مایکروسافت یکی از بزرگ‌ترین به‌روزرسانی‌های ویندوز ۱۱ را منتشر کرد؛ با نوار وظیفه قابل جابجایی، جستجوی ویندوز بدون نتایج بینگ و مایکروسافت استور، و امکان سفارشی‌سازی منوی استارت!

۱. نوار وظیفه: حالا می‌توانید نوار وظیفه را به سمت بالا، راست یا چپ منتقل کنید، مشابه ویندوز ۱۰.
همچنین می‌توانید نوار وظیفه کوچک‌تری را فعال کنید که کل نوار وظیفه را کوچک می‌کند، نه فقط آیکون‌ها، همان‌طور که قبلاً در ویندوز ۱۱ انجام می‌شد.

۲. حالا می‌توانید نتایج بینگ و مایکروسافت استور را کاملاً در جستجوی ویندوز غیرفعال کنید، که آن را سریع‌تر و قابل اعتمادتر می‌کند.

۳. حالا می‌توانید منوی استارت را سفارشی کنید، از جمله امکان حذف کامل فید پیشنهادی (که حالا به نام «حادثه‌های اخیر» نامیده می‌شود) و داشتن فقط برنامه‌های سنجاق‌شده یا لیست همه برنامه‌ها. حالا امکان انتخاب اینکه کدام بخش ظاهر شود و پنهان کردن همه چیزهای دیگر وجود دارد.

علاوه بر این، اگر از نحوه تنظیم پویای منوی استارت خوشتان نمی‌آید، می‌توانید آن را کوچک‌تر کنید.

این یکی از بزرگ‌ترین به‌روزرسانی‌های ویندوز در سال است و نشان می‌دهد مایکروسافت به بازخوردها گوش می‌دهد. ادامه دهید!

آموزش جامع تولید ویدیوهای هوش مصنوعی به‌صورت نامحدود و رایگان در مدت ۱۸ دقیقه

این ویدیو روش ساخت ویدیو با استفاده از Google Flow و King AI را بدون نیاز به پرداخت هزینه اعتبار معرفی می‌کند.همچنین، راهکارهای خودکارسازی کانال یوتیوب نیز در این آموزش تشریح شده است.

چرا هوش مصنوعی نمی‌تواند حرفش را پس بگیرد؟ (تولید توکن به توکن)

تا به حال به تایپ کردن خودکار کیبورد گوشی دقت کرده‌اید که بعد از هر کلمه، دکمه وسط را چند بار پشت سر هم می‌زنید تا جمله کامل شود؟ هوش مصنوعی دقیقاً به همین شیوه کار می‌کند!
مدل‌های زبانی، متن را یک‌جا تولید نمی‌کنند؛ آن‌ها سیستم‌های خودبازگشتی (Autoregressive) هستند. یعنی در هر مرحله فقط یک توکن حدس می‌زنند، آن را به انتهای متن می‌چسبانند و دوباره کل متن را می‌خوانند تا توکن بعدی را پیدا کنند.
۳ پیامد مهم این ساختار برای توسعه‌دهندگان:

۱. راه بازگشت وجود ندارد: انسان موقع نوشتن مکث می‌کند، فکر می‌کند و اشتباهش را پاک می‌کند. اما مدل به محض تولید یک توکن، به آن متعهد می‌شود و هیچ مکانیزمی برای Backtrack یا پاک‌کردن کلمه قبلی ندارد.

۲. لجاجت در اشتباه: اگر مدل در یک توکن مسیر اشتباهی برود، در مراحل بعدی تلاش می‌کند مسیر غلط قبلی را توجیه کند و ادامه دهد؛ چون متن‌های آموزش‌دیدهٔ مدل هم معمولاً شامل «حرف پس گرفتن» نبوده‌اند.

۳. تله تکرار بی‌پایان: مدل‌ها ممکن است در الگوهای ساختاری خودشان گیر کنند و شروع به تکرار بی‌نهایت یک ساختار یا کلمه نمایند.

وظیفه ما به عنوان مهندس پرامپت: تشخیص خطا، تصحیح مسیر و بازگرداندن مدل به ریل اصلی، وظیفه‌ای است که باید توسط کد و منطق برنامه شما مدیریت شود.
در قسمت بعدی بررسی می‌کنیم چطور با پارامتر Temperature خلاقیت مدل را تنظیم کنیم و چه زمانی بالا بردن این عدد، رفتار مدل را مثل یک فرد مست غیرقابل پیش‌بینی می‌کند!

فصل دوم، بخش سوم

کتاب Prompt Engineering for LLMs

من یک وب‌سایت پیدا کردم که بیش از ۱۰٬۰۰۰ پرامپت برای تولید تصاویر با Nano Banana، GPT Image 2 و دیگر مدل‌ها دارد.این‌ها بر اساس سبک‌ها، عکاسی، برندینگ و موارد دیگر سازمان‌دهی شده‌اند.

بهترین بخشش این است که می‌توانی به صورت رایگان از آن‌ها استفاده کنی و به راحتی آن‌ها را با پروژه‌های خودت تطبیق دهی.

meigen.ai
meigen.ai

سام آلتمن همین حالا ساختن کودکس برای شکست دادن کلود کد را مأموریت کامیکازه دیوانه‌وار نامید.

اوپن‌ای‌آی خیلی عقب بود. هر کتاب راهنمایی می‌گفت بی‌خیال شو.بعد تیمش کاری کرد که او اسمش را بسیار نادر در تاریخ تجارت بگذارد

به یک انیمیشن خفن تفکر هوش مصنوعی برای وب‌سایت یا اپلیکیشن‌تان نیاز دارید؟ این را ذخیره کنید؛ Liquid Orb Editor را بررسی کنید. یک کره شیشه‌ای مایع بلادرنگ ساخته‌شده با WebGPU که می‌توانید هر جور بخواهید سفارشی‌سازی کنید. متن‌باز و رایگان.

lersent001.github.io

prompt:

Simply replace [SUBJECT] or upload your reference image:✨

“Extreme macro shot of woven cotton shirt fabric, empty at first. Colored embroidery threads rise from the surface and weave themselves into place, laying down tight satin stitches row by row, tracing out a detailed [SUBJECT]. The stitched area grows steadily across the frame, thread pulling taut and raising into dimensional embroidered texture, colors and defining features building up stitch by stitch until the full subject is complete and clearly recognizable. Camera holds steady, slow satisfying timelapse pace. Soft natural side light, shallow depth of field, visible fabric fibers and realistic thread sheen. No hands, thread moves on its own. One shot no scene change. 5 second video.”

اندری کارپاتی هشت سال در OpenAI و تسلا کار کرد. هفته گذشته، او همه‌ی آنچه می‌داند را در یک سخنرانی رایگان دو ساعته فشرده کرد:

Agents → Loops → Graphs → Self-Improving Systems

این سخنرانی از اکثر دوره‌های مهندسی هوش مصنوعی پولی بهتر است. احتمالاً الان دو ساعت وقت ندارید.
آن را تماشا کنید، سپس راهنمای زیر را بخوانید.

https://x.com/0xwhrrari/status/2093685107534000560

کلود فیبل ۵.۱ از امروز در همه‌جا در دسترس است. کلود میتوس ۵.۱، مدل ما برای مدافعان سایبری و دانشمندان علوم زیستی، از طریق برنامه‌های دسترسی مورد اعتماد در دسترس است.

بیشتر بخوانید: https://www.anthropic.com/claude-fable-and-mythos-5-1

معرفی Google Pics 🎨

ایجاد تصاویر هوش مصنوعی دقیق و قدرتمند اکنون برای مشتریان Google Workspace و مشترکین Google AI Pro و Ultra در حال عرضه است.
ءGoogle Pics به شما اجازه می‌دهد اشیاء فردی را ویرایش کنید، متن را تصحیح یا ترجمه کنید، و با تیم خود همکاری کنید.

pics.new

معرفی جمینی ۳.۸، پیشرفته‌ترین مدل استدلال و کدنویسی ما تا به امروز.

با بهره‌گیری از حلقه‌های عامل‌محور طولانی‌مدت، ما بر شتاب ۳.۷ فلش از فقط سه هفته پیش بنا شده‌ایم تا دو نوع جدید ۳.۸ را عرضه کنیم:

با جمینی ۳.۸ فلش و جمینی ۳.۸ فلش سایبر آشنا شوید 🧵

Google

پارامتر Temperature و Logprobs؛ علم پشت خلاقیت یا مست‌شدن هوش مصنوعی!

مدل‌های زبانی در هر مرحله فقط یک توکن را انتخاب نمی‌کنند، بلکه احتمال وقوع تمام توکن‌های ممکن را محاسبه می‌کنند. این احتمال‌ها به صورت مقادیری به نام Logprobs (لگاریتم طبیعی احتمال) محاسبه می‌شوند که همیشه بین صفر و منفی هستند.
چیزی که تعیین می‌کند مدل چگونه از میان این احتمالات یک گزینه را بردارد، پارامتر Temperature (دما) است:
راهنمای انتخاب دما در پروژه‌های واقعی:

دما = ۰ (قطعیت و دقت مطلق): مدل همیشه محتمل‌ترین توکن را برمی‌دارد. برای کدنویسی، استخراج داده و کارهایی که تکرارپذیری در آن‌ها حیاتی است، بهترین گزینه است.
دما بین ۰.۱ تا ۰.۴ (خلاقیت کنترل‌شده): شانس کمی به گزینه‌های دوم و سوم می‌دهد تا خروجی از حالت کاملاً خشک خارج شود، اما چارچوب منطقی حفظ گردد.
دما بین ۰.۵ تا ۰.۷ (تولید محتوا و تنوع): مناسب برای ایده‌پردازی و نگارش متن با لحن طبیعی.
دما = ۱ (توزیع طبیعی دنیای واقعی): شانس انتخاب کلمات دقیقاً برابر با پراکندگی آماری در داده‌های آموزشی مدل است.
دما بالاتر از ۱ (حالت مستی مدل!): مدل توکن‌های بسیار بعید و نامربوط را انتخاب می‌کند. از آنجا که خروجی قبلی خودش پر از خطا می‌شود، در توکن‌های بعدی تلاش می‌کند آن خطای عجیب را تقلید کند و در نهایت خروجی به هذیان و کلمات نامفهوم تبدیل می‌شود!

در قسمت پنجم و پایانی این فصل، مغز اصلی ترنسفورمرها یعنی مکانیزم Attention را کالبدشکافی می‌کنیم و بررسی می‌کنیم چرا ترتیب قرارگیری بخش‌های پرامپت سرنوشت خروجی را مشخص می‌کند.

فصل دوم، بخش چهارم

کتاب Prompt Engineering for LLMs

از طریق سایت b.ai می‌تونید به صورت کاملا رایگان به api مدل‌های زیر دسترسی پیدا کنید:

GLM 5.3 Flash
Qwen3.8 Flash
Hy3
MiMo V2.5
مشخص نیست این طرح رایگان تا چه زمانی ادامه داشته باشه از دستش ندید. کارت اعتباری هم نیازی نداره.

مغز ترنسفورمر؛ چرا ترتیب نوشتن پرامپت سرنوشت‌ساز است؟

وقتی به مغز مدل‌های زبانی نگاه می‌کنیم، با یک مغز واحد روبه‌رو نیستیم؛ بلکه با شبکه‌ای از هزاران Mini-brain مشابه هم طرفیم که روی تک‌تک توکن‌ها نشسته‌اند!
این مینی‌برین‌ها از طریق مکانیزم Attention با هم ارتباط برقرار میکنند: هر توکن یک سوال مطرح می‌کند (مثلاً کلمه او می‌پرسد: چه کسی؟) و توکن‌های قبلی به آن پاسخ می‌دهند.

اما این فرآیند دو قانون فیزیکی سفت‌وسخت دارد:
جریان یک‌طرفه اطلاعات (چپ به راست): مینی‌برین‌ها فقط می‌توانند توکن‌های سمت چپ خود (گذشته) را ببینند و به آینده دسترسی ندارند.
حرکت از پایین به بالا (لایه‌به‌لایه): اطلاعات در هر لایه پردازش می‌شود و برای استفاده از نتیجه لایه‌های عمیق‌تر، مدل حتماً باید یک توکن در خروجی بنویسد تا فکرش تبدیل به ورودی مرحله بعد شود (پایه روش Chain-of-Thought).

چرا ترتیب نوشتن دستور در پرامپت مهم است؟
اگر یک متن طولانی به مدل بدهید و در انتهای آن بنویسید: تعداد کلمات متن بالا را بشمار، مدل عددی کاملاً پرت و غلط تحویل می‌دهد! چرا؟ چون مدل متن را فقط یک‌بار و از اول می‌خواند. وقتی در حال خواندن متن بوده، نمی‌دانسته که باید روی شمارش تمرکز کند!

اگر دستور را اول پرامپت بیاورید، مینی‌برین‌ها هنگام پردازش متن، ویژگی‌های مرتبط با دستور را با دقت بیشتری ثبت می‌کنند.
معیار طلایی برای سنجش پرامپت:
آیا یک متخصص انسانی که تمام دانش لازم را در اختیار دارد، می‌تواند این دستور را «در یک دور خواندن، بدون بازگشت به عقب، بدون چک‌نویس و بدون ویرایش» کامل کند؟ اگر نه، نباید از مدل هم چنین انتظاری داشته باشید.

پایان فصل دوم با درک نحوه فکر کردن و محدودیت‌های ترنسفورمرها، از فصل بعد وارد ساختار اصولی و تکنیک‌های عملی طراحی پرامپت می‌شویم.

فصل دوم، بخش پنجم

کتاب Prompt Engineering for LLMs

شما می‌توانید GPT-6 Astra و Fable 5.1 را همین الان به صورت رایگان استفاده کنید

هر دو مدل در Experiential Labs ظاهر شده‌اند:

gpt-6-astra
fable-5.1

platform.experientiallabs.ai/models