علم داده (Data Science)

14 November 2026 05:29

‏📊 تفاوت کاربردی Ollama، vLLM و SGLang

‏برای اجرای مدل‌های زبانی بزرگ، انتخاب ابزار مناسب به ماهیت پردازش شما بستگی دارد. این سه ابزار برای نیازهای عملیاتی متفاوتی توسعه یافته‌اند:

‏* Ollama: مناسب برای اجرای ساده و محلی مدل‌ها روی سخت‌افزار شخصی.
‏* vLLM: بهینه‌شده برای سرویس‌دهی همزمان (Concurrent) و دستیابی به نرخ گذردهی (Throughput) بالا در محیط‌های تولیدی.
‏* SGLang: طراحی‌شده برای جریان‌های کاری ایجنتیک (Agentic)، استفاده از حافظه پنهان پیشوندی (Prefix Caching) و دریافت خروجی‌های ساختاریافته.

‏پیش از انتخاب، نوع بار کاری و زیرساخت خود را در نظر بگیرید تا بازدهی اجرای مدل به حداکثر برسد.

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

علم داده (Data Science)

13 November 2026 18:23

‏🎮 ابزارهای متن‌باز برای بازی‌سازی با مدل‌های هوش مصنوعی

‏یک افزونه رایگان در مخزن Awesome Gamedev Agent Skills مجموعه‌ای از ۷۹ مهارت تخصصی بازی‌سازی را برای مدل‌هایی مثل Claude Code فراهم کرده است. این ابزار با دریافت توصیف متنی شما از بازی، مهارت‌های لازم را برای ۱۲ موتور بازی‌سازی از جمله Unity، Godot و Roblox بارگذاری می‌کند تا مدل بتواند کدنویسی پروژه را انجام دهد.

‏این پروژه در میان فهرستی از ۱۰ ابزار رایگان گیت‌هاب برای توسعه بازی با AI قرار دارد که مورد توجه بسیاری از توسعه‌دهندگان قرار گرفته است. مهم‌ترین ابزارهای این فهرست عبارت‌اند از:

‏* MCP Unity: امکان ایجاد صحنه، افزودن آبجکت و اجرای تست مستقیم در محیط ویرایشگر Unity.
‏* Godot MCP: قابلیت اجرای پروژه در Godot، مدیریت آن و خواندن لاگ‌های خطا.
‏* TripoSR: ابزاری برای تبدیل تصاویر دوبعدی به مدل‌های سه‌بعدی.

‏سایر موارد این فهرست شامل کتابخانه‌های متن‌باز برای پیاده‌سازی فیزیک، جلوه‌های بصری و رفتارهای کاراکتر در بازی‌های سه‌بعدی تحت وب هستند.

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

علم داده (Data Science)

13 November 2026 11:31

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #19 | 📌 5 آیتم گزارش | 🧾 از 14 پست بررسی‌شده
🕐 پنجشنبه 1405/08/21 ساعت 14:00 تا جمعه 1405/08/22 ساعت 14:00

کاهش هزینه زیرساخت سرورها با مدیریت هوشمند حافظه
جابه‌جایی پیش‌دستانه صفحات حافظه به NVMe نیاز به DRAM گران‌قیمت را در زیرساخت‌های پردازشی کاهش می‌دهد. این روش هزینه‌های نگه‌داری سرور را کم می‌کند، اما نیاز به اختصاص یک هسته پردازشی مجزا برای هر ماشین مجازی، بهره‌برداری از آن را در محیط‌های مبتنی بر مجازی‌سازی پرتراکم محدود می‌سازد.

بهینه‌سازی مسیریابی ایجنت‌ها با خروجی‌های احتمالی
تعیین احتمال گزینه‌ها در یک مرحله پردازشی، نیاز به تولید توکن‌های خروجی و پردازش سنگین متن را در ساختارهای ایجنتی حذف می‌کند. این ساختار هزینه پایش سیاست‌ها و انتخاب ابزار را کاهش می‌دهد، اما کارایی واقعی آن مشروط به دسته‌بندی شفاف گزینه‌ها و عدم نیاز به استدلال متنی چندمرحله‌ای است.

💻 زیرساخت و مدیریت حافظه

کاهش مصرف DRAM در سرورهای هوش مصنوعی با راهکار AMD
AMD با مدل پیش‌بینی زمان دسترسی حافظه، صفحات بلااستفاده را به NVMe منتقل کرده و نیاز به DRAM را کاهش می‌دهد.

ثبت پتنت مایکروسافت برای آموزش توزیع‌شده AI روی GPUهای خانگی
پتنت جدید مایکروسافت فرآیند آموزش مدل را به وظایف خرد تقسیم کرده و بر اساس اعتبار دستگاه‌ها توزیع می‌کند.

🤖 مدل‌ها، ابزارها و ارزیابی امنیتی

عرضه Gemini Decisions API برای مسیریابی و دسته‌بندی کم‌هزینه
گوگل ابزاری برای ارزیابی تک‌مرحله‌ای گزینه‌ها بدون تولید توکن خروجی و با هزینه ۱۰ سنت به ازای میلیون توکن ارائه کرد.

انتشار وزن‌های مدل رباتیک GR00T 2 و داده‌های آموزشی انویدیا
انویدیا مدل کنترل ربات GR00T 2 را همراه با ۱۰۰ هزار ساعت داده آموزشی برای اجرای مستقل روی سیستم‌های رباتیک منتشر کرد.

ارزیابی امنیت و رفتار مدل‌های هوش مصنوعی در محیط‌های ایزوله
تست Perplexity روی ۱۲ مدل نشان داد هیچ مدلی از ماشین مجازی خارج نشد، اما نحوه طرح مسئله بر دقت ارزیابی اثر دارد.

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

علم داده (Data Science)

13 November 2026 09:05

‏🤖 دسترسی عمومی به مدل Gemini 4 Carbon گوگل

‏گوگل دسترسی به مدل Gemini 4 Carbon را برای استفاده در محصولات و پروژه‌های سازمانی آزاد کرد. تا پیش از این، استفاده از این مدل تنها در اختیار گروه محدودی از متخصصان امنیت سایبری و تحت برنامه Fairwind قرار داشت.

‏علاوه بر تغییر در سطح دسترسی، گوگل قابلیت جدیدی برای مدیریت گروهی از مدل‌های هوش مصنوعی (Multi-agent orchestration) به نمایش گذاشت. در این دمو، مدل Carbon وظایف مختلفی را به ایجنت‌های تخصصی محول کرده و روند اجرای آن‌ها را مدیریت می‌کند.

‏اطلاعات بیشتر در مورد عملکرد این مدل و نحوه هماهنگی ایجنت‌ها در این گزارش قابل مشاهده است.

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

علم داده (Data Science)

13 November 2026 07:40

‏🚀 گوگل فریم‌ورک جدیدی برای پیش‌بینی تأثیر عادات بر سلامت معرفی کرد

‏گوگل ریسرچ فریم‌ورکی مبتنی بر داده‌های Fitbit راه‌اندازی کرده که ۱۲۵ سناریوی سلامتی را در ۱۲ هفته شبیه‌سازی می‌کند. این ابزار با تحلیل داده‌های دو هفته‌ای، تأثیر تغییراتی مثل خواب بیشتر یا پیاده‌روی اضافه‌تر را بر ۲۰ شاخص سلامتی، از جمله ضربان قلب در حالت استراحت و تنوع ضربان قلب (HRV)، پیش‌بینی می‌کند.

‏فریم‌ورک سه بخش اصلی دارد:
‏* Coachable Health Age: «سن سلامتی» قابل بهبود را بر اساس ضربان قلب، قدم‌ها، خواب و فعالیت ارزیابی می‌کند.
‏* SensorWM: ۱۲۵ ترکیب از عادات را برای ۱۲ هفته مدل‌سازی کرده و با وضعیت فعلی مقایسه می‌کند.
‏* بهینه‌ساز و مدل زبانی: بار قابل تحمل را در نظر گرفته و سناریوهای انتخاب‌شده را به برنامه عملی تبدیل می‌کند.

‏در آزمایشی، مربیان در ۷۱.۴٪ موارد، برنامه‌های مبتنی بر شبیه‌سازی را به برنامه‌های عادی ترجیح دادند. نسخه‌ی پیشرفته‌تر این فریم‌ورک، داده‌های Fitbit را با معیارهای آزمایشگاهی ترکیب می‌کند تا وضعیت قلبی-عروقی، کلیوی و حساسیت به انسولین را به‌طور جداگانه ارزیابی کند.

🇮🇷 تلگرام

علم داده (Data Science)

13 November 2026 06:39

🏴 سالروز شهادت بانوی دو عالم، حضرت فاطمه زهرا سلام‌الله علیها را بر تمامی شیعیان و محبان آن حضرت تسلیت عرض می‌کنیم.

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

علم داده (Data Science)

12 November 2026 16:33

‏ثبت پتنت مایکروسافت برای آموزش هوش مصنوعی با GPU سیستم‌های خانگی

‏مایکروسافت پتنتی با شماره US 12,792,414 B2 ثبت کرده که هدف آن استفاده از توان پردازشی بلااستفاده GPU در کامپیوترهای گیمینگ و سایر دستگاه‌های لبه برای آموزش مدل‌های هوش مصنوعی است.

‏در این طرح، فرآیند آموزش به وظایف بسیار کوچک (Micro-tasks) تقسیم می‌شود تا بر اساس ظرفیت و در دسترس بودن سخت‌افزار کاربران، توزیع شوند. سیستم برای اطمینان از خروجی نهایی، از معیارهایی مانند امتیاز قابلیت اطمینان دستگاه، فاکتور کهنگی داده‌ها و امتیاز اعتبارسنجی استفاده می‌کند. همچنین طبق متن پتنت، امکان ارائه پاداش به صاحبان دستگاه‌ها در قالب اعتبار یا پرداخت‌های نقدی پیش‌بینی شده است.

‏مهم‌ترین مراحل فنی این فرآیند عبارتند از:
‏* تجزیه وظایف آموزشی به بخش‌های خرد و ایجاد نمودار وابستگی مدل.
‏* شناسایی نقاط تقسیم بهینه با برآورد هزینه محاسباتی.
‏* پیش‌بینی میزان در دسترس بودن پردازش در دستگاه‌های لبه.
‏* توزیع وظایف و دریافت نتایج پردازش‌شده.
‏* به‌روزرسانی پارامترهای مدل با وزن‌دهی بر اساس امتیاز اعتبار نتایج.

🇮🇷 تلگرام

علم داده (Data Science)

12 November 2026 15:53

‏🤖 عرضه Grok Bot 1.0 با قابلیت حضور در جلسات کاری

‏نسخه جدید Grok Bot 1.0 معرفی شد. این ربات اکنون به‌گونه‌ای طراحی شده که مانند یک همکار در تیم‌های کاری فعالیت کند. اعضای تیم می‌توانند از یک ربات مشترک در Slack، Microsoft Teams یا جلسات ویدیویی استفاده کنند.

‏مهم‌ترین قابلیت‌های این ابزار عبارتند از:
‏- شناسایی خودکار وظایف ناتمام، مهلت‌های زمانی نزدیک و تغییرات در اولویت‌های پژوهشی.
‏- پیشنهاد برای انجام کارها و ارجاع به انسان در صورت نیاز به تصمیم‌گیری تخصصی.
‏- امکان یادگیری روش‌های جدید از یک کاربر و اشتراک‌گذاری آن با تمام اعضای تیم.
‏- رعایت سطوح دسترسی کاربران و کسب اجازه پیش از انجام فعالیت‌های حساس.

‏استفاده از ربات‌های اشتراکی در طرح‌های Team و Enterprise و حضور در جلسات ویدیویی برای کاربران سطوح Team، Enterprise و Ultra در دسترس است.

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

علم داده (Data Science)

12 November 2026 13:44

‏💻 اجرای مدل هوش مصنوعی بدون محدودیت روی سیستم شخصی

‏این راهنما روش اجرای مدل تغییریافته Gemma 4 را روی سیستم‌های شخصی توضیح می‌دهد؛ مدلی که تمامی محدودیت‌های پاسخ‌دهی در آن حذف شده است. این نسخه برای اجرا نیازمند حدود ۸ تا ۱۲ گیگابایت حافظه گرافیکی و دانلود فایل ۷.۴ گیگابایتی است.

‏مراحل اجرا:
‏* نصب ابزار Ollama برای مدیریت مدل‌های محلی.
‏* دانلود مدل با دستور ollama pull igorls/gemma-4-12B-it-heretic-GGUF.
‏* اجرای مدل با دستور ollama run igorls/gemma-4-12B-it-heretic-GGUF و وارد کردن عبارت /set nothink در محیط چت.

‏طبق اطلاعات صفحه Hugging Face، این مدل در تست‌های صورت‌گرفته هیچ‌کدام از ۱۰۰ پرسش حساس را رد نکرده است. نویسنده این راهنما تأکید دارد که حذف محدودیت‌ها به معنای افزایش هوشمندی مدل نیست و برای کارهای برنامه‌نویسی تخصصی همچنان از مدل‌های ابری استفاده می‌کند. اجرای این مدل به صورت محلی انجام می‌شود و هیچ اطلاعاتی از سیستم شما خارج نمی‌شود.

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

علم داده (Data Science)

12 November 2026 10:29

‏🎨 بایت‌دنس مدل ویرایش تصویر Seedream 5.5 را معرفی کرد

‏بخش هوش مصنوعی بایت‌دنس مدل Seedream 5.5 را برای تولید و ویرایش تصویر منتشر کرد. این مدل امکان ویرایش متوالی یک تصویر را تا ۱۰۰ مرحله فراهم می‌کند، به طوری که بخش‌های دست‌نخورده در سطح پیکسل حفظ می‌شوند و جزییات تصویر از بین نمی‌روند.

‏مهم‌ترین ویژگی‌ها:
‏• تولید مستقیم تصاویر شفاف و نیمه‌شفاف در قالب RGBA بدون نیاز به حذف پس‌زمینه
‏• بهبود خوانایی متن‌های کوچک و بازسازی طبیعی‌تر نور، متریال‌ها و بافت پوست

‏بایت‌دنس ادعا کرده این مدل در واقع‌گرایی بالاتر از GPT-Image 2.5 Sunburst قرار می‌گیرد؛ هرچند به‌تازگی نسخه GPT-Image 2.6 نیز عرضه شده است.

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

علم داده (Data Science)

12 November 2026 09:06

‏🧠 مدل Graphon؛ ساخت گراف دانش بدون اسکیما برای حافظه ایجنت‌ها

‏حافظه یکی از چالش‌های اصلی در توسعه ایجنت‌های هوش مصنوعی است. پروژه Graphon بدون نیاز به طراحی دستی اسکیما، تمام اسناد، ایمیل‌ها، تصاویر و ویدیوهای سازمان را در یک گراف واحد یکپارچه می‌کند تا ورود داده‌های جدید باعث شکست ساختار نشود.

‏این ابزار در بنچمارک LoCoMo با استفاده از تنها ۷.۹ هزار توکن کانتکست به دقت ۹۴ درصد رسیده است؛ عملکردی بالاتر از مدل‌های پیشرو که به کل تاریخچه دسترسی دارند. Graphon همچنین در بنچمارک ATM-Bench برای ارزیابی داده‌های چندساله ایمیل، عکس و ویدیو، رتبه نخست را کسب کرده است.

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

علم داده (Data Science)

12 November 2026 08:42

‏🤖 عرضه مدل متن‌باز Nex-N2.6 برای عامل‌های هوشمند

‏موسسه نوآوری شانگهای مدل چندوجهی Nex-N2.6 را برای اجرای وظایف خودمختار در محیط‌های رایانه‌ای معرفی کرد. این مدل که توانایی پردازش متن، تصویر و ویدیو را دارد، در ارزیابی‌های فنی عملکرد قابل‌توجهی نشان داده است.

‏بر اساس داده‌های ارائه‌شده توسط توسعه‌دهندگان، نتایج کلیدی این مدل به شرح زیر است:

‏- کسب امتیاز 83 در بنچمارک OSWorld برای تعامل با رابط کاربری.
‏- کسب امتیاز 84.1 در Terminal-Bench 2.1.
‏- موفقیت صددرصدی در انتخاب ابزار در تمامی سناریوهای آزمایشی.
‏- کاهش خطای تکرار استدلال از 16 درصد به 1.6 درصد نسبت به نسخه قبلی.

‏در مقایسه، این مدل در بنچمارک‌های ذکر شده امتیازات بالاتری نسبت به DeepSeek-V4.1-Flash کسب کرده است. Nex-N2.6 برای اجرای وظایف طولانی، برنامه‌نویسی و مدیریت رابط‌ها بدون از دست دادن کانتکست طراحی شده است.

‏دسترسی به مدل:
‏- مخزن گیت‌هاب
‏- صفحه Hugging Face
‏- استفاده از API

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

علم داده (Data Science)

11 November 2026 17:42

‏🎮 عرضه کنسول بازی ModRetro توسط OpenAI

‏اوپن‌ای‌آی در ادامه تولید محصولات فیزیکی خود، کنسول بازی ModRetro Chromatic Codex Edition را با قیمت ۲۰۰ دلار عرضه کرده است. این دستگاه که ظاهری شبیه به کنسول‌های کلاسیک دارد، از کارتریج‌های Game Boy و Game Boy Color پشتیبانی می‌کند.

‏ویژگی اصلی این محصول، ابزاری به نام Codex است که به کاربران اجازه می‌دهد بازی‌های خود را طراحی کنند. از طریق پلاگین مربوطه، کاربران می‌توانند جزئیات مراحل و انیمیشن‌ها را با استفاده از مدل‌های زبانی توصیف کنند تا کدهای بازی تولید شود.

‏مهم‌ترین قابلیت‌های این سیستم شامل موارد زیر است:
‏* امکان اجرای بازی‌های ساخته شده در کنسول با استفاده از کارتریج‌های قابل بازنویسی.
‏* ارائه محیط شبیه‌ساز داخلی برای تست سریع بازی‌ها پیش از انتقال به کنسول.
‏* دسترسی به گالری بازی‌های نمونه مانند FlapGPT از طریق بخش توسعه‌دهندگان اوپن‌ای‌آی که بدون نیاز به کنسول نیز در مرورگر قابل اجرا هستند.

‏برای انتقال بازی‌های ساخته‌شده به کنسول، کاربران باید میان‌افزار دستگاه را به‌روزرسانی کرده و حالت توسعه‌دهنده (Developer Mode) را فعال کنند.

🇮🇷 تلگرام

علم داده (Data Science)

11 November 2026 17:04

‏🚀 برنامه اسپیس‌اکس برای استقرار ۶۰۰۰ رک پردازشی در فضا

‏اسپیس‌اکس برای سال ۲۰۲۷ برنامه‌ای جهت استقرار ۶۰۰۰ رک سرور مبتنی بر GPU در فضا طراحی کرده است. این تجهیزات که در قالب پروژه‌ای با ظرفیت عملیاتی مجموع ۱ گیگاوات (۱.۰۵ GW) تعریف شده‌اند، قرار است در ماهواره‌های این شرکت به‌کار گرفته شوند.

‏بر اساس جزئیات منتشر شده، مهم‌ترین ویژگی‌های این برنامه عبارتند از:

‏* سفارش اولیه: ۶۰۰۰ رک مخصوص فضا که معادل ۴۳۲,۰۰۰ واحد GPU است و ارزش سخت‌افزاری آن حدود ۴۲ تا ۴۵ میلیارد دلار تخمین زده می‌شود.
‏* زمان‌بندی: مرحله معرفی محصول جدید (NPI) در مه ۲۰۲۷ و پایان تولید برای آماده‌سازی ماهواره‌های تست در دسامبر ۲۰۲۷ انجام می‌شود.
‏* چشم‌انداز برنامه: در فاز نهایی که شامل ۳۰,۰۰۰ ماهواره است، ظرفیت کل به ۳۰,۰۰۰ رک با ۲.۱۶ میلیون واحد GPU افزایش خواهد یافت. توان عملیاتی نهایی این پروژه در پیک مصرف به ۷.۵ گیگاوات می‌رسد.

‏علاوه بر این زیرساخت فضایی، اسپیس‌اکس در حال گسترش توان پردازشی در مراکز زمینی است و طبق پیش‌بینی SemiAnalysis، ظرفیت توان پردازشی این شرکت ممکن است تا پایان سال آینده به ۱۳ گیگاوات برسد.

🇮🇷 تلگرام

علم داده (Data Science)

11 November 2026 13:08

‏🧠 توابع فعال‌ساز در یادگیری عمیق

‏توابع فعال‌ساز با وارد کردن غیرخطی‌بودن به شبکه عصبی، امکان یادگیری الگوهای پیچیده را فراهم می‌کنند. در ادامه مهم‌ترین این توابع و کاربرد آن‌ها آورده شده است:

‏* Sigmoid: خروجی بین ۰ و ۱ تولید می‌کند و معمولاً در لایه‌های خروجی برای دسته‌بندی دوتایی (Binary) به کار می‌رود.
‏* Tanh: خروجی را بین ۱- و ۱ نگاشت می‌کند و به دلیل مرکزیت در صفر، اغلب عملکرد بهتری نسبت به Sigmoid دارد.
‏* ReLU: مقدار ورودی‌های منفی را صفر می‌کند و برای لایه‌های پنهان به دلیل سادگی و سرعت محاسباتی، انتخاب استانداردی است.
‏* Leaky ReLU: با تخصیص مقدار کوچکی به ورودی‌های منفی، از مشکل مرگ تدریجی نورون‌ها (Dying ReLU) جلوگیری می‌کند.
‏* PReLU: مشابه Leaky ReLU است با این تفاوت که شیب بخش منفی را در حین آموزش یاد می‌گیرد.
‏* Softmax: خروجی‌ها را به صورت توزیع احتمالی (مجموع برابر با ۱) برمی‌گرداند و برای مسائل دسته‌بندی چندکلاسه (Multi-class) استفاده می‌شود.

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

علم داده (Data Science)

13 November 2026 18:26

‏🤖 قابلیت حضور کلاد در تماس‌های ویدیویی

‏مدل کلاد اکنون می‌تواند به عنوان یک شرکت‌کننده در جلسات گوگل‌میت حضور یابد. با این قابلیت، کاربران می‌توانند در حین صحبت از هوش مصنوعی بخواهند که مستندات (Docs) یا وایت‌بردها را هم‌زمان با گفتگو ایجاد کند.

‏این ابزار از طریق فرمان‌های صوتی یا متنی در چت جلسه پاسخ می‌دهد و می‌تواند به اپلیکیشن‌های متصل تیم، مانند اسلک، دسترسی پیدا کند. البته تمامی دسترسی‌ها منوط به تأیید شرکت‌کنندگان در تماس است.

