هوش مصنوعی و علم داده به فارسی

‏🤖 معرفی سیستم توصیه‌گر QD-Rec از Sakana AI ‏تیم Sakana AI سیستم توصیه‌گر جدیدی به نام QD-Rec را معرفی کرده است که برخلاف روش‌های سنتی رتبه‌بندی، از ترکیب LLM و الگوریتم‌های تکاملی برای جستجوی گزینه‌های متنوع و غیرمتعارف استفاده می‌کند. ‏این سیستم با بهره‌گیری از جستجوی «کیفیت-تنوع» (Quality-Diversity)، کاندیداهای پیشنهادی را به جای امتیازدهی ساده، با تولید فرضیه و ارزیابی نوآوری بررسی می‌کند. فرآیند اصلی این سیستم شامل چهار مرحله زیر است: ‏* انتخاب‌گر کاندیدا: اولویت‌دهی به تنوع و حوزه‌های کشف‌نشده در استخر کاندیداها. ‏* پیشنهاددهنده: استفاده از عملگرهای تکاملی (جهش و ترکیب) برای تولید فرضیه‌های جدید. ‏* ارزیاب: سنجش میزان نوآوری با بررسی فاصله نسبت به موارد موجود در آرشیو. ‏* به‌روزرسانی: افزودن، جایگزینی یا حذف کاندیداها بر اساس کیفیت و جدید بودن. ‏QD-Rec در آزمایش‌ها روی مجموعه‌هایی تا ۱۷,۵۰۰ کاندیدا، عملکرد بهتری نسبت به روش‌های سنتی در شاخص‌های کیفیت و تنوع نشان داده است. این ابزار در حوزه‌هایی مانند تحلیل ادغام و تملک (M&A)، بازاریابی و پیشنهادهای پژوهشی کاربرد دارد. 🇮🇷 سایت | تلگرام

‏🌐 سه سناریوی سم آلتمن برای آینده هوش مصنوعی ‏سم آلتمن در گفت‌وگو با کارکنان OpenAI، سه سناریوی احتمالی برای پایان رقابت بر سر دستیابی به هوش مصنوعی سطح بالا (ASI) ترسیم کرده است: ‏• تشکیل یک نهاد نظارتی بین‌المللی مشابه آژانس بین‌المللی انرژی اتمی (IAEA) برای مدیریت استانداردهای ایمنی. ‏• ایجاد سازمانی علمی مشابه سرن (CERN) که در آن آزمایشگاه‌های بزرگ هوش مصنوعی فعالیت‌های خود را تجمیع کنند. ‏• برتری مطلق یک شرکت خاص در دستیابی به مدل‌های خوداصلاح‌گر که با کسب قدرت اقتصادی عظیم، دسترسی سایر رقبا به توان پردازشی و GPUها را قطع می‌کند. ‏آلتمن سناریوی سوم را «وحشتناک» توصیف کرده و تأکید داشته که تنها برای کامل‌شدن بررسی‌ها آن را مطرح کرده است. با این حال، گزارش‌ها حاکی از آن است که او به تیم خود هشدار داده OpenAI نمی‌تواند از رقبا عقب بماند؛ وضعیتی که عملاً سازمان را در موقعیت تعقیب همان سناریویی قرار می‌دهد که آن را نامطلوب می‌داند.

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

#OpenAI #سواینتلیجنت

‏🦂 طراحی پروتئین توسط Claude برای مقابله با سم عقرب ‏شرکت Anthropic در آزمایشی جهت ساخت پادتن، از هوش مصنوعی Claude برای طراحی پروتئین‌های متصل‌شونده به سموم خطرناک عقرب استفاده کرد. نتایج این آزمایش در آزمایشگاه‌های مستقل نیز بررسی و تأیید شده است. ‏نتایج آزمایش: ‏- ۲۱۱ طرح برای آزمون‌های آزمایشگاهی انتخاب شدند. ‏- ۱۷ پروتئین با موفقیت به سموم هدف متصل شدند. ‏- دو پروتئین برتر بیشترین قدرت اتصال را نشان دادند. ‏پژوهشگران Anthropic تمام ۲۱۱ ساختار طراحی‌شده و نتایج آزمون‌های آزمایشگاهی را به‌صورت عمومی منتشر کرده‌اند.

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

#Claude #طراحی_پروتئین

‏🚀 انتشار موتور DeepInfer توسط DeepSeek ‏تیم DeepSeek کد منبع موتور اختصاصی خود برای اجرای مدل‌های هوش مصنوعی با نام DeepInfer را با مجوز Apache 2.0 منتشر کرد. این موتور در حال حاضر برای اجرای مدل DeepSeek-V4.1-Flash استفاده می‌شود و تمرکز آن بر افزایش کارایی در عملیات استنتاج (Inference) است. ‏مهم‌ترین ویژگی‌های این موتور عبارتند از: ‏- افزایش تعداد درخواست‌های پردازش‌شده در واحد زمان. ‏- مدیریت بهینه منابع GPU برای کاهش هزینه‌های محاسباتی. ‏- امکان پردازش موازی جهت حفظ توان عملیاتی بالا در بارهای کاری سنگین. ‏- کاهش میزان منابع مورد نیاز برای تولید پاسخ در هر مرحله. ‏طبق داده‌های فنی منتشرشده برای مدل DeepSeek V4.1 Flash با طول کانتکست 131,072، عملکرد موتور در بخش Prefill نشان می‌دهد که با افزایش سایز دسته پردازشی (Batch Size) از 4,096 تا 65,536 توکن، توان عملیاتی به حدود 90,000 توکن بر ثانیه در هر GPU می‌رسد. این موتور اکنون برای استفاده در پروژه‌های شخصی و تجاری در دسترس توسعه‌دهندگان قرار گرفته است.

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

‏🎥 معرفی VideoMaMa++ برای جداسازی ویدئویی ‏مدل VideoMaMa++ که در کنفرانس NeurIPS 2026 ارائه شده، یک چارچوب جدید برای Video Matting مبتنی بر ماسک است. این سیستم در بازیابی جزئیات دقیق، مانند تارهای مو، عملکرد بالایی دارد و برای پردازش ویدئوهای طولانی بهینه‌سازی شده است. ‏منابع برای بررسی فنی: ‏- متن کامل مقاله ‏- صفحه پروژه ‏- بررسی و تحلیل

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

#VideoMaMa_PlusPlus #Video_Matting

‏🚫 ممنوعیت استفاده از مدل‌های DeepSeek در نهادهای دولتی آمریکا ‏وزارت امنیت داخلی ایالات متحده در دستورالعمل جدیدی، استفاده از محصولات شرکت چینی DeepSeek را در تمامی سازمان‌های فدرال این کشور ممنوع کرد. طبق این ابلاغیه رسمی، تمام آژانس‌های دولتی موظف‌اند این مدل‌ها را از زیرساخت‌های IT خود حذف کرده و دسترسی به آن را به طور کامل قطع کنند. ‏دلایل اصلی این تصمیم شامل موارد زیر است: ‏- جلوگیری از انتقال احتمالی داده‌های کارمندان و پیمانکاران دولتی به دولت چین. ‏- کاهش ریسک وجود آسیب‌پذیری‌های امنیتی و کدهای مخرب احتمالی در مدل‌ها. ‏- ممنوعیت کامل مشارکت شرکت DeepSeek در تمامی قراردادهای دولتی آمریکا. ‏جزئیات بیشتر این حکم در سند رسمی منتشرشده توسط دولت آمریکا در دسترس است.

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

‏🚀 عرضه مدل Mercury 3 با معماری Diffusion ‏شرکت Inception مدل جدید Mercury 3 را معرفی کرد. این مدل برخلاف مدل‌های زبانی رایج که توکن‌ها را به‌صورت متوالی تولید می‌کنند، از فرآیند diffusion برای نوشتن کل پاسخ به‌صورت موازی استفاده می‌کند. در این روش، مدل با یک پیش‌نویس اولیه از کل متن شروع کرده و در چندین مرحله آن را اصلاح می‌کند. ‏این رویکرد باعث افزایش سرعت تولید متن شده است؛ به‌طوری که Mercury 3 به نرخ ۱۰۶۸ توکن بر ثانیه دست یافته است. طبق داده‌های منتشر شده توسط تیم سازنده، این مدل در ۸ بنچمارک از ۱۲ مورد، از جمله SWE-Bench Atlas (با امتیاز ۵۱.۰۸)، از رقبایی مثل GPT-6 Luna و Claude Haiku 5.5 پیشی گرفته است. البته در برخی بنچمارک‌ها مانند DeepSWE، مدل‌های دیگر همچنان نتایج بهتری دارند. ‏ویژگی‌های فنی این مدل شامل موارد زیر است: ‏* پشتیبانی از ۱ میلیون توکن در پنجره متنی ‏* سازگاری کامل با APIهای OpenAI ‏* هزینه استفاده از ۰.۱۰ دلار برای ورودی و ۰.۳۵ دلار برای خروجی به ازای هر ۱ میلیون توکن در زمان عرضه ‏جزئیات بیشتر را می‌توانید در مقاله تحلیلی، وبلاگ رسمی، مستندات و پلتفرم API مشاهده کنید.

‏🤖 توسعه مدل جدید Anthropic با توانایی درک نیات کاربر ‏نشریه The Information گزارش داد که شرکت Anthropic در حال آماده‌سازی مدل جدیدی است که عملکرد آن در استدلال و شهود از مدل‌های فعلی این شرکت فراتر می‌رود. این مدل که هنوز به‌صورت عمومی معرفی نشده، توسط گروهی از افراد داخلی آزمایش شده است. ‏ویژگی کلیدی این مدل، توانایی درک نیات ضمنی کاربر حتی در صورت ارائه دستورات کوتاه و ناقص است. در یک مثال عملی، اگر کاربر از مدل بخواهد یک باگ خاص را برطرف کند، سیستم به‌جای تغییر صرفِ کد، ریشه اصلی و کلاسِ کلی آن مشکل را شناسایی کرده و برای اصلاح ساختاری آن از کاربر کسب اجازه می‌کند. ‏بر اساس این گزارش، مدل مذکور در جست‌وجوی آسیب‌پذیری‌های امنیتی نیز توانمندتر از نسخه‌های فعلی ظاهر شده و احتمال دارد در همین ماه میلادی عرضه شود.

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

#Anthropic #Implicit_Intent

‏🤖 تخصیص ۷۵ درصد توان پردازشی Anthropic به آموزش مدل‌های آینده ‏شرکت Anthropic در حال حاضر تنها ۲۵ درصد از منابع محاسباتی خود را به سرویس‌دهی به مشتریان فعلی اختصاص می‌دهد. بررسی‌ها نشان می‌دهد که ۷۵ درصد باقی‌مانده از توان پردازشی این شرکت صرف آموزش مدل‌های آتی، بهبودهای پس از آموزش و آزمایش‌های فنی می‌شود. ‏بر اساس ارقام منتشر شده، این شرکت با ۵ گیگاوات ظرفیت محاسباتی، حدود ۱۰۰ میلیون دلار درآمد سالانه به ازای هر گیگاوات تولید می‌کند. با این محاسبات، تنها ۱.۲۵ گیگاوات از توان عملیاتی فعلی به پردازش (Inference) برای کاربران اختصاص یافته است. همچنین Anthropic قصد دارد تا سال ۲۰۲۷، ۱۰.۵ گیگاوات دیگر به زیرساخت‌های محاسباتی خود اضافه کند که نشان‌دهنده برنامه‌ریزی برای گسترش جدی زیرساخت‌هاست.

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

#Anthropic #Inference

‏🤖 معرفی 3DCodeVerse برای تولید محتوای سه‌بعدی با کد ‏پروژه 3DCodeVerse یک محیط پژوهشی برای ایجنت‌های برنامه‌نویسی است که به جای تولید مش‌های ثابت، برنامه‌های قابل‌ویرایش و تست برای ساخت اشیاء سه‌بعدی، صحنه‌ها و انیمیشن‌ها تولید می‌کنند. ‏مهم‌ترین بخش‌های این پروژه شامل موارد زیر است: ‏* 3DCodeVerse-2M: مجموعه‌ای شامل ۲ میلیون برنامه سه‌بعدی اجرایی به همراه سورس‌کد، دارایی‌های زمان اجرا و لاگ‌های تأیید. ‏* 3DCodeVerse Harness: یک فریم‌ورک چند‌ایجنت مبتنی بر نمودار وابستگی که کد را اجرا می‌کند، معیارهای فضایی و رندر را بررسی کرده و بدون دخالت انسان، خطاها را اصلاح می‌کند. ‏* یادداشت‌های فنی: تجربیات کاربردی استخراج‌شده از سری آزمایش‌های انجام‌شده روی مدل‌های کدنویس. ‏در ارزیابی‌های انسانی، خروجی این مدل در ۹۰ درصد موارد عملکرد بهتری نسبت به Claude Design در تولید اشیاء سه‌بعدی داشته است.

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

#3DCodeVerse #3DCodeVerse_2M

‏🤖 تشخیص کلاهبرداری با مدل Gemma در گوشی ‏گوگل دیپ‌مایند با همکاری دولت سنگاپور، نسخه‌ای از مدل متن‌باز Gemma را برای شناسایی کلاهبرداری‌ها آموزش داده است. این مدل به‌صورت محلی (On-device) اجرا می‌شود و در صورت تشخیص رفتارهای مشکوک یا تلاش برای فریب در پیام‌ها، به کاربر هشدار می‌دهد. ‏ساختار پردازشی این سیستم شامل دو مرحله است: ‏* غربالگری سریع: یک طبقه‌بندی‌کننده سبک، پیام‌ها را به‌صورت بی‌درنگ بررسی می‌کند. ‏* ارزیابی بافتاری: در صورت تشخیص ابهام، مدل Gemma گفتگوهای چندمرحله‌ای را تحلیل می‌کند تا احتمال کلاهبرداری را تایید یا رد کند. ‏دسترسی مدل به پیام‌ها تنها با رضایت کاربر ممکن است. این طرح برای کاهش آمار جرایم سایبری در سنگاپور ارائه شده است و به تدریج در برنامه‌های مختلف پیاده‌سازی خواهد شد.

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

‏⚡️ معرفی مدل MiniMax M3.1 Flash با سرعت سه‌برابری و هزینه کمتر ‏مدل جدید MiniMax M3.1 Flash معرفی شد. این مدل در مقایسه با نسخه M3 سه برابر سریع‌تر است و قیمت آن به یک‌سوم کاهش یافته. مدل Space Bunny که پیش‌تر بیش از ۲۰۰ تریلیون توکن را پردازش کرده بود، نسخه اولیه M3.1 Flash بوده است. ‏وزن‌های این مدل در ۲۳ اکتبر منتشر خواهند شد. ‏نتایج بنچمارک‌ها: ‏• Automation-Bench: ۶۲٪ ‏• ALE: ۳۰٪ ‏• DeepSWE: ۷۴٪ ‏• BabyVision: ۹۱٪ ‏قیمت استفاده از API برای هر ۱ میلیون توکن ورودی ۰٫۱۵ دلار و توکن خروجی ۰٫۶۰ دلار است. علاوه بر API، دسترسی به مدل از طریق اشتراک M Plan و نرم‌افزار دسکتاپ MiniMax Code هم امکان‌پذیر است.

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

‏۵ مخزن کاربردی برای توسعه AI Agentها ‏این لیست شامل ریپازیتوری‌های متن‌باز برای ساخت و به‌کارگیری ایجنت‌های هوش مصنوعی در حوزه‌های مختلف است. به‌جای شروع از صفر، می‌توانید از ساختار و ابزارهای موجود در این پروژه‌ها استفاده کنید. ‏مهم‌ترین منابع عبارتند از: ‏* Agency Agents: مجموعه‌ای از ۱۷۰ ایجنت با نقش‌های تخصصی مانند مدیریت محصول، مارکتینگ و توسعه نرم‌افزار. ‏* Agents for Claude Code: شامل بیش از ۲۰۰ ایجنت و ۱۰۰ دستور کاربردی برای برنامه‌نویسی و امنیت با قابلیت انتخاب پلاگین‌های موردنیاز. ‏* Knowledge Work Plugins: پلاگین‌های رسمی برای تحلیل داده، امور حقوقی و مالی جهت شخصی‌سازی فرایندهای کاری. ‏* Claude Quickstarts: پروژه‌های نمونه برای یادگیری ساختار ایجنت‌ها و اتوماسیون. ‏* Agent Skills: اسکیل‌های اختصاصی برای مراحل توسعه نرم‌افزار، از تست تا CI/CD. ‏قبل از نصب یا اجرای هر پروژه، مستندات، وابستگی‌ها و سطح دسترسی‌های مورد نیاز را بررسی کنید. برای شروع یادگیری، بررسی پروژه‌های بخش Quickstarts پیشنهاد می‌شود.

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

‏🧠 خروج محقق ۱۷ساله چینی از شرکت Kimi و مهاجرت به سیلیکون‌ولی ‏چن گوانگ‌یو، محقق ۱۷ساله حوزه هوش مصنوعی، پس از ترک تیم تحقیقاتی شرکت Kimi تصمیم به مهاجرت به سیلیکون‌ولی گرفته است. او که متولد سال ۲۰۰۹ است، فعالیت خود را در ۱۶ سالگی و زمانی که هنوز دانش‌آموز دبیرستان بود، در این شرکت آغاز کرد. ‏این پژوهشگر بدون داشتن مدرک دانشگاهی یا دکترا، با ارائه نتایج تحقیقاتی تأثیرگذار توانست جایگاه ویژه‌ای در دنیای AI کسب کند. از مهم‌ترین دستاوردهای او می‌توان به موارد زیر اشاره کرد: ‏* همکاری در مقاله علمی: او نفر اول در لیست نویسندگان مقاله‌ای است که در جامعه هوش مصنوعی مورد توجه قرار گرفت و نتایج آن در مدلی با ۲.۸ تریلیون پارامتر استفاده شده است. ‏* درآمد سالانه: گزارش‌ها میزان درآمد او را در دوران حضور در این شرکت حدود ۷۰ میلیون یوآن برآورد کرده‌اند. ‏خروج چن از Kimi در ۱۵ اکتبر اعلام شد. مسیر حرفه‌ای او نشان می‌دهد که در آزمایشگاه‌های برتر هوش مصنوعی، نتایج عملی و مقالات تخصصی اولویت بیشتری نسبت به مدارک تحصیلی رسمی دارند. جزئیات بیشتر پژوهش او در این مقاله قابل مشاهده است. 🇮🇷 سایت | تلگرام

‏📊 مدل‌های پایه سری زمانی Timestral از Mistral ‏Mistral از مدل‌های پایه سری زمانی خود با نام Timestral رونمایی کرد. این مدل‌ها با ۲۰۹ میلیون پارامتر، در سه معیار (benchmark) در حالت zero-shot رتبه اول را کسب کرده‌اند و برای اجرا به GPU نیاز ندارند. ‏نوآوری اصلی در این مدل‌ها، Decoupled Horizon Forecasting (DHF) است. به جای ماسک کردن مقادیر برای پیش‌بینی، توکن‌های پیش‌بینی‌کننده، تاریخچه کامل را می‌خوانند و هر مقدار مشاهده‌شده هم به عنوان هدف و هم به عنوان زمینه عمل می‌کند. قابلیت Covariate-aware attention به هر سری زمانی نقشی مشخص می‌دهد: هدف، گذشته یا کووریت آینده‌شناخته‌شده. این جریان اطلاعات فقط از کووریت‌ها به سمت اهداف است، بنابراین پیش‌بینی آب‌وهوا یا تقویم تعطیلات می‌تواند کمک‌کننده باشد بدون اینکه آینده هدف لو برود. ‏مدل Timestral-209M امتیاز ۰.۶۵۸ MASE در GIFT-Eval، ۰.۶۲۶ در TIME و ۵۰.۳۹ SQL skill در fev-bench را ثبت کرده است. مدل ۲۸ میلیون پارامتری آن در GIFT-Eval و TIME از Chronos-2 که حدود ۴ برابر بزرگتر است، بهتر عمل می‌کند. 🇮🇷 سایت | تلگرام

‏🌡 شناسایی بدافزار ماینر توسط Claude روی مک ‏یکی از کاربران Reddit برای ساخت یک برنامه مانیتورینگ دمای سیستم، از مدل Claude Code کمک گرفت. در حین اجرای کد و تحلیل وضعیت سخت‌افزار توسط این ایجنت، مشخص شد که دمای پردازنده به ۱۱۲ درجه سانتی‌گراد رسیده و میزان مصرف CPU به ۱۱۷۵٪ (معادل ۱۲ هسته) رسیده است. ‏بررسی‌های Claude نشان داد که یک بدافزار استخراج ارز دیجیتال با نام xmrig بدون اطلاع کاربر روی سیستم در حال اجراست. مهم‌ترین یافته‌های این گزارش فنی عبارتند از: ‏* محل اجرا: بدافزار از مسیر /tmp/rigupdater و با اتصال به pool.hashvault.sh فعال بود. ‏* ماندگاری: یک فایل با نام تصادفی در مسیر /Library/LaunchAgents/com.rymbotqcjoiqlqbp.plist وظیفه اجرای خودکار بدافزار را بر عهده داشت. ‏* دسترسی‌ها: بدافزار به تمامی فایل‌های کاربر، از جمله توکن‌های ورود به GitHub، دسترسی داشت. ‏در نهایت با راهنمایی Claude، فایل‌های بدافزار حذف و آیتم استارتاپ غیرفعال شد. جزئیات بیشتر این رخداد در سایت Reddit قابل مشاهده است.

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

#Claude_Code #xmrig