DLeX: AI Python
前往频道在 Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq
显示更多📈 Telegram 频道 DLeX: AI Python 的分析概览
频道 DLeX: AI Python (@ai_python) 波斯语 语言赛道中的 是活跃参与者。目前社区聚集了 21 284 名订阅者,在 技术与应用 类别中位列第 6 235,并在 伊朗 地区排名第 16 518 位。
📊 受众指标与增长动态
自 невідомо 创建以来,项目保持高速增长,吸引了 21 284 名订阅者。
根据 16 十一月, 2026 的最新数据,频道保持稳定运转。过去 30 天订阅人数变化为 -39,过去 24 小时变化为 -4,整体触达仍然可观。
- 认证状态: 未认证
- 互动率 (ER): 平均受众互动率为 8.49%。内容发布后 24 小时内通常能获得 2.88% 的反应,占订阅者总量。
- 帖子覆盖: 每篇帖子平均可获得 1 807 次浏览,首日通常累积 614 次浏览。
- 互动与反馈: 受众积极参与,单帖平均反应数为 18。
- 主题关注点: 内容集中在 مصنوعی, توییتر, ماهواره, داده, فناوری 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq”
凭借高频更新(最新数据采集于 17 十一月, 2026),频道始终保持新鲜度与高覆盖。分析显示受众积极互动,使其成为 技术与应用 类别中的关键影响点。
21 284
订阅者
-424 小时
-137 天
-3930 天
正在加载数据
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十一月 '2611月 '26
十一月 '26
+25
在1个频道中
十月 '26
+51
在4个频道中
Get PRO
九月 '26
+69
在5个频道中
Get PRO
八月 '26
+72
在4个频道中
Get PRO
七月 '26
+76
在3个频道中
Get PRO
六月 '26
+96
在3个频道中
Get PRO
五月 '26
+45
在6个频道中
Get PRO
四月 '26
+79
在3个频道中
Get PRO
三月 '26
+19
在4个频道中
Get PRO
二月 '26
+61
在8个频道中
Get PRO
一月 '26
+20
在3个频道中
Get PRO
十二月 '25
+23
在3个频道中
Get PRO
十一月 '25
+26
在2个频道中
Get PRO
十月 '25
+38
在3个频道中
Get PRO
九月 '25
+39
在2个频道中
Get PRO
八月 '25
+44
在8个频道中
Get PRO
七月 '25
+72
在3个频道中
Get PRO
六月 '25
+24
在1个频道中
Get PRO
五月 '25
+39
在3个频道中
Get PRO
四月 '25
+68
在5个频道中
Get PRO
三月 '25
+49
在5个频道中
Get PRO
二月 '25
+53
在1个频道中
Get PRO
一月 '25
+91
在7个频道中
Get PRO
十二月 '24
+84
在5个频道中
Get PRO
十一月 '24
+115
在3个频道中
Get PRO
十月 '24
+102
在3个频道中
Get PRO
九月 '24
+154
在6个频道中
Get PRO
八月 '24
+159
在6个频道中
Get PRO
七月 '24
+36
在4个频道中
Get PRO
六月 '24
+29
在1个频道中
Get PRO
五月 '24
+158
在3个频道中
Get PRO
四月 '24
+151
在5个频道中
Get PRO
三月 '24
+189
在6个频道中
Get PRO
二月 '24
+285
在8个频道中
Get PRO
一月 '24
+467
在46个频道中
Get PRO
十二月 '23
+698
在52个频道中
Get PRO
十一月 '23
+644
在58个频道中
Get PRO
十月 '23
+551
在131个频道中
Get PRO
九月 '23
+575
在0个频道中
Get PRO
八月 '23
+362
在0个频道中
Get PRO
七月 '23
+545
在0个频道中
Get PRO
六月 '23
+540
在0个频道中
Get PRO
五月 '23
+110
在0个频道中
Get PRO
四月 '23
+142
在0个频道中
Get PRO
三月 '23
+370
在0个频道中
Get PRO
二月 '23
+328
在0个频道中
Get PRO
一月 '23
+713
在0个频道中
Get PRO
十二月 '22
+689
在0个频道中
Get PRO
十一月 '22
+914
在0个频道中
Get PRO
十月 '22
+318
在0个频道中
Get PRO
九月 '22
+159
在0个频道中
Get PRO
八月 '22
+186
在0个频道中
Get PRO
七月 '22
+175
在0个频道中
Get PRO
六月 '22
+179
在0个频道中
Get PRO
五月 '22
+257
在0个频道中
Get PRO
四月 '22
+501
在0个频道中
Get PRO
三月 '22
+255
在0个频道中
Get PRO
二月 '22
+349
在0个频道中
Get PRO
一月 '22
+325
在0个频道中
Get PRO
十二月 '21
+319
在0个频道中
Get PRO
十一月 '21
+314
在0个频道中
Get PRO
十月 '21
+260
在0个频道中
Get PRO
九月 '21
+330
在0个频道中
Get PRO
八月 '21
+564
在0个频道中
Get PRO
七月 '21
+299
在0个频道中
Get PRO
六月 '21
+323
在0个频道中
Get PRO
五月 '21
+250
在0个频道中
Get PRO
四月 '21
+381
在0个频道中
Get PRO
三月 '21
+612
在0个频道中
Get PRO
二月 '21
+666
在0个频道中
Get PRO
一月 '21
+606
在0个频道中
Get PRO
十二月 '20
+20 732
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 17 十一月 | +2 | |||
| 16 十一月 | 0 | |||
| 15 十一月 | +9 | |||
| 14 十一月 | 0 | |||
| 13 十一月 | 0 | |||
| 12 十一月 | +2 | |||
| 11 十一月 | 0 | |||
| 10 十一月 | +1 | |||
| 09 十一月 | +1 | |||
| 08 十一月 | 0 | |||
| 07 十一月 | +5 | |||
| 06 十一月 | +1 | |||
| 05 十一月 | 0 | |||
| 04 十一月 | +2 | |||
| 03 十一月 | +1 | |||
| 02 十一月 | 0 | |||
| 01 十一月 | +1 |
频道帖子
مدلهای خودبازگشتی گسسته تصویر را توکن به توکن میسازند: توکن بیشتر یعنی کیفیت بهتر اما کندی. نویسندگان نشان میدهند با بودجهٔ اطلاعاتی ثابت، اندازهٔ گروه در «کوانتیزهسازی حاصلضربی» باید با مجذور ضریب فشردهسازی در هر محور بزرگ شود؛ با این اصل و یک رمزگشای نیمهخودبازگشتی به فشردهسازی ۳۲ و حتی عملاً ۶۴ برابری میرسند.
طبق مقاله، در وضوح ۱۰۲۴×۱۰۲۴ حدود ۲۰ برابر سریعتر از مدلهای خودبازگشتی گسستهٔ قبلی است و هر تصویر را در ۲٫۵ ثانیه روی یک کارت NVIDIA H200 میسازد، با نتایج رقابتی در پنج بنچمارک متن به تصویر.
👉 @ai_python 🦁 ☀️
👉 @elonfact 🙄
تولید خودبازگشتی همان روشی است که مدلهای زبانی با آن متن مینویسند و جذابیتش این است که تصویر و متن را در یک چارچوب یکپارچه میکند، اما کندیاش مانع بزرگی بوده. این کار نشان میدهد فشردهسازی شدید لزوماً کیفیت را از بین نمیبرد. مقاله در Hugging Face ثبت شده و کدش در GitHub منتشر شده است.
https://huggingface.co/papers/2611.13004
15 11月, 15:22
| 2 | روز جمعه ای یه جماعتی رو منتظر خودشون گذاشتن. هیچ کدوم از کانکتورها برای من کار نمی کنه.
👉 @ai_python 🦁 ☀️
👉 @elonfact 🙄
https://status.claude.com/ | 1 066 |
| 3 | در روزهای گذشته به قدری مطالب و پست ها در شبکه های اجتماعی در مورد روابط خصوصی جنسن هوانگ زیاد بود، که من ترجیح دادم توی چانالمون دیگه اسپم جدید در این مورد ایجاد نکنم که وقت شما تلف بشه.
ولی بیایم فارغ از بخش خصوصی زندگی دیگران، کمی به بُعد فنی این جاسوسی بپردازیم و یکی از حدس های موجود که اتفاقن ایلان هم روش اموجی گذاشته رو بررسی کنیم. ببینیم چی گفته؟
👉 @ai_python 🦁 ☀️
@elonfact
پژوهشگری به نام وین دپیو ادعا کرده با تحلیل وزنهای منتشرشدهٔ مدلها نشان داده چهار آزمایشگاه بزرگ چینی (DeepSeek، Moonshot، MiniMax و Ant Group) مدلهای تازهشان را روی تراشههای Blackwell انویدیا ساختهاند که صادراتشان به چین ممنوع است! 👨💻
👉 @ai_python 🦁 ☀️
به گفتهٔ او، مقدار اولیهٔ وزنها به نوع دقیق GPU بستگی دارد و ردّش در مدل نهایی میماند؛ او بیش از شش تریلیون ترکیب را جستوجو کرده و مثلاً با یک B300 وزنهای اولیهٔ DeepSeek-V4-Flash را بیت به بیت بازسازی کرده است. او تخمین زده بزرگترین مدلها هر کدام با ۲۰۰۰ تا ۳۰۰۰ تراشهٔ Blackwell آموزش دیدهاند و میگوید پژوهشگران ارشد OpenAI و Anthropic نتیجه را تأیید کردهاند.
👉 @ai_python 🦁 ☀️
البته همون طور که می دونید من صلاحیت فنی که تشخیص بدم حرف این پژوهشگر درست یا غلط هست رو ندارم. ولی برای آدمایی که نیاز به توضیحات Beginner Friendly مثل من دارند، بیاید خیلی خلاصه و ساده ببینیم اصلن منظورش چیه از این حرف :
وقتی یک مدل هوش مصنوعی ساخته میشود، با اعدادی تصادفی شروع میکند. این پژوهشگر میگوید هر نوع تراشه این اعداد را کمی متفاوت میچیند، مثل دستخط. اگر حرفش درست باشد، از روی «دستخط» مدل میشود فهمید با کدام تراشه ساخته شده، حتی تراشهای که فروشش به چین ممنوع بوده.
خلاصه این گونه ... 👨💻🥸 | 1 242 |
| 4 | یه نفر توی ردیت نوشته من فقط یه دونه H برای Fable نوشتم و اون 26 درصد سهمیه توکن روزانه م رو سوزوند. 😂
👉 @ai_python 🦁 ☀️
https://www.reddit.com/r/ClaudeCode/comments/1xs5kde/comment/19sfdb4thzao5/
کامنتا خیلی بامزه س. به خصوص اینکه عکسش رو گذاشتم | 1 463 |
| 5 | ایده های پیشنهادی برای استفاده بهینه تر از Hermes
👉 @ai_python 🦁 ☀️ | 1 623 |
| 6 | استفاده از کامپیوتر با مدل دلخواه از طریق Open WebUI :
👉 @ai_python 🦁 ☀️
https://x.com/OpenWebUI/status/2117886684780224883 | 2 027 |
| 7 | https://youtu.be/BnZfXQZ7UOw?si=FWjgYHl42T3D63Nj | 1 979 |
| 8 | 没有文字... | 1 748 |
| 9 | یه مقالهی جدید با عنوان
On the Economics of Reasoning Effort in LLM Agents
بررسی کرده که برای LLMها بهتره از چه سطحی از Reasoning Effort استفاده کنیم. این مقاله به چند نتیجهی جالب رسیده.
اول اینکه Reasoning Effort بیشتر، لزوماً به معنی عملکرد بهتر نیست. از طرف دیگه، هرچی Reasoning Effort بالاتر باشه، معمولاً هزینه هم بیشتر میشه؛ بهطوریکه هزینهی بالاترین سطح میتونه تا ۴۲ برابرِ پایینترین سطح باشه.
نکتهی جالب دیگه اینه که بعضی وقتها ممکنه یه مسئله با Reasoning Effort پایینتر درست حل بشه، اما همون مسئله با Reasoning Effort بالاتر، اشتباه جواب داده بشه! در واقع، افزایش میزان تلاش برای استدلال همیشه به بهبود نتیجه منجر نمیشه.
همچنین، تغییر Reasoning Effort فقط روی تعداد Tokenهای مصرفشده تأثیر نمیذاره، بلکه نحوهی حل Taskها توسط Agentها رو هم تغییر میده. وقتی Reasoning Effort بالاتره، Agentها زمان و تلاش بیشتری صرف Verify کردن خروجیهای خودشون میکنن و بهجای اینکه مستقیماً روی حل مسئله کار کنن، بیشتر دنبال پیدا کردن Solution میگردن. هر دوی این رفتارها باعث میشن Trajectory حل مسئله طولانیتر بشه، بدون اینکه لزوماً نتیجهی نهایی بهتر بشه یا تغییری بکنه.
🔗 لینک مقاله
👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبتنام در دوره منتورینگ
🤝 تجارب موفق قبلی بچهها از منتورینگ
🛠 راه ارتباطی مشاوره تخصصی کسبوکار در زمینه دیتا و هوش مصنوعی
@reza_jafari_ai | 1 276 |
| 10 | امروز خودم داشتم دوباره این ویدیو رو می دیدم و یه خوبی که داشت بخش امنیتش بود که خلاصه ای از موارد امنیتی رو می گه که گاهی یادمون می ره چک کنیم. مثلن چطوری جلوی هایجک Agent رو بگیریم و ... | 1 721 |
| 11 | مواردی که برای ساخت یک Agent هوش مصنوعی خوب باید رعایت کنیم :
👉 @ai_python 🦁 ☀️
https://youtu.be/xKgY5vnzjMQ?si=f564ZuiTqMneQqi0 | 1 928 |
| 12 | طبق گزارش بلومبرگ، مایکروسافت با هدف کاهش هزینهها در پی طبعات پیشرفتِ هوش مصنوعی، به ۶۰ هزار کارمند خود بستههای بازنشستگی ارائه (پیشنهاد) میدهد. (یعنی می گه بیا همین الان اینو بگیر برو 🐸)
👉 @ai_python 🦁 ☀️
X :
خب واقعیت اینه که به خصوص توی کمپانی های بسیار بزرگ همیشه تعداد زیادی نیروی کار می دیدیم که تسک های تکراری انجام می دادن. اسمشون این بود که مثلن فلان سِمت رو توی مایکروسافت و گوگل دارن. ولی در واقع کاری که انجام می دادن طوری بود که فرقی نداشت نیروی A یا نیروی B فارغالتحصیل این رشته، انجامش بده.
فرآیند استخدام بر اساس تخصص و دامنه دانش، یه چیز دکوری بود که اتفاقن اصلن هم نورودایورجینت فرندلی نبود و برعکس تو هر چه قدر نمایش بهتری داشتی، منابع انسانی و تیم از تو بیش تر خوشش میومد و استخدام می شدی. فقط برای اینکه این طوری ویو بهتری داره. یا بیش تر خوش می گذره.
زمان کافی برای آموزش نیرو ها می ذاشتن و حتی اگر رشته اون آدم هم این نبود، در نهایت کار رو یاد می گرفت و انجام می داد.
👉 @ai_python 🦁 ☀️
البته همه این موارد هیچ اشکالی هم نداره. روح اون زمانه بود. الانم شاید هنوز توی پوزیشن هایی که کفه ترازو در سمت مارکتینگشون سنگینه، ویو (منظورم ظاهر نیست) حرف اول رو بزنه. ولی خب دیگه جونیوری که فقط یک کار فنی آموزش داده شده رو به صورت تکراری و دائم انجام بده و برای تسک بعدی بازم نیاز به آموزش داره، حذف می شه.
به نظرم الان زمانه، عصر جونیورهایی هست که از اول سنیور هستن و شاید توی پوزیشن های فنی خیلی نیاز به ویو هم ندارن.
جونیورِ از اول سنیور، یعنی هر شخصی که اتوپایلوت هست. نیازی نداره که یه نفر دائم بهش آموزش بده. شولونگش کنه. خودش می ره دنبال موضوع و یه جوری حلش می کنه. Input می گیره. اما اون اینپوت، اینپوت فنی نیست. بیش تر اینپوت کدوم لیبل و کدوم نیاز هست.
و خب طبیعتن این جونیوری که از اول سنیوره، فرقی نمی کنه تا حالا با فلان زبان برنامه نویسی کد نوشته یا نه. فرقی نداره فلان معماری یا سرویس رو می شناسه یا نه. فقط کافیه چند تا لیبل بهش بدی و هدف و ...
و خودش راهش رو پیدا می کنه. از در نشد، از پنجره میاد تو.
چون بقیه ای که این طوری نیستن، طبیعتن AI Agent ها جاشون رو می گیرن. برای همینم هست که می گیم شغل های آی تی از بین نمی رن. فقط الک می شن. نوعشون تغییر می کنه و آدمایی با ویژگی های خاص که قبلن طلا بودن، ممکنه الان دیگه طلا نباشن.
الان عصر، عصرِ اقیانوس های به عمق چند سانتیمتر هست که بتونن موج های بزرگ درست کنند. | 4 783 |
| 13 | تفاوت های MCP با WebMCP
👉 @ai_python 🦁 ☀️ | 1 535 |
| 14 | چطور با چند عمل ساده روی سطرها، یک دستگاه معادله را حل کنیم؟
📘 جزوهٔ جبر خطی | جلسهٔ دوم
با تدریس گیلبرت استرنگ
🏛 MIT
حذف گاوسی و ماتریسهای مقدماتی
در این جلسه، مراحل حذف گاوسی و جانشانی پسرو را دنبال میکنیم و میبینیم چگونه میتوان هر گام حل را به زبان ماتریسها نوشت.
📄 جزوهٔ فارسی در ۱۵ صفحه
تهیه و تنظیم: گروه ریاضی مزداهیک
🆔 @mazdaahik
#جبر_خطی #گیلبرت_استرنگ #حذف_گاوسی #MIT | 1 409 |
| 15 | 👇👇👇 | 1 144 |
| 16 | ابزار آنلاین برای تست آسیب پذیری SSRF
@WearebiTs 🐤
https://webhook.site/ | 1 223 |
| 17 | توی گروک بات می شه ازش درخواست کنید یک فرم امن براتون باز کنه و یوزر و پسورد های مورد نیازش رو از طریق اون فرم امن براش بفرستید که توی Vault ش ذخیره کنه.
👉 @ai_python 🦁 ☀️
نمی دونم بقیه دستیارها هم اینو دارن یا نه؟ | 1 478 |
| 18 | https://fandoly.com/dol/afd57b92-ab99-4072-8979-224f03c6e9b8 | 1 477 |
| 19 | بیش تر دوستانی که Pentesting انجام می دن با PortSwigger و ابزار Burp آشنایی دارن و نیاز به معرفی نداره.
👉 @ai_python 🦁 ☀️
حالا اونا یک سولوشن Agentic AI ارائه دادن (بتا) که اجنت های هوش مصنوعی به عنوان متخصص امنیت بهتون کمک می کنن که Pentest پلتفرم های آنلاینتون رو انجام بدید. | 1 767 |
| 20 | اف بی آی هم درباره آسیب های امنیتی PHP توصیه هایی رو برای سازمان های دولتی آمریکا منتشر کرد.
👉 @ai_python 🦁 ☀️
https://x.com/FBICyberDiv/status/2112921648252719420/photo/1
X | 1 914 |
