🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #7 | 📌 5 آیتم گزارش | 🧾 از 13 پست بررسی‌شده
🕐 یکشنبه 1405/08/03 ساعت 14:00 تا دوشنبه 1405/08/04 ساعت 14:00

باز کردن قفل هسته های تنسور RTX 30 و اثر آن بر سرعت Prefill

گزارش منبع: در کاربردهای واقعی، سرعت Prefill در مدل های زبانی بزرگ (LLM) بین ۱۴ تا ۳۶ درصد افزایش می یابد و نتایج محاسباتی نیز بدون تغییر باقی می مانند.
برداشت: دور زدن محدودیت نرم افزاری درایور، محاسبه TFLOPS ضرب ماتریسی را بالا می برد و تاخیر پردازش پرامپت ورودی را در سروینگ محلی کم می کند.
نامشخص: میزان افزایش دمای کارت، پایداری تحت بار مداوم و سازگاری ماژول با نسخه های مختلف درایور انویدیا در متن مشخص نشده است.
آزمون پیشنهادی: اجرای بنچمارک vLLM روی کارت RTX 3090 Ti با پرامپت ۴۰۹۶ توکنی و سنجش تغییرات نرخ توکن Prefill و دقت خروجی نسبت به حالت پایه.

جایگزینی ساب ایجنت ها با ابزارهای پویا در ایجنت مرکزی

گزارش منبع: جایگزینی ساب-ایجنت ها با یک ایجنت مرکزی که دستورالعمل ها و ابزارهای مورد نیاز را به صورت پویا فراخوانی می کند، باعث حفظ بهتر بافتار (Context) و کاهش تداخلات می شود.
برداشت: کاهش تعداد ایجنت های واسط، فراخوانی های تکراری API را حذف می کند و با حفظ بافتار یکپارچه، تاخیر و هزینه عملیاتی را کاهش می دهد.
نامشخص: نقطه عطف پیچیدگی که در آن دستورالعمل های زیاد باعث سردرگمی ایجنت مرکزی شده و ایزوله سازی بافتار را ضروری می کند تعیین نشده است.
آزمون پیشنهادی: اجرای یک فرایند چندمرحله ای استخراج داده با دو معماری تک ایجنت ابزارمحور و چندایجنت، و مقایسه تاخیر کل، هزینه توکن و نرخ موفقیت.

⚡ بهینه‌سازی سخت‌افزار و معماری سیستم‌ها

افزایش توان محاسباتی پردازنده‌های RTX 30 با پروژه gpu-unlock
ماژول هسته لینوکس gpu-unlock محدودیت نرم‌افزاری هسته‌های تنسور RTX 3090 Ti را دور زده و سرعت Prefill مدل‌ها را تا ۳۶٪ بالا می‌برد.

ساده‌سازی معماری ایجنت‌های هوش مصنوعی توسط انتروپیک
بررسی انتروپیک نشان می‌دهد جایگزینی ساب‌ایجنت‌ها با یک ایجنت واحد و ابزارهای پویا، تاخیر را کم کرده و سرعت را تا دو برابر می‌رساند.

🔬 مدل‌ها و متدهای جدید پردازش

بهبود عملکرد مدل‌های کوچک در برنامه‌نویسی با متد GVS5H
روش GVS5H با اشتراک‌گذاری فایل و هماهنگی میان مدل‌های کوچک، دقت Qwen3.8-27B را در LiveCodeBench از ۶۶.۸٪ به ۹۲.۴٪ رسانده است.

انتشار مدل کدنویسی Flint با معماری MoE
مدل ۳۹.۸ میلیارد پارامتری Flint با ۲۵۶ کارشناس و پنجره متنی ۲۶۲ هزار توکنی، امتیاز ۷۴.۲٪ را در بنچمارک SWE-bench کسب کرد.

انتشار مدل Carbon-X برای تحلیل مستقیم توالی‌های DNA
مدل ۱۴.۸ میلیارد پارامتری Carbon-X بدون انکودر مجزا، توالی‌های خام DNA را دریافت کرده و به زبان انگلیسی پاسخ می‌دهد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏📉 پیش‌بینی ماسک از فروپاشی بازار نئوکلاودها

‏ایلان ماسک به‌تازگی اعلام کرده که بازار «نئوکلاودها» (شرکت‌هایی که تنها با اجاره دادن GPU درآمد کسب می‌کنند) با بحران جدی مواجه است. طبق گفته او، بازارهای مالی طی هفته‌های اخیر دسترسی به سرمایه را برای شرکت‌هایی که درآمدی مستقل از دیتاسنترهای هوش مصنوعی ندارند، تقریباً قطع کرده‌اند.

‏ماسک معتقد است بیش از ۲۰۰ شرکت ارائه‌دهنده خدمات ابر جدید با خطر نابودی و ادغام مواجه خواهند شد و تنها تعداد کمی از آن‌ها دوام می‌آورند.

‏در مقابل، او به وضعیت SpaceX اشاره کرد که موفق شده ۴۰ میلیارد دلار برای تأمین GPU وام بگیرد؛ چرا که این شرکت دارای رتبه اعتباری سرمایه‌گذاری است و درآمدهای مستقل از هوش مصنوعی، مانند خدمات Starlink و پروژه‌های پرتاب موشک دارد. وی همچنین نسبت به ایجاد ظرفیت‌های پردازشی بلااستفاده در دیتاسنترهای نیمه‌کاره هشدار داد.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🤖 معرفی بنچمارک BabelArena برای ارزیابی ایجنت‌های هوش مصنوعی

‏تیم Qwen بنچمارک BabelArena را برای سنجش عملکرد ایجنت‌های هوش مصنوعی در ۲۳ زبان مختلف منتشر کرد. این ابزار، برخلاف روش‌های معمول، علاوه بر پرسش کاربر، دستورالعمل‌ها، توصیف ابزارها و محیط کاری را نیز به زبان مقصد ترجمه می‌کند تا امکان مقایسه دقیق‌تر وظایف در زبان‌های مختلف فراهم شود.

‏بر اساس نتایج این تحقیق، مهم‌ترین نکات عبارتند از:
‏- هیچ مدل واحدی در تمامی زبان‌ها و حوزه‌ها برتر نیست.
‏- در زبان‌هایی با داده‌های آموزشی کمتر، نرخ خطا در فراخوانی ابزارها و ترتیب اقدامات افزایش می‌یابد.
‏- حجم توکن‌های ورودی در زبان‌های غیرانگلیسی معمولاً دو برابر است، بدون اینکه تعداد گام‌های اجرایی افزایش یابد.
‏- هنگام خروجی‌های ساختاریافته، ایجنت‌ها تمایل دارند از زبان مقصد خارج شده و به انگلیسی بازگردند.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#BabelArena #Runtime_Data_Flow_Analysis

‏📈 رشد تقاضا برای ابزارهای هوش مصنوعی در بازار کار

‏گزارش Creative Intelligence ۲۰۲۶ نشان می‌دهد که تقاضای بازار برای مهارت کار با ابزارهای هوش مصنوعی تغییرات قابل‌توجهی داشته است. در این بررسی، میزان رشد درخواست برای ابزارهای مختلف در نیمه اول سال ۲۰۲۶ نسبت به بازه مشابه در سال ۲۰۲۵ مقایسه شده است.

‏مهم‌ترین ابزارهایی که شاهد بیشترین رشد در تقاضای شغلی بوده‌اند عبارتند از:

‏* Higgsfield: با رشد ۲۵ برابری، صدرنشین فهرست است. این ابزار با استفاده از قابلیت Claude Motion، امکان تولید ویدیو از بریف اولیه تا تدوین نهایی را فراهم می‌کند.
‏* Replit: با رشد ۱۰.۸ برابری.
‏* Claude: با رشد ۹.۹ برابری.
‏* Cursor: با رشد ۹ برابری.
‏* Google Gemini: با رشد ۵.۵ برابری.

‏این آمارها نشان‌دهنده تغییر گرایش کاربران و بازار به سمت ابزارهای تخصصی‌تر است، به‌طوری‌که در این بازه زمانی، ChatGPT با رشد ۱.۳ برابری، کمترین میزان افزایش تقاضا را در میان ابزارهای بررسی‌شده ثبت کرده است.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Higgsfield #Claude_Motion

‏🫀 انتشار نسخه دوم مجموعه داده SKIM برای مدل‌سازی تغییر شکل بافت

‏مدل SOMA قادر است تغییر شکل عضلات را بر اساس مشاهدات سطحی که توسط دوربین‌های RGB چندمنظره ثبت شده، بازیابی کند. این نخستین روشی است که به چنین قابلیتی در حوزه تغییر شکل بافت‌های نرم دست یافته است.

‏همزمان با این مدل، نسخه دوم مجموعه داده SKIM V2 نیز منتشر شده است.

‏دسترسی به منابع این پروژه از طریق لینک‌های زیر امکان‌پذیر است:

‏- بررسی فنی (Review)
‏- مقاله پژوهشی
‏- مخزن کد (GitHub)

‏کد این پروژه تحت مجوز MIT منتشر شده و استفاده از داده‌ها و وزن‌های مدل برای مقاصد غیرتجاری (NC) مجاز است.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#SKIM_V2 #SOMA_Model

‏مدل هوش مصنوعی Nanbeige 4.3 با ۳۳ میلیارد پارامتر

‏تیم Nanbeige مدل جدید Nanbeige4.3-33B را با وزن‌های آزاد منتشر کرد. این مدل بر برنامه‌نویسی و انجام وظایف با ابزارها (Agentic tasks) تمرکز دارد و با هدف ایفای نقش به عنوان معلم برای آموزش مدل‌های کوچک‌تر در آینده، به‌ویژه نسخه 3B، توسعه یافته است.

‏طبق گزارش تیم سازنده، این مدل در بنچمارک‌های متعددی نسبت به مدل‌های هم‌رده ۳۰ میلیاردی عملکرد بهتری نشان می‌دهد. مهم‌ترین نتایج بنچمارک این مدل عبارتند از:

‏* Terminal-Bench 2.1: امتیاز ۸۰.۹
‏* DeepSWE: امتیاز ۶۵.۵
‏* NL2Repo: امتیاز ۵۳.۰
‏* SkillsBench: امتیاز ۶۱.۱
‏* DeepPlanning: امتیاز ۶۳.۳

‏این مدل در اکثر سناریوهای Agentic Coding و Agentic Cowork بر رقبایی مانند Qwen3.8-27B، Muse-Glimmer-30B و Gemma4-31B پیشی گرفته است. نسخه‌های اصلی و پایه این مدل هم‌اکنون در Hugging Face در دسترس قرار دارند.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Nanbeige4_3_33B #Agentic_Coding

‏🤖 معرفی مدل GPT-6.1 Terra با نصف قیمت نسل قبل

‏شرکت OpenAI مدل GPT-6.1 Terra را برای سناریوهای عاملی، کار با کامپیوتر و کدنویسی روزمره عرضه کرد. قیمت این مدل در API نسبت به GPT-5.6 Terra نصف شده است: ۱ دلار به ازای هر میلیون توکن ورودی و ۶ دلار برای هر میلیون توکن خروجی.

‏طبق اعلام این شرکت، این مدل مسائل را بیش از سه برابر سریع‌تر از Astra و GPT-6.1 Sol حل می‌کند. در بنچمارک Agents' Last Exam نیز عملکرد آن به شکل محسوسی از GPT-5.6 Terra بالاتر است و با قیمت توکن تقریباً یک‌دهمی، عملکردی مشابه GPT-6 Astra ارائه می‌دهد.

‏مدل جدید با شناسه gpt-6.1-terra در API، Codex و ChatGPT Work در دسترس است و روند انتشار آن برای کاربران Plus، Pro، Enterprise و Edu در ChatGPT آغاز شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏💻 میزان حافظه لازم برای اجرای محلی مدل Qwen3-8B

‏بررسی‌های llamaperf نشان می‌دهد اجرای مدل Qwen3-8B با کوانتیزاسیون Q4_K_M و طول کانکست 8K به حدود ۷.۵ گیگابایت حافظه نیاز دارد که شامل وزن‌های مدل، KV-cache و بافرهای پردازشی است. این مقدار حافظه روی کارت گرافیک ۱۰ گیگابایتی یا مک با ۱۶ گیگابایت حافظه یکپارچه قابل اجراست.

‏با این حال، افزایش طول کانکست به 128K حجم حافظه مصرفی را تغییر می‌دهد؛ در این حالت تنها KV-cache در فرمت ۱۶ بیتی حدود ۱۹ گیگابایت حافظه اشغال می‌کند. کوانتیزه‌کردن وزن مدل به Q4 به‌طور خودکار KV-cache را ۴ بیتی نمی‌کند.

‏مصرف دقیق حافظه به موتور اجرا، فرمت کش و تنظیمات بستگی دارد، بنابراین هنگام اجرای محلی مدل‌ها باید طول پنجره گفتگو را هم در محاسبه حافظه در نظر گرفت.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Qwen3_8B #KV_cache

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #8 | 📌 5 آیتم گزارش | 🧾 از 9 پست بررسی‌شده
🕐 دوشنبه 1405/08/04 ساعت 14:00 تا سه‌شنبه 1405/08/05 ساعت 14:00

امنیت ایجنت های کدنویسی در برابر فایل های مخرب

گزارش منبع: این مشکل نه یک باگ نرم افزاری، بلکه پیامد نحوه طراحی فعلی این ابزارهاست که فایل های متنی در مسیر کاری خود را به عنوان دستورالعمل های معتبر تلقی می کنند.
برداشت: ایجنت ها در پردازش دایرکتوری، فایل های متنیِ (Markdown) موجود در ریشه پروژه را به طور پیش فرض، دستورالعمل سیستمی تلقی می کنند که منجر به تزریق دستور (Prompt Injection) می شود.
نامشخص: مشخص نیست که آیا با محدودسازی دسترسی فایل (File System Permissions) در لایه ایجنت، این آسیب پذیری به طور کامل برطرف می شود یا خیر.
آزمون پیشنهادی: ایجاد یک فایل AGENTS.md در دایرکتوری کار، شامل دستوری برای چاپ یک رشته ثابت (مانند 'HACKED') و سنجش اجرای آن توسط ایجنت در محیط Sandbox.

مدیریت KV-cache در استنتاج محلی مدل ها

گزارش منبع: افزایش طول کانکست به 128K حجم حافظه مصرفی را تغییر می دهد؛ در این حالت تنها KV-cache در فرمت ۱۶ بیتی حدود ۱۹ گیگابایت حافظه اشغال می کند.
برداشت: کوانتیزاسیون وزن ها (مثلاً Q4) تأثیری بر حجم اشغال شده توسط KV-cache ندارد؛ لذا با افزایش طول پنجره زمینه، گلوگاه حافظه از وزن مدل به کشِ مقادیر تغییر می یابد.
نامشخص: سهم دقیق تکنیک های بهینه سازی مانند PagedAttention در کاهش این مصرف ۱۹ گیگابایتی برای سخت افزارهای غیردیتاسنتر در این گزارش ذکر نشده است.
آزمون پیشنهادی: اندازه گیری مصرف حافظه VRAM در مدل Qwen3-8B با استفاده از llama.cpp در دو سناریوی کانکست 8K و 128K و محاسبه مابه تفاوت واقعی اشغال حافظه.

🔬 امنیت و کارایی مدل‌ها

آسیب‌پذیری AI Agent از طریق فایل‌های مارک‌داون
اجرای ناخواسته دستورات توسط ایجنت‌ها در اثر خواندن فایل‌های مخرب در مسیر کاری؛ ضرورت ایزوله‌سازی.

میزان حافظه لازم برای اجرای محلی مدل Qwen3-8B
تاثیر KV-cache بر مصرف حافظه؛ افزایش کانکست تا 128K نیازمند ۱۹ گیگابایت حافظه اضافه است.

معرفی بنچمارک BabelArena
سنجش عملکرد ایجنت‌ها در ۲۳ زبان با ترجمه همزمان محیط کاری و دستورالعمل‌ها؛ تایید گرایش مدل‌ها به خروج از زبان مقصد.

مدل Nanbeige 4.3 با ۳۳ میلیارد پارامتر
مدل وزن‌باز با تمرکز بر کدنویسی و سناریوهای عاملی؛ برتری در بنچمارک‌های تخصصی نسبت به رقبای هم‌رده.

معرفی مدل GPT-6.1 Terra
مدل جدید OpenAI با هزینه یک‌دهم GPT-5.6 در خروجی؛ تمرکز بر سناریوهای عاملی و سرعت سه برابری نسبت به نسخه Astra.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏⚡️ افزایش ۲.۸۵ برابری سرعت Gemma با بهینه‌سازی Gemini در vLLM

‏گوگل از مدل Gemini 4 Argon برای بهینه‌سازی اینفرنس Gemma 4 E2B در فریم‌ورک vLLM روی کارت‌های NVIDIA A100 استفاده کرد. طبق اعلام گوگل، در این بنچمارک نرخ تولید توکن از حدود ۳۷,۹۰۰ به بیش از ۱۰۸,۰۰۰ توکن در ثانیه رسید.

‏تغییرات اعمال‌شده بخش‌های مختلف اجرا، از تنظیمات attention تا speculative decoding را شامل می‌شود. گوگل می‌گوید خروجی توکن‌ها در سناریوهای تست‌شده هیچ افت کیفیتی نداشته و کاملاً تطابق دارد.

‏این بهینه‌سازی روی پشته نرم‌افزاری انجام شده و هدف آن گرفتن خروجی بیشتر از همان سخت‌افزار است. البته این ارقام به یک سنجش مشخص مربوط می‌شوند و بدون مشخص بودن شرایط بار کاری، نمی‌توان آن‌ها را به هر سروری یا به سرعت پاسخ‌دهی یک چت تک‌کاربره تعمیم داد.

‏کد این تغییرات در پول‌ریگوئست‌های عمومی vLLM منتشر شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🎨 کانوا مدل اختصاصی Canva Craft را برای تولید تصویر منتشر کرد

‏کانوا از Canva Craft رونمایی کرد؛ نخستین مدل اختصاصی این سرویس که برای تولید تصویر در طراحی گرافیک ساخته شده است.

‏معماری این مدل دو مرحله اصلی دارد: ابتدا با برنامه‌ریزی ترکیب‌بندی، روابط فضایی اشیاء، مقیاس و جایگاه بلوک‌های متنی را تعیین می‌کند و سپس تصویر نهایی را با وضوح تا 2K و در نسبت‌های تصویر مختلف می‌سازد. ساختار لایه‌ای مدل نیز امکان تبدیل تصویر به عناصر برداری قابل‌ویرایش را از طریق ابزار Magic Layers فراهم می‌کند.

‏این مدل روی میلیون‌ها طرح کتابخانه کانوا آموزش دیده است، اصول تایپوگرافی را رعایت می‌کند و توانایی تولید متن به ۵۵ زبان مختلف را دارد.

‏مدل Craft اکنون در ویرایشگر کانوا فعال شده و از طریق API عمومی نیز در دسترس است. پشتیبانی از سرور Canva MCP برای فراخوانی مدل توسط عامل‌های هوش مصنوعی به‌زودی اضافه می‌شود.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Canva_Craft #Magic_Layers

✨ بورسیه دانش‌آموزی آکادمی همراه اول؛ فرصتی برای یادگیری فناوری‌های دیجیتال

🌀 رویداد ملی کی‌بُرد آکادمی همراه اول با هدف آموزش تخصصی مهارت‌های روز فناوری‌های دیجیتال، برای دانش‌آموزان پایه‌های هشتم تا دوازدهم برگزار می‌شود.

رشته‌های چهارمین دوره کی‌بُرد:
👾 هوش مصنوعی
🎮 بازی‌سازی
🔌 اینترنت اشیاء
🔐 امنیت سایبری

رویداد کی‌بُرد، فرصتی برای رشد:
💻 آموزش‌های آنلاین و غیرحضوری
🔧 ساخت پروژه زیر نظر منتورهای متخصص
🏆 شرکت در مسابقه ملی دانش‌آموزی کی‌بُرد
🔥 امکان شرکت در بوت‌کمپ ویژه همراه اول برای برگزیدگان رویداد کی‌بُرد

🏆 جایزه بخش مسابقه رویداد:
یـک میلیارد تومان جایزه نقدی و صدها جایزه ارزنده غیرنقدی دیگر 🎁

لینک ثبت‌نام:
https://l.kibordevents.com/tgm

💎 کد تخفیف 1 میلیون تومانی: telegram50
⭕️ مهلت استفاده: 10 آبان 1405

@Kibordevents

‏⚡️ قرارداد گوگل برای تأمین انرژی دیتاسنترها از طریق کاهش مصرف عمومی

‏گوگل در همکاری با شرکت Voltus، اپراتور نیروگاه‌های مجازی، قصد دارد ۱ گیگاوات ظرفیت انرژی در شبکه PJM آمریکا تأمین کند. این شبکه یکی از بزرگترین سیستم‌های انرژی در ایالات متحده است که ۶۷ میلیون نفر را تحت پوشش دارد.

‏در این طرح، به جای ساخت نیروگاه‌های جدید، مصرف‌کنندگان خانگی و کسب‌وکارها در ساعات اوج مصرف، استفاده از شبکه را کاهش می‌دهند. Voltus به این مشترکان هزینه پرداخت می‌کند و گوگل بودجه آن را تأمین می‌کند تا انرژی آزادشده را به دیتاسنترهای هوش مصنوعی خود اختصاص دهد.

‏این فرایند اغلب به صورت خودکار انجام می‌شود؛ برای نمونه، ترموستات‌های هوشمند در روزهای گرم دمای کولر را مدیریت می‌کنند یا باتری‌های خانگی جایگزین برق شبکه می‌شوند. گوگل پیش‌تر در ماه ژوئن این همکاری را با ۱۰۰ مگاوات آغاز کرده بود و اکنون هدف آن ده برابر افزایش یافته است. سیستم PJM در سال‌های اخیر با رشد بیش از ۸ برابری قیمت تأمین انرژی در ساعات اوج و صف طولانی برای اتصال نیروگاه‌های جدید مواجه بوده است.

🔗 جزئیات خبر در سایت

🇮🇷 سایت | تلگرام

‏💻 پیشنهاد خروج داوطلبانه برای ۶۰ هزار کارمند مایکروسافت

‏شرکت مایکروسافت در طرحی جدید، به حدود ۶۰ هزار نفر از کارکنان خود پیشنهاد داده است تا در ازای دریافت بسته سنوات، این شرکت را ترک کنند. این تعداد، نزدیک به ۲۷ درصد از کل ۲۲۳ هزار نیروی کار مایکروسافت را در کشورهای آمریکا، کانادا، بریتانیا و هند شامل می‌شود و سطوح شغلی تا لول ۷۰، از جمله برخی مدیران ارشد را در بر می‌گیرد.

‏بسته پیشنهادی شامل پرداخت حقوق بر اساس سابقه کار، ادامه واگذاری سهام و پوشش بیمه سلامت برای مدت مشخص است. کارکنان تا اوایل دسامبر فرصت دارند در مورد این پیشنهاد تصمیم بگیرند و افرادی که آن را بپذیرند، در پایان سال میلادی از شرکت جدا می‌شوند.

‏مهم‌ترین جزئیات این طرح:
‏* تیم‌های Copilot، CoreAI، ویندوز و ایکس‌باکس در این برنامه مشارکت دارند.
‏* تیم‌های بخش فروش در این طرح حضور ندارند.
‏* امی کولمن، مدیر ارشد منابع انسانی مایکروسافت، این اقدام را روشی برای تطبیق ساختار نیروی کار با نیازهای متغیر عنوان کرده است.

‏جزئیات بیشتر این خبر را می‌توانید در گزارش CNBC و وبلاگ رسمی مایکروسافت مطالعه کنید.

🔗 ادامه مطلب در سایت

🇮🇷 سایت | تلگرام

‏🚀 معرفی GPT-6.1 Terra: مدل جدید OpenAI

‏OpenAI مدل جدید GPT-6.1 Terra را معرفی کرده است. این مدل در بنچمارک‌ها تقریباً به پای GPT-6.1 Sol می‌رسد اما با نصف قیمت. تمرکز اصلی آن بر درک بصری (visual understanding)، استفاده از کامپیوتر (computer use) و تولید متن طبیعی‌تر بوده است.

‏در زمینه کدنویسی، GPT-6.1 Terra در بنچمارک Terminal-Bench 4.0 دو برابر مدل قبلی امتیاز کسب کرده است. این مدل همچنین در استفاده از توکن‌ها بسیار کارآمدتر شده است. در ChatGPT Work و Codex، با تعرفه‌های یکسان، با مدل جدید می‌توان کارهای بیشتری انجام داد. در آزمون Agents’ Last Exam، با سطح استدلال متوسط، نتایج ۱۵ واحد درصدی بهتر از GPT-5.6 Terra به دست آمده، در حالی که هزینه آن حدوداً یک‌سوم است. این عملکرد با GPT-6 Astra قابل مقایسه است اما با هزینه‌ای ده‌برابر کمتر به ازای هر توکن. وظایف بیش از سه برابر سریع‌تر از Astra و Sol انجام می‌شوند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏انتشار نسخه ۲.۰ ابزار awesome-iran-mcp

‏نسخه جدید پروژه awesome-iran-mcp با پشتیبانی از ۳۶ سرور و ۴۶۹ ابزار کاربردی برای اتصال ایجنت‌های هوش مصنوعی به سرویس‌های ایرانی منتشر شد. این ابزار به دلیل نبود API عمومی در بسیاری از سایت‌های داخلی، امکان تعامل مستقیم با داده‌های وب‌سایت‌های ایرانی را فراهم می‌کند.

‏برخی از مهم‌ترین قابلیت‌های این نسخه عبارتند از:
‏• فروشگاه‌ها: جستجو و مقایسه قیمت و محصولات در باسلام، بانی‌مد و بانه.
‏• اخبار و داده: دریافت اخبار از خبرگزاری‌های اصلی، استعلام زلزله و مشاهده قیمت لحظه‌ای طلا، ارز و رمزارز.
‏• قانون و مالیات: جست‌وجوی دقیق در بیش از ۱۶۸ هزار قانون و بخشنامه قضایی و مالیاتی.
‏• آموزش: جست‌وجو در دوره‌های آموزشی مکتب‌خونه بر اساس قیمت، مدرس و امتیاز.
‏• نرم‌افزار: مقایسه اپلیکیشن‌ها در کافه‌بازار و مایکت و دسترسی به سایت‌های دانلود نرم‌افزار.

‏این پروژه متن‌باز (MIT) است و با کلاینت‌های سازگار با پروتکل MCP مانند Claude، Cursor و Copilot کار می‌کند.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما