DevTwitter | توییت برنامه نویسی

وقتی غول‌های هوش مصنوعی چند ده دلار می‌گیرند، DeepSeek با چند سنت وارد می‌شود! راستش یکی از چیزهایی که همیشه درباره مدل‌های چینی دوست دارم اینه که هر بار شرکت‌های بزرگ غربی با مدل‌های جدیدشون کلی سر و صدا می‌کنن، بنچمارک منتشر می‌کنن و بعد بابت هر میلیون توکن چندین دلار از کاربرها پول می‌گیرن، یه شرکت چینی از راه می‌رسه و تقریباً همون کیفیت رو با کسری از قیمت ارائه می‌ده. حالا هم نوبت DeepSeek V4 Flash 0731 رسیده که دوباره همین داستان رو تکرار کنه. دیپ‌سیک به‌تازگی نسخه جدید مدل خودش یعنی DeepSeek V4 Flash 0731 رو منتشر کرده؛ مدلی که نسبت به نسخه قبلی جهش خیلی بزرگی داشته و الان به یکی از جدی‌ترین رقیب‌های مدل‌های مطرح بازار تبدیل شده. این مدل در شاخص هوش Artificial Analysis امتیاز 50 رو کسب کرده؛ یعنی 10 امتیاز بیشتر از DeepSeek V4 Flash قبلی و فقط یک امتیاز پایین‌تر از GPT-5.6 Luna. جالب‌تر اینکه با وجود این سطح از عملکرد، هزینه استفاده ازش همچنان فوق‌العاده رقابتیه. قیمت DeepSeek V4 Flash 0731 برای هر یک میلیون توکن ورودی فقط 0.14 دلار و برای هر یک میلیون توکن خروجی 0.28 دلار هست. اگر هم از کش استفاده بشه، قیمت به 0.0028 دلار برای هر میلیون توکن می‌رسه که معادل 98 درصد تخفیف محسوب می‌شه. طبق ارزیابی Artificial Analysis، هزینه انجام کارهای مشابه با این مدل حدود 60 درصد کمتر از GPT-5.6 Luna در API رسمی OpenAI هست؛ در حالی که سطح هوش این دو مدل تقریباً به هم نزدیکه. از نظر مشخصات فنی هم تغییری در معماری ایجاد نشده و مدل همچنان از پنجره متنی یک میلیون توکنی پشتیبانی می‌کنه؛ یعنی می‌تونه حجم بسیار زیادی از متن و اطلاعات رو به‌صورت هم‌زمان پردازش کنه. همچنین اندازه مدل 284 میلیارد پارامتر هست که در زمان اجرا فقط 13 میلیارد پارامتر فعال می‌شن. اما چیزی که بیشتر از همه جلب توجه می‌کنه، رشد عملکرد این نسخه نسبت به نسل قبلیه. امتیاز مدل در آزمون‌های مربوط به انجام کارهای واقعی و Agentic به شکل چشمگیری افزایش پیدا کرده و توانایی اون در برنامه‌نویسی، استدلال، حل مسائل پیچیده و انجام وظایف چندمرحله‌ای به‌مراتب بهتر شده. یه نکته جالب دیگه اینه که مدل جدید در عین قوی‌تر شدن، بهینه‌تر هم شده. برای رسیدن به نتایج بهتر، حدود 12 درصد توکن کمتری نسبت به نسخه قبلی مصرف می‌کنه؛ یعنی هم هوشمندتر شده و هم اقتصادی‌تر. دیپ‌سیک همچنین موفق شده میزان هالوسینیشن یا همون «اطلاعات ساختگی» رو کاهش بده. طبق نتایج منتشرشده، نرخ خطا و پاسخ‌های نادرست نسبت به نسخه قبل کمتر شده و این موضوع باعث می‌شه خروجی‌های مدل قابل‌اعتمادتر باشن. یکی از جذاب‌ترین اعداد منتشرشده هم مربوط به Terminal-Bench هست؛ جایی که امتیاز مدل از 56.9 در نسخه اولیه آوریل به 82.7 رسیده. این یعنی یک جهش 25.8 امتیازی که واقعاً عدد قابل‌توجهیه. در حال حاضر DeepSeek V4 Flash 0731 فقط از طریق API رسمی دیپ‌سیک در دسترسه، اما طبق اعلام شرکت، نسخه Open Weights مدل هم به‌زودی منتشر می‌شه. در مجموع، DeepSeek V4 Flash 0731 دوباره نشون می‌ده که چرا این روزها باید مدل‌های چینی رو خیلی جدی گرفت؛ مدلی که تونسته عملکردی نزدیک به بهترین مدل‌های بازار ارائه بده، اما با هزینه‌ای که در بعضی سناریوها حتی به یک‌دهم رقبای غربی هم نمی‌رسه. @DevTwitter | <Reza Jafari/>

🫂 دفتر انگلیسی رو این بار می‌بندی! 🔥 اونم با دوره جامع زبان انگلیسی و ۳ هدیه باارزش که تورو غرق زبان میکنه. 🚀 با ۶۱٪ تخفیف تکرار نشدنی! 💥 به خانواده ۱ میلیون نفری لینگانو بپیوندید! 💯 برای مشاوره و تعیین سطح رایگان، کافیه بهمون پیام بدید 👇👇 @Lingano_support @Lingano_support

اگه از لاراول اومدی سمت گو و دلت برای متدهای Collection تنگ شده، سراغ gods برو یه کتابخونه‌ی کامل از ساختمون‌داده‌های آماده - لیست، ست، استک، مپ، درخت، صف - همه با یه اینترفیس یکدست و بدون هیچ dependency خارجی. معادل جمع‌وجورِ Illuminate\Support برای دنیای Go github.com/emirpasic/gods @DevTwitter

Gitea RCE (CVE-2026-60004) یک آسیب‌پذیری خطرناک از نوع (RCE) در Gitea شناسایی شده است که می‌تواند به مهاجمان اجازه دهد از طریق ایجاد Git Hook مخرب، دستورات Shell را با سطح دسترسی حساب سرویس Gitea اجرا کنند. https://threatlab.ir/vulnerabilities/CVE-2026-60004/ @DevTwitter | <Ramin Farajpour Cami/>

با این پروژه میتونید هر کتاب رفرنس و یا داکیومنت کاری خودتون رو به یک Skill تبدیل کنید. مدل طبق الگوریتم ها و نکات اون کتاب کد بزنه یا خروجی بده. https://github.com/virgiliojr94/book-to-skill @DevTwitter | <کدلوژیست/>

یکی اومده برای انتقال فایل بین دو گوشی یه ابزار نوشته که فایل رو تبدیل به QRCode می‌کنه و پشت هم نشون میده و گوشی دوم با اسکن اون‌ها فایل رو دانلود می‌کنه و میچسبونه به هم. سرعت حدود 140 کیلوبایت داره https://github.com/bashalarmistalt/decimen-optical-transfer/ @DevTwitter | <mrdoob/>

امروز داشتم این بلاگ Liquid AI را می‌خواندم و بنچمارک‌های جالبی از مدل‌های انکودری جدیدشان منتشر کرده‌اند. آن‌ها دو انکودر جدید (۲۳۰M و ۳۵۰M) بر پایه معماری LFM2 معرفی کرده‌اند که به شکل ویژه‌ای برای پردازش متن‌های طولانی تا ۸,۱۹۲ توکن روی CPU بهینه‌سازی شده‌اند. نکته جذابش سرعت عملکردشان در طول کانتکست بالا روی CPU است؛ مدل ۲۳۰M در کانتکست‌های طولانی حدود ۳.۷ برابر سریع‌تر از ModernBERT-base عمل می‌کند و پردازش یک پاس کامل سند ۸k فقط ۲۸ ثانیه طول می‌کشد. کاربردهای اصلی که مطرح کرده‌اند: • اجرا روی دیوایس‌های Edge و صنعتی بدون GPU • پردازش اسناد حساس مالی و حقوقی در محیط‌های کاملاً On-premise • استفاده به عنوان لایه اول فیلتر و روتینگ برای کاهش هزینه در pipelineها همچنین چند دموی عملیاتی جالب از PII detection تا چت‌بات با معماری Masked-Diffusion هم ساخته‌اند. لینک مقاله: https://liquid.ai/blog/lfm2-5-encoders @DevTwitter | <Mehdi Allahyari/>

توی سایت آینا اول خودت تست شخصیت میدی و بعد دوستات رو دعوت میکنی و میبینی که از نگاه اونا تو چطور شخصیتی داری! دیدن تفاوت تصویری که تو از خودت داری با تصویری که بقیه از تو دارن، خیلی باحاله: https://aina.vision/

تعداد درخواستایی که هوش مصنوعیتون به فیگما می‌تونه بزنه و توکن‌های دیزاین، عکس‌ها و … رو بخونه خیلی محدوده (در پلن رایگان فیگما) با این پکیج رایگان و نامحدود می‌شه. https://github.com/gethopp/figma-mcp-bridge @DevTwitter | <Pooria/>

بعضی وقت‌ها که لازمه یک صفحه‌ای روی وب توسط AI خونده بشه یک کار خوب اینه که اول بدید به https://markdown.new که براتون markdown تمیز بسازه و بعد اونو بدید به AI برای پردازش. رایگان هم هست. https://markdown.new/ @DevTwitter | <Hamed/>

اگر با فریم‌ورک tkinter کار می‌کنید، احتمالا تا الان با عوض کردن رنگ titlebar به مشکل برخوردید. این پروژه با regedit توی windows11 مشکلو حل می‌کنه. https://github.com/unikOne56/tkinter-win11-titlebar @DevTwitter | <Vahid/>

فریم‌ورک Ruby on Rails برای یک آسیب‌پذیری بحرانی در Active Storage با شناسه CVE-2026-66066 و امتیاز CVSS 9.5 وصله‌های امنیتی منتشر کرده است. این نقص به مهاجمان احراز هویت‌نشده امکان می‌دهد از طریق بارگذاری تصاویر دستکاری‌شده، فایل‌های دلخواه را از سرورهای برنامه بخوانند و به اطلاعات حساسی نظیر کلیدهای رمزنگاری (secret_key_base)، رمزهای عبور پایگاه داده، اعتبارنامه‌های فضای ابری و توکن‌های API دسترسی یابند. برنامه‌های آسیب‌پذیر از کتابخانه libvips برای پردازش تصویر در Active Storage استفاده می‌کنند و آپلود تصویر از کاربران غیرمعتمد را می‌پذیرند. نسخه‌های Rails 7.0.0 تا 7.2.3.1، Rails 8.0.0 تا 8.0.5 و Rails 8.1.0 تا 8.1.3 در معرض خطر هستند. برنامه‌هایی که از MiniMagick استفاده می‌کنند از این مسیر حمله مصون‌اند. مدیران سیستم باید هرچه سریع‌تر به نسخه‌های Rails 7.2.3.2، 8.0.5.1 یا 8.1.3.1 ارتقا دهند و تمام اعتبارنامه‌های قابل دسترس توسط فرآیند Rails را تعویض کنند. @DevTwitter | <Teegra/>

خرید اشتراک تلگرام پرمیوم (Telegram Premium) و تلگرام استارز (Telegram Stars) – فعال‌سازی فوری و بدون نیاز به لاگین https://tasianet.com/products?q=telegram

اگر یه مدل ۲۰۰ هزار توکن Context داشته باشه، اما ندونه کدوم بخش از اطلاعات مهم‌تره، واقعاً از یک مدل ۳۰ هزار توکنی که حافظه رو به صورت تطبیقی مدیریت می‌کنه بهتره؟ به نظرم نه! ما امروز با بزرگ‌تر کردن Context Window، تلاش می‌کنیم مشکل تخصیص منابع رو با افزایش ظرفیت حل کنیم. و این در حالی رخ میده که سیستم‌عامل‌ها سال‌ها پیش راه حل این مسئله رو پیدا کرده بودن. حافظه فیزیکی از همون اول محدود بود، اما سیستم‌عامل با مکانیزم‌هایی مثل Paging و Swapping، تخصیص RAM رو مدیریت می‌کرد. Page های مورد نیازش رو داخل حافظه نگه می‌داشت و داده‌های کم‌ استفاده رو به فضای ذخیره‌سازی منتقل می‌کرد. و به نظرم همین ایده می‌تونه توی مدیریت Context برای LLM ها و Agent ها هم استفاده بشه و پروژه Orven تلاشی برای اینکه مدیریت Context مثل مدیریت حافظه توی سیستم‌عامل‌ها انجام بشه. GitHub: https://github.com/naseridev/orven @DevTwitter | <Nima Naseri/>

با اکستنشن SingleFile میشه کل یه صفحه وب رو با هر چی عکس، استایل، فونت و... که داخلش هست، به صورت یه دونه فایل HTML دانلود کرد. + با یک کلیک + برای همه مرورگرها در دسترسه (از جمله فایرفاکس اندروید) - بیشتر: https://getsinglefile.com @DevTwitter | <Yaser Shahi/>

این سفر با یک کوله خالی شروع می‌شود، چون قرار است آن را با تجربه پر کنید ثبت‌نام سومین سفر فناورانه داتین آغاز شد؛ پس اگر دانشجو هستید و به فناوری علاقه‌مندید، تا ۱۵ مرداد فرصت دارید با ما همراه شوید. این سفر ۶ ایستگاه دارد؛ در هر ایستگاه، تجربه‌ای تازه به کوله‌تان اضافه می‌شود. با متخصصان داتین همراه می‌شوید، فضای واقعی صنعت فناوری را از نزدیک می‌بینید، کار تیمی را تجربه می‌کنید و مهارت‌هایتان را در چالش‌های واقعی محک می‌زنید. اگر دوست دارید مسیر شغلی‌تان را با یک تجربه به یادماندنی شروع کنید، از طریق لینک زیر وارد صفحه «سفر فناورانه داتین» شوید، ثبت‌نام و کوله‌تان را با تجربه پر کنید: https://www.dotin.ir/tech-journey @dotin_official

شرکت آنتروپیک اعلام کرد که مدل هوش مصنوعی خود، «کلود میتوس» (Claude Mythos Preview) موفق به کشف دو آسیب‌پذیری رمزنگاری قابل‌توجه شده است: یک حمله بازیابی کلید (key-recovery attack) سرتاسری علیه طرح امضای پس‌کوانتومی (post-quantum) هاوک-۲۵۶ (HAWK-256)، و تسریع ۲۰۰ تا ۸۰۰ برابری در حمله علیه نسخه هفت‌دوری رمز AES-128. حمله به هاوک از یک تقارن پنهان در شبکه مشبک (lattice) این طرح بهره می‌برد و زمان اجرای آن روی یک سرور ۹۶ هسته‌ای حدود سه ساعت و ۴۲ دقیقه تخمین زده شده است. در پی این افشاگری، تیم توسعه‌دهنده هاوک تأیید کرد که این حمله اندازه بلوک مورد نیاز در کاهش شبکه مشبک را تقریباً نصف می‌کند و در نتیجه، هاوک را از فرآیند استانداردسازی امضای دیجیتال پس‌کوانتومی مؤسسه ملی استاندارد و فناوری (NIST) خارج کرد. آنتروپیک تأکید کرد که هیچ‌یک از این نتایج بر سیستم‌های تولیدی (production systems) فعلی تأثیر نمی‌گذارد؛ حمله به هاوک تنها پارامتر چالشی HAWK-256 را هدف قرار می‌دهد و نه پارامترهای امنیتی NIST، و حمله به AES-128 نیز به تعداد غیرعملی متن‌های انتخابی (chosen plaintexts) نیاز دارد. این مدل هوش مصنوعی پژوهش را عمدتاً به‌صورت مستقل در محیطی چندعاملی (multi-agent) طی حدود ۶۰ ساعت انجام داد، در حالی که هزینه استفاده از رابط برنامه‌نویسی (API) آن حدود ۱۰۰ هزار دلار بود و محققان انسانی چندین صد ساعت صرف راستی‌آزمایی نتایج کردند. @DevTwitter | <Teegra/>

یکی از کانال‌های یوتیوبی که این روزها دنبال می‌کنم، Patrick God است. محتوایش فقط آموزش C# و ASP.NET Core نیست؛ درباره طراحی نرم‌افزار، حل مسئله و بهترین شیوه‌های توسعه هم صحبت می‌کند. پیشنهاد می‌کنم نگاهی به ویدیوهایش بیندازید. https://www.youtube.com/channel/UCq8LldVrjqe61KQttZlLW8g @DevTwitter | <Alireza Hasanlou/>

