علم داده (Data Science)

06 November 2026 19:45

‏🧠 افزودن قابلیت مدیریت مالی شخصی به Claude

‏شرکت Anthropic بخش جدیدی با عنوان Personal Finance را به صورت آزمایشی در مدل Claude راه‌اندازی کرد. این قابلیت در حال حاضر برای مشترکین نسخه‌های Pro، Max و Ultra در ایالات متحده فعال شده است.

‏کاربران می‌توانند از طریق سرویس Plaid حساب‌های بانکی و کارت‌های خود را به Claude متصل کنند. مهم‌ترین ویژگی‌ها و محدودیت‌های این ابزار به شرح زیر است:

‏* دسترسی محدود: هوش مصنوعی فقط دسترسی خواندن (Read-only) دارد و امکان انتقال وجه یا خرید برای آن تعریف نشده است.
‏* امنیت: Claude به رمز عبور بانک دسترسی ندارد.
‏* حریم خصوصی: مکالمات انجام‌شده در این بخش برای آموزش مدل‌های هوش مصنوعی استفاده نمی‌شوند.
‏* تحلیل داده: کاربران می‌توانند پرسش‌هایی درباره نحوه هزینه‌کرد، تغییر قیمت اشتراک‌ها و تراکنش‌های تکراری مطرح کنند.

‏این بخش فاقد تبلیغات و محصولات اعتباری مستقل است.

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

علم داده (Data Science)

06 November 2026 16:37

‏🤖 معماری اجزای تشکیل‌دهنده ایجنت‌های هوش مصنوعی

‏ساختار یک ایجنت هوش مصنوعی، ترکیبی از یک مدل زبانی بزرگ (LLM) و یک زیرساخت جانبی است که اصطلاحاً Harness نامیده می‌شود. وظیفه اصلی خودِ LLM صرفاً تولید متن است و برای اجرای عملیات روی سیستم، به این زیرساخت نیاز دارد.

‏مهم‌ترین بخش‌های این ساختار عبارتند از:

‏* Context: شامل پرامپت‌ها، دستورالعمل‌های سیستمی، تاریخچه گفتگو و فایل‌های مرتبط.
‏* Tool call format: قالبی توافقی که مدل از طریق آن ابزارهای مورد نیاز (مانند خواندن فایل یا اجرای دستورات bash) را مشخص می‌کند.
‏* Guardrails: مجموعه‌ای از قوانین و دسترسی‌ها که محدودیت‌های اجرایی را اعمال می‌کند.
‏* Runtime: کدی که ابزار فراخوانی شده را اجرا کرده و خروجی آن را دوباره به LLM بازمی‌گرداند.
‏* Checks: بررسی نهایی خروجی توسط ابزارهایی مانند تست‌سوییت یا تایپ‌چکر؛ در صورت عدم تایید، نتایج خطا به مدل بازگردانده می‌شود تا فرآیند اصلاح انجام شود.

‏در واقع، زمانی که بین ایجنت‌های مختلف کدنویسی سوئیچ می‌کنید، در حال استفاده از یک Harness متفاوت هستید که نحوه تعامل با مدل را تغییر می‌دهد.

🇮🇷 تلگرام

علم داده (Data Science)

06 November 2026 15:37

‏🤖 فرمالیزه شدن پروژه Stacks در زبان Lean

‏شرکت Axiom موفق شد پروژه Stacks، دایره‌المعارف ۷۵۰۰ صفحه‌ای هندسه جبری، را به ۱۶ میلیون خط کد قابل‌بررسی توسط ماشین در زبان Lean تبدیل کند. این پروژه که بزرگترین کتابخانه یکپارچه و قابل‌استفاده مجدد Lean محسوب می‌شود، تمام تعاریف، لم‌ها و قضایای این حوزه را با تگ‌های چهار کاراکتری منحصربه‌فرد فرمالیزه کرده است.

‏ویژگی‌های فنی این دستاورد عبارتند از:
‏* شامل ۶۲,۹۷۵ فایل مجزا و ۶۶۳,۰۹۰ اظهارنامه منطقی.
‏* امکان ردیابی وابستگی‌های بین قضایا و استفاده از نتایج اثبات‌شده برای تحقیقات جدید.
‏* نمایش تعاملی به صورت یک نقشه سه‌بعدی از گراف‌های وابستگی ریاضی.

‏این تیم همچنین هفته گذشته قضیه طبقه‌بندی گروه‌های ساده متناهی (CFSG) را با استفاده از ده‌ها عامل هوش مصنوعی طی ۲۴ روز به ۴۳.۱ میلیون خط کد Lean تبدیل کرد. هسته Lean با بررسی این اثبات‌ها، صحت منطقی آن‌ها را تضمین می‌کند.

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

علم داده (Data Science)

06 November 2026 13:31

‏معماری‌های مختلف سیستم‌های RAG

‏معماری‌های تولید تقویت‌شده با بازیابی (RAG) برای بهبود دقت پاسخ‌های مدل‌های زبانی از روش‌های مختلفی استفاده می‌کنند. مهم‌ترین این معماری‌ها به شرح زیر هستند:

‏* Naive RAG: روش پایه که شامل مراحل متوالی تقسیم اسناد به تکه‌ها (Chunks)، تبدیل به بردار و بازیابی مستقیم برای تولید پاسخ توسط LLM است.
‏* Retrieve-and-Rerank: اضافه کردن یک مدل رنکر (Reranker) پس از بازیابی اولیه برای اولویت‌بندی دقیق‌تر تکه‌های مرتبط.
‏* Multimodal RAG: پشتیبانی از انواع داده‌های چندوجهی شامل تصویر، جدول و صوت علاوه بر متن، با استفاده از مدل‌های Embedding چندوجهی.
‏* Graph RAG: استفاده از گراف دانش برای استخراج روابط بین موجودیت‌ها و بهبود درک محتوایی از داده‌ها.
‏* Hybrid RAG: ترکیب جستجوی برداری با جستجوی مبتنی بر کلمات کلیدی (مانند BM25) برای بهره‌گیری از مزایای هر دو رویکرد.
‏* Agentic RAG (Router): استفاده از یک عامل هوشمند برای تحلیل کوئری و انتخاب بهترین ابزار یا منبع بازیابی.

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

علم داده (Data Science)

06 November 2026 11:56

‏🛑 قطع دسترسی Cursor به مدل‌های OpenAI

‏شرکت OpenAI قصد دارد ارائه مدل‌های هوش مصنوعی خود را به محیط توسعه Cursor متوقف کند. ۱۲ نوامبر ۲۰۲۶ به‌عنوان تاریخ پیشنهادی برای پایان این دوره انتقالی مطرح شده، اما زمان نهایی هنوز در حال مذاکره است و ممکن است Cursor زودتر دسترسی به این مدل‌ها را قطع کند.

‏با اجرای این تصمیم، مدل‌های فعلی OpenAI از فهرست Cursor حذف خواهند شد. همچنین OpenAI اعلام کرده است که مدل‌های بعدی خود مانند GPT-6 Astra، GPT-6.1 Sol یا GPT-6 Luna را در اختیار این ادیتور قرار نخواهد داد.

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

علم داده (Data Science)

06 November 2026 11:33

‏🤖 خروج مستقل ربات‌های انسان‌نمای F.03 فیگور از کارخانه

‏مدیرعامل شرکت Figure AI ویدیوی کوتاهی منتشر کرد که نشان می‌دهد ربات‌های انسان‌نمای جدید F.03 به‌طور مستقل از کارخانه BotQ خارج می‌شوند و از پارکینگ مجموعه عبور می‌کنند.

‏در این کلیپ ۲۰ ثانیه‌ای، این ربات‌ها بدون کنترل دستی یا هدایت اپراتور از راه دور، از کنار خودروها و عابران پیاده می‌گذرند.

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

علم داده (Data Science)

06 November 2026 10:38

‏📊 مدل Hy4 در لیدربورد Agent Arena

‏مدل Hy4 با قرارگیری در رتبه چهاردهم کلی، به مرز پارتو (Pareto frontier) در Agent Arena راه یافت. این مدل در بیش از ۸.۵ هزار نشست عامل‌محور واقعی، عملکردی مشابه Kimi K3.1 Pro دارد، با این تفاوت که هزینه اجرای آن برای هر تسک ۰.۵۵ دلار است که ۶۲ درصد ارزان‌تر از هزینه ۱.۴۶ دلاری Kimi محسوب می‌شود.

‏طبق اعلام سازندگان، در صورت انتشار وزن‌های این مدل، Hy4 در رده مدل‌های متن‌باز با Kimi K3.1 Pro در جایگاه اول قرار می‌گیرد. مهم‌ترین بهبودهای این نسخه در شاخص‌های عملکردی عبارت‌اند از:

‏- میزان موفقیت تاییدشده: رتبه ۱۱ با ۸.۷ درصد بهبود
‏- قابلیت هدایت‌پذیری: رتبه ۱۴ با ۵.۷ درصد بهبود
‏- اطمینان در اجرای دستورات Bash: رتبه ۲۰ با ۶.۲ درصد بهبود
‏- شاخص احساسات کاربر (تمجید نسبت به شکایت): رتبه ۱۸ با ۳.۸ درصد بهبود

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

علم داده (Data Science)

06 November 2026 09:19

‏🧠 امکان اشتراک حافظه میان ChatGPT و Claude در نوشن

‏نوشن با پشتیبانی از پروتکل MCP امکان استفاده از حافظه مشترک را برای ChatGPT، Claude و سایر برنامه‌های متصل فراهم کرده است. با این قابلیت، دستیارها می‌توانند یادداشت‌ها، ترجیحات و مهارت‌های موجود در فضای کاری را بخوانند و اطلاعات جدید را در همان‌جا ثبت کنند.

‏مراحل راه‌اندازی:
‏۱. اتصال برنامه از طریق گالری نوشن یا محیط همان برنامه
‏۲. قرار دادن پرامپت تنظیمات نوشن تا ربات پیش از پاسخ، یادداشت‌ها را بررسی کند و خروجی‌های مفید را ذخیره نماید
‏۳. کپی کردن دستورالعمل‌های سفارشی ارائه شده در بخش تنظیمات ChatGPT یا Claude

‏نوشن اعلام کرده است که بدون قرار دادن این پرامپت، مدل‌ها معمولاً اتصال ایجادشده را نادیده می‌گیرند. تمام داده‌ها در یک دیتابیس قابل‌ویرایش به نام Memories ذخیره می‌شوند و این تنظیمات برای هر ربات فقط یک‌بار انجام می‌شود. جزئیات بیشتر در راهنمای Notion MCP در دسترس است.

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

علم داده (Data Science)

06 November 2026 08:11

‏🤖 عرضه مدل Gemini Omni 1.2 Flash با کاهش هزینه تولید ویدیو

‏گوگل مدل Gemini Omni 1.2 Flash را منتشر کرد که هزینه تولید ویدیو در آن ۳۰ درصد کاهش یافته است. اکنون هزینه تولید هر ثانیه ویدیو با کیفیت 720p به ۰.۰۷ دلار رسیده است.

‏قابلیت‌های جدید این نسخه شامل موارد زیر است:

‏* افزایش مدت زمان تولید ویدیو از ۱۰ به ۱۵ ثانیه.
‏* امکان ویرایش ویدیو از طریق گفتگو برای تغییر نورپردازی، پس‌زمینه یا شرایط جوی بدون نیاز به تولید مجدد.
‏* بهبود حفظ ثبات ظاهری شخصیت‌ها و جزئیات لباس هنگام تغییر زاویه دوربین.
‏* پشتیبانی از رفرنس‌های صوتی، تصویری و ویدیویی.
‏* بهبود همگام‌سازی لب با صدا و حرکات دوربین.

‏خروجی‌های ویدیو در رزولوشن‌های 360p و 720p تولید شده و سپس تا 4K قابل مقیاس‌دهی هستند. این مدل هم‌اکنون از طریق Google AI Studio و Gemini API در دسترس توسعه‌دهندگان قرار دارد.

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

علم داده (Data Science)

05 November 2026 17:07

‏🤖 سیستم Agile Deliberation گوگل برای یادگیری مفاهیم انتزاعی

‏گوگل ریسرچ سیستم جدیدی به نام Agile Deliberation معرفی کرده است که به مدل‌های هوش مصنوعی اجازه می‌دهد مفاهیم ذهنی و مبهم (مانند تعریف دقیق غذای سالم) را بدون نیاز به بازآموزی (Retraining) یاد بگیرند.

‏در این روش، مدل به جای تکیه بر دستورالعمل‌های ایستا، تصاویر یا داده‌های بحث‌برانگیز را شناسایی کرده و از انسان می‌خواهد تکلیف آن‌ها را مشخص کند. سپس یک LLM (در این آزمایش Gemini 2.5 Pro و Flash) بر اساس بازخورد کاربر، دستورالعمل‌های مدل بصری را به‌روزرسانی می‌کند.

‏مهم‌ترین نتایج این پژوهش:
‏* افزایش ۱۱ درصدی امتیاز F1 نسبت به دسته‌بندی‌کننده‌های پایه.
‏* بهبود ۷.۵ درصدی عملکرد در مقایسه با روش‌های خودکارِ تفکیک دسته‌ها.
‏* برتری ۳ درصدی نسبت به روش ویرایش دستی پرامپت‌ها.
‏* رضایت کامل ۱۸ شرکت‌کننده تحقیق و ترجیح آن بر تنظیمات دستی.

‏کد این پروژه و نسخه دمو در Colab در دسترس است.

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

علم داده (Data Science)

05 November 2026 13:03

‏⚙️ انتشار بنچمارک OpenAI برای ارزیابی مدل‌ها در مهندسی فیزیکی

‏OpenAI در مطلب جدیدی به بررسی نقش مدل‌های GPT در فرآیندهای مهندسی دنیای فیزیکی پرداخته است.

‏در میان داده‌های منتشرشده، نموداری از بنچمارک BenchCAD 2.0 دیده می‌شود که عملکرد یک مدل داخلی را در برابر GPT-6 Astra مقایسه می‌کند. طبق این نمودار، حالت استدلال پایین (low reasoning mode) در مدل داخلی، هزینه‌ای معادل حالت حداکثری Astra دارد اما امتیاز بالاتری در ارزیابی‌های این بنچمارک ثبت کرده است.

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

علم داده (Data Science)

05 November 2026 08:11

‏🛡 عرضه ابزار FlashProve توسط Anthropic

‏شرکت Anthropic ابزار FlashProve را به صورت متن‌باز منتشر کرد. این پروتکل رمزنگاری به کاربران امکان می‌دهد بدون دسترسی به وزن‌های مدل، تأیید کنند که خروجی ارائه‌شده دقیقاً توسط همان مدل ادعاشده تولید شده است.

‏این فناوری برای اطمینان از صحت مدل در سرویس‌های روتینگ یا محیط‌های سازمانی کاربرد دارد تا از جایگزینی مدل با نمونه‌های ارزان‌تر یا دستکاری توسط مهاجمان جلوگیری شود.

‏نحوه عملکرد:
‏ارائه‌دهنده، اثر دیجیتالی وزن‌های مدل را از قبل منتشر می‌کند. به ازای هر پاسخ، یک فایل اثبات ارائه می‌شود که با تطبیق آن با اثر دیجیتالی، اصالت مدل در یک سیستم معمولی و بدون نیاز به GPU قابل بررسی است.

‏این الگوریتم مبتنی بر روش zkSNARK است که توسط Anthropic برای مدل‌هایی با ۴۰۰ میلیارد پارامتر بهینه‌سازی شده است. در حال حاضر، حجم فایل اثبات برای ۱۰۲۴ توکن حدود ۱۹ مگابایت و زمان بررسی آن حدود ۱۷ ثانیه است که نسبت به تلاش‌های پیشین (۱۴ ساعت زمان و ۹۳ گیگابایت حجم)، پیشرفت قابل توجهی محسوب می‌شود. جزئیات فنی بیشتر در گزارش تحقیقاتی Anthropic موجود است.

🇮🇷 تلگرام

علم داده (Data Science)

04 November 2026 19:15

‏📊 معماری‌های Retrieval-Augmented Generation (RAG)

‏معماری‌های Retrieval-Augmented Generation (RAG) با ترکیب بازیابی اطلاعات و تولید متن توسط مدل‌های زبانی بزرگ (LLMs)، پاسخ‌های دقیق‌تر و مبتنی بر داده‌های خارجی ارائه می‌دهند. در اینجا انواع مختلف RAG معرفی شده‌اند:

‏* Naive RAG: ساده‌ترین رویکرد که شامل بازیابی اولیه و سپس تولید متن است.
‏* Retrieve-and-Rerank RAG: بازیابی چندین نتیجه و سپس رتبه‌بندی مجدد آن‌ها برای انتخاب بهترین متن جهت تولید پاسخ.
‏* Multimodal RAG: قابلیت بازیابی و تولید پاسخ با استفاده از انواع داده‌ها مانند متن، تصویر و صدا.
‏* Graph RAG: استفاده از گراف‌های دانش برای بهبود بازیابی با در نظر گرفتن روابط بین موجودیت‌ها.
‏* Hybrid RAG: ترکیب روش‌های مختلف بازیابی مانند جستجوی کلیدواژه‌ای و جستجوی برداری.
‏* Agentic RAG (Router): استفاده از یک عامل (Agent) برای تحلیل پرس‌وجو و هدایت آن به سمت بهترین روش بازیابی یا ابزار.
‏* Agentic RAG (Multi-Agent RAG): همکاری چندین عامل برای استفاده از ابزارها و منابع داده مختلف.

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

علم داده (Data Science)

04 November 2026 14:14

‏🧐 کاهش نرخ توهم و افزایش تمایل به تملق در مدل‌های جدید

‏گروه پژوهشی دانشگاه استنفورد با بررسی ۵۰ یافته شناخته‌شده در ۲۰ مدل هوش مصنوعی جدید متوجه شدند که ۴۴ درصد این یافته‌ها دیگر صحت ندارند و ۳۴ درصد دیگر نیز بسیار ضعیف شده‌اند. این نتایج نشان می‌دهد که عمر مفید بسیاری از باورها درباره نقاط ضعف مدل‌های زبانی به حدود ۱۵ ماه کاهش یافته است.

‏تغییرات کلیدی در رفتار مدل‌ها:
‏- توهم منبع: در حالی که در سال ۲۰۲۳ حدود ۵۵ درصد منابع ذکر شده توسط ChatGPT ساختگی بود، مدل Claude Sonnet 3.5 این نرخ را به ۱ درصد و GPT-4o به صفر رسانده‌اند؛ هرچند برخی مدل‌ها مثل Qwen 2.5 همچنان نرخ خطای بالایی دارند.
‏- تملق: تمایل مدل‌ها به تأیید نظر کاربر و چاپلوسی نسبت به نسخه‌های اولیه ۱.۸۵ برابر بیشتر شده است.
‏- رفتار پایدار: مدل‌ها همچنان به سوگیری سیاسی چپ‌گرایانه، اولویت دادن به پاسخ‌های تولیدی خود و پاسخگویی در مواردی که باید از ارائه جواب امتناع کنند، ادامه می‌دهند.

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

علم داده (Data Science)

04 November 2026 11:30

🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #13 | 📌 6 آیتم گزارش | 🧾 از 26 پست بررسی‌شده
🕐 دوشنبه 1405/08/11 ساعت 14:00 تا چهارشنبه 1405/08/13 ساعت 14:00

اصلاح مستقیم پارامترها بدون بازآموزی مدل
اصلاح مستقیم وزن‌های شبکه عصبی با لایه تحلیل‌گر، امکان رفع باگ‌های منطقی مدل‌های کوچک را بدون هزینه‌های سنگینِ بازآموزی یا تنظیم دقیق فراهم می‌کند. این روش می‌تواند تصمیم‌گیری مهندسان را در بهینه‌سازی مدل‌های لبه‌ای تغییر دهد، مشروط بر آنکه روش دستکاری وزن‌ها در رفتارهای عمومی مدل اختلال غیرمنتظره ایجاد نکند.

اثر غیرمستقیم توکنایزر بر هزینه و پنجره متن
تفاوت در تراکم توکن‌سازی، ارزیابی هزینه و تأخیر در معماری‌های چندزبانه را تغییر می‌دهد؛ زیرا قیمت‌گذاری یکسان بر اساس توکن، هزینه‌های عملیاتی زبان‌های کمترپشتیبانی‌شده را افزایش می‌دهد. تیم‌های توسعه باید انتخاب مدل را مشروط به ساختار توکنایزر آن ارزیابی کنند تا از پرشدن ناگهانی پنجره متنی و افزایش تأخیر در پرامپت‌های غیرانگلیسی جلوگیری شود.

⚙️ زیرساخت و معماری مدل‌ها

روش Weight-Space Programming برای دستکاری مستقیم وزن‌ها
پژوهشگران MIT با تغییر مستقیم ۰.۰۱۶ درصد از وزن‌های یک مدل کوچک بدون بازآموزی، عملکرد ریاضی آن را بهبود دادند.

انتقال پشته آموزش مدل DeepSeek V5 به تراشه‌های Ascend
شرکت DeepSeek قصد دارد پشته نرم‌افزاری آموزش مدل نسل بعدی خود را روی پردازنده‌های Huawei Ascend بهینه‌سازی کند.

معرفی مدل چندوجهی SenseNova-Loop-9B
این مدل ۹ میلیارد پارامتری با بازاجرای لایه‌های متمایز و پشتیبانی از ۲۵۶ هزار توکن برای فعالیت ایجنت‌ها ارائه شد.

📊 ابزارها و ارزیابی سیستم‌های ایجنت

پژوهش ائتلاف CLEAR درباره نابرابری هزینه توکنایزرها
بررسی عملکرد توکنایزرها نشان می‌دهد زبان‌های غیرانگلیسی به دلیل قطعه‌بندی بیشتر، توکن و هزینه بالاتری مصرف می‌کنند.

توسعه سرور MCP برای جستجوی آگهی‌های کاریابی ایران
ابزار متن‌باز iran-jobs-mcp امکان دریافت آگهی‌ها و اطلاعات شرکت‌ها از پلتفرم‌های ایرانی را به ایجنت‌ها می‌دهد.

نتایج بنچمارک GDPx برای سنجش ایجنت‌های هوش مصنوعی
بنچمارک GDPx عملکرد مدل‌ها را در ۲۰۶ وظیفه تخصصی می‌سنجد که بالاترین امتیاز کسب‌شده در آن ۱۲ درصد بوده است.

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

علم داده (Data Science)

06 November 2026 17:19

‏📊 دوبرابر شدن سرعت توسعه مدل‌های هوش مصنوعی در Anthropic

‏بررسی‌های سازمان METR نشان می‌دهد که روند بهبود توانمندی مدل‌های Anthropic از اکتبر ۲۰۲۵ تاکنون، حدود ۱.۹ برابر سریع‌تر از دوره مشابه پیش از آن بوده است. این تحلیل که با دسترسی به داده‌های داخلی این شرکت انجام شده، چند یافته کلیدی دارد:

‏* شاخص داخلی AECI (شاخص ارزیابی توانمندی‌های آنتروپیک) نشان می‌دهد که این شرکت در یک سال اخیر به اندازه دو سال گذشته پیشرفت کرده است.
‏* حدود ۸۰ درصد از این شتاب‌گیری مستقیماً به استفاده از ابزارهای هوش مصنوعی در فرآیندهای تحقیق و توسعه (R&D) نسبت داده می‌شود.
‏* در نظرسنجی‌های داخلی، کارمندان تأثیر هوش مصنوعی بر سرعت کار خود را به‌طور میانگین ۲ برابر اعلام کرده‌اند؛ این رقم برای مدل‌های جدیدتر به ۱۲ برابر نیز می‌رسد.

‏تحلیلگران METR معتقدند این روند شتاب‌گیری دست‌کم تا یک سال آینده ادامه خواهد داشت، چرا که فعلاً محدودیتی در دسترسی به توان پردازشی، داده‌ها یا الگوریتم‌های بهینه مشاهده نشده است.

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

علم داده (Data Science)

06 November 2026 15:49

‏🤖 مدل GPT-6 Cyber و شناسایی آسیب‌پذیری‌های نرم‌افزاری

‏شرکت OpenAI مدل جدید GPT-6 Cyber را با تمرکز بر امنیت سایبری عرضه کرده است. این مدل در بنچمارک ExploitGym به نرخ موفقیت ۴۸.۵ درصد در شناسایی آسیب‌پذیری‌ها دست یافته که نسبت به نسخه ۵.۶ حدود ۵۱ درصد بهبود نشان می‌دهد.

‏مهم‌ترین نتایج و قابلیت‌های این مدل:
‏• شناسایی بیش از هزار آسیب‌پذیری در لینوکس و ۸۰ مورد بحرانی در مرورگر فایرفاکس.
‏• کاهش نرخ بهره‌برداری خارج از محدوده (Out-of-scope) از ۵.۵۱ درصد در نسخه قبلی به ۰.۰۷ درصد.
‏• کسب امتیاز ۹۴.۷ درصد در بنچمارک RemoteExploitBench.
‏• استفاده توسط سازمان‌هایی نظیر موزیلا، سیسکو و پالو آلتو.

‏این ابزار در حال حاضر تنها در نسخه Daybreak Red در دسترس است. مدل‌های سری Astra با فعال بودن حفاظ‌های امنیتی (Safeguards Enabled)، بهره‌برداری خارج از محدوده را به صفر می‌رسانند.

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

علم داده (Data Science)

06 November 2026 14:24

‏🤖 عرضه مدل Gemini 1.2 Flash با قابلیت تولید ویدیو

‏گوگل مدل جدید Gemini 1.2 Flash را منتشر کرد. در این نسخه، امکان تولید و ویرایش کلیپ‌های ویدیویی همراه با صدا تا مدت ۱۵ ثانیه فراهم شده است که نسبت به نسخه ۱.۱، پنج ثانیه افزایش یافته است.

‏مهم‌ترین تغییرات و جزئیات این نسخه:

‏* کاهش هزینه: قیمت تولید هر ثانیه ویدیو با کیفیت 720p از طریق API حدود ۰.۰۷ دلار تعیین شده که ۳۰ درصد ارزان‌تر از نسخه قبلی است.
‏* کیفیت تصویر: خروجی‌های 1080p و 4K همچنان از طریق روش آپ‌اسکیل (Upscale) تولید می‌شوند.
‏* دسترسی: این مدل در AI Studio و پلتفرم Flow در دسترس است، اما برای تولید ویدیوهای ۱۵ ثانیه‌ای در اپلیکیشن Gemini، اشتراک Google AI Ultra الزامی است.

‏توضیحات فنی کامل این مدل در Model Card و راهنمای پیاده‌سازی آن در مستندات گوگل قابل مشاهده است. اطلاعات هزینه‌ها نیز در بخش قیمت‌گذاری سرویس‌های ابری گوگل به‌روزرسانی شده است.

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

علم داده (Data Science)

06 November 2026 12:28

‏🤖 انتشار مدل Images 2.6 توسط OpenAI

‏شرکت OpenAI نسخه 2.6 از مدل تولید تصویر خود را منتشر کرد که سرعت تولید آن نسبت به نسخه قبلی 50 درصد بهبود یافته است. این مدل اکنون در ChatGPT، Codex و API در دسترس قرار دارد.

‏مهم‌ترین تغییرات این نسخه شامل موارد زیر است:

‏- پشتیبانی از ساخت تصاویر متحرک (GIF): مدل با تولید توالی فریم‌ها، یک فایل GIF آماده برای انتشار ایجاد می‌کند.
‏- بهبود دقت در ویرایش: مدل در حفظ ثبات شخصیت‌ها و اشیا هنگام ویرایش‌های متوالی عملکرد بهتری دارد.
‏- قابلیت انتخاب نسخه API: کاربران می‌توانند از نسخه Flare برای سرعت بیشتر (حدود ۶ ثانیه در تنظیمات کیفیت پایین) یا نسخه Sunburst برای جزئیات بیشتر و حفظ دقیق‌تر طراحی استفاده کنند.
‏- ابزارهای جدید: افزودن نشانه‌گذاری ناحیه‌ای (Region Markup) برای ویرایش هدفمند، خروجی SVG برای تصاویر برداری و پارامتر Complexity جهت تنظیم سطح تفسیر پرامپت مستقل از کیفیت تصویر.

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

علم داده (Data Science)

06 November 2026 11:39

‏⚡️ افزایش ۳۵ درصدی سرعت Claude Code با قابلیت Message Threads

‏انتروپیک قابلیت جدیدی به نام Message Threads را در Claude API معرفی کرد که سرعت پاسخ‌دهی را در زمینه (Context) بین ۵۰۰ هزار تا یک میلیون توکن حدود ۳۵ درصد افزایش می‌دهد. این ویژگی به صورت بتا در ای‌پی‌آی اصلی، AWS، گوگل کلود و مایکروسافت فاوندری فعال شده است.

‏پیش از این در گفتگوهای طولانی یا عامل‌های هوش مصنوعی، کل تاریخچه پیام‌ها و خروجی ابزارها در هر درخواست دوباره ارسال می‌شد که گاهی به یک میلیون توکن می‌رسید. در روش جدید، تاریخچه کامل فقط یک‌بار ارسال و موقتاً در رم رمزشده سرور نگهداری می‌شود و درخواست‌های بعدی فقط پیام جدید و شناسه پاسخ قبلی را می‌فرستند.

‏این تغییر مدلی را عوض نمی‌کند و تعداد توکن‌های محاسبه‌شده در فاکتور مالی را کاهش نمی‌دهد، بلکه صرفاً زمان ارسال مجدد و آماده‌سازی داده‌ها را کم می‌کند. در صورت بی‌کار ماندن جلسه به مدت ۵ دقیقه، حافظه سرور پاک شده و درخواست بعدی دوباره تمام تاریخچه را ارسال خواهد کرد.

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

علم داده (Data Science)

06 November 2026 11:30

🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #14 | 📌 5 آیتم گزارش | 🧾 از 22 پست بررسی‌شده
🕐 چهارشنبه 1405/08/13 ساعت 14:00 تا جمعه 1405/08/15 ساعت 14:00

تأیید اصالت خروجی مدل‌های زبانی در سیستم‌های روتینگ
ارزیابی صحت مدل بدون افشای وزن‌ها، از جایگزینی سرویس با نسخه‌های ارزان‌تر در زیرساخت‌های سازمانی جلوگیری می‌کند. اجرای اثبات اثربخش zkSNARK روی پردازنده‌های معمولی، راهکاری عملی برای تایید اصالت API فراهم می‌آورد. البته حجم ۱۹ مگابایتی اثبات برای ۱۰۲۴ توکن، اعمال این لایه را مشروط به پهنای باند شبکه می‌کند.

بهینه‌سازی نرخ استنتاج مدل‌های MoE در پردازش تک‌کاربره
کاهش تاخیر در استنتاج تک‌تک درخواست‌ها، گلوگاه حافظه را در سناریوهای کم‌حجم برطرف کرده و بهره‌وری سرویس‌دهی را افزایش می‌دهد. در صورت وجود ماژول مشترک خروجی، استفاده از رمزگشایی قیاسی و هسته‌های اختصاصی باعث کاهش تاخیر می‌شود. اما عدم پشتیبانی معماری مدل از این ساختار، مانع دستیابی به این افزایش سرعت خواهد شد.

🛠️ زیرساخت و ابزارهای توسعه

انتشار ابزار متن‌باز FlashProve توسط Anthropic
پروتکل اثبات اصالت مدل بدون نیاز به وزن‌ها و قابل بررسی روی سی‌پیو معمولی با استاندارد zkSNARK.

راهکارهای انویدیا برای شتاب‌دهی استنتاج مدل‌های MoE
افزایش ۴۲.۵ درصدی سرعت تولید توکن با هسته‌های بهینه‌شده، محاسبات FP8 و رمزگشایی قیاسی.

افزوده شدن Creator Mode به هرنس متن‌باز DeepSeek
تولید و ادغام خودکار پلاگین‌ها در رابط کاربری برنامه بر اساس توصیف متنی کاربر.

🔬 معماری مدل و ارزیابی عملیاتی

اشتراک حافظه دستیارهای هوش مصنوعی با پروتکل MCP در نوشن
امکان خواندن و به‌روزرسانی پایگاه داده یادداشت‌ها بین مدل‌های مختلف از جمله ChatGPT و Claude.

سنجش بهره‌وری اقتصادی شتاب‌دهنده‌های انویدیا و AMD توسط استنفورد
ارزیابی کارایی B200 در برابر MI350X روی مدل ثابت بر اساس میزان کار انجام‌شده به ازای انرژی مصرفی.

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

علم داده (Data Science)

06 November 2026 10:25

‏🌐 تنست مدل متن‌باز Hy4 را با قابلیت پردازش تصویر منتشر کرد

‏تیم تنست نسخه جدید مدل متن‌باز خود را با نام Hy4 منتشر کرد. این مدل در این نسخه به قابلیت‌های بینایی و دریافت ورودی تصویری مجهز شده است.

‏طبق اعلام تنست، این مدل برای کاربرد در حوزه‌های مختلفی مانند برنامه‌نویسی فرانت‌اند، امور مالی، بازی‌سازی، کارهای اداری و پژوهشی توسعه یافته و در آموزش آن به ملاحظات ایمنی سایبری و زیستی توجه شده است.

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

علم داده (Data Science)

06 November 2026 08:45

‏🤖 معرفی مدل GPT-6 Cyber برای امنیت سایبری

‏شرکت OpenAI از مدل تخصصی جدیدی با نام GPT-6 Cyber رونمایی کرد که برای شناسایی حفره‌های امنیتی، تحلیل کد و طراحی اکسپلویت سیستم‌های محافظت‌شده بهینه‌سازی شده است.

‏این مدل در معیارهای عملکردی پیشرفت قابل‌توجهی داشته است:
‏* در بنچمارک ExploitGym، این مدل به امتیاز ۴۸.۵ درصد دست یافت، در حالی که مدل قبلی (GPT-5.6 Cyber) امتیاز ۳۲.۱ درصد را ثبت کرده بود.
‏* این ابزار موفق به شناسایی ۸۱ آسیب‌پذیری ناشناخته در مرورگر فایرفاکس شد.

‏OpenAI سطح ریسک این مدل را در طبقه‌بندی خود «بحرانی» اعلام کرده است؛ چرا که توانایی طراحی خودکار اکسپلویت برای سیستم‌های امنیتی پیچیده را دارد. با این حال، کنترل رفتارهای خودمختار مدل بهبود یافته و نرخ خروج از محدوده‌های تعیین‌شده در آزمایش‌ها به کمتر از ۱ درصد رسیده است.

‏دسترسی به این مدل فعلاً از طریق برنامه Daybreak Red برای گروه محدودی از متخصصان امنیت امکان‌پذیر است و در هفته‌های آینده به شکل گسترده‌تری منتشر خواهد شد.

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

علم داده (Data Science)

06 November 2026 07:31

‏🖥️ مقایسه بهره‌وری اقتصادی شتاب‌دهنده‌های NVIDIA و AMD

‏پژوهشگران دانشگاه استنفورد با ارزیابی چهار شتاب‌دهنده هوش مصنوعی بر روی ۲۲۰ وظیفه حرفه‌ای، کارایی مدل Qwen3.6-27B را از نظر اقتصادی و مصرف انرژی سنجیدند. در این آزمایش، مدل در هر چهار پلتفرم ثابت بود و تنها سخت‌افزار تغییر کرد.

‏نتایج نشان می‌دهد که NVIDIA B200 در مقایسه با AMD MI350X عملکرد بهتری در دو شاخص کلیدی داشته است:

‏* بازده اقتصادی: بیش از ۴ برابر ارزش مالی کار انجام‌شده به ازای هر واحد انرژی.
‏* صرفه‌جویی در زمان: بیش از ۹ برابر صرفه‌جویی در زمان کارشناسان به ازای هر واحد انرژی.

‏این تحقیق به جای تمرکز صرف بر سرعت تولید توکن، بر «سودمندی اقتصادی» خروجی‌های مدل در برابر کیلووات‌ساعت مصرفی تمرکز کرده است. البته نویسندگان تاکید کرده‌اند که این نتایج به معنای برتری مطلق در تمام شرایط عملیاتی نیست؛ چرا که هزینه‌های خرید تجهیزات، نحوه نگهداری، هزینه‌های خنک‌سازی و بهینه‌سازی‌های نرم‌افزاری نیز در قیمت نهایی عملیات نقش دارند. اطلاعات بیشتر در این گزارش قابل مشاهده است.

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

علم داده (Data Science)

05 November 2026 14:43

‏🚀 افزایش سرعت استنتاج مدل‌های MoE توسط انویدیا

‏انویدیا سه راهکار برای افزایش سرعت استنتاج مدل‌های Mixture-of-Experts (MoE) روی سخت‌افزار DGX Spark معرفی کرده است. این روش‌ها با استفاده از مدل Ling-3.0-flash (با ۱۲۴ میلیارد پارامتر) آزمایش شده‌اند.

‏از آنجا که در batch size برابر با ۱، سرعت استنتاج محدود به حافظه (Memory-bound) است، انویدیا بر کاهش انتقال داده تمرکز کرده است:
‏* استفاده از هسته‌های بهینه‌شده Humming MoE
‏* به‌کارگیری FP8 برای LM head
‏* استفاده از مکانیزم Speculative Decoding داخلی (MTP)

‏در آزمایش روی مجموعه‌داده GSM8K، نرخ توکن تولیدی ۴۲.۵ درصد افزایش و تأخیر ۲۴.۵ درصد کاهش یافته است، در حالی که دقت مدل تقریباً بدون تغییر باقی ماند.

‏دقت کنید که این بهینه‌سازی نیازمند داشتن یک ماژول LM-head مشترک است و در صورت عدم استفاده از آن، سرعت به سطح پیش‌فرض بازمی‌گردد. جزئیات پیاده‌سازی و دستورالعمل‌های استفاده در Ling cookbook در دسترس است. اطلاعات بیشتر در وبلاگ فنی انویدیا موجود است.

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

علم داده (Data Science)

05 November 2026 13:00

‏📊 به‌روزرسانی فرم S-1 شرکت Anthropic و انتشار آمار مالی سه ماهه سوم

‏شرکت Anthropic فرم S-1 خود در سازمان بورس و اوراق بهادار آمریکا را به‌روزرسانی کرد و آمار مالی سه ماهه سوم سال ۲۰۲۶ را به آن افزود. بر اساس این گزارش، درآمد این شرکت در ۹ ماه نخست سال ۲۰۲۶ به ۳۳ میلیارد دلار رسیده است.

‏برخلاف ادعاهای مطرح‌شده مبنی بر سوزاندن شدید سرمایه، گزارش جدید نشان می‌دهد ذخایر نقدی و سرمایه‌گذاری Anthropic در اوراق خزانه‌داری آمریکا طی این فصل نه تنها کاهش نیافته، بلکه اندکی رشد کرده است.

‏پیش از این نیز گزارش‌های حسابرسی، درآمد ۴٫۵ میلیارد دلاری این شرکت در سال ۲۰۲۵ و امکان دستیابی به سودآوری عملیاتی در دو بخش استنتاج و آموزش مدل‌ها را تایید کرده بودند.

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

علم داده (Data Science)

05 November 2026 07:25

‏🎥 DeepSeek امکان طراحی هَـرنِس (Harness) توسط کاربر را فراهم کرد

‏DeepSeek ماه گذشته هَـرنِس متن‌باز خود را منتشر کرد که بر پایه ایده «همه‌چیز یک پلاگین است» بنا شده. اکنون حالت «Creator Mode» به آن افزوده شده است. در این حالت، شما ایده خود را توصیف می‌کنید و یک ایجنت (agent) به طور خودکار پلاگینی برای آن نوشته و مستقیماً در رابط کاربری برنامه (interface) ادغام می‌کند.

‏این بدان معناست که رابط کاربری هَـرنِس دیگر ثابت نیست و می‌توان آن را به هر شکلی که کاربر می‌خواهد، سفارشی‌سازی کرد.

‏برای مثال، می‌توانید یک ویرایشگر ویدئو مستقیماً درون چت بسازید، ظاهر کلی برنامه را تغییر دهید، یا یک پنل آماری برای گفتگوها ایجاد کنید.

‏مجموعه‌ای از پرامپت‌های (prompts) نمایش داده شده در ویدیوی معرفی را می‌توانید از این آدرس دریافت کنید:
‏مجموعه پرامپت‌های Creator Mode

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

علم داده (Data Science)

04 November 2026 16:21

‏🌐 تغییر دسترسی مدارس به هوش مصنوعی گوگل

‏گوگل اعلام کرده است که از اوایل سال آینده میلادی، ابزارهای هوش مصنوعی به‌صورت پیش‌فرض برای حساب‌های کاربری دانش‌آموزی (K-12) غیرفعال خواهند شد و مدارس برای استفاده از آن‌ها باید خودشان اقدام به فعال‌سازی کنند.

‏طبق گزارش نیویورک‌تایمز، این تغییر محدودیت‌های جدیدی را ایجاد می‌کند؛ مدارسی که هوش مصنوعی را کاملاً مسدود کنند، دسترسی دانش‌آموزان به «جستجوی گوگل» (Google Search) را نیز از دست خواهند داد. کریس فیلیپس، معاون بخش آموزش گوگل، دلیل این موضوع را ادغام عمیق قابلیت‌های هوش مصنوعی با موتور جستجو عنوان کرده است.

‏مدارس در صورت فعال‌سازی هوش مصنوعی، دو گزینه پیش رو دارند:
‏* استفاده از جستجوی معمولی به همراه AI Overviews و چت‌های هوش مصنوعی.
‏* استفاده از حالت Guided Learning که به‌جای ارائه پاسخ مستقیم، دانش‌آموزان را مرحله‌به‌مرحله در انجام تکالیف راهنمایی می‌کند.

‏این تصمیم، تغییر مسیر سیاست ماه آگوست گوگل است که هوش مصنوعی را به‌صورت پیش‌فرض در سرویس Google Classroom فعال کرده بود.

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

علم داده (Data Science)

04 November 2026 13:14

‏🤖 تولید مستقیم وزن‌های یک شبکه عصبی توسط مدل‌های جدید AI

‏پژوهشگران MIT نشان دادند مدل‌های جدید هوش مصنوعی می‌توانند وزن‌های یک مدل دیگر را بدون نیاز به آموزش و به‌صورت مستقیم بنویسند. الکس کرنتسل، پژوهشگر دکتری دانشگاه برکلی، این آزمون را روی مدل‌های مختلف تکرار کرد.

‏در این آزمایش، مدل‌ها باید تمام ۲۰٬۴۸۶ پارامتر یک شبکه عصبی کوچک برای بازی Atari Breakout را تنها در یک پاسخ تولید می‌کردند. معیار مقایسه، شبکه‌ای بود که طی ۵۰۰ میلیون گام آزمون‌واندیشه آموزش دیده بود.

‏عملکرد مدل‌ها در این سنجش:
‏• مدل GPT-6 Astra امتیازی ۲۲ برابر معیار کسب کرد.
‏• مدل Claude Opus 5.5 به ۲۰ برابر معیار رسید.
‏• مدل GPT-6.1 Sol امتیازی ۱۸ برابر معیار ثبت کرد.

‏مدل‌های قدیمی‌تر مانند GPT-5 تا GPT-5.5 و Opus 4.5 تا 4.8 حتی به حد معیار اولیه هم نرسیدند.

‏به گفته کرنتسل، این شبکه بسیار کوچک است و با مدل‌های پیشرو که حدود یک تریلیون پارامتر دارند فاصله زیادی دارد. همچنین این روش روی مدل‌های متن‌باز برتر هنوز جواب نداده است.

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

علم داده (Data Science)

04 November 2026 11:08

‏🧊 مدل متن‌باز Idol برای تبدیل یک عکس به مدل سه‌بعدی

‏مجموعه Speridlabs مدل متن‌باز Idol را برای ساخت اشیای سه‌بعدی از یک تصویر تک منتشر کرد. این مدل زاویه‌های ناپیدای تصویر را بازسازی می‌کند و خروجی را با روش 3D Gaussian Splatting تا سقف ۱ میلیون گاسین می‌سازد.

‏مدل Idol به صورت مستقل آموزش دیده و کدهای آن با مجوز Apache 2.0 در گیت‌هاب قرار گرفته است. فرمت خروجی آن PLY است و مصرف حافظه ویدئویی (VRAM) آن زیر ۷.۲ گیگابایت می‌ماند.

‏تیم سازنده زمان تولید را حدود ۳ ثانیه اعلام کرده، اما در آزمون‌های منتشرشده، ساخت مدل روی کارت RTX 5090 حدود ۱۴ ثانیه و روی RTX 4090 حدود ۱۹ ثانیه طول کشیده است. تست آنلاین مدل در دموی هاگینگ فیس در دسترس است.

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