📚 کتاب الگوهای طراحی مدل‌های زبانی بزرگ (LLM Design Patterns)
کتاب LLM Design Patterns نوشته کن هوانگ (Ken Huang) توسط انتشارات Packt منتشر شده است. این کتاب به بررسی الگوهای معماری و روش‌های کاربردی برای ساخت سیستم‌های هوش مصنوعی پایدار و کارآمد مبتنی بر مدل‌های زبانی می‌پردازد.
تمرکز اصلی کتاب بر ارائه راهکارهای عملی برای حل چالش‌های توسعه، مقیاس‌پذیری و بهبود قابلیت اطمینان سیستم‌های هوش مصنوعی است.
فایل این کتاب در پست بعدی ارسال می‌شود.
#LLM_Design_Patterns #Ken_Huang
کتاب LLM Design Patterns نوشته کن هوانگ (Ken Huang) توسط انتشارات Packt منتشر شده است. این کتاب به بررسی الگوهای معماری و روش‌های کاربردی برای ساخت سیستم‌های هوش مصنوعی پایدار و کارآمد مبتنی بر مدل‌های زبانی می‌پردازد.
تمرکز اصلی کتاب بر ارائه راهکارهای عملی برای حل چالش‌های توسعه، مقیاس‌پذیری و بهبود قابلیت اطمینان سیستم‌های هوش مصنوعی است.
فایل این کتاب در پست بعدی ارسال می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#LLM_Design_Patterns #Ken_Huang
هوش مصنوعی و علم داده به فارسی
📚 کتاب الگوهای طراحی مدل‌های زبانی بزرگ (LLM Design Patterns) کتاب LLM Design Patterns نوشته کن هوانگ (Ken Huang) توسط انتشارات Packt منتشر شده است. این کتاب به بررسی الگوهای معماری و روش‌های کاربردی برای ساخت سیستم‌های هوش مصنوعی پایدار و کارآمد مبتنی…
LLM Design Patterns.pdf
6.5 MB
🤖 راهنمای الگوهای طراحی برای مدل‌های زبانی بزرگ
کتاب «LLM Design Patterns» نوشته کن هوانگ، راهنمای عملی برای توسعه سیستم‌های هوش مصنوعی مبتنی بر LLM است که چرخه عمر کامل توسعه مدل، از آماده‌سازی داده تا استقرار را پوشش می‌دهد. این منبع به بررسی راهکارهای مهندسی برای مدیریت داده، آموزش، بهینه‌سازی و ارزیابی می‌پردازد.
مهم‌ترین مباحث مطرح‌شده در این کتاب عبارتند از:
* آماده‌سازی داده: تکنیک‌های پاک‌سازی، تقویت (Augmentation) و برچسب‌گذاری مجموعه‌داده‌های مقیاس‌بزرگ.
* آموزش و بهینه‌سازی: طراحی پایپ‌لاین‌های آموزش، تنظیم ابرپارامترها، پرنینگ (Pruning) و کوانتیزاسیون مدل.
* روش‌های پیشرفته پرامپت‌نویسی: اجرای تکنیک‌هایی مانند Chain-of-Thought، Tree-of-Thought و استدلال چندمرحله‌ای.
* سیستم‌های Agentic و RAG: پیاده‌سازی Retrieval-Augmented Generation و ساخت سیستم‌های هوشمند با استفاده از ابزارها و قابلیت Reflection.
* ارزیابی و امنیت: سنجش مدل با متریک‌های استاندارد، تشخیص سوگیری (Bias)، و استفاده از RLHF برای هم‌راستایی مدل با ارزش‌های انسانی.
🇮🇷 سایت | تلگرام
کتاب «LLM Design Patterns» نوشته کن هوانگ، راهنمای عملی برای توسعه سیستم‌های هوش مصنوعی مبتنی بر LLM است که چرخه عمر کامل توسعه مدل، از آماده‌سازی داده تا استقرار را پوشش می‌دهد. این منبع به بررسی راهکارهای مهندسی برای مدیریت داده، آموزش، بهینه‌سازی و ارزیابی می‌پردازد.
مهم‌ترین مباحث مطرح‌شده در این کتاب عبارتند از:
* آماده‌سازی داده: تکنیک‌های پاک‌سازی، تقویت (Augmentation) و برچسب‌گذاری مجموعه‌داده‌های مقیاس‌بزرگ.
* آموزش و بهینه‌سازی: طراحی پایپ‌لاین‌های آموزش، تنظیم ابرپارامترها، پرنینگ (Pruning) و کوانتیزاسیون مدل.
* روش‌های پیشرفته پرامپت‌نویسی: اجرای تکنیک‌هایی مانند Chain-of-Thought، Tree-of-Thought و استدلال چندمرحله‌ای.
* سیستم‌های Agentic و RAG: پیاده‌سازی Retrieval-Augmented Generation و ساخت سیستم‌های هوشمند با استفاده از ابزارها و قابلیت Reflection.
* ارزیابی و امنیت: سنجش مدل با متریک‌های استاندارد، تشخیص سوگیری (Bias)، و استفاده از RLHF برای هم‌راستایی مدل با ارزش‌های انسانی.
🇮🇷 سایت | تلگرام
🤖 راه‌اندازی فضای اشتراکی ChatGPT Space
شرکت OpenAI ابزار جدیدی به نام ChatGPT Space را معرفی کرده است؛ فضایی برای همکاری همزمان تیم‌ها و هوش مصنوعی روی اسناد. در این محیط، گفت‌وگوهای طولانی با هوش مصنوعی به برنامه‌های ساختاریافته تبدیل می‌شوند و همکاران می‌توانند با عضویت در صفحات، نظرات خود را ثبت کنند و تغییرات را پیش ببرند.
ویژگی‌های کلیدی این قابلیت عبارتند از:
- امکان ارجاع مستقیم به ChatGPT یا Dot agent در متن برای واگذاری ویرایش‌ها و وظایف جدید.
- همگام‌سازی خودکار صفحات با ابزارهای کاری متصل برای کاهش نیاز به به‌روزرسانی دستی.
این قابلیت در حال حاضر برای کاربران نسخه‌های Pro، Business و Enterprise در وب و نسخه دسکتاپ در دسترس است.
شرکت OpenAI ابزار جدیدی به نام ChatGPT Space را معرفی کرده است؛ فضایی برای همکاری همزمان تیم‌ها و هوش مصنوعی روی اسناد. در این محیط، گفت‌وگوهای طولانی با هوش مصنوعی به برنامه‌های ساختاریافته تبدیل می‌شوند و همکاران می‌توانند با عضویت در صفحات، نظرات خود را ثبت کنند و تغییرات را پیش ببرند.
ویژگی‌های کلیدی این قابلیت عبارتند از:
- امکان ارجاع مستقیم به ChatGPT یا Dot agent در متن برای واگذاری ویرایش‌ها و وظایف جدید.
- همگام‌سازی خودکار صفحات با ابزارهای کاری متصل برای کاهش نیاز به به‌روزرسانی دستی.
این قابلیت در حال حاضر برای کاربران نسخه‌های Pro، Business و Enterprise در وب و نسخه دسکتاپ در دسترس است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
❤1
🤖 گوگل Gemini 4 Argon ربات‌ها را هدایت و شبیه‌سازی می‌کند
گوگل مدل جدید Gemini 4 Argon را معرفی کرده که توانایی هدایت ربات‌ها و ساخت شبیه‌سازی برای آن‌ها را دارد. این مدل در تست ERQA، معیاری برای سنجش درک ربات‌ها از دنیای فیزیکی، امتیاز ۸۷٪ را کسب کرده است؛ این عملکرد بدون استفاده از ابزارهای خارجی و تنها با اتکا به توانایی استدلال مدل به دست آمده است. گوگل ادعا می‌کند این نتیجه از تمام مدل‌های پیشرفته دیگر بهتر است.
Gemini 4 Argon ربات Spot از Boston Dynamics را کنترل کرده و در شبیه‌ساز MuJoCo، مدلی دیجیتال از سطل زباله با پدال ساخته است. سپس حرکات لازم را تمرین و ربات واقعی را وادار به فشار دادن پدال و انداختن قوطی‌ها کرده است. در سناریوی دیگری، یک بازوی رباتیک ساده با دوربین روی مچ، به دستور مدل، یک ماگ افتاده را بلند کرده و دستمال کاغذی مچاله شده‌ای را درون آن قرار داده است. برای این کار، مدل توالی دستوراتی مانند «نگاه کن»، «بگیر»، «جابجا کن» و «بگذار» را در چند مرحله اجرا کرده است.
گوگل مدل جدید Gemini 4 Argon را معرفی کرده که توانایی هدایت ربات‌ها و ساخت شبیه‌سازی برای آن‌ها را دارد. این مدل در تست ERQA، معیاری برای سنجش درک ربات‌ها از دنیای فیزیکی، امتیاز ۸۷٪ را کسب کرده است؛ این عملکرد بدون استفاده از ابزارهای خارجی و تنها با اتکا به توانایی استدلال مدل به دست آمده است. گوگل ادعا می‌کند این نتیجه از تمام مدل‌های پیشرفته دیگر بهتر است.
Gemini 4 Argon ربات Spot از Boston Dynamics را کنترل کرده و در شبیه‌ساز MuJoCo، مدلی دیجیتال از سطل زباله با پدال ساخته است. سپس حرکات لازم را تمرین و ربات واقعی را وادار به فشار دادن پدال و انداختن قوطی‌ها کرده است. در سناریوی دیگری، یک بازوی رباتیک ساده با دوربین روی مچ، به دستور مدل، یک ماگ افتاده را بلند کرده و دستمال کاغذی مچاله شده‌ای را درون آن قرار داده است. برای این کار، مدل توالی دستوراتی مانند «نگاه کن»، «بگیر»، «جابجا کن» و «بگذار» را در چند مرحله اجرا کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
❤1
🤖 مدل Jev 1.14 با قابلیت پردازش تصویر و متن طولانی منتشر شد
TypeSafe.ai در نسخه جدید مدل Jev 1.14، قابلیت‌های پردازش تصویر و کار با اسناد طولانی را اضافه کرده است. این سه ویژگی جدید که شامل درک بصری، یافتن اشیاء در تصاویر و پردازش متن با طول بالا هستند، در حال حاضر در مرحله آزمایشی قرار دارند و TypeSafe توصیه می‌کند برای محیط‌های عملیاتی استفاده نشوند.
برای فعال‌سازی این قابلیت‌ها، باید از هدرهای مخصوصی در درخواست‌ها با برچسب
مدل Jev از ابتدا قابلیت پردازش چندین نوع داده (multimodal) را داشته، اما قابلیت بینایی آن به دلیل چالش‌های پردازش تصویر نسبت به متن، دیرتر فعال شده است. محدودیت توکن در حالت عادی ۶۴ هزار و در حالت طولانی ۲۶۲ هزار توکن است.
TypeSafe.ai در نسخه جدید مدل Jev 1.14، قابلیت‌های پردازش تصویر و کار با اسناد طولانی را اضافه کرده است. این سه ویژگی جدید که شامل درک بصری، یافتن اشیاء در تصاویر و پردازش متن با طول بالا هستند، در حال حاضر در مرحله آزمایشی قرار دارند و TypeSafe توصیه می‌کند برای محیط‌های عملیاتی استفاده نشوند.
برای فعال‌سازی این قابلیت‌ها، باید از هدرهای مخصوصی در درخواست‌ها با برچسب
Danger Zone استفاده کرد. تصاویر می‌توانند به عنوان بخشی از توضیحات موقعیت، دستورالعمل‌ها یا معیارهای تصمیم‌گیری به مدل ارائه شوند. نوع جدید پرسش Box، مختصات و میزان اطمینان برای اشیاء یافت شده در تصویر را برمی‌گرداند که امکان پردازش بیشتر مانند برش دادن تصویر را فراهم می‌کند.مدل Jev از ابتدا قابلیت پردازش چندین نوع داده (multimodal) را داشته، اما قابلیت بینایی آن به دلیل چالش‌های پردازش تصویر نسبت به متن، دیرتر فعال شده است. محدودیت توکن در حالت عادی ۶۴ هزار و در حالت طولانی ۲۶۲ هزار توکن است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🚀 تنسنت Hy-Memory 2.0 را منتشر کرد: مدل، فریم‌ورک و MemHub برای حافظه طولانی ایجنت‌های هوش مصنوعی
Tencent با انتشار سه محصول در یک مجموعه، Hy-Memory 2.0 را معرفی کرد: مدل Hy-Memory-30B-A3B، فریم‌ورک SDK و اپلیکیشن MemHub. طبق اعلام Tencent، این مجموعه در چهار معیار حافظه، بهترین راه‌حل متن‌باز محسوب می‌شود و مدل آن در برخی فریم‌ورک‌های رایج از Opus 5 پیشی گرفته است.
فریم‌ورک Hy-Memory از سه نوع حافظه پشتیبانی می‌کند: حافظه مکالمات عادی، حافظه وظایف کاری و حافظه کد. این قابلیت به ایجنت هوش مصنوعی اجازه می‌دهد تا علاوه بر مکالمات، فعالیت‌های انجام شده در پروژه‌ها را نیز به خاطر بسپارد.
MemHub که نسخه CLI و مکینتاش دارد، حافظه را بین بیش از ده ابزار هوش مصنوعی همگام‌سازی می‌کند. این امکان به کاربران اجازه می‌دهد تا یک بار زمینه (context) را تعریف کرده و آن را بدون نیاز به تکرار توضیحات برای هر دستیار، در اختیار همه ابزارها قرار دهند.
این مدل با 30 میلیارد پارامتر و 3 میلیارد پارامتر فعال (MoE)، اجرای آن به صورت محلی (local) نسبت به عدد اعلام شده، واقع‌بینانه‌تر است.
🇮🇷 سایت | تلگرام
Tencent با انتشار سه محصول در یک مجموعه، Hy-Memory 2.0 را معرفی کرد: مدل Hy-Memory-30B-A3B، فریم‌ورک SDK و اپلیکیشن MemHub. طبق اعلام Tencent، این مجموعه در چهار معیار حافظه، بهترین راه‌حل متن‌باز محسوب می‌شود و مدل آن در برخی فریم‌ورک‌های رایج از Opus 5 پیشی گرفته است.
فریم‌ورک Hy-Memory از سه نوع حافظه پشتیبانی می‌کند: حافظه مکالمات عادی، حافظه وظایف کاری و حافظه کد. این قابلیت به ایجنت هوش مصنوعی اجازه می‌دهد تا علاوه بر مکالمات، فعالیت‌های انجام شده در پروژه‌ها را نیز به خاطر بسپارد.
MemHub که نسخه CLI و مکینتاش دارد، حافظه را بین بیش از ده ابزار هوش مصنوعی همگام‌سازی می‌کند. این امکان به کاربران اجازه می‌دهد تا یک بار زمینه (context) را تعریف کرده و آن را بدون نیاز به تکرار توضیحات برای هر دستیار، در اختیار همه ابزارها قرار دهند.
این مدل با 30 میلیارد پارامتر و 3 میلیارد پارامتر فعال (MoE)، اجرای آن به صورت محلی (local) نسبت به عدد اعلام شده، واقع‌بینانه‌تر است.
🇮🇷 سایت | تلگرام
🛠 مهم‌ترین ریپازیتورهای گیت‌هاب برای مهندسی نرم‌افزار
این ریپازیتورهای گیت‌هاب منابعی کاربردی برای یادگیری طراحی سیستم، آمادگی برای مصاحبه‌های فنی، مسیرهای شغلی و پروژه‌های عملی ارائه می‌دهند:
• System design academy: آموزش مفاهیم و الگوهای طراحی سیستم
• Public APIs: فهرست عمومی APIهای رایگان برای توسعه‌دهندگان
• Tech interview handbook: راهنمای آماده‌سازی برای مصاحبه‌های فنی
• Coding interview university: برنامه مطالعه خودآموز برای یادگیری علوم کامپیوتر و مصاحبه
• Developer roadmaps: نقشه راه مسیرهای مختلف توسعه‌دهندگی
• Free programming books: مجموعه کتاب‌ها و منابع آموزشی رایگان برنامه‌نویسی
• Build your own x: آموزش بازسازی فناوری‌ها و ابزارهای مختلف از صفر
• Path to senior engineer handbook: راهنما و منابع برای ارتقا به سطح مهندس ارشد
#SystemDesign #DeveloperRoadmap
این ریپازیتورهای گیت‌هاب منابعی کاربردی برای یادگیری طراحی سیستم، آمادگی برای مصاحبه‌های فنی، مسیرهای شغلی و پروژه‌های عملی ارائه می‌دهند:
• System design academy: آموزش مفاهیم و الگوهای طراحی سیستم
• Public APIs: فهرست عمومی APIهای رایگان برای توسعه‌دهندگان
• Tech interview handbook: راهنمای آماده‌سازی برای مصاحبه‌های فنی
• Coding interview university: برنامه مطالعه خودآموز برای یادگیری علوم کامپیوتر و مصاحبه
• Developer roadmaps: نقشه راه مسیرهای مختلف توسعه‌دهندگی
• Free programming books: مجموعه کتاب‌ها و منابع آموزشی رایگان برنامه‌نویسی
• Build your own x: آموزش بازسازی فناوری‌ها و ابزارهای مختلف از صفر
• Path to senior engineer handbook: راهنما و منابع برای ارتقا به سطح مهندس ارشد
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#SystemDesign #DeveloperRoadmap
🤖 راهنمای عملی OpenAI برای کاربردهای تجاری هوش مصنوعی
شرکت OpenAI در بخش جدید منابع تجاری خود، کاربردهای عملی هوش مصنوعی برای بهبود بهره‌وری و کاهش وظایف تکراری را معرفی کرده است. طبق این مستندات، هوش مصنوعی می‌تواند در حوزه‌های زیر به کسب‌وکارها کمک کند:
* تحقیقات بازار
* تولید محتوا
* تحلیل بازخورد مشتریان
* بررسی و تحلیل اسناد
* اتوماسیون جریان‌های کاری
این مدل‌ها قابلیت سازماندهی اطلاعات، پیش‌نویس کردن متون و آماده‌سازی پیشنهادهای اولیه را دارند. با این حال، خروجی‌های تولیدشده توسط هوش مصنوعی همچنان نیازمند بازبینی انسانی هستند، به‌ویژه در مواردی که داده‌های حساس پردازش می‌شوند یا تصمیمات مهمی اتخاذ می‌گردد.
#OpenAI #اتوماسیون_جریان_کاری
شرکت OpenAI در بخش جدید منابع تجاری خود، کاربردهای عملی هوش مصنوعی برای بهبود بهره‌وری و کاهش وظایف تکراری را معرفی کرده است. طبق این مستندات، هوش مصنوعی می‌تواند در حوزه‌های زیر به کسب‌وکارها کمک کند:
* تحقیقات بازار
* تولید محتوا
* تحلیل بازخورد مشتریان
* بررسی و تحلیل اسناد
* اتوماسیون جریان‌های کاری
این مدل‌ها قابلیت سازماندهی اطلاعات، پیش‌نویس کردن متون و آماده‌سازی پیشنهادهای اولیه را دارند. با این حال، خروجی‌های تولیدشده توسط هوش مصنوعی همچنان نیازمند بازبینی انسانی هستند، به‌ویژه در مواردی که داده‌های حساس پردازش می‌شوند یا تصمیمات مهمی اتخاذ می‌گردد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#OpenAI #اتوماسیون_جریان_کاری
🚀 عرضه مدل جدید DeepSeek-V4.1-Flash
کمپانی DeepSeek مدل جدید خود را با نام DeepSeek-V4.1-Flash-1017 منتشر کرد. این نسخه با هدف بهبود نتایج در بنچمارک‌ها، افزایش سرعت انجام وظایف و کاهش طول خروجی‌ها بهینه‌سازی شده است.
تمرکز اصلی این مدل بر توسعه پروژه‌های کامل از صفر است. DeepSeek با استفاده از یادگیری تقویتی و بازخورد خودکار، توانایی مدل را برای ساخت پروژه‌های نهایی مانند بازی‌ها یا مدل‌های سه‌بعدی ارتقا داده است.
این مدل اکنون از طریق وب‌سایت، اپلیکیشن و API در دسترس است و با ابزارهای زیر سازگاری کامل دارد:
* DeepSeekHarness
* Tencent CodeBuddy
* WorkBuddy
تیم توسعه‌دهنده توصیه می‌کند برای استفاده بهینه، به نسخه v0.2.1-rc.1 یا بالاترِ ابزار Harness ارتقا دهید.
#DeepSeek_V4_1_Flash #DeepSeekHarness
کمپانی DeepSeek مدل جدید خود را با نام DeepSeek-V4.1-Flash-1017 منتشر کرد. این نسخه با هدف بهبود نتایج در بنچمارک‌ها، افزایش سرعت انجام وظایف و کاهش طول خروجی‌ها بهینه‌سازی شده است.
تمرکز اصلی این مدل بر توسعه پروژه‌های کامل از صفر است. DeepSeek با استفاده از یادگیری تقویتی و بازخورد خودکار، توانایی مدل را برای ساخت پروژه‌های نهایی مانند بازی‌ها یا مدل‌های سه‌بعدی ارتقا داده است.
این مدل اکنون از طریق وب‌سایت، اپلیکیشن و API در دسترس است و با ابزارهای زیر سازگاری کامل دارد:
* DeepSeekHarness
* Tencent CodeBuddy
* WorkBuddy
تیم توسعه‌دهنده توصیه می‌کند برای استفاده بهینه، به نسخه v0.2.1-rc.1 یا بالاترِ ابزار Harness ارتقا دهید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#DeepSeek_V4_1_Flash #DeepSeekHarness
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 تبدیل فایل‌های PDF به اپلیکیشن تعاملی با جمینای ۴
با استفاده از قابلیت Canvas در مدل هوش مصنوعی جمینای ۴، می‌توانید اسناد متنی و فایل‌های PDF طولانی را به برنامه‌های تحت وب پویا و انیمیشنی تبدیل کنید. این ابزار به جای ارائه خلاصه متنی ساده، داده‌های سند را به شکلی زنده و بصری نمایش می‌دهد.
برای اجرای این ترفند، کافی است فایل خود را آپلود کرده و از این پرامپت استفاده کنید:
پس از ارسال این دستور، هوش مصنوعی یک رابط کاربری تعاملی می‌سازد که از طریق آن می‌توانید داده‌های مهم سند را به صورت زنده بررسی کنید. این قابلیت برای تحلیل سریع‌تر اسناد حجیم و تبدیل اطلاعات متنی به خروجی‌های بصری در دسترس کاربران قرار گرفته است.
#جمینای_۴ #Canvas
با استفاده از قابلیت Canvas در مدل هوش مصنوعی جمینای ۴، می‌توانید اسناد متنی و فایل‌های PDF طولانی را به برنامه‌های تحت وب پویا و انیمیشنی تبدیل کنید. این ابزار به جای ارائه خلاصه متنی ساده، داده‌های سند را به شکلی زنده و بصری نمایش می‌دهد.
برای اجرای این ترفند، کافی است فایل خود را آپلود کرده و از این پرامپت استفاده کنید:
Turn this dense PDF into an interactive animated visual web app that I can scrub through to make the key moments come alive!پس از ارسال این دستور، هوش مصنوعی یک رابط کاربری تعاملی می‌سازد که از طریق آن می‌توانید داده‌های مهم سند را به صورت زنده بررسی کنید. این قابلیت برای تحلیل سریع‌تر اسناد حجیم و تبدیل اطلاعات متنی به خروجی‌های بصری در دسترس کاربران قرار گرفته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#جمینای_۴ #Canvas
🚀 افزایش سرعت پاسخ‌دهی در Claude و Claude Code
شرکت Anthropic با تغییرات فنی، زمان انتظار برای دریافت اولین توکن (Time to First Token) را به‌شکل قابل‌توجهی کاهش داده است. بر اساس گزارش تغییرات جدید، سرعت Claude Code در جلسات محلی تا ۳ برابر و در محیط‌های ابری تا ۲.۸ برابر افزایش یافته است.
این بهبود عملکرد در بخش‌های مختلف به شرح زیر است:
* Claude Code (محلی): کاهش زمان از ۴.۰۷ به ۱.۳۳ ثانیه.
* Claude Code (ابری): کاهش زمان از ۱۶.۹۹ به ۶ ثانیه.
* Claude (چت و Cowork): افزایش سرعت ۱.۵ برابری (از ۳.۳۶ به ۲.۱۷ ثانیه).
* Claude API: افزایش سرعت ۱.۵ برابری (از ۱.۵۳ به ۱.۰۱ ثانیه).
این تغییرات به دلیل انتقال تاریخچه گفتگو به صورت فشرده و همچنین پیش‌بارگذاری محیط ابری همزمان با تایپ کاربر رخ داده است. علاوه بر این، در Claude Code قابلیتی برای فشرده‌سازی خودکار مکالمات طولانی (بیش از ۲۰۰ هزار توکن) پس از ۵۴ دقیقه عدم فعالیت اضافه شده تا از انقضای کش پرامپت و پردازش مجدد هزینه‌بر جلوگیری شود.
#Claude_Code #Prompt_Caching
شرکت Anthropic با تغییرات فنی، زمان انتظار برای دریافت اولین توکن (Time to First Token) را به‌شکل قابل‌توجهی کاهش داده است. بر اساس گزارش تغییرات جدید، سرعت Claude Code در جلسات محلی تا ۳ برابر و در محیط‌های ابری تا ۲.۸ برابر افزایش یافته است.
این بهبود عملکرد در بخش‌های مختلف به شرح زیر است:
* Claude Code (محلی): کاهش زمان از ۴.۰۷ به ۱.۳۳ ثانیه.
* Claude Code (ابری): کاهش زمان از ۱۶.۹۹ به ۶ ثانیه.
* Claude (چت و Cowork): افزایش سرعت ۱.۵ برابری (از ۳.۳۶ به ۲.۱۷ ثانیه).
* Claude API: افزایش سرعت ۱.۵ برابری (از ۱.۵۳ به ۱.۰۱ ثانیه).
این تغییرات به دلیل انتقال تاریخچه گفتگو به صورت فشرده و همچنین پیش‌بارگذاری محیط ابری همزمان با تایپ کاربر رخ داده است. علاوه بر این، در Claude Code قابلیتی برای فشرده‌سازی خودکار مکالمات طولانی (بیش از ۲۰۰ هزار توکن) پس از ۵۴ دقیقه عدم فعالیت اضافه شده تا از انقضای کش پرامپت و پردازش مجدد هزینه‌بر جلوگیری شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude_Code #Prompt_Caching
🤖 رمزگشایی مدل Claude از معمای ۲۵ ساله ECDSA
مدل هوش مصنوعی Claude موفق شد در عرض ۳۰ دقیقه، منشأ پارامترهای انتخاب‌شده توسط NSA برای منحنی‌های بیضوی استاندارد NIST را کشف کند. این پارامترها که در دهه ۹۰ میلادی برای الگوریتم امضای دیجیتال ECDSA (مبنای امنیت HTTPS، Bitcoin و SSH) تعیین شده بودند، سال‌ها مورد تردید بودند و گمانه‌زنی‌های زیادی مبنی بر وجود «در پشتی» (Backdoor) در آن‌ها وجود داشت.
Claude با تحلیل داده‌ها فرضیه جدیدی مطرح کرد: مقادیر (Seeds) استفاده‌شده برای تولید این منحنی‌ها، خروجی یک مولد اعداد تصادفی ساده بوده که بر اساس زمان سیستم کار می‌کرده است. با بررسی تاریخ‌های بین مه ۱۹۹۷ تا آوریل ۱۹۹۸، مدل تأیید کرد که تمامی مقادیر با خروجی این مولد در زمان‌های مشخص مطابقت دارند.
در گزارش تحقیقاتی Anthropic، جزئیات این فرآیند بررسی شده است. مدل در حین حل مسئله حتی دچار تردید شده بود که آیا با یک سناریوی آزمایشی روبروست یا یک کشف واقعی، اما در نهایت با تطبیق بیت‌های کلیدی، صحت محاسبات خود را تأیید کرد.
#Claude #ECDSA
مدل هوش مصنوعی Claude موفق شد در عرض ۳۰ دقیقه، منشأ پارامترهای انتخاب‌شده توسط NSA برای منحنی‌های بیضوی استاندارد NIST را کشف کند. این پارامترها که در دهه ۹۰ میلادی برای الگوریتم امضای دیجیتال ECDSA (مبنای امنیت HTTPS، Bitcoin و SSH) تعیین شده بودند، سال‌ها مورد تردید بودند و گمانه‌زنی‌های زیادی مبنی بر وجود «در پشتی» (Backdoor) در آن‌ها وجود داشت.
Claude با تحلیل داده‌ها فرضیه جدیدی مطرح کرد: مقادیر (Seeds) استفاده‌شده برای تولید این منحنی‌ها، خروجی یک مولد اعداد تصادفی ساده بوده که بر اساس زمان سیستم کار می‌کرده است. با بررسی تاریخ‌های بین مه ۱۹۹۷ تا آوریل ۱۹۹۸، مدل تأیید کرد که تمامی مقادیر با خروجی این مولد در زمان‌های مشخص مطابقت دارند.
در گزارش تحقیقاتی Anthropic، جزئیات این فرآیند بررسی شده است. مدل در حین حل مسئله حتی دچار تردید شده بود که آیا با یک سناریوی آزمایشی روبروست یا یک کشف واقعی، اما در نهایت با تطبیق بیت‌های کلیدی، صحت محاسبات خود را تأیید کرد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude #ECDSA
❤2
🖼 انتشار مدل‌های جدید FLUX 3 و Krea 3
شرکت BFL مدل FLUX 3 Image Klein را با ۵.۶ میلیارد پارامتر به صورت متن‌باز عرضه کرد. این مدل به طور پیش‌فرض روی رزولوشن 4MP متمرکز است و از ۱۰ رفرنس برای کنترل چیدمان اشیاء پشتیبانی می‌کند. نسخه INT8 این مدل با ۸ گیگابایت VRAM اجرا می‌شود و تولید تصویر در رزولوشن 1MP با کارت گرافیک RTX 4070 کمتر از ۹ ثانیه زمان می‌برد. وزن‌های این مدل تحت لایسنس FLUX Kommunity منتشر شده که محدودیت‌هایی برای استفاده تجاری دارد.
در همین حال، Krea 3 وارد مرحله بتا شد. این ابزار تمرکز اصلی خود را بر ویرایش تصاویر گذاشته است و با استفاده از ۶ رفرنس، چهره‌ها و جزئیات کالاها را هنگام تغییر صحنه حفظ می‌کند. اکثر ویرایش‌ها در رزولوشن 2K این مدل زیر ۸ ثانیه انجام می‌شوند، اگرچه عملکرد آن در تولید تصویر از روی متن (text2image) با خطاهای بصری همراه است.
#FLUX_3_Image_Klein #Krea_3
شرکت BFL مدل FLUX 3 Image Klein را با ۵.۶ میلیارد پارامتر به صورت متن‌باز عرضه کرد. این مدل به طور پیش‌فرض روی رزولوشن 4MP متمرکز است و از ۱۰ رفرنس برای کنترل چیدمان اشیاء پشتیبانی می‌کند. نسخه INT8 این مدل با ۸ گیگابایت VRAM اجرا می‌شود و تولید تصویر در رزولوشن 1MP با کارت گرافیک RTX 4070 کمتر از ۹ ثانیه زمان می‌برد. وزن‌های این مدل تحت لایسنس FLUX Kommunity منتشر شده که محدودیت‌هایی برای استفاده تجاری دارد.
در همین حال، Krea 3 وارد مرحله بتا شد. این ابزار تمرکز اصلی خود را بر ویرایش تصاویر گذاشته است و با استفاده از ۶ رفرنس، چهره‌ها و جزئیات کالاها را هنگام تغییر صحنه حفظ می‌کند. اکثر ویرایش‌ها در رزولوشن 2K این مدل زیر ۸ ثانیه انجام می‌شوند، اگرچه عملکرد آن در تولید تصویر از روی متن (text2image) با خطاهای بصری همراه است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#FLUX_3_Image_Klein #Krea_3
Media is too big
VIEW IN TELEGRAM
🎥 عرضه عمومی مدل Kling 4.0 با قابلیت تولید ویدیو ۳۰ ثانیه‌ای
مدل هوش مصنوعی Kling 4.0 اکنون برای تمام کاربران در دسترس است. این نسخه چینی قابلیت تولید ویدیوهای ۳۰ ثانیه‌ای را دارد که نسبت به نسخه‌های قبلی دو برابر شده و دارای سیستم صوتی داخلی است.
کاربران می‌توانند برای تولید ویدیو از متن، تصاویر کلیدی و ویدیوهای مرجع استفاده کنند. همچنین، Kling از طریق پروتکل MCP به ایجنت‌های هوش مصنوعی متصل می‌شود که امکان ادغام تولید ویدیو در جریان‌های کاری خودکار را فراهم می‌کند.
نسخه سریع‌تر این مدل با نام Kling 4.0 Flash نیز از طریق سایت رسمی Kling قابل دسترسی و تست است. این قابلیت‌ها به کاربران اجازه می‌دهد ویدیوهایی در ابعاد تبلیغاتی کوتاه تولید کنند. جزئیات مربوط به تعرفه‌های استفاده از این سرویس هنوز اعلام نشده است.
#Kling_4 #MCP
مدل هوش مصنوعی Kling 4.0 اکنون برای تمام کاربران در دسترس است. این نسخه چینی قابلیت تولید ویدیوهای ۳۰ ثانیه‌ای را دارد که نسبت به نسخه‌های قبلی دو برابر شده و دارای سیستم صوتی داخلی است.
کاربران می‌توانند برای تولید ویدیو از متن، تصاویر کلیدی و ویدیوهای مرجع استفاده کنند. همچنین، Kling از طریق پروتکل MCP به ایجنت‌های هوش مصنوعی متصل می‌شود که امکان ادغام تولید ویدیو در جریان‌های کاری خودکار را فراهم می‌کند.
نسخه سریع‌تر این مدل با نام Kling 4.0 Flash نیز از طریق سایت رسمی Kling قابل دسترسی و تست است. این قابلیت‌ها به کاربران اجازه می‌دهد ویدیوهایی در ابعاد تبلیغاتی کوتاه تولید کنند. جزئیات مربوط به تعرفه‌های استفاده از این سرویس هنوز اعلام نشده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Kling_4 #MCP
Media is too big
VIEW IN TELEGRAM
🎤 انتشار نسخه ۲.۰ مدل OmniHuman توسط بایت‌دنس
شرکت بایت‌دنس مدل OmniHuman 2.0 را منتشر کرد که می‌تواند یک عکس ثابت از چهره انسان را بر اساس فایل صوتی، به ویدیو تبدیل کند. این مدل با تحلیل لحن و محتوای صوت، حرکات لب، میمیک چهره و ژست‌های بدن را به‌صورت خودکار هماهنگ می‌کند.
مهم‌ترین تغییرات این نسخه عبارتند از:
* افزایش زمان خروجی ویدیو به ۵ دقیقه برای هر تصویر.
* کاهش هزینه استفاده از خدمات پلتفرم BytePlus به ۰.۰۷ دلار برای هر ثانیه.
* کاهش هزینه پردازش پنج دقیقه ویدیو از ۳۶ دلار به ۲۱ دلار.
خروجی فعلی این مدل با رزولوشن 720p تولید می‌شود و امکان ساخت ویدیوهای طولانی از یک عکس را بدون نیاز به تجهیزات استودیویی فراهم کرده است.
#OmniHuman_2 #BytePlus
شرکت بایت‌دنس مدل OmniHuman 2.0 را منتشر کرد که می‌تواند یک عکس ثابت از چهره انسان را بر اساس فایل صوتی، به ویدیو تبدیل کند. این مدل با تحلیل لحن و محتوای صوت، حرکات لب، میمیک چهره و ژست‌های بدن را به‌صورت خودکار هماهنگ می‌کند.
مهم‌ترین تغییرات این نسخه عبارتند از:
* افزایش زمان خروجی ویدیو به ۵ دقیقه برای هر تصویر.
* کاهش هزینه استفاده از خدمات پلتفرم BytePlus به ۰.۰۷ دلار برای هر ثانیه.
* کاهش هزینه پردازش پنج دقیقه ویدیو از ۳۶ دلار به ۲۱ دلار.
خروجی فعلی این مدل با رزولوشن 720p تولید می‌شود و امکان ساخت ویدیوهای طولانی از یک عکس را بدون نیاز به تجهیزات استودیویی فراهم کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#OmniHuman_2 #BytePlus
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #1 | 📌 8 آیتم گزارش | 🧾 از 19 پست بررسی‌شده
🕐 جمعه 1405/07/24 ساعت 14:00 تا یکشنبه 1405/07/26 ساعت 14:00
🔎 تحلیل کوتاه
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🧬 سلامت و پژوهش‌های علمی
📚 آموزش و مسیرهای شغلی
🗂 گزارش #1 | 📌 8 آیتم گزارش | 🧾 از 19 پست بررسی‌شده
🕐 جمعه 1405/07/24 ساعت 14:00 تا یکشنبه 1405/07/26 ساعت 14:00
🔎 تحلیل کوتاه
مدل‌های هوش مصنوعی با افزایش سرعت پاسخ‌دهی و کاهش تأخیر، قابلیت‌های خود را در پردازش‌های محلی و محیط‌های ابری توسعه داده‌اند. این بهبودها، از کاهش زمان انتظار برای دریافت اولین توکن تا ارتقای حافظه ایجنت‌ها و تحلیل‌های پیچیده، کارایی ابزارها را در سناریوهای عملیاتی افزایش داده است.
🤖 مدل‌ها و ابزارهای هوش مصنوعی
افزایش سرعت پاسخ‌دهی در مدل‌های Anthropic
کاهش زمان انتظار برای دریافت اولین توکن در Claude و Claude Code تا سه برابر در محیط‌های محلی.
🔗 مشاهده پست
انتشار مجموعه حافظه ایجنت‌های Hy-Memory 2.0
سه‌گانه تنسنت شامل مدل، فریم‌ورک و MemHub برای مدیریت حافظه مکالمات، وظایف و کد.
🔗 مشاهده پست
عرضه مدل DeepSeek-V4.1-Flash
بهینه‌سازی مدل برای افزایش سرعت و بهبود توانایی ساخت کامل پروژه‌ها از صفر.
🔗 مشاهده پست
انتشار مدل‌های جدید تولید تصویر FLUX 3 و Krea 3
عرضه مدل متن‌باز FLUX 3 و ورود ابزار ویرایش تصویر Krea 3 به مرحله بتا.
🔗 مشاهده پست
🧬 سلامت و پژوهش‌های علمی
کاشت موفقیت‌آمیز تراشه بینایی PRIMA
بازگرداندن توانایی خواندن کلمات به بیمار مبتلا به بیماری ژنتیکی اشتاگارت.
🔗 نسخه مفصل در سایت
سرمایه‌گذاری ۱۵ میلیون دلاری در اثبات‌های ریاضی
حمایت بنیاد سایمونز از ارزیابی نتایج هوش مصنوعی با مشارکت OpenAI و Anthropic.
🔗 مطالعه کامل در سایت
📚 آموزش و مسیرهای شغلی
چهار مسیر شغلی در علم داده
تحلیل تفاوت‌های تخصص مهندسی داده، دانشمند داده، مهندس یادگیری ماشین و تحلیلگر داده.
🔗 ادامه مطلب در سایت
متد چهارمرحله‌ای جورج پولیا برای هوش مصنوعی
راهنمای تقویت تفکر تحلیلی و حل مسائل پیچیده با استفاده از روش تاریخی جورج پولیا.
🔗 مطالعه کامل در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 انتشار مدل Nemotron 3.5 Super VL انویدیا
انویدیا مدل جدید Nemotron 3.5 Super VL را معرفی کرد؛ یک مدل 120 میلیارد پارامتری از نوع MoE که تنها 12 میلیارد پارامتر آن در لحظه فعال است. این مدل بدون نیاز به مدل جانبی، قابلیت پردازش تصویر، اسناد و ویدیو را در یک ساختار واحد ارائه می‌دهد.
ویژگی‌های فنی این مدل شامل موارد زیر است:
* معماری Sparsity: استفاده از 512 کارشناس در هر لایه MoE که با لایه‌های Mamba-2 و Attention ترکیب شده‌اند تا ظرفیت مدل‌های بزرگ را با هزینه محاسباتی مدل‌های کوچک فراهم کند.
* ورودی بصری یکپارچه: استفاده از انکودر C-RADIO برای پردازش مستقیم تصاویر و ویدیوها در هسته اصلی استدلال.
* سرعت بالا: بهره‌گیری از قابلیت Multi-token prediction که در کنار سخت‌افزار DGX Spark، سرعت تولید توکن را تا 2.3 برابر افزایش می‌دهد.
* عملکرد در بنچمارک‌ها: مدل موفق شده در آزمون‌های Hermes Bench (63.44%) و LangChain (87.05%) از نسخه قبلی خود پیشی بگیرد.
جزئیات بیشتر را می‌توانید در وبلاگ فنی انویدیا مطالعه کنید. تحلیل کامل این انتشار نیز در MarkTechPost در دسترس است.
🇮🇷 سایت | تلگرام
انویدیا مدل جدید Nemotron 3.5 Super VL را معرفی کرد؛ یک مدل 120 میلیارد پارامتری از نوع MoE که تنها 12 میلیارد پارامتر آن در لحظه فعال است. این مدل بدون نیاز به مدل جانبی، قابلیت پردازش تصویر، اسناد و ویدیو را در یک ساختار واحد ارائه می‌دهد.
ویژگی‌های فنی این مدل شامل موارد زیر است:
* معماری Sparsity: استفاده از 512 کارشناس در هر لایه MoE که با لایه‌های Mamba-2 و Attention ترکیب شده‌اند تا ظرفیت مدل‌های بزرگ را با هزینه محاسباتی مدل‌های کوچک فراهم کند.
* ورودی بصری یکپارچه: استفاده از انکودر C-RADIO برای پردازش مستقیم تصاویر و ویدیوها در هسته اصلی استدلال.
* سرعت بالا: بهره‌گیری از قابلیت Multi-token prediction که در کنار سخت‌افزار DGX Spark، سرعت تولید توکن را تا 2.3 برابر افزایش می‌دهد.
* عملکرد در بنچمارک‌ها: مدل موفق شده در آزمون‌های Hermes Bench (63.44%) و LangChain (87.05%) از نسخه قبلی خود پیشی بگیرد.
جزئیات بیشتر را می‌توانید در وبلاگ فنی انویدیا مطالعه کنید. تحلیل کامل این انتشار نیز در MarkTechPost در دسترس است.
🇮🇷 سایت | تلگرام
🌐 انتشار عمومی SPACE توسط Perplexity
تیم پرپلکسیتی پروژه SPACE را تحت مجوز Apache 2.0 منتشر کرد. این ابزار یک محیط سندباکس مبتنی بر Firecracker microVM است که برای اجرای وظایف ایجنت‌های هوش مصنوعی توسعه یافته و با زبان Rust نوشته شده است.
ویژگی‌های اصلی این سیستم عبارتند از:
* ایزوله‌سازی در سطح ماشین مجازی: هر وظیفه ایجنت در یک microVM اختصاصی با کرنل مجزا اجرا می‌شود و ایجنت دسترسی root کامل در آن محیط دارد، بدون اینکه به سیستم میزبان دسترسی پیدا کند.
* مدیریت امنیت شبکه: اعتبارنامه‌ها داخل VM ذخیره نمی‌شوند و در لایه شبکه تزریق می‌شوند. یک درگاه در سطح میزبان، سیاست‌های خروجی را برای هر اتصال کنترل می‌کند.
* طراحی برای ایجنت‌های طولانی‌مدت: سیستم از قابلیت‌های Pause و Suspend پشتیبانی می‌کند که امکان ذخیره وضعیت حافظه و فایل‌سیستم را فراهم کرده و منابع را آزاد می‌کند.
* سازگاری: این پروژه از Btrfs برای فایل‌سیستم‌های copy-on-write استفاده می‌کند و با رابط E2B SDK سازگار است.
در ارزیابی امنیتی این سیستم با استفاده از ۹ مدل زبانی پیشرو، هیچ موردی از فرار از VM به میزبان گزارش نشد.
تیم پرپلکسیتی پروژه SPACE را تحت مجوز Apache 2.0 منتشر کرد. این ابزار یک محیط سندباکس مبتنی بر Firecracker microVM است که برای اجرای وظایف ایجنت‌های هوش مصنوعی توسعه یافته و با زبان Rust نوشته شده است.
ویژگی‌های اصلی این سیستم عبارتند از:
* ایزوله‌سازی در سطح ماشین مجازی: هر وظیفه ایجنت در یک microVM اختصاصی با کرنل مجزا اجرا می‌شود و ایجنت دسترسی root کامل در آن محیط دارد، بدون اینکه به سیستم میزبان دسترسی پیدا کند.
* مدیریت امنیت شبکه: اعتبارنامه‌ها داخل VM ذخیره نمی‌شوند و در لایه شبکه تزریق می‌شوند. یک درگاه در سطح میزبان، سیاست‌های خروجی را برای هر اتصال کنترل می‌کند.
* طراحی برای ایجنت‌های طولانی‌مدت: سیستم از قابلیت‌های Pause و Suspend پشتیبانی می‌کند که امکان ذخیره وضعیت حافظه و فایل‌سیستم را فراهم کرده و منابع را آزاد می‌کند.
* سازگاری: این پروژه از Btrfs برای فایل‌سیستم‌های copy-on-write استفاده می‌کند و با رابط E2B SDK سازگار است.
در ارزیابی امنیتی این سیستم با استفاده از ۹ مدل زبانی پیشرو، هیچ موردی از فرار از VM به میزبان گزارش نشد.
🤖 انتشار چارچوب Harness² گوگل برای بهبود ایجنت‌های هوش مصنوعی
گوگل ابزار متن‌باز Harness² را برای بهینه‌سازی عملکرد ایجنت‌های هوش مصنوعی منتشر کرده است. این چارچوب به جای بازآموزی مدل، به ایجنت اجازه می‌دهد تا «هارنس» (Harness) یا همان محیط تعاملی خود را بازنویسی کند.
فرایند اصلی این سیستم شامل سه مرحله است:
* Propose: پیشنهاد تغییرات در هارنس.
* Probe: بررسی تغییرات در همان تسک.
* Compose: اعمال تغییراتی که توسط شواهد رفتاری تأیید شده‌اند.
این روش نیازی به برچسب‌های حقیقت (Ground-truth) یا وریفایر ندارد. در سطح دوم، این سیستم تجربیات کسب‌شده را در یک کتابخانه ذخیره می‌کند تا ایجنت در تسک‌های بعدی از دانش پیشین استفاده کند. طبق نتایج مقاله، یک مرحله اصلاح با این روش، امتیاز GLM-5 را در بنچمارک WorkBuddy تا ۱۱.۵ واحد و در بنچمارک قانونی LAB تا ۱۱.۸ واحد بهبود داده است.
Harness² شامل مهم‌ترین مؤلفه‌ها قابل ویرایش از جمله پرامپت سیستم، حافظه، راهنمای ابزار و پلاگین‌ها است و تحت لایسنس Apache-2.0 عرضه می‌شود.
گوگل ابزار متن‌باز Harness² را برای بهینه‌سازی عملکرد ایجنت‌های هوش مصنوعی منتشر کرده است. این چارچوب به جای بازآموزی مدل، به ایجنت اجازه می‌دهد تا «هارنس» (Harness) یا همان محیط تعاملی خود را بازنویسی کند.
فرایند اصلی این سیستم شامل سه مرحله است:
* Propose: پیشنهاد تغییرات در هارنس.
* Probe: بررسی تغییرات در همان تسک.
* Compose: اعمال تغییراتی که توسط شواهد رفتاری تأیید شده‌اند.
این روش نیازی به برچسب‌های حقیقت (Ground-truth) یا وریفایر ندارد. در سطح دوم، این سیستم تجربیات کسب‌شده را در یک کتابخانه ذخیره می‌کند تا ایجنت در تسک‌های بعدی از دانش پیشین استفاده کند. طبق نتایج مقاله، یک مرحله اصلاح با این روش، امتیاز GLM-5 را در بنچمارک WorkBuddy تا ۱۱.۵ واحد و در بنچمارک قانونی LAB تا ۱۱.۸ واحد بهبود داده است.
Harness² شامل مهم‌ترین مؤلفه‌ها قابل ویرایش از جمله پرامپت سیستم، حافظه، راهنمای ابزار و پلاگین‌ها است و تحت لایسنس Apache-2.0 عرضه می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما