هوش مصنوعی و علم داده به فارسی

‏⚖️ 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

‏📊 دسترسی به دیتای زنده صرافی‌های ایرانی با پروتکل MCP ‏پروژه iran-crypto-mcp یک سرور اوپن‌سورس است که امکان اتصال کلاینت‌های پشتیبانی‌کننده از پروتکل MCP، نظیر Claude، Cursor و Copilot را به دیتای بازار هفت صرافی ایرانی فراهم می‌کند. این ابزار به کاربران اجازه می‌دهد با پرسش‌های متنی ساده، اطلاعات لحظه‌ای بازار را تحلیل کنند. ‏صرافی‌های تحت پشتیبانی: ‏نوبیتکس، والکس، بیت‌پین، رمزینکس، تبدیل، OMPFinex و اکسیر. ‏مهم‌ترین ابزارهای این سرویس: ‏• مقایسه قیمت لحظه‌ای یک رمزارز در هر ۷ صرافی و محاسبه اسپرد ‏• دریافت تیکر زنده شامل قیمت، رنج ۲۴ ساعته و حجم ‏• نمایش اوردر بوک (تا ۲۰ سطح) و معاملات اخیر ‏• دریافت کندل‌های OHLC از تایم‌فریم ۱۵ دقیقه تا ۱ روز ‏• شناسایی کوین‌های دارای بیشترین رشد یا افت قیمت ‏این پروژه ماهیت «فقط‌خواندنی» دارد و بدون نیاز به API Key یا احراز هویت، تنها از داده‌های عمومی استفاده می‌کند. برای اجرای آن کافی است از دستور uvx iran-crypto-mcp استفاده کنید. این ابزار بخشی از یک مجموعه گسترده‌تر برای تعامل با سرویس‌های ایرانی از طریق MCP است. 🔗 ادامه مطلب در سایت 🇮🇷 سایت | تلگرام

‏صدرنشینی Gemini 4 Carbon در شاخص هوش مصنوعی ‏مدل Gemini 4 Carbon در جدیدترین به‌روزرسانی شاخص Artificial Analysis Intelligence با کسب امتیاز ۵۹، در جایگاه نخست قرار گرفت. این مدل که ارتقایافته نسخه Argon محسوب می‌شود، در حال حاضر فاقد API عمومی بوده و تنها برای گروه محدودی از متخصصان امنیت سایبری در دسترس است. ‏همچنین در شاخص Coding Agent که عملکرد مدل‌ها را در بنچمارک‌های برنامه‌نویسی ارزیابی می‌کند، این مدل پس از Claude Opus 5.5 در رتبه دوم جای گرفته است. ‏برخی از مدل‌های برتر در این دو رده‌بندی عبارت‌اند از: ‏* Intelligence Index: Gemini 4 Carbon (۵۹)، Claude Opus 5.5 (۵۸) و GPT-6 Astra (۵۷) ‏* Coding Agent Index: Claude Code - Claude Opus 5.5 (۶۲)، Antigravity CLI - Gemini 4 Carbon (۵۹) و Claude Code - Claude Sonnet 5.5 (۵۹) ‏مدل Gemini 4 Carbon با قیمت ۴ دلار برای استفاده‌های سبک و ۲۰ دلار برای دسترسی کامل معرفی شده است.

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

#Gemini_4_Carbon #Antigravity_CLI

‏📊 سهم کشورهای جهان از توان محاسباتی هوش مصنوعی ‏گروه پژوهشی Epoch AI در بررسی جدید خود از مبادلات گمرکی تراشه‌های هوش مصنوعی، تفاوت چشمگیری را در توزیع قدرت محاسباتی میان آمریکا و چین گزارش کرده است. بر اساس این داده‌ها، در حالی که چین برای تأمین نیاز خود به تراشه‌های بومی هواوی و Cambricon متکی است، روند دسترسی به سخت‌افزار در آمریکا با سرعت بیشتری در حال افزایش است. ‏مهم‌ترین یافته‌های این گزارش: ‏- ۷۲ درصد از توان محاسباتی جدید جهان در سال ۲۰۲۵ به آمریکا اختصاص یافته است که این رقم در نیمه اول سال ۲۰۲۶ به ۷۸ درصد رسیده است. ‏- مجموع ارزش تراشه‌های وارداتی آمریکا از سال ۲۰۲۲ تا امروز حدود ۲۸۸ میلیارد دلار برآورد شده است. ‏- مجموع ارزش تراشه‌های وارداتی چین در همین بازه زمانی ۵۰.۵ میلیارد دلار گزارش شده است. ‏- سهم چین از ظرفیت محاسباتی جدید جهان در حال حاضر حدود ۱۰ درصد است.

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

#Epoch_AI #تراشه_هوش_مصنوعی

‏🧬 ورود آنتروپیک به حوزه طراحی دارو با مدل Claude ‏شرکت Anthropic با خرید استارتاپ بیوتکنولوژی Mithril Medicine و توسعه استفاده از مدل Claude در صنعت داروسازی، فعالیت‌های خود را در این حوزه گسترش داده است. ‏در یک نمونه عملی، استارتاپ Mithril با بهره‌گیری از مدل Claude برای مدیریت قراردادها، لجستیک و طراحی آزمایش‌ها، توانست در کمتر از ۱۸ ماه یک روش درمانی برای نوعی دیستروفی عضلانی را از مرحله ایده به نتایج اولیه در مدل‌های موشی برساند. در حال حاضر Anthropic بر همین اساس تحقیقات پیش‌بالینی اختصاصی خود را در زمینه بیماری‌های نادر عضلانی دنبال می‌کند. ‏این شرکت اکنون با شش سازمان تخصصی از جمله Bristol Myers Squibb و Generate Biomedicines همکاری می‌کند. Claude در این پروژه‌ها وظایف متعددی را بر عهده دارد: ‏* طراحی ساختار آنتی‌بادی‌ها و بهینه‌سازی پایداری حرارتی آن‌ها ‏* برنامه‌ریزی کارآزمایی‌های بالینی ‏* تدوین اسناد نظارتی و قانونی ‏در همکاری با Divergence Labs، مدل Claude موفق شد ۳۵ هزار طرح آنتی‌بادی را در مدت یک ماه تولید کند؛ فرآیندی که به‌صورت سنتی به حدود نه ماه زمان نیاز داشت. 🇮🇷 سایت | تلگرام

‏🤖 افزودن کانکتورها به Agent Mode در Arena ‏پلتفرم Arena قابلیت استفاده از کانکتورها را به بخش Agent Mode اضافه کرد. با این تغییر، کاربران می‌توانند ابزارهای کاربردی و دنیای واقعی را مستقیماً در فرآیندهای خودکار به‌کار بگیرند و کارهای پیچیده‌تر را از ابتدا تا انتها مدیریت کنند. ‏مهم‌ترین ابزارهای قابل اتصال در حال حاضر عبارتند از: ‏- GitHub ‏- Vercel ‏- Linear ‏- Supabase ‏- Notion ‏- Gmail، Google Drive و Google Calendar ‏این ابزارها بر اساس درخواست کاربران انتخاب شده‌اند و قرار است در آینده موارد بیشتری به این فهرست اضافه شود. برای بررسی فرصت‌های همکاری با این تیم نیز می‌توانید به صفحه Jobs مراجعه کنید.

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

#Arena_ai #Agent_Mode

‏⚡ معرفی MTGBench: بنچمارک بازی چندمرحله‌ای برای ارزیابی توانایی‌های LLM ‏محققان Yandex و دانشجویان ShAD، بنچمارکی به نام MTGBench را منتشر کرده‌اند که منطق استدلال هوش مصنوعی را در طول مکالمه می‌سنجد. این بنچمارک با ۷ بازی متنی به زبان‌های روسی و انگلیسی، توانایی مدل‌ها را در حفظ ورودی‌های جدید و عدم تناقض با گام‌های قبلی ارزیابی می‌کند. امتیازدهی هم شامل پاسخ نهایی و هم تعداد گام‌های لازم برای رسیدن به آن است. ‏نتایج آزمایش روی ۱۶ مدل نشان داد: ‏* استدلال (Reasoning) در بازی‌های مبتنی بر حروف و حذف گزینه‌ها مؤثرتر است، اما در وظایف مبتنی بر دانش و معنا، کارایی کمتری دارد. ‏* عملکرد قوی در یک بازی، تضمین‌کننده موفقیت در بازی دیگر نیست. ‏* مدل‌ها روی زبان روسی، به‌خصوص در بازی‌های حروف، ضعیف‌تر عمل می‌کنند. ‏* قوی‌ترین مدل‌ها با قابلیت استدلال، در مجموع از انسان‌ها در این ۷ بازی پیشی گرفتند. ‏این مقاله در Findings EMNLP 2026 ارائه شده است. ‏کد و داده‌های MTGBench در GitHub موجود است. 🔗 توضیحات و نمونه‌کد در سایت

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

‏📊 مسیر تحول مدل‌های GPT از نسخه ۲ تا ۶ ‏در هفت سال گذشته، خانواده مدل‌های GPT تغییرات ساختاری و عملکردی قابل‌توجهی را تجربه کرده‌اند. این روند تکاملی از یک مدل اولیه با پارامترهای محدود تا سیستم‌های دارای استدلال داخلی را در بر می‌گیرد: ‏* GPT-2 (2019): با ۱.۵ میلیارد پارامتر، تنها به عنوان یک مدل پیش‌بینی توکن بعدی برای تکمیل متن طراحی شد و قابلیت پاسخ به سوالات را نداشت. ‏* GPT-3 (2020): تمرکز بر افزایش مقیاس (۱۷۵ میلیارد پارامتر) برای بررسی توانایی یادگیری در متن (In-context learning). ‏* GPT-4 (2023): معرفی آموزش با استفاده از بازخورد انسانی (RLHF) برای تبدیل شدن به یک مدل پرسش و پاسخ، همراه با قابلیت‌های چندوجهی و پنجره متنی ۳۲ هزار توکنی. ‏* GPT-5 (2025): اولین نسل با قابلیت استدلال داخلی که قبل از ارائه پاسخ نهایی، توکن‌های استدلال تولید می‌کند و پنجره متنی آن به ۴۰۰ هزار توکن افزایش یافته است. 🔗 ادامه مطلب در سایت

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

#RLHF #mid_turn_steering

‏🤖 معرفی مدل هوش مصنوعی Gemini 4 Carbon ‏گوگل مدل جدید Gemini 4 Carbon را با تمرکز بر قابلیت‌های سایبری و پردازش‌های طولانی‌مدت معرفی کرد. این مدل در نسخه ۵.۰ شاخص هوش (Intelligence Index) با امتیاز ۵۹ در جایگاه اول قرار گرفته است. ‏مهم‌ترین نتایج این مدل در ارزیابی‌های امنیت سایبری عبارتند از: ‏- امتیاز ۸۸.۲ درصد در SEC-bench Pro برای شناسایی آسیب‌پذیری‌ها ‏- امتیاز ۵۴.۸ درصد در ExploitGym برای بهره‌برداری از باگ‌ها ‏- امتیاز ۷۱ درصد در CWE-bench برای ارائه وصله‌های امنیتی

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

#Gemini4Carbon #SEC_bench_Pro

‏🧠 معماری SLEEP گوگل برای یادگیری مداوم مدل‌های زبانی ‏گوگل معماری SLEEP را معرفی کرده است؛ یک چارچوب جدید برای آموزش مداوم مدل‌های زبانی بزرگ (LLMs) که به آن‌ها اجازه می‌دهد دانش جدید را بدون فراموش کردن اطلاعات قبلی کسب کنند. مشکل اصلی در یادگیری مداوم، «فراموشی فاجعه‌بار» است، جایی که مدل با یادگیری اطلاعات جدید، مهارت‌های قبلی خود را از دست می‌دهد. ‏SLEEP دو حالت اصلی دارد: ‏* فعال (Waking): مدل با داده‌های ورودی تعامل کرده و اطلاعات را در حافظه کوتاه‌مدت ذخیره می‌کند. ‏* خواب (Sleeping): دریافت داده‌های جدید متوقف می‌شود. مدل از بلوک‌های حافظه اضافی MoE (Mixture of Experts) استفاده کرده و دانش را به وزن‌های خود منتقل می‌کند تا از تداخل با اطلاعات تثبیت‌شده جلوگیری شود. پس از این مرحله، حافظه موقت آزاد می‌شود. ‏همچنین مرحله‌ای به نام «رویا» (Dreaming) وجود دارد که در آن، ترکیب‌های تصادفی از متخصصان (experts) نمونه‌های آموزشی تولید می‌کنند. سیستم مفیدترین نمونه‌ها را انتخاب کرده و برای آموزش بیشتر استفاده می‌کند.

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

‏🍏 مدل MatAnyone-E: سرعت بالا در Matting تصاویر ‏مدل جدید MatAnyone-E توانسته است در پردازش Matting (جداسازی پیش‌زمینه از پس‌زمینه) به سرعت‌های چشمگیری دست یابد. این مدل قادر است با نرخ فریم ۷۳.۰۷ فریم بر ثانیه در رزولوشن ۱۰۸۰p و ۲۸.۶۲ فریم بر ثانیه در رزولوشن ۴K، پردازش را روی یک کارت گرافیک H200 انجام دهد. ‏جزئیات بیشتر در مقاله‌ی منتشر شده در arXiv و صفحه پروژه موجود است. کد این مدل تحت لایسنس S-LAB منتشر خواهد شد. ‏- مقاله: arxiv.org/pdf/2610.35724 ‏- پروژه: shuyun-wang.github.io/projects/MatAnyone-E/ ‏- مخزن کد: github.com/Shuyun-Wang/MatAnyone-E

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

‏💡 Nace AI مدل Drex را برای جستجو منتشر کرد ‏Nace AI مدل Drex خود را برای جستجوی اسناد معرفی کرده است. این سیستم به جای تکه‌های متنی، صفحات مستندات ارجاع داده شده را به عوامل هوش مصنوعی (AI agents) ارائه می‌دهد. ‏ایده اصلی این است که جستجو مجموعه‌ای از تصمیم‌گیری‌هاست. Drex ابتدا پرسش را به دو دسته «جستجوی سریع» یا «جستجوی عمیق توسط عامل» طبقه‌بندی می‌کند. سپس فضای جستجو را از پوشه به فایل، بخش، صفحه و در نهایت جدول و ستون داخل یک صفحه گسترده محدود می‌کند. تنها صفحات منتخب به مدل زبانی بزرگ (LLM) می‌رسند و پاسخ نهایی شامل ارجاع به فایل و صفحه است. ‏طبق گزارش Nace، این مدل در بنچمارک BrowseComp-Plus با GPT-5 به امتیاز 92.05% رسیده و به طور متوسط 12.61 فراخوانی جستجو در هر پرسش داشته که 16.6 برابر کمتر از بهترین ورودی قبلی است. همچنین در VisDocAgentBench امتیاز 77.5% R@1 را کسب کرده که 10 امتیاز بالاتر از Claude Opus 5 است. در MADQA با Gemini 3.5 Flash به 94.7% و در OfficeQA Pro، تمام 9 پیکربندی عامل Nace به تعداد نوبت کمتری نیاز داشتند. 🇮🇷 سایت | تلگرام