DevTwitter | توییت برنامه نویسی

🐧 پنگوئن‌ها | دنیای لینوکس و متن‌باز 📰 آخرین اخبار لینوکس 🚀 معرفی پروژه‌های اوپن‌سورس 🔧 ابزارهای کاربردی و خفن لینوکسی 📚 آموزش و نکات کاربردی اگر به دنیای آزاد و متن‌باز علاقه داری، منتظرتیم ❤️ Penguins

خب خب تا حالا شده یه رکورد کلاس بخواید ببینید بعد ادوبی کانکت آشغال جایی بوده که کلاس برگذار می‌شده؟ بدتر از اون رکورد ادوبی کانکت رو نمی‌شه سرعتش رو بیشتر کرد :) - راهکار چیه؟ خب من یه اسکریپت پایتون داشتم می‌اومد فایل‌ها xml و متا دیتای کلاس رو می‌گرفت اسلاید یا پاورپوینت یا پی‌دی‌اف‌های سرکلاس رو هم بهش می‌دادید یه ویدوی mp4 تمیز براتون می‌ساخت ... تبدیلش کردم به یه ابزار ترمینالی ( گرافیکال نیست TUI هست ) با کمک LLMها یک مقدار ریفکتورش کردم و ماژولارتر هم شده فعلن از حوصله‌ام خارجه براش کلاینت درست کنم یا apiیی چیزی بشه ... اگر کسی دوست داشت دستش بازه ... اسمشم گذاشتم connect2mp4 سورسش اینجاست: https://github.com/ParsaBordbar/connect2mp4 طبیعتن اگر باهاش حال می‌کنید و بدرد بخور بود استار بدید به بقیه هم معرفی می‌کنه گیت‌هاب. @DevTwitter | <Parsa/>

یه کلیک، دو تا برداشت پول — این یه باگ نیست، یه چیزیه که همه‌ی API‌ها دیر یا زود باهاش روبرو می‌شن سناریو: کاربر روی "پرداخت ۵۰ دلار" می‌زنه. شبکه قطع‌ومتصل می‌شه. کلاینت response رو نمی‌بینه، فکر می‌کنه fail شده، دوباره همون request رو می‌فرسته. نتیجه بدون محافظت؟ ۱۰۰ دلار برداشت شده. نتیجه با Idempotency Key؟ همون ۵۰ دلار — دقیقاً یه بار. راه‌حل تو Laravel: کلاینت یه UUID به اسم Idempotency-Key می‌فرسته که برای هر عملیات یه بار تولید می‌شه و روی retry هم عوض نمی‌شه. یه middleware قبل از رسیدن به بیزینس‌لاجیک چک می‌کنه این key قبلاً دیده شده یا نه: — اگه جدیده → پردازش می‌کنه و نتیجه رو ذخیره می‌کنه. — اگه تکراریه → همون response قبلی رو دقیقاً عیناً برمی‌گردونه، بدون اجرای دوباره‌ی هندلر. این دقیقاً همون الگوییه که Stripe، GitHub و PayPal روی endpoint‌های حساسشون پیاده کردن. @DevTwitter | <Seyed taha Aghamir/>

⚠️⚠️آخرین فرصت ثبت‌نام در المپیک فناوری ۲۰۲۶ | مسیرپایتون/جنگو 🌍 مسابقه پایتون/جنگو المپیک فناوری، جایی که می‌تونی مهارت‌هات رو محک بزنی و برای کسب ۲۰۰ میلیون تومان جایزه نقدی رقابت کنی. 📚 با ثبت‌نام در مسابقه، ۱ ساعت آموزش تخصصی رایگان هم در اختیارت قرار می‌گیره تا با آمادگی بیشتری وارد رقابت بشی. 🚀 مسابقه مقدماتی آنلاین همین آخر هفته برگزار می‌شه؛ فرصت ثبت‌نام رو از دست نده! ✅ اطلاعات بیشتر و ثبت‌نام رایگان: 🔗 quera.org/r/vkvjj

کار با Claude Desktop و اکوسیستم Antigravity (agy) محدودیت‌هایی داره. کلاد دسکتاپ به صورت پیش‌فرض نمیتونه از تمام پتانسیل‌های لوکال، مدل‌های دیگر و پلاگین‌های کاستوم در پس‌زمینه استفاده کنه. برای حل این مشکل تصمیم گرفتم یک MCP بنویسم. پروژه claude-antigravity-mcp-bridge که امروز منتشر کردم، دقیقاً همین کار را انجام میده. این ابزار به عنوان یک واسط استاندارد Model Context Protocol عمل میکنه و به Claude Desktop اجازه میده بدون محدودیت‌های رابط کاربری چت، دستورات را مستقیماً به Antigravity CLI ارسال کند. مزیت اصلی استفاده از Antigravity CLI اینکه به جای درگیر کردن Claude با پردازش‌های طولانی، میتونید بار سنگین مصرف توکن را به سمت سرویس‌های گوگل (Gemini) هدایت کنید. از انجایی که API انتروپیک هزینه به مراتب بالاتری داره، با این معماری، کنترل و مدیریت تسک‌ها همچنان در دست Claude باقی میمونه اما کارهای سنگین و هزینه‌بر توسط مدل‌های دیگه و ابزارهای Antigravity انجام می‌شه. یکی از چالش‌های اصلی در توسعه این پل، مدیریت استریم‌های ورودی و خروجی در ارتباطات تعاملی (Interactive) بود. زمانی که مدل منتظر تایید کاربر می‌ماند، پروسه MCP مسدود می‌شد که این مشکل را با ایزوله کردن کامل جریان استاندارد (stdin) و مدیریت فلگ‌های دسترسی حل کردم. اکنون کلاد دسکتاپ میتونه به عنوان یک Manager Agent عمل کنه و وظایف سنگین پردازشی، جستجوهای محلی و کارهای پس‌زمینه را با کمترین هزینه به موتور Antigravity بسپاره. سورس کد، داکیومنت‌ها و راهنمای نصب به صورت کامل روی گیت‌هاب قرار گرفته . https://github.com/im-mahdi-74/claude-antigravity-mcp-bridge @DevTwitter | <Mahdi/>

مارتین فاولر یه مطلب نوشته به اسم «I don't like LLMs». فاولر قبول داره که این ابزارها کار می‌کنن. حتی از Jessica Kerr نقل می‌کنه که استفاده نکردن ازشون غیرمسئولانه‌ست. مشکلش با کارایی‌شون نیست، با رفتارشونه. می‌گه ادای آدم رو درمیارن، و تازه ادای آدمی رو که اگه واقعی بود باهاش رفیق نمی‌شد. وقتی یه چیزی رو نمی‌دونن با همون اطمینانی که جواب درست می‌دن سرهمش می‌کنن، و اشتباهشون رو که بگی یه عذرخواهی سرسری می‌کنن و می‌رن سراغ جواب بعدی. لینک مطلبش رو گذاشتم، تمایل داشتید بخونید: https://martinfowler.com/articles/2026-dont-like-llms.html @DevTwitter | <Hossein Nazari/>

معرفی قالب مدیریتی ولین (Velin) قالب مدیریتی Next.js با آخرین نسخه‌های Shadcn، Base UI و Tailwind؛ با الهام از طراحی بهترین دیزاینرهای دنیا مثل Emil Kowalski، Paco Coursey و ... قیمت اصلی: 1,000,000 با تخفیف: 450,000 تومان دمو: velin.taymakz.ir خرید: t.me/velintemplate?direct

یه مدل ۲۷ میلیاردی به اسم Hemmingway-1 اومده که تو نوشتن ایمیل، پیامک و مکالمات روزمره از GPT-6 Astra و Fable 5.1 بهتر عمل کرده. روی پایه Qwen3.8-27B فاین‌تیون شده و ادعا می‌کنه بیشتر شبیه آدم واقعی می‌نویسه تا مدل‌های ۱۰ برابر بزرگ‌ترش. تو بنچمارک CommunicationBench امتیاز ۱۰۲۶ گرفته و حدود ۵۰ امتیاز از GPT-6 Astra جلوتره. تو درخواست‌های سخت (hard asks) ۷۲٪ برد داشته، در حالی که GPT-6 فقط ۹٪. خودشون شفاف گفتن که این بنچمارک‌ها مال خودشون هستن. مخصوص نوشتن پیام‌های روزمره، ایمیل‌های کاری و اون متن‌های ناراحت‌کننده‌ای که هی بازنویسی‌شون می‌کنی طراحی شده. وزن‌ها اوپن‌سورسه و روی یه GPU معمولی هم اجرا می‌شه. سایت: https://hemmingway.io لینک هاگینگ فیس https://huggingface.co/Altworld/Hemmingway-1 @DevTwitter | <Saeid/>

این مدل می‌گه تا ۵۰ برابر سریع‌تر از Jev تصمیم می‌گیره! سرعت: روی M3 Max به حدود ۶۰ تصمیم در ثانیه رسیده. هزینه: هیچ هزینه API نداره و روی دستگاه خودت اجرا می‌شه؛ درحالی‌که Jev حدود ۰.۰۴۲ دلار به‌ازای هر ۱ میلیون توکن ورودی هزینه داره. https://github.com/mizorewww/laya-mlrd @DevTwitter | <AmirHossein Rahnamafard/>

زندگی یک دکمه در گذر زمان @DevTwitter

بهترین مدل local برای coding تا آخر این مطلب بخونید. مدل رو در آخر معرفی کردم اخیرا مدل های زیادی رو روی 16 گیگ رم vga تست کردم. که ببینم کدوم اونقدر باهوش هست که بشه توی coding بهش اعتماد کرد. مثلا شاید بشه به gptoss 120B روی کلود اعتماد کرد ولی روی local قضیه فرق داره. اولا نسخه 120B به حداقل 63 گیگ رم نیاز داره. ولی مساله اینه مدل 20B هم برای coding اونقدر هوشمند نیست. برای چت و کارای دیگه خوبه ولی coding? نه مدل هایی که من روی 16 گیگ رم تست کردم و برای coding هنوز نیاز به بهبود داشتن و در نهایت ازشون استفاده نکردم: DeepSeek-R1-0528-Qwen3-8B-GGUF GLM-4.6V-Flash-GGUF gpt-oss-20b-GGUF Ministral-3-14B-Reasoning-2512-GGUF NVIDIA-Nemotron-3-Nano-4B-GGUF Qwen2.5-Coder-14B-Instruct-GGUF Qwen3.5-9B-GGUF Qwen3-Coder-30B-A3B-Instruct-GGUF Ornith-1.0-9B-GGUF gemma-4-12B-it-GGUF gemma-4-12B-it-QAT-GGUF gemma-4-26B-A4B-it-GGUF gemma-4-31B-it-GGUF gemma-4-E2B-it-GGUF gemma-4-E4B-it-GGUF gemma-4-E4B-it-qat-mobile-GGUF مدل Bonsai-8B-gguf که تنها مدلی بوده که تونسته در حد مدل های cloud ولی روی لوکال خودی نشون بده (من تستم رو با Ternary-Bonsai-27B-gguf گرفتم) و اما امروز داشتم خبرها رو دنبال میکردم که چشمم خورد به نسخه دوم از این مدل یعنی Bonsai-2 اگر بخوام در مورد خوده مدل Bonsai یه توضیح مختصر بدم این مدل بر خلاف مد های دیگه دقتش فقط 1 بیت هست. 0 یا 1. یا مدل ternary که دقتش 1.58 هست. 0 یا 1 یا منفی 1 اساتید لطفا تصحیح کنن به همین دلیل این مدل همه ی هنرش اینه که یه ی مدل قوی تر مثل Qwen3.8 27B نسخه 16 بیت رو فشرده کرده در 1 بیت. نتیجه شده 98% دقت همون مدل اصلی ولی 9 برابر سبک تر. اگر حتی یک گرافیک 8 گیگی هم دارید میتونید این مدل رو تست کنید. (به شدت پیشنهاد میشه) برای تست اول برنامه lm studio رو نصب کنید و از لیست مدل ها prism-ml/Ternary-Bonsai-2-27B-gguf رو انتخاب کنید. حجمش فقط 6.8 گیگ هست. این برای یه مدل لوکال در حال حاضر فوق العاده هست ولی خب هر مدلی یه نقطه ضعفی داره و برای این مدل، context length هست که نهیتا 262K توکن هست پیشنهاد میکنم 2 تا لینک زیر رو مطالعه کنید. https://prismml.com/news/bonsai-2-27b https://docs.prismml.com/bonsai-2-27b @DevTwitter | <Armin Sadati/>

خوب ببینید الان این شکلیه که JEV اومد و سر صدا کرد به شدت ولی یه بنده خدایی یه یه solo researcher اومد گفتش که آقا من اینو سال ۲۰۲۵ داده بودم و خروجی من بهتره مردم گفتن خب اگه می‌تونی ثابت کن و این شکلیه که مدلش رو اپن سورس دادش توی اینترنت https://huggingface.co/convaiinnovations/laya @DevTwitter | <نعمت/>

به‌نظرم یکی از مهم‌ترین تغییراتی که AI داره ایجاد می‌کنه اینه: کدنویسی داره ارزون‌تر می‌شه اما فهمیدن اینکه اصلاً چی باید ساخته بشه گرون‌تر. هرچی اجرای ایده راحت‌تر بشه، مهارت‌هایی مثل حل مسئله و فهم بیزینس ارزشمندتر می‌شن. یه ویدیوی خوب در این باره : https://youtu.be/AVvDFsMUxf0 @DevTwitter | <Ali Rashedi/>

مراقب این نوع هک باشید! یه صفحه جعلی شبیه Cloudflare میگه برای تأیید ربات نبودن، Win + R رو باز کن و Ctrl + V بزن. چون شبیه تأییدیه‌های معمول Cloudflareـه، ممکنه طبق عادت انجامش بدید، اما در واقع دارید یه دستور مخرب رو اجرا می‌کنید. البته آنتی ویروس احتمالا جلوشو میگیره. @DevTwitter | <JooD/>

در جدیدترین مقاله‌ام در ساب‌استک، به سراغ معماری مدل Jev از شرکت TypeSafe AI که این روزها سر و صدای زیادی در جامعه هوش مصنوعی به پا کرده است و ایده مدل‌های System 1 رفتم؛ کلاسی از مدل‌ها که چت‌بات نیستند و متنی تولید نمی‌کنند، بلکه برای تصمیم‌گیری ساختاریافته و تایپ‌سیف در نرم‌افزار ساخته شده‌اند. در پروداکشن، تولید رشته‌های JSON با مدل‌های متنی مرسوم چند مشکل اساسی دارد: تاخیر چند ثانیه‌ای ناشی از تولید تک‌تک توکن‌ها، مصرف بیهوده حافظه گرافیکی، و مهم‌تر از همه احتمال خطا و توهم در ساختار کلیدها (Schema Drift). برای بررسی این ادعا، یک بنچمارک با ۵۰ پرامپت چالش‌برانگیز روی اپل سیلیکون اجرا کردم و خروجی Jev را در برابر Parallel Constrained Decoding و حالت سنتی Autoregressive مقایسه کردم. نتایج نشان داد ارزیابی موازی بیش از ۳ برابر سریع‌تر است و رفت‌وبرگشت‌های فوروارد را ۹۶.۸ درصد کم می‌کند، آن هم با صفر درصد خطای اسکیما. به نظر می‌رسد آینده معماری نرم‌افزار به سمت دو لایه مشخص می‌رود: مدل‌های سنگین و تحلیلی (System 2) برای استدلال‌های پیچیده، و میکروسرویس‌های فوق سریع و ارزان (System 1) برای روتینگ، گاردریل‌ها و فشرده‌سازی کانتکست ایجنت‌ها. متن کامل تحلیل و جزییات بنچمارک: https://mlnotes.substack.com/p/the-ai-model-that-wont-talk-to-you تمام کدها و اسکریپت ها به همراه ارزیابی را گذاشتم توی گیتهاب: https://github.com/mallahyari/system-one-benchmark @DevTwitter | <Mehdi Allahyari/>