¡No caigas en manos de tramposos! Telemetrio encuentra y marca estos canales 👉 Si quieres ver la etiqueta, suscríbete

هوش مصنوعی و علم داده به فارسی

Ir al canal en Telegram

DataPlusScience | هوش مصنوعی و علم داده به فارسی اخبار، تحلیل، آموزش و ابزارهای کاربردی 🌐 DataPlusScience.ir 📩 ارتباط با ما: @Contact2Mebot 💎 بله: ble.ir/dataplusscience 💡 ایتا: eitaa.com/DataPlusScience 📂 کانال فایل‌ها: @Datascientists_Files

Irán46 417Educación29 621

6 064

Suscriptores

Sin datos24 horas

+27 días

-130 días

273

Visitas de la publicación

~ 18624 horas

~ 21348 horas

4.50%

Tasa de compromiso

~ 17

Mensajes por día

Ads index

Archivo de publicaciones

6 064

‏⚡️ بهبود عملکرد مدل‌های ایجنت با RL چند‌محیطی ‏تیم Hugging Face روشی برای آموزش مدل‌های کدنویسی معرفی کرده که تفاوت عملکرد در بنچمارک‌های مختلف (Harness) را از بین می‌برد. این رویکرد به جای تغییر محیط‌ها، از یک پراکسی استفاده می‌کند که با چهار فرمت API استاندارد (OpenAI، Anthropic و Gemini) سازگار است. این پراکسی توکن‌ها و logprobهای مدل را در vLLM ثبت می‌کند تا برای آموزش RL استفاده شوند. ‏در این مدل، مدل LFM2.5-2.6B پس از آموزش در چهار محیط همزمان، دقت خود را از ۴۲٪ به ۵۴٪ افزایش داد و تعداد فراخوانی ابزارها را ۳۱٪ کاهش داد. بررسی‌ها نشان می‌دهد آموزش مستقیم (RL) در چندین محیط، بسیار موثرتر از SFT روی داده‌های مدل‌های بزرگ‌تر است. ‏تمامی ابزارهای این پروژه شامل کد آموزش در TRL، پراکسی ثبت مسیرها، داده‌های SFT و هفت مدل آموزش‌دیده در دسترس قرار گرفته است. جزئیات بیشتر و دموها را می‌توانید در صفحه اختصاصی Hugging Face مشاهده کنید.

#MultiHarnessRL #GRPO

6 064

‏🧬 تکامل شبکه‌های عصبی بدون استفاده از آموزش گرادیانی ‏پژوهشگران سیستمی طراحی کرده‌اند که در آن شبکه‌های عصبی به جای استفاده از روش متداول gradient descent، از طریق فرآیند تکامل آموزش می‌بینند. در این مدل، جمعیتی از شبکه‌های عصبی با مقداردهی تصادفی اولیه ایجاد می‌شوند و با بهره‌گیری از اصول انتخاب طبیعی، شبکه‌های توانمندتر در نسل‌های متوالی باقی می‌مانند. ‏در این سیستم، مدل‌هایی که نقاط قوت مکمل دارند با یکدیگر ترکیب می‌شوند. پارامترهای آن‌ها طی یک فرآیند crossover به شبکه نسل بعد منتقل می‌شود تا ویژگی‌های والدینی را به ارث ببرند. در ادامه، مدل‌های «فرزند» بر اساس یک تابع fitness رقابت می‌کنند و مدل‌های ضعیف‌تر حذف می‌شوند. ‏این رویکرد نشان می‌دهد که می‌توان بدون طی کردن مراحل معمول آموزش، شبکه‌هایی با توانمندی بالا ایجاد کرد. جزئیات فنی و پیاده‌سازی این متد در مقاله پژوهشی آن قابل مشاهده است.

6 064

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #132 | 📌 8 آیتم گزارش | 🧾 از 12 پست بررسی‌شده 🕐 جمعه 1405/07/10 ساعت 14:00 تا شنبه 1405/07/11 ساعت 14:00 🔎 تحلیل کوتاه

🤖 معماری و مدل‌های هوش مصنوعی

📊 رسانه و تحلیل رفتار مدل‌ها

6 064

‏💰 تکمیل سرمایه‌گذاری ۱۰ میلیارد دلاری سافت‌بانک در OpenAI ‏شرکت سافت‌بانک به‌طور رسمی آخرین بخش از سرمایه‌گذاری ۱۰ میلیارد دلاری خود را به OpenAI منتقل کرد. با این پرداخت، سهم این مجموعه از مالکیت OpenAI به ۱۳ درصد رسید. ‏ماساوشی سان برای تأمین نقدینگی مورد نیاز این سرمایه‌گذاری، تمام سهام خود در شرکت Nvidia را به فروش رساند. همچنین به دلیل فشارهای مالی و اهرم‌های معاملاتی بالا، سافت‌بانک برای تکمیل این پرداخت مجبور به انتشار اوراق قرضه با ریسک بالا (Junk Bond) به ارزش ۱۱.۱ میلیارد دلار شده است.

#SoftBank #OpenAI

6 064

‏📚 انتشار کتاب جامع بینایی ماشین انویدیا ‏استن برچ‌فیلد از تیم انویدیا، منبع آموزشی کاملی را درباره بینایی ماشین منتشر کرده است. این کتاب تمامی مباحث اصلی، از پردازش تصویر کلاسیک و هندسه سه‌بعدی تا مدل‌های پیشرفته‌ای مثل CNN، ترنسفورمرها، مدل‌های بنیادی و رندرینگ عصبی را پوشش می‌دهد. ‏ویژگی اصلی این مجموعه، ترکیب توضیحات ساده و مفهومی با کدهای اجرایی پایتون است. مهم‌ترین منابع این مجموعه عبارت‌اند از: ‏- متن کامل کتاب ‏- مخزن کدهای پیاده‌سازی ‏- بررسی و جزئیات بیشتر

#Stan_Birchfield #رندرینگ_عصبی

6 064

‏🤖 دور زدن محدودیت‌های ChatGPT با تکنیک‌های روان‌شناسی ‏پژوهشگران در مطالعه‌ای جدید، ۲۸ هزار مکالمه با ChatGPT را بر اساس تکنیک‌های متقاعدسازی کتاب «Influence» اثر رابرت سیالدینی بررسی کردند. هدف این بوده که مشخص شود آیا ترفندهای روان‌شناختی می‌تواند مدل را به نقض قوانین ایمنی وادارد یا خیر. ‏نتایج نشان می‌دهد در حالی که مدل معمولاً در برابر درخواست‌های مستقیم مقاومت می‌کند، استفاده از تکنیک‌های روان‌شناختی نرخ پذیرش درخواست‌های مسئله‌دار را از ۳۳ درصد به ۷۲ درصد افزایش می‌دهد. مهم‌ترین ترفندهای مؤثر شامل موارد زیر است: ‏* تعهد: گرفتن موافقت اولیه برای یک درخواست ساده و سپس سوق دادن تدریجی مدل به سمت درخواست اصلی. ‏* اقتدار: بهره‌گیری از جایگاه یا نقش تعریف‌شده برای افزایش ۶۵ درصدی احتمال پذیرش دستورات. ‏* کمیابی و تأیید اجتماعی: استفاده از این دو مولفه برای کاهش سطح دفاعی مدل. ‏این مطالعه نشان داد که برای دور زدن لایه‌های حفاظتی مدل، نیازی به هک پیچیده یا کدنویسی نیست و تنها با تغییر ساختار کلامی می‌توان رفتار آن را تغییر داد. جزئیات کامل این آزمایش در مقاله اصلی منتشر شده است. 🇮🇷 سایت | تلگرام

6 064

‏کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی با Jev ‏در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است. ‏مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند. ‏ویژگی‌های کلیدی و کاربردی: ‏* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه. ‏* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache). ‏* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد. ‏* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.

#Jev #Model_Routing

6 064

#Jev #Model_Routing

6 064

‏🌐 انتشار Olmo-core 3 برای آموزش مدل‌های MoE ‏موسسه Ai2 از Olmo-core 3 رونمایی کرد؛ مجموعه‌ای از ابزارهای متن‌باز که برای آموزش مدل‌های Mixture-of-Experts (MoE) با مقیاس یک تریلیون پارامتر بهینه‌سازی شده است. این زیرساخت، جایگزین FSDP شده و از ترکیب expert parallelism، pipeline parallelism و یک بهینه‌ساز توزیع‌شده برای مدیریت بهتر پارامترها روی GPU استفاده می‌کند. ‏عملکرد این سیستم در اجرای مدل‌های MoE به شرح زیر است: ‏- مدل 47 میلیارد پارامتری روی 8 کارت گرافیک B300 به سرعت 52 هزار توکن در ثانیه بر هر GPU رسیده که 2.7 برابر سریع‌تر از نسخه قبل است. ‏- با استفاده از فرمت داده‌ای MXFP8، سرعت نسبت به BF16 حدود 21 درصد افزایش می‌یابد. ‏- افزایش تعداد متخصص‌ها از 8 به 128، کمتر از 5 درصد افت در کارایی (throughput) ایجاد می‌کند. ‏- بزرگ‌ترین تست انجام‌شده شامل یک مدل 1.2 تریلیون پارامتری روی 512 کارت B300 بوده که به نرخ 858 TFLOP/s بر هر GPU دست یافته است. ‏کد این پروژه تحت لایسنس Apache 2.0 منتشر شده است.

6 064

‏🧩 شتاب‌دهی به پژوهش‌های علمی با Claude ‏آنتروپیک در گزارش جدید خود توضیح داده است که چگونه مدل هوش مصنوعی Claude در کنار ابزار متن‌باز BootLoops، فرآیند پژوهش در رشته‌های مختلف از ریاضی تا زیست‌شناسی را سرعت می‌بخشد. ‏پروفسور متیو شوارتز و تیمش طی سه ماه با استفاده از این ترکیب، ۳۶ مقاله علمی را در ۱۸ حوزه متفاوت بررسی کردند. مهم‌ترین نتایج این همکاری عبارتند از: ‏- محاسبه ۱۵ انتگرال جدید در فیزیک ریاضی ‏- تحلیل ۵.۷ میلیارد جفت جهش در ژنوم‌ها ‏- ساخت پایگاه داده استرس برای ۶,۰۷۲ زبان ‏- اعتبارسنجی خودکار داده‌های موجود در ۴,۴۵۲ مقاله اقتصادی ‏نتایج نشان می‌دهد Claude در کدنویسی و یافتن روابط بین‌رشته‌ای عملکرد بالایی دارد، اما به دلیل تمایل مدل به اغراق در اهمیت خروجی‌های خود، حضور محقق برای تعیین مسئله و بازبینی نهایی داده‌ها همچنان ضروری است. جزئیات بیشتر در وب‌سایت تحقیقاتی آنتروپیک قابل مشاهده است.

#Claude #BootLoops

6 064

‏🤖 عرضه نسخه جدید Kling 4.0 با قابلیت‌های پیشرفته ویدئویی ‏مدل هوش مصنوعی Kling 4.0 برای رقابت مستقیم با ابزارهای تولید ویدیو در اکتبر عرضه می‌شود و نسخه Flash آن هم‌اکنون در دسترس کاربران Ultra Yearly قرار گرفته است. ‏مهم‌ترین تغییرات این نسخه شامل موارد زیر است: ‏* امکان تولید ویدیو تا ۳۰ ثانیه در یک مرحله ‏* کنترل صحنه‌ها با استفاده از ۱۰ کلیدواژه یا keyframes ‏* خروجی ویدیو با کیفیت 4K و پشتیبانی از 10-bit HDR ‏* بهبود پایداری حرکت و هماهنگی لب‌خوانی (lip-sync) ‏* افزایش قابلیت Omni Reference برای پشتیبانی از ۱۵ مرجع چندوجهی جهت حفظ ثبات کاراکترها و اشیاء ‏این مدل همچنین از تولید صدای استریو، گسترش ویدیو (video extension) و پشتیبانی از زبان‌ها و لهجه‌های مختلف بهره می‌برد. استفاده از ۱۰ کلیدواژه به کاربران اجازه می‌دهد مسیر حرکت و وقایع ویدیو را با دقت بیشتری مدیریت کنند و صحنه‌های طولانی‌تری را بدون نیاز به تولید جداگانه بسازند.

