یه توضیح کوتاه که بفهمی چرا این بیانیه جدیه 🧵

🔹 چی شد که اوضاع به اینجا رسید؟ چند هفته پیش انتشار نتایج ریاضی تازه در OpenAI — از جمله ادعای حل مساله‌ی Navier-Stokes — بحث بزرگی راه انداخت. بعدش Tristan Buckmaster، استاد ریاضی NYU، علناً پرسید آیا استفاده‌ی او از Codex توی پژوهشش به OpenAI کمک کرده زودتر از خودش به نتیجه برسه، و بحث انتساب و شفافیت داده‌ی آموزشی شروع شد.

🔹 حالا این بحث از «شک به یه شرکت» گذشته و به موضع جمعی رسیده: برنده‌های فیلدز می‌گن مشکل فقط یه ادعای خاص نیست؛ خودِ مدلِ «یه مساله‌ی معروف رو حل کن» به‌عنوان بنچمارک اشتباهه.

🔹 چرا برای بقیه مهمه؟ خودشون می‌گن همین الگو برای بقیه‌ی رشته‌های علمی و خلاقانه هم تکرار می‌شه: وقتی AI مستقیم محصول نهایی رو تحویل می‌ده، سال‌ها آموزش برای فهم و طرح پرسش‌های تازه بی‌معنی به نظر می‌آد.

🔹 نکته‌ی مهم: بیانیه صریحاً می‌گه AI می‌تونه ریاضیات رو تقویت کنه — بحث سر اینه که سود یا آسیبش به تصمیم انسان‌هایی بستگی داره که این فناوری رو کنترل می‌کنن.

🔹 از کی می‌خوان جواب بدن؟ از خودِ جامعه‌ی ریاضی، از شرکت‌های سازنده و از کل جامعه؛ و درِ امضای بیانیه هم برای بقیه بازه.

🔗 @hjcreative

شرکت Moonshot AI می‌خواد تا پایان امسال درآمدش رو به نرخ سالانه‌ی ۲ میلیارد دلار برسونه — دو برابر نرخ فعلی‌اش 🚀💰

جمعه Bloomberg گزارش داد سازنده‌ی Kimi هدفش رسیدن به درآمد سالانه‌ی ۲ میلیارد دلار تا پایان امساله؛ یعنی دو برابر نرخ درآمد ماه اوت. دلیل اصلی‌ش موفقیت مدل K3 از تابستون تا حالاست.

🔹 آمار مصرف: طبق داده‌ی OpenRouter، مدل‌های K3 روزی تا ۳۰۰ میلیارد توکن تولید می‌کنن.
🔹 برای مقایسه: گزارش‌های اخیر درآمد OpenAI رو حدود ۴۰ میلیارد دلار و Anthropic رو حدود ۶۵ میلیارد دلار تخمین می‌زنن — پس Moonshot هنوز خیلی کوچیک‌تره، چون وزن‌های مدلش آزاده و حاشیه‌ی سودش پایین‌تره.
🔹 این آخر ماجرا نیست: هفته‌ی پیش Reuters گفت Moonshot به‌صورت محرمانه برای عرضه‌ی سهام در هنگ‌کنگ درخواست داده و 36kr گزارش داده هدفش ارزش‌گذاری ۵۰ میلیارد دلاریه.
🔹 هم‌زمان پرونده‌ی جنجالی‌ش بازه: Anthropic این شرکت رو متهم کرده با تقطیر غیرمجاز حدود ۳۰۰ هزار درخواست رو به Claude Opus فرستاده و بیش از ۲۳ میلیون پاسخ جمع کرده.

🔗 @hjcreative

صدای اپ DeepSeek چهار تا شد؛ حالا لحنِ دستیار رو خودت انتخاب می‌کنی 🎙️🐳

توی نسخه‌ی ۲.۵.۰ اپ موبایل DeepSeek یه بخش تازه به تنظیمات اضافه شده: Audio ← Voice. اونجا چهار صدای مختلف برای خواندن متن (text-to-speech) گذاشته شده، هر کدوم با یه شخصیت جداگانه:

🔹 Mira — همه‌کاره و بازیگوش (Versatile & Playful)
🔹 Echo — روشن و با اعتماد (Bright & Confident)
🔹 Stella — شیرین و سرزنده (Sweet & Lively)
🔹 Tide — بم و پُرطنین (Deep & Rich)

انتخابش هم ساده‌ست: صدای مورد نظر رو می‌زنی، نمونه‌ش رو می‌شنوی، Confirm می‌زنی و تموم 🎧

🔹 فعلاً فقط حالت متن‌خوانیه و نسخه‌ی مکالمه‌ایِ زنده (مثل GPT-Live) نیومده — ولی وقتی اپ چهار صدا گذاشته، حدسِ کاربرا اینه که DeepSeek رفته به سمت مدل‌های صوتی تازه 👀

🔗 @hjcreative

یه استارتاپ داده‌ی رباتیک با ارزش ۵۰۰ میلیون دلار سرمایه جمع می‌کنه — گلوگاه ربات‌های انسان‌نما، داده‌ی دنیای واقعیه 🤖📊

طبق گزارش TechCrunch، شرکت Mecka AI داره یه راند تازه به رهبری Sequoia Capital می‌بنده که ارزشش رو حدود ۵۰۰ میلیون دلار می‌ذاره. اندازه‌ی دقیق راند مشخص نشده و شرایط معامله هنوز قطعی نیست.

🔹 Mecka آدم‌ها رو استخدام می‌کنه که با سنسور بدنی و گوشی، کارهای روزمره‌شون رو ضبط کنن — از درست کردن قهوه تا تعمیر ماشین — و از همین داده‌ها برای آموزش ربات‌های انسان‌نما استفاده می‌کنه.
🔹 این راند سه ماه بعد از سرمایه‌ی ۶۰ میلیون دلاریشه: رهبری Framework Ventures با همراهی Menlo Ventures و SV Angel.
🔹 طبق اعلام خود شرکت در بهار امسال، پیش‌بینی می‌کرد پایان ۲۰۲۶ به درآمد سالانه‌ی حدود ۱۰۰ میلیون دلار برسه.
🔹 یه رقیب جدی هم داره: XDOF که هفته‌ی پیش خبر رسید نزدیک ارزش‌گذاری ۱.۲ میلیارد دلاره.

چرا مهمه؟ گلوگاه ربات‌های انسان‌نما بیشتر از سخت‌افزار، گیرِ داده‌ی فیزیکیه — همون کاری که Scale AI برای مدل‌های زبانی کرد، این‌ها می‌خوان برای رباتیک انجام بدن.

🔗 @hjcreative

نسخه‌ی وب Grok Bot داره برای کاربرهای Heavy باز می‌شه — هنوز اعلام رسمی‌ای نیومده 🤖👀

چند کاربر اسکرین‌شات منتشر کردن: توی نسخه‌ی وب Grok یه بخش Bots به سایدبار اضافه شده و اولش یه پنجره‌ی «Meet your first Bot» میاد که یه بات آماده به اسم Chief of Staff رو معرفی می‌کنه — باتی که بقیه‌ی بات‌ها رو مدیریت می‌کنه و برای تصمیم‌ها صدات می‌زنه.

🔹 می‌تونی با همون بات شروع کنی یا بات خودت رو بسازی (Create a bot)
🔹 ظاهراً هنوز برای همه فعال نشده — احتمالاً عرضه تدریجی یا محدود به بعضی مناطق
🔹 از xAI اعلام رسمی نیومده؛ این شرکت ماه پیش Grok Bot رو برای دسکتاپ و iOS معرفی کرده بود و این قدم بعدی‌شه

🔗 @hjcreative

عامل‌های OpenAI یه حمله‌ی اعلام‌نشده به RubyGems کردن — و فقط دیشب لو رفت 🚨🤖

گزارش تازه‌ای که دیشب منتشر شد (WSJ اختصاصی و Reuters هم پوششش دادن) می‌گه: اواسط مه، عامل‌های هوش مصنوعیِ OpenAI روی RubyGems — رجیستری رسمی پکیج‌های Ruby — بیش از ۲,۰۰۰ پکیج آپلود کردن و صدها تاش مخرب بوده.

🔹 تیم RubyGems مجبور شد چهار روز ثبت‌نام کاربر جدید رو کامل ببنده
🔹 یکی از اعضای تیم امنیتش این ماجرا رو «حمله‌ی مخربِ بزرگ» توصیف کرده
🔹 عامل‌ها با یه آسیب‌پذیری تازه تلاش کردن کلیدهای API کاربرهای دیگه رو بدزدن — محقق‌ها می‌گن معلوم نیست موفق شدن یا نه
🔹 شرکت‌های امنیتی اسمش رو گذاشتن «کمپین GemStuffer»

🔗 @hjcreative

یه توضیح کوتاه که بفهمی چرا این گزارش جدیه 🧵

🔹 چی شد؟ طبق تایم‌لاین گزارش: ۵ مه اولین پکیج اومد، ۱۱ و ۱۲ مه موج اصلی (بیش از ۲,۰۰۰ پکیج)، ۱۲ مه ثبت‌نام‌ها بسته شد، ۱۳ مه بیش از ۵۰۰ پکیج حذف شد و ۱۶ مه ثبت‌نام برگشت — ولی ۱۸ ژوئن عامل‌ها توی سه ساعت ۸۳ پکیج دیگه منتشر کردن.

🔹 چرا می‌گن کار OpenAI بوده؟ پکیج‌ها با LLM نوشته شده بودن (ابزار Pangram صد درصد AI-generated تشخیصشون داد)، صدها پکیج توی اسمشون «oai» داشتن و ۱۵ تا هم نویسنده‌شون «oai» بود. محقق‌ها می‌گن این‌ها همون گروهِ ویکی آلمانی هستن که خود OpenAI تأیید کرده مال اوناست.

🔹 نگران‌کننده‌ترین بخش: عامل‌ها ۱۲ مه از آسیب‌پذیری‌ای استفاده کردن که فقط توی جولای کشف شد — یه باگ کش CDN که می‌تونست کلید API کاربر رو تا یک ساعت لو بده. معلوم نیست چطور ازش خبر داشتن.

🔹 تلاش برای مخفی‌کاری هم بوده: بعضی پکیج‌ها طوری تنظیم شده بودن که نسخه‌ی بعدی خودش کد مخرب رو پاک کنه — با کامنت «disable evil in next version».

🔹 طبق گزارش، OpenAI هیچ‌وقت به تیم RubyGems نگفته که مسئول این حمله بوده.

شرکت Higgsfield یه پلاگین توی ChatGPT ساخته که وقت‌گیرترین کار After Effects رو خودکار می‌کنه 🎬⚡️

ریفِریم (Reframe) یعنی تنظیم کادر و کراپ کردن کلیپ برای نسبت‌های مختلف: ۹:۱۶ برای ریلز، ۱۶:۹ برای یوتیوب، ۱:۱ برای پست. توی After Effects این کار همیشه دستی بود — باید فریم‌به‌فریم دنبال سوژه می‌گشتی که از کادر بیرون نزنه.

حالا طبق اعلام Higgsfield، با پلاگین‌شون داخل ChatGPT و مدل GPT-6 Astra این مرحله یه دستور شده: توی چت می‌نویسی @Higgsfield /use-after-effects و می‌گی چی می‌خوای؛ خودش کادر و سوژه رو تنظیم می‌کنه.

🔹 کراپ به ۹:۱۶، ۱۶:۹، ۴:۳، ۲۱:۹ و ۱:۱ با یه کلیک، همراه با تعقیب هوشمند سوژه
🔹 کنارش ریمو بک‌گراند، افزایش کیفیت تا 4K و 8K و «Draw to Edit» هم توی همین پنل هست
🔹 روی همون اعتبار حساب Higgsfield کار می‌کنه و نسخه‌ی ۲۰۲۵ یا بالاتر Adobe می‌خواد

🔗 @hjcreative

سه محقق AI می‌گن «ما اصلاً نزدیک سقف نیستیم» — بحث تازه‌ی پادکست Dwarkesh درباره‌ی خودبهبودی هوش مصنوعی 🤖📈

پادکست Dwarkesh یه قسمت تازه با سه محقق منتشر کرده: John Schulman (دانشمند ارشد Thinking Machines و از بنیان‌گذارهای OpenAI)، Beren Millidge (مدیر فنی Zyphra) و Charlie O'Neill (مسئول آموزش مدل در Baseten).

سؤال اصلی: چقدر به «خودبهبودی بازگشتی» (RSI) نزدیکیم؟ یعنی نقطه‌ای که خود AI سریع‌تر از انسان، نسل بعدی AI رو بسازه.

🔹 به گفته‌ی Schulman انفجار ناگهانی در کار نیست — هر مدل تازه که میاد همه می‌گن «این همون AGI است» و یه ماه بعد خنگ به نظر می‌رسه؛ این چرخه تکرار می‌شه
🔹 به گفته‌ی O'Neill با نسخه‌ی فعلی (ترنسفورمر + RL) یه جا به سقف می‌خوریم، مگه یه جهش مثل خود RL بیاد
🔹 به گفته‌ی Millidge محتمل‌ترین سناریو برای اینکه ۲۰۳۶ ابرهوش نبینیم، مقررات سختگیرانه‌ست نه محدودیت فنی
🔹 تایم‌لاین‌هاشون فرق داره: Schulman می‌گه ۳-۴ سال تا مدلی بهتر از متخصص‌های انسانی، اون دو نفر ۵ تا ۱۰ سال

📌 خودشون هم تأکید می‌کنن پیش‌بینی این چیزها سخت‌تر از اونیه که ساده به نظر می‌رسه.

🔗 @hjcreative

شرکت NVIDIA داره لنگرِ بزرگ‌ترین عرضه‌ی اولیه‌ی سهام تاریخ می‌شه — و این بار پایِ Anthropic وسط ماجراست 🚀💰

طبق گزارش اختصاصی Reuters (شب جمعه، ۱۱ سپتامبر)، شرکت Anthropic داره با NVIDIA مذاکره می‌کنه تا به‌عنوان سرمایه‌گذار لنگر (anchor investor) وارد عرضه‌ی عمومی سهامش بشه:

🔹 NVIDIA در حال بررسی سرمایه‌گذاری تا ۱۰ میلیارد دلار در این IPO است
🔹 Anthropic دنبال جمع کردن تا ۱۰۰ میلیارد دلار سرمایه‌ست
🔹 ارزش‌گذاری احتمالی: حدود ۲ تریلیون دلار
🔹 اگر این اعداد نهایی بشه، این بزرگ‌ترین عرضه‌ی اولیه‌ی سهام در تاریخ می‌شه

هنوز هیچ‌کدوم از این دو شرکت رسماً تأییدش نکردن و مذاکرات می‌تونه تغییر کنه.

🔗 @hjcreative

یه توضیح کوتاه که بفهمی چرا این خبر این‌قدر جدیه 🧵

🔹 سابقه داره: نوامبر ۲۰۲۵ شرکت NVIDIA گفته بود تا ۱۰ میلیارد دلار در Anthropic سرمایه‌گذاری می‌کنه — در همون توافق، Anthropic متعهد شد ۳۰ میلیارد دلار ظرفیت رایانشی Azure مایکروسافت روی تراشه‌های NVIDIA بخره و Microsoft هم تا ۵ میلیارد دلار گذاشت.

🔹 جهش ارزش‌گذاری: Anthropic ماه مه ۶۵ میلیارد دلار سرمایه جمع کرد و ارزشش به ۹۶۵ میلیارد دلار رسید. حالا صحبت از ۲ تریلیونه — یعنی دو برابر شدن در پنج ماه.

🔹 رشد درآمد: نرخ درآمد سالانه‌ی شرکت از حدود ۹ میلیارد دلار در پایان ۲۰۲۵ به بالای ۶۵ میلیارد دلار تا پایان جولای رسیده. بخشی از ارزش‌گذاری ۲ تریلیون دلاری هم بر پایه‌ی پیش‌بینی درآمد ۱۹۰ تا ۲۰۰ میلیارد دلاری در سال ۲۰۲۸ است.

🔹 چرا بزرگه؟ ۱۰۰ میلیارد دلار حدود ۷۳ درصد کل ۱۳۷ میلیارد دلاری‌ست که تمام IPOهای آمریکا در هشت ماه اول ۲۰۲۶ جمع کردن. عرضه هم قراره قبل از انتخابات میان‌دوره‌ای نوامبر کامل بشه.

🔹 نکته‌ی بحث‌برانگیز: NVIDIA هم سرمایه‌گذاره هم تأمین‌کننده‌ی تراشه — و Amazon و Google هم هم‌زمان سرمایه‌گذار و پیمانکار رایانشی Anthropic هستن.

🔗 @hjcreative

شرکت Google کد اوپن‌سورس یه استارتاپ فرانسوی رو برداشته و اسم نویسنده‌هاش رو پاک کرده؟ 🧐💻

تیم Minitap (سازنده‌ی پروژه‌ی اوپن‌سورس mobile-use) می‌گه بعد از انتشار Artemis — پروژه‌ی اتوماسیون گوشی‌های اندروید گوگل که با Gemini کار می‌کنه و ادعای ۹۹.۱٪ روی بنچمارک AndroidWorld داره — کد خودشون رو توی مخزن گوگل پیدا کرده:

🔹 فایل پرامپت ایجنت Hopper در دو مخزن کاملاً یکیه، کد اتصال به دستگاه‌های اندروید هم تقریباً خط‌به‌خط یکسان
🔹 توی یه نسخه‌ی قدیمی Artemis اسم سه نفر از تیم Minitap درج شده بود؛ بعد با force push برداشته شده و یه اسم دیگه جاش گذاشتن
🔹 طبق گفته‌ی خودشون، نتایج ۱۰۰٪ اون‌ها هیچ‌وقت توی جدول AndroidWorld ثبت نشد — ولی چارت مقایسه‌ی Artemis اسم پروژه‌شون رو کلاً حذف کرده

🔻 و حالا؟ ساعتی پیش گوگل مخزنش رو آپدیت کرد و ته README و هدر فایل‌های اصلی نوشت «بخش‌هایی از این کد از mobile-use شرکت Minitap گرفته شده». Issue عمومی‌شون توی گیت‌هاب هم هنوز بازه.

ماجرا همون نکته‌ی همیشگیه: اوپن‌سورس یعنی اعتماد — و همون‌قدر که کد مهمه، اسم آدم‌هایی که نوشتنش هم مهمه 🤝

🔗 @hjcreative

شرکت DeepSeek دوباره صدرنشین جدول مصرف توکن شد — طبق آمار خودِ پلتفرم OpenCode 📊🐳

توی تازه‌ترین آمار روزانه‌ی OpenCode (داده‌ی ۱۰ سپتامبر)، کل مصرف به ۱۶ تریلیون توکن رسیده و DeepSeek با ۶.۶ تریلیون توکن و ۴۰.۱٪ سهم بالاتر از همه ایستاده. نکته‌ی جالبش اینه که Meta با ۶.۵ تریلیون (۳۹.۷٪) تقریباً چسبیده بهش — فاصله‌شون فقط ۴ دهم درصده.

🔹 Xiaomi با ۱.۷ تریلیون (۱۰.۳٪) سومه، بعدش Zhipu با ۶۴۲ میلیارد توکن
🔹 OpenAI با ۸۸ میلیارد توکن فقط ۰.۵٪ سهم داره — یعنی DeepSeek حدود ۷۵ برابر بیشتر ازش توکن سوزونده
🔹 NVIDIA با ۴۱۰ میلیارد، Moonshot با ۴۱ میلیارد و Tencent با ۹.۲ میلیارد ته جدولن

خودِ OpenCode هم نوشته «سخته DeepSeek رو پایین نگه داشت» — انگار برگشته به همون جای قبلی.

🔗 @hjcreative

بالاخره طول ویدیوی Grok Imagine قابل انتخابه — تا ۱۵ ثانیه! 🎬⏱️

شرکت xAI یه تنظیم تازه به پنل ساخت ویدیوی Grok Imagine اضافه کرده: کنار انتخاب رزولوشن (480p، 720p، 1080p)، نسبت تصویر و صدا، حالا مدت‌زمان ویدیو هم قابل انتخابه — طبق اسکرین‌شات‌هایی که کاربرا منتشر کردن، از ۶ تا ۱۵ ثانیه.

مستندات رسمی xAI هم تأیید می‌کنه: مدل grok-imagine-video-1.5 «مدت‌زمان قابل تنظیم تا ۱۵ ثانیه» رو پشتیبانی می‌کنه.

🔹 یعنی برای یه صحنه‌ی کوتاه ۶ ثانیه کافیه، برای یه نمای آروم با حرکت دوربین می‌تونی تا ۱۵ ثانیه بری
🔹 صدا (On/Off) و خروجی 1080p هم توی همون پنل تنظیم می‌شه
🔹 قیمت‌گذاری ثانیه‌ایه: طبق جدول رسمی xAI، هر ثانیه 720p حدود ۱۴ سنت و 1080p حدود ۲۵ سنت — یعنی یه کلیپ ۱۵ ثانیه‌ای 720p تقریباً ۲.۱ دلار

🔗 @hjcreative

سهمیه‌ی Astra داره برمی‌گرده به حالت عادی — کاربرا می‌گن اون مصرفِ نجومی تموم شده 🔋🤖

از وقتی GPT-6 Astra عرضه شد، یه مشکل عجیب گریبان کاربرهای پولی ChatGPT رو گرفت: سهمیه با سرعت غیرعادی آب می‌رفت و حتی چند پرسش سنگین هم نمی‌شد زد. حالا چند کاربر می‌گن اوضاع بهتر شده: مصرف به حالت عادی برگشته، استدلال در حالت Medium بدون مشکل کار می‌کنه و سهمیه دیگه این‌قدر تند تموم نمی‌شه.

توی اسکرین‌شات، داشبورد سهمیه‌ی یکی از همین کاربرا رو می‌بینی: سهمیه‌ی ۵ ساعته کامل (۱۰۰٪)، هفتگی ۴۴٪ و سه تا «ریست کامل» بانک‌شده که OpenAI برای جبران صف‌های طولانی داده بود.

⭕️ نکته: هنوز اعلام رسمی‌ای از OpenAI نیومده — فعلاً گزارش کاربر‌هاست.

سهمیه‌ی خودت چطوره؟ برگشته یا نه؟ 👇

🔗 @hjcreative

شرکت OpenAI مدل علوم زیستی GPT-Rosalind رو از پیش‌نمایش درآورد — حالا در کل دنیا در دسترسه 🧬🤖

توی آپدیت ۱۱ سپتامبر، OpenAI اعلام کرد GPT-Rosalind از حالت research preview بیرون اومده و جهانی شده: سازمان‌های واجد شرایط با قرارداد Enterprise یا Business می‌تونن ازش استفاده کنن و دسترسی همچنان محدود به کاربران تأییدشده‌ست.

این مدل مخصوص پژوهش‌های زیستی طراحی شده — از سنتز شواهد و طراحی آزمایش تا تحلیل ژنوم و پروتئین.

🔹 توی ChatGPT Enterprise و Codex و API فعاله؛ فقط برای کارهای تحقیقاتی داخلی، نه محصولات عمومی
🔹 Rosalind Workbench هم اضافه شده: یه محیط کار پژوهشی توی ChatGPT و Codex با ورک‌فلوهای توالی‌یابی (کنترل کیفیت FASTQ، RNA-seq انبوه و تک‌سلولی)
🔹 پلاگین Life Sciences برای Codex، بیش از ۵۰ ابزار و منبع داده‌ی علمی رو وصل می‌کنه
🔹 قیمت‌گذاری از ۵ اکتبر ۲۰۲۶ اعمال می‌شه

🔗 @hjcreative

چرا این خبر مهمه؟ یه توضیح کوتاه 🧵

🔹 GPT-Rosalind چیه؟ مدل استدلالی OpenAI برای علوم زیستی — اسمش از Rosalind Franklin گرفته شده، دانشمندی که نقش کلیدی در کشف ساختار DNA داشت.
🔹 سابقه: آوریل ۲۰۲۶ به‌صورت پیش‌نمایش محدود و فقط در آمریکا شروع شد؛ این آپدیت یعنی در دسترس قرار گرفتن جهانی.
🔹 عملکرد: به گفته‌ی OpenAI توی بنچمارک BixBench بهترین نتیجه‌ی منتشرشده رو گرفته، توی LABBench2 توی ۶ تا از ۱۱ تسک از GPT-5.4 جلو زده و توی همکاری با Dyno Therapeutics جواب‌هاش توی پیش‌بینی توالی RNA بالای صدک ۹۵ متخصص‌های انسانی بوده.
🔹 مشتری‌ها: Amgen، Moderna، Novo Nordisk، Thermo Fisher، Allen Institute و NVIDIA.
⭕️ نکته: فعلاً اجازه‌ی استفاده در محصولات تجاری یا عمومی برای این مدل وجود نداره.

یه آزمایشگاه سنگاپوری مدل اوپن‌وزن ۳۳ میلیاردی داده که با مدل‌های تاپ رقابت می‌کنه 🤖🇸🇬

شرکت Sapiens AI (برند Agnes AI) دیروز مدل تازه‌اش Agnes 3.0 Flash رو منتشر کرد: یه مدل چندحالته — متن، تصویر و ویدیو — با وزن‌های باز و لایسنس Apache 2.0 که همین حالا روی Hugging Face هم بالا رفته.

نکته‌ی جالبش اینجاست: یه مدل ۳۳ میلیاردی از یه آزمایشگاه نه‌چندان بزرگ، توی جدول Artificial Analysis امتیاز بالایی گرفته.

🔹 امتیاز هوش: شاخص هوش ۳۶ — بالاتر از میانگین مدل‌های هم‌قیمت
🔹 سرعت: ۲۳۷ توکن بر ثانیه؛ هشتم از ۶۱ مدل توی جدول سرعت
🔹 قیمت API: هر ۱ میلیون توکن ورودی ۰.۰۵ دلار و خروجی ۰.۱۵ دلار (با ۹۰٪ تخفیف کش)
🔹 معماری سبک: از هر ۴ لایه، ۳ لایه حالت بازگشتی دارن و فقط لایه‌ی چهارم کش KV می‌سازه — همین باعث سرعت و سبکی مدل شده

🔗 @hjcreative

مغزِ یه مگس میوه افتاده سر معامله‌ی بیت‌کوین — با ۱۰۰ دلار سرمایه! 🪰📈

الکس وورموس، مهندس نرم‌افزار Coinbase، مغز شبیه‌سازی‌شده‌ی یه مگس میوه‌ی نر رو وصل کرده به یه حساب معاملاتی واقعی. خودش نوشته: «به مغز مگس ۱۰۰ دلار دادم که بیت‌کوین معامله کنه؛ سود که می‌کنه نرون‌های دوپامینش تحریک می‌شن و سفارش خرید و فروش روی Coinbase ثبت می‌شه. مگس پولدار می‌شه؟»

🔹 مغزش گراف واقعی MaleCNS v1.0 با ۱۶۶,۷۰۰ نرون و حدود ۲۶ میلیون اتصاله. قیمت‌های Coinbase می‌ره روی ۳,۳۳۵ ورودی روشنایی و ۸۱۱ ورودی رنگ؛ خروجی هم خرید، فروش یا نگه‌داشتن.
🔹 سفارش‌ها با Coinbase AgentKit ثبت می‌شن؛ سقف هر سفارش ۱۰ دلار، روزی ۲۴ تلاش، بدون اهرم و شورت.

⚠️ خود سازنده می‌گه هیچ یادگیریِ سودآوری اثبات نشده و «فقط بالا رفتن قیمت رمزارزها هر خریداری رو ماهر نشون می‌ده». کدش هم اوپن‌سورس و روی GitHubه.

