🛡 مقابله آنتروپیک با حملات تقطیر مدل Claude
شرکت Anthropic اعلام کرد با اعمال محدودیت‌های جدید، امکان کپی‌برداری از استدلال‌های مدل Claude توسط سایر مدل‌ها (Distillation) را ۹۰ تا ۹۹ درصد کاهش داده است. در این حملات، مهاجمان با استفاده از خروجی‌های دقیق مدل‌های پیشرفته، مدل‌های کوچک‌تر خود را آموزش می‌دهند تا قابلیت‌های مشابه را با هزینه کمتر شبیه‌سازی کنند.
مهم‌ترین تغییرات اعمال شده شامل موارد زیر است:
* محدود کردن انتقال داده‌های استدلالی بین حساب‌ها و مدل‌های مختلف
* به‌کارگیری طبقه‌بندی‌کننده دو مرحله‌ای برای شناسایی الگوهای استخراج داده
* تشدید محدودیت‌ها و مسدودسازی حساب‌های مشکوک
طبق بررسی‌ها، استفاده از استدلال‌های کامل Claude در فرآیند آموزش، عملکرد مدل‌ها در بنچمارک SWE-bench Verified را به ۸۰.۴ درصد می‌رساند، در حالی که بدون این داده‌ها، دقت مدل به ۷۱.۸ درصد کاهش می‌یابد.
این تغییرات برخی کاربران قانونی را نیز تحت تأثیر قرار داده و آن‌ها را ملزم به به‌روزرسانی در یکپارچه‌سازی‌های نرم‌افزاری خود کرده است.
شرکت Anthropic اعلام کرد با اعمال محدودیت‌های جدید، امکان کپی‌برداری از استدلال‌های مدل Claude توسط سایر مدل‌ها (Distillation) را ۹۰ تا ۹۹ درصد کاهش داده است. در این حملات، مهاجمان با استفاده از خروجی‌های دقیق مدل‌های پیشرفته، مدل‌های کوچک‌تر خود را آموزش می‌دهند تا قابلیت‌های مشابه را با هزینه کمتر شبیه‌سازی کنند.
مهم‌ترین تغییرات اعمال شده شامل موارد زیر است:
* محدود کردن انتقال داده‌های استدلالی بین حساب‌ها و مدل‌های مختلف
* به‌کارگیری طبقه‌بندی‌کننده دو مرحله‌ای برای شناسایی الگوهای استخراج داده
* تشدید محدودیت‌ها و مسدودسازی حساب‌های مشکوک
طبق بررسی‌ها، استفاده از استدلال‌های کامل Claude در فرآیند آموزش، عملکرد مدل‌ها در بنچمارک SWE-bench Verified را به ۸۰.۴ درصد می‌رساند، در حالی که بدون این داده‌ها، دقت مدل به ۷۱.۸ درصد کاهش می‌یابد.
این تغییرات برخی کاربران قانونی را نیز تحت تأثیر قرار داده و آن‌ها را ملزم به به‌روزرسانی در یکپارچه‌سازی‌های نرم‌افزاری خود کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #141 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 دوشنبه 1405/07/20 ساعت 14:00 تا سه‌شنبه 1405/07/21 ساعت 14:00
🔎 تحلیل کوتاه
🌐 مدل‌ها و تحولات صنعت
⚡ بهینه‌سازی و سخت‌افزار
🤖 ابزارهای ایجنتیک و یادگیری
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🗂 گزارش #141 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 دوشنبه 1405/07/20 ساعت 14:00 تا سه‌شنبه 1405/07/21 ساعت 14:00
🔎 تحلیل کوتاه
تمرکز اصلی توسعه‌دهندگان بر افزایش بهره‌وری ایجنت‌های هوش مصنوعی معطوف شده است. معرفی ابزارهای نوین برای آموزش ایجنت‌های هوش مصنوعی و پروتکل‌های تعاملی جدید، امکان اجرای وظایف پیچیده را با مصرف بهینه منابع فراهم می‌کند.
🌐 مدل‌ها و تحولات صنعت
تحولات مدل‌های زبانی در اکتبر ۲۰۲۶
مروری بر عرضه مدل‌های جدید نظیر GPT-6، Claude Haiku 5.5 و ابزارهای پایش ایجنت‌ها.
🔗 نسخه مفصل در سایت
رقابت مدل‌های چینی با شرکت‌های آمریکایی
عرضه ۱۶ مدل جدید توسط بازیگران چینی از جمله DeepSeek برای به چالش کشیدن سلطه آمریکا.
🔗 ادامه مطلب در سایت
متا و مدل‌های Muse Wonder
رونمایی از مدل‌های تخصصی برای وظایف عاملی با عملکردی فراتر از مدل‌های پیشرو فعلی.
🔗 مشاهده پست
⚡ بهینه‌سازی و سخت‌افزار
پیش‌بینی هزینه‌های زیرساختی OpenAI
تحلیل نیاز به درآمد تریلیون‌دلاری برای تأمین هزینه‌های دیتاسنترها تا سال ۲۰۳۲.
🔗 مشاهده پست
تراشه‌های اختصاصی Maia مایکروسافت
برنامه مایکروسافت برای جایگزینی زیرساخت استنتاج با تراشه‌های Maia جهت بهبود کارایی انرژی.
🔗 مشاهده پست
اجرای مدل روی موبایل با MiniCPM-V 4.7
بهره‌گیری از فناوری LES برای اجرای مدل ۳۵ میلیاردی روی آیفون با سرعت ۱۳ توکن بر ثانیه.
🔗 مشاهده پست
🤖 ابزارهای ایجنتیک و یادگیری
متد MASS برای یادگیری خودکار
استفاده از تیمی از عوامل مجازی برای حل مسئله و بهبود مدل بدون دخالت انسانی.
🔗 مشاهده پست
🤖 مدل‌ها و ابزارهای هوش مصنوعی
واکنش هوگو دومینیل-کوپن به توانایی OpenAI در حل مسائل پیچیده ریاضی.
هوگو دومینیل-کوپن، برنده مدال فیلدز، پس از آنکه OpenAI موفق به حل ۱۶ مسئله ریاضی مورد پژوهش او شد، از تهدید علیه حوزه‌های تحقیقاتی.
🔗 نسخه مفصل در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
📊 استخدام متخصص Pricing Data Scientist در افق کوروش
شرکت افق کوروش برای ستاد مرکزی خود به دنبال جذب متخصص داده‌محور در حوزه قیمت‌گذاری است. این موقعیت شغلی بر حل چالش‌های قیمت‌گذاری در مقیاس بزرگ متمرکز است.
داوطلبان برای این نقش باید در زمینه‌های زیر تجربه کافی داشته باشند:
* مدل‌سازی پیش‌بینی (Predictive Modeling)
* روش‌های بهینه‌سازی (Optimization)
* تحلیل دقیق قیمت‌گذاری در صنعت خرده‌فروشی
* کار با ابزارها و زبان‌های تحلیل داده
اگر در این حوزه‌ها تجربه دارید و به فعالیت در تیم‌های تحلیل داده علاقه‌مندید، می‌توانید از طریق لینک زیر جزئیات بیشتر را مشاهده و رزومه خود را ارسال کنید:
لینک مشاهده فرصت شغلی و ارسال رزومه
#افق_کوروش #Optimization
شرکت افق کوروش برای ستاد مرکزی خود به دنبال جذب متخصص داده‌محور در حوزه قیمت‌گذاری است. این موقعیت شغلی بر حل چالش‌های قیمت‌گذاری در مقیاس بزرگ متمرکز است.
داوطلبان برای این نقش باید در زمینه‌های زیر تجربه کافی داشته باشند:
* مدل‌سازی پیش‌بینی (Predictive Modeling)
* روش‌های بهینه‌سازی (Optimization)
* تحلیل دقیق قیمت‌گذاری در صنعت خرده‌فروشی
* کار با ابزارها و زبان‌های تحلیل داده
اگر در این حوزه‌ها تجربه دارید و به فعالیت در تیم‌های تحلیل داده علاقه‌مندید، می‌توانید از طریق لینک زیر جزئیات بیشتر را مشاهده و رزومه خود را ارسال کنید:
لینک مشاهده فرصت شغلی و ارسال رزومه
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#افق_کوروش #Optimization
📊 میزان مواجهه گروه‌های شغلی با LLM و ربات‌ها
مطالعات آماری نشان می‌دهد مشاغل مختلف به شکل متفاوتی در معرض تأثیر مدل‌های زبانی بزرگ (LLM) و سیستم‌های رباتیک قرار دارند. داده‌ها مشاغل را بر اساس نوع مواجهه دسته‌بندی کرده‌اند.
مهم‌ترین یافته‌ها در گروه‌های شغلی:
* مشاغل دانش‌محور: حوزه‌هایی مانند حقوق، تجارت و امور مالی، کامپیوتر و ریاضیات، و پشتیبانی اداری بیشترین مواجهه (نزدیک به ۱۰۰٪) را با مدل‌های زبانی بزرگ دارند.
* مشاغل فیزیکی و عملیاتی: در بخش‌هایی مانند تولید، حمل‌ونقل، آماده‌سازی غذا و نظافت، تأثیر ربات‌ها بسیار بیشتر از مدل‌های زبانی است.
* ترکیب مواجهه: گروه‌هایی مثل مدیریت و فروش با هر دو فناوری LLM و ربات‌ها مواجهه بسیار بالایی دارند.
در حالی که محور این داده‌ها بر میزان مواجهه از ۲۰ تا ۱۰۰ درصد متمرکز است، الگوی کلی نشان می‌دهد که ابزارهای هوش مصنوعی مولد بیشتر مشاغل اداری و تحلیل‌محور را هدف قرار داده‌اند، در حالی که توسعه رباتیک تغییرات بیشتری در محیط‌های فیزیکی و تولیدی ایجاد کرده است.
#LLM #سیستم
مطالعات آماری نشان می‌دهد مشاغل مختلف به شکل متفاوتی در معرض تأثیر مدل‌های زبانی بزرگ (LLM) و سیستم‌های رباتیک قرار دارند. داده‌ها مشاغل را بر اساس نوع مواجهه دسته‌بندی کرده‌اند.
مهم‌ترین یافته‌ها در گروه‌های شغلی:
* مشاغل دانش‌محور: حوزه‌هایی مانند حقوق، تجارت و امور مالی، کامپیوتر و ریاضیات، و پشتیبانی اداری بیشترین مواجهه (نزدیک به ۱۰۰٪) را با مدل‌های زبانی بزرگ دارند.
* مشاغل فیزیکی و عملیاتی: در بخش‌هایی مانند تولید، حمل‌ونقل، آماده‌سازی غذا و نظافت، تأثیر ربات‌ها بسیار بیشتر از مدل‌های زبانی است.
* ترکیب مواجهه: گروه‌هایی مثل مدیریت و فروش با هر دو فناوری LLM و ربات‌ها مواجهه بسیار بالایی دارند.
در حالی که محور این داده‌ها بر میزان مواجهه از ۲۰ تا ۱۰۰ درصد متمرکز است، الگوی کلی نشان می‌دهد که ابزارهای هوش مصنوعی مولد بیشتر مشاغل اداری و تحلیل‌محور را هدف قرار داده‌اند، در حالی که توسعه رباتیک تغییرات بیشتری در محیط‌های فیزیکی و تولیدی ایجاد کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#LLM #سیستم
📊 گزارش شفافیت Anthropic و مسدودسازی ۱۱.۴ میلیون حساب
شرکت Anthropic در گزارش شفافیت جدید خود اعلام کرد که در نیمه نخست سال ۲۰۲۶، بیش از ۱۱.۴ میلیون حساب کاربری را مسدود کرده است. این رقم نسبت به ۱.۴۵ میلیون حساب مسدودشده در نیمه دوم سال ۲۰۲۵، رشد هشت‌برابری داشته است.
دلایل این اقدام شامل نقض سیاست‌های استفاده، شرایط خدمات برای مشتریان شخصی و تجاری، و همچنین قوانین مربوط به مناطق جغرافیایی تحت پشتیبانی اعلام شده است.
در این بازه زمانی، جزئیات فعالیت‌های تیم محافظت (Safeguards Team) به شرح زیر است:
* تعداد کل حساب‌های مسدود شده: ۱۱.۴ میلیون
* درخواست‌های تجدیدنظر ارسالی: ۳۹۸ هزار
* تجدیدنظرهای پذیرفته‌شده: ۴۲ هزار (حدود ۱۰.۶ درصد)
مقایسه آمار نشان می‌دهد که نرخ موفقیت کاربران در بازگردانی حساب‌هایشان در نیمه دوم سال ۲۰۲۵ حدود ۳.۳ درصد بوده که در گزارش اخیر به ۱۰.۶ درصد رسیده است. Anthropic در گزارش خود جزئیات بیشتری درباره علت افزایش ناگهانی تعداد مسدودسازی‌ها یا تفکیک آمار بر اساس محصولات ارائه نداده است.
شرکت Anthropic در گزارش شفافیت جدید خود اعلام کرد که در نیمه نخست سال ۲۰۲۶، بیش از ۱۱.۴ میلیون حساب کاربری را مسدود کرده است. این رقم نسبت به ۱.۴۵ میلیون حساب مسدودشده در نیمه دوم سال ۲۰۲۵، رشد هشت‌برابری داشته است.
دلایل این اقدام شامل نقض سیاست‌های استفاده، شرایط خدمات برای مشتریان شخصی و تجاری، و همچنین قوانین مربوط به مناطق جغرافیایی تحت پشتیبانی اعلام شده است.
در این بازه زمانی، جزئیات فعالیت‌های تیم محافظت (Safeguards Team) به شرح زیر است:
* تعداد کل حساب‌های مسدود شده: ۱۱.۴ میلیون
* درخواست‌های تجدیدنظر ارسالی: ۳۹۸ هزار
* تجدیدنظرهای پذیرفته‌شده: ۴۲ هزار (حدود ۱۰.۶ درصد)
مقایسه آمار نشان می‌دهد که نرخ موفقیت کاربران در بازگردانی حساب‌هایشان در نیمه دوم سال ۲۰۲۵ حدود ۳.۳ درصد بوده که در گزارش اخیر به ۱۰.۶ درصد رسیده است. Anthropic در گزارش خود جزئیات بیشتری درباره علت افزایش ناگهانی تعداد مسدودسازی‌ها یا تفکیک آمار بر اساس محصولات ارائه نداده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🧠 تأثیر استفاده از LLM بر مهارت حل مسئله
پژوهشگران دانشگاه‌های UC Berkeley، MIT و آکسفورد در مطالعه‌ای تازه دریافته‌اند که حتی ۱۰ دقیقه کار با مدل‌های زبانی بزرگ می‌تواند توانایی فرد در حل مستقل مسائل دشوار منطقی و ریاضی را کاهش دهد.
در این آزمایش که روی ۱۲۰۰ شرکت‌کننده انجام شد، گروهی که از ChatGPT استفاده کرده بودند، پس از قطع دسترسی به مدل، عملکرد ضعیف‌تری نسبت به گروه کنترل داشتند؛ این افراد در مواجهه با چالش‌ها سریع‌تر تسلیم شده و سوالات بیشتری را بدون پاسخ رها می‌کردند.
محققان معتقدند دلیل این موضوع، حذف «مقاومت سازنده» است؛ یعنی همان تلاش ذهنی که برای یادگیری مهارت‌های پیچیده ضروری است. عادت کردن به دریافت پاسخ‌های آماده باعث می‌شود مغز، مسیرِ جستجوی مستقل برای راهکار را فرآیندی خسته‌کننده و ناکارآمد ارزیابی کند.
نویسندگان این پژوهش پیشنهاد می‌دهند که توسعه هوش مصنوعی به‌سمت مدل‌های «منتورینگ» تغییر جهت دهد تا به‌جای ارائه مستقیم پاسخ، کاربر را به استدلال و تفکر تشویق کند.
مستندات و کد این آزمایش در گیت‌هاب منتشر شده است و جزئیات بیشتر در سایت دانشگاه برکلی در دسترس است.
🇮🇷 سایت | تلگرام
پژوهشگران دانشگاه‌های UC Berkeley، MIT و آکسفورد در مطالعه‌ای تازه دریافته‌اند که حتی ۱۰ دقیقه کار با مدل‌های زبانی بزرگ می‌تواند توانایی فرد در حل مستقل مسائل دشوار منطقی و ریاضی را کاهش دهد.
در این آزمایش که روی ۱۲۰۰ شرکت‌کننده انجام شد، گروهی که از ChatGPT استفاده کرده بودند، پس از قطع دسترسی به مدل، عملکرد ضعیف‌تری نسبت به گروه کنترل داشتند؛ این افراد در مواجهه با چالش‌ها سریع‌تر تسلیم شده و سوالات بیشتری را بدون پاسخ رها می‌کردند.
محققان معتقدند دلیل این موضوع، حذف «مقاومت سازنده» است؛ یعنی همان تلاش ذهنی که برای یادگیری مهارت‌های پیچیده ضروری است. عادت کردن به دریافت پاسخ‌های آماده باعث می‌شود مغز، مسیرِ جستجوی مستقل برای راهکار را فرآیندی خسته‌کننده و ناکارآمد ارزیابی کند.
نویسندگان این پژوهش پیشنهاد می‌دهند که توسعه هوش مصنوعی به‌سمت مدل‌های «منتورینگ» تغییر جهت دهد تا به‌جای ارائه مستقیم پاسخ، کاربر را به استدلال و تفکر تشویق کند.
مستندات و کد این آزمایش در گیت‌هاب منتشر شده است و جزئیات بیشتر در سایت دانشگاه برکلی در دسترس است.
🇮🇷 سایت | تلگرام
❤1
📊 دوره آموزش حساب دیفرانسیل ماتریسی MIT
دانشگاه MIT مجموعه اسلایدهای آموزشی رایگانی را با عنوان Matrix Differential Calculus for Machine Learning and Beyond منتشر کرده است. این دوره بر ریاضیاتِ مشتق‌گیری از بردارها و ماتریس‌ها تمرکز دارد.
مطالب ارائه‌شده شامل موارد زیر است:
- گرادیان‌ها و ژاکوبی‌ها
- مشتق توابع ماتریسی و دیفرانسیل‌ها
- مشتق ضرب ماتریس‌ها، معکوس ماتریس و دترمینان
- ضرب کرونکر (Kronecker product)
- بهینه‌سازی و تمایز خودکار (Automatic differentiation)
این منبع برای کسانی که با مبانی جبر خطی و تحلیل ریاضی آشنا هستند و قصد دارند درک خود را از نحوه تعمیم دیفرانسیل به بردارها و ماتریس‌ها در مسائل بهینه‌سازیِ یادگیری ماشین ارتقا دهند، مناسب است.
#MatrixCalculus #KroneckerProduct
دانشگاه MIT مجموعه اسلایدهای آموزشی رایگانی را با عنوان Matrix Differential Calculus for Machine Learning and Beyond منتشر کرده است. این دوره بر ریاضیاتِ مشتق‌گیری از بردارها و ماتریس‌ها تمرکز دارد.
مطالب ارائه‌شده شامل موارد زیر است:
- گرادیان‌ها و ژاکوبی‌ها
- مشتق توابع ماتریسی و دیفرانسیل‌ها
- مشتق ضرب ماتریس‌ها، معکوس ماتریس و دترمینان
- ضرب کرونکر (Kronecker product)
- بهینه‌سازی و تمایز خودکار (Automatic differentiation)
این منبع برای کسانی که با مبانی جبر خطی و تحلیل ریاضی آشنا هستند و قصد دارند درک خود را از نحوه تعمیم دیفرانسیل به بردارها و ماتریس‌ها در مسائل بهینه‌سازیِ یادگیری ماشین ارتقا دهند، مناسب است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#MatrixCalculus #KroneckerProduct
📉 ورشکستگی استارتاپ Character AI
شرکت Character AI که زمانی یک میلیارد دلار ارزش‌گذاری شده بود، برای اعلام ورشکستگی (Chapter 11) اقدام کرده است. در صورت نبود خریدار جدید برای حفظ فعالیت‌ها، پلتفرم چت‌بات این شرکت با احتمال تعطیلی کامل روبه‌رو است.
وضعیت فعلی این استارتاپ با توجه به تاریخچه دو سال اخیر آن قابل توجه است. در آن زمان، گوگل طی قراردادی به ارزش ۲.۷ میلیارد دلار، لایسنس فناوری و جذب استعدادهای این شرکت را نهایی کرده بود.
حالا گزارش‌ها حاکی از آن است که دیزنی پیشنهاد ۲۰ میلیون دلاری برای خرید بخشی از حقوق معنوی و ادعاهای این شرکت ارائه داده است؛ این در حالی است که دیزنی سال گذشته برای این استارتاپ اخطار حقوقی (Cease-and-desist) فرستاده بود. همچنین مدیرعامل سابق Character AI تنها ۱۰ روز پیش از این اتفاقات به عنوان مدیر ارشد فناوری (CTO) به دیزنی پیوسته است. در حال حاضر آینده سرویس چت‌بات این پلتفرم در هاله‌ای از ابهام قرار دارد.
#Character_AI #Chapter_11
شرکت Character AI که زمانی یک میلیارد دلار ارزش‌گذاری شده بود، برای اعلام ورشکستگی (Chapter 11) اقدام کرده است. در صورت نبود خریدار جدید برای حفظ فعالیت‌ها، پلتفرم چت‌بات این شرکت با احتمال تعطیلی کامل روبه‌رو است.
وضعیت فعلی این استارتاپ با توجه به تاریخچه دو سال اخیر آن قابل توجه است. در آن زمان، گوگل طی قراردادی به ارزش ۲.۷ میلیارد دلار، لایسنس فناوری و جذب استعدادهای این شرکت را نهایی کرده بود.
حالا گزارش‌ها حاکی از آن است که دیزنی پیشنهاد ۲۰ میلیون دلاری برای خرید بخشی از حقوق معنوی و ادعاهای این شرکت ارائه داده است؛ این در حالی است که دیزنی سال گذشته برای این استارتاپ اخطار حقوقی (Cease-and-desist) فرستاده بود. همچنین مدیرعامل سابق Character AI تنها ۱۰ روز پیش از این اتفاقات به عنوان مدیر ارشد فناوری (CTO) به دیزنی پیوسته است. در حال حاضر آینده سرویس چت‌بات این پلتفرم در هاله‌ای از ابهام قرار دارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Character_AI #Chapter_11
محدودیت‌های جدید Anthropic برای جلوگیری از استخراج استدلال مدل‌ها
شرکت Anthropic اعلام کرده است که با پیاده‌سازی مکانیزم‌های دفاعی جدید، موفق شده است استخراج «زنجیره استدلال» (Reasoning) از مدل‌های کلود را ۹۰ تا ۹۹ درصد کاهش دهد. این اقدام برای مقابله با تکنیک‌های تقطیر (Distillation) انجام شده است که در آن، مدل‌های کوچک‌تر با استفاده از خروجی‌های گام‌به‌گام مدل‌های بزرگ‌تر آموزش می‌بینند.
بر اساس تحقیقات Anthropic، مدل‌هایی که با استفاده از استدلال‌های کامل آموزش دیده‌اند، در بنچمارک SWE-bench Verified به امتیاز ۸۰.۴ درصد دست یافته‌اند، در حالی که استفاده از استدلال‌های محدود شده توسط این سیستم، عملکرد آن‌ها را به ۷۱.۸ درصد کاهش می‌دهد.
این تغییرات شامل محدودیت در انتقال داده‌های استدلالی بین حساب‌های کاربری و مدل‌ها، استفاده از طبقه‌بندی‌کننده‌های هوشمند برای شناسایی تلاش‌های استخراج و سخت‌گیری در مسدودسازی درخواست‌های مشکوک است. برخی توسعه‌دهندگان گزارش داده‌اند که این تغییرات باعث بروز اختلال در یکپارچه‌سازی‌های قبلی شده و حتی برای برخی درخواست‌های مسدودشده، هزینه نیز محاسبه می‌شود.
شرکت Anthropic اعلام کرده است که با پیاده‌سازی مکانیزم‌های دفاعی جدید، موفق شده است استخراج «زنجیره استدلال» (Reasoning) از مدل‌های کلود را ۹۰ تا ۹۹ درصد کاهش دهد. این اقدام برای مقابله با تکنیک‌های تقطیر (Distillation) انجام شده است که در آن، مدل‌های کوچک‌تر با استفاده از خروجی‌های گام‌به‌گام مدل‌های بزرگ‌تر آموزش می‌بینند.
بر اساس تحقیقات Anthropic، مدل‌هایی که با استفاده از استدلال‌های کامل آموزش دیده‌اند، در بنچمارک SWE-bench Verified به امتیاز ۸۰.۴ درصد دست یافته‌اند، در حالی که استفاده از استدلال‌های محدود شده توسط این سیستم، عملکرد آن‌ها را به ۷۱.۸ درصد کاهش می‌دهد.
این تغییرات شامل محدودیت در انتقال داده‌های استدلالی بین حساب‌های کاربری و مدل‌ها، استفاده از طبقه‌بندی‌کننده‌های هوشمند برای شناسایی تلاش‌های استخراج و سخت‌گیری در مسدودسازی درخواست‌های مشکوک است. برخی توسعه‌دهندگان گزارش داده‌اند که این تغییرات باعث بروز اختلال در یکپارچه‌سازی‌های قبلی شده و حتی برای برخی درخواست‌های مسدودشده، هزینه نیز محاسبه می‌شود.
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 اجرای مدل‌های زبانی روی کنسول PS5
یک پروژه جدید با نام PS5LM منتشر شده که امکان اجرای مدل‌های زبانی محلی روی کنسول پلی‌استیشن ۵ را فراهم می‌کند.
نویسنده این پروژه توانسته مدل
پس از راه‌اندازی مدل، دسترسی به آن از طریق رابط کاربری وب در مرورگر کنسول یا دستگاه‌های دیگر در شبکه داخلی امکان‌پذیر است.
#PS5LM #llama_cpp
یک پروژه جدید با نام PS5LM منتشر شده که امکان اجرای مدل‌های زبانی محلی روی کنسول پلی‌استیشن ۵ را فراهم می‌کند.
نویسنده این پروژه توانسته مدل
Qwen 2.5 7b (نسخه کوانتایز شده) را روی این سخت‌افزار اجرا کند. سرعت خروجی در این حالت به حدود ۲۰ توکن در ثانیه می‌رسد. این پروژه در واقع پورتی از کتابخانه llama.cpp برای سیستم‌عامل کنسول است که به کاربر اجازه می‌دهد هر مدل با فرمت GGUF را روی دستگاه اجرا کند.پس از راه‌اندازی مدل، دسترسی به آن از طریق رابط کاربری وب در مرورگر کنسول یا دستگاه‌های دیگر در شبکه داخلی امکان‌پذیر است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#PS5LM #llama_cpp
عبور Anthropic از Git و طراحی سیستم مدیریت نسخه Scion
شرکت Anthropic به‌دلیل افزایش خیره‌کننده تعداد تغییرات کد توسط عوامل هوش مصنوعی، استفاده از Git را کنار گذاشته و سیستم کنترل نسخه اختصاصی خود با نام Scion را جایگزین کرده است.
تعداد تغییرات روزانه در مخزن مرکزی (monorepo) این شرکت از ۲۵۰۰ مورد در ماه مه به ۳۰ هزار مورد در سپتامبر رسیده است. از آنجایی که در سیستم Git هر کلون شامل کپی کامل مخزن است، ادامه استفاده از آن برای این حجم از فعالیت، ترافیکی معادل ۶۰۰ پتابایت در روز را به شرکت تحمیل می‌کرد.
مشخصات کلیدی سیستم جدید:
* معماری سرور-محور: Scion بر خلاف Git، تمام تاریخچه و تغییرات را روی یک سرور مرکزی نگه می‌دارد و کلاینت‌ها تنها به کش‌های کوچک و فایل‌های موردنیاز دسترسی دارند.
* ابزار Antique: همزمان با Scion، ابزاری برای کد‌رِویو مخصوص عوامل هوش مصنوعی طراحی شده که مدیریت حجم بالای تغییرات را ساده می‌کند.
* توسعه هوشمند: این سیستم توسط تیمی متشکل از هفت نفر و با کمک مدل‌های هوش مصنوعی ساخته شده است.
شرکت Anthropic به‌دلیل افزایش خیره‌کننده تعداد تغییرات کد توسط عوامل هوش مصنوعی، استفاده از Git را کنار گذاشته و سیستم کنترل نسخه اختصاصی خود با نام Scion را جایگزین کرده است.
تعداد تغییرات روزانه در مخزن مرکزی (monorepo) این شرکت از ۲۵۰۰ مورد در ماه مه به ۳۰ هزار مورد در سپتامبر رسیده است. از آنجایی که در سیستم Git هر کلون شامل کپی کامل مخزن است، ادامه استفاده از آن برای این حجم از فعالیت، ترافیکی معادل ۶۰۰ پتابایت در روز را به شرکت تحمیل می‌کرد.
مشخصات کلیدی سیستم جدید:
* معماری سرور-محور: Scion بر خلاف Git، تمام تاریخچه و تغییرات را روی یک سرور مرکزی نگه می‌دارد و کلاینت‌ها تنها به کش‌های کوچک و فایل‌های موردنیاز دسترسی دارند.
* ابزار Antique: همزمان با Scion، ابزاری برای کد‌رِویو مخصوص عوامل هوش مصنوعی طراحی شده که مدیریت حجم بالای تغییرات را ساده می‌کند.
* توسعه هوشمند: این سیستم توسط تیمی متشکل از هفت نفر و با کمک مدل‌های هوش مصنوعی ساخته شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 پاداش ۲۵۰ هزار دلاری گوگل برای آسیب‌پذیری کشف‌شده توسط هوش مصنوعی
شرکت امنیتی XBOW موفق شد با استفاده از مدل هوش مصنوعی GPT-5.6 Sol، یک زنجیره آسیب‌پذیری (full-chain exploit) در مرورگر کروم شناسایی کند و جایزه ۲۵۰ هزار دلاری گوگل را دریافت نماید.
این تیم که شامل ۴ نفر بود، پس از آنکه متوجه شدند یکی از باگ‌های اولیه آن‌ها قبلاً توسط گوگل شناسایی شده، در حاشیه کنفرانس Black Hat تصمیم گرفتند با کمک این مدل، حفره امنیتی جدیدی پیدا کنند. فرآیند کشف و زنجیره‌سازی این باگ جدید با کمک هوش مصنوعی تنها ۶ روز طول کشید، در حالی که هزینه مصرف توکن‌های مدل برای این عملیات حدود ۴۰ هزار دلار بود.
مدیرعامل XBOW معتقد است با ورود عامل‌های هوشمند به حوزه امنیت، زمان مورد نیاز برای یافتن آسیب‌پذیری‌های پیچیده از چندین ماه به چند روز کاهش یافته است. به گفته او، هزینه جستجو برای حفره‌های امنیتی به‌شدت افت کرده و این تغییر ساختاری هم برای مهاجمان و هم برای تیم‌های امنیتی در حال رخ دادن است.
#XBOW #GPT_5_6_Sol
شرکت امنیتی XBOW موفق شد با استفاده از مدل هوش مصنوعی GPT-5.6 Sol، یک زنجیره آسیب‌پذیری (full-chain exploit) در مرورگر کروم شناسایی کند و جایزه ۲۵۰ هزار دلاری گوگل را دریافت نماید.
این تیم که شامل ۴ نفر بود، پس از آنکه متوجه شدند یکی از باگ‌های اولیه آن‌ها قبلاً توسط گوگل شناسایی شده، در حاشیه کنفرانس Black Hat تصمیم گرفتند با کمک این مدل، حفره امنیتی جدیدی پیدا کنند. فرآیند کشف و زنجیره‌سازی این باگ جدید با کمک هوش مصنوعی تنها ۶ روز طول کشید، در حالی که هزینه مصرف توکن‌های مدل برای این عملیات حدود ۴۰ هزار دلار بود.
مدیرعامل XBOW معتقد است با ورود عامل‌های هوشمند به حوزه امنیت، زمان مورد نیاز برای یافتن آسیب‌پذیری‌های پیچیده از چندین ماه به چند روز کاهش یافته است. به گفته او، هزینه جستجو برای حفره‌های امنیتی به‌شدت افت کرده و این تغییر ساختاری هم برای مهاجمان و هم برای تیم‌های امنیتی در حال رخ دادن است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#XBOW #GPT_5_6_Sol
❤1
Media is too big
VIEW IN TELEGRAM
🎥 اجرای مدل ویدئوساز MiniMax H3 روی سیستم شخصی
پروژه FreeVideo امکان اجرای مدل تولید ویدئوی MiniMax H3 را بر روی کارت‌های گرافیک خانگی فراهم کرده است. این ابزار به صورت پلاگین برای ComfyUI عرضه شده و از قابلیت‌هایی نظیر LoRA، تعیین فریم‌های اول و آخر و استفاده از تصاویر مرجع پشتیبانی می‌کند.
مهم‌ترین ویژگی‌های این نسخه:
- استفاده از معماری 8-шаговая VDN-H3 با مکانیزم hybrid attention.
- سیستم مدیریت حافظه که وزن‌های مدل را میان VRAM، رم سیستم و حافظه دیسک توزیع می‌کند.
- نصب آسان در ویندوز با اسکریپتی که محیط اجرایی و مدل‌ها را به‌صورت خودکار پیکربندی می‌کند.
حداقل سیستم مورد نیاز برای اجرای این مدل، 8 گیگابایت حافظه ویدئویی (VRAM) و 16 گیگابایت رم اعلام شده است. طبق آزمایش‌های انجام‌شده، تولید یک ویدئوی 10 ثانیه‌ای با رزولوشن 768p روی کارت گرافیک RTX 5060 Ti حدود 486 ثانیه زمان می‌برد. جزئیات فنی و مستندات این مدل در OpenVDN و مستندات عملکرد قابل مشاهده است.
پروژه FreeVideo امکان اجرای مدل تولید ویدئوی MiniMax H3 را بر روی کارت‌های گرافیک خانگی فراهم کرده است. این ابزار به صورت پلاگین برای ComfyUI عرضه شده و از قابلیت‌هایی نظیر LoRA، تعیین فریم‌های اول و آخر و استفاده از تصاویر مرجع پشتیبانی می‌کند.
مهم‌ترین ویژگی‌های این نسخه:
- استفاده از معماری 8-шаговая VDN-H3 با مکانیزم hybrid attention.
- سیستم مدیریت حافظه که وزن‌های مدل را میان VRAM، رم سیستم و حافظه دیسک توزیع می‌کند.
- نصب آسان در ویندوز با اسکریپتی که محیط اجرایی و مدل‌ها را به‌صورت خودکار پیکربندی می‌کند.
حداقل سیستم مورد نیاز برای اجرای این مدل، 8 گیگابایت حافظه ویدئویی (VRAM) و 16 گیگابایت رم اعلام شده است. طبق آزمایش‌های انجام‌شده، تولید یک ویدئوی 10 ثانیه‌ای با رزولوشن 768p روی کارت گرافیک RTX 5060 Ti حدود 486 ثانیه زمان می‌برد. جزئیات فنی و مستندات این مدل در OpenVDN و مستندات عملکرد قابل مشاهده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما