DLeX: AI Python
هوشمصنوعی و برنامهنویسی توییتر : https://twitter.com/NaviDDariya لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq
Ko'proq ko'rsatish📈 Telegram kanali DLeX: AI Python analitikasi
DLeX: AI Python (@ai_python) Forsiy til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 21 284 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 6 235-o'rinni va Eron mintaqasida 16 518-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 21 284 obunachiga ega bo‘ldi.
16 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -39 ga, so‘nggi 24 soatda esa -4 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 8.49% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 2.88% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 1 807 marta ko‘riladi; birinchi sutkada odatda 614 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 18 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent مصنوعی, توییتر, ماهواره, داده, فناوری kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“هوشمصنوعی و برنامهنویسی
توییتر :
https://twitter.com/NaviDDariya
لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 17 Noyabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
Ma'lumotlar yuklanmoqda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 17 Noyabr | +2 | |||
| 16 Noyabr | 0 | |||
| 15 Noyabr | +9 | |||
| 14 Noyabr | 0 | |||
| 13 Noyabr | 0 | |||
| 12 Noyabr | +2 | |||
| 11 Noyabr | 0 | |||
| 10 Noyabr | +1 | |||
| 09 Noyabr | +1 | |||
| 08 Noyabr | 0 | |||
| 07 Noyabr | +5 | |||
| 06 Noyabr | +1 | |||
| 05 Noyabr | 0 | |||
| 04 Noyabr | +2 | |||
| 03 Noyabr | +1 | |||
| 02 Noyabr | 0 | |||
| 01 Noyabr | +1 |
| 2 | روز جمعه ای یه جماعتی رو منتظر خودشون گذاشتن. هیچ کدوم از کانکتورها برای من کار نمی کنه.
👉 @ai_python 🦁 ☀️
👉 @elonfact 🙄
https://status.claude.com/ | 1 066 |
| 3 | در روزهای گذشته به قدری مطالب و پست ها در شبکه های اجتماعی در مورد روابط خصوصی جنسن هوانگ زیاد بود، که من ترجیح دادم توی چانالمون دیگه اسپم جدید در این مورد ایجاد نکنم که وقت شما تلف بشه.
ولی بیایم فارغ از بخش خصوصی زندگی دیگران، کمی به بُعد فنی این جاسوسی بپردازیم و یکی از حدس های موجود که اتفاقن ایلان هم روش اموجی گذاشته رو بررسی کنیم. ببینیم چی گفته؟
👉 @ai_python 🦁 ☀️
@elonfact
پژوهشگری به نام وین دپیو ادعا کرده با تحلیل وزنهای منتشرشدهٔ مدلها نشان داده چهار آزمایشگاه بزرگ چینی (DeepSeek، Moonshot، MiniMax و Ant Group) مدلهای تازهشان را روی تراشههای Blackwell انویدیا ساختهاند که صادراتشان به چین ممنوع است! 👨💻
👉 @ai_python 🦁 ☀️
به گفتهٔ او، مقدار اولیهٔ وزنها به نوع دقیق GPU بستگی دارد و ردّش در مدل نهایی میماند؛ او بیش از شش تریلیون ترکیب را جستوجو کرده و مثلاً با یک B300 وزنهای اولیهٔ DeepSeek-V4-Flash را بیت به بیت بازسازی کرده است. او تخمین زده بزرگترین مدلها هر کدام با ۲۰۰۰ تا ۳۰۰۰ تراشهٔ Blackwell آموزش دیدهاند و میگوید پژوهشگران ارشد OpenAI و Anthropic نتیجه را تأیید کردهاند.
👉 @ai_python 🦁 ☀️
البته همون طور که می دونید من صلاحیت فنی که تشخیص بدم حرف این پژوهشگر درست یا غلط هست رو ندارم. ولی برای آدمایی که نیاز به توضیحات Beginner Friendly مثل من دارند، بیاید خیلی خلاصه و ساده ببینیم اصلن منظورش چیه از این حرف :
وقتی یک مدل هوش مصنوعی ساخته میشود، با اعدادی تصادفی شروع میکند. این پژوهشگر میگوید هر نوع تراشه این اعداد را کمی متفاوت میچیند، مثل دستخط. اگر حرفش درست باشد، از روی «دستخط» مدل میشود فهمید با کدام تراشه ساخته شده، حتی تراشهای که فروشش به چین ممنوع بوده.
خلاصه این گونه ... 👨💻🥸 | 1 242 |
| 4 | یه نفر توی ردیت نوشته من فقط یه دونه H برای Fable نوشتم و اون 26 درصد سهمیه توکن روزانه م رو سوزوند. 😂
👉 @ai_python 🦁 ☀️
https://www.reddit.com/r/ClaudeCode/comments/1xs5kde/comment/19sfdb4thzao5/
کامنتا خیلی بامزه س. به خصوص اینکه عکسش رو گذاشتم | 1 463 |
| 5 | ایده های پیشنهادی برای استفاده بهینه تر از Hermes
👉 @ai_python 🦁 ☀️ | 1 623 |
| 6 | استفاده از کامپیوتر با مدل دلخواه از طریق Open WebUI :
👉 @ai_python 🦁 ☀️
https://x.com/OpenWebUI/status/2117886684780224883 | 2 027 |
| 7 | https://youtu.be/BnZfXQZ7UOw?si=FWjgYHl42T3D63Nj | 1 979 |
| 8 | Matn yo'q... | 1 748 |
| 9 | یه مقالهی جدید با عنوان
On the Economics of Reasoning Effort in LLM Agents
بررسی کرده که برای LLMها بهتره از چه سطحی از Reasoning Effort استفاده کنیم. این مقاله به چند نتیجهی جالب رسیده.
اول اینکه Reasoning Effort بیشتر، لزوماً به معنی عملکرد بهتر نیست. از طرف دیگه، هرچی Reasoning Effort بالاتر باشه، معمولاً هزینه هم بیشتر میشه؛ بهطوریکه هزینهی بالاترین سطح میتونه تا ۴۲ برابرِ پایینترین سطح باشه.
نکتهی جالب دیگه اینه که بعضی وقتها ممکنه یه مسئله با Reasoning Effort پایینتر درست حل بشه، اما همون مسئله با Reasoning Effort بالاتر، اشتباه جواب داده بشه! در واقع، افزایش میزان تلاش برای استدلال همیشه به بهبود نتیجه منجر نمیشه.
همچنین، تغییر Reasoning Effort فقط روی تعداد Tokenهای مصرفشده تأثیر نمیذاره، بلکه نحوهی حل Taskها توسط Agentها رو هم تغییر میده. وقتی Reasoning Effort بالاتره، Agentها زمان و تلاش بیشتری صرف Verify کردن خروجیهای خودشون میکنن و بهجای اینکه مستقیماً روی حل مسئله کار کنن، بیشتر دنبال پیدا کردن Solution میگردن. هر دوی این رفتارها باعث میشن Trajectory حل مسئله طولانیتر بشه، بدون اینکه لزوماً نتیجهی نهایی بهتر بشه یا تغییری بکنه.
🔗 لینک مقاله
👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبتنام در دوره منتورینگ
🤝 تجارب موفق قبلی بچهها از منتورینگ
🛠 راه ارتباطی مشاوره تخصصی کسبوکار در زمینه دیتا و هوش مصنوعی
@reza_jafari_ai | 1 276 |
| 10 | امروز خودم داشتم دوباره این ویدیو رو می دیدم و یه خوبی که داشت بخش امنیتش بود که خلاصه ای از موارد امنیتی رو می گه که گاهی یادمون می ره چک کنیم. مثلن چطوری جلوی هایجک Agent رو بگیریم و ... | 1 721 |
| 11 | مواردی که برای ساخت یک Agent هوش مصنوعی خوب باید رعایت کنیم :
👉 @ai_python 🦁 ☀️
https://youtu.be/xKgY5vnzjMQ?si=f564ZuiTqMneQqi0 | 1 928 |
| 12 | طبق گزارش بلومبرگ، مایکروسافت با هدف کاهش هزینهها در پی طبعات پیشرفتِ هوش مصنوعی، به ۶۰ هزار کارمند خود بستههای بازنشستگی ارائه (پیشنهاد) میدهد. (یعنی می گه بیا همین الان اینو بگیر برو 🐸)
👉 @ai_python 🦁 ☀️
X :
خب واقعیت اینه که به خصوص توی کمپانی های بسیار بزرگ همیشه تعداد زیادی نیروی کار می دیدیم که تسک های تکراری انجام می دادن. اسمشون این بود که مثلن فلان سِمت رو توی مایکروسافت و گوگل دارن. ولی در واقع کاری که انجام می دادن طوری بود که فرقی نداشت نیروی A یا نیروی B فارغالتحصیل این رشته، انجامش بده.
فرآیند استخدام بر اساس تخصص و دامنه دانش، یه چیز دکوری بود که اتفاقن اصلن هم نورودایورجینت فرندلی نبود و برعکس تو هر چه قدر نمایش بهتری داشتی، منابع انسانی و تیم از تو بیش تر خوشش میومد و استخدام می شدی. فقط برای اینکه این طوری ویو بهتری داره. یا بیش تر خوش می گذره.
زمان کافی برای آموزش نیرو ها می ذاشتن و حتی اگر رشته اون آدم هم این نبود، در نهایت کار رو یاد می گرفت و انجام می داد.
👉 @ai_python 🦁 ☀️
البته همه این موارد هیچ اشکالی هم نداره. روح اون زمانه بود. الانم شاید هنوز توی پوزیشن هایی که کفه ترازو در سمت مارکتینگشون سنگینه، ویو (منظورم ظاهر نیست) حرف اول رو بزنه. ولی خب دیگه جونیوری که فقط یک کار فنی آموزش داده شده رو به صورت تکراری و دائم انجام بده و برای تسک بعدی بازم نیاز به آموزش داره، حذف می شه.
به نظرم الان زمانه، عصر جونیورهایی هست که از اول سنیور هستن و شاید توی پوزیشن های فنی خیلی نیاز به ویو هم ندارن.
جونیورِ از اول سنیور، یعنی هر شخصی که اتوپایلوت هست. نیازی نداره که یه نفر دائم بهش آموزش بده. شولونگش کنه. خودش می ره دنبال موضوع و یه جوری حلش می کنه. Input می گیره. اما اون اینپوت، اینپوت فنی نیست. بیش تر اینپوت کدوم لیبل و کدوم نیاز هست.
و خب طبیعتن این جونیوری که از اول سنیوره، فرقی نمی کنه تا حالا با فلان زبان برنامه نویسی کد نوشته یا نه. فرقی نداره فلان معماری یا سرویس رو می شناسه یا نه. فقط کافیه چند تا لیبل بهش بدی و هدف و ...
و خودش راهش رو پیدا می کنه. از در نشد، از پنجره میاد تو.
چون بقیه ای که این طوری نیستن، طبیعتن AI Agent ها جاشون رو می گیرن. برای همینم هست که می گیم شغل های آی تی از بین نمی رن. فقط الک می شن. نوعشون تغییر می کنه و آدمایی با ویژگی های خاص که قبلن طلا بودن، ممکنه الان دیگه طلا نباشن.
الان عصر، عصرِ اقیانوس های به عمق چند سانتیمتر هست که بتونن موج های بزرگ درست کنند. | 4 783 |
| 13 | تفاوت های MCP با WebMCP
👉 @ai_python 🦁 ☀️ | 1 535 |
| 14 | چطور با چند عمل ساده روی سطرها، یک دستگاه معادله را حل کنیم؟
📘 جزوهٔ جبر خطی | جلسهٔ دوم
با تدریس گیلبرت استرنگ
🏛 MIT
حذف گاوسی و ماتریسهای مقدماتی
در این جلسه، مراحل حذف گاوسی و جانشانی پسرو را دنبال میکنیم و میبینیم چگونه میتوان هر گام حل را به زبان ماتریسها نوشت.
📄 جزوهٔ فارسی در ۱۵ صفحه
تهیه و تنظیم: گروه ریاضی مزداهیک
🆔 @mazdaahik
#جبر_خطی #گیلبرت_استرنگ #حذف_گاوسی #MIT | 1 409 |
| 15 | 👇👇👇 | 1 144 |
| 16 | ابزار آنلاین برای تست آسیب پذیری SSRF
@WearebiTs 🐤
https://webhook.site/ | 1 223 |
| 17 | توی گروک بات می شه ازش درخواست کنید یک فرم امن براتون باز کنه و یوزر و پسورد های مورد نیازش رو از طریق اون فرم امن براش بفرستید که توی Vault ش ذخیره کنه.
👉 @ai_python 🦁 ☀️
نمی دونم بقیه دستیارها هم اینو دارن یا نه؟ | 1 478 |
| 18 | https://fandoly.com/dol/afd57b92-ab99-4072-8979-224f03c6e9b8 | 1 477 |
| 19 | بیش تر دوستانی که Pentesting انجام می دن با PortSwigger و ابزار Burp آشنایی دارن و نیاز به معرفی نداره.
👉 @ai_python 🦁 ☀️
حالا اونا یک سولوشن Agentic AI ارائه دادن (بتا) که اجنت های هوش مصنوعی به عنوان متخصص امنیت بهتون کمک می کنن که Pentest پلتفرم های آنلاینتون رو انجام بدید. | 1 767 |
| 20 | اف بی آی هم درباره آسیب های امنیتی PHP توصیه هایی رو برای سازمان های دولتی آمریکا منتشر کرد.
👉 @ai_python 🦁 ☀️
https://x.com/FBICyberDiv/status/2112921648252719420/photo/1
X | 1 914 |
