Farewell Notes | یادداشت‌ها

سلام به همگی. برای کسایی که این روزها فقط به اینترنت داخلی ایران دسترسی دارن و می‌خوان کتابخونه‌ها و ابزارهای لازم برنامه‌نویسی، پایتون، یادگیری ماشین و یادگیری عمیق رو دانلود یا نصب کنن، این لینک‌ها احتمالاً خیلی به درد می‌خوره: جستجوی ریپازیتوری، میرور، پکیج و...: https://git.ir/code/ کالج رایگان راهکار‌های توسعه در اینترنت ملی: https://quera.org/college/landpage/27650/Solutions-for-development 1) فهرست کامل میرورها اول از همه این صفحه رو ببینید؛ چون لیست کلی میرورها و سرویس‌های موجود رو یک‌جا دارد: https://runflare.com/mirrors/ https://mirror-pypi.runflare.com/simple/ https://iran.chabokan.net/ https://liara.ir/mirrors/pypi/ 2) میرور PyPI برای نصب کتابخانه‌های پایتون برای نصب خیلی از پکیج‌های پایتونی مثل numpy، scipy، pandas، scikit-learn و خیلی کتابخونه‌های دیگه: راهنما: https://runflare.com/mirrors/pypi-mirror/ آدرس simple index: https://mirror-pypi.runflare.com/simple/ 3) مخازن لینوکس اگر روی لینوکس هستید و برای خود سیستم‌عامل یا پیش‌نیازها به ریپازیتوری داخلی نیاز دارید: راهنما: https://www.arvancloud.ir/fa/dev/linux-repository لینک‌های مستقیم: Ubuntu: http://mirror.arvancloud.ir/ubuntu Debian: http://mirror.arvancloud.ir/debian Debian Security: http://mirror.arvancloud.ir/debian-security Arch Linux: https://mirror.arvancloud.ir/archlinux Manjaro: https://mirror.arvancloud.ir/manjaro/stable 4) میرور Docker اگر با Docker کار می‌کنید و لازم دارید imageها را از مسیر داخلی بگیرید: راهنما: https://www.arvancloud.ir/fa/dev/docker Registry mirror: https://docker.arvancloud.ir 5) مسیرهای کمکی / اختیاری این مورد هم ممکنه در بعضی سناریوها به کار بیاد: https://nugetiran.ir/ موفق باشید. ‌

عزیزم! پاک کُن از چهره اشکت را، ز جا برخیز! تو در من زنده‌ای، من در تو: ما هرگز نمی‌میریم. من و تو با هزاران دگر، این راه را دنبال می‌گیریم. از آنِ ماست پیروزی. از آنِ ماست فردا، با همه شادی و بهروزی. عزیزم! کار دنیا رو به آبادی‌ست. و هر لاله که از خون شهیدان می‌دمد امروز، نوید روز آزادی‌ست. شعر سایه و خوانشِ #شجریان سال نو پُربرکت ❤️. ‌

🔴 فراخوان همکاری به عنوان دستیار آموزشی (TA) از دانشجویان علاقه‌مند، مستعد و دارای تسلط علمی دعوت می‌شود جهت پیوستن به تیم تدریسیاری دروس زیر در ترم جاری، درخواست خود را ثبت نمایند: 🤖 رباتیک و بینایی ماشین 👤 اساتید: دکتر تقی‌راد و مهندس محمدجواد احمدی 🧠 هوش مصنوعی مقدماتی و یادگیری ماشین 👤 استاد: دکتر علیاری 🌐 یادگیری ماشین مقدماتی 👤 استاد: دکتر نیکوفرد 📅 مهلت ثبت‌نام: تا پایان همین هفته 📝 نحوه ارسال درخواست: لطفاً جهت اعلام آمادگی و ارسال رزومه، فرم زیر را تکمیل نمایید: https://docs.google.com/forms/d/e/1FAIpQLScIm1RcNuj8CEFsMD09qwJ97Q4vkZcBYo3cWamiPC7fY7BADw/viewform?usp=publish-editor ‌‌ 📣 لینک عضویت در کانال تلگرامی

‌ 🎞 https://youtu.be/vO2K-gakjo4 ‌ سلام، سلام ❤️ اگر در دنیای تکنولوژی و برنامه‌نویسی فعالیت می‌کنید، احتمالاً با واژه‌های پرطمطراقی مثل میکروسرویس، CTO یا هوش مصنوعی بمباران شده‌اید. اما چقدر از این‌ها نیاز واقعی بیزینس است و چقدرش فقط هیاهو؟ این اپیزود از پادکست، یک مسترکلاس واقعی در باب «مهندسی نرم‌افزار در دنیای واقعی» و «رهبری فنی» است. بر خلاف بسیاری از محتواهای زرد تکنولوژی، این ویدیو حاصل تقابل تجربه‌ی عمیق در بازار ایران و تجربه‌ی شرکت‌های بزرگ بین‌المللی/سیلیکون‌ولی است. ۱. تعریف مجدد نقش CTO (فراتر از کدنویسی) 🔹 توهم عنوان‌ها: در این ویدیو به شدت بر این نکته تاکید می‌شود که در اکوسیستم ایران، عناوین شغلی (CTO, VP of Eng, Tech Lead) اغلب به درستی تعریف نشده‌اند. 🔹 وظیفه اصلی: CTO کسی نیست که لزوماً بهترین برنامه‌نویس شرکت باشد؛ بلکه کسی است که ۵۰٪ ذهنش درگیر بیزینس و ۵۰٪ درگیر تکنولوژی است. وظیفه او همراستا کردن تکنولوژی با اهداف تجاری است، نه پیاده‌سازی آخرین تکنولوژی‌های روز دنیا. 🔹 زمان نیاز به CTO: بسیاری از استارتاپ‌های اولیه به CTO نیاز ندارند، بلکه به یک توسعه‌دهنده ارشد یا مشاور نیاز دارند. استخدام زودهنگام CTO با حقوق بالا، یکی از دلایل شکست استارتاپ‌هاست (هزینه‌تراشی قبل از درآمدزایی). ۲. نقد صریح معماری‌های نرم‌افزاری (میکروسرویس و DDD) 🔸 توسعه رزومه-محور (RDD): یکی از نقاط قوت ویدیو، حمله صریح مهمان برنامه به پدیده "Resume Driven Development" است. بسیاری از تیم‌ها به سمت Microservices یا Clean Architecture می‌روند نه به خاطر نیاز پروژه، بلکه برای اینکه رزومه شخصی خود را پربار کنند. 🔸 میکروسرویس، قاتل استارتاپ‌ها: اکبر رضاییان معتقد است میکروسرویس‌ها بدون زیرساخت و تیم بالغ، بزرگترین ضربه را به پروژه‌های ایرانی زده‌اند. 🔸 مونولیت (Monolith) بد نیست: مصطفی درخشان با مثال‌هایی از شرکت‌های بزرگ (مثل فیس‌بوک)، توضیح می‌دهد که حتی غول‌های فناوری هم بخش‌های بزرگی از سیستمشان هنوز روی ساختارهای یکپارچه (Monolith) است و اولویت همیشه با «پایداری بیزینس» است تا «معماری شیک». ۳. دوگانه «دیتا» در برابر «کد» یک بینش عمیق مطرح شده این است که «کد دور ریختنی است، اما دیتا دارایی است». فریم‌ورک‌ها (React, Next.js, .NET) عوض می‌شوند، اما مدل داده (Data Model) اگر اشتباه طراحی شود، هزینه مایگریشن (مهاجرت) آن می‌تواند کمر شرکت را بشکند. تمرکز معمار نرم‌افزار باید روی پایداری لایه داده باشد. ۴. فرهنگ سازمانی و استخدام (ایران vs خارج) 🔹 استخدام بازجویی‌طور: فرآیند مصاحبه در ایران اغلب شبیه به مچ‌گیری و تخریب متقاضی است، در حالی که در شرکت‌های بین‌المللی (طبق تجربه مصطفی)، تمرکز روی "Culture Fit" و توانایی حل مسئله و کار تیمی است. 🔹 سندروم کارمند خسته: در ایران، معیار کارمند خوب کسی است که تا دیروقت در شرکت بماند (فرهنگ هیئتی)، اما در استاندارد جهانی، کسی که کارش را تا ساعت ۲ تمام می‌کند و چای می‌نوشد، نیروی کارآمدتری است. 🔹 جراحی تیم: گاهی لازم است برای نجات تیم، نیروی سمی (حتی اگر متخصص باشد) اخراج شود. ۵. هوش مصنوعی (AI) و آینده برنامه‌نویسی 🔸 کدنویس vs مهندس: AI جایگزین «کدنویس‌ها» (کسانی که صرفاً سینتکس می‌دانند) خواهد شد، اما جایگزین «مهندسان» (کسانی که تحلیل مسئله و شناخت بیزینس دارند) نمی‌شود. 🔸 خطر برای جونیورها: اتکای بیش از حد به ChatGPT باعث شده نسل جدید برنامه‌نویسان قدرت تحلیل و «چرایی» پشت کد را از دست بدهند. ✨ تماشای این اپیزود برای هر کسی که می‌خواهد از سطح یک برنامه‌نویس ساده فراتر برود و به یک مهندس نرم‌افزار با دید بیزینسی تبدیل شود، واجب است. این ویدیو می‌تواند جلوی بسیاری از تصمیمات اشتباه و پرهزینه در مسیر شغلی یا استارتاپ شما را بگیرد. ‌ حتماً ویدیوی کامل را ببینید و نظرتون رو درباره این چالش‌ها برام بنویسید. به نظر شما بزرگترین اشتباه تیم‌های فنی در ایران چیه؟ 💭👇🏻 https://t.me/Farewell_Notes

CS231n: Deep Learning for Computer Vision ,Stanford - Spring 2025 (Slides, Videos) https://cs231n.stanford.edu/schedule.html https://www.youtube.com/playlist?list=PLoROMvodv4rOmsNzYBMe0gJY2XS8AQg16 #course #youtube

🎯 هیچ‌کس نمی‌تواند حتی دو کار را با هم انجام دهد، چه برسد به چندتا —افسانۀ چندوظیفگی 🔴 در سال‌های اخیر، توانایی جلوبردن هم‌زمان چند کار -اصطلاحاً «چندوظیفگی»- در دنیای کسب‌و‌کار اهمیت زیادی پیدا کرده. کارفرمایان از کارمندان می‌خواهند که چند وظیفه را کنار هم انجام دهند و اگر کارمندی نتواند از عهده برآید که او را سرزنش می‌کنند. حتی برخی در رزومه‌هایشان توانایی «چندوظیفگی» را به‌عنوان یکی از مهارت‌هایشان ذکر می‌کنند. اما ریچارد سایتوئیک، استاد عصب‌شناسی دانشگاه جورج واشنگتن، دربارۀ این موضوع صریح است: مغز هیچ‌کس نمی‌تواند حتی دو کار را همزمان انجام دهد، چه برسد به سه، چهار یا پنج کار. 🔴 سایتوئیک می‌نویسد: چندوظیفگی حتی برای ماشین هم اصطلاح بی‌مسمایی است، چه برسد به انسان. برخلاف همۀ ادعاهای رایج، مغز انرژی لازم برای چنین کاری را ندارد. 🔴 افسانه‌ای قدیمی می‌گوید ما فقط از ۱۰ درصد مغزمان استفاده می‌کنیم. گویا ۹۰ درصد دیگر آن بیکار مانده و نقش ظرفیت ذخیره را بازی می‌کند. بااینکه دقیقاً معلوم نیست این افسانه از کجا شکل گرفته، اما پژوهش‌ها نشان می‌دهد دو سوم مردم آمریکا آن را درست می‌دانند. همین افسانه یکی از دلایل شکل‌گیری ایده‌ای بود که می‌گفت اگر ذهن بچه‌ها را زیر بمباران محرک‌های عصبی -اعم از رنگ‌ها و صداها و کلمات- قرار دهیم، بخش‌های بیشتری از مغزشان درگیر می‌شود و در آینده باهوش‌تر یا بهره‌ورتر می‌شوند. شواهد تجربی هیچگاه چنین نتایجی را نشان نداده است. 🔴 اکثر ما امروزه حداقل نوعی از چندوظیفگی را تجربه می‌کنیم که می‌توانیم آن را «چندوظیفگی رسانه‌ای» بنامیم. مثلاً وقتی که تلویزیون روشن است، اما گوشی هم جلوی چشممان است. 🔴 ممکن است فکر کنیم با «چندوظیفگی رسانه‌ای» هم سریالمان را می‌بینیم، هم با دوستانمان چت می‌کنیم. اما واقعیت این است که هیچ‌وقت نمی‌توانیم این دو کار را درست انجام دهیم. اسکرین‌ها به شکل ویژه‌ای توجه‌طلب‌اند و سهم بزرگی از تمرکز ما را می‌گیرند. حتی نگاهی کوتاه به اسکرین بر ساختار توجه و حافظۀ ما اثری عمیق می‌گذارد. برای مثال، تحقیقی مفصل بر روی ۲۵۷ پرستار بخش مراقبت‌های ویژه در آمریکا نشان داد: اکثر خطاهای دارویی زمانی اتفاق می‌افتند که «ده دقیقه پیش از دادن دارو به مریض» گوشی پرستار زنگ می‌خورد یا پیامی دریافت می‌کند. 🔴 وقتی بفهمیم مغز چگونه انرژی مصرف می‌کند، این حرف که بخشی از مغز ما بلااستفاده مانده است اعتبار خود را از دست می‌دهد. اگرچه در هر لحظه فقط بخش کوچکی از نورون‌های مغز فعالند، اما دلیل آن محدودیت انرژی در دسترس مغز است. 🔴 مغز ما طوری طراحی شده است که تعادلی بین وظایف اساسی‌اش و میزان انرژی در دسترسش برقرار کند. حفظ توجه و هوشیاری در هنگام جابه‌جاشدن نقطهٔ توجه، تمرکزکردن و حفظ تمرکز از انرژی‌برترین کارهایی هستند که مغز ما می‌تواند انجام دهد. به همین دلیل، توجه ما گزینشی است تا مغز بتواند انرژی خود را حفظ کند. یعنی در هر لحظه فقط می‌توانیم بر یک چیز تمرکز کنیم. بنابراین می‌توانیم بگوییم اگر مبنا تحقیقات علمی دربارۀ عملکرد مغز باشد، چندوظیفگی کاری است ابلهانه و بیش‌از‌حد هزینه‌بر که اصولاً امکان موفق‌شدن در آن وجود ندارد. 📌 آنچه خواندید مروری کوتاه است بر مطلب «مغز نمی‌تواند چند کار را با هم انجام دهد، حتی اگر به این توهمِ رایج باور داشته باشیم» که در سی‌وپنجمین شمارۀ مجلۀ ترجمان علوم انسانی منتشر شده است. این مطلب نوشتۀ ریچارد سایتوئیک است و بهناز دهکردی آن را ترجمه کرده است. 📌 برای خرید شمارۀ ۳۵ مجلۀ ترجمان به لینک زیر مراجعه کنید: https://B2n.ir/xt9189 @tarjomaanweb

✨ فراخوان پیوستن به گروه هوش مصنوعی، نرم‌افرار و دادۀ ARAS، همکاری در پروژه‌های هوش مصنوعی با همکاران بین‌المللی ✨ 🎯 اگر در یکی از حوزه‌های زیر «تخصص» یا «علاقه» دارید، جای شما این‌جاست: 🧠 AI/ML: LLMs, VLMs, RAG, Agents | Computer Vision/OCR | MLOps | PyTorch, TensorFlow, LangChain 💻 Software Engineering: Back-End: Python (FastAPI, Django), API Design | Front-End: React, Flutter | UI/UX Design (Figma) 📊 Data & Analytics: SQL, NoSQL, Vector DBs 👥 ما از استعدادهای پرتلاش و باانگیزه استقبال می‌کنیم: 💡 کارآموزها و فریلنسرهای پرانرژی و خلاق 🎓 دانشجوهای کارشناسی و به‌ویژه ورودی‌های جدید کارشناسی ارشد 🔬 پژوهشگرهای دکتری و پسا دکتری ✅ اگر شما فردی هستید که: به حل چالش‌های پیچیده علاقه‌مندید. روحیه کار تیمی و عطش یادگیری دارید. می‌خواهید تأثیری واقعی در دنیای تکنولوژی بگذارید. ... ما مشتاقانه منتظر آشنایی با شما و دیدن توانایی‌هایتان هستیم. رزومهٔ خود را از طریق لینک زیر برای ما ارسال کنید: 🔗 https://survey.porsline.ir/s/hfMzDvYq ‌ LinkdeIn

💙 هوش مصنوعی گوگل به طلای المپیاد ریاضی رسید مدل پیشرفته هوش مصنوعی گوگل، Gemini با قابلیت Deep Think، موفق شد در ارزیابی رسمی کمیته المپیاد جهانی ریاضی (IMO) به امتیاز ۳۵ از ۴۲ برسد؛ عددی که معادل مدال طلای انسانی در این رقابت‌هاست. برخلاف سال گذشته که از ابزارهایی مثل AlphaProof برای ساختاردهی پاسخ‌ها استفاده شد، این بار مدل بدون زبان رسمی ریاضی، پاسخ‌هایی روان، دقیق و قابل فهم نوشت. تمام جواب‌ها توسط داورهای رسمی IMO بررسی و نمره‌دهی شدند. این موفقیت نشان می‌دهد مدل‌های هوش مصنوعی عمومی حالا دیگر صرفاً شبیه‌ساز نیستند، بلکه وارد قلمرویی شده‌اند که پیش‌تر تنها مختص نخبگان انسانی بود. گوگل اعلام کرده نسخه Deep Think ابتدا به دست ریاضی‌دانان منتخب می‌رسد و بعدتر در قالب پلن Ultra عرضه خواهد شد. سؤالات حل‌شده و ارزیابی‌ها در وب‌سایت DeepMind برای عموم در دسترس است، و البته همچنان یک سؤال (سؤال ۶) باقی مانده که هیچ مدلی از پسش برنیامده. جواب‌های این مدل رو در این لینک می‌تونید ببینید. هوش‌مصنوعی در پژوهش، بروزترین ارائه دهنده خدمات #هوش‌مصنوعی در ایران @AI_in_Research

🧠 چرا مدل‌های Claude انتروپیک اینقدر خوبن؟ شاید چون پایه‌ای‌ترین کار رو درست انجام می‌دن: `Instruction Following` توی توییتر انگلیسی یه بحث جالبی راه افتاده بود که چرا حتی مدل‌های اپن‌سورس قوی، گاهی اوقات توی دنبال کردن دستورات ساده هم فاجعه‌ان. قضیه این نیست که مدل یه پرامپت ساده رو بفهمه. بحث سر دستورات پیچیده و چند مرحله‌ایه. مثلاً به مدل بگی: «برای پاراگراف اول از قانون X استفاده کن، ولی برای پاراگراف دوم قانون Y رو اعمال کن.» اکثر مدل‌های اپن‌سورس اینجا به هم می‌ریزن و یا فقط قانون اول رو اعمال می‌کنن یا کلاً قاطی می‌کنن. ریشه‌ی این مشکل چیه؟ یه چیزی به اسم State Tracking. یعنی مدل نمی‌تونه «وضعیت» (state) و قواعدی که بهش دادی رو در طول تولید متن حفظ کنه. اسم یه شخصیت رو توی داستان عوض می‌کنی، وسط راه یادش می‌ره. جنسیت رو تغییر می‌دی، قاطی می‌کنه. نمی‌تونه context رو بین بخش‌های مختلف خروجی حفظ کنه. 📉 این مشکل معماریه یا مشکل آموزش؟ یه عده سریع می‌پرن وسط و می‌گن این یه ضعف ذاتی و معماری تو مدل‌های ترنسفورمره (شبیه به بحث‌های Reversal Curse که آکادمیک‌ها دوست دارن). اما دیدگاه عملی‌تر و به نظر من درست‌تر اینه که این یه post-training skill issue هست. یعنی مشکل از خود معماری نیست؛ مشکل از کیفیت پایین دیتا و پروسه‌های fine-tuning (مثل SFT و RLHF) هست. این یه مهارته که باید بعد از pre-training به مدل تزریق بشه. 🎯 راه حل چیه؟ استفاده از Reinforcement Learning (RL) با محیط‌هایی که مشخصاً برای تست و بهبود instruction following طراحی شدن. دقیقاً همون کاری که انتروپیک استادشه. این نشون می‌ده چرا وقتی با مدل‌های اپن‌سورس (مخصوصاً مدل‌های کوچیک‌تر مثل خانواده Llama 3 8B یا Mistral 7B) کار می‌کنید، حس می‌کنید دستوراتتون رو نادیده می‌گیرن. این اتفاقی نیست، یه چالش اساسیه. طرف داشته با یه مدل 24B کار می‌کرده و دیده گند می‌زنه، تهش برگشته سراغ DeepSeek v3 که ظاهراً تو این زمینه بهتر عمل می‌کنه. خلاصه: توانایی دنبال کردن دستورات پیچیده، یه مزیت رقابتی جدی برای مدل‌های بزرگ و بسته‌ست و یکی از دلایلی که باعث می‌شه حس کنیم «هوشمندترن». در حالی که صرفاً یه مهارت پایه رو بهتر و عمیق‌تر یاد گرفتن. 🛠 Join @LLMEngineers Community

پژوهش‌گر OpenAI در ایکس گفته که جدیدترین مدل خصوصی استدلالی‌شون تونسته با حل ۵ سوال از ۶ سوال به مدال طلا برسه. الکساندر می‌گه که ما تو همون شرایط عادی(۲ تا وقت ۴.۵ ساعته، بدون هیچ ابزاری) سوالات رو به صورت متنی برای مدل دادیم و مدل اون‌ها رو حل کرده و بعد سه داور انسانی که قبلا مدال‌اور بودن اون‌ها رو ارزیابی کرده. مهم‌ترین چیزی که بهش اشاره کرده اینه که این مدل با استفاده از روش جدیدی در یادگیری تقویتی(RL) به‌طور عمومی آموزش دیده و مختص به یک کار خاص مثل حل کردن این سوالات نبوده. بعد ازش پرسیدن که GPT-5 قراره این‌طور باشه؟ گفته نه، این یک مدل تحقیقاتی بوده صرفا و قرار نیست به صورت عمومی عرضه بشه. جواب‌های مدل رو می‌تونید در این لینک ببینید. [L] 🤓 hadi @geekalerts

چرا دستیارهای هوش مصنوعی وسط مکالمه گیج می‌شن؟ اگه تا حالا با مدل‌هایی مثل ChatGPT یا Gemini گفت‌وگو کرده باشین، ممکنه براتون پیش اومده باشه که وقتی اطلاعات رو کم‌کم و مرحله‌به‌مرحله بهشون می‌دین، یه جایی مدل قاطی کنه یا دیگه درست متوجه منظورتون نشه. این موضوع تازگیا تو یه تحقیق مشترک بین مایکروسافت و Salesforce بررسی شده و نتایج جالبی به‌دست اومده. طبق این تحقیق، وقتی اطلاعات به‌صورت تدریجی وارد مکالمه می‌شه، عملکرد حتی بهترین مدل‌های زبانی بزرگ (LLMها) به‌طور میانگین تا ۳۹٪ افت می‌کنه. یعنی تقریباً ۴۰٪ احتمال داره که جواب‌ها نادرست یا کم‌کیفیت‌تر بشن! مشکل اصلی از کجاست؟ مسئله این نیست که مدل «کم‌هوش‌تر» می‌شه، بلکه مشکل اصلی اینه که رفتارش قابل پیش‌بینی نیست. فاصله بین بهترین و بدترین پاسخ‌هاش زیاد می‌شه و شما نمی‌دونین باید به کدومش اعتماد کنین. چرا این اتفاق می‌افته؟ تحقیق چند تا رفتار مشکل‌ساز رو تو مدل‌ها شناسایی کرده: 1. عجله در پاسخ‌دهی: مدل‌ها معمولاً زود قضاوت می‌کنن و حتی وقتی اطلاعات ناقصه، سریع می‌خوان یه جواب نهایی بدن که باعث اشتباه می‌شه. 2. گیر کردن به جواب‌های قبلی: حتی اگه پاسخ قبلی اشتباه بوده باشه، مدل ممکنه به اون بچسبه و ادامه مکالمه رو هم بر همون اساس پیش ببره. این باعث می‌شه جواب‌ها طولانی، مبهم یا حتی متناقض بشن. 3. گم شدن وسط مکالمه: مدل‌ها معمولاً اطلاعاتی که اول یا آخر گفتگو بهشون می‌دین بهتر یادشون می‌مونه، اما اون چیزی که وسط صحبت گفتین، خیلی راحت فراموش می‌شه. آیا مدل‌های قوی‌تر هم همین مشکل رو دارن؟ بله، متأسفانه این الگو در همه‌ی ۱۵ مدلی که توی تحقیق بررسی شدن دیده شده. از جمله GPT-4، Claude 3، Gemini، Llama و حتی مدل‌هایی که برای استدلال طراحی شدن مثل o3 و Deepseek-R1. نتیجه اینه که حتی اگه یه مدل تو تست‌های تک‌مرحله‌ای نمره‌ی بالایی بگیره، تضمینی نیست که تو گفت‌وگوهای چندمرحله‌ای هم خوب عمل کنه. راه‌حل‌هایی مثل خلاصه‌سازی خودکار مکالمه یا کاهش Temperature (برای اینکه مدل مطمئن‌تر جواب بده)، فقط تا حدی مؤثر بودن و نتونستن مشکل اصلی رو کامل برطرف کنن. توصیه‌هایی برای کاربران: اگه حین چت حس کردین مدل داره گیج می‌شه یا دیگه حرفاتون رو درست متوجه نمی‌شه، این چند تا کار ممکنه کمک‌کننده باشه: 🔁 چت جدید شروع کنین: به‌جای اینکه سعی کنین همون گفت‌وگوی قاطی رو ادامه بدین، بهتره مکالمه رو از اول شروع کنین. همون اطلاعات رو دوباره، اما به صورت یکجا و منظم وارد کنین. احتمال اینکه این‌بار مدل بهتر عمل کنه خیلی بیشتره. 📝 ازش بخواین خلاصه کنه: اگه حس کردین گیج شده، ازش بخواین «لطفاً خلاصه‌ای از چیزهایی که تا حالا گفتم بنویس». بعد اون خلاصه رو کپی کنین، توی یه چت جدید بذارین و از اونجا ادامه بدین. اینطوری مدل اطلاعات رو یکجا و منسجم می‌گیره و احتمال اشتباه کم‌تر می‌شه. لینک مقاله @reza_jafari_ai

گوگل مجموعه‌ای از مدل‌های زبانی جدید به اسم T5Gemma رو معرفی کرده که از نوع رمزگذار-رمزگشاست. یعنی دو بخش داره: یکی جمله ورودی رو می‌فهمه (رمزگذار)، یکی با گرفتن اون مقدار جواب می‌ده (رمزگشا). فرقش با مدل‌هایی مثل سری GPT اینه که اونا فقط بخش جواب‌دهی یا رمزگشایی دارن. کاری که گوگل کرده اینه که اومده مدل‌های قبلی رو، که فقط رمزگشا بودن رو با تکنیک انطباق پذیری آموزش داده و تبدیلشون کرده به مدل‌هایی که هم رمزگذار دارن هم رمزگشا. توی این معماری، اول کل جمله‌ی ورودی خوب پردازش می‌شه، بعد مدل شروع می‌کنه به تولید خروجی. این باعث می‌شه مدل بهتر بفهمه و جواب دقیق‌تری بده. مقدار پارامتر بین رمزگذار-رمزگشا تو مدل‌های T5 در بعضی موارد تغییر می‌کنه و ترکیبی از ۹ میلیارد و ۲ میلیارد پارامتره. این مدل‌ها روی HuggingFace قابل دانلودن. [L] 🤓 abolfazl @geekalerts

«توده» با زبان و ابزارِ خود حرف می‌زند. این‌که زبان توده را نمی‌فهمند ایراد از آن‌هاست. هیچ‌کجای دنیا همه مارکس، کانت و هگل نمی‌خوانند. عاملیت از آنِ روشنفکران کاناپه‌ای و پیروان طبقه‌متوسطی تهرانی‌شان نیست. وظیفه‌ی روشنفکرِ مسئول انضمامی‌کردن تمام آن انتزاعیات…

🎯 از کجا بفهمیم آدم نفهمی هستیم؟ 🔴 آیا دور و برتان پر است از آدم‌های احمق و بی‌فرهنگ؟ آدم‌های حوصله‌سربری که لیاقت توجه شما را ندارند؟ آدم‌هایی که می‌توان به‌راحتی آن‌ها را شناخت؟ آدم‌های چاپلوس، متکبر، گنده‌دماغ، وحشی، کله‌پوک و بیشعورهای ازخودراضی و، از همه مهم‌تر، آدم‌های نفهم؟ اریک شویتسگِبِل، استاد فلسفۀ دانشگاه کالیفرنیا، خبری بدی برایتان دارد: اگر بیشتر مواقع جهان را این شکلی می‌بینید، احتمالاً آدم نفهمی هستید. جهان در نظر بیشتر مردم این شکلی نیست، و در واقعیت هم این‌شکلی نیست. 🔴 روان‌شناسان می‌گویند ما معمولاً تمایل داریم تا تصویر مثبتی از خصوصیات خودمان داشته باشیم. بنابراین در مواجهه با سؤال سهمگینِ «آیا من آدم نفهمی هستم؟» خیلی سریع جواب می‌دهیم: «البته که نه!» با‌این‌حال شاید بد نباشد جدی‌تر به این موضوع فکر کنیم. 🔴 اول باید بدانیم «نفهمی» دقیقاً یعنی چه. سه‌نوع شخصیت بیشترین نزدیکی را به «نفهمی» دارند: نارسیسیست‌ها، ماکیاوللیست‌ها و روان‌رنجورها. نفهم‌ها مثل نارسیسیست‌ها خودشان را مهم‌تر از بقیه می‌دانند، اما برخلاف آن‌ها همیشه نمی‌خواهند در مرکز توجه باشند. از طرف دیگر، اگرچه برخوردی ابزاری با بقیه دارند، اما بدبینیِ خودآگاهانۀ ماکیاوللیست‌ها را ندارند. مثلِ روان‌رنجورها سنگدل و خودخواهند، اما برخلاف آن‌ها می‌توانند محاسبه‌گر و محتاط باشند. راستش به تعریف جدیدی از این «واژه» نیاز داریم. 🔴 شویتسگِبِل می‌گوید نفهم‌ها افرادی هستند که به‌طرز ملامت‌انگیزی برای دیدگاه اطرافیان خود ارزش قائل نمی‌شوند. نفهم بودن یعنی نادان بودن به روشی خاص، یعنی غفلت از شایستگی ایده‌های دیگران، بی‌اعتنا بودن به امیال و باورهای آن‌ها و چشم‌پوشی نکردن از تقصیراتشان. 🔴 می‌توانیم از سمتِ دیگری هم مسئله را ببینیم؛ یعنی «فهیم‌بودن» را تعریف کنیم. آدم‌های فهیم کسانی‌اند که به افکار و علایق دیگران اهمیت می‌دهند، گاهی گمان می‌کنند قصور ممکن است از آن‌ها باشد نه طرف مقابل، آن‌ها مسئول و متعهدند و به‌شدت مراقب‌اند که مثلِ نفهم‌ها نباشند. پس می‌توانیم به نتیجه‌ای برسیم: اگر برایتان مهم است که مثلِ نفهم‌ها رفتار نکرده باشید، احتمالاً جزء آن‌ها به‌شمار نمی‌روید. 🔴 سرنخ دیگری هم داریم: «خوب گوش‌کردن». نفهم‌ها به‌سختی می‌توانند به حرف‌های دیگران توجه کنند یا انتقاد‌های آنان را جدی بگیرند. اگر برایتان مهم است که حرف‌های دیگران را مشتاقانه بشنوید، آدم نفهمی نیستید، چون طبیعتِ نفهمی گوش‌نکردن است. 🔴 نفهمی معمولاً خصوصیتی همیشگی نیست. خیلی از ما ممکن است بعضی مواقع یا در مواجهه با برخی آدم‌ها مثل نفهم‌ها رفتار کنیم، و در مواقع دیگر چنین رفتاری نداشته باشیم. بااین‌حال، لازم است از خودمان بپرسیم: «هر چند وقت یک‌بار مثل نفهم‌ها رفتار می‌کنم؟» شاید حافظۀ ما نتواند همۀ این موارد را به‌درستی نگه دارد، اما تکرار این پرسش ما را به خودشناسی بیشتری می‌رساند. همۀ ما گاهی از پشت عینک نفهمی به جهان نگاه می‌کنیم، اما اسیر این بینش نیستیم. 📌 آنچه خواندید مروری کوتاه است بر مطلب «از کجا بدانیم آدم نفهمی هستیم یا نه؟» که در دومین شمارۀ مجلۀ ترجمان علوم انسانی منتشر شده است. این مطلب در تاریخ ۳ آذر ۱۳۹۵ در وب‌سایت ترجمان نیز بارگذاری شده است. این مطلب نوشتۀ اریک شویتسگِبِل است و امیر قاجارگر آن را ترجمه کرده است. برای خواندن نسخه کامل این مطلب و دیگر مطالب ترجمان، به وب‌سایت ترجمان سر بزنید. 📌 ادامۀ مطلب را در لینک زیر بخوانید: https://B2n.ir/mx3203 @tarjomaanweb

‏أحبك طبعاً ‏و إلا ماذا يمكن أن أفعل ‏فی وطن منهوب و حزين؟ حتماً که دوستت دارم! وگرنه در وطنی غمگین و غارت‌شده چه می‌توانستم کنم؟ Music

اگر در آپارتمان بدون زیرزمین زندگی می‌کنید یا مطمئن نیستید ساختاون چقدر مقاوم است، این اقدامات ساده می‌توانند جان شما را نجات بدهند یا خطر رو کاهش بدهند. ● انتخاب امن‌ترین اتاق خانه ○ بدون پنجره یا با کمترین پنجره ○ در مرکز خانه (مثلاً راهرو، سرویس بهداشتی داخلی) ○ دور از دیوارهای خارجی ● ساخت پناهگاه اضطراری داخل خانه ○ در گوشه‌ای از اتاق یا فضای کوچک ○ استفاده از بالش، پتو، میز محکم یا جعبه برای محافظت ○ محافظت از سر با شیشه ضدضربه، پتو یا متکا ● دوری از پنجره و بالکن ○ حتی نگاه کردن از پنجره در زمان هشدار خطرناک است ○ موج انفجار می‌تواند شیشه را بشکند ● اگر ساختمان ناایمن یا قدیمی است: ○ از قبل محل امن‌تری برای پناه (مترو، مدرسه، مسجد...) مشخص کنید ○ در صورت هشدار، فقط اگر فرصت برای خروج امن داشتید، با احتیاط خارج شوید ● وسایل ضروری رو آماده کنید: ○ آب، غذا، دارو، چراغ قوه، پاوربانک، کمک‌های اولیه، مدارک مهم ❗ اگر هیچ جای امنی ندارید: ● کف اتاق دراز بکشید، پشت به دیوار داخلی ● سر را با دست یا بالش بپوشانید ● کنار دیوار خارجی یا وسایل سنگین نباشید t.me/IranSafeZone

این کانال برای دادن اطلاعات مفید و قابل اعتماد برای بالا بردن ایمنی غیرنظامیان در شرایط جنگی و خطرناک ایجاد شده است.

نابودى شما در آن زندگى‌ست كه محصولش شكست است، و زندگى شما در آن مرگى‌ست كه نتيجه‌اش پیروزی‌ست. - علی، درود خدا بر او فَالْمَوْتُ فِي حَيَاتِكُمْ مَقْهُورِينَ وَ الْحَيَاةُ فِي مَوْتِكُمْ قَاهِرِينَ - خطبهٔ ۵۱ نهج‌البلاغه ‌

#موقت 🔴 هشدار امنیتی مفهوم «فاین‌تیون» یا fine-tuning فقط توی دیپ‌لرنینگ نیست؛ توی جنگ‌ها هم کاربرد داره. وقتی دشمن فیلم‌ اصابت موشک‌ها رو ببینه، می‌تونه ازشون برای بهبود دقت حملات بعدی استفاده کنه — دقیق‌تر بزنه. این یادگیری از خطاها، به نفع دشمن تموم می‌شه.…