هوش مصنوعی و علم داده به فارسی

‏🤖 عرضه ابزار Magnific Move برای ویرایش موشن‌گرافیک ‏شرکت Magnific که اکنون زیرمجموعه Freepik است، ابزار جدیدی به نام Magnific Move را برای ساخت و ویرایش موشن‌گرافیک معرفی کرد. این ابزار به کاربران اجازه می‌دهد انیمیشن‌های مربوط به معرفی محصول، لوگو و سایر طرح‌های گرافیکی را صرفاً با دستورات متنی ایجاد کنند. ‏ویژگی اصلی این پلتفرم، امکان ویرایش لایه‌ها با استفاده از زبان طبیعی است؛ به طوری که کاربر می‌تواند پس از ایجاد انیمیشن اولیه، با توصیف تغییرات مورد نظر خود، از هوش مصنوعی بخواهد جزئیات حرکت یا ساختار گرافیک را بازسازی کند. ‏مهم‌ترین قابلیت‌های این ابزار شامل موارد زیر است: ‏* الگوهای آماده برای تبلیغات محصول و تایپوگرافی کینتیک. ‏* قابلیت تولید و ویرایش خودکار زیرنویس. ‏* امکان ایجاد ویدئوهای آموزشی مرحله‌به‌مرحله. ‏* خروجی مستقیم با فرمت MP4. ‏این ابزار همچنین امکان انتقال پروژه‌ها به سایر ابزارهای ویدئویی Magnific برای تغییر سبک بصری را فراهم می‌کند. شرکت سازنده هنوز اطلاعاتی درباره قیمت‌گذاری و طرح‌های اشتراکی این سرویس منتشر نکرده است. 🇮🇷 تلگرام

‏🧠 عرضه مدل ویدئویی H3 Flex توسط Pika ‏شرکت Pika مدل ویدئویی متن‌به‌ویدئو جدید خود با نام H3 Flex را منتشر کرد. این مدل که نسخه‌ای بهینه‌شده از MiniMax H3 است، در جایگاه نخست مدل‌های متن‌باز و رتبه هفتم کلی در بنچمارک DesignArena قرار گرفته و عملکردی فراتر از H3 Max و Seedance 2.5 داشته است. ‏تغییرات فنی مهم این مدل عبارتند از: ‏* کاهش مراحل تولید (Inference steps) از ۵۰ به مهم‌ترین مراحل برای افزایش سرعت. ‏* تولید ویدئوهای ۱۵ ثانیه‌ای با صدا در مدت ۷ ثانیه. ‏* پشتیبانی از خروجی با رزولوشن 4K. ‏* ارائه فایل‌های صوتی مجزا برای ویرایش حرفه‌ای. ‏این مدل با کاهش چشمگیر زمان تولید، توانسته است در رتبه‌بندی کیفی از بسیاری از مدل‌های تجاری و پولی پیشی بگیرد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#H3_Flex #DesignArena

‏🤖 معرفی مدل Genie 4 برای شبیه‌سازی دنیای تعاملی ‏گوگل از مدل جدید Genie 4 رونمایی کرد که اکنون از قابلیت‌های صدا و دیالوگ نیز پشتیبانی می‌کند. در این نسخه، کاراکترها توانایی صحبت کردن و واکنش نشان دادن به محیط را دارند و کاربر می‌تواند با استفاده از دستورات متنی (Prompt)، صحنه‌ها را در لحظه تغییر دهد. ‏این مدل نسبت به نسل پیشین خود، بهبودهای قابل‌توجهی در بازنمایی چهره انسان‌ها و شبیه‌سازی فیزیک اشیاء ارائه داده است. برای مدیریت رویدادهای پیچیده، این سیستم به مدل Gemini 1.5 Flash متصل شده است که با تحلیل لحظه‌ای فریم‌ها و بررسی خروجی‌ها، در صورت نیاز برنامه‌ریزی و اصلاحات لازم را انجام می‌دهد. ‏در حال حاضر این مدل تنها برای تست‌کنندگان در دسترس است و جزئیات دقیق قیمت‌گذاری و زمان عرضه عمومی آن اعلام نشده است. دسترسی‌های آتی به مشترکین Google AI Ultra و شرکای تجاری در محیط AI Studio محدود خواهد بود. ‏اطلاعات بیشتر در وبلاگ DeepMind در دسترس است و متقاضیان می‌توانند از طریق فرم انتظار برای دسترسی‌های بعدی ثبت‌نام کنند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #10 | 📌 5 آیتم گزارش | 🧾 از 41 پست بررسی‌شده 🕐 چهارشنبه 1405/08/06 ساعت 14:00 تا جمعه 1405/08/08 ساعت 14:00 تاثیر آزادسازی سخت‌افزاری بر سرعت پردازش محلی آزادسازی ظرفیت تنسورکور کارت‌های مصرفی در لینوکس، هزینه تست و پردازش محلی مدل‌ها را کاهش می‌دهد. این تغییر به توسعه‌دهندگان اجازه می‌دهد بدون سرمایه‌گذاری روی کارت‌های سازمانی، سرعت پیش‌پردازش و فین‌تیون را بالا ببرند. با این حال، ثابت ماندن پهنای باند حافظه باعث می‌شود نرخ تولید توکن در مدل‌های کوانتایزشده تغییر چندانی نکند. ارزیابی راهکار SLEEP در یادگیری بدون فراموشی تفکیک فازهای یادگیری و انتقال دانش به بلوک‌های حافظه، امکان به‌روزرسانی مداوم مدل‌ها را بدون دستکاری کل شبکه فراهم می‌کند. این رویکرد ریسک فراموشی فاجعه‌بار را در مواجهه با داده‌های جدید کاهش می‌دهد. البته موفقیت عملی آن نیازمند مدیریت دقیق چرخه رویاسازی و ارزیابی کیفیت نمونه‌های تولیدشده است. 🔬 زیرساخت و مدل‌های باز بهبود عملکرد کارت‌های GeForce با ابزار gpu-unlock ابزار gpu-unlock با حذف محدودیت‌های تنسورکور در لینوکس، سرعت پردازش پرامپت و بازآموزی مدل‌ها را افزایش می‌دهد. معماری SLEEP گوگل برای یادگیری مداوم مدل‌ها معماری SLEEP با استفاده از بلوک‌های حافظه MoE و فازهای خواب و رویا، امکان یادگیری مداوم را بدون از دست رفتن دانش قبلی فراهم می‌کند. انتشار مدل متن‌باز Nemotron 3.5 Transcribe انویدیا مدل ۳۴ میلیارد پارامتری انویدیا با معماری ترکیبی Mamba-2 و MoE برای تبدیل گفتار به متن و تشخیص گوینده منتشر شد. انتشار مدل متن‌باز Atria Dawn با پنجره متنی ۵۱۲ هزار توکنی مدل ۷۴۴ میلیارد پارامتری Atria Dawn بر پایه معماری MoE با مجوز MIT برای تعامل چندمرحله‌ای ایجنت‌ها منتشر شد. دسترسی کلاینت‌های MCP به داده‌های زنده صرافی‌های ایرانی پروژه اوپن‌سورس iran-crypto-mcp امکان اتصال ابزارهایی مثل Claude و Cursor را به داده‌های ۷ صرافی ایرانی فراهم کرد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏🖼️ توضیح تعاملی لایه‌به‌لایه شبکه‌های CNN ‏ابزار CNN Explainer به شما امکان می‌دهد پردازش گام‌به‌گام تصویر توسط شبکه‌های کانولوشنال عصبی (CNN) را مشاهده کنید. می‌توانید تصویر دلخواه خود را بارگذاری کرده و ببینید هر لایه چگونه آن را پردازش می‌کند. ‏این ابزار مراحل زیر را توضیح می‌دهد: ‏- کانال‌های ورودی RGB ‏- کانولوشن (Convolution) ‏- تابع فعال‌سازی ReLU ‏- پولینگ حداکثر (Max Pooling) ‏- نقشه‌های فعال‌سازی (Activation maps) ‏- مسطح‌سازی (Flatten) ‏- تابع Softmax ‏- پیش‌بینی نهایی ‏این ابزار برای درک عمیق‌تر نحوه کار CNNها بسیار مفید است. ‏🔗 CNN Explainer

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#CNN_Explainer #Convolutional_Neural_Networks

‏📖 دسترسی رایگان به صدها کتاب درسی در NotebookLM ‏گوگل امکان دسترسی مستقیم و رایگان به صدها کتاب درسی را به ابزار NotebookLM اضافه کرد. این کتاب‌ها از ناشرانی مانند OpenStax، S Chand Publishing و Open Textbook Library تامین شده‌اند و کاربران می‌توانند بدون نیاز به بارگذاری فایل، آن‌ها را درون برنامه جستجو و انتخاب کنند. ‏با افزودن این منابع، هوش مصنوعی NotebookLM می‌تواند فصل‌های مختلف را خلاصه کند، متون را توضیح دهد و از محتوای کتاب‌ها پرسش‌وپاسخ و آزمون تمرینی بسازد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#NotebookLM #OpenStax

‏📊 مقایسه عملکرد Gemini 4 Carbon با Opus 5.5 و GPT-6 Astra ‏در یک آزمون مقایسه‌ای با پرومپت یکسان، عملکرد چند مدل پرچمدار از نظر زمان پردازش و هزینه سنجیده شد. ‏نتایج ثبت‌شده در این تست به این شرح است: ‏• GPT-6 Astra: ۲۲ دقیقه و ۵۴ ثانیه (هزینه: ۳.۲۸ دلار) ‏• Gemini 4 Carbon: ۲۹ دقیقه و ۴۹ ثانیه ‏• Opus 5.5: ۴۳ دقیقه و ۲۱ ثانیه (هزینه: ۹.۲۵ دلار) ‏در این آزمون، مدل GPT-6 Astra سریع‌ترین زمان و کمترین هزینه را ثبت کرد و Gemini 4 Carbon نیز زمان پردازش کوتاه‌تری نسبت به Opus 5.5 داشت.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏⚡ مقایسه Gemini 4 Carbon و Opus 5.5 در رندر سه‌بعدی ‏در یک ارزیابی عملی برای ساخت رندر سه‌بعدی با پرامپت یکسان، مدل Gemini 4 Carbon نسبت به Opus 5.5 با هزینه کمتر و سرعت بالاتری خروجی ارائه کرد. ‏جزئیات عملکرد: ‏• Gemini 4 Carbon: هزینه ۴٫۳۰ دلار و زمان پردازش ۳۲ دقیقه ‏• Opus 5.5: هزینه ۱۴٫۰۰ دلار و زمان پردازش ۱ ساعت و ۲۰ دقیقه ‏تصویر خروجی Gemini 4 Carbon شفاف‌تر بود و سایه‌های رنگین‌کمانی ایجاد کرد، در حالی که تصویر Opus 5.5 در مقایسه با آن کم‌رنگ‌تر شد. بر اساس این تست، Gemini 4 Carbon سه برابر ارزان‌تر و دو برابر سریع‌تر از Opus 5.5 پردازش را انجام داده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏🤖 تخصیص اعتبار API به کاربران اشتراکی OpenAI ‏شرکت OpenAI اعلام کرد که برای کاربران برخی از سطوح اشتراکی، اعتبار ماهیانه API در نظر می‌گیرد. در این طرح، مبلغ پرداختی برای اشتراک در قالب اعتبار (Credit) برای استفاده از API بازگردانده می‌شود. ‏این اعتبار به یک سازمان مشخص در پنل API اختصاص می‌یابد و متقاضیان باید برای فعال‌سازی آن درخواست خود را ثبت کنند. ‏مهم‌ترین موارد تخصیص اعتبار به شرح زیر است: ‏- اشتراک Pro در سطح ۱۰۰ دلار: ۱۰۰ دلار اعتبار ماهیانه ‏- اشتراک Pro در سطح ۲۰۰ دلار: ۲۰۰ دلار اعتبار ماهیانه ‏- اشتراک Pro در سطح ۵۰۰ دلار: ۵۰۰ دلار اعتبار ماهیانه ‏- اشتراک Business Standard: ۲۰ دلار به ازای هر صندلی فعال ‏- اشتراک Business Premium: ۱۰۰ دلار به ازای هر صندلی فعال (با سقف کلی ۵۰۰ دلار برای هر Workspace)

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#OpenAI #API_Credits

‏🤖 تقطیر مدل OpenAI Astra در آزمایشگاه‌های چینی ‏نشریه The Information گزارش داده است که آزمایشگاه‌های هوش مصنوعی در چین از مدل Astra متعلق به OpenAI برای آموزش و «تقطیر» (Distillation) مدل‌های جدید خود استفاده کرده‌اند. ‏بر اساس این گزارش، مدل‌های زیر با بهره‌گیری از خروجی‌ها و دانش مدل Astra توسعه یافته‌اند: ‏- مدل Kimi K3.1 Pro محصول شرکت Moonshot AI که هفته گذشته منتشر شد. ‏- مدل DeepSeek V4.1-Flash 1017 که نسخه به‌روزرسانی‌شده در ۱۷ اکتبر است. ‏پیش از این، مدل‌های Claude شرکت Anthropic هدف اصلی فرآیندهای تقطیر در آزمایشگاه‌های چینی بودند. شرکت‌های OpenAI و Anthropic بارها آزمایشگاه‌های Moonshot و DeepSeek را به استفاده غیرمجاز از مدل‌هایشان برای آموزش متهم کرده‌اند، اما این شرکت‌های چینی تاکنون واکنشی به این اتهامات نشان نداده‌اند و در پاسخ به درخواست‌ها برای اظهارنظر نیز پاسخی نداده‌اند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#Kimi_K3_1_Pro #DeepSeek_V4_1_Flash

‏⚖️ ابزارهای جدید کلاود برای امور حقوقی ‏شرکت Anthropic مجموعه‌ای از ابزارهای آماده تحت عنوان Artifacts را برای استفاده در امور حقوقی به پلتفرم Claude اضافه کرده است. این ابزارها با هدف خودکارسازی بررسی اسناد و تطبیق آن‌ها با استانداردهای قانونی طراحی شده‌اند. ‏مهم‌ترین ابزارهای ارائه‌شده عبارتند از: ‏• Cite check: بررسی مطابقت نقل‌قول‌ها با منابع اصلی و شناسایی شماره صفحات یا ارجاعات نادرست. ‏• Playbook deviation board: شناسایی بندهای قرارداد که با استانداردهای شرکت فاصله دارند. ‏• Tabular review: استخراج اطلاعات کلیدی از قراردادهای متعدد و تبدیل آن‌ها به یک جدول واحد. ‏• Regulatory horizon scan: مرتب‌سازی و نمایش قوانین جدید بر اساس زمان‌بندی و میزان تأثیرگذاری. ‏بخشی از این ابزارها توسط مجموعه‌هایی مانند Harvey، PwC، Goodwin و Foley & Lardner توسعه یافته‌اند. علاوه بر این، ابزارهای تخصصی دیگری برای حوزه‌هایی مانند دعاوی تخلیه ملک نیز در دسترس قرار گرفته است. کاربران می‌توانند با بارگذاری اسناد خود در این محیط‌های تعاملی، از قابلیت‌های تحلیلی این مدل‌ها استفاده کنند. 🇮🇷 تلگرام

‏📊 سهم ۲۴ درصدی محتوای هوش مصنوعی در وب ‏بر اساس پژوهش جدیدی روی ۵.۱ میلیون صفحه وب، تا آگوست ۲۰۲۶ حدود ۲۴ درصد از صفحات قابل خزش حاوی متن‌های تولید یا ویرایش شده توسط هوش مصنوعی هستند. این میزان تا قبل از سال ۲۰۲۲ تقریباً صفر بود. ‏شتاب تولید این محتوا نیز افزایش یافته است؛ در حالی که رشد آن بین سال‌های ۲۰۲۳ تا ۲۰۲۵ حدود ۴.۶ درصد در سال بود، این رقم اکنون به ۸.۱ درصد رسیده است. ‏مهم‌ترین یافته‌های این تحقیق: ‏* اکثر رشد محتوای هوش مصنوعی مربوط به سایت‌هایی است که لینک‌های ورودی بسیار کمی دارند، در حالی که صفحات پربازدید و معتبر کمترین استفاده را از این متون داشته‌اند. ‏* محتوای انگلیسی بیش از سایر زبان‌ها تحت تأثیر این روند قرار دارد. ‏* دامنه‌های آموزشی (.edu) و دولتی (.gov) به مراتب کمتر از دامنه‌های تجاری (.com) از این نوع محتوا استفاده می‌کنند. ‏تیم پژوهشی دانشگاه واشینگتن و برکلی برای دستیابی به این آمار، از چندین ابزار تشخیص هوش مصنوعی استفاده کرده و نتایج را با اصلاح خطاهای مثبت و منفی کاذب مدل‌ها گزارش کرده‌اند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏🤖 به‌روزرسانی مدل Drex Max 1.1 ‏مدل تصمیم‌گیری جدید Drex Max 1.1 توسط شرکت Nace منتشر شد. این مدل چندوجهی (Multimodal) است و اکنون از پنجره بافت (Context window) با ظرفیت ۲۶۲ هزار توکن پشتیبانی می‌کند. ‏طبق گزارش Nace، این نسخه در مقایسه با مدل قبلی بهبودهایی در تعمیم‌پذیری به داده‌های خارج از توزیع (Out-of-distribution) داشته است. مهم‌ترین تغییرات عملکردی این مدل عبارتند از: ‏- کسب امتیاز ۷۰.۸ در شاخص Decision Index (در مقایسه با ۶۷.۶ نسخه قبل) ‏- تأخیر میانی (Median latency) معادل ۱۷۲ میلی‌ثانیه

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

#Drex_Max #Decision_Index

‏🤖 حذف آزمون‌های کدنویسی در فرآیند استخدام Anthropic ‏فلیکس ریزبرگ، مدیر توسعه در شرکت Anthropic اعلام کرد که از ماه اکتبر، فرآیند ارزیابی فنی متقاضیان تغییر کرده و دیگر از آن‌ها آزمون کدنویسی نمی‌گیرد. او دلیل این تصمیم را توانایی مدل‌های هوش مصنوعی مانند Claude در حل تمرین‌های برنامه‌نویسی می‌داند که باعث شده این آزمون‌ها دیگر شاخصی برای سنجش مهارت واقعی داوطلبان نباشند. ‏به گفته ریزبرگ، مدل استخدامی جدید بیشتر بر اساس این اصول استوار است: ‏* بررسی رزومه و پورتفولیو برای یافتن نمونه‌کارهای عملی ‏* ارزیابی سلیقه، درک کاربر و توانایی حل مسئله از پایه ‏* اولویت‌دهی به «اشتیاق» و «انگیزه» به‌جای صرفاً تجربه کاری و تسلط بر فریم‌ورک‌ها ‏او معتقد است که با کاهش هزینه تولید کد، نقش تجربه در ابزارهای فنی کمرنگ شده و مهندسان تازه‌کار که سریعاً نمونه‌کارهای عملی (Prototype) ارائه می‌دهند، موفق‌تر عمل می‌کنند. ریزبرگ پیشنهاد می‌دهد مهندسان به‌جای نوشتن اسناد طولانی، در یک آخر هفته ایده‌های خود را به خروجی ملموس تبدیل کنند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی تلگرام | بله | ایتا | ارتباط با ما

‏🤖 افزایش هزینه‌های امنیتی شرکت‌ها برای باگ‌های کشف‌شده با هوش مصنوعی ‏طبق گزارش The Information، شرکت‌های بزرگ در حال تخصیص بودجه‌های سنگین برای بررسی کدهای خود توسط مدل‌های هوش مصنوعی هستند. برای نمونه، شرکت UiPath برای هر اسکن کد توسط مدل Mythos شرکت Anthropic، مبلغ ۲۵ هزار دلار پرداخت می‌کند. ‏حجم آسیب‌پذیری‌های کشف‌شده نیز به‌شدت افزایش یافته است. به گفته نماینده شرکت Palo Alto Networks، تنها در یک ماه، ۱۲ شرکت موفق به شناسایی بیش از ۳۷ هزار آسیب‌پذیری بالقوه در نرم‌افزارهای متن‌باز شده‌اند، در حالی که آمار جهانی در ماه پیش از آن حدود ۱۵۰۰ مورد بود. البته تمام این موارد لزوماً خطاهای بحرانی یا تأییدشده نیستند. ‏این وضعیت، نیاز شرکت‌ها به نیروی انسانی و منابع جدید را برای تحلیل و رفع مشکلات امنیتی افزایش داده است: ‏* Bank of America: استخدام ۱۰۰۰ پیمانکار برای رسیدگی و رفع مشکلات نرم‌افزاری. ‏* Goldman Sachs: بررسی تخصیص بودجه‌ای معادل یا بیشتر از هزینه‌های ابزارهای برنامه‌نویسی هوش مصنوعی، برای بخش امنیت هوش مصنوعی.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما