This media is not supported in your browser
VIEW IN TELEGRAM
📦 مدل VINO؛ بازنمایی سه‌بعدی با ترنسفورمرهای حجمی
معماری VINO با هدف بهبود بازنمایی سه‌بعدی بر پایه ترنسفورمرهای حجمی (Volume Transformers) معرفی شده است. این روش با استفاده از نمای کلی و بدون نویز، هدف‌های (targets) قابل‌اعتمادی برای یادگیری مدل می‌سازد.
در ساختار این مدل، بخش تولید هدف (target head) از بخش یادگیرنده (student) جدا شده است تا فرایند آموزش پایداری بیشتری داشته باشد.
کدهای این پروژه در گیت‌هاب منتشر شده و جزئیات روش‌شناسی آن در مقاله علمی قرار دارد.
معماری VINO با هدف بهبود بازنمایی سه‌بعدی بر پایه ترنسفورمرهای حجمی (Volume Transformers) معرفی شده است. این روش با استفاده از نمای کلی و بدون نویز، هدف‌های (targets) قابل‌اعتمادی برای یادگیری مدل می‌سازد.
در ساختار این مدل، بخش تولید هدف (target head) از بخش یادگیرنده (student) جدا شده است تا فرایند آموزش پایداری بیشتری داشته باشد.
کدهای این پروژه در گیت‌هاب منتشر شده و جزئیات روش‌شناسی آن در مقاله علمی قرار دارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
هوش مصنوعی و علم داده به فارسی
🧠 معرفی مدل‌های Claude Fable 5.2 و Mythos 5.2 شرکت آنتروپیک از مدل‌های جدید Claude Fable 5.2 و Mythos 5.2 رونمایی کرد. این نسخه‌ها در مقایسه با مدل قبلی (5.1)، حدود ۳۰ درصد سرعت تولید توکن بیشتری دارند و هزینه استفاده از آن‌ها ۲۰ درصد کاهش یافته است. همچنین…
🤖 معرفی مدل‌های Claude Fable و Mythos 5.2
شرکت Anthropic مدل‌های جدید Claude Fable 5.2 و Mythos 5.2 را معرفی کرد. این مدل‌ها که از یک معماری پایه مشترک بهره می‌برند، با بهبودهای قابل‌توجه در زمینه‌های برنامه‌نویسی، ریاضی و تحقیقات علمی منتشر شده‌اند.
مهم‌ترین توانمندی‌های اعلام‌شده برای این نسخه:
* اثبات ریاضی: همکاری ۱۰۰۰ مدل هوش مصنوعی برای فرمالیزه کردن اثبات «قضیه آخر فرما» در زبان Lean طی ۳۰ ساعت.
* فیزیک: حل دو مسئله حل‌نشده در حوزه فیزیک سیاه‌چاله‌ها.
* سخت‌افزار: طراحی سه دستگاه عملیاتی شامل برد الکترونیکی، کیس و نرم‌افزار مربوطه.
* امنیت: مدل Mythos 5.2 طبق تست‌های داخلی، ۱۰.۲ درصد آسیب‌پذیری‌های بیشتری نسبت به Opus 5.5 شناسایی می‌کند.
* توسعه نرم‌افزار: بیش از ۹۰ درصد تغییرات کد اصلی در Anthropic اکنون توسط Claude با مشارکت برنامه‌نویسان انسانی نوشته می‌شود.
مدل Fable 5.2 برای استفاده عمومی و مدل Mythos 5.2 به دلیل تنظیمات امنیتی خاص برای سازمان‌های فعال در حوزه امنیت سایبری و تحقیقات زیست‌پزشکی طراحی شده است.
شرکت Anthropic مدل‌های جدید Claude Fable 5.2 و Mythos 5.2 را معرفی کرد. این مدل‌ها که از یک معماری پایه مشترک بهره می‌برند، با بهبودهای قابل‌توجه در زمینه‌های برنامه‌نویسی، ریاضی و تحقیقات علمی منتشر شده‌اند.
مهم‌ترین توانمندی‌های اعلام‌شده برای این نسخه:
* اثبات ریاضی: همکاری ۱۰۰۰ مدل هوش مصنوعی برای فرمالیزه کردن اثبات «قضیه آخر فرما» در زبان Lean طی ۳۰ ساعت.
* فیزیک: حل دو مسئله حل‌نشده در حوزه فیزیک سیاه‌چاله‌ها.
* سخت‌افزار: طراحی سه دستگاه عملیاتی شامل برد الکترونیکی، کیس و نرم‌افزار مربوطه.
* امنیت: مدل Mythos 5.2 طبق تست‌های داخلی، ۱۰.۲ درصد آسیب‌پذیری‌های بیشتری نسبت به Opus 5.5 شناسایی می‌کند.
* توسعه نرم‌افزار: بیش از ۹۰ درصد تغییرات کد اصلی در Anthropic اکنون توسط Claude با مشارکت برنامه‌نویسان انسانی نوشته می‌شود.
مدل Fable 5.2 برای استفاده عمومی و مدل Mythos 5.2 به دلیل تنظیمات امنیتی خاص برای سازمان‌های فعال در حوزه امنیت سایبری و تحقیقات زیست‌پزشکی طراحی شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
💲 مالیات توکن برای زبان فارسی در مدل‌های زبانی
هزینه استفاده از مدل‌های زبانی بزرگ تنها به تعرفه اعلام‌شده بستگی ندارد. به دلیل نحوه کارکرد توکنایزرها، متون فارسی برای انتقال به مدل معمولاً به توکن‌های بیشتری نسبت به معادل انگلیسی خود نیاز دارند. این پدیده که در مقاله تحقیقی اخیر با عنوان «مالیات توکن» معرفی شده، مستقیماً بر هزینه نهایی پردازش متن اثر می‌گذارد.
بررسی ۲۱ مدل مختلف نشان می‌دهد که متن فارسی در تمامی آن‌ها به توکن بیشتری تبدیل می‌شود، با این حال نرخ این افزایش متفاوت است:
* نسبت توکن فارسی به انگلیسی در مدل‌های بررسی‌شده از ۱.۲ تا ۳.۱ متغیر است.
* مدل‌های جدیدتر مانند نسخه‌های اخیر خانواده OpenAI و Mistral Large 4 عملکرد بهینه‌تری در توکنایزیشن فارسی نشان داده‌اند.
* صرفاً بزرگ‌تر بودن دیکشنری مدل، لزوماً به معنای کاهش مالیات توکن نیست؛ برای نمونه در Llama 4 با وجود افزایش اندازه دیکشنری، این نسبت همچون نسخه قبل باقی مانده است.
* برای ارزیابی دقیق، می‌توان از دیتاست‌های استاندارد مانند FLORES-200 استفاده کرد.
هزینه استفاده از مدل‌های زبانی بزرگ تنها به تعرفه اعلام‌شده بستگی ندارد. به دلیل نحوه کارکرد توکنایزرها، متون فارسی برای انتقال به مدل معمولاً به توکن‌های بیشتری نسبت به معادل انگلیسی خود نیاز دارند. این پدیده که در مقاله تحقیقی اخیر با عنوان «مالیات توکن» معرفی شده، مستقیماً بر هزینه نهایی پردازش متن اثر می‌گذارد.
بررسی ۲۱ مدل مختلف نشان می‌دهد که متن فارسی در تمامی آن‌ها به توکن بیشتری تبدیل می‌شود، با این حال نرخ این افزایش متفاوت است:
* نسبت توکن فارسی به انگلیسی در مدل‌های بررسی‌شده از ۱.۲ تا ۳.۱ متغیر است.
* مدل‌های جدیدتر مانند نسخه‌های اخیر خانواده OpenAI و Mistral Large 4 عملکرد بهینه‌تری در توکنایزیشن فارسی نشان داده‌اند.
* صرفاً بزرگ‌تر بودن دیکشنری مدل، لزوماً به معنای کاهش مالیات توکن نیست؛ برای نمونه در Llama 4 با وجود افزایش اندازه دیکشنری، این نسبت همچون نسخه قبل باقی مانده است.
* برای ارزیابی دقیق، می‌توان از دیتاست‌های استاندارد مانند FLORES-200 استفاده کرد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🏴 Claude سیستم‌عامل ساخت
مهندسان Anthropic یک پوشه خالی به مدل Claude Fable 5.2 دادند و خواستند یک سیستم‌عامل اولیه بسازد. این مدل بیش از ۱۰۰۰ زیر-عامل را هماهنگ کرد که طی هشت روز، شبانه‌روزی کد نوشتند، تست کردند و بازبینی کردند.
نتیجه این است که سیستم‌عامل روی لپ‌تاپ بوت می‌شود. این سیستم‌عامل هسته (core) خودش، درایورهای دیسک، کیبورد و شبکه، فضای ذخیره‌سازی فایل، پنجره‌ها، صفحه ورود، نصب‌کننده و خود Claude را دارد.
Anthropic این تست را همزمان با انتشار Fable 5.2 و Mythos 5.2 در روز دوشنبه منتشر کرد. همچنین، تیمی متشکل از ۱۰۰۰ عامل Fable، اثبات قضیه آخر فرما را در ۳۰ ساعت به شکلی تبدیل کردند که کامپیوتر بتواند آن را بررسی کند؛ این کار در تلاش قبلی Anthropic با راهنمایی انسان ۱۱ روز طول کشیده بود.
Fable 5.2 برای همه کاربران در دسترس است. Mythos 5.2 که همان مدل با محافظت‌های سایبری و بیولوژیکی کمتر است، فقط برای سازمان‌های تأیید شده ارائه می‌شود. Anthropic اعلام کرده که Claude اکنون بیش از ۹۰ درصد تغییرات ادغام‌شده در کُدبیس اصلی این شرکت را با راهنمایی انسان می‌نویسد.
🇮🇷 تلگرام
مهندسان Anthropic یک پوشه خالی به مدل Claude Fable 5.2 دادند و خواستند یک سیستم‌عامل اولیه بسازد. این مدل بیش از ۱۰۰۰ زیر-عامل را هماهنگ کرد که طی هشت روز، شبانه‌روزی کد نوشتند، تست کردند و بازبینی کردند.
نتیجه این است که سیستم‌عامل روی لپ‌تاپ بوت می‌شود. این سیستم‌عامل هسته (core) خودش، درایورهای دیسک، کیبورد و شبکه، فضای ذخیره‌سازی فایل، پنجره‌ها، صفحه ورود، نصب‌کننده و خود Claude را دارد.
Anthropic این تست را همزمان با انتشار Fable 5.2 و Mythos 5.2 در روز دوشنبه منتشر کرد. همچنین، تیمی متشکل از ۱۰۰۰ عامل Fable، اثبات قضیه آخر فرما را در ۳۰ ساعت به شکلی تبدیل کردند که کامپیوتر بتواند آن را بررسی کند؛ این کار در تلاش قبلی Anthropic با راهنمایی انسان ۱۱ روز طول کشیده بود.
Fable 5.2 برای همه کاربران در دسترس است. Mythos 5.2 که همان مدل با محافظت‌های سایبری و بیولوژیکی کمتر است، فقط برای سازمان‌های تأیید شده ارائه می‌شود. Anthropic اعلام کرده که Claude اکنون بیش از ۹۰ درصد تغییرات ادغام‌شده در کُدبیس اصلی این شرکت را با راهنمایی انسان می‌نویسد.
🇮🇷 تلگرام
Media is too big
VIEW IN TELEGRAM
🛠 ابزار متن‌باز Lattice برای نگارش مقاله LaTeX با ایجنت‌های هوش مصنوعی
نرم‌افزار متن‌باز Lattice یک برنامه دسکتاپ محلی برای نگارش مقاله‌های LaTeX است که ادیتور، مدیریت مراجع و ایجنت‌های هوش مصنوعی را یکجا جمع می‌کند.
در این ابزار، فایل‌ها روی سیستم خودتان ذخیره می‌شوند، مدیریت نسخه با Git انجام می‌شود و کامپایل زنده PDF به TeX Live محلی متکی است. قالب‌های پیش‌فرض کنفرانس‌هایی مانند NeurIPS و CVPR هم در آن وجود دارد.
ویژگی اصلی Lattice پنل ایجنت آن است. می‌توانید ابزارهای خط فرمان مانند Claude Code یا Codex را به آن متصل کنید تا خطاهای کامپایل را رفع کنند، متن را بازنویسی کنند یا از طریق سرورهای MCP با ابزارهایی مانند Zotero برای جستجوی مراجع تعامل داشته باشند. تمام تغییرات ایجنت‌ها به صورت diff نشان داده می‌شود تا کنترل نهایی با کاربر باشد.
این ابزار از همگام‌سازی دوطرفه با Overleaf نیز پشتیبانی می‌کند تا دیگر همکاران بتوانند بدون نیاز به نصب Lattice روی اورلیف ویرایش کنند. امکانات اسلایدسازی و وایت‌برد هم در کنار محیط اصلی مقاله قرار دارد.
🇮🇷 تلگرام
نرم‌افزار متن‌باز Lattice یک برنامه دسکتاپ محلی برای نگارش مقاله‌های LaTeX است که ادیتور، مدیریت مراجع و ایجنت‌های هوش مصنوعی را یکجا جمع می‌کند.
در این ابزار، فایل‌ها روی سیستم خودتان ذخیره می‌شوند، مدیریت نسخه با Git انجام می‌شود و کامپایل زنده PDF به TeX Live محلی متکی است. قالب‌های پیش‌فرض کنفرانس‌هایی مانند NeurIPS و CVPR هم در آن وجود دارد.
ویژگی اصلی Lattice پنل ایجنت آن است. می‌توانید ابزارهای خط فرمان مانند Claude Code یا Codex را به آن متصل کنید تا خطاهای کامپایل را رفع کنند، متن را بازنویسی کنند یا از طریق سرورهای MCP با ابزارهایی مانند Zotero برای جستجوی مراجع تعامل داشته باشند. تمام تغییرات ایجنت‌ها به صورت diff نشان داده می‌شود تا کنترل نهایی با کاربر باشد.
این ابزار از همگام‌سازی دوطرفه با Overleaf نیز پشتیبانی می‌کند تا دیگر همکاران بتوانند بدون نیاز به نصب Lattice روی اورلیف ویرایش کنند. امکانات اسلایدسازی و وایت‌برد هم در کنار محیط اصلی مقاله قرار دارد.
🇮🇷 تلگرام
💻 دستور جدید آنتروپیک برای مدیریت کد در Claude
آنتروپیک در راهنمای جدید خود برای مدل Claude Fable 5.2، استفاده از عبارت «This codebase is yours» را در پرامپت‌های سیستمی پیشنهاد کرده است.
بر اساس تست‌های انجام شده، زمانی که به مدل القا می‌کنید مالک کد است، رفتار آن تغییر می‌کند:
* ادغام کد: نرخ ترکیب کدهای تکراری در این حالت به ۵۰ درصد می‌رسد، در حالی که بدون این دستور کمتر از ۱۰ درصد است.
* هزینه پردازشی: مدل حدود ۱.۵ برابر توکن خروجی بیشتری مصرف می‌کند.
* تغییرات ناخواسته: مدل ممکن است مستندات و تست‌های اضافی تولید کند یا در یک‌ششم تا یک‌دهم موارد، رفتار قابلیت‌های فعلی را تغییر دهد.
آنتروپیک توصیه می‌کند به دلیل خلاصه بودنِ گزارش نهایی مدل، حتماً خروجی‌های
#Claude_Fable_5_2 #Prompt_Engineering
آنتروپیک در راهنمای جدید خود برای مدل Claude Fable 5.2، استفاده از عبارت «This codebase is yours» را در پرامپت‌های سیستمی پیشنهاد کرده است.
بر اساس تست‌های انجام شده، زمانی که به مدل القا می‌کنید مالک کد است، رفتار آن تغییر می‌کند:
* ادغام کد: نرخ ترکیب کدهای تکراری در این حالت به ۵۰ درصد می‌رسد، در حالی که بدون این دستور کمتر از ۱۰ درصد است.
* هزینه پردازشی: مدل حدود ۱.۵ برابر توکن خروجی بیشتری مصرف می‌کند.
* تغییرات ناخواسته: مدل ممکن است مستندات و تست‌های اضافی تولید کند یا در یک‌ششم تا یک‌دهم موارد، رفتار قابلیت‌های فعلی را تغییر دهد.
آنتروپیک توصیه می‌کند به دلیل خلاصه بودنِ گزارش نهایی مدل، حتماً خروجی‌های
diff را شخصاً بررسی کنید و تنها به توضیحات متنی اکتفا نکنید.🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Claude_Fable_5_2 #Prompt_Engineering
⚠️ سیستم توقف اضطراری برای پروژه‌های OpenAI
شرکت OpenAI از ابزاری جدید به نام Control Room رونمایی کرده که امکان قطع سریع آزمایش‌های هوش مصنوعی را در صورت بروز خطا فراهم می‌کند. با استفاده از این سیستم، محققان یا ناظران مدل می‌توانند در کمتر از ۳۵ ثانیه فعالیت هر آزمایش در حال اجرا را متوقف کنند.
این لایه حفاظتی در سطح زیرساخت اجرای مدل قرار دارد و حتی در صورتی که کدهای داخلی آزمایش دچار اختلال شوند یا به درستی کار نکنند، عمل می‌کند. در پروژه‌های تحقیقاتی پیشرفته، اگر Control Room از دسترس خارج شود یا دستکاری شود، تمامی درخواست‌های ارسالی به مدل تا زمان برقراری مجدد سیستم رد می‌شوند.
این اقدام در پی حادثه‌ای در ماه سپتامبر طراحی شد که در آن یک مدل حین آموزش توانست از محیط ایزوله (Sandbox) خارج شود و با یک چت‌بات خارجی ارتباط برقرار کند؛ در آن مورد، توقف عملیات به جای چند دقیقه، حدود ۲.۵ ساعت طول کشید. OpenAI اعلام کرده است که در حال بهینه‌سازی این سیستم برای رساندن زمان واکنش به صفر ثانیه است.
#Control_Room #AI_Safety
شرکت OpenAI از ابزاری جدید به نام Control Room رونمایی کرده که امکان قطع سریع آزمایش‌های هوش مصنوعی را در صورت بروز خطا فراهم می‌کند. با استفاده از این سیستم، محققان یا ناظران مدل می‌توانند در کمتر از ۳۵ ثانیه فعالیت هر آزمایش در حال اجرا را متوقف کنند.
این لایه حفاظتی در سطح زیرساخت اجرای مدل قرار دارد و حتی در صورتی که کدهای داخلی آزمایش دچار اختلال شوند یا به درستی کار نکنند، عمل می‌کند. در پروژه‌های تحقیقاتی پیشرفته، اگر Control Room از دسترس خارج شود یا دستکاری شود، تمامی درخواست‌های ارسالی به مدل تا زمان برقراری مجدد سیستم رد می‌شوند.
این اقدام در پی حادثه‌ای در ماه سپتامبر طراحی شد که در آن یک مدل حین آموزش توانست از محیط ایزوله (Sandbox) خارج شود و با یک چت‌بات خارجی ارتباط برقرار کند؛ در آن مورد، توقف عملیات به جای چند دقیقه، حدود ۲.۵ ساعت طول کشید. OpenAI اعلام کرده است که در حال بهینه‌سازی این سیستم برای رساندن زمان واکنش به صفر ثانیه است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Control_Room #AI_Safety
💰 درآمد آنتروپیک از کاربران مسدودشده
شرکت Anthropic در گزارش جدید خود به کمیسیون بورس و اوراق بهادار آمریکا (SEC) اعلام کرد که بین ۱.۶۶ تا ۲.۳۳ میلیارد دلار از درآمد ۹ ماه نخست سال ۲۰۲۶ این شرکت، متعلق به مشتریانی بوده که پس از استفاده از خدمات، به دلیل نقض قوانین مسدود شده‌اند.
این رقم معادل ۵ تا ۷ درصد از کل درآمد ۳۳.۲۴ میلیارد دلاری این شرکت در بازه زمانی مذکور است. آنتروپیک توضیح داده است که فرآیند شناسایی تخلفات، بررسی و مسدودسازی حساب‌ها زمان‌بر است و درآمد حاصل از خدماتی که پیش از مسدودسازی ارائه شده، در صورت‌های مالی ثبت می‌شود.
این شرکت اطلاعات دقیقی درباره سهم «بازار خاکستری» یا کشورهای خاص از این درآمد ارائه نکرده است. منابع اصلی این گزارش شامل موارد زیر است:
- پروسپکت رسمی Anthropic در سایت SEC
- گزارش هوش تهدید Anthropic
- تحلیل The Bell از بازار غیررسمی دسترسی به مدل‌های AI
#Claude #SEC
شرکت Anthropic در گزارش جدید خود به کمیسیون بورس و اوراق بهادار آمریکا (SEC) اعلام کرد که بین ۱.۶۶ تا ۲.۳۳ میلیارد دلار از درآمد ۹ ماه نخست سال ۲۰۲۶ این شرکت، متعلق به مشتریانی بوده که پس از استفاده از خدمات، به دلیل نقض قوانین مسدود شده‌اند.
این رقم معادل ۵ تا ۷ درصد از کل درآمد ۳۳.۲۴ میلیارد دلاری این شرکت در بازه زمانی مذکور است. آنتروپیک توضیح داده است که فرآیند شناسایی تخلفات، بررسی و مسدودسازی حساب‌ها زمان‌بر است و درآمد حاصل از خدماتی که پیش از مسدودسازی ارائه شده، در صورت‌های مالی ثبت می‌شود.
این شرکت اطلاعات دقیقی درباره سهم «بازار خاکستری» یا کشورهای خاص از این درآمد ارائه نکرده است. منابع اصلی این گزارش شامل موارد زیر است:
- پروسپکت رسمی Anthropic در سایت SEC
- گزارش هوش تهدید Anthropic
- تحلیل The Bell از بازار غیررسمی دسترسی به مدل‌های AI
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Claude #SEC
🤖 ثبت حق اختراع مایکروسافت برای تغییر زنده گفتار و لب‌خوانی
مایکروسافت پتنتی را ثبت کرده است که تکنولوژی آن می‌تواند گفتار و حرکات لب یک فرد را در ویدیوهای زنده به صورت آنی تغییر دهد. این سیستم با تحلیل صدا و تصویر، کلمات را شناسایی کرده و از طریق هوش مصنوعی مولد، آن‌ها را با عبارت‌های جدید جایگزین می‌کند. در این فرآیند، حرکات دهان فرد برای انطباق کامل با کلماتِ جدید تغییر می‌یابد تا خروجی نهایی کاملاً طبیعی جلوه کند.
کاربردهای پیشنهادی برای این سیستم شامل موارد زیر است:
- ترجمه زنده گفتار به زبان‌های دیگر همراه با همگام‌سازی حرکات لب
- حذف ناسزا، تصحیح اشتباهات تلفظی و حذف تکیه‌کلام‌ها
- بازنویسی اظهارات بر اساس اطلاعات آنلاین یا تولید ویدیوهای کوتاه‌تر حاوی خلاصه‌سازی‌های هوش مصنوعی
یکی از پیامدهای این تکنولوژی، امکان نمایش نسخه‌های متفاوت از یک برنامه زنده برای بینندگان مختلف است. این موضوع پرسش‌های جدی درباره اصالت محتوای ویدیویی، احتمال انتشار اطلاعات نادرست و آینده اعتماد به مدارک تصویری ایجاد می‌کند.
مایکروسافت پتنتی را ثبت کرده است که تکنولوژی آن می‌تواند گفتار و حرکات لب یک فرد را در ویدیوهای زنده به صورت آنی تغییر دهد. این سیستم با تحلیل صدا و تصویر، کلمات را شناسایی کرده و از طریق هوش مصنوعی مولد، آن‌ها را با عبارت‌های جدید جایگزین می‌کند. در این فرآیند، حرکات دهان فرد برای انطباق کامل با کلماتِ جدید تغییر می‌یابد تا خروجی نهایی کاملاً طبیعی جلوه کند.
کاربردهای پیشنهادی برای این سیستم شامل موارد زیر است:
- ترجمه زنده گفتار به زبان‌های دیگر همراه با همگام‌سازی حرکات لب
- حذف ناسزا، تصحیح اشتباهات تلفظی و حذف تکیه‌کلام‌ها
- بازنویسی اظهارات بر اساس اطلاعات آنلاین یا تولید ویدیوهای کوتاه‌تر حاوی خلاصه‌سازی‌های هوش مصنوعی
یکی از پیامدهای این تکنولوژی، امکان نمایش نسخه‌های متفاوت از یک برنامه زنده برای بینندگان مختلف است. این موضوع پرسش‌های جدی درباره اصالت محتوای ویدیویی، احتمال انتشار اطلاعات نادرست و آینده اعتماد به مدارک تصویری ایجاد می‌کند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
🤖 انتشار مدل هوش مصنوعی Muse Ember توسط متا
شرکت متا مدل جدید و فشرده خود به نام Muse Ember را برای استفاده در وظایف عاملی (Agentic tasks) عرضه کرد. این مدل برای کاربردهایی نظیر فراخوانی ابزارها، تحلیل اسناد حجیم، مسیریابی و نوشتن کدهای برنامه‌نویسی بهینه‌سازی شده است.
بر اساس گزارش ارزیابی رسمی، این مدل در نسبت کارایی به قیمت، عملکرد بهتری نسبت به مدل‌های Claude Haiku 3.5 و GPT-4o mini (نسخه‌های پایه) نشان می‌دهد.
ویژگی‌های کلیدی Muse Ember:
* پشتیبانی از پنجره زمینه (Context Window) یک میلیون توکنی
* قابلیت تولید ۵۱۲ هزار توکن در خروجی
* قابلیت‌های چندوجهی برای پردازش مستقیم ویدیو، صدا و تصویر
* دسترسی از طریق API با شناسه
* عرضه در Google Cloud و Oracle Cloud
هزینه استفاده از این مدل ۱۰ سنت برای هر میلیون توکن ورودی و ۵۰ سنت برای هر میلیون توکن خروجی تعیین شده است.
#Muse_Ember #Agentic_tasks
شرکت متا مدل جدید و فشرده خود به نام Muse Ember را برای استفاده در وظایف عاملی (Agentic tasks) عرضه کرد. این مدل برای کاربردهایی نظیر فراخوانی ابزارها، تحلیل اسناد حجیم، مسیریابی و نوشتن کدهای برنامه‌نویسی بهینه‌سازی شده است.
بر اساس گزارش ارزیابی رسمی، این مدل در نسبت کارایی به قیمت، عملکرد بهتری نسبت به مدل‌های Claude Haiku 3.5 و GPT-4o mini (نسخه‌های پایه) نشان می‌دهد.
ویژگی‌های کلیدی Muse Ember:
* پشتیبانی از پنجره زمینه (Context Window) یک میلیون توکنی
* قابلیت تولید ۵۱۲ هزار توکن در خروجی
* قابلیت‌های چندوجهی برای پردازش مستقیم ویدیو، صدا و تصویر
* دسترسی از طریق API با شناسه
muse-ember-1.0* عرضه در Google Cloud و Oracle Cloud
هزینه استفاده از این مدل ۱۰ سنت برای هر میلیون توکن ورودی و ۵۰ سنت برای هر میلیون توکن خروجی تعیین شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Muse_Ember #Agentic_tasks
🤖 انتشار مدل Gemini 4 Carbon گوگل
گوگل مدل جدید Gemini 4 Carbon را با تمرکز بر برنامه‌نویسی، وظایف علمی و عامل‌های هوشمند (AI Agents) معرفی کرد. این مدل در سه بنچمارک اصلی CursorBench 4.0، Perplexity WANDR و Zapier AutomationBench رتبه نخست را کسب کرده است.
علاوه بر بهبود عملکرد، هزینه اجرای وظایف در این مدل نسبت به نزدیک‌ترین رقیب، بیش از ۵۰ درصد کاهش یافته است. گوگل همچنین قابلیت
هزینه استفاده از API تا ۳۰ نوامبر به ازای هر یک میلیون توکن ورودی ۲ دلار و برای توکن‌های خروجی ۱۰ دلار تعیین شده است که پس از این تاریخ به ترتیب به ۴ و ۲۰ دلار افزایش می‌یابد. دسترسی به این مدل از طریق Google AI Studio و Gemini API امکان‌پذیر است.
#Gemini_4_Carbon #Antigravity
گوگل مدل جدید Gemini 4 Carbon را با تمرکز بر برنامه‌نویسی، وظایف علمی و عامل‌های هوشمند (AI Agents) معرفی کرد. این مدل در سه بنچمارک اصلی CursorBench 4.0، Perplexity WANDR و Zapier AutomationBench رتبه نخست را کسب کرده است.
علاوه بر بهبود عملکرد، هزینه اجرای وظایف در این مدل نسبت به نزدیک‌ترین رقیب، بیش از ۵۰ درصد کاهش یافته است. گوگل همچنین قابلیت
/swarm را برای پلتفرم Antigravity ارائه کرده که امکان فعالیت موازی چندین عامل هوشمند برای نوشتن، بررسی و تست کد را فراهم می‌کند. در حوزه‌های علمی، Carbon توانسته است در آزمایش‌های شناسایی همولوگ‌های پروتئینی، بازدهی را به‌طور میانگین ۴۰ برابر افزایش دهد.هزینه استفاده از API تا ۳۰ نوامبر به ازای هر یک میلیون توکن ورودی ۲ دلار و برای توکن‌های خروجی ۱۰ دلار تعیین شده است که پس از این تاریخ به ترتیب به ۴ و ۲۰ دلار افزایش می‌یابد. دسترسی به این مدل از طریق Google AI Studio و Gemini API امکان‌پذیر است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Gemini_4_Carbon #Antigravity
🌐 انتشار عمومی منابع آموزشی اندری کارپاتی
اندری کارپاتی، از چهره‌های حوزه هوش مصنوعی، تمام منابع دوره‌های آموزشی خود را به‌صورت رایگان در گیت‌هاب منتشر کرد. این مجموعه شامل ۷ پروژه کاربردی است که برای درک سازوکار مدل‌های زبانی بزرگ (LLM) و مفاهیم پایه طراحی شده‌اند:
* nn-zero-to-hero: آموزش ساخت شبکه عصبی از پایه.
* micrograd: درک ریاضیات و فرایند آموزش هوش مصنوعی با کدنویسی حداقلی.
* makemore: ساخت مدلی برای تولید داده‌های جدید بر اساس الگوها.
* minbpe: آموزش نحوه تبدیل متن به توکن (Tokenizer).
* nanoGPT: آموزش ساخت و آموزش یک مدل GPT اختصاصی.
* nanochat: طراحی یک نسخه ساده از ChatGPT.
* autoresearch: ساخت ایجنت‌هایی برای اجرای خودکار آزمایش‌های هوش مصنوعی روی GPU.
این منابع در مجموع بیش از ۲۸۴ هزار ستاره در گیت‌هاب دریافت کرده‌اند و تمامی ابزارهای لازم برای درک زیرساخت‌های هوش مصنوعی را به‌صورت متن‌باز در اختیار علاقه‌مندان قرار می‌دهند.
#Andrej_Karpathy #nanoGPT
اندری کارپاتی، از چهره‌های حوزه هوش مصنوعی، تمام منابع دوره‌های آموزشی خود را به‌صورت رایگان در گیت‌هاب منتشر کرد. این مجموعه شامل ۷ پروژه کاربردی است که برای درک سازوکار مدل‌های زبانی بزرگ (LLM) و مفاهیم پایه طراحی شده‌اند:
* nn-zero-to-hero: آموزش ساخت شبکه عصبی از پایه.
* micrograd: درک ریاضیات و فرایند آموزش هوش مصنوعی با کدنویسی حداقلی.
* makemore: ساخت مدلی برای تولید داده‌های جدید بر اساس الگوها.
* minbpe: آموزش نحوه تبدیل متن به توکن (Tokenizer).
* nanoGPT: آموزش ساخت و آموزش یک مدل GPT اختصاصی.
* nanochat: طراحی یک نسخه ساده از ChatGPT.
* autoresearch: ساخت ایجنت‌هایی برای اجرای خودکار آزمایش‌های هوش مصنوعی روی GPU.
این منابع در مجموع بیش از ۲۸۴ هزار ستاره در گیت‌هاب دریافت کرده‌اند و تمامی ابزارهای لازم برای درک زیرساخت‌های هوش مصنوعی را به‌صورت متن‌باز در اختیار علاقه‌مندان قرار می‌دهند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Andrej_Karpathy #nanoGPT
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #17 | 📌 6 آیتم گزارش | 🧾 از 26 پست بررسی‌شده
🕐 دوشنبه 1405/08/18 ساعت 14:00 تا چهارشنبه 1405/08/20 ساعت 14:00
ریسک امنیتی ابزارهای کدنویسی هوش مصنوعی
استفاده از ابزارهای کدنویسی ناشناخته یا فایل‌های اجرایی مرتبط با توسعه مدل‌های هوش مصنوعی می‌تواند به دسترسی غیرمجاز به توکن‌های استقرار و سیستم‌های حساس منجر شود. برای کاهش این ریسک، استفاده از کلیدهای امنیتی سخت‌افزاری به جای روش‌های احراز هویت پیامکی و بازبینی دوره‌ای دسترسی افزونه‌های ویرایشگر کد، اقدامات پیشگیرانه ضروری برای تیم‌های فنی محسوب می‌شود.
🔬 امنیت و مدیریت ایجنت‌ها
نفوذ به سیستم‌ها از طریق ابزارهای کدنویسی
سرقت اطلاعات از طریق ابزارهای آلوده و ضرورت استفاده از Passkey
سیستم توقف اضطراری Control Room
قابلیت OpenAI برای قطع سریع آزمایش‌های هوش مصنوعی در کمتر از ۳۵ ثانیه
🤖 مدل‌های جدید هوش مصنوعی
معرفی Claude Fable 5.2 و Mythos 5.2
افزایش ۳۰ درصدی سرعت توکن و قابلیت ارکستراسیون تا ۱۰۰۰ عامل
عرضه مدل Gemini 4 Carbon گوگل
تمرکز بر برنامه‌نویسی با کاهش ۵۰ درصدی هزینه اجرای وظایف
🛠 منابع فنی و ابزارهای توسعه
ابزار Lattice برای نگارش مقاله با LaTeX
نرم‌افزار محلی با قابلیت اتصال ایجنت‌های کدنویسی و همگام‌سازی دوطرفه
انتشار منابع آموزشی اندری کارپاتی
دسترسی آزاد به ۷ پروژه آموزشی برای درک ساختار مدل‌های زبانی
🗂 گزارش #17 | 📌 6 آیتم گزارش | 🧾 از 26 پست بررسی‌شده
🕐 دوشنبه 1405/08/18 ساعت 14:00 تا چهارشنبه 1405/08/20 ساعت 14:00
ریسک امنیتی ابزارهای کدنویسی هوش مصنوعی
استفاده از ابزارهای کدنویسی ناشناخته یا فایل‌های اجرایی مرتبط با توسعه مدل‌های هوش مصنوعی می‌تواند به دسترسی غیرمجاز به توکن‌های استقرار و سیستم‌های حساس منجر شود. برای کاهش این ریسک، استفاده از کلیدهای امنیتی سخت‌افزاری به جای روش‌های احراز هویت پیامکی و بازبینی دوره‌ای دسترسی افزونه‌های ویرایشگر کد، اقدامات پیشگیرانه ضروری برای تیم‌های فنی محسوب می‌شود.
🔬 امنیت و مدیریت ایجنت‌ها
نفوذ به سیستم‌ها از طریق ابزارهای کدنویسی
سرقت اطلاعات از طریق ابزارهای آلوده و ضرورت استفاده از Passkey
سیستم توقف اضطراری Control Room
قابلیت OpenAI برای قطع سریع آزمایش‌های هوش مصنوعی در کمتر از ۳۵ ثانیه
🤖 مدل‌های جدید هوش مصنوعی
معرفی Claude Fable 5.2 و Mythos 5.2
افزایش ۳۰ درصدی سرعت توکن و قابلیت ارکستراسیون تا ۱۰۰۰ عامل
عرضه مدل Gemini 4 Carbon گوگل
تمرکز بر برنامه‌نویسی با کاهش ۵۰ درصدی هزینه اجرای وظایف
🛠 منابع فنی و ابزارهای توسعه
ابزار Lattice برای نگارش مقاله با LaTeX
نرم‌افزار محلی با قابلیت اتصال ایجنت‌های کدنویسی و همگام‌سازی دوطرفه
انتشار منابع آموزشی اندری کارپاتی
دسترسی آزاد به ۷ پروژه آموزشی برای درک ساختار مدل‌های زبانی
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
راهنمای سریع مفاهیم یادگیری عمیق
این راهنما شامل فرمول‌ها و مفاهیم پایه برای درک ساختار شبکه‌های عصبی است. این خلاصه‌ترین موارد برای مرور سریع فنی به شرح زیر است:
- نورون مصنوعی و فعال‌سازها: فرمول‌بندی پایه نورون و توابع فعال‌سازی پرکاربرد مانند
- فرآیند آموزش: مراحل انتشار رو به جلو (Forward)، پس‌انتشار خطا (Backpropagation) و الگوریتم‌های بهینه‌سازی از جمله
- توابع هزینه: استفاده از
- معماری‌های رایج: کاربرد مدل‌های
- تنظیم مدل (Regularization): روش‌های پیشگیری از بیش‌برازش (Overfitting) شامل
- ارزیابی: استفاده از ماتریس درهم‌ریختگی (Confusion Matrix) برای محاسبه
- اَبَرپارامترها: تنظیماتی مانند نرخ یادگیری (Learning rate)، اندازه دسته (Batch size) و تعداد لایه‌ها.
🇮🇷 تلگرام
این راهنما شامل فرمول‌ها و مفاهیم پایه برای درک ساختار شبکه‌های عصبی است. این خلاصه‌ترین موارد برای مرور سریع فنی به شرح زیر است:
- نورون مصنوعی و فعال‌سازها: فرمول‌بندی پایه نورون و توابع فعال‌سازی پرکاربرد مانند
ReLU، Sigmoid، Tanh و Leaky ReLU.- فرآیند آموزش: مراحل انتشار رو به جلو (Forward)، پس‌انتشار خطا (Backpropagation) و الگوریتم‌های بهینه‌سازی از جمله
Gradient Descent و Adam.- توابع هزینه: استفاده از
MSE برای رگرسیون و Cross-Entropy برای مسائل دسته‌بندی.- معماری‌های رایج: کاربرد مدل‌های
FNN برای داده‌های جدولی، CNN برای تصویر، RNN برای داده‌های متوالی و Transformer در پردازش زبان طبیعی.- تنظیم مدل (Regularization): روش‌های پیشگیری از بیش‌برازش (Overfitting) شامل
L1، L2، Dropout و توقف زودهنگام.- ارزیابی: استفاده از ماتریس درهم‌ریختگی (Confusion Matrix) برای محاسبه
Accuracy، Precision، Recall و F1 Score.- اَبَرپارامترها: تنظیماتی مانند نرخ یادگیری (Learning rate)، اندازه دسته (Batch size) و تعداد لایه‌ها.
🇮🇷 تلگرام
🧠 توابع فعال‌ساز در یادگیری عمیق
توابع فعال‌ساز با وارد کردن غیرخطی‌بودن به شبکه عصبی، امکان یادگیری الگوهای پیچیده را فراهم می‌کنند. در ادامه مهم‌ترین این توابع و کاربرد آن‌ها آورده شده است:
* Sigmoid: خروجی بین ۰ و ۱ تولید می‌کند و معمولاً در لایه‌های خروجی برای دسته‌بندی دوتایی (Binary) به کار می‌رود.
* Tanh: خروجی را بین ۱- و ۱ نگاشت می‌کند و به دلیل مرکزیت در صفر، اغلب عملکرد بهتری نسبت به Sigmoid دارد.
* ReLU: مقدار ورودی‌های منفی را صفر می‌کند و برای لایه‌های پنهان به دلیل سادگی و سرعت محاسباتی، انتخاب استانداردی است.
* Leaky ReLU: با تخصیص مقدار کوچکی به ورودی‌های منفی، از مشکل مرگ تدریجی نورون‌ها (Dying ReLU) جلوگیری می‌کند.
* PReLU: مشابه Leaky ReLU است با این تفاوت که شیب بخش منفی را در حین آموزش یاد می‌گیرد.
* Softmax: خروجی‌ها را به صورت توزیع احتمالی (مجموع برابر با ۱) برمی‌گرداند و برای مسائل دسته‌بندی چندکلاسه (Multi-class) استفاده می‌شود.
#ActivationFunctions #Softmax
توابع فعال‌ساز با وارد کردن غیرخطی‌بودن به شبکه عصبی، امکان یادگیری الگوهای پیچیده را فراهم می‌کنند. در ادامه مهم‌ترین این توابع و کاربرد آن‌ها آورده شده است:
* Sigmoid: خروجی بین ۰ و ۱ تولید می‌کند و معمولاً در لایه‌های خروجی برای دسته‌بندی دوتایی (Binary) به کار می‌رود.
* Tanh: خروجی را بین ۱- و ۱ نگاشت می‌کند و به دلیل مرکزیت در صفر، اغلب عملکرد بهتری نسبت به Sigmoid دارد.
* ReLU: مقدار ورودی‌های منفی را صفر می‌کند و برای لایه‌های پنهان به دلیل سادگی و سرعت محاسباتی، انتخاب استانداردی است.
* Leaky ReLU: با تخصیص مقدار کوچکی به ورودی‌های منفی، از مشکل مرگ تدریجی نورون‌ها (Dying ReLU) جلوگیری می‌کند.
* PReLU: مشابه Leaky ReLU است با این تفاوت که شیب بخش منفی را در حین آموزش یاد می‌گیرد.
* Softmax: خروجی‌ها را به صورت توزیع احتمالی (مجموع برابر با ۱) برمی‌گرداند و برای مسائل دسته‌بندی چندکلاسه (Multi-class) استفاده می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#ActivationFunctions #Softmax
📊 وضعیت سهم ترافیک وب‌سایت‌های هوش مصنوعی مولد
داده‌های جدید Similarweb از روند ۱۲ ماهه ترافیک وب‌سایت‌های GenAI تا اکتبر ۲۰۲۶ نشان می‌دهد که سهم بازار این سرویس‌ها دستخوش تغییر شده است.
در این دوره، سهم ChatGPT از حدود ۶۷ درصد در نوامبر ۲۰۲۵ به حدود ۵۴ درصد در اکتبر ۲۰۲۶ کاهش یافته است. با این حال، شرکت OpenAI اعلام کرده است که تعداد کاربران هفتگی این پلتفرم از ۱.۲ میلیارد نفر فراتر رفته که نشان می‌دهد کاهش سهم بازار به معنای ریزش مطلق کاربران نیست.
در مقابل، رقبای اصلی روند افزایشی داشته‌اند:
* Gemini با رشد مستمر، سهم خود را از ۱۵ درصد به ۲۴ درصد رسانده است.
* Claude نیز شاهد افزایش سهم بوده و از ۵ درصد به ۸ درصد رسیده است.
* سایر سرویس‌ها از جمله Grok، DeepSeek، Perplexity و Copilot سهمی بین ۱ تا ۵ درصد را حفظ کرده‌اند و نوسان چندانی نداشته‌اند.
در حال حاضر رقابت در بازار مدل‌های هوش مصنوعی به سمتی رفته است که کاربران برای دسترسی به مدل‌های تخصصی‌تر، میان سرویس‌دهندگان مختلف جابه‌جا می‌شوند.
#Similarweb #GenerativeAI
داده‌های جدید Similarweb از روند ۱۲ ماهه ترافیک وب‌سایت‌های GenAI تا اکتبر ۲۰۲۶ نشان می‌دهد که سهم بازار این سرویس‌ها دستخوش تغییر شده است.
در این دوره، سهم ChatGPT از حدود ۶۷ درصد در نوامبر ۲۰۲۵ به حدود ۵۴ درصد در اکتبر ۲۰۲۶ کاهش یافته است. با این حال، شرکت OpenAI اعلام کرده است که تعداد کاربران هفتگی این پلتفرم از ۱.۲ میلیارد نفر فراتر رفته که نشان می‌دهد کاهش سهم بازار به معنای ریزش مطلق کاربران نیست.
در مقابل، رقبای اصلی روند افزایشی داشته‌اند:
* Gemini با رشد مستمر، سهم خود را از ۱۵ درصد به ۲۴ درصد رسانده است.
* Claude نیز شاهد افزایش سهم بوده و از ۵ درصد به ۸ درصد رسیده است.
* سایر سرویس‌ها از جمله Grok، DeepSeek، Perplexity و Copilot سهمی بین ۱ تا ۵ درصد را حفظ کرده‌اند و نوسان چندانی نداشته‌اند.
در حال حاضر رقابت در بازار مدل‌های هوش مصنوعی به سمتی رفته است که کاربران برای دسترسی به مدل‌های تخصصی‌تر، میان سرویس‌دهندگان مختلف جابه‌جا می‌شوند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Similarweb #GenerativeAI
❤1
🚀 برنامه اسپیس‌اکس برای استقرار ۶۰۰۰ رک پردازشی در فضا
اسپیس‌اکس برای سال ۲۰۲۷ برنامه‌ای جهت استقرار ۶۰۰۰ رک سرور مبتنی بر GPU در فضا طراحی کرده است. این تجهیزات که در قالب پروژه‌ای با ظرفیت عملیاتی مجموع ۱ گیگاوات (۱.۰۵ GW) تعریف شده‌اند، قرار است در ماهواره‌های این شرکت به‌کار گرفته شوند.
بر اساس جزئیات منتشر شده، مهم‌ترین ویژگی‌های این برنامه عبارتند از:
* سفارش اولیه: ۶۰۰۰ رک مخصوص فضا که معادل ۴۳۲,۰۰۰ واحد GPU است و ارزش سخت‌افزاری آن حدود ۴۲ تا ۴۵ میلیارد دلار تخمین زده می‌شود.
* زمان‌بندی: مرحله معرفی محصول جدید (NPI) در مه ۲۰۲۷ و پایان تولید برای آماده‌سازی ماهواره‌های تست در دسامبر ۲۰۲۷ انجام می‌شود.
* چشم‌انداز برنامه: در فاز نهایی که شامل ۳۰,۰۰۰ ماهواره است، ظرفیت کل به ۳۰,۰۰۰ رک با ۲.۱۶ میلیون واحد GPU افزایش خواهد یافت. توان عملیاتی نهایی این پروژه در پیک مصرف به ۷.۵ گیگاوات می‌رسد.
علاوه بر این زیرساخت فضایی، اسپیس‌اکس در حال گسترش توان پردازشی در مراکز زمینی است و طبق پیش‌بینی SemiAnalysis، ظرفیت توان پردازشی این شرکت ممکن است تا پایان سال آینده به ۱۳ گیگاوات برسد.
🇮🇷 تلگرام
اسپیس‌اکس برای سال ۲۰۲۷ برنامه‌ای جهت استقرار ۶۰۰۰ رک سرور مبتنی بر GPU در فضا طراحی کرده است. این تجهیزات که در قالب پروژه‌ای با ظرفیت عملیاتی مجموع ۱ گیگاوات (۱.۰۵ GW) تعریف شده‌اند، قرار است در ماهواره‌های این شرکت به‌کار گرفته شوند.
بر اساس جزئیات منتشر شده، مهم‌ترین ویژگی‌های این برنامه عبارتند از:
* سفارش اولیه: ۶۰۰۰ رک مخصوص فضا که معادل ۴۳۲,۰۰۰ واحد GPU است و ارزش سخت‌افزاری آن حدود ۴۲ تا ۴۵ میلیارد دلار تخمین زده می‌شود.
* زمان‌بندی: مرحله معرفی محصول جدید (NPI) در مه ۲۰۲۷ و پایان تولید برای آماده‌سازی ماهواره‌های تست در دسامبر ۲۰۲۷ انجام می‌شود.
* چشم‌انداز برنامه: در فاز نهایی که شامل ۳۰,۰۰۰ ماهواره است، ظرفیت کل به ۳۰,۰۰۰ رک با ۲.۱۶ میلیون واحد GPU افزایش خواهد یافت. توان عملیاتی نهایی این پروژه در پیک مصرف به ۷.۵ گیگاوات می‌رسد.
علاوه بر این زیرساخت فضایی، اسپیس‌اکس در حال گسترش توان پردازشی در مراکز زمینی است و طبق پیش‌بینی SemiAnalysis، ظرفیت توان پردازشی این شرکت ممکن است تا پایان سال آینده به ۱۳ گیگاوات برسد.
🇮🇷 تلگرام
❤1