بیست و پنجم اسفندماه سالروز پایان سرایش #شاهنامه فرخنده باد.

سرآمد کنون قصه یزدگرد
به ماه سپندارمذ روز ارد

ز هجرت شده پنج هشتاد بار
به نام جهان داور کردگار

فرار از استعماگران حیفم اومد یه پست شاهنامه نداشته باشیم که بر سرتاریخ ما گذشت🥹

#متفرقه #ایران

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

🌟 تو هم می‌تونی بخشی از این پروژه بزرگ باشی!

✅ ما در حال جمع‌آوری دست‌نوشته‌های فارسی برای بهبود فناوری تشخیص متن هستیم و به کمک شما نیاز داریم.

✅ ⏱ فقط دو دقیقه زمان می‌بره!

✅چطوری کمک کنی؟
⏪ برو توی لینک زیر، تمام مراحل رو اونجا توضیح دادم:

https://daniyalcv.ir/persian-ocr/

✅ بیا تو این حرکت بزرگ سهیم باش! 🚀

✅ ما رو به اشتراک بذار تا بقیه هم بتونن کمک کنن! 🔗

#پروژه_دست‌نوشته_فارسی
#هوش_مصنوعی
#زبان_فارسی

مدل‌های قیمت‌گذاری دارایی سرمایه‌ای (CAPM) معمولاً با استفاده از فرآیندهای تصادفی و فرضیه‌های مربوط به مطلوبیت سرمایه‌گذاران توجیه می‌شوند. این #مقاله یک رویکرد #نظریه_بازی برای مدل CAPM ارائه می‌دهد که برخلاف مدل‌های کلاسیک، نیازی به فرضیات قوی درباره باورها و ترجیحات سرمایه‌گذاران ندارد.
این مدل مبتنی بر اصل بازار کارا است که بیان می‌کند یک محتکر (speculator) نمی‌تواند به‌طور مداوم بازار را با یک ضریب بزرگ شکست دهد.نتایج نشان می‌دهد که مدل نظریه بازی CAPM می‌تواند رفتار واقعی سرمایه‌گذاران را توضیح دهد.
▪️ The game-theoretic capital asset pricing model

#ایده_جذاب #اقتصاد #مالی #پیشبینی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

بررسی چگونگی استفاده از عامل‌های هوش مصنوعی برای بهبود تحقیقات، تشخیص و مدیریت سرطان از طریق #پزشکی_هسته‌ای در هند می‌پردازد. این مقاله یک اکوسیستم مبتنی بر عامل‌های #هوش_مصنوعی را پیشنهاد می‌کند که می‌تواند چالش‌های پایداری موجود در پزشکی هسته‌ای هند را برطرف کند. پزشکی هسته‌ای با استفاده از مقادیر کمی مواد رادیواکتیو، نقش مهمی در تشخیص و درمان سرطان دارد. این روش‌ها امکان تشخیص زودهنگام از طریق تصویربرداری پیشرفته مانند PET-CT را فراهم می‌کنند. با این حال، ظرفیت تولید داخلی رادیوداروها در هند محدود است و وابستگی به محصولات وارداتی هزینه‌ها را افزایش داده و باعث تأخیر در مراقبت‌های سرطان می‌شود.​
▪️ The potential role of AI agents in transforming nuclear medicine research and cancer management in India

#علوم_پزشکی #مقاله #ایده_جذاب #داروسازی #زیست_شناسی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

مدل‌های زبانی بزرگ مبتنی بر ترانسفورمر تحولات بزرگی در #پردازش_زبان_طبیعی (NLP) ایجاد کرده‌اند. این مقاله بررسی می‌کند که چگونه این مدل‌ها، موسوم به مدل‌های زبانی ژنومی (gLMs)، برای تحلیل و مدل‌سازی ژنوم مورد استفاده قرار می‌گیرند. هدف اصلی این مطالعه، بررسی مزایا، محدودیت‌ها و آینده gLMها در زیست‌شناسی #محاسباتی است.
تنها ۲٪ از ژنوم انسانی کدکننده‌ی پروتئین است، در حالی که بخش عمده‌ی ژنوم (۹۸٪) شامل مناطق غیرکدکننده است که عملکرد آن‌ها هنوز به‌طور کامل مشخص نیست.
یکی از اهداف اصلی در ژنومیک، درک دستور زبان تنظیمی ژنوم است که شامل تعامل بین عناصر تنظیمی (مانند پروموترها و تقویت‌کننده‌ها) و ژن‌هایی که آن‌ها را تنظیم می‌کنند، است.
مدل‌های یادگیری عمیق مانند ترانسفورمرها به دلیل توانایی در تشخیص وابستگی‌های بلندمدت، می‌توانند به پیش‌بینی تعاملات تنظیمی ژنوم کمک کنند.
تاکنون بیشتر مدل‌های یادگیری عمیق برای تحلیل داده‌های ژنومی مبتنی بر شبکه‌های عصبی کانولوشنی (CNNs) بودند.
به دلیل موفقیت ترانسفورمرها در پردازش داده‌های توالی‌ای در NLP، استفاده از آن‌ها برای تحلیل توالی DNA مورد توجه قرار گرفته است.

مزیت کلیدی ترانسفورمرها نسبت به CNNها، مکانیزم توجه (attention) آن‌ها است که امکان یادگیری روابط دوربرد را بدون نیاز به فیلترهای کانولوشنی محدود فراهم می‌کند.
ا gLMها برای حل مسائل مختلفی در #زیست‌_شناسی_محاسباتی به کار گرفته می‌شوند:

پیش‌بینی اثر جهش‌ها: تشخیص اینکه آیا یک جهش ژنتیکی منجر به تغییرات عملکردی مهمی در ژنوم خواهد شد یا خیر.
تشخیص عناصر تنظیمی ژنوم: شناسایی پروموترها، تقویت‌کننده‌ها، جایگاه‌های برش RNA و سایر ویژگی‌های مهم.
پیش‌بینی بیان ژن: بررسی اینکه چگونه تغییرات در توالی DNA می‌توانند بر سطح بیان ژن تأثیر بگذارند.
پیش‌بینی تعاملات پروتئین-DNA: شناسایی سایت‌های اتصال پروتئین‌های تنظیمی مانند فاکتورهای رونویسی.

▪️ Transformers and genome language models

#علوم_پزشکی #مقاله #ایده_جذاب #ژن #زیست_شناسی #مدلهای_زبانی_یزرگ

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

https://github.com/yebekhe/srt-ai-translate

مترجم زیرنویس فارسی

🐋✍️I went through every detail of the DeepSeek paper and hand-drew this diagram.

It felt like building Legos from Supervised Fine-Tuning (SFT), Group Relative Policy Optimization (GRPO) in RL, long Chain-of-Thought (CoT), and more.

𝗟𝗲𝘁 𝗺𝗲 𝘁𝗲𝗹𝗹 𝘆𝗼𝘂 𝘄𝗵𝗮𝘁 𝗜 𝗹𝗲𝗮𝗿𝗻𝗲𝗱:

》 𝗠𝗮𝗶𝗻 𝗞𝗲𝘆 𝗧𝗮𝗸𝗲𝗮𝘄𝗮𝘆𝘀:

✸ DeepSeek-R1-Zero showed that reasoning could emerge without supervised data using RL.

✸ DeepSeek-R1 refined those abilities with structured data, making it human-aligned and user-friendly.

✸ DeepSeek-Distilled Models proved that reasoning power can be transferred to smaller models, ensuring efficiency without compromising performance.

﹌﹌﹌﹌﹌﹌﹌﹌
》𝗗𝗲𝗲𝗽𝗦𝗲𝗲𝗸-𝗥𝟭-𝗭𝗲𝗿𝗼: 𝗧𝗵𝗲 𝗙𝗼𝘂𝗻𝗱𝗮𝘁𝗶𝗼𝗻 𝗼𝗳 𝗣𝘂𝗿𝗲 𝗥𝗟

✸ What makes DeepSeek-R1-Zero special?

It’s trained purely through Group Relative Policy Optimization (GRPO), a cost-efficient RL framework.

The model learns advanced reasoning without any prior fine-tuning, achieving capabilities like:

https://x.com/MaryamMiradi/status/1900924998207848536?s=19

Paper: arxiv.org/pdf/2501.12948

آیا ما در آستانه کشف حقیقتی تکان‌دهنده درباره‌ی واقعیت هستیم؟

دانشمندی از دانشگاه پرینستون، هونگ کین، دست به کاری زده که مرزهای علم را می‌شکند: هوش مصنوعی‌ای که بدون استفاده از قوانین فیزیکی سنتی، مسیر حرکت سیارات را پیش‌بینی می‌کند!

این الگوریتم، که با یادگیری ماشینی کار می‌کند، تنها با تحلیل داده‌های مداری توانست الگوهای حرکت را کشف کند بی‌آنکه حتی یک خط از قوانین نیوتن در #برنامه‌_نویسی آن گنجانده شده باشد!

اما این تازه شروع ماجراست. کین اکنون این فناوری را برای مطالعه رفتار پلاسما در تحقیقات انرژی همجوشی به کار گرفته و حتی در حال بررسی کاربردهای آن در #فیزیک_کوانتومی است. آیا ممکن است که روش‌های سنتی علمی دیگر کارایی نداشته باشند؟ کار کین این سؤال را مطرح می‌کند که آیا می‌توان بدون نیاز به قوانین نظری، مستقیماً از داده‌ها به حقیقت دست یافت؟

و اینجاست که ماجرا رنگی فلسفی و حتی شبیه به یک داستان علمی‌تخیلی به خود می‌گیرد. رویکرد کین به طرز شگفت‌انگیزی با فرضیه‌ی شبیه‌سازی که توسط فیلسوف نیک باستروم مطرح شده، همخوانی دارد ایده‌ای که می‌گوید شاید جهان ما چیزی جز یک شبیه‌سازی عظیم محاسباتی نباشد!

اگر طبیعت را بتوان تنها از طریق الگوریتم‌های گسسته، و نه قوانین فیزیکی پیوسته، توصیف کرد، آیا این نشان نمی‌دهد که خود جهان نیز مانند یک سیستم محاسباتی عمل می‌کند؟

ممکن است نسل‌ها با پاسخ به این پرسش فاصله داشته باشیم، اما تحقیقات کین می‌تواند اولین گام در جهت درک جهان به عنوان یک ساختار کدگذاری‌شده باشد.

▪️ Machine learning and serving of discrete field theories
▪️ Physicist creates AI algorithm that may prove reality is a simulation

#الگوریتمها #هوش_مصنوعی #فیزیک #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

ی مجری #هوش_مصنوعی ساختن مثلا بعد اومدن پزشو میدن 😂 بابا اینو هم میشع ی ضبط صوت گرفت صدایی ضبط کرد بهش داد بیاد بگه دیگه اینکه ربات هوش مصنوعی ساختیم چیه ی چی باشه بشه حداقل دفاع کرد مشارکتش کجاست این الان

MCP is going crazy viral right now🤯

AI apps can now instantly connect to any tool or live data.

USB-C moment for AI.
https://x.com/minchoi/status/1900931746448756879?t=VyT6wIziArRzfGiE7YHTKA&s=19

Introducing: ShieldGemma 2 - a 4B model for image safety classification

Use as input filter for VLMs
or for blocking dangerous image generation outputs
https://developers.googleblog.com/en/safer-and-multimodal-responsible-ai-with-gemma/

https://huggingface.co/google/shieldgemma-2-4b-it

این ی مدل بزرگتر و قوی تر از مدل mistral برای کار با OCR منتشر کردند

▪️ SmolDocling: An ultra-compact vision-language model for end-to-end multi-modal document conversion
▪️ Huggingface

#علوم_پزشکی #مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

مقاله زیر به معرفی مدل YOLOE می‌پردازد که یک مدل یکپارچه و کارآمد برای تشخیص و بخش‌بندی اشیاء است. این مدل قابلیت پردازش پرامپت‌های متنی، پرامپت‌های بصری و حالت بدون پرامپت را داراست و در سناریوهای باز عملکرد بالایی ارائه می‌دهد.مدل‌های سنتی مانند سری YOLO با وجود کارایی و دقت بالا، به دسته‌بندی‌های از پیش تعریف‌شده محدود هستند که انعطاف‌پذیری آن‌ها را در سناریوهای باز کاهش می‌دهد. روش‌های اخیر برای غلبه بر این محدودیت‌ها از پرامپت‌های متنی، نشانه‌های بصری یا پارادایم‌های بدون پرامپت استفاده می‌کنند، اما معمولاً بین عملکرد و کارایی به دلیل نیازهای محاسباتی بالا یا پیچیدگی در پیاده‌سازی مصالحه می‌کنند.​ YOLOE با ادغام مکانیزم‌های مختلف پرامپت در یک مدل کارآمد، امکان مشاهدهٔ هر چیزی در زمان واقعی را فراهم می‌کند. برای پرامپت‌های متنی، استراتژی هم‌ترازی مجدد منطقه-متن قابل بازپارامتری‌سازی (RepRTA) معرفی شده است که با استفاده از یک شبکهٔ کمکی سبک، جاسازی‌های متنی پیش‌آموزش‌دیده را بهبود می‌بخشد و هم‌ترازی بصری-متنی را بدون افزایش هزینهٔ استنتاج و انتقال تقویت می‌کند. برای پرامپت‌های بصری، رمزگذار پرامپت بصری فعال‌شده توسط معناشناسی (SAVPE) ارائه شده است که با استفاده از شاخه‌های جداگانهٔ معناشناسی و فعال‌سازی، جاسازی‌های بصری بهبود یافته و دقت را با حداقل پیچیدگی بهبود می‌بخشد. در سناریوی بدون پرامپت، استراتژی مقایسهٔ تنبل منطقه-پرامپت (LRPC) معرفی شده است که با استفاده از یک واژگان بزرگ داخلی و جاسازی‌های تخصصی، تمام اشیاء را شناسایی می‌کند و از وابستگی به مدل‌های زبانی پرهزینه جلوگیری می‌کند.​

▪️ YOLOE: Real-Time Seeing Anything
▪️ GitHub

#مقاله #ایده_جذاب #پایتون

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

تبلیغ Perplexity با بازیگر اصلی اسکویید گیم
گوگل رو هم مسخره کرده

میگن خودش یکی از سهامدارن این استارت آپ هستش
تو این تبلیغ گوگل رو حسابی دیس کرده و اسمش رو گذاشته poogle که وقتی لی ازش سوال میپرسه خیلی بی خاصیت عمل میکنه ولی درمقابل پرپلکسیتی سوالات رو سریع جواب میده و به خصوص توی سوال نحوه پخت پیتزا میگه توش چسب نریز که اینم یه دیس سنگین دیگه واسه فاجعه ai overview گوگل هست.

زردی من از تو
سرخی تو از من

غم برو شادی بیا
محنت برو روزی بیا

چهارشنبه سوری بر همگان خجسته باد

قطعه《نوروز》

بیا بیا دلبروک مو قربون تو شم‌ دنیا دو روزه
بیا مکن شو روز مو خورشید مو صبح نوروزه

دیدی چطو مانند او یک سال برفت، سال نو اومد؟
یکسال چنو تندِ برفت که پندری همی دیروزه
آی بیا که نوروزه دنیا دو روزه
تا عالمی ، جون دلم، چشمم خو ورسوزه
بینه که قد تو کمون و پشت مو قوزه