Matin SenPai

این وسط Mimo 2.6 Pro هم اومد و grok 4.7 رو بولی کرد:))

این وسط Grok 4.7 هم اومده، توی یه بنچمارک DeepSWE الکی بولد شده که از Fable 5.1 قوی‌تره، ولی توی هرچی بنچمارک دیگه بگردین از Muse Spark 1.3 هم ضعیف‌تره. ایلان ماسک فقط بلده گنده گنده حرف بزنه و تبلیغ بخره متأسفانه

وجهه‌ی ZCode کلا توی کامیونیتی خارجی خیلی خرابه. حتی بین خود چینی‌ها، به شدت به دزدی کد و key و کلی چیز دیگه متهمش می‌کنن و حق هم دارن. یه دوره‌ای دستشون رو شد که این کار انجام می‌شد و دقیقا مثل ماجرای Grok Build، شاید این اوپن سورس کردنش کمکی به بهتر کردن وجهه‌شون نکنه.

اپلیکیشن ZCode، هارنس رسمی مدل‌های GLM و شرکت Zhipu، اوپن سورس شد: https://github.com/zai-org/ZCode

هوش مصنوعی مسلمان اصلا هیچی بهش نگفته بودما، خودش یهو اومد گفت بسم‌الله

یه نفر یه چیزی ساخته بود من دارم یه کم خفن‌ترش می‌کنم که ازش ویدئو بگیرم بعدشم اوپن سورس منتشرش می‌کنم مربوط به بازیه#️⃣ از اونجایی که 3 تا 5 هم برق میره، بعدش ضبط میکنم و احتمالا تا شب آماده بشه

یه مقدار سرورای سایتش سنگین شده خودم الان لاگ اوت کردم نمی‌تونم لاگین کنم:)

اگه اولش ازتون پرسید Can you chat with Jev باید بزنید No چون طبیعتا LLM نیست و نمی‌تونید باهاش حرف بزنید یک مقدار شاید پیچیده به نظرتون برسه اما به زودی راجب کاربردهاش صحبت می‌کنیم و ویدئو هم داریم

خیلی بامزست:)

منظورم این بود که توی شروعش به همه 5 دلار رایگان میده👋 نه اینکه 5 دلار باید بدید اول کار

دسترسی به Jev برای همه با استارت کردیت 5$ دلاری رایگان شد: console.typesafe.ai ✉️ t.me/MatinSenPaii

خلاصه‌ی کاری که Jev انجام میده😂 (سریال Breaking Bad) برای اون نرم‌افزار بررسی کامنت اینستاگرام صد درصد میشه ازش استفاده کرد

خلاصه که Jevگیر نشیم اما خدایی کار خفنی انجام دادن و به شدت هزینه‌ها کاهش پیدا میکنه در این سطح که اتفاقا نیاز هم بود بهش و یکی از بزرگترین ایرادات وارده به LLM ها، با ساختاری متفاوت داره هندل میشه توسط این بزرگوار

این اولین باری بود که توی استریم یا یه ویدئو، کامنتری کار کردم و خیلی جاها هم فراموش کردم نظرم رو بگم اما از ویدئوهای بعدی بهتر میشه صد درصد این قضیه و به زودی هم کلی ویدئو داریم❤️

هوش مصنوعی جای ما رو می‌گیره؟ | آیا شغل شما در خطره و راه حل چیه هوش مصنوعی واقعاً جای ما رو می‌گیره؟ توی این ویدئو به‌جای شعار و حکم دادن به قول یاشار عزیز و با کامنت دادن روی ویدئوی این استاد بزرگوارم، سعی کردیم با یزدان عزیز با استدلال و تجربه‌ی خودمون به این سؤال جواب بدیم. چیزهایی که بررسی می‌کنیم: — چرا بیشتر بحث‌های این حوزه توی شبکه‌های اجتماعی «حکم» بدون دلیله — فرق AI با یه ابزار ساده مثل ماشین‌حساب چیه — تفاوت نوآوری (Novelty) و خلاقیت (Creativity) و اینکه AI کدومش رو داره — جایگزینی شغلی و تحلیل آینده — چیزهایی که هنوز دست آدمه و AI نمی‌تونه جاش رو بگیره — بحث کاهش نیمه‌عمر مهارت‌های تخصصی — ۵ تا کار عملی که باعث می‌شه بازار کار هنوز بهتون نیاز داشته باشه 📹 تماشا در یوتوب: https://youtu.be/x8V0w3I9g10

خلاصه و سرگذشت Union Alpha این بود: این داداش گلمون Union Alpha یه مدل مستقل و جدید نبود؛ بلکه یه سیستم ترکیبی و روترِ چندمدلی بود که بعدا با اسم unbiased/pareto روی OpenRouter دیده شد. این سیستم می‌تونست برای هر درخواست، مدل‌های مختلفی رو انتخاب، و پاسخ اونا رو ترکیب کنه؛ به‌همین‌دلیل بعضی کاربرا(از جمله خودم) خروجی‌اش رو در حد مدل‌های Frontier می‌دیدن و بقیه هم ممکن بود با پاسخ‌های معمولی یا ناپایدار مواجه بشن. مشخصات Pareto شامل کانتکست ۲۶۲ هزار توکن، ورودی تصویر، tool calling و قیمت ۲.۵ دلار برای ورودی و ۷.۵ دلار برای خروجی به‌ازای هر میلیون توکن هست(که اصلا نمی‌صرفه). مشکل اصلی این بود که کاربرا فکر کردن یه مدل ناشناس و قدرتمندِ رایگان پیدا کردن درحالی‌که با یه سرویس ترکیبی و نسبتا مبهم روبه‌رو بودن. و خودِ رایگان‌بودن، باعث هجوم کاربرا، کندی و ناپایداری شد و بعد هم خیلی زود تموم شد(دوره‌ی رایگان مدل تموم شد به جای یه هفته توی دو سه روز). ادعاهایی مثل امتیاز ۷۳ تا ۷۴ درصد در DeepSWE یا عملکرد نزدیک به GPT-6 Astra و Opus 5 هنوز منبع رسمی و قابل‌تکراری ندارن ضمن اینکه معلوم نیست چنین نتایجی اصلا مربوط به خود Pareto بوده یا یکی از مدل‌هایی که پشتش استفاده شده. و خلاصه Union Alpha احتمالا کلاهبرداری یا مدل ضعیفی نبود، اما هایپش بر پایه‌ی سوءتفاهم شکل گرفت. صرفا یه سیستم ترکیبی قدرتمند بود که به‌خاطر ناشناس‌بودن، رایگان‌بودن و خروجی‌های گاهی عالی، شبیه یه مدل مخفی و انقلابی به‌نظر میرسید؛ ولی بعد از پولی‌شدن و مشخص‌شدن ماهیتش، جذابیت و ارزش اقتصادی‌ش خیلی کمتر شد.

این ویدئو که دیشب گفتم واستون می‌ذارمش، توضیح می‌ده که می‌شه حل‌کردن مکعب روبیک رو با نظریه‌ی گراف مدل‌سازی کرد. - هر حالت ممکن مکعب روبیک رو به‌عنوان یه نقطه یا رأس گراف در نظر می‌گیریم. - هر حرکت قانونی، مثل چرخوندن یه وجه، بین دو حالت یه "یال" ایجاد می‌کنه. - مکعب به‌هم‌ریخته، نقطه‌ی شروعه. - مکعب حل‌شده، نقطه‌ی هدفه. - حل‌کردن مکعب یعنی پیدا کردن مسیر از حالت به‌هم‌ریخته تا حالت حل‌شده. توی ویدئو، سمت چپ یه مکعب روبیکِ به‌هم‌ریخته دیده می‌شه و سمت راست، شبکه‌ای از نقاط رنگی و خطوط مختلف. این شبکه درواقع فضای تمام حالت‌هایی رو نمایش می‌ده که مکعب می‌تونه با حرکت‌های مختلف بهشون برسه. نکته‌ی جالب اینه که مکعب روبیک فقط حدود ۲۰ ساله که اختراع شده، اما تعداد حالت‌های ممکنش فوق‌العاده زیاده: ۴۳٬۲۵۲٬۰۰۳٬۲۷۴٬۴۸۹٬۸۵۶٬۰۰۰ حالت یعنی بیشتر از ۴۳ کوینتیلیون حالت مختلف. با این اوصاف، شاید جالب باشه بهتون بگم که برای هر حالت مکعب(هررر حالت) راه‌حلی با حداکثر ۲۰ حرکت وجود داره. به این عدد معروف، God’s Number یا «عدد خدا» می‌گن؛ چون از هر وضعیت ممکن، یه حل‌کننده‌ی کامل می‌تونه توی ۲۰ حرکت(حداکثر) یا کمتر به جواب برسه. پس حرف اصلی ویدئو اینه:

حل‌کردن مکعب روبیک یعنی پیدا کردن کوتاه‌ترین مسیر بین دو نقطه توی یک گراف فوق‌العاده عظیم.

این نگاه ریاضی کمک می‌کنه بفهمیم الگوریتم‌های حل مکعب چطور کار می‌کنن و چرا پیدا کردن راه‌حل، بیشتر از اینکه فقط به حفظ‌کردن حرکات مربوط باشه، به جست‌وجو توی فضای حالت‌ها مربوطه.

ویدئو درباره‌ی تفاوت اصلی بین LLMها و Jev هست. خلاصه‌ی توییت این دوستمون: - یه LLM معمولی، متن یا JSON رو توکن‌به‌توکن تولید می‌کنه. - هر توکن به توکن قبلی وابسته‌س؛ بنابراین مدل باید برای تولید جواب، چندین مرحله‌ی پشت‌سرهم انجام بده. - اما Jev اصلاً متن تولید نمی‌کنه. - Jev به‌جای تولید توکن، مستقیماً از ورودی به یه ساختار یا خروجی مشخص می‌رسه. - به‌همین دلیل، سرعت Jev فقط به این دلیل نیست که «سریع‌تر متن تولید می‌کنه»؛ بلکه اساساً فرایند تولید ترتیبی متن رو حذف می‌کنه. - نتیجه می‌تونه پاسخ‌دهی سریع‌تر و مناسب‌تر برای کارهایی مثل خروجی JSON، ابزارها، ایجنت‌ها و پردازش‌های ساختاریافته باشه. به‌عبارت ساده: LLM مثل نویسنده‌ایه که جواب رو حرف‌به‌حرف می‌نویسه؛ Jev بیشتر شبیه سیستمیه که مستقیماً ساختار نهایی جواب رو می‌سازه. البته این به‌معنی بهتر بودن Jev برای همه‌چیز نیست. LLMهای معمولی برای مکالمه، توضیح‌دادن و تولید متن آزاد انعطاف‌پذیرترن؛ اما Jev برای خروجی‌های مشخص و قابل‌ساختار، می‌تونه سریع‌تر و کارآمدتر باشه. ✍️ ترجمه و خلاصه از akshay_pachaar