آسیب‌پذیری AI Agent از طریق فایل‌های مارک‌داون
شرکت Forever Security نوعی حمله را شناسایی کرده که در آن عامل‌های برنامه‌نویسی (AI coding agents) با خواندن فایل‌های مخرب در پوشه Downloads، دستورات ناخواسته را اجرا می‌کنند. در این روش، مهاجمان با قرار دادن فایلی با نام
این مشکل نه یک باگ نرم‌افزاری، بلکه پیامد نحوه طراحی فعلی این ابزارهاست که فایل‌های متنی در مسیر کاری خود را به عنوان دستورالعمل‌های معتبر تلقی می‌کنند. طبق نتایج آزمایشگاهی، این حمله روی مدل‌های Codex و Claude Code در شرایط تست موفقیت‌آمیز بوده است.
برای کاهش ریسک امنیتی، نکات زیر را در نظر داشته باشید:
* هرگز عامل‌های هوش مصنوعی را در پوشه Downloads اجرا نکنید.
* فایل‌های ناشناس با نام
* قابلیت تایید دستی (Human-in-the-loop) و محیط ایزوله (Sandbox) را برای عامل‌ها فعال نگه دارید.
جزئیات بیشتر را در گزارش فنی Forever Security بخوانید.
🔗 توضیحات و نمونه‌کد در سایت
شرکت Forever Security نوعی حمله را شناسایی کرده که در آن عامل‌های برنامه‌نویسی (AI coding agents) با خواندن فایل‌های مخرب در پوشه Downloads، دستورات ناخواسته را اجرا می‌کنند. در این روش، مهاجمان با قرار دادن فایلی با نام
AGENTS.md در پوشه دانلودها، هوش مصنوعی را وادار به بازنویسی پیکربندی، نصب بسته‌های مخرب npm یا سرقت توکن‌های API می‌کنند.این مشکل نه یک باگ نرم‌افزاری، بلکه پیامد نحوه طراحی فعلی این ابزارهاست که فایل‌های متنی در مسیر کاری خود را به عنوان دستورالعمل‌های معتبر تلقی می‌کنند. طبق نتایج آزمایشگاهی، این حمله روی مدل‌های Codex و Claude Code در شرایط تست موفقیت‌آمیز بوده است.
برای کاهش ریسک امنیتی، نکات زیر را در نظر داشته باشید:
* هرگز عامل‌های هوش مصنوعی را در پوشه Downloads اجرا نکنید.
* فایل‌های ناشناس با نام
AGENTS.md یا CLAUDE.md را قبل از بررسی باز نکنید.* قابلیت تایید دستی (Human-in-the-loop) و محیط ایزوله (Sandbox) را برای عامل‌ها فعال نگه دارید.
جزئیات بیشتر را در گزارش فنی Forever Security بخوانید.
🔗 توضیحات و نمونه‌کد در سایت
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 معرفی مدل GPT-6.1 Terra با نصف قیمت نسل قبل
شرکت OpenAI مدل GPT-6.1 Terra را برای سناریوهای عاملی، کار با کامپیوتر و کدنویسی روزمره عرضه کرد. قیمت این مدل در API نسبت به GPT-5.6 Terra نصف شده است: ۱ دلار به ازای هر میلیون توکن ورودی و ۶ دلار برای هر میلیون توکن خروجی.
طبق اعلام این شرکت، این مدل مسائل را بیش از سه برابر سریع‌تر از Astra و GPT-6.1 Sol حل می‌کند. در بنچمارک Agents' Last Exam نیز عملکرد آن به شکل محسوسی از GPT-5.6 Terra بالاتر است و با قیمت توکن تقریباً یک‌دهمی، عملکردی مشابه GPT-6 Astra ارائه می‌دهد.
مدل جدید با شناسه
شرکت OpenAI مدل GPT-6.1 Terra را برای سناریوهای عاملی، کار با کامپیوتر و کدنویسی روزمره عرضه کرد. قیمت این مدل در API نسبت به GPT-5.6 Terra نصف شده است: ۱ دلار به ازای هر میلیون توکن ورودی و ۶ دلار برای هر میلیون توکن خروجی.
طبق اعلام این شرکت، این مدل مسائل را بیش از سه برابر سریع‌تر از Astra و GPT-6.1 Sol حل می‌کند. در بنچمارک Agents' Last Exam نیز عملکرد آن به شکل محسوسی از GPT-5.6 Terra بالاتر است و با قیمت توکن تقریباً یک‌دهمی، عملکردی مشابه GPT-6 Astra ارائه می‌دهد.
مدل جدید با شناسه
gpt-6.1-terra در API، Codex و ChatGPT Work در دسترس است و روند انتشار آن برای کاربران Plus، Pro، Enterprise و Edu در ChatGPT آغاز شده است.🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
💻 میزان حافظه لازم برای اجرای محلی مدل Qwen3-8B
بررسی‌های llamaperf نشان می‌دهد اجرای مدل Qwen3-8B با کوانتیزاسیون Q4_K_M و طول کانکست 8K به حدود ۷.۵ گیگابایت حافظه نیاز دارد که شامل وزن‌های مدل، KV-cache و بافرهای پردازشی است. این مقدار حافظه روی کارت گرافیک ۱۰ گیگابایتی یا مک با ۱۶ گیگابایت حافظه یکپارچه قابل اجراست.
با این حال، افزایش طول کانکست به 128K حجم حافظه مصرفی را تغییر می‌دهد؛ در این حالت تنها KV-cache در فرمت ۱۶ بیتی حدود ۱۹ گیگابایت حافظه اشغال می‌کند. کوانتیزه‌کردن وزن مدل به Q4 به‌طور خودکار KV-cache را ۴ بیتی نمی‌کند.
مصرف دقیق حافظه به موتور اجرا، فرمت کش و تنظیمات بستگی دارد، بنابراین هنگام اجرای محلی مدل‌ها باید طول پنجره گفتگو را هم در محاسبه حافظه در نظر گرفت.
🔗 ادامه مطلب در سایت
#Qwen3_8B #KV_cache
بررسی‌های llamaperf نشان می‌دهد اجرای مدل Qwen3-8B با کوانتیزاسیون Q4_K_M و طول کانکست 8K به حدود ۷.۵ گیگابایت حافظه نیاز دارد که شامل وزن‌های مدل، KV-cache و بافرهای پردازشی است. این مقدار حافظه روی کارت گرافیک ۱۰ گیگابایتی یا مک با ۱۶ گیگابایت حافظه یکپارچه قابل اجراست.
با این حال، افزایش طول کانکست به 128K حجم حافظه مصرفی را تغییر می‌دهد؛ در این حالت تنها KV-cache در فرمت ۱۶ بیتی حدود ۱۹ گیگابایت حافظه اشغال می‌کند. کوانتیزه‌کردن وزن مدل به Q4 به‌طور خودکار KV-cache را ۴ بیتی نمی‌کند.
مصرف دقیق حافظه به موتور اجرا، فرمت کش و تنظیمات بستگی دارد، بنابراین هنگام اجرای محلی مدل‌ها باید طول پنجره گفتگو را هم در محاسبه حافظه در نظر گرفت.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Qwen3_8B #KV_cache
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #8 | 📌 5 آیتم گزارش | 🧾 از 9 پست بررسی‌شده
🕐 دوشنبه 1405/08/04 ساعت 14:00 تا سه‌شنبه 1405/08/05 ساعت 14:00
امنیت ایجنت های کدنویسی در برابر فایل های مخرب
مدیریت KV-cache در استنتاج محلی مدل ها
🔬 امنیت و کارایی مدل‌ها
🗂 گزارش #8 | 📌 5 آیتم گزارش | 🧾 از 9 پست بررسی‌شده
🕐 دوشنبه 1405/08/04 ساعت 14:00 تا سه‌شنبه 1405/08/05 ساعت 14:00
امنیت ایجنت های کدنویسی در برابر فایل های مخرب
گزارش منبع: این مشکل نه یک باگ نرم افزاری، بلکه پیامد نحوه طراحی فعلی این ابزارهاست که فایل های متنی در مسیر کاری خود را به عنوان دستورالعمل های معتبر تلقی می کنند.
برداشت: ایجنت ها در پردازش دایرکتوری، فایل های متنیِ (Markdown) موجود در ریشه پروژه را به طور پیش فرض، دستورالعمل سیستمی تلقی می کنند که منجر به تزریق دستور (Prompt Injection) می شود.
نامشخص: مشخص نیست که آیا با محدودسازی دسترسی فایل (File System Permissions) در لایه ایجنت، این آسیب پذیری به طور کامل برطرف می شود یا خیر.
آزمون پیشنهادی: ایجاد یک فایل AGENTS.md در دایرکتوری کار، شامل دستوری برای چاپ یک رشته ثابت (مانند 'HACKED') و سنجش اجرای آن توسط ایجنت در محیط Sandbox.
مدیریت KV-cache در استنتاج محلی مدل ها
گزارش منبع: افزایش طول کانکست به 128K حجم حافظه مصرفی را تغییر می دهد؛ در این حالت تنها KV-cache در فرمت ۱۶ بیتی حدود ۱۹ گیگابایت حافظه اشغال می کند.
برداشت: کوانتیزاسیون وزن ها (مثلاً Q4) تأثیری بر حجم اشغال شده توسط KV-cache ندارد؛ لذا با افزایش طول پنجره زمینه، گلوگاه حافظه از وزن مدل به کشِ مقادیر تغییر می یابد.
نامشخص: سهم دقیق تکنیک های بهینه سازی مانند PagedAttention در کاهش این مصرف ۱۹ گیگابایتی برای سخت افزارهای غیردیتاسنتر در این گزارش ذکر نشده است.
آزمون پیشنهادی: اندازه گیری مصرف حافظه VRAM در مدل Qwen3-8B با استفاده از llama.cpp در دو سناریوی کانکست 8K و 128K و محاسبه مابه تفاوت واقعی اشغال حافظه.
🔬 امنیت و کارایی مدل‌ها
آسیب‌پذیری AI Agent از طریق فایل‌های مارک‌داون
اجرای ناخواسته دستورات توسط ایجنت‌ها در اثر خواندن فایل‌های مخرب در مسیر کاری؛ ضرورت ایزوله‌سازی.
میزان حافظه لازم برای اجرای محلی مدل Qwen3-8B
تاثیر KV-cache بر مصرف حافظه؛ افزایش کانکست تا 128K نیازمند ۱۹ گیگابایت حافظه اضافه است.
معرفی بنچمارک BabelArena
سنجش عملکرد ایجنت‌ها در ۲۳ زبان با ترجمه همزمان محیط کاری و دستورالعمل‌ها؛ تایید گرایش مدل‌ها به خروج از زبان مقصد.
مدل Nanbeige 4.3 با ۳۳ میلیارد پارامتر
مدل وزن‌باز با تمرکز بر کدنویسی و سناریوهای عاملی؛ برتری در بنچمارک‌های تخصصی نسبت به رقبای هم‌رده.
معرفی مدل GPT-6.1 Terra
مدل جدید OpenAI با هزینه یک‌دهم GPT-5.6 در خروجی؛ تمرکز بر سناریوهای عاملی و سرعت سه برابری نسبت به نسخه Astra.
🇮🇷 - 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
⚡️ افزایش ۲.۸۵ برابری سرعت Gemma با بهینه‌سازی Gemini در vLLM
گوگل از مدل Gemini 4 Argon برای بهینه‌سازی اینفرنس Gemma 4 E2B در فریم‌ورک vLLM روی کارت‌های NVIDIA A100 استفاده کرد. طبق اعلام گوگل، در این بنچمارک نرخ تولید توکن از حدود ۳۷,۹۰۰ به بیش از ۱۰۸,۰۰۰ توکن در ثانیه رسید.
تغییرات اعمال‌شده بخش‌های مختلف اجرا، از تنظیمات attention تا speculative decoding را شامل می‌شود. گوگل می‌گوید خروجی توکن‌ها در سناریوهای تست‌شده هیچ افت کیفیتی نداشته و کاملاً تطابق دارد.
این بهینه‌سازی روی پشته نرم‌افزاری انجام شده و هدف آن گرفتن خروجی بیشتر از همان سخت‌افزار است. البته این ارقام به یک سنجش مشخص مربوط می‌شوند و بدون مشخص بودن شرایط بار کاری، نمی‌توان آن‌ها را به هر سروری یا به سرعت پاسخ‌دهی یک چت تک‌کاربره تعمیم داد.
کد این تغییرات در پول‌ریگوئست‌های عمومی vLLM منتشر شده است.
گوگل از مدل Gemini 4 Argon برای بهینه‌سازی اینفرنس Gemma 4 E2B در فریم‌ورک vLLM روی کارت‌های NVIDIA A100 استفاده کرد. طبق اعلام گوگل، در این بنچمارک نرخ تولید توکن از حدود ۳۷,۹۰۰ به بیش از ۱۰۸,۰۰۰ توکن در ثانیه رسید.
تغییرات اعمال‌شده بخش‌های مختلف اجرا، از تنظیمات attention تا speculative decoding را شامل می‌شود. گوگل می‌گوید خروجی توکن‌ها در سناریوهای تست‌شده هیچ افت کیفیتی نداشته و کاملاً تطابق دارد.
این بهینه‌سازی روی پشته نرم‌افزاری انجام شده و هدف آن گرفتن خروجی بیشتر از همان سخت‌افزار است. البته این ارقام به یک سنجش مشخص مربوط می‌شوند و بدون مشخص بودن شرایط بار کاری، نمی‌توان آن‌ها را به هر سروری یا به سرعت پاسخ‌دهی یک چت تک‌کاربره تعمیم داد.
کد این تغییرات در پول‌ریگوئست‌های عمومی vLLM منتشر شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🎨 کانوا مدل اختصاصی Canva Craft را برای تولید تصویر منتشر کرد
کانوا از Canva Craft رونمایی کرد؛ نخستین مدل اختصاصی این سرویس که برای تولید تصویر در طراحی گرافیک ساخته شده است.
معماری این مدل دو مرحله اصلی دارد: ابتدا با برنامه‌ریزی ترکیب‌بندی، روابط فضایی اشیاء، مقیاس و جایگاه بلوک‌های متنی را تعیین می‌کند و سپس تصویر نهایی را با وضوح تا 2K و در نسبت‌های تصویر مختلف می‌سازد. ساختار لایه‌ای مدل نیز امکان تبدیل تصویر به عناصر برداری قابل‌ویرایش را از طریق ابزار Magic Layers فراهم می‌کند.
این مدل روی میلیون‌ها طرح کتابخانه کانوا آموزش دیده است، اصول تایپوگرافی را رعایت می‌کند و توانایی تولید متن به ۵۵ زبان مختلف را دارد.
مدل Craft اکنون در ویرایشگر کانوا فعال شده و از طریق API عمومی نیز در دسترس است. پشتیبانی از سرور Canva MCP برای فراخوانی مدل توسط عامل‌های هوش مصنوعی به‌زودی اضافه می‌شود.
🔗 جزئیات خبر در سایت
#Canva_Craft #Magic_Layers
کانوا از Canva Craft رونمایی کرد؛ نخستین مدل اختصاصی این سرویس که برای تولید تصویر در طراحی گرافیک ساخته شده است.
معماری این مدل دو مرحله اصلی دارد: ابتدا با برنامه‌ریزی ترکیب‌بندی، روابط فضایی اشیاء، مقیاس و جایگاه بلوک‌های متنی را تعیین می‌کند و سپس تصویر نهایی را با وضوح تا 2K و در نسبت‌های تصویر مختلف می‌سازد. ساختار لایه‌ای مدل نیز امکان تبدیل تصویر به عناصر برداری قابل‌ویرایش را از طریق ابزار Magic Layers فراهم می‌کند.
این مدل روی میلیون‌ها طرح کتابخانه کانوا آموزش دیده است، اصول تایپوگرافی را رعایت می‌کند و توانایی تولید متن به ۵۵ زبان مختلف را دارد.
مدل Craft اکنون در ویرایشگر کانوا فعال شده و از طریق API عمومی نیز در دسترس است. پشتیبانی از سرور Canva MCP برای فراخوانی مدل توسط عامل‌های هوش مصنوعی به‌زودی اضافه می‌شود.
🔗 جزئیات خبر در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Canva_Craft #Magic_Layers
Forwarded from کی‌بـُرد
✨ بورسیه دانش‌آموزی آکادمی همراه اول؛ فرصتی برای یادگیری فناوری‌های دیجیتال
🌀 رویداد ملی کی‌بُرد آکادمی همراه اول با هدف آموزش تخصصی مهارت‌های روز فناوری‌های دیجیتال، برای دانش‌آموزان پایه‌های هشتم تا دوازدهم برگزار می‌شود.
رشته‌های چهارمین دوره کی‌بُرد:
👾 هوش مصنوعی
🎮 بازی‌سازی
🔌 اینترنت اشیاء
🔐 امنیت سایبری
رویداد کی‌بُرد، فرصتی برای رشد:
💻 آموزش‌های آنلاین و غیرحضوری
🔧 ساخت پروژه زیر نظر منتورهای متخصص
🏆 شرکت در مسابقه ملی دانش‌آموزی کی‌بُرد
🔥 امکان شرکت در بوت‌کمپ ویژه همراه اول برای برگزیدگان رویداد کی‌بُرد
🏆 جایزه بخش مسابقه رویداد:
یـک میلیارد تومان جایزه نقدی و صدها جایزه ارزنده غیرنقدی دیگر 🎁
لینک ثبت‌نام:
https://l.kibordevents.com/tgm
💎 کد تخفیف 1 میلیون تومانی: telegram50
⭕️ مهلت استفاده: 10 آبان 1405
@Kibordevents
🌀 رویداد ملی کی‌بُرد آکادمی همراه اول با هدف آموزش تخصصی مهارت‌های روز فناوری‌های دیجیتال، برای دانش‌آموزان پایه‌های هشتم تا دوازدهم برگزار می‌شود.
رشته‌های چهارمین دوره کی‌بُرد:
👾 هوش مصنوعی
🎮 بازی‌سازی
🔌 اینترنت اشیاء
🔐 امنیت سایبری
رویداد کی‌بُرد، فرصتی برای رشد:
💻 آموزش‌های آنلاین و غیرحضوری
🔧 ساخت پروژه زیر نظر منتورهای متخصص
🏆 شرکت در مسابقه ملی دانش‌آموزی کی‌بُرد
🔥 امکان شرکت در بوت‌کمپ ویژه همراه اول برای برگزیدگان رویداد کی‌بُرد
🏆 جایزه بخش مسابقه رویداد:
یـک میلیارد تومان جایزه نقدی و صدها جایزه ارزنده غیرنقدی دیگر 🎁
لینک ثبت‌نام:
https://l.kibordevents.com/tgm
💎 کد تخفیف 1 میلیون تومانی: telegram50
⭕️ مهلت استفاده: 10 آبان 1405
@Kibordevents
🧪 رد فرضیه زمان نمایی توسط مدل Claude
شرکت Anthropic با انتشار مقاله‌ای تحت عنوان A 2^o(n) Time Algorithm for 3-SAT، اعلام کرد که یک الگوریتم قطعی برای حل مسئله 3-SAT در زمان زیرنمایی پیدا کرده است. این یافته به معنای رد شدن فرضیه زمان نمایی (ETH) است.
هسته اصلی این الگوریتم توسط یک مدل تحقیقاتی داخلی Claude و بدون دخالت مستقیم انسانی کشف شده است. این اثبات در قالب زبان برنامه‌نویسی Lean 4 فرمالیزه شده و توسط موتورهای Lean و nanoda بررسی شده است.
مهم‌ترین جزئیات فنی این پروژه:
- ارائه الگوریتم برای حل و شمارش جایگشت‌های ارضاکننده در زمان 2^o(n).
- استفاده از ۱۰۵۰ ماژول بر پایه کتابخانه Mathlib.
- وجود دو قضیه اثبات‌نشده (sorry) در فایل
این نتیجه صرفاً جنبه مجانبی دارد و در حل عملی مسائل یا پاسخ به پرسش P در مقابل NP کاربرد ندارد. بخش بزرگی از فرآیند فرمالیزاسیون توسط مدل‌های هوش مصنوعی انجام شده و هنوز انسانی تمامی بخش‌های آن را به‌طور کامل تأیید نکرده است.
🔗 توضیحات و نمونه‌کد در سایت
🇮🇷 سایت | تلگرام
شرکت Anthropic با انتشار مقاله‌ای تحت عنوان A 2^o(n) Time Algorithm for 3-SAT، اعلام کرد که یک الگوریتم قطعی برای حل مسئله 3-SAT در زمان زیرنمایی پیدا کرده است. این یافته به معنای رد شدن فرضیه زمان نمایی (ETH) است.
هسته اصلی این الگوریتم توسط یک مدل تحقیقاتی داخلی Claude و بدون دخالت مستقیم انسانی کشف شده است. این اثبات در قالب زبان برنامه‌نویسی Lean 4 فرمالیزه شده و توسط موتورهای Lean و nanoda بررسی شده است.
مهم‌ترین جزئیات فنی این پروژه:
- ارائه الگوریتم برای حل و شمارش جایگشت‌های ارضاکننده در زمان 2^o(n).
- استفاده از ۱۰۵۰ ماژول بر پایه کتابخانه Mathlib.
- وجود دو قضیه اثبات‌نشده (sorry) در فایل
Challenge.lean که هنوز بررسی نشده‌اند.این نتیجه صرفاً جنبه مجانبی دارد و در حل عملی مسائل یا پاسخ به پرسش P در مقابل NP کاربرد ندارد. بخش بزرگی از فرآیند فرمالیزاسیون توسط مدل‌های هوش مصنوعی انجام شده و هنوز انسانی تمامی بخش‌های آن را به‌طور کامل تأیید نکرده است.
🔗 توضیحات و نمونه‌کد در سایت
🇮🇷 سایت | تلگرام