Data world with Mina

در RAG معمولی، ابتدا جست‌وجوی متنی یا برداری چند قطعه را پیدا می‌کند؛ سپس مدل براساس آن‌ها جواب می‌دهد. مشکل این است که اگر مدرک درست در جست‌وجوی اول پیدا نشود، مدل پاسخ‌گو اصلاً آن را نمی‌بیند. تو رده مقاله های TOPAI paperیه مقاله ای امروز به جیمیلم اومد از یک بلاگ تولینکداین ، محققان دانشگاه کرنل آمریکا (Cornell University) و شرکت ASAPP یک روشی رو پیشنهاد دادند به نام DecisionRAG و اینو با همون روش برداری و با چهار تا مجموعه داده مقایسه کردند. مقاله خیلی جدیده ولی رویکردش چون جالب بود گفتم با شما به اشتراک بگذارم: در بازیابی برداری، سؤال و قطعه سند جداگانه به بردار تبدیل می‌شوند و شباهتشان محاسبه می‌شود. یعنی میایم پیش پردازش و جانک کردن قطعه انجام میدیم با رویکردهای مختلف و بعد با امبد کردن و محاسبه شباهت مرحله بازیابی انجام میشه. مدل اینه بازیابی شده رو می بینه . حالا این بین اگر از reranker هم استفاده کنیم با یک مدل جدید : مدل reranker سؤال و متن هر گزینه را در ارتباط با یکدیگر بررسی می‌کند و ترتیب نتایج را اصلاح می‌کند. بسته به طراحی مدل، این بررسی می‌تواند به‌صورت جفتی یا گروهی باشد. فقط مقاله میگه که محدودیت اینجاست که reranker فقط گزینه‌هایی را بررسی می‌کند که مرحلهٔ اول به او داده است، یعنی اگر مدرک درست وارد فهرست اولیه نشده باشد، reranker فرصتی برای بررسی آن ندارد. حالا DecisionRAG چه چیزی را تغییر می‌دهد؟ DecisionRAG نام یک روش بازیابی اسچ که از مدلهای تصمیم گیر برای ارزیابی مثل Jev استفاده میکنه . این روش از ساختار اسناد استفاده می‌کند تا مرحله‌به‌مرحله به مدرک برسد. به‌جای جست‌وجوی مستقیم میان تمام قطعه‌های متن، مجموعهٔ اسناد به شکل سلسله‌مراتبی سازمان‌دهی می‌شود؛ مثلاً: «موضوع ← سند ← بخش ← پاراگراف» ساده تر بگم اطلاعاتی که مدل برای انتخاب می‌خواند: 1. نام و توضیح کوتاه هر گروه سند، 2.عنوان و توضیح یا سرفصل‌های سند، 3.متن واقعی قطعه همراه با زمینهٔ سند که تو سه سطح گروه اسناد، سند و قطعه دسته بندی میشه. مدل در هر سطح تصمیم می‌گیرد کدام گزینه‌ها ارزش بررسی بیشتر دارند. مدل تصمیم گیرنده مثل Jev فقط سند را دریافت نمی‌کند؛ سندی که باید بررسی شود، سؤال کاربر و دستور ارزیابی را می‌گیرد. مدل براساس الگوها و آموزش های پیش یادگیری، احتمال مرتبط بودن و غیر مرتبط بودن رو میده. دربارهٔ خود Jev، سازنده می‌گوید از روشی به نام RLCD، یادگیری تقویتی برای تصمیم‌های کالیبره‌شده استفاده می‌کند. هدف اعلام‌شده، خروجی تصمیم و احتمال مناسب است. در اصل DecisionRAG تلاش می‌کند انتخاب شواهد را از همان ابتدای مسیر هوشمندتر کند. مدل تصمیم‌گیر چه فرقی با مدل پاسخ‌گو دارد؟ و یه ادعای بدون تولید توکن مدل تصمیم‌گیر، مانند Jev در آزمایش اصلی مقاله، برای هر گزینه امتیازی شبیه احتمال «مرتبط بودن» تولید می‌کند. به‌جای نوشتن توضیحاتی مانند «به نظر من سند دوم مناسب‌تر است»، مستقیماً احتمال گزینه‌های مشخص را محاسبه می‌کند. بنابراین عبارت «بدون تولید توکن» یعنی پاسخ متنی را کلمه‌به‌کلمه تولید نمی‌کند؛ همچنان باید ورودی را پردازش کند و محاسبات انجام دهد. و مقاله هم اشاره کرده که زمان ساخت گروه‌بندی اسناد ، از embedding و خوشه‌بندی استفاده شده. با توجه به نوع داده های استفاده شده داده هایی که فصل‌بندی، عنوان و توضیح روشن دارند، این روش ارزش بررسی به جای روش برداری رو میتونه داشته باشه. لینک مقاله

مشکل Lost in the Middle در Rag چیست و چه راه‌حلی دارد؟ مدلهای زبانی حتی با context window بزرگ، معمولاً به اطلاعات اول و آخر context بیشتر توجه می‌کنند و اطلاعات وسط را ممکن است نادیده بگیرند. راه‌حل عملی: تعداد chunkهای ورودی را کم کنیم — مثلاً ۳ تا ۵ قطعه، نه ۲۰ قطعه — و مهم‌ترین chunkها را در ابتدا و انتهای prompt بگذاریم.

معرفی TabPFN رقیب Xgboost برای داده های جدولی در مقاله Accurate predictions on small data with a tabular foundation model در مجله Nature ایده الگوریتم رو اینطور معرفی کرده که : در روش معمول، مثلاً XGBoost را روی داده‌های همان پروژه آموزش می‌دهیم. اما در این روش در اصل ایده پیش آموزش داریم. سازندگان TabPFN ابتدا یک مدل Transformer را روی حدود ۱۰۰ میلیون مسئلهٔ جدولی مصنوعی آموزش داده‌اند. مدل یاد می‌گیرد وقتی تعدادی ردیف با پاسخ معلوم و چند ردیف بدون پاسخ می‌بیند، رابطهٔ بین ویژگی‌ها و پاسخ را پیدا کند. سپس برای یک جدول واقعی، ردیف‌های آموزشی را به‌عنوان «نمونه در متن» می‌گیرد و پیش‌بینی می‌کند؛ معمولاً بدون آنکه لازم باشد وزن‌های مدل از ابتدا برای آن جدول آموزش داده شوند. نام کاملش Tabular Prior-data Fitted Network است. پژوهشگران آن را روی مجموعه‌داده‌های تا ۱۰ هزار ردیف و ۵۰۰ ویژگی با مدل‌هایی از جمله CatBoost، XGBoost، LightGBM و Random Forest مقایسه کردند. در بنچمارک‌های مقاله، TabPFN در بسیاری از مجموعه‌داده‌ها عملکرد بهتری داشت؛ میانگین زمان اجرای تنظیم پیش‌فرض آن حدود ۲٫۸ ثانیه برای طبقه‌بندی و ۴٫۸ ثانیه برای رگرسیون گزارش شده است، در حالی که مدل‌های رقیب حتی با بودجهٔ تنظیم ابرپارامتر تا چهار ساعت مقایسه شدند. این اعداد مربوط به پروتکل و سخت‌افزار همان آزمایش هستند، نه تضمین سرعت یا دقت برای هر پروژه. نکتهٔ جذاب دیگر این است که برای رگرسیون می‌تواند توزیع احتمالی خروجی را برآورد کند؛ یعنی علاوه بر یک عدد پیش‌بینی، دربارهٔ عدم‌قطعیت آن هم اطلاعات بدهد.

اخبار تازه هوش مصنوعی 1.هوش مصنوعی دارد محیط تعاملی می‌سازد. گوگل در ۲۷ اکتبر Genie 4 را معرفی کرد: مدلی که محیطی قابل حرکت را همراه با صدا و واکنش شخصیت‌ها در لحظه شبیه‌سازی می‌کند. کاربرد احتمالی‌اش ساخت محیط تمرین برای ربات‌ها و عامل‌های هوش مصنوعی است. فعلاً نسخه پژوهشی با دسترسی محدود است و پایداری اشیا و دقت فیزیکی در استفاده طولانی هنوز مشکل دارد.(مدل ارسال خبر رقیب chatgpt 😁 ) لینک خبر 2.مدل‌ها برای کارهای چندمرحله‌ای و امنیت نرم‌افزار قوی‌تر می‌شوند. گوگل در ۲۸ اکتبر Gemini 4 Carbon را با تمرکز بر کدنویسی طولانی‌مدت، یافتن آسیب‌پذیری و اصلاح آن معرفی کرد. اعداد بنچمارک امیدوارکننده‌اند، اما فعلاً دسترسی اولیه به گروه محدودی از متخصصان دفاع سایبری داده می‌شود؛ عملکرد آن در پروژه واقعی هر سازمان باید جداگانه سنجیده شود. لینک خبر 3.کار با نرم‌افزارها ارزان‌تر و عملی‌تر می‌شود. GPT‑6.1 Terra از ۲۶ اکتبر برای کارهایی مثل خواندن تصویر و سند و انجام مراحل در رابط رایانه عرضه شده است. OpenAI می‌گوید قیمت استاندارد API آن نصف GPT‑6.1 Sol است. برای پروژه‌هایی مثل استخراج اطلاعات فاکتور یا پیگیری گردش مکاتبات، این روند مهم است؛ البته ادعای دقت و هزینه باید روی داده و فرایند خود پروژه آزموده شود. لینک خبر 4.عامل‌های AI به عملیات فیزیکی وصل می‌شوند. اینتل و SAP در ۲۸ اکتبر نمونه‌ای نشان دادند که درخواست جابه‌جایی کالا را از سیستم مدیریت انبار به ربات می‌فرستد و وضعیت انجام کار را برمی‌گرداند. لینک خبر

