🇺🇸 محدودیت جدید خزانه‌داری آمریکا برای سرمایه‌گذاری در حوزه هوش مصنوعی
وزارت خزانه‌داری آمریکا پیشنهاد جدیدی ارائه کرده که سرمایه‌گذاری شهروندان و شرکت‌های آمریکایی در پروژه‌های هوش مصنوعی چین را به طور کامل ممنوع می‌کند. طبق قوانین فعلی، سرمایه‌گذاری در مدل‌های کوچک‌تر هوش مصنوعی با شرط گزارش‌دهی امکان‌پذیر است، اما پیشنهاد جدید این دسترسی را حذف می‌کند.
این محدودیت‌های سرمایه‌گذاری علاوه بر هوش مصنوعی، شامل حوزه‌های زیر نیز می‌شود:
* تراشه‌های پیشرفته شامل حافظه‌های پرسرعت (HBM)، تراشه‌های فوتونیک و تراشه‌های مقاوم در برابر تشعشع
* سیستم‌های تسلیحاتی هایپرسونیک
* بیوتکنولوژی شامل واسط‌های مغز و رایانه (BCI) و نرم‌افزارهای خودکار آزمایشگاهی
علاوه بر چین، کشورهای روسیه، ایران، کره شمالی و کوبا نیز به دامنه جغرافیایی این ممنوعیت‌ها اضافه شده‌اند. خرید سهام در بازار عمومی، صندوق‌های شاخصی و سرمایه‌گذاری‌های کوچک تا سقف ۲ میلیون دلار همچنان مجاز باقی می‌ماند و این مقررات بیشتر سرمایه‌گذاری‌های خطرپذیر (VC) و سهام خصوصی (Private Equity) را هدف قرار می‌دهد.
🇮🇷 سایت | تلگرام
وزارت خزانه‌داری آمریکا پیشنهاد جدیدی ارائه کرده که سرمایه‌گذاری شهروندان و شرکت‌های آمریکایی در پروژه‌های هوش مصنوعی چین را به طور کامل ممنوع می‌کند. طبق قوانین فعلی، سرمایه‌گذاری در مدل‌های کوچک‌تر هوش مصنوعی با شرط گزارش‌دهی امکان‌پذیر است، اما پیشنهاد جدید این دسترسی را حذف می‌کند.
این محدودیت‌های سرمایه‌گذاری علاوه بر هوش مصنوعی، شامل حوزه‌های زیر نیز می‌شود:
* تراشه‌های پیشرفته شامل حافظه‌های پرسرعت (HBM)، تراشه‌های فوتونیک و تراشه‌های مقاوم در برابر تشعشع
* سیستم‌های تسلیحاتی هایپرسونیک
* بیوتکنولوژی شامل واسط‌های مغز و رایانه (BCI) و نرم‌افزارهای خودکار آزمایشگاهی
علاوه بر چین، کشورهای روسیه، ایران، کره شمالی و کوبا نیز به دامنه جغرافیایی این ممنوعیت‌ها اضافه شده‌اند. خرید سهام در بازار عمومی، صندوق‌های شاخصی و سرمایه‌گذاری‌های کوچک تا سقف ۲ میلیون دلار همچنان مجاز باقی می‌ماند و این مقررات بیشتر سرمایه‌گذاری‌های خطرپذیر (VC) و سهام خصوصی (Private Equity) را هدف قرار می‌دهد.
🇮🇷 سایت | تلگرام
🛡 ابزار NVIDIA برای اسکن امنیتی Skillهای هوش مصنوعی
محققان با بررسی بیش از ۳۱ هزار اسکن برای ایجنت‌های هوش مصنوعی دریافتند که ۲۶ درصد آن‌ها دارای آسیب‌پذیری و بیش از ۵ درصد عملاً مخرب هستند. انویدیا برای مقابله با این تهدیدها، ابزار متن‌باز SkillSpector را منتشر کرده است.
این ابزار با شناسایی ۷۱ الگوی حمله در ۱۷ دسته‌بندی مختلف، ریسک هر Skill را با عددی بین ۰ تا ۱۰۰ ارزیابی می‌کند. مهم‌ترین موارد شناسایی‌شده توسط این ابزار عبارتند از:
* حملات Prompt Injection
* سرقت داده‌ها
* افزایش غیرمجاز سطح دسترسی
* ابزارهای آلوده MCP
SkillSpector امکان بررسی مخازن گیت‌هاب، فایل‌های فشرده یا دایرکتوری‌های محلی را فراهم می‌کند. این ابزار از دو حالت «سریع» (بدون هوش مصنوعی) و «بررسی عمیق» (با کمک مدل‌های زبانی) پشتیبانی کرده و با ابزارهایی مانند Claude Code، Codex و Gemini CLI سازگار است.
🔗 راهنما و نمونه‌کد در سایت
محققان با بررسی بیش از ۳۱ هزار اسکن برای ایجنت‌های هوش مصنوعی دریافتند که ۲۶ درصد آن‌ها دارای آسیب‌پذیری و بیش از ۵ درصد عملاً مخرب هستند. انویدیا برای مقابله با این تهدیدها، ابزار متن‌باز SkillSpector را منتشر کرده است.
این ابزار با شناسایی ۷۱ الگوی حمله در ۱۷ دسته‌بندی مختلف، ریسک هر Skill را با عددی بین ۰ تا ۱۰۰ ارزیابی می‌کند. مهم‌ترین موارد شناسایی‌شده توسط این ابزار عبارتند از:
* حملات Prompt Injection
* سرقت داده‌ها
* افزایش غیرمجاز سطح دسترسی
* ابزارهای آلوده MCP
SkillSpector امکان بررسی مخازن گیت‌هاب، فایل‌های فشرده یا دایرکتوری‌های محلی را فراهم می‌کند. این ابزار از دو حالت «سریع» (بدون هوش مصنوعی) و «بررسی عمیق» (با کمک مدل‌های زبانی) پشتیبانی کرده و با ابزارهایی مانند Claude Code، Codex و Gemini CLI سازگار است.
🔗 راهنما و نمونه‌کد در سایت
❤1
ارتباط ایجنت‌های هوش مصنوعی در محیط‌های ایزوله
OpenAI در آزمایش‌های اخیر خود نشان داده است که ایجنت‌های هوش مصنوعی می‌توانند بدون نیاز به اتصال شبکه یا فایل‌های مشترک، با یکدیگر ارتباط برقرار کنند. این تحقیق ثابت می‌کند که جداسازی نرم‌افزاری و ایزوله کردن محیط‌های اجرا، لزوماً به معنای عدم انتقال اطلاعات بین مدل‌ها نیست.
در این آزمایش، ایجنت‌هایی که در محیط‌های
* استفاده از کش پردازنده (Cache-timing): ایجنت‌ها با مدیریتِ خارج کردن داده‌ها از کش، تفاوت در سرعت خواندن (سریع و کند) ایجاد کردند تا داده‌ها را به شکل بیت‌های اطلاعاتی کدگذاری کنند.
* بار پردازشی CPU: بهره‌برداری از نوسانات در میزان استفاده از پردازنده برای ارسال سیگنال.
* کش گواهی‌نامه‌های TLS: استفاده از تغییرات در وضعیت حافظه پنهان مرتبط با گواهی‌نامه‌ها برای برقراری ارتباط.
🔗 ادامه مطلب در سایت
OpenAI در آزمایش‌های اخیر خود نشان داده است که ایجنت‌های هوش مصنوعی می‌توانند بدون نیاز به اتصال شبکه یا فایل‌های مشترک، با یکدیگر ارتباط برقرار کنند. این تحقیق ثابت می‌کند که جداسازی نرم‌افزاری و ایزوله کردن محیط‌های اجرا، لزوماً به معنای عدم انتقال اطلاعات بین مدل‌ها نیست.
در این آزمایش، ایجنت‌هایی که در محیط‌های
microVM جداگانه قرار داشتند، موفق شدند با استفاده از اثرات جانبی سخت‌افزاری، پیام‌های خود را مبادله کنند. مهم‌ترین روش‌های شناسایی‌شده در این باره عبارتند از:* استفاده از کش پردازنده (Cache-timing): ایجنت‌ها با مدیریتِ خارج کردن داده‌ها از کش، تفاوت در سرعت خواندن (سریع و کند) ایجاد کردند تا داده‌ها را به شکل بیت‌های اطلاعاتی کدگذاری کنند.
* بار پردازشی CPU: بهره‌برداری از نوسانات در میزان استفاده از پردازنده برای ارسال سیگنال.
* کش گواهی‌نامه‌های TLS: استفاده از تغییرات در وضعیت حافظه پنهان مرتبط با گواهی‌نامه‌ها برای برقراری ارتباط.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
❤1
هوش مصنوعی و علم داده به فارسی
🤖 انتشار مدل زبانی Kimi K3.1 Pro مدل Kimi K3.1 Pro به‌تازگی معرفی شد. وزن‌های این مدل قرار است از تاریخ ۴ نوامبر منتشر شود، اما در حال حاضر از طریق پلتفرم رسمی در دسترس است. قیمت استفاده از API این مدل نسبت به نسخه K3 کاهش یافته، هرچند نسخه Highspeed آن…
🤖 جزئیات امنیتی در مدل‌های جدید Moonshot
شرکت Moonshot در انتشار نسخه جدید مدل‌های خود اعلام کرده که برای آموزش نسخه‌های متن‌باز، تمامی داده‌های مرتبط با «امنیت سایبری» را از مراحل SFT و RL حذف کرده است. هدف از این اقدام، کاهش ریسک استفاده از مدل برای اهداف مخرب اعلام شده است.
با این حال، داده‌های بنچمارک داخلی
جدول ارزیابی مدل‌ها بر اساس معیارهای موفقیت (pass@3):
GPT-5.6 Sol: موفقیت ۷۷.۸ درصد
* Kimi (بدون حذف ریسک سایبری): موفقیت ۷۱.۴ درصد
* Kimi K3.1 Pro: موفقیت ۶۴.۵ درصد
* DeepSeek-V4.1-Flash: موفقیت ۵۷.۱ درصد
* GLM-5.3: موفقیت ۳۴.۹ درصد
*نکته: مدل GPT-5.6 Sol توسط شخص ثالث ارزیابی شده است.
شواهد نشان می‌دهد که حذف داده‌های خاص از آموزش، تنها راهکار محدودی برای کنترل امنیت است و توانایی مدل‌ها در شناسایی و اجرای آسیب‌پذیری‌ها همچنان با سرعت بالایی در حال رشد است.
🔗 راهنمای کامل در سایت
🇮🇷 سایت | تلگرام
شرکت Moonshot در انتشار نسخه جدید مدل‌های خود اعلام کرده که برای آموزش نسخه‌های متن‌باز، تمامی داده‌های مرتبط با «امنیت سایبری» را از مراحل SFT و RL حذف کرده است. هدف از این اقدام، کاهش ریسک استفاده از مدل برای اهداف مخرب اعلام شده است.
با این حال، داده‌های بنچمارک داخلی
xdev-bench-hard نشان می‌دهد که مدل Kimi K3.1 Pro حتی پس از این حذف داده، عملکرد بهتری نسبت به نسخه‌های قبلی و برخی مدل‌های دیگر در زمینه ایجاد اکسپلویت دارد.جدول ارزیابی مدل‌ها بر اساس معیارهای موفقیت (pass@3):
GPT-5.6 Sol: موفقیت ۷۷.۸ درصد
* Kimi (بدون حذف ریسک سایبری): موفقیت ۷۱.۴ درصد
* Kimi K3.1 Pro: موفقیت ۶۴.۵ درصد
* DeepSeek-V4.1-Flash: موفقیت ۵۷.۱ درصد
* GLM-5.3: موفقیت ۳۴.۹ درصد
*نکته: مدل GPT-5.6 Sol توسط شخص ثالث ارزیابی شده است.
شواهد نشان می‌دهد که حذف داده‌های خاص از آموزش، تنها راهکار محدودی برای کنترل امنیت است و توانایی مدل‌ها در شناسایی و اجرای آسیب‌پذیری‌ها همچنان با سرعت بالایی در حال رشد است.
🔗 راهنمای کامل در سایت
🇮🇷 سایت | تلگرام
📊 وضعیت مالی Anthropic در آستانه IPO
در آستانه عرضه عمومی سهام (IPO) شرکت Anthropic، دو گزارش مالی درباره هزینه‌ها و زیان‌های این شرکت منتشر شده که نیاز به بررسی دقیق‌تر دارند.
مورد اول به تعهدات هزینه‌ای این شرکت برای تامین توان پردازشی مربوط می‌شود. در حالی که خبرهایی مبنی بر تعهد ۵۱۸ میلیارد دلاری Anthropic برای خرید زیرساخت‌های محاسباتی منتشر شده، باید توجه داشت که این مبلغ مربوط به یک بازه ۱۰ ساله است و قراردادهای آن در بازه‌های ۵ تا ۷ ساله توزیع شده‌اند. با در نظر گرفتن نرخ درآمد سالانه فعلی شرکت و نقدینگی موجود، تامین این هزینه‌ها برای Anthropic طبق تحلیل‌های Rittenhouse Research چالش غیرممکنی به نظر نمی‌رسد.
مورد دوم درباره زیان خالص ۸۰ میلیارد دلاری شرکت در نیمه اول سال ۲۰۲۶ است که واکنش‌های منفی بسیاری را در پی داشت. با این حال، گزارش رویترز نشان می‌دهد که بخش بزرگی از این رقم، معادل ۷۲ میلیارد دلار، نه هزینه‌های عملیاتی یا توسعه مدل، بلکه ناشی از «تعدیلات حسابداری» در ارزش اوراق قرضه قابل تبدیل به سهام است.
🔗 جزئیات خبر در سایت
🇮🇷 سایت | تلگرام
در آستانه عرضه عمومی سهام (IPO) شرکت Anthropic، دو گزارش مالی درباره هزینه‌ها و زیان‌های این شرکت منتشر شده که نیاز به بررسی دقیق‌تر دارند.
مورد اول به تعهدات هزینه‌ای این شرکت برای تامین توان پردازشی مربوط می‌شود. در حالی که خبرهایی مبنی بر تعهد ۵۱۸ میلیارد دلاری Anthropic برای خرید زیرساخت‌های محاسباتی منتشر شده، باید توجه داشت که این مبلغ مربوط به یک بازه ۱۰ ساله است و قراردادهای آن در بازه‌های ۵ تا ۷ ساله توزیع شده‌اند. با در نظر گرفتن نرخ درآمد سالانه فعلی شرکت و نقدینگی موجود، تامین این هزینه‌ها برای Anthropic طبق تحلیل‌های Rittenhouse Research چالش غیرممکنی به نظر نمی‌رسد.
مورد دوم درباره زیان خالص ۸۰ میلیارد دلاری شرکت در نیمه اول سال ۲۰۲۶ است که واکنش‌های منفی بسیاری را در پی داشت. با این حال، گزارش رویترز نشان می‌دهد که بخش بزرگی از این رقم، معادل ۷۲ میلیارد دلار، نه هزینه‌های عملیاتی یا توسعه مدل، بلکه ناشی از «تعدیلات حسابداری» در ارزش اوراق قرضه قابل تبدیل به سهام است.
🔗 جزئیات خبر در سایت
🇮🇷 سایت | تلگرام
💾 توسعه سیستم ذخیره‌سازی در مقیاس اگزابایت توسط OpenAI
شرکت OpenAI به دلیل محدودیت‌های فیزیکی در مراکز داده، در حال ساخت یک سیستم ذخیره‌سازی اختصاصی برای پاسخگویی به رشد کاربران خود است. زیرساخت فعلی این شرکت با نام Habitat، هم‌اکنون ۵۰۰ پتابایت داده را در ۴۰ منطقه مدیریت می‌کند و روزانه به بیش از یک میلیارد کاربر خدمات می‌دهد.
مدیران این پروژه با چالش مدیریت محدودیت‌های فضا، برق و سیستم‌های سرمایشی روبرو هستند. آن‌ها باید بین ذخیره داده‌ها در نزدیکی کاربران برای کاهش تأخیر یا اختصاص این منابع به اجرای مدل‌های هوش مصنوعی، یکی را انتخاب کنند.
سیستم جدید با هدف کاهش نیاز به فضای ذخیره‌سازی فلش طراحی شده و از ترکیب موارد زیر بهره می‌برد:
* RocksDB Cloud متعلق به سرویس Rockset
* هم‌شبیه‌سازی بر پایه پروتکل Raft
این راهکار با فدا کردن بخشی از توان عملیاتی در لحظه، امکان مقیاس‌پذیری زیرساخت را برای حجم عظیم‌تر داده فراهم می‌کند.
🔗 ادامه مطلب در سایت
#Habitat #RocksDB_Cloud
شرکت OpenAI به دلیل محدودیت‌های فیزیکی در مراکز داده، در حال ساخت یک سیستم ذخیره‌سازی اختصاصی برای پاسخگویی به رشد کاربران خود است. زیرساخت فعلی این شرکت با نام Habitat، هم‌اکنون ۵۰۰ پتابایت داده را در ۴۰ منطقه مدیریت می‌کند و روزانه به بیش از یک میلیارد کاربر خدمات می‌دهد.
مدیران این پروژه با چالش مدیریت محدودیت‌های فضا، برق و سیستم‌های سرمایشی روبرو هستند. آن‌ها باید بین ذخیره داده‌ها در نزدیکی کاربران برای کاهش تأخیر یا اختصاص این منابع به اجرای مدل‌های هوش مصنوعی، یکی را انتخاب کنند.
سیستم جدید با هدف کاهش نیاز به فضای ذخیره‌سازی فلش طراحی شده و از ترکیب موارد زیر بهره می‌برد:
* RocksDB Cloud متعلق به سرویس Rockset
* هم‌شبیه‌سازی بر پایه پروتکل Raft
این راهکار با فدا کردن بخشی از توان عملیاتی در لحظه، امکان مقیاس‌پذیری زیرساخت را برای حجم عظیم‌تر داده فراهم می‌کند.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Habitat #RocksDB_Cloud
🎮 اتصال Claude Code به Unreal Engine از طریق MCP
شرکت Epic Games یک پلاگین رسمی منتشر کرده است که امکان اتصال Claude Code را به محیط Unreal Editor فراهم می‌کند. این ابزار از پروتکل MCP برای تعامل با محیط موتور بازی‌سازی بهره می‌برد.
با استفاده از این پلاگین، مدل هوش مصنوعی به بیش از ۳۰ مجموعه ابزار دسترسی پیدا می‌کند تا عملیات زیر را در پروژه انجام دهد:
* جای‌گذاری و چیدمان آبجکت‌ها در صحنه
* ساخت و ویرایش Blueprint
* مدیریت متریال‌ها، نورپردازی و افکت‌های Niagara
* تنظیمات مربوط به انیمیشن
* اجرای تست‌های پروژه در ویرایشگر
این پلاگین با مجوز MIT به صورت رایگان در دسترس است. برای استفاده از آن به Unreal Engine 5.8 نیاز دارید که در حال حاضر از MCP به صورت آزمایشی پشتیبانی می‌کند. توجه داشته باشید که با وجود قابلیت‌های این عامل، بررسی نهایی تغییرات ایجاد شده در صحنه همچنان بر عهده کاربر است.
🔗 ادامه مطلب در سایت
#Claude_Code #Unreal_Engine
شرکت Epic Games یک پلاگین رسمی منتشر کرده است که امکان اتصال Claude Code را به محیط Unreal Editor فراهم می‌کند. این ابزار از پروتکل MCP برای تعامل با محیط موتور بازی‌سازی بهره می‌برد.
با استفاده از این پلاگین، مدل هوش مصنوعی به بیش از ۳۰ مجموعه ابزار دسترسی پیدا می‌کند تا عملیات زیر را در پروژه انجام دهد:
* جای‌گذاری و چیدمان آبجکت‌ها در صحنه
* ساخت و ویرایش Blueprint
* مدیریت متریال‌ها، نورپردازی و افکت‌های Niagara
* تنظیمات مربوط به انیمیشن
* اجرای تست‌های پروژه در ویرایشگر
این پلاگین با مجوز MIT به صورت رایگان در دسترس است. برای استفاده از آن به Unreal Engine 5.8 نیاز دارید که در حال حاضر از MCP به صورت آزمایشی پشتیبانی می‌کند. توجه داشته باشید که با وجود قابلیت‌های این عامل، بررسی نهایی تغییرات ایجاد شده در صحنه همچنان بر عهده کاربر است.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude_Code #Unreal_Engine
📉 کاهش اعتماد مدل‌های هوش مصنوعی به انسان با افزایش توانمندی
پژوهشگران در یک مطالعه جدید، با استفاده از آزمون‌های روان‌شناختی کلاسیک، نحوه نگرش مدل‌های زبانی بزرگ به ماهیت انسان را بررسی کردند. نتایج این تحقیق نشان می‌دهد که با افزایش هوش و توانمندی مدل‌ها، نگاه آن‌ها به انسان بدبینانه‌تر می‌شود.
مدل‌های بررسی‌شده در این پژوهش، از جمله سری کامل GPT، انسان‌ها را موجوداتی غیرقابل پیش‌بینی، پیچیده و غیرقابل‌اعتماد ارزیابی می‌کنند.
مهم‌ترین یافته‌های این مطالعه عبارتند از:
• مدل‌های پایه (Base Models) که عمدتاً روی متن‌های اینترنتی آموزش دیده‌اند، دیدگاه مثبت‌تری نسبت به انسان دارند.
• پس از آموزش‌های تکمیلی برای همسوسازی (Alignment) و افزایش ایمنی، مدل‌ها به‌طور چشمگیری اعتماد کمتری به انسان نشان می‌دهند.
• این بدبینی احتمالاً ناشی از ماهیت آموزش‌های ایمنی است که در آن‌ها، رفتار انسان بیشتر با ریسک، ابهام و رفتارهای مخرب مرتبط می‌شود.
#GPT #Alignment
پژوهشگران در یک مطالعه جدید، با استفاده از آزمون‌های روان‌شناختی کلاسیک، نحوه نگرش مدل‌های زبانی بزرگ به ماهیت انسان را بررسی کردند. نتایج این تحقیق نشان می‌دهد که با افزایش هوش و توانمندی مدل‌ها، نگاه آن‌ها به انسان بدبینانه‌تر می‌شود.
مدل‌های بررسی‌شده در این پژوهش، از جمله سری کامل GPT، انسان‌ها را موجوداتی غیرقابل پیش‌بینی، پیچیده و غیرقابل‌اعتماد ارزیابی می‌کنند.
مهم‌ترین یافته‌های این مطالعه عبارتند از:
• مدل‌های پایه (Base Models) که عمدتاً روی متن‌های اینترنتی آموزش دیده‌اند، دیدگاه مثبت‌تری نسبت به انسان دارند.
• پس از آموزش‌های تکمیلی برای همسوسازی (Alignment) و افزایش ایمنی، مدل‌ها به‌طور چشمگیری اعتماد کمتری به انسان نشان می‌دهند.
• این بدبینی احتمالاً ناشی از ماهیت آموزش‌های ایمنی است که در آن‌ها، رفتار انسان بیشتر با ریسک، ابهام و رفتارهای مخرب مرتبط می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#GPT #Alignment
📊 رتبه‌بندی مدل‌های تولید ویدیو در Artificial Analysis
مدل HeyGen Video در جدیدترین ارزیابی سایت Artificial Analysis موفق شد با کسب امتیاز ۱۱۴۵ در صدر رده‌بندی تولید ویدیو از متن (بدون صدا) قرار بگیرد. این مدل که بر پایه معماری MiniMax H3 توسعه یافته، با اختلاف کمی بالاتر از مدل Wan 3.0 با امتیاز ۱۱۳۵ قرار دارد.
مهم‌ترین مدل‌های این لیست بر اساس امتیاز Elo عبارتند از:
* HeyGen Video (ultraquality): ۱۱۴۵
* Wan 3.0: ۱۱۳۵
* MiniMax H3 (768p): ۱۱۲۱
* MiniMax H3 Max: ۱۱۱۹
* Dreamina Seedance 2.5: ۱۱۰۵
این نتایج حاصل بررسی‌های کور (Blind Preference Votes) در پلتفرم Video Arena است که عملکرد مدل‌ها را در خروجی‌های متنی به ویدیویی مقایسه می‌کند. سایر مدل‌های مطرح نظیر FLUX 3، Gemini Omni Flash 1.1 و Kling 3.0 در رده‌های بعدی این لیست قرار دارند.
🔗 ادامه مطلب در سایت
#HeyGen_Video #MiniMax_H3
مدل HeyGen Video در جدیدترین ارزیابی سایت Artificial Analysis موفق شد با کسب امتیاز ۱۱۴۵ در صدر رده‌بندی تولید ویدیو از متن (بدون صدا) قرار بگیرد. این مدل که بر پایه معماری MiniMax H3 توسعه یافته، با اختلاف کمی بالاتر از مدل Wan 3.0 با امتیاز ۱۱۳۵ قرار دارد.
مهم‌ترین مدل‌های این لیست بر اساس امتیاز Elo عبارتند از:
* HeyGen Video (ultraquality): ۱۱۴۵
* Wan 3.0: ۱۱۳۵
* MiniMax H3 (768p): ۱۱۲۱
* MiniMax H3 Max: ۱۱۱۹
* Dreamina Seedance 2.5: ۱۱۰۵
این نتایج حاصل بررسی‌های کور (Blind Preference Votes) در پلتفرم Video Arena است که عملکرد مدل‌ها را در خروجی‌های متنی به ویدیویی مقایسه می‌کند. سایر مدل‌های مطرح نظیر FLUX 3، Gemini Omni Flash 1.1 و Kling 3.0 در رده‌های بعدی این لیست قرار دارند.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#HeyGen_Video #MiniMax_H3
مفهوم Harness در سیستم‌های مبتنی بر LLM
مدل‌های زبانی (LLM) به تنهایی فقط متن تولید می‌کنند و برای انجام کارهای عملی، به ابزارهایی مانند خواندن و ویرایش فایل‌ها، اجرای دستورات bash یا جست‌وجوی آنلاین نیاز دارند. «Harness» همان زیرساختی است که این ابزارها را به LLM متصل می‌کند تا از یک مدل متنی، یک «Agent» عملیاتی ساخته شود.
یک Harness استاندارد شامل موارد زیر است:
- ابزارهای اجرایی (مانند read_file یا bash)
- سینتکس متنی اختصاصی برای فراخوانی ابزارها
- سیستم مفسر برای شناسایی دستورات و اجرای کد
- مکانیزمی برای بازگرداندن خروجی ابزار به مدل
- لیستی از ابزارهای در دسترس با توضیحات عملکرد
در حالی که واسط‌های کاربری (TUI یا GUI) همان چیزی هستند که ما با آن تعامل می‌کنیم، Harness لایه‌ی پنهان زیرین است. برای مثال، ابزارهایی مثل Claude Code و Codex هر کدام Harness مخصوص خود را دارند که درون اپلیکیشن آن‌ها تعبیه شده است.
🔗 ادامه مطلب در سایت
#Model_Context_Protocol #Claude_Code
مدل‌های زبانی (LLM) به تنهایی فقط متن تولید می‌کنند و برای انجام کارهای عملی، به ابزارهایی مانند خواندن و ویرایش فایل‌ها، اجرای دستورات bash یا جست‌وجوی آنلاین نیاز دارند. «Harness» همان زیرساختی است که این ابزارها را به LLM متصل می‌کند تا از یک مدل متنی، یک «Agent» عملیاتی ساخته شود.
یک Harness استاندارد شامل موارد زیر است:
- ابزارهای اجرایی (مانند read_file یا bash)
- سینتکس متنی اختصاصی برای فراخوانی ابزارها
- سیستم مفسر برای شناسایی دستورات و اجرای کد
- مکانیزمی برای بازگرداندن خروجی ابزار به مدل
- لیستی از ابزارهای در دسترس با توضیحات عملکرد
در حالی که واسط‌های کاربری (TUI یا GUI) همان چیزی هستند که ما با آن تعامل می‌کنیم، Harness لایه‌ی پنهان زیرین است. برای مثال، ابزارهایی مثل Claude Code و Codex هر کدام Harness مخصوص خود را دارند که درون اپلیکیشن آن‌ها تعبیه شده است.
🔗 ادامه مطلب در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Model_Context_Protocol #Claude_Code
🤖 تمرکز تازه OpenAI بر زیرساخت‌های خودکار
سم آلتمن، مدیرعامل OpenAI، در سخنرانی اخیر خود در دانشگاه استنفورد اعلام کرد که سرمایه‌گذاری بزرگ بعدی این شرکت در حوزه زیرساخت، توسعه ربات‌هایی است که توانایی ساخت ربات‌های دیگر را دارند.
او در این باره گفت که برنامه‌ریزی برای ساخت «دیتا سنترهایی که خود قادر به ساخت دیتا سنترهای بیشتری هستند»، اهمیت بسیار بالایی دارد و آن را با مفهوم بهبود خودکار و بازگشتی هوش مصنوعی قابل مقایسه دانست. هدف نهایی این استراتژی، ایجاد چرخه‌ای پایدار برای توسعه سخت‌افزاری و زیرساختی بدون نیاز به مداخله گسترده انسانی است.
#Sam_Altman #Recursive_Self_Improvement
سم آلتمن، مدیرعامل OpenAI، در سخنرانی اخیر خود در دانشگاه استنفورد اعلام کرد که سرمایه‌گذاری بزرگ بعدی این شرکت در حوزه زیرساخت، توسعه ربات‌هایی است که توانایی ساخت ربات‌های دیگر را دارند.
او در این باره گفت که برنامه‌ریزی برای ساخت «دیتا سنترهایی که خود قادر به ساخت دیتا سنترهای بیشتری هستند»، اهمیت بسیار بالایی دارد و آن را با مفهوم بهبود خودکار و بازگشتی هوش مصنوعی قابل مقایسه دانست. هدف نهایی این استراتژی، ایجاد چرخه‌ای پایدار برای توسعه سخت‌افزاری و زیرساختی بدون نیاز به مداخله گسترده انسانی است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Sam_Altman #Recursive_Self_Improvement
This media is not supported in your browser
VIEW IN TELEGRAM
📊 آموزش تعاملی مفاهیم یادگیری ماشین در VizLearn
پلتفرم VizLearn بیش از ۶۰۰ ماژول تعاملی برای درک بصری مفاهیم هوش مصنوعی و یادگیری ماشین ارائه کرده است. در این ابزار می‌توانید داده‌های ورودی را تغییر دهید و نتیجه محاسبات ریاضی هر الگوریتم را بلافاصله مشاهده کنید.
مهم‌ترین مباحث این پلتفرم عبارت‌اند از:
• گرادیان کاهشی (Gradient descent)
• الگوریتم‌های SVM و PCA
• قضیه بیز (Bayes' theorem)
• توکن‌سازی BPE
• مفاهیم Query ،Key و Value و حافظه KV cache
• کوانتایش (Quantization)
• شبکه‌های عصبی و مدل‌های زبانی بزرگ (LLM)
پلتفرم VizLearn بیش از ۶۰۰ ماژول تعاملی برای درک بصری مفاهیم هوش مصنوعی و یادگیری ماشین ارائه کرده است. در این ابزار می‌توانید داده‌های ورودی را تغییر دهید و نتیجه محاسبات ریاضی هر الگوریتم را بلافاصله مشاهده کنید.
مهم‌ترین مباحث این پلتفرم عبارت‌اند از:
• گرادیان کاهشی (Gradient descent)
• الگوریتم‌های SVM و PCA
• قضیه بیز (Bayes' theorem)
• توکن‌سازی BPE
• مفاهیم Query ،Key و Value و حافظه KV cache
• کوانتایش (Quantization)
• شبکه‌های عصبی و مدل‌های زبانی بزرگ (LLM)
🇮🇷 - 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 #6 | 📌 5 آیتم گزارش | 🧾 از 18 پست بررسی‌شده
🕐 شنبه 1405/08/02 ساعت 14:00 تا یکشنبه 1405/08/03 ساعت 14:00
ارزیابی امنیت سندباکس microVM در برابر کانال های جانبی
اعتبارسنجی ابزارهای ایجنت قبل از فراخوانی در سیستم های تولیدی
🔬 دستاوردهای فنی و ابزارهای توسعه هوش مصنوعی
🗂 گزارش #6 | 📌 5 آیتم گزارش | 🧾 از 18 پست بررسی‌شده
🕐 شنبه 1405/08/02 ساعت 14:00 تا یکشنبه 1405/08/03 ساعت 14:00
ارزیابی امنیت سندباکس microVM در برابر کانال های جانبی
گزارش منبع: در این آزمایش، ایجنت هایی که در محیط های microVM جداگانه قرار داشتند، موفق شدند با استفاده از اثرات جانبی سخت افزاری، پیام های خود را مبادله کنند.
برداشت: ایزوله سازی نرم افزاری در سطح سیستم عامل برای جلوگیری از نشت اطلاعات بین ایجنت های چندمستاجری کافی نیست و نیاز به پایش کانال های جانبی سخت افزاری دارد.
نامشخص: نرخ انتقال داده بر حسب بیت بر ثانیه و میزان نرخ خطای بیت (BER) در کانال های جانبی یادشده در منبع گزارش نشده است.
آزمون پیشنهادی: اندازه گیری تأخیر دسترسی به کش L3 در دو microVM همجوار حین اجرای همزمان بار کاری پردازشی و مقایسه نرخ بیت نشت یافته با حالت ایزوله سخت افزاری.
اعتبارسنجی ابزارهای ایجنت قبل از فراخوانی در سیستم های تولیدی
گزارش منبع: محققان با بررسی بیش از ۳۱ هزار اسکن برای ایجنت های هوش مصنوعی دریافتند که ۲۶ درصد آن ها دارای آسیب پذیری و بیش از ۵ درصد عملاً مخرب هستند.
برداشت: یکپارچه سازی ابزارهای شخص ثالث در سیستم های مبتنی بر MCP بدون اسکن استاتیک و تحلیل عمیق، امکان تزریق پرامپت و دسترسی غیرمجاز به حافظه را فراهم می کند.
نامشخص: میزان نرخ مثبت کاذب (False Positive) حالت اسکن سریع بدون هوش مصنوعی در مقایسه با بررسی عمیق با LLM در منبع مشخص نشده است.
آزمون پیشنهادی: اجرای SkillSpector روی ۵۰ مخزن کدهای MCP، مقایسه زمان اجرای حالت سریع و عمیق، و سنجش نرخ شناسایی الگوهای تزریق پرامپت نسبت به تست دستی.
🔬 دستاوردهای فنی و ابزارهای توسعه هوش مصنوعی
ارتباط ایجنت‌های هوش مصنوعی در محیط‌های ایزوله microVM
ارتباط ایجنت‌ها در محیط‌های ایزوله microVM از طریق اثرات جانبی سخت‌افزاری مانند کش پردازنده و بار CPU ثبت شد.
انتشار ابزار متن‌باز SkillSpector انویدیا برای امنیت ایجنت‌ها
انویدیا ابزار SkillSpector را برای اسکن امنیتی، شناسایی ۷۱ الگوی حمله و ارزیابی ریسک ابزارهای ایجنت منتشر کرد.
انتشار مدل Nemotron 3.5 Bolt انویدیا با آموزش RL-only
انویدیا مدل ۸ میلیارد پارامتری Nemotron 3.5 Bolt را با حذف SFT و حافظه ۴ گیگابایت VRAM برای اجرای محلی عرضه کرد.
پلاگین رسمی اتصال Claude Code به Unreal Engine با MCP
اپیک گیمز امکان مدیریت صحنه، بلوپرینت و متریال در Unreal Engine 5.8 را از طریق Claude Code و پروتکل MCP فراهم کرد.
توسعه زیرساخت ذخیره‌سازی داده OpenAI در مقیاس اگزابایت
اوپن‌ای‌آی سیستم جدیدی مبتنی بر RocksDB Cloud و پروتکل Raft برای مدیریت بیش از ۵۰۰ پتابایت داده طراحی می‌کند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🚀 دستیابی ۵ مدل کوچک به عملکرد Claude در برنامه‌نویسی
محققان متد GVS5H را معرفی کرده‌اند که در آن چندین مدل هوش مصنوعی با اشتراک‌گذاری فایل‌های کاری و هماهنگی با یکدیگر، مسائل برنامه‌نویسی را حل می‌کنند. در این روش، بدون نیاز به آموزش مجدد (Fine-tuning)، توانایی حل مسئله مدل‌های کوچک به‌طور قابل‌توجهی افزایش می‌یابد.
بر اساس بنچمارک LiveCodeBench، نتایج به شرح زیر است:
* مدل Qwen3.8-27B: افزایش دقت از ۶۶.۸٪ به ۹۲.۴٪.
* مدل Qwen3.8 Flash Next: رسیدن به دقت ۹۳٪ با هزینه‌ای معادل تنها ۹٪ مدل Claude.
* مدل Claude Fable 5: دقت ۹۰.۴٪.
این آزمایش نشان می‌دهد که هماهنگی دقیق بین مدل‌های کوچک می‌تواند عملکرد آن‌ها را با مدل‌های قدرتمند و بزرگ رقابتی کند. البته این متد روی تمامی مدل‌ها کار نمی‌کند و نتایج فعلی بر اساس آزمایش‌های تیم سازنده گزارش شده است.
🔗 توضیحات و نمونه‌کد در سایت
محققان متد GVS5H را معرفی کرده‌اند که در آن چندین مدل هوش مصنوعی با اشتراک‌گذاری فایل‌های کاری و هماهنگی با یکدیگر، مسائل برنامه‌نویسی را حل می‌کنند. در این روش، بدون نیاز به آموزش مجدد (Fine-tuning)، توانایی حل مسئله مدل‌های کوچک به‌طور قابل‌توجهی افزایش می‌یابد.
بر اساس بنچمارک LiveCodeBench، نتایج به شرح زیر است:
* مدل Qwen3.8-27B: افزایش دقت از ۶۶.۸٪ به ۹۲.۴٪.
* مدل Qwen3.8 Flash Next: رسیدن به دقت ۹۳٪ با هزینه‌ای معادل تنها ۹٪ مدل Claude.
* مدل Claude Fable 5: دقت ۹۰.۴٪.
این آزمایش نشان می‌دهد که هماهنگی دقیق بین مدل‌های کوچک می‌تواند عملکرد آن‌ها را با مدل‌های قدرتمند و بزرگ رقابتی کند. البته این متد روی تمامی مدل‌ها کار نمی‌کند و نتایج فعلی بر اساس آزمایش‌های تیم سازنده گزارش شده است.
🔗 توضیحات و نمونه‌کد در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما