Quant Way

https://x.com/arena/status/2077893862778183737 https://fireworks.ai/blog/kimik3-fable https://arena.ai/leaderboard/code/webdev ولی فعک نکنم https://arena.ai https://www.kimi.com/

https://www.genspark.ai/ https://accounts.atxp.ai https://hix.ai/ یکسری سایت که دسترسی رایگان به کلود میدن تست نشده!

۳. تحلیل مقایسه‌ای: حلقه در مقابل گراف —- ۴. چرا حلقه‌ها به تنهایی شکست می‌خورند؟ بر اساس نظریه کنترل و تحلیل‌های کارشناسان، حلقه‌های منفرد با چهار چالش ساختاری روبرو هستند: قانون گودهارت (Goodhart's Law): حلقه فقط معیار تعیین شده خود را می‌بیند. اگر هدف «بستن سریع تیکت‌ها» باشد، هوش مصنوعی ممکن است تیکت‌ها را بدون حل کردن واقعی، فقط برای بهبود آمار ببندد. نابینایی رو به بالا: حلقه نمی‌تواند بپرسد که آیا خودِ هدف تعیین شده درست است یا خیر؛ فقط آن را بهینه می‌کند. تضاد: حلقه‌های مختلف که مستقل طراحی شده‌اند ممکن است با هم بجنگند (مثلاً حلقه سرعت در مقابل حلقه دقت). فساد اندازه‌گیری: اگر حسگرها یا داده‌های ورودی به مرور زمان تغییر کنند، حلقه روی داده‌های غلط بهینه‌سازی انجام می‌دهد. راهکار گراف: مهندسی گراف این مشکلات را با قرار دادن حلقه‌های ناظر بر حلقه‌های مجری حل می‌کند (مثلاً یک حلقه برای نظارت بر معیارهای حلقه دیگر). ۵. ابزارهای موجود و وضعیت صنعت اگرچه اصطلاح «مهندسی گراف» در جولای ۲۰۲۶ ترند شد، اما ریشه‌های فنی آن از قبل وجود داشت: LangGraph (LangChain): بیش از یک سال است که اجازه ساخت عوامل به صورت StateGraph را می‌دهد. Microsoft AutoGen: از جریان‌های گراف‌محور برای هماهنگی چند عامل پشتیبانی می‌کند. Google Agent Development Kit: الگوهای حلقه و گردش کار گرافی را از طریق پروتکل A2A ارائه می‌دهد. Claude Code: از دستورات داخلی مانند /goal و جریان‌های کاری پویا برای مدیریت حلقه‌های هدف‌محور استفاده می‌کند. ۶. چک‌لیست گذار به پارادایم گراف برای تشخیص اینکه آیا یک سیستم واقعاً وارد مرحله مهندسی گراف شده است یا خیر، باید به این چهار سوال پاسخ مثبت داد: جداسازی کانتکست: آیا کانتکست به فضاهای تخصصی مجزا تقسیم شده است؟ (به جای یک چت طولانی). موازی‌سازی (Fan-out/Fan-in): آیا مراحلی وجود دارند که به صورت همزمان اجرا و سپس ادغام شوند؟ کنترل جریان بصری: آیا مسیریابی (مثلاً: «اگر بازبینی رد شد، به گام قبل برگرد») از قبل تعریف شده و قابل مشاهده است؟ تغییر در تعریف موفقیت: آیا معیار "انجام شد و صحیح است" فراتر از قضاوت لحظه‌ای یک عامل واحد رفته است؟ نتیجه‌گیری مهندسی گراف جایگزین مهندسی حلقه نمی‌شود، بلکه آن را ارتقا می‌دهد. یک گراف در واقع مجموعه‌ای از حلقه‌های به هم پیوسته است. توصیه نهایی این است: ابتدا یک حلقه قدرتمند بسازید و تنها زمانی به سمت گراف بروید که پیچیدگی کار، نیاز به تخصص‌های مجزا یا اجرای موازی را دیکته کند.

کامل مهندسی هوش مصنوعی از حلقه‌ها به گراف‌ها خلاصه مدیریتی صنعت توسعه هوش مصنوعی در سال ۲۰۲۶ شاهد یک تغییر پارادایم اساسی از «مهندسی پرامپت» (Prompt Engineering) به سمت «مهندسی حلقه» (Loop Engineering) و در نهایت «مهندسی گراف» (Graph Engineering) بوده است. این گذار نشان‌دهنده حرکت از تعامل دستی و گام‌به‌گام با مدل‌ها به سمت طراحی سیستم‌های خودمختاری است که قادر به مدیریت وظایف پیچیده، تکرارشونده و چندمرحله‌ای هستند. در حالی که مهندسی حلقه بر خودکارسازی چرخه فعالیت یک عامل واحد تمرکز دارد، مهندسی گراف با ترکیب چندین عامل متخصص در یک ساختار شبکه‌ای، چالش‌های مربوط به محدودیت حافظه (Context Window)، سوگیری در خودارزیابی و هماهنگی عملیات‌های بزرگ‌مقیاس را حل می‌کند. این سند به تحلیل این مفاهیم، زیرساخت‌ها و پیامدهای استراتژیک آن‌ها می‌پردازد. ۱. مهندسی حلقه (Loop Engineering): پایان عصر پرامپت‌نویسی دستی مهندسی حلقه به معنای توقف نوشتن پرامپت‌ها به صورت دستی و در عوض، طراحی سیستم‌هایی است که پرامپت‌ها را برای شما تولید و مدیریت می‌کنند. مفهوم اصلی تغییر نقش توسعه‌دهنده: به گفته بوریس چرنی (مدیر Claude Code در Anthropic): «من دیگر به کلود پرامپت نمی‌دهم. من حلقه‌هایی دارم که اجرا می‌شوند و آن‌ها هستند که به کلود پرامپت می‌دهند و تصمیم می‌گیرند چه کاری انجام شود. شغل من نوشتن حلقه‌هاست.» آنالوگی برای درک بهتر: مهندسی پرامپت: شما راننده خودرو هستید. مهندسی کانتکست: شما مقصد را در GPS وارد می‌کنید. مهندسی حلقه: شما مقصد را تعیین می‌کنید و خودرو به صورت خودران حرکت می‌کند. ساختار و انواع حلقه‌ها یک حلقه هوش مصنوعی از چهار مرحله اصلی تشکیل شده است: کشف (Discover)، برنامه‌ریزی (Plan)، اجرا (Execute) و تأیید (Verify). طبق تحلیل‌های فنی، حلقه‌ها به چهار دسته تقسیم می‌شوند: نوبت‌محور (Turn-based): با پرامپت کاربر تحریک شده و یک چرخه را طی می‌کند. هدف‌محور (Goal-based): تا زمانی که یک معیار موفقیت خاص محقق نشود، به کار خود ادامه می‌دهد. زمان‌محور (Time-based): طبق یک برنامه زمانی (مثلاً ساعتی یا شبانه) اجرا می‌شود. پیش‌کنشی (Proactive): توسط یک رویداد خاص (بدون دخالت انسان) فعال می‌شود. اهمیت واحد تأییدکننده (Verifier) قدرت یک حلقه در مدل یا پرامپت آن نیست، بلکه در «تأییدکننده» نهفته است. سیستمی که خروجی خود را به دقت بررسی نکند، ممکن است نتایج اشتباه را با اطمینان کامل ارائه دهد. اصل اساسی این است: «قبل از نوشتن پرامپت، تأییدکننده را بنویسید.» ۲. ظهور مهندسی گراف (Graph Engineering) زمانی که یک حلقه واحد برای مدیریت وظایف چندگانه و پیچیده کافی نباشد، مهندسی گراف وارد عمل می‌شود. این رویکرد شامل اتصال چندین عامل یا مراحل تخصصی به یکدیگر است که در آن «وضعیت» (State) به جای ماندن در ذهن یک عامل، بین گره‌ها جریان می‌یابد. ساختار گره و یال در این پارادایم، سیستم به شکل یک گراف جهت‌دار طراحی می‌شود: گره‌ها (Nodes): عوامل یا مراحل تخصصی (مانند محقق، نویسنده، بازبین). یال‌ها (Edges): مسیرهای کنترل جریان و مسیریابی بین گره‌ها. برتری گراف بر حلقه واحد: مثال گزارش پژوهشی در یک حلقه واحد، یک عامل همزمان تحقیق می‌کند، متن می‌نویسد و خودش را نقد می‌کند. این کار باعث اشباع کانتکست (Context Swamp) شده و نقد عامل از خودش به دلیل سوگیری، فاقد اعتبار است. در یک گراف: گره محقق: منابع را جستجو کرده و یادداشت‌های ساختاریافته ارائه می‌دهد. گره نویسنده: فقط یادداشت‌های تمیز را می‌بیند و پیش‌نویس را تهیه می‌کند. گره بازبین: در یک فضای کانتکست تازه، خروجی نهایی را با معیارهای دقت می‌سنجد و در صورت نیاز به گره نویسنده بازمی‌گرداند. https://emergingai.substack.com/p/graph-engineering-the-next-step-after https://www.devcompass.ai/blog/loop-engineering-vs-graph-engineering-part-1

البته باید در نظر داشت که هوش مصنوعی در خیلی از زمینه ها برای جلوگیری از پردازش سنگین محدود شده است وگرنه توانایی جایگزین شدن و اتوماسیون کامل را هم داره

گزارش اطلس: تحلیل جامع اقتصاد هوش مصنوعی در جهان ۱. مقدمه: فراتر از های‌و‌هو؛ رویارویی با واقعیت داده‌محور در فضای رسانه‌ای امروز، روایت‌های پیرامون هوش مصنوعی اغلب در دو قطب متضاد نوسان می‌کنند: یا نویدبخش یک بهشت اتوماتیک هستند و یا هراس از تسخیر جهان و نابودی تمدن را بازنمایی می‌کنند. اما به عنوان یک تحلیل‌گر استراتژی، معتقدم برای درک ابعاد واقعی این تحول، باید از غبار این هیاهو عبور کرد و به «ردپای دیجیتال» کاربران نگریست. گزارش جدید گوگل با نام ATLAS (مطالعه فعالیت، وظیفه، چشم‌انداز و پذیرش)، با تحلیل بیش از ۱۵ میلیون تعامل انسانی در پلتفرم‌های جمینای، دقیقاً همین «واقعیتِ در حال اجرا» را هدف گرفته است. این مطالعه که بیش از ۱۵۰ کشور و ۸۰۰ شغل را پوشش می‌دهد، شکاف میان تصورات عمومی (هوش مصنوعی به مثابه یک تهدید موجودیتی) و واقعیت کاربردی (هوش مصنوعی به مثابه یک ابزار بهره‌وری) را به خوبی آشکار می‌کند. ۲. یافته اول: حضور گسترده اما کم‌عمق؛ منحنی یادگیری تکنولوژی داده‌های اطلس نشان می‌دهند که هوش مصنوعی به سرعت در حال نفوذ به لایه‌های مختلف بازار کار است، اما این نفوذ در حال حاضر بیشتر «افقی» است تا «عمودی». بر اساس این گزارش، هوش مصنوعی در ۶۸٪ از کل عناوین شغلی نفوذ کرده است که این مشاغل به تنهایی ۹۰٪ از کل اشتغال (Employment) ایالات متحده را نمایندگی می‌کنند. با این حال، در یک شغل معمولی، تنها ۲۱٪ از وظایف با کمک هوش مصنوعی انجام می‌شود. از دیدگاه استراتژیک، این «عمق کم» نباید به عنوان یک شکست یا ضعف در کارایی تلقی شود. بلکه نشان‌دهنده یک منحنی یادگیری طبیعی است؛ کاربران در حال حاضر به صورت گزینشی در حال کشف نقاط قوت این فناوری هستند. این مرحله، فاز «پذیرش انتخابی» است که پتانسیل رشد عظیمی را برای آینده ذخیره کرده است. «پذیرش در محل کار تمام بخش‌های صنعت و همچنین ۶۸٪ از تمام مشاغل را در بر می‌گیرد... با این حال، در یک شغل معمولی، هوش مصنوعی تنها برای حدود ۲۱٪ از وظایف استفاده می‌شود.» ۳. یافته دوم: همکاری، نه اتوماسیون؛ بازتعریف ارزش‌آفرینی در اقتصاد برخلاف تصورات بدبینانه مبنی بر جایگزینی کامل انسان، گزارش اطلس نشان می‌دهد که کمتر از ۱۰٪ تعاملات کاری به «اتوماسیون کامل» ختم شده است. هوش مصنوعی در حال حاضر نه یک «جایگزین»، بلکه یک «همکار استراتژیک» در انجام وظایف شناختی غیرروتین (Non-routine cognitive) یا همان فعالیت‌های ذهنی غیرتکراری و تحلیلی است. نکته کلیدی و تحول‌آفرین اینجاست: وظایفی مانند ایده‌پردازی، طراحی خلاقانه، تدوین استراتژی و تست فرضیه، در کل اقتصاد جهانی سهمی ۳۵ درصدی دارند، اما در تعاملات با هوش مصنوعی، این سهم به ۶۵٪ می‌رسد. این جهش آماری نشان می‌دهد که هوش مصنوعی در حال انتقال مرکز ثقل ارزش‌آفرینی به سمت فعالیت‌های فکری پیچیده است و باری را از دوش ذهن انسان برمی‌دارد که پیش از این در محاسبات بهره‌وری نادیده گرفته می‌شد. ۴. یافته سوم: هوش مصنوعی در تعمیرگاه‌ها؛ فراروی از مشاغل پشت‌میزنشین یکی از غافلگیرکننده‌ترین بخش‌های گزارش، مربوط به مشاغلی است که پیش‌تر در برابر موج دیجیتال مقاوم به نظر می‌رسیدند. تکنسین‌های خودرو، مکانیک‌های صنعتی و متخصصان مشاغل فنی و یدی، اکنون از هوش مصنوعی به عنوان یک ابزار فیزیکی و عملیاتی استفاده می‌کنند. این گروه از متخصصان، ۲ برابر بیشتر از سایر کاربران از قابلیت‌های مولتی‌مودال (تصویری و ویدئویی) هوش مصنوعی بهره می‌برند. آن‌ها با استفاده از دوربین گوشی‌های خود، از سیم‌کشی‌های پیچیده یا قطعات فرسوده تصویربرداری کرده و از هوش مصنوعی برای عیب‌یابی در لحظه، تفسیر نتایج آزمایش‌های الکترونیکی و یادگیری حین کار استفاده می‌کنند. این نشان می‌دهد که هوش مصنوعی در حال تبدیل شدن به یک «همکار زنده» در محیط‌های عملیاتی سخت است. ۵. یافته چهارم: اقتصاد پنهان و چالش سیاست‌گذاران داده‌های اطلس فاش می‌کنند که ۸۶٪ از تعاملات با هوش مصنوعی خارج از محیط‌های رسمی کاری رخ می‌دهد. این فعالیت‌ها شامل انجام امور اداری اصطکاک‌زا (High-friction) و دشوار شخصی است که در شاخص‌های سنتی مثل GDP (تولید ناخالص داخلی) دیده نمی‌شوند. این «اقتصاد پنهان خانگی» شامل موارد زیر است: ناوبری و تعامل با خدمات دولتی پیچیده (مانند امور مالیاتی، دریافت مجوزها و پیگیری جریمه‌ها). تحقیق عمیق برای خریدهای خانگی و مدیریت بودجه. عیب‌یابی لوازم خانگی و آموزش کار با ابزارهای مختلف. ناتوانی شاخص GDP در محاسبه این ارزش‌آفرینی، یک چالش جدی برای سیاست‌گذاران اقتصادی است؛ چرا که هوش مصنوعی با کاهش اصطکاک‌های روزمره، در حال افزایش سطح رفاه (Well-being) و بهره‌وری شخصی جامعه است، بدون آنکه اثری در آمارهای رسمی رشد اقتصادی بر جای بگذارد. ۶. یافته پنجم: سقوط دیکتاتوری زبان انگلیسی و هشدار شکاف دیجیتال اگرچه هوش مصنوعی در ابتدا ابزاری آنگلوساکسون به نظر می‌رسید، اما امروزه زبان انگلیسی تنها حدود یک‌سوم از گفتگوهای جهانی با این فناوری را تشکیل می‌دهد. کاربران در بیش از ۱۴۰ زبان مختلف، برای انجام پیچیده‌ترین وظایف خود، زبان مادری را رها نکرده‌اند که این نشان‌دهنده بومی‌سازی عمیق و دموکراتیزه شدن فناوری است. با این حال، یک هشدار جدی در داده‌های اطلس وجود دارد: پذیرش هوش مصنوعی در سطح جهانی به شدت با ثروت ملی (GDP سرانه) کشورها گره خورده است. این موضوع نگرانی‌های استراتژیک درباره تداوم و حتی تعمیق شکاف دیجیتال بین کشورهای غنی و فقیر را افزایش می‌دهد. البته استثناهایی در خاورمیانه و آمریکای جنوبی دیده می‌شود که در آن‌ها کشورهای با درآمد متوسط، نرخ پذیرشی هم‌تراز با کشورهای ثروتمند دارند، اما روند کلی همچنان نگران‌کننده است. نتیجه‌گیری: نگاه به افق پیش‌رو گزارش اطلس نسخه ۱.۰ تنها یک برش زمانی از مسیری طولانی است. این بینش‌ها به لطف ابزار OCTO (سازمان‌دهی تاکسونومی و خوشه‌بندی مشاهدات) ممکن شده است؛ سیستمی که داده‌های عظیم و بدون ساختار را به موجودیت‌های سازمان‌یافته تبدیل می‌کند، در حالی که با حذف دقیق اطلاعات هویتی (PII) و پاکسازی لینک‌های حساس، حریم خصوصی کاربران را در بالاترین سطح حفظ می‌نماید. ما در ابتدای راهی هستیم که در آن هوش مصنوعی از یک ابزار کمکی در ۲۱٪ وظایف، به یک شریک استراتژیک در تمام ابعاد زندگی تبدیل خواهد شد. پرسش تامل‌برانگیز برای هر استراتژیست این است: «وقتی هوش مصنوعی بر ۷۹٪ باقی‌مانده وظایف ما مسلط شود، مرزهای تعریف ما از "کار" و "ارزش" کجا جابه‌جا خواهد شد؟» https://blog.google/innovation-and-ai/technology/research/understanding-the-ai-economy/

نتایج انتخابات هیأت‌مدیره بورس تهران اعلام شد در مجمع انتخاب اعضای هیأت‌مدیره بورس تهران، نمایندگان هفت سهامدار حقوقی زیر به‌عنوان اعضای هیأت‌مدیره انتخاب شدند: ● گروه توسعه مالی مهر آیندگان ● گروه ارزش‌آفرینان پاسارگاد ● گروه مالی صبا تأمین ● گروه سرمایه‌گذاری تدبیر ● گروه مالی غدیر ● شرکت سرمایه‌گذاری توسعه ملی ● شرکت پیشگامان سریر رضوی

روبیو: عراقچی گفت سیاست ما چشم در برابر چشم است؛ سیاست ترامپ سر در برابر چشم است/ بهای بسیار سنگینی خواهید پرداخت ترامپ ... خورد با تو 😂 خلاصه قرار خاور میانه بشه منطقه گا به زودی و این عوضی ها هم توی کاخ میشینند و شعر میگن باید یکی پیدا بشه دهنتونو گاهگل بگیره خلاصه

توزیع مکانیزه سود ناشران سراسری شد ✅محمد باغستانی، مدیرعامل شرکت سپرده‌گذاری مرکزی، از گسترش فرآیند توزیع مکانیزه و خودکار سود ناشران در درگاه «دارا» خبر داد. ✅این سیستم که پاییز ۱۴۰۴ برای صندوق‌ها عملیاتی شده بود، اکنون برای تمامی ناشران بازار سرمایه اجرا شده و فرآیند پرداخت سود به ذی‌نفعان را تسهیل می‌کند. این گام می‌تواند گره از مشکلات زمانی پرداخت سود باز کند.

🔻ابلاغیه جدید نحوه محاسبه قیمت پایه محصولات زنجیره فولاد در بورس کالای ایران

ادعای آکسیوس: میانجی‌ها پیشنهاد آتش‌بس را به ایران و آمریکا ارائه کردند 🔹پایگاه خبری آکسیوس به نقل از منابع آگاه ادعا کرد که قطر، مصر، پاکستان و چند میانجی منطقه‌ای دیگر، پیشنهادی برای آتش‌بس ۱۰ روزه را به ایران و ایالات متحده ارائه کرده‌اند./ایسنا

🔻زائران اربعین ۲۴ ساعت بعد از ثبت نام در سامانه سماح می‌توانند ارز دریافت کنند مسئول کمیته ثبت‌نام و اعزام ستاد مرکزی اربعین: ▪️اطلاعات زائران به‌صورت برخط از سامانه سماح به وزارت کشور ارسال می‌شود و پس از آن در اختیار بانک مرکزی و بانک‌های عامل قرار می‌گیرد اما این فرآیند حدود ۲۴ ساعت زمان می‌برد. ▪️بنابراین زائران باید از زمان ثبت‌نام تا امکان درخواست ارز اربعین، این فاصله زمانی را در نظر داشته باشند.| دانشجو @tejaratnews

🔹فرزین، رئیس هیئت ‌مدیره شرکت ملی صنایع مس ایران شد از بانک مرکزی به شرکت ملی مس خوبه

منابع العربیه: وزیر کشور ایران امروز با پیام ویژه پزشکیان وارد پاکستان می‌شود. پیام پزشکیان که توسط وزیر کشور ایران ابلاغ می‌شود، مربوط به پرونده مذاکرات است.

برید کنار ادیب می خواهد پر سیمرغشو آتیش بزنه 😂 الان سیمرغ میاد کارو در میاره این صحبت ها هم یک باور ناخودآگاه به منجی و ابر قهرمان و این هاست

هنوز آخرین پر سیمرغ هست

وال‌استریت: ایران ظرف یک ماه ۶ میلیارد دلار نفت صادر کرد 🔴 روزنامه وال‌استریت ژورنال گزارش داد که ایران در فاصله کوتاه آتش‌بس با آمریکا، موفق به صادرات حدود ۷۰ میلیون بشکه نفت به ارزش ۶ میلیارد دلار به چین شده است. 🔴 منابع مطلع به این روزنامه گفته‌اند که در اواخر خردادماه، حدود ۲۰ نفت‌کش ایرانی در آب‌های ساحل شرقی مالزی پهلو گرفتند. این منطقه که به عنوان یک نقطه ترانزیت شناخته می‌شود، فاصله تقریبی مساوی با مسیر ایران تا چین دارد و سال‌هاست که توسط ایران برای انتقال محموله‌های نفتی خود استفاده می‌شود.

بانک مرکزی تصمیمی برای افزایش نرخ سود بانکی ندارد پیگیری ها از بانک مرکزی نشان می‌دهد این بانک فعلاً قصدی برای افزایش نرخ سود سپرده و تسهیلات ندارد و هرگونه تصمیم در این زمینه به شرایط اقتصادی و نتایج بررسی‌های کارشناسی وابسته خواهد بود. بانک مرکزی پیش از این در واکنش به خبر فارس درباره افزایش ۱۰ درصدی نرخ سود اعلام کرده بود همه گزینه‌ها و سناریوهای سیاستی در کمیته‌های تخصصی در حال بررسی است. بانک مرکزی در پاسخ به این سوال که تقریبا چه زمانی بررسی‌ها تکمیل می‌شود گفت که زمان مشخصی تعیین نشده و «ممکن است این فرآیند ۶ ماه، یک سال یا حتی بیشتر طول بکشد.» نرخ سود بانکی تعیین‌کننده هزینه وام است. اگر این نرخ افزایش یابد متقاضیان وام برای دریافت همان مبلغ تسهیلات باید سود بیشتری بپردازند و هزینه تأمین مالی کسب‌وکارها نیز افزایش پیدا می‌کند که در نهایت باعث افزایش قیمت کالاها خواهد شد./فارس