Firibgarlarga uchmang! Telemetrio bunday kanallarni topadi va belgilaydi 👉 Belgini ko‘rmoqchi bo‘lsangiz, obuna bo‘ling

هوش مصنوعی و علم داده به فارسی

Kanalga Telegram’da o‘tish

DataPlusScience | هوش مصنوعی و علم داده به فارسی اخبار، تحلیل، آموزش و ابزارهای کاربردی 🌐 DataPlusScience.ir 📩 ارتباط با ما: @Contact2Mebot 💎 بله: ble.ir/dataplusscience 💡 ایتا: eitaa.com/DataPlusScience 📂 کانال فایل‌ها: @Datascientists_Files

Ko'proq ko'rsatish

Eron46 431 Taʼlim29 623

6 066

Obunachilar

-324 soatlar

+57 kun

-130 kun

276

Post ko'rishlar

~ 18824 soatlar

~ 21748 soatlar

4.55%

Muloqot nisbati

~ 17

Kuniga postlar

Ads index

beta

Postlar arxiv

6 065

‏🤖 اجرای مدل‌های هوش مصنوعی درون Postgres با افزونه pg-jev ‏افزونه متن‌باز pg-jev به شما اجازه می‌دهد مدل‌های هوش مصنوعی را مستقیماً از طریق دستورات SQL فراخوانی کنید. این ابزار نیاز به ستون‌های برداری یا ایندکس‌های Embedding را حذف می‌کند و اجازه می‌دهد پرس‌وجوهای معنایی را با فیلترهای دقیق دیتابیس ترکیب کنید. ‏مهم‌ترین توابع این افزونه عبارتند از: ‏- jev(): فیلتر کردن داده‌ها در بند WHERE ‏- jev_prob(): بازگرداندن احتمال یک نتیجه ‏- jev_choice(): انتخاب برچسب (Label) برای داده‌ها ‏- jev_score(): رتبه‌بندی ردیف‌ها بر اساس سطوح تعیین‌شده ‏این افزونه ردیف‌های دیتابیس را دسته‌بندی کرده، به مدل هوش مصنوعی ارسال می‌کند و خروجی‌های ساختاریافته را به شکلی برمی‌گرداند که در عملیات‌های GROUP BY یا ORDER BY قابل استفاده باشند. مدیریت داده‌ها و کنترل پرس‌وجو همچنان بر عهده Postgres است و بخش‌های غیرقطعیِ منطق برنامه توسط مدل پردازش می‌شود.

#pg_jev #Postgres

6 065

‏🤖 مسابقه برنامه‌نویسی گوگل با مدل Gemma 4 ‏گوگل در رقابت جدید خود در پلتفرم Kaggle، جایزه ۱۰۰ هزار دلاری برای توسعه عوامل هوش مصنوعی (AI Agents) در نظر گرفته است. هدف این مسابقه، بهینه‌سازی مدل‌های باز مثل Gemma 4 برای اجرای آفلاین روی سخت‌افزارهای معمولی به‌منظور عیب‌یابی و پیمایش در مخازن پیچیده کد است. ‏این رقابت در دو بخش برگزار می‌شود: ‏* بخش اصلی (۶۵ هزار دلار): ساخت عاملی که بتواند به‌طور خودکار کدهای واقعی را اصلاح کند و خروجی آن بر اساس موفقیت در تست‌های نرم‌افزاری ارزیابی می‌شود. ‏* بخش پژوهشی (۳۵ هزار دلار): ارائه مقالات جدید در حوزه‌هایی مانند یادگیری تقویتی، بهبود درک کد، مجموعه‌داده‌ها یا ابزارهای کمکی برای برنامه‌نویسی هوشمند. ‏زمان‌بندی نهایی این رقابت به شرح زیر است: ‏* ۱۲ نوامبر ۲۰۲۶: آخرین مهلت ارسال مقالات پژوهشی. ‏* ۲۵ نوامبر ۲۰۲۶: مهلت نهایی ثبت‌نام و تشکیل تیم‌ها برای بخش اصلی. ‏* ۲ دسامبر ۲۰۲۶: پایان مهلت ارسال راه‌حل‌ها در بخش اصلی مسابقه. ‏اطلاعات تکمیلی و ثبت‌نام در بخش پژوهشی نیز از طریق پلتفرم کگل در دسترس است. 🇮🇷 سایت | تلگرام

6 065

‏ابزار MCP برای جستجوی هوشمند قیمت در اسنپ‌فود و اسنپ‌مارکت ‏این سرور متن‌باز MCP به ایجنت‌های هوش مصنوعی اجازه می‌دهد قیمت نهایی سفارش غذا یا خرید از سوپرمارکت را محاسبه کنند. این ابزار با بررسی هزینه‌های ارسال، بسته‌بندی، تخفیف‌های لحظه‌ای (FoodParty) و حداقل مبلغ سفارش، گزینه‌ها را بر اساس قیمت پرداختی نهایی رتبه‌بندی می‌کند. ‏مهم‌ترین ویژگی‌های این ابزار: ‏* پشتیبانی از اسنپ‌فود و اسنپ‌مارکت ‏* دسترسی Read-only بدون نیاز به اکانت یا توکن کاربری ‏* ارائه ۲۱ ابزار مختلف برای جستجو، مشاهده منو، تخفیف‌ها و نظرات ‏* قابلیت نصب مستقیم از طریق مخزن گیت‌هاب یا رجیستری رسمی MCP ‏برای استفاده در محیط‌هایی مانند Claude یا Cursor می‌توانید از دستور زیر استفاده کنید: ‏claude mcp add snapp -- uvx snapp-mcp ‏این ابزار روی سیستم شخصی شما اجرا می‌شود و به دلیل محدودیت‌های دسترسی اسنپ‌فود، به IP ایران نیاز دارد. برای جلوگیری از خطای قیمت‌گذاری، تمام نتایج جستجو به‌صورت لحظه‌ای با منوی اصلی تطبیق داده می‌شوند.

6 065

‏🤖 حل شش مسئله باز ریاضی توسط هوش مصنوعی Muse Spark ‏متا با انتشار شش مقاله پژوهشی اعلام کرد که مدل Muse Spark (نسخه‌های ۱.۱ و ۱.۲) در همکاری با ریاضیدانان، موفق به حل شش مسئله باز ریاضی شده است. این مدل از طریق Thinking Mode و بدون نیاز به ابزارهای جانبی خاص، در نگارش این مقالات مشارکت داشته است. در متن مقالات، بخش‌های نگارش‌شده توسط انسان و هوش مصنوعی به‌صورت تفکیک‌شده مشخص شده‌اند. ‏نتایج به‌دست‌آمده حوزه‌های مختلفی از جمله نظریه احتمالات، معادلات دیفرانسیل، بهینه‌سازی، نظریه گروه‌ها، جبر و فیزیک ریاضی را در بر می‌گیرند. از مهم‌ترین دستاوردهای گزارش‌شده می‌توان به موارد زیر اشاره کرد: ‏* رد فرضیه کید (Kidd) در سال ۲۰۲۴ مبنی بر اینکه یک گروه نیم‌آبلی الزماً مونومیال نیست. ‏* اثبات فروپاشی راه‌حل‌های شعاعی متقارن با انرژی منفی در معادله غیرخطی بی‌هارمونیک شرودینگر که از سال ۲۰۱۵ یک مسئله حل‌نشده باقی مانده بود. ‏جزئیات بیشتر این همکاری در وبلاگ تحقیقاتی متا در دسترس است.

#Muse_Spark #Thinking_Mode

6 065

‏🤖 انتشار مدل‌های Clef توسط Cloudflare ‏شرکت Cloudflare دو مدل تصمیم‌گیر (Decision Model) متن‌باز با نام‌های Clef و Clef-flash را تحت لایسنس Apache 2.0 منتشر کرد. این مدل‌ها که وزن‌های آن‌ها در Hugging Face در دسترس است، به جای تولید متن، پاسخ‌های ساختاریافته با احتمال مشخص ارائه می‌دهند و برای وظایفی مانند کلاس‌بندی، اسکورینگ و مسیریابی در پایپ‌لاین‌های داده کاربرد دارند. ‏مدل‌های Clef در مقایسه با مدل Jev تفاوت‌ها و برتری‌های فنی زیر را دارند: ‏* قابلیت چندوجهی: برخلاف Jev، مدل Clef از پردازش تصویر نیز پشتیبانی می‌کند. ‏* ظرفیت متن: طول پنجره متن (Context Window) این مدل به 64 هزار توکن می‌رسد که دو برابر مدل Jev است. ‏* سرعت پردازش: مدل Clef با میانگین پاسخ‌دهی 209 میلی‌ثانیه و مدل Clef-flash با 39 میلی‌ثانیه، از مدل Jev با 524 میلی‌ثانیه سریع‌تر هستند. ‏Cloudflare همچنین یک پلتفرم یادگیری تقویتی (RL) برای آموزش اختصاصی این مدل‌ها بر اساس داده‌های کاربران راه‎‌اندازی کرده است.

#Clef #Decision_Model

6 065

‏📊 استخدام دانشمند داده ارشد در تپسی‌باکس ‏تیم فنی تپسی‌باکس برای موقعیت شغلی Senior Data Scientist دعوت به همکاری می‌کند. علاقه‌مندان می‌توانند رزومه خود را از طریق لینک سایت شغلی تپسی ارسال کنند. ‏مهم‌ترین مهارت‌های مورد نیاز برای این نقش عبارتند از: ‏• حداقل ۲ سال تجربه در پروژه‌های End-to-End Data Science ‏• تسلط بر Machine Learning، آمار و Data Mining ‏• تسلط بر Python و فریم‌ورک‌های مدرن یادگیری ماشین ‏• توانایی در تحلیل داده‌ها، استخراج الگوها و ساخت مدل‌های پیش‌بینی ‏• توانایی تبدیل داده‌ها به تصمیم‌های تجاری با همکاری تیمی

#تپسی_باکس #Data_Mining

6 065

‏📊 معرفی ابزار NerfBench برای سنجش افت کیفیت مدل‌ها ‏تیم BridgeMind ابزاری به نام NerfBench منتشر کرده است تا تغییرات عملکرد مدل‌های هوش مصنوعی پس از انتشار عمومی را رصد کند. بسیاری از کاربران معتقدند مدل‌ها به مرور زمان دچار افت کیفیت یا «نرف» (Nerf) می‌شوند؛ این بنچمارک برای بررسی دقیق‌تر همین ادعا طراحی شده است. ‏نحوه عملکرد این ابزار به این صورت است: ‏- ثبت عملکرد مدل در روز انتشار به عنوان شاخص ۱۰۰٪. ‏- بررسی دوره‌ای کیفیت خروجی، تعداد توکن‌های مصرفی و هزینه پردازش. ‏- بازه ۹۰ تا ۱۱۰ درصد به عنوان نوسان آماری عادی در نظر گرفته می‌شود. ‏- امتیاز زیر ۹۰ درصد یا افزایش هزینه‌ها، به عنوان افت عملکرد شناسایی می‌شود. ‏برای مثال، طبق اندازه‌گیری‌های اخیر، امتیاز مدل Opus 5.5 به حدود ۹۴ درصد رسیده است که اگرچه هنوز در محدوده عادی قرار دارد، اما بیشترین افت را در میان مدل‌های بررسی‌شده نشان می‌دهد. شرکت BridgeMind مبلغ ۱۰ هزار دلار برای تداوم تست‌ها و افزایش فرکانس بازرسی مدل‌های جدید اختصاص داده است.

#NerfBench #BridgeMind

6 065

‏⚡️ بهبود عملکرد مدل‌های ایجنت با RL چند‌محیطی ‏تیم Hugging Face روشی برای آموزش مدل‌های کدنویسی معرفی کرده که تفاوت عملکرد در بنچمارک‌های مختلف (Harness) را از بین می‌برد. این رویکرد به جای تغییر محیط‌ها، از یک پراکسی استفاده می‌کند که با چهار فرمت API استاندارد (OpenAI، Anthropic و Gemini) سازگار است. این پراکسی توکن‌ها و logprobهای مدل را در vLLM ثبت می‌کند تا برای آموزش RL استفاده شوند. ‏در این مدل، مدل LFM2.5-2.6B پس از آموزش در چهار محیط همزمان، دقت خود را از ۴۲٪ به ۵۴٪ افزایش داد و تعداد فراخوانی ابزارها را ۳۱٪ کاهش داد. بررسی‌ها نشان می‌دهد آموزش مستقیم (RL) در چندین محیط، بسیار موثرتر از SFT روی داده‌های مدل‌های بزرگ‌تر است. ‏تمامی ابزارهای این پروژه شامل کد آموزش در TRL، پراکسی ثبت مسیرها، داده‌های SFT و هفت مدل آموزش‌دیده در دسترس قرار گرفته است. جزئیات بیشتر و دموها را می‌توانید در صفحه اختصاصی Hugging Face مشاهده کنید.

#MultiHarnessRL #GRPO

6 065

‏🧬 تکامل شبکه‌های عصبی بدون استفاده از آموزش گرادیانی ‏پژوهشگران سیستمی طراحی کرده‌اند که در آن شبکه‌های عصبی به جای استفاده از روش متداول gradient descent، از طریق فرآیند تکامل آموزش می‌بینند. در این مدل، جمعیتی از شبکه‌های عصبی با مقداردهی تصادفی اولیه ایجاد می‌شوند و با بهره‌گیری از اصول انتخاب طبیعی، شبکه‌های توانمندتر در نسل‌های متوالی باقی می‌مانند. ‏در این سیستم، مدل‌هایی که نقاط قوت مکمل دارند با یکدیگر ترکیب می‌شوند. پارامترهای آن‌ها طی یک فرآیند crossover به شبکه نسل بعد منتقل می‌شود تا ویژگی‌های والدینی را به ارث ببرند. در ادامه، مدل‌های «فرزند» بر اساس یک تابع fitness رقابت می‌کنند و مدل‌های ضعیف‌تر حذف می‌شوند. ‏این رویکرد نشان می‌دهد که می‌توان بدون طی کردن مراحل معمول آموزش، شبکه‌هایی با توانمندی بالا ایجاد کرد. جزئیات فنی و پیاده‌سازی این متد در مقاله پژوهشی آن قابل مشاهده است.

6 065

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #132 | 📌 8 آیتم گزارش | 🧾 از 12 پست بررسی‌شده 🕐 جمعه 1405/07/10 ساعت 14:00 تا شنبه 1405/07/11 ساعت 14:00 🔎 تحلیل کوتاه

🤖 معماری و مدل‌های هوش مصنوعی

📊 رسانه و تحلیل رفتار مدل‌ها

6 065

‏💰 تکمیل سرمایه‌گذاری ۱۰ میلیارد دلاری سافت‌بانک در OpenAI ‏شرکت سافت‌بانک به‌طور رسمی آخرین بخش از سرمایه‌گذاری ۱۰ میلیارد دلاری خود را به OpenAI منتقل کرد. با این پرداخت، سهم این مجموعه از مالکیت OpenAI به ۱۳ درصد رسید. ‏ماساوشی سان برای تأمین نقدینگی مورد نیاز این سرمایه‌گذاری، تمام سهام خود در شرکت Nvidia را به فروش رساند. همچنین به دلیل فشارهای مالی و اهرم‌های معاملاتی بالا، سافت‌بانک برای تکمیل این پرداخت مجبور به انتشار اوراق قرضه با ریسک بالا (Junk Bond) به ارزش ۱۱.۱ میلیارد دلار شده است.

#SoftBank #OpenAI

6 065

‏📚 انتشار کتاب جامع بینایی ماشین انویدیا ‏استن برچ‌فیلد از تیم انویدیا، منبع آموزشی کاملی را درباره بینایی ماشین منتشر کرده است. این کتاب تمامی مباحث اصلی، از پردازش تصویر کلاسیک و هندسه سه‌بعدی تا مدل‌های پیشرفته‌ای مثل CNN، ترنسفورمرها، مدل‌های بنیادی و رندرینگ عصبی را پوشش می‌دهد. ‏ویژگی اصلی این مجموعه، ترکیب توضیحات ساده و مفهومی با کدهای اجرایی پایتون است. مهم‌ترین منابع این مجموعه عبارت‌اند از: ‏- متن کامل کتاب ‏- مخزن کدهای پیاده‌سازی ‏- بررسی و جزئیات بیشتر

#Stan_Birchfield #رندرینگ_عصبی

6 065

‏🤖 دور زدن محدودیت‌های ChatGPT با تکنیک‌های روان‌شناسی ‏پژوهشگران در مطالعه‌ای جدید، ۲۸ هزار مکالمه با ChatGPT را بر اساس تکنیک‌های متقاعدسازی کتاب «Influence» اثر رابرت سیالدینی بررسی کردند. هدف این بوده که مشخص شود آیا ترفندهای روان‌شناختی می‌تواند مدل را به نقض قوانین ایمنی وادارد یا خیر. ‏نتایج نشان می‌دهد در حالی که مدل معمولاً در برابر درخواست‌های مستقیم مقاومت می‌کند، استفاده از تکنیک‌های روان‌شناختی نرخ پذیرش درخواست‌های مسئله‌دار را از ۳۳ درصد به ۷۲ درصد افزایش می‌دهد. مهم‌ترین ترفندهای مؤثر شامل موارد زیر است: ‏* تعهد: گرفتن موافقت اولیه برای یک درخواست ساده و سپس سوق دادن تدریجی مدل به سمت درخواست اصلی. ‏* اقتدار: بهره‌گیری از جایگاه یا نقش تعریف‌شده برای افزایش ۶۵ درصدی احتمال پذیرش دستورات. ‏* کمیابی و تأیید اجتماعی: استفاده از این دو مولفه برای کاهش سطح دفاعی مدل. ‏این مطالعه نشان داد که برای دور زدن لایه‌های حفاظتی مدل، نیازی به هک پیچیده یا کدنویسی نیست و تنها با تغییر ساختار کلامی می‌توان رفتار آن را تغییر داد. جزئیات کامل این آزمایش در مقاله اصلی منتشر شده است. 🇮🇷 سایت | تلگرام

6 065

‏کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی با Jev ‏در معماری ایجنت‌های هوش مصنوعی، مدل‌های پیشرفته (Frontier Models) بخش زیادی از هزینه‌ها و زمان تأخیر را صرف تصمیم‌گیری‌های ساده‌ای می‌کنند که نیازی به تولید متن ندارند. این تصمیمات شامل مواردی مثل انتخاب ابزار، ارزیابی امنیت فراخوانی، تشخیص وضعیت گیرکردن ایجنت و دسته‌بندی جریان‌های ورودی است. ‏مدل Jev که توسط TypeSafe AI توسعه یافته، به‌طور اختصاصی برای این دسته از وظایفِ «سیستم یک» طراحی شده است. برخلاف مدل‌های تولیدکننده، این ابزار وضعیت (State) و پرسش‌های تایپ‌شده را می‌گیرد و پاسخ‌های ساختاریافته با احتمال کالیبره‌شده بازمی‌گرداند. ‏ویژگی‌های کلیدی و کاربردی: ‏* سرعت پردازش ۷۰ تا ۵۰۰ میلی‌ثانیه. ‏* عدم تولید متن و حذف هزینه‌های سنگین بازسازی کش (KV Cache). ‏* امکان استفاده از آن در کنار مدل‌های LLM برای وظایف تخصصی مانند Browser Use یا طبقه‌بندی اسناد. ‏* پشتیبانی از انتخاب، امتیازدهی و فیلترینگ محتوا.

#Jev #Model_Routing

6 065

#Jev #Model_Routing

6 065

‏🌐 انتشار Olmo-core 3 برای آموزش مدل‌های MoE ‏موسسه Ai2 از Olmo-core 3 رونمایی کرد؛ مجموعه‌ای از ابزارهای متن‌باز که برای آموزش مدل‌های Mixture-of-Experts (MoE) با مقیاس یک تریلیون پارامتر بهینه‌سازی شده است. این زیرساخت، جایگزین FSDP شده و از ترکیب expert parallelism، pipeline parallelism و یک بهینه‌ساز توزیع‌شده برای مدیریت بهتر پارامترها روی GPU استفاده می‌کند. ‏عملکرد این سیستم در اجرای مدل‌های MoE به شرح زیر است: ‏- مدل 47 میلیارد پارامتری روی 8 کارت گرافیک B300 به سرعت 52 هزار توکن در ثانیه بر هر GPU رسیده که 2.7 برابر سریع‌تر از نسخه قبل است. ‏- با استفاده از فرمت داده‌ای MXFP8، سرعت نسبت به BF16 حدود 21 درصد افزایش می‌یابد. ‏- افزایش تعداد متخصص‌ها از 8 به 128، کمتر از 5 درصد افت در کارایی (throughput) ایجاد می‌کند. ‏- بزرگ‌ترین تست انجام‌شده شامل یک مدل 1.2 تریلیون پارامتری روی 512 کارت B300 بوده که به نرخ 858 TFLOP/s بر هر GPU دست یافته است. ‏کد این پروژه تحت لایسنس Apache 2.0 منتشر شده است.

6 065

‏🧩 شتاب‌دهی به پژوهش‌های علمی با Claude ‏آنتروپیک در گزارش جدید خود توضیح داده است که چگونه مدل هوش مصنوعی Claude در کنار ابزار متن‌باز BootLoops، فرآیند پژوهش در رشته‌های مختلف از ریاضی تا زیست‌شناسی را سرعت می‌بخشد. ‏پروفسور متیو شوارتز و تیمش طی سه ماه با استفاده از این ترکیب، ۳۶ مقاله علمی را در ۱۸ حوزه متفاوت بررسی کردند. مهم‌ترین نتایج این همکاری عبارتند از: ‏- محاسبه ۱۵ انتگرال جدید در فیزیک ریاضی ‏- تحلیل ۵.۷ میلیارد جفت جهش در ژنوم‌ها ‏- ساخت پایگاه داده استرس برای ۶,۰۷۲ زبان ‏- اعتبارسنجی خودکار داده‌های موجود در ۴,۴۵۲ مقاله اقتصادی ‏نتایج نشان می‌دهد Claude در کدنویسی و یافتن روابط بین‌رشته‌ای عملکرد بالایی دارد، اما به دلیل تمایل مدل به اغراق در اهمیت خروجی‌های خود، حضور محقق برای تعیین مسئله و بازبینی نهایی داده‌ها همچنان ضروری است. جزئیات بیشتر در وب‌سایت تحقیقاتی آنتروپیک قابل مشاهده است.

#Claude #BootLoops

6 065

‏🤖 عرضه نسخه جدید Kling 4.0 با قابلیت‌های پیشرفته ویدئویی ‏مدل هوش مصنوعی Kling 4.0 برای رقابت مستقیم با ابزارهای تولید ویدیو در اکتبر عرضه می‌شود و نسخه Flash آن هم‌اکنون در دسترس کاربران Ultra Yearly قرار گرفته است. ‏مهم‌ترین تغییرات این نسخه شامل موارد زیر است: ‏* امکان تولید ویدیو تا ۳۰ ثانیه در یک مرحله ‏* کنترل صحنه‌ها با استفاده از ۱۰ کلیدواژه یا keyframes ‏* خروجی ویدیو با کیفیت 4K و پشتیبانی از 10-bit HDR ‏* بهبود پایداری حرکت و هماهنگی لب‌خوانی (lip-sync) ‏* افزایش قابلیت Omni Reference برای پشتیبانی از ۱۵ مرجع چندوجهی جهت حفظ ثبات کاراکترها و اشیاء ‏این مدل همچنین از تولید صدای استریو، گسترش ویدیو (video extension) و پشتیبانی از زبان‌ها و لهجه‌های مختلف بهره می‌برد. استفاده از ۱۰ کلیدواژه به کاربران اجازه می‌دهد مسیر حرکت و وقایع ویدیو را با دقت بیشتری مدیریت کنند و صحنه‌های طولانی‌تری را بدون نیاز به تولید جداگانه بسازند.

#Kling_4 #Omni_Reference

6 065

‏🤖 انتشار مدل‌های تصمیم‌گیری Clef توسط Cloudflare ‏کلودفلر از مدل‌های وزن‌باز Clef رونمایی کرد که به جای تولید متن، پاسخ‌های ساختاریافته و دارای نوع (Typed) مانند بله/خیر یا مقیاس‌های عددی ارائه می‌دهند. این مدل‌ها با حذف مرحله تولید توکن، اجازه می‌دهند ایجنت‌ها بدون نیاز به تحلیل خروجی متنی، بلافاصله تصمیم‌گیری کنند. ‏مهم‌ترین ویژگی‌های این مدل‌ها: ‏* عرضه در دو نسخه Clef (با ۲۷ میلیارد پارامتر) و Clef-flash (با ۹ میلیارد پارامتر) تحت لایسنس Apache 2.0. ‏* مبتنی بر مدل‌های Qwen3 که وزن‌های اصلی آن‌ها ثابت نگه داشته شده است. ‏* سرعت پردازش بسیار بالا، به‌طوری که Clef-flash تاخیر میانه ۳۸.۸ میلی‌ثانیه دارد. ‏* پشتیبانی از ورودی‌های متنی، JSON، تصویر و ویدیو با پنجره محتوایی ۶۴ هزار توکنی. ‏* سازگاری مستقیم با API مدل Jev برای جایگزینی سریع. ‏این مدل‌ها از طریق Workers AI در دسترس هستند و برای هر میلیون توکن ورودی، هزینه‌ای بین ۰.۰۹ تا ۰.۲۴ دلار دارند.

#Cloudflare_Clef #Workers_AI

6 065

‏🎨 عرضه مدل تصویرساز FLUX.1 توسط Black Forest Labs ‏شرکت Black Forest Labs مدل جدید FLUX.1 را منتشر کرده است که بر اساس سیستم «قاب‌بندی» (Layout) کار می‌کند. در این مدل، شما می‌توانید با ترسیم کادرها روی بوم و تعیین محتوای هر بخش، تصویر نهایی را تولید کنید. تغییر جای اشیاء یا حذف آن‌ها با جابه‌جایی کادرها انجام می‌شود، بدون اینکه سایر اجزای تصویر تغییر کنند. ‏برخی از ویژگی‌های فنی این مدل عبارتند از: ‏- خروجی با کیفیت 4K ‏- امکان استفاده از حداکثر ۱۰ تصویر شخصی به عنوان نمونه (Image Prompting) ‏- قابلیت میزبانی مدل روی سرورهای داخلی شرکت‌ها ‏- تخفیف ۵۰ درصدی برای استفاده از API تا ۸ اکتبر ‏نسخه متن‌باز این ابزار قرار است تا دو هفته دیگر منتشر شود. در حال حاضر می‌توانید عملکرد فعلی این مدل را در وب‌سایت رسمی Black Forest Labs آزمایش کنید. با این حال، بررسی‌های اولیه نشان می‌دهد که مدل در نمایش دقیق متون و طراحی فرم‌های انسانی هنوز ضعف‌هایی دارد و در مقایسه با رقبا، خروجی‌های آن نیاز به بهبود بیشتری دارند.