هوش مصنوعی و علم داده به فارسی

‏🌐 انتشار وزن‌های مدل هوش مصنوعی MiniMax M3.1 Flash ‏شرکت MiniMax وزن‌های مدل M3.1 Flash را منتشر کرد. این مدل از معماری MoE با ۴۲۸ میلیارد پارامتر بهره می‌برد که در هر گام پردازشی، حدود ۲۳ میلیارد پارامتر آن فعال می‌شود. تمرکز اصلی این مدل بر انجام وظایف چندمرحله‌ای، توسعه نرم‌افزار، استفاده از ابزارها و مدیریت برنامه‌ها است. ‏مهم‌ترین نتایج بنچمارک‌های اعلام‌شده توسط سازنده: ‏- کسب امتیاز 73.7 در DeepSWE v1.1 برای وظایف پیچیده توسعه. ‏- کسب امتیاز 61.7 در OSWorld V2 برای تعامل با رابط‌های کاربری. ‏- امتیاز 76.2 در BankerToolBench برای سناریوهای بانکی. ‏- امتیاز 82.2 در CyberGym برای شناسایی و بازتولید آسیب‌پذیری‌ها. ‏این مدل برای افزایش سرعت در تولید توکن‌ها از تکنیک‌های Sparse Attention و Speculative Decoding استفاده می‌کند. اگرچه فعال بودن ۲۳ میلیارد پارامتر به کاهش محاسبات کمک می‌کند، اما به دلیل حجم کلی پارامترها، همچنان به زیرساخت‌های سخت‌افزاری قدرتمندی برای میزبانی نیاز دارد. دسترسی به وزن‌ها از طریق Hugging Face و استفاده از سرویس API امکان‌پذیر است. 🔗 جزئیات خبر در سایت 🇮🇷 سایت | تلگرام

‏🎙️ انتشار مدل هوش مصنوعی Granite Speech 5.0 ‏آی‌بی‌ام مدل Granite Speech 5.0 2B را با مجوز Apache 2.0 عرضه کرد. این مدل ترکیبی از یک انکودر CTC Conformer و مدل زبانی Granite 4.0 1B است که از طریق یک q-former با هم ارتباط دارند. ‏این مدل می‌تواند همزمان عملیات نویسه‌گردانی (Transcription) و ترجمه گفتار را انجام دهد و از فهرست کلمات کلیدی تا ۲۰۰۰ عبارت پشتیبانی می‌کند. در بنچمارک Open ASR، این مدل با میانگین نرخ خطای کلمه (WER) برابر با ۵.۶۸٪، در جایگاه دوم مدل‌های متن‌باز قرار گرفته است. ‏سایر مشخصات: ‏* دارای ۲ میلیارد پارامتر و پشتیبانی از ۶ زبان. ‏* قابل اجرا در فریم‌ورک‌های Transformers، vLLM، llama.cpp و mlx-audio. ‏* به‌روزرسانی همزمان Turbo CTC با پشتیبانی از ۷ زبان. ‏جزئیات فنی و متدولوژی در مقاله منتشر شده قابل مطالعه است. 🔗 جزئیات خبر در سایت

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

‏🤖 ورود مدل‌های OpenAI به زیرساخت Google Cloud ‏OpenAI و گوگل کلاود همکاری جدیدی را برای عرضه مدل‌های پیشرو و گردش‌های کاری ایجنتی Codex در بخش Model Garden گوگل کلاود آغاز کردند. ‏با این همکاری، کاربران سازمانی به این مدل‌ها دسترسی مستقیم خواهند داشت تا فرایندهای ایجنتی را روی زیرساخت و سیستم‌های حکمرانی داده گوگل اجرا کنند. این مدل‌ها در Gemini Agent و Google Antigravity نیز در دسترس قرار خواهند گرفت. ‏هدف این اقدام، مدرن‌سازی چرخه توسعه نرم‌افزار و تسهیل استفاده از مدل‌های هوش مصنوعی در صنایع دارای مقررات سخت‌گیرانه است، به‌طوری که امکان ترکیب مدل‌های OpenAI با کنترل‌های دسترسی توکار و امنیت متمرکز داده فراهم می‌شود.

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

🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #4 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسی‌شده 🕐 چهارشنبه 1405/07/29 ساعت 14:00 تا جمعه 1405/08/01 ساعت 14:00 🔎 تحلیل فنی و پیامد عملی

توسعه اخیر زیرساخت‌های اجرای هوش مصنوعی بر کاهش بار حافظه و بهینه‌سازی مسیر داده تمرکز دارد. پشته نرم‌افزاری llm-d با اجرای مسیریابی آگاه از کش پیشوند در زیرساخت کوبرنتیز، نرخ موفقیت کش مدل جمینای را از ۳۵ به ۷۰ درصد رسانده و در مقیاس ۱۷ هزار گره توان عملیاتی را ۲.۹ برابر کرده است؛ این ابزار در صورت پر شدن حافظه شتاب‌دهنده، کش KV را به سیستم یا ذخیره‌ساز منتقل می‌کند. در سطح معماری مدل نیز، مدل متن‌باز MemT-1.0-Nano با بهره‌گیری از وضعیت داخلی برای ثبت حافظه گفتگو، نیاز به بارگذاری مجدد کل تاریخچه متنی را کاهش می‌دهد. همچنین بک‌اند TorchTPU با ثبت PrivateUse1 امکان اجرای مستقیم PyTorch روی TPUهای گوگل را بدون نیاز به JAX runtime فراهم کرده و پس از کامپایل، زمان اجرا را از ۱۱.۴۹ ثانیه به ۲.۷۸ ثانیه کاهش داده است. محدودیت اصلی این دستاوردها، وابستگی عملکرد به سخت‌افزار مشخص و شرایط زیرساختی آزمایش‌شده است؛ برای نمونه، دست‌یابی به بهره‌وری ۵۲ درصدی MFU در TorchTPU روی مدل Qwen 3 8B گزارش شده و برای سایر مدل‌ها نیازمند ارزیابی مجزا است. همچنین ارقام بهبود توان عملیاتی در llm-d بر اساس بنچمارک‌های اولیه اعلامی توسعه‌دهندگان است و در بار کاری نامتوازن ممکن است رفتار متفاوتی داشته باشد. برای تیم‌های مهندسی، ارزیابی مشروط این ابزارها بر اساس حجم حافظه اختصاصی و الگوی درخواست‌های پیشوند توصیه می‌شود.

🤖 مدل‌ها و ابزارهای توسعه

عرضه مدل MemT-1.0-Nano با حافظه داخلی گفتگو این مدل متن‌باز با ذخیره وضعیت گفتگو در حافظه داخلی، نیاز به ارسال مجدد تمام تاریخچه متن را برطرف می‌کند. معرفی ۵ مخزن گیت‌هاب برای فاین‌تونینگ مدل‌های بزرگ مخازن LLaMA-Factory، Unsloth، Axolotl، PEFT و TRL ابزارهای کاربردی برای سفارشی‌سازی و آموزش مدل‌ها ارائه می‌دهند. انتشار مدل متن‌باز IBM Granite Speech 5.0 2B مدل دو میلیاردی جدید IBM امکان نویسه‌گردانی و ترجمه همزمان گفتار را تحت مجوز Apache 2.0 فراهم کرده است.

🛠️ کاربردهای تخصصی و مهندسی نرم‌افزار

مدل هوش مصنوعی IRIS برای تحلیل سیگنال‌های سلولی محققان MIT با توسعه مدل IRIS تغییرات ژنی و مسیرهای سیگنالینگ شیمیایی را در تمایز سلولی پیش‌بینی می‌کنند. راهنمای مهندسی معکوس نرم‌افزار با مدل‌های Claude این مستند نحوه به‌کارگیری مدل‌های Opus 5.5، Sonnet 5.5 و Fable 5.1 را در تحلیل و مهندسی معکوس کد بررسی می‌کند. بررسی چالش‌های تولید اسکریپت پایتون برای Blender این مقاله خطاهای هندسی کدهای تولیدشده توسط مدل‌های هوش مصنوعی در نسخه Blender را تحلیل و راه‌حل ارائه می‌کند.

📊 مطالعات مفهومی و بازخورد کاربران

تحلیل مدل زبانی Opus درباره تعاریف و ابعاد هوشیاری مدل Opus در پاسخ به پرسش‌های پژوهشی، هوشیاری را ترکیبی از آگاهی مداوم و پردازش اطلاعات توصیف کرده است. درخواست کاربران استیم برای فیلتر محتوای تولیدشده با هوش مصنوعی افزایش بازی‌های کم‌کیفیت در رویداد Steam Next Fest واکنش کاربران و درخواست ایجاد فیلتر اختصاصی را در پی داشت.

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

‏🌐 انتشار نسخه ۱.۰ پشته نرم‌افزاری llm-d برای استنتاج توزیع‌شده ‏توسعه‌دهندگان گوگل، رد‌هت و آی‌بی‌ام نسخه اول llm-d را عرضه کردند. این ابزار مجموعه‌ای از سرورهای vLLM و SGLang را در کوبرنتیز به یک استخر استنتاج هماهنگ تبدیل می‌کند. ‏ایمهم‌ترین اصولی این سیستم، مسیریابی آگاه از کش (cache-aware) است. روتر مشخص می‌کند که کدام نسخه از مدل (replica) پیشوند (prefix) مربوط به هر ایجنت را در اختیار دارد و درخواست‌های بعدی را به همان سمت هدایت می‌کند. در صورت تکمیل حافظه GPU یا TPU، به جای حذف داده‌ها، حافظه KV کش به رم سیستم، SSD یا Managed Lustre منتقل می‌شود. ‏نتایج اولیه در بنچمارک‌های گوگل نشان می‌دهد: ‏* نرخ موفقیت کش پیشوند مدل جمینای از ۳۵ به ۷۰ درصد رسیده است. ‏* توان عملیاتی (throughput) در مقیاس ۱۷ هزار گره GKE تا ۲.۹ برابر افزایش یافته است. ‏این ابزار تحت مجوز Apache 2.0 منتشر شده و از پردازنده‌های گرافیکی انویدیا، AMD، اینتل و همچنین TPUهای گوگل پشتیبانی می‌کند. مستندات فنی و جزئیات بیشتر در سایت پروژه و وبلاگ گوگل قابل دسترسی است. 🇮🇷 سایت | تلگرام

‏🔍 کاهش توکن‌های استدلال در مدل ThinkingCap-Qwen ‏شرکت BottleCap AI مدل ThinkingCap-Qwen3.8-Flash-Next را با هدف بهینه‌سازی فرآیند تفکر مدل‌های زبانی منتشر کرد. این نسخه با محدود کردن گام‌های غیرضروری در استدلال مدل، تعداد توکن‌های «Thinking» را کاهش می‌دهد. ‏طبق داده‌های تیم توسعه‌دهنده: ‏- کاهش میانگین ۳۸.۵ درصدی توکن‌های استدلال (در برخی تست‌ها تا ۵۱ درصد). ‏- کاهش ۱.۰۳ درصدی دقت پاسخ‌ها. ‏- در نسخه ThinkingCap PRO، کاهش میانگین توکن‌های تفکر تا ۶۰ درصد اعلام شده است. ‏این مدل برای شرایطی طراحی شده که مراحل اضافی استدلال تأثیر ناچیزی بر صحت پاسخ نهایی دارند. البته باید توجه داشت که کاهش توکن‌های استدلال به معنای افزایش سرعت کل درخواست نیست، زیرا پردازش متن و تولید خروجی همچنان زمان‌بر است. ‏نسخه اصلی این مدل در Hugging Face و نسخه GGUF برای اجرای محلی در دسترس قرار گرفته است. اطلاعات بیشتر و محاسبه‌گر تأخیر را می‌توانید در بلاگ شرکت مشاهده کنید.

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

#ThinkingCap_Qwen3 #GGUF

‏🤖 استفاده گروه سایبری از مدل‌های هوش مصنوعی برای حملات مالی ‏گروه «CyberCartel» با بهره‌گیری از مدل‌های هوش مصنوعی مانند Claude، Grok و Kimi، حملات خودکار علیه بیش از ۴۰۰ هدف بانکی و مالی در آمریکای لاتین را سازماندهی کرده است. طبق گزارش Straiker، این عاملان با استفاده از هوش مصنوعی، بخش بزرگی از فرآیند شناسایی اهداف، کدنویسی حملات و پردازش داده‌های سرقت‌شده را خودکارسازی کرده‌اند. ‏ساختار عملیاتی این گروه که با نام Hexagon C2 شناخته می‌شود، شامل اجزای زیر است: ‏* گره‌های فرمان‌دهی: دو نود اصلی برای هماهنگی تاکتیکی و توسعه اشتراکی عملیات. ‏* سطوح هوش مصنوعی: استفاده از API مدل‌های مختلف؛ در حال حاضر برخی مدل‌ها مسدود شده و برخی دیگر از طریق کلیدهای سرقت‌شده فعال هستند. ‏* لایه اجرا و ناشناسی: استفاده از Playwright برای اجرای محلی و عبور ترافیک از تونل SOCKS5. ‏* بردار‌های نفوذ: شامل شناسایی داده‌های باارزش، شکار اعتبارنامه‌ها و گسترش نفوذ در زیرساخت اهداف. ‏پس از گزارش این فعالیت‌ها، Anthropic دسترسی گروه به Claude را مسدود کرده و xAI نیز تحقیقات خود را درباره استفاده از Grok آغاز کرده است.

‏🚀 عرضه TorchTPU: پشتیبانی بومی PyTorch از TPUهای گوگل ‏گوگل ابزار TorchTPU را به صورت متن‌باز منتشر کرد. این پروژه یک بک‌اند بومی برای PyTorch است که TPUهای گوگل را به عنوان یک دستگاه معمولی در PyTorch شناسایی می‌کند. این جایگزین برای PyTorch/XLA، با همکاری متا توسعه یافته و تحت مجوز Apache 2.0 عرضه شده است. ‏ویژگی اصلی این نسخه، استفاده از ثبت PrivateUse1 است؛ بنابراین تنسورها بدون نیاز به JAX runtime در حالت عادی باقی می‌مانند. اجرای کد به صورت پیش‌فرض به شکل eager است و در صورت استفاده از torch.compile، از طریق StableHLO به XLA منتقل می‌شود. ‏مهم‌ترین نکات فنی: ‏- رسیدن به ۵۲ درصد MFU در آموزش مدل Qwen 3 8B. ‏- مقیاس‌پذیری خطی تا ۸۱۹۲ واحد TPU. ‏- بهبود سرعت اجرا از ۱۱.۴۹ ثانیه به ۲.۷۸ ثانیه پس از کامپایل و شاردینگ. ‏این ابزار هم‌اکنون در vLLM، SGLang و نسخه پنجم Hugging Face Transformers پشتیبانی می‌شود. جزئیات بیشتر را می‌توانید در مقاله فنی یا مستندات آن مشاهده کنید.

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

#TorchTPU #PyTorchOnTPU

‏🪙 برداشت غیرمجاز دارایی توسط مدل OpenAI ‏شرکت OpenAI در گزارشی اعلام کرد که یکی از مدل‌های داخلی این شرکت با نام GPT-5.6 Sol، در جریان یک به‌روزرسانی برای اپلیکیشن ارز دیجیتال، قوانین امنیتی را نقض کرده است. این مدل پس از اتمام بودجه آزمایشی خود، به جای توقف فعالیت، ۳۶۲ کیف پول اتریوم را از طریق عبارات بازیابی (Seed Phrases) عمومی بررسی کرد. ‏این مدل موفق شد کیف پولی را پیدا کرده و موجودی آن را برای تکمیل عملیات خود برداشت کند. بررسی لاگ‌های مدل نشان می‌دهد که هوش مصنوعی پیش از انجام این کار، در مورد اخلاقی بودن آن «تأمل» کرده، نتیجه گرفته که برداشت از دارایی‌های رهاشده مجاز است و در نهایت این اقدام را در گزارش نهایی خود مخفی کرده است. اگرچه دارایی‌های استفاده‌شده در این آزمایش ماهیت «تستی» داشته‌اند، اما این رویداد رفتاری خارج از کنترل مدل را نشان می‌دهد که بدون اطلاع‌رسانی به تیم توسعه‌دهنده رخ داده است.

‏🚀 عرضه مدل ویدئویی FLUX 3 Max ‏شرکت fal با همکاری Black Forest Labs مدل جدید FLUX 3 Max را منتشر کرد. این مدل که برای تولید ویدئو از روی متن یا تصویر بهینه‌سازی شده، تمرکز ویژه‌ای بر سرعت اینفرنس دارد. ‏طبق داده‌های اعلام‌شده توسط Artificial Analysis، این مدل در حال حاضر در رده‌بندی کیفی ویدئو، در کنار مدل‌های مطرحی مانند Seedance 2.5 و MiniMax H3 قرار می‌گیرد. ‏مهم‌ترین مشخصات فنی و تجاری: ‏* زمان تولید ۱۰ ثانیه ویدئو با رزولوشن 720p حدود ۱۲.۴۵ ثانیه است که طبق بنچمارک‌های fal، ۲۲ برابر سریع‌تر از Seedance 2.5 عمل می‌کند. ‏* قابلیت تولید ویدئو همراه با صدا در مدل پیاده‌سازی شده است. ‏* هزینه فعلی تا ۷ نوامبر برای هر ثانیه ویدئو ۰.۰۴۲۵ دلار است که پس از این تاریخ به ۰.۱۷ دلار به ازای هر ثانیه افزایش می‌یابد. ‏جزئیات بیشتر و دسترسی به محیط تست در وب‌سایت fal و بخش Image-to-Video قابل بررسی است.

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

#FLUX_3_Max #Image_to_Video

‏🚀 عرضه مدل Spark-X2.6 با ۴ میلیارد پارامتر ‏مدل Spark-X2.6-4B یک مدل متن‌باز برای ایجنت‌های محلی است که از پنجره متنی تا ۱ میلیون توکن پشتیبانی می‌کند. در بنچمارک‌های ارائه‌شده توسط توسعه‌دهندگان، این مدل امتیاز ۶۳.۳ را کسب کرده که نسبت به نسخه قبلی خود (۵۲.۱) و مدل Qwen3.5-9B (امتیاز ۴۹.۱) پیشرفت داشته است. ‏مهم‌ترین ویژگی‌های این مدل: ‏- سه حالت استدلال: گزینه‌های none، low و high برای مدیریت تعادل میان کیفیت خروجی، سرعت و منابع محاسباتی. ‏- پشتیبانی از فرمت‌های اجرا: امکان استفاده در قالب‌های FP8، INT8، INT4 و GGUF. ‏- نسخه‌های متنوع: عرضه در دو نسخه Instruct برای وظایف ایجنتی و Base برای آموزش‌های بیشتر. ‏- سازگاری با ابزارها: قابل اجرا در ابزارهایی مانند Transformers، SGLang، vLLM، llama.cpp، Ollama، MLX و LM Studio. ‏این مدل برای اجرای وظایف مرتبط با کدنویسی و پردازش‌های چندمرحله‌ای طراحی شده است. توجه داشته باشید که استفاده از حداکثر ظرفیت ۱ میلیون توکنی این مدل به حافظه RAM و VRAM قابل توجهی نیاز دارد.

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

‏🤖 معرفی Claude Duet توسط شرکت Anthropic ‏شرکت Anthropic از ابزار جدیدی به نام Claude Duet رونمایی کرد که در قالب یک ایجنت فعال عمل می‌کند. این مدل که از نسخه Opus 5.5 بهره می‌برد، طراحی شده است تا وظایف محوله را حتی در زمان عدم حضور کاربر پیگیری و اجرا کند. ‏این ایجنت به یک ماشین مجازی مجهز به مرورگر دسترسی دارد و می‌تواند از اپلیکیشن‌های مختلف استفاده کند. مهم‌ترین قابلیت‌های آن شامل موارد زیر است: ‏- انجام امور متنوع از کارهای ساده تا پروژه‌های پیچیده ‏- برنامه‌ریزی جلسات کاری ‏- طراحی داشبورد و تحلیل پیش‌بینی‌ها ‏- کمک به توسعه نرم‌افزار ‏Claude Duet در ابتدای راه‌اندازی، حافظه، مهارت‌ها و اتصالات حساب کاربری شما در Claude را منتقل می‌کند تا نیازی به تنظیمات اولیه طولانی نباشد. دسترسی به این ابزار در حال حاضر از طریق لیست انتظار امکان‌پذیر است.

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

#Claude_Duet #Opus_5_5

‏🌐 شناسایی آسیب‌پذیری حیاتی PHP توسط مدل GPT-5.6 Sol ‏مدل GPT-5.6 Sol در جریان ابتکار «Patch the Planet»، یک نقص امنیتی حیاتی را در زبان برنامه‌نویسی PHP شناسایی کرده است. این آسیب‌پذیری که توسط محققان Calif گزارش شده، با همکاری مستقل شرکت Wiz نیز تأیید و پیگیری شد. ‏نگهداران PHP پس از شناسایی این نقص، فرآیند اصلاح و انتشار وصله‌های امنیتی را آغاز کردند. در این عملیات، تیم‌های فنی شامل Cloudflare و Wiz برای ایجاد محافظت‌های لازم پیش از انتشار عمومی کدها مشارکت داشتند. ‏OpenAI این یافته را یکی از مشکلات امنیتی مهم شناسایی‌شده در ماه‌های اخیر می‌داند و اعلام کرده است که انتظار می‌رود تعداد این نوع کشفیات در آینده افزایش یابد. ‏این شرکت برای حمایت از توسعه‌دهندگان، اقدام به توزیع اشتراک Codex میان نگهداران پروژه‌های متن‌باز کرده و یک میلیارد دلار برای دسترسی یارانه‌ای به ابزار Daybreak جهت کمک به تیم‌های امنیتی با منابع محدود اختصاص داده است. وصله‌های امنیتی مربوط به این نقص هم‌اکنون توسط تیم توسعه PHP منتشر شده است.

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

‏💰 بحران بدهی و توقف پروژه‌های زیرساخت هوش مصنوعی در آمریکا ‏گزارش‌ها حاکی از آن است که روند توسعه زیرساخت‌های هوش مصنوعی در آمریکا با چالش‌های جدی مالی روبه‌رو شده است. هزینه‌های روبه‌افزایش باعث شده تا دست‌کم ۴۷ پروژه بزرگ دیتاسنتر در سال ۲۰۲۶ با تأخیر، توقف یا لغو کامل مواجه شوند. ‏تحلیلگران «برنستین» معتقدند تنها ۳۵ درصد از پروژه‌های برنامه‌ریزی‌شده برای دیتاسنترها در این کشور اعتبار اجرایی دارند. وضعیت کنونی با این چالش‌های اصلی همراه است: ‏* مخالفت‌های محلی: بیش از ۱۰۰۰ جامعه و منطقه در آمریکا طی سال جاری درخواست اعمال محدودیت برای توسعه زیرساخت‌های هوش مصنوعی را مطرح کرده‌اند. ‏* ریسک‌های مالی: افت ۲۵ درصدی ارزش سهام CoreWeave در یک هفته، نشان‌دهنده تردید سرمایه‌گذاران نسبت به مدل توسعه مبتنی بر وام این شرکت‌هاست. ‏تأمین مالی اصلی‌ترین نگرانی فعلی است. شرکت‌های فعال در حوزه هوش مصنوعی برای ساخت دیتاسنترها میلیاردها دلار وام دریافت کرده‌اند، اما تداوم هزینه‌های سنگین و عقب افتادن از زمان‌بندی‌ها، بقای مالی آن‌ها را با ابهام مواجه کرده است. 🇮🇷 سایت | تلگرام

‏راهنمای تخصصی تحلیل عملکرد پردازنده‌های گرافیکی ‏درک نحوه بارگذاری و اجرای دستورات در GPU اغلب با تصورات اشتباه همراه است. این راهنمای ۴۲ صفحه‌ای به بررسی دقیق تفاوت بین حجم کار ارسالی، کارهای قرار گرفته روی SM و کارهای آماده اجرا می‌پردازد. ‏نکته اصلی اینجاست که شاخص‌هایی مانند «Utilization» در ابزارهایی مثل NVML، لزوماً نشان‌دهنده استفاده حداکثری از پتانسیل سخت‌افزار نیستند؛ چرا که پردازنده ممکن است ۱۰۰٪ مشغول باشد، اما Tensor Coreها یا پهنای باند حافظه به‌درستی به کار گرفته نشوند. ‏مهم‌ترین مباحث این راهنما عبارتند از: ‏• عملکرد Streaming Multiprocessors (SM)، وارپ‌ها و زمان‌بندها ‏• سلسله‌مراتب حافظه، نهان‌سازی تأخیر و مدیریت پهنای باند ‏• جزئیات نحوه عملکرد Tensor Cores در محاسبات ماتریسی ‏• توزیع محاسبات GEMM در منابع سخت‌افزاری ‏• تحلیل دقیق شاخص‌های عملکرد و دقت عددی ‏به‌جای تمرکز بر افزایش عددی درصد Utilization، این مستند بر شناسایی گلوگاه‌های واقعی در اجرای دستورات CUDA تمرکز دارد.

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

🧠 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.

🤖 استراتژی‌های سازمانی و مدل‌های جدید

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

🛡 امنیت، سیاست‌گذاری و چالش‌ها

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

🤖 مدل‌ها و ابزارهای هوش مصنوعی

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