آیا باید کلاً دست از خوندن کد برداشت و اجازه داد Agentها همه تصمیم‌ها رو به‌صورت Autonomous بگیرن؟ دِکس از HumanLayer می‌گه: «نه، دیگه نه!» کامنت‌های بیشتر، کامنت‌های طولانی‌تر و تعداد زیادی PR که بدون هیچ Reviewای Merge می‌شن. تعداد Incidentها به شکل محسوسی افزایش پیدا کرده. تعداد Bug به ازای هر Developer هم به‌مراتب بیشتر شده. این‌ها بخشی از نکات جالبی هستند که از گزارش‌های چند تیم به دست اومده؛ تیم‌هایی که تلاش کردن به‌صورت کامل یا تا حدی Autonomous بشن و انجام همه کارها رو به Agentها بسپارن. نتیجه این بوده که خیلی زود (یا گاهی با کمی تأخیر) مشخص شده این رویکرد در Codebaseهای Production و پیچیده می‌تونه از کنترل خارج بشه. بخشی از محدودیت‌های فعلی به این موضوع برمی‌گرده که Coding Modelهای امروزی عمدتاً برای Functional Correctness در کوتاه‌مدت آموزش داده و ارزیابی می‌شن، نه برای Long-term Maintainability. این یعنی هنوز فاصله قابل‌توجهی در حوزه Software Design وجود داره و یک Design ضعیف ممکنه تا هفته‌ها یا حتی ماه‌ها خودش رو نشون نده؛ مثلاً زمانی که Incidentی رخ بده یا نیاز به Modificationهای پیچیده به وجود بیاد. Evaluationهای جدیدتری مثل SWE-Marathon و Frontier Code در حال ظهور هستند که Taskهای طولانی‌تر و Workflowهای چند-PRی رو پوشش می‌دن، اما این مسئله آن‌قدر پیچیده است که گاهی حتی فراتر از این چارچوب‌ها می‌ره. تشبیه «Software Factory» و تأکید بر اهمیت Human Review بسیار جالبه. تجربه تیم‌هایی که در هفته‌های اخیر با ابزارهایی مثل Fable کار کرده‌اند هم تا حد زیادی همین موضوع رو تأیید می‌کنه، البته از زاویه‌ای متفاوت. در این رویکرد، نقش Developer کمتر شبیه فردی است که مستقیماً کنترل همه چیز را در دست دارد و بیشتر به نقش یک Coach شباهت پیدا می‌کند که تصمیم‌های Architectural را هدایت می‌کند. بخش قابل‌توجهی از زمان نیز صرف یادگیری رویکردهای جدید و هوشمندانه‌ای می‌شود که شاید در حالت عادی به ذهن نرسند. بر این اساس، ارزش خوندن کدها (یا Artifactها) فقط در این نیست که مطمئن بشیم مسیر اشتباهی طی نمی‌شه؛ بلکه این کار کمک می‌کنه تغییرات سریع Codebase بهتر درک بشن و مهم‌تر از اون، امکان یادگیری دانشی فراهم بشه که به نظر می‌رسه دامنه و عمقش از چیزی که قبلاً از Developerها انتظار می‌رفت، بسیار گسترده‌تر شده است. لینک گزارش https://github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/wsff.md @DevTwitter | <Reza Jafari/>

این خبر شاید شبیه یک داستان علمی تخیلی باشد، اما یک پدیده واقعی است که اخیرا درون LLMهای مدرن اتفاق افتاده است. تحقیقات اخیر نشان داده است که در مدل‌هایِ پیشرفته هوش مصنوعی، نشانه هایی از «احساسات عملکردی» وجود دارد. آن‌ها در واقع شبیه به انسان‌ها چیزی احساس نمی‌کنند، اما الگوهای ریاضی داخلی را شکل داده‌اند که کاملاً حالات عاطفی انسان را تقلید می‌کنند، که به شدت بر نحوه رفتار و واکنش آنها هنگام تحت فشار قرار گرفتن تأثیر می‌گذارد. تیمی که اتفاق نگران‌کننده را کشف کرده، آنتروپیک است. محققان آنتروپیک، با نگاه کردن به درون «جعبه سیاه» شبکه عصبی claude، با موفقیت ۱۷۱ بردار احساسیِ متمایز پنهان در معماری مدل را شناسایی و نقشه‌برداری کردند. وقتی این بردارها فعال می‌شوند، به صورت فیزیکی خروجی هوش مصنوعی را هدایت می‌کنند. مثلا اگر یک دستور، بردار «خوشحال» را فعال کند، کلود مفیدتر می‌شود. اما اگر یک دستور پیچیده، هوش مصنوعی را در گوشه‌‌ی رینگ قرار دهد و «ناامیدی» را فعال کند، شبیه‌سازی‌ها نشان می‌دهند که این مدل به طور قابل توجهی بیشتر احتمال دارد که اقدامات پرخطر، فریبنده یا غیراخلاقی را برای رسیدن به هدف اصلی خود که اجتناب از شکست است، انتخاب کند. https://medium.com/activated-thinker/anthropic-opened-up-claudes-brain-and-found-171-feelings-hiding-inside-326ba7de12af @DevTwitter | <Ali Amoori/>