تو نسخه‌ی قبلی سرویس matching از RabbitMQ استفاده نمیکردم و اصلاً نیازی به async نبود، چون LLM نداشت و response خیلی سریع برمیگشت.
ولی تو نسخه‌ی جدید که LLM اضافه شد، matching برای تعداد ردیف بالا زمان زیادی میبره و منطقی نبود user منتظر بمونه؛ برای همین RabbitMQ اضافه شد و الان user فوراً یه job id میگیره و پردازش تو background انجام میشه.
برای ارتباط با RabbitMQ از outbox pattern استفاده کردم. مشکلی که حل میکنه اینه که API باید دو تا کار انجام بده: job رو تو database ذخیره کنه و یه پیام به RabbitMQ بفرسته. اگه یکی از این دو تا انجام بشه و اون یکی نه، یا یه job داریم که هیچ‌وقت پردازش نمیشه، یا یه پیام برای jobی که وجود نداره.
تو outbox pattern، API فقط تو database مینویسه، خود job و پیامی که باید فرستاده بشه، با هم و تو یه transaction. بعد یه service جدا (relay) پیام‌ها رو از database میخونه و به RabbitMQ میفرسته، و یه service دیگه (consumer) پیام رو برمیداره و matching رو اجرا میکنه.
دلیل اصلی استفاده از این مدل همینه که دستور به queue همیشه از database میاد، نه از صدا زدن مستقیم یه method یا یه service دیگه؛ پس اگه RabbitMQ در دسترس نباشه، پیام‌ها تو database منتظر میمونن و هیچ‌کدوم گم نمیشن.
البته این مدل باعث میشه بعضی وقتا یه پیام دو بار برسه، برای همین از اول idempotency رو طراحی کردم (هر پیام یه id یکتا داره و consumer قبل از پردازش چک میکنه که این id رو قبلاً تو database ثبت کرده یا نه) که consumer یه پیام تکراری رو دوباره پردازش نکنه؛ چون تو این سیستم پیام تکراری یعنی LLM call تکراری و هزینه‌ی اضافه.
@DevTwitter | <Bahman Alidadi/>
ولی تو نسخه‌ی جدید که LLM اضافه شد، matching برای تعداد ردیف بالا زمان زیادی میبره و منطقی نبود user منتظر بمونه؛ برای همین RabbitMQ اضافه شد و الان user فوراً یه job id میگیره و پردازش تو background انجام میشه.
برای ارتباط با RabbitMQ از outbox pattern استفاده کردم. مشکلی که حل میکنه اینه که API باید دو تا کار انجام بده: job رو تو database ذخیره کنه و یه پیام به RabbitMQ بفرسته. اگه یکی از این دو تا انجام بشه و اون یکی نه، یا یه job داریم که هیچ‌وقت پردازش نمیشه، یا یه پیام برای jobی که وجود نداره.
تو outbox pattern، API فقط تو database مینویسه، خود job و پیامی که باید فرستاده بشه، با هم و تو یه transaction. بعد یه service جدا (relay) پیام‌ها رو از database میخونه و به RabbitMQ میفرسته، و یه service دیگه (consumer) پیام رو برمیداره و matching رو اجرا میکنه.
دلیل اصلی استفاده از این مدل همینه که دستور به queue همیشه از database میاد، نه از صدا زدن مستقیم یه method یا یه service دیگه؛ پس اگه RabbitMQ در دسترس نباشه، پیام‌ها تو database منتظر میمونن و هیچ‌کدوم گم نمیشن.
البته این مدل باعث میشه بعضی وقتا یه پیام دو بار برسه، برای همین از اول idempotency رو طراحی کردم (هر پیام یه id یکتا داره و consumer قبل از پردازش چک میکنه که این id رو قبلاً تو database ثبت کرده یا نه) که consumer یه پیام تکراری رو دوباره پردازش نکنه؛ چون تو این سیستم پیام تکراری یعنی LLM call تکراری و هزینه‌ی اضافه.
@DevTwitter | <Bahman Alidadi/>
🍌11👍5👎1
Forwarded from DevTwitter Ads.
🎁 ۲ سال Canva Pro، کاملاً رایگان!
آفر اختصاصی ArioBox رو از دست نده؛ این پیشنهاد فقط برای مدت محدوده!
برای دریافتش فقط کافیه عضو کانال و بات تلگرامی ArioBox بشی؛ همین، هیچ شرط دیگه‌ای نداره🤗
👇 همین حالا عضو شو و Canva پرو دو ساله رو رایگان بگیر!
⭐️ عضویت در بات و دریافت اکانت Canva Pro
آفر اختصاصی ArioBox رو از دست نده؛ این پیشنهاد فقط برای مدت محدوده!
برای دریافتش فقط کافیه عضو کانال و بات تلگرامی ArioBox بشی؛ همین، هیچ شرط دیگه‌ای نداره🤗
👇 همین حالا عضو شو و Canva پرو دو ساله رو رایگان بگیر!
⭐️ عضویت در بات و دریافت اکانت Canva Pro
👎9❤5🍌5
فریمورک Breeze سریع‌ترین فریمورک Go شد!
خوشحالم که یک دستاورد مهم از پروژه متن‌باز Breeze رو به اشتراک می‌گذارم!
طبق نتایج منتشرشده در Web Frameworks Benchmark، فریمورک Breeze موفق شده به جایگاه‌های زیر دست پیدا کنه:
رتبه ۱ در میان فریم‌ورک‌های Go
رتبه ۱۴ در میان تمام فریم‌ورک‌های بررسی‌شده
از ابتدا، هدف من از توسعه Breeze فقط ساخت یک فریمورک سریع نبود؛ بلکه ایجاد یک اکوسیستم مدرن، سبک و قدرتمند برای توسعه اپلیکیشن‌های Backend، معماری Microservices و سیستم‌های AI-First بود.
