📊 دسترسی به دیتای زنده صرافی‌های ایرانی با پروتکل MCP
پروژه iran-crypto-mcp یک سرور اوپن‌سورس است که امکان اتصال کلاینت‌های پشتیبانی‌کننده از پروتکل MCP، نظیر Claude، Cursor و Copilot را به دیتای بازار هفت صرافی ایرانی فراهم می‌کند. این ابزار به کاربران اجازه می‌دهد با پرسش‌های متنی ساده، اطلاعات لحظه‌ای بازار را تحلیل کنند.
صرافی‌های تحت پشتیبانی:
نوبیتکس، والکس، بیت‌پین، رمزینکس، تبدیل، OMPFinex و اکسیر.
مهم‌ترین ابزارهای این سرویس:
• مقایسه قیمت لحظه‌ای یک رمزارز در هر ۷ صرافی و محاسبه اسپرد
• دریافت تیکر زنده شامل قیمت، رنج ۲۴ ساعته و حجم
• نمایش اوردر بوک (تا ۲۰ سطح) و معاملات اخیر
• دریافت کندل‌های OHLC از تایم‌فریم ۱۵ دقیقه تا ۱ روز
• شناسایی کوین‌های دارای بیشترین رشد یا افت قیمت
این پروژه ماهیت «فقط‌خواندنی» دارد و بدون نیاز به API Key یا احراز هویت، تنها از داده‌های عمومی استفاده می‌کند. برای اجرای آن کافی است از دستور
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
پروژه iran-crypto-mcp یک سرور اوپن‌سورس است که امکان اتصال کلاینت‌های پشتیبانی‌کننده از پروتکل MCP، نظیر Claude، Cursor و Copilot را به دیتای بازار هفت صرافی ایرانی فراهم می‌کند. این ابزار به کاربران اجازه می‌دهد با پرسش‌های متنی ساده، اطلاعات لحظه‌ای بازار را تحلیل کنند.
صرافی‌های تحت پشتیبانی:
نوبیتکس، والکس، بیت‌پین، رمزینکس، تبدیل، OMPFinex و اکسیر.
مهم‌ترین ابزارهای این سرویس:
• مقایسه قیمت لحظه‌ای یک رمزارز در هر ۷ صرافی و محاسبه اسپرد
• دریافت تیکر زنده شامل قیمت، رنج ۲۴ ساعته و حجم
• نمایش اوردر بوک (تا ۲۰ سطح) و معاملات اخیر
• دریافت کندل‌های OHLC از تایم‌فریم ۱۵ دقیقه تا ۱ روز
• شناسایی کوین‌های دارای بیشترین رشد یا افت قیمت
این پروژه ماهیت «فقط‌خواندنی» دارد و بدون نیاز به API Key یا احراز هویت، تنها از داده‌های عمومی استفاده می‌کند. برای اجرای آن کافی است از دستور
uvx iran-crypto-mcp استفاده کنید. این ابزار بخشی از یک مجموعه گسترده‌تر برای تعامل با سرویس‌های ایرانی از طریق MCP است.🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
🤖 افزایش هزینه‌های امنیتی شرکت‌ها برای باگ‌های کشف‌شده با هوش مصنوعی
طبق گزارش The Information، شرکت‌های بزرگ در حال تخصیص بودجه‌های سنگین برای بررسی کدهای خود توسط مدل‌های هوش مصنوعی هستند. برای نمونه، شرکت UiPath برای هر اسکن کد توسط مدل Mythos شرکت Anthropic، مبلغ ۲۵ هزار دلار پرداخت می‌کند.
حجم آسیب‌پذیری‌های کشف‌شده نیز به‌شدت افزایش یافته است. به گفته نماینده شرکت Palo Alto Networks، تنها در یک ماه، ۱۲ شرکت موفق به شناسایی بیش از ۳۷ هزار آسیب‌پذیری بالقوه در نرم‌افزارهای متن‌باز شده‌اند، در حالی که آمار جهانی در ماه پیش از آن حدود ۱۵۰۰ مورد بود. البته تمام این موارد لزوماً خطاهای بحرانی یا تأییدشده نیستند.
این وضعیت، نیاز شرکت‌ها به نیروی انسانی و منابع جدید را برای تحلیل و رفع مشکلات امنیتی افزایش داده است:
* Bank of America: استخدام ۱۰۰۰ پیمانکار برای رسیدگی و رفع مشکلات نرم‌افزاری.
* Goldman Sachs: بررسی تخصیص بودجه‌ای معادل یا بیشتر از هزینه‌های ابزارهای برنامه‌نویسی هوش مصنوعی، برای بخش امنیت هوش مصنوعی.
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
طبق گزارش The Information، شرکت‌های بزرگ در حال تخصیص بودجه‌های سنگین برای بررسی کدهای خود توسط مدل‌های هوش مصنوعی هستند. برای نمونه، شرکت UiPath برای هر اسکن کد توسط مدل Mythos شرکت Anthropic، مبلغ ۲۵ هزار دلار پرداخت می‌کند.
حجم آسیب‌پذیری‌های کشف‌شده نیز به‌شدت افزایش یافته است. به گفته نماینده شرکت Palo Alto Networks، تنها در یک ماه، ۱۲ شرکت موفق به شناسایی بیش از ۳۷ هزار آسیب‌پذیری بالقوه در نرم‌افزارهای متن‌باز شده‌اند، در حالی که آمار جهانی در ماه پیش از آن حدود ۱۵۰۰ مورد بود. البته تمام این موارد لزوماً خطاهای بحرانی یا تأییدشده نیستند.
این وضعیت، نیاز شرکت‌ها به نیروی انسانی و منابع جدید را برای تحلیل و رفع مشکلات امنیتی افزایش داده است:
* Bank of America: استخدام ۱۰۰۰ پیمانکار برای رسیدگی و رفع مشکلات نرم‌افزاری.
* Goldman Sachs: بررسی تخصیص بودجه‌ای معادل یا بیشتر از هزینه‌های ابزارهای برنامه‌نویسی هوش مصنوعی، برای بخش امنیت هوش مصنوعی.
🔗 ادامه مطلب در سایت
🇮🇷 سایت | تلگرام
مفهوم Harness Engineering در سیستم‌های عملیاتی
در پروژه‌های هوش مصنوعی سازمانی، حدود ۸۸ درصد از مدل‌ها به مرحله تولید (Production) نمی‌رسند. مشکل اصلی معمولاً خودِ مدل نیست، بلکه زیرساخت‌های اطراف آن است. در سال ۲۰۲۶، مهارتی به نام Harness Engineering جایگزین «پرامپت‌نویسی» و «مدیریت محتوا» شده است.
در واقع Harness (که می‌توان آن را «مجموعه ابزارهای مهارکننده» یا «لایه اجرایی» نامید)، سیستمی است که مدل را به دنیای واقعی متصل می‌کند. این لایه هفت وظیفه حیاتی دارد:
• مدیریت ابزارها: مدل نباید مستقیماً به ابزارها دسترسی داشته باشد؛ Harness باید درخواست‌ها را اعتبارسنجی و اجرا کند.
• اعتبارسنجی: استفاده از مدل ثانویه برای بررسی خروجی مدل اصلی.
• حافظه پایدار: ذخیره محدودیت‌ها و دانش در فایل‌های سیستمی جهت استفاده در نشست‌های بعدی.
• مدیریت زمینه (Context): خلاصه کردن تاریخچه برای جلوگیری از هدررفت پنجره متنی.
• گاردریل‌ها (Guardrails): بررسی خروجی‌ها بر اساس سیاست‌های رفتاری، داده‌ای و امنیتی.
🔗 ادامه مطلب در سایت
در پروژه‌های هوش مصنوعی سازمانی، حدود ۸۸ درصد از مدل‌ها به مرحله تولید (Production) نمی‌رسند. مشکل اصلی معمولاً خودِ مدل نیست، بلکه زیرساخت‌های اطراف آن است. در سال ۲۰۲۶، مهارتی به نام Harness Engineering جایگزین «پرامپت‌نویسی» و «مدیریت محتوا» شده است.
در واقع Harness (که می‌توان آن را «مجموعه ابزارهای مهارکننده» یا «لایه اجرایی» نامید)، سیستمی است که مدل را به دنیای واقعی متصل می‌کند. این لایه هفت وظیفه حیاتی دارد:
• مدیریت ابزارها: مدل نباید مستقیماً به ابزارها دسترسی داشته باشد؛ Harness باید درخواست‌ها را اعتبارسنجی و اجرا کند.
• اعتبارسنجی: استفاده از مدل ثانویه برای بررسی خروجی مدل اصلی.
• حافظه پایدار: ذخیره محدودیت‌ها و دانش در فایل‌های سیستمی جهت استفاده در نشست‌های بعدی.
• مدیریت زمینه (Context): خلاصه کردن تاریخچه برای جلوگیری از هدررفت پنجره متنی.
• گاردریل‌ها (Guardrails): بررسی خروجی‌ها بر اساس سیاست‌های رفتاری، داده‌ای و امنیتی.
🔗 ادامه مطلب در سایت
🤖 حذف آزمون‌های کدنویسی در فرآیند استخدام Anthropic
فلیکس ریزبرگ، مدیر توسعه در شرکت Anthropic اعلام کرد که از ماه اکتبر، فرآیند ارزیابی فنی متقاضیان تغییر کرده و دیگر از آن‌ها آزمون کدنویسی نمی‌گیرد. او دلیل این تصمیم را توانایی مدل‌های هوش مصنوعی مانند Claude در حل تمرین‌های برنامه‌نویسی می‌داند که باعث شده این آزمون‌ها دیگر شاخصی برای سنجش مهارت واقعی داوطلبان نباشند.
به گفته ریزبرگ، مدل استخدامی جدید بیشتر بر اساس این اصول استوار است:
* بررسی رزومه و پورتفولیو برای یافتن نمونه‌کارهای عملی
* ارزیابی سلیقه، درک کاربر و توانایی حل مسئله از پایه
* اولویت‌دهی به «اشتیاق» و «انگیزه» به‌جای صرفاً تجربه کاری و تسلط بر فریم‌ورک‌ها
او معتقد است که با کاهش هزینه تولید کد، نقش تجربه در ابزارهای فنی کمرنگ شده و مهندسان تازه‌کار که سریعاً نمونه‌کارهای عملی (Prototype) ارائه می‌دهند، موفق‌تر عمل می‌کنند. ریزبرگ پیشنهاد می‌دهد مهندسان به‌جای نوشتن اسناد طولانی، در یک آخر هفته ایده‌های خود را به خروجی ملموس تبدیل کنند.
فلیکس ریزبرگ، مدیر توسعه در شرکت Anthropic اعلام کرد که از ماه اکتبر، فرآیند ارزیابی فنی متقاضیان تغییر کرده و دیگر از آن‌ها آزمون کدنویسی نمی‌گیرد. او دلیل این تصمیم را توانایی مدل‌های هوش مصنوعی مانند Claude در حل تمرین‌های برنامه‌نویسی می‌داند که باعث شده این آزمون‌ها دیگر شاخصی برای سنجش مهارت واقعی داوطلبان نباشند.
به گفته ریزبرگ، مدل استخدامی جدید بیشتر بر اساس این اصول استوار است:
* بررسی رزومه و پورتفولیو برای یافتن نمونه‌کارهای عملی
* ارزیابی سلیقه، درک کاربر و توانایی حل مسئله از پایه
* اولویت‌دهی به «اشتیاق» و «انگیزه» به‌جای صرفاً تجربه کاری و تسلط بر فریم‌ورک‌ها
او معتقد است که با کاهش هزینه تولید کد، نقش تجربه در ابزارهای فنی کمرنگ شده و مهندسان تازه‌کار که سریعاً نمونه‌کارهای عملی (Prototype) ارائه می‌دهند، موفق‌تر عمل می‌کنند. ریزبرگ پیشنهاد می‌دهد مهندسان به‌جای نوشتن اسناد طولانی، در یک آخر هفته ایده‌های خود را به خروجی ملموس تبدیل کنند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
🤖 به‌روزرسانی مدل Drex Max 1.1
مدل تصمیم‌گیری جدید Drex Max 1.1 توسط شرکت Nace منتشر شد. این مدل چندوجهی (Multimodal) است و اکنون از پنجره بافت (Context window) با ظرفیت ۲۶۲ هزار توکن پشتیبانی می‌کند.
طبق گزارش Nace، این نسخه در مقایسه با مدل قبلی بهبودهایی در تعمیم‌پذیری به داده‌های خارج از توزیع (Out-of-distribution) داشته است. مهم‌ترین تغییرات عملکردی این مدل عبارتند از:
- کسب امتیاز ۷۰.۸ در شاخص Decision Index (در مقایسه با ۶۷.۶ نسخه قبل)
- تأخیر میانی (Median latency) معادل ۱۷۲ میلی‌ثانیه
#Drex_Max #Decision_Index
مدل تصمیم‌گیری جدید Drex Max 1.1 توسط شرکت Nace منتشر شد. این مدل چندوجهی (Multimodal) است و اکنون از پنجره بافت (Context window) با ظرفیت ۲۶۲ هزار توکن پشتیبانی می‌کند.
طبق گزارش Nace، این نسخه در مقایسه با مدل قبلی بهبودهایی در تعمیم‌پذیری به داده‌های خارج از توزیع (Out-of-distribution) داشته است. مهم‌ترین تغییرات عملکردی این مدل عبارتند از:
- کسب امتیاز ۷۰.۸ در شاخص Decision Index (در مقایسه با ۶۷.۶ نسخه قبل)
- تأخیر میانی (Median latency) معادل ۱۷۲ میلی‌ثانیه
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Drex_Max #Decision_Index
انتشار مدل Nemotron 3.5 Transcribe توسط انویدیا
انویدیا مدل Nemotron 3.5 Transcribe را به عنوان یک مدل متن‌باز برای تبدیل گفتار به متن منتشر کرد. این مدل از ۴۰ زبان پشتیبانی می‌کند، قادر به ترجمه ۳۱ زبان است و عملیات تشخیص گوینده (Diarization) را برای ۱۳ زبان انجام می‌دهد.
ویژگی‌های فنی و کاربردی:
- دارای ۳۴ میلیارد پارامتر که ۴.۳ میلیارد آن در لحظه فعال هستند.
- معماری ترکیبی شامل Mamba-2، لایه‌های Transformer و Mixture of Experts.
- پردازش فایل‌های صوتی تا ۶۰ دقیقه بدون نیاز به استریم زنده.
- قابلیت دریافت دستورالعمل‌های خاص در ورودی (مانند استخراج کلمه به کلمه، اصلاح نوشتاری، انتساب به گوینده یا ترجمه).
- ثبت نرخ خطای ۵.۳۳٪ در بنچمارک انگلیسی Hugging Face.
انویدیا همراه با این مدل، مجموعه داده Granary v2 شامل ۴۶۳ هزار ساعت داده صوتی برای ۴۸ زبان را نیز در دسترس قرار داده است. وزن‌های این مدل تحت لایسنس OpenMDW-1.1 عرضه شده‌اند و برای استفاده عملیاتی، تست‌های انجام‌شده کارایی بالای آن را روی سخت‌افزارهای RTX PRO 6000 نشان می‌دهند. جزئیات بیشتر در گزارش فنی و دموی آنلاین قابل مشاهده است.
انویدیا مدل Nemotron 3.5 Transcribe را به عنوان یک مدل متن‌باز برای تبدیل گفتار به متن منتشر کرد. این مدل از ۴۰ زبان پشتیبانی می‌کند، قادر به ترجمه ۳۱ زبان است و عملیات تشخیص گوینده (Diarization) را برای ۱۳ زبان انجام می‌دهد.
ویژگی‌های فنی و کاربردی:
- دارای ۳۴ میلیارد پارامتر که ۴.۳ میلیارد آن در لحظه فعال هستند.
- معماری ترکیبی شامل Mamba-2، لایه‌های Transformer و Mixture of Experts.
- پردازش فایل‌های صوتی تا ۶۰ دقیقه بدون نیاز به استریم زنده.
- قابلیت دریافت دستورالعمل‌های خاص در ورودی (مانند استخراج کلمه به کلمه، اصلاح نوشتاری، انتساب به گوینده یا ترجمه).
- ثبت نرخ خطای ۵.۳۳٪ در بنچمارک انگلیسی Hugging Face.
انویدیا همراه با این مدل، مجموعه داده Granary v2 شامل ۴۶۳ هزار ساعت داده صوتی برای ۴۸ زبان را نیز در دسترس قرار داده است. وزن‌های این مدل تحت لایسنس OpenMDW-1.1 عرضه شده‌اند و برای استفاده عملیاتی، تست‌های انجام‌شده کارایی بالای آن را روی سخت‌افزارهای RTX PRO 6000 نشان می‌دهند. جزئیات بیشتر در گزارش فنی و دموی آنلاین قابل مشاهده است.
📊 سهم ۲۴ درصدی محتوای هوش مصنوعی در وب
بر اساس پژوهش جدیدی روی ۵.۱ میلیون صفحه وب، تا آگوست ۲۰۲۶ حدود ۲۴ درصد از صفحات قابل خزش حاوی متن‌های تولید یا ویرایش شده توسط هوش مصنوعی هستند. این میزان تا قبل از سال ۲۰۲۲ تقریباً صفر بود.
شتاب تولید این محتوا نیز افزایش یافته است؛ در حالی که رشد آن بین سال‌های ۲۰۲۳ تا ۲۰۲۵ حدود ۴.۶ درصد در سال بود، این رقم اکنون به ۸.۱ درصد رسیده است.
مهم‌ترین یافته‌های این تحقیق:
* اکثر رشد محتوای هوش مصنوعی مربوط به سایت‌هایی است که لینک‌های ورودی بسیار کمی دارند، در حالی که صفحات پربازدید و معتبر کمترین استفاده را از این متون داشته‌اند.
* محتوای انگلیسی بیش از سایر زبان‌ها تحت تأثیر این روند قرار دارد.
* دامنه‌های آموزشی (.edu) و دولتی (.gov) به مراتب کمتر از دامنه‌های تجاری (.com) از این نوع محتوا استفاده می‌کنند.
تیم پژوهشی دانشگاه واشینگتن و برکلی برای دستیابی به این آمار، از چندین ابزار تشخیص هوش مصنوعی استفاده کرده و نتایج را با اصلاح خطاهای مثبت و منفی کاذب مدل‌ها گزارش کرده‌اند.
بر اساس پژوهش جدیدی روی ۵.۱ میلیون صفحه وب، تا آگوست ۲۰۲۶ حدود ۲۴ درصد از صفحات قابل خزش حاوی متن‌های تولید یا ویرایش شده توسط هوش مصنوعی هستند. این میزان تا قبل از سال ۲۰۲۲ تقریباً صفر بود.
شتاب تولید این محتوا نیز افزایش یافته است؛ در حالی که رشد آن بین سال‌های ۲۰۲۳ تا ۲۰۲۵ حدود ۴.۶ درصد در سال بود، این رقم اکنون به ۸.۱ درصد رسیده است.
مهم‌ترین یافته‌های این تحقیق:
* اکثر رشد محتوای هوش مصنوعی مربوط به سایت‌هایی است که لینک‌های ورودی بسیار کمی دارند، در حالی که صفحات پربازدید و معتبر کمترین استفاده را از این متون داشته‌اند.
* محتوای انگلیسی بیش از سایر زبان‌ها تحت تأثیر این روند قرار دارد.
* دامنه‌های آموزشی (.edu) و دولتی (.gov) به مراتب کمتر از دامنه‌های تجاری (.com) از این نوع محتوا استفاده می‌کنند.
تیم پژوهشی دانشگاه واشینگتن و برکلی برای دستیابی به این آمار، از چندین ابزار تشخیص هوش مصنوعی استفاده کرده و نتایج را با اصلاح خطاهای مثبت و منفی کاذب مدل‌ها گزارش کرده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
⚖️ ابزارهای جدید کلاود برای امور حقوقی
شرکت Anthropic مجموعه‌ای از ابزارهای آماده تحت عنوان Artifacts را برای استفاده در امور حقوقی به پلتفرم Claude اضافه کرده است. این ابزارها با هدف خودکارسازی بررسی اسناد و تطبیق آن‌ها با استانداردهای قانونی طراحی شده‌اند.
مهم‌ترین ابزارهای ارائه‌شده عبارتند از:
• Cite check: بررسی مطابقت نقل‌قول‌ها با منابع اصلی و شناسایی شماره صفحات یا ارجاعات نادرست.
• Playbook deviation board: شناسایی بندهای قرارداد که با استانداردهای شرکت فاصله دارند.
• Tabular review: استخراج اطلاعات کلیدی از قراردادهای متعدد و تبدیل آن‌ها به یک جدول واحد.
• Regulatory horizon scan: مرتب‌سازی و نمایش قوانین جدید بر اساس زمان‌بندی و میزان تأثیرگذاری.
بخشی از این ابزارها توسط مجموعه‌هایی مانند Harvey، PwC، Goodwin و Foley & Lardner توسعه یافته‌اند. علاوه بر این، ابزارهای تخصصی دیگری برای حوزه‌هایی مانند دعاوی تخلیه ملک نیز در دسترس قرار گرفته است. کاربران می‌توانند با بارگذاری اسناد خود در این محیط‌های تعاملی، از قابلیت‌های تحلیلی این مدل‌ها استفاده کنند.
🇮🇷 تلگرام
شرکت Anthropic مجموعه‌ای از ابزارهای آماده تحت عنوان Artifacts را برای استفاده در امور حقوقی به پلتفرم Claude اضافه کرده است. این ابزارها با هدف خودکارسازی بررسی اسناد و تطبیق آن‌ها با استانداردهای قانونی طراحی شده‌اند.
مهم‌ترین ابزارهای ارائه‌شده عبارتند از:
• Cite check: بررسی مطابقت نقل‌قول‌ها با منابع اصلی و شناسایی شماره صفحات یا ارجاعات نادرست.
• Playbook deviation board: شناسایی بندهای قرارداد که با استانداردهای شرکت فاصله دارند.
• Tabular review: استخراج اطلاعات کلیدی از قراردادهای متعدد و تبدیل آن‌ها به یک جدول واحد.
• Regulatory horizon scan: مرتب‌سازی و نمایش قوانین جدید بر اساس زمان‌بندی و میزان تأثیرگذاری.
بخشی از این ابزارها توسط مجموعه‌هایی مانند Harvey، PwC، Goodwin و Foley & Lardner توسعه یافته‌اند. علاوه بر این، ابزارهای تخصصی دیگری برای حوزه‌هایی مانند دعاوی تخلیه ملک نیز در دسترس قرار گرفته است. کاربران می‌توانند با بارگذاری اسناد خود در این محیط‌های تعاملی، از قابلیت‌های تحلیلی این مدل‌ها استفاده کنند.
🇮🇷 تلگرام
🤖 تقطیر مدل OpenAI Astra در آزمایشگاه‌های چینی
نشریه The Information گزارش داده است که آزمایشگاه‌های هوش مصنوعی در چین از مدل Astra متعلق به OpenAI برای آموزش و «تقطیر» (Distillation) مدل‌های جدید خود استفاده کرده‌اند.
بر اساس این گزارش، مدل‌های زیر با بهره‌گیری از خروجی‌ها و دانش مدل Astra توسعه یافته‌اند:
- مدل Kimi K3.1 Pro محصول شرکت Moonshot AI که هفته گذشته منتشر شد.
- مدل DeepSeek V4.1-Flash 1017 که نسخه به‌روزرسانی‌شده در ۱۷ اکتبر است.
پیش از این، مدل‌های Claude شرکت Anthropic هدف اصلی فرآیندهای تقطیر در آزمایشگاه‌های چینی بودند. شرکت‌های OpenAI و Anthropic بارها آزمایشگاه‌های Moonshot و DeepSeek را به استفاده غیرمجاز از مدل‌هایشان برای آموزش متهم کرده‌اند، اما این شرکت‌های چینی تاکنون واکنشی به این اتهامات نشان نداده‌اند و در پاسخ به درخواست‌ها برای اظهارنظر نیز پاسخی نداده‌اند.
#Kimi_K3_1_Pro #DeepSeek_V4_1_Flash
نشریه The Information گزارش داده است که آزمایشگاه‌های هوش مصنوعی در چین از مدل Astra متعلق به OpenAI برای آموزش و «تقطیر» (Distillation) مدل‌های جدید خود استفاده کرده‌اند.
بر اساس این گزارش، مدل‌های زیر با بهره‌گیری از خروجی‌ها و دانش مدل Astra توسعه یافته‌اند:
- مدل Kimi K3.1 Pro محصول شرکت Moonshot AI که هفته گذشته منتشر شد.
- مدل DeepSeek V4.1-Flash 1017 که نسخه به‌روزرسانی‌شده در ۱۷ اکتبر است.
پیش از این، مدل‌های Claude شرکت Anthropic هدف اصلی فرآیندهای تقطیر در آزمایشگاه‌های چینی بودند. شرکت‌های OpenAI و Anthropic بارها آزمایشگاه‌های Moonshot و DeepSeek را به استفاده غیرمجاز از مدل‌هایشان برای آموزش متهم کرده‌اند، اما این شرکت‌های چینی تاکنون واکنشی به این اتهامات نشان نداده‌اند و در پاسخ به درخواست‌ها برای اظهارنظر نیز پاسخی نداده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما
#Kimi_K3_1_Pro #DeepSeek_V4_1_Flash