عصر گویش | هوش مصنوعی
Открыть в Telegram
📈 Аналитический обзор Telegram-канала عصر گویش | هوش مصنوعی
Канал عصر گویش | هوش مصنوعی (@asrgooyeshpardaz) языкового сегмента Фарси является активным участником. Сейчас сообщество объединяет 101 836 подписчиков, занимая 1 216 место в категории Технологии и приложения и 2 975 место в регионе Иран.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 101 836 подписчиков.
Согласно последним данным от 15 июля, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило -383, а за последние 24 часа — -34, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 1.58%. В первые 24 часа после публикации контент обычно набирает 0.92% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 1 604 просмотров. В течение первых суток публикация набирает 933 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 10.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как مدل, گفتار, بهطور, عامل, ابزار.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“مجله هوش مصنوعی عصر گویش
021 61931000”
Благодаря высокой частоте обновлений (последние данные получены 16 июля, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
101 836
Подписчики
-3424 часа
-877 дней
-38330 день
Загрузка данных...
Похожие каналы
Облако тегов
Входящие и исходящие упоминания
---
---
---
---
---
---
Привлечение подписчиков
июль '26
июль '26
+100
в 0 каналах
июнь '26
+169
в 1 каналах
Get PRO
май '260
в 0 каналах
Get PRO
апрель '260
в 0 каналах
Get PRO
март '260
в 0 каналах
Get PRO
февраль '260
в 0 каналах
Get PRO
январь '260
в 2 каналах
Get PRO
декабрь '25
+1
в 4 каналах
Get PRO
ноябрь '250
в 7 каналах
Get PRO
октябрь '250
в 6 каналах
Get PRO
сентябрь '250
в 5 каналах
Get PRO
август '250
в 5 каналах
Get PRO
июль '250
в 1 каналах
Get PRO
июнь '250
в 4 каналах
Get PRO
май '25
+2
в 1 каналах
Get PRO
апрель '250
в 1 каналах
Get PRO
март '250
в 0 каналах
Get PRO
февраль '250
в 0 каналах
Get PRO
январь '250
в 0 каналах
Get PRO
декабрь '24
+352
в 1 каналах
Get PRO
ноябрь '24
+588
в 0 каналах
Get PRO
октябрь '24
+53
в 4 каналах
Get PRO
сентябрь '24
+65
в 5 каналах
Get PRO
август '24
+14
в 6 каналах
Get PRO
июль '24
+317
в 6 каналах
Get PRO
июнь '24
+490
в 5 каналах
Get PRO
май '240
в 4 каналах
Get PRO
апрель '24
+452
в 4 каналах
Get PRO
март '24
+2 402
в 5 каналах
Get PRO
февраль '24
+5 784
в 9 каналах
Get PRO
январь '24
+8 641
в 14 каналах
Get PRO
декабрь '23
+17 410
в 7 каналах
Get PRO
ноябрь '23
+7 494
в 9 каналах
Get PRO
октябрь '23
+10 370
в 8 каналах
Get PRO
сентябрь '23
+14 111
в 0 каналах
Get PRO
август '23
+5 803
в 0 каналах
Get PRO
июль '23
+5 026
в 0 каналах
Get PRO
июнь '23
+7 915
в 0 каналах
Get PRO
май '23
+21 355
в 0 каналах
Get PRO
апрель '23
+43 552
в 0 каналах
Get PRO
март '23
+59 493
в 0 каналах
Get PRO
февраль '23
+3 388
в 0 каналах
Get PRO
январь '23
+1 433
в 0 каналах
Get PRO
декабрь '22
+517
в 0 каналах
Get PRO
ноябрь '22
+498
в 0 каналах
Get PRO
октябрь '22
+274
в 0 каналах
Get PRO
сентябрь '22
+464
в 0 каналах
Get PRO
август '22
+721
в 0 каналах
Get PRO
июль '22
+599
в 0 каналах
Get PRO
июнь '22
+1 527
в 0 каналах
Get PRO
май '22
+2 541
в 0 каналах
Get PRO
апрель '22
+1 061
в 0 каналах
Get PRO
март '22
+1 666
в 0 каналах
Get PRO
февраль '22
+2 147
в 0 каналах
Get PRO
январь '22
+6 134
в 0 каналах
Get PRO
декабрь '21
+4 172
в 0 каналах
Get PRO
ноябрь '21
+4 271
в 0 каналах
Get PRO
октябрь '21
+4 181
в 0 каналах
Get PRO
сентябрь '21
+1 061
в 0 каналах
Get PRO
август '21
+13 231
в 0 каналах
Get PRO
июль '21
+5 069
в 0 каналах
Get PRO
июнь '21
+2 973
в 0 каналах
Get PRO
май '21
+3 700
в 0 каналах
Get PRO
апрель '21
+5 497
в 0 каналах
Get PRO
март '21
+9 553
в 0 каналах
Get PRO
февраль '21
+5 411
в 0 каналах
Get PRO
январь '21
+3 903
в 0 каналах
Get PRO
декабрь '20
+46 342
в 0 каналах
| Дата | Привлечение подписчиков | Упоминания | Каналы | |
| 15 июля | 0 | |||
| 14 июля | +9 | |||
| 13 июля | +9 | |||
| 12 июля | +13 | |||
| 11 июля | 0 | |||
| 10 июля | 0 | |||
| 09 июля | +22 | |||
| 08 июля | +14 | |||
| 07 июля | 0 | |||
| 06 июля | +8 | |||
| 05 июля | 0 | |||
| 04 июля | +2 | |||
| 03 июля | 0 | |||
| 02 июля | +15 | |||
| 01 июля | +8 |
Посты канала
🧠 آزمایشگاه ماشینهای متفکر، مدل Inkling را عرضه میکند: یک مدل منبعباز با تمرکز بر سفارشیسازی
شرکتی که متشکل از محققان سابق OpenAI است، مدل پیشرو خود را معرفی کرد. به جای تلاش برای شکستن رکوردهای قبلی، سازندگان این مدل، بر تعادل و سازگاری آن با وظایف واقعی تمرکز کردهاند.
اطلاعات کلیدی:
• معماری MoE: ۹۷۵ میلیارد پارامتر (۴۱ میلیارد فعال)، با قابلیت پردازش متن تا ۱ میلیون توکن.
• چندوجهی: آموزش داده شده بر روی ۴۵ تریلیون توکن از متن، تصاویر، صدا و ویدیو.
• "عمق تفکر" قابل کنترل: توسعهدهنده میتواند تعادل بین عملکرد، هزینه و تاخیر را خود تعیین کند.
• وزنهای مدل کاملاً منبعباز (open-weights) هستند و برای آموزش مجدد در پلتفرم Tinker در دسترس هستند.
قابلیتها:
• عملکرد قوی در کدنویسی، کار با ابزارها و تکرارهای طولانی.
• نتایج عالی در وظایف صوتی و تصویری در بین مدلهای منبعباز.
• کالیبراسیون دقیق اطمینان و مقاومت در برابر سانسور.
• مکانیزمهای امنیتی داخلی قابل اعتماد.
🔗 Inkling Playground
🔗 Huggingface
#AI #ThinkingMachines #Inkling
| 2 | 🌐اخبار هوش مصنوعی
🔍 جستجوی داخلی به ChatGPT اضافه شد؛ تاریخچهی چتها و اسناد، قابل جستجو
قابلیت جستجوی کامل در تاریخچهی چتها، پروژهها و فایلهای بارگذاریشده به ChatGPT اضافه شده است. این ویژگی در نوار کناری نسخهی وب و اپلیکیشنهای موبایل (iOS و Android) در دسترس است.
کاربران میتوانند نتایج را بر اساس نوع محتوا فیلتر کنند و با کلیک روی هر نتیجه، مستقیماً به پیام موردنظر در آن مکالمه هدایت شوند. این بروزرسانی برای همهی کاربران (از جمله نسخهی رایگان) بهصورت سراسری فعال شده است.
🔗 help.openai.com
🍎 شرکت Anthropic دسترسی رایگان به محصولات خود را برای معلمان آمریکایی باز کرد
Anthropic پلتفرم Claude for Teachers را برای معلمان مدارس آمریکا راهاندازی کرده است. این بسته شامل مدلهای Claude، محیط Claude Code و Cowork (برای خودکارسازی زنجیرهای از وظایف) میشود. برای مثال، معلم میتواند یک عامل را یکبار تنظیم کند تا هر روز صبح، برگههای آزمون را بررسی یا خلاصهای از عملکرد کلاس تهیه کند.
این پلتفرم با سرویسهای Canva Education و MagicSchool یکپارچه شده و آنتروپیک تأکید کرده که دادههای معلمان و دانشآموزان برای آموزش مدلهای آینده استفاده نخواهد شد. ثبتنام تا ژوئن ۲۰۲۷ باز است.
🔗 anthropic.com/news/claude-for-teachers
🖼 گوگل تولید تصویر را به AI Overview اضافه کرد
به مناسبت ۲۵ سالگی Google Images، گوگل قابلیت تولید تصویر بر اساس درخواست متنی را به خلاصههای جستجوی هوش مصنوعی (AI Overviews) اضافه کرده است. این ویژگی توسط مولد تصویر Nano Banana پشتیبانی میشود.
صفحهی اصلی جستجوی تصاویر نیز بازطراحی شده و ظاهری شبیه به Pinterest پیدا کرده است. کاربران میتوانند تصاویر را در کلکسیونهای موضوعی ذخیره کنند. این قابلیت ابتدا بهزبان انگلیسی و در مناطقی که تولید تصویر پشتیبانی میشود، فعال خواهد شد.
🔗 blog.google
🔒 انویدیا لیست خریداران تراشههای هوش مصنوعی در آسیا را نصف کرد
انویدیا برای مقابله با صادرات غیرمجاز تجهیزات به چین، فرآیند تأیید مشتریان آسیایی خود را سختگیرانهتر کرده است. پس از ممیزی، تعداد شرکتهای تأییدشده در سنگاپور، مالزی و ژاپن بیش از ۵۰٪ کاهش یافته است.
این شرکت از بررسیهای مدارک به بازرسی فیزیکی دیتاسنترها روی آورده و قراردادها و کاربران نهایی شتابدهندهها را مستقیماً بررسی میکند.
🔗 ft.com
⚠️ بیش از ۲۰۰ دانشمند نسبت به نزدیکی انقلاب صنعتی دوم هشدار دادند
آزمایشگاه اقتصاد دیجیتال استنفورد نامهای سرگشاده با عنوان "We Must Act Now" منتشر کرده است. این نامه که توسط بیش از ۲۰۰ دانشمند، ۱۶ برندهی جایزهی نوبل و نمایندگانی از گوگل، Anthropic و OpenAI امضا شده، دربارهی پیامدهای کلاناقتصادی هوش مصنوعی هشدار میدهد.
نویسندگان پیشبینی میکنند که در ۱۰ سال آینده، تأثیر هوش مصنوعی بر اقتصاد، همتراز با انقلاب صنعتی خواهد بود و خواستار ایجاد نهادهای جدید برای جبران از دست رفتن شغلها شدهاند. از سوی دیگر، دمیس حسابیس (مدیر DeepMind) که نامه را امضا نکرده، ظهور AGI را در ۵ سال آینده پیشبینی کرده و آن را بهعنوان «انقلاب صنعتی ۱۰ برابری با سرعت ۱۰ برابر» توصیف کرده است.
🔗 digitaleconomy.stanford.edu
#ChatGPT #Anthropic #Google #Nvidia #AGI
#اخبار_هوش_مصنوعی
🆔 @asrgooyeshpardaz | 742 |
| 3 | 💎 دیپسیک در مسیر عرضهی عمومی؛ ارزشگذاری ۷۱ میلیارد دلاری در آستانهی IPO
استارتاپ چینی دیپسیک رسماً فرآیند آمادهسازی برای عرضهی اولیهی سهام (IPO) را آغاز کرده است. این شرکت قصد دارد تا پایان سال جاری یا اوایل سال آینده درخواست خود را ثبت کند تا در سال ۲۰۲۷ به یک شرکت سهامی عام تبدیل شود.
💰 ارزشگذاری نجومی و جذب سرمایهی جدید
همزمان با برنامههای عرضهی عمومی، دیپسیک بهدنبال جذب سرمایهگذار برای دور جدید تأمین مالی است. انتظار میرود ارزشگذاری این شرکت در دور جدید به حدود ۷۱ میلیارد دلار برسد که جهشی قابلتوجه نسبت به ارزش ۵۰ میلیارد دلاری آن در دور قبلی (اوایل ژوئن) محسوب میشود.
این استارتاپ تابستان امسال برای نخستینبار سرمایهی خارجی جذب کرد و موفق شد ۷۰۰ میلیون دلار جذب نماید. در دور جدید، هدف دیپسیک جمعآوری حداقل ۱.۴ میلیارد دلار است.
👑 ثروتمندترین بنیانگذار هوش مصنوعی چین
رشد سرسامآور ارزش شرکت، لیانگ ونفنگ، بنیانگذار دیپسیک را به یکی از ثروتمندترین افراد در صنعت جهانی هوش مصنوعی تبدیل کرده است. دارایی شخصی او هماکنون حدود ۳۶ میلیارد دلار برآورد میشود.
🔗 منبع: بلومبرگ
📅 تاریخ انتشار: ۱۴ ژوئیه ۲۰۲۶
#دیپ_سیک #IPO #بازار_سرمایه #استارتاپ_هوش_مصنوعی #اخبار_فناوری
🆔 @asrgooyeshpardaz | 698 |
| 4 |  ترجمه دنگ - محیا حامدی
منگ منگم، انگار سه تا مرد جنگی تو سرم میجنگن
چشمام دو دو میزنن، واسه یه لحظه خواب قتل میکن
خون داغی تو تنم جاری شده، جوش و خروشی میکنه
کل شهر دور و برت از داغ دل کِل میکشه
مثل بی کسترین جاشوی دریا که غروب
شرمش رو زیر پا میذاره و روی لِنجش میرقصه
شورش تیر و تفنگ رو ول کردم که (هرچی میخواد) غوغا بکنه
دنبال تو میدوم و غول جنگ پشت سرم ارابه میکشه
هر چی دریا، نخل و خرما، هرچی موج و قایقه
همصدای من ضجه میزنن تا از رفتنت دست بکشی
سرزمینم، لشکرم، تمام سپاهم قبضهته
قلب سربازهای جبهه بندِ لحظه نگاهته
عزیزم چشم دیدن هیج رنگرزی رو ندارم
که به بخت آدمها رنگ نیلی میزنند
یک دستم نی انبون و دست دیگهم کاسه آبه تا پشت سرت بریزم
از پشت بوم برات ساز میزنم تا برگردی و نگاهم کنی
ای (درخت) کُنار قد بلندم، ای نُت همراه صِدام
متنفرم که ببینم این بحران روی تو رو از نگاهم میدزده
هر چی دریا، نخل و خرما، هرچی موج و قایقه
همصدای من ضجه میزنن تا از رفتنت دست بکشی
سرزمینم، لشکرم، تمام سپاهم قبضهته
قلب سربازهاي جبهه بندِ لحظه نگاهته | 696 |
| 5 | قطعهای به نام "دنگ" با شعری از امیرحسین طالبی و آهنگسازی، تنظیم و صدای محیا حامدی
سازندگان این قطعه در مورد آن نوشتهاند: «این قطعه برای تمام عشقهای تکهپاره شده در جنگ است.»
قطعه "دنگ" با گویش دزفولی اجرا شده است. شاعر آن، امیرحسین طالبی متولد دزفول است و با اینکه سالهاست در تهران زندگی میکند اما آنچنان تاثیرات "جنگ" در زادگاهش پررنگ بوده که این شعر را سروده و در همکاری با محیا حامدی آن را به قطعهای تاثیرگذار تبدیل کرده است.
ترجمه قطعه "دنگ" را در زیر بخوانید: | 642 |
| 6 |  ضرباتِ روزمرهی آمریکا به استحکاماتِ دفاعی و زیرساختهای غیرنظامی در سیریک، قشم، چابهار، بندرعباس، جاسک، کنگان و ... نه حمله به «جنوب ایران» بلکه حمله به ایران است.
جا انداختنِ استفاده از جملهی «حمله به جنوب ایران»، آنهم دقیقا در لحظهی «بمبارانِ ایران»، این منطقه را بهعنوان جایی دور و جدا افتاده از پیکرهی سرزمینی واحد بازنمایی میکند.
گرچه جزایر و خط ساحلی در راستای اعمال سلطهی آمریکا بر #تنگه_هرمز بمباران میشوند، اما ساز و برگِ ایدئولوژیکیِ نیروی متجاوز در تلاش است تا با دستکاریِ ادراک عمومی، حافظه و سرنوشتِ مشترکِ یک ملت را نیز متلاشی کند.
تفکیکی از ایندست، تجاوزِ نیروی خارجی به یک کشور را به رویدادی محلی فرومیکاهد تا بهمرور «شمال ایران» سرنوشت و امنیتِ خود را جدایِ از جنوب ایران تلقی کند.
همزمانی بمباران نظامی با احیا و ترویجِ پسماندهای ادبیاتِ استعماری، بهمرور و به بطئیترین وجه ممکن، یک گسستِ شناختیِ خطرناک در افکار عمومی ایجاد خواهد کرد؛ «جنوب ایران» قرينهی «جنوب لبنان» میشود.
@Blackfishvoice1 | 834 |
| 7 | 🌳 مدل Bonsai: مدل 27B در 7 گیگابایت روی لپتاپ شما
خلاصه: شرکت Prism ML کاری را انجام داده است که به نظر غیرممکن میرسید: آنها مدل زبانی 27 میلیارد پارامتری را به حدود 7 گیگابایت فشرده کردهاند، در حالی که 95% هوش نسخه اصلی FP16 (که 54 گیگابایت وزن دارد) را حفظ کردهاند.
چگونه؟ 🧠 با استفاده از وزنهای تری (−1، 0، +1) – هر پارامتر در 2 بیت ذخیره میشود، به جای 16 بیت. این مدل مستقیماً در این فرمت (QAT) آموزش داده شده است، به همین دلیل توانایی استدلال خود را از دست نمیدهد.
چه کارهایی انجام میدهد؟
📷 پردازش تصاویر و فایلهای PDF
🔧 فراخوانی ابزارهای خارجی (سازگاری با OpenAI)
🧐 حالت "استدلال" (مانند o1)
📚 ظرفیت پردازش متن تا 262000 توکن
دو نسخه:
🥇 Ternary-Bonsai (~7 گیگابایت) – بالاترین کیفیت روی لپتاپ
🥈 1-bit Bonsai (~3.9 گیگابایت) – قابل اجرا روی iPhone 17 Pro
آمار: 🎯 میانگین عملکرد 80.5% در تستهای معیار (در FP16: 85.1%)، عملکرد در ریاضیات و کد تقریباً بدون تغییر است. در عین حال، این مدل 2.4 برابر کوچکتر از مدلهای "2 بیتی" مشابه است، اما 7 واحد هوشمندتر است. 🌱
🔗 https://huggingface.co/collections/prism-ml/bonsai-27b
#AI #PrismML #Bonsai
🆔 @asrgooyeshpardaz | 1 467 |
| 8 | 👩💻 داستان یک مهندس نرمافزار؛ از بیکاری در عصر هوش مصنوعی تا انتخاب حرفهی پرستاری
«کریستینا استوپینیان»، مهندس نرمافزار ۳۳ ساله، پس از یک سال تلاش بینتیجه برای یافتن شغل در بازار آشفتهی فناوری، تصمیم گرفته مسیر حرفهای خود را بهکلی تغییر دهد. او هماکنون در حال گذراندن دورههای پیشنیاز پرستاری است و قصد دارد بهعنوان یک پرستار روانپزشکی فعالیت کند.
---
📉 از استخدام سریع تا بیکاری طولانی
کریستینا پس از فارغالتحصیلی در رشتهی علوم کامپیوتر و شرکت در یک بوتکمپ سهماهه، بهعنوان توسعهدهندهی فرانتاند مشغول به کار شد. او در دسامبر ۲۰۲۴ از شغل خود اخراج شد. پیش از این، هرگز بیش از شش هفته برای پیدا کردن شغل بعدی وقت صرف نکرده بود، اما این بار شرایط کاملاً متفاوت بود.
در طول یک سال، او برای بیش از ۷۰۰ موقعیت شغلی درخواست داد و به چندین مرحلهی نهایی مصاحبه راه یافت، اما هیچ پیشنهادی دریافت نکرد. برخی شرکتها در میانهی فرآیند استخدام، اعلام میکردند که قصد کاهش یا توقف جذب نیرو را دارند.
---
🤖 چرا هوش مصنوعی مقصر اصلی بود؟
بهگفتهی کریستینا، در طول جستوجوی شغل متوجه شد که تقریباً هر شرکتی به نوعی با هوش مصنوعی سروکار دارد: یا باید از هوش مصنوعی در کار استفاده میکرد، یا خود محصول شرکت مبتنی بر هوش مصنوعی بود. مشکل اینجا بود که او هیچگونه اشتیاقی به هوش مصنوعی نداشت و حتی نگران تأثیرات زیستمحیطی آن بود.
در مصاحبهها، از او میپرسیدند: «چه چیزی در مورد هوش مصنوعی شما را هیجانزده میکند؟» و او مجبور بود پاسخی بسازد، چون در حقیقت هیچ چیز در این زمینه برایش جذابیتی نداشت.
---
🔄 تغییر مسیر به سوی حرفهای با آیندهای مطمئنتر
پس از گذشت یک سال و شکستهای پیاپی، کریستینا سلامت روانش به پایینترین حد رسید، وزن زیادی اضافه کرد و به خانهی والدینش در نیوجرسی بازگشت. در این شرایط، والدینش او را تشویق کردند که به حرفهای در حوزهی سلامت فکر کند.
او میداند که شاید در حرفهی جدید به اندازهی حوزهی فناوری درآمد نداشته باشد، اما امنیت شغلی بیشتری خواهد داشت. کریستینا از ماه می، دورههای پرستاری را در یک کالج محلی شروع کرده و پس از گذراندن ۱۰ دورهی پیشنیاز، میتواند برای برنامهی فشردهی پرستاری در دانشگاه راتگرز اقدام کند.
---
❤️ آیندهای روشنتر در پرستاری روانپزشکی
او با اشاره به تجربهی شخصی خود در مواجهه با چالشهای روانی، هدف نهایی خود را اختصاصیشدن در حوزهی پرستاری روانپزشکی و تأسیس یک مطب خصوصی اعلام کرده است.
با وجود دشواریهای تغییر مسیر در ۳۳ سالگی، کریستینا از تصمیم خود پشیمان نیست. نگاه به شبکههای اجتماعی و دیدن همدورههای قدیمیاش که هنوز در حوزهی فناوری فعالیت میکنند، گاهی برایش سخت است، اما فکر کردن به آیندهای که در آن به مردم کمک میکند، نیروی محرکهی اوست.
---
💡 پیام داستان برای فعالان حوزهی فناوری
این روایت، تصویری واقعی از تأثیرات انسانی انقلاب هوش مصنوعی بر بازار کار است. داستان کریستینا نشان میدهد که چگونه تغییرات سریع فناوری، نهتنها مشاغل را دگرگون میکند، بلکه میتواند مسیرهای حرفهای را بهکلی متحول سازد. این روایت، تأملی است بر این پرسش که در عصر اتوماسیون و هوش مصنوعی، ارزشهای انسانی و امنیت شغلی تا چه اندازه میتوانند بر مسیر حرفهای افراد تأثیر بگذارند.
---
🔗 منبع: Business Insider
📅 تاریخ انتشار: ژوئیه ۲۰۲۶
---
#هوش_مصنوعی #بازار_کار #تغییر_شغل #اخبار_فناوری #آینده_کار | 1 690 |
| 9 | 👨👩👧👦شبیهسازی جوامع؛ مجموعهای از پروژههای هوش مصنوعی عاملمحور
این ریپازیتوری، یک فهرست منابعِ گردآوریشده از پروژههای هوش مصنوعی است که به شبیهسازی جوامع مصنوعی با استفاده از عاملهای هوشمند (Agent-based AI) میپردازند. ایدهٔ اصلی، بررسی این موضوع است که چگونه میتوان از تعامل انبوه این عاملها در محیطهای شبیهسازیشده، برای مدلسازی رفتارهای اجتماعی، پیشبینی پدیدههای سیاسی، یا حتی درک بهتر جامعهٔ انسانی استفاده کرد.
این مجموعه، پروژهها را در بخشهای مختلفی دستهبندی کرده است؛ از تحقیقات بنیادین مانند پروژهٔ مشهور «Generative Agents» دانشگاه استنفورد، تا شبیهسازی تمدنها (مثل پروژهٔ Sid که در آن هزاران عامل در دنیای Minecraft تمدن میسازند)، شهرهای مجازی، مدلسازی رفتارهای اجتماعی و سیاسی (مثل شبیهسازی جنگها با WarAgent)، و حتی ابزارهای پیشبینی مانند MiroFish که با شبیهسازی موازیِ دنیاها، سناریوهای آینده را پیشبینی میکند.
اگر به دنبال ایدهها، ابزارها یا پژوهشهای جذاب در زمینهٔ جامعهشناسی محاسباتی و هوش مصنوعی عاملمحور هستید، این لیست نقطهٔ شروع بسیار خوبی است و بهروزرسانی میشود.
https://github.com/danielrosehill/AI-Synthetic-Society-Experiments
🆔 @asrgooyeshpardaz | 1 506 |
| 10 | 🌐اخبار هوش مصنوعی
⚖️ اپل از OpenAI به اتهام سرقت اسرار تجاری شکایت کرد
اپل در شکایتی، OpenAI و دو تن از کارمندان سابق خود، تنگ تانگ و چان لیو را به سرقت اسرار تجاری متهم کرده است. بهگفتهی اپل، OpenAI در مصاحبههای استخدامی با نامزدهای اپل، دربارهی دستگاههای منتشرنشده سؤال میکرده است.
چان لیو پیش از ترک اپل، مشخصات فنی و نقشههای طراحی را دانلود کرده بود. تانگ تانگ که طراح آیفون، اپل واچ و ایرپادز بوده، پس از استعفا استارتاپ io Products را تأسیس کرد که سال گذشته با قیمت ۶.۵ میلیارد دلار توسط OpenAI خریداری شد.
اپل خواستار توقف استفاده از اطلاعات، نابودی آنها و بازطراحی دستگاههای جدید شده، اما OpenAI این اتهامات را رد کرده است.
🔗 bloomberg.com
---
💰 تنسنت قصد خرید Manus را دارد
غول فناوری چینی در حال مذاکره برای خرید سهام کنترلی استارتاپ Manus است. طبق توافق، Manus بهعنوان واحد مستقل به کار خود ادامه میدهد، اما فناوری آن در اکوسیستم WeChat یکپارچه خواهد شد.
پیشتر قراردادی با مارک زاکربرگ برای خرید این استارتاپ منعقد شده بود، اما دولت چین در آوریل آن را وتو کرد. با خروج سرمایهگذار آمریکایی (Benchmark)، خریداران جدید فقط سرمایهگذاران آسیایی مانند تنسنت، ژنفاند، HSG و مدیریت استارتاپ خواهند بود. همچنین به مؤسس Manus اجازهی خروج از چین داده نشده است.
🔗 ft.com
---
🦾 مهاجرت ۱۱ روزهی Bun از Zig به Rust با کمک Fable 5
جارد سامنر، خالق Bun، محیط اجرایی این برنامه را در ۱۱ روز و با استفاده از ۶۴ نمونهی همزمان مدل Fable 5 از زبان Zig به Rust منتقل کرده است. بیش از ۱ میلیون خط کد توسط هوش مصنوعی تولید شده که اگر بهصورت دستی انجام میشد، حدود یک سال زمان میبرد.
هزینهی استفاده از API معادل ۱۶۵ هزار دلار بوده که توسط Anthropic (خریدار Bun) تأمین شده است. نسخهی جدید (v1.4.0) ۱۲۸ باگ را برطرف کرده و عملکرد را ۲ تا ۵ درصد بهبود داده است.
🔗 bun.com
---
🤖 رباتهای Unitree G1 با موفقیت جراحی کردند
محققان دانشگاه UC San Diego با استفاده از رباتهای انساننمای Unitree G1، کیسهی صفرای یک خوک را با موفقیت خارج کردند. این آزمایش بهدنبال جایگزینی برای سیستمهای جراحی گرانقیمت da Vinci است.
سیستم جدید تنها ۲۷ کیلوگرم وزن و حدود ۶۷ هزار دلار قیمت دارد، در حالی که رباتهای da Vinci ۸۰۰ کیلوگرم وزن و میلیونها دلار هزینه دارند. هرچند این دستاورد امیدوارکننده است، اما مشکلاتی مانند برد کوتاه بازوها و تأخیر در انتقال سیگنال هنوز مانع از کاربرد بالینی آن میشود.
🔗 nature.com
---
📊 هوش مصنوعی یکچهارم محتوای متنی شبکههای اجتماعی را تولید میکند
پلتفرم تشخیص محتوای هوش مصنوعی Pangram با تحلیل بیش از ۱ میلیون پست دریافته است که بهطور میانگین، ۲۵٪ از پستهای بالای ۲۵۰ کلمه، بهطور کامل توسط هوش مصنوعی نوشته میشوند.
لینکدین با ۴۱٪ لانگپستها و ۳۰٪ پستهای کوتاه، رکورددار استفاده از هوش مصنوعی است. در شبکهی X، تنها ۵۲.۷٪ توییتها توسط انسان نوشته میشوند. Medium و Substack نیز بهترتیب حدود ۳۳٪ و ۲۲٪ محتوای هوش مصنوعی دارند.
جالبترین آمار مربوط به ردیت است: با وجود اینکه ۱۱.۶٪ از پستها با هوش مصنوعی تولید میشوند، اما ۹۸.۱٪ از کامنتها همچنان توسط انسانها نوشته میشوند.
🔗 theregister.com
---
#اخبار_هوش_مصنوعی #OpenAI #Apple #Tencent #رباتیک #محتوای_مصنوعی
🆔 @asrgooyeshpardaz | 1 985 |
| 11 | 🎧 معرفی Audex؛ مدل یکپارچهی هوش صوتی و متنی بدون افت در تواناییهای زبانی
پژوهشگران لابراتوارهای نموترون، مدلی به نام Nemotron-Labs-Audex-30B-A3B (یا بهاختصار Audex) معرفی کردهاند. این یک مدل زبانی بزرگ (LLM) است که بهصورت همزمان متن و صدا را درک کرده، روی آن استدلال میکند و خروجی صوتی یا متنی تولید میکند. نکتهی کلیدی، حفظ کامل تواناییهای استدلال، دانش و تعامل مدلِ پایهی متنی آن است.
---
✨ معماری ساده و یکپارچه
مدل Audex روی مدل پایهی Nemotron-Cascade-2-30B-A3B (یک MoE قوی) ساخته شده و معماری آن بسیار ساده است:
🔹 ورودیهای صوتی، کدگذاری شده و به فضای توکنهای متنی فرافکنی میشوند.
🔹 توکنهای متنی و توکنهای خروجی صوتیِ کوانتیزهشده، هنگام تولید، یکسان در نظر گرفته میشوند.
این طراحی باعث ادغام قوی اطلاعات صوتی و متنی، تولید چندوجهی روان و سازگاری با زیرساختهای استاندارد آموزش و استنتاج LLM شده است.
---
📊 دادههای آموزشی عظیم و متنوع
برای آموزش Audex، یک مجموعهدادهی دقیق و گسترده جمعآوری شده که شامل:
- ۱۵۷.۴ میلیارد توکن صوتی
- ۳۲۰.۵ میلیارد توکن متنی
است. مدل در چند مرحلهی آموزش نظارتشده روی این دادهها و سپس یادگیری تقویتی (RL) و تقطیر برخط آموزش دیده است.
---
🏆 دستاوردها و عملکرد
مدل Audex به نتایج پیشرو (State-of-the-Art) در حوزههای مختلف صوتی دست یافته است:
- درک صدا (Audio Understanding)
- تشخیص و ترجمهی گفتار (Speech Recognition & Translation)
- تبدیل متن به گفتار (Text-to-Speech)
- تولید صدا (Audio Generation)
- تبدیل گفتار به گفتار (Speech-to-Speech Generation)
همهی اینها در حالی است که مدل، تواناییهای متنی خود را با افت ناچیز یا بدون افت حفظ کرده و در بنچمارکهای استدلال، همراستایی (Alignment)، دانش، زمینهی بلند و قابلیتهای عاملی (Agentic) عملکردی عالی نشان داده است.
---
📌 دسترسی و مجوز
وزنهای مدل Audex برای پژوهش منتشر شده و از طریق Hugging Face قابل دسترسی است. این کار امکان استفاده و بررسی بیشتر توسط جامعهی پژوهشگران را فراهم میکند.
---
🔗 مطالعهی مقاله:
https://arxiv.org/abs/2607.05196
---
#Audex #مدل_صوتی_متنی #هوش_مصنوعی_چندوجهی #پژوهش_هوش_مصنوعی #NVIDIA
🆔 @asrgooyeshpardaz | 1 821 |
| 12 |  🎮 لینگبات-ورلد-اینفینیتی: هوش مصنوعی چینی که بازیها را در لحظه میسازد
لابراتوار Robbyant (زیرمجموعهی Ant Group) مدل متنباز LingBot-World-Infinity را منتشر کرده که یک جهان بازی را فریمبهفریم و از صفر تولید میکند.
---
🕹 چطور کار میکند؟
کنترلها مانند یک بازی تیراندازی اولشخص است:
- WASD: برای حرکت
- IJKL: برای چرخاندن دوربین
هر پیکسل روی صفحه، در لحظه و توسط شبکهی عصبی تولید میشود و خبری از موتور بازی در کار نیست.
---
⚡️ تعامل پویا
یک منوی کناری به شما امکان میدهد رویدادهایی مثل «هیولای آتشین» یا «حملهی اژدها از مدار» را فراخوانی کنید؛ مدل این عناصر را در لحظه به صحنه اضافه میکند.
---
⚠️ محدودیت اصلی
هیچ حافظهی دائمی وجود ندارد. اگر به یک مکان قبلی بازگردید، جهان از نو ساخته میشود و جزئیات قبلی را به خاطر نمیآورد.
---
🔗 لینک پروژه در گیتهاب:
https://github.com/robbyant/lingbot-world
🆔 @asrgooyeshpardaz | 1 546 |
| 13 | 🧠 تنسنت از مدل جدید Hy3 رونمایی کرد؛ عملکردی در سطح مدلهای ۲ تا ۵ برابر بزرگتر
تیم Tencent Hunyuan پس از شش ماه کار فشرده، مدل جدید متنباز خود با نام Hy3 را معرفی کرده است. این مدل با وجود اندازهی کوچکتر، عملکردی رقابتی با مدلهای بسیار بزرگتر دارد و در آزمایشهای مختلف، پیشرفتهای چشمگیری نشان داده است.
---
📊 اعداد و ارقام کلیدی
- در یک آزمون کور (Blind Test) با حضور ۲۷۰ متخصص، Hy3 امتیاز ۲.۶۷ از ۴ را کسب کرد و از مدل GLM-5.1 با امتیاز ۲.۵۱ پیشی گرفت.
- نرخ توهم (Hallucination) از ۱۲.۵٪ به ۵.۴٪ کاهش یافته است.
- خطاهای مربوط به عقل سلیم از ۲۵.۴٪ به ۱۲.۷٪ نصف شده است.
---
🚀 بهبودهای کلیدی نسبت به نسخههای قبلی
🔹 قابلیتهای عاملی (Agentic): عملکرد مدل در فراخوانی ابزارها و وظایف کدنویسی (بنچمارک SWE-Bench) بهطور قابلتوجهی پایدارتر و دقیقتر شده است.
🔹 قابلیت اطمینان بالاتر: مدل مرز بین واقعیت و حدس را بهتر تشخیص میدهد و تناقضات منطقی را بهخوبی مدیریت میکند.
🔹 درک بهتر زمینه (Context): خطاها در دیالوگهای چندمرحلهای از ۱۷.۴٪ به ۷.۹٪ کاهش یافته است.
---
💼 کاربرد واقعی در WorkBuddy
این مدل در ابزار WorkBuddy (دستیار کاری Tencent) عملکرد قابلتوجهی داشته است:
- نرخ موفقیت در انجام وظایف از ۷۲٪ به ۹۰٪ افزایش یافته.
- زمان انجام وظایف حدود ۳۴٪ کاهش پیدا کرده.
- در تولید ارائههای نمایشی (اسلاید)، Hy3 تا ۴۹٪ توکن کمتری نسبت به مدل GLM-5.2 مصرف میکند.
---
📌 مجوز و دسترسی
مدل Hy3 با مجوز تجاری (Commercial License) در دسترس است و وزنهای آن برای استفادههای تحقیقاتی و تجاری منتشر شده است.
---
🔗 لینک مقاله و دسترسی به مدل: [hy.tencent.com/research/hy3](https://hy.tencent.com/research/hy3)
---
#Tencent #Hy3 #مدل_زبانی #هوش_مصنوعی #اخبار_هوش_مصنوعی #متن_باز
🆔 @asrgooyeshpardaz | 1 325 |
| 14 |  🎙 مدل GPT-Live: هوش مصنوعی صوتی با قابلیت دوطرفه
شرکت OpenAI، مدلهای صوتی GPT-Live را عرضه کرده است که همزمان به صحبت کردن و گوش دادن میپردازند. این مدلها، کلمات و عبارات احساسی را به کار میبرند، مکث میکنند، صحبتهای طرف مقابل را قطع نمیکنند و در عین حال، در صورت لزوم، میتوانند صحبت را متوقف کنند. 🧠 وظایف پیچیده (مانند جستجو و استدلال) به موتور GPT-5.5 محول میشوند و مکالمه بدون وقفه ادامه مییابد.
⚡️ جریان صوتی به طور مداوم پردازش میشود: تصمیمگیری برای صحبت کردن، گوش دادن یا قطع کردن مکالمه، در عرض کسری از ثانیه انجام میشود. این امر امکان برقراری یک مکالمه طبیعی و حتی ترجمه همزمان را فراهم میکند.
🎯 در آزمایشها، مدلهای GPT-Live-1 و mini، عملکرد بهتری نسبت به حالت قبلی در زمینههای روانی، طبیعی بودن و کیفیت قطع کردن مکالمه نشان دادند.
📱 این مدلها هماکنون در دسترس هستند: GPT-Live-1 برای کاربران Go/Plus/Pro، و mini برای کاربران Free، در سیستمعاملهای iOS، Android و وب.
🔗 https://openai.com/ru-RU/index/introducing-gpt-live/ | 1 215 |
| 15 | 📡 معرفی WildCity: گامی بزرگ به سوی هوش فضایی در مقیاس شهری
آیا هوش مصنوعی میتواند مانند انسان، نقشهای ذهنی از یک شهر واقعی در ذهن خود بسازد و در آن حرکت کند؟
پروژه WildCity که به تازگی روی arXiv منتشر شده، تلاشی بلندپروازانه برای پاسخ به این سوال است.
🧠 ایده اصلی:
بیشتر مدلهای هوش مصنوعی در فضاهای کوچک (یک اتاق یا یک بلوک شهری) عملکرد خوبی دارند، اما وقتی پای یک شهر واقعی با کیلومترها خیابان و پیچیدگی به میان میآید، دچار سردرگمی میشوند. WildCity با جمعآوری دادههای واقعی از خودروهای خودران در ۶ شهر آمریکا، بستری برای ساخت دوقلوهای دیجیتال شهری فراهم کرده است.
🗺️ ویژگیهای dataset:
- بیش از ۱۵۰۰ کیلومتر مسیر ثبتشده از شهرهایی با بافت متفاوت (مرکز شهر، حومه، خیابانهای شلوغ و کمترافیک)
- بیش از ۳ میلیون فریم تصویر از ۶ دوربین ۳۶۰ درجه، همراه با دادههای لیدار، GPS و شتابسنج
- هر لاگ حدوداً ۲.۵ ساعت و به طول متوسط ۸۳ کیلومتر
- چالشهای دنیای واقعی: اشیاء متحرک، تغییرات نور، تاری حرکت و خطای موقعیتیابی
🔧 روش پیشنهادی:
محققان یک روش بازسازی سهبعدی مخصوص شهرها ارائه دادهاند که شامل:
- بهینهسازی همزمان موقعیت خودرو و کالیبراسیون دوربینها
- مدلسازی مجزا برای آسمان (برای جلوگیری از خطاهای دوربرد)
- منظمسازی سطح جاده برای افزایش دقت هندسی
- استفاده از چندین GPU برای پردازش میلیونها نقطه (گاوسین)
- تعمیر خروجیهای خارج از مسیر با استفاده از مدلهای ترمیمکننده
📊 نتایج:
روش ارائهشده در مقایسه با روشهای قبلی مانند 3DGS، H-3DGS و CityGaussian، دقت هندسی بهتری دارد. مثلاً در یک مسیر ۲.۵ کیلومتری، خطای عمق از ۱۵ متر به ۶.۶ متر کاهش یافته است، در حالی که کیفیت تصویر هم بهبود یافته.
⚠️ چالشهای اصلی:
۱. مقیاسپذیری: با افزایش طول مسیر، کیفیت بازسازی افت میکند و نیاز به حافظه و قدرت پردازش بیشتری داریم.
۲. تعمیمپذیری: وقتی دوربین از مسیر ضبطشده خارج میشود (مثلاً ۱ تا ۵ متر کنار برود)، کیفیت تصاویر تولیدی شدیداً کاهش مییابد.
۳. عدمقطعیت داده: عواملی مثل اشیاء متحرک، تغییرات آبوهوا و خطای موقعیتیابی همچنان چالشبرانگیزند.
💡 کاربردهای فراتر از بازسازی:
پروژه WildCity فقط برای ساختن صحنههای شهری نیست؛ بلکه میتواند بستری برای آموزش عوامل هوشمند در کارهایی مثل:
- ناوبری و مسیریابی طولانیمدت
- حافظه فضایی و نقشهبرداری ذهنی
- تصمیمگیری در شرایط پیچیده شهری باشد.
🔗 لینک مقاله:
https://arxiv.org/abs/2607.06838v1
اگر به هوش فضایی، خودروهای خودران، یا دنیای دیجیتالتویینها علاقه دارید، این مقاله را از دست ندهید. به نظر میرسد که WildCity میتواند نقطه عطفی در مسیر ساخت هوش مصنوعی درککنندهٔ شهرها باشد.
🆔 @asrgooyeshpardaz | 1 367 |
| 16 | جدایی کارکردی شبکههای زبان و استدلال منطقی در مغز
چکیدهای از یافتههای پژوهشی مؤسسه مکگوورن امآیتی (منتشرشده در مجله PNAS)
پیشینه و مسئله پژوهش
رابطه میان زبان و اندیشه از دیرباز یکی از پرسشهای بنیادین در فلسفه، زبانشناسی و علوم شناختی بوده است. ساختار سلسلهمراتبی و ترکیبی جملات، شباهت صوری قابلتوجهی با ساختار گزارههای منطقی دارد و همین امر، بسیاری از نظریهپردازان را به این فرضیه رهنمون ساخته که پردازش زبان، بستر ضروری برای تفکر انتزاعی و استدلال قیاسی به شمار میرود. پژوهشگران مؤسسه مکگوورن به رهبری پروفسور اولینا فدورنکو، با همکاری رزماری ورلی از کالج دانشگاهی لندن، پژوهشی طراحی کردند تا به پرسش یادشده از منظر عصبشناختی پاسخ دهند.
روششناسی و طراحی تکالیف
برای تفکیک کارکردی دو سامانه شناختی، پژوهشگران از دو رویکرد مکمل استفاده کردند. در رویکرد اول، کارکرد بیماران مبتلا به آفازی شدید (ناشی از آسیب گسترده به نواحی زبانی مغز بر اثر سکته مغزی) با گروه کنترل مقایسه شد. تکالیف منطقی بهگونهای طراحی شدند که کاملاً غیرزبانی بودند؛ از جمله استنباط قاعده پنهان در فهرستهای عددی (مانند معکوسسازی ارقام یا حذف اعداد بالاتر از آستانه مشخص) و تکمیل ماتریسهای الگوهای هندسی. در رویکرد دوم، از تصویربرداری عملکردی (fMRI) در افراد سالم برای پایش فعالیت نواحی مختلف مغز در حین انجام همین تکالیف، بههمرافـت تکالیف نقشهبرداری از شبکه زبان و شبکه «نیاز چندگانه» (Multiple Demand) که مسئول حل مسئله پیچیده است، استفاده شد.
یافتههای اصلی
نتایج حاصل از عملکرد رفتاری نشان داد که بیماران با آسیبدیدگی شدید زبانی، نهتنها عملکردی همتراز با گروه کنترل در حل مسائل داشتند، بلکه توانستند قواعد استنباطشده را از طریق حرکات اشاره یا ترسیم به دیگران منتقل کنند. این امر حاکی از آن است که توانایی استنباط قاعده نمادین، نیازی به سالم بودن سامانه زبانی ندارد.
یافتههای تصویربرداری عصبی نیز بهوضوح تأیید کرد که شبکه کلاسیک پردازش زبان (شامل نواحی بروکا و ورنیکه) در خلال استدلال استقرایی (کشف قاعده پنهان) و استدلال قیاسی (ارزیابی اعتبار گزارههای شرطی اگر-آنگاه) هیچ گونه افزایش فعالیتی نشان نمیدهد. در کمال تعجب، شبکه Multiple Demand که پیشتر در ادبیات علمی نامزد اصلی بستر عصبی منطق محسوب میشد، صرفاً در تکالیف استقرایی فعال گردید و در تکالیف قیاسی نقشی ایفا نکرد.
دلالتهای نظری و بالینی
این یافتهها بهروشنی از فرضیه استقلال کارکردی سامانه منطق از سامانه زبان در مغز حمایت میکنند. از منظر بالینی، این پژوهش تأکید میکند که اختلالات شدید زبانی (نظیر آفازی، لکنت یا حتی تسلط نداشتن به زبان غیرمادری) به هیچوجه نمیتواند معیاری برای سنجش هوش یا توانایی استدلال انتزاعی فرد تلقی شود. افراد مبتلا به آفازی همچنان ظرفیت حفظ مدیریت امور مالی، حل سودوکو یا بازی شطرنج را دارند و این مطالعه، مستندات محکمی برای اصلاح نگرشهای نادرست عمومی درباره این بیماران فراهم میآورد.
پیامدها برای مدلهای هوش مصنوعی
در حوزه هوش مصنوعی، تمایز بنیادین میان بستر عصبی زبان و منطق در انسان، چشمانداز تازهای برای ارزیابی مدلهای زبانی بزرگ (مانند ChatGPT و Claude) ارائه میدهد. این مدلها که صرفاً بر روی دادههای متنی آموزش دیدهاند، گاه رفتارهایی شبیه به استدلال از خود نشان میدهند. بااینحال، درک این نکته که مغز انسان برای استنتاج منطقی از مسیری جدای از پردازش کلمات بهره میبرد، میتواند به طراحی نسل آینده سامانههای مصنوعی با رویکردی متفاوت از صرف تقلید آماری از متن کمک شایانی کند.
جمعبندی
پژوهش حاضر با تلفیق دادههای رفتاری بیماران و تصویربرداری عصبی از افراد سالم، شواهد قطعی در حمایت از استقلال کارکردی منطق از زبان در مغز ارائه میدهد. بهعقیده پژوهشگران، این مطالعه مرز تازهای در «جغرافیای اندیشه» گشوده است و مسیر تحقیقات آتی را بر شناسایی شبکههای عصبی اختصاصی استدلال قیاسی متمرکز خواهد کرد.
مرج:
https://mcgovern.mit.edu/2026/07/06/separating-logic-and-language/
🆔 @asrgooyeshpardaz | 1 797 |
| 17 | 📄 معرفی SkillOpt-Lite: بهینهسازی خودکار مهارتهای عاملها با یک خط فرمان
محققان در مقالهای جدید، چارچوبی به نام SkillOpt-Lite را معرفی کردهاند که فرایند بهینهسازی مهارتهای عاملهای هوش مصنوعی را بهشدت ساده و سریعتر میکند. این روش با الهام از فلسفهی «همهچیز یک فایل است»، پیچیدگیهای غیرضروری را حذف و مستقیماً از فایلهای سیستمی برای اشکالزدایی استفاده میکند.
---
🧩 چالش بهینهسازی مهارتها
مهارتهای عاملهای هوش مصنوعی، اسناد متنی هستند که رفتار مدل را در انجام وظایف هدایت میکنند. تغییرات کوچک در این متنها میتواند تأثیر زیادی روی عملکرد بگذارد، اما یافتن بهترین نسخه، فرایندی حساس و وقتگیر است.
---
🧠 سه اصل طراحی کلیدی در SkillOpt-Lite
🔹 استخراج اجماع از مسیرهای اجرا: بهجای تمرکز روی خطاهای تکتک، الگوهای مشترک موفقیت و شکست را در چندین اجرا تشخیص میدهد تا مهارتها پایدارتر و عمومیتر شوند.
🔹 دروازهی تأیید مستقل: از یک مجموعهی جداگانه برای ارزیابی تغییرات استفاده میکند تا از بیشبرازش (Overfitting) به دادههای آموزشی جلوگیری شود.
🔹 درس تلخ بهینهسازی مهارت: با افزایش قدرت مدلهای پایه، پیچیدگیهای الگوریتمی غیرضروری میشوند و دسترسی مستقیم عامل به فایلهای لاگ، بهتر از الگوریتمهای سنگین عمل میکند.
---
⚙️ معماری سادهشدهی SkillOpt-Lite
این چارچوب، مؤلفههای پیچیدهای مثل ادغام دستهای بازتابها و بافر رد ویرایش را حذف کرده و فرایند را به چهار مرحلهی ساده خلاصه میکند:
۱. ذخیرهی مسیر اجرا: هر مسیر اجرا بهعنوان یک فایل متنی جداگانه روی دیسک ذخیره میشود.
۲. کاوش فایلها: عامل با استفاده از ابزارهای خطفرمان، فایلهای لاگ را بررسی میکند تا الگوهای شکست را پیدا کند.
۳. استخراج الگو و ویرایش حداقلی: پس از تشخیص خطاهای مشترک، یک تغییر حداقلی و هدفمند روی فایل مهارت اعمال میشود.
۴. تأیید و پذیرش: مهارت جدید روی مجموعهی جداگانهای ارزیابی میشود و در صورت بهبود، جایگزین نسخهی قبلی میگردد.
---
📊 نتایج چشمگیر در بنچمارکها
ابزار SkillOpt-Lite در مقایسه با نسخهی کامل SkillOpt، عملکرد بهتری داشته، بهویژه در وظایف منطقی و محاسباتی:
🔸 در LiveMath (استدلال ریاضی):
- مدل GPT-5.5 با SkillOpt-Lite به ۷۳.۶٪ رسید در حالی که با SkillOpt به ۶۴.۸٪ رسیده بود (افزایش ۸.۸ واحد درصدی).
- مدل GPT-4o از ۳۱.۲٪ با SkillOpt به ۵۸.۸٪ با SkillOpt-Lite رسید (افزایش ۲۷.۶ واحد درصدی).
🔸 در Spreadsheet (صفحهی گسترده):
- مدل GPT-5.4 با SkillOpt-Lite به ۷۹.۴٪ رسید در برابر ۶۱.۵٪ با SkillOpt (افزایش ۱۷.۹ واحد درصدی).
- مدل GPT-5.5 از ۷۶.۲٪ با SkillOpt به ۷۹.۷٪ با SkillOpt-Lite رسید.
🔸 در ALFWorld (محیط تعاملی):
- مدل GPT-5.4-nano با SkillOpt-Lite به ۸۱.۳٪ رسید در برابر ۷۱.۸٪ با SkillOpt (افزایش ۹.۵ واحد درصدی).
🔸 سرعت همگرایی: SkillOpt-Lite در ۲ تا ۳ مرحله به عملکرد نهایی میرسد، در حالی که SkillOpt برای رسیدن به سطح مشابه به مراحل بیشتری نیاز دارد.
---
🚀 گام بعدی: بهینهسازی هارنس (HarnessOpt)
نویسندگان نشان دادهاند که همین رویکرد ساده را میتوان برای بهینهسازی کدهای چارچوب اجرایی (هارنس) نیز به کار برد. در آزمایش روی SpreadsheetBench، با بهینهسازی همزمان مهارت و هارنس:
- مدل سبک GPT-5.4-nano با HarnessOpt به ۷۷.۵۸٪ رسید که از مدل بسیار بزرگتر GPT-5.5 با SkillOpt استاندارد (۷۶.۲۰٪) بهتر عمل کرد.
- بهترین نتیجه با بهینهسازی همزمان مهارت و هارنس برای مدل GPT-5.5 به ۸۵.۷۷٪ رسید.
---
💡 نتیجهگیری نهایی
ابزار SkillOpt-Lite نشان میدهد که با حذف پیچیدگیهای غیرضروری و استفاده از رویکرد فایلمحور، میتوان بهینهسازی عاملهای هوش مصنوعی را سریعتر، سادهتر و مؤثرتر انجام داد. این پژوهش مسیر را برای تکامل خودکار عاملها با کمترین دخالت انسانی هموار میکند.
---
🔗 مقالهی کامل:
https://arxiv.org/html/2607.03451v1
---
#بهینه_سازی_هوش_مصنوعی #عامل_هوشمند #پژوهش_هوش_مصنوعی #هارنس #مهارت_عامل
🆔 @asrgooyeshpardaz | 1 517 |
| 18 | 🌐اخبار هوش مصنوعی
💰 بیگتکها با اعتبارات محاسباتی رایگان، استارتاپها را به دام میاندازند
ارائهدهندگان هوش مصنوعی و ابری، میلیونها دلار اعتبار زیرساختی به استارتاپها هدیه میدهند تا آنها را از ابتدا به اکوسیستم خود بچسبانند و مهاجرت به رقبا را سخت کنند. حجم این بونوسهای محاسباتی، دیگر با دورهای تأمین مالی اولیه برابری میکند.
میدان اصلی نبرد، استارتاپهای Y Combinator هستند. Anthropic به هر پروژهی این شتابدهنده، ۵۰۰ هزار دلار اعتبار API بدون گرفتن سهام پیشنهاد داده. OpenAI نیز این پیشنهاد را پاسخ داده و علاوه بر اعتبار مشابه، ۱.۵ میلیون دلار سرمایهگذاری اختیاری در ازای سهام ارائه کرده است.
سرویسGoogle Cloud تا سقف ۵۰۰ هزار دلار اعتبار داده، دسترسی زودهنگام به مدلهای Gemini و مشاورهی مهندسان DeepMind را هم اضافه کرده. مایکروسافت و AWS هم برنامههای مشابهی دارند. تخمین زده میشود که رهبران بازار سالانه تا ۸۰۰ میلیون دلار فقط صرف اعتبارات محاسباتی برای استارتاپهای YC کنند.
🔗 wsj.com
---
🔧 شرکت DeepSeek تیمی برای طراحی چیپ اختصاصی خود تشکیل میدهد
پس از OpenAI و Anthropic، این غول چینی هوش مصنوعی نیز بهدنبال طراحی راهحل اختصاصی برای استنتاج (Inference) است تا وابستگی خود به سختافزارهای Nvidia و Huawei را کاهش دهد. این پروژه در مراحل اولیه قرار دارد و شتابدهنده، تنها برای استنتاج بهینهسازی خواهد شد، نه آموزش مدل.
شرکت DeepSeek مذاکرات محرمانهای با توسعهدهندگان تراشه و تأمینکنندگان حافظه داشته و ماههاست که بدون انتشار آگهی استخدام، بهصورت پنهانی مهندس سختافزار جذب میکند.
🔗 reuters.com
---
🎨 متا از مدلهای جدید تولید تصویر و ویدئو رونمایی کرد
واحد Superintelligence Labs متا، مدل Muse Image را برای تولید تصویر و پیشنمایشی از مدل ویدئویی Muse Video معرفی کرده است.
مدل Muse Image در ارتباط با مدل زبانی Muse Spark کار میکند و قابلیتهایی مثل ویرایش، اسکچ، حاشیهنویسی، رندر متن و ترکیب تصاویر مرجع با جستجوی لحظهای را فراهم میکند. کاربران میتوانند با ذکر یک حساب عمومی با @، سبک بصری آن را کپی کنند.
نسخهی اولیهی Muse Video روی معماری مشابهی ساخته شده و ویدیو و صدا را بهصورت یکجا با هماهنگی دقیق تولید میکند. برای حفاظت از محتوا، واترمارک Content Seal در فایلها درج میشود که در برابر فشردهسازی و برش مقاوم است.
مدل Muse Image بهصورت رایگان با محدودیت روزانه در دسترس است و نسخهی ویدئویی طی ماههای آینده منتشر خواهد شد.
🔗 ai.meta.com
---
📱 سرویس Claude Cowork از دسکتاپ فراتر رفت؛ نسخهی موبایل و وب راهاندازی شد
شرکت Anthropic نسخههای موبایل و وب Claude Cowork را راهاندازی کرده است. کاربران پلن Max طی هفتههای آینده به نسخهی بتا دسترسی خواهند داشت.
کلاینت دسکتاپ همچنان برای عملیات محلی مانند خواندن و نوشتن فایلهای سیستمی، کار با کانکتورها و استفاده از Computer Use اجباری است. این قابلیتها در نسخهی وب در دسترس نیستند.
چت معمولی و Cowork در یک صفحهی واحد با همگامسازی پروژهها و آرتیفکتها بین همهی دستگاهها ادغام خواهند شد. بر اساس آمار Anthropic، بیش از ۹۰٪ از موارد استفادهی Cowork به کدنویسی مربوط نمیشود و ۵۰٪ از بار آن به اتوماسیون عملیات تجاری و تولید محتوا اختصاص دارد. محدودیتهای دوبرابری استفاده از Cowork تا ۵ آگوست تمدید شده است.
🔗 claude.com
---
🔄 مایکروسافت Copilot و Office را به مدلهای اختصاصی خود مهاجرت میدهد
مایکروسافت شروع به جایگزینی مدلهای OpenAI و Anthropic در Excel، Outlook و GitHub Copilot با خانوادهی داخلی MAI کرده است تا هزینههای لایسنس را کاهش دهد. مصطفی سلیمان، رئیس بخش هوش مصنوعی، از برنامههای این شرکت برای رساندن پرداختها به شرکا به صفر خبر داده است.
در کنفرانس Build، مایکروسافت ادعا کرد که مدل استدلالی جدیدش Thinking-1 در کدنویسی با Sonnet 4.6 و Opus 4.6 برابری میکند، هرچند بنچمارکهای شخص ثالث عملکرد آن را در سطح DeepSeek V3.2 ارزیابی کردهاند.
ساتیا نادلا، مدیرعامل، از احتمال کنار گذاشتن اشتراکهای نامحدود بهنفع پرداخت بهازای مصرف خبر داده است. در این سناریو، مدلهای MAI پایه خواهند بود و مدلهای OpenAI و Anthropic بهصورت افزونههای پولی ارائه میشوند.
🔗 bloomberg.com
---
#رقابت_هوش_مصنوعی #اعتبارات_محاسباتی #DeepSeek #Meta #Anthropic #Microsoft #اخبار_فناوری
🆔 @asrgooyeshpardaz | 1 262 |
| 19 | 🔄 راهنمای Claude Code برای حلقههای خودگردان؛ از دستور دستی تا اتوماسیون کامل
تیم Claude Code راهنمایی منتشر کرده که نشان میدهد چطور میتوان عاملهای هوش مصنوعی را در چرخههای تکراری قرار داد تا بدون دخالت دستی، کار را تا رسیدن به نتیجه پیش ببرند. ایدهی اصلی، واگذاری تدریجی کنترل به عامل است؛ درست مانند پلههایی که هر کدام، سطح بالاتری از استقلال را به مدل میدهند.
---
⚙️ چهار نوع حلقه برای سطوح مختلف اتوماسیون
🧩 حلقهی عاملی (Agent Loop) – شروع با یک پرامپت ساده، پایان با تشخیص خود عامل
شما دستور اولیه را میدهید و کلود کار را تا جایی که خودش وظیفه را تمامشده ارزیابی کند، ادامه میدهد. برای این کار، معیارهای تأیید را در فایل SKILL.md مینویسید. هرچه معیارها عددی و شفافتر باشند، عامل دقیقتر میتواند عملکرد خود را بسنجد.
🎯 حلقهی هدفمحور (Goal Loop) – شما شرط پایان را تعیین میکنید، عامل تلاش میکند تا به آن برسد
شما مشخص میکنید که «کار انجام شده» یعنی چه (مثلاً درصد مشخصی از تستها پاس شوند). سپس یک مدل ارزیاب نتیجهی کار کلود را با هدف شما مقایسه میکند و اگر به نتیجه نرسیده باشد، عامل را دوباره به کار برمیگرداند. این چرخه تا رسیدن به هدف یا تمام شدن تعداد دفعات مجاز ادامه پیدا میکند.
⏰ حلقهی زمانی (Scheduled Loop) – ماشهی شروع را به عامل میسپارید
این گزینه برای کارهای تکراری مثل گزارش روزانه، پاسخ به بازخوردها یا نظارت بر وضعیت سرویسها عالی است. عامل بر اساس زمانبندی یا رویدادهای خارجی (مثل ریویوی جدید یا شکست در فرآیند یکپارچهسازی) فعال میشود و کار را انجام میدهد.
🚀 حلقهی فعال (Proactive Loop) – انسان کاملاً از چرخه خارج میشود
در این سطح، عامل بر اساس رویدادها یا زمانبندی، بدون نیاز به پرامپت اولیه بهصورت خودکار کار را شروع میکند و تا زمانی که شما خاموشش نکنید، به فعالیت ادامه میدهد. این حالت نزدیکترین گزینه به اتوماسیون کامل است.
---
💡 نکتههای کلیدی برای پیادهسازی موفق
- ساده شروع کنید: اگر کار پیچیده نیست، نیازی به حلقههای پیشرفته ندارید.
- کد را تمیز نگه دارید: برای بررسی کد، از عامل دوم کمک بگیرید (قابلیت /code-review در Claude Code).
- هزینهها را کنترل کنید: برای کارهای تکراری از مدلهای سریعتر و ارزانتر و برای کارهای پیچیده از مدلهای قویتر استفاده کنید.
- مقیاس را مدیریت کنید: گردشکارهای پویا ممکن است صدها عامل ایجاد کنند؛ حتماً ابتدا روی نمونههای کوچک تست کنید.
---
با این رویکرد، میتوانید از یک دستیار ساده به سیستمی برسید که بهطور خودگردان وظایف را مدیریت میکند و شما فقط نتیجهی نهایی را بررسی میکنید.
---
#ClaudeCode #عامل_هوشمند #اتوماسیون #حلقه_های_عاملی #برنامه_نویسی_با_هوش_مصنوعی
🆔 @asrgooyeshpardaz | 1 079 |
| 20 | 📊 فاصله ایدههای تحقیقاتی انسان و هوش مصنوعی؛ چرا مدلهای زبانی بزرگ تکراریتر از چیزیاند که فکر میکنیم؟
🧠 تحقیقی جدید با بررسی بیش از ۱۱,۶۸۳ مقاله علمی نشان داده که مدلهای زبانی بزرگ (مثل GPT، Claude و Gemini) در تولید ایدههای پژوهشی، الگوی بسیار محدودتری نسبت به انسانها دارند.
🔍 روش پژوهش چطور بود؟
برای هر مقاله، محققان مجموعهای از مقالات مرتبط قبلی را شناسایی کردند. سپس از مدلهای مختلف خواستند تا با همان پیشینه، یک ایدهی جدید ارائه دهند. در نهایت، ایدههای انسانی و ماشینی از دو منظر مقایسه شدند:
۱️⃣ الگوی فرصت: این پژوهش چه خلأیی را پر میکند؟
۲️⃣ الگوی روش: این پژوهش چگونه انجام میشود؟
📉 نتیجهی کلیدی: مدلها به شدت تکراریاند!
📌 ایدههای انسانی تنوع بالایی دارند (امتیاز تنوع ۰٫۹۲۶)، اما مدلها در دامنهای بسیار محدودتر عمل میکنند (امتیاز تنوع تا ۰٫۷۵۸).
📌 مدلها بیش از حد به ایدههای پلزننده (اتصال کارهای قبلی) و تلفیقی (ترکیب روشها) تمایل دارند:
- فقط ۱۲٪ از ایدههای انسانی از نوع پلزننده هستند، اما این عدد برای مدلها بین ۴۷ تا ۶۴٪ است.
- فقط ۵٪ از ایدههای انسانی روش تلفیقی دارند، در حالی که این عدد برای مدلها به ۲۲ تا ۳۹٪ میرسد.
🧐 کیفیت ایدهها هم فرق دارد
مدلها ایدههای کلیتر و قالبزدهتری تولید میکنند. جالب اینجاست که مدل Claude-Sonnet-4.6 از نظر نگارش به انسان نزدیک بود، اما باز هم از نظر تنوع رویکرد فاصله داشت.
🤔 تفکر عمیق (Extended Reasoning) کمکی نمیکند!
در کمال تعجب، وقتی مدلها را به حالت «تفکر عمیق» میبریم، وضعیت بدتر هم میشود! مثلاً مدل Qwen3-8B در حالت عادی ۴۹٪ ایدههای پلزننده تولید میکند، اما در حالت تفکر این عدد به ۷۱٪ میرسد. یعنی تفکر عمیق، مدل را محدودتر میکند، نه خلاقتر!
🛠️ چرا این اتفاق میافتد؟ تحلیل مکانیسم
بررسی عمیقتر نشان داد که مدلها از یک الگوی تکراری پیروی میکنند:
- مدلها: «ادغام کردن»، «یکپارچه کردن»، «تلفیق کردن» (بیش از ۳۴٪ موارد)
- انسانها: «جایگزین کردن»، «جداسازی»، «فرموله کردن» (تا ۹٪ موارد)
به زبان ساده: مدلها مفاهیم را به هم وصل میکنند، اما انسانها اجزای محلی را جراحی میکنند و دقیقتر به مسئله نگاه میکنند.
📌 پیامدها برای آینده
❌ صرفاً نوآور بودن یک ایده کافی نیست، تنوع سلیقهی پژوهشی هم مهم است.
❌ مدلهای فعلی در تولید ایدههای «معقول» خوب عمل میکنند، اما برای کاربردهای واقعی به سیستمی نیاز داریم که گسترهی رویکردها را نیز پوشش دهد.
❌ صرفاً اضافه کردن «تفکر عمیق» به مدلها، مشکل را حل نمیکند و حتی میتواند آن را تشدید کند.
⚠️ محدودیتهای پژوهش
- این تحقیق عمدتاً روی حوزههای STEM (علوم پایه و مهندسی) متمرکز بوده و ممکن است به علوم انسانی تعمیمپذیر نباشد.
- محققان واقعی از تجربیات شخصی، شکستها و بازخورد همکاران بهره میبرند که در این شبیهسازی وجود نداشت.
📎 منبع: مقاله arXiv:2607.01233v1
تاریخ انتشار: ۱ ژوئیه ۲۰۲۶
#هوش_مصنوعی #پژوهش #LLM #ایده_پردازی #علم_داده #تحقیقات_علمی
🆔 @asrgooyeshpardaz | 1 366 |
