This media is not supported in your browser
VIEW IN TELEGRAM
🎬 آغاز عصر جدید تولید ویدیو با هوش مصنوعی
هفته گذشته دموهای شگفت‌انگیزی منتشر شد که نشان‌دهنده تغییر رویکردی اساسی در حوزه ویدیوهای هوش مصنوعی است.
مدل جدید GPT-6 Astra توانسته است با کنترل مستقیم نرم‌افزارهای تخصصی، پروژه‌های پیچیده‌ای خلق کند؛ از جمله ساخت یک انیمیشن کوتاه برای کودکان به کمک ابزار Higgsfield و تدوین آن در Premiere، و همچنین ساخت یک انیمیشن سه‌بعدی در Blender از صفر.
این تحول بزرگ به این معناست که هوش مصنوعی به جای تولید صرف خروجی ویدیو، اکنون می‌تواند نرم‌افزارهای استاندارد صنعت را هدایت کند و یک پروژه قابل ویرایش (Editable) به انسان تحویل دهد. البته این ابزارها هنوز در مرحله دمو هستند و باید دید در سناریوهای واقعی چقدر کارایی دارند.
هفته گذشته دموهای شگفت‌انگیزی منتشر شد که نشان‌دهنده تغییر رویکردی اساسی در حوزه ویدیوهای هوش مصنوعی است.
مدل جدید GPT-6 Astra توانسته است با کنترل مستقیم نرم‌افزارهای تخصصی، پروژه‌های پیچیده‌ای خلق کند؛ از جمله ساخت یک انیمیشن کوتاه برای کودکان به کمک ابزار Higgsfield و تدوین آن در Premiere، و همچنین ساخت یک انیمیشن سه‌بعدی در Blender از صفر.
این تحول بزرگ به این معناست که هوش مصنوعی به جای تولید صرف خروجی ویدیو، اکنون می‌تواند نرم‌افزارهای استاندارد صنعت را هدایت کند و یک پروژه قابل ویرایش (Editable) به انسان تحویل دهد. البته این ابزارها هنوز در مرحله دمو هستند و باید دید در سناریوهای واقعی چقدر کارایی دارند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 گنجینه‌ای از پرامپت‌های مهندسی‌شده برای GPT-Image 2
اگر در تولید تصاویر با کیفیت توسط مدل‌های هوش مصنوعی چالش دارید، این مخزن یک ابزار ضروری برای شماست. این مجموعه شامل بیش از ۵۰۰ پرامپت بهینه‌شده است که به‌صورت دقیق در ۱۳ دسته‌بندی مختلف، از رابط کاربری و اینفوگرافیک گرفته تا طراحی پوستر و کاراکتر، سازماندهی شده‌اند.
هر پرامپت به اجزای سازنده مانند سوژه، نورپردازی، متریال و ترکیب‌بندی تقسیم شده است تا کنترل کاملی روی خروجی نهایی داشته باشید.
مهم‌ترین منابع برای دسترسی به این پرامپت‌ها:
* مخزن گیت‌هاب: شامل داکیومنت‌ها و ساختار اصلی پروژه.
* وب‌سایت اختصاصی: بهترین گزینه برای مرور سریع نمونه‌ها و کپی کردن مستقیم پرامپت‌ها.
علاوه بر این، امکان استفاده از این دیتابیس در محیط‌هایی مانند Cursor و Claude Code وجود دارد تا عامل‌های هوشمند به‌صورت خودکار و با توجه به نیاز شما، سبک‌های بصری مناسب را انتخاب و اجرا کنند. این ابزار سرعت گردش کار شما را در طراحی‌های خلاقانه به طرز چشمگیری افزایش می‌دهد.
معرفی کامل کتابخانه Awesome-GPT-Image-2؛ راهنمای جامع پرامپت‌نویسی تصاویر هوش مصنوعی
📊 Data➕Science
اگر در تولید تصاویر با کیفیت توسط مدل‌های هوش مصنوعی چالش دارید، این مخزن یک ابزار ضروری برای شماست. این مجموعه شامل بیش از ۵۰۰ پرامپت بهینه‌شده است که به‌صورت دقیق در ۱۳ دسته‌بندی مختلف، از رابط کاربری و اینفوگرافیک گرفته تا طراحی پوستر و کاراکتر، سازماندهی شده‌اند.
هر پرامپت به اجزای سازنده مانند سوژه، نورپردازی، متریال و ترکیب‌بندی تقسیم شده است تا کنترل کاملی روی خروجی نهایی داشته باشید.
مهم‌ترین منابع برای دسترسی به این پرامپت‌ها:
* مخزن گیت‌هاب: شامل داکیومنت‌ها و ساختار اصلی پروژه.
* وب‌سایت اختصاصی: بهترین گزینه برای مرور سریع نمونه‌ها و کپی کردن مستقیم پرامپت‌ها.
علاوه بر این، امکان استفاده از این دیتابیس در محیط‌هایی مانند Cursor و Claude Code وجود دارد تا عامل‌های هوشمند به‌صورت خودکار و با توجه به نیاز شما، سبک‌های بصری مناسب را انتخاب و اجرا کنند. این ابزار سرعت گردش کار شما را در طراحی‌های خلاقانه به طرز چشمگیری افزایش می‌دهد.
معرفی کامل کتابخانه Awesome-GPT-Image-2؛ راهنمای جامع پرامپت‌نویسی تصاویر هوش مصنوعی
📊 Data➕Science
Forwarded from آکادمی همراه
🔸 محمد علی فردباستانی | مدیرکل سیستم‌های منابع سازمانی همراه اول
🔸 احمد حاجی تراب | مدیر کلان داده و خدمات داده شرکت داده‌ورزی سداد
🔸 فرشاد الله دادی | تک لید Big Data همراه اول
🔸 رامتین خسروی | عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران
🔸 حسین عیوضی | مدیر فنی تیم داده شرکت آدین
🔸 عباس فرمانی | مهندس داده همراه اول
🔸 افشین ایقانیان | راهبر تیم DevOps در مبین‌نت
🔸 عرفان طاهری | راهبر تیم SRE کارگزاری مفید
🔸 مسعود کاویانی | دانشمند داده در صبا ایده (آپارات، فیلیمو، سینماتیکت)
🔸 حامد میرنبی | مهندس ارشد شبکه در ناک
🔸 شهاب رنجبری | تک لید پلتفرم و مهندسی داده در اسنپ‌مارکت
🔸 هامون محمدیان پور | هم بنیان گذار دیتاک و مدیر مهندسی اسنپ
🔸 صادق رنجبر | VP of Engineering شرکت دیتاک
🔸 محمدرضا یوسفی‌ها | مهندس داده در شرکت فناوری اطلاعات آدین
🔸 میلاد رحیمی | تحلیل‌گر داده ارشد همراه اول
🔸 علی مدیحی | مهندس داده ارشد در شرکت Snapp Pay
⚠️ ظرفیت این بوت‌کمپ نیز محدود است.
Please open Telegram to view this post
VIEW IN TELEGRAM
هوش مصنوعی در نقش مدیر کسب‌وکار: معرفی E-Commerce Bench
تیم Qwen به تازگی بنچمارک جدیدی با نام E-Commerce Bench معرفی کرده است که در آن، ایجنت‌های هوش مصنوعی وظیفه مدیریت یک فروشگاه مجازی را به مدت ۳۶۵ روز بر عهده می‌گیرند. در این شبیه‌سازی واقع‌گرایانه، مدل‌ها باید با تامین‌کنندگان مذاکره کنند، استراتژی قیمت‌گذاری تعیین کنند، موجودی انبار را مدیریت کنند و جریان نقدینگی را کنترل نمایند.
نکات کلیدی این ارزیابی:
* عملکرد مدل‌ها: مدل‌های قدرتمندی مانند GPT-4o در این محیط موفق شدند سرمایه اولیه را تا ۱۴ برابر افزایش دهند، در حالی که برخی مدل‌های دیگر با چالش‌های جدی مواجه شدند.
* مدیریت زمان: یکی از یافته‌های جالب این است که مدل‌ها بخش بزرگی از توان پردازشی خود (بیش از ۷۰ درصد) را صرف امور اجرایی و اداری می‌کنند و سهم مذاکرات و تحلیل‌های اقتصادی بسیار ناچیز است.
* ناتوانی در یادگیری: نتایج نشان می‌دهد که اکثر مدل‌ها در طول یک سال فعالیت، توانایی یادگیری از اشتباهات گذشته و بهبود استراتژی‌های خرید را ندارند.
ارزیابی توانمندی ایجنت‌های هوش مصنوعی در مدیریت کسب‌وکار با E-Commerce Bench
📊 Data➕Science
تیم Qwen به تازگی بنچمارک جدیدی با نام E-Commerce Bench معرفی کرده است که در آن، ایجنت‌های هوش مصنوعی وظیفه مدیریت یک فروشگاه مجازی را به مدت ۳۶۵ روز بر عهده می‌گیرند. در این شبیه‌سازی واقع‌گرایانه، مدل‌ها باید با تامین‌کنندگان مذاکره کنند، استراتژی قیمت‌گذاری تعیین کنند، موجودی انبار را مدیریت کنند و جریان نقدینگی را کنترل نمایند.
نکات کلیدی این ارزیابی:
* عملکرد مدل‌ها: مدل‌های قدرتمندی مانند GPT-4o در این محیط موفق شدند سرمایه اولیه را تا ۱۴ برابر افزایش دهند، در حالی که برخی مدل‌های دیگر با چالش‌های جدی مواجه شدند.
* مدیریت زمان: یکی از یافته‌های جالب این است که مدل‌ها بخش بزرگی از توان پردازشی خود (بیش از ۷۰ درصد) را صرف امور اجرایی و اداری می‌کنند و سهم مذاکرات و تحلیل‌های اقتصادی بسیار ناچیز است.
* ناتوانی در یادگیری: نتایج نشان می‌دهد که اکثر مدل‌ها در طول یک سال فعالیت، توانایی یادگیری از اشتباهات گذشته و بهبود استراتژی‌های خرید را ندارند.
ارزیابی توانمندی ایجنت‌های هوش مصنوعی در مدیریت کسب‌وکار با E-Commerce Bench
📊 Data➕Science
📉 چرا هوش مصنوعی در کارهای طولانی شکست می‌خورد؟
تحقیقات جدید مهندسان مایکروسافت نشان می‌دهد که مدل‌های هوش مصنوعی در بنچمارکهای کوتاه بسیار درخشان ظاهر می‌شوند، اما در وظایف چندمرحله‌ای (Multi-step) با افت شدید عملکرد مواجه هستند. با افزایش تعداد مراحل وابسته، نرخ موفقیت مدل‌ها از نزدیک ۱۰۰ درصد به نزدیک صفر سقوط می‌کند.
مهم‌ترین یافته‌های این پژوهش:
* دلیل اصلی شکست، «طولانی بودن مسیر» است و نه محدودیت پنجره متن؛ اتفاقاً محدود کردن متن باعث گم‌گشتگی بیشتر مدل می‌شود.
* موفقیت عامل‌ها از یک «قانون هندسی» پیروی می‌کند؛ یعنی کوچک‌ترین خطا در یک مرحله، کل زنجیره عملیات را دچار فروپاشی می‌کند.
* ارزیابی‌های فعلی به‌دلیل تمرکز بر افق‌های کوتاه، فریبنده هستند.
برای بهبود عملکرد، تیم‌های توسعه‌دهنده باید از ارزیابی‌های آگاه از افق (Horizon-aware) و بررسی‌های میانی استفاده کنند. ابزارهای تست این پژوهش در گیت‌هاب در دسترس است.
#ToolQA #Long_Horizon
تحقیقات جدید مهندسان مایکروسافت نشان می‌دهد که مدل‌های هوش مصنوعی در بنچمارکهای کوتاه بسیار درخشان ظاهر می‌شوند، اما در وظایف چندمرحله‌ای (Multi-step) با افت شدید عملکرد مواجه هستند. با افزایش تعداد مراحل وابسته، نرخ موفقیت مدل‌ها از نزدیک ۱۰۰ درصد به نزدیک صفر سقوط می‌کند.
مهم‌ترین یافته‌های این پژوهش:
* دلیل اصلی شکست، «طولانی بودن مسیر» است و نه محدودیت پنجره متن؛ اتفاقاً محدود کردن متن باعث گم‌گشتگی بیشتر مدل می‌شود.
* موفقیت عامل‌ها از یک «قانون هندسی» پیروی می‌کند؛ یعنی کوچک‌ترین خطا در یک مرحله، کل زنجیره عملیات را دچار فروپاشی می‌کند.
* ارزیابی‌های فعلی به‌دلیل تمرکز بر افق‌های کوتاه، فریبنده هستند.
برای بهبود عملکرد، تیم‌های توسعه‌دهنده باید از ارزیابی‌های آگاه از افق (Horizon-aware) و بررسی‌های میانی استفاده کنند. ابزارهای تست این پژوهش در گیت‌هاب در دسترس است.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ToolQA #Long_Horizon
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #108 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسی‌شده
🕐 دوشنبه 1405/06/16 ساعت 14:00 تا سه‌شنبه 1405/06/17 ساعت 14:00
🔎 تحلیل کوتاه
🤖 عامل‌ها و بهره‌وری سازمانی
🚀 مدل‌ها و تکنولوژی‌های نوظهور
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🗂 گزارش #108 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسی‌شده
🕐 دوشنبه 1405/06/16 ساعت 14:00 تا سه‌شنبه 1405/06/17 ساعت 14:00
🔎 تحلیل کوتاه
تحولات اخیر نشان‌دهنده انتقال تمرکز از تولید محتوای ایستا به استفاده از عامل‌ها برای هدایت نرم‌افزارهای استاندارد و مدیریت وظایف طولانی‌مدت است. با این حال، تحقیقات نشان می‌دهد که مدل‌ها در وظایف چندمرحله‌ای دچار افت عملکرد شدید می‌شوند و اتکا به بنچمارکهای فعلی برای ارزیابی عملکرد واقعی در کارهای طولانی‌مدت فریبنده است.
🤖 عامل‌ها و بهره‌وری سازمانی
چرا عامل‌ها در کارهای طولانی‌مدت شکست می‌خورند؟
بررسی پدیده Long-Horizon Degradation و نقاط ضعف بنچمارکهای فعلی.
🔗 مطالعه کامل در سایت
🚀 مدل‌ها و تکنولوژی‌های نوظهور
معرفی مدل چندوجهی NeoMME
رمزگذارهای تک‌برجی NeoMME با قابلیت پردازش تصاویر 4K بدون برج بینایی.
🔗 ادامه مطلب در سایت
جنجال امنیتی Hugging Face
تحلیل فنی ادعاهای هک Hugging Face و امنیت مدل‌های زبانی.
🔗 جزئیات کامل در سایت
کشف داروی رنتوسرتیب با هوش مصنوعی
کاهش نشانگرهای سن بیولوژیک در بیماران با داروی توسعه‌یافته توسط Insilico.
🔗 جزئیات کامل در سایت
🤖 مدل‌ها و ابزارهای هوش مصنوعی
هشدار یاکوب پاچوکی درباره ضرورت کاهش سرعت توسعه هوش مصنوعی. یاکوب.
هشدار یاکوب پاچوکی درباره ضرورت کاهش سرعت توسعه هوش مصنوعی. یاکوب پاچوکی، دانشمند ارشد OpenAI، نسبت به تداوم مقیاس‌دهی مدل‌های هوش.
🔗 ادامه مطلب در سایت
راهنمای جامع معماری و پیاده‌سازی LLM: از یادگیری مفاهیم تا اجرای محلی
در این درس آزاد تخصصی با معماری ترنسفورمرها، مکانیزم‌های توجه و پیاده‌سازی کاربردی RAG و vLLM برای مدل‌های زبانی بزرگ آشنا شوید.
🔗 جزئیات کامل در سایت
معماری نوین Hanxiu MRAM: تحولی در پردازش هوش مصنوعی با حافظه مغناطیسی
شرکت چینی Hanxiu با معرفی معماری‌های uHBM و uLPU مبتنی بر حافظه‌های MRAM، گامی بزرگ در بهینه‌سازی پردازش هوش مصنوعی برداشته است.
🔗 مطالعه کامل در سایت
تحولات کلیدی دنیای هوش مصنوعی در سپتامبر ۲۰۲۶: از مدل‌های جدید تا تغییر
استراتژی سازمان‌ها. هفته اول سپتامبر ۲۰۲۶ شاهد پیشرفت‌های چشمگیری در هوش مصنوعی بود؛ از عرضه Anthropic Fable 5.1 و مدل امنیتی گوگل تا.
🔗 جزئیات کامل در سایت
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 معرفی مدل قدرتمند MiniCPM5-2B
تیم OpenBMB به تازگی مدل متن‌باز جدیدی به نام MiniCPM5-2B را منتشر کرده است که با وجود داشتن تنها ۲ میلیارد پارامتر، عملکرد خیره‌کننده‌ای در بنچمارکهای هوش مصنوعی دارد. این مدل برای اجرا روی دستگاه‌های محلی و Edge طراحی شده و در صدر لیست مدل‌های کوچک متن‌باز قرار گرفته است.
برخی از ویژگی‌های کلیدی این مدل عبارتند از:
- کسب امتیاز ۲۳ در شاخص هوش (Intelligence Index) که بالاتر از بسیاری از مدل‌های بزرگ‌تر است.
- کسب امتیاز ۲۰ در شاخص عاملیت (Agentic Index) و پیشی گرفتن از رقبای سرسخت.
- عملکرد بسیار بهینه در حوزه‌های کدنویسی، ریاضیات، مدیریت متون طولانی و استفاده از ابزارها.
توسعه‌دهندگان علاوه بر وزن‌های مدل، داده‌های آموزشی و دستورالعمل‌های آموزش (Training recipes) را نیز منتشر کرده‌اند که مسیر را برای شخصی‌سازی آسان‌تر هموار می‌کند.
اطلاعات بیشتر و دسترسی به فایل‌ها:
- صفحه مدل در Hugging Face
- مخزن گیت‌هاب پروژه
- مشاهده در ModelScope
📊 Data➕Science
تیم OpenBMB به تازگی مدل متن‌باز جدیدی به نام MiniCPM5-2B را منتشر کرده است که با وجود داشتن تنها ۲ میلیارد پارامتر، عملکرد خیره‌کننده‌ای در بنچمارکهای هوش مصنوعی دارد. این مدل برای اجرا روی دستگاه‌های محلی و Edge طراحی شده و در صدر لیست مدل‌های کوچک متن‌باز قرار گرفته است.
برخی از ویژگی‌های کلیدی این مدل عبارتند از:
- کسب امتیاز ۲۳ در شاخص هوش (Intelligence Index) که بالاتر از بسیاری از مدل‌های بزرگ‌تر است.
- کسب امتیاز ۲۰ در شاخص عاملیت (Agentic Index) و پیشی گرفتن از رقبای سرسخت.
- عملکرد بسیار بهینه در حوزه‌های کدنویسی، ریاضیات، مدیریت متون طولانی و استفاده از ابزارها.
توسعه‌دهندگان علاوه بر وزن‌های مدل، داده‌های آموزشی و دستورالعمل‌های آموزش (Training recipes) را نیز منتشر کرده‌اند که مسیر را برای شخصی‌سازی آسان‌تر هموار می‌کند.
اطلاعات بیشتر و دسترسی به فایل‌ها:
- صفحه مدل در Hugging Face
- مخزن گیت‌هاب پروژه
- مشاهده در ModelScope
📊 Data➕Science
❤1
⚡️ خبر فوری: بهینه‌سازی مصرف سهمیه مدل Astra
اوپن‌ای‌آی تغییرات مهمی در نحوه محاسبه سهمیه مصرف مدل Astra برای کاربران ChatGPT اعمال کرده است. طبق گزارش‌های معتبر، این تغییرات بدون کاهش کیفیت مدل، میزان مصرف اشتراک کاربران را تا ۳ الی ۴ برابر کاهش می‌دهد.
این اقدام پس از آن صورت گرفت که کاربران نسخه‌های Plus، Pro و Business گزارش داده بودند سهمیه هفتگی آن‌ها بسیار سریع‌تر از حد انتظار به پایان می‌رسد. حالا با بازنگری در الگوریتم مصرف سهمیه، دسترسی کاربران حرفه‌ای به این مدل به شکل قابل‌توجهی بهینه‌تر شده است.
مهم‌ترین نکات این بروزرسانی:
* بهبود مدیریت «long tail» برای کاربران حرفه‌ای (power users).
* عدم افت کیفیت در خروجی‌های مدل.
* بازگشت سهمیه‌های مصرفی برای تمام اشتراک‌های فعال.
این تغییر باعث می‌شود کاربران بدون نگرانی از اتمام زودهنگام محدودیت‌های حساب کاربری، از قابلیت‌های Astra بهره ببرند.
بهینه‌سازی مصرف سهمیه در مدل Astra؛ کاهش ۳ تا ۴ برابری محدودیت‌های اشتراک
#OpenAI_Astra #long_tail
اوپن‌ای‌آی تغییرات مهمی در نحوه محاسبه سهمیه مصرف مدل Astra برای کاربران ChatGPT اعمال کرده است. طبق گزارش‌های معتبر، این تغییرات بدون کاهش کیفیت مدل، میزان مصرف اشتراک کاربران را تا ۳ الی ۴ برابر کاهش می‌دهد.
این اقدام پس از آن صورت گرفت که کاربران نسخه‌های Plus، Pro و Business گزارش داده بودند سهمیه هفتگی آن‌ها بسیار سریع‌تر از حد انتظار به پایان می‌رسد. حالا با بازنگری در الگوریتم مصرف سهمیه، دسترسی کاربران حرفه‌ای به این مدل به شکل قابل‌توجهی بهینه‌تر شده است.
مهم‌ترین نکات این بروزرسانی:
* بهبود مدیریت «long tail» برای کاربران حرفه‌ای (power users).
* عدم افت کیفیت در خروجی‌های مدل.
* بازگشت سهمیه‌های مصرفی برای تمام اشتراک‌های فعال.
این تغییر باعث می‌شود کاربران بدون نگرانی از اتمام زودهنگام محدودیت‌های حساب کاربری، از قابلیت‌های Astra بهره ببرند.
بهینه‌سازی مصرف سهمیه در مدل Astra؛ کاهش ۳ تا ۴ برابری محدودیت‌های اشتراک
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#OpenAI_Astra #long_tail
⚠️ افشای پشت‌پرده بنچ‌مکسینگ در دنیای هوش مصنوعی
پشت درصدهای خیره‌کننده در بنچمارکهای هوش مصنوعی، بازی تبلیغاتی بزرگی به نام «بنچ‌مکسینگ» پنهان شده است. این پدیده زمانی رخ می‌دهد که شرکت‌ها مدل‌های زبانی خود را به‌طور افراطی روی سوالات و ساختار آزمون‌های استاندارد اورفیت می‌کنند تا در زمان رونمایی، نمودارهای جذابی برای جلب توجه بازار ارائه دهند.
شواهد نشان می‌دهد که در تغییر نسخه آزمون‌ها، بسیاری از مدل‌های مدعی دچار سقوط آزاد در امتیازات می‌شوند. این افت فاحش ثابت می‌کند که به‌جای افزایش قدرت استدلال، مدل تنها سوالات قبلی را حفظ کرده بوده است.
مهم‌ترین نکات برای ارزیابی دقیق مدل‌ها:
- فریب لیدربوردهای استاتیک روز عرضه را نخورید.
- عیار واقعی یک مدل را تنها در سناریوهای پویا و کاربردی بسنجید.
- به عملکرد مدل روی داده‌های دیده‌نشده در محیط پروداکشن دقت کنید.
- نتایج مدل‌ها را در نسخه‌های به‌روزشده بنچ‌مارک‌ها با دقت مقایسه کنید.
بنچ‌مکسینگ؛ بازی تبلیغاتی بزرگ در بنچمارکهای هوش مصنوعی
#بنچ #اورفیتینگ
پشت درصدهای خیره‌کننده در بنچمارکهای هوش مصنوعی، بازی تبلیغاتی بزرگی به نام «بنچ‌مکسینگ» پنهان شده است. این پدیده زمانی رخ می‌دهد که شرکت‌ها مدل‌های زبانی خود را به‌طور افراطی روی سوالات و ساختار آزمون‌های استاندارد اورفیت می‌کنند تا در زمان رونمایی، نمودارهای جذابی برای جلب توجه بازار ارائه دهند.
شواهد نشان می‌دهد که در تغییر نسخه آزمون‌ها، بسیاری از مدل‌های مدعی دچار سقوط آزاد در امتیازات می‌شوند. این افت فاحش ثابت می‌کند که به‌جای افزایش قدرت استدلال، مدل تنها سوالات قبلی را حفظ کرده بوده است.
مهم‌ترین نکات برای ارزیابی دقیق مدل‌ها:
- فریب لیدربوردهای استاتیک روز عرضه را نخورید.
- عیار واقعی یک مدل را تنها در سناریوهای پویا و کاربردی بسنجید.
- به عملکرد مدل روی داده‌های دیده‌نشده در محیط پروداکشن دقت کنید.
- نتایج مدل‌ها را در نسخه‌های به‌روزشده بنچ‌مارک‌ها با دقت مقایسه کنید.
بنچ‌مکسینگ؛ بازی تبلیغاتی بزرگ در بنچمارکهای هوش مصنوعی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#بنچ #اورفیتینگ
🚀 ورود مدل چندوجهی Kimi K3 به زیرساخت ابری اوراکل
مدل هوش مصنوعی چندوجهی Kimi K3 (محصول Moonshot AI) به پلتفرم ابری سازمانی اوراکل (OCI Enterprise AI) پیوست. کاربران اکنون می‌توانند این مدل غول‌پیکر را مستقیماً در محیط ابری اختصاصی خود مستقر و اجرا کنند.
مدل Kimi K3 با ۲.۸ تریلیون پارامتر و پشتیبانی بومی از بینایی ماشین، توانایی بالایی در تحلیل همزمان متن و تصویر دارد. مهم‌ترین کاربردهای این مدل عبارتند از:
• تحلیل اسناد، نمودارها و تصاویر فنی همراه با توضیحات متنی
• پردازش اسکرین‌شات‌ها و رابط‌های کاربری گرافیکی
• پشتیبانی از طول متن ورودی (Context) تا ۱ میلیون توکن
این ویژگی به کسب‌وکارها امکان می‌دهد بدون ارسال داده‌های حساس به APIهای خارجی، مدل را در محیط امن OCI پیاده‌سازی کرده و کنترل کاملی بر امنیت داده‌های خود داشته باشند.
یکپارچه‌سازی مدل چندوجهی Kimi K3 با زیرساخت ابری اوراکل
#Kimi_K3 #Oracle_Cloud_Infrastructure
مدل هوش مصنوعی چندوجهی Kimi K3 (محصول Moonshot AI) به پلتفرم ابری سازمانی اوراکل (OCI Enterprise AI) پیوست. کاربران اکنون می‌توانند این مدل غول‌پیکر را مستقیماً در محیط ابری اختصاصی خود مستقر و اجرا کنند.
مدل Kimi K3 با ۲.۸ تریلیون پارامتر و پشتیبانی بومی از بینایی ماشین، توانایی بالایی در تحلیل همزمان متن و تصویر دارد. مهم‌ترین کاربردهای این مدل عبارتند از:
• تحلیل اسناد، نمودارها و تصاویر فنی همراه با توضیحات متنی
• پردازش اسکرین‌شات‌ها و رابط‌های کاربری گرافیکی
• پشتیبانی از طول متن ورودی (Context) تا ۱ میلیون توکن
این ویژگی به کسب‌وکارها امکان می‌دهد بدون ارسال داده‌های حساس به APIهای خارجی، مدل را در محیط امن OCI پیاده‌سازی کرده و کنترل کاملی بر امنیت داده‌های خود داشته باشند.
یکپارچه‌سازی مدل چندوجهی Kimi K3 با زیرساخت ابری اوراکل
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Kimi_K3 #Oracle_Cloud_Infrastructure
This media is not supported in your browser
VIEW IN TELEGRAM
🎙 جهش بزرگ در دنیای هوش مصنوعی صوتی
مدل جدید Realtime TTS-2 از شرکت Inworld به تازگی از مرحله پیش‌نمایش خارج شده و توانسته جایگاه نخست را در رتبه‌بندی معتبر Artificial Analysis کسب کند. ویژگی کلیدی این مدل، دستیابی به سرعت پاسخ‌دهی حدود ۱۰۰ میلی‌ثانیه است.
نقطه قوت اصلی این مدل، کنترل لحن بیان تنها با استفاده از متن ساده است. شما می‌توانید با نوشتن توصیفاتی مثل «گرم»، «عصبی» یا «نجواگونه»، این هوش مصنوعی را به شکلی دقیق برای نحوه بیان کلمات هدایت کنید.
از مهم‌ترین قابلیت‌های این ابزار می‌توان به موارد زیر اشاره کرد:
• پشتیبانی از بیش از ۲۰۰ زبان مختلف
• قابلیت کلون کردن حرفه‌ای صدا
• ساخت صداهای جدید صرفاً با توصیف متنی
• حفظ زمینه (Context) در مکالمات طولانی
همزمان با مدل اصلی، نسخه سبک‌تری با نام Realtime TTS-2 Flash نیز منتشر شده که تأخیر آن به ۲۵ میلی‌ثانیه می‌رسد و هزینه‌های عملیاتی را تا نصف کاهش می‌دهد. این تکنولوژی هم‌اکنون در حوزه‌هایی مانند آموزش زبان، بازی‌سازی و دستیارهای صوتی کاربرد گسترده‌ای پیدا کرده است.
مدل جدید Realtime TTS-2 از شرکت Inworld به تازگی از مرحله پیش‌نمایش خارج شده و توانسته جایگاه نخست را در رتبه‌بندی معتبر Artificial Analysis کسب کند. ویژگی کلیدی این مدل، دستیابی به سرعت پاسخ‌دهی حدود ۱۰۰ میلی‌ثانیه است.
نقطه قوت اصلی این مدل، کنترل لحن بیان تنها با استفاده از متن ساده است. شما می‌توانید با نوشتن توصیفاتی مثل «گرم»، «عصبی» یا «نجواگونه»، این هوش مصنوعی را به شکلی دقیق برای نحوه بیان کلمات هدایت کنید.
از مهم‌ترین قابلیت‌های این ابزار می‌توان به موارد زیر اشاره کرد:
• پشتیبانی از بیش از ۲۰۰ زبان مختلف
• قابلیت کلون کردن حرفه‌ای صدا
• ساخت صداهای جدید صرفاً با توصیف متنی
• حفظ زمینه (Context) در مکالمات طولانی
همزمان با مدل اصلی، نسخه سبک‌تری با نام Realtime TTS-2 Flash نیز منتشر شده که تأخیر آن به ۲۵ میلی‌ثانیه می‌رسد و هزینه‌های عملیاتی را تا نصف کاهش می‌دهد. این تکنولوژی هم‌اکنون در حوزه‌هایی مانند آموزش زبان، بازی‌سازی و دستیارهای صوتی کاربرد گسترده‌ای پیدا کرده است.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🎬 نبرد مدل‌های ویدیو: Kling 1.6 در برابر Runway Gen-3
در دنیای پرشتاب تولید ویدیو با هوش مصنوعی، دو مدل Kling 1.6 و Runway Gen-3 از محبوب‌ترین گزینه‌ها هستند. هر کدام از این مدل‌ها نقاط قوت خاص خود را دارند که بسته به نیاز پروژه می‌توانید بهترین را انتخاب کنید:
• فیزیک حرکت: مدل Kling 1.6 در شبیه‌سازی وزن بدن و تعامل اشیاء عملکرد واقع‌گرایانه‌تری دارد و حرکت‌ها کمتر حالت شناور دارند. در مقابل، Runway ظاهری سینمایی‌تر ارائه می‌دهد اما در صحنه‌های پیچیده ممکن است فیزیک ساده‌تری داشته باشد.
• چهره و جزئیات: مدل Runway Gen-3 در حفظ ثبات چهره و حالات صورت در نماهای نزدیک موفق‌تر عمل می‌کند، در حالی که Kling با وجود قدرت در حرکات کل بدن، گاهی در چرخش‌های سریع سر دچار افت کیفیت می‌شود.
• انسجام صحنه‌های طولانی: برای ویدیوهای طولانی‌تر، Kling به دلیل حفظ ثبات اشیاء و کاراکترها در طول زمان برتری دارد، اما Runway برای شات‌های کوتاه و بسیار کنترل‌شده سینمایی فوق‌العاده است.
مقایسه تخصصی Kling 1.6 و Runway Gen-3: کدام مدل در تولید ویدیو پیشتاز است؟
در دنیای پرشتاب تولید ویدیو با هوش مصنوعی، دو مدل Kling 1.6 و Runway Gen-3 از محبوب‌ترین گزینه‌ها هستند. هر کدام از این مدل‌ها نقاط قوت خاص خود را دارند که بسته به نیاز پروژه می‌توانید بهترین را انتخاب کنید:
• فیزیک حرکت: مدل Kling 1.6 در شبیه‌سازی وزن بدن و تعامل اشیاء عملکرد واقع‌گرایانه‌تری دارد و حرکت‌ها کمتر حالت شناور دارند. در مقابل، Runway ظاهری سینمایی‌تر ارائه می‌دهد اما در صحنه‌های پیچیده ممکن است فیزیک ساده‌تری داشته باشد.
• چهره و جزئیات: مدل Runway Gen-3 در حفظ ثبات چهره و حالات صورت در نماهای نزدیک موفق‌تر عمل می‌کند، در حالی که Kling با وجود قدرت در حرکات کل بدن، گاهی در چرخش‌های سریع سر دچار افت کیفیت می‌شود.
• انسجام صحنه‌های طولانی: برای ویدیوهای طولانی‌تر، Kling به دلیل حفظ ثبات اشیاء و کاراکترها در طول زمان برتری دارد، اما Runway برای شات‌های کوتاه و بسیار کنترل‌شده سینمایی فوق‌العاده است.
مقایسه تخصصی Kling 1.6 و Runway Gen-3: کدام مدل در تولید ویدیو پیشتاز است؟
🚀 راهنمای جامع توابع فعال‌ساز در یادگیری عمیق
توابع فعال‌ساز (Activation Functions) قلب تپنده شبکه‌های عصبی هستند که ویژگی‌های غیرخطی را به مدل اضافه می‌کنند. برای دسترسی سریع در پایتون می‌توانید از
راهنمای جامع توابع فعال‌ساز در یادگیری عمیق؛ از ReLU تا GELU
توابع فعال‌ساز (Activation Functions) قلب تپنده شبکه‌های عصبی هستند که ویژگی‌های غیرخطی را به مدل اضافه می‌کنند. برای دسترسی سریع در پایتون می‌توانید از
from tensorflow.keras import activations استفاده کنید. در اینجا مهم‌ترین این توابع را بررسی می‌کنیم:
خانواده ReLU: محبوب‌ترین گزینه برای لایه‌های میانی. نسخه‌هایLeaky ReLUوPReLUبا هدف رفع مشکل مرگ نورون‌ها توسعه یافته‌اند.
مدل‌های مدرن (GELU و Swish): استفاده گسترده در مدل‌های ترنسفورمر مانندBERTوGPTبه دلیل همواری بیشتر و عملکرد بهتر.
توابع خروجی: استفاده ازSigmoidبرای مسائل طبقه‌بندی دوتایی وSoftmaxبرای طبقه‌بندی چندکلاسه استاندارد است.
توابع کلاسیک (Sigmoid و Tanh): اگرچه به دلیل مشکل محو شدن گرادیان در شبکه‌های خیلی عمیق کمتر استفاده می‌شوند، اما همچنان در معماری‌های خاص کاربرد دارند.
راهنمای جامع توابع فعال‌ساز در یادگیری عمیق؛ از ReLU تا GELU
🚀 درک عمیق مدل‌های زبانی بزرگ (LLMs)
برای تسلط بر دنیای هوش مصنوعی، نیازی به حفظ کردن تمام اصطلاحات ندارید؛ کافی است با مفاهیم اصلی سازنده مدل‌های زبانی آشنا شوید. در اینجا مهم‌ترین مبانی را مرور می‌کنیم:
* Tokenization: مدل‌ها متن را نه به صورت کلمه، بلکه به صورت توکن پردازش می‌کنند.
* Embeddings: تبدیل معنای متن به بردار (vector) در فضای چندبعدی تا کلمات مشابه در کنار هم قرار بگیرند.
* Attention: هسته اصلی معماری Transformer که به مدل اجازه می‌دهد اهمیت هر توکن را نسبت به سایر بخش‌های متن درک کند.
* Next-Token Prediction: مدل‌های زبانی با پیش‌بینی احتمال توکن بعدی به صورت مرحله‌به‌مرحله تولید متن می‌کنند.
* Context Window: محدودیت حافظه مدل برای پردازش داده‌ها در هر لحظه که بر هزینه و سرعت تأثیر مستقیم دارد.
* Fine-Tuning vs LoRA: روش‌های آموزش مدل؛ درحالی‌که fine-tuning تمام وزن‌ها را تغییر می‌دهد، LoRA با استفاده از آداپتورها، روشی بهینه و سبک برای شخصی‌سازی مدل ارائه می‌دهد.
۱۰ مفهوم کلیدی برای درک عملکرد مدل‌های زبانی بزرگ (LLMs)
📊 Data➕Science
برای تسلط بر دنیای هوش مصنوعی، نیازی به حفظ کردن تمام اصطلاحات ندارید؛ کافی است با مفاهیم اصلی سازنده مدل‌های زبانی آشنا شوید. در اینجا مهم‌ترین مبانی را مرور می‌کنیم:
* Tokenization: مدل‌ها متن را نه به صورت کلمه، بلکه به صورت توکن پردازش می‌کنند.
* Embeddings: تبدیل معنای متن به بردار (vector) در فضای چندبعدی تا کلمات مشابه در کنار هم قرار بگیرند.
* Attention: هسته اصلی معماری Transformer که به مدل اجازه می‌دهد اهمیت هر توکن را نسبت به سایر بخش‌های متن درک کند.
* Next-Token Prediction: مدل‌های زبانی با پیش‌بینی احتمال توکن بعدی به صورت مرحله‌به‌مرحله تولید متن می‌کنند.
* Context Window: محدودیت حافظه مدل برای پردازش داده‌ها در هر لحظه که بر هزینه و سرعت تأثیر مستقیم دارد.
* Fine-Tuning vs LoRA: روش‌های آموزش مدل؛ درحالی‌که fine-tuning تمام وزن‌ها را تغییر می‌دهد، LoRA با استفاده از آداپتورها، روشی بهینه و سبک برای شخصی‌سازی مدل ارائه می‌دهد.
۱۰ مفهوم کلیدی برای درک عملکرد مدل‌های زبانی بزرگ (LLMs)
📊 Data➕Science