DLeX: AI Python
Відкрити в Telegram
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.
Показати більше📈 Аналітичний огляд Telegram-каналу DLeX: AI Python
Канал DLeX: AI Python (@ai_python) у мовному сегменті Фарсі є активним учасником. На даний момент спільнота об'єднує 21 431 підписників, посідаючи 6 078 місце в категорії Технології та додатки та 15 800 місце у регіоні Іран.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 21 431 підписників.
За останніми даними від 25 серпня, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на -18, а за останні 24 години на 1, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.13%. Протягом перших 24 годин після публікації контент зазвичай збирає 3.59% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 742 переглядів. Протягом першої доби публікація в середньому набирає 770 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 10.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як مصنوعی, توییتر, ماهواره, داده, فناوری.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
تا آزادی ایران از جمهوری اسلامی تبهکار، تبلیغات نداریم.”
Завдяки високій частоті оновлень (останні дані отримано 26 серпня, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
21 431
Підписники
+124 години
-37 днів
-1830 день
Архів дописів
21 431
آژور کوپایلوت 4 تا Agent در اختیار ادمین های Cloud قرار داده که قراره در تسک های مختلف بهمون کمک کنن.
👉 @ai_python 🦁 ☀️
21 431
برای اونایی که خیلی با چت جی پی تی درد و دل می کنن
👉 @ai_python 🦁 ☀️
ChatGPT’ye aşk şarkısı yapılamaz.
Balkan-Sänger
https://x.com/Mysstikk/status/2090870283984892265
21 431
🏉MITracker: Multi-View Track🏉
👉MITracker is a novel Multi-View Integration Tracker to efficiently integrate multi-view object features and provide stable tracking. Code & Dataset announced💙
👉Review https://t.ly/RTNUo
👉Paper arxiv.org/pdf/2502.20111
👉Repo github.com/XuM007/MITracker
👉Project xum007.github.io/MITracker.github.io
21 431
مفهوم هارنس در مدل های هوش مصنوعی
👉 @ai_python 🦁 ☀️
https://youtu.be/HVF9I25WyVY?si=0yENtGT22ezc6nUs
21 431
استراتژی های کاهش مصرف توکن در مایکروسافت فاندری
👉 @ai_python 🦁 ☀️
https://youtu.be/mB0IyELzjRg?si=W9hgABZ5UX2CagjW
21 431
مایکروسافت یک لب جدید تهیه کرده برای نحوه ارتباط اجنت های هوش مصنوعی که از Work IQ استفاده می کنند، از طریق پروتکل پروتکل A2A
👉 @ai_python 🦁 ☀️
https://microsoft.github.io/copilot-camp/pages/work-iq/02-work-iq-a2a/
21 431
یک بحث بسیار جالبی در گروه مطرح شد که پیشنهاد می کنم حتمن بخونید. درباره آینده هوش مصنوعی. لینک پیام هارو در این جا قرار می دم از اون قسمتی که بسیار جالب هست و بلاگی که لینک شده :
https://t.me/weallarebits/15700
21 431
صفر تا صد مدرک AI-103 مایکروسافت
👉 @ai_python 🦁 ☀️
https://youtu.be/WK2BvjOYTCQ?si=PJkNYT-Z4aJl-Izx
21 431
Repost from Wallet News
Apple or Nvidia: who stays on top?
Apple taught the world to pay for an ecosystem. Nvidia unexpectedly for everyone, including itself, became the foundation of the AI era.
Today Nvidia's market cap is $5.26T, Apple's is $4.5T. The gap is "just" $760B.
21 431
Repost from N/a
♞ گردش اسب؛ یک مسئلهٔ کلاسیک در ریاضیات و شطرنج
آیا اسب میتواند روی هر یک از ۶۴ خانهٔ صفحهٔ شطرنج دقیقاً یکبار قرار بگیرد و در پایان، تنها یک حرکت تا خانهٔ آغاز فاصله داشته باشد؟
در این ویدیو یک گردش بستهٔ معتبر نمایش داده میشود: تمام خانهها بدون تکرار بازدید میشوند و همهٔ جابهجاییها حرکت قانونی اسباند.
در زبان نظریهٔ گراف، هر خانه یک رأس و هر حرکتِ مجاز اسب یک یال است؛ بنابراین چنین گردشی یک دور همیلتونی میسازد.
برای انتخاب حرکتها از روش ابتکاری وارنزدورف استفاده شده است: به خانهای برو که کمترین تعداد حرکتِ بعدی به خانههای بازدیدنشده را دارد.
مسئلهای زیبا در پیوند میان شطرنج، ترکیبیات و نظریهٔ گراف؛ مسئلهای که اویلر نیز آن را بررسی کرده بود.
تهیه و تنظیم: گروه ریاضی مزداهیک
@mazdaahik
21 431
Normal Distribution (PDF, CDF, PPF) in 3 Minutes
👉 @ai_python 🦁 ☀️
https://youtu.be/3VYupIsbLlY?si=XfHt-1z9gIOlkdnQ
21 431
ایده بسیار قشنگی هست برای اینکه Accountability داشته باشیم روی تصمیم های AI و در جایی (گراف) نگهشون داریم. 😍
👉 @ai_python 🦁 ☀️
21 431
Repost from Reza Jafari
همه آنجه که نیازه از DeepSeek Harness بدونید
اگر بخوایم خیلی ساده بگم، DeepSeek Harness یک framework برای ساخت و اجرای coding agentهاست که DeepSeek همراه با V4 Pro بهصورت developer preview منتشر کرده. ایده اصلیش اینه که برخلاف coding agentهای معمولی، همهچیز رو یک سیستم ثابت نبینیم؛ model، tools، skills، sessions و حتی agent loop میتونن به شکل plugin مدیریت و جایگزین بشن.
نکته جذابش اینه که DeepSeek Harness فقط برای مدلهای DeepSeek نیست. میتونید providerهای دیگه رو هم بهش وصل کنید و حتی Claude Code و Codex رو بهعنوان sub-agent وارد workflow کنید. یعنی میتونید یک multi-agent system بسازید که DeepSeek Harness وظیفه orchestration رو برعهده داشته باشه و هر task رو به agent مناسب بسپره.
از نظر قابلیتها هم دستتون نسبتاً بازه؛ میتونید shell، file editing، web search، planning، subagent و workflowهای مختلف رو فعال یا شخصیسازی کنید. حتی در Creator Mode، agent میتونه در حین اجرای session، plugin و tool جدید بسازه و به محیط خودش اضافه کنه.
یکی از بخشهای مهمش هم session logging هست. تقریباً هر چیزی که به model نمایش داده میشه ثبت میشه؛ از tool callها و نتیجهشون گرفته تا context injection و فعالیت sub-agentها. این موضوع برای debugging و فهمیدن اینکه agent دقیقاً چرا یک تصمیم رو گرفته، خیلی کاربردیه.
راهاندازیش هم نسبتاً سادهست و برخلاف Claude Code و Codex، رابط اصلیش یک local web app هست که داخل browser اجرا میشه. تنظیمات هم عمدتاً از طریق YAML قابل کنترل هست و میتونید model، provider، permission و reasoning effort رو تغییر بدید.
در مورد مدلها هم V4 Flash و V4 Pro قابل استفاده هستن. برای بیشتر coding taskهای معمولی، Flash احتمالاً انتخاب اقتصادیتریه و Pro بیشتر برای taskهای سختتر و reasoning-heavy ارزش پیدا میکنه. البته هزینه اصلی مربوط به model API هست و خود harness رایگانه.
در نهایت، چیزی که DeepSeek Harness رو مهم میکنه فقط این نیست که یک coding agent دیگه ساخته؛ بلکه اینه که خود harness رو هم قابل تغییر و composition کرده. یعنی بهجای یک agent با workflow ثابت، میتونید محیطی بسازید که model، tools، sub-agentها و حتی agent loop رو مطابق نیاز خودتون کنار هم قرار بدید.
البته فعلاً developer preview هست و طبیعتاً ممکنه breaking change و rough edge داشته باشه. ولی اگر به coding agentها، multi-agent system یا ساخت agentهای شخصی علاقه دارید، DeepSeek Harness قطعاً پروژهایه که ارزش دنبال کردن داره.
👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبتنام در دوره منتورینگ
🤝 تجارب موفق قبلی بچهها از منتورینگ
@reza_jafari_ai
21 431
Understanding Exponential vs Poisson Distributions
👉 @ai_python 🦁 ☀️
https://youtu.be/n7K8s4vryCQ?si=pcVzHZhnI48iNzhu
21 431
دوشنبه 17 آکوست، پروفسور هوخ غایتا، یک سخنرانی با موضوع فاز بعدی هوش مصنوعی برگزار خواهند کرد، که ورود به آن به رایگان و طریق زوم نیز امکان پذیر خواهد بود.
آقای سپ هوخ غایتا از اساتید دانشگاه JKU لینز هستند که به دلیل همکاری در
