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
🤖 BrowserBC – رویکردی کارآمدتر برای Web Agents
🔬 تیم ViDA پروژه متنباز BrowserBC را منتشر کرده که روش تازهای برای اجرای web agents ارائه میدهد. بهجای استفاده از مدلهای قدرتمند (frontier) در هر مرحله، ابتدا یک human web flow را با مدل قویتر ضبط میکنند و آن را به یک مهارت قابل استفاده مجدد (reusable skill) تبدیل میکنند.
⚡️ سپس اجرای آن مهارت به یک مدل کوچکتر و ارزانتر واگذار میشود. نتایج روی WebArena-Hard قابل توجه است: تعداد فراخوانی ابزار (tool calls) ۲۷٪ کاهش یافته و نرخ موفقیت از ۶۰٪ به ۸۱٪ افزایش پیدا کرده است.
🔗 GitHub – BrowserBC
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🎓 فرصت طلایی: Zed Pro رایگان برای دانشجویان
🤖 اگر ایمیل دانشگاهی (.ac.ir یا .edu) دارید، اشتراک Pro سالانه ادیتور Zed را با مدلهای Claude Sonnet 4.6، GPT 5.5، Gemini 3.1 Pro و دهها مدل دیگر، به صورت رایگان دریافت کنید.
💰 علاوه بر این، ۱۰ دلار کردیت API هم به شما داده میشود. ارزش این اشتراک ۱۲۰ دلار در سال است. Zed یک IDE سبک، سریع و بهینه برای کدنویسی با هوش مصنوعی است.
🔗 دریافت اشتراک دانشجویی Zed
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🔁 مهندسی حلقه (Loop Engineering): از پرامپت تا سیستمهای هوشمند خودکار
با پیشرفت عاملهای هوش مصنوعی (AI Agents) در سال ۲۰۲۶، تمرکز از پرامپتهای صرف به سمت طراحی سیستمهای چرخهای سوق یافته است. این سیستمها قادر به تفکر مداوم، اجرا، مشاهده، تأیید و تکامل هستند. تفاوت اصلی بین پروژههای آماتور و سیستمهای تولیدی در "مهندسی حلقه" (Harness Engineering) نهفته است، که شامل قابلیتهایی مانند کارکرد مداوم برای دقایق یا ساعتها، بازیابی پس از شکست، کنترل هزینه و تشخیص زمان توقف است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🍝 سه سال پیشرفت هوش مصنوعی در یک ویدیوی اسپاگتی
ویدیوی معروف «ویل اسمیت در حال خوردن اسپاگتی» به یکی از معیارهای غیررسمی ارزیابی کیفیت مدلهای تولید ویدیو تبدیل شده است. در مارس ۲۰۲۳، مدل Modelscope تلاش کرد این صحنه را بازسازی کند و نتیجهای بهشدت غریب و غیرطبیعی تحویل داد. حالا در ژوئن ۲۰۲۶، مدل Grok Imagine 1.5 همان پرامپت را با همان ویل اسمیت و همان اسپاگتی اجرا کرده و تفاوت چشمگیری را به نمایش گذاشته است.
این مقایسه بهخوبی نشان میدهد که در تنها سه سال، مدلهای تولید ویدیو (video generation) از خلق صحنههای شکسته و غیرقابلباور به تولید ویدیوهایی واقعگرایانه رسیدهاند. سرعت این پیشرفت، پتانسیل آینده این فناوری را بهروشنی نمایان میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🦌 DeerFlow: کارمند AI متنباز ByteDance
DeerFlow یک framework چندعاملی (multi-agent) متنباز با مجوز MIT است که توسط ByteDance توسعه یافته و یک prompt را به خروجی نهایی تبدیل میکند.
این ابزار برخلاف چتباتهای معمولی یک lead agent دارد که طرح میریزد، سپس زیرagentهای تخصصی بهصورت موازی برای تحقیق، نوشتن کد، تست، رفع خطا، ساخت وبسایت، گزارش، داشبورد، اسلاید و ویدیو فعالیت میکنند.
محصول روی کامپیوتر کاربر اجرا میشود، فایلها را میخواند، دستورات اجرا میکند، ابزارهای خارجی را فراخوانی میکند و با یادگیری ترجیحات کاربر بهتدریج بهبود مییابد.
نسخه ۲.۰ DeerFlow از پایه بازنویسی شده و هماکنون با بیش از ۲۲.۷ هزار ستاره و ۲.۷ هزار fork در صدر GitHub Trending قرار دارد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🧠 Perplexity قابلیت Brain را معرفی کرد
Perplexity قابلیت جدیدی به نام Brain برای عامل هوش مصنوعی خود (Computer Agent) منتشر کرد. تا پیش از این، عامل پس از هر نشست تمام اطلاعات را فراموش میکرد؛ اما Brain این مشکل را حل میکند و کارهای انجامشده، موفقیتها و شکستها را ذخیره میسازد. در طول شب، دادههای انباشتهشده را تحلیل کرده و برای روز بعد بهبود مییابد. نتایج روی وظایف واقعی نشان میدهد دقت ۲۵٪ افزایش یافته و هزینه انجام تسکها ۱۳٪ کاهش پیدا کرده است. این قابلیت فعلاً در مرحله پیشنمایش و تنها برای کاربران طرح Max در دسترس است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🎬 تبدیل اسلاید به ویدیو با Google Vids
گوگل ابزار جدیدی به نام Google Vids معرفی کرده که اسلایدهای معمولی را به ویدیوهای حرفهای تبدیل میکند. جذابترین قابلیت این ابزار، آواتار هوش مصنوعی است که محتوای اسلایدها را مانند یک ارائهدهنده واقعی برایتان روایت میکند؛ انگار یک نفر در حال پرزنتیشن است. این ابزار در حال حاضر رایگان است و برای کسانی که از پاورپوینتهای خستهکننده فرسوده شدهاند، گزینهای جالب برای امتحان کردن است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🎨 فیگما، عامل هوش مصنوعی خود را معرفی کرد: تحولی در طراحی
فیگما (Figma)، پلتفرم محبوب طراحی، از عامل هوش مصنوعی (AI agent) داخلی خود رونمایی کرده است که مستقیماً در بوم (canvas) ویرایشگر تعبیه شده و نه به عنوان یک سرویس جداگانه یا پلاگین. این عامل هوش مصنوعی قابلیتهای چشمگیری را ارائه میدهد که روند طراحی را متحول خواهد کرد.
این عامل قادر است صفحهها و کامپوننتها (components) را مستقیماً در تایملاین (timeline) تولید کند و سیستم طراحی (design system)، توکنها (tokens) و کامپوننتهای موجود شما را درک میکند. یکی از ویژگیهای برجسته آن، توانایی اجرای چندین ایده به صورت موازی است؛ مثلاً میتوانید سه گزینه سبک مختلف را درخواست کنید و عامل هر سه را همزمان ایجاد میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 سهم بازار ChatGPT زیر ۵۰٪ شد
امروز Sensor Tower در گزارشی به TechCrunch اعلام کرد که سهم بازار دستیارهای هوش مصنوعی برای اولین بار به زیر نیمی از کاربران رسیده؛ در پایان ماه مه ChatGPT تنها ۴۶.۴٪ کاربران را در اختیار داشته است. با وجود بیش از ۱.۱ میلیارد کاربر ماهانه، رقبا همچون Gemini از گوگل و Claude از Anthropic بهتدریج جذب مخاطب بیشتری میشوند و نشان میدهند تنوع انتخابهای هوش مصنوعی در حال گسترش است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 Kimi K2.7 Code HighSpeed: سرعت بیسابقه در مدلهای کد
شرکت چینی Moonshot AI از عرضه Kimi K2.7 Code HighSpeed، نسخه پرسرعت و چندوجهی مدل کد Kimi K2.7 خود، خبر داد. این نسخه جدید تا ۶ برابر سریعتر از نسخه استاندارد عمل میکند و قادر است پاسخها را با سرعت تقریبی ۱۸۰ توکن در ثانیه برای درخواستهای متوسط و تا ۲۶۰ توکن در ثانیه برای متنهای کوتاه تولید کند.
دسترسی به Kimi K2.7 Code HighSpeed برای شرکتکنندگان در برنامه بتا Kimi Code، توسعهدهندگان استفادهکننده از Kimi API و مشتریان سازمانی Kimi Business فراهم شده است و نیازی به دعوتنامه جداگانه نیست. اگرچه در اطلاعیه رسمی به قیمتگذاری اشارهای نشده و بر "هوش باز، فوری و بدون مرز" تاکید شده، اما گزارشها حاکی از آن است که تعرفه API این نسخه پرسرعت دو برابر نسخه استاندارد است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
📚 جزوات ترنسفورمرها و مدلهای زبانی بزرگ از استنفورد
مجموعه ارزشمندی از جزوات دوره CME-295 دانشگاه استنفورد با تمرکز بر مدلهای زبانی بزرگ (LLMs) منتشر شده است. این جزوات مباحث کلیدی مانند توکنایزیشن (Tokenization)، مکانیزم خود-توجهی (Self-Attention)، پرامپتنویسی (Prompting)، تنظیم دقیق (Fine-tuning)، استفاده از LLM به عنوان قاضی (LLM-as-a-judge)، بازیابی افزوده (RAG)، عاملهای هوش مصنوعی (AI Agents) و مدلهای استدلالی را پوشش میدهند.
🔗 دانلود جزوات
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 دورهٔ رایگان هوش مصنوعی مایکروسافت برای مبتدیان
این دورهٔ ۱۲ هفتهای شامل ۲۴ جلسهٔ تئوری، تمرینهای عملی، لاب‑های تعاملی و آزمون است. برنامهٔ آموزشی مباحث شبکههای عصبی، یادگیری عمیق، بینایی ماشین، پردازش زبان طبیعی، الگوریتمهای ژنتیک و اخلاق هوش مصنوعی را پوشش میدهد. برای پیادهسازی از دو فریمورک اصلی TensorFlow و PyTorch استفاده میشود و هر جلسه شامل مطالب خواندنی، نوتبوک Jupyter و در صورت نیاز لاب میشود. دوره به زبان انگلیسی است اما به دهها زبان دیگر ترجمه شده است. تمام مطالب و لینکهای مرتبط در مخزن GitHub موجود است.
🔗 مخزن GitHub دوره
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 پروکسی منبع باز Netflix برای کاهش توکنهای LLM
یک مهندس Netflix ابزار پروکسی متنباز به نام Headroom ارائه داد که بدون تغییر کد، مصرف توکنهای مدلهای زبانی را بین 60 تا 95 ٪ کاهش میدهد. این لایه بین برنامه شما و LLM قرار میگیرد و خروجی ابزارها، بلوکهای کد و تاریخچه مکالمه را به‑ صورت فشردهسازی در‑حینکار پردازش میکند، بدون خلاصهسازی یا افت دقت (خطای ±0.000%). سازگاری کامل با Claude Code، Cursor، Copilot و کلیه کلاینتهای سازگار با OpenAI دارد. نصب تنها با یک دستور pip و یک متغیر محیطی انجام میشود؛ Netflix نیز به طور داخلی از آن استفاده میکند. پروژه با مجوز Apache 2.0 منتشر شده و در حال حاضر 29.9 هزار ستاره در GitHub دارد.
🔗 Headroom – GitHub
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 انتشار GLM‑5.2 با یک میلیون توکن!
GLM‑5.2 (نسخههای max و high) که بهصورت وزنهای باز در Hugging Face منتشر شده، در بنچمارکهای کدنویسی و وظایف عاملیت جهشی قابلتوجه نشان داد. با گسترش حداکثر طول متن به یک میلیون توکن، این مدل قادر است سناریوهای چندمرحلهای طولانی را بهخوبی دنبال کند. حالت max بیشترین کیفیت را هدف میگیرد، در حالی که high تعادل بین دقت و صرفهجویی در توکنها را فراهم میآورد. قیمتهای API بدون تغییر از نسخه 5.1 ادامه دارد و برای توسعهدهندگان API، چتبات و برنامههای کدنویسی در دسترس است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 خرید Cursor توسط SpaceX
اخیراً SpaceX معاملهای به ارزش ۶۰ میلیارد دلار برای خرید شرکت Cursor نهایی کرده است. این تراکنش پس از آنکه در آوریل گزینه خرید را به دست آورد، به سرعت به تکمیل رسید؛ در غیر این صورت، شرکت میتوانست ۱۰ میلیارد دلار پرداخت کند تا پروژه مشترک ادامه یابد. پس از امضای توافق نهایی، Cursor بهعنوان یک ساختار تابع به SpaceX پیوست و بهسرعت نسخه بهروزرسانی شد، مدل جدیدی ارائه داد و SDK مخصوص خود را عرضه کرد. این بزرگترین خرید SpaceX تا بهحال محسوب میشود و به ایلان ماسک امکان رقابت مستقیم با ابزارهای کدنویسی هوش مصنوعی مانند Claude Code و Codex را میدهد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
📊 الگوهای استفاده روزانه از Claude
Anthropic در گزارش Cadences خود، مکالمات ناشناس نزدیک به ۱۰۰۰۰ کاربر Claude را تحلیل کرده و تصویر روشنی از نحوه ورود هوش مصنوعی به زندگی روزمره ارائه میدهد.
🕐 استفاده شخصی در آخر هفته از ۳۵٪ به ۵۰٪ افزایش مییابد. درخواست دستور پخت حدود ساعت ۶ عصر ۲٫۳ برابر میانگین میشود. سوالات خبری ساعت ۷ صبح اوج میگیرند و ایمیلهای کاری بین ۱۰ تا ۱۱ صبح نوشته میشوند.
🧠 سوالات مربوط به خواب بین ۳ تا ۵ صبح شدت میگیرد. سوالات مالیاتی آمریکا پیش از مهلت ارسال ۸ برابر سطح عادی افزایش یافت و بلافاصله افت کرد. برنامهنویسی آخر هفته به سمت AI agentها، معاملات کمی و بازیسازی تغییر مسیر میدهد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
👁️🗨️ PixelRAG: جستجوی بصری در وب بدون HTML Parsing
PixelRAG یک سیستم بازیابی متنباز (open-source retrieval system) است که جستجوی بصری در مقیاس وسیع را متحول میکند. این سیستم به جای تجزیه HTML و تبدیل صفحه به متن برای RAG (Retrieval-Augmented Generation)، از صفحه وب اسکرینشات گرفته و با استفاده از یک مدل بینایی-زبانی (vision-language model)، پاسخ را مستقیماً از پیکسلها استخراج میکند. این رویکرد کاملاً فرآیند HTML parsing را دور میزند.
اهمیت این نوآوری در آن است که فرآیند HTML parsing معمولاً اطلاعات زیادی را از بین میبرد؛ یک parser میتواند بیش از ۴۰٪ از محتوای یک صفحه را حذف کند و جداول، نمودارها و چیدمان بصری صفحه را نادیده بگیرد یا تخت کند. PixelRAG صفحهای را که کاربر واقعاً میبیند، ایندکس میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🧠 میمو کد شیائومی؛ ایجنت با حافظه چهارسطحی
شیائومی ایجنت MiMo Code را معرفی کرد؛ عامل هوشمندی که برخلاف GPT و Claude که پس از ۲۰-۳۰ مرحله مسیر را گم میکنند، حتی در صدمین ویرایش رشته کار را حفظ میکند. حافظه چهارسطحی آن شامل Session (گفتگوی جاری)، Project (گراف وابستگیهای مخزن)، Global (دانش فریمورکها) و History (آرشیو تلاشها) است. وقتی context پر میشود، یک subagent لاگها را به vector embedding فشرده میکند — مانند checkpoint در بازی. هر هفت روز فرآیند پسزمینه /dream دادههای تکراری را پاک میکند. نکته کلیدی مکانیزم Goal است: یک subagent مستقل که تکمیل واقعی وظیفه را بررسی میکند و اجازه نمیدهد ایجنت کد خراب را آماده بپندارد.
📖 MiMo Code
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 حالت Vision در DeepSeek فعال شد
DeepSeek حالت Vision را در نسخه وب و اپلیکیشن موبایل خود راهاندازی کرده است. این قابلیت از CoT بصری (Chain-of-Thought) برای وظایف پیچیده مانند استنتاج هندسی، تحلیل نمودارها و تبدیل مستقیم اسکرینشاتهای رابط کاربری به HTML پشتیبانی میکند. اساس این ویژگی، کار پژوهشی "Thinking with Visual Primitives" است که در آن مشکل درک MMLM (Multimodal Large Language Models) با تمرکز بر مکانیابی دقیق و استدلال فضایی حل شده است. در این روش، مختصات و کادرهای مرزی به عنوان واحدهای اصلی تفکر عمل کرده و مستقیماً در CoT بصری گنجانده میشوند. این امر به مدل، جهتگیری فضایی دقیقی در استنتاج بدون نیاز به توصیفات زبان طبیعی میدهد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🏷 مهندسان متا به برچسبگذاری داده منتقل شدند!
متا بین ۳۰ تا ۵۰ درصد مهندسان تیمهای محصولی کلیدی را به بخش داخلی ADO (Agent Data Optimisation) منتقل کرده تا داده برچسبگذاری کنند. این مهندسان وظایفی مثل بررسی مخازن کد تولیدشده توسط هوش مصنوعی و ارائه بازخورد برای RLHF را بر عهده دارند. بیشترین تأثیر روی مهندسان امنیت سایبری و تیمهای زیرساختی و محصولی بوده است. در مجموع اکنون تقریباً هر پنجم یا ششم مهندس در متا بهصورت تماموقت با برچسبگذاری داده مشغول است.
🔗 The Next Web
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🎨 معرفی Artifacts در Claude Code — تبدیل کد به خروجی زنده
شرکت Anthropic قابلیت جدیدی به نام Artifacts را به ابزار Claude Code اضافه کرده است. این ویژگی به برنامهنویسان اجازه میدهد کدهای پیچیده و دادههای پروژه را به یک صفحه وب زنده و گرافیکی تبدیل کنند. نتیجه این کار آن است که اعضای تیم و مدیران غیرفنی دیگر نیازی به خواندن کدهای سخت ندارند و میتوانند روند تغییرات پروژه، نمودارها و خروجیها را بهصورت تصویری و تعاملی روی کامپیوتر یا موبایل تماشا کنند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 انفجار محتوای آنلاین با هوش مصنوعی
هوش مصنوعی با سرعتی بیسابقه، تمام جنبههای وب را با محتوای بیشمار از جمله کتاب، پرونده حقوقی، مقالات پژوهشی، اپلیکیشن و موسیقی پر کرده است. از زمان ظهور ChatGPT، انتشار کتابهای الکترونیکی در آمازون سه برابر شده و به حدود ۳۰۰ هزار عنوان در ماه رسیده که بخش عمده آن توسط هوش مصنوعی تولید میشود. حتی سیستم قضایی نیز تحت تأثیر قرار گرفته؛ تعداد پروندههای حقوقی خودتنظیمشده در آمریکا دو برابر شده و تقریباً یک پنجم شکایات با کمک هوش مصنوعی نوشته شدهاند. در حوزه دانشگاهی، حجم مقالات ارسالی افزایش یافته، نرخ رد مقالات بیش از دو برابر شده و بیش از نیمی از مقالات ۲۰۲۵ نشانههایی از نگارش با هوش مصنوعی را داشتند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 مدیریت مصرف توکن در Claude
یک کاربر Claude تجربهاش را از مصرف بالای توکن به اشتراک گذاشته است. او متوجه شد که بخش قابل توجهی از توکنها توسط حدود ۲۰۰ Skill (قابلیتهای اضافی یا پلاگینها) نصبشده و سرورهای MCP متصل (مانند Figma، Canva و Higgsfield) مصرف میشوند، حتی اگر بسیاری از آنها استفاده نشوند. برای حل این مشکل، با اجرای دستور /context، توانست تفکیک مصرف توکنها را بر اساس دستهبندی مشاهده کند و Skillهای بلااستفاده را غیرفعال کند. این اقدام منجر به کاهش چشمگیر مصرف توکنهای مربوط به Skillها از حدود ۳۰ هزار به ۳ تا ۴ هزار شد که صرفهجویی ۲۶ هزار توکنی را به همراه داشت.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 انتقال بزرگ نوام شازیر از Google به OpenAI
امروز خبر مهمی در حوزه هوش مصنوعی منتشر شد: نوام شازیر، یکی از پیشروان بنیادی در توسعه ترانسفورمرها (مقاله «Attention Is All You Need») و خالق ایدههای multi‑head attention، Mixture‑of‑Experts و مدل T5، پس از سالها خدمت در Google DeepMind، به OpenAI پیوست. شازیر در سال ۲۰۲ استارتاپ Character.AI را تأسیس کرد و در سال ۲۰۲۴ گوگل با پرداخت ۲.۷ میلیارد دلار، این شرکت را خرید و او را برای رهبری پروژه Gemini به کار گرفت؛ دورهای که به طلاییترین دوران مدلهای گوگل منجر شد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 معرفی VibeThinker-3B
اخبار جذابی از Weibo AI منتشر شد: مدل بازمتن VibeThinker-3B با ۳ میلیارد پارامتر برای استدلال ریاضی، کدنویسی و سایر حوزههای STEM طراحی شده و تحت مجوز MIT بهصورت کاملاً منبع باز ارائه میشود. این مدل بر روی بنچمارکهای استدلال پیشرفته مانند IMO‑AnswerBench با نتایجی برابر با مدلهای چند صد میلیارد پارامتری مانند DeepSeek V3.2 (۶۷۱B) یا Kimi K2.5 (۱T) عملکرد نشان میدهد و در مسابقات LeetCode نادیده 96.1٪ پذیرش دارد. میتوانید مدل را بهصورت مستقیم از Hugging Face دانلود کنید و برای آزمایشهای خود از رابط ModelScope استفاده کنید. جزئیات فنی و مقاله مرتبط در لینکهای زیر موجود است.
🔗 Hugging Face – VibeThinker-3B
🔗 لینکهای اصلی پست:
🔗 modelscope.ai
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🔬 مدل LOGOS: هوش مصنوعی جامع برای علوم طبیعی از Alibaba
تیم Tongyi Lab از Alibaba مدل LOGOS را معرفی کرده است، یک مدل هوش مصنوعی بزرگ (LLM) که برای پوشش تمام علوم طبیعی طراحی شده است. ایده اصلی این مدل، مشابه ChatGPT که کلمه بعدی را پیشبینی میکند، پیشبینی قطعه بعدی پروتئین، مولکول یا واکنش شیمیایی است. اشیاء علمی مختلف با یک زبان توکن مشترک نمایش داده میشوند که امکان انتقال دانش بین حوزهها را فراهم میکند؛ مثلاً درک مولکولها به کار با پروتئینها کمک میکند. به گفته توسعهدهندگان، LOGOS در وظایف مختلف، عملکردی برابر یا بهتر از مدلهای تخصصی هر حوزه دارد.
🔗 HuggingFace | GitHub | arXiv
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 Xmind AI – نقشهبرداری هوشمند ذهن
امروز سرویس جدید Xmind AI معرفی شد. این شبکه عصبی میتواند با وارد کردن صرفاً یک توصیف کوتاه یا یک عکس از سند، یادداشت یا طرحدستی، یک نقشه ذهنی ساختارمند و جزئیاتدار تولید کند. کاربران میتوانند اطلاعات را بهصورت سلسلهمراتبی سازماندهی، پروژهها را برنامهریزی و ارتباط منطقی بین وظایف مختلف را بهصورت بصری ایجاد کنند. این ابزار برای افزایش بهرهوری، تفکر بصری و نوآوری در تیمها و افراد مناسب است.
📖 وبسایت Xmind AI
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 موفقیت با Claude Code
تحلیل Anthropic از حدود ۴۰۰ ۰۰۰ سشن Claude Code نشان میدهد که عامل اصلی موفقیت، درک عمیق کاربر از مسئله است نه مهارت برنامهنویسی. در یک سشن معمولی، کاربر حدود ۷۰٪ تصمیمات «چه کاری انجام شود» را میگیرد، در حالی که هوش مصنوعی حدود ۸۰٪ تصمیمات «چگونه انجام شود» را بر عهده میگیرد. کاربران خبره با یک درخواست، تقریباً دو برابر عملهای AI و پنج برابر متن پاسخ دریافت میکنند نسبت به مبتدیان. موفقیت در سشنها همچنین به دقت فرموله کردن نیازها و تشخیص خطاهای مدل بستگی دارد، نه به سمت شغلی کاربر.
🔗 لینک گزارش:
📄 فایل PDF
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 معرفی Serge: بازبین کد هوش مصنوعی Hugging Face
Hugging Face ابزار متنباز Serge را معرفی کرده است، یک بازبین کد مبتنی بر هوش مصنوعی برای GitHub. این ابزار با فراخوانی در کامنتهای Pull Request (PR) فعال میشود و بهطور خودکار تغییرات کد (diff) را بررسی میکند، باگها و نقاط بحثبرانگیز را شناسایی کرده و مستقیماً در PR نظرات خود را ثبت میکند.
از مزایای Serge میتوان به امکان تعریف قوانین بازبینی در مخزن، تعیین تمرکز عامل بر نکات خاص، و نادیدهگرفتن بخشهای مشخص اشاره کرد. توسعهدهندگان Hugging Face از Serge برای بازبینی پروژههای داخلی مانند diffusers و transformers استفاده میکنند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 افزایش بهرهوری هوش مصنوعی با عمق استفاده
تحقیقات جدید OpenAI نشان میدهد که افزایش بهرهوری از هوش مصنوعی خطی نیست، بلکه با عمق استفاده از آن تسریع میشود. کارکنانی که از قابلیتهای پیشرفته ChatGPT مانند GPT-5 Thinking، Deep Research و Image Generation استفاده میکنند و با مدلها و ابزارهای مختلف کار میکنند، صرفهجویی زمانی بسیار بیشتری را گزارش میدهند. این مطالعه حاکی از آن است که گروهی که بیش از ۱۰ ساعت در هفته صرفهجویی میکنند، تقریباً ۸ برابر بیشتر از کسانی که هیچ صرفهجویی ندارند، از اعتبارات هوش مصنوعی استفاده میکنند.
🔗 openai.com
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما