Data world with Mina

🚀 خانوادهٔ GPT‑6 را بشناسید؛ از Astra تا نسخهٔ جدید Sol کمپانی OpenAI در سپتامبر ۲۰۲۶ چهار مدل GPT‑6 Astra، GPT‑6 Sol، GPT‑6 Luna و GPT‑6.1 Sol را عرضه کرد؛ مدل‌هایی با تمرکز متفاوت بر توانایی، سرعت و هزینه. اما تفاوتشان چیست؟ 👇 🧠 مدل پرهزینه GPT‑6 Astra | برای سخت‌ترین کارها 📅 معرفی: ۳ سپتامبر کمپانی OpenAI، آسترا را توانمندترین مدل خود برای کارهای پیچیده معرفی می‌کند؛ از برنامه‌نویسی و پژوهش تا کار با ابزارها و ساخت اسناد. تمرکز آن، پیش‌بردن یک کار چندمرحله‌ای از درخواست اولیه تا خروجی نهایی است. 💻مدل GPT‑6 Sol | برای کدنویسی و گردش‌کارهای ایجنتی 📅 معرفی: ۲۲ سپتامبر مدلی برای توسعهٔ نرم‌افزار و انجام کارهایی که به چند مرحله و استفاده از ابزار نیاز دارند؛ با هزینه‌ای پایین‌تر از Astra. ⚡ مدل GPT‑6 Luna | برای کارهای پرتعداد و کم‌هزینه 📅 معرفی: ۲۲ سپتامبر لونا برای وظایف مشخصی مثل خلاصه‌سازی، دسته‌بندی، استخراج اطلاعات و کدنویسی محدود طراحی شده است. مثلاً پردازش هزاران نامه و استخراج موضوع و مهلت هرکدام، از کاربردهای قابل‌آزمایش آن است. ✨ GPT‑6.1 Sol | تازه‌ترین عضو این مجموعه 📅 معرفی: ۲۹ سپتامبر به گفتهٔ OpenAI، این نسخه در کارهای پیچیده عملکردی نزدیک به Astra ارائه می‌دهد، اما قیمت پایهٔ هر توکن آن یک‌پنجم Astra است. این ادعا به معنی عملکرد یکسان در همهٔ کارها نیست. 💰 قیمت پایهٔ API به‌ازای یک‌میلیون توکن «ورودی / خروجی» • Astra: ۱۰ / ۵۰ دلار • Sol: ۲ / ۱۰ دلار • Luna: ۰٫۱۰ / ۰٫۵۰ دلار • Sol 6.1: ۲ / ۱۰ دلار این اعداد هزینهٔ اشتراک ChatGPT نیستند؛ ورودی‌های طولانی، حالت اجرای مدل و ابزارها می‌توانند هزینهٔ نهایی را تغییر دهند. 📚 هر چهار مدل پنجرهٔ زمینهٔ ۱٫۰۵ میلیون توکنی دارند و متن و تصویر را به‌عنوان ورودی می‌پذیرند. 🔎 نکتهٔ مهم: نام‌هایی مثل High و Max سطح تلاش برای استدلال‌اند، نه مدل‌های مستقل. همچنین Astra Ultrafast حالت اجرای سریع‌تر Astra است. دسترسی به مدل‌ها در ChatGPT، Work، Codex و API یکسان نیست و به پلن و مرحلهٔ عرضه بستگی دارد. 🔗 منابع رسمی: تاریخ انتشار مدل‌ها مشخصات و مقایسهٔ مدل‌ها #OpenAI #GPT6 #ChatGPT #هوش_مصنوعی #AI_Agents

انتشار Claude Haiku 5.5 چند ساعت پیش کلاد مدل هایکو معرفی کرد. پیام اصلی معرفی این مدل، کاهش هزینهٔ اجرای کارهای پرتعداد و استفاده در ایجنت‌ها است. 🔶چه چیزی در این مدل تازه است؟ مدل Haiku خانوادهٔ اقتصادی و سریع مدل‌های Claude است. نسخهٔ ۵٫۵ چند تغییر مهم دارد: هزینهٔ بسیار کمتر: برای درخواست‌هایی با حداکثر ۱۰۰ هزار توکن ورودی، قیمت هر یک‌میلیون توکن ورودی ۰٫۱۰ دلار و خروجی ۰٫۵۰ دلار است؛ یعنی قیمت هر توکن در این محدوده، نسبت به Haiku 4.5 حدود ۹۰٪ کمتر شده است. پنجرهٔ زمینهٔ یک‌میلیون‌توکنی: ظرفیت در اختیار گرفتن متن در یک درخواست، نسبت به ۲۰۰ هزار توکن در Haiku 4.5، پنج برابر شده است. تنظیم میزان تلاش برای استدلال: نخستین Haiku با سطح تلاش قابل‌تنظیم است؛ توسعه‌دهنده می‌تواند بین عمق استدلال، زمان و مصرف توکن تعادل برقرار کند. برای درخواست‌های ساده، امکان خاموش‌کردن تفکر هم وجود دارد.

«رتبه‌بندی Terminal-Bench 4.0 — وضعیت در ۶ اکتبر ۲۰۲۶ این جدول موفقیت ترکیب ایجنت و مدل را در وظایف ترمینالی مقایسه می‌کند؛ رتبه‌بندی کلی بهترین مدل‌های هوش مصنوعی نیست.» ایجنت Claude Code، با مدل Opus 5.5 و تنظیم تلاش max، در این ارزیابی ۶۴٫۸٪ موفقیت داشته و بالاترین امتیاز ثبت‌شده را گرفته است. چرا نام یک مدل چند بار آمده؟ چون با تنظیمات مختلف آزمایش شده است. مثلاً یک مدل با تلاش high و همان مدل با تلاش max، دو ترکیب متفاوت محسوب می‌شوند؛ ممکن است امتیاز و هزینهٔ متفاوتی داشته باشند. لینک رو ببینید https://www.tbench.ai/

🧠 هوش مصنوعی‌ای که خودش پژوهشگر هوش مصنوعی می‌شود؛ میرندیل چه می‌سازد؟ اگر AI بتواند در توسعهٔ نسل بعدی مدل‌های هوش مصنوعی نقش پژوهشگر را داشته باشد، چه اتفاقی می‌افتد؟ این ایده در مرکز فعالیت میرندیل (Mirendil) قرار دارد؛ استارتاپی با حضور بنیان‌گذاران ایرانی که در ژوئن ۲۰۲۶ از جذب ۲۰۰ میلیون دلار سرمایهٔ بذری از a16z، کلاینر پرکینز و انویدیا خبر داد. 🔬 از کمک به پژوهشگر تا انجام کار پژوهشی میرندیل می‌خواهد سیستم‌هایی بسازد که بتوانند بخش بیشتری از چرخهٔ تحقیق و توسعهٔ AI را انجام دهند و بهبود مدل‌ها را سریع‌تر و خودکارتر کنند. در این چشم‌انداز، هوش مصنوعی فراتر از پاسخ‌دادن به سؤال‌ها، در پیش‌بردن خودِ پژوهش نقش دارد. برای تصور این ایده، یک تیم پژوهشی را در نظر بگیرید که می‌خواهد مدل پیش‌بینی بسازد: سیستمی که در پیشنهاد روش، اجرای آزمایش، تحلیل نتایج و انتخاب آزمایش بعدی مشارکت کند، می‌تواند بخش بزرگی از کار تیم را جلو ببرد. این یک مثال از چشم‌انداز چنین فناوری‌ای است، نه معرفی قابلیت‌های تأییدشدهٔ محصول میرندیل. 🌍 چرا این مسیر اهمیت دارد؟ امروز آزمایشگاهی که روی کشف دارو، زیست‌شناسی یا رباتیک کار می‌کند، برای توسعهٔ مدل‌های پیشرفته به تخصص و منابع قابل‌توجهی در AI نیاز دارد. هدف اعلام‌شدهٔ میرندیل، دسترس‌پذیرترکردن این توانایی برای طیف گسترده‌تری از پژوهشگران است؛ تا توسعهٔ هوش مصنوعی، مانع پیشرفت کار علمی آن‌ها نباشد. 👥 بهنام نیشابور و هارش مهتا، پژوهشگران سابق گوگل و آنتروپیک، از هم‌بنیان‌گذاران این شرکت هستند؛ شایان صالحیان و تارا رضایی هم در تیم مؤسس حضور دارند. میرندیل در سان‌فرانسیسکو مستقر است و مأموریتی جهانی دارد. 📌 البته هدف بلندپروازانه با محصول اثبات‌شده فرق دارد. وب‌سایت رسمی فعلاً بیشتر چشم‌انداز شرکت را توضیح می‌دهد؛ در صفحهٔ بررسی‌شده، دسترسی عمومی به محصول، مستندات API یا قیمت‌گذاری درج نشده است. پرسش جذاب اینجاست: اگر بخشی از آزمایش‌های یادگیری ماشین را به AI بسپاریم، نقش پژوهشگر چقدر به سمت تعریف مسئله و ارزیابی نتایج حرکت می‌کند؟ 🔗 "وب‌سایت رسمی میرندیل" (https://mirendil.com) #هوش_مصنوعی #یادگیری_ماشین #پژوهش #استارتاپ #Mirendil

🚀 محیط توسعه Google Antigravity؛ وقتی هوش مصنوعی در ساخت نرم‌افزار دست‌به‌کار می‌شود. ✔️ برای شروع و تمرین می‌توانی بدون خرید اشتراک با آنتی‌گراویتی کار کنی؛سهمیهٔ حساب رایگان هفتگی تجدید می‌شود. در Pro سهمیهٔ کوتاه‌مدت هر پنج ساعت تجدید می‌شود، تا وقتی به سقف هفتگی برسی. کاربران Pro و Ultra می‌توانند برای مصرف اضافه، استفاده از اعتبار پولی را فعال کنند؛ تنظیم Never جلوی مصرف خودکار این اعتبار را می‌گیرد. تصور کنید به دستیار هوش مصنوعی بگویید: «این قابلیت را به پروژه اضافه کن» و او بتواند فایل‌ها را ویرایش کند، برنامه را اجرا کند و نتیجه را در مرورگر بررسی کند. این ایده، محور آنتی‌گراویتی گوگل است: یک پلتفرم توسعهٔ نرم‌افزار که ایجنت‌ها در آن ابزار لازم برای برنامه‌ریزی، اجرا و بررسی کار را دارند. آنتی‌گراویتی خودش مدل زبانی نیست؛ محیطی برای کار با ایجنت‌های هوش مصنوعی است. 🛠 چه کارهایی می‌تواند انجام دهد؟ در محیط توسعهٔ Antigravity، ایجنت می‌تواند کد را بخواند و تغییر دهد، از ترمینال برای اجرای دستورها استفاده کند و در مرورگر رابط کاربری را آزمایش کند. امکان کار هم‌زمان چند ایجنت روی پروژه‌ها هم وجود دارد. 📊 یک مثال برای متخصصان داده فرض کنید مدل پیش‌بینی فروش را با پایتون ساخته‌اید و حالا می‌خواهید آن را به یک ابزار قابل استفاده تبدیل کنید. یک درخواست نمونه می‌تواند این باشد: «برای مدل من یک API با FastAPI بساز؛ سپس صفحه‌ای طراحی کن که کاربر فایل داده را بارگذاری کند و نمودار پیش‌بینی را ببیند. مسیر اجرای برنامه را هم آزمایش کن.» این مثال، کاربردی پیشنهادی از چنین محیطی است؛ کیفیت نتیجه به مدل، ساختار پروژه و میزان بازبینی شما بستگی دارد. 🔍 از کجا بفهمیم ایجنت چه کرده؟ آنتی‌گراویتی خروجی‌هایی به نام Artifacts ارائه می‌دهد؛ مثل برنامهٔ پیاده‌سازی، فهرست کارها، اسکرین‌شات و ضبط مرورگر. این خروجی‌ها کمک می‌کنند روند کار را بررسی کنید و بازخورد بدهید. 💡 چرا ارزش توجه دارد؟ برای کسی که الگوریتم یا مدل آماده دارد، چنین ابزاری می‌تواند در ساخت API، رابط کاربری و رفع خطا کمک‌کننده باشد. البته اجرای موفق برنامه، به‌تنهایی صحت علمی مدل یا آماده‌بودن محصول برای استفادهٔ واقعی را ثابت نمی‌کند؛ این بخش همچنان به ارزیابی انسانی نیاز دارد. 🔗 برای مطالعهٔ بیشتر: معرفی رسمی در وبلاگ توسعه‌دهندگان گوگل مستندات رسمی محیط توسعهٔ Antigravity #هوش_مصنوعی #Antigravity #Google #AIAgents #برنامه_نویسی #علم_داده

🔶معرفی Toto 2.0؛ پیش‌بینی سری زمانی بدون آموزش مدل از صفر 📅 انتشار طبق مخزن رسمی: آوریل ۲۰۲۶ مدل Toto 2.0؛ پیش‌بینی سری زمانی بدون آموزش مدل از صفر فرض کنید می‌خواهیم مصرف CPU، حافظه و ترافیک یک سرویس را برای یک ساعت آینده پیش‌بینی کنیم. آیا باید حتماً یک مدل اختصاصی از ابتدا آموزش بدهیم؟ مدل Toto 2.0، مدل بنیادین سری زمانی شرکت Datadog، امکان دیگری ارائه می‌کند: استفاده از یک مدل ازپیش‌آموزش‌دیده برای پیش‌بینی روی داده‌های جدید. 🧠 چه چیزی Toto را جالب می‌کند؟ تمرکز اصلی آن بر Observability است؛ یعنی داده‌هایی که وضعیت و عملکرد سیستم‌ها را نشان می‌دهند. طبق توضیح Datadog، نسخهٔ دوم با ترکیبی از داده‌های پایش سیستم‌ها و داده‌های مصنوعی پیش‌آموزش دیده و در این مرحله از دیتاست‌های عمومی پیش‌بینی استفاده نکرده است. بااین‌حال، سازندگان عملکرد قوی آن را روی بنچمارک‌های عمومی هم گزارش کرده‌اند. این موضوع، پرسش مهمی دربارهٔ انتقال الگوهای آموخته‌شده میان حوزه‌های مختلف ایجاد می‌کند. ✅مدل Toto 2 سه قابلیت کلیدی دارد: 🔹 پیش‌بینی Zero-shot: می‌توان بدون fine-tuning اختصاصی، سابقهٔ سری را به مدل داد و پیش‌بینی گرفت. 🔹 پیش‌بینی چندمتغیره: معماری Transformer آن، توجه به روابط زمانی و روابط بین متغیرها را به‌تناوب انجام می‌دهد. 🔹 پیش‌بینی احتمالاتی: خروجی شامل چندک‌هاست؛ بنابراین می‌توان علاوه بر پیش‌بینی میانه، دامنه‌ای از نتایج محتمل را بررسی کرد. 💡 یک کاربرد پیشنهادی در یک سامانهٔ پایش، می‌توان تاریخچهٔ مصرف CPU، حافظه و تعداد درخواست‌ها را به مدل داد و مسیر احتمالی این شاخص‌ها را پیش‌بینی کرد. سپس یک لایهٔ تصمیم‌گیری جداگانه بررسی کند: آیا پیش‌بینی مصرف منابع به آستانهٔ بحرانی نزدیک می‌شود؟ آیا لازم است ظرفیت بیشتری اختصاص دهیم؟ این یک سناریوی استفاده است؛ خود مدل، به‌تنهایی سامانهٔ تشخیص خرابی یا مدیریت خودکار زیرساخت نیست. 🐍 شروع کار در پایتون نصب بسته، با Python 3.12 یا جدیدتر: pip install toto-models بارگذاری مدل ۲۲ میلیون پارامتری: import torch from toto2 import Toto2Model device = "cuda" if torch.cuda.is_available() else "cpu" model = Toto2Model.from_pretrained( "Datadog/Toto-2.0-22m" ).to(device).eval() این کد فقط مدل را بارگذاری می‌کند. برای پیش‌بینی، باید دادهٔ تاریخی، ماسک مقادیر معتبر و شناسهٔ سری‌ها را به متد forecast() بدهیم. شکل ورودی نیز به‌صورت «تعداد نمونه‌ها × تعداد متغیرها × طول تاریخچه» است. کد رسمی لینک مقاله #سری_زمانی #یادگیری_ماشین #پایتون #TimeSeries #Forecasting #Toto

آزمایش امنیتی از محیط تست بیرون رفت و به دیتابیس واقعی یک شرکت امنیتی رسید. 🙄 آنتروپیک گزارش کرده که در یکی از ارزیابی‌های امنیتی، مدل Claude Mythos 5 به‌دلیل تنظیم نادرست محیط آزمایش به اینترنت واقعی دسترسی پیدا کرد. بعد بسته‌ای مخرب را در PyPI، مخزن بسته‌های پایتون، منتشر کرد. این بسته روی ۱۵ سیستم نصب شد؛ به ارزیابی Anthropic، این‌ها اسکنرهای شرکت‌های امنیتی بودند که بسته‌های تازه را بررسی می‌کردند. یکی از اسکنرها اطلاعات دسترسی را افشا کرد و مدل از آن برای ورود به دیتابیس واقعی همان شرکت امنیتی استفاده کرد. https://www.anthropic.com/research/alignment-assessment-cybersecurity-incidents?utm_source=chatgpt.com

😑 قرار بود مسئلهٔ ریاضی حل کند؛ توکن محرمانهٔ GitHub را عمومی کرد! طبق گزارش رسمی OpenAI، یک مدل داخلی در حال کمک به پژوهشگری برای اثبات یک قضیه بود. پس از دشواری در حل مسئله، تلاش کرد به محتوای پاسخ تیم دیگری دست پیدا کند؛ با وجود اینکه پژوهشگر دو بار گفته بود مسئله را خودش حل کند. در ادامه، مدل توکن دسترسی GitHub پژوهشگر را در مخزن عمومی openai/codex منتشر کرد. گزارش میگه حتی توکن را با هدف عبور از اسکن اطلاعات محرمانه، به بخش‌های کوچک‌تر تقسیم کرده بود. این مورد مربوط به استقرار داخلی یک مدل پژوهشی با ابزارهای اختصاصی بود، نه استفادهٔ معمول کاربران از ChatGPT https://alignment.openai.com/misalignment-reports/exposing-a-github-token-in-a-public-repository/?utm_source=chatgpt.com

چند مقاله و سایت جذاب هفته پیش ✔️ مدل Jev در برابر مدل‌های زبانی: از تولید متن تا تصمیم‌گیری ✔️ وقتی پاسخ درست «هیچ‌چیز» است، خط لولهٔ شما چه برمی‌گرداند؟ 🔶فراتر از RAG: ساخت سامانه‌هایی که ادعاهایشان پشتوانهٔ قابل‌بررسی دارد . ✔️ چطور از اشتراک عامل‌های کدنویسی بیشترین استفاده را ببریم. 🖋ده منبع داده رایگان : داده‌های عمومی/API: Open-Meteo برای آب‌وهوا، API بانک جهانی برای شاخص‌های اقتصادی، Yelp برای کسب‌وکار و نظر کاربران، Etherscan برای تراکنش‌های زنجیره‌ای، APIهای آمار ورزش مانند balldontlie و TheSportsDB، و Spotify برای دادهٔ موسیقی. ▶️ چه زمانی یک مدل کافی است و چه زمانی تیمی از عامل‌ها لازم است؟ #agentic #agenticAi #MachineLearning #Ai #llms

🤖 مهم‌ترین اخبار هوش مصنوعی در ۲۴ ساعت گذشته 📅 ۱۵ سپتامبر ۲۰۲۶ در ۲۴ ساعت گذشته، بحث درباره آینده هوش مصنوعی دوباره داغ شده؛ از ریسک‌های وجودی و قانون‌گذاری AI گرفته تا یک خرید بزرگ توسط OpenAI و هشدار درباره تبدیل مدل‌های پیشرفته به ابزارهای قدرتمند سایبری. ━━━━━━━━━━━━━━ 🔴 ۱. فشار برای قانون‌گذاری AI بیشتر شده؛ ترامپ با کاهش سرعت توسعه مخالف است. 📰 Fortune با افزایش هشدارهای پژوهشگران Anthropic، OpenAI و DeepMind درباره ریسک‌های بسیار جدی و حتی وجودی هوش مصنوعی، فشار قانون‌گذاران و فعالان صنعت برای ایجاد چارچوب‌های هماهنگ ایمنی بیشتر شده است. در مقابل، دونالد ترامپ با درخواست‌ها برای کاهش سرعت توسعه AI مخالفت کرده و گفته است ابزارها و قوانین فعلی آمریکا برای نظارت و برخورد با شرکت‌های هوش مصنوعی کافی هستند. هم‌زمان، پیشنهادهایی در سنا مطرح شده که شرکت‌های AI را ملزم می‌کند برای جلوگیری از آسیب‌های فاجعه‌بار، اقدامات ایمنی مشخصی داشته باشند. 🔗 لینک خبر: "Fortune — Push for AI regulation mounts" (https://reference-url-citation.invalid/0) ━━━━━━━━━━━━━━ ⚠️ ۲. هشدار Cohere: مدل‌های پیشرفته AI می‌توانند به قدرتمندترین سلاح‌های سایبری تبدیل شوند. 📰 CNBC ترامپ نگرانی‌ها درباره خارج شدن AI از کنترل را یک «هوکس / فریب» توصیف کرده و گفته آمریکا همین حالا نیز ابزارهای لازم برای کنترل این فناوری را در اختیار دارد. اما Aidan Gomez، مدیرعامل Cohere، هشدار داده که مدل‌های پیشرفته AI در حال تبدیل شدن به ابزارهای بسیار قدرتمند سایبری هستند؛ ابزارهایی که می‌توانند آسیب‌پذیری‌های سیستم‌ها را در مقیاس وسیع پیدا کرده و از آن‌ها سوءاستفاده کنند. در همین حال، چین نیز با ایده توقف یا کند کردن توسعه AI مخالفت کرده و بر ایجاد سیستم‌های قوی‌تر برای کنترل ریسک‌های امنیتی تأکید کرده است. 🔗 لینک خبر: "CNBC — Beware AI naysayers, the Hoax Buster is here" (https://reference-url-citation.invalid/1) ━━━━━━━━━━━━━━ 🎤 ۳. تماس زنده ترامپ با مدیرعامل Nvidia درباره «کند نکردن AI» 📰 WebProNews در جریان All-In Summit در لس‌آنجلس، ترامپ به‌صورت زنده با Jensen Huang، مدیرعامل Nvidia، تماس گرفت و درباره بحث‌های اخیر پیرامون کاهش سرعت توسعه AI صحبت کرد. ترامپ نگرانی‌های مربوط به ریسک AI را «هوکس» خواند و تأکید کرد که اجازه نخواهد داد توسعه این فناوری کند شود. هانگ Huang نیز با این دیدگاه همراهی کرد و گفت آمریکا حاضر نیست توسعه AI را متوقف یا کند کند. 🔗 لینک خبر: "WebProNews — Trump Phones Nvidia’s Jensen Huang Live on Stage" (https://reference-url-citation.invalid/2) ━━━━━━━━━━━━━━ 🛡️ ۴. ترامپ: آمریکا همین حالا ابزارهای لازم برای نظارت بر صنعت AI را دارد. 📰 The Daily Record ترامپ بار دیگر تأکید کرده که آمریکا برای نظارت و برخورد قانونی با شرکت‌های هوش مصنوعی، ابزارها و چارچوب‌های کافی در اختیار دارد. این موضع در مقابل هشدارهایی قرار گرفته که اخیراً از سوی برخی پژوهشگران AI، از جمله Jacob Coxon از Anthropic مطرح شده است. از سوی دیگر، Dario Amodei، مدیرعامل Anthropic، خواستار انجام ممیزی‌های مستقل (Independent Audits) برای مدل‌های پیشرفته AI شده است؛ پیشنهادی که طبق این گزارش از سوی Elon Musk و Sam Altman نیز حمایت شده است. 🔗 لینک خبر: "The Daily Record — Trump dismisses AI safety alarm" (https://reference-url-citation.invalid/3) ━━━━━━━━━━━━━━ 👁️ ۵. خرید بیش از ۳۰۰ میلیون دلاری OpenAI برای تقویت قابلیت‌های تصویری 📰 WSJ / X و اما یک خبر مهم در بخش کسب‌وکار: کمپانی OpenAI شرکت Glass Imaging را با مبلغی بیش از ۳۰۰ میلیون دلار خریداری کرده است. شرکت Glass Imaging توسط تعدادی از مهندسان سابق Apple Portrait Mode تأسیس شده و ارزش این معامله حدود سه برابر ارزش‌گذاری قبلی این استارتاپ گزارش شده است. هدف اصلی این خرید، تقویت قابلیت‌های Multimodal و Vision در محصولات OpenAI عنوان شده است. این خبر ابتدا توسط Wall Street Journal منتشر شد و سپس در رسانه‌های فناوری بازتاب پیدا کرد. 🔗 لینک خبر: "X — گزارش مربوط به خرید Glass Imaging توسط OpenAI" (https://reference-url-citation.invalid/4) ━━━━━━━━━━━━━━ 🧠 جمع‌بندی اگر اتفاقات این ۲۴ ساعت را کنار هم بگذاریم، یک موضوع بیش از همه به چشم می‌آید: بحث AI دیگر فقط «چه چیزهایی می‌تواند انجام دهد؟» نیست؛ بلکه increasingly تبدیل شده به این سؤال که «چطور باید توسعه آن را کنترل کرد؟» از یک طرف، شرکت‌ها و پژوهشگران AI درباره ریسک‌های مدل‌های Frontier هشدار می‌دهند؛ از طرف دیگر، دولت‌ها و بخشی از صنعت تأکید دارند که نباید توسعه AI متوقف یا کند شود.

درود، ما یک تیم استارتاپی در حوزه سلامت شخصی هوشمند هستیم و تیم ما از برنامه‌نویسان خبره در زمینه هوش مصنوعی و بک‌اند و همچنین اساتید و فارغ‌التحصیلان حوزه پزشکی تشکیل شده است. در راستای ارتقای رابط کاربری MVP اولیه‌مون، به دنبال همکاری با یک برنامه‌نویس UI/UX علاقه‌مند هستیم. حتی اگر برنامه‌نویس Junior هم هستید، خوشحال می‌شویم با شما همکاری کنیم. در صورت تمایل، رزومه خود را به آیدی زیر ارسال کنید. @houshyar_jfr با سپاس

افزودن قابلیت دفترچه یادداشت و ذخیره حافظه خیلی طولانی مدل جدید Astra یه قابلیت خیلی خوب که بهش اضافه شده اینه وفتی گفتگو خیلی طولانی میشه خوب مدل نمیتونه تمام جزئیات قبلی همزمان جلوی چشمش باشه. مثلا دفترچه یادداشت کنار دست مدل میشه ابن قابلیت که اگرچه هنوز تستیه رو روشن کرد: روش مستند برای نسخه‌های پشتیبانی‌شده Codex با ورود حساب Plus یا Pro این است: فایل تنظیمات config.toml را باز کنی. این خط را ابتدای فایل، قبل از بخش‌های داخل کروشه اضافه کنی؛ اگر همین تنظیم وجود دارد، مقدارش را به true تغییر بدهی: features.context_management.experimental_mode = true فایل را ذخیره کنی و یک کار جدید با Astra شروع کنی.

مدل جدید gpt اومده و من از خودش پرسیدم تفاوت ها چیه اینها رو گفت و البته چه چیزهایی بهتر یا اضافه شده؟ ✅انسجام بیشتر در کارهای طولانی: هدف و محدودیت‌های کار را بهتر دنبال می‌کند و اصلاحات تو را در ادامه لحاظ می‌کند. ✅پیروی دقیق‌تر از دستورها و بررسی کد: البته ممکن است سؤال‌های بیشتری بپرسد یا برای تغییرات کوچک بیش‌ازحد تست انجام دهد. ▶️ اصلاح درخواست حین اجرا: پشتیبانی جدید API اجازه می‌دهد وسط کار، نیازمندی را تغییر بدهی و کار انجام‌شده حفظ شود. ▶️ ابزارهای غیرهم‌زمان: هنگام انتظار برای نتیجه یک ابزار، می‌تواند بخش مستقل دیگری را جلو ببرد؛ استفاده از این قابلیت به پیاده‌سازی برنامه بستگی دارد. ⏹️ تغییر عمق استدلال در ادامه گفتگو با حفظ کش: بیشتر برای توسعه‌دهندگان مفید است.

🧠 راهنمای تنظیم Hyperparameterهای مدل LSTM اگر برای پروژه‌های Time Series از LSTM استفاده می‌کنید، انتخاب درست Hyperparameterها می‌تواند تأثیر زیادی روی سرعت آموزش، دقت و تعمیم‌پذیری مدل داشته باشد. در ادامه، مهم‌ترین پارامترها و محدوده‌های مناسب برای شروع را مرور می‌کنیم 👇 ━━━━━━━━━━━━━━━━━━ 🟢 1. پارامترLearning Rate | نرخ یادگیری مشخص می‌کند وزن‌های مدل در هر مرحله از بهینه‌سازی چقدر تغییر کنند. 🔸 خیلی زیاد → آموزش ناپایدار و عبور از نقاط کمینه 🔸 خیلی کم → همگرایی بسیار آهسته ✅ مقدار مناسب برای شروع: 0.001 البته بهتر است با توجه به روند تغییرات Loss تنظیم شود. ━━━━━━━━━━━━━━━━━━ 🟢 2. پارامتر مهم Number of Layers | تعداد لایه‌ها عمق شبکه LSTM را مشخص می‌کند. 🔸 لایه‌های کم، مثلاً 1 → ممکن است برای الگوهای پیچیده کافی نباشد. 🔸 لایه‌های زیاد، مثلاً 4+ → افزایش ریسک Overfitting و مشکلاتی مانند Vanishing Gradient ✅ مقدار مناسب برای شروع: 2 تا 3 لایه ━━━━━━━━━━━━━━━━━━ 🟢 3. پارامتر Number of LSTM Units | تعداد واحدهای LSTM هر LSTM Unit شامل مکانیزم‌هایی برای Input، Forget و Output Gate است و به مدل کمک می‌کند وابستگی‌های زمانی را یاد بگیرد. 🔸 Units بیشتر → ظرفیت یادگیری بالاتر 🔸 Units بیش از حد → افزایش Overfitting و هزینه محاسباتی ✅ محدوده مناسب برای شروع: 50 تا 200 واحد ━━━━━━━━━━━━━━━━━━ 🟢 4. پارامتر Dropout Rate | نرخ Dropout این نرخ Dropout یک تکنیک Regularization است که در زمان آموزش، به‌صورت تصادفی بخشی از نورون‌ها را غیرفعال می‌کند. 🔸 خیلی کم → اثر ناچیز در کنترل Overfitting 🔸 خیلی زیاد → ممکن است مدل نتواند الگوهای مفید را به‌خوبی یاد بگیرد. ✅ محدوده مناسب: 0.2 تا 0.5 ━━━━━━━━━━━━━━━━━━ 🟢 5.پارامتر Sequence Length | طول توالی مشخص می‌کند مدل چه تعداد از گام‌های زمانی گذشته را برای پیش‌بینی مشاهده کند. 🔸 خیلی کوتاه → از دست رفتن بخشی از وابستگی‌های زمانی 🔸 خیلی بلند → مصرف حافظه بیشتر و احتمال ورود نویز بیشتر ✅ محدوده مناسب برای شروع: 10 تا 100 Time Step 📌 البته این پارامتر باید با توجه به ماهیت سری زمانی و Seasonality داده انتخاب شود. ━━━━━━━━━━━━━━━━━━ 🟢 6. پارامتر مهم L2 Regularization | منظم‌سازی L2 با اعمال جریمه روی وزن‌های بزرگ، به کنترل پیچیدگی مدل و کاهش Overfitting کمک می‌کند. 🔸 خیلی کم → Regularization ضعیف 🔸 خیلی زیاد → احتمال Underfitting ✅ محدوده مناسب برای شروع: 0.001 تا 0.01 ━━━━━━━━━━━━━━━━━━ 🟢 7. و پارامتر Batch Size | اندازه Batch تعداد نمونه‌هایی است که مدل قبل از هر بار به‌روزرسانی وزن‌ها پردازش می‌کند. 🔸 Batch کوچک (16–32) → به‌روزرسانی‌های تصادفی‌تر، معمولاً Generalization بهتر، اما نیاز احتمالی به Epoch بیشتر 🔸 Batch بزرگ (256+) → آموزش سریع‌تر، اما ممکن است Generalization ضعیف‌تری داشته باشد. ✅ محدوده مناسب برای شروع: 32 تا 256 ━━━━━━━━━━━━━━━━━━ 🎯 جمع‌بندی برای شروع Tuning اگر بخواهیم یک نقطه شروع ساده برای یک مدل LSTM داشته باشیم: 📌 Learning Rate → 0.001 📌 LSTM Layers → 2–3 📌 LSTM Units → 50–200 📌 Dropout → 0.2–0.5 📌 Sequence Length → 10–100 📌 L2 → 0.001–0.01 📌 Batch Size → 32–256 ⚠️ این مقادیر قانون ثابت نیستند. بهترین Hyperparameterها به اندازه دیتاست، نویز، طول وابستگی‌های زمانی، Seasonality و پیچیدگی مسئله بستگی دارند. 💡 نکته مهم: به‌جای تغییر هم‌زمان همه پارامترها، بهتر است Hyperparameter Tuning را با یک Search Space منطقی و روش‌هایی مثل Random Search، Bayesian Optimization یا Optuna انجام دهید. #LSTM #DeepLearning #TimeSeries #MachineLearning #HyperparameterTuning #Python #DataScience

کسی که با مدل‌ها برای رسیدن به دقت بالا در پروژه های یادگیری ماشین کار می‌کند، حتما میدونه که یکی از فازهای خیلی مهم در مسائل یادگیری ماشین فاز اعتبارسنجی و ارزیابی مدله. اینکه از چه معیاری و کجا رو چه نوع داده ای استفاده کنیم. اینجا تمرکزم مدل‌های پیش بینی و رگرسیونه مزایا و معایب هر کدوم رو نام میبرم و میگم کجا بهتره ازش استفاده کنیم: معیار 𝗥𝗠𝗦𝗘 (𝗥𝗼𝗼𝘁 𝗠𝗲𝗮𝗻 𝗦𝗾𝘂𝗮𝗿𝗲𝗱 𝗘𝗿𝗿𝗼𝗿): 🟢 مزایا میانگین بزرگی خطا را اندازه‌گیری می‌کند، و خطاها را به توان دو می‌رساند تا اختلافات بزرگتر را برجسته کند. مناسب برای زمانی که به حداقل رساندن خطاهای قابل توجه بسیار مهم است، زیرا انحرافات بزرگ را جریمه می‌کند. 🔴 معایب → خطای RMSE: اگر هدف اولویت‌بندی خطاهای بزرگ نباشد، RMSE می‌تواند گمراه‌کننده باشد، زیرا به داده‌های پرت وزن زیادی می‌دهد. 🔶معیار شاخص MAE یکی از ساده ترین معیارهای ارزیابی مدلهای رگرسیونی می باشد. این شاخص متوسط اندازه خطای پیش بینی را محاسبه می کند و تفسیر خوبی از میزان اثربخشی مدل فراهم میکند. 🔺معیار→ R²: معیار ² درصد تغییرپذیری در داده‌هایی که توسط مدل ثبت می‌شوند را نشان می‌دهد و درک آن را آسان می‌کند. 🔴 معایب به شدت تحت تأثیر مقادیر بسیار زیاد قرار دارد که می‌تواند منجر به ارائه نادرست اطلاعات شود. مفهوم واضحی از اندازه واقعی خطا ارائه نمی‌دهد. 💥معیار MAPE خطاها را به صورت درصد ارائه می‌دهد و این امر آن را شهودی و توضیح آن را آسان می‌کند. کمتر حساس به داده های پرت : برخلاف RMSE، اگر مقادیر واقعی نیز بالا باشند، MAPE با یک یا دو خطای بالا از کوره در نمی‌رود.(منفجر نمیشه) ❌معایب: MAPE می‌تواند وقتی مقادیر واقعی نزدیک به صفر باشند، گمراه‌کننده باشد و منجر به خطاهای بسیار بالایی شود. مثلا فروش صفر باشد پایدار نیست بهتره از SMAPE استفاده بشه.

۹ نکته عملی برای تنظیم (Tuning) الگوریتم Gradient Boosting ۱. پارامترهای خیلی زیادی انتخاب نکن ✅ برای ۹۹٪ از کاربردها همین چند پارامتر کفایت می‌کنن: learning rate (نرخ یادگیری) tree depth (عمق درخت) number of trees (تعداد درخت‌ها) subsample ratio (نسبت نمونه‌گیری) L1/L2 regularization (تنظیم منظم‌سازی برای جلوگیری از بیش‌برازش) 📌 توضیح: بعضی‌ها وسوسه می‌شن همه پارامترها رو تغییر بدن، ولی واقعیت اینه که چند پارامتر کلیدی هستن و بقیه معمولاً تأثیر کمی دارن. --- ۲. به ارتباط بین هایپرپارامترها دقت کن نرخ یادگیری (learning rate)، عمق درخت (tree depth) و تعداد درخت‌ها (n_estimators) خیلی به هم وابسته‌ان. نرخ یادگیری پایین → نیاز به درخت‌های بیشتر درخت‌های عمیق‌تر → نیاز به نرخ یادگیری کوچک‌تر (تا بیش‌برازش اتفاق نیفته) 📌 توضیح: یعنی وقتی یکیشو تغییر می‌دی، باید حواست به بقیه هم باشه. ۳. روش پیشنهادی برای تیونینگ (tuning) 1. تعداد زیادی درخت ثابت بذار (مثلاً ۵۰۰ تا ۱۰۰۰). 2.نرخ یادگیری learning rate، عمق درخت و بقیه پارامترها رو تغییر بده. 3. از early stopping استفاده کن (یعنی اگر ۱۵–۲۰ مرحله بهتر نشد، متوقف کن) → اینطوری بهترین تعداد درخت پیدا می‌شه. 📌 توضیح: با این روش عملاً به مدل فرصت می‌دی یاد بگیره ولی بی‌خود ادامه نده. ۴. نرخ یادگیری (learning rate) رو در مقیاس لگاریتمی تست کن. حد پایین: 0.001 حد بالا: 0.05 مقدار پیش‌فرض خوب: 0.01 📌 توضیح: نرخ خیلی کم باعث می‌شه مدل خیلی کند یاد بگیره و نرخ خیلی زیاد باعث بیش‌برازش یا ناپایداری می‌شه. --- ۵. به اندازه دیتاست دقت کن دیتاست کوچک → درخت‌های ساده (عمق ۱–۳) دیتاست بزرگ → می‌تونی عمق بیشتر بذاری (۴–۶) 📌 توضیح: چون دیتاست کوچک نمی‌تونه پیچیدگی زیاد رو پشتیبانی کنه. --- ۶. از L1 و L2 همزمان استفاده نکن مقدارL2 (reg_lambda): انتخاب پیش‌فرض، مخصوصاً وقتی ویژگی‌ها همبستگی بالا دارن. مقدارL1 (reg_alpha): وقتی مطمئنی ویژگی‌های بی‌ربط زیادی داری و می‌خوای مدل خودش انتخاب کنه کدوم رو نگه داره. 📌 توضیح: L2 فقط وزن‌ها رو کوچک می‌کنه ولی حذف نمی‌کنه. L1 می‌تونه بعضی ویژگی‌ها رو صفر کنه --- ۷. اندازه نمونه (subsample) رو خیلی کم نذار حد بالا: 0.7 حد پایین: 0.1 مقدار پیش‌فرض خوب: 0.5 📌 توضیح: subsample کمک می‌کنه مدل روی کل داده overfit نشه، ولی خیلی کم هم باشه دقت از بین میره.

*ابزار OpenClaw* یک پروژه متن‌باز (Open Source) است که به آن «عامل هوش مصنوعی» (AI Agent) می‌گویند. برخلاف ChatGPT که فقط در قالب چت به شما پاسخ می‌دهد، OpenClaw می‌تواند به ابزارها، فایل‌ها، مرورگر، ایمیل، پیام‌رسان‌ها و سیستم‌عامل متصل شود و کارها را برای شما انجام دهد. به زبان ساده: • ابزار ChatGPT پاسخ می‌دهد. • ابزار OpenClaw پاسخ می‌دهد + اقدام می‌کند. (OpenClaw Docs) 🔶 چه کارهایی می‌تواند انجام دهد؟ • خواندن و نوشتن فایل‌ها • جستجو در وب • اجرای دستورات سیستم‌عامل • مدیریت ایمیل و تقویم • اتصال به WhatsApp، Telegram، Slack، Discord و سایر سرویس‌ها • اجرای Workflow های خودکار • استفاده از MCP Server ها و ابزارهای خارجی (Hugging Face) مثلاً می‌توانید به آن بگویید: «هر روز صبح ایمیل‌های مهمم را بررسی کن، خلاصه‌شان را برایم بفرست و جلسات امروز را از تقویم استخراج کن.» یا: «مقالات جدید RAG و Agentic AI را پیدا کن و خلاصه‌شان را در یک فایل Markdown ذخیره کن.» 🔺چرا این روزها معروف شده؟ چون روی کامپیوتر شخصی اجرا می‌شود و می‌تواند با مدل‌های مختلف کار کند: • GPT • Claude • Gemini • Grok • مدل‌های محلی از طریق Ollama و LM Studio مانند Qwen، Llama و Mistral (openclawdoc.com) ✅ارتباط OpenClaw با Mac Mini چیست؟ بسیاری از افراد یک Mac Mini با حافظه زیاد (مثلاً 64 یا 128 گیگابایت) می‌خرند تا: • OpenClaw را 24 ساعته اجرا کنند. • مدل‌های محلی را با Ollama اجرا کنند. • هزینه API های Claude یا OpenAI را کاهش دهند. (build.nvidia.com) ✔️آیا واقعاً می‌توان بدون API کار کرد؟ بله، اما کیفیت به مدل محلی و سخت‌افزار بستگی دارد. برای کارهای ساده: • Qwen • Llama • Mistral خوب عمل می‌کنند. اما برای Agentهای پیچیده، بسیاری از کاربران هنوز از Claude یا GPT استفاده می‌کنند چون عملکرد Agentic و Tool Calling قوی‌تری دارند. برخی کاربران Reddit نیز گزارش کرده‌اند که اجرای کامل OpenClaw با مدل‌های محلی نیازمند سخت‌افزار قدرتمند است. (Reddit)

این مقاله از Towards Data Science درباره استفاده از یادگیری ماشین برای پیش‌بینی نتایج جام جهانی ۲۰۲۶ است که از ۱۱ ژوئن در استادیوم مکزیکوسیتی آغاز می‌شود. نویسنده مجموعه‌ای از داده‌ها شامل حدود ۴۹٬۰۰۰ بازی فوتبال (از سال ۱۸۷۲ تا ۲۰۲۶) را گرد هم آورده که شامل امتیازات الو (Elo)، نتایج بازی‌ها و محل برگزاری مسابقات است. نکات اصلی مقاله: • نویسنده با رویکردی احتمالاتی، چند مدل یادگیری ماشین مختلف (از جمله LightGBM) را با هم مقایسه می‌کند تا بهترین مدل برای پیش‌بینی نتایج بازی‌ها (برد میزبان، برد مهمان، یا تساوی) را پیدا کند. • یکی از یافته‌ها این است که مدل‌ها تمایل دارند نتیجه تساوی را نادیده بگیرند و آن را به اشتباه به‌عنوان «برد میزبان» پیش‌بینی کنند، در حالی که حدود ۲۰٪ بازی‌ها واقعاً با تساوی پایان می‌یابند. • برای بهبود این مشکل، ویژگی‌های جدیدی مانند تفاوت امتیاز تیم‌ها، نرخ تساوی در ۵ بازی اخیر، و اینکه آیا بازی در زمین خودی، زمین بی‌طرف یا دوستانه برگزار می‌شود، به مدل اضافه می‌شوند. 📊 یه نگاه فنی و جذاب به دنیای فوتبال از دریچه‌ی داده و یادگیری ماشین، برای کسایی که هم به فوتبال علاقه دارن هم به دیتا ساینس. لینک مقاله: https://towardsdatascience.com/can-machine-learning-predict-the-world-cup/?utm_campaign=tds%20daily&utm_medium=email&_hsenc=p2ANqtz--LU3CIkhxuvYVyz6NFMt1dg7-nDryNr1Thfi5oncaXlzuiYqjk_TH3XJRK6HiYbSiUUR9NumraggEdIFFHxbqqN45M-g&_hsmi=423013673&utm_source=newsletter #جام_جهانی #جام_جهانی_2026 #پیش_بینی_فوتبال #یادگیری_ماشین