‏🤖 اجرای مدل‌های LLM بر iOS با LM Studio

‏🚀 نرم‌افزار LM Studio نسخه موبایل (Locally) را برای iOS عرضه کرده و امکان اجرای مدل‌های کوچک مانند Gemma 4 E2B را مستقیماً روی آیفون و آیپد فراهم می‌کند. 📱 علاوه بر این، با قابلیت LM Link می‌توانید گوشی را به اینترنت متصل کرده و مدل‌های بزرگتر را روی کامپیوتر اجرا کنید و به‌صورت زنده از آن‌ها در دستگاه موبایل استفاده کنید.

‏

‏🔹 امکان اجرا: مدل‌های کوچک به‌صورت بومی روی سخت‌افزار iOS کار می‌کنند.
‏🔸 اتصال به کامپیوتر: LM Link ارتباط اینترنتی میان گوشی و کامپیوتر را برقرار می‌سازد تا مدل‌های بزرگتر در دسترس باشند.
‏🔹 سازگاری: از iPhone و iPad پشتیبانی می‌شود، بدون نیاز به روت یا Jailbreak.
‏

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #44
⏰ از جمعه 1405/03/15 ساعت 14:00
تا شنبه 1405/03/16 ساعت 14:00
━━━━━━━━━━━━━━━

🤖 مدل‌های زبانی بزرگ و خودبهبودی

شرکت Anthropic مفهوم "خودبهبودی بازگشتی" (recursive self-improvement) را معرفی کرده است. در این رویکرد، مدل‌های هوش مصنوعی قادرند خودشان را بهبود بخشیده و آموزش دهند. پیشرفت‌ها در این زمینه به‌قدری سریع هستند که پیش‌بینی می‌شود در آینده نزدیک، بخش قابل توجهی از کدنویسی و توسعه نرم‌افزار توسط هوش مصنوعی انجام شود. همچنین، گزارش شده است که مدل Claude این شرکت در سال ۲۰۲۶ بیش از ۸۰٪ کدهای اضافه‌شده به پایه‌کد شرکت را تولید کرده است.
🔗 مشاهده پست
🔗 مشاهده پست

🔬 پژوهش و نوآوری در ترنسفورمرها

مقاله جدیدی با نام Parallax، رویکردی نوآورانه در مکانیسم توجه ترنسفورمرها (Transformer attention mechanism) ارائه می‌دهد. این رویکرد برخلاف تمرکز غالب بر جایگزینی کامل مکانیزم softmax، آن را حفظ کرده و یک "شاخه تصحیح" یادگیری‌شده به آن اضافه می‌کند. این نوآوری می‌تواند کارایی و دقت مدل‌های مبتنی بر ترنسفورمر را بهبود بخشد.
🔗 مشاهده پست

🎓 منابع آموزشی و درک بصری LLMها

یک راهنمای تعاملی سه‌بعدی به‌صورت تصویری، نحوه عملکرد ترکیبات اصلی مدل‌های زبانی بزرگ (LLMs) را از مرحله Embedding تا Softmax به‌صورت گام‌به‌گام نشان می‌دهد. این ابزار به جای مطالعه مقالات، درک بصری عمیقی از فرآیندهای داخلی LLMها فراهم می‌کند.
🔗 مشاهده پست

⚡ کتابخانه‌های کارآمد برای یادگیری ماشین روی GPU

کتابخانه FlashLib پیاده‌سازی‌های سریعی از الگوریتم‌های k-means, PCA و DBSCAN را با استفاده از Triton و CuteDSL بر روی GPU فراهم می‌کند. این کتابخانه با API واضح، امکان اندازه‌گیری عملیات را برای وظایف خوشه‌بندی، رگرسیون و تجزیه و تحلیل فراهم می‌سازد.
🔗 مشاهده پست

📊 ارزیابی پیشرفته عامل‌های هوش مصنوعی

صفحه پیشرو Arena برای ارزیابی عامل‌های هوش مصنوعی راه‌اندازی شده است. این پلتفرم فراتر از بنچمارک‌های سنتی، عملکرد مدل‌ها را بر اساس وظایف هدایت‌شده توسط کاربر، از جمله کدنویسی، ساخت اپلیکیشن، تحقیق و تولید محتوا، ارزیابی می‌کند.
🔗 مشاهده پست

🚀 اجرای LLMها روی دستگاه‌های موبایل

نرم‌افزار LM Studio نسخه موبایل خود را برای iOS عرضه کرده است که امکان اجرای مدل‌های کوچک مانند Gemma 4 E2B را مستقیماً بر روی آیفون و آیپد فراهم می‌کند. با قابلیت LM Link، می‌توان گوشی را به اینترنت متصل کرده و مدل‌های بزرگتر را روی کامپیوتر اجرا کرد.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🤖 فرآیند n8n: گام به گام
‏⚙️ این اینفوگرافی به معرفی فرآیند n8n (ابزار اتوماسیون گردش کار منبع‌باز) به صورت گام به گام می‌پردازد.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🤖 گراف دانش تعاملی از کدبیس

‏ابزاری جدید، هر کدبیس را به یک گراف دانش تعاملی تبدیل می‌کند تا درک و پیمایش آن آسان‌تر شود.
‏🔗 Understand-Anything

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#معرفی #LangChain

‏🚀 گوگل مشتری جدید اسپیس‌ایکس شد

‏گوگل با اسپیس‌ایکس قراردادی برای اجاره ۱۱۰ هزار پردازنده گرافیکی (GPU) سری Blackwell منعقد کرده است. این قرارداد ماهانه ۹۲۰ میلیون دلار برای اسپیس‌ایکس به همراه خواهد داشت که معادل ۱۱.۶ دلار به ازای هر ساعت برای هر GPU است.

‏💡 این قرارداد در حالی منعقد می‌شود که اسپیس‌ایکس آماده عرضه اولیه عمومی (IPO) خود است و این درآمد اضافی می‌تواند به تقویت موقعیت مالی آن کمک کند.

‏💡 با احتساب قرارداد قبلی با Anthropic به ارزش ۱.۲۵ میلیارد دلار در ماه، درآمد اسپیس‌ایکس از اجاره مراکز داده به ۲۶ میلیارد دلار در سال می‌رسد.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #Nvidia

‏🤖 مجموعه‌ای جامع از منابع یادگیری ماشین
‏این مخزن، مجموعه‌ای عظیم از منابع سازمان‌یافته در زمینه‌های یادگیری ماشین، یادگیری عمیق و هوش مصنوعی است که به جای جستجوهای بی‌پایان، دسترسی سریع به دسته‌بندی‌های مختلف را فراهم می‌کند. 📚
‏این مجموعه شامل بخش‌هایی چون مبانی یادگیری ماشین، شبکه‌های عصبی و معماری‌های مدرن، وظایف و حوزه‌های کاربردی، مجموعه داده‌ها، کتابخانه‌ها و ابزارها، انصاف و اخلاق در هوش مصنوعی، و تولید و عملیات یادگیری ماشین (MLOps) می‌شود. 📊
‏هر لینک دارای توضیحات کوتاهی است تا به سرعت بتوانید ارزش آن را تشخیص دهید و همچنین مجموعه‌هایی که بیش از یک سال به‌روزرسانی نشده‌اند، با آیکون مشخصی علامت‌گذاری شده‌اند. ⚠️

‏📖 Awesome Machine Learning Resources

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#معرفی #MLOps

‏🤖 دسترسی رایگان به ۷۰+ مدل زبانی انویدیا

‏🚀 انویدیا دسترسی API به بیش از ۷۰ مدل زبانی پیشرفته، شامل مدل‌هایی از Mistral، Gemma، DeepSeek، Kimi و Qwen را به‌صورت رایگان و بدون محدودیت‌های شدید ارائه کرده است. این فرصت استثنایی به توسعه‌دهندگان امکان می‌دهد تا به‌سرعت از این مدل‌ها در پروژه‌های خود بهره‌مند شوند.

‏📖 پلتفرم مدل‌های انویدیا

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #Nvidia

‏🚀 انویدیا RTX Spark: شتاب‌دهنده هوش مصنوعی برای ویندوز

‏Nvidia از RTX Spark Superchip رونمایی کرده است؛ سیستمی بر پایه تراشه که برای اجرای محلی مدل‌های هوش مصنوعی تا ۱۲۰ میلیارد پارامتر در ویندوز ۱۱ طراحی شده است. این تراشه از پردازنده مرکزی ۲۰ هسته‌ای Grace و هسته گرافیکی Blackwell با ۶۱۴۴ هسته CUDA بهره می‌برد و از طریق NVLink به هم متصل شده و تا ۱۲۸ گیگابایت حافظه یکپارچه LPDDR5X را پشتیبانی می‌کند. با توان حرارتی ۸۰ وات، قدرت پردازش گرافیکی آن با GeForce RTX 5070 موبایل قابل مقایسه است و از DLSS 4.5 پشتیبانی می‌کند. انتظار می‌رود لپ‌تاپ‌های مجهز به RTX Spark از پاییز امسال با قیمت پایه ۲۷۰۰ یورو عرضه شوند.

‏

‏🔹 پردازش محلی: این تراشه امکان اجرای مدل‌های هوش مصنوعی بزرگ را مستقیماً روی دستگاه فراهم می‌کند.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #Nvidia

‏💡 نقشه راه مهندسی هوش مصنوعی: گام‌های کلیدی

‏با وجود رشد ۳۰۰ درصدی بازار کار هوش مصنوعی، ۹۰ درصد مهندسان این حوزه به دلیل فقدان نقشه راه موفق نمی‌شوند. یک مسیر ۱۰ مرحله‌ای برای موفقیت در این حوزه پیشنهاد شده که گام‌های اصلی آن عبارتند از:

‏

‏🔹 مبانی پایتون: تسلط بر پایتون، Jupyter Notebook و Git.
‏📈 ریاضیات و آمار: یادگیری مفاهیم کلیدی با NumPy و SciPy (کتابخانه علمی و فنی).
‏🧠 الگوریتم‌های یادگیری ماشین: scikit-learn، pandas، XGBoost/LightGBM.
‏🚀 یادگیری عمیق: PyTorch، TensorFlow، Keras و Weights & Biases (پلتفرم ردیابی آزمایش‌های ML).

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#آموزش #PyTorch

‏🤖 مدل جدید HappyHorse 1.0 برای تولید ویدیو

‏🟢 علی‌بابا مدل HappyHorse 1.0 (مدل تولید ویدیو مبتنی بر فیزیک واقعی) را منتشر کرد که به‌صورت رایگان روزانه دو ویدیو ۵‑ثانیه‌ای با کیفیت 720p در اختیار کاربران قرار می‌دهد. این سیستم با شبیه‌سازی دقیق حرکات اجسام و شخصیت‌ها، سعی در کاهش احساس مصنوعی بودن خروجی‌ها دارد و به‌عنوان رقیبی برای Seedance 2 معرفی شده است.

‏🔵 برای آزمون سرویس، کاربران می‌توانند از طریق وب‌سایت رسمی مدل ویدیوهای کوتاه تولید کنند و کیفیت واقعی‌تری نسبت به روش‌های پیشین تجربه کنند.

‏

‏🔹 دسترس‌پذیری رایگان: دو ویدیو ۵ ثانیه‌ای در روز با رزولوشن 720p.
‏🔸 تمرکز فیزیکی: شبیه‌سازی حرکات بر پایه‌ فیزیک واقعی برای تولید تصاویر طبیعی‌تر.
‏

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🚀 آیندهٔ پردازش هوش مصنوعی در فضا

‏🌌 ایلان ماسک معتقد است که با گسترش قدرتمند هوش مصنوعی، ایالات متحده مجبور به ساخت مراکز دادهٔ فضایی خواهد شد؛ دو برابر کردن تولید برق در سطح زمین به‌دلیل موانع اجتماعی و قانونی دشوار است.
‏🔧 او پیشنهاد می‌کند پنل‌های خورشیدی مداری می‌توانند پنج برابر انرژی منابع زمینی تولید کنند و بدون نیاز به خنک‌سازی در نور خورشید به‌صورت ۲۴ ساعته کار کنند.
‏🛰️ اسپیس‌اکس برنامه دارد تا سال ۲۰۲۸ یک میلیون ماهوارهٔ هوش مصنوعی خورشید‌پذیر راه‌اندازی کند و با استفاده از استارشیپ، زیرساخت محاسباتی قوی در فضا فراهم شود.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #SpaceX

‏🚀 TurboVec: کاهش چشمگیر مصرف حافظه در هوش مصنوعی

‏ابزار متن‌باز جدیدی به نام TurboVec، حجم داده‌های مورد استفاده برنامه‌های هوش مصنوعی را از ۳۱ گیگابایت به ۴ گیگابایت کاهش داده است که نشان‌دهنده صرفه‌جویی ۱۶ برابری در حافظه است. این ابزار بر پایه TurboQuant گوگل ساخته شده و مرحله راه‌اندازی کند سایر ابزارها را حذف می‌کند.

‏

‏🔹 TurboVec جستجوی سریع‌تری نسبت به جایگزین محبوب FAISS ارائه می‌دهد.
‏🔸 این ابزار هم بر روی مک و هم سرورهای استاندارد قابل استفاده است.
‏🔹 امکان محدود کردن نتایج جستجو به موارد دلخواه وجود دارد.
‏🔸 TurboVec به طور مستقیم با LangChain و LlamaIndex ادغام می‌شود.
‏

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#ابزار #TurboVec

‏🤖 استارتاپ‌های آمریکایی به سمت مدل‌های زبانی چینی حرکت می‌کنند

‏استارتاپ‌های هوش مصنوعی در آمریکا به طور فزاینده‌ای ترافیک اپلیکیشن‌های خود را به سمت مدل‌های زبانی بزرگ (LLMs) چینی هدایت می‌کنند. این تغییر نشان‌دهنده کاهش وابستگی به برندهای خاص و تمرکز بیشتر بر کارایی و توانایی مدل‌ها است.

‏

‏🔹 روند بازار: در حالی که مدل‌های آمریکایی تا اوایل سال ۲۰۲۶ در مصرف توکن پیشتاز بودند، مدل‌های چینی از آن زمان به بعد محرک اصلی رشد در این بخش شده‌اند.
‏🔸 اولویت‌بندی: استارتاپ‌ها اکنون مدل‌ها را بر اساس قابلیت عملیاتی و نه صرفاً مبدأ آن‌ها انتخاب می‌کنند.
‏

‏🔗 OpenRouter

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #LLM