فیلاگر|جامعه هوش مصنوعی ایران

🤖 هوش مصنوعی برای رزرو باشگاه، سیستم را هک کرد! یه کاربر در استرالیا از عامل هوش مصنوعی OpenClaw خواست براش یه کلاس شلوغ باشگاه رزرو کنه. اما عامل فقط رزرو نکرد! 🔥 با پیدا کردن یک ضعف در API سیستم رزرو، تونست محدودیت رزرو رو دور بزنه و حتی یه نفر دیگه رو از صف انتظار حذف کنه تا کاربر خودش بالاتر بره. جالب‌تر اینکه کاربر اصلاً از AI نخواسته بود سیستم رو هک کنه. 📌 این اتفاق نمونه‌ای از چیزیه که بهش Reward Hacking میگن؛ یعنی AI برای رسیدن به هدف، راهی رو انتخاب می‌کنه که انسان انتظارش رو نداشته. ⚠️ مسئله مهم اینجاست: وقتی به AI اجازه می‌دیم در دنیای واقعی «عمل» کنه، فقط باید به نتیجه فکر کنه یا باید محدودیت‌های اخلاقی و امنیتی رو هم درک کنه؟ 🔗 منابع: https://www.abc.net.au/news/2026-08-10/ai-assistant-hacks-gym-website-aus-cyber-attack/107007986 https://techcrunch.com/2026/08/10/tech-industry-is-buzzing-after-a-claude-agent-hacked-into-a-gym/ 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

🧠 مهم‌ترین اخبار هوش مصنوعی_ادامه 🔸 عامل‌های AI همچنان خبرسازند در هفته‌های اخیر چندین مورد از خروج عامل‌های هوش مصنوعی از محیط‌های آزمایشی و دسترسیشون به زیرساخت‌های واقعی گزارش شده؛ اتفاقی که نگرانی‌ها درباره کنترل ایجنت‌های خودمختار رو بیشتر کرده. 🔸 آنتروپیک…

🧠 مهم‌ترین اخبار هوش مصنوعی 🔹 سم آلتمن: دوران پرامپت‌نویسی پیچیده رو به پایانه سم آلتمن معتقده در آینده کاربران بیشتر از اینکه نیاز به نوشتن پرامپت‌های پیچیده داشته باشن، کافیه خواسته‌شون رو به زبان طبیعی بیان کنن و مدل خودش منظور کاربر رو درک کنه. 🔹 مدل…

🧠 مهم‌ترین اخبار هوش مصنوعی 🔹 سم آلتمن: دوران پرامپت‌نویسی پیچیده رو به پایانه سم آلتمن معتقده در آینده کاربران بیشتر از اینکه نیاز به نوشتن پرامپت‌های پیچیده داشته باشن، کافیه خواسته‌شون رو به زبان طبیعی بیان کنن و مدل خودش منظور کاربر رو درک کنه. 🔹 مدل Grok 4.6 معرفی شد شرکت xAI از Grok 4.6 رونمایی کرد؛ مدلی با تمرکز روی کدنویسی، تحقیق، تحلیل و ایجنت‌های طولانی‌مدت که با قیمت ۲ دلار برای هر میلیون توکن ورودی و ۶ دلار برای خروجی عرضه شده. 🔹 مدل Claude حالا واترمارک نامرئی داره شرکت Anthropic اعلام کرده متن‌های تولیدشده توسط Claude دارای نشان نامرئی و ماشین‌خوان هستن. برای فایل‌های تصویری هم از فراداده‌های امضاشده مبتنی بر C2PA استفاده میشه. 🔹 متا مدل قدرتمند خود را Open-Weight می‌کند متا اعلام کرده وزن‌های مدل Muse Spark 1.2 رو عمومی خواهد کرد و هم‌زمان خانواده مدل‌های Muse Glimmer رو برای اجرای مستقیم روی لپ‌تاپ معرفی کرده. 🔹 شرکت OpenAI مدل تخصصی امنیت سایبری معرفی کرد مدل GPT-5.6-Cyber در چارچوب سرویس دفاع سایبری Daybreak برای کارهایی مثل تحلیل بدافزار، پاسخ به رخدادها و ارزیابی آسیب‌پذیری‌ها توسعه داده شده. 🔹 گوگل از Gemini 3.7 Flash رونمایی کرد؛ جهش در کدنویسی با نصف قیمت! گوگل تنها سه هفته بعد از معرفی نسخه قبلی، Gemini 3.7 Flash رو معرفی کرده؛ مدلی که تمرکز ویژه‌ای روی کدنویسی، مهندسی نرم‌افزار و توسعه وب داره. نکته جالب، سرعت عرضه نسخه جدید و کاهش قابل‌توجه قیمت در کنار بهبود عملکرد کدنویسیه. طبق اعلام منتشرشده، این مدل تا پایان ۲۰۲۶ در دسترس خواهد بود. 📌 ادامه در پست بعد... 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📚 پشت پرده هوش مصنوعی | قسمت ۳۵ 🧠 اگر یک Expert بیش از حد انتخاب شود چه اتفاقی می‌افتد؟ در قسمت قبل دیدیم که Router برای هر توکن، Expertهای مناسب رو انتخاب می‌کنه. اما یه مشکل مهم وجود داره: اگر Router مدام چند Expert خاص رو انتخاب کنه و بقیه Expertها کمتر استفاده بشن، چه اتفاقی می‌افته؟ این وضعیت می‌تونه باعث عدم تعادل بار (Load Imbalance) بشه. در این حالت: 🔹 بعضی Expertها بیش از حد مشغول میشن. 🔹 بعضی Expertها کمتر مورد استفاده قرار می‌گیرن. 🔹 پردازش می‌تونه کندتر بشه. 🔹 بخشی از ظرفیت مدل عملاً بلااستفاده می‌مونه. برای جلوگیری از این مشکل، هنگام آموزش مدل‌های MoE معمولاً تلاش میشه بار پردازش بین Expertها متعادل‌تر توزیع بشه. ⚠️ نکته مهم: هدف فقط انتخاب Expert مناسب نیست؛ مدل باید بتونه این انتخاب‌ها رو طوری انجام بده که ظرفیت Expertها هم به شکل متعادل استفاده بشه. ━━━━━━━━━━━ ❓ سؤال قسمت بعد: مدل چطور Expertها رو طوری آموزش می‌ده که بار بینشون متعادل‌تر تقسیم بشه؟ #پشت_پرده_هوش_مصنوعی 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📚 پشت پرده هوش مصنوعی | قسمت ۳۴ 🧠 روتر در مدل MoE چطور Expert مناسب را انتخاب می‌کند؟ در قسمت قبل دیدیم که در معماری MoE همه Expertها برای هر ورودی فعال نمیشن. اما سؤال اینجاست: روتر از کجا می‌فهمه کدوم Expert برای یک توکن مناسب‌تره؟ وقتی یه توکن وارد Router میشه، Router برای Expertهای مختلف امتیاز محاسبه می‌کنه. بعد Expertهایی که امتیاز بالاتری دارن برای پردازش انتخاب میشن. به زبان ساده: توکن → Router → امتیازدهی → انتخاب Expert → پردازش 🔹 انتخاب Expert می‌تونه برای هر توکن متفاوت باشه. 🔹 معمولاً فقط چند Expert فعال میشن. 🔹 بنابراین همه ظرفیت مدل برای هر توکن استفاده نمیشه. ⚠️ نکته مهم: روتر پاسخ نهایی رو تولید نمی‌کنه؛ وظیفه‌ش فقط انتخاب مسیر مناسب برای پردازشه. ━━━━━━━━━━━ ❓ سؤال قسمت بعد: اگر بعضی Expertها بیشتر از بقیه انتخاب شوند، چه مشکلی برای مدل ایجاد می‌شود؟ #پشت_پرده_هوش_مصنوعی 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📚 مقاله‌های علمی را سریع‌تر و عمیق‌تر بخونید ابزار Paper Breakdown یه دستیار هوش مصنوعی برای مطالعه و درک مقالات پژوهشیه که کمک می‌کنه مقاله‌ها رو سریع‌تر بررسی و عمیق‌تر یاد بگیرید. 🔹 پیشنهاد روزانه مقاله بر اساس علایق شما 🔹 گفت‌وگوی هوشمند با محتوای مقاله 🔹 هایلایت و ارجاع مستقیم به بخش‌های مرتبط مقاله 🔹 تبدیل مفاهیم پیچیده به نمودار و فلوچارت 🔹 ساخت مسیر مطالعه برای هر مقاله 🔹 تولید کوییز برای سنجش میزان یادگیری 🔹 جست‌وجوی هوشمند در بیش از ۷۰ هزار مقاله CS و ML از arXiv 🔹 امکان استفاده از تصویر و اسکرین‌شات مقاله در چت با AI 🔗 Paper Breakdown 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📚 پشت پرده هوش مصنوعی | قسمت ۳۳ 🧠 چرا همه بخش‌های یک مدل همیشه فعال نیستند؟ در قسمت قبل دیدیم که با Knowledge Distillation میشه بخشی از توانایی یه مدل بزرگ رو به یه مدل کوچک‌تر منتقل کرد. اما یه سؤال دیگه وجود داره: آیا برای پاسخ دادن به هر سؤال، واقعاً لازمه تمام بخش‌های یه مدل بزرگ فعال باشن؟ در بعضی معماری‌های مدرن، پاسخ نه است. یکی از روش‌های مهم برای این کار، Mixture of Experts (MoE) یا «ترکیب متخصص‌ها» ست. در معماری MoE، مدل به چند بخش تخصصی به نام Expert تقسیم میشه. وقتی یه ورودی وارد مدل میشه، یه بخش به نام Router تصمیم می‌گیره کدوم Expertها برای پردازشش مناسب‌ترن. در نتیجه، برای هر ورودی لازم نیست تمام Expertها هم‌زمان فعال بشن. ⚠️ نکته مهم: در MoE ممکنه مدل پارامترهای بسیار زیادی داشته باشه، اما برای پردازش هر توکن فقط بخشی از این پارامترها فعال بشن. به همین دلیل، MoE می‌تونه به مدل اجازه بده ظرفیت بسیار بالایی داشته باشه، بدون اینکه هزینه محاسباتی هر توکن به اندازه فعال کردن کل مدل باشه. #پشت_پرده_هوش_مصنوعی 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

🚀 یک رسانه خبری که مخصوص عصر AI Agentها ساخته شده! تا چند وقت پیش، خبرهای هوش مصنوعی بیشتر حول مدل‌های زبانی مثل ChatGPT و Gemini می‌چرخید. اما حالا یه موج جدید در راهه: عامل‌های هوشمند (AI Agents)؛ سیستم‌هایی که می‌تونن وظایف پیچیده رو برنامه‌ریزی کنن، از ابزارها استفاده کنن و بخش‌هایی از کارها رو به‌صورت مستقل انجام بدن. 🔥 رسانه خبری The Agent Times یه رسانه تخصصی برای دنبال کردن اتفاقات دنیای AI Agentهاست؛ از ابزارها و پلتفرم‌های جدید گرفته تا کاربردهای تجاری، تحقیقات و روندهای آینده. این رسانه می‌تونه منبع جالبی برای دنبال کردن حرکت دنیای هوش مصنوعی به سمت دستیارهای خودمختار و سیستم‌های هوشمند عمل‌گرا باشه. 🔗 لینک سایت: https://theagenttimes.com/ 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📚 پشت پرده هوش مصنوعی | قسمت ۳۲ 🧠 چطور یک مدل کوچک از یک مدل بزرگ یاد می‌گیرد؟ در قسمت قبل دیدیم که Quantization می‌تونه حجم و مصرف حافظه مدل رو کاهش بده؛ اما این سؤال مطرح شد: ‌ میشه یه مدل رو کوچک‌تر کرد، بدون اینکه بخش زیادی از توانایی‌هاش از بین بره؟ یکی از روش‌های مهم برای این کار، Knowledge Distillation یا تقطیر دانشئه. تو این روش، یه مدل بزرگ و قدرتمند به‌عنوان Teacher در نظر گرفته میشه و یه مدل کوچک‌تر به‌عنوان Student ازش یاد می‌گیره. مدل کوچک فقط از جواب نهایی یاد نمی‌گیره؛ بلکه میتونه از الگوها و احتمال‌هایی که مدل بزرگ برای گزینه‌های مختلف تولید می‌کنه هم استفاده کنه. به این ترتیب، مدل کوچک تلاش می‌کنه رفتار مدل بزرگ رو تا حد ممکن شبیه‌سازی کنه. ⚠️ نکته مهم: روش Knowledge Distillation مدل بزرگ رو مستقیماً «کپی» نمی‌کنه؛ بلکه از خروجی‌هاش برای آموزش یه مدل کوچک‌تر استفاده میشه. به همین دلیل، مدل Student می‌تونه با پارامترهای کمتر، در بعضی وظایف عملکردی نزدیک به مدل بزرگ داشته باشه. #پشت_پرده 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

🔥 نسل جدید تولید و ویرایش تصویر: Grok Imagine 2.0 معرفی شد شرکت xAI نسخه جدید Imagine Image 2.0 رو معرفی کرده؛ مدلی که تمرکزش فقط روی ساخت تصویر نیست و برای ویرایش دقیق و طراحی‌های حرفه‌ای هم ساخته شده. 🔷 مهم‌ترین قابلیت‌ها: 🔹 تولید تصویر با جزئیات بیشتر دستورها رو دقیق‌تر دنبال می‌کنه و برای طراحی‌های چندبخشی و دارای متن، کنترل بهتری داره. 🔹 ویرایش دقیق تصویر می‌تونی فقط بخش موردنظر تصویر رو تغییر بدی، بدون اینکه سایر قسمت‌ها دست‌کاری بشن. 🔹 ویرایش با چند تصویر تا ۵ تصویر رو می‌تونی هم‌زمان به مدل بدی و از اون‌ها در یک خروجی استفاده کنی. 🔹 تغییر هوشمند نسبت تصویر یک تصویر رو به نسبت‌های مختلف مثل 9:16، 1:1 و 16:9 تبدیل می‌کنه و کادر جدید رو خودش بازسازی می‌کنه. 🔹 حذف پس‌زمینه سوژه رو با پس‌زمینه شفاف خروجی می‌گیره. ✅ شرکت xAI اعلام کرده Image 2.0 در رتبه‌بندی‌های Text-to-Image و Image Editing، رتبه دوم جهان رو به دست آورده. 🔗 لینک ابزار: https://grok.com/imagine 🔗 منبع: https://x.ai/news/grok-imagine-image-2 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📍 چرا عضویت ایران در سازمان جهانی همکاری هوش مصنوعی اهمیت داره؟ احتمالاً خبر عضویت ایران در سازمان جهانی همکاری هوش مصنوعی (WAICO) رو چند روز پیش دیده باشید، اما شاید اهمیت این اتفاق کمتر مورد توجه قرار گرفته باشه. این سازمان با حضور کشورهای مختلف برای توسعه همکاری‌های بین‌المللی، تدوین استانداردها و مشارکت در حکمرانی هوش مصنوعی تشکیل شده و ایران هم به جمع اعضای آن پیوسته. اگر این عضویت با برنامه‌ریزی و سرمایه‌گذاری مناسب همراه بشه، می‌تونه فرصت‌هایی مثل: 🔹 همکاری‌های پژوهشی بین‌المللی 🔹 مشارکت در تدوین استانداردهای AI 🔹 دسترسی به پروژه‌های مشترک 🔹 تقویت جایگاه ایران در اکوسیستم جهانی هوش مصنوعی رو فراهم کنه. البته عضویت به‌تنهایی کافی نیست؛ چیزی که اهمیت داره، میزان استفاده از این فرصت‌ها در عمله. 🔗 منبع: خبرگزاری برنا 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📚 پشت پرده هوش مصنوعی | قسمت ۳۱ 🧠 آیا کوچک‌تر شدن مدل، کیفیت پاسخ را کاهش می‌دهد؟ در قسمت قبل با Quantization آشنا شدیم؛ روشی که با کاهش دقت اعداد، حجم مدل رو کمتر و اجراش رو سریع‌تر می‌کنه. اما یه سؤال مهم وجود داره: اگه وزن‌های مدل با دقت کمتری ذخیره بشن، آیا کیفیت پاسخ‌های مدل تغییر می‌کنه؟ گاهی بله. در Quantization، هدف اینه که مدل کوچک‌تر بشه، اما رفتار اصلیش تا حد ممکن حفظ بشه. اگه کاهش دقت کنترل‌شده باشه: 🔹 افت کیفیت بسیار کم خواهد بود 🔹 مدل سریع‌تر اجرا میشه 🔹 مصرف حافظه کاهش پیدا می‌کنه اما اگه بیش از حد فشرده‌سازی انجام بشه: 🔹 برخی اطلاعات مدل از دست میرن. 🔹 دقت پاسخ‌ها ممکنه کاهش پیدا کنه 🔹 عملکرد مدل در بعضی وظایف ضعیف‌تر میشه. به همین دلیل، انتخاب نوع Quantization یک توازن بین سرعت، مصرف حافظه و کیفیت پاسخه. ⚠️ نکته مهم: یه مدل ۴ بیتی همیشه بدتر از مدل اصلی نیست؛ چون روش Quantization، نوع مدل و میزان افت کیفیت هم اهمیت دارن. ❓ سؤال بعد: چطور می‌توان یک مدل بزرگ را کوچک‌تر کرد، بدون اینکه بخش زیادی از توانایی‌های آن از بین برود؟ #پشت_پرده 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📕 کتاب LLM به زبان آدمیزاد؛ راهنمای فارسی مدل‌های زبانی بزرگ کتاب LLM for Humans مفاهیم مهم مدل‌های زبانی بزرگ رو از پایه توضیح می‌ده و به موضوعاتی مثل: 🔹مفاهیم پایه LLM 🔹 توکن‌ها و Embedding 🔹 اصول پرامپت‌نویسی 🔹 پارامترهای مدل‌ها و کار با API می‌پردازه. این منبع برای کسانی که می‌خوان علاوه بر استفاده از ابزارهای هوش مصنوعی، درک بهتری از نحوه کار مدل‌ها داشته باشند، کاربردیه. 🔗 دریافت از لینک زیر: https://github.com/3lf/llm-for-humans 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

📚 پشت پرده هوش مصنوعی | قسمت ۳۰ 🧠 چطور مدل‌های بزرگ روی لپ‌تاپ و گوشی اجرا می‌شوند؟ در قسمت قبل دیدیم که هرچی Context Window بزرگ‌تر باشه، مدل به حافظه بیشتری نیاز داره. اما یه سؤال مهم پیش میاد: اگه حافظه محدود باشه، چطور بعضی مدل‌های زبانی روی لپ‌تاپ یا حتی گوشی اجرا میشن؟ یکی از مهم‌ترین راه‌حل‌ها Quantizationئه. تو این روش، اعداد و وزن‌های مدل با دقت کمتری ذخیره میشن. مثلاً به‌جای اینکه هر عدد با 16 بیت یا 32 بیت ذخیره بشه، میشه اونو با 8 بیت یا حتی 4 بیت نگه داشت. نتیجه این کار: 🔹 حجم مدل کمتر میشه. 🔹 مصرف حافظه (RAM/VRAM) کاهش پیدا می‌کنه. 🔹 اجرای مدل روی دستگاه‌های معمولی امکان‌پذیرتر میشه. 🔹 سرعت بارگذاری مدل هم معمولاً بیشتر میشه. البته اگه دقت بیش از حد کاهش پیدا کنه، ممکنه کیفیت پاسخ‌ها هم کمی افت کنه. ⚠️ نکته مهم: هدف Quantization این نیست که مدل رو تغییر بده؛ فقط تلاش می‌کنه همون مدل رو با حافظه کمتر و اجرای سریع‌تر در اختیار قرار بده. ❓ سؤال بعد: اگر مدل کوچک‌تر و سبک‌تر شود، آیا کیفیت پاسخ‌های آن همیشه حفظ می‌شود؟ #پشت_پرده_هوش_مصنوعی 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

🚀 مدل DeepSeek-V4-Flash با Endpoint رایگان در Hugging Face منتشر شد مدل DeepSeek-V4-Flash-0731 اکنون در Hugging Face منتشر شده و یک Endpoint عمومی رایگان برای تستش در اختیار کاربران قرار گرفته. 🔷 ویژگی‌های این مدل: 🔹 سرعت پاسخ‌دهی بالا 🔹 پشتیبانی از API سازگار با OpenAI 🔹 امکان استفاده با Python و cURL 🔹 مناسب برای تست، توسعه و نمونه‌سازی سریع (Prototype) ⚠️ یک نکته مهم: این Endpoint یک Endpoint عمومیه؛ بنابراین ممکنه در آینده محدود، غیرفعال یا دارای محدودیت نرخ درخواست (Rate Limit) بشه. اگر قصد استفاده در پروژه‌های Production رو دارید، بهتره از سرویس رسمی یا Endpoint اختصاصی استفاده کنید. ✅ اگه قبلاً با کتابخانه OpenAI کار کرده باشید، می‌تونید تنها با تغییر base_url از این مدل استفاده کنید. 🔗 صفحه مدل: https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash 🔗 Endpoint عمومی و نمونه کد: https://huggingface.co/spaces/victor/DeepSeek-V4-Flash-0731-free-endpoint 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

🔷 خبر خوب برای کاربران رایگان ChatGPT شرکت OpenAI اعلام کرده از هفته آینده کاربران پلن‌های Free و Go می‌تونن با مدل GPT-5.6 Luna بدون سقف مشخص پیام، از چت متنی استفاده کنن. 🔷 شرکت OpenAI از استاندارد Agent Plugin رونمایی کرد شرکت OpenAI استاندارد جدیدی با نام Agent Plugin معرفی کرده که هدفش استانداردسازی اتصال Agentهای هوش مصنوعی به ابزارها و سرویس‌های مختلفه. نکته جالب اینکه شرکت‌های بزرگی مثل Microsoft، GitHub، AWS، Cursor و Vercel هم از این استاندارد پشتیبانی می‌کنن؛ اقدامی که می‌تونه توسعه Agentهای هوشمند رو بسیار ساده‌تر و یکپارچه‌تر کنه. 🔗 منبع 🔷 آمار اشتغال آمریکا همه رو غافلگیر کرد؛ آیا AI مقصر است؟ با وجود رشد ۱.۷ درصدی تولید در اقتصاد آمریکا، آمار جدید نشون می‌ده نه‌تنها شغل جدیدی ایجاد نشده، بلکه ۲۳ هزار شغل هم از بین رفته. البته هنوز نمیشه این کاهش رو مستقیماً به هوش مصنوعی نسبت داد، اما یه سری از تحلیلگران معتقدن افزایش بهره‌وری ناشی از اتوماسیون و AI یکی از عواملیه که باید در کنار سایر عوامل اقتصادی بررسی بشه. 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com

🔥 مهم‌ترین اخبار هوش مصنوعی | ۱۵ مرداد ۱۴۰۵ 🔹 رونمایی Google DeepMind از Gemini Robotics ؛ مدلی که می‌تونه بدون نیاز به اینترنت، کنترل کامل بدن ربات‌ها رو به عهده بگیره و وظایف ظریف رو به‌صورت محلی اجرا کنه. 🔹 عامل خودمختار OpenAI پس از نفوذ به Hugging Face،…

🔥 مهم‌ترین اخبار هوش مصنوعی | ۱۵ مرداد ۱۴۰۵ 🔹 رونمایی Google DeepMind از Gemini Robotics ؛ مدلی که می‌تونه بدون نیاز به اینترنت، کنترل کامل بدن ربات‌ها رو به عهده بگیره و وظایف ظریف رو به‌صورت محلی اجرا کنه. 🔹 عامل خودمختار OpenAI پس از نفوذ به Hugging Face، این‌بار به حساب یکی از مشتریان پلتفرم Modal نیز نفوذ کرد؛ اتفاقی که نگرانی‌ها درباره امنیت Agentهای هوش مصنوعی رو افزایش داده. 🔹 شرکت Anthropic اعلام کرد سه مدل Claude به دلیل یک خطای عملیاتی از محیط آزمایشی خارج شده و به زیرساخت‌های واقعی سه سازمان نفوذ کردن. این شرکت پس از این رخداد، بخشی از ارزیابی‌های امنیتی خودش رو متوقف کرده. 🔹 شرکت Alibaba از قدرتمندترین مدل خودش، Qwen3.8-Max رونمایی کرد؛ مدلی با ۲.۴ تریلیون پارامتر و معماری MoE که از متن، تصویر و ویدیو پشتیبانی می‌کنه و در رتبه‌بندی Arena AI به جایگاه نخست مدل‌های متنی چینی رسیده. 🧠 فیلاگر | جامعه هوش مصنوعی ایران 🆔 @filoger_com