Forwarded from محمد داداش زاده
🤖 گوگل A2A را راه اندازی کرد - پروتکل جدید ارتباطی بین عوامل هوش مصنوعی
گوگل Agent2Agent (A2A) را معرفی کرده است، یک استاندارد باز برای تبادل وظایف بین عوامل هوش مصنوعی در بین سرویس ها و شرکت ها.
چیزی شبیه MCP است، اما با تاکید بر امنیت، چندوجهی بودن و سازگاری با زیرساخت های سازمانی.
🔑 اصلی:
▪️ A2A — اولین کار: کارگزاران به جای پیام، وظایف را با چرخه حیات (ایجاد، به روز رسانی، لغو، تکمیل) مبادله می کنند.
▪️ تشخیص خودکار قابلیت ها: هر نماینده یک "کارت ویزیت" JSON منتشر می کند که قابلیت های خود را توصیف می کند (کشف قابلیت).
▪️ HTTP، SSE، JSON-RPC - همه چیز در پشته وب کار می کند، به راحتی در API های موجود ادغام می شود.
▪️ پشتیبانی از متن، صوتی و تصویری - چند وجهی به طور پیش فرض ساخته شده است.
▪️ امنیت اول: برخلاف پروتکل های قبلی (مانند MCP)، مجوز و حفاظت از داده ها در اینجا به خوبی در نظر گرفته شده است.
در تئوری، ابزار قدرتمندی برای خودکارسازی فرآیندهای تجاری است.
در عمل، آنها از قبل به دلیل بارگذاری بیش از حد و چشم انداز نامشخص آن انتقاد می کنند. اما با منابع گوگل، این پروژه شانس تبدیل شدن به یک استاندارد صنعتی را دارد.
📌 تفاوت بین MCP و A2A:
🧠 MCP (پروتکل ارتباطی چند عاملی) عبارت است از:
➡️ پروتکلی از OpenAI که به عوامل LLM اجازه می دهد تا با یکدیگر "چت" کنند.
💬 مبتنی بر پیام - یک نماینده چیزی شبیه به چت را برای دیگری می نویسد و او پاسخ می دهد.
⚙️ مناسب برای سناریوهای ساده: «بگو»، «از شخص دیگری بپرس»، «برنامه بیا».
اما:
- بدون ساختار سفت و سخت
- بدون امنیت داخلی
- از فرآیندهای پیچیده طولانی (مثلاً برنامه ریزی و سپس گزارش) پشتیبانی نمی کند.
- برای کارهای نوع "راه اندازی و نظارت" طراحی نشده است
🧠 A2A (Agent2Agent) عبارت است از:
➡️ نسخه Google MCP، اما با تمرکز بر تجارت و زیرساخت.
📦 به جای چت، وظایف ساختاری وجود دارد که دارای وضعیت هستند: ایجاد، پذیرفته، تکمیل، ناموفق، لغو شده.
📛 از مجوز، شرح قابلیت های عامل، بازخورد، فرآیندهای طولانی، صدا و تصویر پشتیبانی می کند.
به بیان ساده:
- MCP "چت بین هوش مصنوعی" است
- A2A "Jira برای عوامل" است - وظایف، وضعیت ها، الگوی نقش، امنیت.
google.github.io/A2A
https://github.com/google/A2A
blog: https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/
گوگل Agent2Agent (A2A) را معرفی کرده است، یک استاندارد باز برای تبادل وظایف بین عوامل هوش مصنوعی در بین سرویس ها و شرکت ها.
چیزی شبیه MCP است، اما با تاکید بر امنیت، چندوجهی بودن و سازگاری با زیرساخت های سازمانی.
🔑 اصلی:
▪️ A2A — اولین کار: کارگزاران به جای پیام، وظایف را با چرخه حیات (ایجاد، به روز رسانی، لغو، تکمیل) مبادله می کنند.
▪️ تشخیص خودکار قابلیت ها: هر نماینده یک "کارت ویزیت" JSON منتشر می کند که قابلیت های خود را توصیف می کند (کشف قابلیت).
▪️ HTTP، SSE، JSON-RPC - همه چیز در پشته وب کار می کند، به راحتی در API های موجود ادغام می شود.
▪️ پشتیبانی از متن، صوتی و تصویری - چند وجهی به طور پیش فرض ساخته شده است.
▪️ امنیت اول: برخلاف پروتکل های قبلی (مانند MCP)، مجوز و حفاظت از داده ها در اینجا به خوبی در نظر گرفته شده است.
