🧠 معماری SLEEP گوگل برای یادگیری مداوم مدل‌های زبانی
گوگل معماری SLEEP را معرفی کرده است؛ یک چارچوب جدید برای آموزش مداوم مدل‌های زبانی بزرگ (LLMs) که به آن‌ها اجازه می‌دهد دانش جدید را بدون فراموش کردن اطلاعات قبلی کسب کنند. مشکل اصلی در یادگیری مداوم، «فراموشی فاجعه‌بار» است، جایی که مدل با یادگیری اطلاعات جدید، مهارت‌های قبلی خود را از دست می‌دهد.
SLEEP دو حالت اصلی دارد:
* فعال (Waking): مدل با داده‌های ورودی تعامل کرده و اطلاعات را در حافظه کوتاه‌مدت ذخیره می‌کند.
* خواب (Sleeping): دریافت داده‌های جدید متوقف می‌شود. مدل از بلوک‌های حافظه اضافی MoE (Mixture of Experts) استفاده کرده و دانش را به وزن‌های خود منتقل می‌کند تا از تداخل با اطلاعات تثبیت‌شده جلوگیری شود. پس از این مرحله، حافظه موقت آزاد می‌شود.
همچنین مرحله‌ای به نام «رویا» (Dreaming) وجود دارد که در آن، ترکیب‌های تصادفی از متخصصان (experts) نمونه‌های آموزشی تولید می‌کنند. سیستم مفیدترین نمونه‌ها را انتخاب کرده و برای آموزش بیشتر استفاده می‌کند.
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
گوگل معماری SLEEP را معرفی کرده است؛ یک چارچوب جدید برای آموزش مداوم مدل‌های زبانی بزرگ (LLMs) که به آن‌ها اجازه می‌دهد دانش جدید را بدون فراموش کردن اطلاعات قبلی کسب کنند. مشکل اصلی در یادگیری مداوم، «فراموشی فاجعه‌بار» است، جایی که مدل با یادگیری اطلاعات جدید، مهارت‌های قبلی خود را از دست می‌دهد.
SLEEP دو حالت اصلی دارد:
* فعال (Waking): مدل با داده‌های ورودی تعامل کرده و اطلاعات را در حافظه کوتاه‌مدت ذخیره می‌کند.
* خواب (Sleeping): دریافت داده‌های جدید متوقف می‌شود. مدل از بلوک‌های حافظه اضافی MoE (Mixture of Experts) استفاده کرده و دانش را به وزن‌های خود منتقل می‌کند تا از تداخل با اطلاعات تثبیت‌شده جلوگیری شود. پس از این مرحله، حافظه موقت آزاد می‌شود.
همچنین مرحله‌ای به نام «رویا» (Dreaming) وجود دارد که در آن، ترکیب‌های تصادفی از متخصصان (experts) نمونه‌های آموزشی تولید می‌کنند. سیستم مفیدترین نمونه‌ها را انتخاب کرده و برای آموزش بیشتر استفاده می‌کند.
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
🤖 معرفی مدل هوش مصنوعی Gemini 4 Carbon
گوگل مدل جدید Gemini 4 Carbon را با تمرکز بر قابلیت‌های سایبری و پردازش‌های طولانی‌مدت معرفی کرد. این مدل در نسخه ۵.۰ شاخص هوش (Intelligence Index) با امتیاز ۵۹ در جایگاه اول قرار گرفته است.
مهم‌ترین نتایج این مدل در ارزیابی‌های امنیت سایبری عبارتند از:
- امتیاز ۸۸.۲ درصد در SEC-bench Pro برای شناسایی آسیب‌پذیری‌ها
- امتیاز ۵۴.۸ درصد در ExploitGym برای بهره‌برداری از باگ‌ها
- امتیاز ۷۱ درصد در CWE-bench برای ارائه وصله‌های امنیتی
#Gemini4Carbon #SEC_bench_Pro
گوگل مدل جدید Gemini 4 Carbon را با تمرکز بر قابلیت‌های سایبری و پردازش‌های طولانی‌مدت معرفی کرد. این مدل در نسخه ۵.۰ شاخص هوش (Intelligence Index) با امتیاز ۵۹ در جایگاه اول قرار گرفته است.
مهم‌ترین نتایج این مدل در ارزیابی‌های امنیت سایبری عبارتند از:
- امتیاز ۸۸.۲ درصد در SEC-bench Pro برای شناسایی آسیب‌پذیری‌ها
- امتیاز ۵۴.۸ درصد در ExploitGym برای بهره‌برداری از باگ‌ها
- امتیاز ۷۱ درصد در CWE-bench برای ارائه وصله‌های امنیتی
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Gemini4Carbon #SEC_bench_Pro
📊 مسیر تحول مدل‌های GPT از نسخه ۲ تا ۶
در هفت سال گذشته، خانواده مدل‌های GPT تغییرات ساختاری و عملکردی قابل‌توجهی را تجربه کرده‌اند. این روند تکاملی از یک مدل اولیه با پارامترهای محدود تا سیستم‌های دارای استدلال داخلی را در بر می‌گیرد:
* GPT-2 (2019): با ۱.۵ میلیارد پارامتر، تنها به عنوان یک مدل پیش‌بینی توکن بعدی برای تکمیل متن طراحی شد و قابلیت پاسخ به سوالات را نداشت.
* GPT-3 (2020): تمرکز بر افزایش مقیاس (۱۷۵ میلیارد پارامتر) برای بررسی توانایی یادگیری در متن (In-context learning).
* GPT-4 (2023): معرفی آموزش با استفاده از بازخورد انسانی (RLHF) برای تبدیل شدن به یک مدل پرسش و پاسخ، همراه با قابلیت‌های چندوجهی و پنجره متنی ۳۲ هزار توکنی.
* GPT-5 (2025): اولین نسل با قابلیت استدلال داخلی که قبل از ارائه پاسخ نهایی، توکن‌های استدلال تولید می‌کند و پنجره متنی آن به ۴۰۰ هزار توکن افزایش یافته است.
🔗 ادامه مطلب در سایت
#RLHF #mid_turn_steering
در هفت سال گذشته، خانواده مدل‌های GPT تغییرات ساختاری و عملکردی قابل‌توجهی را تجربه کرده‌اند. این روند تکاملی از یک مدل اولیه با پارامترهای محدود تا سیستم‌های دارای استدلال داخلی را در بر می‌گیرد:
* GPT-2 (2019): با ۱.۵ میلیارد پارامتر، تنها به عنوان یک مدل پیش‌بینی توکن بعدی برای تکمیل متن طراحی شد و قابلیت پاسخ به سوالات را نداشت.
* GPT-3 (2020): تمرکز بر افزایش مقیاس (۱۷۵ میلیارد پارامتر) برای بررسی توانایی یادگیری در متن (In-context learning).
* GPT-4 (2023): معرفی آموزش با استفاده از بازخورد انسانی (RLHF) برای تبدیل شدن به یک مدل پرسش و پاسخ، همراه با قابلیت‌های چندوجهی و پنجره متنی ۳۲ هزار توکنی.
* GPT-5 (2025): اولین نسل با قابلیت استدلال داخلی که قبل از ارائه پاسخ نهایی، توکن‌های استدلال تولید می‌کند و پنجره متنی آن به ۴۰۰ هزار توکن افزایش یافته است.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#RLHF #mid_turn_steering
⚡ معرفی MTGBench: بنچمارک بازی چندمرحله‌ای برای ارزیابی توانایی‌های LLM
محققان Yandex و دانشجویان ShAD، بنچمارکی به نام MTGBench را منتشر کرده‌اند که منطق استدلال هوش مصنوعی را در طول مکالمه می‌سنجد. این بنچمارک با ۷ بازی متنی به زبان‌های روسی و انگلیسی، توانایی مدل‌ها را در حفظ ورودی‌های جدید و عدم تناقض با گام‌های قبلی ارزیابی می‌کند. امتیازدهی هم شامل پاسخ نهایی و هم تعداد گام‌های لازم برای رسیدن به آن است.
نتایج آزمایش روی ۱۶ مدل نشان داد:
* استدلال (Reasoning) در بازی‌های مبتنی بر حروف و حذف گزینه‌ها مؤثرتر است، اما در وظایف مبتنی بر دانش و معنا، کارایی کمتری دارد.
* عملکرد قوی در یک بازی، تضمین‌کننده موفقیت در بازی دیگر نیست.
* مدل‌ها روی زبان روسی، به‌خصوص در بازی‌های حروف، ضعیف‌تر عمل می‌کنند.
* قوی‌ترین مدل‌ها با قابلیت استدلال، در مجموع از انسان‌ها در این ۷ بازی پیشی گرفتند.
این مقاله در Findings EMNLP 2026 ارائه شده است.
کد و داده‌های MTGBench در GitHub موجود است.
🔗 توضیحات و نمونه‌کد در سایت
محققان Yandex و دانشجویان ShAD، بنچمارکی به نام MTGBench را منتشر کرده‌اند که منطق استدلال هوش مصنوعی را در طول مکالمه می‌سنجد. این بنچمارک با ۷ بازی متنی به زبان‌های روسی و انگلیسی، توانایی مدل‌ها را در حفظ ورودی‌های جدید و عدم تناقض با گام‌های قبلی ارزیابی می‌کند. امتیازدهی هم شامل پاسخ نهایی و هم تعداد گام‌های لازم برای رسیدن به آن است.
نتایج آزمایش روی ۱۶ مدل نشان داد:
* استدلال (Reasoning) در بازی‌های مبتنی بر حروف و حذف گزینه‌ها مؤثرتر است، اما در وظایف مبتنی بر دانش و معنا، کارایی کمتری دارد.
* عملکرد قوی در یک بازی، تضمین‌کننده موفقیت در بازی دیگر نیست.
* مدل‌ها روی زبان روسی، به‌خصوص در بازی‌های حروف، ضعیف‌تر عمل می‌کنند.
* قوی‌ترین مدل‌ها با قابلیت استدلال، در مجموع از انسان‌ها در این ۷ بازی پیشی گرفتند.
این مقاله در Findings EMNLP 2026 ارائه شده است.
کد و داده‌های MTGBench در GitHub موجود است.
🔗 توضیحات و نمونه‌کد در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🚀 افزایش سرعت کارت‌های گرافیک انویدیا در پردازش‌های هوش مصنوعی
ابزار جدیدی به نام gpu-unlock امکان بهبود عملکرد Tensor Cores را در کارت‌های گرافیک سری GeForce بدون نیاز به تعویض سخت‌افزار فراهم کرده است. این ابزار محدودیت‌های عملیاتی در محاسبات FP16، BF16 و TF32 را حذف می‌کند.
این تغییر در هنگام بوت لینوکس و پیش از بارگذاری درایور اصلی NVIDIA اعمال می‌شود و نیازی به تغییر VBIOS یا نصب درایورهای دست‌کاری شده ندارد. طبق داده‌های منتشر شده در مخزن پروژه، عملکرد در بخش‌های مختلف بدین صورت است:
* پردازش پرامپت LLM: بین ۲۵ تا ۵۵ درصد افزایش سرعت.
* بازآموزی (Fine-tuning) مدل‌ها: ۲۵ تا ۵۰ درصد افزایش سرعت.
* تولید تصویر: ۳۰ تا ۵۵ درصد افزایش سرعت.
این ابزار روی کارت‌های سری RTX 30 به پایداری رسیده و برای سری RTX 20 و RTX 40 به صورت آزمایشی در دسترس است. توجه داشته باشید که بهبود سرعت در مدل‌های کوانتایز شده (GGUF) محدود به ۰ تا ۱۵ درصد بوده و نرخ تولید توکن‌هایی که محدود به پهنای باند حافظه هستند، تغییری نمی‌کند.
🔗 توضیحات و نمونه‌کد در سایت
ابزار جدیدی به نام gpu-unlock امکان بهبود عملکرد Tensor Cores را در کارت‌های گرافیک سری GeForce بدون نیاز به تعویض سخت‌افزار فراهم کرده است. این ابزار محدودیت‌های عملیاتی در محاسبات FP16، BF16 و TF32 را حذف می‌کند.
این تغییر در هنگام بوت لینوکس و پیش از بارگذاری درایور اصلی NVIDIA اعمال می‌شود و نیازی به تغییر VBIOS یا نصب درایورهای دست‌کاری شده ندارد. طبق داده‌های منتشر شده در مخزن پروژه، عملکرد در بخش‌های مختلف بدین صورت است:
* پردازش پرامپت LLM: بین ۲۵ تا ۵۵ درصد افزایش سرعت.
* بازآموزی (Fine-tuning) مدل‌ها: ۲۵ تا ۵۰ درصد افزایش سرعت.
* تولید تصویر: ۳۰ تا ۵۵ درصد افزایش سرعت.
این ابزار روی کارت‌های سری RTX 30 به پایداری رسیده و برای سری RTX 20 و RTX 40 به صورت آزمایشی در دسترس است. توجه داشته باشید که بهبود سرعت در مدل‌های کوانتایز شده (GGUF) محدود به ۰ تا ۱۵ درصد بوده و نرخ تولید توکن‌هایی که محدود به پهنای باند حافظه هستند، تغییری نمی‌کند.
🔗 توضیحات و نمونه‌کد در سایت
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 افزودن کانکتورها به Agent Mode در Arena
پلتفرم Arena قابلیت استفاده از کانکتورها را به بخش Agent Mode اضافه کرد. با این تغییر، کاربران می‌توانند ابزارهای کاربردی و دنیای واقعی را مستقیماً در فرآیندهای خودکار به‌کار بگیرند و کارهای پیچیده‌تر را از ابتدا تا انتها مدیریت کنند.
مهم‌ترین ابزارهای قابل اتصال در حال حاضر عبارتند از:
- GitHub
- Vercel
- Linear
- Supabase
- Notion
- Gmail، Google Drive و Google Calendar
این ابزارها بر اساس درخواست کاربران انتخاب شده‌اند و قرار است در آینده موارد بیشتری به این فهرست اضافه شود. برای بررسی فرصت‌های همکاری با این تیم نیز می‌توانید به صفحه Jobs مراجعه کنید.
#Arena_ai #Agent_Mode
پلتفرم Arena قابلیت استفاده از کانکتورها را به بخش Agent Mode اضافه کرد. با این تغییر، کاربران می‌توانند ابزارهای کاربردی و دنیای واقعی را مستقیماً در فرآیندهای خودکار به‌کار بگیرند و کارهای پیچیده‌تر را از ابتدا تا انتها مدیریت کنند.
مهم‌ترین ابزارهای قابل اتصال در حال حاضر عبارتند از:
- GitHub
- Vercel
- Linear
- Supabase
- Notion
- Gmail، Google Drive و Google Calendar
این ابزارها بر اساس درخواست کاربران انتخاب شده‌اند و قرار است در آینده موارد بیشتری به این فهرست اضافه شود. برای بررسی فرصت‌های همکاری با این تیم نیز می‌توانید به صفحه Jobs مراجعه کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Arena_ai #Agent_Mode
🧬 ورود آنتروپیک به حوزه طراحی دارو با مدل Claude
شرکت Anthropic با خرید استارتاپ بیوتکنولوژی Mithril Medicine و توسعه استفاده از مدل
در یک نمونه عملی، استارتاپ Mithril با بهره‌گیری از مدل
این شرکت اکنون با شش سازمان تخصصی از جمله Bristol Myers Squibb و Generate Biomedicines همکاری می‌کند.
* طراحی ساختار آنتی‌بادی‌ها و بهینه‌سازی پایداری حرارتی آن‌ها
* برنامه‌ریزی کارآزمایی‌های بالینی
* تدوین اسناد نظارتی و قانونی
در همکاری با Divergence Labs، مدل
🇮🇷 سایت | تلگرام
شرکت Anthropic با خرید استارتاپ بیوتکنولوژی Mithril Medicine و توسعه استفاده از مدل
Claude در صنعت داروسازی، فعالیت‌های خود را در این حوزه گسترش داده است.در یک نمونه عملی، استارتاپ Mithril با بهره‌گیری از مدل
Claude برای مدیریت قراردادها، لجستیک و طراحی آزمایش‌ها، توانست در کمتر از ۱۸ ماه یک روش درمانی برای نوعی دیستروفی عضلانی را از مرحله ایده به نتایج اولیه در مدل‌های موشی برساند. در حال حاضر Anthropic بر همین اساس تحقیقات پیش‌بالینی اختصاصی خود را در زمینه بیماری‌های نادر عضلانی دنبال می‌کند.این شرکت اکنون با شش سازمان تخصصی از جمله Bristol Myers Squibb و Generate Biomedicines همکاری می‌کند.
Claude در این پروژه‌ها وظایف متعددی را بر عهده دارد:* طراحی ساختار آنتی‌بادی‌ها و بهینه‌سازی پایداری حرارتی آن‌ها
* برنامه‌ریزی کارآزمایی‌های بالینی
* تدوین اسناد نظارتی و قانونی
در همکاری با Divergence Labs، مدل
Claude موفق شد ۳۵ هزار طرح آنتی‌بادی را در مدت یک ماه تولید کند؛ فرآیندی که به‌صورت سنتی به حدود نه ماه زمان نیاز داشت.🇮🇷 سایت | تلگرام
📊 سهم کشورهای جهان از توان محاسباتی هوش مصنوعی
گروه پژوهشی Epoch AI در بررسی جدید خود از مبادلات گمرکی تراشه‌های هوش مصنوعی، تفاوت چشمگیری را در توزیع قدرت محاسباتی میان آمریکا و چین گزارش کرده است. بر اساس این داده‌ها، در حالی که چین برای تأمین نیاز خود به تراشه‌های بومی هواوی و Cambricon متکی است، روند دسترسی به سخت‌افزار در آمریکا با سرعت بیشتری در حال افزایش است.
مهم‌ترین یافته‌های این گزارش:
- ۷۲ درصد از توان محاسباتی جدید جهان در سال ۲۰۲۵ به آمریکا اختصاص یافته است که این رقم در نیمه اول سال ۲۰۲۶ به ۷۸ درصد رسیده است.
- مجموع ارزش تراشه‌های وارداتی آمریکا از سال ۲۰۲۲ تا امروز حدود ۲۸۸ میلیارد دلار برآورد شده است.
- مجموع ارزش تراشه‌های وارداتی چین در همین بازه زمانی ۵۰.۵ میلیارد دلار گزارش شده است.
- سهم چین از ظرفیت محاسباتی جدید جهان در حال حاضر حدود ۱۰ درصد است.
#Epoch_AI #تراشه_هوش_مصنوعی
گروه پژوهشی Epoch AI در بررسی جدید خود از مبادلات گمرکی تراشه‌های هوش مصنوعی، تفاوت چشمگیری را در توزیع قدرت محاسباتی میان آمریکا و چین گزارش کرده است. بر اساس این داده‌ها، در حالی که چین برای تأمین نیاز خود به تراشه‌های بومی هواوی و Cambricon متکی است، روند دسترسی به سخت‌افزار در آمریکا با سرعت بیشتری در حال افزایش است.
مهم‌ترین یافته‌های این گزارش:
- ۷۲ درصد از توان محاسباتی جدید جهان در سال ۲۰۲۵ به آمریکا اختصاص یافته است که این رقم در نیمه اول سال ۲۰۲۶ به ۷۸ درصد رسیده است.
- مجموع ارزش تراشه‌های وارداتی آمریکا از سال ۲۰۲۲ تا امروز حدود ۲۸۸ میلیارد دلار برآورد شده است.
- مجموع ارزش تراشه‌های وارداتی چین در همین بازه زمانی ۵۰.۵ میلیارد دلار گزارش شده است.
- سهم چین از ظرفیت محاسباتی جدید جهان در حال حاضر حدود ۱۰ درصد است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Epoch_AI #تراشه_هوش_مصنوعی
هوش مصنوعی و علم داده به فارسی
🤖 معرفی مدل هوش مصنوعی Gemini 4 Carbon گوگل مدل جدید Gemini 4 Carbon را با تمرکز بر قابلیت‌های سایبری و پردازش‌های طولانی‌مدت معرفی کرد. این مدل در نسخه ۵.۰ شاخص هوش (Intelligence Index) با امتیاز ۵۹ در جایگاه اول قرار گرفته است. مهم‌ترین نتایج این مدل…
صدرنشینی Gemini 4 Carbon در شاخص هوش مصنوعی
مدل Gemini 4 Carbon در جدیدترین به‌روزرسانی شاخص Artificial Analysis Intelligence با کسب امتیاز ۵۹، در جایگاه نخست قرار گرفت. این مدل که ارتقایافته نسخه Argon محسوب می‌شود، در حال حاضر فاقد API عمومی بوده و تنها برای گروه محدودی از متخصصان امنیت سایبری در دسترس است.
همچنین در شاخص Coding Agent که عملکرد مدل‌ها را در بنچمارک‌های برنامه‌نویسی ارزیابی می‌کند، این مدل پس از Claude Opus 5.5 در رتبه دوم جای گرفته است.
برخی از مدل‌های برتر در این دو رده‌بندی عبارت‌اند از:
* Intelligence Index: Gemini 4 Carbon (۵۹)، Claude Opus 5.5 (۵۸) و GPT-6 Astra (۵۷)
* Coding Agent Index: Claude Code - Claude Opus 5.5 (۶۲)، Antigravity CLI - Gemini 4 Carbon (۵۹) و Claude Code - Claude Sonnet 5.5 (۵۹)
مدل Gemini 4 Carbon با قیمت ۴ دلار برای استفاده‌های سبک و ۲۰ دلار برای دسترسی کامل معرفی شده است.
🔗 ادامه مطلب در سایت
#Gemini_4_Carbon #Antigravity_CLI
مدل Gemini 4 Carbon در جدیدترین به‌روزرسانی شاخص Artificial Analysis Intelligence با کسب امتیاز ۵۹، در جایگاه نخست قرار گرفت. این مدل که ارتقایافته نسخه Argon محسوب می‌شود، در حال حاضر فاقد API عمومی بوده و تنها برای گروه محدودی از متخصصان امنیت سایبری در دسترس است.
همچنین در شاخص Coding Agent که عملکرد مدل‌ها را در بنچمارک‌های برنامه‌نویسی ارزیابی می‌کند، این مدل پس از Claude Opus 5.5 در رتبه دوم جای گرفته است.
برخی از مدل‌های برتر در این دو رده‌بندی عبارت‌اند از:
* Intelligence Index: Gemini 4 Carbon (۵۹)، Claude Opus 5.5 (۵۸) و GPT-6 Astra (۵۷)
* Coding Agent Index: Claude Code - Claude Opus 5.5 (۶۲)، Antigravity CLI - Gemini 4 Carbon (۵۹) و Claude Code - Claude Sonnet 5.5 (۵۹)
مدل Gemini 4 Carbon با قیمت ۴ دلار برای استفاده‌های سبک و ۲۰ دلار برای دسترسی کامل معرفی شده است.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Gemini_4_Carbon #Antigravity_CLI
📊 دسترسی به دیتای زنده صرافی‌های ایرانی با پروتکل MCP
پروژه iran-crypto-mcp یک سرور اوپن‌سورس است که امکان اتصال کلاینت‌های پشتیبانی‌کننده از پروتکل MCP، نظیر Claude، Cursor و Copilot را به دیتای بازار هفت صرافی ایرانی فراهم می‌کند. این ابزار به کاربران اجازه می‌دهد با پرسش‌های متنی ساده، اطلاعات لحظه‌ای بازار را تحلیل کنند.
صرافی‌های تحت پشتیبانی:
نوبیتکس، والکس، بیت‌پین، رمزینکس، تبدیل، OMPFinex و اکسیر.
مهم‌ترین ابزارهای این سرویس:
• مقایسه قیمت لحظه‌ای یک رمزارز در هر ۷ صرافی و محاسبه اسپرد
• دریافت تیکر زنده شامل قیمت، رنج ۲۴ ساعته و حجم
• نمایش اوردر بوک (تا ۲۰ سطح) و معاملات اخیر
• دریافت کندل‌های OHLC از تایم‌فریم ۱۵ دقیقه تا ۱ روز
• شناسایی کوین‌های دارای بیشترین رشد یا افت قیمت
این پروژه ماهیت «فقط‌خواندنی» دارد و بدون نیاز به API Key یا احراز هویت، تنها از داده‌های عمومی استفاده می‌کند. برای اجرای آن کافی است از دستور
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
پروژه iran-crypto-mcp یک سرور اوپن‌سورس است که امکان اتصال کلاینت‌های پشتیبانی‌کننده از پروتکل MCP، نظیر Claude، Cursor و Copilot را به دیتای بازار هفت صرافی ایرانی فراهم می‌کند. این ابزار به کاربران اجازه می‌دهد با پرسش‌های متنی ساده، اطلاعات لحظه‌ای بازار را تحلیل کنند.
صرافی‌های تحت پشتیبانی:
نوبیتکس، والکس، بیت‌پین، رمزینکس، تبدیل، OMPFinex و اکسیر.
مهم‌ترین ابزارهای این سرویس:
• مقایسه قیمت لحظه‌ای یک رمزارز در هر ۷ صرافی و محاسبه اسپرد
• دریافت تیکر زنده شامل قیمت، رنج ۲۴ ساعته و حجم
• نمایش اوردر بوک (تا ۲۰ سطح) و معاملات اخیر
• دریافت کندل‌های OHLC از تایم‌فریم ۱۵ دقیقه تا ۱ روز
• شناسایی کوین‌های دارای بیشترین رشد یا افت قیمت
این پروژه ماهیت «فقط‌خواندنی» دارد و بدون نیاز به API Key یا احراز هویت، تنها از داده‌های عمومی استفاده می‌کند. برای اجرای آن کافی است از دستور
uvx iran-crypto-mcp استفاده کنید. این ابزار بخشی از یک مجموعه گسترده‌تر برای تعامل با سرویس‌های ایرانی از طریق MCP است.🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
🤖 افزایش هزینه‌های امنیتی شرکت‌ها برای باگ‌های کشف‌شده با هوش مصنوعی
طبق گزارش The Information، شرکت‌های بزرگ در حال تخصیص بودجه‌های سنگین برای بررسی کدهای خود توسط مدل‌های هوش مصنوعی هستند. برای نمونه، شرکت UiPath برای هر اسکن کد توسط مدل Mythos شرکت Anthropic، مبلغ ۲۵ هزار دلار پرداخت می‌کند.
حجم آسیب‌پذیری‌های کشف‌شده نیز به‌شدت افزایش یافته است. به گفته نماینده شرکت Palo Alto Networks، تنها در یک ماه، ۱۲ شرکت موفق به شناسایی بیش از ۳۷ هزار آسیب‌پذیری بالقوه در نرم‌افزارهای متن‌باز شده‌اند، در حالی که آمار جهانی در ماه پیش از آن حدود ۱۵۰۰ مورد بود. البته تمام این موارد لزوماً خطاهای بحرانی یا تأییدشده نیستند.
این وضعیت، نیاز شرکت‌ها به نیروی انسانی و منابع جدید را برای تحلیل و رفع مشکلات امنیتی افزایش داده است:
* Bank of America: استخدام ۱۰۰۰ پیمانکار برای رسیدگی و رفع مشکلات نرم‌افزاری.
* Goldman Sachs: بررسی تخصیص بودجه‌ای معادل یا بیشتر از هزینه‌های ابزارهای برنامه‌نویسی هوش مصنوعی، برای بخش امنیت هوش مصنوعی.
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
طبق گزارش The Information، شرکت‌های بزرگ در حال تخصیص بودجه‌های سنگین برای بررسی کدهای خود توسط مدل‌های هوش مصنوعی هستند. برای نمونه، شرکت UiPath برای هر اسکن کد توسط مدل Mythos شرکت Anthropic، مبلغ ۲۵ هزار دلار پرداخت می‌کند.
حجم آسیب‌پذیری‌های کشف‌شده نیز به‌شدت افزایش یافته است. به گفته نماینده شرکت Palo Alto Networks، تنها در یک ماه، ۱۲ شرکت موفق به شناسایی بیش از ۳۷ هزار آسیب‌پذیری بالقوه در نرم‌افزارهای متن‌باز شده‌اند، در حالی که آمار جهانی در ماه پیش از آن حدود ۱۵۰۰ مورد بود. البته تمام این موارد لزوماً خطاهای بحرانی یا تأییدشده نیستند.
این وضعیت، نیاز شرکت‌ها به نیروی انسانی و منابع جدید را برای تحلیل و رفع مشکلات امنیتی افزایش داده است:
* Bank of America: استخدام ۱۰۰۰ پیمانکار برای رسیدگی و رفع مشکلات نرم‌افزاری.
* Goldman Sachs: بررسی تخصیص بودجه‌ای معادل یا بیشتر از هزینه‌های ابزارهای برنامه‌نویسی هوش مصنوعی، برای بخش امنیت هوش مصنوعی.
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
مفهوم Harness Engineering در سیستم‌های عملیاتی
در پروژه‌های هوش مصنوعی سازمانی، حدود ۸۸ درصد از مدل‌ها به مرحله تولید (Production) نمی‌رسند. مشکل اصلی معمولاً خودِ مدل نیست، بلکه زیرساخت‌های اطراف آن است. در سال ۲۰۲۶، مهارتی به نام Harness Engineering جایگزین «پرامپت‌نویسی» و «مدیریت محتوا» شده است.
در واقع Harness (که می‌توان آن را «مجموعه ابزارهای مهارکننده» یا «لایه اجرایی» نامید)، سیستمی است که مدل را به دنیای واقعی متصل می‌کند. این لایه هفت وظیفه حیاتی دارد:
• مدیریت ابزارها: مدل نباید مستقیماً به ابزارها دسترسی داشته باشد؛ Harness باید درخواست‌ها را اعتبارسنجی و اجرا کند.
• اعتبارسنجی: استفاده از مدل ثانویه برای بررسی خروجی مدل اصلی.
• حافظه پایدار: ذخیره محدودیت‌ها و دانش در فایل‌های سیستمی جهت استفاده در نشست‌های بعدی.
• مدیریت زمینه (Context): خلاصه کردن تاریخچه برای جلوگیری از هدررفت پنجره متنی.
• گاردریل‌ها (Guardrails): بررسی خروجی‌ها بر اساس سیاست‌های رفتاری، داده‌ای و امنیتی.
🔗 ادامه مطلب در سایت
در پروژه‌های هوش مصنوعی سازمانی، حدود ۸۸ درصد از مدل‌ها به مرحله تولید (Production) نمی‌رسند. مشکل اصلی معمولاً خودِ مدل نیست، بلکه زیرساخت‌های اطراف آن است. در سال ۲۰۲۶، مهارتی به نام Harness Engineering جایگزین «پرامپت‌نویسی» و «مدیریت محتوا» شده است.
در واقع Harness (که می‌توان آن را «مجموعه ابزارهای مهارکننده» یا «لایه اجرایی» نامید)، سیستمی است که مدل را به دنیای واقعی متصل می‌کند. این لایه هفت وظیفه حیاتی دارد:
• مدیریت ابزارها: مدل نباید مستقیماً به ابزارها دسترسی داشته باشد؛ Harness باید درخواست‌ها را اعتبارسنجی و اجرا کند.
• اعتبارسنجی: استفاده از مدل ثانویه برای بررسی خروجی مدل اصلی.
• حافظه پایدار: ذخیره محدودیت‌ها و دانش در فایل‌های سیستمی جهت استفاده در نشست‌های بعدی.
• مدیریت زمینه (Context): خلاصه کردن تاریخچه برای جلوگیری از هدررفت پنجره متنی.
• گاردریل‌ها (Guardrails): بررسی خروجی‌ها بر اساس سیاست‌های رفتاری، داده‌ای و امنیتی.
🔗 ادامه مطلب در سایت