Ai Feed Hub
Open in Telegram
AI Feed Hub AI & Technology News • Startup & Business Tips
Show moreThe country is not specifiedThe category is not specified
342
Subscribers
No data24 hours
No data7 days
No data30 days
Number of Posts
Data loading in progress...
Reactions
Comments
Telegram Stars
TOP posts by
Data loading in progress...
Publication analysis
Posts | Views dynamics | |||||
برای درک سرعت پیشرفت هوش مصنوعی، به نسبت هوش به ازای هر دلار توجه کنید
یک سال و نیم پیش:
مدل o1 Pro: به ازای هر یک میلیون توکن، ۱۵۰ تا ۶۰۰ دلار
امروز:
مدل GLM-5.3 Flash:
تنها ۰.۱۵ تا ۰.۵۰ دلار
بنابراین، در کمتر از ۱.۵ سال، قیمت تقریباً ۱۰۰۰ برابر کاهش یافته است؛ در حالی که مدل GLM-5.3 Flash از نظر هوش و توانایی، از o1 Pro برتری دارد.
@aifeedhub | 139 | 1 | 0 | 7 | Loading... | |
 ایلان ماسک میگه تهش ۱۰ سال وقت داریم تا با کار کردن پول دربیاریم؛ بعد از اون هوش مصنوعی همهچیز رو میبلعه و فرمول کهنهٔ
«فروش وقت در ازای حقوق» میمیره. بازی داره عوض میشه
@aifeedhub | 1 489 | 52 | 0 | 7 | Loading... | |
در صورتی که به حوزه نوروساینس علاقهمند هستید، میتوانید از کورس رایگان ارائهشده توسط پژوهشگاه دانشگاه شریف جهت آغاز مطالعه در این رشته استفاده کنید
https://docs.google.com/document/d/1dAuxHBZqrZe2TEbl672ZBlO-aBpuYIcSZ6VL26KY6Ig/edit?usp=drivesdk
@aifeedhub | 266 | 9 | 0 | 5 | Loading... | |
 بنظرم اول ویدیو رو ببینید، بعد متن زیر رو بخونید!
مدل GPT-6 یا همون Astra توی بنچمارک ARC-AGI-3 امتیاز باورنکردنی ۹۸.۶٪ گرفته و توی تست DeepSWE 1.1 هم به ۷۴٪ رسیده!
همین نتایج دوباره بحث AGI رو داغ کرده.
AGI یعنی چی؟
یعنی هوش مصنوعیای که دیگه فقط برای یک کار خاص ساخته نشده؛ میتونه یاد بگیره، فکر کنه، مسئله حل کنه و خودش رو با کارهای جدید وفق بده.
شاید داریم به جایی نزدیک میشیم که دیگه انسان برای خیلی از کارهای فکری، حرف زیادی برای گفتن نداشته باشه!
شاید واقعاً وارد دورهای شدیم که سؤال دیگه این نیست که:
آیا AI میتونه مثل انسان فکر کنه؟
بلکه باید بپرسیم:
انسان قراره توی دنیایی که AI ازش باهوشتره،
چه نقشی داشته باشه؟
@aifeedhub | 2 558 | 39 | 0 | 5 | Loading... | |
آیا مدلهای تبدیل گفتار به متن را درست ارزیابی میکنیم؟
برای ارزیابی مدلهای ASR (Automatic Speech Recognition) معمولاً از معیارهایی مثل WER استفاده میشود؛ یعنی بررسی میکنیم متن تولیدشده توسط مدل چقدر با متن مرجع تفاوت دارد.
اما یک مشکل مهم وجود دارد: یک جمله میتواند چند شکل نوشتاریِ درست داشته باشد.
مثلاً مدل مینویسد:
I bought 2 books
اما متن مرجع این است:
I bought two books
از نظر مفهوم، هر دو یک چیز هستند؛ ولی روشهای معمول ارزیابی ممکن است این تفاوت را بهعنوان خطا حساب کنند.
مقالهی asr_eval دقیقاً روی همین مسئله تمرکز دارد. ایده اصلی آن ارائهی یک روش بهتر برای Alignment قبل از محاسبهی معیارهایی مثل WER است.
🔹 پشتیبانی از چند Reference معتبر برای یک صوت
🔹 استفاده از Wildcard برای بخشهای نامشخص یا مبهم گفتار
🔹 Alignment انعطافپذیرتر بین خروجی مدل و متن مرجع
🔹 ابزارهای مخصوص ارزیابی Streaming ASR
🔹 بررسی تأثیر نوع Label و Text Normalization روی نتایج Fine-tuning
نکته جالب اینجاست که مقاله الزاماً نمیخواهد WER جدیدی معرفی کند؛ بلکه سؤال اساسیتری مطرح میکند:
قبل از اینکه WER را محاسبه کنیم، آیا خروجی مدل و متن مرجع را به شکل درستی با هم مقایسه کردهایم؟
این موضوع مهم است، چون گاهی کاهش WER ممکن است فقط به این دلیل باشد که مدل سبک Annotation دیتاست را بهتر یاد گرفته، نه اینکه واقعاً توانایی تشخیص گفتار آن به همان اندازه بهتر شده باشد.
📄 Paper:
link
💻 GitHub Code:
link
@aifeedhub | 194 | 0 | 0 | 3 | Loading... |
