی: HyInv، HyPLM، HyFF
* گردش‌های کاری پژوهشی: HyProver
* کیت‌های ابزاری نرم‌افزاری: HyQEC
تنسنت از Hyra 2.0 رونمایی کرده است؛ نسل جدید عامل پژوهشی که با هدف خودکارسازی تحقیقات علمی طراحی شده. برخلاف نسخه اول Hyra که صرفاً بر پیشنهاد راه‌حل، اجرای آزمایش، و ارزیابی نتایج تمرکز داشت، Hyra 2.0 قابلیت ذخیره و استفاده مجدد از ابزارها، مدل‌ها، و خطوط لوله آزمایشی ایجاد شده در طول فرآیند پژوهش را نیز داراست.
این توسعه، ایده AutoResearch را به سطحی جدید می‌برد. در Hyra 2.0، یک عامل می‌تواند در حین بهینه‌سازی آموزش، روش‌های جدیدی برای جستجوی هایپرپارامتر یا ارزیابی مدل‌ها ابداع کند و سپس از این ابزارها در آزمایش‌های بعدی بهره ببرد. این رویکرد تضمین می‌کند که یک بار تلاش برای توسعه ابزار، به وظایف پژوهشی متعدد بعدی سود می‌رساند.
از جمله ابزارهای قابل استفاده مجدد که در Hyra 2.0 توسعه یافته‌اند می‌توان به موارد زیر اشاره کرد:
* مدل‌های علمی: HyInv، HyPLM، HyFF
* گردش‌های کاری پژوهشی: HyProver
* کیت‌های ابزاری نرم‌افزاری: HyQEC
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
📊 معرفی بنچمارک GDPx برای ارزیابی ایجنت‌های هوش مصنوعی
مؤسسه SemiAnalysis بنچمارک جدیدی با نام GDPx منتشر کرده است که عملکرد مدل‌های هوش مصنوعی را در ۲۰۶ وظیفه پیچیده در ۱۱ حوزه تخصصی مانند طراحی تراشه، برنامه‌نویسی، بیولوژی و امنیت سایبری می‌سنجد.
نتایج اولیه نشان می‌دهد که بالاترین امتیاز کسب‌شده توسط مدل‌ها تنها ۱۲ درصد است که بخشی از آن حاصل حل ناقص وظایف است. رتبه‌بندی مدل‌های برتر به شرح زیر است:
* Claude Opus 5.5: با امتیاز ۱۲.۰٪ و هزینه ۵۱.۴۱ دلار برای هر وظیفه.
* Gemini 4 Carbon: با امتیاز ۱۰.۹٪ و هزینه ۱۶.۲۹ دلار برای هر وظیفه.
* GPT-6 Astra: با امتیاز ۹.۶٪ و هزینه ۵۳.۹۹ دلار برای هر وظیفه.
* Muse Wonder Full: با امتیاز ۹.۰٪.
* Claude Fable 5.1: با امتیاز ۸.۵٪ و هزینه ۶۷.۱۶ دلار برای هر وظیفه.
بررسی مرز پارتو نشان می‌دهد مدل Gemini 4 Carbon با فاصله عملکردی اندک نسبت به صدر جدول، حدود ۳.۲ برابر ارزان‌تر از Claude Opus 5.5 عمل می‌کند. مدل‌های GPT-6.1 Sol و Gemini 4 Carbon در حال حاضر در رده مدل‌های بهینه از نظر نسبت هزینه به عملکرد قرار دارند.
🇮🇷 تلگرام
مؤسسه SemiAnalysis بنچمارک جدیدی با نام GDPx منتشر کرده است که عملکرد مدل‌های هوش مصنوعی را در ۲۰۶ وظیفه پیچیده در ۱۱ حوزه تخصصی مانند طراحی تراشه، برنامه‌نویسی، بیولوژی و امنیت سایبری می‌سنجد.
نتایج اولیه نشان می‌دهد که بالاترین امتیاز کسب‌شده توسط مدل‌ها تنها ۱۲ درصد است که بخشی از آن حاصل حل ناقص وظایف است. رتبه‌بندی مدل‌های برتر به شرح زیر است:
* Claude Opus 5.5: با امتیاز ۱۲.۰٪ و هزینه ۵۱.۴۱ دلار برای هر وظیفه.
* Gemini 4 Carbon: با امتیاز ۱۰.۹٪ و هزینه ۱۶.۲۹ دلار برای هر وظیفه.
* GPT-6 Astra: با امتیاز ۹.۶٪ و هزینه ۵۳.۹۹ دلار برای هر وظیفه.
* Muse Wonder Full: با امتیاز ۹.۰٪.
* Claude Fable 5.1: با امتیاز ۸.۵٪ و هزینه ۶۷.۱۶ دلار برای هر وظیفه.
بررسی مرز پارتو نشان می‌دهد مدل Gemini 4 Carbon با فاصله عملکردی اندک نسبت به صدر جدول، حدود ۳.۲ برابر ارزان‌تر از Claude Opus 5.5 عمل می‌کند. مدل‌های GPT-6.1 Sol و Gemini 4 Carbon در حال حاضر در رده مدل‌های بهینه از نظر نسبت هزینه به عملکرد قرار دارند.
🇮🇷 تلگرام
This media is not supported in your browser
VIEW IN TELEGRAM
معرفی بنچمارک مهندسی RWE-bench برای مدل‌های هوش مصنوعی
استارتاپ Xplore مجموعه‌ای شامل ۲۰ مسئله در حوزه‌های مکانیک، الکترونیک و مهندسی هوافضا با نام RWE-bench ارائه کرده است که توانایی مدل‌های هوش مصنوعی را در طراحی‌های مهندسی واقعی ارزیابی می‌کند. در این آزمون، مدل باید با استفاده از ابزارهایی نظیر CadQuery، Gmsh، CalculiX و پایتون، خروجی‌هایی منطبق با استانداردهای دقیق فنی تولید کند. ارزیابی پاسخ‌ها به‌صورت خودکار و از طریق حل‌کننده‌های فیزیکی انجام می‌شود.
در نتایج این بنچمارک، مدل‌های پیشرو به شرح زیر عمل کرده‌اند:
* GPT-6 Astra با ۳۷٪ موفقیت، بالاترین امتیاز را کسب کرده است.
* Claude Opus 5.5 با ۲۹٪ در جایگاه دوم قرار دارد.
* GPT-6.1 Sol با ۲۵٪ موفقیت در رتبه سوم جای گرفته است.
* Gemini 4 Argon موفق به حل ۱۲٪ و Claude Fable 5.1 موفق به حل ۷٪ از مسائل شده‌اند.
تیم Xplore این مجموعه را برای آموزش مدل‌ها منتشر نمی‌کند و دسترسی به فرآیند ارزیابی تنها از طریق هماهنگی مستقیم امکان‌پذیر است.
#RWE_bench #CadQuery
استارتاپ Xplore مجموعه‌ای شامل ۲۰ مسئله در حوزه‌های مکانیک، الکترونیک و مهندسی هوافضا با نام RWE-bench ارائه کرده است که توانایی مدل‌های هوش مصنوعی را در طراحی‌های مهندسی واقعی ارزیابی می‌کند. در این آزمون، مدل باید با استفاده از ابزارهایی نظیر CadQuery، Gmsh، CalculiX و پایتون، خروجی‌هایی منطبق با استانداردهای دقیق فنی تولید کند. ارزیابی پاسخ‌ها به‌صورت خودکار و از طریق حل‌کننده‌های فیزیکی انجام می‌شود.
در نتایج این بنچمارک، مدل‌های پیشرو به شرح زیر عمل کرده‌اند:
* GPT-6 Astra با ۳۷٪ موفقیت، بالاترین امتیاز را کسب کرده است.
* Claude Opus 5.5 با ۲۹٪ در جایگاه دوم قرار دارد.
* GPT-6.1 Sol با ۲۵٪ موفقیت در رتبه سوم جای گرفته است.
* Gemini 4 Argon موفق به حل ۱۲٪ و Claude Fable 5.1 موفق به حل ۷٪ از مسائل شده‌اند.
تیم Xplore این مجموعه را برای آموزش مدل‌ها منتشر نمی‌کند و دسترسی به فرآیند ارزیابی تنها از طریق هماهنگی مستقیم امکان‌پذیر است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#RWE_bench #CadQuery