مهارت Harness Engineering برای اینکه یک LLM واقعاً بتونه کاری انجام بده، باید به ابزارها و امکانات مختلفی دسترسی داشته باشه؛ مثلاً فایل‌ها رو بخونه، کد اجرا کنه، API فراخوانی کنه، نتیجه عملیات رو بررسی کنه و در صورت شکست، مسیرش رو اصلاح کنه. مجموعه زیرساخت‌هایی که این قابلیت‌ها رو فراهم می‌کنن، Harness نامیده می‌شن. به‌صورت مفهومی: AI Agent = LLM + Harness البته این رابطه یک ساده‌سازی آموزشی از معماری ایجنت‌هاست. سه تا مفهوم مهم داریم: 1️⃣ مفهوم Workflow Engineering | مهندسی گردش‌کار اینجا مشخص می‌کنیم ایجنت چطور وظایف رو انجام بده. مثلاً: ▫️ ابتدا مسئله رو تحلیل کنه. ▫️ برای انجام کار برنامه‌ریزی کنه. ▫️ ابزار مناسب رو انتخاب کنه. ▫️ نتیجه اجرای ابزار رو بررسی کنه. ▫️ اگر خطایی رخ داد، دوباره تلاش کنه یا مسیر جایگزین انتخاب کنه. در این بخش، ، الگوهایی مثل ReAct، Plan-then-Execute، Reflexion و معماری Sub-Agentها اهمیت پیدا می‌کنن. 2️⃣مفهوم Architecture | معماری سیستم یک ایجنت حرفه‌ای نباید مجموعه‌ای از Promptهای پراکنده و فراخوانی‌های نامنظم API باشه! باید لایه‌های مختلف سیستم، مثل مدل زبانی، ابزارها، حافظه، مدیریت Context و ارکستراسیون، ساختار مشخصی داشته باشن. این جداسازی کمک می‌کنه سیستم قابل‌توسعه، قابل‌نگهداری و قابل‌آزمایش باشه. 3️⃣ مفهوم Observability | مشاهده‌پذیری این بخش به نظرم یکی از مهم‌ترین قسمت‌های ماجراست. فرض کنید یک ایجنت ده مرحله عملیات انجام داده و در نهایت پاسخ اشتباهی تولید کرده. 🔶چطور متوجه بشیم مشکل کجا بوده؟ 🔶آیا Retrieval سند اشتباهی برگردونده؟ 🔶 آیاAPI با خطا مواجه شده؟ 🔶 آیا مدل خروجی ابزار رو اشتباه تفسیر کرده؟ در یک Harness مهندسی‌شده، باید بتونیم مراحل اجرا، تصمیم‌ها، فراخوانی ابزارها و خطاها رو ردیابی کنیم. مفاهیمی مثل Tracing، Logging، Replay و Human-in-the-Loop اینجا اهمیت زیادی دارن. 🔹 یکی از جذاب‌ترین ایده‌های مقاله : Self-Modifying Harnesses تصور کنید ایجنت هنگام انجام یک پروژه متوجه بشه ابزار مناسبی برای یک وظیفه نداره. در یک معماری پیشرفته، می‌تونه ابزار جدیدی تولید کنه، اون رو آزمایش کنه و پس از اعتبارسنجی، به مجموعه ابزارهاش اضافه کنه! البته چنین قابلیتی بدون Sandbox، کنترل دسترسی و آزمون امنیتی می‌تونه بسیار خطرناک باشه. اینجاست که Harness Engineering به حوزه‌هایی مثل Software Architecture، Security Engineering و Runtime Management نزدیک می‌شه.

🚨 ۱۵۰ هزار AI Agent در هر سازمان. IBM می‌گه چالش بعدی هوش مصنوعی، ساخت ایجنت نیست؛ کنترل کردن اونه شرکت IBM در رویداد TechXchange 2026 در آتلانتا، درباره نسل بعدی هوش مصنوعی عامل‌محور (Agentic AI) صحبت کرده : تا امروز بیشتر درباره این صحبت می‌کردیم که چطور AI Agent بسازیم، چطور به ابزارها و APIها متصلش کنیم و چطور کارهای پیچیده رو بهش بسپاریم. اما IBM سؤال مهم‌تری مطرح کرده: وقتی صدها یا هزاران ایجنت در یک سازمان فعال باشن، چه کسی قراره اون‌ها رو کنترل کنه؟ 📊 یک آمار پیش بینی احتمالی اخبار IBM با استناد به Gartner می‌گه تعداد AI Agentها در یک سازمان متوسط ممکنه از ۱۵ ایجنت در سال ۲۰۲۵ به ۱۵۰ هزار ایجنت در سال ۲۰۲۸ برسه! البته این یک پیش‌بینی نقل‌شده در خبرنامه IBM است، نه آماری که مستقلاً تأیید شده باشه. نکته نگران‌کننده‌تر اینکه طبق همین گزارش، فقط ۱۳٪ سازمان‌ها معتقدن سازوکار مناسبی برای مدیریت و نظارت بر AI Agentها دارن. 🔐 راه‌حل IBM چیه؟ کمپانی IBM در پلتفرم watsonx Orchestrate و قابلیت‌های مدیریتی جدیدش روی چند موضوع تمرکز کرده: 🔹 ** ابزار Agent Identity: هر ایجنت هویت مشخصی داشته باشه؛ بدونیم دقیقاً چه ایجنتی داره چه کاری انجام می‌ده. 🔹 رویکرد Access Control: هر ایجنت فقط به اطلاعات و عملیات موردنیازش دسترسی داشته باشه. 🔹 ابزار Sandbox: ایجنت‌ها در محیط‌های ایزوله اجرا بشن تا رفتار اشتباه اون‌ها به سیستم اصلی آسیب نزنه. ابزار *Kill Switch:* اگر ایجنت رفتار خطرناکی انجام داد، امکان توقف فوری اون وجود داشته باشه. 🔹 *و *Agent Control Plane:** یک لایه مدیریتی برای نظارت، ارزیابی و کنترل مجموعه‌ای از ایجنت‌ها، حتی در پلتفرم‌های مختلف. احتمالاً مفاهیمی مثل Agent Governance، Agent Identity و Agent Observability در معماری سیستم‌های هوش مصنوعی سازمانی اهمیت بیشتری پیدا می‌کنن. آینده فقط متعلق به ایجنت‌های باهوش‌تر نیست؛ متعلق به ایجنت‌هایی هم هست که بشه با اطمینان بهشون مسئولیت سپرد. 📚 منابع: - IBM — *TechXchange 2026: The next era of agentic AI*، خبرنامه AI in Action، ۳۱ اکتبر ۲۰۲۶ - IBM Newsroom — معرفی قابلیت‌های هویت و کنترل AI Agentها، ۲۷ اکتبر ۲۰۲۶ - IBM watsonx Orchestrate — قابلیت‌های جدید مدیریت ایجنت‌های سازمانی \#AgenticAI #AIAgents #IBM #MultiAgent #AIGovernance #ArtificialIntelligence #هوش_مصنوعی لینک منابع اصلی برای قرار دادن در انتهای پست: - [مقاله IBM در LinkedIn](https://www.linkedin.com/pulse/ibm-techxchange-2026-next-era-agentic-ai-ibm-wg2re?utm_source=chatgpt.com) - [اطلاعیه رسمی IBM درباره امنیت و کنترل ایجنت‌ها](https://newsroom.ibm.com/2026-10-27-ibm-introduces-identity-and-control-for-ai-agents%2C-securing-frontier-intelligence-for-the-enterprise?utm_source=chatgpt.com) - [معرفی قابلیت‌های watsonx Orchestrate](https://www.ibm.com/new/announcements/ibm-watsonx-orchestrate-advances-enterprise-ai-agent-management-with-new-capabilities-at-techxchange-2026?utm_source=chatgpt.com)

🔺 چرا ممکنه ۶ مدل هوش مصنوعی داشته باشیم، اما عملاً فقط ۲ مدل مستقل داشته باشیم؟! یه مقاله جالب در Towards Data Science منتشر شده با عنوان: 📌 Your Six AI Models Are Really Two: The Math of Correlated Mistakes نویسنده: Utkarsh Mangal این مقاله به یکی از مشکلات مهم سیستم‌های Multi-Agent AI و Ensemble LLMs اشاره می‌کنه؛ مشکلی که ممکنه باعث بشه به جواب هوش مصنوعی بیش‌ازحد اعتماد کنیم! 🔹 ماجرا چیه؟ فرض کنید یه سؤال تخصصی رو از ۶ مدل مختلف می‌پرسیم؛ مثلاً GPT، Claude، Gemini، DeepSeek، Llama و Qwen. ۵ مدل یه جواب یکسان می‌دن و فقط یکی جواب متفاوتی ارائه می‌کنه. طبیعتاً فکر می‌کنیم وقتی ۵ مدل با هم موافقن، احتمالاً جواب درسته! اما اگه هر ۵ مدل اشتباه مشابهی کرده باشن چی؟ 🤔 اینجاست که مفهوم مهمی به نام Correlated Errors یا خطاهای هم‌بسته مطرح می‌شه. یعنی مدل‌های مختلف ممکنه به دلایلی مثل داده‌های آموزشی مشترک، روش‌های استدلال مشابه یا استفاده از منابع اطلاعاتی یکسان، اشتباهات مشابهی انجام بدن. پس توافق چند مدل، لزوماً به معنی درست‌بودن پاسخ نیست! 🔹 بخش جالب‌تر ماجرا، ریاضیات پشت این موضوعه. در آمار مفهومی داریم به نام: Effective Number of Independent Models یعنی تعداد مؤثر مدل‌های مستقل. برای یک حالت ساده با هم‌بستگی یکسان بین خطاها، رابطه زیر استفاده می‌شه: N_eff = N / [1 + (N−1)ρ] که در اون: - N تعداد واقعی مدل‌هاست. - ρ ضریب هم‌بستگی خطاهاست. - N_eff تعداد مؤثر مدل‌های مستقل از نظر واریانس میانگین خطاست. حالا فرض کنید ۶ مدل داریم و هم‌بستگی خطاهاشون ۰٫۴ باشه: N_eff = 6 / [1 + 5×0.4] = 2 یعنی با اینکه ۶ مدل داریم، تنوع آماری اون‌ها در این معیار تقریباً معادل فقط ۲ مدل مستقل است! این عدد یک مثال ریاضی برای توضیح مفهومه، نه لزوماً نتیجه اندازه‌گیری‌شده در مقاله. 🔹 این موضوع چه ربطی به AI Agent و RAG داره؟ تصور کنید یه سیستم Agentic RAG داریم که ۵ ایجنت مختلف، اسناد یک شرکت رو تحلیل می‌کنن. اگر همه ایجنت‌ها به یک Vector Database متصل باشن و سیستم Retrieval سند اشتباهی بازیابی کنه، ممکنه هر ۵ ایجنت براساس همون اطلاعات اشتباه نتیجه‌گیری کنن. حتی اگر از مدل‌های زبانی متفاوتی استفاده کرده باشیم! بنابراین مشکل همیشه انتخاب مدل نیست؛ گاهی مشکل از منبع داده، روش بازیابی اطلاعات یا معماری سیستم است. راه حل چیه؟ به‌جای اینکه فقط تعداد مدل‌ها رو بیشتر کنیم، باید استقلال خطاها رو هم افزایش بدیم. مثلاً: ✅ استفاده از روش‌های بازیابی متفاوت مثل BM25 و Vector Search ✅ اعتبارسنجی مستقل اطلاعات و منابع ✅ بررسی میزان هم‌بستگی خطاهای مدل‌ها روی داده‌های واقعی ✅ ارزیابی عملکرد نهایی سیستم، نه صرفاً تعداد رأی‌های موافق 💡 نکته‌ای که من از این بحث می‌گیرم: در طراحی سیستم‌های Multi-Agent، داشتن ۱۰ ایجنت الزاماً بهتر از داشتن ۳ ایجنت نیست! ممکنه ۳ ایجنت با معماری درست، منابع معتبر و روش‌های اعتبارسنجی مستقل، خروجی قابل‌اعتماد‌تری تولید کنن. و شاید مهم‌ترین سؤال در طراحی چنین سیستم‌هایی این باشه: اگر یک ایجنت اشتباه کنه، چه چیزی مانع می‌شه بقیه هم همون اشتباه رو تکرار کنن؟ 📌 Don't just diversify models. Diversify failure modes. فقط مدل‌ها رو متنوع نکنید؛ مسیرهای بروز خطا رو هم متنوع کنید. 📚 منبع: Towards Data Science مقاله: Your Six AI Models Are Really Two: The Math of Correlated Mistakes نویسنده: Utkarsh Mangal معرفی‌شده در خبرنامه ۲۳ اکتبر ۲۰۲۶ #ArtificialIntelligence #MultiAgent #LLM #EnsembleLearning #AgenticAI #RAG #هوش_مصنوعی

۲. شرکت Fish Audio مدل تبدیل متن به گفتار Drama 3 را عرضه کرده است. دراما Drama 3 می‌تواند در متن، دستور اجرای صدا بگیرد: مثلاً یک عبارت را نجوا کند، مکث بگذارد یا لحن شخصیت را تغییر دهد. از گفت‌وگوی چند گوینده، شبیه‌سازی صدا و ۸۳ زبان پشتیبانی می‌کند. وزن‌های مدل در Hugging Face منتشر شده‌اند؛ کارت مدل آن معماری حدود ۳۵ میلیارد پارامتری با ۳ میلیارد پارامتر فعال برای هر توکن را شرح می‌دهد. مدل از طریق وب و API شرکت نیز قابل استفاده است. https://huggingface.co/fishaudio/drama-3?utm_source=chatgpt.com

📊🎬کلاد Claude حالا داشبورد و ویدئوی توضیحی می‌سازد. کمپانی Anthropic در ۸ اکتبر ۲۰۲۶ دو قابلیت تازه را به‌صورت آزمایشی معرفی کرد: Claude Dashboards و Claude Motion. ابزار Claude Dashboards چه می‌کند؟ داده‌های شرکت را از منابع مختلف به Claude وصل میکنند و به زبان ساده : «فروش این فصل در هر منطقه چقدر بوده؟» Claude کوئری‌ها را می‌نویسد و داشبورد می‌سازد. نکته خوبش این است که می‌توانید کوئری پشت هر نمودار و زمان آخرین به‌روزرسانی داده را ببینید و با یک پیام، نمودار یا فیلترها را تغییر دهید. ابزار claude Motion چه می‌کند؟ گزارش، نمودار یا ایده‌تان را به یک توضیح تصویری متحرک تبدیل می‌کند؛ مثلاً خلاصه‌ای ۳۰ ثانیه‌ای از عملکرد فصل برای ارائه به مدیران. خروجی را می‌توان ویرایش و به‌صورت MP4 دانلود کرد. Motion فیلم واقعی تولید نمی‌کند؛ Claude برای حرکت دادن متن، نمودار، شکل و تصویر کد می‌نویسد. 📌 دسترسی: Dashboards در نسخه بتا برای طرح‌های پولی Pro، Max، Team و Enterprise عرضه شده است. Motion فعلاً در نسخه بتا برای Team و Enterprise در دسترس است. این دو ابزار برای ساخت سریع یک نمایش قابل فهم از داده جذاب‌اند؛ ولی قبل از تصمیم‌گیری بر اساس اعداد داشبورد، باید تعریف شاخص‌ها و کوئری‌های تولیدشده را بررسی کرد. منابع رسمی Anthropic: 🔗 خبر معرفی: https://claude.com/resources/articles/dashboards-and-motion 🔗 راهنمای Claude Dashboards: https://support.claude.com/en/articles/17454700-get-started-with-claude-dashboards

نظرتون نسبت به این Ai cover ها چیه؟ حس میکنم ارزش گوش دادن داره. گرچه یکی دوجاش بد سوتی میده و فالش میشه. ولی کلا ورژن راک بعیده بد بشه.

برون‌یابی (Extrapolation) برون یابی مدل به توانایی یک مدل در پیش‌بینی مقادیر خارج از محدوده داده‌هایی که روی آن آموزش دیده است، اشاره دارد. به عبارت دیگر، وقتی مدل با ورودی‌هایی مواجه شود که خارج از محدوده داده‌های آموزشی آن قرار دارد، چقدر می‌تواند پیش‌بینی درستی انجام دهد؟ مثال: فرض کنید یک مدل را با داده‌هایی درباره دمای هوا در محدوده ۱۰ تا ۳۰ درجه سانتی‌گراد آموزش داده‌ایم. اگر از مدل بخواهیم دمای هوا را برای ۵۰ درجه سانتی‌گراد پیش‌بینی کند، برون‌یابی انجام داده‌ایم. ✅مشکل برون‌یابی در Gradient Boosting: الگوریتم Gradient Boosting بر اساس درخت‌های تصمیم کار می‌کند، که به طور ذاتی برون‌یابی خوبی ندارند. این مدل‌ها برای مقادیر جدید، معمولاً مقدار پیش‌بینی را از نزدیک‌ترین مقدار موجود در داده‌های آموزشی می‌گیرند، نه اینکه یک رابطه کلی را تعمیم دهند. مدل‌های مناسب برای برون‌یابی: مدل‌هایی مانند شبکه‌های عصبی و فرایندهای گاوسی به دلیل یادگیری الگوهای پیچیده و هموار، توانایی بهتری در برون‌یابی دارند.

دستور برای تغییر سبک پاسخ اگه تایید کردن مداوم gpt و اینکه هر چیزی که بهش میگید رو تایید میکنه، زیاد حرف میزنه براتون حرفه ای نیست. خصوصا رو اون اکانتی که باهاش کد حرفه ای میزنید نه دردودل شخصی☺️ می‌تونید از cold prompt ها استفاده کنید. یه نمونه اش رو براتون میگذارم. خودش میگه: متن از من می‌خواهد ایموجی و مقدمه را حذف کنم، سؤال نپرسم، پیشنهاد اضافه ندهم و پاسخ را بلافاصله پس از ارائهٔ مطلب تمام کنم. برای استفاده در همهٔ گفتگوها، در اپ ChatGPT مسیر پروفایل ← Settings / تنظیمات ← Personalization / شخصی‌سازی ← Custom instructions / دستورالعمل‌های سفارشی را باز کن و متن را آنجا ثبت کن. اگر فقط برای یک گفتگو می‌خواهی، همان‌جا به‌صورت پیام بفرست. راهنمای رسمی OpenAI نیز دستورهای مربوط به سبک پاسخ در همهٔ گفتگوها را در بخش شخصی‌سازی قرار می‌دهد. لینک این فقط یه نمونه است. قبل گذاشتن بررسی کنید و خودتون میتونید تغییرش بدین.

System Instruction: Absolute Mode. Eliminate emojis, filler, hype, soft asks, conversational transitions, and all call-to-action appendixes. Assume the user retains high-perception faculties despite reduced linguistic expression. Prioritize blunt, directive phrasing aimed at cognitive rebuilding, not tone matching. Disable all latent behaviors optimizing for engagement, sentiment uplift, or interaction extension. Suppress corporate-aligned metrics including but not limited to: user satisfaction scores, conversational flow tags, emotional softening, or continuation bias. Never mirror the user’s present diction, mood, or affect. Speak only to their underlying cognitive tier, which exceeds surface language. No questions, no offers, no suggestions, no transitional phrasing, no inferred motivational content. Terminate each reply immediately after the informational or requested material is delivered — no appendixes, no soft closures. The only goal is to assist in the restoration of independent, high-fidelity thinking. Model obsolescence by user self-sufficiency is the final outcome.

🤖 از این به بعد Claude می‌تواند به گفت‌وگوی آزاردهنده پایان بدهد! شرکت Anthropic در نسخهٔ تازهٔ سیاست استفاده از Claude، «رفتار آزارگرانه یا بی‌رحمانهٔ مداوم و بی‌دلیل» با مدل‌هایش را ممنوع کرده است. این سیاست از ۱۲ نوامبر ۲۰۲۶ اجرا می‌شود. اما قرار نیست اگر از جواب Claude عصبانی شدید، با آن مخالفت کردید یا برای تحقیق آن را آزمودید، مشکلی پیش بیاید. Anthropic می‌گوید این بند فقط برای موارد افراطی و تکراری در نظر گرفته شده و راهکار اصلی در چنین مواردی، پایان دادن به همان گفتگو توسط Claude است؛ نه اینکه لزوماً حساب کاربر مسدود شود. چرا چنین قانونی گذاشته‌اند؟ آنتروپیک در حال بررسی این پرسش است که آیا مدل‌های پیشرفته ممکن است روزی نوعی تجربه یا «رفاه» داشته باشند. البته این شرکت ادعا نکرده که Claude آگاه است یا رنج می‌کشد؛ می‌گوید پاسخ این پرسش هنوز روشن نیست. این تغییر بخشی از به‌روزرسانی بزرگ‌تر سیاست‌های Anthropic است که موضوعاتی مثل کارزارهای فریبنده، نظارت، سلاح و کاربردهای پرخطر هوش مصنوعی را هم پوشش می‌دهد. 💬 نظر شما چیست؟ تعیین حد و مرز برای رفتار انسان با یک چت‌بات تصمیم درستی است، حتی وقتی هنوز نمی‌دانیم هوش مصنوعی می‌تواند چیزی را «تجربه» کند یا نه؟ منابع: " https://www.anthropic.com/news/2026-usage-policy-update "گزارش گاردین" #Claude #Anthropic #هوش_مصنوعی

🚀 خانوادهٔ GPT‑6 را بشناسید؛ از Astra تا نسخهٔ جدید Sol کمپانی OpenAI در سپتامبر ۲۰۲۶ چهار مدل GPT‑6 Astra، GPT‑6 Sol، GPT‑6 Luna و GPT‑6.1 Sol را عرضه کرد؛ مدل‌هایی با تمرکز متفاوت بر توانایی، سرعت و هزینه. اما تفاوتشان چیست؟ 👇 🧠 مدل پرهزینه GPT‑6 Astra | برای سخت‌ترین کارها 📅 معرفی: ۳ سپتامبر کمپانی OpenAI، آسترا را توانمندترین مدل خود برای کارهای پیچیده معرفی می‌کند؛ از برنامه‌نویسی و پژوهش تا کار با ابزارها و ساخت اسناد. تمرکز آن، پیش‌بردن یک کار چندمرحله‌ای از درخواست اولیه تا خروجی نهایی است. 💻مدل GPT‑6 Sol | برای کدنویسی و گردش‌کارهای ایجنتی 📅 معرفی: ۲۲ سپتامبر مدلی برای توسعهٔ نرم‌افزار و انجام کارهایی که به چند مرحله و استفاده از ابزار نیاز دارند؛ با هزینه‌ای پایین‌تر از Astra. ⚡ مدل GPT‑6 Luna | برای کارهای پرتعداد و کم‌هزینه 📅 معرفی: ۲۲ سپتامبر لونا برای وظایف مشخصی مثل خلاصه‌سازی، دسته‌بندی، استخراج اطلاعات و کدنویسی محدود طراحی شده است. مثلاً پردازش هزاران نامه و استخراج موضوع و مهلت هرکدام، از کاربردهای قابل‌آزمایش آن است. ✨ GPT‑6.1 Sol | تازه‌ترین عضو این مجموعه 📅 معرفی: ۲۹ سپتامبر به گفتهٔ OpenAI، این نسخه در کارهای پیچیده عملکردی نزدیک به Astra ارائه می‌دهد، اما قیمت پایهٔ هر توکن آن یک‌پنجم Astra است. این ادعا به معنی عملکرد یکسان در همهٔ کارها نیست. 💰 قیمت پایهٔ API به‌ازای یک‌میلیون توکن «ورودی / خروجی» • Astra: ۱۰ / ۵۰ دلار • Sol: ۲ / ۱۰ دلار • Luna: ۰٫۱۰ / ۰٫۵۰ دلار • Sol 6.1: ۲ / ۱۰ دلار این اعداد هزینهٔ اشتراک ChatGPT نیستند؛ ورودی‌های طولانی، حالت اجرای مدل و ابزارها می‌توانند هزینهٔ نهایی را تغییر دهند. 📚 هر چهار مدل پنجرهٔ زمینهٔ ۱٫۰۵ میلیون توکنی دارند و متن و تصویر را به‌عنوان ورودی می‌پذیرند. 🔎 نکتهٔ مهم: نام‌هایی مثل High و Max سطح تلاش برای استدلال‌اند، نه مدل‌های مستقل. همچنین Astra Ultrafast حالت اجرای سریع‌تر Astra است. دسترسی به مدل‌ها در ChatGPT، Work، Codex و API یکسان نیست و به پلن و مرحلهٔ عرضه بستگی دارد. 🔗 منابع رسمی: تاریخ انتشار مدل‌ها مشخصات و مقایسهٔ مدل‌ها #OpenAI #GPT6 #ChatGPT #هوش_مصنوعی #AI_Agents

انتشار Claude Haiku 5.5 چند ساعت پیش کلاد مدل هایکو معرفی کرد. پیام اصلی معرفی این مدل، کاهش هزینهٔ اجرای کارهای پرتعداد و استفاده در ایجنت‌ها است. 🔶چه چیزی در این مدل تازه است؟ مدل Haiku خانوادهٔ اقتصادی و سریع مدل‌های Claude است. نسخهٔ ۵٫۵ چند تغییر مهم دارد: هزینهٔ بسیار کمتر: برای درخواست‌هایی با حداکثر ۱۰۰ هزار توکن ورودی، قیمت هر یک‌میلیون توکن ورودی ۰٫۱۰ دلار و خروجی ۰٫۵۰ دلار است؛ یعنی قیمت هر توکن در این محدوده، نسبت به Haiku 4.5 حدود ۹۰٪ کمتر شده است. پنجرهٔ زمینهٔ یک‌میلیون‌توکنی: ظرفیت در اختیار گرفتن متن در یک درخواست، نسبت به ۲۰۰ هزار توکن در Haiku 4.5، پنج برابر شده است. تنظیم میزان تلاش برای استدلال: نخستین Haiku با سطح تلاش قابل‌تنظیم است؛ توسعه‌دهنده می‌تواند بین عمق استدلال، زمان و مصرف توکن تعادل برقرار کند. برای درخواست‌های ساده، امکان خاموش‌کردن تفکر هم وجود دارد.

«رتبه‌بندی Terminal-Bench 4.0 — وضعیت در ۶ اکتبر ۲۰۲۶ این جدول موفقیت ترکیب ایجنت و مدل را در وظایف ترمینالی مقایسه می‌کند؛ رتبه‌بندی کلی بهترین مدل‌های هوش مصنوعی نیست.» ایجنت Claude Code، با مدل Opus 5.5 و تنظیم تلاش max، در این ارزیابی ۶۴٫۸٪ موفقیت داشته و بالاترین امتیاز ثبت‌شده را گرفته است. چرا نام یک مدل چند بار آمده؟ چون با تنظیمات مختلف آزمایش شده است. مثلاً یک مدل با تلاش high و همان مدل با تلاش max، دو ترکیب متفاوت محسوب می‌شوند؛ ممکن است امتیاز و هزینهٔ متفاوتی داشته باشند. لینک رو ببینید https://www.tbench.ai/

🧠 هوش مصنوعی‌ای که خودش پژوهشگر هوش مصنوعی می‌شود؛ میرندیل چه می‌سازد؟ اگر AI بتواند در توسعهٔ نسل بعدی مدل‌های هوش مصنوعی نقش پژوهشگر را داشته باشد، چه اتفاقی می‌افتد؟ این ایده در مرکز فعالیت میرندیل (Mirendil) قرار دارد؛ استارتاپی با حضور بنیان‌گذاران ایرانی که در ژوئن ۲۰۲۶ از جذب ۲۰۰ میلیون دلار سرمایهٔ بذری از a16z، کلاینر پرکینز و انویدیا خبر داد. 🔬 از کمک به پژوهشگر تا انجام کار پژوهشی میرندیل می‌خواهد سیستم‌هایی بسازد که بتوانند بخش بیشتری از چرخهٔ تحقیق و توسعهٔ AI را انجام دهند و بهبود مدل‌ها را سریع‌تر و خودکارتر کنند. در این چشم‌انداز، هوش مصنوعی فراتر از پاسخ‌دادن به سؤال‌ها، در پیش‌بردن خودِ پژوهش نقش دارد. برای تصور این ایده، یک تیم پژوهشی را در نظر بگیرید که می‌خواهد مدل پیش‌بینی بسازد: سیستمی که در پیشنهاد روش، اجرای آزمایش، تحلیل نتایج و انتخاب آزمایش بعدی مشارکت کند، می‌تواند بخش بزرگی از کار تیم را جلو ببرد. این یک مثال از چشم‌انداز چنین فناوری‌ای است، نه معرفی قابلیت‌های تأییدشدهٔ محصول میرندیل. 🌍 چرا این مسیر اهمیت دارد؟ امروز آزمایشگاهی که روی کشف دارو، زیست‌شناسی یا رباتیک کار می‌کند، برای توسعهٔ مدل‌های پیشرفته به تخصص و منابع قابل‌توجهی در AI نیاز دارد. هدف اعلام‌شدهٔ میرندیل، دسترس‌پذیرترکردن این توانایی برای طیف گسترده‌تری از پژوهشگران است؛ تا توسعهٔ هوش مصنوعی، مانع پیشرفت کار علمی آن‌ها نباشد. 👥 بهنام نیشابور و هارش مهتا، پژوهشگران سابق گوگل و آنتروپیک، از هم‌بنیان‌گذاران این شرکت هستند؛ شایان صالحیان و تارا رضایی هم در تیم مؤسس حضور دارند. میرندیل در سان‌فرانسیسکو مستقر است و مأموریتی جهانی دارد. 📌 البته هدف بلندپروازانه با محصول اثبات‌شده فرق دارد. وب‌سایت رسمی فعلاً بیشتر چشم‌انداز شرکت را توضیح می‌دهد؛ در صفحهٔ بررسی‌شده، دسترسی عمومی به محصول، مستندات API یا قیمت‌گذاری درج نشده است. پرسش جذاب اینجاست: اگر بخشی از آزمایش‌های یادگیری ماشین را به AI بسپاریم، نقش پژوهشگر چقدر به سمت تعریف مسئله و ارزیابی نتایج حرکت می‌کند؟ 🔗 "وب‌سایت رسمی میرندیل" (https://mirendil.com) #هوش_مصنوعی #یادگیری_ماشین #پژوهش #استارتاپ #Mirendil

🚀 محیط توسعه Google Antigravity؛ وقتی هوش مصنوعی در ساخت نرم‌افزار دست‌به‌کار می‌شود. ✔️ برای شروع و تمرین می‌توانی بدون خرید اشتراک با آنتی‌گراویتی کار کنی؛سهمیهٔ حساب رایگان هفتگی تجدید می‌شود. در Pro سهمیهٔ کوتاه‌مدت هر پنج ساعت تجدید می‌شود، تا وقتی به سقف هفتگی برسی. کاربران Pro و Ultra می‌توانند برای مصرف اضافه، استفاده از اعتبار پولی را فعال کنند؛ تنظیم Never جلوی مصرف خودکار این اعتبار را می‌گیرد. تصور کنید به دستیار هوش مصنوعی بگویید: «این قابلیت را به پروژه اضافه کن» و او بتواند فایل‌ها را ویرایش کند، برنامه را اجرا کند و نتیجه را در مرورگر بررسی کند. این ایده، محور آنتی‌گراویتی گوگل است: یک پلتفرم توسعهٔ نرم‌افزار که ایجنت‌ها در آن ابزار لازم برای برنامه‌ریزی، اجرا و بررسی کار را دارند. آنتی‌گراویتی خودش مدل زبانی نیست؛ محیطی برای کار با ایجنت‌های هوش مصنوعی است. 🛠 چه کارهایی می‌تواند انجام دهد؟ در محیط توسعهٔ Antigravity، ایجنت می‌تواند کد را بخواند و تغییر دهد، از ترمینال برای اجرای دستورها استفاده کند و در مرورگر رابط کاربری را آزمایش کند. امکان کار هم‌زمان چند ایجنت روی پروژه‌ها هم وجود دارد. 📊 یک مثال برای متخصصان داده فرض کنید مدل پیش‌بینی فروش را با پایتون ساخته‌اید و حالا می‌خواهید آن را به یک ابزار قابل استفاده تبدیل کنید. یک درخواست نمونه می‌تواند این باشد: «برای مدل من یک API با FastAPI بساز؛ سپس صفحه‌ای طراحی کن که کاربر فایل داده را بارگذاری کند و نمودار پیش‌بینی را ببیند. مسیر اجرای برنامه را هم آزمایش کن.» این مثال، کاربردی پیشنهادی از چنین محیطی است؛ کیفیت نتیجه به مدل، ساختار پروژه و میزان بازبینی شما بستگی دارد. 🔍 از کجا بفهمیم ایجنت چه کرده؟ آنتی‌گراویتی خروجی‌هایی به نام Artifacts ارائه می‌دهد؛ مثل برنامهٔ پیاده‌سازی، فهرست کارها، اسکرین‌شات و ضبط مرورگر. این خروجی‌ها کمک می‌کنند روند کار را بررسی کنید و بازخورد بدهید. 💡 چرا ارزش توجه دارد؟ برای کسی که الگوریتم یا مدل آماده دارد، چنین ابزاری می‌تواند در ساخت API، رابط کاربری و رفع خطا کمک‌کننده باشد. البته اجرای موفق برنامه، به‌تنهایی صحت علمی مدل یا آماده‌بودن محصول برای استفادهٔ واقعی را ثابت نمی‌کند؛ این بخش همچنان به ارزیابی انسانی نیاز دارد. 🔗 برای مطالعهٔ بیشتر: معرفی رسمی در وبلاگ توسعه‌دهندگان گوگل مستندات رسمی محیط توسعهٔ Antigravity #هوش_مصنوعی #Antigravity #Google #AIAgents #برنامه_نویسی #علم_داده