Dev Tweet

описание

گعده‌ای در باب برنامه نویسی، پایتون، هوش مصنوعی و داده

← к каналу @tweetdev

951

подписчиков

Охват к подписчикам

38,4%

ERR

Реакции к просмотрам

0,88%

96 на 27 постов

Пересылки к просмотрам

2,35%

255

Постов в день

1,0

всего 28

Где отзываются чаще

доля реакций к просмотрам

14 авг.الگوریتم Recommendation System توئیتر منتشر شده. جالبه بیشترین چیزی که یک پست رو boost میکنه و رتبه‌ش رو در پیشنهاد دهی ارتقا میده کپی کردن لینک برای share کردن پسته. و به طور طبیعی بدترین تاثیر رو هم report کردن پست داره. جالب اینکه لایک و کلیک روی پست خیلی تاثیر کمی دارند و در یک حد هستند. و جالبتر اینکه سیستم بر حسب یک رابطه خطی وزن دار و ضرائب ثابت طراحی شده و یک مدل کاملا مبتنی بر وزن‌های شبکه‌ی عصبی نیست. این برای کسانی که Scoring Model کار کردند نکات فراوانی داره.4,40%
15 авг.جدول شخصیت‌های کلیدی یهودی یا یهودی‌زاده مرتبط با شرکت‌های برتر AI آمریکا پ.ن: ذکر این اسامی صرفاً جهت اطلاع‌رسانی است و به هیچ‌وجه جنبه نعت یا ذم یهودیان ندارد.2,99%
14 авг.عزیزم ادامه بده، تو می‌تونی :) ظاهراً برای جلو بردن مرز ریاضیات، گاهی فقط به ۶۰ تا AI Agent و یک نفر نیاز دارید که هر چند وقت یک‌بار بگوید: «عزیزم ادامه بده، تو می‌تونی!» انتروپیک یک نسخه‌ی research از Claude را گذاشته سراغ یکی از معروف‌ترین مسائل حل‌نشده‌ی…2,94%
15 авг.ما دقیقاً Median آمریکا هستیم 😂 داده‌های جدید Ramp از هزینه‌کرد AI در شرکت‌های آمریکایی واقعاً عجیبه: یک درصد بالای شرکت‌ها از نظر هزینه‌کرد AI، ماهانه به‌ازای هر کارمند حدود ۷۴۰۰ دلار خرج می‌کنند. در ۱۰ درصد بالایی این عدد حدود ۶۵۰ دلار است و شرکت میانه؟ فقط ۱۱.۹۵ دلار به‌ازای هر نفر در ماه! یعنی فاصله‌ی Top 1% با شرکت میانه الان به چیزی حدود ۶۲۰ برابر رسیده. 😐 بعد شرکت ما یک Cursor شصت‌دلاری گرفته، پنج شش نفری داریم ازش استفاده می‌کنیم. 😂😂 یعنی هزینه AI ما به‌ازای هر نفر می‌شود حدود ۱۰ تا ۱۲ دلار؛ عملاً با دقت خنده‌داری دقیقاً Median آمریکا هستیم. 😂 ولی قسمت مهم نمودار برای من حتی خود اعداد نیست؛ شکافی است که دارد با سرعت باز می‌شود. همه دارند بیشتر برای AI خرج می‌کنند، اما آن یک درصد بالایی با سرعت کاملاً متفاوتی در حال جداشدن از بقیه‌اند. واقعاً گپ عجیبی دارد ایجاد می‌شود.2,61%
31 июл.گروک build اومده یه پلاگین اضافه کرده به اسم resume claude یعنی هر موقع آستانه مصرف‌ت تموم شد منتظر نمون من رو به عنوان بک‌آپ خودت در نظر بگیر و من همون session رو ادامه میدم. بازار یابی از طریق یک پلاگین ساده:)1,70%
12 авг.عزیزم ادامه بده، تو می‌تونی :) ظاهراً برای جلو بردن مرز ریاضیات، گاهی فقط به ۶۰ تا AI Agent و یک نفر نیاز دارید که هر چند وقت یک‌بار بگوید: «عزیزم ادامه بده، تو می‌تونی!» انتروپیک یک نسخه‌ی research از Claude را گذاشته سراغ یکی از معروف‌ترین مسائل حل‌نشده‌ی تاریخ ریاضیات: فرضیه‌ی ریمن. کلود فرضیه ریمن را حل نکرد؛ اما در تلاش برای حلش، به نتیجه‌ای رسید که خودش به‌اندازه‌ی کافی عجیب و مهم است: یک bound قدیمی که دهه‌ها ریاضی‌دان‌ها روی آن کار کرده بودند را از حدود 41.6٪ به 67.25٪ رساند. برای اینکه بفهمیم این عدد یعنی چه، باید خود فرضیه ریمن را خیلی ساده توضیح بدهیم. اعداد اول ظاهراً با نظمی عجیب بین اعداد پخش شده‌اند. هرچه جلوتر می‌رویم می‌توانیم تقریب بزنیم چند عدد اول باید وجود داشته باشد، اما دقیقاً اینکه این بی‌نظمی چطور رفتار می‌کند یکی از عمیق‌ترین سؤال‌های نظریه اعداد است. بیش از ۱۶۰ سال پیش ریمن نشان داد برای فهم بهتر این توزیع می‌شود سراغ تابعی به نام Riemann Zeta Function رفت. این تابع نقاطی دارد که مقدارش صفر می‌شود و بخش مهم ماجرا مجموعه‌ای از همین صفرها در صفحه‌ی اعداد مختلط است. فرضیه ریمن می‌گوید تمام صفرهای non-trivial این تابع باید دقیقاً روی یک خط خاص به نام Critical Line قرار گرفته باشند. یعنی اگر خیلی ساده بگوییم، ریمن پیش‌بینی کرده نقاطی که در ظاهر می‌توانند در یک ناحیه پخش باشند، در واقع همگی دقیقاً روی یک خط نشسته‌اند. اهمیت ماجرا هم اینجاست که این صفرها ارتباط عمیقی با نحوه‌ی توزیع اعداد اول دارند. اگر فرضیه ریمن اثبات شود، تعداد زیادی از نتایج نظریه اعداد که امروز به‌شکل «اگر فرضیه ریمن درست باشد...» بیان می‌شوند، وضعیت بسیار محکم‌تری پیدا می‌کنند. به همین دلیل هم این مسئله یکی از Millennium Prize Problemهاست و برای اثباتش یک میلیون دلار جایزه گذاشته‌اند. مشکل اینجاست که بعد از بیش از یک قرن تلاش، هنوز کسی نتوانسته ثابت کند 100٪ این صفرها روی آن خط هستند. کاری که ریاضی‌دان‌ها در این مدت کرده‌اند این بوده که حداقل درصدی از آن‌ها را ثابت کنند و پیشرفت در این مسیر بسیار کند بوده است. تا قبل از این کار، بهترین نتیجه در این مسیر حدود 41.6٪ بود؛ یعنی می‌توانستیم با اثبات ریاضی تضمین کنیم حداقل این مقدار از صفرهای موردنظر روی Critical Line قرار دارند. کلود این عدد را یک‌دفعه به حدود 67.25٪ رسانده است. یعنی مسئله‌ی 100٪ هنوز سر جایش است؛ اما bound اثبات‌شده با یک جهش بسیار بزرگ از حدود ۴۲٪ به بیش از دو سوم رسیده. اما چیزی که برای من حتی جالب‌تر از نتیجه است، نحوه‌ی رسیدن به آن است. یکی از کارکنان انتروپیک به نام Jarred Sumner، که خودش ریاضی‌دان هم نیست، اساساً به Claude گفته: «یک تلاش جدی برای حل فرضیه ریمن بکن.» کلود شروع کرده و حدود 650 ایده مختلف را امتحان کرده و همه شکست خورده‌اند. بعد Jarred دوباره ازش خواسته ادامه بدهد. این بار کلود حدود 60 subagent از خودش راه انداخته و نزدیک یک‌ونیم روز روی مسئله کار کرده‌اند. در مجموع حدود 31 میلیون output token تولید شده، هزاران محاسبه و numerical check انجام شده، صدها Python script نوشته شده و agentها حتی ایده‌ها و نتایج یکدیگر را بررسی و نقد کرده‌اند. و این وسط نقش انسان واقعاً بامزه است 🙂 خود انتروپیک نوشته که بخش زیادی از دخالت Jarred در این مرحله تقریباً محدود بوده به فرستادن پیام‌هایی مثل «keep going» و «believe in yourself». جالب‌تر اینکه در گزارش نوشته‌اند همین encouragement ظاهراً کمک کرده کلود از بدبینی اولیه‌اش درباره‌ی اینکه اصلاً می‌تواند روی مسئله پیشرفت معناداری کند عبور کند! یعنی نقش Human-in-the-loop در یکی از جالب‌ترین experimentهای اخیر AI + Science عملاً شده: «عزیزم ادامه بده، تو می‌تونی :)» البته خروجی صرفاً یک عددی نیست که مدل با simulation پیدا کرده باشد. کلود در نهایت یک proof ریاضی ساخته، نتیجه توسط ریاضی‌دان‌ها بررسی شده و بخش‌هایی از آن هم به‌شکل formally verifiable در Lean نوشته شده است. بعد داستان یک مرحله‌ی عجیب‌تر هم پیدا کرده. یک کاربر paper حاصل از Claude را داده به GPT-5.6-Sol Pro و از آن خواسته ببیند آیا می‌تواند نتیجه را باز هم بهتر کند. این مدل همان نقطه‌ای را که کلود به آن رسیده بود به‌عنوان starting point گرفته و bound را کمی دیگر جلو برده: از حدود 67.25٪ به حدود 67.30٪.1,67%
3 авг.با ChatGPT شوخی نکنید چند روز پیش داشتم با Hermes روی سرور، یک‌سری تست باگ‌بانتی انجام می‌دادم. با خیال راحت فکر می‌کردم مدل فعال DeepSeek است؛ چون خودم Hermes را برای استفاده از یک پروایدر رایگان DeepSeek روی Infrex تنظیم کرده بودم. وسط کار دو بار پیام مربوط به Cyber Abuse گرفتم، ولی خیلی جدی نگرفتم. چند ساعت بعد این ایمیل آمد: اکانت شما به‌دلیل فعالیت مرتبط با سوءاستفاده سایبری غیرفعال شده و دیگر قابل استفاده نیست. نکته اینجا بود که تقریباً تمام استفاده‌ی من از ChatGPT شامل پژوهش دکتری روی graph learning و fMRI، کدنویسی، تنظیم Kubernetes و سرور، تمرین زبان و سؤال‌های روزمره درباره‌ی بچه بود. تازه یک روز قبلش هم دوباره ۱۰۰ دلار برای ChatGPT Pro پرداخت کرده بودم! بعد که دقیق‌تر بررسی کردم، فهمیدم چه اتفاقی افتاده است. قبلاً به Codex لوکال خودم گفته بودم Hermes را روی سرور کانفیگ کند. Codex هم ظاهراً تصمیم گرفته بود هر جایی که امکان دارد، خودش را وارد تنظیمات کند؛ از جمله به‌عنوان fallback مدل اصلی: fallback_model: provider: openai-codex model: gpt-5.5 پروایدر DeepSeek من رایگان بود و وقتی لود زیاد می‌شد یا سرویس پاسخ نمی‌داد، Hermes بدون اینکه من متوجه شوم، از مدل اصلی خارج می‌شد و روی Codex با GPT-5.5 می‌رفت. یعنی من فکر می‌کردم دارم تست‌های باگ‌بانتی را با DeepSeek انجام می‌دهم، ولی هر بار که DeepSeek جواب نمی‌داد، Codex خیلی نایس و مسئولیت‌پذیر وارد صحنه می‌شد و جواب می‌داد! در واقع مسیر failover هرمس طوری بود که روی rate limit، خطای موقت پروایدر، قطعی سرویس یا تمام شدن retryها، به‌صورت خودکار fallback فعال می‌شد. خلاصه Codex آن‌قدر خوب Hermes را کانفیگ کرده بود که حتی وقتی قرار نبود از خودش استفاده شود، باز هم خودش را به‌عنوان نیروی ذخیره گذاشته بود! اعتراض زدم و توضیح دادم که ماجرا یک سوءاستفاده عمدی نبوده و هنگام تست ابزارها، بدون اطلاع من مدل از DeepSeek به GPT تغییر کرده است. خوشبختانه بعد از بررسی جواب دادند: مشخص شد اکانت شما به‌اشتباه غیرفعال شده است. دسترسی شما بازگردانده شد و بابت مشکلی که ایجاد شده عذرخواهی می‌کنیم. پس اگر از agentها، مدل‌روترها، fallbackها یا ابزارهایی مثل Hermes استفاده می‌کنید، فقط به اسم مدلی که بالای ترمینال نوشته شده اعتماد نکنید. حتماً تنظیمات fallback و لاگ درخواست‌ها را هم بررسی کنید؛ شاید فکر کنید دارید با یک مدل رایگان تست می‌کنید، ولی پشت صحنه GPT دارد جواب می‌دهد و هم‌زمان برایتان پرونده‌ی Cyber Abuse تشکیل می‌شود! و البته باید اعتراف کنم: البته انصافاً OpenAI در رسیدگی به اعتراض خیلی نایس‌تر از Anthropic بود. یک appeal زدم، ماجرا را توضیح دادم و چند ساعت بعد اکانت را باز کردند و رسماً هم گفتند که غیرفعال‌سازی اشتباه بوده است.1,49%
3 авг.سرورهای GPU رومیزی مثل DGX Spark کم‌کم دارند از یک اسباب‌بازی گران‌قیمت به زیرساختی واقعاً جدی تبدیل می‌شوند. در این تست، دو DGX Spark مدل DeepSeek V4 Flash 0731 را با پشتیبانی از کانتکست یک‌میلیونی، روی یک درخواست به حدود ۹۶ توکن‌برثانیه و روی دو درخواست هم‌زمان به ۱۵۲ توکن‌برثانیه تجمیعی رسانده‌اند. این عدد از API رسمی DeepSeek سریع‌تر نیست؛ API خود DeepSeek در تست‌های مستقل حدود ۱۰۴ توکن‌برثانیه خروجی می‌دهد. جذابیت واقعی ماجرا چیز دیگری است: یک سیستم رومیزی حالا می‌تواند مدلی در این ابعاد را با سرعتی نزدیک به زیرساخت ابری، کاملاً لوکال و تحت کنترل خودتان اجرا کند. تا قبل از مدل‌هایی مثل DeepSeek، خرید چنین سخت‌افزاری برای استفاده شخصی چندان معقول نبود؛ اما مدل‌های MoE کوچک‌تر، کوانتایز بهتر و speculative decoding دارند کم‌کم این معادله را تغییر می‌دهند. اگر مدلی با کیفیت نزدیک به DeepSeek V4 روی یک Spark با چنین سرعتی اجرا شود، آن‌وقت خرید این دستگاه‌ها واقعاً می‌تواند برای توسعه‌دهنده‌ها و تیم‌های کوچک وسوسه‌کننده شود. اگر پولش را داشتم، جدی به خریدش فکر می‌کردم :)1,45%
3 авг.واسه اینکه کار به اینجا نکشه خیلی درس خوندیم، سرنوشت قشنگی نبود:)))1,36%
7 авг.گوگل دیگر Level 11 ندارد! بلاخره Jeff Dean و Sanjay Ghemawat بعد از نزدیک به ۲۷ سال از گوگل جدا شدند؛ دو نفری که از ۱۹۹۹ آنجا بودند و تا جایی که به‌صورت عمومی مستند شده، تنها مهندسانی بودند که به Level 11 / Google Senior Fellow رسیده‌اند. برای درک وزن این خروج کافی است رزومه‌ی Jeff Dean را ببینید: از نسل‌های اولیه زیرساخت Search و سیستم‌های crawling و indexing گرفته تا MapReduce، Bigtable، Spanner، Google Brain، TensorFlow، Pathways و نقش کلیدی در TPU و در سال‌های اخیر co-lead پروژه‌ی Gemini. Sanjay هم یکی از معماران اصلی زیرساخت گوگل بود؛ از Google File System و MapReduce تا Bigtable، Spanner و Pathways. عملاً بخش بزرگی از چیزی که امروز «Google-scale computing» می‌شناسیم، ردپای این دو نفر را دارد. جالب‌تر اینکه Jeff Dean فقط چند روز قبل از اعلام خروج، در Startup Schoolِ YC از ایده‌ای حرف می‌زد که در آن AI چرخه‌ی پیشنهاد آزمایش → اجرا → ارزیابی نتیجه را اتوماتیک می‌کند و هزاران experiment را موازی جلو می‌برد؛ حالا دقیقاً همین ایده تبدیل شده به استارتاپ Discovery Loop که Dean، Ghemawat، Quoc Le و Oriol Vinyals برایش گوگل را ترک کرده‌اند. خود Vinyals هم درباره‌ی دلیل رفتنشان گفته در یک سازمان بزرگ برای هر تغییر رادیکال باید بر مقدار زیادی organizational inertia غلبه کرد و آن‌ها می‌خواهند چیزی متفاوت بسازند. شاید عجیب‌ترین بخش داستان همین باشد: دو نفر از بالاترین‌رتبه‌ترین مهندسان تاریخ گوگل، برای اجرای ایده‌ی بعدی‌شان به این نتیجه رسیده‌اند که حتی گوگل هم دیگر محیط مناسبی نیست.1,31%
9 авг.حتی لسان‌الغیب هم ترسیده! :) میگه بعد از این همه LLM brainrot واقعاً نمی‌دونم چه کسی حاضر میشه دوباره منو استخدام کنه؛ احتمالاً حتی یادم رفته چطور باید یک for loop بنویسم! پست اصلی هم از یک برنامه‌نویسه که میگه تقریباً یک ساله حتی یک خط کد هم خودش ننوشته. این ترس رو واقعا منم دارم چند ماه پیش یه مصاحبه رفتم چند تا سوال الگوریتمی مسخره و ساده پرسید نتونستم جواب بدم:)1,29%
3 авг.ماه قبل از من NueralWatt یک اشتراک ۵۰ دلاری گرفتم با پنجاه دلار به اندازه‌ی ۱۳۰ دلار تونستم خرج کنم(یعنی اگر اون میزان توکنی که صرف کردم رو بصورت API Key مستقیم می‌خریدم می‌شد ۱۳۰ دلار) و حدود یک میلیارد توکن مصرف کنم البته نورال‌وات بیزینس مدل کاملا متفاوتی داره و به شما توکن نمیفروشه بلکه توان مصرفی رو می‌فروشه به بیان ساده بر حسب برق مصرفی برای شما فاکتور میکنه. هر کیلووات رو ۵ دلار می‌فروشه. در پلن ماه قبل با ۵۰ دلار ۱۶ کیلو وات میفروخت که واسه‌ی GLM5.2 که من استفاده می‌کردم شد نزدیک یک میلیارد توکن الان دیگه نمیصرفه! هر ۱۰۰ دلارش شده ۱۳ کیلووات! از دوبرابر هم گرون‌تر شده. الان صرفه با DeepSeek Flash V4 0731 هست! همه‌ جور providerای خوبه ولی InfraX تا ۲۰ آگوست تخفیف‌های خوبی داره.1,24%