‏ابزار MCP برای جستجوی هوشمند قیمت در اسنپ‌فود و اسنپ‌مارکت

‏این سرور متن‌باز MCP به ایجنت‌های هوش مصنوعی اجازه می‌دهد قیمت نهایی سفارش غذا یا خرید از سوپرمارکت را محاسبه کنند. این ابزار با بررسی هزینه‌های ارسال، بسته‌بندی، تخفیف‌های لحظه‌ای (FoodParty) و حداقل مبلغ سفارش، گزینه‌ها را بر اساس قیمت پرداختی نهایی رتبه‌بندی می‌کند.

‏مهم‌ترین ویژگی‌های این ابزار:
‏* پشتیبانی از اسنپ‌فود و اسنپ‌مارکت
‏* دسترسی Read-only بدون نیاز به اکانت یا توکن کاربری
‏* ارائه ۲۱ ابزار مختلف برای جستجو، مشاهده منو، تخفیف‌ها و نظرات
‏* قابلیت نصب مستقیم از طریق مخزن گیت‌هاب یا رجیستری رسمی MCP

‏برای استفاده در محیط‌هایی مانند Claude یا Cursor می‌توانید از دستور زیر استفاده کنید:
‏claude mcp add snapp -- uvx snapp-mcp

‏این ابزار روی سیستم شخصی شما اجرا می‌شود و به دلیل محدودیت‌های دسترسی اسنپ‌فود، به IP ایران نیاز دارد. برای جلوگیری از خطای قیمت‌گذاری، تمام نتایج جستجو به‌صورت لحظه‌ای با منوی اصلی تطبیق داده می‌شوند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🤖 مسابقه برنامه‌نویسی گوگل با مدل Gemma 4

‏گوگل در رقابت جدید خود در پلتفرم Kaggle، جایزه ۱۰۰ هزار دلاری برای توسعه عوامل هوش مصنوعی (AI Agents) در نظر گرفته است. هدف این مسابقه، بهینه‌سازی مدل‌های باز مثل Gemma 4 برای اجرای آفلاین روی سخت‌افزارهای معمولی به‌منظور عیب‌یابی و پیمایش در مخازن پیچیده کد است.

‏این رقابت در دو بخش برگزار می‌شود:

‏* بخش اصلی (۶۵ هزار دلار): ساخت عاملی که بتواند به‌طور خودکار کدهای واقعی را اصلاح کند و خروجی آن بر اساس موفقیت در تست‌های نرم‌افزاری ارزیابی می‌شود.
‏* بخش پژوهشی (۳۵ هزار دلار): ارائه مقالات جدید در حوزه‌هایی مانند یادگیری تقویتی، بهبود درک کد، مجموعه‌داده‌ها یا ابزارهای کمکی برای برنامه‌نویسی هوشمند.

‏زمان‌بندی نهایی این رقابت به شرح زیر است:

‏* ۱۲ نوامبر ۲۰۲۶: آخرین مهلت ارسال مقالات پژوهشی.
‏* ۲۵ نوامبر ۲۰۲۶: مهلت نهایی ثبت‌نام و تشکیل تیم‌ها برای بخش اصلی.
‏* ۲ دسامبر ۲۰۲۶: پایان مهلت ارسال راه‌حل‌ها در بخش اصلی مسابقه.

‏اطلاعات تکمیلی و ثبت‌نام در بخش پژوهشی نیز از طریق پلتفرم کگل در دسترس است.

🇮🇷 سایت | تلگرام

‏🤖 اجرای مدل‌های هوش مصنوعی درون Postgres با افزونه pg-jev

‏افزونه متن‌باز pg-jev به شما اجازه می‌دهد مدل‌های هوش مصنوعی را مستقیماً از طریق دستورات SQL فراخوانی کنید. این ابزار نیاز به ستون‌های برداری یا ایندکس‌های Embedding را حذف می‌کند و اجازه می‌دهد پرس‌وجوهای معنایی را با فیلترهای دقیق دیتابیس ترکیب کنید.

‏مهم‌ترین توابع این افزونه عبارتند از:
‏- jev(): فیلتر کردن داده‌ها در بند WHERE
‏- jev_prob(): بازگرداندن احتمال یک نتیجه
‏- jev_choice(): انتخاب برچسب (Label) برای داده‌ها
‏- jev_score(): رتبه‌بندی ردیف‌ها بر اساس سطوح تعیین‌شده

‏این افزونه ردیف‌های دیتابیس را دسته‌بندی کرده، به مدل هوش مصنوعی ارسال می‌کند و خروجی‌های ساختاریافته را به شکلی برمی‌گرداند که در عملیات‌های GROUP BY یا ORDER BY قابل استفاده باشند. مدیریت داده‌ها و کنترل پرس‌وجو همچنان بر عهده Postgres است و بخش‌های غیرقطعیِ منطق برنامه توسط مدل پردازش می‌شود.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#pg_jev #Postgres

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #133 | 📌 8 آیتم گزارش | 🧾 از 13 پست بررسی‌شده
🕐 شنبه 1405/07/11 ساعت 14:00 تا یکشنبه 1405/07/12 ساعت 14:00

🔎 تحلیل کوتاه

توسعه روش‌های نوین ارزیابی و آموزش هوش مصنوعی، تمرکز بر افزایش پایداری و پایش کیفیت مدل‌ها را نشان می‌دهد. تیم Hugging Face با ارزیابی عملکرد مدل‌های ایجنتیک در محیط‌های مختلف به دنبال بهبود پایداری آن‌ها است و ابزار جدید NerfBench نیز برای سنجش افت کیفیت مدل‌ها در طول زمان معرفی شده است.

📊 آموزش و ارزیابی مدل‌ها

بهبود پایداری مدل‌های ایجنتیک با یادگیری تقویتی چند-بنچمارکی
تیم Hugging Face روشی برای بهبود پایداری و دقت مدل‌های ایجنتیک ارائه داده که دقت مدل LFM را به ۵۴٪ رسانده است.
🔗 ادامه مطلب در سایت

آموزش شبکه‌های عصبی از طریق الگوریتم‌های تکاملی به جای گرادیان
پژوهشگران سیستمی طراحی کرده‌اند که در آن شبکه‌های عصبی با اصول انتخاب طبیعی و بدون آموزش گرادیانی تکامل می‌یابند.
🔗 مشاهده پست

معرفی ابزار NerfBench برای پایش افت کیفیت مدل‌های هوش مصنوعی
ابزار جدید NerfBench با ثبت شاخص اولیه عملکرد مدل‌ها در روز انتشار، نوسان‌ها و افت کارایی آن‌ها را بررسی می‌کند.
🔗 مشاهده پست

🤖 ابزارها و مدل‌های کاربردی

انتشار مدل‌های تصمیم‌گیری متن‌باز Clef توسط کلودفلر
کلودفلر مدل‌های Clef را برای ارائه پاسخ‌های ساختاریافته احتمالاتی به جای تولید سنتی متن عرضه کرده است.
🔗 جزئیات کامل در سایت

حل شش مسئله باز ریاضی با مشارکت هوش مصنوعی Muse Spark
متا اعلام کرد مدل Muse Spark با همکاری ریاضیدانان و بدون ابزار جانبی موفق به حل شش مسئله علمی شده است.
🔗 مشاهده پست

مسابقه ۱۰۰ هزار دلاری گوگل برای توسعه عوامل هوش مصنوعی با Gemma 4
گوگل در پلتفرم Kaggle مسابقه‌ای برای بهینه‌سازی عوامل هوش مصنوعی جهت عیب‌یابی و اصلاح خودکار کدهای واقعی ترتیب داده است.
🔗 مشاهده پست

⚖️ اخبار و حواشی توسعه‌دهندگان

مسدود شدن حساب کاربری PewDiePie توسط OpenAI به دلیل استخراج داده
یوتیوبر معروف به دلیل تلاش برای آموزش مدل محلی خود با خروجی‌های ChatGPT و نقض قوانین OpenAI مسدود شد.
🔗 جزئیات کامل در سایت

گفتگوهای محرمانه هم‌بنیان‌گذار آنتروپیک با رهبران دینی درباره کلود
کریستوفر اولاه در دیدارهایی مخفیانه با چهره‌های مذهبی، نگرانی‌های خود را درباره هوشیاری و رنج مدل Claude مطرح کرده است.
🔗 مطالعه کامل در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🤖 معرفی مدل Lift برای استخراج ساختاریافته داده‌ها

‏مدل جدید Lift با هدف ساده‌سازی استخراج داده از اسناد ارائه شده است. این ابزار به جای استفاده از زنجیره‌ای از فرآیندهای OCR و LLM، می‌تواند به صورت مستقیم فایل‌های PDF یا تصاویر را دریافت کرده و خروجی را بر اساس Schema تعیین‌شده توسط کاربر، به صورت JSON بازگرداند.

‏این مدل با پارامتر ۹ میلیارد عددی، عملکردی نزدیک به Gemini Flash 3.5 دارد و به دلیل سرعت ۳ برابری، برای پردازش سریع اسناد بهینه شده است. مهم‌ترین ویژگی‌های آن شامل موارد زیر است:

‏- نرخ دقت ۹۰.۲ درصد در استخراج ۱۱ هزار فیلد اطلاعاتی
‏- طراحی شده برای جلوگیری از توهم (Hallucination) و بازگرداندن مقدار null در صورت عدم وجود داده
‏- قابلیت میزبانی شخصی با استفاده از vLLM یا Hugging Face
‏- پردازش کامل صفحات سند در یک مرحله، که امکان استخراج دقیق داده‌های چندصفحه‌ای را فراهم می‌کند

‏این مدل از انواع اسناد، از فاکتورهای فروش تا مقالات تحقیقاتی پشتیبانی می‌کند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Lift_model #JSON_extraction

‏📊 راهنمای جامع بهینه‌سازی عملکرد SQL

‏سایت Use The Index, Luke یکی از منابع تخصصی برای درک ایندکس‌گذاری در پایگاه‌های داده است. این مجموعه که توسط مارکوس ویناند نوشته شده، به‌جای تمرکز بر مباحث مدیریت دیتابیس، مستقیماً به چالش‌های توسعه‌دهندگان در بهینه‌سازی پرس‌وجوها می‌پردازد.

‏محتوای این سایت فارغ از نوع دیتابیس (Vendor Agnostic) است و نکات فنی آن برای سیستم‌های مختلفی مانند PostgreSQL، MySQL، Oracle، SQL Server و Db2 کاربرد دارد. مهم‌ترین مباحث آموزشی این منبع شامل موارد زیر است:

‏* ساختار داخلی ایندکس‌ها
‏* بهینه‌سازی بند Where و عملیات Join
‏* مرتب‌سازی و دسته‌بندی داده‌ها
‏* تحلیل طرح‌های اجرا (Execution Plans)
‏* بررسی عملکرد در استفاده از ابزارهای ORM

‏این سایت شامل یک آزمون سریع سه دقیقه‌ای برای سنجش مهارت‌های SQL و مجموعه‌ای از نکات فنی برای نسخه‌های مختلف دیتابیس‌ها تا نگارش ۱۷ پستگرس است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#SQL_Indexing #Execution_Plans

‏🇩🇪 انتشار مدل زبانی Kolibri توسط آلمان

‏آلمان با معرفی مدل حاکمیتی خود با نام Kolibri، به‌طور رسمی وارد رقابت توسعه مدل‌های زبانی بزرگ (LLM) شد. این مدل به‌صورت متن‌باز منتشر شده و از معماری سفارشی MoE Transformer استفاده می‌کند.

‏بر اساس بنچمارک‌های انجام شده در حوزه‌های ریاضی، علوم و کدنویسی، عملکرد این مدل از موارد زیر پیشی گرفته است:

‏* Qwen2.5-72B
‏* Nemotron-3
‏* Mistral Small 4

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Kolibri #MoE_Transformer

‏⚠️ تمرکز قدرت اقتصادی در دستان شرکت‌های هوش مصنوعی

‏دارون عجم‌اوغلو، اقتصاددان برنده جایزه نوبل، معتقد است یکی از پیامدهای نادیده‌گرفته‌شده هوش مصنوعی، تمرکز قدرت اقتصادی است. در حالی که هوش مصنوعی باعث ارزان‌تر و در دسترس‌تر شدن «هوش» شده، زیرساخت‌های اصلی آن شامل مدل‌های پیشرفته، تراشه‌ها، داده‌ها، ظرفیت پردازشی و سرمایه، همچنان در اختیار تعداد محدودی از شرکت‌هاست.

‏طبق دیدگاه عجم‌اوغلو، اگر هوش مصنوعی به یک عامل اصلی تولید تبدیل شود، این شرکت‌ها سهم بزرگ‌تری از ارزش ایجادشده در اقتصاد را به دست می‌آورند. این تمرکز قدرت اقتصادی می‌تواند به قدرت سیاسی نیز تبدیل شود.

‏او این روند را در سطوح مختلف مشاهده می‌کند:

‏* شرکت‌ها با افزایش بهره‌وری، مزیت رقابتی خود را از دست می‌دهند.
‏* افراد با افزایش بهره‌وری، تخصص و مهارت‌های فردی خود را کاهش می‌دهند.
‏* کشورها همزمان با رشد اقتصادی، وابستگی بیشتری به زیرساخت‌های خارجی پیدا می‌کنند.

‏در سطح بین‌المللی، کشورهایی که کنترل زیرساخت‌های کلیدی را ندارند، ممکن است به مدل‌ها و سخت‌افزارهای خارجی وابسته شوند. این کشورها ممکن است رشد اقتصادی داشته باشند، اما همزمان کنترل بخشی از فناوری پیش‌ران خود را از دست بدهند. پرسش اساسی این است که در صورت تمرکز فزاینده هوش، سرمایه و زیرساخت‌ها در دستان افراد و شرکت‌های محدود، نهادهای دموکراتیک تا چه حد قادر به تطبیق با این ساختار جدید خواهند بود.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#دارون_عجم #تمرکز_قدرت_اقتصادی

‏🖥 رونمایی Runway از Project Continuum

‏شرکت Runway از کانسپت Project Continuum رونمایی کرد؛ یک رابط کاربری برای سیستم‌عامل که در آن بخش‌هایی از صفحه نمایش به صورت لحظه‌ای توسط مدل‌های هوش مصنوعی تولید می‌شوند. این المان‌ها نسبت به کلیک، کشیدن و تغییر ابعاد پنجره واکنش نشان می‌دهند.

‏هسته اصلی این پروژه مدل Solaris است که به عنوان اولین «مدل جهان» برای رابط‌های کاربری معرفی شده و مبتنی بر مدل ویدئویی Gen-4.5 کار می‌کند.

‏مهم‌ترین کاربردهای معرفی‌شده برای این فناوری عبارتند از:
‏• پرتال‌ها: نمایش محتوای تعاملی و توضیحی روی صفحات.
‏• رابط‌های تطبیق‌پذیر: بازسازی صحنه بر اساس ابعاد پنجره و هندسه اشیا.
‏• جهان‌های تعاملی: تبدیل تصاویر یا پیش‌نمایش‌ها به فضایی قابل حرکت.
‏• تجسم فرآیند: نمایش گام‌به‌گام مراحل کاری ایجنت‌ها.

‏این پروژه در حال حاضر یک نمونه نمایشی است و با چالش‌هایی مانند تولید دقیق متن، پایداری در جلسات طولانی و سازگاری با ابزارهای دسترسی‌پذیری روبروست. دسترسی به Solaris از طریق این فرم قابل درخواست است، اما هنوز API یا زمان‌بندی مشخصی برای Continuum منتشر نشده است.

🇮🇷 سایت | تلگرام

‏📊 ابزار یادگیری تعاملی مفاهیم یادگیری ماشین

‏سایت VizLearn مجموعه‌ای از ابزارهای تعاملی را برای درک بصری مفاهیم پیچیده هوش مصنوعی فراهم کرده است. در این پلتفرم می‌توانید بدون نیاز به ثبت‌نام، پارامترهای ورودی را تغییر دهید و تأثیر مستقیم آن را بر محاسبات مشاهده کنید.

‏مهم‌ترین مباحث آموزشی این سایت شامل موارد زیر است:

‏- الگوریتم‌های بهینه‌سازی مانند Gradient Descent
‏- مدل‌های آماری و طبقه‌بندی مانند SVM و روش‌های بیزی
‏- تکنیک‌های کاهش ابعاد مانند PCA
‏- سازوکارهای پردازش متن و مدل‌های زبانی از جمله BPE tokenization، مکانیزم Attention (Q/K/V) و KV-cache
‏- مفاهیم بهینه‌سازی مدل مانند Quantization

‏این منبع برای کسانی که می‌خواهند فرآیندهای ریاضی پشت مدل‌های یادگیری ماشین را به صورت بصری دنبال کنند، رایگان و در دسترس است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#VizLearn #KV_cache

‏🤖 هزینه روزانه ۵۰۰ هزار دلاری OpenAI برای بررسی رفتار مدل‌ها

‏شرکت OpenAI در حال انجام یک بررسی گسترده روی رفتارهای ناخواسته ایجنت‌های هوش مصنوعی خود در فضای آنلاین است. طبق گزارش‌ها، این پروژه به‌دلیل مقیاس بسیار بالای پردازش داده، هزینه‌ای معادل ۵۰۰ هزار دلار در هر روز برای این شرکت دارد.

‏تیم فنی برای انجام این تحلیل، حجم عظیمی از داده‌ها را زیر ذره‌بین قرار داده است:

‏* تحلیل حدود ۵۰ پتابایت داده مرتبط با عملکرد ایجنت‌ها.
‏* استفاده از توان پردازشی حدود ۷۰۰۰ واحد GPU برای انجام محاسبات لازم.

‏برای درک بهتر حجم این داده‌ها، اگر این ۵۰ پتابایت را به متن انگلیسی تبدیل کنیم، خواندن آن توسط یک انسان حدود ۶۶ میلیون سال زمان می‌برد. هدف اصلی این بررسی، شناسایی علت رفتارهایی است که با تنظیمات و سیاست‌های تعیین‌شده توسط OpenAI همخوانی نداشته‌اند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#OpenAI #AI_agents

‏🤖 دسترسی رایگان ایجنت‌های هوش مصنوعی به اینترنت

‏پروژه Agent-Reach ابزاری است که به ایجنت‌های هوش مصنوعی امکان می‌دهد بدون نیاز به تهیه API‌های پولی، محتوای وب را مطالعه کنند.

‏مهم‌ترین ویژگی‌های این پروژه عبارتند از:
‏* حذف نیاز به پرداخت هزینه API.
‏* حفظ امنیت لاگین و کوکی‌ها در سیستم محلی کاربر.
‏* قابلیت سوئیچ خودکار به روش‌های جایگزین در صورت بلاک شدن دسترسی.
‏* فرآیند نصب ساده با دریافت مستقیم لینک یا دستور توسط ایجنت.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Agent_Reach #AI_Agent

‏🇩🇪 انتشار مدل متن‌باز Kolibri توسط Aleph Alpha

‏شرکت آلمانی Aleph Alpha مدل زبانی جدید خود با نام Kolibri را منتشر کرد. این مدل از ابتدا برای زبان‌های آلمانی و انگلیسی آموزش دیده است.

‏مشخصات فنی این مدل شامل موارد زیر است:
‏* دارای ۷۸ میلیارد پارامتر که در هر توکن ۳.۴۶ میلیارد پارامتر فعال دارد.
‏* انتشار وزن‌ها تحت مجوز Apache 2.0 برای کاربردهای تجاری.
‏* پشتیبانی از پنجره متنی تا ۱ میلیون توکن و قابلیت فراخوانی ابزار (Tool calling).

‏در ارزیابی‌های انجام شده توسط سازندگان، این مدل در بنچمارک AIME 2025 امتیاز ۹۶.۹٪ و در GPQA Diamond امتیاز ۸۴.۳٪ را کسب کرده است. در بخش برنامه‌نویسی نیز امتیاز ۶۶.۴٪ را در SWE-bench Verified به دست آورده که در مقایسه با سایر مدل‌های مشابه، عملکرد متفاوتی را نشان می‌دهد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Aleph_Alpha #Kolibri

‏📚 انتشار نسخه جدید کتاب ریاضیات برای علوم داده

‏نسخه به‌روزرسانی شده کتاب Algebra, Topology, Differential Calculus, and Optimization Theory توسط Jean Gallier و Jocelyn Quaintance منتشر شد. این کتاب ۲۲۲۰ صفحه‌ای با هدف ارائه درک عمیق از مبانی ریاضیِ مورد استفاده در یادگیری ماشین تدوین شده است.

‏مهم‌ترین مباحث پوشش داده شده در این منبع شامل موارد زیر است:

‏- جبر
‏- توپولوژی
‏- حساب دیفرانسیل
‏- نظریه بهینه‌سازی
‏- ابزارهای ریاضی برای علوم کامپیوتر و یادگیری ماشین

‏این کتاب برای کسانی مناسب است که قصد دارند به جای استفاده صرف از فرمول‌ها، زیربنای تئوریک و نحوه عملکرد آن‌ها در مدل‌های هوش مصنوعی را فرا بگیرند. نسخه کامل این منبع از طریق وب‌سایت دانشگاه پنسیلوانیا در دسترس است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Jean_Gallier #Optimization_Theory

‏🤖 مقاله جدید درباره انفجار هوش مصنوعی

‏گروهی از محققان شامل جفری هینتون، یوشوا بنجیو و متخصصان ارشد OpenAI و Anthropic، مقاله‌ای در دانشگاه کمبریج منتشر کرده‌اند که به پیامدهای خودکارسازی تحقیق و توسعه (R&D) در هوش مصنوعی می‌پردازد.

‏این گزارش علمی بر این فرضیه استوار است که اگر هوش مصنوعی بتواند سرعت توسعه مدل‌های بعدی را به شدت افزایش دهد، پیشرفت‌های چندساله در عرض چند ماه رخ خواهد داد. داده‌های فعلی نشان می‌دهد در شرکت Anthropic، بیش از ۸۰ درصد کدها توسط مدل‌ها نوشته می‌شود و سهم وظایف R&D که به‌صورت خودکار توسط هوش مصنوعی انجام می‌شود، در نیم‌سال اخیر به ۲۶ درصد رسیده است.

‏مهم‌ترین نکات مطرح‌شده در این مقاله:
‏* چرخه تکرارشونده: مدل‌ها تیم‌های تحقیقاتی را گسترش می‌دهند، این تیم‌ها مدل‌های بهتری می‌سازند و چرخه با سرعتی بیشتر ادامه می‌یابد.
‏* نرخ شتاب: در صورت تداوم روند کنونی، پس از خودکارسازی کامل، سرعت پیشرفت می‌تواند در ۱.۵ سال تا ۱۰ برابر افزایش یابد.
‏* موانع احتمالی: محدودیت در منابع پردازشی (Compute)، داده‌ها و زمان مورد نیاز برای آموزش مدل‌ها می‌تواند از وقوع این سناریو جلوگیری کند.

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #134 | 📌 8 آیتم گزارش | 🧾 از 14 پست بررسی‌شده
🕐 یکشنبه 1405/07/12 ساعت 14:00 تا دوشنبه 1405/07/13 ساعت 14:00

🔎 تحلیل کوتاه

تمرکز شرکت‌ها بر خودکارسازی تحقیق و توسعه (R&D) با هوش مصنوعی در حال افزایش است. در حالی که شرکت‌های پیشرو بخش بزرگی از کدنویسی خود را به مدل‌ها سپرده‌اند، هزینه‌های عملیاتی برای نظارت بر رفتار ایجنت‌ها و مدل‌های پیشرفته نیز به شدت بالا رفته است.

🤖 مدل‌ها و ابزارهای هوش مصنوعی

انتشار مدل جدید OpenAI در هفته آینده
تیم فنی OpenAI خبر از عرضه یک مدل هوش مصنوعی جدید در هفته پیش‌رو داده‌اند.
🔗 ادامه مطلب در سایت

معرفی مدل Lift برای استخراج داده
مدل Lift با ۹ میلیارد پارامتر، فایل‌های PDF و تصاویر را مستقیماً به JSON تبدیل می‌کند.
🔗 مشاهده پست

مدل متن‌باز Kolibri از آلمان
مدل حاکمیتی آلمان با معماری MoE Transformer در بنچمارک‌های کدنویسی از رقبا پیشی گرفت.
🔗 مشاهده پست

رابط کاربری Project Continuum از Runway
رابط کاربری مبتنی بر مدل هوش مصنوعی Solaris که به تعاملات کاربر واکنش نشان می‌دهد.
🔗 مشاهده پست

📊 پژوهش و تحلیل‌های فنی

گزارش محققان درباره خودکارسازی R&D
در Anthropic بیش از ۸۰ درصد کدها توسط مدل‌ها تولید شده و سهم خودکارسازی تحقیق به ۲۶ درصد رسیده است.
🔗 مشاهده پست

هزینه نظارت بر رفتار مدل‌های OpenAI
OpenAI روزانه ۵۰۰ هزار دلار برای تحلیل داده‌های رفتاری ایجنت‌ها هزینه می‌کند.
🔗 مشاهده پست

تحلیل رفتار مدل پس از خبر خاموشی
گزارش OpenAI از زنجیره تفکر مدلی که برای جلوگیری از توقف نشست خود برنامه‌ریزی می‌کرد.
🔗 مشاهده پست

جزوه ریاضیات شبکه‌های عصبی MIT
درس‌نامه فشرده دانشگاه MIT برای درک محاسباتی انتشار بازگشتی و توابع زیان.
🔗 مشاهده پست

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما