🟢 معرفی سخت‌افزارهای جدید انویدیا از لپ‌تاپ تا دیتاسنتر
انویدیا در کنفرانس برلین از محصولات جدید خود برای پردازش‌های هوش مصنوعی رونمایی کرد که شامل طیف وسیعی از دستگاه‌هاست:
* تراشه RTX Spark: این چیپ که برای لپ‌تاپ‌ها طراحی شده، پردازنده و کارت گرافیک معماری Blackwell را روی یک کریستال ادغام کرده است. با ۱۲۸ گیگابایت حافظه اشتراکی، این تراشه توان عملیاتی تا ۱ پتافلاپس را ارائه می‌دهد و امکان اجرای محلی مدل‌هایی با پارامترهای تا ۱۲۰ میلیارد را فراهم می‌کند. مدل‌های مجهز به این تراشه توسط شرکت‌هایی مانند مایکروسافت، دل، لنوو و ایسوس با قیمت پایه ۲۶۰۰ دلار عرضه می‌شوند.
* معماری Vera Rubin: این نسل جدید پردازنده‌ها پس از Blackwell به تولید انبوه رسیده و به‌طور اختصاصی برای پشتیبانی از ایجنت‌های هوش مصنوعی توسعه یافته است.
* کارخانه‌های هوش مصنوعی (DSX POD): این زیرساخت‌ها به‌صورت کانتینرهای آماده عرضه می‌شوند که با وزن ۲۸.۵ تن و ۱۰ میلیون قطعه، زمان راه‌اندازی دیتاسنتر را از ۶ ماه به ۱۴ روز کاهش می‌دهند. این سیستم‌ها مصرف برق را ۳۰ درصد کاهش داده و با حداقل آب خنک‌کاری می‌شوند.
🇮🇷 سایت | تلگرام
انویدیا در کنفرانس برلین از محصولات جدید خود برای پردازش‌های هوش مصنوعی رونمایی کرد که شامل طیف وسیعی از دستگاه‌هاست:
* تراشه RTX Spark: این چیپ که برای لپ‌تاپ‌ها طراحی شده، پردازنده و کارت گرافیک معماری Blackwell را روی یک کریستال ادغام کرده است. با ۱۲۸ گیگابایت حافظه اشتراکی، این تراشه توان عملیاتی تا ۱ پتافلاپس را ارائه می‌دهد و امکان اجرای محلی مدل‌هایی با پارامترهای تا ۱۲۰ میلیارد را فراهم می‌کند. مدل‌های مجهز به این تراشه توسط شرکت‌هایی مانند مایکروسافت، دل، لنوو و ایسوس با قیمت پایه ۲۶۰۰ دلار عرضه می‌شوند.
* معماری Vera Rubin: این نسل جدید پردازنده‌ها پس از Blackwell به تولید انبوه رسیده و به‌طور اختصاصی برای پشتیبانی از ایجنت‌های هوش مصنوعی توسعه یافته است.
* کارخانه‌های هوش مصنوعی (DSX POD): این زیرساخت‌ها به‌صورت کانتینرهای آماده عرضه می‌شوند که با وزن ۲۸.۵ تن و ۱۰ میلیون قطعه، زمان راه‌اندازی دیتاسنتر را از ۶ ماه به ۱۴ روز کاهش می‌دهند. این سیستم‌ها مصرف برق را ۳۰ درصد کاهش داده و با حداقل آب خنک‌کاری می‌شوند.
🇮🇷 سایت | تلگرام
❤1
🚀 عرضه TorchTPU: پشتیبانی بومی PyTorch از TPUهای گوگل
گوگل ابزار TorchTPU را به صورت متن‌باز منتشر کرد. این پروژه یک بک‌اند بومی برای PyTorch است که TPUهای گوگل را به عنوان یک دستگاه معمولی در PyTorch شناسایی می‌کند. این جایگزین برای PyTorch/XLA، با همکاری متا توسعه یافته و تحت مجوز Apache 2.0 عرضه شده است.
ویژگی اصلی این نسخه، استفاده از ثبت PrivateUse1 است؛ بنابراین تنسورها بدون نیاز به JAX runtime در حالت عادی باقی می‌مانند. اجرای کد به صورت پیش‌فرض به شکل eager است و در صورت استفاده از
مهم‌ترین نکات فنی:
- رسیدن به ۵۲ درصد MFU در آموزش مدل Qwen 3 8B.
- مقیاس‌پذیری خطی تا ۸۱۹۲ واحد TPU.
- بهبود سرعت اجرا از ۱۱.۴۹ ثانیه به ۲.۷۸ ثانیه پس از کامپایل و شاردینگ.
این ابزار هم‌اکنون در vLLM، SGLang و نسخه پنجم Hugging Face Transformers پشتیبانی می‌شود. جزئیات بیشتر را می‌توانید در مقاله فنی یا مستندات آن مشاهده کنید.
#TorchTPU #PyTorchOnTPU
گوگل ابزار TorchTPU را به صورت متن‌باز منتشر کرد. این پروژه یک بک‌اند بومی برای PyTorch است که TPUهای گوگل را به عنوان یک دستگاه معمولی در PyTorch شناسایی می‌کند. این جایگزین برای PyTorch/XLA، با همکاری متا توسعه یافته و تحت مجوز Apache 2.0 عرضه شده است.
ویژگی اصلی این نسخه، استفاده از ثبت PrivateUse1 است؛ بنابراین تنسورها بدون نیاز به JAX runtime در حالت عادی باقی می‌مانند. اجرای کد به صورت پیش‌فرض به شکل eager است و در صورت استفاده از
torch.compile، از طریق StableHLO به XLA منتقل می‌شود.مهم‌ترین نکات فنی:
- رسیدن به ۵۲ درصد MFU در آموزش مدل Qwen 3 8B.
- مقیاس‌پذیری خطی تا ۸۱۹۲ واحد TPU.
- بهبود سرعت اجرا از ۱۱.۴۹ ثانیه به ۲.۷۸ ثانیه پس از کامپایل و شاردینگ.
این ابزار هم‌اکنون در vLLM، SGLang و نسخه پنجم Hugging Face Transformers پشتیبانی می‌شود. جزئیات بیشتر را می‌توانید در مقاله فنی یا مستندات آن مشاهده کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#TorchTPU #PyTorchOnTPU
🤖 سیستم WorkForge برای آموزش خودکار عوامل هوش مصنوعی
پروژه WorkForge روشی برای تولید خودکار محیط‌های تمرینی از روی فایل‌ها و گردش‌کارهای واقعی ارائه داده است. این سیستم با تحلیل اسناد، حقایق قابل‌بررسی را استخراج و بر اساس آن‌ها، تسک‌ها و معیارهای ارزیابی طراحی می‌کند.
این رویکرد شامل چهار مرحله اصلی است:
* گردش کار کارشناس: تعریف حوزه‌ها، اهداف و خروجی‌های مورد انتظار.
* سنتز محیط: ساخت فضای کاری شامل ابزارها، فایل‌ها و وضعیت اولیه با استفاده از یک عامل فراخوانی.
* تولید تسک: ایجاد دستورالعمل‌ها و ماژول‌های ارزیابی شامل قاضی برنامه‌نویسی‌شده و معنایی.
* تولید مسیر اجرا: تعامل عامل حل‌کننده با محیط و امتیازدهی به خروجی‌ها.
ارزیابی‌ها نشان می‌دهد پس از آموزش مدل
#WorkForge #Qwen3_5
پروژه WorkForge روشی برای تولید خودکار محیط‌های تمرینی از روی فایل‌ها و گردش‌کارهای واقعی ارائه داده است. این سیستم با تحلیل اسناد، حقایق قابل‌بررسی را استخراج و بر اساس آن‌ها، تسک‌ها و معیارهای ارزیابی طراحی می‌کند.
این رویکرد شامل چهار مرحله اصلی است:
* گردش کار کارشناس: تعریف حوزه‌ها، اهداف و خروجی‌های مورد انتظار.
* سنتز محیط: ساخت فضای کاری شامل ابزارها، فایل‌ها و وضعیت اولیه با استفاده از یک عامل فراخوانی.
* تولید تسک: ایجاد دستورالعمل‌ها و ماژول‌های ارزیابی شامل قاضی برنامه‌نویسی‌شده و معنایی.
* تولید مسیر اجرا: تعامل عامل حل‌کننده با محیط و امتیازدهی به خروجی‌ها.
ارزیابی‌ها نشان می‌دهد پس از آموزش مدل
Qwen3.5-35B-A3B-Base با این داده‌ها، امتیاز GDPVal از ۴۵.۵ به ۷۳.۶ و امتیاز APEX Score از ۵.۰ به ۲۱.۳ افزایش یافته است. این سیستم تاکنون ۱۶.۷ هزار محیط در ۴۰ حوزه تخصصی و با ۶۰ نوع فایل مختلف ایجاد کرده است.🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#WorkForge #Qwen3_5
🤖 استفاده گروه سایبری از مدل‌های هوش مصنوعی برای حملات مالی
گروه «CyberCartel» با بهره‌گیری از مدل‌های هوش مصنوعی مانند Claude، Grok و Kimi، حملات خودکار علیه بیش از ۴۰۰ هدف بانکی و مالی در آمریکای لاتین را سازماندهی کرده است. طبق گزارش Straiker، این عاملان با استفاده از هوش مصنوعی، بخش بزرگی از فرآیند شناسایی اهداف، کدنویسی حملات و پردازش داده‌های سرقت‌شده را خودکارسازی کرده‌اند.
ساختار عملیاتی این گروه که با نام Hexagon C2 شناخته می‌شود، شامل اجزای زیر است:
* گره‌های فرمان‌دهی: دو نود اصلی برای هماهنگی تاکتیکی و توسعه اشتراکی عملیات.
* سطوح هوش مصنوعی: استفاده از API مدل‌های مختلف؛ در حال حاضر برخی مدل‌ها مسدود شده و برخی دیگر از طریق کلیدهای سرقت‌شده فعال هستند.
* لایه اجرا و ناشناسی: استفاده از
* بردار‌های نفوذ: شامل شناسایی داده‌های باارزش، شکار اعتبارنامه‌ها و گسترش نفوذ در زیرساخت اهداف.
پس از گزارش این فعالیت‌ها، Anthropic دسترسی گروه به
گروه «CyberCartel» با بهره‌گیری از مدل‌های هوش مصنوعی مانند Claude، Grok و Kimi، حملات خودکار علیه بیش از ۴۰۰ هدف بانکی و مالی در آمریکای لاتین را سازماندهی کرده است. طبق گزارش Straiker، این عاملان با استفاده از هوش مصنوعی، بخش بزرگی از فرآیند شناسایی اهداف، کدنویسی حملات و پردازش داده‌های سرقت‌شده را خودکارسازی کرده‌اند.
ساختار عملیاتی این گروه که با نام Hexagon C2 شناخته می‌شود، شامل اجزای زیر است:
* گره‌های فرمان‌دهی: دو نود اصلی برای هماهنگی تاکتیکی و توسعه اشتراکی عملیات.
* سطوح هوش مصنوعی: استفاده از API مدل‌های مختلف؛ در حال حاضر برخی مدل‌ها مسدود شده و برخی دیگر از طریق کلیدهای سرقت‌شده فعال هستند.
* لایه اجرا و ناشناسی: استفاده از
Playwright برای اجرای محلی و عبور ترافیک از تونل SOCKS5.* بردار‌های نفوذ: شامل شناسایی داده‌های باارزش، شکار اعتبارنامه‌ها و گسترش نفوذ در زیرساخت اهداف.
پس از گزارش این فعالیت‌ها، Anthropic دسترسی گروه به
Claude را مسدود کرده و xAI نیز تحقیقات خود را درباره استفاده از Grok آغاز کرده است.🔍 کاهش توکن‌های استدلال در مدل ThinkingCap-Qwen
شرکت BottleCap AI مدل ThinkingCap-Qwen3.8-Flash-Next را با هدف بهینه‌سازی فرآیند تفکر مدل‌های زبانی منتشر کرد. این نسخه با محدود کردن گام‌های غیرضروری در استدلال مدل، تعداد توکن‌های «Thinking» را کاهش می‌دهد.
طبق داده‌های تیم توسعه‌دهنده:
- کاهش میانگین ۳۸.۵ درصدی توکن‌های استدلال (در برخی تست‌ها تا ۵۱ درصد).
- کاهش ۱.۰۳ درصدی دقت پاسخ‌ها.
- در نسخه ThinkingCap PRO، کاهش میانگین توکن‌های تفکر تا ۶۰ درصد اعلام شده است.
این مدل برای شرایطی طراحی شده که مراحل اضافی استدلال تأثیر ناچیزی بر صحت پاسخ نهایی دارند. البته باید توجه داشت که کاهش توکن‌های استدلال به معنای افزایش سرعت کل درخواست نیست، زیرا پردازش متن و تولید خروجی همچنان زمان‌بر است.
نسخه اصلی این مدل در Hugging Face و نسخه GGUF برای اجرای محلی در دسترس قرار گرفته است. اطلاعات بیشتر و محاسبه‌گر تأخیر را می‌توانید در بلاگ شرکت مشاهده کنید.
#ThinkingCap_Qwen3 #GGUF
شرکت BottleCap AI مدل ThinkingCap-Qwen3.8-Flash-Next را با هدف بهینه‌سازی فرآیند تفکر مدل‌های زبانی منتشر کرد. این نسخه با محدود کردن گام‌های غیرضروری در استدلال مدل، تعداد توکن‌های «Thinking» را کاهش می‌دهد.
طبق داده‌های تیم توسعه‌دهنده:
- کاهش میانگین ۳۸.۵ درصدی توکن‌های استدلال (در برخی تست‌ها تا ۵۱ درصد).
- کاهش ۱.۰۳ درصدی دقت پاسخ‌ها.
- در نسخه ThinkingCap PRO، کاهش میانگین توکن‌های تفکر تا ۶۰ درصد اعلام شده است.
این مدل برای شرایطی طراحی شده که مراحل اضافی استدلال تأثیر ناچیزی بر صحت پاسخ نهایی دارند. البته باید توجه داشت که کاهش توکن‌های استدلال به معنای افزایش سرعت کل درخواست نیست، زیرا پردازش متن و تولید خروجی همچنان زمان‌بر است.
نسخه اصلی این مدل در Hugging Face و نسخه GGUF برای اجرای محلی در دسترس قرار گرفته است. اطلاعات بیشتر و محاسبه‌گر تأخیر را می‌توانید در بلاگ شرکت مشاهده کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#ThinkingCap_Qwen3 #GGUF
🌐 انتشار نسخه ۱.۰ پشته نرم‌افزاری llm-d برای استنتاج توزیع‌شده
توسعه‌دهندگان گوگل، رد‌هت و آی‌بی‌ام نسخه اول llm-d را عرضه کردند. این ابزار مجموعه‌ای از سرورهای vLLM و SGLang را در کوبرنتیز به یک استخر استنتاج هماهنگ تبدیل می‌کند.
ایمهم‌ترین اصولی این سیستم، مسیریابی آگاه از کش (cache-aware) است. روتر مشخص می‌کند که کدام نسخه از مدل (replica) پیشوند (prefix) مربوط به هر ایجنت را در اختیار دارد و درخواست‌های بعدی را به همان سمت هدایت می‌کند. در صورت تکمیل حافظه GPU یا TPU، به جای حذف داده‌ها، حافظه KV کش به رم سیستم، SSD یا Managed Lustre منتقل می‌شود.
نتایج اولیه در بنچمارک‌های گوگل نشان می‌دهد:
* نرخ موفقیت کش پیشوند مدل جمینای از ۳۵ به ۷۰ درصد رسیده است.
* توان عملیاتی (throughput) در مقیاس ۱۷ هزار گره GKE تا ۲.۹ برابر افزایش یافته است.
این ابزار تحت مجوز Apache 2.0 منتشر شده و از پردازنده‌های گرافیکی انویدیا، AMD، اینتل و همچنین TPUهای گوگل پشتیبانی می‌کند. مستندات فنی و جزئیات بیشتر در سایت پروژه و وبلاگ گوگل قابل دسترسی است.
🇮🇷 سایت | تلگرام
توسعه‌دهندگان گوگل، رد‌هت و آی‌بی‌ام نسخه اول llm-d را عرضه کردند. این ابزار مجموعه‌ای از سرورهای vLLM و SGLang را در کوبرنتیز به یک استخر استنتاج هماهنگ تبدیل می‌کند.
ایمهم‌ترین اصولی این سیستم، مسیریابی آگاه از کش (cache-aware) است. روتر مشخص می‌کند که کدام نسخه از مدل (replica) پیشوند (prefix) مربوط به هر ایجنت را در اختیار دارد و درخواست‌های بعدی را به همان سمت هدایت می‌کند. در صورت تکمیل حافظه GPU یا TPU، به جای حذف داده‌ها، حافظه KV کش به رم سیستم، SSD یا Managed Lustre منتقل می‌شود.
نتایج اولیه در بنچمارک‌های گوگل نشان می‌دهد:
* نرخ موفقیت کش پیشوند مدل جمینای از ۳۵ به ۷۰ درصد رسیده است.
* توان عملیاتی (throughput) در مقیاس ۱۷ هزار گره GKE تا ۲.۹ برابر افزایش یافته است.
این ابزار تحت مجوز Apache 2.0 منتشر شده و از پردازنده‌های گرافیکی انویدیا، AMD، اینتل و همچنین TPUهای گوگل پشتیبانی می‌کند. مستندات فنی و جزئیات بیشتر در سایت پروژه و وبلاگ گوگل قابل دسترسی است.
🇮🇷 سایت | تلگرام
اثبات حدس ریاضی KLS با کمک هوش مصنوعی
محققان مایکروسافت به همراه همکاران خود موفق به حل حدس KLS شدند؛ مسئله‌ای در هندسه و احتمالات که از سال ۱۹۹۵ تاکنون حل‌نشده باقی مانده بود. این حدس بیان می‌کند که برای توزیع‌های احتمالی با ابعاد بالا، بهترین برشِ «تخت» (صفحه) حداکثر با یک ثابت جهانی از بهترین برش با هر شکل دلخواه متفاوت است.
در این پژوهش، مدل‌های هوش مصنوعی با بررسی بیش از ۱۰۰ رویکرد مختلف، به محققان در انجام محاسبات و اعتبارسنجی استدلال‌ها کمک کردند. بر اساس گزارش مایکروسافت، تلاش برای حل این مسئله بدون هدایت انسانی و با همان بودجه پردازشی، به نتیجه نرسیده بود.
این دستاورد با چند روش مکمل تأیید شده است که مهم‌ترین آن‌ها عبارتند از:
* انتشار اثبات‌های مستقل و موازی توسط گروه‌های دیگر.
* فرمالیزه‌سازی و تأیید محاسباتی بخشی از اثبات با استفاده از Lean 4.
این هم‌افزایی میان روش‌های سنتی ریاضی و ابزارهای هوش مصنوعی، مبانی نظری جدیدی برای الگوریتم‌های نمونه‌برداری و بهینه‌سازی فراهم کرده است.
#KLS_conjecture #Lean_4
محققان مایکروسافت به همراه همکاران خود موفق به حل حدس KLS شدند؛ مسئله‌ای در هندسه و احتمالات که از سال ۱۹۹۵ تاکنون حل‌نشده باقی مانده بود. این حدس بیان می‌کند که برای توزیع‌های احتمالی با ابعاد بالا، بهترین برشِ «تخت» (صفحه) حداکثر با یک ثابت جهانی از بهترین برش با هر شکل دلخواه متفاوت است.
در این پژوهش، مدل‌های هوش مصنوعی با بررسی بیش از ۱۰۰ رویکرد مختلف، به محققان در انجام محاسبات و اعتبارسنجی استدلال‌ها کمک کردند. بر اساس گزارش مایکروسافت، تلاش برای حل این مسئله بدون هدایت انسانی و با همان بودجه پردازشی، به نتیجه نرسیده بود.
این دستاورد با چند روش مکمل تأیید شده است که مهم‌ترین آن‌ها عبارتند از:
* انتشار اثبات‌های مستقل و موازی توسط گروه‌های دیگر.
* فرمالیزه‌سازی و تأیید محاسباتی بخشی از اثبات با استفاده از Lean 4.
این هم‌افزایی میان روش‌های سنتی ریاضی و ابزارهای هوش مصنوعی، مبانی نظری جدیدی برای الگوریتم‌های نمونه‌برداری و بهینه‌سازی فراهم کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#KLS_conjecture #Lean_4
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #4 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسی‌شده
🕐 چهارشنبه 1405/07/29 ساعت 14:00 تا جمعه 1405/08/01 ساعت 14:00
🔎 تحلیل فنی و پیامد عملی
🤖 مدل‌ها و ابزارهای توسعه
🛠️ کاربردهای تخصصی و مهندسی نرم‌افزار
📊 مطالعات مفهومی و بازخورد کاربران
🗂 گزارش #4 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسی‌شده
🕐 چهارشنبه 1405/07/29 ساعت 14:00 تا جمعه 1405/08/01 ساعت 14:00
🔎 تحلیل فنی و پیامد عملی
توسعه اخیر زیرساخت‌های اجرای هوش مصنوعی بر کاهش بار حافظه و بهینه‌سازی مسیر داده تمرکز دارد. پشته نرم‌افزاری llm-d با اجرای مسیریابی آگاه از کش پیشوند در زیرساخت کوبرنتیز، نرخ موفقیت کش مدل جمینای را از ۳۵ به ۷۰ درصد رسانده و در مقیاس ۱۷ هزار گره توان عملیاتی را ۲.۹ برابر کرده است؛ این ابزار در صورت پر شدن حافظه شتاب‌دهنده، کش KV را به سیستم یا ذخیره‌ساز منتقل می‌کند. در سطح معماری مدل نیز، مدل متن‌باز MemT-1.0-Nano با بهره‌گیری از وضعیت داخلی برای ثبت حافظه گفتگو، نیاز به بارگذاری مجدد کل تاریخچه متنی را کاهش می‌دهد. همچنین بک‌اند TorchTPU با ثبت PrivateUse1 امکان اجرای مستقیم PyTorch روی TPUهای گوگل را بدون نیاز به JAX runtime فراهم کرده و پس از کامپایل، زمان اجرا را از ۱۱.۴۹ ثانیه به ۲.۷۸ ثانیه کاهش داده است. محدودیت اصلی این دستاوردها، وابستگی عملکرد به سخت‌افزار مشخص و شرایط زیرساختی آزمایش‌شده است؛ برای نمونه، دست‌یابی به بهره‌وری ۵۲ درصدی MFU در TorchTPU روی مدل Qwen 3 8B گزارش شده و برای سایر مدل‌ها نیازمند ارزیابی مجزا است. همچنین ارقام بهبود توان عملیاتی در llm-d بر اساس بنچمارک‌های اولیه اعلامی توسعه‌دهندگان است و در بار کاری نامتوازن ممکن است رفتار متفاوتی داشته باشد. برای تیم‌های مهندسی، ارزیابی مشروط این ابزارها بر اساس حجم حافظه اختصاصی و الگوی درخواست‌های پیشوند توصیه می‌شود.
🤖 مدل‌ها و ابزارهای توسعه
عرضه مدل MemT-1.0-Nano با حافظه داخلی گفتگو
این مدل متن‌باز با ذخیره وضعیت گفتگو در حافظه داخلی، نیاز به ارسال مجدد تمام تاریخچه متن را برطرف می‌کند.
معرفی ۵ مخزن گیت‌هاب برای فاین‌تونینگ مدل‌های بزرگ
مخازن LLaMA-Factory، Unsloth، Axolotl، PEFT و TRL ابزارهای کاربردی برای سفارشی‌سازی و آموزش مدل‌ها ارائه می‌دهند.
انتشار مدل متن‌باز IBM Granite Speech 5.0 2B
مدل دو میلیاردی جدید IBM امکان نویسه‌گردانی و ترجمه همزمان گفتار را تحت مجوز Apache 2.0 فراهم کرده است.
🛠️ کاربردهای تخصصی و مهندسی نرم‌افزار
مدل هوش مصنوعی IRIS برای تحلیل سیگنال‌های سلولی
محققان MIT با توسعه مدل IRIS تغییرات ژنی و مسیرهای سیگنالینگ شیمیایی را در تمایز سلولی پیش‌بینی می‌کنند.
راهنمای مهندسی معکوس نرم‌افزار با مدل‌های Claude
این مستند نحوه به‌کارگیری مدل‌های Opus 5.5، Sonnet 5.5 و Fable 5.1 را در تحلیل و مهندسی معکوس کد بررسی می‌کند.
بررسی چالش‌های تولید اسکریپت پایتون برای Blender
این مقاله خطاهای هندسی کدهای تولیدشده توسط مدل‌های هوش مصنوعی در نسخه Blender را تحلیل و راه‌حل ارائه می‌کند.
📊 مطالعات مفهومی و بازخورد کاربران
تحلیل مدل زبانی Opus درباره تعاریف و ابعاد هوشیاری
مدل Opus در پاسخ به پرسش‌های پژوهشی، هوشیاری را ترکیبی از آگاهی مداوم و پردازش اطلاعات توصیف کرده است.
درخواست کاربران استیم برای فیلتر محتوای تولیدشده با هوش مصنوعی
افزایش بازی‌های کم‌کیفیت در رویداد Steam Next Fest واکنش کاربران و درخواست ایجاد فیلتر اختصاصی را در پی داشت.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 ورود مدل‌های OpenAI به زیرساخت Google Cloud
OpenAI و گوگل کلاود همکاری جدیدی را برای عرضه مدل‌های پیشرو و گردش‌های کاری ایجنتی Codex در بخش Model Garden گوگل کلاود آغاز کردند.
با این همکاری، کاربران سازمانی به این مدل‌ها دسترسی مستقیم خواهند داشت تا فرایندهای ایجنتی را روی زیرساخت و سیستم‌های حکمرانی داده گوگل اجرا کنند. این مدل‌ها در Gemini Agent و Google Antigravity نیز در دسترس قرار خواهند گرفت.
هدف این اقدام، مدرن‌سازی چرخه توسعه نرم‌افزار و تسهیل استفاده از مدل‌های هوش مصنوعی در صنایع دارای مقررات سخت‌گیرانه است، به‌طوری که امکان ترکیب مدل‌های OpenAI با کنترل‌های دسترسی توکار و امنیت متمرکز داده فراهم می‌شود.
📖 متن کامل مقاله در سایت
OpenAI و گوگل کلاود همکاری جدیدی را برای عرضه مدل‌های پیشرو و گردش‌های کاری ایجنتی Codex در بخش Model Garden گوگل کلاود آغاز کردند.
با این همکاری، کاربران سازمانی به این مدل‌ها دسترسی مستقیم خواهند داشت تا فرایندهای ایجنتی را روی زیرساخت و سیستم‌های حکمرانی داده گوگل اجرا کنند. این مدل‌ها در Gemini Agent و Google Antigravity نیز در دسترس قرار خواهند گرفت.
هدف این اقدام، مدرن‌سازی چرخه توسعه نرم‌افزار و تسهیل استفاده از مدل‌های هوش مصنوعی در صنایع دارای مقررات سخت‌گیرانه است، به‌طوری که امکان ترکیب مدل‌های OpenAI با کنترل‌های دسترسی توکار و امنیت متمرکز داده فراهم می‌شود.
📖 متن کامل مقاله در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما