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

چین اخیراً دستیار هوش مصنوعی‌ای به نام DeerFlow را راه‌اندازی کرده است که به صورت شبانه‌روزی (۲۴/۷) فعالیت می‌کند. این ابزار به صورت کاملاً رایگان است و مستقیماً بر روی سیستم کاربر اجرا می‌شود.

قابلیت‌های اصلی این دستیار عبارتند از:
- تحقیق و سازماندهی اطلاعات به صورت خودکار
- نوشتن و اجرای کد
- تولید ارائه‌ها، ویدئوها و تصاویر
- خودکارسازی وظایف پیچیده چندمرحله‌ای
- پشتیبانی از مدل‌های محلی یا ابری
- بهره‌گیری از محیط‌های ایزوله جهت اجرای امن وظایف

این پروژه در حال حاضر بیش از ۸۰ هزار ستاره در GitHub کسب کرده، به صورت متن‌باز منتشر شده و دارای مجوز MIT می‌باشد.
لینک مخزن (ریپو) در ادامه ارائه می‌شود:

https://github.com/bytedance/deer-flow

دسترسی به مدل های زیر کاملا رایگان

• Gemini 3.8 Flash
• Muse Spark 1.3
• GLM 5.3 Flash
• Gemini 3.1 Pro
• DeepSeek V4 Flash
• DeepSeek V4 Pro
• GPT 5.6 Luna
• Qwen 3.8 MAX

apinex.bond/models

referral code: 5YLD3CS4

فرصت طلایی و رایگان برای استفاده از مدل خارق‌العاده Kimi K3 همین حالا!

پلتفرم TokenRouter به شما ۵۰ میلیون توکن رایگان برای آزمایش می‌دهد، بدون هیچ محدودیتی!
• بدون نیاز به کارت اعتباری (No Credit Card)
• بدون دوره آزمایشی محدود
• راه‌اندازی سریع فقط در دو دقیقه!

همه چیزی که نیاز دارید، ثبت‌نام، ایجاد API Key، و استفاده مستقیم از آن در ابزارهای مورد علاقه‌تان مثل Cursor, Claude Code, Cline یا هر ابزاری که از کتابخانه OpenAI پشتیبانی می‌کند، از طریق تنظیمات زیر است:

• Base URL:
api.tokenrouter.com/v1
• Model: moonshotai/kimi-k3-free

ءGLM 5.3 و GLM 5.3 Flash به‌صورت رایگان در Kira AI در دسترس هستند

ءQwen 3.8 Flash هم رایگان است.
حساب‌های جدید ۱۵۰ میلیون توکن برای استفاده در مدل‌های رایگان دریافت می‌کنند.

آنچه دریافت می‌کنید:

- GLM 5.3 Free
- GLM 5.3 Flash Free
- Qwen 3.8 Flash Free

شروع کار:

1. به kiraai.vn/models بروید
2. یک حساب جدید ایجاد کنید
3. یک مدل رایگان انتخاب کنید
4. از base url استفاده کنید: kiraai.vn/api/v1
5. شروع به تست کنید

چطور یک مدل وحشی اینترنتی، تبدیل به دستیار مؤدب شد؟ (پشت صحنه RLHF)

اگر به یک Base Model بگویید: یک غذای خوشمزه با مرغ پیشنهاد بده، به جای پاسخ دادن، ممکن است شروع کند به طرح کردن سوالات بعدی: غذای خوب با گوشت؟ غذای خوب با برنج؟! بدتر از آن، چون مدل پایه کل اینترنت را خوانده، همان‌قدر که دستور پخت لازانیا را می‌داند، فرمول ساخت مواد مخدر را هم با جزئیات تحویل می‌دهد!
برای تبدیل این غول سرکش به یک چت‌بات سودمند، شرکت‌هایی مثل OpenAI از فرآیندی به نام RLHF (یادگیری تقویتی با بازخورد انسانی) استفاده کردند تا به فرمول HHH برسند:

مفید (Helpful): دستورات را بفهمد و پاسخ به‌دردبخور بدهد.
صادق (Honest): اگر چیزی را نمی‌داند، توهم نزند و تردیدش را ابراز کند.
بی‌خطر (Harmless): محتوای مخرب، توهین یا راهنمای ساخت بمب تولید نکند.

خط تولید یک دستیار هوشمند در ۳ مرحله:

۱. مدل SFT (آموزش با ناظر): هزاران نمونه گفتگوی ایده‌آل دست‌نویس توسط انسان به مدل خورانده شد تا لحن پاسخگویی را یاد بگیرد.
۲. مدل پاداش (Reward Model): انسان‌ها پاسخ‌های مختلف مدل را از بهترین تا بدترین رتبه‌بندی کردند تا یک سیستم داوری خودکار برای نمره‌دهی به پاسخ‌ها ساخته شود.
۳. تنظیم نهایی با PPO: مدل هوش مصنوعی در برابر مدل پاداش تمرین داده شد تا پاسخ‌هایی با بالاترین نمره تولید کند، بدون اینکه ساختار روان زبان طبیعی را از دست بدهد.

در قسمت بعدی بررسی می‌کنیم که چرا این آموزش‌ها یک بهای سنگین به نام Alignment Tax دارند و گاهی مدل را نسبت به نسخه خام کندذهن‌تر می‌کنند!

فصل سوم، بخش اول

کتاب Prompt Engineering for LLMs