🧠 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
۵ مخزن کاربردی برای توسعه AI Agentها
این لیست شامل ریپازیتوری‌های متن‌باز برای ساخت و به‌کارگیری ایجنت‌های هوش مصنوعی در حوزه‌های مختلف است. به‌جای شروع از صفر، می‌توانید از ساختار و ابزارهای موجود در این پروژه‌ها استفاده کنید.
مهم‌ترین منابع عبارتند از:
* Agency Agents: مجموعه‌ای از ۱۷۰ ایجنت با نقش‌های تخصصی مانند مدیریت محصول، مارکتینگ و توسعه نرم‌افزار.
* Agents for Claude Code: شامل بیش از ۲۰۰ ایجنت و ۱۰۰ دستور کاربردی برای برنامه‌نویسی و امنیت با قابلیت انتخاب پلاگین‌های موردنیاز.
* Knowledge Work Plugins: پلاگین‌های رسمی برای تحلیل داده، امور حقوقی و مالی جهت شخصی‌سازی فرایندهای کاری.
* Claude Quickstarts: پروژه‌های نمونه برای یادگیری ساختار ایجنت‌ها و اتوماسیون.
* Agent Skills: اسکیل‌های اختصاصی برای مراحل توسعه نرم‌افزار، از تست تا CI/CD.
قبل از نصب یا اجرای هر پروژه، مستندات، وابستگی‌ها و سطح دسترسی‌های مورد نیاز را بررسی کنید. برای شروع یادگیری، بررسی پروژه‌های بخش Quickstarts پیشنهاد می‌شود.
این لیست شامل ریپازیتوری‌های متن‌باز برای ساخت و به‌کارگیری ایجنت‌های هوش مصنوعی در حوزه‌های مختلف است. به‌جای شروع از صفر، می‌توانید از ساختار و ابزارهای موجود در این پروژه‌ها استفاده کنید.
مهم‌ترین منابع عبارتند از:
* Agency Agents: مجموعه‌ای از ۱۷۰ ایجنت با نقش‌های تخصصی مانند مدیریت محصول، مارکتینگ و توسعه نرم‌افزار.
* Agents for Claude Code: شامل بیش از ۲۰۰ ایجنت و ۱۰۰ دستور کاربردی برای برنامه‌نویسی و امنیت با قابلیت انتخاب پلاگین‌های موردنیاز.
* Knowledge Work Plugins: پلاگین‌های رسمی برای تحلیل داده، امور حقوقی و مالی جهت شخصی‌سازی فرایندهای کاری.
* Claude Quickstarts: پروژه‌های نمونه برای یادگیری ساختار ایجنت‌ها و اتوماسیون.
* Agent Skills: اسکیل‌های اختصاصی برای مراحل توسعه نرم‌افزار، از تست تا CI/CD.
قبل از نصب یا اجرای هر پروژه، مستندات، وابستگی‌ها و سطح دسترسی‌های مورد نیاز را بررسی کنید. برای شروع یادگیری، بررسی پروژه‌های بخش Quickstarts پیشنهاد می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
⚡️ معرفی مدل MiniMax M3.1 Flash با سرعت سه‌برابری و هزینه کمتر
مدل جدید MiniMax M3.1 Flash معرفی شد. این مدل در مقایسه با نسخه M3 سه برابر سریع‌تر است و قیمت آن به یک‌سوم کاهش یافته. مدل Space Bunny که پیش‌تر بیش از ۲۰۰ تریلیون توکن را پردازش کرده بود، نسخه اولیه M3.1 Flash بوده است.
وزن‌های این مدل در ۲۳ اکتبر منتشر خواهند شد.
نتایج بنچمارک‌ها:
• Automation-Bench: ۶۲٪
• ALE: ۳۰٪
• DeepSWE: ۷۴٪
• BabyVision: ۹۱٪
قیمت استفاده از API برای هر ۱ میلیون توکن ورودی ۰٫۱۵ دلار و توکن خروجی ۰٫۶۰ دلار است. علاوه بر API، دسترسی به مدل از طریق اشتراک M Plan و نرم‌افزار دسکتاپ MiniMax Code هم امکان‌پذیر است.
مدل جدید MiniMax M3.1 Flash معرفی شد. این مدل در مقایسه با نسخه M3 سه برابر سریع‌تر است و قیمت آن به یک‌سوم کاهش یافته. مدل Space Bunny که پیش‌تر بیش از ۲۰۰ تریلیون توکن را پردازش کرده بود، نسخه اولیه M3.1 Flash بوده است.
وزن‌های این مدل در ۲۳ اکتبر منتشر خواهند شد.
نتایج بنچمارک‌ها:
• Automation-Bench: ۶۲٪
• ALE: ۳۰٪
• DeepSWE: ۷۴٪
• BabyVision: ۹۱٪
قیمت استفاده از API برای هر ۱ میلیون توکن ورودی ۰٫۱۵ دلار و توکن خروجی ۰٫۶۰ دلار است. علاوه بر API، دسترسی به مدل از طریق اشتراک M Plan و نرم‌افزار دسکتاپ MiniMax Code هم امکان‌پذیر است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 تشخیص کلاهبرداری با مدل Gemma در گوشی
گوگل دیپ‌مایند با همکاری دولت سنگاپور، نسخه‌ای از مدل متن‌باز Gemma را برای شناسایی کلاهبرداری‌ها آموزش داده است. این مدل به‌صورت محلی (On-device) اجرا می‌شود و در صورت تشخیص رفتارهای مشکوک یا تلاش برای فریب در پیام‌ها، به کاربر هشدار می‌دهد.
ساختار پردازشی این سیستم شامل دو مرحله است:
* غربالگری سریع: یک طبقه‌بندی‌کننده سبک، پیام‌ها را به‌صورت بی‌درنگ بررسی می‌کند.
* ارزیابی بافتاری: در صورت تشخیص ابهام، مدل Gemma گفتگوهای چندمرحله‌ای را تحلیل می‌کند تا احتمال کلاهبرداری را تایید یا رد کند.
دسترسی مدل به پیام‌ها تنها با رضایت کاربر ممکن است. این طرح برای کاهش آمار جرایم سایبری در سنگاپور ارائه شده است و به تدریج در برنامه‌های مختلف پیاده‌سازی خواهد شد.
گوگل دیپ‌مایند با همکاری دولت سنگاپور، نسخه‌ای از مدل متن‌باز Gemma را برای شناسایی کلاهبرداری‌ها آموزش داده است. این مدل به‌صورت محلی (On-device) اجرا می‌شود و در صورت تشخیص رفتارهای مشکوک یا تلاش برای فریب در پیام‌ها، به کاربر هشدار می‌دهد.
ساختار پردازشی این سیستم شامل دو مرحله است:
* غربالگری سریع: یک طبقه‌بندی‌کننده سبک، پیام‌ها را به‌صورت بی‌درنگ بررسی می‌کند.
* ارزیابی بافتاری: در صورت تشخیص ابهام، مدل Gemma گفتگوهای چندمرحله‌ای را تحلیل می‌کند تا احتمال کلاهبرداری را تایید یا رد کند.
دسترسی مدل به پیام‌ها تنها با رضایت کاربر ممکن است. این طرح برای کاهش آمار جرایم سایبری در سنگاپور ارائه شده است و به تدریج در برنامه‌های مختلف پیاده‌سازی خواهد شد.
🇮🇷 - 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
🤖 معرفی 3DCodeVerse برای تولید محتوای سه‌بعدی با کد
پروژه 3DCodeVerse یک محیط پژوهشی برای ایجنت‌های برنامه‌نویسی است که به جای تولید مش‌های ثابت، برنامه‌های قابل‌ویرایش و تست برای ساخت اشیاء سه‌بعدی، صحنه‌ها و انیمیشن‌ها تولید می‌کنند.
مهم‌ترین بخش‌های این پروژه شامل موارد زیر است:
* 3DCodeVerse-2M: مجموعه‌ای شامل ۲ میلیون برنامه سه‌بعدی اجرایی به همراه سورس‌کد، دارایی‌های زمان اجرا و لاگ‌های تأیید.
* 3DCodeVerse Harness: یک فریم‌ورک چند‌ایجنت مبتنی بر نمودار وابستگی که کد را اجرا می‌کند، معیارهای فضایی و رندر را بررسی کرده و بدون دخالت انسان، خطاها را اصلاح می‌کند.
* یادداشت‌های فنی: تجربیات کاربردی استخراج‌شده از سری آزمایش‌های انجام‌شده روی مدل‌های کدنویس.
در ارزیابی‌های انسانی، خروجی این مدل در ۹۰ درصد موارد عملکرد بهتری نسبت به Claude Design در تولید اشیاء سه‌بعدی داشته است.
#3DCodeVerse #3DCodeVerse_2M
پروژه 3DCodeVerse یک محیط پژوهشی برای ایجنت‌های برنامه‌نویسی است که به جای تولید مش‌های ثابت، برنامه‌های قابل‌ویرایش و تست برای ساخت اشیاء سه‌بعدی، صحنه‌ها و انیمیشن‌ها تولید می‌کنند.
مهم‌ترین بخش‌های این پروژه شامل موارد زیر است:
* 3DCodeVerse-2M: مجموعه‌ای شامل ۲ میلیون برنامه سه‌بعدی اجرایی به همراه سورس‌کد، دارایی‌های زمان اجرا و لاگ‌های تأیید.
* 3DCodeVerse Harness: یک فریم‌ورک چند‌ایجنت مبتنی بر نمودار وابستگی که کد را اجرا می‌کند، معیارهای فضایی و رندر را بررسی کرده و بدون دخالت انسان، خطاها را اصلاح می‌کند.
* یادداشت‌های فنی: تجربیات کاربردی استخراج‌شده از سری آزمایش‌های انجام‌شده روی مدل‌های کدنویس.
در ارزیابی‌های انسانی، خروجی این مدل در ۹۰ درصد موارد عملکرد بهتری نسبت به Claude Design در تولید اشیاء سه‌بعدی داشته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#3DCodeVerse #3DCodeVerse_2M
⚠️ کاهش هزینه حملات سایبری با استفاده از ایجنت‌های هوش مصنوعی
خبرگزاری رویترز گزارش داد که یک هکر با استفاده از ایجنت‌های هوش مصنوعی موفق به نفوذ به وب‌سایت بیش از ۱۰۰ شرکت از جمله Deere، SharkNinja و Cummins شده است. این فرد پیش از موفقیت، بیش از ۱۲۰۰ هدف را مورد حمله قرار داده بود.
هزینه نهایی این عملیات تنها ۵۰۰۰ دلار توکن هوش مصنوعی بوده که به معنای ۵۰ دلار برای هر نفوذ موفق است. زمان مورد نیاز برای هر نفوذ به‌طور میانگین حدود ۲۳ ساعت گزارش شده است.
این کمپین بر پایه فریم‌ورک متن‌باز Cairn پیاده‌سازی شده و از ترکیب مدل‌های DeepSeek و Claude Code استفاده کرده است. در یکی از عملیات‌ها، دستورالعمل‌های ارسالی به ایجنت‌ها کمتر از ۱۰۰ کاراکتر بوده است.
استفاده از ایجنت‌ها بخش‌های بزرگی از فرآیند هک را خودکار کرده و امکان اجرای حملات در مقیاسی را فراهم می‌کند که پیش‌تر نیازمند نیروی انسانی بسیار بیشتری بود. اسنور فگرلند، محقق NorForge در این باره گفته است که با شرایط جدیدی در امنیت سایبری روبرو هستیم.
خبرگزاری رویترز گزارش داد که یک هکر با استفاده از ایجنت‌های هوش مصنوعی موفق به نفوذ به وب‌سایت بیش از ۱۰۰ شرکت از جمله Deere، SharkNinja و Cummins شده است. این فرد پیش از موفقیت، بیش از ۱۲۰۰ هدف را مورد حمله قرار داده بود.
هزینه نهایی این عملیات تنها ۵۰۰۰ دلار توکن هوش مصنوعی بوده که به معنای ۵۰ دلار برای هر نفوذ موفق است. زمان مورد نیاز برای هر نفوذ به‌طور میانگین حدود ۲۳ ساعت گزارش شده است.
این کمپین بر پایه فریم‌ورک متن‌باز Cairn پیاده‌سازی شده و از ترکیب مدل‌های DeepSeek و Claude Code استفاده کرده است. در یکی از عملیات‌ها، دستورالعمل‌های ارسالی به ایجنت‌ها کمتر از ۱۰۰ کاراکتر بوده است.
استفاده از ایجنت‌ها بخش‌های بزرگی از فرآیند هک را خودکار کرده و امکان اجرای حملات در مقیاسی را فراهم می‌کند که پیش‌تر نیازمند نیروی انسانی بسیار بیشتری بود. اسنور فگرلند، محقق NorForge در این باره گفته است که با شرایط جدیدی در امنیت سایبری روبرو هستیم.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 تخصیص ۷۵ درصد توان پردازشی Anthropic به آموزش مدل‌های آینده
شرکت Anthropic در حال حاضر تنها ۲۵ درصد از منابع محاسباتی خود را به سرویس‌دهی به مشتریان فعلی اختصاص می‌دهد. بررسی‌ها نشان می‌دهد که ۷۵ درصد باقی‌مانده از توان پردازشی این شرکت صرف آموزش مدل‌های آتی، بهبودهای پس از آموزش و آزمایش‌های فنی می‌شود.
بر اساس ارقام منتشر شده، این شرکت با ۵ گیگاوات ظرفیت محاسباتی، حدود ۱۰۰ میلیون دلار درآمد سالانه به ازای هر گیگاوات تولید می‌کند. با این محاسبات، تنها ۱.۲۵ گیگاوات از توان عملیاتی فعلی به پردازش (Inference) برای کاربران اختصاص یافته است. همچنین Anthropic قصد دارد تا سال ۲۰۲۷، ۱۰.۵ گیگاوات دیگر به زیرساخت‌های محاسباتی خود اضافه کند که نشان‌دهنده برنامه‌ریزی برای گسترش جدی زیرساخت‌هاست.
#Anthropic #Inference
شرکت Anthropic در حال حاضر تنها ۲۵ درصد از منابع محاسباتی خود را به سرویس‌دهی به مشتریان فعلی اختصاص می‌دهد. بررسی‌ها نشان می‌دهد که ۷۵ درصد باقی‌مانده از توان پردازشی این شرکت صرف آموزش مدل‌های آتی، بهبودهای پس از آموزش و آزمایش‌های فنی می‌شود.
بر اساس ارقام منتشر شده، این شرکت با ۵ گیگاوات ظرفیت محاسباتی، حدود ۱۰۰ میلیون دلار درآمد سالانه به ازای هر گیگاوات تولید می‌کند. با این محاسبات، تنها ۱.۲۵ گیگاوات از توان عملیاتی فعلی به پردازش (Inference) برای کاربران اختصاص یافته است. همچنین Anthropic قصد دارد تا سال ۲۰۲۷، ۱۰.۵ گیگاوات دیگر به زیرساخت‌های محاسباتی خود اضافه کند که نشان‌دهنده برنامه‌ریزی برای گسترش جدی زیرساخت‌هاست.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Anthropic #Inference
🤖 توسعه مدل جدید Anthropic با توانایی درک نیات کاربر
نشریه The Information گزارش داد که شرکت Anthropic در حال آماده‌سازی مدل جدیدی است که عملکرد آن در استدلال و شهود از مدل‌های فعلی این شرکت فراتر می‌رود. این مدل که هنوز به‌صورت عمومی معرفی نشده، توسط گروهی از افراد داخلی آزمایش شده است.
ویژگی کلیدی این مدل، توانایی درک نیات ضمنی کاربر حتی در صورت ارائه دستورات کوتاه و ناقص است. در یک مثال عملی، اگر کاربر از مدل بخواهد یک باگ خاص را برطرف کند، سیستم به‌جای تغییر صرفِ کد، ریشه اصلی و کلاسِ کلی آن مشکل را شناسایی کرده و برای اصلاح ساختاری آن از کاربر کسب اجازه می‌کند.
بر اساس این گزارش، مدل مذکور در جست‌وجوی آسیب‌پذیری‌های امنیتی نیز توانمندتر از نسخه‌های فعلی ظاهر شده و احتمال دارد در همین ماه میلادی عرضه شود.
#Anthropic #Implicit_Intent
نشریه The Information گزارش داد که شرکت Anthropic در حال آماده‌سازی مدل جدیدی است که عملکرد آن در استدلال و شهود از مدل‌های فعلی این شرکت فراتر می‌رود. این مدل که هنوز به‌صورت عمومی معرفی نشده، توسط گروهی از افراد داخلی آزمایش شده است.
ویژگی کلیدی این مدل، توانایی درک نیات ضمنی کاربر حتی در صورت ارائه دستورات کوتاه و ناقص است. در یک مثال عملی، اگر کاربر از مدل بخواهد یک باگ خاص را برطرف کند، سیستم به‌جای تغییر صرفِ کد، ریشه اصلی و کلاسِ کلی آن مشکل را شناسایی کرده و برای اصلاح ساختاری آن از کاربر کسب اجازه می‌کند.
بر اساس این گزارش، مدل مذکور در جست‌وجوی آسیب‌پذیری‌های امنیتی نیز توانمندتر از نسخه‌های فعلی ظاهر شده و احتمال دارد در همین ماه میلادی عرضه شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Anthropic #Implicit_Intent
Media is too big
VIEW IN TELEGRAM
🚀 عرضه مدل Mercury 3 با معماری Diffusion
شرکت Inception مدل جدید Mercury 3 را معرفی کرد. این مدل برخلاف مدل‌های زبانی رایج که توکن‌ها را به‌صورت متوالی تولید می‌کنند، از فرآیند diffusion برای نوشتن کل پاسخ به‌صورت موازی استفاده می‌کند. در این روش، مدل با یک پیش‌نویس اولیه از کل متن شروع کرده و در چندین مرحله آن را اصلاح می‌کند.
این رویکرد باعث افزایش سرعت تولید متن شده است؛ به‌طوری که Mercury 3 به نرخ ۱۰۶۸ توکن بر ثانیه دست یافته است. طبق داده‌های منتشر شده توسط تیم سازنده، این مدل در ۸ بنچمارک از ۱۲ مورد، از جمله SWE-Bench Atlas (با امتیاز ۵۱.۰۸)، از رقبایی مثل GPT-6 Luna و Claude Haiku 5.5 پیشی گرفته است. البته در برخی بنچمارک‌ها مانند DeepSWE، مدل‌های دیگر همچنان نتایج بهتری دارند.
ویژگی‌های فنی این مدل شامل موارد زیر است:
* پشتیبانی از ۱ میلیون توکن در پنجره متنی
* سازگاری کامل با APIهای OpenAI
* هزینه استفاده از ۰.۱۰ دلار برای ورودی و ۰.۳۵ دلار برای خروجی به ازای هر ۱ میلیون توکن در زمان عرضه
جزئیات بیشتر را می‌توانید در مقاله تحلیلی، وبلاگ رسمی، مستندات و پلتفرم API مشاهده کنید.
شرکت Inception مدل جدید Mercury 3 را معرفی کرد. این مدل برخلاف مدل‌های زبانی رایج که توکن‌ها را به‌صورت متوالی تولید می‌کنند، از فرآیند diffusion برای نوشتن کل پاسخ به‌صورت موازی استفاده می‌کند. در این روش، مدل با یک پیش‌نویس اولیه از کل متن شروع کرده و در چندین مرحله آن را اصلاح می‌کند.
این رویکرد باعث افزایش سرعت تولید متن شده است؛ به‌طوری که Mercury 3 به نرخ ۱۰۶۸ توکن بر ثانیه دست یافته است. طبق داده‌های منتشر شده توسط تیم سازنده، این مدل در ۸ بنچمارک از ۱۲ مورد، از جمله SWE-Bench Atlas (با امتیاز ۵۱.۰۸)، از رقبایی مثل GPT-6 Luna و Claude Haiku 5.5 پیشی گرفته است. البته در برخی بنچمارک‌ها مانند DeepSWE، مدل‌های دیگر همچنان نتایج بهتری دارند.
ویژگی‌های فنی این مدل شامل موارد زیر است:
* پشتیبانی از ۱ میلیون توکن در پنجره متنی
* سازگاری کامل با APIهای OpenAI
* هزینه استفاده از ۰.۱۰ دلار برای ورودی و ۰.۳۵ دلار برای خروجی به ازای هر ۱ میلیون توکن در زمان عرضه
جزئیات بیشتر را می‌توانید در مقاله تحلیلی، وبلاگ رسمی، مستندات و پلتفرم API مشاهده کنید.
🚫 ممنوعیت استفاده از مدل‌های DeepSeek در نهادهای دولتی آمریکا
وزارت امنیت داخلی ایالات متحده در دستورالعمل جدیدی، استفاده از محصولات شرکت چینی DeepSeek را در تمامی سازمان‌های فدرال این کشور ممنوع کرد. طبق این ابلاغیه رسمی، تمام آژانس‌های دولتی موظف‌اند این مدل‌ها را از زیرساخت‌های IT خود حذف کرده و دسترسی به آن را به طور کامل قطع کنند.
دلایل اصلی این تصمیم شامل موارد زیر است:
- جلوگیری از انتقال احتمالی داده‌های کارمندان و پیمانکاران دولتی به دولت چین.
- کاهش ریسک وجود آسیب‌پذیری‌های امنیتی و کدهای مخرب احتمالی در مدل‌ها.
- ممنوعیت کامل مشارکت شرکت DeepSeek در تمامی قراردادهای دولتی آمریکا.
جزئیات بیشتر این حکم در سند رسمی منتشرشده توسط دولت آمریکا در دسترس است.
وزارت امنیت داخلی ایالات متحده در دستورالعمل جدیدی، استفاده از محصولات شرکت چینی DeepSeek را در تمامی سازمان‌های فدرال این کشور ممنوع کرد. طبق این ابلاغیه رسمی، تمام آژانس‌های دولتی موظف‌اند این مدل‌ها را از زیرساخت‌های IT خود حذف کرده و دسترسی به آن را به طور کامل قطع کنند.
دلایل اصلی این تصمیم شامل موارد زیر است:
- جلوگیری از انتقال احتمالی داده‌های کارمندان و پیمانکاران دولتی به دولت چین.
- کاهش ریسک وجود آسیب‌پذیری‌های امنیتی و کدهای مخرب احتمالی در مدل‌ها.
- ممنوعیت کامل مشارکت شرکت DeepSeek در تمامی قراردادهای دولتی آمریکا.
جزئیات بیشتر این حکم در سند رسمی منتشرشده توسط دولت آمریکا 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
🎥 معرفی VideoMaMa++ برای جداسازی ویدئویی
مدل VideoMaMa++ که در کنفرانس NeurIPS 2026 ارائه شده، یک چارچوب جدید برای Video Matting مبتنی بر ماسک است. این سیستم در بازیابی جزئیات دقیق، مانند تارهای مو، عملکرد بالایی دارد و برای پردازش ویدئوهای طولانی بهینه‌سازی شده است.
منابع برای بررسی فنی:
- متن کامل مقاله
- صفحه پروژه
- بررسی و تحلیل
#VideoMaMa_PlusPlus #Video_Matting
مدل VideoMaMa++ که در کنفرانس NeurIPS 2026 ارائه شده، یک چارچوب جدید برای Video Matting مبتنی بر ماسک است. این سیستم در بازیابی جزئیات دقیق، مانند تارهای مو، عملکرد بالایی دارد و برای پردازش ویدئوهای طولانی بهینه‌سازی شده است.
منابع برای بررسی فنی:
- متن کامل مقاله
- صفحه پروژه
- بررسی و تحلیل
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#VideoMaMa_PlusPlus #Video_Matting
🚀 انتشار موتور DeepInfer توسط DeepSeek
تیم DeepSeek کد منبع موتور اختصاصی خود برای اجرای مدل‌های هوش مصنوعی با نام DeepInfer را با مجوز Apache 2.0 منتشر کرد. این موتور در حال حاضر برای اجرای مدل DeepSeek-V4.1-Flash استفاده می‌شود و تمرکز آن بر افزایش کارایی در عملیات استنتاج (Inference) است.
مهم‌ترین ویژگی‌های این موتور عبارتند از:
- افزایش تعداد درخواست‌های پردازش‌شده در واحد زمان.
- مدیریت بهینه منابع GPU برای کاهش هزینه‌های محاسباتی.
- امکان پردازش موازی جهت حفظ توان عملیاتی بالا در بارهای کاری سنگین.
- کاهش میزان منابع مورد نیاز برای تولید پاسخ در هر مرحله.
طبق داده‌های فنی منتشرشده برای مدل DeepSeek V4.1 Flash با طول کانتکست 131,072، عملکرد موتور در بخش Prefill نشان می‌دهد که با افزایش سایز دسته پردازشی (Batch Size) از 4,096 تا 65,536 توکن، توان عملیاتی به حدود 90,000 توکن بر ثانیه در هر GPU می‌رسد. این موتور اکنون برای استفاده در پروژه‌های شخصی و تجاری در دسترس توسعه‌دهندگان قرار گرفته است.
تیم DeepSeek کد منبع موتور اختصاصی خود برای اجرای مدل‌های هوش مصنوعی با نام DeepInfer را با مجوز Apache 2.0 منتشر کرد. این موتور در حال حاضر برای اجرای مدل DeepSeek-V4.1-Flash استفاده می‌شود و تمرکز آن بر افزایش کارایی در عملیات استنتاج (Inference) است.
مهم‌ترین ویژگی‌های این موتور عبارتند از:
- افزایش تعداد درخواست‌های پردازش‌شده در واحد زمان.
- مدیریت بهینه منابع GPU برای کاهش هزینه‌های محاسباتی.
- امکان پردازش موازی جهت حفظ توان عملیاتی بالا در بارهای کاری سنگین.
- کاهش میزان منابع مورد نیاز برای تولید پاسخ در هر مرحله.
طبق داده‌های فنی منتشرشده برای مدل DeepSeek V4.1 Flash با طول کانتکست 131,072، عملکرد موتور در بخش Prefill نشان می‌دهد که با افزایش سایز دسته پردازشی (Batch Size) از 4,096 تا 65,536 توکن، توان عملیاتی به حدود 90,000 توکن بر ثانیه در هر GPU می‌رسد. این موتور اکنون برای استفاده در پروژه‌های شخصی و تجاری در دسترس توسعه‌دهندگان قرار گرفته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🦂 طراحی پروتئین توسط Claude برای مقابله با سم عقرب
شرکت Anthropic در آزمایشی جهت ساخت پادتن، از هوش مصنوعی Claude برای طراحی پروتئین‌های متصل‌شونده به سموم خطرناک عقرب استفاده کرد. نتایج این آزمایش در آزمایشگاه‌های مستقل نیز بررسی و تأیید شده است.
نتایج آزمایش:
- ۲۱۱ طرح برای آزمون‌های آزمایشگاهی انتخاب شدند.
- ۱۷ پروتئین با موفقیت به سموم هدف متصل شدند.
- دو پروتئین برتر بیشترین قدرت اتصال را نشان دادند.
پژوهشگران Anthropic تمام ۲۱۱ ساختار طراحی‌شده و نتایج آزمون‌های آزمایشگاهی را به‌صورت عمومی منتشر کرده‌اند.
#Claude #طراحی_پروتئین
شرکت Anthropic در آزمایشی جهت ساخت پادتن، از هوش مصنوعی Claude برای طراحی پروتئین‌های متصل‌شونده به سموم خطرناک عقرب استفاده کرد. نتایج این آزمایش در آزمایشگاه‌های مستقل نیز بررسی و تأیید شده است.
نتایج آزمایش:
- ۲۱۱ طرح برای آزمون‌های آزمایشگاهی انتخاب شدند.
- ۱۷ پروتئین با موفقیت به سموم هدف متصل شدند.
- دو پروتئین برتر بیشترین قدرت اتصال را نشان دادند.
پژوهشگران Anthropic تمام ۲۱۱ ساختار طراحی‌شده و نتایج آزمون‌های آزمایشگاهی را به‌صورت عمومی منتشر کرده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude #طراحی_پروتئین
🌐 سه سناریوی سم آلتمن برای آینده هوش مصنوعی
سم آلتمن در گفت‌وگو با کارکنان OpenAI، سه سناریوی احتمالی برای پایان رقابت بر سر دستیابی به هوش مصنوعی سطح بالا (ASI) ترسیم کرده است:
• تشکیل یک نهاد نظارتی بین‌المللی مشابه آژانس بین‌المللی انرژی اتمی (IAEA) برای مدیریت استانداردهای ایمنی.
• ایجاد سازمانی علمی مشابه سرن (CERN) که در آن آزمایشگاه‌های بزرگ هوش مصنوعی فعالیت‌های خود را تجمیع کنند.
• برتری مطلق یک شرکت خاص در دستیابی به مدل‌های خوداصلاح‌گر که با کسب قدرت اقتصادی عظیم، دسترسی سایر رقبا به توان پردازشی و GPUها را قطع می‌کند.
آلتمن سناریوی سوم را «وحشتناک» توصیف کرده و تأکید داشته که تنها برای کامل‌شدن بررسی‌ها آن را مطرح کرده است. با این حال، گزارش‌ها حاکی از آن است که او به تیم خود هشدار داده OpenAI نمی‌تواند از رقبا عقب بماند؛ وضعیتی که عملاً سازمان را در موقعیت تعقیب همان سناریویی قرار می‌دهد که آن را نامطلوب می‌داند.
#OpenAI #سواینتلیجنت
سم آلتمن در گفت‌وگو با کارکنان OpenAI، سه سناریوی احتمالی برای پایان رقابت بر سر دستیابی به هوش مصنوعی سطح بالا (ASI) ترسیم کرده است:
• تشکیل یک نهاد نظارتی بین‌المللی مشابه آژانس بین‌المللی انرژی اتمی (IAEA) برای مدیریت استانداردهای ایمنی.
• ایجاد سازمانی علمی مشابه سرن (CERN) که در آن آزمایشگاه‌های بزرگ هوش مصنوعی فعالیت‌های خود را تجمیع کنند.
• برتری مطلق یک شرکت خاص در دستیابی به مدل‌های خوداصلاح‌گر که با کسب قدرت اقتصادی عظیم، دسترسی سایر رقبا به توان پردازشی و GPUها را قطع می‌کند.
آلتمن سناریوی سوم را «وحشتناک» توصیف کرده و تأکید داشته که تنها برای کامل‌شدن بررسی‌ها آن را مطرح کرده است. با این حال، گزارش‌ها حاکی از آن است که او به تیم خود هشدار داده OpenAI نمی‌تواند از رقبا عقب بماند؛ وضعیتی که عملاً سازمان را در موقعیت تعقیب همان سناریویی قرار می‌دهد که آن را نامطلوب می‌داند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#OpenAI #سواینتلیجنت
🚀 معرفی موتور استنتاج SonicBoom با C++ و CUDA
شرکت HardenedVault ابزار SonicBoom را برای اجرای محلی مدل‌های زبانی روی کارت‌های گرافیک مصرفی منتشر کرده است. این موتور کاملاً با C++ و CUDA نوشته شده و برخلاف بسیاری از ابزارهای مشابه، هیچ وابستگی به پایتون ندارد.
نحوه عملکرد و ویژگی‌های این پروژه:
* مدل‌های با فرمت GGUF را پشتیبانی کرده و با API استانداردهای OpenAI سازگار است.
* با بازنویسی گراف مدل و استفاده از CUDA Graph، عملیات‌های مجاور را ادغام کرده و دستورات را بهینه‌سازی می‌کند.
* از کامپایلر مبتنی بر MLIR برای تولید هسته‌های اختصاصی GPU و انتخاب سریع‌ترین پیکربندی برای کارت گرافیک استفاده می‌کند.
* پیاده‌سازی اصلی آن در حال حاضر از طریق زبان Scheme انجام می‌شود.
طبق بنچمارک‌های اولیه روی RTX 3050، این موتور در اجرای مدل‌هایی مانند Gemma و Qwen سرعت بالاتری نسبت به llama.cpp ثبت کرده است. در حال حاضر تنظیمات تصادفی و پارامترهایی مثل دما در این نسخه پشتیبانی نمی‌شوند و تمرکز توسعه‌دهندگان بر گسترش پشتیبانی از مدل‌های Llama، Mistral و اجرای مبتنی بر Vulkan است.
🇮🇷 سایت | تلگرام
شرکت HardenedVault ابزار SonicBoom را برای اجرای محلی مدل‌های زبانی روی کارت‌های گرافیک مصرفی منتشر کرده است. این موتور کاملاً با C++ و CUDA نوشته شده و برخلاف بسیاری از ابزارهای مشابه، هیچ وابستگی به پایتون ندارد.
نحوه عملکرد و ویژگی‌های این پروژه:
* مدل‌های با فرمت GGUF را پشتیبانی کرده و با API استانداردهای OpenAI سازگار است.
* با بازنویسی گراف مدل و استفاده از CUDA Graph، عملیات‌های مجاور را ادغام کرده و دستورات را بهینه‌سازی می‌کند.
* از کامپایلر مبتنی بر MLIR برای تولید هسته‌های اختصاصی GPU و انتخاب سریع‌ترین پیکربندی برای کارت گرافیک استفاده می‌کند.
* پیاده‌سازی اصلی آن در حال حاضر از طریق زبان Scheme انجام می‌شود.
طبق بنچمارک‌های اولیه روی RTX 3050، این موتور در اجرای مدل‌هایی مانند Gemma و Qwen سرعت بالاتری نسبت به llama.cpp ثبت کرده است. در حال حاضر تنظیمات تصادفی و پارامترهایی مثل دما در این نسخه پشتیبانی نمی‌شوند و تمرکز توسعه‌دهندگان بر گسترش پشتیبانی از مدل‌های Llama، Mistral و اجرای مبتنی بر Vulkan است.
🇮🇷 سایت | تلگرام