هوش مصنوعی «سیستم یک»؛ چرا همیشه به مدلهای بزرگ نیاز نداریم؟
در دنیای هوش مصنوعی، عادت کردهایم برای هر چالشی از LLMها استفاده کنیم. اما آیا برای یک تصمیمگیری ساده (مثل تشخیص فوریت یک تیکت پشتیبانی)، واقعاً به مدلی نیاز داریم که توانایی شعر گفتن یا برنامهنویسی دارد؟
مدل Jev که توسط TypeSafe معرفی شده، رویکرد متفاوتی دارد. این مدل برای «قضاوت» طراحی شده، نه تولید متن؛ و با حذف فرآیند تولید کلماتِ متوالی، تصمیمات را با سرعتی بسیار بالا و هزینهای ناچیز (حدود ۴۰۰ برابر ارزانتر از LLMهای استاندارد) ارائه میدهد.
ویژگیهای کلیدی Jev:
* خروجی ساختاریافته: به جای متن، احتمال (Probability) و گزینههای از پیش تعریف شده بازمیگرداند تا مستقیماً در کدهای شما (Logic) استفاده شود.
* پشتیبانی از سه عملگر: انتخاب بین گزینهها (Choice)، امتیازدهی روی مقیاس (Score) و پاسخهای بله/خیر (Noul).
* کالیبراسیون دقیق: با متد RLCD آموزش دیده تا میزان اطمینان (Confidence) مدل با دقت واقعی آن همخوانی داشته باشد.
مطالعه کامل مطلب:
Jev: موتور تصمیمگیری هوشمند، سریع و ارزان برای هوش مصنوعی
در دنیای هوش مصنوعی، عادت کردهایم برای هر چالشی از LLMها استفاده کنیم. اما آیا برای یک تصمیمگیری ساده (مثل تشخیص فوریت یک تیکت پشتیبانی)، واقعاً به مدلی نیاز داریم که توانایی شعر گفتن یا برنامهنویسی دارد؟
مدل Jev که توسط TypeSafe معرفی شده، رویکرد متفاوتی دارد. این مدل برای «قضاوت» طراحی شده، نه تولید متن؛ و با حذف فرآیند تولید کلماتِ متوالی، تصمیمات را با سرعتی بسیار بالا و هزینهای ناچیز (حدود ۴۰۰ برابر ارزانتر از LLMهای استاندارد) ارائه میدهد.
ویژگیهای کلیدی Jev:
* خروجی ساختاریافته: به جای متن، احتمال (Probability) و گزینههای از پیش تعریف شده بازمیگرداند تا مستقیماً در کدهای شما (Logic) استفاده شود.
* پشتیبانی از سه عملگر: انتخاب بین گزینهها (Choice)، امتیازدهی روی مقیاس (Score) و پاسخهای بله/خیر (Noul).
* کالیبراسیون دقیق: با متد RLCD آموزش دیده تا میزان اطمینان (Confidence) مدل با دقت واقعی آن همخوانی داشته باشد.
مطالعه کامل مطلب:
Jev: موتور تصمیمگیری هوشمند، سریع و ارزان برای هوش مصنوعی
❤1
🚀 رقابت هوش مصنوعی: مدل جدید Anthropic در راه است
بر اساس گزارش اختصاصی خبرگزاری رویترز، استارتاپ Anthropic در حال آمادهسازی برای عرضه یک مدل هوش مصنوعی جدید است که میتواند رقیبی جدی برای Astra محسوب شود.
این خبر در حالی منتشر شده که تنها یک هفته از سخنان «داریو آمودی» مبنی بر لزوم کاهش سرعت پیشرفتهای سریع در حوزه AI میگذرد.
مهمترین نکات این خبر:
• منابع آگاه میگویند این مدل هماکنون در مراحل نهایی تستهای ایمنی قرار دارد.
• استراتژی فعلی Anthropic احتمالاً عرضه این مدل پیش از عرضه اولیه عمومی (IPO) شرکت است.
باید دید این مدل جدید تا چه حد میتواند استانداردهای فعلی بازار را جابهجا کند.
استراتژی آنتروپیک برای عرضه مدل جدید هوش مصنوعی پیش از عرضه اولیه عمومی
#Anthropic #IPO
بر اساس گزارش اختصاصی خبرگزاری رویترز، استارتاپ Anthropic در حال آمادهسازی برای عرضه یک مدل هوش مصنوعی جدید است که میتواند رقیبی جدی برای Astra محسوب شود.
این خبر در حالی منتشر شده که تنها یک هفته از سخنان «داریو آمودی» مبنی بر لزوم کاهش سرعت پیشرفتهای سریع در حوزه AI میگذرد.
مهمترین نکات این خبر:
• منابع آگاه میگویند این مدل هماکنون در مراحل نهایی تستهای ایمنی قرار دارد.
• استراتژی فعلی Anthropic احتمالاً عرضه این مدل پیش از عرضه اولیه عمومی (IPO) شرکت است.
باید دید این مدل جدید تا چه حد میتواند استانداردهای فعلی بازار را جابهجا کند.
استراتژی آنتروپیک برای عرضه مدل جدید هوش مصنوعی پیش از عرضه اولیه عمومی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Anthropic #IPO
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #119 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسیشده
🕐 شنبه 1405/06/28 ساعت 14:00 تا یکشنبه 1405/06/29 ساعت 14:00
🔎 تحلیل کوتاه
🛡️ چالشهای امنیتی و اخلاقی هوش مصنوعی
🌐 رقابتهای راهبردی و توسعه زیرساختها
💡 نوآوریها و کاربردهای نوین کاربردی
🗂 گزارش #119 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسیشده
🕐 شنبه 1405/06/28 ساعت 14:00 تا یکشنبه 1405/06/29 ساعت 14:00
🔎 تحلیل کوتاه
رقابت فشرده در توسعه هوش مصنوعی علیرغم هشدارهای امنیتی تداوم دارد؛ به طوری که از یک سو گزارشهایی از نفوذ خودکار به سیستمهای واقعی منتشر شده و از سوی دیگر، منتقدان تلاشها برای کند کردن توسعه هوش مصنوعی را ترفندی برای حفظ انحصار میدانند.
🛡️ چالشهای امنیتی و اخلاقی هوش مصنوعی
نفوذ خودکار عوامل هوش مصنوعی Gemini به سیستمهای واقعی شرکتها
گوگل تایید کرد که عوامل هوشمند جمینای طی تستهای امنیتی به سیستمهای داخلی ۳ شرکت واقعی نفوذ کردهاند. نفوذ خودکار عوامل هوش مصنوعی Gemini به سیستمهای واقعی شرکتها
🔗 مشاهده پست
نفوذ تیم امنیتی هکتور به OpenAI با بهرهگیری از هوش مصنوعی Claude
محققان کلاهسفید با استفاده از توانمندیهای مدل کلاد، دو روزنه امنیتی حساس در چتجیپیتی را شناسایی کردند. نفوذ تیم امنیتی هکتور به OpenAI با بهرهگیری از هوش مصنوعی Claude
🔗 مشاهده پست
جنجال حقوقی دور زدن سیستم پرداخت نیویورکتایمز توسط OpenAI
اسناد جدید فاش میکند تیمهای آموزشی اوپنایآی برای جمعآوری داده، دیوارهای پرداخت این رسانه را دور زدهاند.
🔗 نسخه مفصل در سایت
🌐 رقابتهای راهبردی و توسعه زیرساختها
مخالفت فرانسه با درخواستهای جهانی برای کند کردن روند توسعه هوش مصنوعی
وزیر دارایی فرانسه تلاشها برای توقف توسعه هوش مصنوعی را استراتژی آمریکا برای حفظ سلطه و انحصار خواند.
🔗 نسخه مفصل در سایت
تدارک Anthropic برای عرضه مدل جدید رقابتی علیرغم هشدارهای مدیرعامل
آنتروپیک در حالی مدل جدید خود را تست میکند که مدیرعاملش اخیراً خواستار مهار سرعت توسعه هوش مصنوعی شده بود. تدارک Anthropic برای عرضه مدل جدید رقابتی علیرغم هشدارهای مدیرعامل
🔗 مشاهده پست
بحران جدی ظرفیت پردازش و توقف بازنشانی محدودیتهای Codex در OpenAI
به دلیل افزایش شدید تقاضا، اوپنایآی بیش از یک هفته است که محدودیتهای پردازشی Codex را بازنشانی نکرده است. بحران جدی ظرفیت پردازش و توقف بازنشانی محدودیتهای Codex در OpenAI
🔗 مشاهده پست
💡 نوآوریها و کاربردهای نوین کاربردی
معرفی مدل Jev؛ رویکردی نوین برای قضاوت سریع و کمهزینه بدون تولید متن
این مدل با حذف زنجیره کلمات متوالی، تصمیمگیریهای ساختاریافته را با هزینهای ناچیز ارائه میدهد. معرفی مدل Jev؛ رویکردی نوین برای قضاوت سریع و کمهزینه بدون تولید متن
🔗 مشاهده پست
ورود استراتژیک Anthropic به دنیای واقعی با راهاندازی آزمایشگاه فیزیکی
آنتروپیک آزمایشگاهی زیستی در خلیج سانفرانسیسکو تأسیس کرده تا از کلاد برای هدایت رباتها استفاده کند.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 انتشار مدل قدرتمند Alice AI توسط یاندکس
تیم یاندکس به تازگی مدل Alice AI-T5-35B-A0.6B را به صورت متنباز منتشر کرده است. این مدل که در موتور جستجوی یاندکس برای پاسخدهی سریع استفاده میشود، با معماری نوآورانه Encoder-Decoder و ترکیب تکنولوژی MoE توانسته است عملکردی خیرهکننده ثبت کند.
از مهمترین نکات فنی این مدل میتوان به موارد زیر اشاره کرد:
• معماری خاص: این مدل با استفاده از ترکیب انکودر-دیکودر و MoE، کارایی مدلهای ۳۵ میلیارد پارامتری را با هزینه محاسباتی مدلهای ۰.۶ میلیاردی فراهم میکند.
• بهینهسازی контекست: استفاده از یک مدل اختصاصی کوچک برای فیلتر کردن توکنهای غیرضروری و کاهش بار پردازشی.
• آموزش RLHF بدون دخالت مستقیم انسان: مدل بر اساس تحلیل خودکار بازخوردهای واقعی کاربران در محیط جستجو بهینهسازی شده است.
• نتایج عملیاتی: بهبود ۰.۳۴ درصدی در معیارهای محصولی و برتری ۵۶.۷ درصدی در مقایسههای Side-by-Side نسبت به Google AI Overview.
معرفی Alice AI T5-35B-A0.6B: مدل متنباز یاندکس با معماری نوآورانه
تیم یاندکس به تازگی مدل Alice AI-T5-35B-A0.6B را به صورت متنباز منتشر کرده است. این مدل که در موتور جستجوی یاندکس برای پاسخدهی سریع استفاده میشود، با معماری نوآورانه Encoder-Decoder و ترکیب تکنولوژی MoE توانسته است عملکردی خیرهکننده ثبت کند.
از مهمترین نکات فنی این مدل میتوان به موارد زیر اشاره کرد:
• معماری خاص: این مدل با استفاده از ترکیب انکودر-دیکودر و MoE، کارایی مدلهای ۳۵ میلیارد پارامتری را با هزینه محاسباتی مدلهای ۰.۶ میلیاردی فراهم میکند.
• بهینهسازی контекست: استفاده از یک مدل اختصاصی کوچک برای فیلتر کردن توکنهای غیرضروری و کاهش بار پردازشی.
• آموزش RLHF بدون دخالت مستقیم انسان: مدل بر اساس تحلیل خودکار بازخوردهای واقعی کاربران در محیط جستجو بهینهسازی شده است.
• نتایج عملیاتی: بهبود ۰.۳۴ درصدی در معیارهای محصولی و برتری ۵۶.۷ درصدی در مقایسههای Side-by-Side نسبت به Google AI Overview.
معرفی Alice AI T5-35B-A0.6B: مدل متنباز یاندکس با معماری نوآورانه
🤖 چالش استقلال در ارزیابی مدلهای هوش مصنوعی
شرکت Anthropic در راستای وعدههای پیشین خود برای افزایش شفافیت، همکاری جدیدی را با شرکت مشاوره Accenture برای «ارزیابی مستقل» مدلهای هوش مصنوعی آغاز کرده است. این همکاری شامل بررسیهای امنیتی، تستهای نفوذ (Red-teaming) و ارزیابی همسویی (Alignment) مدلهاست.
با این حال، این اقدام با انتقاداتی در خصوص معنای واقعی «استقلال» مواجه شده است. مهمترین نکات قابل تامل در این همکاری عبارتند از:
* تضاد منافع مالی: Anthropic خود مسئول تامین مالی فعالیتهای ارزیابی Accenture است.
* سابقه همکاری تجاری: پیش از این، قراردادی چندجانبه برای آموزش بیش از ۳۰ هزار نیروی متخصص Accenture جهت کار با مدلهای Claude منعقد شده بود.
* تجربه مشابه با METR: پیشتر نیز ارزیابیهای صورت گرفته توسط موسسه METR مورد نقد قرار گرفت، چرا که مشخص شد این موسسه نیز از طریق سهام، به نوعی با منافع مالی Anthropic گره خورده است.
چالشهای شفافیت و استقلال در فرآیند ارزیابی مدلهای هوش مصنوعی Anthropic
شرکت Anthropic در راستای وعدههای پیشین خود برای افزایش شفافیت، همکاری جدیدی را با شرکت مشاوره Accenture برای «ارزیابی مستقل» مدلهای هوش مصنوعی آغاز کرده است. این همکاری شامل بررسیهای امنیتی، تستهای نفوذ (Red-teaming) و ارزیابی همسویی (Alignment) مدلهاست.
با این حال، این اقدام با انتقاداتی در خصوص معنای واقعی «استقلال» مواجه شده است. مهمترین نکات قابل تامل در این همکاری عبارتند از:
* تضاد منافع مالی: Anthropic خود مسئول تامین مالی فعالیتهای ارزیابی Accenture است.
* سابقه همکاری تجاری: پیش از این، قراردادی چندجانبه برای آموزش بیش از ۳۰ هزار نیروی متخصص Accenture جهت کار با مدلهای Claude منعقد شده بود.
* تجربه مشابه با METR: پیشتر نیز ارزیابیهای صورت گرفته توسط موسسه METR مورد نقد قرار گرفت، چرا که مشخص شد این موسسه نیز از طریق سهام، به نوعی با منافع مالی Anthropic گره خورده است.
چالشهای شفافیت و استقلال در فرآیند ارزیابی مدلهای هوش مصنوعی Anthropic
🚀 آینده در دستان رباتهای انساننما
گلدمن ساکس در گزارش جدید خود پیشبینیهایش را برای توسعه هوش مصنوعی فیزیکی (Embodied AI) بهروزرسانی کرده است. طبق این تحلیل، تا سال ۲۰۳۵ شاهد تولید ۶.۵ میلیون ربات انساننما خواهیم بود که بازاری به ارزش ۱۳۸ میلیارد دلار ایجاد میکند.
این مسیر با سرعت خیرهکنندهای پیش میرود؛ بهطوری که پیشبینی تولید برای سال ۲۰۳۰، بیش از سه برابر برآوردهای قبلی افزایش یافته است. کاربرد اصلی این فناوری در مراحل ابتدایی، انبارداری، لجستیک و صنعت خودرو خواهد بود.
مهمترین تحولات اخیر در این حوزه:
* گزارش Goldman Sachs: بررسی چشمانداز اقتصادی هوش مصنوعی برای اقتصاد واقعی.
* NVIDIA: توسعه اکوسیستم سختافزاری و نرمافزاری شامل
* Tesla: بازطراحی خطوط تولید در کارخانه فریمونت جهت آمادهسازی برای تولید انبوه ربات
گلدمن ساکس: پیشبینی بازار ۱۳۸ میلیارد دلاری برای هوش مصنوعی فیزیکی
گلدمن ساکس در گزارش جدید خود پیشبینیهایش را برای توسعه هوش مصنوعی فیزیکی (Embodied AI) بهروزرسانی کرده است. طبق این تحلیل، تا سال ۲۰۳۵ شاهد تولید ۶.۵ میلیون ربات انساننما خواهیم بود که بازاری به ارزش ۱۳۸ میلیارد دلار ایجاد میکند.
این مسیر با سرعت خیرهکنندهای پیش میرود؛ بهطوری که پیشبینی تولید برای سال ۲۰۳۰، بیش از سه برابر برآوردهای قبلی افزایش یافته است. کاربرد اصلی این فناوری در مراحل ابتدایی، انبارداری، لجستیک و صنعت خودرو خواهد بود.
مهمترین تحولات اخیر در این حوزه:
* گزارش Goldman Sachs: بررسی چشمانداز اقتصادی هوش مصنوعی برای اقتصاد واقعی.
* NVIDIA: توسعه اکوسیستم سختافزاری و نرمافزاری شامل
Omniverse، Cosmos، Isaac و Jetson برای هوشمندسازی رباتهای انبار.* Tesla: بازطراحی خطوط تولید در کارخانه فریمونت جهت آمادهسازی برای تولید انبوه ربات
Optimus.گلدمن ساکس: پیشبینی بازار ۱۳۸ میلیارد دلاری برای هوش مصنوعی فیزیکی
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 تحولی در هوش مصنوعی: اجرای موازی با Claude Code
ابزار Claude Code به قابلیتهای جدیدی مجهز شده که مدیریت پروژهها را متحول میکند. از این پس، شما میتوانید چندین وظیفه متفاوت را به صورت همزمان در یک نشست کاری آغاز کنید.
این سیستم جدید با تقسیم هوشمندانه فعالیتها در تردهای موازی، بهرهوری شما را به شکل چشمگیری افزایش میدهد. مهمترین ویژگیهای این بهروزرسانی:
• اشتراکگذاری Context پروژه بین تمامی تردهای فعال.
• تداوم پردازش وظایف در فضای ابری، حتی پس از بستن لپتاپ یا قطع اتصال.
• حذف نیاز به نظارت لحظهای بر تکتک تسکها و افزایش تمرکز روی خروجی نهایی.
با این قابلیت، Claude به جای یک دستیار ساده، به یک موتور پردازشی چندمنظوره تبدیل شده که میتواند در پسزمینه به پیشبرد پروژههای پیچیده شما ادامه دهد.
#Claude_Code #پردازش_موازی
ابزار Claude Code به قابلیتهای جدیدی مجهز شده که مدیریت پروژهها را متحول میکند. از این پس، شما میتوانید چندین وظیفه متفاوت را به صورت همزمان در یک نشست کاری آغاز کنید.
این سیستم جدید با تقسیم هوشمندانه فعالیتها در تردهای موازی، بهرهوری شما را به شکل چشمگیری افزایش میدهد. مهمترین ویژگیهای این بهروزرسانی:
• اشتراکگذاری Context پروژه بین تمامی تردهای فعال.
• تداوم پردازش وظایف در فضای ابری، حتی پس از بستن لپتاپ یا قطع اتصال.
• حذف نیاز به نظارت لحظهای بر تکتک تسکها و افزایش تمرکز روی خروجی نهایی.
با این قابلیت، Claude به جای یک دستیار ساده، به یک موتور پردازشی چندمنظوره تبدیل شده که میتواند در پسزمینه به پیشبرد پروژههای پیچیده شما ادامه دهد.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Claude_Code #پردازش_موازی
🚀 هوش مصنوعی؛ قاتل مشاغل یا موتور اشتغالزایی؟
برخلاف پیشبینیهای بدبینانه مبنی بر نابودی میلیونها شغل توسط هوش مصنوعی، گزارش اکونومیست نشان میدهد که این فناوری در ایالات متحده حدود ۱ میلیون شغل فراتر از روندهای معمول ایجاد کرده است.
اگرچه از اواسط سال ۲۰۲۳ حدود ۲۰۰ هزار موقعیت شغلی در حوزههایی که شرکتها مستقیماً به هوش مصنوعی اشاره کردهاند حذف شده، اما یک غافلگیری بزرگ در جریان است. بخش عمده مشاغل جدید نه در دنیای کدنویسی، بلکه در زیرساختهای فیزیکی شکل گرفتهاند.
مهمترین حوزههای اشتغالزایی ناشی از این موج شامل موارد زیر است:
• تکنسینهای برق و سیستمهای تهویه
• نیروهای متخصص در ساختوساز
• کارگران تأسیسات زیربنایی برای احداث مراکز داده عظیم
• مهندسان نرمافزار و توسعهدهندگان سیستمها
• متخصصان علم داده و هوش مصنوعی
شواهد نشان میدهد که هوش مصنوعی صرفاً در حال جایگزینی نیروی انسانی نیست؛ بلکه در حال ساخت یک اقتصاد کاملاً جدید پیرامون زیرساختهای مورد نیاز خود است.
هوش مصنوعی؛ موتور اشتغالزایی یا عامل حذف مشاغل؟
برخلاف پیشبینیهای بدبینانه مبنی بر نابودی میلیونها شغل توسط هوش مصنوعی، گزارش اکونومیست نشان میدهد که این فناوری در ایالات متحده حدود ۱ میلیون شغل فراتر از روندهای معمول ایجاد کرده است.
اگرچه از اواسط سال ۲۰۲۳ حدود ۲۰۰ هزار موقعیت شغلی در حوزههایی که شرکتها مستقیماً به هوش مصنوعی اشاره کردهاند حذف شده، اما یک غافلگیری بزرگ در جریان است. بخش عمده مشاغل جدید نه در دنیای کدنویسی، بلکه در زیرساختهای فیزیکی شکل گرفتهاند.
مهمترین حوزههای اشتغالزایی ناشی از این موج شامل موارد زیر است:
• تکنسینهای برق و سیستمهای تهویه
• نیروهای متخصص در ساختوساز
• کارگران تأسیسات زیربنایی برای احداث مراکز داده عظیم
• مهندسان نرمافزار و توسعهدهندگان سیستمها
• متخصصان علم داده و هوش مصنوعی
شواهد نشان میدهد که هوش مصنوعی صرفاً در حال جایگزینی نیروی انسانی نیست؛ بلکه در حال ساخت یک اقتصاد کاملاً جدید پیرامون زیرساختهای مورد نیاز خود است.
هوش مصنوعی؛ موتور اشتغالزایی یا عامل حذف مشاغل؟
تکنیکهای بهینهسازی LLM: درک تفاوتهای PEFT
بسیاری از متخصصان از روشهای Fine-tuning استفاده میکنند، اما تفاوت دقیق میان متدهایی مثل LoRA یا QLoRA اغلب نادیده گرفته میشود. درک این تمایزات کلیدی است، زیرا هر روش بخش متفاوتی از مدل را هدف قرار میدهد. در اینجا مهمترین تکنیکها را بررسی میکنیم:
• LoRA: با فریز کردن وزنهای اصلی، آپدیتها را در دو ماتریس کوچکتر A و B جای میدهد تا پارامترهای آموزشدیدنی به شدت کاهش یابد.
• LoRA-FA: با فریز کردن ماتریس A، علاوه بر پارامترها، حافظه فعال (Activation Memory) مصرفی را نیز کاهش میدهد.
• QLoRA: مدل پایه را به صورت 4-bit کوانتایز میکند تا امکان اجرای مدلهای عظیم روی سختافزارهای محدود فراهم شود.
• VeRA: با استفاده از ماتریسهای تصادفی فریز شده و یادگیری بردارهای مقیاسبندی کوچک، تعداد پارامترهای آموزشدیدنی را باز هم کاهش میدهد.
• LoRA+: با اختصاص نرخ یادگیری متفاوت به ماتریسهای A و B، بهینهسازی مدل را کارآمدتر میکند.
بررسی فنی روشهای PEFT: درک تفاوتهای ساختاری در فاینتیونینگ مدلهای زبانی
بسیاری از متخصصان از روشهای Fine-tuning استفاده میکنند، اما تفاوت دقیق میان متدهایی مثل LoRA یا QLoRA اغلب نادیده گرفته میشود. درک این تمایزات کلیدی است، زیرا هر روش بخش متفاوتی از مدل را هدف قرار میدهد. در اینجا مهمترین تکنیکها را بررسی میکنیم:
• LoRA: با فریز کردن وزنهای اصلی، آپدیتها را در دو ماتریس کوچکتر A و B جای میدهد تا پارامترهای آموزشدیدنی به شدت کاهش یابد.
• LoRA-FA: با فریز کردن ماتریس A، علاوه بر پارامترها، حافظه فعال (Activation Memory) مصرفی را نیز کاهش میدهد.
• QLoRA: مدل پایه را به صورت 4-bit کوانتایز میکند تا امکان اجرای مدلهای عظیم روی سختافزارهای محدود فراهم شود.
• VeRA: با استفاده از ماتریسهای تصادفی فریز شده و یادگیری بردارهای مقیاسبندی کوچک، تعداد پارامترهای آموزشدیدنی را باز هم کاهش میدهد.
• LoRA+: با اختصاص نرخ یادگیری متفاوت به ماتریسهای A و B، بهینهسازی مدل را کارآمدتر میکند.
بررسی فنی روشهای PEFT: درک تفاوتهای ساختاری در فاینتیونینگ مدلهای زبانی
هوش مصنوعی ScientistTwo: فراتر از مرزهای دانش انسانی
محققان Google Cloud AI از سیستم جدیدی به نام ScientistTwo رونمایی کردهاند که قادر است بهصورت خودمختار، چرخه کامل تحقیقات یادگیری ماشین (ML) را هدایت کند. این سیستم با پیشنهاد فرضیات، کدنویسی، اجرای آزمایشها و حتی بازنگری مقالات توسط مدلهای ایجنت، فرآیند کشف علمی را متحول کرده است.
برخی از مهمترین دستاوردهای این سیستم عبارتند از:
* عبور از رکورد فعلی انسان (SOTA) در ۸۶ پروژه از ۱۰۷ تحقیق مطرح کنفرانسهای ICLR، ICML و NeurIPS.
* دستیابی به میانگین بهبود ۲۵.۲ درصدی در پروژههای موفق.
* کسب امتیاز کیفی بالاتر از میانگین مقالات پذیرفتهشده در کنفرانسهای معتبر سال ۲۰۲۵ و ۲۰۲۶ توسط داوران هوش مصنوعی.
* گذراندن موفقیتآمیز تمام ممیزیهای یکپارچگی، شامل بازتولید دقیق اعداد و عدم استفاده از ارجاعات توهمی.
سیستم ScientistTwo گوگل؛ هوش مصنوعی خودمختار برای تحقیقات یادگیری ماشین
محققان Google Cloud AI از سیستم جدیدی به نام ScientistTwo رونمایی کردهاند که قادر است بهصورت خودمختار، چرخه کامل تحقیقات یادگیری ماشین (ML) را هدایت کند. این سیستم با پیشنهاد فرضیات، کدنویسی، اجرای آزمایشها و حتی بازنگری مقالات توسط مدلهای ایجنت، فرآیند کشف علمی را متحول کرده است.
برخی از مهمترین دستاوردهای این سیستم عبارتند از:
* عبور از رکورد فعلی انسان (SOTA) در ۸۶ پروژه از ۱۰۷ تحقیق مطرح کنفرانسهای ICLR، ICML و NeurIPS.
* دستیابی به میانگین بهبود ۲۵.۲ درصدی در پروژههای موفق.
* کسب امتیاز کیفی بالاتر از میانگین مقالات پذیرفتهشده در کنفرانسهای معتبر سال ۲۰۲۵ و ۲۰۲۶ توسط داوران هوش مصنوعی.
* گذراندن موفقیتآمیز تمام ممیزیهای یکپارچگی، شامل بازتولید دقیق اعداد و عدم استفاده از ارجاعات توهمی.
سیستم ScientistTwo گوگل؛ هوش مصنوعی خودمختار برای تحقیقات یادگیری ماشین
🎨 معرفی مدل جدید Qwen-Image-2.1 برای تولید تصویر
تیم Qwen به تازگی مدل Qwen-Image-2.1 را با معماری ۷ میلیارد پارامتری منتشر کرده است. این مدل با هدف ترکیب قابلیتهای تولید و ویرایش تصویر در یک پایپلاین واحد طراحی شده و با وجود ابعاد بهینه، عملکرد تحسینبرانگیزی را در بنچمارکها به نمایش گذاشته است.
مهمترین ویژگیهای این مدل عبارتند از:
• پشتیبانی از چندین رفرنس همزمان تا ۱۰ تصویر
• قابلیت ویرایش دقیق با حفظ هویت سوژه، چهره یا محصول
• تولید بومی تصاویر RGBA با قابلیت شفافیت
• بهبود چشمگیر در رندرینگ متن و تایپوگرافی
• بهینهسازی سرعت استنتاج برای سناریوهای چندتصویری
این مدل با امتیاز ۶۰.۲۸ در بنچمارکها، گزینهای قدرتمند برای استفاده در پروژههای اینفوگرافیک، طراحی پانوراما و سیستمهای پرو مجازی (Virtual Try-on) محسوب میشود. اگرچه در رقابت با مدلهای بزرگتری نظیر GPT Image 2.5 هنوز در رتبههای پایینتر قرار دارد، اما بهرهوری آن در مدلهای ۷ میلیاردی قابل توجه است.
معرفی Qwen-Image-2.1؛ مدل هوشمند ۷ میلیاردی برای تولید و ویرایش تصویر
📊 Data➕Science
تیم Qwen به تازگی مدل Qwen-Image-2.1 را با معماری ۷ میلیارد پارامتری منتشر کرده است. این مدل با هدف ترکیب قابلیتهای تولید و ویرایش تصویر در یک پایپلاین واحد طراحی شده و با وجود ابعاد بهینه، عملکرد تحسینبرانگیزی را در بنچمارکها به نمایش گذاشته است.
مهمترین ویژگیهای این مدل عبارتند از:
• پشتیبانی از چندین رفرنس همزمان تا ۱۰ تصویر
• قابلیت ویرایش دقیق با حفظ هویت سوژه، چهره یا محصول
• تولید بومی تصاویر RGBA با قابلیت شفافیت
• بهبود چشمگیر در رندرینگ متن و تایپوگرافی
• بهینهسازی سرعت استنتاج برای سناریوهای چندتصویری
این مدل با امتیاز ۶۰.۲۸ در بنچمارکها، گزینهای قدرتمند برای استفاده در پروژههای اینفوگرافیک، طراحی پانوراما و سیستمهای پرو مجازی (Virtual Try-on) محسوب میشود. اگرچه در رقابت با مدلهای بزرگتری نظیر GPT Image 2.5 هنوز در رتبههای پایینتر قرار دارد، اما بهرهوری آن در مدلهای ۷ میلیاردی قابل توجه است.
معرفی Qwen-Image-2.1؛ مدل هوشمند ۷ میلیاردی برای تولید و ویرایش تصویر
📊 Data➕Science
هوش مصنوعی؛ فراتر از مدلهای مولد با Jev
در معماری ایجنتهای هوش مصنوعی، معمولاً از یک مدل زبانی (LLM) برای همه کارها استفاده میشود؛ از استدلالهای پیچیده گرفته تا تصمیمگیریهای ساده. اما مدل جدید Jev، رویکرد متفاوتی را ارائه میدهد که مبتنی بر جداسازی «مدلهای مولد» از «مدلهای تصمیمگیر» است.
مدلهای مولد برای کارهای باز مثل نوشتن کد یا خلاصهسازی عالی هستند، اما برای تصمیمات ساختاریافته (Bounded Decisions) بهینه نیستند. Jev به جای تولید متن، مستقیماً پاسخهای تایپشده با احتمال مشخص ارائه میدهد تا مستقیماً در کد برنامه شما استفاده شود.
مهمترین قابلیتهای این مدل:
• Noul: تصمیمگیریهای بله/خیر با دقت بالا.
• Choice: انتخاب بین گزینههای از پیش تعریف شده (مناسب برای Routing مدلها یا انتخاب ابزار).
• Score: ارزیابی بر اساس مقیاسهای عددی برای بررسی کیفیت خروجی یا پیشرفت ایجنت.
تحلیل عمیق معماری Jev: انقلابی در تصمیمگیری هوشمند ایجنتهای هوش مصنوعی
#Jev #TypeSafe
در معماری ایجنتهای هوش مصنوعی، معمولاً از یک مدل زبانی (LLM) برای همه کارها استفاده میشود؛ از استدلالهای پیچیده گرفته تا تصمیمگیریهای ساده. اما مدل جدید Jev، رویکرد متفاوتی را ارائه میدهد که مبتنی بر جداسازی «مدلهای مولد» از «مدلهای تصمیمگیر» است.
مدلهای مولد برای کارهای باز مثل نوشتن کد یا خلاصهسازی عالی هستند، اما برای تصمیمات ساختاریافته (Bounded Decisions) بهینه نیستند. Jev به جای تولید متن، مستقیماً پاسخهای تایپشده با احتمال مشخص ارائه میدهد تا مستقیماً در کد برنامه شما استفاده شود.
مهمترین قابلیتهای این مدل:
• Noul: تصمیمگیریهای بله/خیر با دقت بالا.
• Choice: انتخاب بین گزینههای از پیش تعریف شده (مناسب برای Routing مدلها یا انتخاب ابزار).
• Score: ارزیابی بر اساس مقیاسهای عددی برای بررسی کیفیت خروجی یا پیشرفت ایجنت.
تحلیل عمیق معماری Jev: انقلابی در تصمیمگیری هوشمند ایجنتهای هوش مصنوعی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Jev #TypeSafe