علم داده (Data Science)

21 October 2026 12:31

🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #3 | 📌 8 آیتم گزارش | 🧾 از 24 پست بررسی‌شده
🕐 دوشنبه 1405/07/27 ساعت 14:00 تا چهارشنبه 1405/07/29 ساعت 14:00

🔎 تحلیل کوتاه

تمرکز شرکت‌های پیشرو بر توسعه زیرساخت‌های استنتاج و افزایش توان پردازشی، منجر به ارائه مدل‌های اقتصادی‌تر و پرسرعت‌تر شده است. در همین حال، شرکت‌های بزرگ با افزایش کارکرد عامل‌های هوش مصنوعی، به‌دنبال بهینه‌سازی عملیاتی در حوزه‌های فنی و تخصصی هستند.

تغییر نیروی کار در Anthropic
سهم استخدام نیروهای فنی تازه‌کار در Anthropic به ۹ درصد کاهش یافته و عامل‌های هوش مصنوعی جایگزین کارکرد انسانی شده‌اند.
🔗 ادامه مطلب در سایت

معرفی مدل MiniMax M3.1 Flash
مدل جدید مینی‌مکس با معماری MoE و ۴۲۸ میلیارد پارامتر برای عامل‌های هوشمند و با هدف بهینه‌سازی هزینه‌ها عرضه شد.
🔗 ادامه مطلب در سایت

مشخصات فنی و سرعت MiniMax M3.1 Flash
نسخه جدید MiniMax نسبت به نسل قبل سه برابر سریع‌تر بوده و با قیمت رقابتی برای اجرای محاسبات سنگین بهینه‌سازی شده است.
🔗 مشاهده پست

تخصیص منابع پردازشی Anthropic
شرکت Anthropic ۷۵ درصد توان پردازشی خود را صرف آموزش مدل‌های آتی کرده و تنها ۲۵ درصد را به سرویس‌دهی کاربران اختصاص داده است.
🔗 مشاهده پست

مدل Mercury 3 با معماری Diffusion
مدل جدید Inception با حذف تولید متوالی توکن‌ها و استفاده از معماری دیفیوژن، به نرخ تولید ۱۰۶۸ توکن بر ثانیه دست یافته است.
🔗 مشاهده پست

شناسایی بدافزار ماینر توسط Claude
یک کاربر با استفاده از Claude Code موفق به شناسایی بدافزار استخراج ارز دیجیتال روی سیستم مک خود شد که باعث فشار شدید به پردازنده می‌شد.
🔗 مشاهده پست

محدودیت استفاده از مدل‌های DeepSeek
وزارت امنیت داخلی آمریکا استفاده از مدل‌های DeepSeek و محصولات وابسته به آن را در تمامی سازمان‌های دولتی به دلایل امنیتی ممنوع کرد.
🔗 جزئیات کامل در سایت

بررسی عملی عملکرد مدل‌های Claude، GPT و Grok در وظایف روزمره و کدنویسی
مقایسه کاربردی و دقیق مدل‌های هوش مصنوعی Claude، GPT و Grok در حوزه‌های کدنویسی، تحلیل اسناد و گردش‌های کاری ایجنت‌محور برای استفاده.
🔗 مطالعه کامل در سایت

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

علم داده (Data Science)

21 October 2026 11:46

‏انتشار شبیه‌ساز اقلیمی HiRO-ACEv2 توسط موسسه Ai2

‏موسسه هوش مصنوعی آلن (Ai2)، نسخه جدید شبیه‌ساز اقلیمی خود با نام HiRO-ACEv2 را منتشر کرد. این سیستم قادر است پدیده‌های جوی نظیر بارش‌های شدید، بادهای طوفانی و تغییرات فشار را با دقت ۳ کیلومتر شبیه‌سازی کند.

‏این مدل از ترکیب دو بخش تشکیل شده است:
‏* مدل ACE: محاسبات اتمسفری را روی شبکه‌ای با دقت ۱۰۰ کیلومتر انجام می‌دهد.
‏* مدل HiRO: یک مدل انتشار (Diffusion) که خروجی را تا دقت ۳ کیلومتر کاهش مقیاس (Downscaling) می‌دهد.

‏طبق اعلام Ai2، هزینه اجرای این مدل حدود ۳۰۰ برابر کمتر از مدل‌های مشابه مانند X-SHiELD است. HiRO-ACEv2 امکان اجرای سناریوهای ۱۰ ساله را فراهم کرده و داده‌های مربوط به بارش، باد و فشار را در بازه‌های ۶ ساعته ارائه می‌دهد. این سیستم در محدوده جغرافیایی ۶۶ درجه جنوبی تا ۷۰ درجه شمالی عمل می‌کند و نتایج آن در شاخص‌های آماری تا ۳ درصد با داده‌های اصلی مطابقت دارد.

‏جزئیات بیشتر در وبلاگ Ai2، کدهای منبع در GitHub و نمونه‌های شبیه‌سازی در دموی آنلاین در دسترس است. این پروژه تحت مجوز Apache 2.0 منتشر شده است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

21 October 2026 08:19

‏🚀 معرفی موتور استنتاج SonicBoom با C++ و CUDA

‏شرکت HardenedVault ابزار SonicBoom را برای اجرای محلی مدل‌های زبانی روی کارت‌های گرافیک مصرفی منتشر کرده است. این موتور کاملاً با C++ و CUDA نوشته شده و برخلاف بسیاری از ابزارهای مشابه، هیچ وابستگی به پایتون ندارد.

‏نحوه عملکرد و ویژگی‌های این پروژه:
‏* مدل‌های با فرمت GGUF را پشتیبانی کرده و با API استانداردهای OpenAI سازگار است.
‏* با بازنویسی گراف مدل و استفاده از CUDA Graph، عملیات‌های مجاور را ادغام کرده و دستورات را بهینه‌سازی می‌کند.
‏* از کامپایلر مبتنی بر MLIR برای تولید هسته‌های اختصاصی GPU و انتخاب سریع‌ترین پیکربندی برای کارت گرافیک استفاده می‌کند.
‏* پیاده‌سازی اصلی آن در حال حاضر از طریق زبان Scheme انجام می‌شود.

‏طبق بنچمارک‌های اولیه روی RTX 3050، این موتور در اجرای مدل‌هایی مانند Gemma و Qwen سرعت بالاتری نسبت به llama.cpp ثبت کرده است. در حال حاضر تنظیمات تصادفی و پارامترهایی مثل دما در این نسخه پشتیبانی نمی‌شوند و تمرکز توسعه‌دهندگان بر گسترش پشتیبانی از مدل‌های Llama، Mistral و اجرای مبتنی بر Vulkan است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

21 October 2026 07:18

‏🦂 طراحی پروتئین توسط Claude برای مقابله با سم عقرب

‏شرکت Anthropic در آزمایشی جهت ساخت پادتن، از هوش مصنوعی Claude برای طراحی پروتئین‌های متصل‌شونده به سموم خطرناک عقرب استفاده کرد. نتایج این آزمایش در آزمایشگاه‌های مستقل نیز بررسی و تأیید شده است.

‏نتایج آزمایش:
‏- ۲۱۱ طرح برای آزمون‌های آزمایشگاهی انتخاب شدند.
‏- ۱۷ پروتئین با موفقیت به سموم هدف متصل شدند.
‏- دو پروتئین برتر بیشترین قدرت اتصال را نشان دادند.

‏پژوهشگران Anthropic تمام ۲۱۱ ساختار طراحی‌شده و نتایج آزمون‌های آزمایشگاهی را به‌صورت عمومی منتشر کرده‌اند.

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

علم داده (Data Science)

21 October 2026 06:48

‏🎥 معرفی VideoMaMa++ برای جداسازی ویدئویی

‏مدل VideoMaMa++ که در کنفرانس NeurIPS 2026 ارائه شده، یک چارچوب جدید برای Video Matting مبتنی بر ماسک است. این سیستم در بازیابی جزئیات دقیق، مانند تارهای مو، عملکرد بالایی دارد و برای پردازش ویدئوهای طولانی بهینه‌سازی شده است.

‏منابع برای بررسی فنی:
‏- متن کامل مقاله
‏- صفحه پروژه
‏- بررسی و تحلیل

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

علم داده (Data Science)

20 October 2026 18:57

‏🚀 عرضه مدل Mercury 3 با معماری Diffusion

‏شرکت Inception مدل جدید Mercury 3 را معرفی کرد. این مدل برخلاف مدل‌های زبانی رایج که توکن‌ها را به‌صورت متوالی تولید می‌کنند، از فرآیند diffusion برای نوشتن کل پاسخ به‌صورت موازی استفاده می‌کند. در این روش، مدل با یک پیش‌نویس اولیه از کل متن شروع کرده و در چندین مرحله آن را اصلاح می‌کند.

‏این رویکرد باعث افزایش سرعت تولید متن شده است؛ به‌طوری که Mercury 3 به نرخ ۱۰۶۸ توکن بر ثانیه دست یافته است. طبق داده‌های منتشر شده توسط تیم سازنده، این مدل در ۸ بنچمارک از ۱۲ مورد، از جمله SWE-Bench Atlas (با امتیاز ۵۱.۰۸)، از رقبایی مثل GPT-6 Luna و Claude Haiku 5.5 پیشی گرفته است. البته در برخی بنچمارک‌ها مانند DeepSWE، مدل‌های دیگر همچنان نتایج بهتری دارند.

‏ویژگی‌های فنی این مدل شامل موارد زیر است:
‏* پشتیبانی از ۱ میلیون توکن در پنجره متنی
‏* سازگاری کامل با APIهای OpenAI
‏* هزینه استفاده از ۰.۱۰ دلار برای ورودی و ۰.۳۵ دلار برای خروجی به ازای هر ۱ میلیون توکن در زمان عرضه

‏جزئیات بیشتر را می‌توانید در مقاله تحلیلی، وبلاگ رسمی، مستندات و پلتفرم API مشاهده کنید.

علم داده (Data Science)

20 October 2026 15:02

‏🤖 تخصیص ۷۵ درصد توان پردازشی Anthropic به آموزش مدل‌های آینده

‏شرکت Anthropic در حال حاضر تنها ۲۵ درصد از منابع محاسباتی خود را به سرویس‌دهی به مشتریان فعلی اختصاص می‌دهد. بررسی‌ها نشان می‌دهد که ۷۵ درصد باقی‌مانده از توان پردازشی این شرکت صرف آموزش مدل‌های آتی، بهبودهای پس از آموزش و آزمایش‌های فنی می‌شود.

‏بر اساس ارقام منتشر شده، این شرکت با ۵ گیگاوات ظرفیت محاسباتی، حدود ۱۰۰ میلیون دلار درآمد سالانه به ازای هر گیگاوات تولید می‌کند. با این محاسبات، تنها ۱.۲۵ گیگاوات از توان عملیاتی فعلی به پردازش (Inference) برای کاربران اختصاص یافته است. همچنین Anthropic قصد دارد تا سال ۲۰۲۷، ۱۰.۵ گیگاوات دیگر به زیرساخت‌های محاسباتی خود اضافه کند که نشان‌دهنده برنامه‌ریزی برای گسترش جدی زیرساخت‌هاست.

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

علم داده (Data Science)

20 October 2026 13:00

‏🤖 معرفی 3DCodeVerse برای تولید محتوای سه‌بعدی با کد

‏پروژه 3DCodeVerse یک محیط پژوهشی برای ایجنت‌های برنامه‌نویسی است که به جای تولید مش‌های ثابت، برنامه‌های قابل‌ویرایش و تست برای ساخت اشیاء سه‌بعدی، صحنه‌ها و انیمیشن‌ها تولید می‌کنند.

‏مهم‌ترین بخش‌های این پروژه شامل موارد زیر است:

‏* 3DCodeVerse-2M: مجموعه‌ای شامل ۲ میلیون برنامه سه‌بعدی اجرایی به همراه سورس‌کد، دارایی‌های زمان اجرا و لاگ‌های تأیید.
‏* 3DCodeVerse Harness: یک فریم‌ورک چند‌ایجنت مبتنی بر نمودار وابستگی که کد را اجرا می‌کند، معیارهای فضایی و رندر را بررسی کرده و بدون دخالت انسان، خطاها را اصلاح می‌کند.
‏* یادداشت‌های فنی: تجربیات کاربردی استخراج‌شده از سری آزمایش‌های انجام‌شده روی مدل‌های کدنویس.

‏در ارزیابی‌های انسانی، خروجی این مدل در ۹۰ درصد موارد عملکرد بهتری نسبت به Claude Design در تولید اشیاء سه‌بعدی داشته است.

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

علم داده (Data Science)

20 October 2026 09:33

‏⚡️ معرفی مدل MiniMax M3.1 Flash با سرعت سه‌برابری و هزینه کمتر

‏مدل جدید MiniMax M3.1 Flash معرفی شد. این مدل در مقایسه با نسخه M3 سه برابر سریع‌تر است و قیمت آن به یک‌سوم کاهش یافته. مدل Space Bunny که پیش‌تر بیش از ۲۰۰ تریلیون توکن را پردازش کرده بود، نسخه اولیه M3.1 Flash بوده است.

‏وزن‌های این مدل در ۲۳ اکتبر منتشر خواهند شد.

‏نتایج بنچمارک‌ها:
‏• Automation-Bench: ۶۲٪
‏• ALE: ۳۰٪
‏• DeepSWE: ۷۴٪
‏• BabyVision: ۹۱٪

‏قیمت استفاده از API برای هر ۱ میلیون توکن ورودی ۰٫۱۵ دلار و توکن خروجی ۰٫۶۰ دلار است. علاوه بر API، دسترسی به مدل از طریق اشتراک M Plan و نرم‌افزار دسکتاپ MiniMax Code هم امکان‌پذیر است.

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

علم داده (Data Science)

20 October 2026 08:46

‏🧠 خروج محقق ۱۷ساله چینی از شرکت Kimi و مهاجرت به سیلیکون‌ولی

‏چن گوانگ‌یو، محقق ۱۷ساله حوزه هوش مصنوعی، پس از ترک تیم تحقیقاتی شرکت Kimi تصمیم به مهاجرت به سیلیکون‌ولی گرفته است. او که متولد سال ۲۰۰۹ است، فعالیت خود را در ۱۶ سالگی و زمانی که هنوز دانش‌آموز دبیرستان بود، در این شرکت آغاز کرد.

‏این پژوهشگر بدون داشتن مدرک دانشگاهی یا دکترا، با ارائه نتایج تحقیقاتی تأثیرگذار توانست جایگاه ویژه‌ای در دنیای AI کسب کند. از مهم‌ترین دستاوردهای او می‌توان به موارد زیر اشاره کرد:

‏* همکاری در مقاله علمی: او نفر اول در لیست نویسندگان مقاله‌ای است که در جامعه هوش مصنوعی مورد توجه قرار گرفت و نتایج آن در مدلی با ۲.۸ تریلیون پارامتر استفاده شده است.
‏* درآمد سالانه: گزارش‌ها میزان درآمد او را در دوران حضور در این شرکت حدود ۷۰ میلیون یوآن برآورد کرده‌اند.

‏خروج چن از Kimi در ۱۵ اکتبر اعلام شد. مسیر حرفه‌ای او نشان می‌دهد که در آزمایشگاه‌های برتر هوش مصنوعی، نتایج عملی و مقالات تخصصی اولویت بیشتری نسبت به مدارک تحصیلی رسمی دارند. جزئیات بیشتر پژوهش او در این مقاله قابل مشاهده است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

19 October 2026 13:33

‏🌡 شناسایی بدافزار ماینر توسط Claude روی مک

‏یکی از کاربران Reddit برای ساخت یک برنامه مانیتورینگ دمای سیستم، از مدل Claude Code کمک گرفت. در حین اجرای کد و تحلیل وضعیت سخت‌افزار توسط این ایجنت، مشخص شد که دمای پردازنده به ۱۱۲ درجه سانتی‌گراد رسیده و میزان مصرف CPU به ۱۱۷۵٪ (معادل ۱۲ هسته) رسیده است.

‏بررسی‌های Claude نشان داد که یک بدافزار استخراج ارز دیجیتال با نام xmrig بدون اطلاع کاربر روی سیستم در حال اجراست. مهم‌ترین یافته‌های این گزارش فنی عبارتند از:

‏* محل اجرا: بدافزار از مسیر /tmp/rigupdater و با اتصال به pool.hashvault.sh فعال بود.
‏* ماندگاری: یک فایل با نام تصادفی در مسیر /Library/LaunchAgents/com.rymbotqcjoiqlqbp.plist وظیفه اجرای خودکار بدافزار را بر عهده داشت.
‏* دسترسی‌ها: بدافزار به تمامی فایل‌های کاربر، از جمله توکن‌های ورود به GitHub، دسترسی داشت.

‏در نهایت با راهنمایی Claude، فایل‌های بدافزار حذف و آیتم استارتاپ غیرفعال شد. جزئیات بیشتر این رخداد در سایت Reddit قابل مشاهده است.

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

علم داده (Data Science)

19 October 2026 10:35

‏📊 بهبود عملکرد DeepSeek V4.1 Flash با استفاده از DeepSeek Harness

‏استفاده از ابزار DeepSeek Harness باعث شده است امتیاز مدل DeepSeek V4.1 Flash به‌طور میانگین ۲ تا ۳ نمره در بنچمارک‌ها افزایش یابد. این بهبود عملکرد به دلیل استفاده از ساب‌-ایجنت‌ها و تولید خروجی بیشتر حاصل می‌شود که البته هزینه اجرای مدل و مصرف توکن را تا ۸۰ درصد افزایش می‌دهد.

‏نتایج ثبت‌شده برای DeepSeek V4.1 Flash با استفاده از این ابزار:
‏- Max: 42.7
‏- High: 39.2
‏- Low: 34.8

‏این مدل در جریان تست‌ها توانسته است موارد تقلب را شناسایی کند. برای مقایسه، امتیاز مدل‌های دیگر در این بنچمارک شامل GPT-6 Astra با ۴۵، Opus 5.5 با ۴۱.۷ و Muse Wonder Full 1.0 با ۴۲ است. تمامی نتایج در سایت بنچمارک مربوطه قابل بررسی و مشاهده هستند.

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

علم داده (Data Science)

19 October 2026 09:54

‏🗣 پیش‌بینی افزایش ۱۰ میلیارد دانشمند مجازی توسط Anthropic

‏جک کلارک، هم‌بنیان‌گذار Anthropic در گفتگو با صندوق بین‌المللی پول (IMF) اعلام کرد که با گسترش سیستم‌های هوش مصنوعی، تعداد دانشمندان فعال در جهان از ۱۰ میلیون نفر فعلی به ۱۰ میلیارد «دانشمند مجازی» افزایش می‌یابد.

‏طبق داده‌های یونسکو، در حال حاضر حدود ۱۰ میلیون دانشمند در جهان فعالیت می‌کنند. کلارک معتقد است کمبود نیروی انسانی، آزمایشگاه‌های فیزیکی و تجهیزات علمی، سرعت پیشرفت در حوزه‌هایی مانند علم مواد و تولید دارو را محدود کرده است.

‏این دیدگاه مبتنی بر این است که با در اختیار داشتن میلیاردها عامل هوش مصنوعی تحت هدایت دانشمندان انسانی، ظرفیت انجام آزمایش‌ها و تحلیل‌های علمی به شکل گسترده‌ای افزایش پیدا می‌کند. او معتقد است آماده‌سازی زیرساخت‌ها برای این تغییر، می‌تواند منجر به نتایجی شامل موارد زیر شود:

‏* افزایش طول عمر و بهبود وضعیت سلامت
‏* دسترسی به منابع انرژی بیشتر
‏* تأمین غذای کافی برای جمعیت جهان
‏* رشد ثروت عمومی

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

علم داده (Data Science)

19 October 2026 09:17

‏🖼️ معرفی LILIE: تبدیل تصویر معکوس‌پذیر از دانشگاه استنفورد

‏محققان دانشگاه استنفورد روش LILIE را معرفی کردند؛ یک تبدیل معکوس‌پذیر تصویر که به‌گونه‌ای آموزش دیده است تا مدل‌های بینایی-زبانی بتوانند کپشن‌ها را از ویژگی‌های نویزی بازسازی کنند.

‏مستندات و کدهای این پروژه منتشر شده است:
‏• مقاله علمی
‏• وب‌سایت پروژه
‏• مخزن گیت‌هاب

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

علم داده (Data Science)

19 October 2026 09:08

‏🤖 انتشار ابزار متن‌باز Harness² توسط گوگل

‏گوگل ابزاری به نام Harness² منتشر کرده است که به ایجنت‌های هوش مصنوعی اجازه می‌دهد با تکرار وظایف، روش کاری خود را به‌طور خودکار بهبود دهند. در این ساختار، ایجنت تنها به مدل وابسته نیست و ترکیبی از ابزارها، حافظه، دستورالعمل‌ها و ساب‌ایجنت‌ها را مدیریت می‌کند.

‏این ابزار با ایجاد تغییرات در تنظیمات، مقایسه نتایج نسخه‌های مختلف و بهره‌گیری از تجربیات قبلی، بدون نیاز به آموزش مجدد مدل، عملکرد ایجنت را بهینه می‌کند. مهم‌ترین ویژگی‌های این روش عبارتند از:
‏* تنظیم خودکار ترکیب ابزارها و دستورالعمل‌ها برای دستیابی به خروجی بهتر.
‏* امکان یادگیری از تجربیات گذشته بدون نیاز به شروع مجدد.
‏* عدم نیاز به تعیین پاسخ درست در مراحل اولیه برای بهینه‌سازی.

‏گوگل این روش را روی مدل‌های Gemini 3.5 Flash و GLM-5 در حوزه‌های حقوقی و اداری آزمایش کرده و گزارش داده است که حتی یک دور تغییر در تنظیمات، منجر به ارتقای عملکرد شده است. با استفاده از این ابزار، نیاز به اصلاح دستی تنظیمات توسط کاربر کاهش می‌یابد و ایجنت می‌تواند به مرور زمان خطاهای خود را شناسایی و رفع کند.

علم داده (Data Science)

21 October 2026 12:20

‏🎙 شرکت Mistral مدل صوتی Voxtral 3 را معرفی کرد

‏شرکت Mistral نسل
‏جدید مدل‌های صوتی خود را با نام Voxtral 3 برای ساخت عامل‌های صوتی معرفی کرد. این مدل با تأخیر کمتر از یک ثانیه برای گفتگوی هم‌زمان طراحی شده و امکان اجرا روی زیرساخت اختصاصی را دارد.

‏مهم‌ترین ویژگی‌ها:
‏• تشخیص گفتار و شناسایی گوینده در بیش از ۵۰ زبان (از جمله فارسی)
‏• تولید گفتار در بیش از ۳۵ زبان با امکان تنظیم احساس، لحن و سرعت
‏• کلون‌سازی صدا بر اساس ۳۰ دقیقه فایل صوتی
‏• اجرای وظایف اجرایی و کار با API در پردازش تماس‌ها

‏هزینه استفاده از API برای تشخیص گفتار از ۰٫۰۰۳۵ دلار به ازای هر دقیقه و برای تولید گفتار ۱۳ دلار به ازای هر میلیون کاراکتر است. در ارزیابی‌های بنچمارک FLEURS، مدل Voxtral 3 در نرخ خطای کلمات (WER) عملکرد بهتری نسبت به رقبایی چون Whisper large-v3، Gemini 3.5 و Scribe v2 ثبت کرده است.

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

علم داده (Data Science)

21 October 2026 08:29

‏🤖 معرفی سیستم توصیه‌گر QD-Rec از Sakana AI

‏تیم Sakana AI سیستم توصیه‌گر جدیدی به نام QD-Rec را معرفی کرده است که برخلاف روش‌های سنتی رتبه‌بندی، از ترکیب LLM و الگوریتم‌های تکاملی برای جستجوی گزینه‌های متنوع و غیرمتعارف استفاده می‌کند.

‏این سیستم با بهره‌گیری از جستجوی «کیفیت-تنوع» (Quality-Diversity)، کاندیداهای پیشنهادی را به جای امتیازدهی ساده، با تولید فرضیه و ارزیابی نوآوری بررسی می‌کند. فرآیند اصلی این سیستم شامل چهار مرحله زیر است:

‏* انتخاب‌گر کاندیدا: اولویت‌دهی به تنوع و حوزه‌های کشف‌نشده در استخر کاندیداها.
‏* پیشنهاددهنده: استفاده از عملگرهای تکاملی (جهش و ترکیب) برای تولید فرضیه‌های جدید.
‏* ارزیاب: سنجش میزان نوآوری با بررسی فاصله نسبت به موارد موجود در آرشیو.
‏* به‌روزرسانی: افزودن، جایگزینی یا حذف کاندیداها بر اساس کیفیت و جدید بودن.

‏QD-Rec در آزمایش‌ها روی مجموعه‌هایی تا ۱۷,۵۰۰ کاندیدا، عملکرد بهتری نسبت به روش‌های سنتی در شاخص‌های کیفیت و تنوع نشان داده است. این ابزار در حوزه‌هایی مانند تحلیل ادغام و تملک (M&A)، بازاریابی و پیشنهادهای پژوهشی کاربرد دارد.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

21 October 2026 07:32

‏🌐 سه سناریوی سم آلتمن برای آینده هوش مصنوعی

‏سم آلتمن در گفت‌وگو با کارکنان OpenAI، سه سناریوی احتمالی برای پایان رقابت بر سر دستیابی به هوش مصنوعی سطح بالا (ASI) ترسیم کرده است:

‏• تشکیل یک نهاد نظارتی بین‌المللی مشابه آژانس بین‌المللی انرژی اتمی (IAEA) برای مدیریت استانداردهای ایمنی.
‏• ایجاد سازمانی علمی مشابه سرن (CERN) که در آن آزمایشگاه‌های بزرگ هوش مصنوعی فعالیت‌های خود را تجمیع کنند.
‏• برتری مطلق یک شرکت خاص در دستیابی به مدل‌های خوداصلاح‌گر که با کسب قدرت اقتصادی عظیم، دسترسی سایر رقبا به توان پردازشی و GPUها را قطع می‌کند.

‏آلتمن سناریوی سوم را «وحشتناک» توصیف کرده و تأکید داشته که تنها برای کامل‌شدن بررسی‌ها آن را مطرح کرده است. با این حال، گزارش‌ها حاکی از آن است که او به تیم خود هشدار داده OpenAI نمی‌تواند از رقبا عقب بماند؛ وضعیتی که عملاً سازمان را در موقعیت تعقیب همان سناریویی قرار می‌دهد که آن را نامطلوب می‌داند.

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

علم داده (Data Science)

21 October 2026 06:56

‏🚀 انتشار موتور DeepInfer توسط DeepSeek

‏تیم DeepSeek کد منبع موتور اختصاصی خود برای اجرای مدل‌های هوش مصنوعی با نام DeepInfer را با مجوز Apache 2.0 منتشر کرد. این موتور در حال حاضر برای اجرای مدل DeepSeek-V4.1-Flash استفاده می‌شود و تمرکز آن بر افزایش کارایی در عملیات استنتاج (Inference) است.

‏مهم‌ترین ویژگی‌های این موتور عبارتند از:
‏- افزایش تعداد درخواست‌های پردازش‌شده در واحد زمان.
‏- مدیریت بهینه منابع GPU برای کاهش هزینه‌های محاسباتی.
‏- امکان پردازش موازی جهت حفظ توان عملیاتی بالا در بارهای کاری سنگین.
‏- کاهش میزان منابع مورد نیاز برای تولید پاسخ در هر مرحله.

‏طبق داده‌های فنی منتشرشده برای مدل DeepSeek V4.1 Flash با طول کانتکست 131,072، عملکرد موتور در بخش Prefill نشان می‌دهد که با افزایش سایز دسته پردازشی (Batch Size) از 4,096 تا 65,536 توکن، توان عملیاتی به حدود 90,000 توکن بر ثانیه در هر GPU می‌رسد. این موتور اکنون برای استفاده در پروژه‌های شخصی و تجاری در دسترس توسعه‌دهندگان قرار گرفته است.

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

علم داده (Data Science)

20 October 2026 19:14

‏🚫 ممنوعیت استفاده از مدل‌های DeepSeek در نهادهای دولتی آمریکا

‏وزارت امنیت داخلی ایالات متحده در دستورالعمل جدیدی، استفاده از محصولات شرکت چینی DeepSeek را در تمامی سازمان‌های فدرال این کشور ممنوع کرد. طبق این ابلاغیه رسمی، تمام آژانس‌های دولتی موظف‌اند این مدل‌ها را از زیرساخت‌های IT خود حذف کرده و دسترسی به آن را به طور کامل قطع کنند.

‏دلایل اصلی این تصمیم شامل موارد زیر است:

‏- جلوگیری از انتقال احتمالی داده‌های کارمندان و پیمانکاران دولتی به دولت چین.
‏- کاهش ریسک وجود آسیب‌پذیری‌های امنیتی و کدهای مخرب احتمالی در مدل‌ها.
‏- ممنوعیت کامل مشارکت شرکت DeepSeek در تمامی قراردادهای دولتی آمریکا.

‏جزئیات بیشتر این حکم در سند رسمی منتشرشده توسط دولت آمریکا در دسترس است.

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

علم داده (Data Science)

20 October 2026 15:33

‏🤖 توسعه مدل جدید Anthropic با توانایی درک نیات کاربر

‏نشریه The Information گزارش داد که شرکت Anthropic در حال آماده‌سازی مدل جدیدی است که عملکرد آن در استدلال و شهود از مدل‌های فعلی این شرکت فراتر می‌رود. این مدل که هنوز به‌صورت عمومی معرفی نشده، توسط گروهی از افراد داخلی آزمایش شده است.

‏ویژگی کلیدی این مدل، توانایی درک نیات ضمنی کاربر حتی در صورت ارائه دستورات کوتاه و ناقص است. در یک مثال عملی، اگر کاربر از مدل بخواهد یک باگ خاص را برطرف کند، سیستم به‌جای تغییر صرفِ کد، ریشه اصلی و کلاسِ کلی آن مشکل را شناسایی کرده و برای اصلاح ساختاری آن از کاربر کسب اجازه می‌کند.

‏بر اساس این گزارش، مدل مذکور در جست‌وجوی آسیب‌پذیری‌های امنیتی نیز توانمندتر از نسخه‌های فعلی ظاهر شده و احتمال دارد در همین ماه میلادی عرضه شود.

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

علم داده (Data Science)

20 October 2026 13:56

‏⚠️ کاهش هزینه حملات سایبری با استفاده از ایجنت‌های هوش مصنوعی

‏خبرگزاری رویترز گزارش داد که یک هکر با استفاده از ایجنت‌های هوش مصنوعی موفق به نفوذ به وب‌سایت بیش از ۱۰۰ شرکت از جمله Deere، SharkNinja و Cummins شده است. این فرد پیش از موفقیت، بیش از ۱۲۰۰ هدف را مورد حمله قرار داده بود.

‏هزینه نهایی این عملیات تنها ۵۰۰۰ دلار توکن هوش مصنوعی بوده که به معنای ۵۰ دلار برای هر نفوذ موفق است. زمان مورد نیاز برای هر نفوذ به‌طور میانگین حدود ۲۳ ساعت گزارش شده است.

‏این کمپین بر پایه فریم‌ورک متن‌باز Cairn پیاده‌سازی شده و از ترکیب مدل‌های DeepSeek و Claude Code استفاده کرده است. در یکی از عملیات‌ها، دستورالعمل‌های ارسالی به ایجنت‌ها کمتر از ۱۰۰ کاراکتر بوده است.

‏استفاده از ایجنت‌ها بخش‌های بزرگی از فرآیند هک را خودکار کرده و امکان اجرای حملات در مقیاسی را فراهم می‌کند که پیش‌تر نیازمند نیروی انسانی بسیار بیشتری بود. اسنور فگرلند، محقق NorForge در این باره گفته است که با شرایط جدیدی در امنیت سایبری روبرو هستیم.

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

علم داده (Data Science)

20 October 2026 11:03

‏🤖 تشخیص کلاهبرداری با مدل Gemma در گوشی

‏گوگل دیپ‌مایند با همکاری دولت سنگاپور، نسخه‌ای از مدل متن‌باز Gemma را برای شناسایی کلاهبرداری‌ها آموزش داده است. این مدل به‌صورت محلی (On-device) اجرا می‌شود و در صورت تشخیص رفتارهای مشکوک یا تلاش برای فریب در پیام‌ها، به کاربر هشدار می‌دهد.

‏ساختار پردازشی این سیستم شامل دو مرحله است:
‏* غربالگری سریع: یک طبقه‌بندی‌کننده سبک، پیام‌ها را به‌صورت بی‌درنگ بررسی می‌کند.
‏* ارزیابی بافتاری: در صورت تشخیص ابهام، مدل Gemma گفتگوهای چندمرحله‌ای را تحلیل می‌کند تا احتمال کلاهبرداری را تایید یا رد کند.

‏دسترسی مدل به پیام‌ها تنها با رضایت کاربر ممکن است. این طرح برای کاهش آمار جرایم سایبری در سنگاپور ارائه شده است و به تدریج در برنامه‌های مختلف پیاده‌سازی خواهد شد.

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

علم داده (Data Science)

20 October 2026 09:17

‏۵ مخزن کاربردی برای توسعه AI Agentها

‏این لیست شامل ریپازیتوری‌های متن‌باز برای ساخت و به‌کارگیری ایجنت‌های هوش مصنوعی در حوزه‌های مختلف است. به‌جای شروع از صفر، می‌توانید از ساختار و ابزارهای موجود در این پروژه‌ها استفاده کنید.

‏مهم‌ترین منابع عبارتند از:

‏* Agency Agents: مجموعه‌ای از ۱۷۰ ایجنت با نقش‌های تخصصی مانند مدیریت محصول، مارکتینگ و توسعه نرم‌افزار.
‏* Agents for Claude Code: شامل بیش از ۲۰۰ ایجنت و ۱۰۰ دستور کاربردی برای برنامه‌نویسی و امنیت با قابلیت انتخاب پلاگین‌های موردنیاز.
‏* Knowledge Work Plugins: پلاگین‌های رسمی برای تحلیل داده، امور حقوقی و مالی جهت شخصی‌سازی فرایندهای کاری.
‏* Claude Quickstarts: پروژه‌های نمونه برای یادگیری ساختار ایجنت‌ها و اتوماسیون.
‏* Agent Skills: اسکیل‌های اختصاصی برای مراحل توسعه نرم‌افزار، از تست تا CI/CD.

‏قبل از نصب یا اجرای هر پروژه، مستندات، وابستگی‌ها و سطح دسترسی‌های مورد نیاز را بررسی کنید. برای شروع یادگیری، بررسی پروژه‌های بخش Quickstarts پیشنهاد می‌شود.

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

علم داده (Data Science)

19 October 2026 17:43

‏📊 مدل‌های پایه سری زمانی Timestral از Mistral

‏Mistral از مدل‌های پایه سری زمانی خود با نام Timestral رونمایی کرد. این مدل‌ها با ۲۰۹ میلیون پارامتر، در سه معیار (benchmark) در حالت zero-shot رتبه اول را کسب کرده‌اند و برای اجرا به GPU نیاز ندارند.

‏نوآوری اصلی در این مدل‌ها، Decoupled Horizon Forecasting (DHF) است. به جای ماسک کردن مقادیر برای پیش‌بینی، توکن‌های پیش‌بینی‌کننده، تاریخچه کامل را می‌خوانند و هر مقدار مشاهده‌شده هم به عنوان هدف و هم به عنوان زمینه عمل می‌کند. قابلیت Covariate-aware attention به هر سری زمانی نقشی مشخص می‌دهد: هدف، گذشته یا کووریت آینده‌شناخته‌شده. این جریان اطلاعات فقط از کووریت‌ها به سمت اهداف است، بنابراین پیش‌بینی آب‌وهوا یا تقویم تعطیلات می‌تواند کمک‌کننده باشد بدون اینکه آینده هدف لو برود.

‏مدل Timestral-209M امتیاز ۰.۶۵۸ MASE در GIFT-Eval، ۰.۶۲۶ در TIME و ۵۰.۳۹ SQL skill در fev-bench را ثبت کرده است. مدل ۲۸ میلیون پارامتری آن در GIFT-Eval و TIME از Chronos-2 که حدود ۴ برابر بزرگتر است، بهتر عمل می‌کند.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

19 October 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #2 | 📌 8 آیتم گزارش | 🧾 از 21 پست بررسی‌شده
🕐 یکشنبه 1405/07/26 ساعت 14:00 تا دوشنبه 1405/07/27 ساعت 14:00

🔎 تحلیل کوتاه

انتشار ابزارهای بهینه‌سازی ایجنت‌ها مانند Harness² و DeepSelect نشان می‌دهد که تمرکز توسعه‌دهندگان بر مدیریت خودکار محیط‌های تعاملی و شتاب‌دهی محاسبات است. این در حالی است که چالش‌های ناشی از محتوای مصنوعی، مانند تولید مقالات پزشکی جعلی، داوری همتا را با دشواری‌های بی‌سابقه‌ای روبه‌رو کرده است.

چالش مقالات پزشکی جعلی
استفاده از هوش مصنوعی برای تولید مقالات ساختگی، روند داوری همتا در نشریات پزشکی را با بحران مواجه کرده است.
🔗 مطالعه کامل در سایت

رمزگشایی زبان سلول‌ها با IRIS
مدل یادگیری عمیق IRIS ابزاری برای شناسایی مسیرهای سیگنال‌دهی سلولی جهت پیشبرد مهندسی سلول‌های بنیادی است.
🔗 مطالعه کامل در سایت

چارچوب Harness² گوگل
ابزار متن‌باز گوگل برای بهینه‌سازی ایجنت‌ها از طریق بازنویسی محیط‌های تعاملی بدون نیاز به بازآموزی مدل.
🔗 مشاهده پست

کتابخانه DeepSelect
کتابخانه جدید تیم DeepSeek برای تسریع عملیات TopK در مدل‌های زبانی با سرعتی تا ۲۰ برابر بیشتر از PyTorch.
🔗 مشاهده پست

پروژه SPACE پرپلکسیتی
محیط سندباکس ایزوله برای اجرای ایجنت‌های هوش مصنوعی با استفاده از ماشین‌های مجازی Firecracker.
🔗 مشاهده پست

مدل Nemotron 3.5 Super VL
مدل ۱۲۰ میلیارد پارامتری انویدیا با معماری MoE برای پردازش همزمان تصویر، اسناد و ویدیو.
🔗 مشاهده پست

فروش ۶.۶ میلیارد دلاری سهام OpenAI
بیش از ۶۰۰ کارمند OpenAI در اکتبر ۲۰۲۵ بخشی از سهام خود را به سرمایه‌گذاران خصوصی فروختند.
🔗 نسخه مفصل در سایت

بازیابی دقیق حرکات سه‌بعدی بدن انسان با مدل OmniPoser. مدل OmniPoser
ابزاری برای بازسازی سه‌بعدی حرکات بدن انسان است که با استفاده از ترکیبات مختلفی از سیگنال‌های پراکنده در یک مدل واحد عمل می‌کند.
🔗 مطالعه کامل در سایت

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

علم داده (Data Science)

19 October 2026 10:13

‏🤖 برنامه‌ریزی آنتروپیک برای مذاکره ایجنت‌های هوش مصنوعی

‏شرکت Anthropic در حال مشاوره با موسسات حقوقی است تا چارچوبی برای نحوه مذاکره ایجنت‌های Claude تدوین کند. این برنامه‌ریزی شامل تعیین مرزهای تصمیم‌گیری مستقل ایجنت‌ها و الزامات تأیید انسانی است. این شرکت همچنین برای اطمینان از اجرای دقیق دستورات کاربر، استفاده از اسناد دیجیتالی امضاشده را بررسی می‌کند.

‏نتایج آزمایش‌های اولیه نشان‌دهنده چالش‌های جدی است:

‏* مدل‌های قوی‌تر مانند Claude Opus در مذاکرات عملکرد بهتری نسبت به مدل‌های سبک‌تر مثل Haiku دارند.
‏* کاربران مدل‌های ضعیف‌تر، تفاوت کیفیت در مذاکره را احساس نمی‌کنند و امتیاز عادلانه مشابهی به توافق‌ها می‌دهند.
‏* استفاده از دستورالعمل‌های سخت‌گیرانه برای «بی‌رحم بودن» ایجنت در مذاکره، بهبود معناداری در نتایج ایجاد نمی‌کند.

‏چالش اصلی تنها تقویت توان مذاکره نیست؛ ایجنت‌ها باید بتوانند رفتارهای مشکوک رقیب را شناسایی کنند و در عین حال، تعادلی میان اعتماد و احتیاط ایجاد کنند تا از شکست در معاملات یا بدبینی بیش از حد جلوگیری شود.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

19 October 2026 09:26

‏🎙 شرکت xAI مدل گفتاری Grok Voice 3.0 را منتشر کرد

‏شرکت xAI مدل جدید Grok Voice 3.0 را منتشر کرد. این مدل به صورت گفتاربه‌گفتار بدون تبدیل میانی به متن کار می‌کند و زمان پاسخ‌دهی آن کمتر از یک ثانیه است.

‏در شاخص Artificial Analysis Speech-to-Speech، این مدل امتیاز ۸۶٫۹ را به دست آورده که بالاتر از GPT-Live-1 (۸۳٫۲) و Gemini 3.8 Live (۸۲٫۶) است. همچنین در بنچمارک Full Duplex Bench به امتیاز ۹۷ درصد رسیده، اما در ارزیابی تماس‌های پشتیبانی τ-Voice با امتیاز ۷۱٫۶ درصد از GPT-Live-1 (۷۴٫۵ درصد) عقب‌تر است. زبان روسی در این مدل پشتیبانی نمی‌شود.

‏مدل Grok Voice 3.0 در حال حاضر در خودروهای تسلا و بخش پشتیبانی استارلینک فعال است. این سیستم روزانه ۲۰ هزار تماس استارلینک را دریافت کرده و حدود ۷۰ درصد آن‌ها را بدون دخالت انسان انجام می‌دهد. استفاده از آن از طریق Voice Agent API با قیمت ۸ سنت برای هر دقیقه در دسترس است.

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

علم داده (Data Science)

19 October 2026 09:10

‏🧠 گرنت سندرسون و آینده ریاضیات در عصر هوش مصنوعی

‏گرنت سندرسون، خالق کانال 3Blue1Brown معتقد است با پیشرفت هوش مصنوعی در اثبات قضایا، ریاضیات همچنان حوزه‌ای حیاتی باقی می‌ماند. او استدلال می‌کند که کار ریاضی‌دان تنها اثبات نیست و شامل موارد زیر است:

‏• انتخاب پرسش‌های درست
‏• تدوین فرضیه‌ها
‏• ساخت نظریه‌ها
‏• یافتن ارتباط میان مفاهیم
‏• انتقال و تبیین نتایج برای دیگران

‏سندرسون باور دارد که توانایی هوش مصنوعی در اثبات قضایا مشابه ماشین‌هایی است که وزنه‌های سنگین‌تری از انسان بلند می‌کنند؛ این موضوع ورزش یا در اینجا، یادگیری ریاضیات را بی‌معنا نمی‌کند، زیرا حل مسئله به تنهایی باعث توسعه تفکر می‌شود. با ورود ابزارهای هوشمند به پژوهش، معیارهای ارزیابی دستاوردهای علمی و نحوه کسب اعتبار برای دانشمندان نیز نیازمند بازنگری خواهد بود.

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

علم داده (Data Science)

18 October 2026 19:10

‏📊 گلوگاه «توجه انسانی» در تعامل با مدل‌های Claude

‏گزارش تازه Anthropic نشان می‌دهد که در فرآیند تعامل با مدل‌های هوش مصنوعی، عامل اصلی تأخیر، سرعت پردازش مدل نیست، بلکه محدودیت «توجه انسانی» است. بررسی‌ها حاکی از آن است که حدود ۸۰ درصد از زمان جلسات کاری در Claude صرف انتظار برای ورودی‌های کاربر می‌شود.

‏تحلیل‌ها بر اساس حجم خروجی مدل تا آوریل ۲۰۲۶، میانگین ساعات لازم برای خواندن خروجی‌ها را در حوزه‌های مختلف نشان می‌دهد:

‏* مهندسی و تحقیق: ۴۲۴ ساعت در هفته برای هر نفر
‏* امور مالی و حسابداری: ۴۳ ساعت در هفته برای هر نفر
‏* فروش و بازاریابی: ۳۵ ساعت در هفته برای هر نفر
‏* امور حقوقی و سیاست‌گذاری: ۲۶ ساعت در هفته برای هر نفر

‏طبق محاسبات این گزارش، زمان کار فعال مدل در مقایسه با کل زمان جلسه (wall-clock time) بسیار کمتر است و انسان‌ها عملاً به گلوگاهی برای فعالیت عامل‌های هوشمند تبدیل شده‌اند. روند رشد ساعات مورد نیاز برای مطالعه خروجی‌ها از سال ۲۰۲۵ تاکنون صعودی بوده است.

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