در تئوری، ابزار قدرتمندی برای خودکارسازی فرآیندهای تجاری است.
در عمل، آنها از قبل به دلیل بارگذاری بیش از حد و چشم انداز نامشخص آن انتقاد می کنند. اما با منابع گوگل، این پروژه شانس تبدیل شدن به یک استاندارد صنعتی را دارد.
📌 تفاوت بین MCP و A2A:
🧠 MCP (پروتکل ارتباطی چند عاملی) عبارت است از:
➡️ پروتکلی از OpenAI که به عوامل LLM اجازه می دهد تا با یکدیگر "چت" کنند.
💬 مبتنی بر پیام - یک نماینده چیزی شبیه به چت را برای دیگری می نویسد و او پاسخ می دهد.
⚙️ مناسب برای سناریوهای ساده: «بگو»، «از شخص دیگری بپرس»، «برنامه بیا».
اما:
- بدون ساختار سفت و سخت
- بدون امنیت داخلی
- از فرآیندهای پیچیده طولانی (مثلاً برنامه ریزی و سپس گزارش) پشتیبانی نمی کند.
- برای کارهای نوع "راه اندازی و نظارت" طراحی نشده است
🧠 A2A (Agent2Agent) عبارت است از:
➡️ نسخه Google MCP، اما با تمرکز بر تجارت و زیرساخت.
📦 به جای چت، وظایف ساختاری وجود دارد که دارای وضعیت هستند: ایجاد، پذیرفته، تکمیل، ناموفق، لغو شده.
📛 از مجوز، شرح قابلیت های عامل، بازخورد، فرآیندهای طولانی، صدا و تصویر پشتیبانی می کند.
به بیان ساده:
- MCP "چت بین هوش مصنوعی" است
- A2A "Jira برای عوامل" است - وظایف، وضعیت ها، الگوی نقش، امنیت.
google.github.io/A2A
https://github.com/google/A2A
blog: https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/
Forwarded from محمد داداش زاده
آنها در چت نخواهند بود: آنها فقط برای توسعه دهندگان در API هستند. هر سه مدل دارای زمینه ای از 1 میلیون توکن هستند که اولین مورد برای OpenAI است. دانش تا 1 ژوئیه 2024.
این مدل برای برنامه نویسی واقعاً خوب است: در SWE-bench حتی عملکرد بالاتری از O1 دارد. در عین حال، هزینه بسیار کمتری دارد (2.00 دلار / 1 میلیون ورودی و 8.00 دلار / 1 میلیون خروجی). نکته مثبت توانایی خوب در مسائل چندوجهی و ریاضیات است.
آخرین نمودار با بزرگ شدن زمینه در حال مقیاس بندی است. واضح است که 4.1 در توالی های طولانی، سر و گردن بالاتر از سایر مدل های OpenAI است، به این معنی که جزئیات را حتی در اسناد بزرگ یا پایگاه های کد از دست نمی دهد.
و گیلاس در بالا: این مدل به مدت هفت روز در اینجا کاملا رایگان خواهد بود
قیمت ها و جزئیات اینجا هستند ، و در اینجا یک پست وبلاگ با تمام معیارها وجود دارد
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from محمد داداش زاده
چجوری متوجه بشیم محتوا کپی بود یا توسط هوش مصنوعی تولید شده ! ؟ 😕
نکته: استفاده از سایت ها برسی محتوا رایگان به شما نمیکند در صورتی که اون ابزار داده ها درون سرپ استخراج کنه ( متن درون محتوا ) که معمولا بیشتر ابزار این قسمت رایگان نمیزارن و مجبورین هزینه کنید یا ابزارش بنویسید.
اما چگونه متوجه بشیم:
اما : یه مشکل که این وسط هست اگر به این موارد دقت کرده باشید خب به خودتون میگید با prompt نویسی حل میکنید / خب این وسط یه چیز جا میمونه ایا متنی که تولید کرده از گوگل یا بینگ یا داک داک گو جمع آوری کرده چقدر شباهت با اونا داره ؟
هر پارگراف محتوا در نظر بگیرید یک بار کل و یک بار هم جملات درون آن خب حال با محتوا رقبای خود مقایسه کنید اما نه فقط تکرار جمله موارد همچون BLEU یا شباهت ساختار کلی متن در نظر بگیرید . به راحتی متوجه خواهید شد چقدر شباهت درون محتوا وجود دارد . اما نکته وجود دارد ( مهم نیست که در یک محتوا وجود داشته باشد / جمع از حاصل محتوا ها یا وزن ( امتیاز حاصل جمع برسی توسط الگوریتم ها ) مهم است چقدر دارید این روند تکرار میکنید.
راه حل ساده :
اگر با perplexity کار کرده باشید به این شکل وقتی یک موضوع براش مطرح میکنید جستجو میکنه و داده جمع میکنه و بعد جواب بهتون میده و خروجی که میده با کیفیت و دانش بیشتر !
اگر داده از perplexity با prompt که نوشتم ترکیب کنم چی ؟
باید برسی کنید:
این موارد میشه با ابزار نویسی میشه حل کرد. ( اما به شرطی که خودتون این ابزار برای حوزه فعلایت که دارید درست کنید نه همه )
انتخاب مدل ها :
خب هر مدل که درحال حاضر هست یا نسخه جدید یا با دقت بیشتر پابلیک میشه ممکنه دانش کمتر و خروجی بدتر یا بهتری به شما پس قبل از هرچیزی اول بهترین انتخاب کنید !
سایت برای برسی مدل ها :
https://lmarena.ai/
https://scale.com/leaderboard/humanitys_last_exam
منابع که شاید به شما کمک کند :
https://originality.ai/
https://www.searchenginejournal.com/ai-content-checker/521147/
https://platform.openai.com/ai-text-classifier
https://quillbot.com/ai-content-detector
https://chromewebstore.google.com/detail/deep-fake-detector/kajehpmjflbbjfnbngcpcoingbpedlak
نکته: استفاده از سایت ها برسی محتوا رایگان به شما نمیکند در صورتی که اون ابزار داده ها درون سرپ استخراج کنه ( متن درون محتوا ) که معمولا بیشتر ابزار این قسمت رایگان نمیزارن و مجبورین هزینه کنید یا ابزارش بنویسید.
اما چگونه متوجه بشیم:
تکرار عبارت یا ساختار جملات
استفاده زیاد از فعل کمکی
استفاده بیش از حد از کلمات کلیدی
عدم وجود تجربه شخصی یا بیان احساسات
اما : یه مشکل که این وسط هست اگر به این موارد دقت کرده باشید خب به خودتون میگید با prompt نویسی حل میکنید / خب این وسط یه چیز جا میمونه ایا متنی که تولید کرده از گوگل یا بینگ یا داک داک گو جمع آوری کرده چقدر شباهت با اونا داره ؟
هر پارگراف محتوا در نظر بگیرید یک بار کل و یک بار هم جملات درون آن خب حال با محتوا رقبای خود مقایسه کنید اما نه فقط تکرار جمله موارد همچون BLEU یا شباهت ساختار کلی متن در نظر بگیرید . به راحتی متوجه خواهید شد چقدر شباهت درون محتوا وجود دارد . اما نکته وجود دارد ( مهم نیست که در یک محتوا وجود داشته باشد / جمع از حاصل محتوا ها یا وزن ( امتیاز حاصل جمع برسی توسط الگوریتم ها ) مهم است چقدر دارید این روند تکرار میکنید.
راه حل ساده :
اگر با perplexity کار کرده باشید به این شکل وقتی یک موضوع براش مطرح میکنید جستجو میکنه و داده جمع میکنه و بعد جواب بهتون میده و خروجی که میده با کیفیت و دانش بیشتر !
اگر داده از perplexity با prompt که نوشتم ترکیب کنم چی ؟
باید برسی کنید:
ایا سایت که جزع موارد که استخراج کرده مربوط به موضوع شما است یا خارج از اون ؟
ایا داده ها یا دانش ها درست هستن یا غلط ؟
این موارد میشه با ابزار نویسی میشه حل کرد. ( اما به شرطی که خودتون این ابزار برای حوزه فعلایت که دارید درست کنید نه همه )
ابزار هایی مثل n8n وجود دارن که کار شمارو ساده میکنن ولی نکته وجود داره بازم مطمئن هستید متن که تولید میشه با کیفیت هست یا خیر؟
انتخاب مدل ها :
خب هر مدل که درحال حاضر هست یا نسخه جدید یا با دقت بیشتر پابلیک میشه ممکنه دانش کمتر و خروجی بدتر یا بهتری به شما پس قبل از هرچیزی اول بهترین انتخاب کنید !
سایت برای برسی مدل ها :
https://lmarena.ai/
https://scale.com/leaderboard/humanitys_last_exam
منابع که شاید به شما کمک کند :
https://originality.ai/
https://www.searchenginejournal.com/ai-content-checker/521147/
https://platform.openai.com/ai-text-classifier
https://quillbot.com/ai-content-detector
https://chromewebstore.google.com/detail/deep-fake-detector/kajehpmjflbbjfnbngcpcoingbpedlak
shop_details_all1.zip
28.9 MB
time: December 19, 2024, 9:40:41 PM
number data : 143803 تعداد فروشگاه ها
اطلاعات فروشندگان و ....
size: 300mb
format : csv
https://torob.com/shop-list/
مخصوص تحلیل و ارتباط با مشتری
number data : 143803 تعداد فروشگاه ها
اطلاعات فروشندگان و ....
size: 300mb
format : csv
https://torob.com/shop-list/
مخصوص تحلیل و ارتباط با مشتری
Forwarded from محمد داداش زاده
این نسخه شامل 2 مدل MoE و 6 مدل متراکم است که اندازه آنها از 0.6B تا 235B متغیر است.
🏆 پرچمدار Qwen3-235B-A22B نتایج رقابتی را در وظایف Codin، ریاضیات و توانایی عمومی نشان می دهد و با اطمینان با مدل های پیشرو مانند DeepSeek-R1، o1، o3-mini، Grok-3 و Gemini-2.5-Pro رقابت می کند.
⚡️ مدل کوچک MoE Qwen3-30B-A3B با استفاده از پارامترهای 10 برابر کمتر از QwQ-32B بهتر عمل می کند.
🔥 مدل جمع و جور Qwen3-4B از نظر عملکرد با Qwen2.5-72B-Instruct قابل مقایسه است.
🧠 از تفکر ترکیبی پشتیبانی می کند
حالت تفکر هنگام پردازش وظایف پیچیده، ارائه تجزیه و تحلیل گام به گام درخواست و تشکیل پاسخ های پیچیده و عمیق فعال می شود.
حالت پایه برای سوالات روزمره استفاده می شود و به شما امکان می دهد پاسخ های سریع و دقیق را با حداقل تاخیر ارائه دهید.
فرآیند آموزش مدل شبیه به نحوه انجام آن در DeepSeek R1 است.
پشتیبانی از 119 زبان.
مجوز: آپاچی 2.0 🔥
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1
Untitled.png
4.6 MB
Mixture of Agents (MoA) + deep research
تولید محتوا با عنوان kde چیست؟
منابع :
KDE Community - وبسایت رسمی جامعه KDE
KDE چیست؟ + آشنایی با ویژگی K Desktop Environment - پارس پک
کیدیئی - ویکیپدیا، دانشنامهٔ آزاد
KDE یا K Desktop Environment چیست؟ راهنمای جامع و آموزش نصب - نویان
KDE چیست؟ راهنمای جامع نرم افزارها - لیارا
KDE چیست؟ — رابط دسکتاپ قابل تنظیم لینوکس — راهنمای جامع - فرادرس
محیط دسکتاپ KDE Plasma چه ویژگی ها و مزایایی دارد؟ - میهن وب هاست
نکته :
هزینه api خیلی بالا میره
خلاقیت توی خروجی زیاده
اگه درست داده هارو استخراج نکنه مدل دچار اشتباه میشه
تولید محتوا با عنوان kde چیست؟
منابع :
KDE Community - وبسایت رسمی جامعه KDE
KDE چیست؟ + آشنایی با ویژگی K Desktop Environment - پارس پک
کیدیئی - ویکیپدیا، دانشنامهٔ آزاد
KDE یا K Desktop Environment چیست؟ راهنمای جامع و آموزش نصب - نویان
KDE چیست؟ راهنمای جامع نرم افزارها - لیارا
KDE چیست؟ — رابط دسکتاپ قابل تنظیم لینوکس — راهنمای جامع - فرادرس
محیط دسکتاپ KDE Plasma چه ویژگی ها و مزایایی دارد؟ - میهن وب هاست
نکته :
هزینه api خیلی بالا میره
خلاقیت توی خروجی زیاده
اگه درست داده هارو استخراج نکنه مدل دچار اشتباه میشه
👍2
راهنمای رسمی AI-overviews گوگل :
https://search.google/pdf/google-about-AI-overviews-AI-Mode.pdf
این پتنت تولید خلاصه سازی متن با استفاده از مدلهای زبانی بزرگ (LLM) برای نتایج جستجو.
Generative summaries for search results
https://patents.google.com/patent/US11886828B1/en
این پتنت سیستم نوآورانهای برای سازماندهی نتایج جستجو بر اساس موضوعات ارائه میدهد که از مدلهای زبانی بزرگ برای تحلیل محتوا استفاده میکند.
Thematic search :
https://patents.google.com/patent/US12158907B1/en
هردو پتنت مربوط به گوگل و فعال هستن و در بخش AI-overviews دخیل
https://search.google/pdf/google-about-AI-overviews-AI-Mode.pdf
این پتنت تولید خلاصه سازی متن با استفاده از مدلهای زبانی بزرگ (LLM) برای نتایج جستجو.
Generative summaries for search results
https://patents.google.com/patent/US11886828B1/en
این پتنت سیستم نوآورانهای برای سازماندهی نتایج جستجو بر اساس موضوعات ارائه میدهد که از مدلهای زبانی بزرگ برای تحلیل محتوا استفاده میکند.
Thematic search :
https://patents.google.com/patent/US12158907B1/en
هردو پتنت مربوط به گوگل و فعال هستن و در بخش AI-overviews دخیل
❤3
Keyword Cannibalization Analyzer
Required columns:
Title (or similar column name)
Permalink/URL (or similar column name)
Supported file formats:
CSV (.csv)
Excel (.xlsx, .xls)
Similarity Methods:
TF-IDF: Term frequency-based similarity
Sentence Transformers: based semantic similarity
Levenshtein Distance: Character-based string similarity
OpenAI Embeddings: Advanced AI-based semantic similarity
این سیستم اماده شده .
https://github.com/Danobin/SEO-Cannibalization-Analysis
اپدیت آینده سرچ کنسول اضافه میکنم
Required columns:
Title (or similar column name)
Permalink/URL (or similar column name)
Supported file formats:
CSV (.csv)
Excel (.xlsx, .xls)
Similarity Methods:
TF-IDF: Term frequency-based similarity
Sentence Transformers: based semantic similarity
Levenshtein Distance: Character-based string similarity
OpenAI Embeddings: Advanced AI-based semantic similarity
این سیستم اماده شده .
https://github.com/Danobin/SEO-Cannibalization-Analysis
اپدیت آینده سرچ کنسول اضافه میکنم
❤6
یک نماینده زن در پارلمان عکس جعلی برهنهٔ خودش که با هوش مصنوعی ساخته شده بود رو نشون داد تا با دیپفیک ها مبارزه کنه
لورا مکلور، سیاستمدار نیوزیلندی، تو پارلمان یه عکس ساختگی از خودش که با هوش مصنوعی درست شده بود رو نشون داد تا برای تصویب قانون علیه تصاویر مستهجن جعلی تلاش کنه. خودش این عکس رو تو خونه درست کرده بود تا نشون بده چقدر راحته میشه دیپفیک ساخت و چطور میتونه زندگی آدما رو نابود کنه.
مکلور گفت: «توی بحث عمومی مجلس، به بقیه نمایندهها گفتم که چقدر ساختن این چیزها آسونه و چقدر داره به مردم، مخصوصاً جوانهای نیوزیلند و بیشتر هم دخترها، آسیب میزنه.»
لورا مکلور، سیاستمدار نیوزیلندی، تو پارلمان یه عکس ساختگی از خودش که با هوش مصنوعی درست شده بود رو نشون داد تا برای تصویب قانون علیه تصاویر مستهجن جعلی تلاش کنه. خودش این عکس رو تو خونه درست کرده بود تا نشون بده چقدر راحته میشه دیپفیک ساخت و چطور میتونه زندگی آدما رو نابود کنه.
مکلور گفت: «توی بحث عمومی مجلس، به بقیه نمایندهها گفتم که چقدر ساختن این چیزها آسونه و چقدر داره به مردم، مخصوصاً جوانهای نیوزیلند و بیشتر هم دخترها، آسیب میزنه.»
This media is not supported in your browser
VIEW IN TELEGRAM
یه مدل اومده به اسم UI-TARS-1.5 که بیشترین دقت روی کنترل سیستم و کنترل مرورگر حتی بازی داشته
لینک دمو از مواردی که تونسته کنترل کنه :
https://seed-tars.com/showcase/computer-use
این مدل میتونید از hf دریافت کنید:
https://huggingface.co/ByteDance-Seed/UI-TARS-1.5-7B
و اجرا از:
https://github.com/bytedance/UI-TARS-desktop/tree/main
لینک دمو از مواردی که تونسته کنترل کنه :
https://seed-tars.com/showcase/computer-use
این مدل میتونید از hf دریافت کنید:
https://huggingface.co/ByteDance-Seed/UI-TARS-1.5-7B
و اجرا از:
https://github.com/bytedance/UI-TARS-desktop/tree/main
💩1