‏📈 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