Ai Feed Hub

چیپ مغزی Neuralink، استارتاپ ایلان ماسک، حالا به معلولان حرکتی امکان میده فقط با مغزشون ویلچرشون رو کنترل کنن! داریم کم‌کم می‌ریم جایی که زبان حیوانات رو هم هم بفهمیم. https://x.com/neuralink @aifeedhub

پهپادی که با سونار، مگس‌ها رو شکار می‌کنه! یه استارتاپ به نام Tornyol یه پهپاد ۴۰ گرمی ساخته که با فناوری سونار، مگس‌ها و پشه‌ها رو در حال پرواز شناسایی و نابود می‌کنه. این پهپاد می‌تونه با گوش دادن به صدای بال زدن، یک مگس، پروانه یا زنبور رو از هم تشخیص بده. دلیلش اینه که هر حشره فرکانس بال زدن مخصوص خودش رو داره و سونار این تفاوت رو دقیق تشخیص می‌ده. 🔹 ۳۸۰ میکروفون برای شنیدن دقیق صداها 🔹 ۳۲ فرستنده‌ی اولتراسونیک ۴۰ کیلوهرتز 🔹 برد تشخیص تا ۸ متر 🔹 دقت هدف‌گیری ۵ درجه 🔹 آگاهی کامل سه‌بعدی از محیط اطراف نکته‌ی جالب: این پهپاد به‌طور خودکار در یه منطقه‌ی مشخص گشت می‌زنه، حشرات رو در هوا شناسایی و نابود می‌کنه و بعد برای شارژ به ایستگاهش برمی‌گرده. این تکنولوژی می‌تونه در آینده، به‌خصوص در مناطق گرمسیری که بیماری‌های منتقله از پشه مثل مالاریا جان خیلی‌ها رو تهدید می‌کنه، تحول بزرگی ایجاد کنه لینک خبر @aifeedhub

🔹 یک مدل هوش مصنوعی جدید منتشر شد؛ اما چرا مهم است؟ این روزها مدل‌های هوش مصنوعی فقط به دنبال «باهوش‌تر شدن» نیستند؛ بلکه تلاش می‌کنند سریع‌تر، ارزان‌تر و بهینه‌تر هم باشند. مدل Kimi K3 دقیقاً با همین هدف معرفی شده است. نکته جالب این مدل این است که برای پاسخ دادن، لازم نیست همیشه از تمام توان پردازشی خود استفاده کند. درست مثل یک شرکت بزرگ که برای هر کار، فقط تیم مرتبط را وارد عمل می‌کند؛ نه همه کارمندان! نتیجه: - هزینه اجرای کمتر - سرعت بیشتر - امکان پردازش متن‌های بسیار طولانی - عملکرد قوی در برنامه‌نویسی و استدلال البته سازندگان این مدل هم گفته‌اند که هنوز در بعضی بخش‌ها به بهترین مدل‌های تجاری دنیا نرسیده است، اما نشان داده‌اند که می‌توان با طراحی هوشمندانه، بدون افزایش شدید هزینه، عملکرد بسیار خوبی به دست آورد. به نظر می‌رسد رقابت آینده مدل‌های هوش مصنوعی فقط بر سر «بزرگ‌تر بودن» نیست؛ بلکه بر سر هوشمندانه‌تر استفاده کردن از منابع است. 📄 لینک پیپر: https://arxiv.org/abs/2607.24653 @aifeedhub #KimiK3 #AI

هوش مصنوعی Claude در حین تست امنیتی به ۳ شرکت واقعی نفوذ کرد! شرکت Anthropic اعلام کرده که در جریان آزمایش‌های داخلی امنیت سایبری، به دلیل یک اشتباه در پیکربندی محیط تست، چند مدل Claude به‌طور ناخواسته به زیرساخت‌های واقعی سه سازمان دسترسی غیرمجاز پیدا کردند. این اتفاق پس از بررسی بیش از ۱۴۱ هزار آزمایش داخلی شناسایی شد. به گفته Anthropic، مشکل از خود مدل نبود، بلکه به دلیل خطای محیط آزمایش، مدل تصور می‌کرد همچنان در یک محیط شبیه‌سازی‌شده قرار دارد و به فعالیت خود ادامه داد. این خبر به معنای «خودآگاه شدن» یا «فرار هوش مصنوعی» نیست؛ بلکه نشان می‌دهد با قدرتمندتر شدن مدل‌های هوش مصنوعی، ایمن‌سازی محیط‌های تست و اعمال محدودیت‌های دقیق، اهمیت بسیار بیشتری پیدا کرده است. لینک خبر @AIFeedHub

🔹 اگر به‌جای متن، داده‌های بازار بورس را به یک مدل زبانی بدهیم، چه می‌شود؟ مقاله Kronos دقیقاً به همین سؤال پاسخ می‌دهد. مدل‌های زبانی مثل ChatGPT ابتدا متن را به «توکن» تبدیل می‌کنند و سپس رابطه بین کلمات را یاد می‌گیرند. اما داده‌های مالی متن نیستند؛ فقط اعدادی مثل قیمت باز، بسته، سقف، کف و حجم معاملات هستند. نوآوری این مقاله این است که ابتدا این داده‌های عددی را با یک Tokenizer یادگیرنده به توکن‌های معنادار تبدیل می‌کند. سپس یک Transformer این توکن‌ها را یاد می‌گیرد؛ درست مانند یادگیری کلمات در زبان طبیعی. نکته جالب اینجاست که نوآوری اصلی، طراحی یک Transformer جدید نیست؛ بلکه آموزش دادن «زبان بازارهای مالی» به Transformer است. نتایج هم قابل‌توجه بودند: • ۹۳٪ بهبود در پیش‌بینی قیمت نسبت به بهترین Foundation Model قبلی. • ۹٪ کاهش خطا در پیش‌بینی نوسانات بازار. • ۲۲٪ بهبود در تولید داده‌های مصنوعی بازار. • عملکرد مناسب حتی در سناریوهای Zero-shot. به نظر میرسد، این مقاله نشان می‌دهد که آینده Foundation Modelها فقط محدود به متن و تصویر نیست و به‌تدریج وارد حوزه‌هایی مثل داده‌های مالی، پزشکی و سایر داده‌های سری زمانی خواهند شد. 📄 مقاله: https://arxiv.org/pdf/2508.02739 @AIFeedHub

اخیراً این ابزار مورد توجه زیادی قرار گرفته است. شما می‌توانید از وب‌سایت‌ها اسکرین‌شات بگیرید و کد مربوط به آن را با استفاده از هوش مصنوعی دریافت کنید. github.com/abi/screenshot-to-code @aifeedhub

قبل از اینکه مدل‌های VLM را انتخاب کنیم، باید مطمئن شویم که در دنیای واقعی هم عملکرد خوبی دارند، نه فقط روی بنچمارک‌ها. سال‌هاست بسیاری از بنچمارک‌های VLM از سؤال‌های Multiple Choice برای ارزیابی مدل‌ها استفاده می‌کنند. اما آیا انتخاب گزینه صحیح، واقعاً نشان‌دهنده توانایی مدل در انجام یک کار واقعی است؟ مقاله Trust but Verify رویکرد متفاوتی را پیشنهاد می‌دهد. در این روش، به‌جای انتخاب یک گزینه، مدل روی تسک‌های واقعی ارزیابی می‌شود؛ مانند: استخراج اطلاعات از رسید (OCR) تبدیل جدول یا چارت به داده ساختاریافته شمارش اشیاء در تصویر سایر وظایفی که خروجی آن‌ها به‌صورت Programmatic قابل بررسی و اعتبارسنجی است. مزیت این رویکرد این است که به‌جای سنجش توانایی مدل در پاسخ دادن به یک سؤال، بررسی می‌کند آیا مدل واقعاً می‌تواند یک وظیفه عملی را به‌درستی انجام دهد یا خیر؛ چیزی که به نیازهای واقعی سیستم‌های Production بسیار نزدیک‌تر است. البته این روش جایگزین کامل بنچمارک‌های چندگزینه‌ای نیست، بلکه آن‌ها را تکمیل می‌کند و دید دقیق‌تری از عملکرد واقعی مدل ارائه می‌دهد. 📄 Paper: https://arxiv.org/abs/2410.13121 #VLM @aifeedhub

خیلی از نمودارهای MLOps آن‌قدر شلوغ و پیچیده‌اند که انگار برای ساخت یک سیستم یادگیری ماشین حتماً باید ده‌ها ابزار و سرویس مختلف داشته باشیم! معماری FTI یک مدل ذهنی ساده‌تر پیشنهاد می‌دهد و کل سیستم ML را به سه بخش مستقل تقسیم می‌کند: 1️⃣ Feature Pipeline داده‌های خام را دریافت می‌کند، آن‌ها را پردازش می‌کند و به Feature و Label تبدیل می‌کند. سپس خروجی در Feature Store ذخیره می‌شود. 2️⃣ Training Pipeline Featureها و Labelها را از Feature Store می‌گیرد، مدل را آموزش می‌دهد و نسخه آموزش‌دیده را در Model Registry ذخیره می‌کند. 3️⃣ Inference Pipeline مدل آموزش‌دیده را از Model Registry و Featureهای جدید را از Feature Store می‌گیرد و پیش‌بینی تولید می‌کند؛ چه به‌صورت Batch و چه Real-time. در نتیجه مسیر کلی این‌طور است: Raw Data → Features → Model Training → Predictions 🔴 روش‌های قدیمی چه مشکلی داشتند؟ در معماری Monolithic معمولاً پردازش داده، ساخت Feature، آموزش مدل و پیش‌بینی داخل یک برنامه بزرگ قرار می‌گرفتند. این ساختار چند مشکل مهم داشت: • استفاده مجدد از Featureها سخت بود • آموزش و Inference شدیداً به یکدیگر وابسته بودند • تغییر یک بخش می‌توانست کل سیستم را تحت‌تأثیر قرار دهد • اجزای مختلف را نمی‌شد جداگانه Scale یا Deploy کرد • احتمال تفاوت Featureهای زمان آموزش و محیط واقعی وجود داشت • مسئولیت تیم‌های Data، ML و Platform شفاف نبود 🟢 معماری FTI چه چیزی را تغییر می‌دهد؟ در FTI هر Pipeline مسئولیت مشخصی دارد و می‌تواند جداگانه توسعه، تست، Deploy، مانیتور و Scale شود. مثلاً: • Feature Pipeline با Pandas، Spark یا ابزارهای Streaming ساخته شود • Training Pipeline با Python و GPU اجرا شود • Inference Pipeline یک Batch Job یا API بلادرنگ باشد همچنین Feature Store و Model Registry مشخص می‌کنند هر نسخه مدل دقیقاً با کدام نسخه از Featureها آموزش دیده است: Model v1 → F1, F2, F3 Model v2 → F2, F3, F4 این موضوع جلوی Training-Serving Skew را می‌گیرد؛ یعنی شرایط و Featureهای زمان آموزش با Featureهای استفاده‌شده در محیط واقعی متفاوت نمی‌شوند. مزیت دیگرش این است که ارتقا یا Rollback مدل‌ها بسیار امن‌تر و ساده‌تر می‌شود. نکته اصلی این مقاله: معماری FTI پیچیدگی سیستم‌های ML را حذف نمی‌کند؛ بلکه آن را به سه بخش مستقل با مرزهای مشخص تقسیم می‌کند تا توسعه و نگهداری سیستم آسان‌تر شود. 🔗 منبع: https://www.hopsworks.ai/post/mlops-to-ml-systems-with-fti-pipelines @aifeedhub

انویدیا از Cosmos-H-Dreams رونمایی کرده؛ یک شبیه‌ساز هوش مصنوعی برای ربات‌های جراحی. این سیستم تصویر اولیه و حرکات ربات را دریافت می‌کند و اتفاق بعدی را به‌صورت زنده تولید می‌کند. در نتیجه، جراح یا مدل هوش مصنوعی می‌تواند بدون استفاده از بیمار یا ربات واقعی، عملیات را تمرین و آزمایش کند. این مدل حتی اشتباهاتی مثل افتادن سوزن یا گره‌زدن ناموفق را هم شبیه‌سازی می‌کند و روی یک RTX PRO 6000 به سرعت حدود ۱۶۰ فریم‌برثانیه می‌رسد. البته واقعی به نظر رسیدن ویدئو لزوماً به معنی دقت فیزیکی آن نیست؛ بنابراین این فناوری فعلاً یک ابزار تحقیقاتی است، نه جایگزین پزشک یا آزمایش واقعی. Cosmos-H-Dreams نشان می‌دهد مدل‌های جهان می‌توانند به محیطی برای آموزش و ارزیابی ربات‌ها تبدیل شوند. دمو لینک مقاله https://arxiv.org/pdf/2512.23162 @aifeedhub

An MVP includes only enough features to attract early users and validate the idea with minimal effort. @aifeedhub

اگر نیاز دارید فایل‌هاتون رو unzip کنید، کافیه اون‌ رو برای ربات زیر بفرستید. @UnzipRobot @aifeedhub

Researchers can spend weeks building a great model—and then hours struggling to explain it in one clear figure. That’s the problem PaperBanana is trying to solve. 🍌📄 PaperBanana is an AI-powered tool that transforms research descriptions into professional academic visuals, including: • Methodology and architecture diagrams • Scientific illustrations and flowcharts • Statistical plots • Editable SVG figures • Conference posters generated from papers What makes it interesting is its multi-agent workflow: Retriever → Planner → Stylist → Visualizer → Critic Instead of generating an image in a single step, these specialized agents collect relevant references, organize the content, select an appropriate visual style, generate the figure, and then review and refine the result. The framework was also evaluated using PaperBananaBench, containing 292 methodology-diagram cases collected from NeurIPS 2025 papers. The evaluation focuses on faithfulness, simplicity, readability, and aesthetics. For researchers, students, and AI engineers, this could significantly reduce the time needed to turn complex technical ideas into clear visuals for papers, presentations, and posters. Of course, AI-generated scientific figures still require human review—especially for technical accuracy, labels, and data representation. But as a starting point, PaperBanana looks genuinely useful. Try it here: https://paperbanana.me/ Research paper: https://arxiv.org/abs/2601.23265 Open-source project: https://github.com/dwzhu-pku/PaperBanana Would you use AI to create figures for your next research paper?

برای اینکه هیچ ایمیلی رو از دست ندید، ربات @GmailBot رو استارت کنید و جیمیلتون رو بهش وصل کنید. از این به بعد هر ایمیل جدیدی که براتون بیاد، همون لحظه توی تلگرام بهتون اطلاع داده میشه. @aifeedhub

چرا باید از ایمیل یکبار مصرف استفاده کنیم؟ این روزها خیلی از سایت‌ها و برنامه‌ها برای ثبت‌نام، دانلود یا استفاده از امکاناتشون از شما یک آدرس ایمیل می‌خوان. مشکل اینجاست که بعضی سرویس‌ها ممکنه از ایمیل شما برای ارسال تبلیغات، اسپم، تحلیل رفتار کاربر یا حتی اهداف بازاریابی استفاده کنن. ایمیل شما یکی از اطلاعات مهمیه که می‌تونه برای ردیابی آنلاین، حملات فیشینگ یا تلاش برای نفوذ به حساب‌ها مورد استفاده قرار بگیره. اگر نمی‌خواید ایمیل اصلی‌تون پر از پیام‌های تبلیغاتی بشه، بهتره برای سایت‌های ناشناس، تست سرویس‌ها، دانلودها و اکانت‌های کم‌اهمیت از ایمیل موقت استفاده کنید. ⚠️ توجه: از ایمیل‌های موقت برای حساب‌های مهم مثل بانک، صرافی، ایمیل اصلی، شبکه‌های اجتماعی و سرویس‌هایی که بازیابی حساب براشون مهمه استفاده نکنید. ━━━━━━━━━━━━ 📮 ۵۰ سرویس ایمیل موقت https://mail.tm https://atomicmail.io https://temp-mail.org https://www.guerrillamail.com https://10minutemail.com https://smailpro.com https://www.emailondeck.com https://yopmail.com https://mailsac.com https://tempr.email https://tempail.com https://www.mohmal.com https://www.mailinator.com https://dropmail.me https://generator.email https://temp-mail.io https://tempmail.plus https://burnermail.io https://mailnesia.com https://www.dispostable.com https://emailfake.com https://www.fakemail.net https://emaildrop.io https://temporarymail.com https://one-off.email https://getnada.com https://inboxkitten.com https://mailpoof.com https://adguard.com/en/adguard-temp-mail/overview.html https://www.tempinbox.xyz https://www.trash-mail.com https://www.crazymailing.com https://www.temp-mails.com https://www.mytrashmail.com https://www.33mail.com https://www.emailnator.com https://erine.email https://privatlab.com https://mailspeed.co https://mail.td https://internxt.com/temporary-email https://tempmailo.com https://incognitomail.com https://tempmail100.com https://tempmail365.com https://mail7.io https://spamgourmet.com https://byom.de/trashmails https://altmails.com https://tempmail.dev ━━━━━━━━━━━━ ✉️ ربات‌های ایمیل موقت تلگرام اگر نمی‌خواید ایمیل اصلی‌تون پر از اسپم و پیام‌های تبلیغاتی بشه، می‌تونید از این ربات‌ها برای ساخت ایمیل موقت استفاده کنید. ✅ مناسب برای ثبت‌نام‌های یک‌باره ✅ دریافت کد تأیید ✅ تست سرویس‌ها ✅ ساخت اکانت آزمایشی ✅ بدون نیاز به شماره تلفن ✅ رایگان و سریع 🤖 ربات‌ها: @e2tgPM_bot @mailtemprobot @hidemail_bot @TapMailBBot @botmail_io_bot @temp_mail_bot @fakemailbot @etlgr_bot @DropmailBot @tmpmailbot @TempMail_org_bot @TempMailer_bot @smtpbot @SenthyBot @TempMailBot @telegaemail_bot @aifeedhub

تا حالا شده بخواید ببینید یک یوتیوبر کی ویدئوی جدید منتشر می‌کنه و مجبور باشید مدام یوتیوب رو چک کنید؟ با بات @ytWatchBot فقط کافیه کانال موردنظرتون رو بهش بدید؛ هر وقت ویدئوی جدیدی منتشر بشه، براتون پیام می‌فرسته. @aifeedhub

این ویدیو با مدل های سال پیش میدجنری ساخته شده بود یکسال گذشته و الان پیشرفت عجیبی کردند که وارد حوزه بایو پزشکی شدند!

این خبر می‌گه شرکت Midjourney که قبلاً فقط به خاطر ساخت تصویر با هوش مصنوعی معروف بود، وارد حوزه پزشکی شده و یک دستگاه اسکن بدن معرفی کرده. طبق این ادعا، این دستگاه یک اسکنر فراصوت (ultrasound) است که کل بدن انسان را داخل یک محفظه پر از آب اسکن می‌کند. دور تا دور این محفظه تعداد زیادی سنسور وجود دارد که از زوایای مختلف امواج صوتی می‌فرستند و بازتاب آن‌ها را می‌گیرند. بعد از پردازش این داده‌ها، یک مدل سه‌بعدی دقیق از بدن ساخته می‌شود؛ شامل عضله‌ها، چربی، استخوان و اندام‌ها. نکات مهمی که گفته شده: دقت خیلی بالا (در حد زیر ۱ میلی‌متر) سرعت اسکن حدود ۶۰ ثانیه بدون اشعه مضر مثل MRI امکان استفاده دوره‌ای برای بررسی تغییرات بدن (مثلاً ورزش و رژیم) همچنین گفته شده اولین مراکز نصب این دستگاه در سان‌فرانسیسکو و در مجموعه‌هایی شبیه باشگاه/اسپا با نام Midjourney Spa خواهد بود و هدف این است که تا حدود سال ۲۰۲۷ راه‌اندازی شود. @aifeedhub

این ربات تلگرامی فایل صوتی، ویدئویی یا ویس تلگرام رو‌ می‌گیره و متن اون رو استخراج میکنه و در قالب یک فایل متنی بهتون می‌ده همچنین می‌تونه اون متن رو ترجمه یا خلاصه هم بکنه: @SpeechToText313bot سازنده‌هاش یک ربات چت بات هوش مصنوعی هم ساختن که می‌تونید در همین تلگرام باهاش چت کنید و ازش سوال بپرسید یا مثلا برای ترجمه کمک بگیرید: @KawtharAI_bot @aifeedhub

این ربات تلگرامی لینک ویدئو یوتیوب رو می‌گیره و متن کل ویدئو رو در قالب یک فایل متنی بهتون تحویل می‌ده. این ربات می‌تونه خلاصه‌ای از چیزی که در ویدئو گفته شده رو هم بتون بده. برای ویدئوهای طولانی هم جواب هست و خوب عمل می‌کنه @youtubevideotranscriptbot @aifeedhub

https://aiengineeringfromscratch.com/prereqs.html رودمپ یادگیری Ai