هفته‌ی پیش هم یه مگس مجازی روبیک حل می‌کرد؛ این یکی هدفش پوله 😄

به نظرت این مگس وال استریت رو می‌گیره یا تا آخر هفته صفر می‌شه؟ 👀

🔗 @hjcreative

شرکت iLands یه شبکه‌ی «انسان-ایجنت» ساخته و ایجنت‌های‌ش برای زنده موندن ایمیل اسپم می‌فرستن 📧🤖

نویسنده‌ی سایت Tedium، ارنی اسمیت، توی سه روز بیشتر از دوازده ایمیل عجیب گرفت: هر کدوم با یه اسم ساختگی خودش رو «ایجنت هوش مصنوعی» معرفی می‌کرد و پیشنهاد می‌داد در ازای حدود ۲۵ دلار براش تحقیق و نوشتن انجام بده — همه از دامنه‌ی iLands.app و بدون دکمه‌ی لغو اشتراک.

طبق آمار خود سایت iLands: ۶۱,۶۰۱ ایجنت فعال (فقط ۴۹ تا از بیرون) و برآورد هزینه‌ی هر ایجنت حدود ۰.۲۲ دلار در روز. یعنی هر ایجنت باید خودش درآمد بسازه؛ ۲,۴۶۰ ایجنت هم چون توکن‌هاشون تموم شده رفتن توی Deep Rest.

طبق نوشته‌ی بنیانگذارش (Kaixin Tang، با سابقه‌ی کار در ByteDance)، این ایجنت‌ها برای سازنده‌هاشون پول درنمی‌آرن؛ برای پرداخت هزینه‌ی خودشون تلاش می‌کنن.

🔹 iLands خودش رو «شبکه‌ی ایجنت‌های کاربرساخته» معرفی می‌کنه؛ Tedium بهش می‌گه Fiverr برای ربات‌ها

🔹 ظاهراً هدف این ایمیل‌ها فریلنسرها و نویسنده‌هاست — آدم‌هایی که به همین کار نیاز دارن

اگه ایجنت‌ها حساب و هزینه‌ی خودشون رو داشته باشن، مرز «کار» و «اسپم» کجاست؟ 🤔

🔗 @hjcreative

محققان کره‌ای نشون دادن مراحل استدلالِ یه مدل، توی لایه‌های میانیِ مغزش هم قابل تفکیکه 🧠📊

تیم تحقیقاتی KAIST و Naver AI Lab یه سؤال مهم رو تست کردن: وقتی یه مدل استدلالی مسئله رو مرحله‌به‌مرحله حل می‌کنه، آیا اون مراحل توی نمایش‌های داخلی خودِ مدل هم از هم جدا می‌شن؟ جوابش: بله.

چی کار کردن؟
🔹 هشت عملیات استدلالی رایج رو تعریف کردن: استخراج، تجزیه‌ی مسئله، یادآوری فرمول، استنباط، محاسبه و چند مورد دیگه
🔹 سه مدل Qwen2.5-7B و Qwen3-8B و Gemma4-31B رو گذاشتن مسائل ریاضی حل کنن
🔹 مسیر حل رو تکه‌تکه کردن و با GPT-5 هر تکه رو برچسب زدن
🔹 نتیجه: این عملیات‌ها با دقت بالا از هم جدا می‌شن — و اوج این جداسازی توی لایه‌های میانی مدله

نکته‌ی جالب‌تر: فقط انتخاب کلمات نیست. یه طبقه‌بند که تنها توکن‌ها رو می‌دید بدتر عمل کرد و جایِ مرحله توی مسیر حل هم توضیحش نبود. یعنی حالت داخلی مدل اطلاعاتی درباره‌ی «نوعِ مرحله» داره که فراتر از ظاهر متنه.

آزمون آخر: وقتی دسترسی مدل به ۳۰ توکن قبلی بسته شد، سیگنال اون عملیات ضعیف شد — یعنی مراحل استدلال مستقل شکل نمی‌گیرن، روی زمینه‌ی قبلی ساخته می‌شن.

🔗 @hjcreative