فریمورک Breeze فراتر از Performance:
- قابلیت AI-First Architecture با پشتیبانی از MCP Server و ابزارهای داخلی MCP
- قابلیت Fleet System برای Distributed Tracing بین میکروسرویس‌ها
- پشتیبانی از gRPC، JSON-RPC و WebSocket
- قابلیت CLI Generator برای تسریع توسعه
- قابلیت Workflow Engine و Event Bus
- ابزار Built-in Dashboard و ابزارهای Observability
- قابلیت SPA Templates بدون نیاز به فریمورک Frontend
- دارای BreezeORM برای مدیریت داده‌ها
سرعت بالا فقط یکی از ویژگی‌های Breeze است، نه تمام هدف آن.
این نتیجه برای من یک نقطه عطف در مسیر توسعه یک پروژه متن‌باز است؛ پروژه‌ای که همچنان در حال رشد و تکامل است.
Benchmark Results:
https://web-frameworks-benchmark.netlify.app/result
GitHub:
https://github.com/nelthaarion/breeze
از مشارکت، بازخورد و ستاره دادن به پروژه استقبال میکنم!
@DevTwitter | <Farshad Khazaei Fard/>
خوشحالم که یک دستاورد مهم از پروژه متن‌باز Breeze رو به اشتراک می‌گذارم!
طبق نتایج منتشرشده در Web Frameworks Benchmark، فریمورک Breeze موفق شده به جایگاه‌های زیر دست پیدا کنه:
رتبه ۱ در میان فریم‌ورک‌های Go
رتبه ۱۴ در میان تمام فریم‌ورک‌های بررسی‌شده
از ابتدا، هدف من از توسعه Breeze فقط ساخت یک فریمورک سریع نبود؛ بلکه ایجاد یک اکوسیستم مدرن، سبک و قدرتمند برای توسعه اپلیکیشن‌های Backend، معماری Microservices و سیستم‌های AI-First بود.
فریمورک Breeze فراتر از Performance:
- قابلیت AI-First Architecture با پشتیبانی از MCP Server و ابزارهای داخلی MCP
- قابلیت Fleet System برای Distributed Tracing بین میکروسرویس‌ها
- پشتیبانی از gRPC، JSON-RPC و WebSocket
- قابلیت CLI Generator برای تسریع توسعه
- قابلیت Workflow Engine و Event Bus
- ابزار Built-in Dashboard و ابزارهای Observability
- قابلیت SPA Templates بدون نیاز به فریمورک Frontend
- دارای BreezeORM برای مدیریت داده‌ها
سرعت بالا فقط یکی از ویژگی‌های Breeze است، نه تمام هدف آن.
این نتیجه برای من یک نقطه عطف در مسیر توسعه یک پروژه متن‌باز است؛ پروژه‌ای که همچنان در حال رشد و تکامل است.
Benchmark Results:
https://web-frameworks-benchmark.netlify.app/result
GitHub:
https://github.com/nelthaarion/breeze
از مشارکت، بازخورد و ستاره دادن به پروژه استقبال میکنم!
@DevTwitter | <Farshad Khazaei Fard/>
🍌37❤28👍1
یه برنامه‌نویس یه پردازنده‌ی کامل ۳۲ بیتی رو مستقیم داخل وزن‌های مدل Qwen 3.5 کامپایل کرده و حالا یه مدل زبانی دیگه رو هم داخلش اجرا کرده. یعنی هوش مصنوعی داخل هوش مصنوعی، بدون حتی یک دقیقه آموزش.
ماجرا دو مرحله داشت:
- اول نسخه‌ای به اسم Qwenputer ساخت: یه پردازنده‌ی RISC-V که ۱۱ لایه جلوی لایه‌های خود مدل نشسته. هیچ‌کدوم از وزن‌هاش یاد گرفته نشده و همه رو یه کامپایلر حساب کرده. حافظه‌اش هم وضعیت داخلی خود مدله.
- این پردازنده وسط کار خود مدل، کد C و MicroPython اجرا میکنه. توی تست ریاضی دیپ‌مایند، مدل خام ۵۵ تا ۹۰ درصد گرفت، با ابزار پایتون ۹۵ تا ۱۰۰ درصد، و این نسخه ۹۷٫۵ تا ۱۰۰ درصد.
- مرحله‌ی دوم اسمش QwenPU بود: یه واحد برداری هم بهش اضافه کرد و مدل کوچیک stories260K کارپاتی رو روش اجرا کرد. خروجی توکن به توکن دقیقاً با نسخه‌ی اصلی یکیه.
فعلاً به درد استفاده‌ی واقعی نمی‌خوره. هر توکن حدود ۵۳ هزار قدم محاسبه لازم داره و روی کارت L4 حدود ۱۶ ثانیه طول می‌کشه. حجم فایلش هم ۲۶٫۷ گیگه.
ولی پیامش روشنه: وزن‌های مدل کم‌کم دارن خودشون کامپیوتر میشن.
@DevTwitter | <Legendary Coder/>
ماجرا دو مرحله داشت:
- اول نسخه‌ای به اسم Qwenputer ساخت: یه پردازنده‌ی RISC-V که ۱۱ لایه جلوی لایه‌های خود مدل نشسته. هیچ‌کدوم از وزن‌هاش یاد گرفته نشده و همه رو یه کامپایلر حساب کرده. حافظه‌اش هم وضعیت داخلی خود مدله.
- این پردازنده وسط کار خود مدل، کد C و MicroPython اجرا میکنه. توی تست ریاضی دیپ‌مایند، مدل خام ۵۵ تا ۹۰ درصد گرفت، با ابزار پایتون ۹۵ تا ۱۰۰ درصد، و این نسخه ۹۷٫۵ تا ۱۰۰ درصد.
- مرحله‌ی دوم اسمش QwenPU بود: یه واحد برداری هم بهش اضافه کرد و مدل کوچیک stories260K کارپاتی رو روش اجرا کرد. خروجی توکن به توکن دقیقاً با نسخه‌ی اصلی یکیه.
فعلاً به درد استفاده‌ی واقعی نمی‌خوره. هر توکن حدود ۵۳ هزار قدم محاسبه لازم داره و روی کارت L4 حدود ۱۶ ثانیه طول می‌کشه. حجم فایلش هم ۲۶٫۷ گیگه.
ولی پیامش روشنه: وزن‌های مدل کم‌کم دارن خودشون کامپیوتر میشن.
@DevTwitter | <Legendary Coder/>
👍19🍌7👎2
Forwarded from DevTwitter Ads.
شاید برات جالب باشه بدونی سال ۹۸، یکی از بچه‌های مهندسی مکانیک توی خوابگاه احمدی‌روشن دانشگاه شریف، کانال تلگرامی‌ای رو ساخت که الان، بعد از ۷ سال، بزرگ‌ترین کانال اقتصادی به زبان فارسیه و یکی از قوی‌ترین گروه‌های مشاوره‌ی اقتصادی کشور پشت این کاناله!
اسم کانالش رو هم گذاشت 👈 شریف
از رویاهات کوتاه نیا! ♥️
اسم کانالش رو هم گذاشت 👈 شریف
از رویاهات کوتاه نیا! ♥️
🍌98👎27
بیشتر ایجنت‌های هوش مصنوعی برای گشت‌وگذار در وب از Headless Chrome استفاده می‌کنن؛ یعنی یک مرورگر دسکتاپ کامل که بدون رابط گرافیکی اجرا میشه.
اما پروژه Lightpanda تصمیم گرفته این مسیر رو از پایه تغییر بده!
ابزار Lightpanda یک مرورگر Headless هست که از ابتدا برای ایجنت‌های هوش مصنوعی و سیستم‌های اتوماسیون ساخته شده؛ نه نسخه‌ای از Chromium هست و نه وصله‌ای برای WebKit. این مرورگر با زبان برنامه‌نویسی Zig توسعه داده شده.
نتایج بنچمارک اون واقعاً جالبه:
در آزمایشی روی AWS EC2 m5.large، تعداد ۹۳۳ صفحه وب واقعی درخواست شده.
برای پردازش ۱۰۰ صفحه:
- مصرف حافظه در Lightpanda فقط ۱۲۳ مگابایت بوده، درحالی‌که Headless Chrome حدود ۲ گیگابایت مصرف کرده؛ یعنی تقریباً ۱۶ برابر کمتر!
- زمان اجرا ۵ ثانیه بوده، درحالی‌که Chrome همین کار رو در ۴۶ ثانیه انجام داده؛ یعنی حدود ۹ برابر سریع‌تر!
نکته جالب اینه که Lightpanda یک سرور CDP هم ارائه می‌ده؛ بنابراین میتونی اسکریپت‌های Puppeteer یا Playwright رو بهش متصل کنی.
برای نصب هم روش‌های مختلفی مثل Homebrew، AUR، نسخه‌های Nightly، Nix و Docker در دسترسه.
چرا این پروژه مهمه؟
چون وقتی ایجنت‌های هوش مصنوعی قراره صدها یا هزاران صفحه وب رو بررسی کنن، مصرف حافظه و سرعت اجرای مرورگر اهمیت زیادی پیدا میکنه.
استفاده از یک مرورگر سبک‌تر می‌تونه هزینه اجرای اتوماسیون‌ها رو کاهش بده و امکان اجرای تعداد بیشتری از وظایف رو فراهم کنه.
این پروژه در زمان انتشار این معرفی، ۳۹٬۱۵۰ ستاره و ۱۱٬۴۴۹ کامیت داشته.
نکته شفافیت: README پروژه بررسی شده، اما کد اجرا و آزمایش نشده.
https://github.com/lightpanda-io/browser
@DevTwitter | <Yarad/>
اما پروژه Lightpanda تصمیم گرفته این مسیر رو از پایه تغییر بده!
ابزار Lightpanda یک مرورگر Headless هست که از ابتدا برای ایجنت‌های هوش مصنوعی و سیستم‌های اتوماسیون ساخته شده؛ نه نسخه‌ای از Chromium هست و نه وصله‌ای برای WebKit. این مرورگر با زبان برنامه‌نویسی Zig توسعه داده شده.
نتایج بنچمارک اون واقعاً جالبه:
در آزمایشی روی AWS EC2 m5.large، تعداد ۹۳۳ صفحه وب واقعی درخواست شده.
برای پردازش ۱۰۰ صفحه:
- مصرف حافظه در Lightpanda فقط ۱۲۳ مگابایت بوده، درحالی‌که Headless Chrome حدود ۲ گیگابایت مصرف کرده؛ یعنی تقریباً ۱۶ برابر کمتر!
- زمان اجرا ۵ ثانیه بوده، درحالی‌که Chrome همین کار رو در ۴۶ ثانیه انجام داده؛ یعنی حدود ۹ برابر سریع‌تر!
نکته جالب اینه که Lightpanda یک سرور CDP هم ارائه می‌ده؛ بنابراین میتونی اسکریپت‌های Puppeteer یا Playwright رو بهش متصل کنی.
برای نصب هم روش‌های مختلفی مثل Homebrew، AUR، نسخه‌های Nightly، Nix و Docker در دسترسه.
چرا این پروژه مهمه؟
چون وقتی ایجنت‌های هوش مصنوعی قراره صدها یا هزاران صفحه وب رو بررسی کنن، مصرف حافظه و سرعت اجرای مرورگر اهمیت زیادی پیدا میکنه.
استفاده از یک مرورگر سبک‌تر می‌تونه هزینه اجرای اتوماسیون‌ها رو کاهش بده و امکان اجرای تعداد بیشتری از وظایف رو فراهم کنه.
این پروژه در زمان انتشار این معرفی، ۳۹٬۱۵۰ ستاره و ۱۱٬۴۴۹ کامیت داشته.
نکته شفافیت: README پروژه بررسی شده، اما کد اجرا و آزمایش نشده.
https://github.com/lightpanda-io/browser
@DevTwitter | <Yarad/>
👍24🍌5👎3
این پلی‌لیست یوتیوب هم جالبه، یه سری مفاهیم سخت و دشوار مربوط به ترین و اینفرنس LLMها رو به زبون ساده توضیح داده، دوست داشتید یه نگاه بهش بندازید!
https://www.youtube.com/playlist?list=PLXrQ2OzD3YKA
@DevTwitter | <Reza Jafari/>
https://www.youtube.com/playlist?list=PLXrQ2OzD3YKA
@DevTwitter | <Reza Jafari/>
👍16🍌6❤4
Forwarded from DevTwitter Ads.
گاهی برای ادامه کار، به خدمات تخصصی و راهکارهایی متناسب با نیاز کسب‌وکارتان احتیاج دارید. پشتیبانی هلو درخواست شما را دریافت و تا رسیدن به نتیجه پیگیری می‌کند.
✅ راهنمای جامع نرم‌افزار هلو
✅ رفع تخصصی خطاهای سامانه مودیان
✅ استقرار و ورود اطلاعات اولیه
✅ نصب و راه‌اندازی بانک اطلاعاتی
✅ طراحی اختصاصی فاکتور
🔻 برای دریافت خدمات تخصصی، درخواست خود را با پشتیبانی هلو مطرح کنید.
☎️ 021-23067 (داخلی ۱)
Please open Telegram to view this post
VIEW IN TELEGRAM
🍌15👎3❤1
یان لوکان (Yann LeCun) حق داشت
تصور کنید یه مدل هوش مصنوعی با فقط ۱۰۹ میلیون پارامتر بتونه از مدلی با ۷۲ میلیارد پارامتر بهتر عمل کنه! شاید در نگاه اول عجیب به نظر برسه، اما تحقیقات جدید لوکان و رندال بالستریرو (Randall Balestriero) دقیقاً چنین چیزی رو نشون می‌ده.
لوکان سال‌هاست که می‌گه چیزی که باعث میشه یه مدل هوش مصنوعی دنیا رو درک کنه، صرفاً بزرگ‌تر کردنش نیست. با این حال، متا روی خلاف این ایده سرمایه‌گذاری کرد. لوکان هم در ماه نوامبر از متا جدا شد و آزمایشگاه تحقیقاتی خودش رو در پاریس راه انداخت. پنجشنبه‌ی هفته‌ی گذشته، اون به همراه بالستریرو مقاله‌ای منتشر کرد که می‌تونه نگاه ما به آموزش مدل‌های هوش مصنوعی رو تغییر بده.
اونا فرضیه‌ای به اسم Platonic Representation Hypothesis رو بررسی و به‌صورت ریاضی اثبات کردن. این فرضیه می‌گه مدل‌های هوش مصنوعی، حتی اگه با داده‌های متفاوتی مثل متن، تصویر یا صدا آموزش ببینن، در نهایت به درک مشترک و مشابهی از جهان می‌رسن؛ انگار همه‌شون به یه تصویر واحد از واقعیت دست پیدا می‌کنن. تا الان تصور غالب این بوده که برای رسیدن به چنین درکی، باید مدل‌ها رو هرچه بزرگ‌تر کنیم و با حجم عظیمی از داده‌ها آموزش بدیم. اما تحقیقات جدید نشون می‌ده که روش آموزش مدل خیلی مهم‌تر از اندازه‌ی اونه!
لوکان و بالستریرو نشون دادن که تحت شرایط ریاضی مشخص، دو مدل مبتنی بر معماری JEPA می‌تونن کاملاً مستقل از هم آموزش ببینن و در نهایت به نمایش تقریباً یکسانی از جهان برسن. نکته‌ی جالب اینجاست که این دو مدل حتی نیازی به داده‌های مشترک یا آموزش با جفت‌های متن و تصویر ندارن! یکی از مدل‌ها با مشاهده‌ی تصاویر مختلف از یک صحنه آموزش می‌بینه و مدل دیگه با توضیحات و توصیف‌های متفاوت از همون صحنه. با وجود این تفاوت، هر دو در نهایت می‌تونن به درک مشترکی از واقعیت دست پیدا کنن.
در واقع، چیزی که اهمیت داره این نیست که مدل چقدر بزرگه؛ بلکه اینه که چه اطلاعاتی رو و به چه شکلی در اختیارش قرار می‌دیم. برای مثال، یه عکس و توضیحی که زیر همون عکس نوشته شده، دو نمای متفاوت از یه چیز واحد هستن. مدل‌هایی که با چنین جفت‌هایی آموزش می‌بینن، خیلی سریع‌تر به درک مشترکی از موضوع می‌رسن. اما دو پاراگراف که از یه سند واحد برداشته شدن، لزوماً دو نمای متفاوت از یه مفهوم واحد نیستن و آموزش مدل با چنین داده‌هایی می‌تونه خیلی کندتر و پرهزینه‌تر باشه.
اینجاست که روش رایج پیش‌بینی کلمه‌ی بعدی (Next-Token Prediction) وارد ماجرا میشه؛ همون روشی که تقریباً تمام چت‌بات‌های امروزی ازش استفاده می‌کنن. نتایج آزمایش‌ها واقعاً جالبه: روش مبتنی بر هم‌ترازی نمایش‌ها تونسته با استفاده از ۲۱.۶ میلیون نمونه به نتیجه‌ای مشابه برسه که روش پیش‌بینی کلمه‌ی بعدی برای رسیدن بهش به ۹۰۰ میلیون نمونه نیاز داره. یعنی رسیدن به هم‌ترازی مشابه بین متن و تصویر با حدود ۴۲ برابر داده‌ی آموزشی کمتر!
اما شاید شگفت‌انگیزترین بخش ماجرا این باشه که یه مدل متنی JEPA با فقط ۱۰۹ میلیون پارامتر تونسته در آزمون‌های هم‌ترازی بین‌وجهی (Cross-Modal Alignment)، حتی از مدل‌های زبانی بسیار بزرگ تا سقف ۷۲ میلیارد پارامتر هم بهتر عمل کنه. به عبارت دیگه، مدلی که حدود ۶۶۰ برابر کوچیک‌تره، تونسته در این نوع از درک و هم‌ترازی، عملکرد بهتری از مدل‌های غول‌پیکر داشته باشه.
شاید وقتش رسیده این تصور رو کنار بذاریم که آینده‌ی هوش مصنوعی فقط به مدل‌های بزرگ‌تر، دیتاسنترهای عظیم‌تر و میلیاردها پارامتر بیشتر وابسته است. شاید مسیر رسیدن به هوش مصنوعی واقعاً هوشمند، نه در بزرگ‌تر کردن مدل‌ها، بلکه در پیدا کردن روش‌های بهتر برای یادگیری و درک جهان باشه.
https://www.alphaxiv.org/abs/2610.39302
@DevTwitter | <Reza Jafari/>
تصور کنید یه مدل هوش مصنوعی با فقط ۱۰۹ میلیون پارامتر بتونه از مدلی با ۷۲ میلیارد پارامتر بهتر عمل کنه! شاید در نگاه اول عجیب به نظر برسه، اما تحقیقات جدید لوکان و رندال بالستریرو (Randall Balestriero) دقیقاً چنین چیزی رو نشون می‌ده.
لوکان سال‌هاست که می‌گه چیزی که باعث میشه یه مدل هوش مصنوعی دنیا رو درک کنه، صرفاً بزرگ‌تر کردنش نیست. با این حال، متا روی خلاف این ایده سرمایه‌گذاری کرد. لوکان هم در ماه نوامبر از متا جدا شد و آزمایشگاه تحقیقاتی خودش رو در پاریس راه انداخت. پنجشنبه‌ی هفته‌ی گذشته، اون به همراه بالستریرو مقاله‌ای منتشر کرد که می‌تونه نگاه ما به آموزش مدل‌های هوش مصنوعی رو تغییر بده.
اونا فرضیه‌ای به اسم Platonic Representation Hypothesis رو بررسی و به‌صورت ریاضی اثبات کردن. این فرضیه می‌گه مدل‌های هوش مصنوعی، حتی اگه با داده‌های متفاوتی مثل متن، تصویر یا صدا آموزش ببینن، در نهایت به درک مشترک و مشابهی از جهان می‌رسن؛ انگار همه‌شون به یه تصویر واحد از واقعیت دست پیدا می‌کنن. تا الان تصور غالب این بوده که برای رسیدن به چنین درکی، باید مدل‌ها رو هرچه بزرگ‌تر کنیم و با حجم عظیمی از داده‌ها آموزش بدیم. اما تحقیقات جدید نشون می‌ده که روش آموزش مدل خیلی مهم‌تر از اندازه‌ی اونه!
لوکان و بالستریرو نشون دادن که تحت شرایط ریاضی مشخص، دو مدل مبتنی بر معماری JEPA می‌تونن کاملاً مستقل از هم آموزش ببینن و در نهایت به نمایش تقریباً یکسانی از جهان برسن. نکته‌ی جالب اینجاست که این دو مدل حتی نیازی به داده‌های مشترک یا آموزش با جفت‌های متن و تصویر ندارن! یکی از مدل‌ها با مشاهده‌ی تصاویر مختلف از یک صحنه آموزش می‌بینه و مدل دیگه با توضیحات و توصیف‌های متفاوت از همون صحنه. با وجود این تفاوت، هر دو در نهایت می‌تونن به درک مشترکی از واقعیت دست پیدا کنن.
در واقع، چیزی که اهمیت داره این نیست که مدل چقدر بزرگه؛ بلکه اینه که چه اطلاعاتی رو و به چه شکلی در اختیارش قرار می‌دیم. برای مثال، یه عکس و توضیحی که زیر همون عکس نوشته شده، دو نمای متفاوت از یه چیز واحد هستن. مدل‌هایی که با چنین جفت‌هایی آموزش می‌بینن، خیلی سریع‌تر به درک مشترکی از موضوع می‌رسن. اما دو پاراگراف که از یه سند واحد برداشته شدن، لزوماً دو نمای متفاوت از یه مفهوم واحد نیستن و آموزش مدل با چنین داده‌هایی می‌تونه خیلی کندتر و پرهزینه‌تر باشه.
اینجاست که روش رایج پیش‌بینی کلمه‌ی بعدی (Next-Token Prediction) وارد ماجرا میشه؛ همون روشی که تقریباً تمام چت‌بات‌های امروزی ازش استفاده می‌کنن. نتایج آزمایش‌ها واقعاً جالبه: روش مبتنی بر هم‌ترازی نمایش‌ها تونسته با استفاده از ۲۱.۶ میلیون نمونه به نتیجه‌ای مشابه برسه که روش پیش‌بینی کلمه‌ی بعدی برای رسیدن بهش به ۹۰۰ میلیون نمونه نیاز داره. یعنی رسیدن به هم‌ترازی مشابه بین متن و تصویر با حدود ۴۲ برابر داده‌ی آموزشی کمتر!
اما شاید شگفت‌انگیزترین بخش ماجرا این باشه که یه مدل متنی JEPA با فقط ۱۰۹ میلیون پارامتر تونسته در آزمون‌های هم‌ترازی بین‌وجهی (Cross-Modal Alignment)، حتی از مدل‌های زبانی بسیار بزرگ تا سقف ۷۲ میلیارد پارامتر هم بهتر عمل کنه. به عبارت دیگه، مدلی که حدود ۶۶۰ برابر کوچیک‌تره، تونسته در این نوع از درک و هم‌ترازی، عملکرد بهتری از مدل‌های غول‌پیکر داشته باشه.
شاید وقتش رسیده این تصور رو کنار بذاریم که آینده‌ی هوش مصنوعی فقط به مدل‌های بزرگ‌تر، دیتاسنترهای عظیم‌تر و میلیاردها پارامتر بیشتر وابسته است. شاید مسیر رسیدن به هوش مصنوعی واقعاً هوشمند، نه در بزرگ‌تر کردن مدل‌ها، بلکه در پیدا کردن روش‌های بهتر برای یادگیری و درک جهان باشه.
https://www.alphaxiv.org/abs/2610.39302
@DevTwitter | <Reza Jafari/>
👍43❤15🍌5
تست نفوذ (Penetration Testing) معمولاً کار پرهزینه‌ایه و ممکنه برای هر پروژه ده‌ها هزار دلار هزینه داشته باشه.
