هوش مصنوعی و علم داده به فارسی

‏🧊 مدل متن‌باز Idol برای تبدیل یک عکس به مدل سه‌بعدی ‏مجموعه Speridlabs مدل متن‌باز Idol را برای ساخت اشیای سه‌بعدی از یک تصویر تک منتشر کرد. این مدل زاویه‌های ناپیدای تصویر را بازسازی می‌کند و خروجی را با روش 3D Gaussian Splatting تا سقف ۱ میلیون گاسین می‌سازد. ‏مدل Idol به صورت مستقل آموزش دیده و کدهای آن با مجوز Apache 2.0 در گیت‌هاب قرار گرفته است. فرمت خروجی آن PLY است و مصرف حافظه ویدئویی (VRAM) آن زیر ۷.۲ گیگابایت می‌ماند. ‏تیم سازنده زمان تولید را حدود ۳ ثانیه اعلام کرده، اما در آزمون‌های منتشرشده، ساخت مدل روی کارت RTX 5090 حدود ۱۴ ثانیه و روی RTX 4090 حدود ۱۹ ثانیه طول کشیده است. تست آنلاین مدل در دموی هاگینگ فیس در دسترس است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏نابرابری هزینه‌ی توکن در زبان‌های مختلف ‏ائتلاف CLEAR در نخستین پژوهش خود پیرامون عدالت زبانی، نشان داده که هزینه‌ی استفاده از مدل‌های هوش مصنوعی برای زبان‌های غیرانگلیسی به دلیل نحوه‌ی عملکرد توکنایزرها به‌مراتب بالاتر است. توکنایزرها عمدتاً برای انگلیسی و زبان‌های پرتکرار آموزش دیده‌اند، در نتیجه متن سایر زبان‌ها به قطعات کوچک‌تری شکسته شده و تعداد توکن بیشتری مصرف می‌کند. ‏برای نمونه، یک عبارت مشخص در زبان آمهاری می‌تواند تا ۶ برابر بیشتر از انگلیسی توکن مصرف کند. این افزایش تعداد توکن دو پیامد مستقیم دارد: افزایش تأخیر در پاسخ‌دهی و کاهش ظرفیت مفید پنجره‌ی متنی (Context Window) مدل. ‏برخی از یافته‌های این پژوهش: ‏* مدل NLLB-200 تنها مدلی است که نمره‌ی عالی A دریافت کرده است. ‏* مدل‌های Gemini و Gemma نمره‌ی B کسب کردند. ‏* مدل GPT-5 در این ارزیابی نمره‌ی F گرفت. ‏* زبان‌های دارای خطوط لاتین، حتی در صورت کمیاب بودن، بسیار بهینه‌تر از زبان‌هایی نظیر برمه‌ای، تبتی و خمر عمل می‌کنند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#TokenizerTax #FLORES_200

‏🐳 آموزش مدل DeepSeek V5 با تراشه‌های Huawei Ascend ‏شرکت DeepSeek قصد دارد برای آموزش نسل بعدی مدل بزرگ خود یعنی DeepSeek V5، از شتاب‌دهنده‌های Huawei Ascend استفاده کند. این اقدام با هدف کاهش وابستگی این شرکت به پردازنده‌های گرافیکی آمریکایی و محدودیت‌های صادراتی ایالات متحده انجام می‌شود. ‏پیش از این، تراشه‌های هواوی عمدتاً برای وظایف استنتاج (Inference) و مراحل محدودِ بازآموزی استفاده می‌شدند، اما اکنون هدف، انتقال فرایند اصلی آموزش مدل (Pre-training) به این بستر است. برای تحقق این طرح، DeepSeek و هواوی در حال بهینه‌سازی مشترکِ پشته نرم‌افزاری شامل کامپایلرها، کتابخانه‌های محاسباتی و پروتکل‌های ارتباطی توزیع‌شده هستند. در همین راستا، DeepSeek در ماه سپتامبر کدهای منبع ابزارهای سازگار با معماری Ascend، از جمله TileLang را منتشر کرد. ‏طبق گزارش‌های منتشرشده، تکمیل این پروژه برای سال ۲۰۲۷ هدف‌گذاری شده است. موفقیت این جایگزینی، مستلزم عبور از چالش‌های مربوط به هزینه انتقال اکوسیستم نرم‌افزاری در مقیاس آموزش است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏🤖 ابزار متن‌باز برای اتصال ایجنت‌های AI به سایت‌های کاریابی ایران ‏سپهر رادمرد یک سرور MCP (Model Context Protocol) توسعه داده که امکان جستجوی همزمان آگهی‌های شغلی در پلتفرم‌های ایران‌تلنت، جابینجا و جاب‌ویژن را برای ایجنت‌های هوش مصنوعی فراهم می‌کند. ‏این ابزار با یک فراخوانی، اطلاعاتی نظیر آگهی‌های شغلی، جزئیات شرکت‌ها، نظرات کارمندان و گزارش‌های حقوق و مصاحبه را استخراج می‌کند. ‏نکات فنی: ‏- دستور اجرا: از طریق uvx iran-jobs-mcp قابل اجراست. ‏- عملکرد: در مجموع ۳۷ ابزار مختلف برای پیمایش داده‌ها دارد. ‏- نمونه استفاده: جستجوی متمرکز با دستور job_search(keyword="python", site="all") امکان‌پذیر است. ‏این پروژه یک ابزار غیررسمی است و هیچ وابستگی ساختاری به وب‌سایت‌های ذکر شده ندارد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#iran_jobs_mcp #ModelContextProtocol

‏📊 اتصال دیتابیس «رسمیو» به ایجنت‌های هوش مصنوعی ‏ابزار متن‌باز rasmio-mcp امکان اتصال دیتابیس شرکت‌های ایرانی در سامانه رسمیو را به ایجنت‌های هوش مصنوعی فراهم کرده است. ‏با استفاده از این پروتکل MCP، می‌توانید پرس‌وجوهای مربوط به هویت حقوقی، اطلاعات مالکان و جزئیات ثبتی شرکت‌ها را مستقیماً از طریق محیط چت ایجنت انجام دهید. این ابزار به ویژه برای بررسی‌های پیش از انعقاد قرارداد یا تحلیل‌های اولیه در فرآیندهای سرمایه‌گذاری کاربرد دارد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#rasmio_mcp #پروتکل_MCP

‏🤖 بهینه‌سازی مستقیم وزن‌های شبکه عصبی با Weight-Space Programming ‏پژوهشگران MIT CSAIL روشی به نام Weight-Space Programming معرفی کرده‌اند که در آن یک LLM بزرگ، بدون نیاز به آموزش سنتی یا گرادیان، پارامترهای مدل دیگری را مستقیماً تغییر می‌دهد. ‏در یک آزمایش، مدل Astra با تحلیل وزن‌های مدل Qwen3.5-0.8B، متوجه شد که این شبکه در لایه‌های ۱۵ و ۱۹ دچار حلقه تکرار در استدلال می‌شود. با تغییر تنها ۰.۰۱۶٪ از کل وزن‌ها (حدود ۱۳۱ هزار پارامتر از ۸۰۰ میلیون)، عملکرد مدل در بنچمارک‌های ریاضی جهش قابل‌توجهی داشت: ‏- MATH-500: رشد از ۷.۹٪ به ۴۸.۱٪ ‏- GSM8K: رشد از ۱۳.۸٪ به ۶۷.۱٪ ‏- IFEval: رشد از ۲۱٪ به ۶۲.۳٪ ‏این بهبود عمدتاً ناشی از رفع نقص منطقی در لایه‌های MLP بود. علاوه بر این، Astra توانست وزن‌های یک مدل بازی‌ساز را از صفر تولید کند که عملکردی فراتر از مدل‌های آموزش‌دیده با ۱۰۰ میلیون گام PPO داشت. این رویکرد نشان می‌دهد که می‌توان با تحلیل مستقیم تنسورها، رفتارهای نامطلوب مدل‌های کوچک‌تر را بدون آموزش مجدد اصلاح کرد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏🤖 افزودن واترمارک پنهان به خروجی مدل‌های Grok در API ‏از شنبه (۷ نوامبر)، متون تولیدشده توسط هفت مدل Grok در API به‌صورت پیش‌فرض حاوی واترمارک نامرئی خواهند بود. این تغییر برای انطباق با قانون هوش مصنوعی اتحادیه اروپا اعمال می‌شود. ‏این سیستم کاراکتر جدیدی به متن اضافه نمی‌کند، بلکه با تغییر جزئی در نحوه انتخاب توکن‌ها توسط مدل عمل می‌کند. ظاهر متن تفاوت ظاهری با خروجی‌های عادی ندارد، اما در ارزیابی‌های بعدی می‌توان متن را در سه حالت دارای واترمارک، بدون واترمارک یا نامشخص دسته‌بندی کرد. متون طولانی‌تر سیگنال قوی‌تری برای تشخیص ارائه می‌دهند. ‏واترمارک شامل پاسخ‌های متنی ساده، خروجی‌های ساختاریافته و فراخوانی ابزارها می‌شود. مدیران حساب‌ها فقط در صورت تأیید وجود معافیت قانونی می‌توانند آن را برای هر مدل غیرفعال کنند. دسترسی به ابزار تشخیص نیز مستلزم ثبت درخواست جداگانه است. ‏همچنین شرکت Anthropic از روز سه‌شنبه درج علامت روی متن مدل‌های قدیمی‌تر Claude را آغاز می‌کند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#GrokWatermarking #EUAIAct

‏🤖 انتشار ۷ پرامپت DeepSeek برای ساخت ابزارهای تعاملی در Creator Mode ‏شرکت DeepSeek مجموعه پرامپت‌های ۷ دموی کاربردی خود را در حالت Creator Mode ابزار DeepSeek Harness منتشر کرد. با این حالت می‌توان بدون توسعه دستی رابط کاربری، ابزارهای تعاملی ساخت. ‏مهم‌ترین موارد ارائه شده: ‏• تجسم سه‌بعدی معماری Transformer و محاسبات داخلی شبکه ‏• ویرایشگر ویدیو همراه با تایم‌لاین و کنترل تدوین از طریق چت ‏• ابزار مرور مقالات علمی PDF با امکان علامت‌گذاری، یادداشت‌نویسی و گفتگو درباره سند ‏• داشبورد مانیتورینگ برای پایش مصرف توکن، تخمین هزینه و بار CPU ‏• ویرایشگر پوستر و گالری تعاملی ‏تیم DeepSeek اعلام کرده که ساخت برخی ابزارها به چند مرحله گفتگو و اصلاح نیاز داشته است؛ به همین دلیل ارسال یک پرامپت تکی ممکن است دقیقاً همان خروجی دموها را بازتولید نکند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏معرفی بنچمارک مهندسی RWE-bench برای مدل‌های هوش مصنوعی ‏استارتاپ Xplore مجموعه‌ای شامل ۲۰ مسئله در حوزه‌های مکانیک، الکترونیک و مهندسی هوافضا با نام RWE-bench ارائه کرده است که توانایی مدل‌های هوش مصنوعی را در طراحی‌های مهندسی واقعی ارزیابی می‌کند. در این آزمون، مدل باید با استفاده از ابزارهایی نظیر CadQuery، Gmsh، CalculiX و پایتون، خروجی‌هایی منطبق با استانداردهای دقیق فنی تولید کند. ارزیابی پاسخ‌ها به‌صورت خودکار و از طریق حل‌کننده‌های فیزیکی انجام می‌شود. ‏در نتایج این بنچمارک، مدل‌های پیشرو به شرح زیر عمل کرده‌اند: ‏* GPT-6 Astra با ۳۷٪ موفقیت، بالاترین امتیاز را کسب کرده است. ‏* Claude Opus 5.5 با ۲۹٪ در جایگاه دوم قرار دارد. ‏* GPT-6.1 Sol با ۲۵٪ موفقیت در رتبه سوم جای گرفته است. ‏* Gemini 4 Argon موفق به حل ۱۲٪ و Claude Fable 5.1 موفق به حل ۷٪ از مسائل شده‌اند. ‏تیم Xplore این مجموعه را برای آموزش مدل‌ها منتشر نمی‌کند و دسترسی به فرآیند ارزیابی تنها از طریق هماهنگی مستقیم امکان‌پذیر است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#RWE_bench #CadQuery

📣 ثبت‌نام مسیر یادگیری «مدیریت محصول» آغاز شد. مسیر یادگیری «مدیریت محصول» یک برنامه آموزشی جامع و ساختارمند است که به شما کمک می‌کند مهارت‌های موردنیاز برای ورود به دنیای مدیریت محصول و رشد حرفه‌ای در این حوزه را به‌صورت گام‌به‌گام یاد بگیرید. با این مسیر یادگیری، دانش و مهارت‌های خود را در حوزه مدیریت محصول توسعه دهید و برای مواجهه با چالش‌های واقعی این نقش آماده شوید. 🎁 ۳۰٪ تخفیف ویژه | به مدت محدود 🎁 💎 همراه با منتورهای تخصصی در قالب گروه اختصاصی پرسش‌وپاسخ ✅ آموزش‌های تخصصی و گام‌به‌گام ✅ ویدئوهای آفلاین آموزشی + وبینارهای اختصاصی آنلاین ✅ یادگیری همراه با پروژه‌های کاربردی ✅ گواهینامه معتبر آکادمی همراه اول ✅ امکان خرید اقساطی 🌐 برای دریافت کد تخفیف و تهیه مسیر یادگیری مدیریت محصول، روی لینک زیر بزنید: 🔗 https://l.hamrah.academy/xo7 ⭐️ @hamrah_academy | آکادمی همراه اول

‏📊 انتشار مدل چندوجهی LongCat-2.5 توسط Meituan ‏شرکت Meituan از مدل هوش مصنوعی LongCat-2.5 رونمایی کرد. این مدل به‌طور اختصاصی برای پردازش تصاویر، تولید کد و اجرای وظایف مهندسی طولانی طراحی شده است. ‏طبق اعلام سازنده، این نسخه در مقایسه با مدل‌های قبلی در دو حوزه درک بصری و توانایی برنامه‌نویسی بهبود یافته است تا بتواند زنجیره‌ای از دستورات و وظایف پیچیده‌تر را با تعداد پرامپت کمتر اجرا کند. ‏دسترسی به این مدل در حال حاضر از طریق چت‌بات اختصاصی Meituan و API فراهم شده است. نسخه نهایی وزن‌های مدل برای دسترسی عمومی در پلتفرم‌های GitHub و Hugging Face در آینده منتشر خواهد شد. فعلاً ارزیابی کاربرد عملی این ابزار به انتشار مستقل وزن‌ها و نتایج بنچمارک‌های مستقل وابسته است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#LongCat_2_5 #Meituan

‏🤖 عرضه مدل هوش مصنوعی Brush توسط Canva ‏شرکت Canva از مدل هوش مصنوعی اختصاصی خود با نام Brush رونمایی کرد. این مدل یک Vision-Language Model است که علاوه بر تحلیل تصاویر، ساختار لایه‌ها، چیدمان (Layout)، فونت‌ها و سبک کلی طراحی را درک می‌کند. ‏قابلیت‌های کلیدی Brush شامل موارد زیر است: ‏* ویرایش متن در اسلایدها ‏* تغییر استایل کلی ارائه‌ها ‏* تطبیق طراحی‌ها با فرمت‌های متفاوت ‏این مدل از یک حلقه عامل (Agent Loop) استفاده می‌کند؛ به این صورت که ابتدا کد لازم برای تغییر المان‌ها را می‌نویسد و اجرا می‌کند، سپس نتیجه را به‌صورت بصری بررسی کرده و در صورت نیاز اصلاحات لازم را اعمال می‌کند. در تست‌های داخلی، سرعت انجام وظایف ویرایشی با این مدل ۶۹ درصد افزایش و هزینه پردازش هر وظیفه ۴۶ درصد کاهش یافته است. ‏این ابزار بر پایه یک مدل متن‌باز ساخته شده و برای تسک‌های طراحی، با استفاده از یادگیری تقویتی (Reinforcement Learning) آموزش دیده است. تغییرات ایجاد شده توسط این مدل همچنان به‌صورت دستی قابل ویرایش باقی می‌مانند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#CanvaBrush #AgentLoop

‏🌐 مدل‌های کوچک‌تر با بازنمایی دقیق‌تر جهان ‏یان لکان و رندال بالستریرو در پژوهش جدید خود نشان داده‌اند که یادگیری مدل‌های زبانی از طریق پیش‌بینی کلمه بعدی، روشی ناکارآمد برای درک واقعیت است. آن‌ها ثابت کردند مدل‌هایی که از دو دیدگاه متفاوت از یک صحنه (مانند عکس و کپشن آن) آموزش می‌بینند، به بازنمایی درونی دقیق‌تری از جهان می‌رسند. ‏این رویکرد جدید که در مقاله اخیر محققان AMI Labs منتشر شده، نتایج قابل‌توجهی دارد: ‏• رسیدن به عملکرد مدل‌های تصویری تنها با ۲۱.۶ میلیون نمونه آموزشی، در حالی که روش‌های سنتی به ۹۰۰ میلیون نمونه نیاز دارند. ‏• برتری یک مدل متنی ۱۰۹ میلیون پارامتری نسبت به مدل‌های زبانی بسیار بزرگ‌تر از جمله Qwen2.5-72B در همسویی با مدل‌های تصویری. ‏این یافته‌ها نشان می‌دهد که یادگیری از داده‌های چندوجهی می‌تواند جایگزین بهینه‌تری برای پیش‌بینی متن خالص در ساخت مدل‌های هوش مصنوعی باشد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #12 | 📌 5 آیتم گزارش | 🧾 از 15 پست بررسی‌شده 🕐 یکشنبه 1405/08/10 ساعت 14:00 تا دوشنبه 1405/08/11 ساعت 14:00 تصمیم‌گیری غیرتولیدی با ارزیابی گزینه‌ها در مدل‌های محلی محاسبه مستقیم احتمال گزینه‌ها در یک گذرِ جلو بدون تولید متن، نیاز به نمونه‌گیری توکن به توکن را در مسائل تصمیم‌گیری حذف می‌کند و تأخیر استنتاج را کاهش می‌دهد. این رویکرد برای سیستم‌های رتبه‌بندی یا تخصیص منبع محلی مناسب است، اما افت عملکرد نسخه کوانتایزشده در مدهای چندرسانه‌ای، به‌کارگیری آن را فعلاً به ورودی‌های متنی محدود می‌سازد. 🔬 مدل‌ها و ابزارهای مهندسی هوش مصنوعی انتشار کدهای منبع ایجنت dsh-superagent دیپ‌سیک سورس‌کد پروژه آزمایشی دیپ‌سیک برای تعامل مستقیم با گیت‌هاب و خودکارسازی تغییرات برنامه‌نویسی منتشر شد. عرضه مدل تصمیم‌گیر متن‌باز Drex Max v1 این مدل ۲۷ میلیارد پارامتری با محاسبه احتمال گزینه‌ها در یک گذر، برای اجرای محلی روی سخت‌افزار محدود ارائه شد. انتشار مدل سبک Nemotron-3.5 Bolt E4B ان‌ویدیا مدل ۸ میلیارد پارامتری ان‌ویدیا با ۴ میلیارد پارامتر فعال و پنجره بافت ۶۴ هزار توکنی برای پردازش لبه منتشر شد. معرفی بنچمارک GDPx توسط SemiAnalysis بنچمارک جدید GDPx توانایی مدل‌های هوش مصنوعی را در وظایف تخصصی چندمرحله‌ای طی پنجره زمانی ۸ ساعته می‌سنجد. توسعه ابزارهای جانبی برای مدیریت Claude Code مجموعه ۵ ابزار جدید برای کاهش مصرف توکن، حفظ حافظه بین‌جلسه‌ای و تغییر خودکار مدل در Claude Code معرفی شدند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما