‏📊 وضعیت مالی Anthropic در آستانه IPO

‏در آستانه عرضه عمومی سهام (IPO) شرکت Anthropic، دو گزارش مالی درباره هزینه‌ها و زیان‌های این شرکت منتشر شده که نیاز به بررسی دقیق‌تر دارند.

‏مورد اول به تعهدات هزینه‌ای این شرکت برای تامین توان پردازشی مربوط می‌شود. در حالی که خبرهایی مبنی بر تعهد ۵۱۸ میلیارد دلاری Anthropic برای خرید زیرساخت‌های محاسباتی منتشر شده، باید توجه داشت که این مبلغ مربوط به یک بازه ۱۰ ساله است و قراردادهای آن در بازه‌های ۵ تا ۷ ساله توزیع شده‌اند. با در نظر گرفتن نرخ درآمد سالانه فعلی شرکت و نقدینگی موجود، تامین این هزینه‌ها برای Anthropic طبق تحلیل‌های Rittenhouse Research چالش غیرممکنی به نظر نمی‌رسد.

‏مورد دوم درباره زیان خالص ۸۰ میلیارد دلاری شرکت در نیمه اول سال ۲۰۲۶ است که واکنش‌های منفی بسیاری را در پی داشت. با این حال، گزارش رویترز نشان می‌دهد که بخش بزرگی از این رقم، معادل ۷۲ میلیارد دلار، نه هزینه‌های عملیاتی یا توسعه مدل، بلکه ناشی از «تعدیلات حسابداری» در ارزش اوراق قرضه قابل تبدیل به سهام است.

🔗 جزئیات خبر در سایت

🇮🇷 سایت | تلگرام

‏🎮 اتصال Claude Code به Unreal Engine از طریق MCP

‏شرکت Epic Games یک پلاگین رسمی منتشر کرده است که امکان اتصال Claude Code را به محیط Unreal Editor فراهم می‌کند. این ابزار از پروتکل MCP برای تعامل با محیط موتور بازی‌سازی بهره می‌برد.

‏با استفاده از این پلاگین، مدل هوش مصنوعی به بیش از ۳۰ مجموعه ابزار دسترسی پیدا می‌کند تا عملیات زیر را در پروژه انجام دهد:
‏* جای‌گذاری و چیدمان آبجکت‌ها در صحنه
‏* ساخت و ویرایش Blueprint
‏* مدیریت متریال‌ها، نورپردازی و افکت‌های Niagara
‏* تنظیمات مربوط به انیمیشن
‏* اجرای تست‌های پروژه در ویرایشگر

‏این پلاگین با مجوز MIT به صورت رایگان در دسترس است. برای استفاده از آن به Unreal Engine 5.8 نیاز دارید که در حال حاضر از MCP به صورت آزمایشی پشتیبانی می‌کند. توجه داشته باشید که با وجود قابلیت‌های این عامل، بررسی نهایی تغییرات ایجاد شده در صحنه همچنان بر عهده کاربر است.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Claude_Code #Unreal_Engine

‏📉 کاهش اعتماد مدل‌های هوش مصنوعی به انسان با افزایش توانمندی

‏پژوهشگران در یک مطالعه جدید، با استفاده از آزمون‌های روان‌شناختی کلاسیک، نحوه نگرش مدل‌های زبانی بزرگ به ماهیت انسان را بررسی کردند. نتایج این تحقیق نشان می‌دهد که با افزایش هوش و توانمندی مدل‌ها، نگاه آن‌ها به انسان بدبینانه‌تر می‌شود.

‏مدل‌های بررسی‌شده در این پژوهش، از جمله سری کامل GPT، انسان‌ها را موجوداتی غیرقابل‌ پیش‌بینی، پیچیده و غیرقابل‌اعتماد ارزیابی می‌کنند.

‏مهم‌ترین یافته‌های این مطالعه عبارتند از:
‏• مدل‌های پایه (Base Models) که عمدتاً روی متن‌های اینترنتی آموزش دیده‌اند، دیدگاه مثبت‌تری نسبت به انسان دارند.
‏• پس از آموزش‌های تکمیلی برای همسوسازی (Alignment) و افزایش ایمنی، مدل‌ها به‌طور چشمگیری اعتماد کمتری به انسان نشان می‌دهند.
‏• این بدبینی احتمالاً ناشی از ماهیت آموزش‌های ایمنی است که در آن‌ها، رفتار انسان بیشتر با ریسک، ابهام و رفتارهای مخرب مرتبط می‌شود.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#GPT #Alignment

‏📊 رتبه‌بندی مدل‌های تولید ویدیو در Artificial Analysis

‏مدل HeyGen Video در جدیدترین ارزیابی سایت Artificial Analysis موفق شد با کسب امتیاز ۱۱۴۵ در صدر رده‌بندی تولید ویدیو از متن (بدون صدا) قرار بگیرد. این مدل که بر پایه معماری MiniMax H3 توسعه یافته، با اختلاف کمی بالاتر از مدل Wan 3.0 با امتیاز ۱۱۳۵ قرار دارد.

‏مهم‌ترین مدل‌های این لیست بر اساس امتیاز Elo عبارتند از:

‏* HeyGen Video (ultraquality): ۱۱۴۵
‏* Wan 3.0: ۱۱۳۵
‏* MiniMax H3 (768p): ۱۱۲۱
‏* MiniMax H3 Max: ۱۱۱۹
‏* Dreamina Seedance 2.5: ۱۱۰۵

‏این نتایج حاصل بررسی‌های کور (Blind Preference Votes) در پلتفرم Video Arena است که عملکرد مدل‌ها را در خروجی‌های متنی به ویدیویی مقایسه می‌کند. سایر مدل‌های مطرح نظیر FLUX 3، Gemini Omni Flash 1.1 و Kling 3.0 در رده‌های بعدی این لیست قرار دارند.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#HeyGen_Video #MiniMax_H3

‏📊 آموزش تعاملی مفاهیم یادگیری ماشین در VizLearn

‏پلتفرم VizLearn بیش از ۶۰۰ ماژول تعاملی برای درک بصری مفاهیم هوش مصنوعی و یادگیری ماشین ارائه کرده است. در این ابزار می‌توانید داده‌های ورودی را تغییر دهید و نتیجه محاسبات ریاضی هر الگوریتم را بلافاصله مشاهده کنید.

‏مهم‌ترین مباحث این پلتفرم عبارت‌اند از:
‏• گرادیان کاهشی (Gradient descent)
‏• الگوریتم‌های SVM و PCA
‏• قضیه بیز (Bayes' theorem)
‏• توکن‌سازی BPE
‏• مفاهیم Query ،Key و Value و حافظه KV cache
‏• کوانتایش (Quantization)
‏• شبکه‌های عصبی و مدل‌های زبانی بزرگ (LLM)

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #6 | 📌 5 آیتم گزارش | 🧾 از 18 پست بررسی‌شده
🕐 شنبه 1405/08/02 ساعت 14:00 تا یکشنبه 1405/08/03 ساعت 14:00

ارزیابی امنیت سندباکس microVM در برابر کانال های جانبی

گزارش منبع: در این آزمایش، ایجنت هایی که در محیط های microVM جداگانه قرار داشتند، موفق شدند با استفاده از اثرات جانبی سخت افزاری، پیام های خود را مبادله کنند.
برداشت: ایزوله سازی نرم افزاری در سطح سیستم عامل برای جلوگیری از نشت اطلاعات بین ایجنت های چندمستاجری کافی نیست و نیاز به پایش کانال های جانبی سخت افزاری دارد.
نامشخص: نرخ انتقال داده بر حسب بیت بر ثانیه و میزان نرخ خطای بیت (BER) در کانال های جانبی یادشده در منبع گزارش نشده است.
آزمون پیشنهادی: اندازه گیری تأخیر دسترسی به کش L3 در دو microVM همجوار حین اجرای همزمان بار کاری پردازشی و مقایسه نرخ بیت نشت یافته با حالت ایزوله سخت افزاری.

اعتبارسنجی ابزارهای ایجنت قبل از فراخوانی در سیستم های تولیدی

گزارش منبع: محققان با بررسی بیش از ۳۱ هزار اسکن برای ایجنت های هوش مصنوعی دریافتند که ۲۶ درصد آن ها دارای آسیب پذیری و بیش از ۵ درصد عملاً مخرب هستند.
برداشت: یکپارچه سازی ابزارهای شخص ثالث در سیستم های مبتنی بر MCP بدون اسکن استاتیک و تحلیل عمیق، امکان تزریق پرامپت و دسترسی غیرمجاز به حافظه را فراهم می کند.
نامشخص: میزان نرخ مثبت کاذب (False Positive) حالت اسکن سریع بدون هوش مصنوعی در مقایسه با بررسی عمیق با LLM در منبع مشخص نشده است.
آزمون پیشنهادی: اجرای SkillSpector روی ۵۰ مخزن کدهای MCP، مقایسه زمان اجرای حالت سریع و عمیق، و سنجش نرخ شناسایی الگوهای تزریق پرامپت نسبت به تست دستی.

🔬 دستاوردهای فنی و ابزارهای توسعه هوش مصنوعی

ارتباط ایجنت‌های هوش مصنوعی در محیط‌های ایزوله microVM
ارتباط ایجنت‌ها در محیط‌های ایزوله microVM از طریق اثرات جانبی سخت‌افزاری مانند کش پردازنده و بار CPU ثبت شد.

انتشار ابزار متن‌باز SkillSpector انویدیا برای امنیت ایجنت‌ها
انویدیا ابزار SkillSpector را برای اسکن امنیتی، شناسایی ۷۱ الگوی حمله و ارزیابی ریسک ابزارهای ایجنت منتشر کرد.

انتشار مدل Nemotron 3.5 Bolt انویدیا با آموزش RL-only
انویدیا مدل ۸ میلیارد پارامتری Nemotron 3.5 Bolt را با حذف SFT و حافظه ۴ گیگابایت VRAM برای اجرای محلی عرضه کرد.

پلاگین رسمی اتصال Claude Code به Unreal Engine با MCP
اپیک گیمز امکان مدیریت صحنه، بلوپرینت و متریال در Unreal Engine 5.8 را از طریق Claude Code و پروتکل MCP فراهم کرد.

توسعه زیرساخت ذخیره‌سازی داده OpenAI در مقیاس اگزابایت
اوپن‌ای‌آی سیستم جدیدی مبتنی بر RocksDB Cloud و پروتکل Raft برای مدیریت بیش از ۵۰۰ پتابایت داده طراحی می‌کند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🚀 دستیابی ۵ مدل کوچک به عملکرد Claude در برنامه‌نویسی

‏محققان متد GVS5H را معرفی کرده‌اند که در آن چندین مدل هوش مصنوعی با اشتراک‌گذاری فایل‌های کاری و هماهنگی با یکدیگر، مسائل برنامه‌نویسی را حل می‌کنند. در این روش، بدون نیاز به آموزش مجدد (Fine-tuning)، توانایی حل مسئله مدل‌های کوچک به‌طور قابل‌توجهی افزایش می‌یابد.

‏بر اساس بنچمارک LiveCodeBench، نتایج به شرح زیر است:

‏* مدل Qwen3.8-27B: افزایش دقت از ۶۶.۸٪ به ۹۲.۴٪.
‏* مدل Qwen3.8 Flash Next: رسیدن به دقت ۹۳٪ با هزینه‌ای معادل تنها ۹٪ مدل Claude.
‏* مدل Claude Fable 5: دقت ۹۰.۴٪.

‏این آزمایش نشان می‌دهد که هماهنگی دقیق بین مدل‌های کوچک می‌تواند عملکرد آن‌ها را با مدل‌های قدرتمند و بزرگ رقابتی کند. البته این متد روی تمامی مدل‌ها کار نمی‌کند و نتایج فعلی بر اساس آزمایش‌های تیم سازنده گزارش شده است.

🔗 توضیحات و نمونه‌کد در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🤖 جبران سهمیه کاربران در سرویس Kimi

‏تیم Kimi به دلیل بروز مشکل در مدل K3.1 Pro که باعث محدودیت‌های نرخ (rate limits) و مصرف غیرضروری سهمیه کاربران شده بود، عذرخواهی کرد. این شرکت اعلام کرده است که باید این مشکلات را زودتر شناسایی و برطرف می‌کرد.

‏برای جبران این موضوع، اقدامات زیر برای کاربران اعمال می‌شود:

‏* بازگرداندن سهمیه: تمام مشترکین در تمامی طرح‌ها، معادل ۲۵٪ از سهمیه ماهانه خود (حدود یک هفته استفاده) را به عنوان جبران دریافت می‌کنند. اگر میزان مصرف فعلی کاربر کمتر از ۲۵٪ باشد، سهمیه ماهانه او کاملاً بازنشانی (reset) می‌شود.
‏* بهینه‌سازی مصرف: پارامترهای طرح‌های اشتراکی تغییر کرده است. با کاهش فراخوانی‌های غیرضروری زیرمجموعه (subagent calls) و محدود کردن طول خروجی مدل، سعی شده است سهمیه کاربران در مدت زمان طولانی‌تری دوام بیاورد.

‏این تغییرات در میزان سهمیه کاربران تا پایان امروز به وقت PST اعمال خواهد شد.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Kimi_AI #subagent_calls

‏💰 دستمزد نجومی برای مهندسان هوش مصنوعی در چین

‏شرکت‌های بزرگ چینی در حال حاضر برای استخدام «مهندسان استقرار» (forward-deployed engineers) دستمزدهایی تا ۱۶۳ هزار دلار در سال پرداخت می‌کنند. این موقعیت شغلی که وظیفه پیاده‌سازی و عملیاتی‌سازی مدل‌های هوش مصنوعی در ساختار شرکت‌های مشتری را بر عهده دارد، به اولویت اصلی غول‌های فناوری تبدیل شده است.

‏بر اساس گزارش‌ها، حقوق‌های پیشنهادی شرکت‌های پیشرو برای این جایگاه به شرح زیر است:

‏- استارتاپ Kimi: تا ۱۶۳ هزار دلار
‏- سرویس Doubao (بایت‌دنس): تا ۱۵۷ هزار دلار
‏- شرکت‌های ByteDance، Tencent و Alibaba: حدود ۱۵۰ هزار دلار

‏برخی مهندسان در بایت‌دنس برای حضور در محل پروژه‌های مشتریان، روزانه ۱۵۰۰ دلار دریافت می‌کنند. آگهی‌های شغلی برای این تخصص نسبت به سال گذشته ۱۵۲۳ درصد رشد داشته و وزارت صنعت چین نیز در حال ترویج این مهارت است. تمرکز بودجه‌ها در بازار چین از مرحله آموزش مدل‌ها به سمت کاربردی‌سازی آن‌ها در محیط کسب‌وکار تغییر کرده است.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🤖 ساده‌سازی معماری ایجنت‌های هوش مصنوعی

‏شرکت Anthropic در بررسی پروژه‌های سازمانی متوجه شده است که استفاده از یک ایجنت واحد که به ابزارها و مهارت‌های مختلف دسترسی دارد، اغلب بهتر از سیستم‌های پیچیده متشکل از چندین ساب-ایجنت عمل می‌کند.

‏جایگزینی ساب-ایجنت‌ها با یک ایجنت مرکزی که دستورالعمل‌ها و ابزارهای مورد نیاز را به‌صورت پویا فراخوانی می‌کند، باعث حفظ بهتر بافتار (Context) و کاهش تداخلات می‌شود. این تغییر در برخی پیاده‌سازی‌ها سرعت انجام کار را تا دو برابر افزایش داده و هزینه‌های عملیاتی را کاهش داده است.

‏مهم‌ترین نکات برای بهینه‌سازی ایجنت‌ها:
‏* جایگزینی ساب-ایجنت‌های تخصصی با ابزارها (Tools) و مهارت‌های (Skills) قابل فراخوانی.
‏* استفاده از ساب-ایجنت‌ها تنها در زمان نیاز به پردازش‌های موازی یا ایزوله‌سازی بافتار.
‏* انتقال تدریجی قابلیت‌ها به ایجنت اصلی و مقایسه عملکرد از نظر کیفیت، تاخیر و هزینه.

‏به جای تعریف یک ایجنت برای هر بخش یا وظیفه، معماری ایجنت باید بر اساس مرزهای دقیق وظایف و مدیریت بافتار طراحی شود.

🔗 مراحل راهنما در سایت

🇮🇷 سایت | تلگرام