حالا پروژه متن‌باز ARTEX می‌خواد با کمک AI این فرایند رو تا حد زیادی خودکار کنه.
پروژه ARTEX یک سیستم هوشمند برای اجرای تست‌های امنیتی روی زیرساخت خودته که می‌تونه به‌صورت خودکار آسیب‌پذیری‌ها و نقاط ضعف امنیتی رو بررسی کنه.
ویژگی‌های اصلی:
- بک‌اند توسعه‌یافته با Go و داشبورد ساخته‌شده با Next.js
- نمایش و مدیریت یکپارچه وظایف، یافته‌های امنیتی و میزان مصرف توکن
- امکان اتصال مدل زبانی، Agent، ابزارهای MCP و Skill دلخواه
سؤال جالب اینه: آیا یک Agent متن‌باز می‌تونه به اولین لایه دفاعی زیرساخت شما تبدیل بشه؟
البته اجرای چنین ابزاری باید فقط روی زیرساخت‌هایی باشه که مالک اون‌ها هستید یا مجوز تستشون رو دارید.
گیت‌هاب پروژه:
https://github.com/BaaRai/ARTEX
@DevTwitter | <Yarad/>
حالا پروژه متن‌باز ARTEX می‌خواد با کمک AI این فرایند رو تا حد زیادی خودکار کنه.
پروژه ARTEX یک سیستم هوشمند برای اجرای تست‌های امنیتی روی زیرساخت خودته که می‌تونه به‌صورت خودکار آسیب‌پذیری‌ها و نقاط ضعف امنیتی رو بررسی کنه.
ویژگی‌های اصلی:
- بک‌اند توسعه‌یافته با Go و داشبورد ساخته‌شده با Next.js
- نمایش و مدیریت یکپارچه وظایف، یافته‌های امنیتی و میزان مصرف توکن
- امکان اتصال مدل زبانی، Agent، ابزارهای MCP و Skill دلخواه
سؤال جالب اینه: آیا یک Agent متن‌باز می‌تونه به اولین لایه دفاعی زیرساخت شما تبدیل بشه؟
البته اجرای چنین ابزاری باید فقط روی زیرساخت‌هایی باشه که مالک اون‌ها هستید یا مجوز تستشون رو دارید.
گیت‌هاب پروژه:
https://github.com/BaaRai/ARTEX
@DevTwitter | <Yarad/>
❤20🍌7👎4
خب اینم ۱۰ تا mcp جدید که قولشو داده بودم:)
خرید و قیمت
زومیت: مشخصات گجت، قیمت فروشگاه‌ها، تاریخچه‌ی قیمت
https://github.com/sepehr071/zoomit-mcp
موبایل ir: گوشی، قیمت، کارکرده، سیم‌کارت
https://github.com/sepehr071/mobile-ir-mcp
ایمالز: مقایسه‌ی قیمت فروشگاه‌ها
https://github.com/sepehr071/emalls-ir-mcp
خودرو
باما: آگهی، قیمت بازار، قیمت صفر
https://github.com/sepehr071/bama-ir-mcp
کارنامه: کارکرده، مشخصات، مقایسه
https://github.com/sepehr071/karnameh-mcp
همراه مکانیک: قیمت خودرو و هزینه‌ی کارشناسی
https://github.com/sepehr071/hamrah-mechanic-mcp
آگهی و دارو
شیپور: آگهی‌ها و خلاصه‌ی قیمت
https://github.com/sepehr071/sheypoor-mcp
داروکده: محصولات دارویی، قیمت، ترکیبات
https://github.com/sepehr071/darukade-mcp
فناوری و سرگرمی
وضعیت ابرهای ایرانی: وضعیت و قیمت آروان، لیارا، همراه‌وراز و بقیه
https://github.com/sepehr071/iran-cloud-status-mcp
گیمفا: اخبار بازی و فیلم، نقد با امتیاز
https://github.com/sepehr071/gamefa-mcp
@DevTwitter | <sep/>
خرید و قیمت
زومیت: مشخصات گجت، قیمت فروشگاه‌ها، تاریخچه‌ی قیمت
https://github.com/sepehr071/zoomit-mcp
موبایل ir: گوشی، قیمت، کارکرده، سیم‌کارت
https://github.com/sepehr071/mobile-ir-mcp
ایمالز: مقایسه‌ی قیمت فروشگاه‌ها
https://github.com/sepehr071/emalls-ir-mcp
خودرو
باما: آگهی، قیمت بازار، قیمت صفر
https://github.com/sepehr071/bama-ir-mcp
کارنامه: کارکرده، مشخصات، مقایسه
https://github.com/sepehr071/karnameh-mcp
همراه مکانیک: قیمت خودرو و هزینه‌ی کارشناسی
https://github.com/sepehr071/hamrah-mechanic-mcp
آگهی و دارو
شیپور: آگهی‌ها و خلاصه‌ی قیمت
https://github.com/sepehr071/sheypoor-mcp
داروکده: محصولات دارویی، قیمت، ترکیبات
https://github.com/sepehr071/darukade-mcp
فناوری و سرگرمی
وضعیت ابرهای ایرانی: وضعیت و قیمت آروان، لیارا، همراه‌وراز و بقیه
https://github.com/sepehr071/iran-cloud-status-mcp
گیمفا: اخبار بازی و فیلم، نقد با امتیاز
https://github.com/sepehr071/gamefa-mcp
@DevTwitter | <sep/>
🍌29❤12👍7
یه نفر با icloud یه object storage نامحدود و رایگان درست کرده :)
داستان اینه که اپل shared album رو به عنوان حجمت حساب نمی‌کنه، پس میتونی دیتا رو بایت به بایت بریزی تو پیکسل‌های png و آپلودش کنی!
البته این از اون خبراست که تا وایرال میشه جلوش رو میگیرن، کامنت‌هاشم کلی نوشتن ای بابا چرا لوش دادی :)
https://github.com/ashayas/icloud-s3
@DevTwitter | <Amir/>
داستان اینه که اپل shared album رو به عنوان حجمت حساب نمی‌کنه، پس میتونی دیتا رو بایت به بایت بریزی تو پیکسل‌های png و آپلودش کنی!
البته این از اون خبراست که تا وایرال میشه جلوش رو میگیرن، کامنت‌هاشم کلی نوشتن ای بابا چرا لوش دادی :)
https://github.com/ashayas/icloud-s3
@DevTwitter | <Amir/>
🔥48🍌10👍2
مغزم گفت بیا یه پروژه کوچیک بزن، ۲۴ کیلوبایت پایتون شد
تولید رنج شماره بر اساس پیش‌شماره یا اپراتور، با خروجی vcf و حالت --onefile
رم رو هم نمی‌خوره چون مستقیم میریزه تو فایل
https://github.com/mahdiyaremad/number-generator
@DevTwitter | <Mahdiyar/>
تولید رنج شماره بر اساس پیش‌شماره یا اپراتور، با خروجی vcf و حالت --onefile
رم رو هم نمی‌خوره چون مستقیم میریزه تو فایل
https://github.com/mahdiyaremad/number-generator
@DevTwitter | <Mahdiyar/>
🍌65👎9🔥3
Forwarded from DevTwitter Ads.
🚀 از Docker و CI/CD تا Kubernetes؛ با بوت‌کمپ DevOps کوئرا!
🔥 توی این بوت‌کمپ، با Linux، مفاهیم شبکه و ابزارهای DevOps آشنا می‌شی و یاد می‌گیری چطور فرایندهای توسعه و استقرار نرم‌افزار رو خودکار کنی و زیرساخت سرویس‌ها رو مدیریت کنی.
🛠 با انجام پروژه‌های عملی و همراهی منتور اختصاصی، تجربه‌ای به دست میاری که می‌تونه به ساخت رزومه قوی، آمادگی برای مصاحبه‌های فنی و ورود به بازار کار DevOps کمکت کنه.
🎓 آموزش توسط متخصصان باتجربه
💳 امکان پرداخت در اقساط بلندمدت
https://quera.org/r/9rgle
🔥 توی این بوت‌کمپ، با Linux، مفاهیم شبکه و ابزارهای DevOps آشنا می‌شی و یاد می‌گیری چطور فرایندهای توسعه و استقرار نرم‌افزار رو خودکار کنی و زیرساخت سرویس‌ها رو مدیریت کنی.
🛠 با انجام پروژه‌های عملی و همراهی منتور اختصاصی، تجربه‌ای به دست میاری که می‌تونه به ساخت رزومه قوی، آمادگی برای مصاحبه‌های فنی و ورود به بازار کار DevOps کمکت کنه.
🎓 آموزش توسط متخصصان باتجربه
💳 امکان پرداخت در اقساط بلندمدت
https://quera.org/r/9rgle
🍌14👎8👍2
چطور اکانت کلاد بخریم که بن نشیم؟
اگه از ایران می‌خوای از کلاد استفاده کنی، قبل از خرید اکانت این ویدیو رو ببین.
چند نکته مهم که می‌تونه بهت کمک کنه ریسک مسدود شدن اکانتت رو کاهش بدی.
https://youtube.com/shorts/Cfm7dgccxU0?si=ku_qV1slNw82ghmk
@DevTwitter | <Hamzeh Ghoreyshi/>
اگه از ایران می‌خوای از کلاد استفاده کنی، قبل از خرید اکانت این ویدیو رو ببین.
چند نکته مهم که می‌تونه بهت کمک کنه ریسک مسدود شدن اکانتت رو کاهش بدی.
https://youtube.com/shorts/Cfm7dgccxU0?si=ku_qV1slNw82ghmk
@DevTwitter | <Hamzeh Ghoreyshi/>
👎24👍5💔4
انگاری تو اندروید 17 QPR1
دیگه برنامه ها نمیتونن developer options رو تشخیص بدن.
یادمه یه سری برنامه های ایرانی بانکی مخصوصا, نمیذاشتن باهاشون کار کنی و باید این آپشن بسته میشد.
@DevTwitter | <Sanguine(Ali)™/>
دیگه برنامه ها نمیتونن developer options رو تشخیص بدن.
یادمه یه سری برنامه های ایرانی بانکی مخصوصا, نمیذاشتن باهاشون کار کنی و باید این آپشن بسته میشد.
@DevTwitter | <Sanguine(Ali)™/>
👍77❤8🔥4
تا الان با Ollama میشد مدل‌های AI رو روی سیستم خودت اجرا کنی.
حالا یه قابلیت خیلی جذاب بهش اضافه شده:
هوش مصنوعی لوکالت می‌تونه حرف هم بزنه!
ابزار Ollama پشتیبانی از تولید صدا رو با مدل Phonon شروع کرده.
یعنی میتونی یه مدل زبانی رو روی سیستم خودت اجرا کنی، جواب تولید کنه و همون جواب رو به صورت زنده تبدیل به صدا کنه؛ بدون اینکه مجبور باشی برای TTS بری سراغ یه سرویس Cloud جدا.
چرا جذابه؟
- مدل‌ها از حدود 31M پارامتر شروع میشن
- صدا به‌صورت Streaming تولید میشه
- پردازش می‌تونه روی سیستم خودت انجام بشه
- فعلاً از ۵ زبان پشتیبانی میکنه
- میتونی باهاش Voice Assistant کاملاً Local بسازی
برای ما که همیشه با محدودیت سرویس‌های خارجی، تحریم، هزینه API و دسترسی Cloud درگیریم، این مسیر خیلی جذابه: LLM + Voice، هر دو روی سیستم خودت.
یعنی کم‌کم میشه یه دستیار صوتی شبیه ChatGPT Voice ساخت که بخش اصلیش وابسته به Cloud نباشه.
و این تازه شروعشه...
و Ollama داره از یه ابزار اجرای LLM، تبدیل میشه به یه پلتفرم کامل‌تر برای Local AI.
@DevTwitter | <Mohsen Rad/>
حالا یه قابلیت خیلی جذاب بهش اضافه شده:
هوش مصنوعی لوکالت می‌تونه حرف هم بزنه!
ابزار Ollama پشتیبانی از تولید صدا رو با مدل Phonon شروع کرده.
یعنی میتونی یه مدل زبانی رو روی سیستم خودت اجرا کنی، جواب تولید کنه و همون جواب رو به صورت زنده تبدیل به صدا کنه؛ بدون اینکه مجبور باشی برای TTS بری سراغ یه سرویس Cloud جدا.
چرا جذابه؟
- مدل‌ها از حدود 31M پارامتر شروع میشن
- صدا به‌صورت Streaming تولید میشه
- پردازش می‌تونه روی سیستم خودت انجام بشه
- فعلاً از ۵ زبان پشتیبانی میکنه
- میتونی باهاش Voice Assistant کاملاً Local بسازی
برای ما که همیشه با محدودیت سرویس‌های خارجی، تحریم، هزینه API و دسترسی Cloud درگیریم، این مسیر خیلی جذابه: LLM + Voice، هر دو روی سیستم خودت.
یعنی کم‌کم میشه یه دستیار صوتی شبیه ChatGPT Voice ساخت که بخش اصلیش وابسته به Cloud نباشه.
و این تازه شروعشه...
و Ollama داره از یه ابزار اجرای LLM، تبدیل میشه به یه پلتفرم کامل‌تر برای Local AI.
@DevTwitter | <Mohsen Rad/>
❤36👍10🍌3
هفته رایگان DataCamp دوباره شروع شده، می‌تونید تو زمینه دیتا و هوش مصنوعی دوره مدنظرتون رو بگذرونید و مدرکشم بگیرید، از دستش ندید!
https://datacamp.com
@DevTwitter | <Reza Jafari/>
https://datacamp.com
@DevTwitter | <Reza Jafari/>
🔥12🍌6❤3
هر AI Coding Agent که استفاده می‌کنی، به‌محض اینکه سشن تموم میشه، همه‌چیز رو فراموش میکنه.
اما ابزاری به اسم Beacon اومده تا این مشکل رو حل کنه؛ ابزاری که می‌تونه پایه‌ی یک کسب‌وکار جدید و هنوز ساخته‌نشده باشه.
«این ابزار بین Claude Code، Cursor، Codex، OpenCode و بیش از ۲۰ Harness دیگه قرار میگیره و تمام سشن‌ها رو ثبت میکنه.
ورک‌فلوها، راه‌حل باگ‌ها و الگوهای دیباگ ذخیره میشن تا Agent در اجراهای بعدی ازشون استفاده کنه؛ به‌جای اینکه هر بار همه‌چیز رو از صفر یاد بگیره.
متن‌باز با لایسنس MIT هست و از طریق Homebrew نصب میشه.»
خود ابزار رایگانه؛ اما کسب‌وکاری که میشه روی این زیرساخت ساخت، هنوز شکل نگرفته.
گیت‌هاب:
@DevTwitter | <Yarad/>
اما ابزاری به اسم Beacon اومده تا این مشکل رو حل کنه؛ ابزاری که می‌تونه پایه‌ی یک کسب‌وکار جدید و هنوز ساخته‌نشده باشه.
«این ابزار بین Claude Code، Cursor، Codex، OpenCode و بیش از ۲۰ Harness دیگه قرار میگیره و تمام سشن‌ها رو ثبت میکنه.
ورک‌فلوها، راه‌حل باگ‌ها و الگوهای دیباگ ذخیره میشن تا Agent در اجراهای بعدی ازشون استفاده کنه؛ به‌جای اینکه هر بار همه‌چیز رو از صفر یاد بگیره.
متن‌باز با لایسنس MIT هست و از طریق Homebrew نصب میشه.»
خود ابزار رایگانه؛ اما کسب‌وکاری که میشه روی این زیرساخت ساخت، هنوز شکل نگرفته.
گیت‌هاب:
@DevTwitter | <Yarad/>
🍌16❤10👎3
Media is too big
VIEW IN TELEGRAM
هارنس اختصاصی خودت رو بساز؛ دقیقاً همون‌طور که می‌خوای!
دیپ‌سیک از قابلیت جدیدی به نام Creator Mode در DeepSeek Harness رونمایی کرده؛ قابلیتی که بهت اجازه می‌ده ایده‌هات رو به پلاگین‌های کاربردی و تعاملی تبدیل کنی.
از یک محیط طراحی (Design Workspace) گرفته تا بازی‌های سندباکس و ابزارهای سه‌بعدی برای تجسم مدل‌های زبانی بزرگ (LLM).
اینجا دیگه فقط با هوش مصنوعی گفتگو نمی‌کنی؛ بلکه ابزارهایی می‌سازی که خودت میتونی ازشون استفاده کنی.
ایده‌ات رو تعریف کن، بساز و به یک ابزار واقعی تبدیلش کن.
https://cdn.deepseek.com/harness/dsh-creator-mode-prompt-collection-en.html
@DevTwitter | <Amirhossein seghatoleslami/>
دیپ‌سیک از قابلیت جدیدی به نام Creator Mode در DeepSeek Harness رونمایی کرده؛ قابلیتی که بهت اجازه می‌ده ایده‌هات رو به پلاگین‌های کاربردی و تعاملی تبدیل کنی.
از یک محیط طراحی (Design Workspace) گرفته تا بازی‌های سندباکس و ابزارهای سه‌بعدی برای تجسم مدل‌های زبانی بزرگ (LLM).
اینجا دیگه فقط با هوش مصنوعی گفتگو نمی‌کنی؛ بلکه ابزارهایی می‌سازی که خودت میتونی ازشون استفاده کنی.
ایده‌ات رو تعریف کن، بساز و به یک ابزار واقعی تبدیلش کن.
https://cdn.deepseek.com/harness/dsh-creator-mode-prompt-collection-en.html
@DevTwitter | <Amirhossein seghatoleslami/>
🔥9🍌5👎1