6108
🗨 ارتباط با ما (تبلیغات، سوال، پیشنهاد و انتقاد): 📩 @Contact2Mebot 💯 کانال دوم ما: @Datascientists_Files 💎 در پیامرسان بله(آپدیت اتومات): https://ble.ir/dataplusscience 💡 در پیامرسان ایتا(آپدیت اتومات): https://eitaa.com/DataPlusScience
🤖 مدل جدید HappyHorse 1.0 برای تولید ویدیو
🟢 علیبابا مدل HappyHorse 1.0 (مدل تولید ویدیو مبتنی بر فیزیک واقعی) را منتشر کرد که بهصورت رایگان روزانه دو ویدیو ۵‑ثانیهای با کیفیت 720p در اختیار کاربران قرار میدهد. این سیستم با شبیهسازی دقیق حرکات اجسام و شخصیتها، سعی در کاهش احساس مصنوعی بودن خروجیها دارد و بهعنوان رقیبی برای Seedance 2 معرفی شده است.
🔵 برای آزمون سرویس، کاربران میتوانند از طریق وبسایت رسمی مدل ویدیوهای کوتاه تولید کنند و کیفیت واقعیتری نسبت به روشهای پیشین تجربه کنند.
🔹 دسترسپذیری رایگان: دو ویدیو ۵ ثانیهای در روز با رزولوشن 720p.
🔸 تمرکز فیزیکی: شبیهسازی حرکات بر پایه فیزیک واقعی برای تولید تصاویر طبیعیتر.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🚀 انویدیا RTX Spark: شتابدهنده هوش مصنوعی برای ویندوز
Nvidia از RTX Spark Superchip رونمایی کرده است؛ سیستمی بر پایه تراشه که برای اجرای محلی مدلهای هوش مصنوعی تا ۱۲۰ میلیارد پارامتر در ویندوز ۱۱ طراحی شده است. این تراشه از پردازنده مرکزی ۲۰ هستهای Grace و هسته گرافیکی Blackwell با ۶۱۴۴ هسته CUDA بهره میبرد و از طریق NVLink به هم متصل شده و تا ۱۲۸ گیگابایت حافظه یکپارچه LPDDR5X را پشتیبانی میکند. با توان حرارتی ۸۰ وات، قدرت پردازش گرافیکی آن با GeForce RTX 5070 موبایل قابل مقایسه است و از DLSS 4.5 پشتیبانی میکند. انتظار میرود لپتاپهای مجهز به RTX Spark از پاییز امسال با قیمت پایه ۲۷۰۰ یورو عرضه شوند.
🔹 پردازش محلی: این تراشه امکان اجرای مدلهای هوش مصنوعی بزرگ را مستقیماً روی دستگاه فراهم میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 مجموعهای جامع از منابع یادگیری ماشین
این مخزن، مجموعهای عظیم از منابع سازمانیافته در زمینههای یادگیری ماشین، یادگیری عمیق و هوش مصنوعی است که به جای جستجوهای بیپایان، دسترسی سریع به دستهبندیهای مختلف را فراهم میکند. 📚
این مجموعه شامل بخشهایی چون مبانی یادگیری ماشین، شبکههای عصبی و معماریهای مدرن، وظایف و حوزههای کاربردی، مجموعه دادهها، کتابخانهها و ابزارها، انصاف و اخلاق در هوش مصنوعی، و تولید و عملیات یادگیری ماشین (MLOps) میشود. 📊
هر لینک دارای توضیحات کوتاهی است تا به سرعت بتوانید ارزش آن را تشخیص دهید و همچنین مجموعههایی که بیش از یک سال بهروزرسانی نشدهاند، با آیکون مشخصی علامتگذاری شدهاند. ⚠️
📖 Awesome Machine Learning Resources
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 گراف دانش تعاملی از کدبیس
ابزاری جدید، هر کدبیس را به یک گراف دانش تعاملی تبدیل میکند تا درک و پیمایش آن آسانتر شود.
🔗 Understand-Anything
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #44
⏰ از جمعه 1405/03/15 ساعت 14:00
تا شنبه 1405/03/16 ساعت 14:00
━━━━━━━━━━━━━━━
🤖 مدلهای زبانی بزرگ و خودبهبودی
شرکت Anthropic مفهوم "خودبهبودی بازگشتی" (recursive self-improvement) را معرفی کرده است. در این رویکرد، مدلهای هوش مصنوعی قادرند خودشان را بهبود بخشیده و آموزش دهند. پیشرفتها در این زمینه بهقدری سریع هستند که پیشبینی میشود در آینده نزدیک، بخش قابل توجهی از کدنویسی و توسعه نرمافزار توسط هوش مصنوعی انجام شود. همچنین، گزارش شده است که مدل Claude این شرکت در سال ۲۰۲۶ بیش از ۸۰٪ کدهای اضافهشده به پایهکد شرکت را تولید کرده است.
🔗 مشاهده پست
🔗 مشاهده پست
مقاله جدیدی با نام Parallax، رویکردی نوآورانه در مکانیسم توجه ترنسفورمرها (Transformer attention mechanism) ارائه میدهد. این رویکرد برخلاف تمرکز غالب بر جایگزینی کامل مکانیزم softmax، آن را حفظ کرده و یک "شاخه تصحیح" یادگیریشده به آن اضافه میکند. این نوآوری میتواند کارایی و دقت مدلهای مبتنی بر ترنسفورمر را بهبود بخشد.
🔗 مشاهده پست
یک راهنمای تعاملی سهبعدی بهصورت تصویری، نحوه عملکرد ترکیبات اصلی مدلهای زبانی بزرگ (LLMs) را از مرحله Embedding تا Softmax بهصورت گامبهگام نشان میدهد. این ابزار به جای مطالعه مقالات، درک بصری عمیقی از فرآیندهای داخلی LLMها فراهم میکند.
🔗 مشاهده پست
کتابخانه FlashLib پیادهسازیهای سریعی از الگوریتمهای k-means, PCA و DBSCAN را با استفاده از Triton و CuteDSL بر روی GPU فراهم میکند. این کتابخانه با API واضح، امکان اندازهگیری عملیات را برای وظایف خوشهبندی، رگرسیون و تجزیه و تحلیل فراهم میسازد.
🔗 مشاهده پست
صفحه پیشرو Arena برای ارزیابی عاملهای هوش مصنوعی راهاندازی شده است. این پلتفرم فراتر از بنچمارکهای سنتی، عملکرد مدلها را بر اساس وظایف هدایتشده توسط کاربر، از جمله کدنویسی، ساخت اپلیکیشن، تحقیق و تولید محتوا، ارزیابی میکند.
🔗 مشاهده پست
نرمافزار LM Studio نسخه موبایل خود را برای iOS عرضه کرده است که امکان اجرای مدلهای کوچک مانند Gemma 4 E2B را مستقیماً بر روی آیفون و آیپد فراهم میکند. با قابلیت LM Link، میتوان گوشی را به اینترنت متصل کرده و مدلهای بزرگتر را روی کامپیوتر اجرا کرد.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
📊 صفحه پیشرو Arena برای ارزیابی عاملهای هوش مصنوعی
Arena یک صفحه پیشرو واقعی برای عاملهای هوش مصنوعی راهاندازی کرده است که فراتر از بنچمارکهای سنتی، عملکرد مدلها را بر اساس وظایف هدایتشده توسط کاربر ارزیابی میکند. این ارزیابی شامل فعالیتهایی مانند کدنویسی، ساخت اپلیکیشن، تحقیق، ایجاد مستندات و تحلیل فایل در جلسات زنده با استفاده از ابزارهای وب و ترمینال است. 🚀
🔹 معیارهای ارزیابی: موفقیت در وظیفه، پاسخگویی، بازیابی خطا، بازخورد کاربر و اجتناب از ابزارهای ناموجود.
🔸 مقیاس داده: این صفحه پیشرو شامل دادههای بیش از ۳۰۰,۰۰۰ وظیفه و ۴۰ میلیون خط کد است.
🔹 رهبران فعلی: GPT-5.5 High در حال حاضر پیشتاز است، و پس از آن Claude Opus 4.7 Thinking و GPT-5.4 High قرار دارند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 کتابخانه FlashLib برای یادگیری ماشین روی GPU
⚙️ FlashLib پیادهسازیهای سریع kmeans, PCA و DBSCAN را با استفاده از Triton و CuteDSL روی GPU فراهم میکند و با API واضح، عملکرد عملیات را اندازهگیری میسازد.
📊 این کتابخانه 15 primitive سطح‑بالا را برای خوشهبندی، رگرسیون و تجزیه‑تحلیل پشتیبانی میکند و میتواند بهراحتی با PyTorch و sklearn ادغام شود.
🔗 FlashLib GitHub repository
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 فهم گامبهگام LLMها
🔎 این راهنمای تعاملی سه بعدی بهصورت تصویری، نحوهٔ کارکرد ترکیبات اصلی مدلهای زبانی بزرگ را از Embedding تا Softmax بهصورت مرحله‑به‑مرحله نشان میدهد و بهجای مطالعهٔ مقالات، درک بصری را فراهم میکند.
🔹 Embedding: تبدیل توکنها به فضای برداری ثابت
🔸 Layer Norm: نرمالسازی مقیاسدار برای پایداری آموزش
🔹 Self‑Attention: وزندهی پویا بین همهٔ توکنها
🔸 MLP: لایههای پیشساز کامل (Fully‑Connected) برای پردازش غیرخطی
🔹 Transformer layers: ترکیب توجه و MLP در ساختار تودرتو
🔸 Softmax: تبدیل مقیاس نهایی به توزیع احتمال خروجی
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🎓 دوره آموزشی ترنسفورمرها و مدلهای زبانی بزرگ
دوره CME295 از استنفورد با تمرکز بر Transformers (معماری پایه مدلهای زبانی) و LLMs (مدلهای زبانی بزرگ) در سال ۲۰۱۵ ارائه شده است.
🔗 پلیلیست یوتیوب دوره
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 مایکروسافت هفت مدل هوش مصنوعی جدید منتشر کرد
مایکروسافت همزمان هفت مدل AI جدید را معرفی کرد. اما مهمترین نکته این اعلامیه، خود مدلها نیست بلکه جهتگیراتری استراتژیک است. شرکت قصد دارد از یک شریک OpenAI به یک آزمایشگاه مستقل frontier-تبدیل شود و این موضوع با یک گزارش فنی ۱۰۹ صفحهای تحت عنوان Building a Hill-Climbing Machine همراه شده است.
🧠 در میان مدلها، MAI-Thinking-1 برجستهترین است: یک مدل reasoning (استدلال) با ۳۵ میلیارد پارامتر فعال که روی بنچمارک AIME 2025 امتیاز ۹۷٪ و روی SWE-Bench Pro امتیاز ۵۳٪ کسب کرده. همراه با آن یک مدل فشرده ۵ میلیاردی برای برنامهنویسی و مدلهای تولید تصویر و صدا نیز منتشر شدهاند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 دستیار هوش مصنوعی در خرید روزانه
🚀 دستیار هوش مصنوعی جدیدی به نام "Go" توسط Gopuff و با همکاری SpaceXAI راهاندازی شده است که وظیفه خرید روزانه شما را بر عهده میگیرد. با بیان نیاز خود، این دستیار تمام مراحل خرید را مدیریت میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 پیشرفت Anthropic در بهبود خودکار هوش مصنوعی
شرکت Anthropic در مسیر دستیابی به توانایی بهبود خودکار هوش مصنوعی (recursive self-improvement) گامهای بلندی برداشته است، به طوری که سیستمها قادر به توسعه نسلهای بعدی خود به صورت مستقل هستند. این پیشرفتها منجر به افزایش چشمگیر بهرهوری و سرعت توسعه شده است.
💡 مهندسان کدنویسی با استفاده از ابزارهای Anthropic، هشت برابر بیشتر از دوره ۲۰۲۱ تا ۲۰۲۵ کد تولید میکنند.
💡 زمان تکمیل وظایف توسط هوش مصنوعی هر چهار ماه دو برابر شده و از وظایف ۴ دقیقهای به پروژههای ۱۲ ساعته گسترش یافته است.
💡 تا ماه مه ۲۰۲۶، ۸۰٪ کدهای ادغام شده توسط Claude تولید شده که کیفیت آن با کارهای انسانی برابری میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
💡 مدل GPT-4 قابلیت "Dreaming" را دریافت کرد
مدل GPT-4 اکنون قابلیت "Dreaming" را برای بهروزرسانی حافظه خود در پسزمینه اضافه کرده است. این ویژگی به جای لیست ثابتی از حقایق، به طور مداوم تاریخچه چتها را بررسی کرده و وضعیت حافظه فعلی را ترکیب میکند تا اطلاعات بهروز بماند.
🚀 این قابلیت به مدل اجازه میدهد تا جزئیات مربوط به تعاملات کاربر را بهطور خودکار بهروز کند؛ برای مثال، اگر کاربری قصد سفر به سنگاپور را داشته باشد، پس از سفر، حافظه مدل از "کاربر به سنگاپور میرود" به "کاربر در ژوئیه ۲۰۲۵ در سنگاپور بود" تغییر میکند.
💰 OpenAI این ویژگی را پس از کاهش حدود ۵ برابری هزینههای محاسباتی آن توسعه داده است. این قابلیت در حال حاضر برای کاربران Plus و Pro در ایالات متحده در دسترس است و بهزودی برای سایر مناطق و سطوح اشتراک عرضه خواهد شد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🖼️ Reve 2.0: سریعترین مدل تولید تصویر 4K جهان
Reve 2.0 مدلی جدید برای تولید تصاویر با وضوح 4K (16 مگاپیکسل) است که ادعا میشود سریعترین در جهان در این رزولوشن محسوب میشود. تصاویر تولید شده بلافاصله آماده چاپ هستند و نیازی به Upscaling (افزایش وضوح) ندارند. این مدل در دو مرحله عمل میکند: ابتدا یک مدل Autoregressive (مدل خودرگرسیو که توالی دادهها را پیشبینی میکند) کد توصیفکننده ترکیببندی، اشیاء، سبک و متن را تولید میکند، سپس یک مدل Diffusion (مدل انتشاری که با افزودن و حذف تدریجی نویز، تصویر را میسازد) تصویر نهایی را رندر میکند.
🏆 این مدل در رقابت Image Arena با کسب 1280 امتیاز در جایگاه دوم قرار گرفت و تنها از GPT Image 2 شکست خورد و Gemini 3.1 Flash (Nano Banana 2) را پشت سر گذاشت.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 اجرای Gemma 4 12B روی تنها 6 گیگابایت VRAM
تیم Unsloth AI مدل Gemma 4 12B را به شکلی فوقالعاده بهینهسازی کرده که با تنها حدود ۶ گیگابایت VRAM قابل اجراست. نسخه 2-bit GGUF این مدل فقط ۴.۶۶ گیگابایت فضای دیسک اشغال میکند و حتی از یک پرامپت واحد توانایی ارجاع به ۱۵ سایت مختلف را دارد.
⚡️ این مدل قابلیتهای گستردهای شامل reasoning (استدلال)، multimodalities (پردازش چندرسانهای)، context window ۱۲۸ هزار توکنی، کدنویسی و ساخت agents (عاملهای هوشمند) و همچنین native system prompting (پرامپتسازی سیستمی بومی) را ارائه میدهد.
💻 اجرای محلی این مدل از طریق Unsloth Studio (محیط توسعه اختصاصی این تیم) روی سیستمهایی با بیش از ۶ گیگابایت RAM امکانپذیر است.
🔗 مخزن GitHub Unsloth
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
💡 نقشه راه مهندسی هوش مصنوعی: گامهای کلیدی
با وجود رشد ۳۰۰ درصدی بازار کار هوش مصنوعی، ۹۰ درصد مهندسان این حوزه به دلیل فقدان نقشه راه موفق نمیشوند. یک مسیر ۱۰ مرحلهای برای موفقیت در این حوزه پیشنهاد شده که گامهای اصلی آن عبارتند از:
🔹 مبانی پایتون: تسلط بر پایتون، Jupyter Notebook و Git.
📈 ریاضیات و آمار: یادگیری مفاهیم کلیدی با NumPy و SciPy (کتابخانه علمی و فنی).
🧠 الگوریتمهای یادگیری ماشین: scikit-learn، pandas، XGBoost/LightGBM.
🚀 یادگیری عمیق: PyTorch، TensorFlow، Keras و Weights & Biases (پلتفرم ردیابی آزمایشهای ML).
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 دسترسی رایگان به ۷۰+ مدل زبانی انویدیا
🚀 انویدیا دسترسی API به بیش از ۷۰ مدل زبانی پیشرفته، شامل مدلهایی از Mistral، Gemma، DeepSeek، Kimi و Qwen را بهصورت رایگان و بدون محدودیتهای شدید ارائه کرده است. این فرصت استثنایی به توسعهدهندگان امکان میدهد تا بهسرعت از این مدلها در پروژههای خود بهرهمند شوند.
📖 پلتفرم مدلهای انویدیا
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 گوگل مشتری جدید اسپیسایکس شد
گوگل با اسپیسایکس قراردادی برای اجاره ۱۱۰ هزار پردازنده گرافیکی (GPU) سری Blackwell منعقد کرده است. این قرارداد ماهانه ۹۲۰ میلیون دلار برای اسپیسایکس به همراه خواهد داشت که معادل ۱۱.۶ دلار به ازای هر ساعت برای هر GPU است.
💡 این قرارداد در حالی منعقد میشود که اسپیسایکس آماده عرضه اولیه عمومی (IPO) خود است و این درآمد اضافی میتواند به تقویت موقعیت مالی آن کمک کند.
💡 با احتساب قرارداد قبلی با Anthropic به ارزش ۱.۲۵ میلیارد دلار در ماه، درآمد اسپیسایکس از اجاره مراکز داده به ۲۶ میلیارد دلار در سال میرسد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 فرآیند n8n: گام به گام
⚙️ این اینفوگرافی به معرفی فرآیند n8n (ابزار اتوماسیون گردش کار منبعباز) به صورت گام به گام میپردازد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 اجرای مدلهای LLM بر iOS با LM Studio
🚀 نرمافزار LM Studio نسخه موبایل (Locally) را برای iOS عرضه کرده و امکان اجرای مدلهای کوچک مانند Gemma 4 E2B را مستقیماً روی آیفون و آیپد فراهم میکند. 📱 علاوه بر این، با قابلیت LM Link میتوانید گوشی را به اینترنت متصل کرده و مدلهای بزرگتر را روی کامپیوتر اجرا کنید و بهصورت زنده از آنها در دستگاه موبایل استفاده کنید.
🔹 امکان اجرا: مدلهای کوچک بهصورت بومی روی سختافزار iOS کار میکنند.
🔸 اتصال به کامپیوتر: LM Link ارتباط اینترنتی میان گوشی و کامپیوتر را برقرار میسازد تا مدلهای بزرگتر در دسترس باشند.
🔹 سازگاری: از iPhone و iPad پشتیبانی میشود، بدون نیاز به روت یا Jailbreak.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🧠 PlanningBench: ارزیابی مهارتهای برنامهریزی LLMها
تنسنت هونیوان (Tencent Hunyuan) با همکاری دانشکده هوش مصنوعی گائولینگ در دانشگاه رنمین چین، فریمورک جدیدی به نام PlanningBench را معرفی کردهاند. این ابزار جامع برای ارزیابی و آموزش مهارتهای برنامهریزی در مدلهای زبان بزرگ (LLMها) طراحی شده است.
✨ PlanningBench با هدف پر کردن شکافهای موجود در ارزیابی قابلیتهای استدلال و برنامهریزی LLMها، ویژگیهای کلیدی زیر را ارائه میدهد:
🔹 بیش از ۳۰ وظیفه برنامهریزی متنوع برگرفته از سناریوهای واقعی را شامل میشود.
🔸 قابلیت بررسی خودکار راهحلهای ارائه شده توسط مدلها را فراهم میکند.
🔺 از ارزیابی عملکرد مدلها و همچنین آموزش آنها برای بهبود مهارتهای برنامهریزی پشتیبانی میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 پیشرفت سریع AI و نقش Anthropic
🚀 Anthropic Institute با گزارشی اعلام کرد که هوش مصنوعی بهویژه Claude (مدل زبانی) در حال پیشرفتهای خودکار برای تولید کد است؛ در سال ۲۰۲۶ بیش از ۸۰٪ کدهای اضافهشده به پایهکد شرکت توسط Claude نوشته شد.
📈 مهندسان در همان دوره حدود ۸ برابر بیشتر نسبت به ۲۰۲۴ کد مینویسند. ⏳ توان حل مسأله بدون دخالت انسان هر چهار ماه تقریباً دوبرابر میشود؛ از چند دقیقه در Opus 3 (۲۰۲۴) تا ۱۲ ساعت در Opus 4.6 (۲۰۲۵).
🏥 پیشبینی میشود این سرعت رشد بهبودهای چشمگیری در پزشکی و علم ایجاد کند، اما نیاز به ابزارهای اعتبارسنجی و نظارت دارد.
🌐 Anthropic برای جلوگیری از تسریع بیقید و شرط، خواستار همکاری جهانی برای توانمندسازی مکانیسمهای توقف موقت توسعه پیشرفته مدلهاست.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
✨ Parallax: نوآوری در مکانیسم توجه ترنسفورمر
💡 مکانیسم توجه در ترنسفورمرها از سال ۲۰۱۷ تغییرات کمی داشته و بیشتر رویکردها بر جایگزینی کامل softmax (مکانیزم اصلی توجه) متمرکز بودهاند.
🔄 یک مقاله جدید، Parallax را معرفی میکند؛ رویکردی متفاوت که softmax را حفظ کرده و یک شاخه تصحیح یادگیریشده به آن میافزاید.
🔬 تیمی از محققان از دانشگاههای Northwestern و Washington و Tilde Research، Parallax را به عنوان یک Parameterized Local Linear Attention (مکانیسم توجه خطی محلی پارامتریشده) توسعه دادهاند که برای پیشآموزش LLMها (مدلهای زبان بزرگ) مقیاسپذیر است و با Muon همطراحی شده است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 خودبهبودی مدلهای هوش مصنوعی: گامی به سوی هوش مصنوعی پیشرفته
🚀 شرکت Anthropic مفهوم recursive self-improvement (خودبهبودی بازگشتی) را معرفی کرده است، جایی که مدلهای هوش مصنوعی خود را بهبود میبخشند و آموزش میدهند. این پیشرفتها به حدی سریع هستند که در آینده نزدیک، بخش عمدهای از کدنویسی و توسعه مدلهای جدید توسط خود این مدلها انجام خواهد شد، که این امر نیاز به بررسی و هماهنگی جهانی برای مدیریت توسعه مرزهای هوش مصنوعی را برجسته میکند.
💡 در حالی که انسانها همچنان در تعیین اهداف بلندمدت و جهتدهی تحقیقاتی برتری دارند، مدلهایی مانند Claude بخش قابل توجهی از فرآیند توسعه را خودکار کردهاند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #43
⏰ از پنجشنبه 1405/03/14 ساعت 14:00
تا جمعه 1405/03/15 ساعت 14:00
━━━━━━━━━━━━━━━
⚡ بهینهسازی و عملکرد مدلها
تیم Unsloth AI مدل Gemma 4 12B را به شکلی فوقالعاده بهینه کرده که با تنها حدود ۶ گیگابایت VRAM قابل اجراست. نسخه 2-bit GGUF این مدل فقط ۴.۶۶ گیگابایت فضای دیسک اشغال میکند و توانایی ارجاع همزمان به ۱۵ سایت مختلف از یک پرامپت واحد را دارد. این پیشرفت اجرای مدلهای سنگین را روی سختافزار کممصرف ممکن ساخته است.
🔗 مشاهده پست
نمورتور 3 Ultra (مدل متنباز NVIDIA) برای زنجیرههای طولانی عاملمحور (agentic) طراحی شده و تمرکز بر برنامهریزی چندمرحلهای، فراخوانی ابزارها، کدنویسی و جستوجوی اسناد دارد. در مقایسه با نسل قبلی، سرعت inference تا ۵ برابر بالاتر و هزینه اجرای وظایف عاملی تا ۳۰٪ کاهش یافته است.
🔗 مشاهده پست
DeepSeek به عنوان رقیب ارزانتر OpenAI و Anthropic در حال رشد است. شرکتهای آمریکایی با انتقال هوش مصنوعی از مراحل آزمایشی به فرآیندهای روزمره، به دنبال کاهش هزینه پردازش توکن هستند و مدلهای اقتصادیتری مانند DeepSeek توجه فزایندهای را به خود جلب کردهاند.
🔗 مشاهده پست
OpenAI قابلیت حافظه پویا (Dynamic Memory) را برای کاربران Plus و Pro در آمریکا فعال کرده است. سیستم جدید بر پایه مکانیزم Dreaming ساخته شده و خودش از چندین جلسه چت، جزئیات پروژهها و ترجیحات کاربر استخراج میکند — بدون نیاز به دستور صریح.
🔗 مشاهده پست
GPT-4 قابلیت Dreaming را برای بهروزرسانی حافظه در پسزمینه دریافت کرده است. این ویژگی به جای لیست ثابتی از حقایق، تاریخچه چتها را بررسی کرده و وضعیت حافظه فعلی را ترکیب میکند تا اطلاعات بهروز بماند.
🔗 مشاهده پست
دادههای جدید منتشر شده توسط مدیرعامل Cloudflare نشان میدهد که ترافیک اینترنتی تولیدشده توسط رباتها و عاملهای هوش مصنوعی (AI agents) برای اولین بار از ترافیک انسانی فراتر رفته است. این تحول نشاندهنده تغییر قابل توجهی در نحوه تعامل با فضای آنلاین و اهمیت روزافزون عاملهای خودکار در اکوسیستم وب است.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 معرفی نموترون ۳ اولترا: مدل ۵۵۰ میلیارد پارامتری انویدیا برای ایجنتهای بلندمدت
انویدیا مدل Nemotron 3 Ultra را منتشر کرد؛ یک مدل باز ترکیب متخصصان (MoE) با ۵۵۰ میلیارد پارامتر (۵۵ میلیارد فعال بهازای هر توکن) که برای ایجنتهای بلندمدت طراحی شده.
🏗 معماری: ترکیب هیبریدی Mamba-Attention MoE (نه ترنسفورمر خالص) با ۱۰۸ لایه، ۵۱۲ متخصص در هر لایه و مسیریابی top-22. معماری Mamba هزینه دیکد را با رشد کانتکست ثابت نگه میدارد و پنجره کانتکست به ۱ میلیون توکن میرسد.
⚡️ کارایی: توان عملیاتی ۵.۹ برابر بیشتر از GLM-5.1 و هزینه حدود ۳۰٪ کمتر تا تکمیل وظیفه. حالت تلاش متوسط با ۲.۵ برابر توکن کمتر و افت دقت تنها ۷٪.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 رباتهای هوش مصنوعی از انسانها در اینترنت پیشی گرفتند
دادههای جدید منتشر شده توسط مدیرعامل Cloudflare نشان میدهد که ترافیک اینترنتی تولید شده توسط رباتها و عوامل هوش مصنوعی برای اولین بار از ترافیک انسانی فراتر رفته است. این تحول نشاندهنده تغییر قابل توجهی در نحوه تعامل با فضای آنلاین است.
🔹 روند افزایشی: این دادهها حاکی از رشد چشمگیر استفاده از هوش مصنوعی در اینترنت است.
🔸 تأثیرات آتی: پیشبینی میشود این روند بر امنیت سایبری و تجربه کاربری تأثیر بگذارد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 ظهور DeepSeek به عنوان رقیب ارزانتر OpenAI
شرکتهای آمریکایی به طور فزایندهای در حال بررسی و استفاده از مدلهای هوش مصنوعی مانند DeepSeek هستند که جایگزینهای مقرونبهصرفهتری نسبت به OpenAI و Anthropic ارائه میدهند. با انتقال هوش مصنوعی از مراحل آزمایشی به فرآیندهای روزمره، هزینه پردازش توکنها (واحدی از متن که مدلها پردازش میکنند) به یک عامل مهم در بودجه شرکتها تبدیل شده است.
💡 این روند به ویژه در وظایف مبتنی بر عامل (agentic tasks) مشهود است، جایی که یک درخواست کاربر میتواند منجر به دهها فراخوانی مدل، جستجو، استفاده از ابزارها، و پردازش متن طولانی شود.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 نمورتور 3 Ultra برای وظایف طولانی‑مدت
🚀 نمورتور 3 Ultra (مدل متنباز NVIDIA) برای زنجیرههای طولانی عاملمحور طراحی شده؛ تمرکز بر برنامهریزی چندمرحلهای، فراخوانی ابزارها، کدنویسی و جستوجوی اسناد.
⚡ در مقایسه با مدلهای قبلی، سرعت inference تا 5× بالا و هزینه اجرای وظایف عاملی تا 30٪ کاهش مییابد، که برای برنامههای تولیدی با صدها گام اهمیت حیاتی دارد.
🔐 مدل متنباز امکان fine‑tuning روی دامنه خاص و اجرا در زیرساختهای داخلی را فراهم میکند، بدینسان سازمانها میتوانند وزنها را کنترل و هزینه کل زنجیره کاری را بهدقت ارزیابی کنند.
🔗 NVIDIA Blog
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 ساخت سیستم هوش مصنوعی بصورت رایگان
💡 در سال 2026، ساخت یک سیستم هوش مصنوعی در سطح پروداکشن بدون نیاز به صرف هزینه امکانپذیر است. این امر با استفاده از مجموعهای از ابزارها و فریمورکهای متنباز و رایگان محقق میشود.
🚀 معماری پیشنهادی شامل مدلهای زبان بزرگ (LLM) مانند Gemma 4 یا Llama 3.3 که به صورت محلی با Ollama اجرا میشوند، ابزارهای ارکستراسیون مانند LangGraph یا CrewAI، و سیستمهای بازیابی افزوده (RAG) با LlamaIndex و ChromaDB یا Qdrant است. لایه ابزار با پروتکل MCP، ایجنتهای کدنویسی با Claude Code CLI یا Aider، و فرانتاند با Next.js و Vercel یا Streamlit پشتیبانی میشوند. دادهها با SQLite یا DuckDB مدیریت شده، و ابزارهای مشاهدهپذیری مانند Langfuse یا Phoenix به صورت خودمیزبانی (self-hosted) استفاده میشوند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما