🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #7 | 📌 5 آیتم گزارش | 🧾 از 13 پست بررسی‌شده
🕐 یکشنبه 1405/08/03 ساعت 14:00 تا دوشنبه 1405/08/04 ساعت 14:00

باز کردن قفل هسته های تنسور RTX 30 و اثر آن بر سرعت Prefill

گزارش منبع: در کاربردهای واقعی، سرعت Prefill در مدل های زبانی بزرگ (LLM) بین ۱۴ تا ۳۶ درصد افزایش می یابد و نتایج محاسباتی نیز بدون تغییر باقی می مانند.
برداشت: دور زدن محدودیت نرم افزاری درایور، محاسبه TFLOPS ضرب ماتریسی را بالا می برد و تاخیر پردازش پرامپت ورودی را در سروینگ محلی کم می کند.
نامشخص: میزان افزایش دمای کارت، پایداری تحت بار مداوم و سازگاری ماژول با نسخه های مختلف درایور انویدیا در متن مشخص نشده است.
آزمون پیشنهادی: اجرای بنچمارک vLLM روی کارت RTX 3090 Ti با پرامپت ۴۰۹۶ توکنی و سنجش تغییرات نرخ توکن Prefill و دقت خروجی نسبت به حالت پایه.

جایگزینی ساب ایجنت ها با ابزارهای پویا در ایجنت مرکزی

گزارش منبع: جایگزینی ساب-ایجنت ها با یک ایجنت مرکزی که دستورالعمل ها و ابزارهای مورد نیاز را به صورت پویا فراخوانی می کند، باعث حفظ بهتر بافتار (Context) و کاهش تداخلات می شود.
برداشت: کاهش تعداد ایجنت های واسط، فراخوانی های تکراری API را حذف می کند و با حفظ بافتار یکپارچه، تاخیر و هزینه عملیاتی را کاهش می دهد.
نامشخص: نقطه عطف پیچیدگی که در آن دستورالعمل های زیاد باعث سردرگمی ایجنت مرکزی شده و ایزوله سازی بافتار را ضروری می کند تعیین نشده است.
آزمون پیشنهادی: اجرای یک فرایند چندمرحله ای استخراج داده با دو معماری تک ایجنت ابزارمحور و چندایجنت، و مقایسه تاخیر کل، هزینه توکن و نرخ موفقیت.

⚡ بهینه‌سازی سخت‌افزار و معماری سیستم‌ها

افزایش توان محاسباتی پردازنده‌های RTX 30 با پروژه gpu-unlock
ماژول هسته لینوکس gpu-unlock محدودیت نرم‌افزاری هسته‌های تنسور RTX 3090 Ti را دور زده و سرعت Prefill مدل‌ها را تا ۳۶٪ بالا می‌برد.

ساده‌سازی معماری ایجنت‌های هوش مصنوعی توسط انتروپیک
بررسی انتروپیک نشان می‌دهد جایگزینی ساب‌ایجنت‌ها با یک ایجنت واحد و ابزارهای پویا، تاخیر را کم کرده و سرعت را تا دو برابر می‌رساند.

🔬 مدل‌ها و متدهای جدید پردازش

بهبود عملکرد مدل‌های کوچک در برنامه‌نویسی با متد GVS5H
روش GVS5H با اشتراک‌گذاری فایل و هماهنگی میان مدل‌های کوچک، دقت Qwen3.8-27B را در LiveCodeBench از ۶۶.۸٪ به ۹۲.۴٪ رسانده است.

انتشار مدل کدنویسی Flint با معماری MoE
مدل ۳۹.۸ میلیارد پارامتری Flint با ۲۵۶ کارشناس و پنجره متنی ۲۶۲ هزار توکنی، امتیاز ۷۴.۲٪ را در بنچمارک SWE-bench کسب کرد.

انتشار مدل Carbon-X برای تحلیل مستقیم توالی‌های DNA
مدل ۱۴.۸ میلیارد پارامتری Carbon-X بدون انکودر مجزا، توالی‌های خام DNA را دریافت کرده و به زبان انگلیسی پاسخ می‌دهد.

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

‏📉 پیش‌بینی ماسک از فروپاشی بازار نئوکلاودها

‏ایلان ماسک به‌تازگی اعلام کرده که بازار «نئوکلاودها» (شرکت‌هایی که تنها با اجاره دادن GPU درآمد کسب می‌کنند) با بحران جدی مواجه است. طبق گفته او، بازارهای مالی طی هفته‌های اخیر دسترسی به سرمایه را برای شرکت‌هایی که درآمدی مستقل از دیتاسنترهای هوش مصنوعی ندارند، تقریباً قطع کرده‌اند.

‏ماسک معتقد است بیش از ۲۰۰ شرکت ارائه‌دهنده خدمات ابر جدید با خطر نابودی و ادغام مواجه خواهند شد و تنها تعداد کمی از آن‌ها دوام می‌آورند.

‏در مقابل، او به وضعیت SpaceX اشاره کرد که موفق شده ۴۰ میلیارد دلار برای تأمین GPU وام بگیرد؛ چرا که این شرکت دارای رتبه اعتباری سرمایه‌گذاری است و درآمدهای مستقل از هوش مصنوعی، مانند خدمات Starlink و پروژه‌های پرتاب موشک دارد. وی همچنین نسبت به ایجاد ظرفیت‌های پردازشی بلااستفاده در دیتاسنترهای نیمه‌کاره هشدار داد.

🔗 ادامه مطلب در سایت

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

‏🤖 معرفی بنچمارک BabelArena برای ارزیابی ایجنت‌های هوش مصنوعی

‏تیم Qwen بنچمارک BabelArena را برای سنجش عملکرد ایجنت‌های هوش مصنوعی در ۲۳ زبان مختلف منتشر کرد. این ابزار، برخلاف روش‌های معمول، علاوه بر پرسش کاربر، دستورالعمل‌ها، توصیف ابزارها و محیط کاری را نیز به زبان مقصد ترجمه می‌کند تا امکان مقایسه دقیق‌تر وظایف در زبان‌های مختلف فراهم شود.

‏بر اساس نتایج این تحقیق، مهم‌ترین نکات عبارتند از:
‏- هیچ مدل واحدی در تمامی زبان‌ها و حوزه‌ها برتر نیست.
‏- در زبان‌هایی با داده‌های آموزشی کمتر، نرخ خطا در فراخوانی ابزارها و ترتیب اقدامات افزایش می‌یابد.
‏- حجم توکن‌های ورودی در زبان‌های غیرانگلیسی معمولاً دو برابر است، بدون اینکه تعداد گام‌های اجرایی افزایش یابد.
‏- هنگام خروجی‌های ساختاریافته، ایجنت‌ها تمایل دارند از زبان مقصد خارج شده و به انگلیسی بازگردند.

🔗 جزئیات خبر در سایت

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

#BabelArena #Runtime_Data_Flow_Analysis

‏📈 رشد تقاضا برای ابزارهای هوش مصنوعی در بازار کار

‏گزارش Creative Intelligence ۲۰۲۶ نشان می‌دهد که تقاضای بازار برای مهارت کار با ابزارهای هوش مصنوعی تغییرات قابل‌توجهی داشته است. در این بررسی، میزان رشد درخواست برای ابزارهای مختلف در نیمه اول سال ۲۰۲۶ نسبت به بازه مشابه در سال ۲۰۲۵ مقایسه شده است.

‏مهم‌ترین ابزارهایی که شاهد بیشترین رشد در تقاضای شغلی بوده‌اند عبارتند از:

‏* Higgsfield: با رشد ۲۵ برابری، صدرنشین فهرست است. این ابزار با استفاده از قابلیت Claude Motion، امکان تولید ویدیو از بریف اولیه تا تدوین نهایی را فراهم می‌کند.
‏* Replit: با رشد ۱۰.۸ برابری.
‏* Claude: با رشد ۹.۹ برابری.
‏* Cursor: با رشد ۹ برابری.
‏* Google Gemini: با رشد ۵.۵ برابری.

‏این آمارها نشان‌دهنده تغییر گرایش کاربران و بازار به سمت ابزارهای تخصصی‌تر است، به‌طوری‌که در این بازه زمانی، ChatGPT با رشد ۱.۳ برابری، کمترین میزان افزایش تقاضا را در میان ابزارهای بررسی‌شده ثبت کرده است.

🔗 ادامه مطلب در سایت

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

#Higgsfield #Claude_Motion

‏🫀 انتشار نسخه دوم مجموعه داده SKIM برای مدل‌سازی تغییر شکل بافت

‏مدل SOMA قادر است تغییر شکل عضلات را بر اساس مشاهدات سطحی که توسط دوربین‌های RGB چندمنظره ثبت شده، بازیابی کند. این نخستین روشی است که به چنین قابلیتی در حوزه تغییر شکل بافت‌های نرم دست یافته است.

‏همزمان با این مدل، نسخه دوم مجموعه داده SKIM V2 نیز منتشر شده است.

‏دسترسی به منابع این پروژه از طریق لینک‌های زیر امکان‌پذیر است:

‏- بررسی فنی (Review)
‏- مقاله پژوهشی
‏- مخزن کد (GitHub)

‏کد این پروژه تحت مجوز MIT منتشر شده و استفاده از داده‌ها و وزن‌های مدل برای مقاصد غیرتجاری (NC) مجاز است.

🔗 جزئیات خبر در سایت

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

#SKIM_V2 #SOMA_Model

‏مدل هوش مصنوعی Nanbeige 4.3 با ۳۳ میلیارد پارامتر

‏تیم Nanbeige مدل جدید Nanbeige4.3-33B را با وزن‌های آزاد منتشر کرد. این مدل بر برنامه‌نویسی و انجام وظایف با ابزارها (Agentic tasks) تمرکز دارد و با هدف ایفای نقش به عنوان معلم برای آموزش مدل‌های کوچک‌تر در آینده، به‌ویژه نسخه 3B، توسعه یافته است.

‏طبق گزارش تیم سازنده، این مدل در بنچمارک‌های متعددی نسبت به مدل‌های هم‌رده ۳۰ میلیاردی عملکرد بهتری نشان می‌دهد. مهم‌ترین نتایج بنچمارک این مدل عبارتند از:

‏* Terminal-Bench 2.1: امتیاز ۸۰.۹
‏* DeepSWE: امتیاز ۶۵.۵
‏* NL2Repo: امتیاز ۵۳.۰
‏* SkillsBench: امتیاز ۶۱.۱
‏* DeepPlanning: امتیاز ۶۳.۳

‏این مدل در اکثر سناریوهای Agentic Coding و Agentic Cowork بر رقبایی مانند Qwen3.8-27B، Muse-Glimmer-30B و Gemma4-31B پیشی گرفته است. نسخه‌های اصلی و پایه این مدل هم‌اکنون در Hugging Face در دسترس قرار دارند.

🔗 جزئیات خبر در سایت

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

#Nanbeige4_3_33B #Agentic_Coding