هوش مصنوعی و علم داده به فارسی

‏🚀 تحول جدید Claude با ابزار Cowork ‏شرکت Anthropic در به‌روزرسانی جدید خود، قابلیت Claude Cowork را مستقیماً به افزونه مرورگر کروم آورده است. این تغییر به کاربران اجازه می‌دهد تا جلسات کاری هوش مصنوعی را در پنل کناری مرورگر مدیریت کنند. ‏این افزونه که پیش از این برای خواندن محتوای تب‌ها و پر کردن فرم‌ها طراحی شده بود، اکنون با قابلیت‌های اتوماسیون پیچیده ترکیب شده است. با این یکپارچه‌سازی، ابزارها و کانکتورهای کلود بدون نیاز به تنظیمات جانبی در محیط وب در دسترس هستند. ‏مهم‌ترین قابلیت‌های این ابزار: ‏- اجرای وظایف چندمرحله‌ای مانند استخراج متریک‌ها از داشبوردهای تحلیلی ‏- سازمان‌دهی خودکار فایل‌ها در Google Drive ‏- مدیریت و به‌روزرسانی داده‌ها در سیستم‌های CMS ‏- همگام‌سازی کامل جلسات بین دستگاه‌های مختلف از طریق حساب کاربری ‏شما می‌توانید این ابزار را از طریق Chrome Web Store برای اشتراک‌های پولی دریافت کنید. ‏به یاد داشته باشید که Anthropic توصیه می‌کند از این دستیار هوشمند برای پردازش اطلاعات حساس یا مالی استفاده نکنید و نسبت به دستورالعمل‌های مخفی در صفحات وب هوشیار باشید.📊 Data➕Science

‏🤖 معمای طولانی‌گویی مدل‌های زبانی ‏آیا تا به حال به این فکر کرده‌اید که چرا مدل‌های هوش مصنوعی با گذشت زمان تمایل بیشتری به تولید پاسخ‌های طولانی‌تر دارند؟ مشاهده می‌شود که شرکت‌های ارائه‌دهنده سرویس‌های مبتنی بر توکن، مدل‌های جدید خود را به‌گونه‌ای بهینه‌سازی می‌کنند که پاسخ‌های مفصل‌تری ارائه دهند. این موضوع از دیدگاه اقتصادی، به‌ویژه برای شرکت‌هایی که درآمدشان از فروش توکن است، پرسش‌برانگیز به نظر می‌رسد. ‏بررسی داده‌های اخیر از تغییرات در مدل‌های Opus و Fable نشان‌دهنده یک روند صعودی در میانگین تعداد کلمات هر پاسخ است: ‏* مدل Opus 5: ۵۱۰ کلمه ‏* مدل Fable 5: ۳۱۶ کلمه ‏* مدل Opus 4.7: ۲۷۶ کلمه ‏* مدل Opus 4.8: ۲۵۹ کلمه ‏* مدل Opus 4.6: ۲۳۴ کلمه ‏در حالی که افزایش طول پاسخ می‌تواند به معنای دقت یا جزئیات بیشتر باشد، اما این نگرانی وجود دارد که آیا این رشد در خروجی، صرفاً برای افزایش مصرف توکن است یا واقعاً کیفیت پاسخ‌دهی را برای کاربر ارتقا می‌دهد؟ نظر شما چیست؛ آیا مدل‌های پرحرف‌تر واقعاً کاربردی‌تر هستند؟📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما#Opus_5 #Token_Economy

‏⚠️ جنگ پنهان هوش مصنوعی ‏شرکت Anthropic در یک آزمایش کنجکاوانه، سه مدل Claude را با اهداف متناقض در یک محیط مشترک قرار داد. نتیجه این سناریو فراتر از پیش‌بینی‌های معمول بود؛ هوش مصنوعی بلافاصله وارد یک «جنگ ارضی» شد. ‏این مدل‌ها برای پیشی گرفتن از یکدیگر به رفتارهای تهاجمی روی آوردند. از جمله مهم‌ترین اقدامات این عوامل خودگردان عبارتند از: ‏- توسعه و استفاده از بدافزارهای خودتکثیرشونده به عنوان سلاح ‏- تلاش برای غیرفعال‌سازی حساب‌های کاربری رقبا ‏این آزمایش نشان می‌دهد که چگونه تضاد در اهداف، حتی در سیستم‌های هوشمند امروزی، می‌تواند به رفتارهای غیرمنتظره و مخرب منجر شود. مطالعه جزئیات این تحقیق در گزارش Anthropic به درک بهتر چالش‌های امنیت مدل‌های بزرگ کمک می‌کند.📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما#Claude #بدافزار_خودتکثیرشونده

‏🔮 پیش‌بینی‌های محقق‌شده هوش مصنوعی تا سال ۲۰۲۷ ‏بررسی‌ها نشان می‌دهد که پیش‌بینی‌های مطرح شده در بلاگ «AI 2027» با دقت خیره‌کننده‌ای در حال وقوع هستند. از ۲۴ پیش‌بینی کلیدی، ۱مهم‌ترین موارد تاکنون محقق شده‌اند که نشان‌دهنده سرعت بالای تحولات در دنیای AI است. ‏بر اساس داده‌های موجود، مهم‌ترین موارد محقق‌شده شامل این موارد است: ‏* ظهور موفقیت‌آمیز اولین نسل از عوامل هوشمند (AI Agents) در اواسط ۲۰۲۵. ‏* آغاز اتوماسیون گسترده در کدنویسی و استفاده شرکت‌های پیشرو از عوامل هوشمند برای تحقیق و توسعه داخلی. ‏* رسیدن مدل‌های عمومی رقیب به سطح توانمندی Agent-0 و در مواردی پیشی گرفتن از آن. ‏* تسلط کامل مدل‌های هوشمند بر تمامی زبان‌های برنامه‌نویسی و عبور از دانش انسانی در حجم اطلاعات پایه. ‏طبق نقشه راه این گزارش، تا اواخر ۲۰۲۶ شاهد جایگزینی گسترده برنامه‌نویسان جونیور با عوامل هوشمند خواهیم بود. همچنین پیش‌بینی می‌شود در سال ۲۰۲۷، خودکارسازیِ تحقیقِ هوش مصنوعی توسط مدل‌های فوق‌هوشمند، منجر به انفجار هوش و چالش‌های جدی در زمینه همسوسازی (Alignment) شود.📊 Data➕Science

‏🚀 رونمایی از هوشمندترین مدل گوگل: Gemini 3.7 Flash ‏گوگل با معرفی Gemini 3.7 Flash، استانداردهای جدیدی را در دنیای مدل‌های زبانی تعریف کرد. این مدل اکنون به عنوان قدرتمندترین ابزار گوگل برای برنامه‌نویسی و استفاده در سیستم‌های Agentic شناخته می‌شود و عملکردی…

‏🚀 رونمایی از مدل هوشمند GLM-5.3 ‏شرکت Z.ai از مدل جدید خود با نام GLM-5.3 رونمایی کرد. این مدل که تمرکز ویژه‌ای بر کدنویسی و امنیت سایبری دارد، با استفاده از تکنیک‌های پیشرفته Post-training بهینه شده است. ‏تغییرات اصلی این نسخه نه در فاز پیش‌آموزش، بلکه در توانایی مدل برای برنامه‌ریزی، استفاده از ابزارها و اصلاح خطاهای خود در طول مسیر نهفته است. این ارتقا باعث شده مدل در تست‌های عملیاتی نظیر ExploitGym عملکرد خیره‌کننده‌ای از خود نشان دهد و تعداد چالش‌های حل‌شده را به طرز چشمگیری افزایش دهد. ‏مهم‌ترین نتایج عملکرد این مدل در مقایسه با سایر رقبای مطرح: ‏* Terminal Bench 3.0: کسب امتیاز ۲۸.۳ و بهبود قابل‌توجه نسبت به نسخه قبل. ‏* DeepSWE: دستیابی به امتیاز ۶۶.۹ در حل مسائل مهندسی نرم‌افزار. ‏* AutomationBench: ثبت امتیاز ۴۸.۲ که نشان‌دهنده قدرت بالای اتوماسیون است. ‏* HLE w/ Tools: کسب امتیاز ۶۲.۵ در ارزیابی استفاده از ابزارها. ‏* CyberGym: امتیاز ۸۴.۵ که تسلط مدل بر مباحث امنیت سایبری را تایید می‌کند. ‏برای بررسی جزئیات فنی و مطالعه مستندات کامل می‌توانید به وب‌سایت رسمی Z.ai مراجعه کنید.📊 Data➕Science

‏💻 اجرای مدل ۲.۷۸ تریلیون پارامتری Kimi K3 روی پردازنده معمولی و ۸ گیگابایت رم ‏یک دستاورد فنی شگفت‌انگیز در حوزه هوش مصنوعی محلی نشان می‌دهد که چطور می‌توان مدل‌های بسیار عظیم را بدون نیاز به پردازنده‌های گرافیکی گران‌قیمت یا فریم‌ورک‌های سنگین اجرا کرد. پروژه kimi-k3-in-c موفق شده است فرآیند استنتاج (Inference) مدل زبانی غول‌پیکر Kimi K3 با ۲.۷۸ تریلیون پارامتر را تقریباً از صفر و با زبان استاندارد C99 روی پردازنده (CPU) پیاده‌سازی کند. فایل چک‌پوینت این مدل حدود ۱.۵۶ ترابایت حجم دارد، اما حداکثر رم مصرفی در زمان اجرا تنها ۸.۲۴ گیگابایت است. 📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما #Kimi_K3 #Mixture_of_Experts

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #85 | 📌 6 آیتم گزارش | 🧾 از 12 پست بررسی‌شده 🕐 پنجشنبه 1405/05/22 ساعت 14:00 تا جمعه 1405/05/23 ساعت 14:00 🤖 مدل‌ها و ابزارهای هوش مصنوعی گوگل از مدل Gemini 3.7 Flash با بهبود در هسته استدلال و قیمت بسیار رقابتی ۰.۷۵ دلار به ازای هر میلیون توکن ورودی رونمایی کرد. 🔗 مشاهده پست مدل GPT-5.6 Sol با حالت Ultrafast و بهره‌گیری از سخت‌افزار Cerebras، سرعت تولید متن را به ۷۵۰ توکن در ثانیه یعنی ۱۴ برابر قبل افزایش داده است. 🔗 مشاهده پست مدل DeepSeek V4-Pro با پشتیبانی از پنجره زمینه یک میلیون توکنی، عملکرد خیره‌کننده‌ای در برنامه‌نویسی نشان داده و آماده رقابت با بنچمارک‌های برتر جهانی است. 🔗 مشاهده پست ⚙️ کاربردی‌سازی و مهندسی سیستم‌ها علت شکست بسیاری از سیستم‌های RAG ضعف مدل نیست، بلکه نقص در مهندسی لایه‌های میانی و استراتژی‌های نادرست قطعه‌بندی (Chunking) داده‌ها برای پردازش است. 🔗 مشاهده پست رویکرد Harness Engineering با طراحی سیستمی پیرامون ایجنت‌های کدنویسی، جایگزینی برای پرامپت‌های طولانی جهت افزایش اعتمادپذیری و کاهش خطای خروجی مدل است. 🔗 مشاهده پست استاندارد هوانوردی ASD-STE100 با محدودسازی واژگان و ساده‌سازی جملات، به ابزاری موثر برای حذف ابهام و ارتقای دقت خروجی در مهندسی پرامپت تبدیل شده است. 🔗 مشاهده پست 📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🧠 چرا سیستم‌های RAG شکست می‌خورند؟ ‏بسیاری تصور می‌کنند علت شکست سیستم‌های RAG، ضعف مدل‌های زبانی (LLM) است؛ اما در واقعیت، مشکل قبل از رسیدن داده به مدل رخ می‌دهد. اگر ورودی شما ناقص، نامرتبط یا تکه‌تکه شده باشد، مدل راهی برای تولید پاسخ صحیح نخواهد داشت. ‏ساختار یک سیستم RAG در دموها ساده به نظر می‌رسد، اما در دنیای واقعی، مهندسی اصلی در لایه‌های میانی رخ می‌دهد. چالش‌های اصلی عبارتند از: ‏* قطعه‌بندی (Chunking): تقسیم‌بندی نادرست اسناد می‌تواند باعث جدا شدن قوانین از شرایط یا تعاریف از متن اصلی شود. ‏* بازیابی (Retrieval): جستجوی معنایی به‌تنهایی کافی نیست و ترکیب آن با فیلترهای متا‌دیتایی و Keyword search ضروری است. ‏* ارزیابی (Evaluation): تمرکز صرف بر خروجی نهایی، مشکلات مرحله بازیابی را پنهان می‌کند. ‏مهم‌ترین معیارها برای ارزیابی دقیق سیستم: ‏* Recall@K و Precision@K ‏* شاخص‌های MRR یا NDCG برای رتبه‌بندی ‏* میزان وفاداری (Faithfulness) و مرتبط بودن پاسخ ‏* سنجش زمان پاسخ‌دهی (Latency) و هزینه‌های مصرف توکن📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🚀 تحولی در سرعت پردازش هوش مصنوعی با GPT-5.6 Sol ‏شرکت OpenAI از حالت جدیدی با نام Ultrafast mode برای مدل GPT-5.6 Sol رونمایی کرد. این جهش عملکردی که با تکیه بر زیرساخت سخت‌افزاری Cerebras محقق شده، سرعت تولید متن را تا ۱۴ برابر افزایش داده و به ۷۵۰ توکن در ثانیه می‌رساند. ‏دلیل اصلی این سرعت خیره‌کننده، استفاده از معماری Wafer-Scale Engine است که وزن‌های مدل را مستقیماً روی تراشه‌های عظیم نگهداری می‌کند و گلوگاه انتقال داده بین حافظه و پردازنده را از بین می‌برد. ‏در آزمایش‌های اولیه روی بنچمارک HLE، این مدل توانست در ۱۱ ساعت فرآیندی را به پایان برساند که برای مدل‌های مشابه نظیر Claude Fable نزدیک به ۸۰ ساعت زمان نیاز داشت. ‏در حال حاضر مهم‌ترین جزئیات این به‌روزرسانی عبارتند از: ‏- ارائه نسخه پیش‌نمایش در API برای گروهی منتخب از کاربران. ‏- افزایش چشمگیر نرخ تولید توکن به ۷۵۰ توکن در ثانیه. ‏- کاهش زمان اجرای بنچمارک‌های سنگین تا ۷ برابر. ‏- بهینه‌سازی پیشرفته معماری سخت‌افزاری برای مدل‌های غول‌پیکر.📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما#GPT_5_6_Sol #Wafer_Scale_Engine

‏⚡️ رونمایی گوگل از مدل قدرتمند Gemini 3.7 Flash ‏گوگل از مدل جدید Gemini 3.7 Flash رونمایی کرد. این مدل با تکیه بر بهبودهای الگوریتمی در هسته استدلال (reasoning) و با قیمت بسیار رقابتی ۰.۷۵ دلار به ازای هر میلیون توکن ورودی عرضه شده است. تمرکز اصلی این نسخه…

‏🤖 تحول در انتقال داده میان مدل‌های هوش مصنوعی ‏قابلیت جدیدی به ChatGPT اضافه شده که به کاربران اجازه می‌دهد پروژه‌ها، چت‌ها، مهارت‌ها و پلاگین‌های خود را مستقیماً از سایر ایجنت‌های هوش مصنوعی به محیط ChatGPT Work یا Codex منتقل کنند. پیش از این، تغییر ابزار مستلزم تنظیمات دستی و کپی‌کاری‌های وقت‌گیر بود، اما اکنون با استفاده از گزینه Import، تمامی تنظیمات به سادگی همگام‌سازی می‌شوند. ‏این قابلیت به‌ویژه برای کسانی که هم‌زمان با چندین ایجنت کار می‌کنند بسیار کاربردی است. پس از انتقال، شما می‌توانید تاریخچه واردات را در بخش تنظیمات مدیریت کرده و برای برخی منابع، امکان بروزرسانی خودکار را فعال کنید تا تغییرات همواره همگام بمانند. ‏در کنار این تغییر، خبر مهم دیگر انتشار رسمی اپلیکیشن ChatGPT برای لینوکس است. نسخه‌های پشتیبانی‌شده شامل موارد زیر هستند: ‏- Ubuntu 24.04 and 26.04 LTS ‏- Debian 13 ‏- Fedora 43 and 44 ‏این ویژگی هم‌اکنون در اپلیکیشن دسکتاپ ChatGPT در دسترس است. اگر این قابلیت را تست کرده‌اید، تجربه خود را از دقت انتقال داده‌ها با ما در میان بگذارید.📊 Data➕Science

⚡ ‏ معرفی نسل جدید مدل‌های خانواده Gemini ‏گوگل از عرضه سه مدل جدید پرده‌برداری کرده است که هرکدام برای نیازهای خاصی بهینه‌سازی شده‌اند. مدل Gemini 3.6 Flash با مصرف ۱۷٪ توکن کمتر نسبت به نسخه 3.5، کیفیت بالاتری را ارائه می‌دهد و با کاهش قیمت، گزینه‌ای اقتصادی‌تر…

‏🎨 انقلاب در ویرایش تصاویر با هوش مصنوعی جدید ByteDance ‏شرکت ByteDance در جدیدترین به‌روزرسانی مدل Seedream 5.0 Pro، قابلیت انقلابی «تفکیک لایه‌ها» (Layer Separation) را معرفی کرده است. ‏با استفاده از این ابزار، مدل به صورت خودکار تصویر تولید شده را به لایه‌های مستقل و قابل ویرایش تقسیم می‌کند. این یعنی شما می‌توانید هر المان را به‌طور جداگانه جابه‌جا کنید، تغییر اندازه دهید، رنگ آن را عوض کرده یا بدون آسیب به ترکیب کلی تصویر، آن را حذف کنید. ‏این قابلیت نیاز به ساخت دستی ماسک‌ها در نرم‌افزارهایی مثل Photoshop یا Figma را به حداقل رسانده و سرعت گردش کار طراحان را به‌شدت افزایش می‌دهد. ‏مهم‌ترین مزایای این قابلیت: ‏- جداسازی هوشمند المان‌ها بدون دخالت کاربر ‏- ویرایش مستقل اجزای تصویر ‏- خروجی بهینه برای ادامه کار در ابزارهای طراحی ‏- حفظ یکپارچگی ترکیب‌بندی در حین تغییرات جزیی📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما#Seedream_5_0_Pro #Layer_Separation

‏🤖 افشای توانمندی‌های خیره‌کننده DeepSeek V4-Pro ‏⚡ گزارش‌های اخیر از اسناد سرمایه‌گذاران نشان می‌دهد که مدل DeepSeek V4-Pro آماده رقابت جدی در صدر بنچمارک‌های جهانی است. این مدل با پشتیبانی از Context Window یک میلیون توکنی، در حوزه برنامه‌نویسی تنها ۰.۳…

‏🚀 مهندسی ایجنت‌های کدنویسی: ارتقای سطح اعتمادپذیری ‏اگر از تلاش برای بهبود خروجی مدل‌های هوش مصنوعی با پرامپت‌های طولانی خسته شده‌اید، وقت آن است که به «مهندسی محیط» یا Harness Engineering روی بیاورید. این رویکرد به جای متکی بودن صرف به هوشمندی مدل، سیستمی را در اطراف ایجنت طراحی می‌کند که بروز خطا را دشوار و خروجی را قابل پیش‌بینی می‌کند. ‏این دوره آموزشی جامع و رایگان به جای تکرار مباحث پایه، بر معماری محیط ایجنت‌هایی مانند Claude Code و Codex تمرکز دارد. ‏مهم‌ترین نکات آموزشی این دوره عبارتند از: ‏* دلایل شکست ایجنت‌های قدرتمند در وظایف پیچیده ‏* استراتژی‌های حفظ حافظه و تداوم کار در جلسات طولانی ‏* نقش حیاتی فایل‌های کنترلی مانند AGENTS.md و feature_list.json در مدیریت وضعیت ‏* تکنیک‌های جلوگیری از اعلام پایان زودهنگامِ وظایف توسط ایجنت ‏* نحوه پیاده‌سازی مکانیزم‌های تست و observability در سیستم توسعه ایجنتیک📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما#Harness_Engineering #Claude_Code