🎮 اجرای بازی Minecraft توسط ۴ عامل هوش مصنوعی Gemini
پژوهشگران در مطالعه‌ای تازه نشان دادند که چهار عامل کدنویسی مبتنی بر مدل Gemini 4 Argon موفق شدند بدون استفاده از ابزارهای بازی‌ساز تخصصی، بازی Minecraft را در حالت بقا در مدت ۲۷ ساعت به پایان برسانند و اژدهای Ender را شکست دهند. این عوامل به‌جای مشاهده تصویر، از طریق کتابخانه Mineflayer با دنیای بازی تعامل داشتند و با نوشتن و اجرای برنامه‌های کوتاه، وضعیت کاراکتر و محیط را کنترل می‌کردند.
مهم‌ترین نکات این آزمایش:
* عوامل به‌صورت خودکار وظایفی نظیر تأمین غذا، استخراج الماس و یافتن پورتال را بین خود تقسیم کردند.
* برای یافتن قلعه، با استفاده از محاسبات هندسی موقعیت دقیق آن را در فاصله ۱.۳ کیلومتری با خطای بسیار اندک پیدا کردند.
* شکست اژدها پس از ۶۹ بار تلاش ممکن شد؛ عوامل یاد گرفتند که کریستال‌های شفابخش بالای برج‌ها را نابود کنند.
* یک عامل ناظر (Observer) بر تمامی فعالیت‌ها نظارت داشت تا از عدم استفاده از کدهای غیرمجاز یا دستورات سروری اطمینان حاصل شود.
پژوهشگران در مطالعه‌ای تازه نشان دادند که چهار عامل کدنویسی مبتنی بر مدل Gemini 4 Argon موفق شدند بدون استفاده از ابزارهای بازی‌ساز تخصصی، بازی Minecraft را در حالت بقا در مدت ۲۷ ساعت به پایان برسانند و اژدهای Ender را شکست دهند. این عوامل به‌جای مشاهده تصویر، از طریق کتابخانه Mineflayer با دنیای بازی تعامل داشتند و با نوشتن و اجرای برنامه‌های کوتاه، وضعیت کاراکتر و محیط را کنترل می‌کردند.
مهم‌ترین نکات این آزمایش:
* عوامل به‌صورت خودکار وظایفی نظیر تأمین غذا، استخراج الماس و یافتن پورتال را بین خود تقسیم کردند.
* برای یافتن قلعه، با استفاده از محاسبات هندسی موقعیت دقیق آن را در فاصله ۱.۳ کیلومتری با خطای بسیار اندک پیدا کردند.
* شکست اژدها پس از ۶۹ بار تلاش ممکن شد؛ عوامل یاد گرفتند که کریستال‌های شفابخش بالای برج‌ها را نابود کنند.
* یک عامل ناظر (Observer) بر تمامی فعالیت‌ها نظارت داشت تا از عدم استفاده از کدهای غیرمجاز یا دستورات سروری اطمینان حاصل شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 مجموعه‌ای از مخازن گیت‌هاب برای یادگیری هوش مصنوعی مولد
برای یادگیری عمیق در حوزه هوش مصنوعی مولد (Generative AI)، دسترسی به منابع آموزشی مناسب اهمیت زیادی دارد. در ادامه، مهم‌ترین مخازن گیت‌هاب برای شروع و توسعه مهارت‌ها آورده شده است:
* Generative AI for Beginners: دوره مقدماتی مایکروسافت برای شروع کار.
* LLM Course: نقشه راه جامع برای یادگیری مدل‌های زبانی بزرگ.
* Build a Large Language Model From Scratch: راهنمای ساخت یک مدل از پایه.
* Prompt Engineering Guide: مرجع تخصصی مهندسی پرامپت.
* OpenAI Cookbook: نمونه‌کدها و روش‌های استفاده از APIهای OpenAI.
همچنین اگر به دنبال یک راهنمای عملی برای مهندسی هوش مصنوعی هستید، می‌توانید AI Engineering Playbook را مطالعه کنید.
#PromptEngineering #LLM_Course
برای یادگیری عمیق در حوزه هوش مصنوعی مولد (Generative AI)، دسترسی به منابع آموزشی مناسب اهمیت زیادی دارد. در ادامه، مهم‌ترین مخازن گیت‌هاب برای شروع و توسعه مهارت‌ها آورده شده است:
* Generative AI for Beginners: دوره مقدماتی مایکروسافت برای شروع کار.
* LLM Course: نقشه راه جامع برای یادگیری مدل‌های زبانی بزرگ.
* Build a Large Language Model From Scratch: راهنمای ساخت یک مدل از پایه.
* Prompt Engineering Guide: مرجع تخصصی مهندسی پرامپت.
* OpenAI Cookbook: نمونه‌کدها و روش‌های استفاده از APIهای OpenAI.
همچنین اگر به دنبال یک راهنمای عملی برای مهندسی هوش مصنوعی هستید، می‌توانید AI Engineering Playbook را مطالعه کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#PromptEngineering #LLM_Course
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 قابلیت‌های جدید افزونه ChatGPT برای مرورگر
OpenAI با به‌روزرسانی افزونه مرورگر خود، امکان دسترسی مستقیم به تب‌های باز را برای مدل هوش مصنوعی فراهم کرده است. با استفاده از این قابلیت، کاربر می‌تواند با ارسال دستور، از مدل بخواهد داده‌های چندین صفحه وب را همزمان تحلیل کند یا محتوای آن‌ها را خلاصه کند. نتایج این بررسی‌ها در یک پنل جانبی جدید نمایش داده می‌شود.
این افزونه اکنون به نسخه جدید به‌روزرسانی شده و مهم‌ترین قابلیت‌های آن شامل موارد زیر است:
- تجزیه و تحلیل همزمان: خواندن و مقایسه داده‌ها از چندین تب مختلف، برای مثال در مقایسه قیمت محصولات.
- حالت Work mode: استفاده از فناوری Computer Use برای تعامل مستقیم با برنامه‌های تحت وب.
- مدیریت تعاملی: امکان پر کردن فرم‌ها، دانلود فایل‌ها، ارسال پیام و دسته‌بندی تب‌ها توسط دستیار هوشمند.
این تغییرات برای تمامی کاربران با هر نوع اشتراک ChatGPT در دسترس است.
#Computer_Use #ChatGPT_Chrome
OpenAI با به‌روزرسانی افزونه مرورگر خود، امکان دسترسی مستقیم به تب‌های باز را برای مدل هوش مصنوعی فراهم کرده است. با استفاده از این قابلیت، کاربر می‌تواند با ارسال دستور، از مدل بخواهد داده‌های چندین صفحه وب را همزمان تحلیل کند یا محتوای آن‌ها را خلاصه کند. نتایج این بررسی‌ها در یک پنل جانبی جدید نمایش داده می‌شود.
این افزونه اکنون به نسخه جدید به‌روزرسانی شده و مهم‌ترین قابلیت‌های آن شامل موارد زیر است:
- تجزیه و تحلیل همزمان: خواندن و مقایسه داده‌ها از چندین تب مختلف، برای مثال در مقایسه قیمت محصولات.
- حالت Work mode: استفاده از فناوری Computer Use برای تعامل مستقیم با برنامه‌های تحت وب.
- مدیریت تعاملی: امکان پر کردن فرم‌ها، دانلود فایل‌ها، ارسال پیام و دسته‌بندی تب‌ها توسط دستیار هوشمند.
این تغییرات برای تمامی کاربران با هر نوع اشتراک ChatGPT در دسترس است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Computer_Use #ChatGPT_Chrome
🤖 معرفی موتور جستجوی جدید Photon توسط Perplexity
شرکت Perplexity از موتور جدیدی به نام Photon رونمایی کرد که وظیفه جستجو و رتبه‌بندی صفحات وب را پیش از پردازش توسط مدل زبانی بر عهده دارد. این موتور اکنون در قالب یک «حالت سریع» در Search API این شرکت برای استفاده در عاملیت‌های (Agents) هوش مصنوعی در دسترس است.
مکانیزم فنی Photon:
• استفاده از ایندکس معکوس برای جستجوی کلمات.
• فشرده‌سازی شماره اسناد با روش الیاس-فانو (Elias-Fano).
• استفاده از الگوریتم WAND برای حذف سریع اسناد نامرتبط.
• پردازش موازی ایندکس‌گذاری با MapReduce و آزادسازی کش با الگوریتم CLOCK.
در نتایج بنچمارک، حالت سریع میانگین پاسخ‌دهی ۱۶۰ میلی‌ثانیه را ثبت کرده است. اگرچه کیفیت پاسخ‌دهی در این حالت نسبت به مدل استاندارد اندکی کاهش یافته، اما هزینه‌های عملیاتی به میزان قابل‌توجهی کمتر است. طبق گزارش فنی، این موتور نسبت به سیستم قبلی حدود ۲.۵ برابر داده بیشتری به ازای هر سند ذخیره می‌کند و نیاز به تعداد سرور کمتری دارد.
#Photon #Elias_Fano
شرکت Perplexity از موتور جدیدی به نام Photon رونمایی کرد که وظیفه جستجو و رتبه‌بندی صفحات وب را پیش از پردازش توسط مدل زبانی بر عهده دارد. این موتور اکنون در قالب یک «حالت سریع» در Search API این شرکت برای استفاده در عاملیت‌های (Agents) هوش مصنوعی در دسترس است.
مکانیزم فنی Photon:
• استفاده از ایندکس معکوس برای جستجوی کلمات.
• فشرده‌سازی شماره اسناد با روش الیاس-فانو (Elias-Fano).
• استفاده از الگوریتم WAND برای حذف سریع اسناد نامرتبط.
• پردازش موازی ایندکس‌گذاری با MapReduce و آزادسازی کش با الگوریتم CLOCK.
در نتایج بنچمارک، حالت سریع میانگین پاسخ‌دهی ۱۶۰ میلی‌ثانیه را ثبت کرده است. اگرچه کیفیت پاسخ‌دهی در این حالت نسبت به مدل استاندارد اندکی کاهش یافته، اما هزینه‌های عملیاتی به میزان قابل‌توجهی کمتر است. طبق گزارش فنی، این موتور نسبت به سیستم قبلی حدود ۲.۵ برابر داده بیشتری به ازای هر سند ذخیره می‌کند و نیاز به تعداد سرور کمتری دارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Photon #Elias_Fano
❤1
هوش مصنوعی و علم داده به فارسی
🖼 انتشار مدل‌های جدید FLUX 3 و Krea 3 شرکت BFL مدل FLUX 3 Image Klein را با ۵.۶ میلیارد پارامتر به صورت متن‌باز عرضه کرد. این مدل به طور پیش‌فرض روی رزولوشن 4MP متمرکز است و از ۱۰ رفرنس برای کنترل چیدمان اشیاء پشتیبانی می‌کند. نسخه INT8 این مدل با ۸ گیگابایت…
🤖 انتشار نسخه بتای مدل ویرایش تصویر Krea 3
سرویس Krea دسترسی عمومی به مدل ویرایش تصویر خود را فراهم کرده است. طبق اعلام تیم سازنده، این مدل در پردازش تصاویر 2K عملکردی مشابه مدل‌هایی همچون Nano Banana Pro و GPT Image 2.5 دارد اما سرعت انجام عملیات در آن به مراتب بیشتر است.
در این مدل می‌توانید با انتخاب یک محدوده خاص در تصویر، فقط همان بخش را ویرایش کنید. امکان ویرایش‌های مرحله‌ای نیز وجود دارد؛ یعنی می‌توانید به‌صورت متوالی تغییراتی مانند تعویض لباس، تغییر پس‌زمینه و تنظیم نور را اعمال کنید، به‌طوری که هر مرحله، تغییرات قبلی را حفظ کند.
برخی از ویژگی‌های فنی و عملکردی:
* زمان چرخه کامل ویرایش 2K کمتر از ۸ ثانیه است که در بنچمارک‌های موجود، سریع‌تر از نمونه‌هایی مانند Grok-imagine، Ideogram 4.5 و GPT Image 2.5 قرار می‌گیرد.
* پشتیبانی از
* امکان استفاده از
نسخه بتای این ابزار هم‌اکنون در دسترس است و انتشار نسخه نهایی به همراه جزئیات کامل‌تر بنچمارک‌ها برای هفته آینده برنامه‌ریزی شده است.
🇮🇷 سایت | تلگرام
سرویس Krea دسترسی عمومی به مدل ویرایش تصویر خود را فراهم کرده است. طبق اعلام تیم سازنده، این مدل در پردازش تصاویر 2K عملکردی مشابه مدل‌هایی همچون Nano Banana Pro و GPT Image 2.5 دارد اما سرعت انجام عملیات در آن به مراتب بیشتر است.
در این مدل می‌توانید با انتخاب یک محدوده خاص در تصویر، فقط همان بخش را ویرایش کنید. امکان ویرایش‌های مرحله‌ای نیز وجود دارد؛ یعنی می‌توانید به‌صورت متوالی تغییراتی مانند تعویض لباس، تغییر پس‌زمینه و تنظیم نور را اعمال کنید، به‌طوری که هر مرحله، تغییرات قبلی را حفظ کند.
برخی از ویژگی‌های فنی و عملکردی:
* زمان چرخه کامل ویرایش 2K کمتر از ۸ ثانیه است که در بنچمارک‌های موجود، سریع‌تر از نمونه‌هایی مانند Grok-imagine، Ideogram 4.5 و GPT Image 2.5 قرار می‌گیرد.
* پشتیبانی از
LoRA برای حفظ جزئیات کاراکتر، محصول و استایل‌ها.* امکان استفاده از
sref برای ارجاع بصری.نسخه بتای این ابزار هم‌اکنون در دسترس است و انتشار نسخه نهایی به همراه جزئیات کامل‌تر بنچمارک‌ها برای هفته آینده برنامه‌ریزی شده است.
🇮🇷 سایت | تلگرام
📊 گلوگاه «توجه انسانی» در تعامل با مدل‌های Claude
گزارش تازه Anthropic نشان می‌دهد که در فرآیند تعامل با مدل‌های هوش مصنوعی، عامل اصلی تأخیر، سرعت پردازش مدل نیست، بلکه محدودیت «توجه انسانی» است. بررسی‌ها حاکی از آن است که حدود ۸۰ درصد از زمان جلسات کاری در Claude صرف انتظار برای ورودی‌های کاربر می‌شود.
تحلیل‌ها بر اساس حجم خروجی مدل تا آوریل ۲۰۲۶، میانگین ساعات لازم برای خواندن خروجی‌ها را در حوزه‌های مختلف نشان می‌دهد:
* مهندسی و تحقیق: ۴۲۴ ساعت در هفته برای هر نفر
* امور مالی و حسابداری: ۴۳ ساعت در هفته برای هر نفر
* فروش و بازاریابی: ۳۵ ساعت در هفته برای هر نفر
* امور حقوقی و سیاست‌گذاری: ۲۶ ساعت در هفته برای هر نفر
طبق محاسبات این گزارش، زمان کار فعال مدل در مقایسه با کل زمان جلسه (wall-clock time) بسیار کمتر است و انسان‌ها عملاً به گلوگاهی برای فعالیت عامل‌های هوشمند تبدیل شده‌اند. روند رشد ساعات مورد نیاز برای مطالعه خروجی‌ها از سال ۲۰۲۵ تاکنون صعودی بوده است.
#Claude #توجه_انسانی
گزارش تازه Anthropic نشان می‌دهد که در فرآیند تعامل با مدل‌های هوش مصنوعی، عامل اصلی تأخیر، سرعت پردازش مدل نیست، بلکه محدودیت «توجه انسانی» است. بررسی‌ها حاکی از آن است که حدود ۸۰ درصد از زمان جلسات کاری در Claude صرف انتظار برای ورودی‌های کاربر می‌شود.
تحلیل‌ها بر اساس حجم خروجی مدل تا آوریل ۲۰۲۶، میانگین ساعات لازم برای خواندن خروجی‌ها را در حوزه‌های مختلف نشان می‌دهد:
* مهندسی و تحقیق: ۴۲۴ ساعت در هفته برای هر نفر
* امور مالی و حسابداری: ۴۳ ساعت در هفته برای هر نفر
* فروش و بازاریابی: ۳۵ ساعت در هفته برای هر نفر
* امور حقوقی و سیاست‌گذاری: ۲۶ ساعت در هفته برای هر نفر
طبق محاسبات این گزارش، زمان کار فعال مدل در مقایسه با کل زمان جلسه (wall-clock time) بسیار کمتر است و انسان‌ها عملاً به گلوگاهی برای فعالیت عامل‌های هوشمند تبدیل شده‌اند. روند رشد ساعات مورد نیاز برای مطالعه خروجی‌ها از سال ۲۰۲۵ تاکنون صعودی بوده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude #توجه_انسانی
هوش مصنوعی و علم داده به فارسی
🤖 انتشار چارچوب Harness² گوگل برای بهبود ایجنت‌های هوش مصنوعی گوگل ابزار متن‌باز Harness² را برای بهینه‌سازی عملکرد ایجنت‌های هوش مصنوعی منتشر کرده است. این چارچوب به جای بازآموزی مدل، به ایجنت اجازه می‌دهد تا «هارنس» (Harness) یا همان محیط تعاملی خود را…
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 انتشار ابزار متن‌باز Harness² توسط گوگل
گوگل ابزاری به نام Harness² منتشر کرده است که به ایجنت‌های هوش مصنوعی اجازه می‌دهد با تکرار وظایف، روش کاری خود را به‌طور خودکار بهبود دهند. در این ساختار، ایجنت تنها به مدل وابسته نیست و ترکیبی از ابزارها، حافظه، دستورالعمل‌ها و ساب‌ایجنت‌ها را مدیریت می‌کند.
این ابزار با ایجاد تغییرات در تنظیمات، مقایسه نتایج نسخه‌های مختلف و بهره‌گیری از تجربیات قبلی، بدون نیاز به آموزش مجدد مدل، عملکرد ایجنت را بهینه می‌کند. مهم‌ترین ویژگی‌های این روش عبارتند از:
* تنظیم خودکار ترکیب ابزارها و دستورالعمل‌ها برای دستیابی به خروجی بهتر.
* امکان یادگیری از تجربیات گذشته بدون نیاز به شروع مجدد.
* عدم نیاز به تعیین پاسخ درست در مراحل اولیه برای بهینه‌سازی.
گوگل این روش را روی مدل‌های Gemini 3.5 Flash و GLM-5 در حوزه‌های حقوقی و اداری آزمایش کرده و گزارش داده است که حتی یک دور تغییر در تنظیمات، منجر به ارتقای عملکرد شده است. با استفاده از این ابزار، نیاز به اصلاح دستی تنظیمات توسط کاربر کاهش می‌یابد و ایجنت می‌تواند به مرور زمان خطاهای خود را شناسایی و رفع کند.
گوگل ابزاری به نام Harness² منتشر کرده است که به ایجنت‌های هوش مصنوعی اجازه می‌دهد با تکرار وظایف، روش کاری خود را به‌طور خودکار بهبود دهند. در این ساختار، ایجنت تنها به مدل وابسته نیست و ترکیبی از ابزارها، حافظه، دستورالعمل‌ها و ساب‌ایجنت‌ها را مدیریت می‌کند.
این ابزار با ایجاد تغییرات در تنظیمات، مقایسه نتایج نسخه‌های مختلف و بهره‌گیری از تجربیات قبلی، بدون نیاز به آموزش مجدد مدل، عملکرد ایجنت را بهینه می‌کند. مهم‌ترین ویژگی‌های این روش عبارتند از:
* تنظیم خودکار ترکیب ابزارها و دستورالعمل‌ها برای دستیابی به خروجی بهتر.
* امکان یادگیری از تجربیات گذشته بدون نیاز به شروع مجدد.
* عدم نیاز به تعیین پاسخ درست در مراحل اولیه برای بهینه‌سازی.
گوگل این روش را روی مدل‌های Gemini 3.5 Flash و GLM-5 در حوزه‌های حقوقی و اداری آزمایش کرده و گزارش داده است که حتی یک دور تغییر در تنظیمات، منجر به ارتقای عملکرد شده است. با استفاده از این ابزار، نیاز به اصلاح دستی تنظیمات توسط کاربر کاهش می‌یابد و ایجنت می‌تواند به مرور زمان خطاهای خود را شناسایی و رفع کند.
🧠 گرنت سندرسون و آینده ریاضیات در عصر هوش مصنوعی
گرنت سندرسون، خالق کانال 3Blue1Brown معتقد است با پیشرفت هوش مصنوعی در اثبات قضایا، ریاضیات همچنان حوزه‌ای حیاتی باقی می‌ماند. او استدلال می‌کند که کار ریاضی‌دان تنها اثبات نیست و شامل موارد زیر است:
• انتخاب پرسش‌های درست
• تدوین فرضیه‌ها
• ساخت نظریه‌ها
• یافتن ارتباط میان مفاهیم
• انتقال و تبیین نتایج برای دیگران
سندرسون باور دارد که توانایی هوش مصنوعی در اثبات قضایا مشابه ماشین‌هایی است که وزنه‌های سنگین‌تری از انسان بلند می‌کنند؛ این موضوع ورزش یا در اینجا، یادگیری ریاضیات را بی‌معنا نمی‌کند، زیرا حل مسئله به تنهایی باعث توسعه تفکر می‌شود. با ورود ابزارهای هوشمند به پژوهش، معیارهای ارزیابی دستاوردهای علمی و نحوه کسب اعتبار برای دانشمندان نیز نیازمند بازنگری خواهد بود.
#3Blue1Brown #اثبات_قضایا
گرنت سندرسون، خالق کانال 3Blue1Brown معتقد است با پیشرفت هوش مصنوعی در اثبات قضایا، ریاضیات همچنان حوزه‌ای حیاتی باقی می‌ماند. او استدلال می‌کند که کار ریاضی‌دان تنها اثبات نیست و شامل موارد زیر است:
• انتخاب پرسش‌های درست
• تدوین فرضیه‌ها
• ساخت نظریه‌ها
• یافتن ارتباط میان مفاهیم
• انتقال و تبیین نتایج برای دیگران
سندرسون باور دارد که توانایی هوش مصنوعی در اثبات قضایا مشابه ماشین‌هایی است که وزنه‌های سنگین‌تری از انسان بلند می‌کنند؛ این موضوع ورزش یا در اینجا، یادگیری ریاضیات را بی‌معنا نمی‌کند، زیرا حل مسئله به تنهایی باعث توسعه تفکر می‌شود. با ورود ابزارهای هوشمند به پژوهش، معیارهای ارزیابی دستاوردهای علمی و نحوه کسب اعتبار برای دانشمندان نیز نیازمند بازنگری خواهد بود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#3Blue1Brown #اثبات_قضایا
This media is not supported in your browser
VIEW IN TELEGRAM
🖼️ معرفی LILIE: تبدیل تصویر معکوس‌پذیر از دانشگاه استنفورد
محققان دانشگاه استنفورد روش LILIE را معرفی کردند؛ یک تبدیل معکوس‌پذیر تصویر که به‌گونه‌ای آموزش دیده است تا مدل‌های بینایی-زبانی بتوانند کپشن‌ها را از ویژگی‌های نویزی بازسازی کنند.
مستندات و کدهای این پروژه منتشر شده است:
• مقاله علمی
• وب‌سایت پروژه
• مخزن گیت‌هاب
#LILIE #Invertible_Image_Transform
محققان دانشگاه استنفورد روش LILIE را معرفی کردند؛ یک تبدیل معکوس‌پذیر تصویر که به‌گونه‌ای آموزش دیده است تا مدل‌های بینایی-زبانی بتوانند کپشن‌ها را از ویژگی‌های نویزی بازسازی کنند.
مستندات و کدهای این پروژه منتشر شده است:
• مقاله علمی
• وب‌سایت پروژه
• مخزن گیت‌هاب
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#LILIE #Invertible_Image_Transform
❤1
🎙 شرکت xAI مدل گفتاری Grok Voice 3.0 را منتشر کرد
شرکت xAI مدل جدید Grok Voice 3.0 را منتشر کرد. این مدل به صورت گفتاربه‌گفتار بدون تبدیل میانی به متن کار می‌کند و زمان پاسخ‌دهی آن کمتر از یک ثانیه است.
در شاخص Artificial Analysis Speech-to-Speech، این مدل امتیاز ۸۶٫۹ را به دست آورده که بالاتر از GPT-Live-1 (۸۳٫۲) و Gemini 3.8 Live (۸۲٫۶) است. همچنین در بنچمارک Full Duplex Bench به امتیاز ۹۷ درصد رسیده، اما در ارزیابی تماس‌های پشتیبانی τ-Voice با امتیاز ۷۱٫۶ درصد از GPT-Live-1 (۷۴٫۵ درصد) عقب‌تر است. زبان روسی در این مدل پشتیبانی نمی‌شود.
مدل Grok Voice 3.0 در حال حاضر در خودروهای تسلا و بخش پشتیبانی استارلینک فعال است. این سیستم روزانه ۲۰ هزار تماس استارلینک را دریافت کرده و حدود ۷۰ درصد آن‌ها را بدون دخالت انسان انجام می‌دهد. استفاده از آن از طریق Voice Agent API با قیمت ۸ سنت برای هر دقیقه در دسترس است.
شرکت xAI مدل جدید Grok Voice 3.0 را منتشر کرد. این مدل به صورت گفتاربه‌گفتار بدون تبدیل میانی به متن کار می‌کند و زمان پاسخ‌دهی آن کمتر از یک ثانیه است.
در شاخص Artificial Analysis Speech-to-Speech، این مدل امتیاز ۸۶٫۹ را به دست آورده که بالاتر از GPT-Live-1 (۸۳٫۲) و Gemini 3.8 Live (۸۲٫۶) است. همچنین در بنچمارک Full Duplex Bench به امتیاز ۹۷ درصد رسیده، اما در ارزیابی تماس‌های پشتیبانی τ-Voice با امتیاز ۷۱٫۶ درصد از GPT-Live-1 (۷۴٫۵ درصد) عقب‌تر است. زبان روسی در این مدل پشتیبانی نمی‌شود.
مدل Grok Voice 3.0 در حال حاضر در خودروهای تسلا و بخش پشتیبانی استارلینک فعال است. این سیستم روزانه ۲۰ هزار تماس استارلینک را دریافت کرده و حدود ۷۰ درصد آن‌ها را بدون دخالت انسان انجام می‌دهد. استفاده از آن از طریق Voice Agent API با قیمت ۸ سنت برای هر دقیقه در دسترس است.
🇮🇷 - 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
🗣 پیش‌بینی افزایش ۱۰ میلیارد دانشمند مجازی توسط Anthropic
جک کلارک، هم‌بنیان‌گذار Anthropic در گفتگو با صندوق بین‌المللی پول (IMF) اعلام کرد که با گسترش سیستم‌های هوش مصنوعی، تعداد دانشمندان فعال در جهان از ۱۰ میلیون نفر فعلی به ۱۰ میلیارد «دانشمند مجازی» افزایش می‌یابد.
طبق داده‌های یونسکو، در حال حاضر حدود ۱۰ میلیون دانشمند در جهان فعالیت می‌کنند. کلارک معتقد است کمبود نیروی انسانی، آزمایشگاه‌های فیزیکی و تجهیزات علمی، سرعت پیشرفت در حوزه‌هایی مانند علم مواد و تولید دارو را محدود کرده است.
این دیدگاه مبتنی بر این است که با در اختیار داشتن میلیاردها عامل هوش مصنوعی تحت هدایت دانشمندان انسانی، ظرفیت انجام آزمایش‌ها و تحلیل‌های علمی به شکل گسترده‌ای افزایش پیدا می‌کند. او معتقد است آماده‌سازی زیرساخت‌ها برای این تغییر، می‌تواند منجر به نتایجی شامل موارد زیر شود:
* افزایش طول عمر و بهبود وضعیت سلامت
* دسترسی به منابع انرژی بیشتر
* تأمین غذای کافی برای جمعیت جهان
* رشد ثروت عمومی
#Anthropic #دانشمند_مجازی
جک کلارک، هم‌بنیان‌گذار Anthropic در گفتگو با صندوق بین‌المللی پول (IMF) اعلام کرد که با گسترش سیستم‌های هوش مصنوعی، تعداد دانشمندان فعال در جهان از ۱۰ میلیون نفر فعلی به ۱۰ میلیارد «دانشمند مجازی» افزایش می‌یابد.
طبق داده‌های یونسکو، در حال حاضر حدود ۱۰ میلیون دانشمند در جهان فعالیت می‌کنند. کلارک معتقد است کمبود نیروی انسانی، آزمایشگاه‌های فیزیکی و تجهیزات علمی، سرعت پیشرفت در حوزه‌هایی مانند علم مواد و تولید دارو را محدود کرده است.
این دیدگاه مبتنی بر این است که با در اختیار داشتن میلیاردها عامل هوش مصنوعی تحت هدایت دانشمندان انسانی، ظرفیت انجام آزمایش‌ها و تحلیل‌های علمی به شکل گسترده‌ای افزایش پیدا می‌کند. او معتقد است آماده‌سازی زیرساخت‌ها برای این تغییر، می‌تواند منجر به نتایجی شامل موارد زیر شود:
* افزایش طول عمر و بهبود وضعیت سلامت
* دسترسی به منابع انرژی بیشتر
* تأمین غذای کافی برای جمعیت جهان
* رشد ثروت عمومی
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Anthropic #دانشمند_مجازی
🤖 برنامه‌ریزی آنتروپیک برای مذاکره ایجنت‌های هوش مصنوعی
شرکت Anthropic در حال مشاوره با موسسات حقوقی است تا چارچوبی برای نحوه مذاکره ایجنت‌های Claude تدوین کند. این برنامه‌ریزی شامل تعیین مرزهای تصمیم‌گیری مستقل ایجنت‌ها و الزامات تأیید انسانی است. این شرکت همچنین برای اطمینان از اجرای دقیق دستورات کاربر، استفاده از اسناد دیجیتالی امضاشده را بررسی می‌کند.
نتایج آزمایش‌های اولیه نشان‌دهنده چالش‌های جدی است:
* مدل‌های قوی‌تر مانند Claude Opus در مذاکرات عملکرد بهتری نسبت به مدل‌های سبک‌تر مثل Haiku دارند.
* کاربران مدل‌های ضعیف‌تر، تفاوت کیفیت در مذاکره را احساس نمی‌کنند و امتیاز عادلانه مشابهی به توافق‌ها می‌دهند.
* استفاده از دستورالعمل‌های سخت‌گیرانه برای «بی‌رحم بودن» ایجنت در مذاکره، بهبود معناداری در نتایج ایجاد نمی‌کند.
چالش اصلی تنها تقویت توان مذاکره نیست؛ ایجنت‌ها باید بتوانند رفتارهای مشکوک رقیب را شناسایی کنند و در عین حال، تعادلی میان اعتماد و احتیاط ایجاد کنند تا از شکست در معاملات یا بدبینی بیش از حد جلوگیری شود.
🇮🇷 سایت | تلگرام
شرکت Anthropic در حال مشاوره با موسسات حقوقی است تا چارچوبی برای نحوه مذاکره ایجنت‌های Claude تدوین کند. این برنامه‌ریزی شامل تعیین مرزهای تصمیم‌گیری مستقل ایجنت‌ها و الزامات تأیید انسانی است. این شرکت همچنین برای اطمینان از اجرای دقیق دستورات کاربر، استفاده از اسناد دیجیتالی امضاشده را بررسی می‌کند.
نتایج آزمایش‌های اولیه نشان‌دهنده چالش‌های جدی است:
* مدل‌های قوی‌تر مانند Claude Opus در مذاکرات عملکرد بهتری نسبت به مدل‌های سبک‌تر مثل Haiku دارند.
* کاربران مدل‌های ضعیف‌تر، تفاوت کیفیت در مذاکره را احساس نمی‌کنند و امتیاز عادلانه مشابهی به توافق‌ها می‌دهند.
* استفاده از دستورالعمل‌های سخت‌گیرانه برای «بی‌رحم بودن» ایجنت در مذاکره، بهبود معناداری در نتایج ایجاد نمی‌کند.
چالش اصلی تنها تقویت توان مذاکره نیست؛ ایجنت‌ها باید بتوانند رفتارهای مشکوک رقیب را شناسایی کنند و در عین حال، تعادلی میان اعتماد و احتیاط ایجاد کنند تا از شکست در معاملات یا بدبینی بیش از حد جلوگیری شود.
🇮🇷 سایت | تلگرام
📊 بهبود عملکرد DeepSeek V4.1 Flash با استفاده از DeepSeek Harness
استفاده از ابزار DeepSeek Harness باعث شده است امتیاز مدل DeepSeek V4.1 Flash به‌طور میانگین ۲ تا ۳ نمره در بنچمارک‌ها افزایش یابد. این بهبود عملکرد به دلیل استفاده از ساب-ایجنت‌ها و تولید خروجی بیشتر حاصل می‌شود که البته هزینه اجرای مدل و مصرف توکن را تا ۸۰ درصد افزایش می‌دهد.
نتایج ثبت‌شده برای DeepSeek V4.1 Flash با استفاده از این ابزار:
- Max: 42.7
- High: 39.2
- Low: 34.8
این مدل در جریان تست‌ها توانسته است موارد تقلب را شناسایی کند. برای مقایسه، امتیاز مدل‌های دیگر در این بنچمارک شامل GPT-6 Astra با ۴۵، Opus 5.5 با ۴۱.۷ و Muse Wonder Full 1.0 با ۴۲ است. تمامی نتایج در سایت بنچمارک مربوطه قابل بررسی و مشاهده هستند.
#DeepSeek_Harness #DeepSeek_V4_1_Flash
استفاده از ابزار DeepSeek Harness باعث شده است امتیاز مدل DeepSeek V4.1 Flash به‌طور میانگین ۲ تا ۳ نمره در بنچمارک‌ها افزایش یابد. این بهبود عملکرد به دلیل استفاده از ساب-ایجنت‌ها و تولید خروجی بیشتر حاصل می‌شود که البته هزینه اجرای مدل و مصرف توکن را تا ۸۰ درصد افزایش می‌دهد.
نتایج ثبت‌شده برای DeepSeek V4.1 Flash با استفاده از این ابزار:
- Max: 42.7
- High: 39.2
- Low: 34.8
این مدل در جریان تست‌ها توانسته است موارد تقلب را شناسایی کند. برای مقایسه، امتیاز مدل‌های دیگر در این بنچمارک شامل GPT-6 Astra با ۴۵، Opus 5.5 با ۴۱.۷ و Muse Wonder Full 1.0 با ۴۲ است. تمامی نتایج در سایت بنچمارک مربوطه قابل بررسی و مشاهده هستند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#DeepSeek_Harness #DeepSeek_V4_1_Flash
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #2 | 📌 8 آیتم گزارش | 🧾 از 21 پست بررسی‌شده
🕐 یکشنبه 1405/07/26 ساعت 14:00 تا دوشنبه 1405/07/27 ساعت 14:00
🔎 تحلیل کوتاه
🧬 پژوهش‌های علمی و اخلاق داده
🤖 ابزارهای ایجنتیک و بهینه‌سازی
✨ مدل‌های نوین و قابلیت‌های جدید
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🗂 گزارش #2 | 📌 8 آیتم گزارش | 🧾 از 21 پست بررسی‌شده
🕐 یکشنبه 1405/07/26 ساعت 14:00 تا دوشنبه 1405/07/27 ساعت 14:00
🔎 تحلیل کوتاه
انتشار ابزارهای بهینه‌سازی ایجنت‌ها مانند Harness² و DeepSelect نشان می‌دهد که تمرکز توسعه‌دهندگان بر مدیریت خودکار محیط‌های تعاملی و شتاب‌دهی محاسبات است. این در حالی است که چالش‌های ناشی از محتوای مصنوعی، مانند تولید مقالات پزشکی جعلی، داوری همتا را با دشواری‌های بی‌سابقه‌ای روبه‌رو کرده است.
🧬 پژوهش‌های علمی و اخلاق داده
چالش مقالات پزشکی جعلی
استفاده از هوش مصنوعی برای تولید مقالات ساختگی، روند داوری همتا در نشریات پزشکی را با بحران مواجه کرده است.
🔗 مطالعه کامل در سایت
رمزگشایی زبان سلول‌ها با IRIS
مدل یادگیری عمیق IRIS ابزاری برای شناسایی مسیرهای سیگنال‌دهی سلولی جهت پیشبرد مهندسی سلول‌های بنیادی است.
🔗 مطالعه کامل در سایت
🤖 ابزارهای ایجنتیک و بهینه‌سازی
چارچوب Harness² گوگل
ابزار متن‌باز گوگل برای بهینه‌سازی ایجنت‌ها از طریق بازنویسی محیط‌های تعاملی بدون نیاز به بازآموزی مدل.
🔗 مشاهده پست
کتابخانه DeepSelect
کتابخانه جدید تیم DeepSeek برای تسریع عملیات TopK در مدل‌های زبانی با سرعتی تا ۲۰ برابر بیشتر از PyTorch.
🔗 مشاهده پست
پروژه SPACE پرپلکسیتی
محیط سندباکس ایزوله برای اجرای ایجنت‌های هوش مصنوعی با استفاده از ماشین‌های مجازی Firecracker.
🔗 مشاهده پست
✨ مدل‌های نوین و قابلیت‌های جدید
مدل Nemotron 3.5 Super VL
مدل ۱۲۰ میلیارد پارامتری انویدیا با معماری MoE برای پردازش همزمان تصویر، اسناد و ویدیو.
🔗 مشاهده پست
فروش ۶.۶ میلیارد دلاری سهام OpenAI
بیش از ۶۰۰ کارمند OpenAI در اکتبر ۲۰۲۵ بخشی از سهام خود را به سرمایه‌گذاران خصوصی فروختند.
🔗 نسخه مفصل در سایت
🤖 مدل‌ها و ابزارهای هوش مصنوعی
بازیابی دقیق حرکات سه‌بعدی بدن انسان با مدل OmniPoser. مدل OmniPoser
ابزاری برای بازسازی سه‌بعدی حرکات بدن انسان است که با استفاده از ترکیبات مختلفی از سیگنال‌های پراکنده در یک مدل واحد عمل می‌کند.
🔗 مطالعه کامل در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
❤1
🌡 شناسایی بدافزار ماینر توسط Claude روی مک
یکی از کاربران Reddit برای ساخت یک برنامه مانیتورینگ دمای سیستم، از مدل Claude Code کمک گرفت. در حین اجرای کد و تحلیل وضعیت سخت‌افزار توسط این ایجنت، مشخص شد که دمای پردازنده به ۱۱۲ درجه سانتی‌گراد رسیده و میزان مصرف CPU به ۱۱۷۵٪ (معادل ۱۲ هسته) رسیده است.
بررسی‌های Claude نشان داد که یک بدافزار استخراج ارز دیجیتال با نام
* محل اجرا: بدافزار از مسیر
* ماندگاری: یک فایل با نام تصادفی در مسیر
* دسترسی‌ها: بدافزار به تمامی فایل‌های کاربر، از جمله توکن‌های ورود به GitHub، دسترسی داشت.
در نهایت با راهنمایی Claude، فایل‌های بدافزار حذف و آیتم استارتاپ غیرفعال شد. جزئیات بیشتر این رخداد در سایت Reddit قابل مشاهده است.
#Claude_Code #xmrig
یکی از کاربران Reddit برای ساخت یک برنامه مانیتورینگ دمای سیستم، از مدل Claude Code کمک گرفت. در حین اجرای کد و تحلیل وضعیت سخت‌افزار توسط این ایجنت، مشخص شد که دمای پردازنده به ۱۱۲ درجه سانتی‌گراد رسیده و میزان مصرف CPU به ۱۱۷۵٪ (معادل ۱۲ هسته) رسیده است.
بررسی‌های Claude نشان داد که یک بدافزار استخراج ارز دیجیتال با نام
xmrig بدون اطلاع کاربر روی سیستم در حال اجراست. مهم‌ترین یافته‌های این گزارش فنی عبارتند از:* محل اجرا: بدافزار از مسیر
/tmp/rigupdater و با اتصال به pool.hashvault.sh فعال بود.* ماندگاری: یک فایل با نام تصادفی در مسیر
/Library/LaunchAgents/com.rymbotqcjoiqlqbp.plist وظیفه اجرای خودکار بدافزار را بر عهده داشت.* دسترسی‌ها: بدافزار به تمامی فایل‌های کاربر، از جمله توکن‌های ورود به GitHub، دسترسی داشت.
در نهایت با راهنمایی Claude، فایل‌های بدافزار حذف و آیتم استارتاپ غیرفعال شد. جزئیات بیشتر این رخداد در سایت Reddit قابل مشاهده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude_Code #xmrig
📊 مدل‌های پایه سری زمانی Timestral از Mistral
Mistral از مدل‌های پایه سری زمانی خود با نام Timestral رونمایی کرد. این مدل‌ها با ۲۰۹ میلیون پارامتر، در سه معیار (benchmark) در حالت zero-shot رتبه اول را کسب کرده‌اند و برای اجرا به GPU نیاز ندارند.
نوآوری اصلی در این مدل‌ها، Decoupled Horizon Forecasting (DHF) است. به جای ماسک کردن مقادیر برای پیش‌بینی، توکن‌های پیش‌بینی‌کننده، تاریخچه کامل را می‌خوانند و هر مقدار مشاهده‌شده هم به عنوان هدف و هم به عنوان زمینه عمل می‌کند. قابلیت Covariate-aware attention به هر سری زمانی نقشی مشخص می‌دهد: هدف، گذشته یا کووریت آینده‌شناخته‌شده. این جریان اطلاعات فقط از کووریت‌ها به سمت اهداف است، بنابراین پیش‌بینی آب‌وهوا یا تقویم تعطیلات می‌تواند کمک‌کننده باشد بدون اینکه آینده هدف لو برود.
مدل Timestral-209M امتیاز ۰.۶۵۸ MASE در GIFT-Eval، ۰.۶۲۶ در TIME و ۵۰.۳۹ SQL skill در fev-bench را ثبت کرده است. مدل ۲۸ میلیون پارامتری آن در GIFT-Eval و TIME از Chronos-2 که حدود ۴ برابر بزرگتر است، بهتر عمل می‌کند.
🇮🇷 سایت | تلگرام
Mistral از مدل‌های پایه سری زمانی خود با نام Timestral رونمایی کرد. این مدل‌ها با ۲۰۹ میلیون پارامتر، در سه معیار (benchmark) در حالت zero-shot رتبه اول را کسب کرده‌اند و برای اجرا به GPU نیاز ندارند.
نوآوری اصلی در این مدل‌ها، Decoupled Horizon Forecasting (DHF) است. به جای ماسک کردن مقادیر برای پیش‌بینی، توکن‌های پیش‌بینی‌کننده، تاریخچه کامل را می‌خوانند و هر مقدار مشاهده‌شده هم به عنوان هدف و هم به عنوان زمینه عمل می‌کند. قابلیت Covariate-aware attention به هر سری زمانی نقشی مشخص می‌دهد: هدف، گذشته یا کووریت آینده‌شناخته‌شده. این جریان اطلاعات فقط از کووریت‌ها به سمت اهداف است، بنابراین پیش‌بینی آب‌وهوا یا تقویم تعطیلات می‌تواند کمک‌کننده باشد بدون اینکه آینده هدف لو برود.
مدل Timestral-209M امتیاز ۰.۶۵۸ MASE در GIFT-Eval، ۰.۶۲۶ در TIME و ۵۰.۳۹ SQL skill در fev-bench را ثبت کرده است. مدل ۲۸ میلیون پارامتری آن در GIFT-Eval و TIME از Chronos-2 که حدود ۴ برابر بزرگتر است، بهتر عمل می‌کند.
🇮🇷 سایت | تلگرام
🧠 خروج محقق ۱۷ساله چینی از شرکت Kimi و مهاجرت به سیلیکون‌ولی
چن گوانگ‌یو، محقق ۱۷ساله حوزه هوش مصنوعی، پس از ترک تیم تحقیقاتی شرکت Kimi تصمیم به مهاجرت به سیلیکون‌ولی گرفته است. او که متولد سال ۲۰۰۹ است، فعالیت خود را در ۱۶ سالگی و زمانی که هنوز دانش‌آموز دبیرستان بود، در این شرکت آغاز کرد.
این پژوهشگر بدون داشتن مدرک دانشگاهی یا دکترا، با ارائه نتایج تحقیقاتی تأثیرگذار توانست جایگاه ویژه‌ای در دنیای AI کسب کند. از مهم‌ترین دستاوردهای او می‌توان به موارد زیر اشاره کرد:
* همکاری در مقاله علمی: او نفر اول در لیست نویسندگان مقاله‌ای است که در جامعه هوش مصنوعی مورد توجه قرار گرفت و نتایج آن در مدلی با ۲.۸ تریلیون پارامتر استفاده شده است.
* درآمد سالانه: گزارش‌ها میزان درآمد او را در دوران حضور در این شرکت حدود ۷۰ میلیون یوآن برآورد کرده‌اند.
خروج چن از Kimi در ۱۵ اکتبر اعلام شد. مسیر حرفه‌ای او نشان می‌دهد که در آزمایشگاه‌های برتر هوش مصنوعی، نتایج عملی و مقالات تخصصی اولویت بیشتری نسبت به مدارک تحصیلی رسمی دارند. جزئیات بیشتر پژوهش او در این مقاله قابل مشاهده است.
🇮🇷 سایت | تلگرام
چن گوانگ‌یو، محقق ۱۷ساله حوزه هوش مصنوعی، پس از ترک تیم تحقیقاتی شرکت Kimi تصمیم به مهاجرت به سیلیکون‌ولی گرفته است. او که متولد سال ۲۰۰۹ است، فعالیت خود را در ۱۶ سالگی و زمانی که هنوز دانش‌آموز دبیرستان بود، در این شرکت آغاز کرد.
این پژوهشگر بدون داشتن مدرک دانشگاهی یا دکترا، با ارائه نتایج تحقیقاتی تأثیرگذار توانست جایگاه ویژه‌ای در دنیای AI کسب کند. از مهم‌ترین دستاوردهای او می‌توان به موارد زیر اشاره کرد:
* همکاری در مقاله علمی: او نفر اول در لیست نویسندگان مقاله‌ای است که در جامعه هوش مصنوعی مورد توجه قرار گرفت و نتایج آن در مدلی با ۲.۸ تریلیون پارامتر استفاده شده است.
* درآمد سالانه: گزارش‌ها میزان درآمد او را در دوران حضور در این شرکت حدود ۷۰ میلیون یوآن برآورد کرده‌اند.
خروج چن از Kimi در ۱۵ اکتبر اعلام شد. مسیر حرفه‌ای او نشان می‌دهد که در آزمایشگاه‌های برتر هوش مصنوعی، نتایج عملی و مقالات تخصصی اولویت بیشتری نسبت به مدارک تحصیلی رسمی دارند. جزئیات بیشتر پژوهش او در این مقاله قابل مشاهده است.
🇮🇷 سایت | تلگرام
❤2