از صبح جمعه تا الان شبکه چنان اختلالی رو داره تجربه میکنه ک فک میکنم از اتفاقی نیفتاده داره اتفاقی میفته 😂

رادار اروان هم میگه اکثر دیتاسنترا خاموشن

در گفت‌وگوها، اگر نمی‌توانید کسی را با منطق و استدلال خود قانع کنید، به توهین، تحقیر یا جملاتی مانند «ساکت باش» و «حرف دهنت را بفهم» متوسل نشوید. یاد بگیرید که گاهی دو نفر ممکن است در اصلِ مسیر و ماهیت موضوع هم‌نظر باشند، اما در شیوه‌ی بیان، درک و برداشتشان از مسئله تفاوت داشته باشد. پیش از آنکه سخنی بگویید، ابتدا روشن کنید دقیقا چه می‌خواهید، چه می‌فهمید و چه می‌گویید؛ سپس نظر خود را بیان کنید.

کتاب بخوانید تا دایره واژگان شما در بیان احساسات و عقاید خودتان تا بتوانید به روشنی چیزی را بیان کنید.

🚀 به تیم ما در قلب فناوری ایران بپیوندید!

ما در شرکت فناوری هوشمند حنیف در برج فناوری شریف، در حال توسعه پلتفرم‌های مبتنی بر هوش مصنوعی مولد هستیم.
برای تکمیل تیم توسعه در موقعیت‌های زیر هم‌تیمی می‌پذیریم:

🧠 مهندس NLP / Agentic AI
طراحی و توسعه عامل‌های هوشمند با LangChain و LangGraph و بهینه‌سازی معماری‌های RAG برای درک عمیق اسناد تخصصی فارسی.
🔗لینک توضحات و ارسال رزومه

🎨 طراح UI/UX
طراحی تجربه‌ای روان و حرفه‌ای برای داشبوردها و سامانه‌های پیچیده؛ تسلط بر Figma
🔗لینک توضیحات و ارسال رزومه

💻 برنامه‌نویس Full-Stack (React & Django)
توسعه‌ی بک‌اند پایدار، امن و مقیاس‌پذیر و اتصال آن به رابط‌های کاربری پویا و تعاملی.
🔗لینک توضحات و ارسال رزومه

🔬 محقق هوش مصنوعی (AI Researcher)
طراحی بنچمارک‌های اختصاصی، کاهش توهم مدل‌ها، تحلیل عملکرد LLMها و توسعه روش‌های ترکیب خروجی مدل‌ها.
🔗لینک توضیحات و ارسال رزومه

📌 ارتباط با ما:
🌐 وب‌سایت: hanif-ai.com
📱 تلگرام و بله: @hanif_aitech

♻️ اگر کسی را می‌شناسی که این فرصت برایش مناسب است، این پست را برایش بفرست. ممنونیم! 🤝

این مقاله درباره‌ی VisualClaw است؛ یعنی یک عامل چندوجهی/بینایی‌ـ‌زبانی که برای دنیای واقعی طراحی شده: ویدئوی زنده را می‌بیند، فقط فریم‌های مهم را به مدل می‌فرستد، از تجربه‌های قبلی یاد می‌گیرد، و به‌مرور برای کاربر شخصی‌سازی می‌شود.

ایده‌ی اصلی مقاله این است که VLMها یا مدل‌های vision-language برای کارهای ویدئویی خیلی قوی شده‌اند، اما در استفاده‌ی واقعی سه مشکل دارند: پردازش فریم‌های زیاد و پرامپت‌های طولانی گران و کند است؛ عامل بعد از استقرار معمولاً ثابت می‌ماند و از شکست‌هایش یاد نمی‌گیرد؛ و بنچمارک‌های رایج ویدئو-QA معمولاً فقط جواب دادن به سؤال را می‌سنجند، نه انجام کار واقعی در یک workspace با فایل، ابزار، و شواهد تصویری.

نکته‌ی جالب این است که VisualClaw وزن‌های مدل اصلی را تغییر نمی‌دهد. یعنی مثلاً از Gemini 3 Flash یا GPT-5.2 به‌عنوان مدل frozen استفاده می‌کند، اما با حافظه، skill bank، انتخاب فریم، و evolution بیرونی باعث می‌شود عملکرد عامل بهتر شود. این برای کاربردهایی مثل عینک هوشمند، دستیار شخصی تصویری، یا agentهای دنیای واقعی مهم است، چون نمی‌توان همیشه همه‌ی ویدئو را کامل به مدل فرستاد.

روش فشرده‌سازی ویدئو در مقاله ساده ولی کاربردی است: سیستم ابتدا با perceptual hash فریم‌های تکراری را حذف می‌کند، بعد با یک encoder سبک ۱۲۸بعدی روی CPU تغییرات صحنه را می‌سنجد، و بعد با adaptive change gate تصمیم می‌گیرد کدام فریم واقعاً ارزش ارسال به cloud VLM را دارد. این یعنی سیستم لازم ندارد کل ویدئو را از قبل داشته باشد؛ می‌تواند روی stream زنده و نامحدود کار کند.

برای skill bank هم مقاله از مدل hot/cold injection استفاده می‌کند. مهارت‌های خیلی مرتبط با سؤال به‌صورت کامل وارد پرامپت می‌شوند؛ این‌ها بخش hot هستند. بقیه‌ی مهارت‌ها فقط با نام و توضیح کوتاه معرفی می‌شوند؛ این‌ها بخش cold هستند. هدف این است که با بزرگ شدن بانک مهارت‌ها، پرامپت خیلی طولانی و گران نشود.

▪️ VisualClaw: A Real-Time, Personalized Agent for the Physical World

#مقاله #علوم_پزشکی #هوش_مصنوعی #یادگیری_تقویتی #مدل_مولد #بینایی_ماشین #بینایی_زبانی

☑️ @AI_DeepMind
✅ @AI_Person

#کتاب نظریه بازی ها

▪️ Game Theory (Open Access textbook with 165 solved exercises)

#منابع #نظریه_بازی #الگوریتمها

☑️ @AI_DeepMind
✅ @AI_Person

ولی ژاپنی ها به ارزوشون رسیدن که بتونن با برزیل بازی کنن، یاد فوتبالیستا بخیر و چه روزگاری بود 🥹😄

بهینه‌سازی‌های مرحله‌ی Inference اگر می‌خواستید پاسخ‌های LLM را به زیر یک ثانیه برسانید این موارد رو مطالعه کنید.

1. KV-Caching
2. Speculative Decoding
3. FlashAttention
4. PagedAttention
5. Batch Inference
6. Early Exit Decoding
7. Parallel Decoding
8. Mixed Precision Inference
9. Quantized Kernels
10. Tensor Parallelism
11. Pipeline Parallelism
12. Sequence Parallelism
13. Graph Optimization (ONNX, TensorRT)
14. Dynamic Batching
15. Memory Offloading
16. Streaming Generation

#الگوریتمها #منابع #هوش_مصنوعی #پردازش_زبان_طبیعی #مقاله

☑️ @AI_DeepMind
✅ @AI_Person

فروش فیلترشکن قابل ارایه و پشتیبانی برای تمام پلتفرمهای هوش مصنوعی و ... بدون ضریب

هرگیگ برای نت همراه اول 7 تومن
هرگیگ برای همه خطوط 11 تومن

آفر ویژه کانال روی نت همراه اول 200 گیگ 200 تومن

اشتراک نامحدود یک ماهه و دو کاربره برای زمان عادی 800 تومن به صورت محدود قابل فروش هست


بهم پیام بدید
@Farzadh1h

این ریپو گیتهاب به ایجنت‌ها دسترسی Twitter/X، Reddit، YouTube، GitHub، LinkedIn و چندین پلتفرم دیگه رو میده بدون API Key و رایگان
برای کسایی که روی Agentها کار می‌کنن چیز جالبیه

https://github.com/Panniantong/Agent-Reach

#الگوریتمها #برنامه_نویسی

☑️ @AI_DeepMind
✅ @AI_Person

یک API رایگان برای GLM-5.2 منتشر شده!

سرویس glm.babel.town ادعا می‌کنه اولین API کاملاً رایگان این مدل رو ارائه داده.

بدون ثبت‌نام
بدون API Key
رایگان
سازگار با OpenClaw و Hermes

اگر روی AI Agentها کار می‌کنی، ارزش امتحان کردن داره.

