https://blog.google/technology/developers/t5gemma-2/

👉 @ai_python ✍️

شاید این ویدیو رو چندین بار در چانال تکرار کنم. چون ویدیو بسیار مهم و جذابی برای کسانی هست که در کنار یادگیری، دوست دارن کمی سرگرم هم بشن. مثلن این روزا خیلیا به راحتی برای خودشون Idle Game های بسیار جذاب می سازن و حتی پابلیش می کنند. شما چطور؟ :

👉 @ai_python ✍️

https://youtu.be/Zj_cvQKcH4g?si=iKW68ZTc2vlZ_i1M

به روزرسانی های Microsoft Entra با تمرکز بر روی امنیت دسترسی در راه حل های AI :

@WearebiTs 🐤

https://youtu.be/FQOSIJOFou0?si=lGyc914_vhDjlbch

معرفی فانکشن جما از گوگل :

👉 @ai_python ✍️


https://youtu.be/-Tgc_9uYJLI?si=OR3j6yvSLS8kY3uY

از اونجایی که این ویدیو unlisted هست، شاید کم تر دیده باشید. ولی یکی از ابزارهای قدرتمندی که Lovable برای ساخت اپلیکیشن از طریق وایب کدینگ اضافه کرده همین ابزار جذاب Connector هست :

👉 @ai_python ✍️

https://youtu.be/IJuctUeyVlQ?si=ZUjIO_DcuGcQr-nC

روش های استفاده بهتر از جمینای 3 نسخه Pro :
👉 @ai_python ✍️

https://youtu.be/di5E5FG1OT0?si=kYZKDCtCYzXj8E18

تور آزمایشگاه رباتیک گوگل دیپ مایند به همراه پروفسور هانا فرای :


👉 @ai_python ✍️

تاریخ تنظیم شده اولین انتشار این پست در @ai_python برابر است با : 27 دسامبر 2025

https://youtu.be/UALxgn1MnZo?si=DOUemd5muhvUmdbB

یکی از کارهای خفنی که یکی از ربات ها در این ویدیو انجام می ده 🤩 اینه که یه دونه نون تُست برمی داره و می ذاره توی یک کیسه فریزر زیپ دار و زیپش رو هم می بنده بعد می ذاره توی یک کیف

بقیه ربات هایی هم که نشون داده می شه جالبن. حتمن ببینید.

بعضی از ربات ها هم از جمینای استفاده می کنند برای بعضی از وظایف ... 🥱

👉 @ai_python ✍️

alphaxiv.org/pdf/2512.16649

یادداشتِ گروک : این توییت، مقاله‌ای به نام «JustRL: Scaling a 1.5B LLM with a Simple RL Recipe» را معرفی می‌کند. این مقاله یک روش ساده و تک‌مرحله‌ای یادگیری تقویتی (RL) با هایپرپارامترهای ثابت را توصیف می‌کند که مدل‌های زبان بزرگ با ۱.۵ میلیارد پارامتر را به سطح عملکرد استیت‌آف‌د‌آرت در استدلال (reasoning) می‌رساند.

👉 @ai_python ✍️

این روش روی دو مدل پایه (DeepSeek و Nemotron) میانگین دقت ۵۴.۹٪ و ۶۴.۳٪ را در نه بنچمارک ریاضی به دست آورده، در حالی که با ۲ برابر محاسبات کمتر نسبت به روش‌های پیچیده‌تر کار می‌کند و بهبودهای مداوم و بدون توقف (plateau) یا فروپاشی (collapse) را در بیش از ۴۰۰۰ گام نشان می‌دهد.


نویسندگان استدلال می‌کنند که خطوط لوله چندمرحله‌ای پیچیده و تنظیمات پویا اغلب غیرضروری هستند و مدل‌ها و کد خود را به عنوان یک پایه پایدار برای جامعه تحقیقاتی منتشر کرده‌اند.

قابلیت های Tabular در نسخه 14.2 برای تمیز کردن داده ها :

👉 @ai_python ✍️

https://www.youtube.com/live/XrnSVMRK9Bk?si=soc2EoVVgYdKFCvc

کارهای بسیار زیادی که می تونید برای سر و سامون دادن به SharePoint با استفاده از Agent مربوطه در Microsoft 365 Copilot در چند دقیقه انجام بدید، در حالی که همین کارها در گذشته ساعت ها زمان و برنامه ریزی و نیروی انسانی نیاز داشتند:

@WearebiTs 🐤

https://youtu.be/biWymgItJ_I?si=_Zp5PJjA6PdHRZXk

👉 @ai_python ✍️

alphaxiv.org/abs/2512.17901

یادداشتِ گروک :

این پست مقاله‌ای به نام «When Reasoning Meets Its Laws» را معرفی می‌کند.این مقاله یک چارچوب ساده به نام «قوانین استدلال» (Laws of Reasoning یا LoRe) پیشنهاد می‌دهد: استدلال مدل‌های هوش مصنوعی باید به صورت خطی با پیچیدگی سؤال مقیاس‌پذیر باشد (یعنی محاسبات استدلالی متناسب با سختی مسئله افزایش یابد).


پیچیدگی سؤال با دو ویژگی قابل اندازه‌گیری ارزیابی می‌شود:مونوتونیسیتی (Monotonicity): سؤالات پیچیده‌تر نیاز به محاسبات بیشتری دارند.
کامپوزیسیونالیتی (Compositionality): برای سؤالات مستقل، محاسبات کل برابر مجموع محاسبات هر بخش جداگانه است.

وقتی مدل‌ها را روی رعایت این اصول آموزش می‌دهند، دقت استدلال آن‌ها در وظایف پیچیده به طور قابل توجهی بهبود می‌یابد.

👉 @ai_python ✍️

در واقع، مدل‌هایی که بهتر به این قوانین پایبند باشند، عملکرد بهتری در بنچمارک‌های مختلف نشان می‌دهند و از افت دقت نمایی (exponential accuracy drop) با افزایش پیچیدگی جلوگیری می‌شود.چارچوب LoRe یک رویکرد عملی برای نزدیک شدن به قوانین مقیاس‌پذیری واقعی است و می‌تواند تأثیرات گسترده‌ای روی استدلال قابل اعتمادتر هوش مصنوعی در زمینه‌هایی مثل منطق، حل مسئله و غیره داشته باشد.

شبیه ساز اولین مرورگر تاریخ اینترنت که در سال 1990 استفاده شد :

👉 @ai_python ✍️


https://worldwideweb.cern.ch/browser/