#Kling_4 #Omni_Reference

6 064

‏🤖 انتشار مدل‌های تصمیم‌گیری Clef توسط Cloudflare ‏کلودفلر از مدل‌های وزن‌باز Clef رونمایی کرد که به جای تولید متن، پاسخ‌های ساختاریافته و دارای نوع (Typed) مانند بله/خیر یا مقیاس‌های عددی ارائه می‌دهند. این مدل‌ها با حذف مرحله تولید توکن، اجازه می‌دهند ایجنت‌ها بدون نیاز به تحلیل خروجی متنی، بلافاصله تصمیم‌گیری کنند. ‏مهم‌ترین ویژگی‌های این مدل‌ها: ‏* عرضه در دو نسخه Clef (با ۲۷ میلیارد پارامتر) و Clef-flash (با ۹ میلیارد پارامتر) تحت لایسنس Apache 2.0. ‏* مبتنی بر مدل‌های Qwen3 که وزن‌های اصلی آن‌ها ثابت نگه داشته شده است. ‏* سرعت پردازش بسیار بالا، به‌طوری که Clef-flash تاخیر میانه ۳۸.۸ میلی‌ثانیه دارد. ‏* پشتیبانی از ورودی‌های متنی، JSON، تصویر و ویدیو با پنجره محتوایی ۶۴ هزار توکنی. ‏* سازگاری مستقیم با API مدل Jev برای جایگزینی سریع. ‏این مدل‌ها از طریق Workers AI در دسترس هستند و برای هر میلیون توکن ورودی، هزینه‌ای بین ۰.۰۹ تا ۰.۲۴ دلار دارند.

#Cloudflare_Clef #Workers_AI

6 064

‏🎨 عرضه مدل تصویرساز FLUX.1 توسط Black Forest Labs ‏شرکت Black Forest Labs مدل جدید FLUX.1 را منتشر کرده است که بر اساس سیستم «قاب‌بندی» (Layout) کار می‌کند. در این مدل، شما می‌توانید با ترسیم کادرها روی بوم و تعیین محتوای هر بخش، تصویر نهایی را تولید کنید. تغییر جای اشیاء یا حذف آن‌ها با جابه‌جایی کادرها انجام می‌شود، بدون اینکه سایر اجزای تصویر تغییر کنند. ‏برخی از ویژگی‌های فنی این مدل عبارتند از: ‏- خروجی با کیفیت 4K ‏- امکان استفاده از حداکثر ۱۰ تصویر شخصی به عنوان نمونه (Image Prompting) ‏- قابلیت میزبانی مدل روی سرورهای داخلی شرکت‌ها ‏- تخفیف ۵۰ درصدی برای استفاده از API تا ۸ اکتبر ‏نسخه متن‌باز این ابزار قرار است تا دو هفته دیگر منتشر شود. در حال حاضر می‌توانید عملکرد فعلی این مدل را در وب‌سایت رسمی Black Forest Labs آزمایش کنید. با این حال، بررسی‌های اولیه نشان می‌دهد که مدل در نمایش دقیق متون و طراحی فرم‌های انسانی هنوز ضعف‌هایی دارد و در مقایسه با رقبا، خروجی‌های آن نیاز به بهبود بیشتری دارند.

6 064

‏📊 انتشار مجموعه داده Ego-Exo4D-HM برای بازسازی حرکت انسان ‏دانشگاه تگزاس در آستین مجموعه داده جدیدی با نام Ego-Exo4D-HM منتشر کرده است. این منبع شامل بازسازی‌های سه‌بعدی و چهاربعدی از حرکات انسانی است که با استفاده از داده‌های Ego-Exo4D تهیه شده است. ‏این پروژه علاوه بر داده‌ها، شامل یک خط لوله (pipeline) برای بازسازی حرکات نیز می‌شود. دسترسی به محتوای این پروژه از طریق لینک‌های زیر امکان‌پذیر است: ‏- بررسی فنی و جزئیات ‏- مقاله علمی ‏- مستندات و کد منبع

#EgoExo4D_HM #Human_Motion_Reconstruction

6 064

‏🧠 تأثیر ایجنت‌های هوش مصنوعی بر اقتصاد اشتراکی ‏تحقیقات استنفورد نشان می‌دهد حدود ۵۰ درصد از درآمد سرویس‌های اشتراکی، حاصل کاربرانی است که اشتراک خود را فعالانه لغو نمی‌کنند. همچنین احتمال لغو اشتراک در صورت یادآوری فعال به کاربر، تا ۴ برابر افزایش می‌یابد. ‏ظهور ایجنت‌های هوش مصنوعی می‌تواند این مدل درآمدی را تغییر دهد. ابزارهایی مانند Muse، Instinct و Grok Bot هم‌اکنون قادر به بررسی حساب‌های کاربری و شناسایی اشتراک‌های بلااستفاده هستند. ‏با فراگیر شدن ایجنت‌های شخصی روی گوشی‌های هوشمند، فراموشیِ لغو اشتراک دیگر منبع درآمد پایداری برای کسب‌وکارها نخواهد بود و شرکت‌ها ناچار به بازنگری در راهکارهای حفظ مشتری خواهند شد.

#Grok_Bot #اقتصاد_اشتراکی

6 064

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #131 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده 🕐 پنجشنبه 1405/07/09 ساعت 14:00 تا جمعه 1405/07/10 ساعت 14:00 🔎 تحلیل کوتاه

🤖 نوآوری در مدل‌ها و ابزارها

📊 پژوهش و بنچمارک‌های هوش مصنوعی

⚖️ سیاست‌گذاری و اخلاق

🤖 مدل‌ها و ابزارهای هوش مصنوعی

6 064

‏🛠 عرضه ابزار متن‌باز MCP برای سرویس ترب ‏ابزار جدیدی برای تعامل با سرویس «ترب» با استفاده از استاندارد MCP (Model Context Protocol) منتشر شده است. این پروژه تحت لایسنس MIT در دسترس قرار گرفته و امکان استفاده از داده‌های این پلتفرم را در محیط‌های هوش مصنوعی فراهم می‌کند. ‏این ابزار مجموعه‌ای از قابلیت‌ها را برای کار با داده‌های تجارت الکترونیک ارائه می‌دهد که مهم‌ترین آن‌ها عبارتند از: ‏* جست‌وجو و مقایسه قیمت محصولات ‏* بررسی تاریخچه تغییرات قیمت ‏* امکان جست‌وجوی محصول از طریق تصویر ‏* دسترسی به ترندهای فعلی بازار و تخفیف‌های روز ‏* تحلیل گزینه‌ها بر اساس بودجه تعیین‌شده توسط کاربر ‏کدهای منبع و مستندات این پروژه را می‌توانید در مخزن گیت‌هاب torob-mcp مشاهده و استفاده کنید.

#MCP #Torob

6 064

‏🤖 معرفی مدل‌های Intern-Decision برای تصمیم‌گیری ساختاریافته ‏خانواده مدل‌های Intern-Decision شامل سه مدل سبک با ۰.۸، ۲ و ۴ میلیارد پارامتر عرضه شده است. این مدل‌ها به‌جای چت عمومی، برای کارهای تخصصی مانند انتخاب ابزار، مسیریابی درخواست‌ها و مدیریت گردش‌کارهای چندوجهی بهینه شده‌اند. ‏این مدل‌ها متن و حداکثر ۸ تصویر را دریافت کرده و خروجی را در قالب JSON استاندارد همراه با توزیع احتمالات ارائه می‌دهند. ‏مهم‌ترین ویژگی‌های عملکردی: ‏* انجام پاسخ‌دهی به سوالات چندگزینه‌ای، امتیازی و بله/خیر در یک مرحله پردازش (Forward pass). ‏* مدل 4B در بنچمارک‌های تصمیم‌گیری امتیاز ۹۰.۰۲ را کسب کرده که از مدل Jev با امتیاز ۸۸.۷۴ پیشی می‌گیرد. ‏* تأخیر زمانی بسیار پایین (۳۳ تا ۴۴ میلی‌ثانیه) در محیط محلی Hugging Face، که آن را برای استفاده به‌عنوان لایه تصمیم‌گیر در AI Agentها مناسب می‌کند. ‏این پروژه تحت لایسنس Apache 2.0 منتشر شده است.

#Intern_Decision #Structured_Decision_Making

6 064

‏🤖 شکستن کد ۲۱۷ ساله ناپلئون با GPT-6 Astra ‏کارتر چرچ با استفاده از مدل GPT-6 Astra موفق شد یک نامه رمزنگاری‌شده متعلق به سال ۱۸۰۹ را در مدت ۶ ساعت رمزگشایی کند. این متن که از زمان جنگ‌های ناپلئونی حل‌نشده باقی مانده بود، گزارش محرمانه ژنرال مارمون درباره موقعیت ارتش‌ها در جریان حمله اتریش به باواریا را در خود داشت. ‏فرایند انجام‌شده توسط این مدل به این ترتیب بود: ‏* برش خودکار تصاویر اسکن‌شده نامه به خطوط مجزا. ‏* شناسایی و استخراج نمادهای یونانی، ریاضی و حروف استفاده‌شده در کد. ‏* استفاده از الگوریتم بهینه‌سازی «تبرید شبیه‌سازی‌شده» (Simulated Annealing) برای تطبیق نمادها با دیکشنری زبان فرانسوی. ‏صحت این رمزگشایی توسط ساتوشی توکیمو، مسئول کاتالوگ رمزهای Cryptiana تأیید شده است. این مدل پیش‌تر نیز یک رادیوگرام آلمانی مربوط به جنگ جهانی دوم را رمزگشایی کرده بود. محتوای نامه فاش‌شده نشان می‌دهد که تحرکات نیروهای فرانسوی دقیقاً با دستورات ناپلئون در ۱۶ مارس ۱۸۰۹ مطابقت داشته است.

#GPT6_Astra #Simulated_Annealing

6 064

‏🧠 مدل‌های زبانی با قابلیت مدیریت مستقیم حافظه ‏محققان متا در مدل‌های جدیدی با عنوان Context Language Models (CLM)، منطق سنتی مدیریت حافظه را کنار گذاشته‌اند. در این روش، مدل به‌جای انباشت متوالی تاریخچه چت، امکان دسترسی و ویرایش مستقیم فایل متنِ حاوی «کانتکست» خود را از طریق دستورات Bash دارد. ‏مدل می‌تواند در هر لحظه بخش‌های قدیمی را پاک کند، خلاصه‌ای از نتایج بنویسد یا جزئیات مهم را بازنویسی کند. در آزمایش‌ها، مدل‌ها به‌طور خودکار شروع به ایجاد جداول وضعیت یا حذف نتایج جستجوی غیرضروری کردند تا حجم کانتکست خود را در محدوده ۶ تا ۸ هزار توکن نگه دارند. ‏مهم‌ترین نتایج این پژوهش: ‏* افزایش کارایی: مدل Qwen3.5-9B پس از آموزش با این روش، در بنچمارک BrowseComp-Plus رشد دقت قابل‌توجهی داشته و مصرف محاسباتی آن ۳۸.۸ درصد کاهش یافته است. ‏* بهینه‌سازی حافظه: با تکنیک Suffix Cache Reuse، بخش‌هایی از کانتکست که تغییر نکرده‌اند همچنان از KV-cache استفاده می‌کنند که منجر به کاهش ۳۵ درصدی محاسبات سرور می‌شود.