آفر ویژه 200 گیگ کانال روی تمام شبکه ها اپتیمایز شد الان میتونید با قیمت 400 تومن تهیه کنید

پسادکترا #اپلای

آقای Sheldon Axler، نویسنده کتاب جبر خطی این کتاب توسط ایشان و نویسندگان ایرانی به فارسی ترجمه شده است

▪️ Linear Algebra Done Right

#ریاضی #منابع

☑️ @AI_DeepMind
✅ @AI_Person

مدل Claude Sonnet 5 معرفی شد

☑️ @AI_DeepMind
✅ @AI_Person

فروش یک ماهه هر گیگ 12 تومن برای شرایط عادی

آفر ویژه 200 گیگ یک ماهه برای شرایط عادی کانال روی تمام شبکه ها اپتیمایز شد الان میتونید با قیمت 450 تومن تهیه کنید


ای پی ثابت فروش فیلترشکن OpenVPN قابل ارایه و پشتیبانی حتی در زمان نت ملی برای تمام پلتفرمهای هوش مصنوعی و ... بدون ضریب
مناسب همه فعالیتها قابل استفاده در زمان قطعی نت، چند کاربره و یک ماهه

۱۱۰ گیگ تعداد کاربر نامحدود 3700
55 گیگ تعداد کاربر نامحدود 2700
حجم و تعداد کاربر نامحدود ۷ میلیون

ا IP ثابت آمریکا، آلمان، ترکیه موجود هست.

مناسب استفاده شخصی، شرکتها و استارت آپ ها، تریدرها و دارای IP ثابت

حداکثر سرعت قابل ارایه 16 مگابایت

برای تهیه به من پیام بدید 👇👇

@Farzadh1h

بن شدن اکانت های کلاد ادامه داره ( راهکار های کاهش بن شدن )

1- ست کردن ساعت ویندوز به امریکا
2- ست کردن ریجن ویندوز به امریکا
3- عدم استفاده از وی پی ان های کانفیگ / استفاده از وی پی ان های معروف که قابلیت قطع کردن لحظه ای نت در صورت قطع وی پی ان داشته باشن
4- استفاده از افزونه ست کردن لوکیشن ساعت محل سیستم دقیق به امریکا
افزونه برای گوگل کروم
https://chromewebstore.google.com/detail/spoof-timezone/kcabmhnajflfolhelachlflngdbfhboe





بهترین راه حل خرید سرور مجازی ویندوز امریکا و برای خرید سرویس vpn آمریکا بهم پیام میتونید بدید

این مقاله درباره‌ی ساخت یک شبکه عصبی ترکیبی کوانتومی-کلاسیک است که می‌تواند فازهای کوانتومی ماده را تشخیص دهد؛ مخصوصاً فازهای توپولوژیک که با روش‌های کلاسیک سخت‌تر شناسایی می‌شوند، چون ویژگی‌های آن‌ها معمولاً غیرمحلی هستند و با چند مشاهده ساده محلی قابل تشخیص نیستند. نویسندگان این مدل را روی سخت‌افزار واقعی کوانتومی ابررسانا آموزش داده‌اند.

ایده اصلی این است: اول یک مدار کوانتومی پارامتردار روی حالت کوانتومی اعمال می‌شود، بعد خروجی اندازه‌گیری‌شده به شکل bit string وارد یک شبکه عصبی کلاسیک feedforward می‌شود. خروجی نهایی عددی بین 0 و 1 است که نشان می‌دهد سیستم احتمالاً در فاز توپولوژیک هست یا نه؟

بخش کوانتومی یاد می‌گیرد یک تبدیل غیرمحلی روی حالت کوانتومی انجام دهد تا ویژگی‌های مهم فاز توپولوژیک آشکار شوند. بعد بخش کلاسیک، bit stringهای اندازه‌گیری‌شده را طبقه‌بندی می‌کند. آموزش هم به صورت مشترک انجام می‌شود: مدار کوانتومی در حلقه بیرونی به‌روزرسانی می‌شود و شبکه عصبی کلاسیک در حلقه داخلی با backpropagation و ADAM آموزش می‌بیند.

مدل توانست وقتی شدت #میدان_مغناطیسی تغییر می‌کند، خروجی خود را از مقدار نزدیک به فاز #توپولوژیک به سمت فاز غیرتوپولوژیک تغییر دهد؛ یعنی فقط حالت‌های آموزش‌داده‌شده را حفظ نکرده، بلکه روی حالت‌های بینابینی هم تعمیم داده است.

🔸 Hybrid Quantum-Classical Neural Networks for Recognizing Quantum Phases

#ریاضی #فیزیک #هوش_مصنوعی #مقاله #کوانتوم #شبکه_عصبی

☑️ @AI_DeepMind
✅ @AI_Person

یک موردی را من اینجا لازم دیدم توضیح بدم:

برای خرید VPN با IP آمریکا مراقب باشید که اگر حتی یک درصد به خاطر شرایط عدم استیبل بودن اینترنت ایران اون فیلترشکن قطعی در حد چند میلی‌ثانیه هم براش رخ بده و IP ایران رو به سرور Claude بفرسته بازم اکانت شما مسدود خواهد شد، شما متوجه پشت قطعی نمیشین ولی اینکار رخ خواهد داد و اکی هست اگر سرور مجازی اون آمریکا تهیه کنین ولی این قطعی رو هم در نظر بگیرید

شرایط قطعی اینترنت ایران و کلاد مثه هم هستش اینجا وصل باشی قطع میشی اونجا وصل بشی قطع میشی 😄
حتی اون ip ثابت هم راحل قطعی نیست بسازید و بسوزید

راحل پیشنهادی استفاده از matis ai و یا Aval AI هست.
▪️ از طریق این لینک می‌تونید کلاود کد یا سایر محصولات آنتروپیک رو به متیس وصل کنید و هر مدلی که از آنتروپیک نیاز داشتین رو انتخاب کنید.

این توضیحاتی بود برای تاثیر بر تصمیم‌گیری‌های آتی شما اگر قصد خرید VPN آمریکا برای کار با CLAUDE داشتید در نظر گرفته باشین و آگاهی به موضوع بر تصمیم شما اثر گذاشته باشه و بدونید چکار کنید موفق باشید.

تیرگان یکی از کهن‌ترین جشن‌های ایران‌زمین است . این جشن به ایزد تیشتر، نماد باران و فراوانی، و همچنین به داستان حماسی آرش کمانگیر پیوند خورده است. بر پایه‌ی روایت‌های ایرانی، آرش برای پایان دادن به جنگ ایران و توران، از فراز کوه دماوند (در برخی روایت‌ها البرز) تیر خود را رها کرد و مرز دو سرزمین را با جان‌فشانی خویش تعیین نمود.

تیرگان نماد صلح، میهن‌دوستی، باران، امید و فداکاری است. از آیین‌های این جشن می‌توان به آب‌پاشی و گردهمایی‌های شادمانه اشاره کرد؛ آیین‌هایی که آرزوی برکت، دوستی و زندگی دوباره را یادآوری می‌کنند

پیروز نور بر تاریکی

یبار دیگه اینو ریپلای میزنم بهش توجه کنید.

این مقاله درباره‌ی یاد دادن رفتار بهتر به ربات‌ها با ترجیحات انسانی آزاد و چندبعدی تمرکز دارد. ایده اصلی این است که به‌جای اینکه از انسان بپرسیم «کدام حرکت ربات بهتر بود؟»، از او می‌پرسیم « از نظر سرعت، ایمنی، ظرافت، کیفیت قرار دادن شیء، تمیزی، نرمی حرکت و… کدام بهتر بود؟»

در این روش، انسان خودش محورهای ارزیابی را با زبان طبیعی تعریف می‌کند؛ مثلا می‌گوید «speed»، «safety»، «smoothness»، «delicateness»، «quality of placement». بعد برای هر محور جداگانه می‌گوید کدام حرکت ربات بهتر است. سپس مدل یک reward model شرطی‌شده با زبان یاد می‌گیرد؛ یعنی مدل می‌تواند بگوید این trajectory از نظر «سرعت» چقدر خوب است، از نظر «ظرافت» چقدر خوب است و از نظر «کیفیت قرارگیری» چقدر خوب است.

نکته جالب دیگر این است که FPL باعث steerability می‌شود؛ یعنی در زمان تست می‌توان رفتار ربات را با تغییر دادن محور reward هدایت کرد. مثلا به همان policy گفت روی یک معیار خاص بیشتر تمرکز کند، بدون اینکه لازم باشد کل مدل دوباره آموزش ببیند. مقاله همچنین نشان می‌دهد FPL می‌تواند رفتارهای ترکیبی بسازد؛ یعنی چیزی را انجام دهد که دقیقاً در داده آموزشی به همان شکل وجود نداشته است.

🔸 Freeform Preference Learning for Robotic Manipulation

#مقاله #ایده_جذاب #رباتیک

☑️ @AI_DeepMind
✅ @AI_Person