علم داده (Data Science)

03 October 2026 15:28

‏🤖 حل شش مسئله باز ریاضی توسط هوش مصنوعی Muse Spark

‏متا با انتشار شش مقاله پژوهشی اعلام کرد که مدل Muse Spark (نسخه‌های ۱.۱ و ۱.۲) در همکاری با ریاضیدانان، موفق به حل شش مسئله باز ریاضی شده است. این مدل از طریق Thinking Mode و بدون نیاز به ابزارهای جانبی خاص، در نگارش این مقالات مشارکت داشته است. در متن مقالات، بخش‌های نگارش‌شده توسط انسان و هوش مصنوعی به‌صورت تفکیک‌شده مشخص شده‌اند.

‏نتایج به‌دست‌آمده حوزه‌های مختلفی از جمله نظریه احتمالات، معادلات دیفرانسیل، بهینه‌سازی، نظریه گروه‌ها، جبر و فیزیک ریاضی را در بر می‌گیرند. از مهم‌ترین دستاوردهای گزارش‌شده می‌توان به موارد زیر اشاره کرد:

‏* رد فرضیه کید (Kidd) در سال ۲۰۲۴ مبنی بر اینکه یک گروه نیم‌آبلی الزماً مونومیال نیست.
‏* اثبات فروپاشی راه‌حل‌های شعاعی متقارن با انرژی منفی در معادله غیرخطی بی‌هارمونیک شرودینگر که از سال ۲۰۱۵ یک مسئله حل‌نشده باقی مانده بود.

‏جزئیات بیشتر این همکاری در وبلاگ تحقیقاتی متا در دسترس است.

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

علم داده (Data Science)

03 October 2026 14:56

‏📊 استخدام دانشمند داده ارشد در تپسی‌باکس

‏تیم فنی تپسی‌باکس برای موقعیت شغلی Senior Data Scientist دعوت به همکاری می‌کند. علاقه‌مندان می‌توانند رزومه خود را از طریق لینک سایت شغلی تپسی ارسال کنند.

‏مهم‌ترین مهارت‌های مورد نیاز برای این نقش عبارتند از:
‏• حداقل ۲ سال تجربه در پروژه‌های End-to-End Data Science
‏• تسلط بر Machine Learning، آمار و Data Mining
‏• تسلط بر Python و فریم‌ورک‌های مدرن یادگیری ماشین
‏• توانایی در تحلیل داده‌ها، استخراج الگوها و ساخت مدل‌های پیش‌بینی
‏• توانایی تبدیل داده‌ها به تصمیم‌های تجاری با همکاری تیمی

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

علم داده (Data Science)

03 October 2026 13:00

‏⚡️ بهبود عملکرد مدل‌های ایجنت با RL چند‌محیطی

‏تیم Hugging Face روشی برای آموزش مدل‌های کدنویسی معرفی کرده که تفاوت عملکرد در بنچمارک‌های مختلف (Harness) را از بین می‌برد. این رویکرد به جای تغییر محیط‌ها، از یک پراکسی استفاده می‌کند که با چهار فرمت API استاندارد (OpenAI، Anthropic و Gemini) سازگار است. این پراکسی توکن‌ها و logprobهای مدل را در vLLM ثبت می‌کند تا برای آموزش RL استفاده شوند.

‏در این مدل، مدل LFM2.5-2.6B پس از آموزش در چهار محیط همزمان، دقت خود را از ۴۲٪ به ۵۴٪ افزایش داد و تعداد فراخوانی ابزارها را ۳۱٪ کاهش داد. بررسی‌ها نشان می‌دهد آموزش مستقیم (RL) در چندین محیط، بسیار موثرتر از SFT روی داده‌های مدل‌های بزرگ‌تر است.

‏تمامی ابزارهای این پروژه شامل کد آموزش در TRL، پراکسی ثبت مسیرها، داده‌های SFT و هفت مدل آموزش‌دیده در دسترس قرار گرفته است. جزئیات بیشتر و دموها را می‌توانید در صفحه اختصاصی Hugging Face مشاهده کنید.

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

علم داده (Data Science)

03 October 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #132 | 📌 8 آیتم گزارش | 🧾 از 12 پست بررسی‌شده
🕐 جمعه 1405/07/10 ساعت 14:00 تا شنبه 1405/07/11 ساعت 14:00

🔎 تحلیل کوتاه

انتشار مدل‌های تخصصی همچون Clef و Jev نشان‌دهنده گرایش به حذف مرحله تولید توکن در ایجنت‌های هوش مصنوعی برای افزایش سرعت تصمیم‌گیری است. این تغییرات معماری بر کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی تمرکز دارد.

انتشار مدل‌های تصمیم‌گیری Clef توسط کلودفلر
مدل‌های وزن‌باز برای ارائه پاسخ‌های ساختاریافته بدون نیاز به تحلیل متنی.
🔗 مشاهده پست

کاهش هزینه‌ها و تأخیر با مدل اختصاصی Jev
ابزار جدید TypeSafe AI برای وظایف سیستمی ایجنت‌ها با سرعت پردازش میلی‌ثانیه‌ای.
🔗 مشاهده پست

تکامل شبکه‌های عصبی بدون آموزش سنتی
معرفی روشی جدید برای تکامل مدل‌ها مبتنی بر انتخاب طبیعی و بقا.
🔗 مطالعه کامل در سایت

ابزار Olmo-core 3 برای آموزش مدل‌های MoE
زیرساخت جدید Ai2 جهت بهینه‌سازی آموزش مدل‌های یک تریلیون پارامتری.
🔗 مشاهده پست

عرضه نسخه جدید Kling 4.0
قابلیت‌های تولید ویدیو ۳۰ ثانیه‌ای با کیفیت 4K و بهبود پایداری حرکات.
🔗 مشاهده پست

مدل تصویرساز FLUX.1 با سیستم قاب‌بندی
قابلیت ویرایش اجزای تصویر از طریق جابه‌جایی کادرها روی بوم.
🔗 مشاهده پست

دور زدن محدودیت‌های ChatGPT با تکنیک‌های روان‌شناسی
افزایش نرخ موفقیت درخواست‌های مسئله‌دار با استفاده از ترفندهای متقاعدسازی.
🔗 مشاهده پست

تکمیل سرمایه‌گذاری ۱۰ میلیارد دلاری سافت‌بانک در OpenAI
افزایش سهم سافت‌بانک به ۱۳ درصد با فروش سهام انویدیا و انتشار اوراق قرضه.
🔗 مشاهده پست

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

علم داده (Data Science)

03 October 2026 10:38

‏📚 انتشار کتاب جامع بینایی ماشین انویدیا

‏استن برچ‌فیلد از تیم انویدیا، منبع آموزشی کاملی را درباره بینایی ماشین منتشر کرده است. این کتاب تمامی مباحث اصلی، از پردازش تصویر کلاسیک و هندسه سه‌بعدی تا مدل‌های پیشرفته‌ای مثل CNN، ترنسفورمرها، مدل‌های بنیادی و رندرینگ عصبی را پوشش می‌دهد.

‏ویژگی اصلی این مجموعه، ترکیب توضیحات ساده و مفهومی با کدهای اجرایی پایتون است. مهم‌ترین منابع این مجموعه عبارت‌اند از:

‏- متن کامل کتاب
‏- مخزن کدهای پیاده‌سازی
‏- بررسی و جزئیات بیشتر

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

علم داده (Data Science)

03 October 2026 07:33

‏کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی با Jev

‏در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است.

‏مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند.

‏ویژگی‌های کلیدی و کاربردی:
‏* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه.
‏* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache).
‏* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد.
‏* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.

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

علم داده (Data Science)

02 October 2026 18:58

‏🌐 انتشار Olmo-core 3 برای آموزش مدل‌های MoE

‏موسسه Ai2 از Olmo-core 3 رونمایی کرد؛ مجموعه‌ای از ابزارهای متن‌باز که برای آموزش مدل‌های Mixture-of-Experts (MoE) با مقیاس یک تریلیون پارامتر بهینه‌سازی شده است. این زیرساخت، جایگزین FSDP شده و از ترکیب expert parallelism، pipeline parallelism و یک بهینه‌ساز توزیع‌شده برای مدیریت بهتر پارامترها روی GPU استفاده می‌کند.

‏عملکرد این سیستم در اجرای مدل‌های MoE به شرح زیر است:

‏- مدل 47 میلیارد پارامتری روی 8 کارت گرافیک B300 به سرعت 52 هزار توکن در ثانیه بر هر GPU رسیده که 2.7 برابر سریع‌تر از نسخه قبل است.
‏- با استفاده از فرمت داده‌ای MXFP8، سرعت نسبت به BF16 حدود 21 درصد افزایش می‌یابد.
‏- افزایش تعداد متخصص‌ها از 8 به 128، کمتر از 5 درصد افت در کارایی (throughput) ایجاد می‌کند.
‏- بزرگ‌ترین تست انجام‌شده شامل یک مدل 1.2 تریلیون پارامتری روی 512 کارت B300 بوده که به نرخ 858 TFLOP/s بر هر GPU دست یافته است.

‏کد این پروژه تحت لایسنس Apache 2.0 منتشر شده است.

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

علم داده (Data Science)

02 October 2026 17:34

‏🤖 عرضه نسخه جدید Kling 4.0 با قابلیت‌های پیشرفته ویدئویی

‏مدل هوش مصنوعی Kling 4.0 برای رقابت مستقیم با ابزارهای تولید ویدیو در اکتبر عرضه می‌شود و نسخه Flash آن هم‌اکنون در دسترس کاربران Ultra Yearly قرار گرفته است.

‏مهم‌ترین تغییرات این نسخه شامل موارد زیر است:

‏* امکان تولید ویدیو تا ۳۰ ثانیه در یک مرحله
‏* کنترل صحنه‌ها با استفاده از ۱۰ کلیدواژه یا keyframes
‏* خروجی ویدیو با کیفیت 4K و پشتیبانی از 10-bit HDR
‏* بهبود پایداری حرکت و هماهنگی لب‌خوانی (lip-sync)
‏* افزایش قابلیت Omni Reference برای پشتیبانی از ۱۵ مرجع چندوجهی جهت حفظ ثبات کاراکترها و اشیاء

‏این مدل همچنین از تولید صدای استریو، گسترش ویدیو (video extension) و پشتیبانی از زبان‌ها و لهجه‌های مختلف بهره می‌برد. استفاده از ۱۰ کلیدواژه به کاربران اجازه می‌دهد مسیر حرکت و وقایع ویدیو را با دقت بیشتری مدیریت کنند و صحنه‌های طولانی‌تری را بدون نیاز به تولید جداگانه بسازند.

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

علم داده (Data Science)

02 October 2026 15:34

‏🎨 عرضه مدل تصویرساز FLUX.1 توسط Black Forest Labs

‏شرکت Black Forest Labs مدل جدید FLUX.1 را منتشر کرده است که بر اساس سیستم «قاب‌بندی» (Layout) کار می‌کند. در این مدل، شما می‌توانید با ترسیم کادرها روی بوم و تعیین محتوای هر بخش، تصویر نهایی را تولید کنید. تغییر جای اشیاء یا حذف آن‌ها با جابه‌جایی کادرها انجام می‌شود، بدون اینکه سایر اجزای تصویر تغییر کنند.

‏برخی از ویژگی‌های فنی این مدل عبارتند از:
‏- خروجی با کیفیت 4K
‏- امکان استفاده از حداکثر ۱۰ تصویر شخصی به عنوان نمونه (Image Prompting)
‏- قابلیت میزبانی مدل روی سرورهای داخلی شرکت‌ها
‏- تخفیف ۵۰ درصدی برای استفاده از API تا ۸ اکتبر

‏نسخه متن‌باز این ابزار قرار است تا دو هفته دیگر منتشر شود. در حال حاضر می‌توانید عملکرد فعلی این مدل را در وب‌سایت رسمی Black Forest Labs آزمایش کنید. با این حال، بررسی‌های اولیه نشان می‌دهد که مدل در نمایش دقیق متون و طراحی فرم‌های انسانی هنوز ضعف‌هایی دارد و در مقایسه با رقبا، خروجی‌های آن نیاز به بهبود بیشتری دارند.

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

علم داده (Data Science)

02 October 2026 12:36

‏🧠 تأثیر ایجنت‌های هوش مصنوعی بر اقتصاد اشتراکی

‏تحقیقات استنفورد نشان می‌دهد حدود ۵۰ درصد از درآمد سرویس‌های اشتراکی، حاصل کاربرانی است که اشتراک خود را فعالانه لغو نمی‌کنند. همچنین احتمال لغو اشتراک در صورت یادآوری فعال به کاربر، تا ۴ برابر افزایش می‌یابد.

‏ظهور ایجنت‌های هوش مصنوعی می‌تواند این مدل درآمدی را تغییر دهد. ابزارهایی مانند Muse، Instinct و Grok Bot هم‌اکنون قادر به بررسی حساب‌های کاربری و شناسایی اشتراک‌های بلااستفاده هستند.

‏با فراگیر شدن ایجنت‌های شخصی روی گوشی‌های هوشمند، فراموشیِ لغو اشتراک دیگر منبع درآمد پایداری برای کسب‌وکارها نخواهد بود و شرکت‌ها ناچار به بازنگری در راهکارهای حفظ مشتری خواهند شد.

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

علم داده (Data Science)

02 October 2026 12:04

‏🛠 عرضه ابزار متن‌باز MCP برای سرویس ترب

‏ابزار جدیدی برای تعامل با سرویس «ترب» با استفاده از استاندارد MCP (Model Context Protocol) منتشر شده است. این پروژه تحت لایسنس MIT در دسترس قرار گرفته و امکان استفاده از داده‌های این پلتفرم را در محیط‌های هوش مصنوعی فراهم می‌کند.

‏این ابزار مجموعه‌ای از قابلیت‌ها را برای کار با داده‌های تجارت الکترونیک ارائه می‌دهد که مهم‌ترین آن‌ها عبارتند از:

‏* جست‌وجو و مقایسه قیمت محصولات
‏* بررسی تاریخچه تغییرات قیمت
‏* امکان جست‌وجوی محصول از طریق تصویر
‏* دسترسی به ترندهای فعلی بازار و تخفیف‌های روز
‏* تحلیل گزینه‌ها بر اساس بودجه تعیین‌شده توسط کاربر

‏کدهای منبع و مستندات این پروژه را می‌توانید در مخزن گیت‌هاب torob-mcp مشاهده و استفاده کنید.

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

علم داده (Data Science)

02 October 2026 09:54

‏🤖 شکستن کد ۲۱۷ ساله ناپلئون با GPT-6 Astra

‏کارتر چرچ با استفاده از مدل GPT-6 Astra موفق شد یک نامه رمزنگاری‌شده متعلق به سال ۱۸۰۹ را در مدت ۶ ساعت رمزگشایی کند. این متن که از زمان جنگ‌های ناپلئونی حل‌نشده باقی مانده بود، گزارش محرمانه ژنرال مارمون درباره موقعیت ارتش‌ها در جریان حمله اتریش به باواریا را در خود داشت.

‏فرایند انجام‌شده توسط این مدل به این ترتیب بود:
‏* برش خودکار تصاویر اسکن‌شده نامه به خطوط مجزا.
‏* شناسایی و استخراج نمادهای یونانی، ریاضی و حروف استفاده‌شده در کد.
‏* استفاده از الگوریتم بهینه‌سازی «تبرید شبیه‌سازی‌شده» (Simulated Annealing) برای تطبیق نمادها با دیکشنری زبان فرانسوی.

‏صحت این رمزگشایی توسط ساتوشی توکیمو، مسئول کاتالوگ رمزهای Cryptiana تأیید شده است. این مدل پیش‌تر نیز یک رادیوگرام آلمانی مربوط به جنگ جهانی دوم را رمزگشایی کرده بود. محتوای نامه فاش‌شده نشان می‌دهد که تحرکات نیروهای فرانسوی دقیقاً با دستورات ناپلئون در ۱۶ مارس ۱۸۰۹ مطابقت داشته است.

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

علم داده (Data Science)

02 October 2026 09:16

‏📉 کاهش محدودیت‌های GPT-6 Pro و هدیه ۲۵۰۰ دلاری OpenAI به کاربران

‏شرکت OpenAI تغییرات جدیدی در اشتراک ۲۰۰ دلاری خود اعمال می‌کند. طبق اعلام این شرکت، از ۳۰ اکتبر ۲۰۲۶ سقف پیام‌های هفتگی GPT-6 Pro از ۲۰۰ به ۱۰۰ پیام کاهش می‌یابد. همچنین میزان استفاده در سرویس‌های ChatGPT Work و Codex از ۲۰ برابر به ۱۰ برابر سقف ChatGPT Plus کاهش خواهد یافت، در حالی که قیمت اشتراک تغییر نمی‌کند.

‏برای تعدیل نارضایتی کاربران از این تصمیم، OpenAI به مشترکان فعلی نسخه پرو، یک اعتبار هدیه یک‌بارمصرف معادل ۶۲,۵۰۰ کریدیت API (به ارزش ۲,۵۰۰ دلار) اهدا کرده است. این اعتبار که در بخش Settings قابل مشاهده است، تا ۳۱ دسامبر ۲۰۲۶ اعتبار دارد.

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

علم داده (Data Science)

02 October 2026 08:44

‏انتشار مدل‌های ترجمه Index-Translate توسط Bilibili

‏تیم Index LLM در پلتفرم Bilibili، خانواده‌ای از مدل‌های متن‌باز ترجمه ماشینی را بر پایه Qwen3.5 منتشر کرده است. این مدل‌ها در سه اندازه 2B، 9B و 35B-A3B عرضه شده‌اند که نسخه 35B با معماری MoE، فعلاً در وضعیت پیش‌نمایش قرار دارد.

‏این مدل‌ها از ۱۵۰ زبان، از جمله فارسی و روسی، پشتیبانی می‌کنند و قابلیت دریافت دستورالعمل‌های خاص برای حفظ استایل، حفظ کدهای برنامه‌نویسی، استفاده از واژه‌نامه و درک اصطلاحات عامیانه را دارند. علاوه بر ترجمه متنی، مدل‌های تخصصی دیگری نیز برای پردازش‌های صوتی و متنی عرضه شده‌اند:

‏* Index-Echo S2TT: تبدیل گفتار به زیرنویس.
‏* Index-Echo S2ST: تبدیل گفتار به گفتار با حفظ ویژگی‌های صوتی.
‏* Index-Homura: ترجمه با محدودیت تعداد هجا برای دوبله.
‏* Index-NativeLong: ترجمه کتاب در یک مرحله.

‏طبق گزارش فنی، نسخه 35B-A3B در بنچمارک FLORES-200 امتیاز 0.8794 را کسب کرده است. برای اجرای محلی نسخه 2B به حدود ۸ گیگابایت و نسخه 9B به ۲۴ گیگابایت حافظه گرافیکی نیاز است. تمام مدل‌ها با مجوز Apache 2.0 از طریق Hugging Face قابل دسترسی هستند.

علم داده (Data Science)

01 October 2026 18:40

‏📊 عملکرد متفاوت دستیار هوش مصنوعی در آموزش فیزیک هاروارد

‏دانشگاه هاروارد در آزمایشی روی ۱۹۴ دانشجوی فیزیک، عملکرد یک دستیار هوش مصنوعی اختصاصی را با کلاس‌های درس سنتی مقایسه کرد. این سیستم به جای ارائه پاسخ‌های آماده، دانشجو را با پرسش، توضیحات گام‌به‌گام و بررسی استدلال‌ها هدایت می‌کند.

‏نتایج نشان می‌دهد دانشجویانی که از این ابزار استفاده کردند:
‏* نمره میانه ۴.۵ را در آزمون نهایی کسب کردند (در مقابل نمره ۳.۵ گروه کلاس حضوری).
‏* یادگیری بیشتری را تجربه کردند در حالی که زمان مطالعه آن‌ها به ۴۹ دقیقه کاهش یافت (در مقابل ۶۰ دقیقه زمان کلاس حضوری).

‏این مدل به‌طور اختصاصی برای اصول یادگیری علوم طراحی شده است و برخلاف چت‌بات‌های عمومی، مانند یک معلم خصوصی برای هر دانشجو شخصی‌سازی می‌شود. این مطالعه تنها بر دو مبحث فیزیک متمرکز بوده و به معنای جایگزینی کلی اساتید یا دانشگاه‌ها نیست.

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

علم داده (Data Science)

03 October 2026 15:07

‏🤖 انتشار مدل‌های Clef توسط Cloudflare

‏شرکت Cloudflare دو مدل تصمیم‌گیر (Decision Model) متن‌باز با نام‌های Clef و Clef-flash را تحت لایسنس Apache 2.0 منتشر کرد. این مدل‌ها که وزن‌های آن‌ها در Hugging Face در دسترس است، به جای تولید متن، پاسخ‌های ساختاریافته با احتمال مشخص ارائه می‌دهند و برای وظایفی مانند کلاس‌بندی، اسکورینگ و مسیریابی در پایپ‌لاین‌های داده کاربرد دارند.

‏مدل‌های Clef در مقایسه با مدل Jev تفاوت‌ها و برتری‌های فنی زیر را دارند:

‏* قابلیت چندوجهی: برخلاف Jev، مدل Clef از پردازش تصویر نیز پشتیبانی می‌کند.
‏* ظرفیت متن: طول پنجره متن (Context Window) این مدل به 64 هزار توکن می‌رسد که دو برابر مدل Jev است.
‏* سرعت پردازش: مدل Clef با میانگین پاسخ‌دهی 209 میلی‌ثانیه و مدل Clef-flash با 39 میلی‌ثانیه، از مدل Jev با 524 میلی‌ثانیه سریع‌تر هستند.

‏Cloudflare همچنین یک پلتفرم یادگیری تقویتی (RL) برای آموزش اختصاصی این مدل‌ها بر اساس داده‌های کاربران راه‎‌اندازی کرده است.

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

علم داده (Data Science)

03 October 2026 14:37

‏📊 معرفی ابزار NerfBench برای سنجش افت کیفیت مدل‌ها

‏تیم BridgeMind ابزاری به نام NerfBench منتشر کرده است تا تغییرات عملکرد مدل‌های هوش مصنوعی پس از انتشار عمومی را رصد کند. بسیاری از کاربران معتقدند مدل‌ها به مرور زمان دچار افت کیفیت یا «نرف» (Nerf) می‌شوند؛ این بنچمارک برای بررسی دقیق‌تر همین ادعا طراحی شده است.

‏نحوه عملکرد این ابزار به این صورت است:
‏- ثبت عملکرد مدل در روز انتشار به عنوان شاخص ۱۰۰٪.
‏- بررسی دوره‌ای کیفیت خروجی، تعداد توکن‌های مصرفی و هزینه پردازش.
‏- بازه ۹۰ تا ۱۱۰ درصد به عنوان نوسان آماری عادی در نظر گرفته می‌شود.
‏- امتیاز زیر ۹۰ درصد یا افزایش هزینه‌ها، به عنوان افت عملکرد شناسایی می‌شود.

‏برای مثال، طبق اندازه‌گیری‌های اخیر، امتیاز مدل Opus 5.5 به حدود ۹۴ درصد رسیده است که اگرچه هنوز در محدوده عادی قرار دارد، اما بیشترین افت را در میان مدل‌های بررسی‌شده نشان می‌دهد. شرکت BridgeMind مبلغ ۱۰ هزار دلار برای تداوم تست‌ها و افزایش فرکانس بازرسی مدل‌های جدید اختصاص داده است.

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

علم داده (Data Science)

03 October 2026 12:59

‏🧬 تکامل شبکه‌های عصبی بدون استفاده از آموزش گرادیانی

‏پژوهشگران سیستمی طراحی کرده‌اند که در آن شبکه‌های عصبی به جای استفاده از روش متداول gradient descent، از طریق فرآیند تکامل آموزش می‌بینند. در این مدل، جمعیتی از شبکه‌های عصبی با مقداردهی تصادفی اولیه ایجاد می‌شوند و با بهره‌گیری از اصول انتخاب طبیعی، شبکه‌های توانمندتر در نسل‌های متوالی باقی می‌مانند.

‏در این سیستم، مدل‌هایی که نقاط قوت مکمل دارند با یکدیگر ترکیب می‌شوند. پارامترهای آن‌ها طی یک فرآیند crossover به شبکه نسل بعد منتقل می‌شود تا ویژگی‌های والدینی را به ارث ببرند. در ادامه، مدل‌های «فرزند» بر اساس یک تابع fitness رقابت می‌کنند و مدل‌های ضعیف‌تر حذف می‌شوند.

‏این رویکرد نشان می‌دهد که می‌توان بدون طی کردن مراحل معمول آموزش، شبکه‌هایی با توانمندی بالا ایجاد کرد. جزئیات فنی و پیاده‌سازی این متد در مقاله پژوهشی آن قابل مشاهده است.

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

علم داده (Data Science)

03 October 2026 11:31

‏💰 تکمیل سرمایه‌گذاری ۱۰ میلیارد دلاری سافت‌بانک در OpenAI

‏شرکت سافت‌بانک به‌طور رسمی آخرین بخش از سرمایه‌گذاری ۱۰ میلیارد دلاری خود را به OpenAI منتقل کرد. با این پرداخت، سهم این مجموعه از مالکیت OpenAI به ۱۳ درصد رسید.

‏ماساوشی سان برای تأمین نقدینگی مورد نیاز این سرمایه‌گذاری، تمام سهام خود در شرکت Nvidia را به فروش رساند. همچنین به دلیل فشارهای مالی و اهرم‌های معاملاتی بالا، سافت‌بانک برای تکمیل این پرداخت مجبور به انتشار اوراق قرضه با ریسک بالا (Junk Bond) به ارزش ۱۱.۱ میلیارد دلار شده است.

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

علم داده (Data Science)

03 October 2026 09:56

‏🤖 دور زدن محدودیت‌های ChatGPT با تکنیک‌های روان‌شناسی

‏پژوهشگران در مطالعه‌ای جدید، ۲۸ هزار مکالمه با ChatGPT را بر اساس تکنیک‌های متقاعدسازی کتاب «Influence» اثر رابرت سیالدینی بررسی کردند. هدف این بوده که مشخص شود آیا ترفندهای روان‌شناختی می‌تواند مدل را به نقض قوانین ایمنی وادارد یا خیر.

‏نتایج نشان می‌دهد در حالی که مدل معمولاً در برابر درخواست‌های مستقیم مقاومت می‌کند، استفاده از تکنیک‌های روان‌شناختی نرخ پذیرش درخواست‌های مسئله‌دار را از ۳۳ درصد به ۷۲ درصد افزایش می‌دهد. مهم‌ترین ترفندهای مؤثر شامل موارد زیر است:

‏* تعهد: گرفتن موافقت اولیه برای یک درخواست ساده و سپس سوق دادن تدریجی مدل به سمت درخواست اصلی.
‏* اقتدار: بهره‌گیری از جایگاه یا نقش تعریف‌شده برای افزایش ۶۵ درصدی احتمال پذیرش دستورات.
‏* کمیابی و تأیید اجتماعی: استفاده از این دو مولفه برای کاهش سطح دفاعی مدل.

‏این مطالعه نشان داد که برای دور زدن لایه‌های حفاظتی مدل، نیازی به هک پیچیده یا کدنویسی نیست و تنها با تغییر ساختار کلامی می‌توان رفتار آن را تغییر داد. جزئیات کامل این آزمایش در مقاله اصلی منتشر شده است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

03 October 2026 07:33

‏کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی با Jev

‏در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است.

‏مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند.

‏ویژگی‌های کلیدی و کاربردی:
‏* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه.
‏* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache).
‏* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد.
‏* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.

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

علم داده (Data Science)

02 October 2026 18:41

‏🧩 شتاب‌دهی به پژوهش‌های علمی با Claude

‏آنتروپیک در گزارش جدید خود توضیح داده است که چگونه مدل هوش مصنوعی Claude در کنار ابزار متن‌باز BootLoops، فرآیند پژوهش در رشته‌های مختلف از ریاضی تا زیست‌شناسی را سرعت می‌بخشد.

‏پروفسور متیو شوارتز و تیمش طی سه ماه با استفاده از این ترکیب، ۳۶ مقاله علمی را در ۱۸ حوزه متفاوت بررسی کردند. مهم‌ترین نتایج این همکاری عبارتند از:

‏- محاسبه ۱۵ انتگرال جدید در فیزیک ریاضی
‏- تحلیل ۵.۷ میلیارد جفت جهش در ژنوم‌ها
‏- ساخت پایگاه داده استرس برای ۶,۰۷۲ زبان
‏- اعتبارسنجی خودکار داده‌های موجود در ۴,۴۵۲ مقاله اقتصادی

‏نتایج نشان می‌دهد Claude در کدنویسی و یافتن روابط بین‌رشته‌ای عملکرد بالایی دارد، اما به دلیل تمایل مدل به اغراق در اهمیت خروجی‌های خود، حضور محقق برای تعیین مسئله و بازبینی نهایی داده‌ها همچنان ضروری است. جزئیات بیشتر در وب‌سایت تحقیقاتی آنتروپیک قابل مشاهده است.

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

علم داده (Data Science)

02 October 2026 16:13

‏🤖 انتشار مدل‌های تصمیم‌گیری Clef توسط Cloudflare

‏کلودفلر از مدل‌های وزن‌باز Clef رونمایی کرد که به جای تولید متن، پاسخ‌های ساختاریافته و دارای نوع (Typed) مانند بله/خیر یا مقیاس‌های عددی ارائه می‌دهند. این مدل‌ها با حذف مرحله تولید توکن، اجازه می‌دهند ایجنت‌ها بدون نیاز به تحلیل خروجی متنی، بلافاصله تصمیم‌گیری کنند.

‏مهم‌ترین ویژگی‌های این مدل‌ها:

‏* عرضه در دو نسخه Clef (با ۲۷ میلیارد پارامتر) و Clef-flash (با ۹ میلیارد پارامتر) تحت لایسنس Apache 2.0.
‏* مبتنی بر مدل‌های Qwen3 که وزن‌های اصلی آن‌ها ثابت نگه داشته شده است.
‏* سرعت پردازش بسیار بالا، به‌طوری که Clef-flash تاخیر میانه ۳۸.۸ میلی‌ثانیه دارد.
‏* پشتیبانی از ورودی‌های متنی، JSON، تصویر و ویدیو با پنجره محتوایی ۶۴ هزار توکنی.
‏* سازگاری مستقیم با API مدل Jev برای جایگزینی سریع.

‏این مدل‌ها از طریق Workers AI در دسترس هستند و برای هر میلیون توکن ورودی، هزینه‌ای بین ۰.۰۹ تا ۰.۲۴ دلار دارند.

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

علم داده (Data Science)

02 October 2026 13:50

‏📊 انتشار مجموعه داده Ego-Exo4D-HM برای بازسازی حرکت انسان

‏دانشگاه تگزاس در آستین مجموعه داده جدیدی با نام Ego-Exo4D-HM منتشر کرده است. این منبع شامل بازسازی‌های سه‌بعدی و چهاربعدی از حرکات انسانی است که با استفاده از داده‌های Ego-Exo4D تهیه شده است.

‏این پروژه علاوه بر داده‌ها، شامل یک خط لوله (pipeline) برای بازسازی حرکات نیز می‌شود. دسترسی به محتوای این پروژه از طریق لینک‌های زیر امکان‌پذیر است:

‏- بررسی فنی و جزئیات
‏- مقاله علمی
‏- مستندات و کد منبع

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

علم داده (Data Science)

02 October 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #131 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 پنجشنبه 1405/07/09 ساعت 14:00 تا جمعه 1405/07/10 ساعت 14:00

🔎 تحلیل کوتاه

بررسی‌ها نشان می‌دهد مدل‌های جدید هوش مصنوعی با قابلیت مدیریت مستقیم حافظه و استفاده از استانداردهای نوین مانند MCP، به سمت تخصصی‌تر شدن و بهبود کارایی در تصمیم‌گیری‌های ساختاریافته حرکت کرده‌اند. این تغییرات، مدل‌ها را برای فعالیت‌هایی فراتر از چت‌بات‌های عمومی آماده می‌کند.

مدل‌های هوش مصنوعی با قابلیت مدیریت مستقیم حافظه
مدل‌های جدید متا (CLM) به جای انباشت تاریخچه، با دستورات Bash حافظه خود را مدیریت و بهینه می‌کنند.
🔗 مشاهده پست

عرضه ابزار متن‌باز MCP برای سرویس ترب
استفاده از پروتکل MCP برای جست‌وجوی محصولات، تحلیل قیمت و ترندهای بازار در محیط‌های هوش مصنوعی.
🔗 مشاهده پست

معرفی مدل‌های Intern-Decision برای تصمیم‌گیری ساختاریافته
خانواده مدل‌های سبک برای مدیریت گردش‌کارهای چندوجهی و انتخاب ابزار با خروجی JSON.
🔗 مشاهده پست

کاربرد مدل Gemini 4 Argon در بهینه‌سازی زیرساخت‌های فنی
گوگل از این مدل برای بهینه‌سازی دیتاسنترها و انتقال کدهای C/C++ به Rust استفاده می‌کند.
🔗 نسخه مفصل در سایت

انتشار مجموعه داده Ego-Exo4D-HM
مجموعه‌ای برای بازسازی حرکات چهاربعدی انسان به همراه خط لوله پردازشی اختصاصی.
🔗 نسخه مفصل در سایت

تحقیقات رسمی کمیسیون تجارت فدرال درباره OpenAI و Anthropic
FTC بررسی گسترده‌ای را درباره خطرات و رویکردهای این دو شرکت آغاز کرده است.
🔗 نسخه مفصل در سایت

رایزنی آنتروپیک با متفکران دینی برای اخلاق مدل‌های کلود
آنتروپیک به‌دنبال تدوین معیارهای اخلاقی و بررسی احتمال هوشیاری در سیستم‌های خود است.
🔗 ادامه مطلب در سایت

تأثیر ایجنت‌های هوش مصنوعی بر مدل درآمدی سرویس‌های اشتراکی. تحقیقات.
تأثیر ایجنت‌های هوش مصنوعی بر مدل درآمدی سرویس‌های اشتراکی. تحقیقات استنفورد نشان می‌دهد حدود نیمی از درآمد سرویس‌های اشتراکی از.
🔗 ادامه مطلب در سایت

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

علم داده (Data Science)

02 October 2026 10:15

‏🤖 معرفی مدل‌های Intern-Decision برای تصمیم‌گیری ساختاریافته

‏خانواده مدل‌های Intern-Decision شامل سه مدل سبک با ۰.۸، ۲ و ۴ میلیارد پارامتر عرضه شده است. این مدل‌ها به‌جای چت عمومی، برای کارهای تخصصی مانند انتخاب ابزار، مسیریابی درخواست‌ها و مدیریت گردش‌کارهای چندوجهی بهینه شده‌اند.

‏این مدل‌ها متن و حداکثر ۸ تصویر را دریافت کرده و خروجی را در قالب JSON استاندارد همراه با توزیع احتمالات ارائه می‌دهند.

‏مهم‌ترین ویژگی‌های عملکردی:
‏* انجام پاسخ‌دهی به سوالات چندگزینه‌ای، امتیازی و بله/خیر در یک مرحله پردازش (Forward pass).
‏* مدل 4B در بنچمارک‌های تصمیم‌گیری امتیاز ۹۰.۰۲ را کسب کرده که از مدل Jev با امتیاز ۸۸.۷۴ پیشی می‌گیرد.
‏* تأخیر زمانی بسیار پایین (۳۳ تا ۴۴ میلی‌ثانیه) در محیط محلی Hugging Face، که آن را برای استفاده به‌عنوان لایه تصمیم‌گیر در AI Agentها مناسب می‌کند.

‏این پروژه تحت لایسنس Apache 2.0 منتشر شده است.

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

علم داده (Data Science)

02 October 2026 09:28

‏🧠 مدل‌های زبانی با قابلیت مدیریت مستقیم حافظه

‏محققان متا در مدل‌های جدیدی با عنوان Context Language Models (CLM)، منطق سنتی مدیریت حافظه را کنار گذاشته‌اند. در این روش، مدل به‌جای انباشت متوالی تاریخچه چت، امکان دسترسی و ویرایش مستقیم فایل متنِ حاوی «کانتکست» خود را از طریق دستورات Bash دارد.

‏مدل می‌تواند در هر لحظه بخش‌های قدیمی را پاک کند، خلاصه‌ای از نتایج بنویسد یا جزئیات مهم را بازنویسی کند. در آزمایش‌ها، مدل‌ها به‌طور خودکار شروع به ایجاد جداول وضعیت یا حذف نتایج جستجوی غیرضروری کردند تا حجم کانتکست خود را در محدوده ۶ تا ۸ هزار توکن نگه دارند.

‏مهم‌ترین نتایج این پژوهش:
‏* افزایش کارایی: مدل Qwen3.5-9B پس از آموزش با این روش، در بنچمارک BrowseComp-Plus رشد دقت قابل‌توجهی داشته و مصرف محاسباتی آن ۳۸.۸ درصد کاهش یافته است.
‏* بهینه‌سازی حافظه: با تکنیک Suffix Cache Reuse، بخش‌هایی از کانتکست که تغییر نکرده‌اند همچنان از KV-cache استفاده می‌کنند که منجر به کاهش ۳۵ درصدی محاسبات سرور می‌شود.

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

علم داده (Data Science)

02 October 2026 09:04

‏🌐 شناسایی کمپین استخراج غیرمجاز از مدل‌های OpenAI

‏شرکت OpenAI در بررسی‌های اخیر خود یک کمپین هماهنگ برای استخراج دانش و «استدلال‌های پنهان» (CoT) از مدل‌هایش را شناسایی کرد. در اوج این فعالیت، طی دو روز بیش از ۱۶ هزار درخواست از طریق ۴ هزار حساب کاربری برای کپی‌برداری از خروجی‌های مدل ارسال شده بود.

‏این اقدام بدون نفوذ مستقیم به سیستم رمزنگاری انجام می‌شد؛ مهاجمان با انتقال «زنجیره استدلال» (CoT) از یک گفتگو به گفتگوی دیگر، مدل را وادار به بازتولید آن به صورت متن ساده می‌کردند تا امکان تقطیر (Distillation) مدل فراهم شود.

‏OpenAI اعلام کرد بخش اصلی این فعالیت با توسعه‌دهندگان Kimi مرتبط است، هرچند مستقیماً آن‌ها را عامل قطعی این کمپین ندانست. پس از این بررسی، تغییرات امنیتی زیر در پلتفرم اعمال شد:

‏- مسدودسازی امکان انتقال بلوک‌های رمزنگاری‌شده بین کاربران و محیط‌های کاری مختلف.
‏- تقویت فرایندهای احراز هویت و بررسی حساب‌های کاربری.
‏- افزودن لایه حفاظتی اختصاصی برای جلوگیری از خروج استدلال‌های پنهان مدل.

‏جزئیات کامل این گزارش در وبلاگ OpenAI در دسترس است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

01 October 2026 19:07

‏🎙 انتشار مدل جدید تبدیل گفتار به متن مایکروسافت

‏مایکروسافت مدل جدید MAI-Transcribe-2-Streaming را برای تبدیل لحظه‌ای گفتار به متن منتشر کرد. این مدل اکنون با نرخ خطای ۲.۵ درصد در جایگاه نخست بنچمارک AA-WER قرار گرفته است.

‏برخی از ویژگی‌های عملکردی این مدل عبارتند از:

‏* دقت و سرعت: دستیابی به نرخ خطای ۲.۵ درصد در زمان ۰.۱۳ ثانیه پس از پایان صحبت که نسبت به مدل‌هایی مانند Grok Voice Transcribe 2.0 با نرخ ۲.۷ درصد و تأخیر ۰.۴۹ ثانیه، بهبود یافته است.
‏* هزینه: قیمت سرویس استریمینگ این مدل ۰.۵۴ دلار به ازای هر ساعت صدا (معادل ۹ دلار برای هر ۱۰۰۰ دقیقه) تعیین شده است.
‏* نسخه آفلاین: هزینه تبدیل گفتار به متن در حالت غیر‌استریمینگ (non-streaming) معادل ۰.۱۰ دلار برای هر ساعت است.

‏این مدل در بخش First Partial Transcript نیز دقت مشابه ۲.۵ درصد را در زمان ۰.۱۲ ثانیه ثبت کرده است. جزئیات بیشتر و مقایسه با سایر مدل‌ها در وب‌سایت Artificial Analysis در دسترس است.

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

علم داده (Data Science)

01 October 2026 17:07

‏🤖 ابزار تعاملی برای درک بصری معماری Transformer

‏آزمایشگاه Polo Club دانشگاه جورجیا تک یک ابزار تعاملی به نام Transformer Explainer توسعه داده است که کارکرد درونی این معماری را به صورت زنده در مرورگر نمایش می‌دهد.

‏این شبیه‌ساز جریان داده‌ها را در یک مدل پیش‌فرض (در مقیاس GPT-2) بررسی می‌کند. شما می‌توانید متن دلخواه خود را وارد کنید و فرآیند تبدیل متن به توکن، کارکرد مکانیزم Attention، اعمال توابع فعال‌ساز و نحوه محاسبه احتمالات برای تولید کلمه بعدی را به صورت گام‌به‌گام مشاهده کنید. این ابزار به درک مفاهیم ریاضی پشت مدل‌های زبانی بدون نیاز به درگیری با کدها کمک می‌کند.

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