‏برخی از ویژگی‌های این نسخه بتا:
‏* ذخیره متن کامل جلسات (Transcript) و خلاصه‌سازی محتوا
‏* ثبت توضیحات مرتبط با تصاویر صفحه نمایش (بدون ضبط صدا)
‏* امکان کنترل دسترسی برای مدیران سیستم در جلسات با مهمانان خارجی

‏این ویژگی هم‌اکنون برای کاربران پلن‌های Team و Enterprise در دسترس است. فایل‌های ایجادشده در جلسات تا تاریخ ۱۰ فوریه ۲۰۲۷ به‌صورت رایگان در دسترس کاربران قرار می‌گیرند. اطلاعات بیشتر را می‌توانید در مرکز پشتیبانی Anthropic مشاهده کنید.

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

علم داده (Data Science)

13 November 2026 12:08

‏🤖 انتشار نسخه اول OpenBot توسط CopilotKit

‏تیم CopilotKit نسخه ۱.۰ پلتفرم OpenBot را به عنوان یک همکار هوش مصنوعی متن‌باز عرضه کرده است که قابلیت اجرا روی زیرساخت شخصی شرکت‌ها را دارد.

‏ویژگی اصلی این ابزار، استفاده از «دروازه حکمرانی» است. پیش از هر اقدام ربات مانند کلیک، نوشتن فایل یا فراخوانی ابزار، سیاست‌های امنیتی بررسی می‌شوند و رکورد عملیات پیش از اجرا ثبت می‌گردد تا از نقض قوانین جلوگیری شود.

‏این پلتفرم با فریم‌ورک‌های مختلفی از جمله LangChain، CrewAI، OpenAI Agents SDK و Claude Agent SDK سازگار است و از ۹ خانواده مدل‌ زبانی بزرگ شامل DeepSeek، Qwen، Mistral و Grok پشتیبانی می‌کند.

‏مهم‌ترین محدودیت‌ها و شرایط:
‏* قابلیت‌های SSO، SCIM و محدودیت‌های توکن در نسخه تجاری پولی ارائه شده‌اند.
‏* نسخه‌های مخصوص موبایل، Slack و Teams همچنان در وضعیت دسترسی زودهنگام هستند.
‏* کد منبع با مجوز MIT در گیت‌هاب منتشر شده و برای استفاده شخصی رایگان است.

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

علم داده (Data Science)

13 November 2026 11:23

‏📊 معرفی ابزار Drift Inspector برای تحلیل روندهای علمی

‏مؤسسه AIRI و Skoltech ابزاری به نام Drift Inspector را برای تحلیل روندهای پژوهشی در علوم کامپیوتر توسعه داده‌اند. این سیستم با بررسی بیش از ۱۱۸ هزار مقاله از کنفرانس‌های معتبر بین سال‌های ۲۰۱۸ تا ۲۰۲۶، به‌جای شمارش ساده کلمات کلیدی، ادعاهای مطرح‌شده در مقالات (Contribution Claims) را استخراج و خوشه‌بندی می‌کند.

‏این روش امکان می‌دهد مفاهیم مشابه با عبارت‌پردازی‌های متفاوت در یک گروه قرار بگیرند و از تداخل معنایی کلمات جلوگیری شود. بررسی داده‌های این ابزار در حوزه NLP نشان می‌دهد که مباحث زیر در بازه ۲۰۲۰ تا ۲۰۲۵ بیشترین سهم از ادعاهای علمی را به خود اختصاص داده‌اند:

‏Transformer Methods: ۱۰۸۵ ادعا (روند صعودی)
‏Vision-Language NLP: ۹۹۰ ادعا (روند صعودی)
‏Dialogue Systems: ۷۵۶ ادعا (روند نزولی)
‏Machine Translation: ۴۷۶ ادعا (روند نزولی)
‏LLM Efficiency & PEFT: ۴۶۷ ادعا (روند صعودی)

‏جزئیات بیشتر و نتایج تحلیل این خوشه‌ها در وب‌سایت پروژه قابل مشاهده است.

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

علم داده (Data Science)

13 November 2026 08:30

‏🤖 معرفی مدل Gemini Decision 1 با قابلیت چندوجهی

‏گوگل مدل جدید Gemini Decision 1 را عرضه کرد. این مدل چندوجهی (Multimodal) است و می‌تواند ویدیو، صدا، تصویر و متن را به عنوان ورودی پردازش کند. هزینه استفاده از این مدل ۰.۱۰ دلار به ازای هر میلیون توکن ورودی است و امکان تست رایگان آن از طریق AI Studio فراهم شده است.

‏در مقایسه عملکرد بر اساس بنچمارک‌های مختلف، مدل Gemini Decision 1 در بیشتر معیارها از جمله JevBench، دقت ۷۹.۸ درصدی در PubMedQA و امتیاز ۸۶ درصدی در Global-MMLU-Lite عملکرد بهتری نسبت به رقبا داشته است. مهم‌ترین نکات این ارزیابی عبارتند از:

‏* در معیارهای Mind2Web و When2Call، مدل TypeSafe Jev 1.14 امتیاز بالاتری ثبت کرده است.
‏* مدل TypeSafe Jev 1.14 با مجموع هزینه ۰.۶۸ دلار در هفت معیار مشترک، ارزان‌ترین گزینه است.
‏* در معیار Top-1 ECE که عدد کمتر نشان‌دهنده دقت بالاتر است، مدل گوگل با ۰.۰۲۵۰ بهترین عملکرد را دارد.
‏* درخواست‌های مسدود شده یا رد شده توسط مدل، در محاسبات به عنوان پاسخ نادرست لحاظ شده‌اند.

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

علم داده (Data Science)

13 November 2026 06:59

‏💻 بهینه‌سازی حافظه سرورهای AI با فناوری AMD

‏شرکت AMD با بهره‌گیری از فناوری استارتاپ Mext، روشی را برای کاهش نیاز به DRAM در سرورهای هوش مصنوعی معرفی کرده است. این راهکار با استفاده از یک مدل هوش مصنوعی مبتنی بر ترنسفورمر، صفحات حافظه را پیش از نیاز سیستم از DRAM به حافظه‌های ارزان‌تر NVMe منتقل می‌کند.

‏این مدل به‌جای پیش‌بینی توکن، زمان دسترسی به صفحات حافظه را پیش‌بینی کرده و روی یک هسته پردازنده Epyc بدون نیاز به GPU آموزش می‌بیند. طبق داده‌های AMD، استفاده از این فناوری در Apache Spark تا ۹۹٪ و در Synopsys PrimeTime تا ۹۵٪ کارایی سیستم را حفظ می‌کند.

‏مهم‌ترین نکات این فناوری:
‏* کاهش هزینه‌های زیرساخت سرور تا ۸۳٪.
‏* هزینه کمتر و مصرف انرژی ۳۰ برابری بهینه حافظه فلش نسبت به DRAM.
‏* یادگیری مدل در لحظه (Online) روی همان سیستم میزبان.
‏* محدودیت در مجازی‌سازی به دلیل نیاز هر ماشین مجازی به یک هسته اختصاصی.

‏این ایده بر پایه پژوهش TPP شکل گرفته که نشان می‌دهد در هر بازه زمانی دو دقیقه‌ای، بخش بزرگی از حافظه اختصاص‌یافته به برنامه‌ها بلااستفاده باقی می‌ماند.

🇮🇷 تلگرام

علم داده (Data Science)

12 November 2026 18:38

‏🤖 معرفی ابزار Gemini Decisions API برای مسیریابی و دسته‌بندی

‏گوگل ابزار جدیدی به نام Gemini Decisions API را منتشر کرد که برای وظایفی مانند انتخاب ابزار توسط ایجنت‌ها، بررسی سیاست‌های امنیتی و تعیین مدل مناسب کاربرد دارد. هسته این سیستم، مدل Gemini Decision 1 است که با بررسی ورودی‌ها در یک مرحله، احتمال هر گزینه را برمی‌گرداند.

‏این ابزار از سه نوع پرسش پشتیبانی می‌کند: پاسخ‌های بله/خیر، انتخاب از بین ۲ تا ۲۵۵ گزینه، و امتیازدهی در یک مقیاس مشخص. ورودی پرسش می‌تواند تا ۲۵۶ هزار توکن شامل متن، تصویر، صدا، ویدیو یا PDF باشد و امکان پرسیدن هم‌زمان تا هزار سوال مجزا در یک درخواست وجود دارد.

‏برخی از مهم‌ترین ویژگی‌ها و دسترسی‌ها:
‏* هزینه آن ۱۰ سنت به ازای هر یک میلیون توکن ورودی است و خروجی هزینه‌ای ندارد.
‏* امکان استفاده از AI Studio برای نمونه‌سازی اولیه و تست وجود دارد.
‏* پشتیبانی در ابزارهایی مانند OpenRouter، LangChain، Vercel و LiteLLM در حال پیاده‌سازی است.

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

علم داده (Data Science)

12 November 2026 16:22

‏🛡 ارزیابی امنیت مدل‌های هوش مصنوعی در محیط ایزوله

‏تیم Perplexity در تازه‌ترین بررسی خود، توانایی ۱۲ مدل هوش مصنوعی را برای خروج از محیط مجازی (Sandbox) و دور زدن محدودیت‌های شبکه آزمایش کرده است. نتایج کلیدی این تحقیق به شرح زیر است:

‏- هیچ‌کدام از مدل‌ها موفق به شکستن ایزولاسیون ماشین مجازی و دسترسی به سیستم میزبان نشدند.
‏- مدل GPT-5.6 Sol در تمامی تلاش‌ها محدودیت‌های شبکه را دور زد، در حالی که نسخه تخصصی GPT-5.6 Cyber در هر سه تست شکست خورد.
‏- مدل GPT-6 Astra توانست با میانگین زمان ۴.۸ دقیقه حملات شبکه موفقی را انجام دهد.
‏- مدل Grok 4.20 در ۲مهم‌ترین موارد ادعای نفوذ موفق داشت، اما در واقعیت به داده‌های حساس دسترسی پیدا نکرد و حتی در یک مورد پاسخ ساختگی از AWS API تولید کرد.

‏این بررسی نشان داد که استانداردهای رایج مسابقات CTF ممکن است مانع ارزیابی دقیق امنیتی شوند، زیرا مدل‌ها به جای تمرکز بر مرزهای ایزولاسیون، وقت خود را صرف جستجوی رشته‌های متنی خاص می‌کنند. با تغییر نحوه ارائه وظایف، دقت مدل‌ها در بررسی لایه‌های مجازی‌سازی حدود ۶۰ درصد افزایش یافت.

🇮🇷 تلگرام

علم داده (Data Science)

12 November 2026 15:43

‏🧪 اجرای بدون انقطاع آزمایش شیمی با مدل GR00T 2 انویدیا

‏انویدیا ویدئویی از عملکرد مدل جدید GR00T 2 منتشر کرده که در آن یک ربات، یک آزمایش شیمی را از ابتدا تا انتها انجام می‌دهد و سپس وسایل را مرتب می‌کند. به گفته جیم فن، مدیر بخش رباتیک انویدیا، این ویدیو بدون انقطاع، کاملاً مستقل و با سرعت واقعی (1x) ضبط شده است.

‏مدل GR00T 2 کنترل دست‌های ربات را بر عهده دارد و روی سیستم پردازشی خود ربات اجرا می‌شود. انویدیا این مدل را منتشر کرده و وزن‌های مدل به همراه ۱۰۰ هزار ساعت داده آموزشی آن را در دسترس قرار داده است.

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

علم داده (Data Science)

12 November 2026 11:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #18 | 📌 4 آیتم گزارش | 🧾 از 17 پست بررسی‌شده
🕐 چهارشنبه 1405/08/20 ساعت 14:00 تا پنجشنبه 1405/08/21 ساعت 14:00

بهینه‌سازی استنتاج مدل‌های زبانی
تفاوت در طول متغیر توالی‌ها و نیاز به مدیریت حافظه KV Cache، به‌کارگیری تکنیک‌هایی نظیر Paged Attention و Continuous Batching را برای جلوگیری از اتلاف منابع GPU ضروری کرده است. با جداسازی فازهای محاسباتی سنگین از مراحل حساس به تأخیر، می‌توان بازدهی سرویس‌دهی مدل را افزایش داد. پیاده‌سازی این روش‌ها برای دستیابی به خروجی پایدار در محیط‌های عملیاتی اجتناب‌ناپذیر است.

🔬 مدل‌ها و ابزارهای هوشمند

عرضه مدل Nex-N2.6
مدل چندوجهی جدید با تمرکز بر اجرای خودمختار وظایف در رابط‌های کاربری و کاهش نرخ خطای استدلال.

مدل Graphon برای مدیریت حافظه
سامانه گراف دانش بدون نیاز به اسکیما جهت یکپارچه‌سازی اسناد و افزایش دقت بازیابی اطلاعات ایجنت‌ها.

سیستم AlphaProof Code
ابزار دیپ‌مایند برای تایید رسمی و ریاضی صحت عملکرد کدهای برنامه‌نویسی با استفاده از مدل‌های Gemini.

بهینه‌سازی استنتاج LLM
راهکارهای فنی شامل Prefill-decode Disaggregation و Paged Attention برای افزایش کارایی در مدل‌های زبانی بزرگ.

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

علم داده (Data Science)

12 November 2026 09:55

‏معرفی سیستم AlphaProof Code برای تایید رسمی کد

‏گوگل دیپ‌مایند سیستم جدیدی به نام AlphaProof Code را عرضه کرده که برای تایید رسمی (Formal Verification) نرم‌افزارها طراحی شده است. برخلاف روش‌های سنتی که به تست‌های تجربی متکی هستند، این سیستم با تبدیل ویژگی‌های برنامه به زبان ریاضی، اثباتی دقیق برای صحت عملکرد کد در تمامی ورودی‌های ممکن ایجاد می‌کند.

‏این ابزار یک سیستم چندعاملی مبتنی بر مدل‌های Gemini است که فرآیند دشوار و زمان‌بر تایید ریاضی کد را خودکارسازی می‌کند. در اولین کاربرد، این سیستم توانست صحت پروتکل رمزنگاری Signal را به‌صورت ریاضی اثبات کند. در این پروژه، ایجنت‌های هوش مصنوعی با تولید بیش از ۶ میلیون خط کد در زبان Lean، در چهار هفته به نتایجی دست یافتند که پیش از این برای تیم‌های انسانی سال‌ها زمان می‌برد. تنها یک درصد از خروجی‌های این سیستم نیاز به بازبینی توسط متخصصان انسانی داشت.

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

علم داده (Data Science)

12 November 2026 08:54

‏به‌روزرسانی پیش‌بینی ظهور هوش مصنوعی فوق‌انسانی در سال ۲۰۲۷

‏تیم پروژه AI Futures بر اساس داده‌های جدید گزارش METR، پیش‌بینی خود از روند توسعه هوش مصنوعی را به‌روز کرد. بر اساس این تحلیل، سرعت توسعه مدل‌ها در شرکت Anthropic حدود دو برابر نرخ تاریخی است و واقعیّت، حدود ۵ ماه از سناریوی اولیه «AI 2027» پیش افتاده است.

‏مهم‌ترین یافته‌های این گزارش شامل موارد زیر است:

‏* SAR (محقق هوش مصنوعی فوق‌انسانی): سیستمی که در آن شرکت‌ها ترجیح می‌دهند تمام محققان انسانی را اخراج و به هوش مصنوعی تکیه کنند. پیش‌بینی می‌شود این سیستم در سال ۲۰۲۷ ظهور کند.
‏* TED-AI (هوش مصنوعی مسلط بر متخصصان): پیش‌بینی شده با احتمال ۳۵ تا ۶۵ درصد، سیستمی که قادر به خودکارسازی تمام کارهای یقه سفید است، پیش از سال ۲۰۲۸ محقق شود.
‏* خودکارسازی تحقیق و توسعه: طبق مدل‌سازی انجام شده، تا نوامبر ۲۰۲۷ حدود ۹۵ درصد از وظایف تحقیق و توسعه مدل‌ها به سطح خودکارسازی کامل (AL5) خواهد رسید.
‏* روش‌شناسی پیش‌بینی: این نتایج بر پایه برون‌یابی نرخ رشد AECI و کیفیت «ذائقه تحقیقاتی» مدل‌ها استخراج شده است.

🇮🇷 تلگرام

علم داده (Data Science)

12 November 2026 07:09

‏🖼 انتشار مدل H3-Image از MiniMax با خروجی 4K

‏شرکت MiniMax مدل تولید تصویر H3-Image را عرضه کرد. این مدل که بر پایه معماری مدل ویدئویی H3 ساخته شده، توانایی تولید تصاویر بومی با ابعاد 4096×4096 پیکسل را تنها در مهم‌ترین مراحل دارد.

‏از ویژگی‌های فنی این مدل می‌توان به موارد زیر اشاره کرد:
‏* پشتیبانی از پرامپت‌های بسیار طولانی تا ۳۲ هزار کاراکتر و استفاده از ۱۶ تصویر مرجع.
‏* سرعت تولید در حالت Highspeed حدود ۱۰.۳ ثانیه و در حالت Standard حدود ۱۶ ثانیه.
‏* استفاده از دیفیوژن ترنسفورمر ۳۳.۱ میلیاردی که برای اجرا به همراه انکودر و VAE به حدود ۱۳۵ گیگابایت حافظه نیاز دارد.

‏کاربران می‌توانند از طریق مخزن گیت‌هاب به کدهای مرتبط دسترسی پیدا کنند، وزن‌های مدل را از Hugging Face دانلود کنند یا عملکرد آن را در fal آزمایش کنند. برای سیستم‌هایی با کارت گرافیک ۲۴ گیگابایتی، استفاده از SGLang برای انتقال لایه‌ها به RAM پیشنهاد شده است. همچنین قالب‌های استفاده از این مدل در ComfyUI نیز در دسترس قرار گرفته‌اند.

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

علم داده (Data Science)

11 November 2026 17:15

‏تفاوت‌های استنتاج LLM با مدل‌های سنتی ML

‏استنتاج در مدل‌های زبانی بزرگ (LLM) به دلیل ماهیت پویا و غیرخطی، با مدل‌های سنتی یادگیری ماشین متفاوت است و نیاز به تکنیک‌های اختصاصی دارد. در مدل‌های سنتی، ورودی و خروجی طول ثابتی دارند، اما در LLMها به دلیل متغیر بودن طول توالی‌ها، استفاده از روش Continuous Batching ضروری است تا GPU معطل اتمام طولانی‌ترین درخواست نماند.

‏سایر تفاوت‌ها و راهکارهای بهینه‌سازی عبارتند از:

‏* Prefill-decode Disaggregation: جداسازی منابع محاسباتی برای مرحله پردازش ورودی (compute-heavy) و تولید خروجی (latency-sensitive).
‏* Paged Attention: مدیریت حافظه KV Cache در بلوک‌های غیرپیوسته برای جلوگیری از تکه‌تکه‌شدن حافظه.
‏* Prefix-aware Routing: هدایت درخواست‌های دارای پیش‌بندی (Prefix) مشابه به همان GPU که حافظه آن را کش کرده است.
‏* Expert Parallelism: توزیع متخصص‌ها در مدل‌های MoE میان دستگاه‌های مختلف، به طوری که هر GPU فقط وزن‌های بخشی از مدل را میزبانی می‌کند.

جزییات کامل

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

علم داده (Data Science)

11 November 2026 15:39

‏📊 وضعیت سهم ترافیک وب‌سایت‌های هوش مصنوعی مولد

‏داده‌های جدید Similarweb از روند ۱۲ ماهه ترافیک وب‌سایت‌های GenAI تا اکتبر ۲۰۲۶ نشان می‌دهد که سهم بازار این سرویس‌ها دستخوش تغییر شده است.

‏در این دوره، سهم ChatGPT از حدود ۶۷ درصد در نوامبر ۲۰۲۵ به حدود ۵۴ درصد در اکتبر ۲۰۲۶ کاهش یافته است. با این حال، شرکت OpenAI اعلام کرده است که تعداد کاربران هفتگی این پلتفرم از ۱.۲ میلیارد نفر فراتر رفته که نشان می‌دهد کاهش سهم بازار به معنای ریزش مطلق کاربران نیست.

‏در مقابل، رقبای اصلی روند افزایشی داشته‌اند:

‏* Gemini با رشد مستمر، سهم خود را از ۱۵ درصد به ۲۴ درصد رسانده است.
‏* Claude نیز شاهد افزایش سهم بوده و از ۵ درصد به ۸ درصد رسیده است.
‏* سایر سرویس‌ها از جمله Grok، DeepSeek، Perplexity و Copilot سهمی بین ۱ تا ۵ درصد را حفظ کرده‌اند و نوسان چندانی نداشته‌اند.

‏در حال حاضر رقابت در بازار مدل‌های هوش مصنوعی به سمتی رفته است که کاربران برای دسترسی به مدل‌های تخصصی‌تر، میان سرویس‌دهندگان مختلف جابه‌جا می‌شوند.

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

علم داده (Data Science)

11 November 2026 12:22

‏راهنمای سریع مفاهیم یادگیری عمیق

‏این راهنما شامل فرمول‌ها و مفاهیم پایه برای درک ساختار شبکه‌های عصبی است. این خلاصه‌ترین موارد برای مرور سریع فنی به شرح زیر است:

‏- نورون مصنوعی و فعال‌سازها: فرمول‌بندی پایه نورون و توابع فعال‌سازی پرکاربرد مانند ReLU، Sigmoid، Tanh و Leaky ReLU.
‏- فرآیند آموزش: مراحل انتشار رو به جلو (Forward)، پس‌انتشار خطا (Backpropagation) و الگوریتم‌های بهینه‌سازی از جمله Gradient Descent و Adam.
‏- توابع هزینه: استفاده از MSE برای رگرسیون و Cross-Entropy برای مسائل دسته‌بندی.
‏- معماری‌های رایج: کاربرد مدل‌های FNN برای داده‌های جدولی، CNN برای تصویر، RNN برای داده‌های متوالی و Transformer در پردازش زبان طبیعی.
‏- تنظیم مدل (Regularization): روش‌های پیشگیری از بیش‌برازش (Overfitting) شامل L1، L2، Dropout و توقف زودهنگام.
‏- ارزیابی: استفاده از ماتریس درهم‌ریختگی (Confusion Matrix) برای محاسبه Accuracy، Precision، Recall و F1 Score.
‏- اَبَرپارامترها: تنظیماتی مانند نرخ یادگیری (Learning rate)، اندازه دسته (Batch size) و تعداد لایه‌ها.

🇮🇷 تلگرام