با اکستنشن SingleFile میشه کل یه صفحه وب رو با هر چی عکس، استایل، فونت و... که داخلش هست، به صورت یه دونه فایل HTML دانلود کرد.

+ با یک کلیک
+ برای همه مرورگرها در دسترسه (از جمله فایرفاکس اندروید)
- بیشتر:
https://getsinglefile.com

@DevTwitter | <Yaser Shahi/>

اگر یه مدل ۲۰۰ هزار توکن Context داشته باشه، اما ندونه کدوم بخش از اطلاعات مهم‌تره، واقعاً از یک مدل ۳۰ هزار توکنی که حافظه رو به صورت تطبیقی مدیریت می‌کنه بهتره؟ به نظرم نه!
ما امروز با بزرگ‌تر کردن Context Window، تلاش می‌کنیم مشکل تخصیص منابع رو با افزایش ظرفیت حل کنیم. و این در حالی رخ میده که سیستم‌عامل‌ها سال‌ها پیش راه حل این مسئله رو پیدا کرده بودن.

حافظه فیزیکی از همون اول محدود بود، اما سیستم‌عامل با مکانیزم‌هایی مثل Paging و Swapping، تخصیص RAM رو مدیریت می‌کرد. Page های مورد نیازش رو داخل حافظه نگه می‌داشت و داده‌های کم‌ استفاده رو به فضای ذخیره‌سازی منتقل می‌کرد.

و به نظرم همین ایده می‌تونه توی مدیریت Context برای LLM ها و Agent ها هم استفاده بشه و پروژه Orven تلاشی برای اینکه مدیریت Context مثل مدیریت حافظه توی سیستم‌عامل‌ها انجام بشه.

GitHub:
https://github.com/naseridev/orven

@DevTwitter | <Nima Naseri/>

فریم‌ورک Ruby on Rails برای یک آسیب‌پذیری بحرانی در Active Storage با شناسه CVE-2026-66066 و امتیاز CVSS 9.5 وصله‌های امنیتی منتشر کرده است.

این نقص به مهاجمان احراز هویت‌نشده امکان می‌دهد از طریق بارگذاری تصاویر دستکاری‌شده، فایل‌های دلخواه را از سرورهای برنامه بخوانند و به اطلاعات حساسی نظیر کلیدهای رمزنگاری (secret_key_base)، رمزهای عبور پایگاه داده، اعتبارنامه‌های فضای ابری و توکن‌های API دسترسی یابند.

برنامه‌های آسیب‌پذیر از کتابخانه libvips برای پردازش تصویر در Active Storage استفاده می‌کنند و آپلود تصویر از کاربران غیرمعتمد را می‌پذیرند.

نسخه‌های Rails 7.0.0 تا 7.2.3.1، Rails 8.0.0 تا 8.0.5 و Rails 8.1.0 تا 8.1.3 در معرض خطر هستند. برنامه‌هایی که از MiniMagick استفاده می‌کنند از این مسیر حمله مصون‌اند.

مدیران سیستم باید هرچه سریع‌تر به نسخه‌های Rails 7.2.3.2، 8.0.5.1 یا 8.1.3.1 ارتقا دهند و تمام اعتبارنامه‌های قابل دسترس توسط فرآیند Rails را تعویض کنند.

@DevTwitter | <Teegra/>

اگر با فریم‌ورک tkinter کار می‌کنید، احتمالا تا الان با عوض کردن رنگ titlebar به مشکل برخوردید. این پروژه با regedit توی windows11 مشکلو حل می‌کنه.

https://github.com/unikOne56/tkinter-win11-titlebar

@DevTwitter | <Vahid/>

بعضی وقت‌ها که لازمه یک صفحه‌ای روی وب توسط AI خونده بشه یک کار خوب اینه که اول بدید به https://markdown.new که براتون markdown تمیز بسازه و بعد اونو بدید به AI برای پردازش.

رایگان هم هست.
https://markdown.new/

@DevTwitter | <Hamed/>

تعداد درخواستایی که هوش مصنوعیتون به فیگما می‌تونه بزنه و توکن‌های دیزاین، عکس‌ها و … رو بخونه خیلی محدوده (در پلن رایگان فیگما)
با این پکیج رایگان و نامحدود می‌شه.

https://github.com/gethopp/figma-mcp-bridge

@DevTwitter | <Pooria/>

امروز داشتم این بلاگ Liquid AI را می‌خواندم و بنچمارک‌های جالبی از مدل‌های انکودری جدیدشان منتشر کرده‌اند.

آن‌ها دو انکودر جدید (۲۳۰M و ۳۵۰M) بر پایه معماری LFM2 معرفی کرده‌اند که به شکل ویژه‌ای برای پردازش متن‌های طولانی تا ۸,۱۹۲ توکن روی CPU بهینه‌سازی شده‌اند.

نکته جذابش سرعت عملکردشان در طول کانتکست بالا روی CPU است؛ مدل ۲۳۰M در کانتکست‌های طولانی حدود ۳.۷ برابر سریع‌تر از ModernBERT-base عمل می‌کند و پردازش یک پاس کامل سند ۸k فقط ۲۸ ثانیه طول می‌کشد.

کاربردهای اصلی که مطرح کرده‌اند:
• اجرا روی دیوایس‌های Edge و صنعتی بدون GPU
• پردازش اسناد حساس مالی و حقوقی در محیط‌های کاملاً On-premise
• استفاده به عنوان لایه اول فیلتر و روتینگ برای کاهش هزینه در pipelineها

همچنین چند دموی عملیاتی جالب از PII detection تا چت‌بات با معماری Masked-Diffusion هم ساخته‌اند.

لینک مقاله:
https://liquid.ai/blog/lfm2-5-encoders

@DevTwitter | <Mehdi Allahyari/>

یکی اومده برای انتقال فایل بین دو گوشی یه ابزار نوشته که فایل رو تبدیل به QRCode می‌کنه و پشت هم نشون میده و گوشی دوم با اسکن اون‌ها فایل رو دانلود می‌کنه و میچسبونه به هم.
سرعت حدود 140 کیلوبایت داره

https://github.com/bashalarmistalt/decimen-optical-transfer/

@DevTwitter | <mrdoob/>

با این پروژه میتونید هر کتاب رفرنس و یا داکیومنت کاری خودتون رو به یک Skill تبدیل کنید.
مدل طبق الگوریتم ها و نکات اون کتاب کد بزنه یا خروجی بده.
https://github.com/virgiliojr94/book-to-skill

@DevTwitter | <کدلوژیست/>

Gitea RCE (CVE-2026-60004)

یک آسیب‌پذیری خطرناک از نوع (RCE) در Gitea شناسایی شده است که می‌تواند به مهاجمان اجازه دهد از طریق ایجاد Git Hook مخرب، دستورات Shell را با سطح دسترسی حساب سرویس Gitea اجرا کنند.

https://threatlab.ir/vulnerabilities/CVE-2026-60004/

@DevTwitter | <Ramin Farajpour Cami/>

اگه از لاراول اومدی سمت گو و دلت برای متدهای Collection تنگ شده، سراغ gods برو
یه کتابخونه‌ی کامل از ساختمون‌داده‌های آماده - لیست، ست، استک، مپ، درخت، صف - همه با یه اینترفیس یکدست و بدون هیچ dependency خارجی.

معادل جمع‌وجورِ Illuminate\Support برای دنیای Go

github.com/emirpasic/gods

@DevTwitter

وقتی غول‌های هوش مصنوعی چند ده دلار می‌گیرند، DeepSeek با چند سنت وارد می‌شود!

راستش یکی از چیزهایی که همیشه درباره مدل‌های چینی دوست دارم اینه که هر بار شرکت‌های بزرگ غربی با مدل‌های جدیدشون کلی سر و صدا می‌کنن، بنچمارک منتشر می‌کنن و بعد بابت هر میلیون توکن چندین دلار از کاربرها پول می‌گیرن، یه شرکت چینی از راه می‌رسه و تقریباً همون کیفیت رو با کسری از قیمت ارائه می‌ده. حالا هم نوبت DeepSeek V4 Flash 0731 رسیده که دوباره همین داستان رو تکرار کنه.

دیپ‌سیک به‌تازگی نسخه جدید مدل خودش یعنی DeepSeek V4 Flash 0731 رو منتشر کرده؛ مدلی که نسبت به نسخه قبلی جهش خیلی بزرگی داشته و الان به یکی از جدی‌ترین رقیب‌های مدل‌های مطرح بازار تبدیل شده.

این مدل در شاخص هوش Artificial Analysis امتیاز 50 رو کسب کرده؛ یعنی 10 امتیاز بیشتر از DeepSeek V4 Flash قبلی و فقط یک امتیاز پایین‌تر از GPT-5.6 Luna. جالب‌تر اینکه با وجود این سطح از عملکرد، هزینه استفاده ازش همچنان فوق‌العاده رقابتیه.

قیمت DeepSeek V4 Flash 0731 برای هر یک میلیون توکن ورودی فقط 0.14 دلار و برای هر یک میلیون توکن خروجی 0.28 دلار هست. اگر هم از کش استفاده بشه، قیمت به 0.0028 دلار برای هر میلیون توکن می‌رسه که معادل 98 درصد تخفیف محسوب می‌شه. طبق ارزیابی Artificial Analysis، هزینه انجام کارهای مشابه با این مدل حدود 60 درصد کمتر از GPT-5.6 Luna در API رسمی OpenAI هست؛ در حالی که سطح هوش این دو مدل تقریباً به هم نزدیکه.

از نظر مشخصات فنی هم تغییری در معماری ایجاد نشده و مدل همچنان از پنجره متنی یک میلیون توکنی پشتیبانی می‌کنه؛ یعنی می‌تونه حجم بسیار زیادی از متن و اطلاعات رو به‌صورت هم‌زمان پردازش کنه. همچنین اندازه مدل 284 میلیارد پارامتر هست که در زمان اجرا فقط 13 میلیارد پارامتر فعال می‌شن.

اما چیزی که بیشتر از همه جلب توجه می‌کنه، رشد عملکرد این نسخه نسبت به نسل قبلیه. امتیاز مدل در آزمون‌های مربوط به انجام کارهای واقعی و Agentic به شکل چشمگیری افزایش پیدا کرده و توانایی اون در برنامه‌نویسی، استدلال، حل مسائل پیچیده و انجام وظایف چندمرحله‌ای به‌مراتب بهتر شده.

یه نکته جالب دیگه اینه که مدل جدید در عین قوی‌تر شدن، بهینه‌تر هم شده. برای رسیدن به نتایج بهتر، حدود 12 درصد توکن کمتری نسبت به نسخه قبلی مصرف می‌کنه؛ یعنی هم هوشمندتر شده و هم اقتصادی‌تر.

دیپ‌سیک همچنین موفق شده میزان هالوسینیشن یا همون «اطلاعات ساختگی» رو کاهش بده. طبق نتایج منتشرشده، نرخ خطا و پاسخ‌های نادرست نسبت به نسخه قبل کمتر شده و این موضوع باعث می‌شه خروجی‌های مدل قابل‌اعتمادتر باشن.

یکی از جذاب‌ترین اعداد منتشرشده هم مربوط به Terminal-Bench هست؛ جایی که امتیاز مدل از 56.9 در نسخه اولیه آوریل به 82.7 رسیده. این یعنی یک جهش 25.8 امتیازی که واقعاً عدد قابل‌توجهیه.

در حال حاضر DeepSeek V4 Flash 0731 فقط از طریق API رسمی دیپ‌سیک در دسترسه، اما طبق اعلام شرکت، نسخه Open Weights مدل هم به‌زودی منتشر می‌شه.
در مجموع، DeepSeek V4 Flash 0731 دوباره نشون می‌ده که چرا این روزها باید مدل‌های چینی رو خیلی جدی گرفت؛ مدلی که تونسته عملکردی نزدیک به بهترین مدل‌های بازار ارائه بده، اما با هزینه‌ای که در بعضی سناریوها حتی به یک‌دهم رقبای غربی هم نمی‌رسه.

@DevTwitter | <Reza Jafari/>

اگر برنامه دسکتاپ می‌سازید، Tauri رو بشناسید.

برخلاف Electron، از WebView خود سیستم‌عامل و Rust استفاده می‌کنه؛ نتیجه؟ خروجی سبک‌تر و مصرف رم کمتر.

باهاش می‌تونید برای Windows، Linux، macOS، Android و iOS اپ بسازید.

https://github.com/tauri-apps/awesome-tauri

@DevTwitter | <Sadra Majidi/>

مرورگر داخلی اپ ChatGPT داره روز به روز بهتر می‌شه...

شرکت OpenAI توی آپدیت جدیدش، ویژگی پیشنهاد URL رو موقع تایپ کردن به این مرورگر اضافه کرده.

به جز این، افزونه کرومش هم کلی امکانات جدید مثل خوندن صفحه‌های باز و پرسیدن سوال از روی متن‌های انتخاب شده رو اضافه کرده.

@DevTwitter | <Behrad Javed/>

اگر می‌خوای سایتت رو سریع‌تر کنی ولی نمی‌دونی از کجا شروع کنی، این ریپو رو ببین:

http://github.com/davidsonfellipe/awesome-wpo

یه لیست بزرگه از ابزار و مقاله برای بهینه‌سازی سرعت سایت، از فشرده‌سازی عکس تا مانیتور کردن Core Web Vitals. همه‌چی از قبل جمع شده.

@DevTwitter

#کدبوک

راهنمایی کاربردی برای ساخت و ایمن‌سازی اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ (LLM):

- آشنایی با تهدیدات رایج مثل Prompt Injection و نشت اطلاعات
- آموزش روش‌های محافظت از مدل‌ها، داده‌ها و APIها
- پیاده‌سازی اصول امنیتی در اپلیکیشن‌های مبتنی بر هوش مصنوعی
- مناسب برای توسعه‌دهنده‌هایی که با LLMها و AI کار می‌کنن و به امنیت اهمیت می‌دن


* فایل PDF این کتاب رو میتونید از کانال DevBooks که لینکش توی بیو هست دانلود کنید.

@DevTwitter

فراتر از یک دیتابیس تراکنشی: بررسی قابلیت‌های HTAP، جستجوی برداری و اتصال مستقیم به Iceberg در AliSQL
سال‌هاست که سیستم‌های داده را بر اساس یک قانون نانوشته می‌سازیم: جداسازی دیتابیس‌های عملیاتی (OLTP) از موتورهای تحلیلی (OLAP).
همگام نگه‌داشتن این دو محیط، به معنای درگیری با پایپ‌لاین‌های پیچیده ETL، کانکتورهای شکننده CDC و بحث‌های همیشگی «تازگی داده‌ها» (Data Freshness) است. این در واقع هزینه‌ای بود که برای پایداری سیستم می‌پرداختیم؛ اما چه می‌شد اگر می‌توانستیم با چند تصمیم معماری هوشمندانه، این مرزها را پاک کنیم؟ آن هم بدون تغییرات گسترده در کدها و با حفظ پایداری همیشگی سیستم؟
این دقیقاً همان تغییری است که تیم دیتابیس ابری علی‌بابا با معرفی نسخه متن‌باز AliSQL 8.0.44-2 (انشعاب بهینه‌شده MySQL نسخه ۸) ایجاد کرده است. فرمولی برنده از ترکیب پایداری MySQL، سرعت خیره‌کننده DuckDB و قابلیت‌های پیشرفته هوش مصنوعی.

این یک ایده آزمایشگاهی نیست؛ این معماری طی یک دهه برای زنده ماندن در هرج‌ومرج ترافیکی رویداد جمعه سیاه آب‌دیده شده و امروز روی بیش از ۱۰۰۰ نود پروداکشن در حال اجراست. نتیجه؟ تا ۷۰٪ پرفورمنس بهتر و ۹۵.۲٪ کاهش زمان ریکاوری (Crash Recovery) نسبت به MySQL کامیونیتی.

اگر درگیر طراحی سیستم‌های داده‌محور هستید و دنبال یک پلتفرم جامع و مقیاس‌پذیر هستید و یا به دنبال بهبود MySQL خود هستید، این ۴ تغییر زیربنایی در AliSQL قطعا توجه شما را جلب خواهد کرد:
۱. موتور تحلیلی بومی DuckDB (یکپارچگی HTAP)
دیتابیس AliSQL حالا DuckDB را به عنوان یک Storage Engine در کنار InnoDB به رسمیت می‌شناسد. این یعنی کوئری‌های تحلیلی ستونی تا ۲۰۰ برابر سریع‌تر اجرا می‌شوند. نکته جذاب؟ نیازی به درایور جدید یا تغییر Connection String نیست؛ برنامه‌های شما همچنان با پروتکل استاندارد MySQL ارتباط برقرار می‌کنند.

۲. جستجوی برداری بومی برای عصر AI
ورک‌لودهای مدرن نیازمند جستجوی معنایی هستند. این نسخه از نوع داده VECTOR (تا ۱۶,۳۸۳ بعد) همراه با ایندکس‌های HNSW پشتیبانی می‌کند. با این قابلیت، می‌توانید الگوهای RAG، موتورهای پیشنهادگر و جستجوی معنایی را مستقیماً داخل سیستم OLTP خود اجرا کنید.

۳. نوشتن مستقیم روی Apache Iceberg (پلی به سوی Lakehouse)
اینجا همان نقطه عطف ماجراست! از طریق پلاگین DuckDB Iceberg، دیتابیس دیتای تراکنشی را مستقیماً روی جداول Iceberg (درون S3) می‌نویسد.
نتیجه؟ حذف کامل پایپ‌لاین‌های CDC. دیتا به محض Commit شدن، توسط موتورهایی مثل Spark، Flink و Trino قابل کوئری گرفتن است. دیتابیس عملیاتی شما دیگر فقط «منبع بالادستی» دیتا لیک نیست، بلکه تبدیل به بخشی از خود دیتا لیک شده است.

۴. بهینه‌سازی‌های عمیق و Native Flashback
امکان کوئری زدن به دیتای گذشته با AS OF TIMESTAMP و بهینه‌سازی‌های سطح پایین Binlog که باعث کاهش شدید I/O اضافی و تاخیر در Commit تراکنش‌های بزرگ شده است.

تصویر بزرگ‌تر: عصر Lakebase
هرچند مفهوم “Lakebase” اخیراً توسط بازیگرانی مثل Databricks مطرح شده، اما معماری‌ای که AliSQL فراهم کرده، دقیقاً به همان الگوی یکپارچه OLTP + Lakehouse می‌رسد. این نشان‌دهنده یک همگرایی جدی در صنعت است؛ صنعتی که قاطعانه به سمت پاک کردن مرز بین تراکنش‌ها و تحلیل‌ها حرکت می‌کند.
این بازطراحی اساسی نشان می‌دهد که معماری‌های HTAP و همگرایی OLTP و Lakehouseها جدی‌تر از همیشه در حال توسعه هستند.

https://github.com/alibaba/AliSQL

@DevTwitter | <Mojtaba Banaie/>

فریم‌ورک Open-Code-Review؛ ابزار کد‌ریویوی علی‌بابا که تو مقیاس واقعی تست شده و اپن‌سورس شد! یک معماری ترکیبی داره که لاین به لاین کد رو بررسی میکنه و جلوی مشکلاتی مثل خطاهای نخ (Thread Safety)، تزریق SQL و خطاهای NPE رو با هوش مصنوعی میگیره.

https://github.com/alibaba/open-code-review

@DevTwitter | <کدنویس اسطوره‌ای/>

فریم‌ورک Orca؛ جذاب برای زمانی که میخواید چندین ایجنت AI کدنویسی رو به صورت موازی مدیریت کنید. اجازه میده اشتراک‌های خودتون رو به ایجنت‌ها وصل کنید و هم رو دسکتاپ هم موبایل روی عملکردشون نظارت داشته باشید.

https://github.com/stablyai/orca

@DevTwitter | <کدنویس اسطوره‌ای/>

من هر بار که اینترنت قطع میشه یا اسپاتیفای فیلتر میشه:

از سگ کمترم اگه باز از اسپاتیفای استفاده کنم...

همچنان من:

@DevTwitter

خیلی‌ها فکر می‌کنن ارزون‌تر بودن DeepSeek V4-Flash فقط به خاطر قیمت پایین‌تر هر توکنه، اما این معیار همیشه تصویر کاملی از هزینه واقعی نمی‌ده. چون ممکنه یک مدل برای انجام یک کار به تعداد بیشتری تعامل یا مرحله نیاز داشته باشه و در نهایت هزینه کل بالاتر بره.

اما طبق گزارش Artificial Analysis، ماجرا برای DeepSeek V4-Flash کاملاً متفاوته. این مدل نه‌تنها از نظر قیمت هر توکن بسیار ارزان‌تره، بلکه گفته می‌شه همون تسک‌های بنچمارکی که Fable 5 انجام می‌ده رو با هزینه نهایی ۱۰۵ برابر کمتر به سرانجام می‌رسونه.

@DevTwitter | <Reza Jafari/>