+ بنچمارک FACTS
بنچمارک FACTS از Google برای ارزیابی اینکه مدل‌های زبانی واقعا چقدر درست و حسابی جواب می‌دن، طراحی شده و روش‌های مختلفی برای این ارزیابی داره؛ از جواب دادن به سوالات دانشی و تصویری گرفته تا استفاده از جستحو و نوشتن جواب‌های بلند بر اساس یک متن مشخص.

https://www.linkedin.com/posts/amasoudfam_facts-benchmark-suite-leaderboard-kaggle-activity-7408739036867092480-kkqE

@algorithmha

+ مدل Qwen‑Image‑Layered
به این میگن نوآوری واقعی: Qwen‑Image‑Layered، همون چیزی که انتظارش رو نداشتیم ولی نیازش داشتیم

مدل Qwen‑Image‑Layered یک مدل جدید هوش مصنوعیه که قابلیت جالبی داره: می‌تونه یک تصویر ساده رو به چندین RGBA layer تجزیه کنه، یعنی لایه‌هایی که هم رنگ (RGB) و هم شفافیت (alpha) دارن.

https://x.com/rzdjafari/status/2002647657508962447

@algorithmha

+ پرامپت‌های آماده و حرفه‌ای برای استفاده‌ی بهتر از ChatGPT
اگر از ChatGPT استفاده میکنید ، حتما به این لینک سر بزنید و ازش استفاده کنید:
https://academy.openai.com/public/tags/prompt-packs-6849a0f98c613939acef841c
مجموعه‌ای از پرامپت‌های آماده و حرفه‌ای برای استفاده‌ی بهتر از ChatGPT بدون نیاز به ساخت پرامت از صفر
https://x.com/TheRealPourya/status/2004411986881249761

@algorithmha

+ Most people are using GPT-5 wrong.
صحبت اصلی این نوشته این نیست که GPT-5 از GPT-4 قوی‌تره؛ حرفش اینه که ما هنوز داریم با منطق قدیمی ازش استفاده می‌کنیم. معمولا GPT رو در حد یه ابزار سوال و جواب می‌بینیم، در حالی که ظرفیتش خیلی فراتر از این‌هاست.
وقتی فقط سوال می‌پرسیم، خروجی‌هامون پراکنده و مقطعی می‌شه. اما وقتی بهش جهت، هدف و چارچوب می‌دیم، می‌تونه تبدیل بشه به یه سیستم واقعی برای یادگیری و پیشرفت، نه صرفا تولید محتوا.
نویسنده تاکید می‌کنه که به جای جمع کردن نکته و اطلاعات، باید از GPT «مسیر» بخوای؛ مسیری که یادگیری رو به مراحل مشخص و قابل اجرا تقسیم کنه و نذاره وسط راه فرسوده بشی. این تغییر نگاه باعث می‌شه به‌جای شلوغی ذهن، حرکت واقعی اتفاق بیفته.
نکته مهم دیگه اینه که کیفیت سوال‌ها تعیین‌کننده کیفیت نتیجه‌ست. سوال‌هایی که روی «چطور انجام دادن» تمرکز دارن، خیلی بیشتر از سوال‌های کلی و تئوریک به عمل منجر می‌شن.
جمع‌بندی پیام هم واضحه: قدرت GPT فقط از خود ابزار نمی‌یاد. از ساختاری می‌یاد که ما بهش می‌دیم. اگه درست هدایتش کنیم، می‌تونه همزمان نقش مربی، برنامه‌ریز و عامل تمرکز رو برامون بازی کنه.

https://www.linkedin.com/posts/amasoudfam_gpt-5-prompting-activity-7412190114363367425-jer5

@algorithmha

+ Professional Software Developers Don’t Vibe, They Control: AI Agent Use for Coding in 2025
مقاله‌ی Professional Software Developers Don’t Vibe, They Control: AI Agent Use for Coding in 2025 به بحث Vibe Coding می‌پردازه و نتیجه‌ی اصلیش اینه که توسعه‌دهنده‌های حرفه‌ای معمولا هوش مصنوعی رو برای تولید کد به حال خودش رها نمی‌کنن یا کل کار رو بهش نمی‌سپارن. برعکس، قبل از اجرا برنامه‌ریزی می‌کنن، مسئله رو دقیق تعریف می‌کنن و بعد هم خروجی ایجنت رو مرحله‌به‌مرحله بازبینی و اعتبارسنجی می‌کنن تا کیفیت نرم‌افزار آسیب نبینه.
از نظر بهره‌وری، بیشتر توسعه‌دهنده‌ها هوش مصنوعی رو یک شتاب‌دهنده می‌بینن و بعضی حتی افزایش چشمگیر سرعت رو گزارش کردن. اما تقریبا همیشه با این شرط که کنترل فرآیند همچنان دست خودشون باشه. یعنی فقط «کار کردن کد» کافی نیست و خروجی باید تست بشه، تغییرات باید بررسی بشه و استانداردهای کیفیت مثل خوانایی، نگهداشت‌پذیری و درستی حفظ بشن.
این تحقیق همین‌طور نشون می‌ده ایجنت‌ها در کارهای واضح و خوب توصیف‌شده (مثل تولید کدهای تکراری، کمک در دیباگ و کارهای مستقیم) عملکرد بهتری دارن. اما در کارهای پیچیده‌تر و مخصوصا تصمیم‌های معماری، معمولا قابل‌اتکا بودن پایین‌تر میاد و نقش قضاوت انسانی پررنگ‌تر می‌شه.
در نهایت، مقاله یادآوری می‌کنه که هوش مصنوعی لزوما سرعت رو بالا نمی‌بره و در یک آزمایش تصادفی اشاره شده که بعضی maintainerهای باتجربه در کارهای نگهداشت کد، با استفاده از هوش مصنوعی حدود ۱۹٪ کندتر شدن. پس اگر نحوه‌ی استفاده و ادغام این ابزار در جریان کار درست طراحی نشده باشه، ممکنه نتیجه‌ی معکوس بده.
نتیجه‌ی اخلاقی قصه: هوش مصنوعی می‌تونه خیلی کمک‌کننده باشه، ولی بهترین نتیجه وقتی به دست میاد که مثل یک ابزار تحت کنترل استفاده بشه، نه جایگزین نظارت و تصمیم‌گیری حرفه‌ای.

https://www.linkedin.com/posts/amasoudfam_professional-software-developers-dont-vibe-activity-7413782041743327232-I0z5/

@algorithmha