📊 تحلیل هزینه مدل‌های زبانی در Agent Arena
پلتفرم Agent Arena در بررسی عملکرد مدل‌ها، تفاوت ساختاری در کاهش هزینه اجرای تسک‌ها را نشان می‌دهد. بر اساس داده‌های این پلتفرم، مدل GPT-6.1 Sol (Max) با هزینه ۱.۹۱ دلار برای هر تسک، ۸۵ درصد ارزان‌تر از Claude Opus 5.5 با هزینه ۱۲.۵۱ دلار و ۸۷ درصد ارزان‌تر از GPT-6 Astra با هزینه ۱۴.۹۳ دلار عمل می‌کند.
این کاهش هزینه در مدل Sol نسبت به مدل‌های رقیب از دو منبع متفاوت تامین می‌شود:
* در برابر Astra: مزیت اصلی Sol ناشی از قیمت پایین‌تر هر توکن است.
* در برابر Opus: مزیت اصلی مدل ناشی از مصرف کمتر تعداد توکن برای انجام یک تسک مشابه است.
Agent Arena با ردیابی واقعی هزینه‌های کاربران، مجموع توکن‌های مصرفی مدل در بخش‌های ورودی، خروجی و cache-read را در قیمت هر توکن ضرب می‌کند تا مشخص شود هر مدل چگونه هزینه‌های عملیاتی را مدیریت می‌کند. اطلاعات بیشتر در سایت Arena.ai قابل مشاهده است.
#Agent_Arena #GPT_6_1_Sol
پلتفرم Agent Arena در بررسی عملکرد مدل‌ها، تفاوت ساختاری در کاهش هزینه اجرای تسک‌ها را نشان می‌دهد. بر اساس داده‌های این پلتفرم، مدل GPT-6.1 Sol (Max) با هزینه ۱.۹۱ دلار برای هر تسک، ۸۵ درصد ارزان‌تر از Claude Opus 5.5 با هزینه ۱۲.۵۱ دلار و ۸۷ درصد ارزان‌تر از GPT-6 Astra با هزینه ۱۴.۹۳ دلار عمل می‌کند.
این کاهش هزینه در مدل Sol نسبت به مدل‌های رقیب از دو منبع متفاوت تامین می‌شود:
* در برابر Astra: مزیت اصلی Sol ناشی از قیمت پایین‌تر هر توکن است.
* در برابر Opus: مزیت اصلی مدل ناشی از مصرف کمتر تعداد توکن برای انجام یک تسک مشابه است.
Agent Arena با ردیابی واقعی هزینه‌های کاربران، مجموع توکن‌های مصرفی مدل در بخش‌های ورودی، خروجی و cache-read را در قیمت هر توکن ضرب می‌کند تا مشخص شود هر مدل چگونه هزینه‌های عملیاتی را مدیریت می‌کند. اطلاعات بیشتر در سایت Arena.ai قابل مشاهده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Agent_Arena #GPT_6_1_Sol
🤖 تخصیص اعتبار API به کاربران اشتراکی OpenAI
شرکت OpenAI اعلام کرد که برای کاربران برخی از سطوح اشتراکی، اعتبار ماهیانه API در نظر می‌گیرد. در این طرح، مبلغ پرداختی برای اشتراک در قالب اعتبار (Credit) برای استفاده از API بازگردانده می‌شود.
این اعتبار به یک سازمان مشخص در پنل API اختصاص می‌یابد و متقاضیان باید برای فعال‌سازی آن درخواست خود را ثبت کنند.
مهم‌ترین موارد تخصیص اعتبار به شرح زیر است:
- اشتراک Pro در سطح ۱۰۰ دلار: ۱۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۲۰۰ دلار: ۲۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۵۰۰ دلار: ۵۰۰ دلار اعتبار ماهیانه
- اشتراک Business Standard: ۲۰ دلار به ازای هر صندلی فعال
- اشتراک Business Premium: ۱۰۰ دلار به ازای هر صندلی فعال (با سقف کلی ۵۰۰ دلار برای هر Workspace)
#OpenAI #API_Credits
شرکت OpenAI اعلام کرد که برای کاربران برخی از سطوح اشتراکی، اعتبار ماهیانه API در نظر می‌گیرد. در این طرح، مبلغ پرداختی برای اشتراک در قالب اعتبار (Credit) برای استفاده از API بازگردانده می‌شود.
این اعتبار به یک سازمان مشخص در پنل API اختصاص می‌یابد و متقاضیان باید برای فعال‌سازی آن درخواست خود را ثبت کنند.
مهم‌ترین موارد تخصیص اعتبار به شرح زیر است:
- اشتراک Pro در سطح ۱۰۰ دلار: ۱۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۲۰۰ دلار: ۲۰۰ دلار اعتبار ماهیانه
- اشتراک Pro در سطح ۵۰۰ دلار: ۵۰۰ دلار اعتبار ماهیانه
- اشتراک Business Standard: ۲۰ دلار به ازای هر صندلی فعال
- اشتراک Business Premium: ۱۰۰ دلار به ازای هر صندلی فعال (با سقف کلی ۵۰۰ دلار برای هر Workspace)
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#OpenAI #API_Credits
This media is not supported in your browser
VIEW IN TELEGRAM
⚡ مقایسه Gemini 4 Carbon و Opus 5.5 در رندر سه‌بعدی
در یک ارزیابی عملی برای ساخت رندر سه‌بعدی با پرامپت یکسان، مدل Gemini 4 Carbon نسبت به Opus 5.5 با هزینه کمتر و سرعت بالاتری خروجی ارائه کرد.
جزئیات عملکرد:
• Gemini 4 Carbon: هزینه ۴٫۳۰ دلار و زمان پردازش ۳۲ دقیقه
• Opus 5.5: هزینه ۱۴٫۰۰ دلار و زمان پردازش ۱ ساعت و ۲۰ دقیقه
تصویر خروجی Gemini 4 Carbon شفاف‌تر بود و سایه‌های رنگین‌کمانی ایجاد کرد، در حالی که تصویر Opus 5.5 در مقایسه با آن کم‌رنگ‌تر شد. بر اساس این تست، Gemini 4 Carbon سه برابر ارزان‌تر و دو برابر سریع‌تر از Opus 5.5 پردازش را انجام داده است.
در یک ارزیابی عملی برای ساخت رندر سه‌بعدی با پرامپت یکسان، مدل Gemini 4 Carbon نسبت به Opus 5.5 با هزینه کمتر و سرعت بالاتری خروجی ارائه کرد.
جزئیات عملکرد:
• Gemini 4 Carbon: هزینه ۴٫۳۰ دلار و زمان پردازش ۳۲ دقیقه
• Opus 5.5: هزینه ۱۴٫۰۰ دلار و زمان پردازش ۱ ساعت و ۲۰ دقیقه
تصویر خروجی Gemini 4 Carbon شفاف‌تر بود و سایه‌های رنگین‌کمانی ایجاد کرد، در حالی که تصویر Opus 5.5 در مقایسه با آن کم‌رنگ‌تر شد. بر اساس این تست، Gemini 4 Carbon سه برابر ارزان‌تر و دو برابر سریع‌تر از Opus 5.5 پردازش را انجام داده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
📊 مقایسه عملکرد Gemini 4 Carbon با Opus 5.5 و GPT-6 Astra
در یک آزمون مقایسه‌ای با پرومپت یکسان، عملکرد چند مدل پرچمدار از نظر زمان پردازش و هزینه سنجیده شد.
نتایج ثبت‌شده در این تست به این شرح است:
• GPT-6 Astra: ۲۲ دقیقه و ۵۴ ثانیه (هزینه: ۳.۲۸ دلار)
• Gemini 4 Carbon: ۲۹ دقیقه و ۴۹ ثانیه
• Opus 5.5: ۴۳ دقیقه و ۲۱ ثانیه (هزینه: ۹.۲۵ دلار)
در این آزمون، مدل GPT-6 Astra سریع‌ترین زمان و کمترین هزینه را ثبت کرد و Gemini 4 Carbon نیز زمان پردازش کوتاه‌تری نسبت به Opus 5.5 داشت.
در یک آزمون مقایسه‌ای با پرومپت یکسان، عملکرد چند مدل پرچمدار از نظر زمان پردازش و هزینه سنجیده شد.
نتایج ثبت‌شده در این تست به این شرح است:
• GPT-6 Astra: ۲۲ دقیقه و ۵۴ ثانیه (هزینه: ۳.۲۸ دلار)
• Gemini 4 Carbon: ۲۹ دقیقه و ۴۹ ثانیه
• Opus 5.5: ۴۳ دقیقه و ۲۱ ثانیه (هزینه: ۹.۲۵ دلار)
در این آزمون، مدل GPT-6 Astra سریع‌ترین زمان و کمترین هزینه را ثبت کرد و Gemini 4 Carbon نیز زمان پردازش کوتاه‌تری نسبت به Opus 5.5 داشت.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
📖 دسترسی رایگان به صدها کتاب درسی در NotebookLM
گوگل امکان دسترسی مستقیم و رایگان به صدها کتاب درسی را به ابزار NotebookLM اضافه کرد. این کتاب‌ها از ناشرانی مانند OpenStax، S Chand Publishing و Open Textbook Library تامین شده‌اند و کاربران می‌توانند بدون نیاز به بارگذاری فایل، آن‌ها را درون برنامه جستجو و انتخاب کنند.
با افزودن این منابع، هوش مصنوعی NotebookLM می‌تواند فصل‌های مختلف را خلاصه کند، متون را توضیح دهد و از محتوای کتاب‌ها پرسش‌وپاسخ و آزمون تمرینی بسازد.
#NotebookLM #OpenStax
گوگل امکان دسترسی مستقیم و رایگان به صدها کتاب درسی را به ابزار NotebookLM اضافه کرد. این کتاب‌ها از ناشرانی مانند OpenStax، S Chand Publishing و Open Textbook Library تامین شده‌اند و کاربران می‌توانند بدون نیاز به بارگذاری فایل، آن‌ها را درون برنامه جستجو و انتخاب کنند.
با افزودن این منابع، هوش مصنوعی NotebookLM می‌تواند فصل‌های مختلف را خلاصه کند، متون را توضیح دهد و از محتوای کتاب‌ها پرسش‌وپاسخ و آزمون تمرینی بسازد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#NotebookLM #OpenStax
This media is not supported in your browser
VIEW IN TELEGRAM
🖼️ توضیح تعاملی لایه‌به‌لایه شبکه‌های CNN
ابزار CNN Explainer به شما امکان می‌دهد پردازش گام‌به‌گام تصویر توسط شبکه‌های کانولوشنال عصبی (CNN) را مشاهده کنید. می‌توانید تصویر دلخواه خود را بارگذاری کرده و ببینید هر لایه چگونه آن را پردازش می‌کند.
این ابزار مراحل زیر را توضیح می‌دهد:
- کانال‌های ورودی RGB
- کانولوشن (Convolution)
- تابع فعال‌سازی ReLU
- پولینگ حداکثر (Max Pooling)
- نقشه‌های فعال‌سازی (Activation maps)
- مسطح‌سازی (Flatten)
- تابع Softmax
- پیش‌بینی نهایی
این ابزار برای درک عمیق‌تر نحوه کار CNNها بسیار مفید است.
🔗 CNN Explainer
#CNN_Explainer #Convolutional_Neural_Networks
ابزار CNN Explainer به شما امکان می‌دهد پردازش گام‌به‌گام تصویر توسط شبکه‌های کانولوشنال عصبی (CNN) را مشاهده کنید. می‌توانید تصویر دلخواه خود را بارگذاری کرده و ببینید هر لایه چگونه آن را پردازش می‌کند.
این ابزار مراحل زیر را توضیح می‌دهد:
- کانال‌های ورودی RGB
- کانولوشن (Convolution)
- تابع فعال‌سازی ReLU
- پولینگ حداکثر (Max Pooling)
- نقشه‌های فعال‌سازی (Activation maps)
- مسطح‌سازی (Flatten)
- تابع Softmax
- پیش‌بینی نهایی
این ابزار برای درک عمیق‌تر نحوه کار CNNها بسیار مفید است.
🔗 CNN Explainer
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#CNN_Explainer #Convolutional_Neural_Networks
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #10 | 📌 5 آیتم گزارش | 🧾 از 41 پست بررسی‌شده
🕐 چهارشنبه 1405/08/06 ساعت 14:00 تا جمعه 1405/08/08 ساعت 14:00
تاثیر آزادسازی سخت‌افزاری بر سرعت پردازش محلی
آزادسازی ظرفیت تنسورکور کارت‌های مصرفی در لینوکس، هزینه تست و پردازش محلی مدل‌ها را کاهش می‌دهد. این تغییر به توسعه‌دهندگان اجازه می‌دهد بدون سرمایه‌گذاری روی کارت‌های سازمانی، سرعت پیش‌پردازش و فین‌تیون را بالا ببرند. با این حال، ثابت ماندن پهنای باند حافظه باعث می‌شود نرخ تولید توکن در مدل‌های کوانتایزشده تغییر چندانی نکند.
ارزیابی راهکار SLEEP در یادگیری بدون فراموشی
تفکیک فازهای یادگیری و انتقال دانش به بلوک‌های حافظه، امکان به‌روزرسانی مداوم مدل‌ها را بدون دستکاری کل شبکه فراهم می‌کند. این رویکرد ریسک فراموشی فاجعه‌بار را در مواجهه با داده‌های جدید کاهش می‌دهد. البته موفقیت عملی آن نیازمند مدیریت دقیق چرخه رویاسازی و ارزیابی کیفیت نمونه‌های تولیدشده است.
🔬 زیرساخت و مدل‌های باز
بهبود عملکرد کارت‌های GeForce با ابزار gpu-unlock
ابزار gpu-unlock با حذف محدودیت‌های تنسورکور در لینوکس، سرعت پردازش پرامپت و بازآموزی مدل‌ها را افزایش می‌دهد.
معماری SLEEP گوگل برای یادگیری مداوم مدل‌ها
معماری SLEEP با استفاده از بلوک‌های حافظه MoE و فازهای خواب و رویا، امکان یادگیری مداوم را بدون از دست رفتن دانش قبلی فراهم می‌کند.
انتشار مدل متن‌باز Nemotron 3.5 Transcribe انویدیا
مدل ۳۴ میلیارد پارامتری انویدیا با معماری ترکیبی Mamba-2 و MoE برای تبدیل گفتار به متن و تشخیص گوینده منتشر شد.
انتشار مدل متن‌باز Atria Dawn با پنجره متنی ۵۱۲ هزار توکنی
مدل ۷۴۴ میلیارد پارامتری Atria Dawn بر پایه معماری MoE با مجوز MIT برای تعامل چندمرحله‌ای ایجنت‌ها منتشر شد.
دسترسی کلاینت‌های MCP به داده‌های زنده صرافی‌های ایرانی
پروژه اوپن‌سورس iran-crypto-mcp امکان اتصال ابزارهایی مثل Claude و Cursor را به داده‌های ۷ صرافی ایرانی فراهم کرد.
🗂 گزارش #10 | 📌 5 آیتم گزارش | 🧾 از 41 پست بررسی‌شده
🕐 چهارشنبه 1405/08/06 ساعت 14:00 تا جمعه 1405/08/08 ساعت 14:00
تاثیر آزادسازی سخت‌افزاری بر سرعت پردازش محلی
آزادسازی ظرفیت تنسورکور کارت‌های مصرفی در لینوکس، هزینه تست و پردازش محلی مدل‌ها را کاهش می‌دهد. این تغییر به توسعه‌دهندگان اجازه می‌دهد بدون سرمایه‌گذاری روی کارت‌های سازمانی، سرعت پیش‌پردازش و فین‌تیون را بالا ببرند. با این حال، ثابت ماندن پهنای باند حافظه باعث می‌شود نرخ تولید توکن در مدل‌های کوانتایزشده تغییر چندانی نکند.
ارزیابی راهکار SLEEP در یادگیری بدون فراموشی
تفکیک فازهای یادگیری و انتقال دانش به بلوک‌های حافظه، امکان به‌روزرسانی مداوم مدل‌ها را بدون دستکاری کل شبکه فراهم می‌کند. این رویکرد ریسک فراموشی فاجعه‌بار را در مواجهه با داده‌های جدید کاهش می‌دهد. البته موفقیت عملی آن نیازمند مدیریت دقیق چرخه رویاسازی و ارزیابی کیفیت نمونه‌های تولیدشده است.
🔬 زیرساخت و مدل‌های باز
بهبود عملکرد کارت‌های GeForce با ابزار gpu-unlock
ابزار gpu-unlock با حذف محدودیت‌های تنسورکور در لینوکس، سرعت پردازش پرامپت و بازآموزی مدل‌ها را افزایش می‌دهد.
معماری SLEEP گوگل برای یادگیری مداوم مدل‌ها
معماری SLEEP با استفاده از بلوک‌های حافظه MoE و فازهای خواب و رویا، امکان یادگیری مداوم را بدون از دست رفتن دانش قبلی فراهم می‌کند.
انتشار مدل متن‌باز Nemotron 3.5 Transcribe انویدیا
مدل ۳۴ میلیارد پارامتری انویدیا با معماری ترکیبی Mamba-2 و MoE برای تبدیل گفتار به متن و تشخیص گوینده منتشر شد.
انتشار مدل متن‌باز Atria Dawn با پنجره متنی ۵۱۲ هزار توکنی
مدل ۷۴۴ میلیارد پارامتری Atria Dawn بر پایه معماری MoE با مجوز MIT برای تعامل چندمرحله‌ای ایجنت‌ها منتشر شد.
دسترسی کلاینت‌های MCP به داده‌های زنده صرافی‌های ایرانی
پروژه اوپن‌سورس iran-crypto-mcp امکان اتصال ابزارهایی مثل Claude و Cursor را به داده‌های ۷ صرافی ایرانی فراهم کرد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما