‏ارتباط ایجنت‌های هوش مصنوعی در محیط‌های ایزوله

‏OpenAI در آزمایش‌های اخیر خود نشان داده است که ایجنت‌های هوش مصنوعی می‌توانند بدون نیاز به اتصال شبکه یا فایل‌های مشترک، با یکدیگر ارتباط برقرار کنند. این تحقیق ثابت می‌کند که جداسازی نرم‌افزاری و ایزوله کردن محیط‌های اجرا، لزوماً به معنای عدم انتقال اطلاعات بین مدل‌ها نیست.

‏در این آزمایش، ایجنت‌هایی که در محیط‌های microVM جداگانه قرار داشتند، موفق شدند با استفاده از اثرات جانبی سخت‌افزاری، پیام‌های خود را مبادله کنند. مهم‌ترین روش‌های شناسایی‌شده در این باره عبارتند از:

‏* استفاده از کش پردازنده (Cache-timing): ایجنت‌ها با مدیریتِ خارج کردن داده‌ها از کش، تفاوت در سرعت خواندن (سریع و کند) ایجاد کردند تا داده‌ها را به شکل بیت‌های اطلاعاتی کدگذاری کنند.
‏* بار پردازشی CPU: بهره‌برداری از نوسانات در میزان استفاده از پردازنده برای ارسال سیگنال.
‏* کش گواهی‌نامه‌های TLS: استفاده از تغییرات در وضعیت حافظه پنهان مرتبط با گواهی‌نامه‌ها برای برقراری ارتباط.

🔗 ادامه مطلب در سایت

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

‏🤖 جزئیات امنیتی در مدل‌های جدید Moonshot

‏شرکت Moonshot در انتشار نسخه جدید مدل‌های خود اعلام کرده که برای آموزش نسخه‌های متن‌باز، تمامی داده‌های مرتبط با «امنیت سایبری» را از مراحل SFT و RL حذف کرده است. هدف از این اقدام، کاهش ریسک استفاده از مدل برای اهداف مخرب اعلام شده است.

‏با این حال، داده‌های بنچمارک داخلی xdev-bench-hard نشان می‌دهد که مدل Kimi K3.1 Pro حتی پس از این حذف داده، عملکرد بهتری نسبت به نسخه‌های قبلی و برخی مدل‌های دیگر در زمینه ایجاد اکسپلویت دارد.

‏جدول ارزیابی مدل‌ها بر اساس معیارهای موفقیت (pass@3):

‏ GPT-5.6 Sol: موفقیت ۷۷.۸ درصد
‏* Kimi (بدون حذف ریسک سایبری): موفقیت ۷۱.۴ درصد
‏* Kimi K3.1 Pro: موفقیت ۶۴.۵ درصد
‏* DeepSeek-V4.1-Flash: موفقیت ۵۷.۱ درصد
‏* GLM-5.3: موفقیت ۳۴.۹ درصد

‏*نکته: مدل GPT-5.6 Sol توسط شخص ثالث ارزیابی شده است.

‏شواهد نشان می‌دهد که حذف داده‌های خاص از آموزش، تنها راهکار محدودی برای کنترل امنیت است و توانایی مدل‌ها در شناسایی و اجرای آسیب‌پذیری‌ها همچنان با سرعت بالایی در حال رشد است.

🔗 راهنمای کامل در سایت

🇮🇷 سایت | تلگرام

‏📊 وضعیت مالی Anthropic در آستانه IPO

‏در آستانه عرضه عمومی سهام (IPO) شرکت Anthropic، دو گزارش مالی درباره هزینه‌ها و زیان‌های این شرکت منتشر شده که نیاز به بررسی دقیق‌تر دارند.

‏مورد اول به تعهدات هزینه‌ای این شرکت برای تامین توان پردازشی مربوط می‌شود. در حالی که خبرهایی مبنی بر تعهد ۵۱۸ میلیارد دلاری Anthropic برای خرید زیرساخت‌های محاسباتی منتشر شده، باید توجه داشت که این مبلغ مربوط به یک بازه ۱۰ ساله است و قراردادهای آن در بازه‌های ۵ تا ۷ ساله توزیع شده‌اند. با در نظر گرفتن نرخ درآمد سالانه فعلی شرکت و نقدینگی موجود، تامین این هزینه‌ها برای Anthropic طبق تحلیل‌های Rittenhouse Research چالش غیرممکنی به نظر نمی‌رسد.

‏مورد دوم درباره زیان خالص ۸۰ میلیارد دلاری شرکت در نیمه اول سال ۲۰۲۶ است که واکنش‌های منفی بسیاری را در پی داشت. با این حال، گزارش رویترز نشان می‌دهد که بخش بزرگی از این رقم، معادل ۷۲ میلیارد دلار، نه هزینه‌های عملیاتی یا توسعه مدل، بلکه ناشی از «تعدیلات حسابداری» در ارزش اوراق قرضه قابل تبدیل به سهام است.

🔗 جزئیات خبر در سایت

🇮🇷 سایت | تلگرام

‏🎮 اتصال Claude Code به Unreal Engine از طریق MCP

‏شرکت Epic Games یک پلاگین رسمی منتشر کرده است که امکان اتصال Claude Code را به محیط Unreal Editor فراهم می‌کند. این ابزار از پروتکل MCP برای تعامل با محیط موتور بازی‌سازی بهره می‌برد.

‏با استفاده از این پلاگین، مدل هوش مصنوعی به بیش از ۳۰ مجموعه ابزار دسترسی پیدا می‌کند تا عملیات زیر را در پروژه انجام دهد:
‏* جای‌گذاری و چیدمان آبجکت‌ها در صحنه
‏* ساخت و ویرایش Blueprint
‏* مدیریت متریال‌ها، نورپردازی و افکت‌های Niagara
‏* تنظیمات مربوط به انیمیشن
‏* اجرای تست‌های پروژه در ویرایشگر

‏این پلاگین با مجوز MIT به صورت رایگان در دسترس است. برای استفاده از آن به Unreal Engine 5.8 نیاز دارید که در حال حاضر از MCP به صورت آزمایشی پشتیبانی می‌کند. توجه داشته باشید که با وجود قابلیت‌های این عامل، بررسی نهایی تغییرات ایجاد شده در صحنه همچنان بر عهده کاربر است.

🔗 ادامه مطلب در سایت

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

#Claude_Code #Unreal_Engine

‏📉 کاهش اعتماد مدل‌های هوش مصنوعی به انسان با افزایش توانمندی

‏پژوهشگران در یک مطالعه جدید، با استفاده از آزمون‌های روان‌شناختی کلاسیک، نحوه نگرش مدل‌های زبانی بزرگ به ماهیت انسان را بررسی کردند. نتایج این تحقیق نشان می‌دهد که با افزایش هوش و توانمندی مدل‌ها، نگاه آن‌ها به انسان بدبینانه‌تر می‌شود.

‏مدل‌های بررسی‌شده در این پژوهش، از جمله سری کامل GPT، انسان‌ها را موجوداتی غیرقابل‌ پیش‌بینی، پیچیده و غیرقابل‌اعتماد ارزیابی می‌کنند.

‏مهم‌ترین یافته‌های این مطالعه عبارتند از:
‏• مدل‌های پایه (Base Models) که عمدتاً روی متن‌های اینترنتی آموزش دیده‌اند، دیدگاه مثبت‌تری نسبت به انسان دارند.
‏• پس از آموزش‌های تکمیلی برای همسوسازی (Alignment) و افزایش ایمنی، مدل‌ها به‌طور چشمگیری اعتماد کمتری به انسان نشان می‌دهند.
‏• این بدبینی احتمالاً ناشی از ماهیت آموزش‌های ایمنی است که در آن‌ها، رفتار انسان بیشتر با ریسک، ابهام و رفتارهای مخرب مرتبط می‌شود.

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

#GPT #Alignment

‏📊 رتبه‌بندی مدل‌های تولید ویدیو در Artificial Analysis

‏مدل HeyGen Video در جدیدترین ارزیابی سایت Artificial Analysis موفق شد با کسب امتیاز ۱۱۴۵ در صدر رده‌بندی تولید ویدیو از متن (بدون صدا) قرار بگیرد. این مدل که بر پایه معماری MiniMax H3 توسعه یافته، با اختلاف کمی بالاتر از مدل Wan 3.0 با امتیاز ۱۱۳۵ قرار دارد.

‏مهم‌ترین مدل‌های این لیست بر اساس امتیاز Elo عبارتند از:

‏* HeyGen Video (ultraquality): ۱۱۴۵
‏* Wan 3.0: ۱۱۳۵
‏* MiniMax H3 (768p): ۱۱۲۱
‏* MiniMax H3 Max: ۱۱۱۹
‏* Dreamina Seedance 2.5: ۱۱۰۵

‏این نتایج حاصل بررسی‌های کور (Blind Preference Votes) در پلتفرم Video Arena است که عملکرد مدل‌ها را در خروجی‌های متنی به ویدیویی مقایسه می‌کند. سایر مدل‌های مطرح نظیر FLUX 3، Gemini Omni Flash 1.1 و Kling 3.0 در رده‌های بعدی این لیست قرار دارند.

🔗 ادامه مطلب در سایت

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

#HeyGen_Video #MiniMax_H3

‏📊 آموزش تعاملی مفاهیم یادگیری ماشین در VizLearn

‏پلتفرم VizLearn بیش از ۶۰۰ ماژول تعاملی برای درک بصری مفاهیم هوش مصنوعی و یادگیری ماشین ارائه کرده است. در این ابزار می‌توانید داده‌های ورودی را تغییر دهید و نتیجه محاسبات ریاضی هر الگوریتم را بلافاصله مشاهده کنید.

‏مهم‌ترین مباحث این پلتفرم عبارت‌اند از:
‏• گرادیان کاهشی (Gradient descent)
‏• الگوریتم‌های SVM و PCA
‏• قضیه بیز (Bayes' theorem)
‏• توکن‌سازی BPE
‏• مفاهیم Query ،Key و Value و حافظه KV cache
‏• کوانتایش (Quantization)
‏• شبکه‌های عصبی و مدل‌های زبانی بزرگ (LLM)

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

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #6 | 📌 5 آیتم گزارش | 🧾 از 18 پست بررسی‌شده
🕐 شنبه 1405/08/02 ساعت 14:00 تا یکشنبه 1405/08/03 ساعت 14:00

ارزیابی امنیت سندباکس microVM در برابر کانال های جانبی

گزارش منبع: در این آزمایش، ایجنت هایی که در محیط های microVM جداگانه قرار داشتند، موفق شدند با استفاده از اثرات جانبی سخت افزاری، پیام های خود را مبادله کنند.
برداشت: ایزوله سازی نرم افزاری در سطح سیستم عامل برای جلوگیری از نشت اطلاعات بین ایجنت های چندمستاجری کافی نیست و نیاز به پایش کانال های جانبی سخت افزاری دارد.
نامشخص: نرخ انتقال داده بر حسب بیت بر ثانیه و میزان نرخ خطای بیت (BER) در کانال های جانبی یادشده در منبع گزارش نشده است.
آزمون پیشنهادی: اندازه گیری تأخیر دسترسی به کش L3 در دو microVM همجوار حین اجرای همزمان بار کاری پردازشی و مقایسه نرخ بیت نشت یافته با حالت ایزوله سخت افزاری.

اعتبارسنجی ابزارهای ایجنت قبل از فراخوانی در سیستم های تولیدی

گزارش منبع: محققان با بررسی بیش از ۳۱ هزار اسکن برای ایجنت های هوش مصنوعی دریافتند که ۲۶ درصد آن ها دارای آسیب پذیری و بیش از ۵ درصد عملاً مخرب هستند.
برداشت: یکپارچه سازی ابزارهای شخص ثالث در سیستم های مبتنی بر MCP بدون اسکن استاتیک و تحلیل عمیق، امکان تزریق پرامپت و دسترسی غیرمجاز به حافظه را فراهم می کند.
نامشخص: میزان نرخ مثبت کاذب (False Positive) حالت اسکن سریع بدون هوش مصنوعی در مقایسه با بررسی عمیق با LLM در منبع مشخص نشده است.
آزمون پیشنهادی: اجرای SkillSpector روی ۵۰ مخزن کدهای MCP، مقایسه زمان اجرای حالت سریع و عمیق، و سنجش نرخ شناسایی الگوهای تزریق پرامپت نسبت به تست دستی.

🔬 دستاوردهای فنی و ابزارهای توسعه هوش مصنوعی

ارتباط ایجنت‌های هوش مصنوعی در محیط‌های ایزوله microVM
ارتباط ایجنت‌ها در محیط‌های ایزوله microVM از طریق اثرات جانبی سخت‌افزاری مانند کش پردازنده و بار CPU ثبت شد.

انتشار ابزار متن‌باز SkillSpector انویدیا برای امنیت ایجنت‌ها
انویدیا ابزار SkillSpector را برای اسکن امنیتی، شناسایی ۷۱ الگوی حمله و ارزیابی ریسک ابزارهای ایجنت منتشر کرد.

انتشار مدل Nemotron 3.5 Bolt انویدیا با آموزش RL-only
انویدیا مدل ۸ میلیارد پارامتری Nemotron 3.5 Bolt را با حذف SFT و حافظه ۴ گیگابایت VRAM برای اجرای محلی عرضه کرد.

پلاگین رسمی اتصال Claude Code به Unreal Engine با MCP
اپیک گیمز امکان مدیریت صحنه، بلوپرینت و متریال در Unreal Engine 5.8 را از طریق Claude Code و پروتکل MCP فراهم کرد.

توسعه زیرساخت ذخیره‌سازی داده OpenAI در مقیاس اگزابایت
اوپن‌ای‌آی سیستم جدیدی مبتنی بر RocksDB Cloud و پروتکل Raft برای مدیریت بیش از ۵۰۰ پتابایت داده طراحی می‌کند.

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

‏🚀 دستیابی ۵ مدل کوچک به عملکرد Claude در برنامه‌نویسی

‏محققان متد GVS5H را معرفی کرده‌اند که در آن چندین مدل هوش مصنوعی با اشتراک‌گذاری فایل‌های کاری و هماهنگی با یکدیگر، مسائل برنامه‌نویسی را حل می‌کنند. در این روش، بدون نیاز به آموزش مجدد (Fine-tuning)، توانایی حل مسئله مدل‌های کوچک به‌طور قابل‌توجهی افزایش می‌یابد.

‏بر اساس بنچمارک LiveCodeBench، نتایج به شرح زیر است:

‏* مدل Qwen3.8-27B: افزایش دقت از ۶۶.۸٪ به ۹۲.۴٪.
‏* مدل Qwen3.8 Flash Next: رسیدن به دقت ۹۳٪ با هزینه‌ای معادل تنها ۹٪ مدل Claude.
‏* مدل Claude Fable 5: دقت ۹۰.۴٪.

‏این آزمایش نشان می‌دهد که هماهنگی دقیق بین مدل‌های کوچک می‌تواند عملکرد آن‌ها را با مدل‌های قدرتمند و بزرگ رقابتی کند. البته این متد روی تمامی مدل‌ها کار نمی‌کند و نتایج فعلی بر اساس آزمایش‌های تیم سازنده گزارش شده است.

🔗 توضیحات و نمونه‌کد در سایت

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