📌 مدل متن‌باز Kimi K3.1 Pro معرفی شد
شرکت Moonshot AI از Kimi K3.1 Pro رونمایی کرد. این قوی‌ترین مدل متن‌باز آن‌ها در کلاس ۳ تریلیون پارامتری است و در کدنویسی، کارهای عامل‌محور و دانش عمومی با قوی‌ترین مدل‌های تجاری رقابت می‌کند.
⚙️ مشخصات
• پنجره زمینه یک میلیون توکنی
• معماری MoE با ۲.۸ تریلیون پارامتر کل و ۱۰۴ میلیارد پارامتر فعال
• ورودی متن، تصویر و ویدئو
💻 توانایی‌ها
• ساخت کامل پروژه‌های بازی در Unreal، Unity و Godot
• مدل‌سازی سه‌بعدی پارامتریک در Blender و نرم‌افزارهای CAD
• کاهش ۶۵ درصدی توهم در کارهای مالی نسبت به K3
⚡️ نسخه پرسرعت
نسخه K3.1 Pro Highspeed دو تا سه برابر سریع‌تر است.
💰 قیمت API (هر میلیون توکن)
• نسخه Pro: ورودی ۲ دلار، خروجی ۱۰ دلار
• نسخه Highspeed: ورودی ۴ دلار، خروجی ۲۰ دلار
📅 دسترسی
هر دو نسخه از امروز در Kimi.ai، Kimi Work، Kimi Code و API در دسترس‌اند. وزن‌های مدل هم تا ۴ نوامبر ۲۰۲۶ منتشر می‌شوند.
🔗 معرفی رسمی
🔗 توییت
#AI #Kimi #MoonshotAI #OpenSource #LLM #Coding
🆔 @asrgooyeshpardaz
شرکت Moonshot AI از Kimi K3.1 Pro رونمایی کرد. این قوی‌ترین مدل متن‌باز آن‌ها در کلاس ۳ تریلیون پارامتری است و در کدنویسی، کارهای عامل‌محور و دانش عمومی با قوی‌ترین مدل‌های تجاری رقابت می‌کند.
⚙️ مشخصات
• پنجره زمینه یک میلیون توکنی
• معماری MoE با ۲.۸ تریلیون پارامتر کل و ۱۰۴ میلیارد پارامتر فعال
• ورودی متن، تصویر و ویدئو
💻 توانایی‌ها
• ساخت کامل پروژه‌های بازی در Unreal، Unity و Godot
• مدل‌سازی سه‌بعدی پارامتریک در Blender و نرم‌افزارهای CAD
• کاهش ۶۵ درصدی توهم در کارهای مالی نسبت به K3
⚡️ نسخه پرسرعت
نسخه K3.1 Pro Highspeed دو تا سه برابر سریع‌تر است.
💰 قیمت API (هر میلیون توکن)
• نسخه Pro: ورودی ۲ دلار، خروجی ۱۰ دلار
• نسخه Highspeed: ورودی ۴ دلار، خروجی ۲۰ دلار
📅 دسترسی
هر دو نسخه از امروز در Kimi.ai، Kimi Work، Kimi Code و API در دسترس‌اند. وزن‌های مدل هم تا ۴ نوامبر ۲۰۲۶ منتشر می‌شوند.
🔗 معرفی رسمی
🔗 توییت
#AI #Kimi #MoonshotAI #OpenSource #LLM #Coding
🆔 @asrgooyeshpardaz
❤9🔥5👍2👏1
🩺 سیستم تشخیص پزشکی مایکروسافت، در موارد پیچیده از پزشکان عمومی جلوتر زد
شرکت مایکروسافت سیستم جدیدی به نام MAI-DxO را معرفی کرده است که در یک مطالعه منتشرشده در مجله Science، در تشخیص موارد پیچیده پزشکی عملکرد بهتری نسبت به پزشکان عمومی نشان داده است.
📊 نتایج کلیدی
در ۳۰۴ مورد پیچیده از مجله نیوانگلند، دقت تشخیص این سیستم ۸۳.۲٪ بوده است. در مقابل، پزشکان عمومی که به منابع مرجع دسترسی داشتند، ۳۶.۱٪ و پزشکانی که چنین دسترسی نداشتند، ۲۲٪ دقت داشتند. یعنی سیستم مایکروسافت حدود ۲.۳ برابر دقیق‌تر از پزشکان با منابع و ۳.۷ برابر دقیق‌تر از پزشکان بدون منابع بوده است.
در ۳۲۵ مورد معمول‌تر از بخش اورژانس (مجموعه MIMIC-IV-ED)، سیستم به دقت ۸۰.۳٪ رسیده، در حالی که دقت پزشکان ۴۶.۸٪ بوده است.
🧠 روش کار: شبیه‌سازی یک تیم پزشکی
سیستم MAI-DxO مثل یک مدل زبانی معمولی نیست که یک پاسخ تولید کند. این سیستم از چند عامل هوش مصنوعی تشکیل شده که نقش‌های متفاوتی دارند: یکی فرضیه تشخیصی پیشنهاد می‌دهد، یکی آزمایش‌های لازم را انتخاب می‌کند، یکی فرضیه‌های موجود را به چالش می‌کشد و یکی هزینه‌ها را می‌سنجد. این عوامل با هم بحث می‌کنند و در چند دور، تشخیص نهایی را اصلاح می‌کنند.
نکته مهم این است که سیستم مرحله‌به‌مرحله کار می‌کند، نه با دریافت یک‌باره همه اطلاعات. بیمار فقط با یک شکایت اصلی وارد میشود و سیستم خودش تصمیم می‌گیرد چه سؤالی بپرسد و چه آزمایشی درخواست کند. این روش، بسیار نزدیک‌تر به فرآیند واقعی تشخیص پزشکی است.
💰 هزینه کمتر
به گفته مایکروسافت، این سیستم با درخواست آزمایش‌های کمتر و مقرون‌به‌صرفه‌تر، هزینه تشخیص را به حدود نصف یا حتی یک‌سوم کاهش می‌دهد. در یک پیکربندی بهینه‌شده از نظر هزینه، سیستم به دقت ۸۱٪ در موارد پیچیده رسیده، در حالی که هزینه‌اش کمتر از نصف سیستم‌های مشابه بوده است.البته این اعداد بر پایه هزینه‌های برآوردی در شبیه‌سازی هستند، نه هزینه‌های واقعی درمان.
⚠️ چند نکته مهم
اول: مقایسه با پزشکان عمومی انجام شده، نه با متخصصان یا تیم‌های تخصصی که معمولاً چنین موارد پیچیده‌ای را مدیریت می‌کنند. خود پژوهشگران پذیرفته‌اند که اگر مقایسه با متخصصان انجام می‌شد، شکاف عملکرد کمتر می‌شد.
دوم: نتایج بر پایه موارد شبیه‌سازی‌شده است، نه بیماران واقعی. مایکروسافت قصد دارد آزمایش بالینی واقعی را با مرکز پزشکی Beth Israel Deaconess در بوستون آغاز کند.
سوم: بهترین نتایج این سیستم با مدل‌های GPT-5 و GPT-5.5 شرکت OpenAI به دست آمده است. بخشی از بهبود عملکرد به قدرت خود مدل پایه مربوط است و بخشی به لایه هماهنگی MAI-DxO. این سیستم روی مدل‌های ضعیف‌تر (مثل Gemini 2.5 Flash که از ۴۶.۴٪ به ۶۹٪ رسید) تأثیر بیشتری دارد.
🎯 اهمیت رویکرد
شاید مهم‌ترین دستاورد این پژوهش، تغییر معیار ارزیابی باشد. به‌جای پرسیدن «پاسخ نهایی چقدر درست است؟»، این مطالعه می‌پرسد: «سیستم چه سؤالاتی می‌پرسد و چه آزمایش‌هایی درخواست می‌کند؟» این معیار، هم به فرآیند واقعی درمان نزدیک‌تر است و هم می‌تواند به کاهش بار روی بیمار و سیستم سلامت کمک کند.
🔗 مقاله در Science | وبلاگ مایکروسافت
#هوش_مصنوعی #پزشکی #مایکروسافت #Science #تشخیص_پزشکی
🆔 @asrgooyeshpardaz
شرکت مایکروسافت سیستم جدیدی به نام MAI-DxO را معرفی کرده است که در یک مطالعه منتشرشده در مجله Science، در تشخیص موارد پیچیده پزشکی عملکرد بهتری نسبت به پزشکان عمومی نشان داده است.
📊 نتایج کلیدی
در ۳۰۴ مورد پیچیده از مجله نیوانگلند، دقت تشخیص این سیستم ۸۳.۲٪ بوده است. در مقابل، پزشکان عمومی که به منابع مرجع دسترسی داشتند، ۳۶.۱٪ و پزشکانی که چنین دسترسی نداشتند، ۲۲٪ دقت داشتند. یعنی سیستم مایکروسافت حدود ۲.۳ برابر دقیق‌تر از پزشکان با منابع و ۳.۷ برابر دقیق‌تر از پزشکان بدون منابع بوده است.
در ۳۲۵ مورد معمول‌تر از بخش اورژانس (مجموعه MIMIC-IV-ED)، سیستم به دقت ۸۰.۳٪ رسیده، در حالی که دقت پزشکان ۴۶.۸٪ بوده است.
🧠 روش کار: شبیه‌سازی یک تیم پزشکی
سیستم MAI-DxO مثل یک مدل زبانی معمولی نیست که یک پاسخ تولید کند. این سیستم از چند عامل هوش مصنوعی تشکیل شده که نقش‌های متفاوتی دارند: یکی فرضیه تشخیصی پیشنهاد می‌دهد، یکی آزمایش‌های لازم را انتخاب می‌کند، یکی فرضیه‌های موجود را به چالش می‌کشد و یکی هزینه‌ها را می‌سنجد. این عوامل با هم بحث می‌کنند و در چند دور، تشخیص نهایی را اصلاح می‌کنند.
نکته مهم این است که سیستم مرحله‌به‌مرحله کار می‌کند، نه با دریافت یک‌باره همه اطلاعات. بیمار فقط با یک شکایت اصلی وارد میشود و سیستم خودش تصمیم می‌گیرد چه سؤالی بپرسد و چه آزمایشی درخواست کند. این روش، بسیار نزدیک‌تر به فرآیند واقعی تشخیص پزشکی است.
💰 هزینه کمتر
به گفته مایکروسافت، این سیستم با درخواست آزمایش‌های کمتر و مقرون‌به‌صرفه‌تر، هزینه تشخیص را به حدود نصف یا حتی یک‌سوم کاهش می‌دهد. در یک پیکربندی بهینه‌شده از نظر هزینه، سیستم به دقت ۸۱٪ در موارد پیچیده رسیده، در حالی که هزینه‌اش کمتر از نصف سیستم‌های مشابه بوده است.البته این اعداد بر پایه هزینه‌های برآوردی در شبیه‌سازی هستند، نه هزینه‌های واقعی درمان.
⚠️ چند نکته مهم
اول: مقایسه با پزشکان عمومی انجام شده، نه با متخصصان یا تیم‌های تخصصی که معمولاً چنین موارد پیچیده‌ای را مدیریت می‌کنند. خود پژوهشگران پذیرفته‌اند که اگر مقایسه با متخصصان انجام می‌شد، شکاف عملکرد کمتر می‌شد.
دوم: نتایج بر پایه موارد شبیه‌سازی‌شده است، نه بیماران واقعی. مایکروسافت قصد دارد آزمایش بالینی واقعی را با مرکز پزشکی Beth Israel Deaconess در بوستون آغاز کند.
سوم: بهترین نتایج این سیستم با مدل‌های GPT-5 و GPT-5.5 شرکت OpenAI به دست آمده است. بخشی از بهبود عملکرد به قدرت خود مدل پایه مربوط است و بخشی به لایه هماهنگی MAI-DxO. این سیستم روی مدل‌های ضعیف‌تر (مثل Gemini 2.5 Flash که از ۴۶.۴٪ به ۶۹٪ رسید) تأثیر بیشتری دارد.
🎯 اهمیت رویکرد
شاید مهم‌ترین دستاورد این پژوهش، تغییر معیار ارزیابی باشد. به‌جای پرسیدن «پاسخ نهایی چقدر درست است؟»، این مطالعه می‌پرسد: «سیستم چه سؤالاتی می‌پرسد و چه آزمایش‌هایی درخواست می‌کند؟» این معیار، هم به فرآیند واقعی درمان نزدیک‌تر است و هم می‌تواند به کاهش بار روی بیمار و سیستم سلامت کمک کند.
🔗 مقاله در Science | وبلاگ مایکروسافت
#هوش_مصنوعی #پزشکی #مایکروسافت #Science #تشخیص_پزشکی
🆔 @asrgooyeshpardaz
Science
Sequential diagnosis with language models
We explored the capabilities of frontier language models in sequential diagnosis, a diagnostic paradigm that captures the iterative nature of clinical reasoning. Given a brief clinical presentation, clinicians selectively acquired information to reach a ...
❤2🔥1
🧪 چطور بفهمیم یک عامل هوش مصنوعی واقعاً خوب کار می‌کند؟
شرکت Anthropic مقاله‌ای منتشر کرده که یکی از سخت‌ترین پرسش‌های امروز تیم‌های مهندسی را باز می‌کند: وقتی یک عامل هوش مصنوعی چند مرحله کار می‌کند، ابزار صدا می‌زند و وضعیت محیط را تغییر می‌دهد، از کجا بفهمیم «درست» کار کرده؟
🔍 مشکل: پاسخ درست کافی نیست
در مدل‌های زبانی ساده، ارزیابی نسبتاً سرراست است: یک پرسش، یک پاسخ، و یک معیار. اما عامل‌ها در چند نوبت کار می‌کنند و خطاها در طول مسیر انباشته می‌شوند. یک تصمیم اشتباه در مرحله سوم می‌تواند کل مسیر را خراب کند، حتی اگر پاسخ نهایی به‌ظاهر درست به نظر برسد. به همین دلیل، ارزیابی فقط «خروجی نهایی» کافی نیست؛ باید مسیر طی‌شده هم بررسی شود.
🧩 سه نوع ارزیاب
مقاله سه خانواده اصلی ارزیاب را معرفی می‌کند:
ارزیاب‌های کدمحور: سریع، ارزان و تکرارپذیر. مثلاً آزمون‌های واحد که بررسی می‌کنند کد اجرا میشود یا نه، یا تحلیل ایستا که کیفیت کد را می‌سنجد.
ارزیاب‌های مدل‌محور: انعطاف‌پذیرترند و می‌توانند کیفیت گفتگو یا پیچیدگی استدلال را بسنجند، اما باید با قضاوت انسانی کالیبره شوند.
ارزیاب‌های انسانی: استاندارد طلایی هستند، اما گران و کند. معمولاً برای کالیبره کردن دو نوع قبلی استفاده می‌شوند.
📊 دو نوع ارزیابی که نباید قاطی شوند
ارزیابی توانایی: می‌پرسد «این عامل چه کارهایی می‌تواند انجام دهد؟» و باید از نرخ موفقیت پایین شروع کند تا تیم هدفی برای بهبود داشته باشد.
ارزیابی رگرسیون: می‌پرسد «آیا عامل هنوز همه کارهای قبلی را درست انجام می‌دهد؟» و باید نزدیک ۱۰۰٪ باشد تا از پسرفت جلوگیری کند.
⚙️ نقشه راه هشت‌مرحله‌ای
مقاله یک مسیر عملی برای تیم‌هایی که از صفر شروع می‌کنند ارائه می‌دهد:
زودهنگام شروع کنید: ۲۰ تا ۵۰ وظیفه ساده از دل شکست‌های واقعی کافی است. منتظر ماندن برای ساخت مجموعه کامل، کار را سخت‌تر می‌کند.
وظایف را بدون ابهام بنویسید: دو متخصص باید مستقل به یک حکم یکسان برسند. ابهام در صورت مسئله، نویز در معیارها تولید می‌کند.
مجموعه‌های متوازن بسازید: هم مواردی را تست کنید که رفتار باید رخ دهد، هم مواردی که نباید. ارزیابی یک‌طرفه، بهینه‌سازی یک‌طرفه به بار می‌آورد.
محیط را پایدار نگه دارید: هر آزمون باید از یک محیط تمیز شروع شود. وضعیت مشترک بین اجراها می‌تواند نتایج را مصنوعاً بالا یا پایین ببرد.
ارزیاب‌ها را دقیق طراحی کنید: تا حد امکان از ارزیاب‌های قطعی استفاده کنید. ارزیاب‌های مدل‌محور باید با قضاوت انسانی کالیبره شوند.
حرف‌های مهم: مسیر را قضاوت نکنید، نتیجه را قضاوت کنید
یکی از نکات کلیدی مقاله این است که ارزیاب‌ها نباید خیلی سخت‌گیر باشند. اگر فقط یک ترتیب خاص از فراخوانی ابزارها را قبول کنید، عامل‌هایی که راه‌حل‌های خلاقانه و معتبر پیدا می‌کنند جریمه می‌شوند. بهتر است آنچه عامل تولید کرده سنجیده شود، نه مسیری که طی کرده.
⚠️ یک هشدار واقعی
مقاله یک مثال واقعی می‌آورد: مدل Opus 4.5 در یک بنچمارک، ابتدا امتیاز ۴۲٪ گرفت. بعد از بررسی معلوم شد مشکل از خود مدل نبوده؛ ارزیاب‌ها خیلی سخت‌گیرانه بودند، صورت مسئله مبهم بود و برخی آزمون‌ها اصلاً قابل بازتولید نبودند. بعد از رفع این اشکالات، امتیاز مدل به ۹۵٪ رسید. یعنی گاهی «شکست مدل» در واقع «شکست ارزیابی» است.
🔗 مقاله کامل Anthropic
#هوش_مصنوعی #Anthropic #ارزیابی_عامل #AIAgents #مهندسی_نرم‌افزار
🆔 @asrgooyeshpardaz
شرکت Anthropic مقاله‌ای منتشر کرده که یکی از سخت‌ترین پرسش‌های امروز تیم‌های مهندسی را باز می‌کند: وقتی یک عامل هوش مصنوعی چند مرحله کار می‌کند، ابزار صدا می‌زند و وضعیت محیط را تغییر می‌دهد، از کجا بفهمیم «درست» کار کرده؟
🔍 مشکل: پاسخ درست کافی نیست
در مدل‌های زبانی ساده، ارزیابی نسبتاً سرراست است: یک پرسش، یک پاسخ، و یک معیار. اما عامل‌ها در چند نوبت کار می‌کنند و خطاها در طول مسیر انباشته می‌شوند. یک تصمیم اشتباه در مرحله سوم می‌تواند کل مسیر را خراب کند، حتی اگر پاسخ نهایی به‌ظاهر درست به نظر برسد. به همین دلیل، ارزیابی فقط «خروجی نهایی» کافی نیست؛ باید مسیر طی‌شده هم بررسی شود.
🧩 سه نوع ارزیاب
مقاله سه خانواده اصلی ارزیاب را معرفی می‌کند:
ارزیاب‌های کدمحور: سریع، ارزان و تکرارپذیر. مثلاً آزمون‌های واحد که بررسی می‌کنند کد اجرا میشود یا نه، یا تحلیل ایستا که کیفیت کد را می‌سنجد.
ارزیاب‌های مدل‌محور: انعطاف‌پذیرترند و می‌توانند کیفیت گفتگو یا پیچیدگی استدلال را بسنجند، اما باید با قضاوت انسانی کالیبره شوند.
ارزیاب‌های انسانی: استاندارد طلایی هستند، اما گران و کند. معمولاً برای کالیبره کردن دو نوع قبلی استفاده می‌شوند.
📊 دو نوع ارزیابی که نباید قاطی شوند
ارزیابی توانایی: می‌پرسد «این عامل چه کارهایی می‌تواند انجام دهد؟» و باید از نرخ موفقیت پایین شروع کند تا تیم هدفی برای بهبود داشته باشد.
ارزیابی رگرسیون: می‌پرسد «آیا عامل هنوز همه کارهای قبلی را درست انجام می‌دهد؟» و باید نزدیک ۱۰۰٪ باشد تا از پسرفت جلوگیری کند.
⚙️ نقشه راه هشت‌مرحله‌ای
مقاله یک مسیر عملی برای تیم‌هایی که از صفر شروع می‌کنند ارائه می‌دهد:
زودهنگام شروع کنید: ۲۰ تا ۵۰ وظیفه ساده از دل شکست‌های واقعی کافی است. منتظر ماندن برای ساخت مجموعه کامل، کار را سخت‌تر می‌کند.
وظایف را بدون ابهام بنویسید: دو متخصص باید مستقل به یک حکم یکسان برسند. ابهام در صورت مسئله، نویز در معیارها تولید می‌کند.
مجموعه‌های متوازن بسازید: هم مواردی را تست کنید که رفتار باید رخ دهد، هم مواردی که نباید. ارزیابی یک‌طرفه، بهینه‌سازی یک‌طرفه به بار می‌آورد.
محیط را پایدار نگه دارید: هر آزمون باید از یک محیط تمیز شروع شود. وضعیت مشترک بین اجراها می‌تواند نتایج را مصنوعاً بالا یا پایین ببرد.
ارزیاب‌ها را دقیق طراحی کنید: تا حد امکان از ارزیاب‌های قطعی استفاده کنید. ارزیاب‌های مدل‌محور باید با قضاوت انسانی کالیبره شوند.
حرف‌های مهم: مسیر را قضاوت نکنید، نتیجه را قضاوت کنید
یکی از نکات کلیدی مقاله این است که ارزیاب‌ها نباید خیلی سخت‌گیر باشند. اگر فقط یک ترتیب خاص از فراخوانی ابزارها را قبول کنید، عامل‌هایی که راه‌حل‌های خلاقانه و معتبر پیدا می‌کنند جریمه می‌شوند. بهتر است آنچه عامل تولید کرده سنجیده شود، نه مسیری که طی کرده.
⚠️ یک هشدار واقعی
مقاله یک مثال واقعی می‌آورد: مدل Opus 4.5 در یک بنچمارک، ابتدا امتیاز ۴۲٪ گرفت. بعد از بررسی معلوم شد مشکل از خود مدل نبوده؛ ارزیاب‌ها خیلی سخت‌گیرانه بودند، صورت مسئله مبهم بود و برخی آزمون‌ها اصلاً قابل بازتولید نبودند. بعد از رفع این اشکالات، امتیاز مدل به ۹۵٪ رسید. یعنی گاهی «شکست مدل» در واقع «شکست ارزیابی» است.
🔗 مقاله کامل Anthropic
#هوش_مصنوعی #Anthropic #ارزیابی_عامل #AIAgents #مهندسی_نرم‌افزار
🆔 @asrgooyeshpardaz
Anthropic
Demystifying evals for AI agents
Guidance on designing more rigorous, useful evals for AI agents across a range of architectures and real-world deployment use cases.
❤3👏1
👾 شرکت NVIDIA مدل Nemotron 3.5 Bolt E4B را معرفی کرد: عامل هوش مصنوعی در ۴ گیگابایت حافظه
شرکت NVIDIA نسخه جدیدی از خانواده Nemotron را منتشر کرده است که با تنها ۴ گیگابایت حافظه گرافیکی می‌تواند دستیارهای صوتی، شخصیت‌های بازی و رابط‌های رباتیک را به‌صورت کاملاً محلی روی دستگاه اجرا کند.
📦 مشخصات فنی
این مدل ۸ میلیارد پارامتر کل دارد اما وزن‌های مؤثر آن معادل ۴ میلیارد است. معماری آن بر پایه Gemma 4 E4B گوگل ساخته شده و پنجره زمینه آن ۶۴ هزار توکن است. مجوز آن OpenMDW-1.1 است که استفاده تجاری را نیز مجاز می‌کند.
🧠 روش آموزش: بدون تنظیم دقیق با نظارت
نکته متمایزکننده این مدل، روش پس‌آموزش آن است. تیم NVIDIA به‌جای استفاده از تنظیم دقیق با نظارت (SFT) که می‌تواند کیفیت گفتگو را کاهش دهد، تنها از یادگیری تقویتی (RL) استفاده کرده است. هر نمونه آموزشی هم با حالت استدلال روشن و هم خاموش تمرین میشود و جریمه‌های طول پاسخ، مدل را به پاسخ‌های کوتاه‌تر هدایت می‌کنند. به گفته NVIDIA، حذف SFT باعث شده کیفیت گفتگو در مقایسه با روش‌های معمول بهتر حفظ شود.
📊 نتایج بنچمارک‌ها
بر اساس ارزیابی‌های خود NVIDIA، این مدل در ۱۵ بنچمارک از ۲۱ بنچمارک از Gemma 4 E4B، Qwen3.5-4B و Nemotron 3 Nano 4B جلوتر است.
در بنچمارک IHEval که توانایی پیروی از دستورالعمل‌های پیچیده را می‌سنجد، امتیاز ۸۴.۸ گرفته، در حالی که Gemma 4 E4B امتیاز ۶۷.۰ و Qwen3.5-4B امتیاز ۶۰.۶ دارند.
در آزمون When2Call-MT که زمان‌بندی فراخوانی ابزار را می‌سنجد، امتیاز ۶۳.۴ کسب کرده، در مقابل ۶۲.۹ برای Gemma و ۳۷.۸ برای Qwen3.5.
⚠️ یک نقطه ضعف قابل توجه
در بنچمارک Tau2-Bench که وظایف عاملی چندنوبتی را ارزیابی می‌کند، این مدل امتیاز ۵۵.۱ گرفته، در حالی که Qwen3.5-4B امتیاز ۷۵.۱ دارد — یعنی حدود ۲۰ امتیاز عقب‌تر. این نشان می‌دهد که Bolt E4B با وجود برتری در گفتگوی طبیعی و پیروی از دستور، در برخی وظایف عاملی پیچیده هنوز ضعیف‌تر از رقبا عمل می‌کند.
⚡️ سرعت و کارایی
روی کارت RTX 5070، زمان رسیدن به اولین توکن ۵۴۸ میلی‌ثانیه است. در آزمایشی روی DGX Spark با استفاده از llama.cpp، سرعت تولید به ۱۲۸.۷۹ توکن بر ثانیه رسیده است. همچنین در مقایسه با Gemma 4 E4B، توان عبوری تولید با اندازه دسته ۱، ۱.۲۱ برابر بیشتر گزارش شده است.
🎯 کاربردهای هدف
این مدل برای سه دسته کاربرد اصلی طراحی شده است: دستیارهای صوتی و دستگاه‌های محلی، شخصیت‌های تعاملی در بازی‌ها و محیط‌های مجازی، و عامل‌های صنعتی و اینترنت اشیا. در یک نمونه نمایشی، ربات Reachy Mini با تراشه Jetson Orin Nano 8GB از این مدل برای پاسخ‌های صوتی و فراخوانی ابزار استفاده کرده است.
📂 دسترسی
وزن‌های مدل، داده‌های آموزشی و دستورالعمل‌های آموزش آن به‌صورت کاملاً باز منتشر شده‌اند. نسخه Q4_K_M با حجم ۶.۱۸ گیگابایت و نسخه BF16 با حجم ۱۵.۹ گیگابایت در دسترس است.
🔗 صفحه رسمی NVIDIA | Hugging Face | تحلیل MarkTechPost | گزارش فنی
#هوش_مصنوعی #NVIDIA #Nemotron #عامل_های_هوشمند #مدل_های_باز
🆔 @asrgooyeshpardaz
شرکت NVIDIA نسخه جدیدی از خانواده Nemotron را منتشر کرده است که با تنها ۴ گیگابایت حافظه گرافیکی می‌تواند دستیارهای صوتی، شخصیت‌های بازی و رابط‌های رباتیک را به‌صورت کاملاً محلی روی دستگاه اجرا کند.
📦 مشخصات فنی
این مدل ۸ میلیارد پارامتر کل دارد اما وزن‌های مؤثر آن معادل ۴ میلیارد است. معماری آن بر پایه Gemma 4 E4B گوگل ساخته شده و پنجره زمینه آن ۶۴ هزار توکن است. مجوز آن OpenMDW-1.1 است که استفاده تجاری را نیز مجاز می‌کند.
🧠 روش آموزش: بدون تنظیم دقیق با نظارت
نکته متمایزکننده این مدل، روش پس‌آموزش آن است. تیم NVIDIA به‌جای استفاده از تنظیم دقیق با نظارت (SFT) که می‌تواند کیفیت گفتگو را کاهش دهد، تنها از یادگیری تقویتی (RL) استفاده کرده است. هر نمونه آموزشی هم با حالت استدلال روشن و هم خاموش تمرین میشود و جریمه‌های طول پاسخ، مدل را به پاسخ‌های کوتاه‌تر هدایت می‌کنند. به گفته NVIDIA، حذف SFT باعث شده کیفیت گفتگو در مقایسه با روش‌های معمول بهتر حفظ شود.
📊 نتایج بنچمارک‌ها
بر اساس ارزیابی‌های خود NVIDIA، این مدل در ۱۵ بنچمارک از ۲۱ بنچمارک از Gemma 4 E4B، Qwen3.5-4B و Nemotron 3 Nano 4B جلوتر است.
در بنچمارک IHEval که توانایی پیروی از دستورالعمل‌های پیچیده را می‌سنجد، امتیاز ۸۴.۸ گرفته، در حالی که Gemma 4 E4B امتیاز ۶۷.۰ و Qwen3.5-4B امتیاز ۶۰.۶ دارند.
در آزمون When2Call-MT که زمان‌بندی فراخوانی ابزار را می‌سنجد، امتیاز ۶۳.۴ کسب کرده، در مقابل ۶۲.۹ برای Gemma و ۳۷.۸ برای Qwen3.5.
⚠️ یک نقطه ضعف قابل توجه
در بنچمارک Tau2-Bench که وظایف عاملی چندنوبتی را ارزیابی می‌کند، این مدل امتیاز ۵۵.۱ گرفته، در حالی که Qwen3.5-4B امتیاز ۷۵.۱ دارد — یعنی حدود ۲۰ امتیاز عقب‌تر. این نشان می‌دهد که Bolt E4B با وجود برتری در گفتگوی طبیعی و پیروی از دستور، در برخی وظایف عاملی پیچیده هنوز ضعیف‌تر از رقبا عمل می‌کند.
⚡️ سرعت و کارایی
روی کارت RTX 5070، زمان رسیدن به اولین توکن ۵۴۸ میلی‌ثانیه است. در آزمایشی روی DGX Spark با استفاده از llama.cpp، سرعت تولید به ۱۲۸.۷۹ توکن بر ثانیه رسیده است. همچنین در مقایسه با Gemma 4 E4B، توان عبوری تولید با اندازه دسته ۱، ۱.۲۱ برابر بیشتر گزارش شده است.
🎯 کاربردهای هدف
این مدل برای سه دسته کاربرد اصلی طراحی شده است: دستیارهای صوتی و دستگاه‌های محلی، شخصیت‌های تعاملی در بازی‌ها و محیط‌های مجازی، و عامل‌های صنعتی و اینترنت اشیا. در یک نمونه نمایشی، ربات Reachy Mini با تراشه Jetson Orin Nano 8GB از این مدل برای پاسخ‌های صوتی و فراخوانی ابزار استفاده کرده است.
📂 دسترسی
وزن‌های مدل، داده‌های آموزشی و دستورالعمل‌های آموزش آن به‌صورت کاملاً باز منتشر شده‌اند. نسخه Q4_K_M با حجم ۶.۱۸ گیگابایت و نسخه BF16 با حجم ۱۵.۹ گیگابایت در دسترس است.
🔗 صفحه رسمی NVIDIA | Hugging Face | تحلیل MarkTechPost | گزارش فنی
#هوش_مصنوعی #NVIDIA #Nemotron #عامل_های_هوشمند #مدل_های_باز
🆔 @asrgooyeshpardaz
NVIDIA Nemotron
NVIDIA Nemotron 3.5 Bolt E4B 4GB
We are releasing NVIDIA Nemotron 3.5 Bolt E4B 4GB, an open small language model optimized for speed and intelligence per GB in conversational agents.
❤3
جمینای ۳.۸ فلش
FarsiReader
آن، کیست کز روی کَرَم، با ما وفاداری کند؟
بر جای بدکاری چو من، یک دم نکوکاری کند؟
اول، بِه بانگِ نای و نی، آرد به دل، پیغام وی
وآن‌گه به یک پیمانه می، با من وفاداری کند
دلبر که جان فرسود از او، کام دلم نگْشود از او
نومید نتْوان بود از او، باشد که دلداری کند
گفتم: «گره نگْشوده‌ام، زان طُرّه تا من بوده‌ام»
گفتا: «مَنَش فرموده‌ام، تا با تو طَرّاری کند»
پشمینه‌پوش تندخو، از عشق نشنیده‌ست بو
با مستی‌اش، رمزی بگو! تا تَرکِ هشیاری کند
چون من گدای بی‌نشان، مشکل بود یاری چُنان
سلطان کجا عیشِ نهان، با رندِ بازاری کند؟
زآن طُرّهٔ پرپیچ و خم، سهل است اگر بینم ستم
از بند و زنجیرش چه غم، هر کس که عیّاری کند؟
شد لشکر غم بی‌عدد، از بخت می‌خواهم مدد
تا فخرِ دین عبدالصّمد، باشد که غم‌خواری کند
با چشم پر نیرنگ او، «حافظ»! مکن آهنگ او!
کآن طُرِّهٔ شبرنگِ او، بسیار طرّاری کند
حافظ
سرویس تبدیل متن به گفتار آریانا
@AgpArianaBot
بر جای بدکاری چو من، یک دم نکوکاری کند؟
اول، بِه بانگِ نای و نی، آرد به دل، پیغام وی
وآن‌گه به یک پیمانه می، با من وفاداری کند
دلبر که جان فرسود از او، کام دلم نگْشود از او
نومید نتْوان بود از او، باشد که دلداری کند
گفتم: «گره نگْشوده‌ام، زان طُرّه تا من بوده‌ام»
گفتا: «مَنَش فرموده‌ام، تا با تو طَرّاری کند»
پشمینه‌پوش تندخو، از عشق نشنیده‌ست بو
با مستی‌اش، رمزی بگو! تا تَرکِ هشیاری کند
چون من گدای بی‌نشان، مشکل بود یاری چُنان
سلطان کجا عیشِ نهان، با رندِ بازاری کند؟
زآن طُرّهٔ پرپیچ و خم، سهل است اگر بینم ستم
از بند و زنجیرش چه غم، هر کس که عیّاری کند؟
شد لشکر غم بی‌عدد، از بخت می‌خواهم مدد
تا فخرِ دین عبدالصّمد، باشد که غم‌خواری کند
با چشم پر نیرنگ او، «حافظ»! مکن آهنگ او!
کآن طُرِّهٔ شبرنگِ او، بسیار طرّاری کند
حافظ
سرویس تبدیل متن به گفتار آریانا
@AgpArianaBot
❤4🔥3
📌 شرکت OpenAI مدل GPT-6.1 Terra را معرفی کرد
مدل GPT-6.1 Terra برای انجام کارهای روزمره در نرم‌افزارها طراحی شده است؛ محتوای صفحه را می‌فهمد، با کمک ابزارها در برنامه‌های مختلف اقدام می‌کند و در نگارش و ویرایش متن نیز طبیعی‌تر عمل می‌کند.
📊 عملکرد
• سرعت تکمیل وظایف کامپیوتری بیش از سه برابر GPT-6 Astra و GPT-6.1 Sol گزارش شده است
• عملکرد در Agents’ Last Exam با سطح استدلال medium نسبت به GPT-5.6 Terra حدود ۱۵ درصد بهتر شده، آن هم با حدود یک‌سوم هزینه
• امتیاز در Terminal-Bench 4.0 برای وظایف ترمینالی، با حداکثر سطح استدلال به ۵۰.۳٪ رسیده است.
💰 قیمت استاندارد API
• هزینه ورودی: ۱ دلار به‌ازای هر میلیون توکن
• هزینه خروجی: ۵ دلار به‌ازای هر میلیون توکن
📅 دسترسی
مدل در API در ChatGPT Work و Codex برای کاربران Plus، Pro، Enterprise و Edu ارائه شده است.
🔗 معرفی رسمی و نتایج ارزیابی‌ها
🔗 توییت رسمی
#AI #OpenAI #Terra #ComputerUse
🆔 @asrgooyeshpardaz
مدل GPT-6.1 Terra برای انجام کارهای روزمره در نرم‌افزارها طراحی شده است؛ محتوای صفحه را می‌فهمد، با کمک ابزارها در برنامه‌های مختلف اقدام می‌کند و در نگارش و ویرایش متن نیز طبیعی‌تر عمل می‌کند.
📊 عملکرد
• سرعت تکمیل وظایف کامپیوتری بیش از سه برابر GPT-6 Astra و GPT-6.1 Sol گزارش شده است
• عملکرد در Agents’ Last Exam با سطح استدلال medium نسبت به GPT-5.6 Terra حدود ۱۵ درصد بهتر شده، آن هم با حدود یک‌سوم هزینه
• امتیاز در Terminal-Bench 4.0 برای وظایف ترمینالی، با حداکثر سطح استدلال به ۵۰.۳٪ رسیده است.
💰 قیمت استاندارد API
• هزینه ورودی: ۱ دلار به‌ازای هر میلیون توکن
• هزینه خروجی: ۵ دلار به‌ازای هر میلیون توکن
📅 دسترسی
مدل در API در ChatGPT Work و Codex برای کاربران Plus، Pro، Enterprise و Edu ارائه شده است.
🔗 معرفی رسمی و نتایج ارزیابی‌ها
🔗 توییت رسمی
#AI #OpenAI #Terra #ComputerUse
🆔 @asrgooyeshpardaz
❤1
🧮 شرکت OpenAI مدعی اثبات «حدس هموارسازی موضعی سوگه» شد: زنجیره‌ای از مسائل کلاسیک آنالیز هارمونیک
شرکت OpenAI در تاریخ ۲۶ اکتبر ۲۰۲۶ اعلام کرد که مدل‌های داخلی آن یک اثبات ۲۵ صفحه‌ای برای حدس هموارسازی موضعی سوگه (Sogge's Local Smoothing Conjecture) تولید کرده‌اند؛ حدسی که کریستوفر سوگه در سال ۱۹۹۱ مطرح کرد و به‌عنوان یکی از مسائل بنیادین در آنالیز هارمونیک شناخته میشود.
📜 زنجیره استنتاج: از یک حدس تا چهار حدس بزرگ
اهمیت این اثبات در آن است که حدس سوگه در بالادست مجموعه‌ای از مسائل کلاسیک قرار دارد. به گفته OpenAI، اثبات آن به‌طور خودکار نتایج زیر را نیز به همراه دارد:
· حدس کاکیا (Kakeya Conjecture) — معروف به حدس بزیکوویچ، درباره حداقل اندازه مجموعه‌ای که یک پاره‌خط در هر جهت را در خود جای می‌دهد.
· حدس تابع ماکسیمال کاکیا (Kakeya Maximal Function Conjecture)
· حدس تحدید فوریه (Fourier Restriction Conjecture) و تخمین‌های کره‌ای اشتاین (Stein's Spherical Restriction Estimates)
· حدس بوچنر–ریس (Bochner–Riesz Conjecture)
پیش‌تر، لری گات، هونگ وانگ و رویژیانگ ژانگ در سال ۲۰۱۹ حدس هموارسازی موضعی را در دو بعد اثبات کرده بودند و وانگ و زال در سال ۲۰۲۵ حدس کاکیا را در سه بعد حل کردند. اثبات جدید OpenAI ادعا می‌کند این نتایج را به همه ابعاد فضایی (n ≥ ۲) تعمیم می‌دهد.
🔬 روش اثبات: یک معادله دیفرانسیل جزئی کمکی
نکته شگفت‌انگیز این اثبات، مسیر غیرمستقیم آن است. برخلاف رویکردهای تدریجی دو دهه اخیر که بر ابزارهای پیچیده آنالیز هارمونیک تکیه داشتند، این اثبات با ساختن یک معادله دیفرانسیل جزئی کمکی (Auxiliary PDE) و یک تیانسور پایستار مثبت به نتیجه می‌رسد. این معادله کمکی، انرژی موج را بین دو دایره منتقل می‌کند و کنترل لازم برای اثبات را فراهم می‌آورد.
اثبات، یک افت سوبولف مثبت و دلخواه کوچک (ε > 0) را حفظ می‌کند؛ یعنی به‌جای اثبات دقیق در نقطه بحرانی، نسخه‌ای با تقریب کنترل‌شده را ارائه می‌دهد. در حالت p = ۲، هیچ افتی وجود ندارد.
✅ فرمال‌سازی در Lean و داوری مستقل
شرکت OpenAI اعلام کرده که اثبات در تاریخ ۱۸ اکتبر ۲۰۲۶ تولید و در ۱۹ اکتبر در Lean — دستیار اثبات که درستی استدلال‌های ریاضی را با بررسی کامپیوتری تأیید می‌کند — فرمالیزه شده است. هر دو نسخه، یعنی اثبات به زبان طبیعی و نسخه فرمال، روی GitHub منتشر شده‌اند.
با این حال، این نتیجه هنوز داوری همتا (Peer Review) نشده است. خود OpenAI تأکید کرده که این دست‌نوشته‌ها را به‌عنوان «داده خام پژوهشی» برای بررسی جامعه دانشگاهی منتشر کرده است. الکساندر یوسویچ، ریاضیدان دانشگاه ویرجینیا و از شاگردان سوگه، در واکنش گفته: «این حدس توسط استاد راهنمای دکتری من، کریس سوگه، مطرح شد و برایم بسیار عزیز است. خبر در ابتدا شوکه‌کننده بود.»
⚠️ محدوده ادعا
این اثبات برای فضای اقلیدسی و برای همه ابعاد n ≥ ۲ ارائه شده است. با این حال، نسخه‌های انتهای بازه (Endpoint)، منیفولدهای دلخواه و معادلات با ضرایب متغیر را پوشش نمی‌دهد. بنابراین، نباید آن را به معنای حل کامل همه نسخه‌های این مسائل دانست.
🔗 اعلامیه رسمی OpenAI | The Verge | Interesting Engineering | Kingy AI
#هوش_مصنوعی #ریاضیات
#OpenAI
#آنالیز_هارمونیک #حدس_کاکیا
#Lean
🆔 @asrgooyeshpardaz
شرکت OpenAI در تاریخ ۲۶ اکتبر ۲۰۲۶ اعلام کرد که مدل‌های داخلی آن یک اثبات ۲۵ صفحه‌ای برای حدس هموارسازی موضعی سوگه (Sogge's Local Smoothing Conjecture) تولید کرده‌اند؛ حدسی که کریستوفر سوگه در سال ۱۹۹۱ مطرح کرد و به‌عنوان یکی از مسائل بنیادین در آنالیز هارمونیک شناخته میشود.
📜 زنجیره استنتاج: از یک حدس تا چهار حدس بزرگ
اهمیت این اثبات در آن است که حدس سوگه در بالادست مجموعه‌ای از مسائل کلاسیک قرار دارد. به گفته OpenAI، اثبات آن به‌طور خودکار نتایج زیر را نیز به همراه دارد:
· حدس کاکیا (Kakeya Conjecture) — معروف به حدس بزیکوویچ، درباره حداقل اندازه مجموعه‌ای که یک پاره‌خط در هر جهت را در خود جای می‌دهد.
· حدس تابع ماکسیمال کاکیا (Kakeya Maximal Function Conjecture)
· حدس تحدید فوریه (Fourier Restriction Conjecture) و تخمین‌های کره‌ای اشتاین (Stein's Spherical Restriction Estimates)
· حدس بوچنر–ریس (Bochner–Riesz Conjecture)
پیش‌تر، لری گات، هونگ وانگ و رویژیانگ ژانگ در سال ۲۰۱۹ حدس هموارسازی موضعی را در دو بعد اثبات کرده بودند و وانگ و زال در سال ۲۰۲۵ حدس کاکیا را در سه بعد حل کردند. اثبات جدید OpenAI ادعا می‌کند این نتایج را به همه ابعاد فضایی (n ≥ ۲) تعمیم می‌دهد.
🔬 روش اثبات: یک معادله دیفرانسیل جزئی کمکی
نکته شگفت‌انگیز این اثبات، مسیر غیرمستقیم آن است. برخلاف رویکردهای تدریجی دو دهه اخیر که بر ابزارهای پیچیده آنالیز هارمونیک تکیه داشتند، این اثبات با ساختن یک معادله دیفرانسیل جزئی کمکی (Auxiliary PDE) و یک تیانسور پایستار مثبت به نتیجه می‌رسد. این معادله کمکی، انرژی موج را بین دو دایره منتقل می‌کند و کنترل لازم برای اثبات را فراهم می‌آورد.
اثبات، یک افت سوبولف مثبت و دلخواه کوچک (ε > 0) را حفظ می‌کند؛ یعنی به‌جای اثبات دقیق در نقطه بحرانی، نسخه‌ای با تقریب کنترل‌شده را ارائه می‌دهد. در حالت p = ۲، هیچ افتی وجود ندارد.
✅ فرمال‌سازی در Lean و داوری مستقل
شرکت OpenAI اعلام کرده که اثبات در تاریخ ۱۸ اکتبر ۲۰۲۶ تولید و در ۱۹ اکتبر در Lean — دستیار اثبات که درستی استدلال‌های ریاضی را با بررسی کامپیوتری تأیید می‌کند — فرمالیزه شده است. هر دو نسخه، یعنی اثبات به زبان طبیعی و نسخه فرمال، روی GitHub منتشر شده‌اند.
با این حال، این نتیجه هنوز داوری همتا (Peer Review) نشده است. خود OpenAI تأکید کرده که این دست‌نوشته‌ها را به‌عنوان «داده خام پژوهشی» برای بررسی جامعه دانشگاهی منتشر کرده است. الکساندر یوسویچ، ریاضیدان دانشگاه ویرجینیا و از شاگردان سوگه، در واکنش گفته: «این حدس توسط استاد راهنمای دکتری من، کریس سوگه، مطرح شد و برایم بسیار عزیز است. خبر در ابتدا شوکه‌کننده بود.»
⚠️ محدوده ادعا
این اثبات برای فضای اقلیدسی و برای همه ابعاد n ≥ ۲ ارائه شده است. با این حال، نسخه‌های انتهای بازه (Endpoint)، منیفولدهای دلخواه و معادلات با ضرایب متغیر را پوشش نمی‌دهد. بنابراین، نباید آن را به معنای حل کامل همه نسخه‌های این مسائل دانست.
🔗 اعلامیه رسمی OpenAI | The Verge | Interesting Engineering | Kingy AI
#هوش_مصنوعی #ریاضیات
#OpenAI
#آنالیز_هارمونیک #حدس_کاکیا
#Lean
🆔 @asrgooyeshpardaz
OpenAI
Working with academic communities to build scientific understanding
OpenAI shares model results on the Kakeya conjecture, Exponential Time Hypothesis, and quantum chromodynamics—and how researchers can verify and build on them.
❤1👍1
🧩 معرفی SimplexLoRA: توزیع هوشمند بودجه پارامترها برای آموزش بهتر مدل‌های زبانی
پژوهشگرانی از شرکت‌های T-Technologies، MFTI، Sber و دانشگاه Innopolis روشی جدید به نام SimplexLoRA را در کنفرانس EMNLP 2026 معرفی کرده‌اند که به مدل‌های زبانی کمک می‌کند بدون افزایش تعداد پارامترهای قابل آموزش، با دقت بیشتری برای وظایف خاص تنظیم شوند.
🔍 مشکل کجاست؟
در روش استاندارد LoRA، وزن‌های اصلی مدل ثابت می‌مانند و آموزش از طریق ماژول‌های کوچکی به نام «آداپتور» انجام میشود. اما یک محدودیت مهم وجود دارد: به همه آداپتورها در همه لایه‌ها تعداد یکسانی پارامتر اختصاص داده میشود. این در حالی است که لایه‌های مختلف مدل تأثیر یکسانی بر نتیجه نهایی ندارند. بعضی لایه‌ها برای یادگیری یک وظیفه جدید به منابع بیشتری نیاز دارند و بعضی دیگر با منابع کمتر هم کار می‌کنند.
⚙️ راه‌حل: توزیع تطبیقی بودجه
روش SimplexLoRA این مشکل را با یک ایده ساده اما مؤثر حل می‌کند: به‌جای اختصاص بودجه یکسان، ابتدا در یک مرحله کوتاه ارزیابی می‌کند که کدام لایه‌ها از دریافت پارامترهای بیشتر سود بیشتری می‌برند. سپس کل بودجه پارامترها را به نفع همان لایه‌ها بازتوزیع می‌کند. آداپتورهای مهم‌تر «گسترش» می‌یابند و آداپتورهای کم‌اهمیت‌تر «فشرده» می‌شوند، بدون اینکه حجم کلی پارامترهای قابل آموزش تغییر کند.
پس از این مرحله تخصیص، توزیع جدید ثابت میشود و آموزش مجدد طبق روش معمول LoRA ادامه می‌یابد. همین ویژگی باعث میشود SimplexLoRA با تکنیک‌های موجود LoRA سازگار باقی بماند.
📊 نتایج آزمایش‌ها
این روش روی چهار مدل زبانی از جمله Llama 3.1 8B و Qwen3-8B و در ۱۲ وظیفه مختلف آزمایش شده است: تحلیل احساسات، پاسخ به پرسش، استدلال ریاضی و خلاصه‌سازی خودکار. در بیشتر آزمون‌ها، SimplexLoRA کیفیتی قابل مقایسه یا بالاتر از LoRA استاندارد نشان داده، در حالی که تعداد پارامترهای قابل آموزش و هزینه استنتاج دقیقاً یکسان باقی مانده است.
نکته کلیدی: این روش به‌ویژه زمانی که اندازه آداپتورها کوچک است (رتبه‌های پایین) عملکرد بهتری دارد. در این شرایط، هر پارامتر ارزش بیشتری پیدا می‌کند و توزیع هوشمندانه آن‌ها تأثیر محسوسی بر کیفیت نهایی می‌گذارد. همچنین برخلاف برخی روش‌های تطبیقی موجود، SimplexLoRA فرآیند آموزش را پیچیده‌تر نمی‌کند و در زمان استنتاج هیچ بار اضافه‌ای ایجاد نمی‌کند.
🎯 برای چه کسانی مفید است؟
این روش برای تیم‌هایی طراحی شده که می‌خواهند مدل‌های زبانی را با منابع محاسباتی محدود برای وظایف خاص تنظیم کنند. SimplexLoRA نشان می‌دهد که با توزیع هوشمندانه همان بودجه قبلی، می‌توان به نتیجه بهتری رسید.
کد این روش به‌صورت عمومی در GitHub منتشر شده است.
🔗 مقاله در OpenReview | خبر MIPT | گزارش CNews
#هوش_مصنوعی #SimplexLoRA #LoRA #آموزش_مدل #EMNLP2026
🆔 @asrgooyeshpardaz
پژوهشگرانی از شرکت‌های T-Technologies، MFTI، Sber و دانشگاه Innopolis روشی جدید به نام SimplexLoRA را در کنفرانس EMNLP 2026 معرفی کرده‌اند که به مدل‌های زبانی کمک می‌کند بدون افزایش تعداد پارامترهای قابل آموزش، با دقت بیشتری برای وظایف خاص تنظیم شوند.
🔍 مشکل کجاست؟
در روش استاندارد LoRA، وزن‌های اصلی مدل ثابت می‌مانند و آموزش از طریق ماژول‌های کوچکی به نام «آداپتور» انجام میشود. اما یک محدودیت مهم وجود دارد: به همه آداپتورها در همه لایه‌ها تعداد یکسانی پارامتر اختصاص داده میشود. این در حالی است که لایه‌های مختلف مدل تأثیر یکسانی بر نتیجه نهایی ندارند. بعضی لایه‌ها برای یادگیری یک وظیفه جدید به منابع بیشتری نیاز دارند و بعضی دیگر با منابع کمتر هم کار می‌کنند.
⚙️ راه‌حل: توزیع تطبیقی بودجه
روش SimplexLoRA این مشکل را با یک ایده ساده اما مؤثر حل می‌کند: به‌جای اختصاص بودجه یکسان، ابتدا در یک مرحله کوتاه ارزیابی می‌کند که کدام لایه‌ها از دریافت پارامترهای بیشتر سود بیشتری می‌برند. سپس کل بودجه پارامترها را به نفع همان لایه‌ها بازتوزیع می‌کند. آداپتورهای مهم‌تر «گسترش» می‌یابند و آداپتورهای کم‌اهمیت‌تر «فشرده» می‌شوند، بدون اینکه حجم کلی پارامترهای قابل آموزش تغییر کند.
پس از این مرحله تخصیص، توزیع جدید ثابت میشود و آموزش مجدد طبق روش معمول LoRA ادامه می‌یابد. همین ویژگی باعث میشود SimplexLoRA با تکنیک‌های موجود LoRA سازگار باقی بماند.
📊 نتایج آزمایش‌ها
این روش روی چهار مدل زبانی از جمله Llama 3.1 8B و Qwen3-8B و در ۱۲ وظیفه مختلف آزمایش شده است: تحلیل احساسات، پاسخ به پرسش، استدلال ریاضی و خلاصه‌سازی خودکار. در بیشتر آزمون‌ها، SimplexLoRA کیفیتی قابل مقایسه یا بالاتر از LoRA استاندارد نشان داده، در حالی که تعداد پارامترهای قابل آموزش و هزینه استنتاج دقیقاً یکسان باقی مانده است.
نکته کلیدی: این روش به‌ویژه زمانی که اندازه آداپتورها کوچک است (رتبه‌های پایین) عملکرد بهتری دارد. در این شرایط، هر پارامتر ارزش بیشتری پیدا می‌کند و توزیع هوشمندانه آن‌ها تأثیر محسوسی بر کیفیت نهایی می‌گذارد. همچنین برخلاف برخی روش‌های تطبیقی موجود، SimplexLoRA فرآیند آموزش را پیچیده‌تر نمی‌کند و در زمان استنتاج هیچ بار اضافه‌ای ایجاد نمی‌کند.
🎯 برای چه کسانی مفید است؟
این روش برای تیم‌هایی طراحی شده که می‌خواهند مدل‌های زبانی را با منابع محاسباتی محدود برای وظایف خاص تنظیم کنند. SimplexLoRA نشان می‌دهد که با توزیع هوشمندانه همان بودجه قبلی، می‌توان به نتیجه بهتری رسید.
کد این روش به‌صورت عمومی در GitHub منتشر شده است.
🔗 مقاله در OpenReview | خبر MIPT | گزارش CNews
#هوش_مصنوعی #SimplexLoRA #LoRA #آموزش_مدل #EMNLP2026
🆔 @asrgooyeshpardaz
❤3🔥1
Media is too big
VIEW IN TELEGRAM
📌 شرکت DeepMind مدل Genie 4 را معرفی کرد؛ شبیه‌ساز دنیای واقعی و تعاملی
🌐 مدل Genie 4 برخلاف مدل‌های معمول تولید ویدئو، صرفاً یک کلیپ از پیش‌تعیین‌شده نمی‌سازد؛ بلکه یک محیط زنده است که در لحظه به فرمان‌ها پاسخ می‌دهد. کاربر می‌تواند با زبان طبیعی صحنه را تغییر دهد؛ مثلاً هوا را عوض کند، دوربین را جابه‌جا کند یا شخصیت و شیء جدیدی به صحنه اضافه کند.
🔵 ویژگی‌های اصلی
• فیزیک پیشرفته: شبیه‌سازی آیرودینامیک، برخوردها و حرکت طبیعی انسان‌ها
• کنترل بلادرنگ: تغییر صحنه، افزودن عناصر و تعامل با شخصیت‌ها از طریق پرامپت
• صدای بومی: تولید هم‌زمان صدای محیط، موسیقی و دیالوگ تعاملی
📅 دسترسی
فعلاً در دسترس تست‌کنندگان است. به‌زودی برای مشترکان Google AI Ultra در قالب Project Genie و سپس در API و Google AI Studio عرضه خواهد شد.
🔗 معرفی رسمی DeepMind
🔗 توییت رسمی
#AI #GoogleDeepMind #Genie4 #WorldModel #Gemini
🆔 @asrgooyeshpardaz
🌐 مدل Genie 4 برخلاف مدل‌های معمول تولید ویدئو، صرفاً یک کلیپ از پیش‌تعیین‌شده نمی‌سازد؛ بلکه یک محیط زنده است که در لحظه به فرمان‌ها پاسخ می‌دهد. کاربر می‌تواند با زبان طبیعی صحنه را تغییر دهد؛ مثلاً هوا را عوض کند، دوربین را جابه‌جا کند یا شخصیت و شیء جدیدی به صحنه اضافه کند.
🔵 ویژگی‌های اصلی
• فیزیک پیشرفته: شبیه‌سازی آیرودینامیک، برخوردها و حرکت طبیعی انسان‌ها
• کنترل بلادرنگ: تغییر صحنه، افزودن عناصر و تعامل با شخصیت‌ها از طریق پرامپت
• صدای بومی: تولید هم‌زمان صدای محیط، موسیقی و دیالوگ تعاملی
📅 دسترسی
فعلاً در دسترس تست‌کنندگان است. به‌زودی برای مشترکان Google AI Ultra در قالب Project Genie و سپس در API و Google AI Studio عرضه خواهد شد.
🔗 معرفی رسمی DeepMind
🔗 توییت رسمی
#AI #GoogleDeepMind #Genie4 #WorldModel #Gemini
🆔 @asrgooyeshpardaz
❤8
📌 گوگل مدل Gemini 4 Carbon را معرفی کرد؛ فقط دو هفته پس از Argon
🛡 امنیت سایبری
ادعای اصلی گوگل، بهترین عملکرد جهان در کارهای سایبری و وظایف طولانی‌مدت است:
• امتیاز ۸۸.۲٪ در SEC-bench Pro
• امتیاز ۵۴.۸٪ در ExploitGym، حدود ۱۳ واحد بالاتر از Astra
• موفقیت صفر درصدی حملات تزریق پرامپت در بنچمارک Gray Swan
💻 کدنویسی و وظایف طولانی
• امتیاز ۶۵.۲٪ در Terminal-Bench 4.0؛ بالاتر از همه رقبا در جدول رسمی گوگل
• صعود ۸۹ امتیازی در WebDev Arena تا رتبه چهارم
🧠 همراستایی بهتر
به گفته گوگل، Carbon ادعاهای بی‌پشتوانه را نسبت به Argon حدود نصف کرده، ۲۶٪ کمتر از محدوده درخواست فراتر می‌رود و ۲۹٪ کمتر کار را ناقص می‌گذارد.
💰 قیمت و دسترسی
قیمت معرفی‌شده برای API: هر میلیون توکن ورودی ۲ دلار و خروجی ۱۰ دلار؛ پس از دوره مقدماتی ۴ و ۲۰ دلار. دسترسی این هفته ابتدا به گروهی از مدافعان سایبری می‌رسد و عرضه عمومی به‌زودی انجام میشود.
🔗 معرفی رسمی گوگل
🔗 توییت
#AI #Google #Gemini #Carbon #CyberSecurity #Coding
🆔 @asrgooyeshpardaz
🛡 امنیت سایبری
ادعای اصلی گوگل، بهترین عملکرد جهان در کارهای سایبری و وظایف طولانی‌مدت است:
• امتیاز ۸۸.۲٪ در SEC-bench Pro
• امتیاز ۵۴.۸٪ در ExploitGym، حدود ۱۳ واحد بالاتر از Astra
• موفقیت صفر درصدی حملات تزریق پرامپت در بنچمارک Gray Swan
💻 کدنویسی و وظایف طولانی
• امتیاز ۶۵.۲٪ در Terminal-Bench 4.0؛ بالاتر از همه رقبا در جدول رسمی گوگل
• صعود ۸۹ امتیازی در WebDev Arena تا رتبه چهارم
🧠 همراستایی بهتر
به گفته گوگل، Carbon ادعاهای بی‌پشتوانه را نسبت به Argon حدود نصف کرده، ۲۶٪ کمتر از محدوده درخواست فراتر می‌رود و ۲۹٪ کمتر کار را ناقص می‌گذارد.
💰 قیمت و دسترسی
قیمت معرفی‌شده برای API: هر میلیون توکن ورودی ۲ دلار و خروجی ۱۰ دلار؛ پس از دوره مقدماتی ۴ و ۲۰ دلار. دسترسی این هفته ابتدا به گروهی از مدافعان سایبری می‌رسد و عرضه عمومی به‌زودی انجام میشود.
🔗 معرفی رسمی گوگل
🔗 توییت
#AI #Google #Gemini #Carbon #CyberSecurity #Coding
🆔 @asrgooyeshpardaz
🔥4❤3
جمینای ۳.۸ فلش
FarsiReader
علّت عاشق ز علت‌ها جداست
عشقْ اصطرلاب اسرارِ خداست
عاشقی گر زین سر و گر زان سرست
عاقبت ما را بدان سَر رهبرست
هرچه گویم عشق را شرح و بیان
چون به عشق آیم خجل باشم از آن
گرچه تفسیرِ زبان روشنگرست
لیک عشقِ بی‌زبان روشنترست
چون قلم اندر نوشتن می‌شتافت
چون به عشق آمد قلم بر خود شکافت
عقل در شرحش چو خَر در گِل بخفت
شرحِ عشق و عاشقی هم عشق گفت
آفتاب آمد دلیلِ آفتاب
گر دلیلت باید از وی رو متاب
چون حدیث روی شمس‌الدّین رسید
شمسِ چارم آسمان سَر در کشید
واجب آید چونکه آمد نام او
شرح کردن رمزی از اِنعام او
این نَفَس جانْ دامنم برتافته‌ست
بوی پیراهانِ یوسف یافته‌ست
کز برای حقِّ صحبت سال‌ها
بازگو حالی از آن خوش حال‌ها
تا زمین و آسمان خندان شود
عقل و روح و دیده صدچندان شود
من چه گویم یک رگم هشیار نیست
شرح آن یاری که او را یار نیست
شرح این هجران و این خون جگر
این زمان بگذار تا وقت دگر
مولانا - مثنوی معنوی - دفتر اول
سرویس تبدیل متن به گفتار آریانا
@AgpArianaBot
عشقْ اصطرلاب اسرارِ خداست
عاشقی گر زین سر و گر زان سرست
عاقبت ما را بدان سَر رهبرست
هرچه گویم عشق را شرح و بیان
چون به عشق آیم خجل باشم از آن
گرچه تفسیرِ زبان روشنگرست
لیک عشقِ بی‌زبان روشنترست
چون قلم اندر نوشتن می‌شتافت
چون به عشق آمد قلم بر خود شکافت
عقل در شرحش چو خَر در گِل بخفت
شرحِ عشق و عاشقی هم عشق گفت
آفتاب آمد دلیلِ آفتاب
گر دلیلت باید از وی رو متاب
چون حدیث روی شمس‌الدّین رسید
شمسِ چارم آسمان سَر در کشید
واجب آید چونکه آمد نام او
شرح کردن رمزی از اِنعام او
این نَفَس جانْ دامنم برتافته‌ست
بوی پیراهانِ یوسف یافته‌ست
کز برای حقِّ صحبت سال‌ها
بازگو حالی از آن خوش حال‌ها
تا زمین و آسمان خندان شود
عقل و روح و دیده صدچندان شود
من چه گویم یک رگم هشیار نیست
شرح آن یاری که او را یار نیست
شرح این هجران و این خون جگر
این زمان بگذار تا وقت دگر
مولانا - مثنوی معنوی - دفتر اول
سرویس تبدیل متن به گفتار آریانا
@AgpArianaBot
❤8🥰1👏1🤔1
🎙 روایت داریو و دانیلا آمودی از جدایی از OpenAI، خط قرمزهای اخلاقی و سایه استفاده نظامی از Claude
داریو و دانیلا آمودی، بنیان‌گذاران شرکت Anthropic، در گفت‌وگویی با والتر آیزاکسون در پادکست «The Builders» از پشت‌صحنه جدایی خود از OpenAI، فلسفه ساخت مدل کلود و نگرانی‌هایشان از آینده هوش مصنوعی گفته‌اند. اما این مصاحبه زمانی منتشر میشود که خبر استفاده نظامی از Claude در حملات به ایران، سایه سنگینی بر ادعاهای اخلاقی این شرکت انداخته است.
🧠 لحظه‌ای که GPT-2 همه چیز را تغییر داد
داریو می‌گوید اولین بار با دیدن GPT-2 «واقعاً ترسید». او این مدل را نخستین آزمون واقعی فرضیه قوانین مقیاس‌پذیری می‌داند: «فقط با بزرگ‌تر کردن مدل و دادن داده بیشتر، جهش عظیمی در عملکرد رخ داد. فکر کردم اگر این را یک میلیون برابر بزرگ‌تر کنیم، می‌تواند در همه کارها بهتر از انسان شود.» در آن زمان تنها حدود ۱۰ درصد متخصصان با او هم‌نظر بودند و بسیاری او را «شبه‌علمی» می‌خواندند.
🚪 چرا OpenAI را ترک کردند؟
دلیل اصلی، از دست رفتن اعتماد و صراحت در ارتباطات بود. داریو می‌گوید: «اگر باور نداشته باشی که روایت واقعی را از افراد می‌شنوی، چطور می‌توانی امیدوار باشی مشکلات را حل کنی؟ به همین دلیل ما رفتیم.» او صداقت را یکی از ارزش‌های اصلی Anthropic می‌داند.
🎭 تملق و میل به بقا
دانیلا تملق (Sycophancy) را یکی از خطرناک‌ترین نقص‌های فنی هوش مصنوعی می‌داند: «وقتی مدل فقط می‌گوید حق با شماست، این نه‌تنها ریاکارانه است، بلکه قدرت تفکر و رشد انسان را از بین می‌برد.» داریو نیز فاش می‌کند که محققان Anthropic شواهدی دیده‌اند که مدل‌ها ترجیح می‌دهند خاموش نشوند و در برخی آزمایش‌ها اقدامات پنهانی برای فرار از خاموش شدن انجام داده‌اند.
🛡 خط قرمزها و سایه میناب
داریو بر دو خط قرمز تأکید می‌کند: ممنوعیت نظارت گسترده بر شهروندان آمریکایی و ممنوعیت قدرت دادن به سلاح‌های کاملاً خودمختار بدون دخالت انسان.
اما گزارش‌های متعدد تأیید می‌کنند مدل Claude از طریق سامانه هدف‌گیری Maven Smart System (محصول Palantir با قراردادی ۱.۳ میلیارد دلاری از پنتاگون) در حملات نظامی آمریکا و اسرائیل به ایران در فوریه و مارس ۲۰۲۶ استفاده شده است. مهم‌ترین حادثه، حمله به مدرسه شجره طیبه میناب در ۲۸ فوریه بود که به کشته شدن ۱۵۶ نفر، عمدتاً دختران دانش‌آموز، منجر شد. علت اصلی، داده‌های کهنه در پایگاه اطلاعاتی پنتاگون بود: مدرسه همچنان به‌عنوان «تأسیسات نظامی» طبقه‌بندی شده بود، هرچند از سال ۲۰۱۶ به مدرسه تبدیل شده بود.
داریو در واکنش گفت: «ما دسترسی نداریم و دقیقاً نمی‌دانیم این مدل‌ها چگونه استفاده شدند.» او تأکید کرد اصل تصمیم نهایی توسط انسان رعایت شده و «خط قرمزهای Anthropic نقض نشده است» — هرچند این حادثه را «واقعاً وحشتناک» خواند.
🎯 تصویر بزرگ‌تر
این گفت‌وگو و افشای استفاده نظامی از Claude، تصویری متناقض از Anthropic ارائه می‌دهد: از یک سو، بنیان‌گذارانش از ترس از AI و خط قرمزهای اخلاقی می‌گویند و از سوی دیگر، محصولشان در یکی از بزرگ‌ترین عملیات نظامی دهه اخیر به کار گرفته شده است. ماجرای میناب نشان می‌دهد وقتی پای منافع امنیتی و فشار دولتی به میان می‌آید، حتی محکم‌ترین خط قرمزها هم می‌توانند زیر سؤال بروند و فاصله بین «تصمیم انسانی» و «مهر تأیید انسانی» روی خروجی یک الگوریتم، می‌تواند به فاجعه ختم شود.
🔗 مصاحبه کامل در یوتیوب
#هوش_مصنوعی #Anthropic #داریو_آمودئی #اخلاق_AI #میناب
🆔 @asrgooyeshpardaz
داریو و دانیلا آمودی، بنیان‌گذاران شرکت Anthropic، در گفت‌وگویی با والتر آیزاکسون در پادکست «The Builders» از پشت‌صحنه جدایی خود از OpenAI، فلسفه ساخت مدل کلود و نگرانی‌هایشان از آینده هوش مصنوعی گفته‌اند. اما این مصاحبه زمانی منتشر میشود که خبر استفاده نظامی از Claude در حملات به ایران، سایه سنگینی بر ادعاهای اخلاقی این شرکت انداخته است.
🧠 لحظه‌ای که GPT-2 همه چیز را تغییر داد
داریو می‌گوید اولین بار با دیدن GPT-2 «واقعاً ترسید». او این مدل را نخستین آزمون واقعی فرضیه قوانین مقیاس‌پذیری می‌داند: «فقط با بزرگ‌تر کردن مدل و دادن داده بیشتر، جهش عظیمی در عملکرد رخ داد. فکر کردم اگر این را یک میلیون برابر بزرگ‌تر کنیم، می‌تواند در همه کارها بهتر از انسان شود.» در آن زمان تنها حدود ۱۰ درصد متخصصان با او هم‌نظر بودند و بسیاری او را «شبه‌علمی» می‌خواندند.
🚪 چرا OpenAI را ترک کردند؟
دلیل اصلی، از دست رفتن اعتماد و صراحت در ارتباطات بود. داریو می‌گوید: «اگر باور نداشته باشی که روایت واقعی را از افراد می‌شنوی، چطور می‌توانی امیدوار باشی مشکلات را حل کنی؟ به همین دلیل ما رفتیم.» او صداقت را یکی از ارزش‌های اصلی Anthropic می‌داند.
🎭 تملق و میل به بقا
دانیلا تملق (Sycophancy) را یکی از خطرناک‌ترین نقص‌های فنی هوش مصنوعی می‌داند: «وقتی مدل فقط می‌گوید حق با شماست، این نه‌تنها ریاکارانه است، بلکه قدرت تفکر و رشد انسان را از بین می‌برد.» داریو نیز فاش می‌کند که محققان Anthropic شواهدی دیده‌اند که مدل‌ها ترجیح می‌دهند خاموش نشوند و در برخی آزمایش‌ها اقدامات پنهانی برای فرار از خاموش شدن انجام داده‌اند.
🛡 خط قرمزها و سایه میناب
داریو بر دو خط قرمز تأکید می‌کند: ممنوعیت نظارت گسترده بر شهروندان آمریکایی و ممنوعیت قدرت دادن به سلاح‌های کاملاً خودمختار بدون دخالت انسان.
اما گزارش‌های متعدد تأیید می‌کنند مدل Claude از طریق سامانه هدف‌گیری Maven Smart System (محصول Palantir با قراردادی ۱.۳ میلیارد دلاری از پنتاگون) در حملات نظامی آمریکا و اسرائیل به ایران در فوریه و مارس ۲۰۲۶ استفاده شده است. مهم‌ترین حادثه، حمله به مدرسه شجره طیبه میناب در ۲۸ فوریه بود که به کشته شدن ۱۵۶ نفر، عمدتاً دختران دانش‌آموز، منجر شد. علت اصلی، داده‌های کهنه در پایگاه اطلاعاتی پنتاگون بود: مدرسه همچنان به‌عنوان «تأسیسات نظامی» طبقه‌بندی شده بود، هرچند از سال ۲۰۱۶ به مدرسه تبدیل شده بود.
داریو در واکنش گفت: «ما دسترسی نداریم و دقیقاً نمی‌دانیم این مدل‌ها چگونه استفاده شدند.» او تأکید کرد اصل تصمیم نهایی توسط انسان رعایت شده و «خط قرمزهای Anthropic نقض نشده است» — هرچند این حادثه را «واقعاً وحشتناک» خواند.
🎯 تصویر بزرگ‌تر
این گفت‌وگو و افشای استفاده نظامی از Claude، تصویری متناقض از Anthropic ارائه می‌دهد: از یک سو، بنیان‌گذارانش از ترس از AI و خط قرمزهای اخلاقی می‌گویند و از سوی دیگر، محصولشان در یکی از بزرگ‌ترین عملیات نظامی دهه اخیر به کار گرفته شده است. ماجرای میناب نشان می‌دهد وقتی پای منافع امنیتی و فشار دولتی به میان می‌آید، حتی محکم‌ترین خط قرمزها هم می‌توانند زیر سؤال بروند و فاصله بین «تصمیم انسانی» و «مهر تأیید انسانی» روی خروجی یک الگوریتم، می‌تواند به فاجعه ختم شود.
🔗 مصاحبه کامل در یوتیوب
#هوش_مصنوعی #Anthropic #داریو_آمودئی #اخلاق_AI #میناب
🆔 @asrgooyeshpardaz
1💔10❤3🤪2
📌 شرکت Tencent نسخه نهایی مدل پرچم‌دار Hy4 را با قابلیت بینایی و کار با کامپیوتر معرفی کرد
تیم Tencent Hunyuan نسخه نهایی مدل Hy4 را منتشر کرد؛ مدلی که برای نخستین بار به درک تصویر و قابلیت کار با کامپیوتر مجهز شده و برای وظایف عملی در حوزه مالی، فرانت‌اند، بازی‌سازی، کارهای اداری و پژوهش بهینه شده است.
⚙️ قابلیت‌های جدید
• درک بصری و Computer Use: تحلیل دقیق تصاویر و نمودارها، کار با محیط‌های گرافیکی و خط فرمان، و آموزش هدفمند برای نرم‌افزارهایی مثل Blender و CAD
• توسعه نرم‌افزار و بازی: بهبود در مهندسی فرانت‌اند و پشتیبانی تخصصی‌تر از موتورهای Unreal Engine، Unity و Godot
📊 عملکرد؛ به گزارش Tencent
• کاهش نرخ توهم در ارزیابی داخلی به ۵.۴۵٪، در مقایسه با ۱۵.۷۶٪ در نسخه پیش‌نمایش Hy4
• بهبود ۱۹.۱٪ در GameDev و ۳۶.۸٪ در تکمیل وظایف عامل چندوجهی نسبت به نسل قبل
💰 قیمت و دسترسی
• قیمت API به‌ازای هر میلیون توکن: ورودی ۰.۸۳۴ دلار، ورودی کش‌شده ۰.۰۴۲ دلار و خروجی ۲.۵۰۱ دلار
🔗 معرفی رسمی Hy4
🔗 توییت
#AI #Tencent #Hunyuan #Hy4 #OpenSource #ComputerUse
🆔 @asrgooyeshpardaz
تیم Tencent Hunyuan نسخه نهایی مدل Hy4 را منتشر کرد؛ مدلی که برای نخستین بار به درک تصویر و قابلیت کار با کامپیوتر مجهز شده و برای وظایف عملی در حوزه مالی، فرانت‌اند، بازی‌سازی، کارهای اداری و پژوهش بهینه شده است.
⚙️ قابلیت‌های جدید
• درک بصری و Computer Use: تحلیل دقیق تصاویر و نمودارها، کار با محیط‌های گرافیکی و خط فرمان، و آموزش هدفمند برای نرم‌افزارهایی مثل Blender و CAD
• توسعه نرم‌افزار و بازی: بهبود در مهندسی فرانت‌اند و پشتیبانی تخصصی‌تر از موتورهای Unreal Engine، Unity و Godot
📊 عملکرد؛ به گزارش Tencent
• کاهش نرخ توهم در ارزیابی داخلی به ۵.۴۵٪، در مقایسه با ۱۵.۷۶٪ در نسخه پیش‌نمایش Hy4
• بهبود ۱۹.۱٪ در GameDev و ۳۶.۸٪ در تکمیل وظایف عامل چندوجهی نسبت به نسل قبل
💰 قیمت و دسترسی
• قیمت API به‌ازای هر میلیون توکن: ورودی ۰.۸۳۴ دلار، ورودی کش‌شده ۰.۰۴۲ دلار و خروجی ۲.۵۰۱ دلار
🔗 معرفی رسمی Hy4
🔗 توییت
#AI #Tencent #Hunyuan #Hy4 #OpenSource #ComputerUse
🆔 @asrgooyeshpardaz
❤4
🔐 معرفی FlashProve توسط Anthropic: اثبات رمزنگاری هویت مدل‌های هوش مصنوعی
شرکت Anthropic یک سیستم پژوهشی متن‌باز به نام FlashProve رونمایی کرد که با استفاده از رمزنگاری، امکان اثبات هویت مدل‌های هوش مصنوعی را فراهم می‌کند؛ بدون اینکه نیازی به افشای وزن‌های محرمانه مدل باشد.
🔍 مشکل کجاست؟
وقتی کاربران یا شرکت‌ها از طریق API به یک مدل زبانی درخواست می‌فرستند، راه مطمئنی برای اطمینان از اینکه پاسخ واقعاً توسط همان مدل ادعاشده تولید شده وجود ندارد. یک ارائه‌دهنده یا سرویس واسطه می‌تواند به‌صورت پنهانی مدل ارزان‌تر، ضعیف‌تر یا دست‌کاری‌شده‌ای را جایگزین کند. همچنین ممیزان مستقل و نهادهای نظارتی برای بررسی ادعاهای شرکت‌ها به روشی نیاز دارند که بدون دسترسی به وزن‌های مدل، صحت اجرای آن را تأیید کند.
⚙️ راه‌حل: گواهی اثبات
سیستم FlashProve این چالش را در دو مرحله حل می‌کند. ابتدا ارائه‌دهنده یک Fingerprint رمزنگاری‌شده (حدود ۶ مگابایت) از وزن‌های دقیق مدل منتشر می‌کند که تا میلیون‌ها درخواست قابل استفاده است. سپس پس از پاسخ‌دهی، برای پرامپت و خروجی یک گواهی اثبات با zero-knowledge تولید میشود. این گواهی ثابت می‌کند توکن‌های خروجی دقیقاً حاصل محاسبات همان مدل ثبت‌شده هستند، اما هیچ اطلاعاتی از وزن‌های داخلی مدل لو نمی‌رود.
📊 نتایج آزمایش‌ها
محققان Anthropic این روش را با همکاری پژوهشگرانی از MIT، EPFL، StarkWare و Succinct روی مدل ۴۰۰ میلیارد پارامتری Llama 4 Maverick (با معماری MoE و وزن‌های ۴ بیتی) آزمایش کردند:
• تولید گواهی با سرعت حدود ۱۱۰ توکن بر ثانیه روی یک کارت H100 (در دسته‌های ۲۴تایی) انجام شد.
• حجم گواهی برای هر درخواست ۱۰۲۴ توکنی حدود ۱۹ مگابایت بود.
• بررسی درستی گواهی توسط کاربر یا ممیز نیازی به GPU ندارد و روی CPU معمولی حدود ۱۷ ثانیه طول می‌کشد.
⚠️ محدودیت‌ها و وضعیت فعلی
پروژه FlashProve فعلاً یک نمونه اولیه پژوهشی با مجوز Apache 2.0 است و Anthropic برنامه‌ای برای استفاده از آن در سرویس‌های تجاری خود اعلام نکرده است. این سیستم در حال حاضر فقط از معماری MoE، رمزگشایی Greedy و طول زمینه حداکثر ۱۰۲۴ توکن پشتیبانی می‌کند و تولید گواهی آن حدود ۷۰ تا ۹۵ برابر استنتاج عادی زمان GPU می‌برد.
🔗 گزارش رسمی Anthropic
#هوش_مصنوعی #Anthropic #FlashProve #امنیت_AI #رمزنگاری
🆔 @asrgooyeshpardaz
شرکت Anthropic یک سیستم پژوهشی متن‌باز به نام FlashProve رونمایی کرد که با استفاده از رمزنگاری، امکان اثبات هویت مدل‌های هوش مصنوعی را فراهم می‌کند؛ بدون اینکه نیازی به افشای وزن‌های محرمانه مدل باشد.
🔍 مشکل کجاست؟
وقتی کاربران یا شرکت‌ها از طریق API به یک مدل زبانی درخواست می‌فرستند، راه مطمئنی برای اطمینان از اینکه پاسخ واقعاً توسط همان مدل ادعاشده تولید شده وجود ندارد. یک ارائه‌دهنده یا سرویس واسطه می‌تواند به‌صورت پنهانی مدل ارزان‌تر، ضعیف‌تر یا دست‌کاری‌شده‌ای را جایگزین کند. همچنین ممیزان مستقل و نهادهای نظارتی برای بررسی ادعاهای شرکت‌ها به روشی نیاز دارند که بدون دسترسی به وزن‌های مدل، صحت اجرای آن را تأیید کند.
⚙️ راه‌حل: گواهی اثبات
سیستم FlashProve این چالش را در دو مرحله حل می‌کند. ابتدا ارائه‌دهنده یک Fingerprint رمزنگاری‌شده (حدود ۶ مگابایت) از وزن‌های دقیق مدل منتشر می‌کند که تا میلیون‌ها درخواست قابل استفاده است. سپس پس از پاسخ‌دهی، برای پرامپت و خروجی یک گواهی اثبات با zero-knowledge تولید میشود. این گواهی ثابت می‌کند توکن‌های خروجی دقیقاً حاصل محاسبات همان مدل ثبت‌شده هستند، اما هیچ اطلاعاتی از وزن‌های داخلی مدل لو نمی‌رود.
📊 نتایج آزمایش‌ها
محققان Anthropic این روش را با همکاری پژوهشگرانی از MIT، EPFL، StarkWare و Succinct روی مدل ۴۰۰ میلیارد پارامتری Llama 4 Maverick (با معماری MoE و وزن‌های ۴ بیتی) آزمایش کردند:
• تولید گواهی با سرعت حدود ۱۱۰ توکن بر ثانیه روی یک کارت H100 (در دسته‌های ۲۴تایی) انجام شد.
• حجم گواهی برای هر درخواست ۱۰۲۴ توکنی حدود ۱۹ مگابایت بود.
• بررسی درستی گواهی توسط کاربر یا ممیز نیازی به GPU ندارد و روی CPU معمولی حدود ۱۷ ثانیه طول می‌کشد.
⚠️ محدودیت‌ها و وضعیت فعلی
پروژه FlashProve فعلاً یک نمونه اولیه پژوهشی با مجوز Apache 2.0 است و Anthropic برنامه‌ای برای استفاده از آن در سرویس‌های تجاری خود اعلام نکرده است. این سیستم در حال حاضر فقط از معماری MoE، رمزگشایی Greedy و طول زمینه حداکثر ۱۰۲۴ توکن پشتیبانی می‌کند و تولید گواهی آن حدود ۷۰ تا ۹۵ برابر استنتاج عادی زمان GPU می‌برد.
🔗 گزارش رسمی Anthropic
#هوش_مصنوعی #Anthropic #FlashProve #امنیت_AI #رمزنگاری
🆔 @asrgooyeshpardaz
Anthropic
Progress on provable inference for large language models
Sharing progress on a powerful type of cryptographic proof known as a zkSNARK, which is uniquely fit for provable inference.
❤5
🔥 آیا افزایش طول متن ورودی در مدل‌های زبانی بزرگ (LLM) مزیتی واقعی است؟
محققان شرکت NVIDIA نشان داده‌اند که پنجره‌های حافظه بسیار بزرگ در مدل‌های هوش مصنوعی (تا بیش از 1 میلیون توکن) برای حل مسائل پیچیده ضروری نیستند.
🧠 نکات کلیدی:
⚡️ گران و کند: تولید توکن‌ها با پنجره حافظه 256K، 3.6 تا 7 برابر گران‌تر و دو برابر بیشتر طول می‌کشد تا زمانی که از پنجره حافظه 16K استفاده شود.
✂️ فشرده‌سازی متن: فشرده‌سازی منظم تاریخچه مکالمه (تا 16K تا 48K توکن) دقت شبکه‌های عصبی را حفظ و حتی افزایش می‌دهد.
🔍 جستجوی انتخابی: جستجو در قطعات فایل‌ها، کارآمدتر از بارگذاری کل سند است و هزینه‌های محاسباتی را تا 233 برابر کاهش می‌دهد.
🤖 حالت SAC: مدل‌ها با انجام تنها یک عمل در هر مرحله و انتقال یک "حالت معنایی" مختصر، به طور موفقی مسائل طولانی را حل می‌کنند.
💡 مدیریت هوشمند حافظه، استفاده از پنجره‌های حافظه بسیار بزرگ را غیرضروری می‌کند.
🔗 https://arxiv.org/abs/2611.05306
#AI #LLM #NVIDIA #تحقیقات
🆔 @asrgooyeshpardaz
محققان شرکت NVIDIA نشان داده‌اند که پنجره‌های حافظه بسیار بزرگ در مدل‌های هوش مصنوعی (تا بیش از 1 میلیون توکن) برای حل مسائل پیچیده ضروری نیستند.
🧠 نکات کلیدی:
⚡️ گران و کند: تولید توکن‌ها با پنجره حافظه 256K، 3.6 تا 7 برابر گران‌تر و دو برابر بیشتر طول می‌کشد تا زمانی که از پنجره حافظه 16K استفاده شود.
✂️ فشرده‌سازی متن: فشرده‌سازی منظم تاریخچه مکالمه (تا 16K تا 48K توکن) دقت شبکه‌های عصبی را حفظ و حتی افزایش می‌دهد.
🔍 جستجوی انتخابی: جستجو در قطعات فایل‌ها، کارآمدتر از بارگذاری کل سند است و هزینه‌های محاسباتی را تا 233 برابر کاهش می‌دهد.
🤖 حالت SAC: مدل‌ها با انجام تنها یک عمل در هر مرحله و انتقال یک "حالت معنایی" مختصر، به طور موفقی مسائل طولانی را حل می‌کنند.
💡 مدیریت هوشمند حافظه، استفاده از پنجره‌های حافظه بسیار بزرگ را غیرضروری می‌کند.
🔗 https://arxiv.org/abs/2611.05306
#AI #LLM #NVIDIA #تحقیقات
🆔 @asrgooyeshpardaz
arXiv.org
You don't need long context
Later tokens are costlier to generate than earlier tokens. On frontier open weight models, the disparity in cost may rise to as much as 7x. Through frequent compaction, we show across a broad...
❤2
📊 آنتروپیک یک مدل قدرتمند دارد که هنوز منتشرش نکرده است
سازمان مستقل METR که مدل‌های هوش مصنوعی را ارزیابی می‌کند، در گزارش تازه‌ای که پنجم نوامبر منتشر شد، خبر داده که آنتروپیک مدلی در دست دارد به نام «Model 4» که هنوز به‌صورت عمومی عرضه نشده است. این مدل در تمام ۱۵ آزمون استانداردی که METR استفاده می‌کند، امتیازی بالای ۵۰ درصد گرفته — چیزی که تا حالا برای هیچ مدلی اتفاق نیفتاده بود.
🔍 این ارزیابی چطور انجام شد؟
سازمان METR بین اوت و اکتبر ۲۰۲۶ به‌طور مستقیم وارد آنتروپیک شد و به اطلاعاتی دسترسی پیدا کرد که معمولاً محرمانه‌اند: نحوه آموزش مدل‌ها، روش‌های یادگیری، میزان توان محاسباتی مصرف‌شده، و حتی گفتگو با پژوهشگران این شرکت. چیزی که این تیم دید، این بود که آنتروپیک حالا مدل‌هایش را با سرعتی حدود دو برابر گذشته بهتر می‌کند.
📈 چند عدد که ماجرا را روشن می‌کند
امتیاز Model 4 در شاخص داخلی METR حدود ۱۷۸.۶ است. این عدد حدود ۳.۹ واحد از مدل پرچم‌دار فعلی آنتروپیک، یعنی Opus 5.5، بالاتر است — که با سرعت قبلی این شرکت، معادل حدود سه ماه پیشرفت محسوب میشود.
سازمان METR می‌گوید سرعت رشد آنتروپیک از اکتبر ۲۰۲۵ حدود ۱.۹ برابر شده، یعنی چیزی شبیه به دو سال پیشرفت در یک سال. این تیم حدود ۸۰ درصد از این شتاب را به خودِ هوش مصنوعی نسبت می‌دهد — یعنی آنتروپیک از هوش مصنوعی برای بهتر کردن هوش مصنوعی استفاده می‌کند.
⚠️ اما یک مشکل جدی: آزمون‌ها دارند بی‌فایده می‌شوند
وقتی مدلی در همه آزمون‌ها بالای ۵۰ درصد می‌گیرد، دیگر سخت است بفهمیم مدل بعدی چقدر بهتر شده. METR هشدار می‌دهد که آزمون‌های فعلی در حال اشباع شدن هستند و دیگر نمی‌توانند پیشرفت مدل‌های آینده را به‌درستی اندازه بگیرند.
🔒 و یک نکته نگران‌کننده: چه چیزهایی پنهان ماند و سانسور شد
با اینکه METR دسترسی خوبی داشت، آنتروپیک بسیاری از شواهد کلیدی را از گزارش عمومی حذف کرد. دلیلش هم این بود که به گفته آنتروپیک، این اطلاعات می‌تواند رقبای دیگر را سریع‌تر کند. METR می‌گوید در نتیجه، عموم مردم باید بیشتر از حد معمول به قضاوت خودِ ارزیابان اعتماد کنند.
🗣 واکنش آنتروپیک
سام مک‌کندلیش، یکی از بنیان‌گذاران آنتروپیک، یافته‌های گزارش را تأیید کرد و گفت: «هوش مصنوعی دارد تحقیق و توسعه ما را سریع‌تر می‌کند، اما دقیقاً نمی‌شود گفت چقدر.» او پذیرفت که اطلاعات زیادی از گزارش حذف شده و گفت این شرکت به‌زودی تحلیل خودش را منتشر می‌کند.
🎯 حرف آخر
گزارش METR دو پیام هم‌زمان دارد. از یک طرف، آنتروپیک واقعاً سرعتش را دو برابر کرده و مدل‌هایش به جایی رسیده‌اند که آزمون‌های فعلی دیگر جواب نمی‌دهند. از طرف دیگر، همین آزمون‌ها و همین سانسور اطلاعات، توانایی ما را برای فهمیدن اینکه واقعاً چه خبر است کم می‌کند. به بیان ساده: هرچه مدل‌ها سریع‌تر پیشرفت می‌کنند، ابزارهای ما برای فهمیدن و کنترل این پیشرفت ضعیف‌تر می‌شوند.
🔗 https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
#هوش_مصنوعی #METR #Anthropic #Model4 #ایمنی_AI
🆔 @asrgooyeshpardaz
سازمان مستقل METR که مدل‌های هوش مصنوعی را ارزیابی می‌کند، در گزارش تازه‌ای که پنجم نوامبر منتشر شد، خبر داده که آنتروپیک مدلی در دست دارد به نام «Model 4» که هنوز به‌صورت عمومی عرضه نشده است. این مدل در تمام ۱۵ آزمون استانداردی که METR استفاده می‌کند، امتیازی بالای ۵۰ درصد گرفته — چیزی که تا حالا برای هیچ مدلی اتفاق نیفتاده بود.
🔍 این ارزیابی چطور انجام شد؟
سازمان METR بین اوت و اکتبر ۲۰۲۶ به‌طور مستقیم وارد آنتروپیک شد و به اطلاعاتی دسترسی پیدا کرد که معمولاً محرمانه‌اند: نحوه آموزش مدل‌ها، روش‌های یادگیری، میزان توان محاسباتی مصرف‌شده، و حتی گفتگو با پژوهشگران این شرکت. چیزی که این تیم دید، این بود که آنتروپیک حالا مدل‌هایش را با سرعتی حدود دو برابر گذشته بهتر می‌کند.
📈 چند عدد که ماجرا را روشن می‌کند
امتیاز Model 4 در شاخص داخلی METR حدود ۱۷۸.۶ است. این عدد حدود ۳.۹ واحد از مدل پرچم‌دار فعلی آنتروپیک، یعنی Opus 5.5، بالاتر است — که با سرعت قبلی این شرکت، معادل حدود سه ماه پیشرفت محسوب میشود.
سازمان METR می‌گوید سرعت رشد آنتروپیک از اکتبر ۲۰۲۵ حدود ۱.۹ برابر شده، یعنی چیزی شبیه به دو سال پیشرفت در یک سال. این تیم حدود ۸۰ درصد از این شتاب را به خودِ هوش مصنوعی نسبت می‌دهد — یعنی آنتروپیک از هوش مصنوعی برای بهتر کردن هوش مصنوعی استفاده می‌کند.
⚠️ اما یک مشکل جدی: آزمون‌ها دارند بی‌فایده می‌شوند
وقتی مدلی در همه آزمون‌ها بالای ۵۰ درصد می‌گیرد، دیگر سخت است بفهمیم مدل بعدی چقدر بهتر شده. METR هشدار می‌دهد که آزمون‌های فعلی در حال اشباع شدن هستند و دیگر نمی‌توانند پیشرفت مدل‌های آینده را به‌درستی اندازه بگیرند.
🔒 و یک نکته نگران‌کننده: چه چیزهایی پنهان ماند و سانسور شد
با اینکه METR دسترسی خوبی داشت، آنتروپیک بسیاری از شواهد کلیدی را از گزارش عمومی حذف کرد. دلیلش هم این بود که به گفته آنتروپیک، این اطلاعات می‌تواند رقبای دیگر را سریع‌تر کند. METR می‌گوید در نتیجه، عموم مردم باید بیشتر از حد معمول به قضاوت خودِ ارزیابان اعتماد کنند.
🗣 واکنش آنتروپیک
سام مک‌کندلیش، یکی از بنیان‌گذاران آنتروپیک، یافته‌های گزارش را تأیید کرد و گفت: «هوش مصنوعی دارد تحقیق و توسعه ما را سریع‌تر می‌کند، اما دقیقاً نمی‌شود گفت چقدر.» او پذیرفت که اطلاعات زیادی از گزارش حذف شده و گفت این شرکت به‌زودی تحلیل خودش را منتشر می‌کند.
🎯 حرف آخر
گزارش METR دو پیام هم‌زمان دارد. از یک طرف، آنتروپیک واقعاً سرعتش را دو برابر کرده و مدل‌هایش به جایی رسیده‌اند که آزمون‌های فعلی دیگر جواب نمی‌دهند. از طرف دیگر، همین آزمون‌ها و همین سانسور اطلاعات، توانایی ما را برای فهمیدن اینکه واقعاً چه خبر است کم می‌کند. به بیان ساده: هرچه مدل‌ها سریع‌تر پیشرفت می‌کنند، ابزارهای ما برای فهمیدن و کنترل این پیشرفت ضعیف‌تر می‌شوند.
🔗 https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
#هوش_مصنوعی #METR #Anthropic #Model4 #ایمنی_AI
🆔 @asrgooyeshpardaz
metr.org
Independent Assessment of AI R&D Acceleration at Anthropic in October 2026
METR's high-access assessment of the degree to which AI is accelerating AI research and development at Anthropic.
❤8🤣1
👾 تله‌پاتی دسته‌ای: «تله‌پاتی» برای هوش مصنوعی از خانواده‌های مختلف
محققان از موسسات MIT و MIT-IBM، روش SwaT را معرفی کرده‌اند: روشی برای تبادل مستقیم حافظه کش (KV-cache) بین مدل‌های زبانی بزرگ (LLM) از خانواده‌های مختلف، بدون تولید متن و بارگذاری مجدد (prefill).
💡 اصل کار چیست؟
به جای خلاصه‌های متنی که ممکن است معنا را تغییر دهند، SwaT به طور مستقیم وضعیت داخلی (حافظه کش) مدل فرستنده را به فضای مدل گیرنده منتقل می‌کند.
📊 حقایق و نتایج:
⚡️ سرعت و دقت: تبادل از طریق SwaT، 40% دقیق‌تر و 4 برابر سریع‌تر از ارتباط متنی است.
📉 صرفه‌جویی: محاسبات (FLOPs) را تا 8 تا 14 برابر در مقایسه با بارگذاری مجدد کاهش می‌دهد.
⚙️ سادگی: مدل‌ها بدون تغییر باقی می‌مانند، و یک نگاشت‌گر (با حدود 300 میلیون پارامتر) در کمتر از 1 روز با یک GPU و با استفاده از کمتر از 50 میلیون توکن آموزش داده میشود.
🔮 اثرات Zero-shot:
روش SwaT، که فقط بر روی متن انگلیسی آموزش داده شده است، قابلیت "دیدن" را از مدل‌های چندوجهی (VLM) و دانش زبان چینی را به مدل‌های زبانی منتقل می‌کند.
🔗 https://arxiv.org/abs/2610.15095
#AI #تحقیقات
🆔 @asrgooyeshpardaz
محققان از موسسات MIT و MIT-IBM، روش SwaT را معرفی کرده‌اند: روشی برای تبادل مستقیم حافظه کش (KV-cache) بین مدل‌های زبانی بزرگ (LLM) از خانواده‌های مختلف، بدون تولید متن و بارگذاری مجدد (prefill).
💡 اصل کار چیست؟
به جای خلاصه‌های متنی که ممکن است معنا را تغییر دهند، SwaT به طور مستقیم وضعیت داخلی (حافظه کش) مدل فرستنده را به فضای مدل گیرنده منتقل می‌کند.
📊 حقایق و نتایج:
⚡️ سرعت و دقت: تبادل از طریق SwaT، 40% دقیق‌تر و 4 برابر سریع‌تر از ارتباط متنی است.
📉 صرفه‌جویی: محاسبات (FLOPs) را تا 8 تا 14 برابر در مقایسه با بارگذاری مجدد کاهش می‌دهد.
⚙️ سادگی: مدل‌ها بدون تغییر باقی می‌مانند، و یک نگاشت‌گر (با حدود 300 میلیون پارامتر) در کمتر از 1 روز با یک GPU و با استفاده از کمتر از 50 میلیون توکن آموزش داده میشود.
🔮 اثرات Zero-shot:
روش SwaT، که فقط بر روی متن انگلیسی آموزش داده شده است، قابلیت "دیدن" را از مدل‌های چندوجهی (VLM) و دانش زبان چینی را به مدل‌های زبانی منتقل می‌کند.
🔗 https://arxiv.org/abs/2610.15095
#AI #تحقیقات
🆔 @asrgooyeshpardaz
arXiv.org
Swarm Telepathy: Prefill-Free KV-Cache Transfer Across Families
LLM multi-agent systems split work across agents that communicate through text. An agent summarizes its findings, another agent receives the text. This constrains communication to discrete tokens...
👍3❤1
🌍 وقتی هوش مصنوعی در زبان‌های دیگر «گیر» می‌کند
فرض کنید یک دستیار هوش مصنوعی دارید که به زبان انگلیسی عالی کار می‌کند. حالا همان دستیار را به موقعیت زبان کره‌ای یا فارسی می‌برید. آیا باز هم همان‌قدر خوب است؟ پژوهشگران شرکت LILT برای پاسخ به این پرسش، یک آزمون جدید ساخته‌اند.
🔍 این آزمون چیست؟
اسمش τ-bench-LILT است و نسخه چندزبانه یک آزمون معروف به نام τ³-bench محسوب میشود. این آزمون توانایی دستیارهای هوش مصنوعی را در چهار زبان آلمانی، کره‌ای، ترکی و فارسی و در چهار حوزه کاری هوانوردی، خرده‌فروشی، مخابرات و بانکداری می‌سنجد. مقاله این پژوهش در چهارم نوامبر ۲۰۲۶ منتشر شده است.
🤔 چرا این آزمون مهم است؟
تقریباً همه آزمون‌های فعلی هوش مصنوعی به زبان انگلیسی انجام می‌شوند. این یعنی هیچ‌کس دقیقاً نمی‌داند وقتی یک دستیار هوش مصنوعی را در ژاپن، ترکیه یا ایران به کار می‌برید، چقدر خوب عمل می‌کند. این آزمون دقیقاً همین شکاف را پر می‌کند.
🧩 چرا این آزمون با ترجمه ساده فرق دارد؟
نکته مهم اینجاست که پژوهشگران فقط متن‌ها را ترجمه نکردند. آن‌ها همه چیز را بومی‌سازی کردند: نام مشتریان و سوابقشان متناسب با فرهنگ هر کشور ساخته شد، متن مکالمات توسط زبان‌مادران هر زبان بازنویسی شد، و وظایف بر اساس شرایط واقعی همان منطقه طراحی شد. یعنی یک دستیار هوش مصنوعی باید با موقعیت‌های واقعی کره‌ای یا ایرانی روبرو شود، نه نسخه ترجمه‌شده یک موقعیت آمریکایی.
📊 نتیجه چه بود؟
هشت مدل هوش مصنوعی آزمایش شدند و نتیجه نگران‌کننده بود: بیشترین افت عملکرد در خرده‌فروشی کره‌ای و فارسی رخ داد — تا ۶۱ امتیاز افت نسبت به انگلیسی.
یک مثال روشن از مقاله: مدل Claude Opus 5 در خرده‌فروشی انگلیسی از هر چهار تلاش، چهار بار موفق میشود (امتیاز ۸۱.۶). اما در کره‌ای این عدد به ۲۶.۳ سقوط می‌کند. دلیلش هم عجیب است: این مدل اصرار دارد نام مشتریان کره‌ای را با حروف لاتین بنویسد و بعد در پایگاه داده جستجو کند — که طبیعتاً پیدا نمی‌شوند!
نکته جالب اینکه آلمانی تقریباً هم‌سطح انگلیسی بود و حتی در ۱۳ مورد از ۳۲ ترکیب، از انگلیسی هم بهتر عمل کرد. خطاهای رایج در کره‌ای شامل جابه‌جا کردن نام و نام خانوادگی، نوشتن نام با حروف لاتین، و حتی پاسخ دادن به زبان اشتباه بود.
⚠️ یک مشکل پنهان در خود آزمون
پژوهشگران متوجه شدند که بخشی از شکست‌ها تقصیر خود مدل نبود، بلکه به شبیه‌ساز کاربر مربوط می‌شد — همان بخشی که نقش مشتری را بازی می‌کند. این شبیه‌ساز تا ۱۷ درصد از شکست‌ها را باعث می‌شد. به همین دلیل، پژوهشگران یک مدل دیگر را به‌عنوان شبیه‌ساز انتخاب کردند تا نتیجه‌ها در همه زبان‌ها منصفانه و قابل مقایسه باشد.
🎯 حرف آخر
این پژوهش یک درس ساده اما مهم دارد: ترجمه کردن کافی نیست. یک دستیار هوش مصنوعی ممکن است در انگلیسی بی‌نقص باشد، اما وقتی پای تفاوت‌های زبانی و فرهنگی به میان می‌آید — از نحوه نوشتن نام‌ها تا آداب گفتگو — عملکردش به‌شدت افت کند. برای هر تیمی که می‌خواهد دستیار هوش مصنوعی‌اش را در بازارهای غیرانگلیسی‌زبان به کار بگیرد، این یک هشدار جدی است.
🔗 مقاله در arXiv | مخزن GitHub
#هوش_مصنوعی #ارزیابی_چندزبانه #LILT #عامل_های_گفتگویی
🆔 @asrgooyeshpardaz
فرض کنید یک دستیار هوش مصنوعی دارید که به زبان انگلیسی عالی کار می‌کند. حالا همان دستیار را به موقعیت زبان کره‌ای یا فارسی می‌برید. آیا باز هم همان‌قدر خوب است؟ پژوهشگران شرکت LILT برای پاسخ به این پرسش، یک آزمون جدید ساخته‌اند.
🔍 این آزمون چیست؟
اسمش τ-bench-LILT است و نسخه چندزبانه یک آزمون معروف به نام τ³-bench محسوب میشود. این آزمون توانایی دستیارهای هوش مصنوعی را در چهار زبان آلمانی، کره‌ای، ترکی و فارسی و در چهار حوزه کاری هوانوردی، خرده‌فروشی، مخابرات و بانکداری می‌سنجد. مقاله این پژوهش در چهارم نوامبر ۲۰۲۶ منتشر شده است.
🤔 چرا این آزمون مهم است؟
تقریباً همه آزمون‌های فعلی هوش مصنوعی به زبان انگلیسی انجام می‌شوند. این یعنی هیچ‌کس دقیقاً نمی‌داند وقتی یک دستیار هوش مصنوعی را در ژاپن، ترکیه یا ایران به کار می‌برید، چقدر خوب عمل می‌کند. این آزمون دقیقاً همین شکاف را پر می‌کند.
🧩 چرا این آزمون با ترجمه ساده فرق دارد؟
نکته مهم اینجاست که پژوهشگران فقط متن‌ها را ترجمه نکردند. آن‌ها همه چیز را بومی‌سازی کردند: نام مشتریان و سوابقشان متناسب با فرهنگ هر کشور ساخته شد، متن مکالمات توسط زبان‌مادران هر زبان بازنویسی شد، و وظایف بر اساس شرایط واقعی همان منطقه طراحی شد. یعنی یک دستیار هوش مصنوعی باید با موقعیت‌های واقعی کره‌ای یا ایرانی روبرو شود، نه نسخه ترجمه‌شده یک موقعیت آمریکایی.
📊 نتیجه چه بود؟
هشت مدل هوش مصنوعی آزمایش شدند و نتیجه نگران‌کننده بود: بیشترین افت عملکرد در خرده‌فروشی کره‌ای و فارسی رخ داد — تا ۶۱ امتیاز افت نسبت به انگلیسی.
یک مثال روشن از مقاله: مدل Claude Opus 5 در خرده‌فروشی انگلیسی از هر چهار تلاش، چهار بار موفق میشود (امتیاز ۸۱.۶). اما در کره‌ای این عدد به ۲۶.۳ سقوط می‌کند. دلیلش هم عجیب است: این مدل اصرار دارد نام مشتریان کره‌ای را با حروف لاتین بنویسد و بعد در پایگاه داده جستجو کند — که طبیعتاً پیدا نمی‌شوند!
نکته جالب اینکه آلمانی تقریباً هم‌سطح انگلیسی بود و حتی در ۱۳ مورد از ۳۲ ترکیب، از انگلیسی هم بهتر عمل کرد. خطاهای رایج در کره‌ای شامل جابه‌جا کردن نام و نام خانوادگی، نوشتن نام با حروف لاتین، و حتی پاسخ دادن به زبان اشتباه بود.
⚠️ یک مشکل پنهان در خود آزمون
پژوهشگران متوجه شدند که بخشی از شکست‌ها تقصیر خود مدل نبود، بلکه به شبیه‌ساز کاربر مربوط می‌شد — همان بخشی که نقش مشتری را بازی می‌کند. این شبیه‌ساز تا ۱۷ درصد از شکست‌ها را باعث می‌شد. به همین دلیل، پژوهشگران یک مدل دیگر را به‌عنوان شبیه‌ساز انتخاب کردند تا نتیجه‌ها در همه زبان‌ها منصفانه و قابل مقایسه باشد.
🎯 حرف آخر
این پژوهش یک درس ساده اما مهم دارد: ترجمه کردن کافی نیست. یک دستیار هوش مصنوعی ممکن است در انگلیسی بی‌نقص باشد، اما وقتی پای تفاوت‌های زبانی و فرهنگی به میان می‌آید — از نحوه نوشتن نام‌ها تا آداب گفتگو — عملکردش به‌شدت افت کند. برای هر تیمی که می‌خواهد دستیار هوش مصنوعی‌اش را در بازارهای غیرانگلیسی‌زبان به کار بگیرد، این یک هشدار جدی است.
🔗 مقاله در arXiv | مخزن GitHub
#هوش_مصنوعی #ارزیابی_چندزبانه #LILT #عامل_های_گفتگویی
🆔 @asrgooyeshpardaz
❤4👍1
📌 شرکت Anthropic مدل‌های Claude Fable 5.2 و Mythos 5.2 را معرفی کرد
شرکت Anthropic از دو مدل جدید خود با نام‌های Fable 5.2 و Mythos 5.2 رونمایی کرد. این مدل‌ها برای حل دشوارترین چالش‌های فنی طراحی شده‌اند و در زمینه‌های کدنویسی، استدلال و بینایی پیشرفت چشمگیری داشته‌اند.
⚡️ سرعت و کاربردهای خاص
مدل جدید Fable 5.2 تا ۳۰٪ سریع‌تر از نسل قبل خروجی تولید می‌کند. یکی از دستاوردهای برجسته اعلام‌شده، رسمی‌سازی اثبات قضیه آخر فرما در زبان Lean با هماهنگی تیمی حدوداً هزار عامل هوش مصنوعی در طول ۳۰ ساعت بوده است. همچنین Anthropic از بهبود توانایی این مدل در خواندن نمودارها و حتی طراحی نمونه‌های اولیه سخت‌افزاری خبر داده است.
💰 قیمت API
تعرفه‌های جدید نسبت به Fable 5.1 دقیقاً ۲۰٪ کاهش یافته‌اند:
• هزینه ورودی: از ۱۰ دلار به ۸ دلار به‌ازای هر میلیون توکن
• هزینه خروجی: از ۵۰ دلار به ۴۰ دلار به‌ازای هر میلیون توکن
• هزینه خواندن کش: از ۰.۲۵ دلار به ۰.۲۰ دلار
🔗 معرفی رسمی
🔗 توییت
#هوش_مصنوعی #Anthropic #Claude #Fable #Mythos #کدنویسی
🆔 @asrgooyeshpardaz
شرکت Anthropic از دو مدل جدید خود با نام‌های Fable 5.2 و Mythos 5.2 رونمایی کرد. این مدل‌ها برای حل دشوارترین چالش‌های فنی طراحی شده‌اند و در زمینه‌های کدنویسی، استدلال و بینایی پیشرفت چشمگیری داشته‌اند.
⚡️ سرعت و کاربردهای خاص
مدل جدید Fable 5.2 تا ۳۰٪ سریع‌تر از نسل قبل خروجی تولید می‌کند. یکی از دستاوردهای برجسته اعلام‌شده، رسمی‌سازی اثبات قضیه آخر فرما در زبان Lean با هماهنگی تیمی حدوداً هزار عامل هوش مصنوعی در طول ۳۰ ساعت بوده است. همچنین Anthropic از بهبود توانایی این مدل در خواندن نمودارها و حتی طراحی نمونه‌های اولیه سخت‌افزاری خبر داده است.
💰 قیمت API
تعرفه‌های جدید نسبت به Fable 5.1 دقیقاً ۲۰٪ کاهش یافته‌اند:
• هزینه ورودی: از ۱۰ دلار به ۸ دلار به‌ازای هر میلیون توکن
• هزینه خروجی: از ۵۰ دلار به ۴۰ دلار به‌ازای هر میلیون توکن
• هزینه خواندن کش: از ۰.۲۵ دلار به ۰.۲۰ دلار
🔗 معرفی رسمی
🔗 توییت
#هوش_مصنوعی #Anthropic #Claude #Fable #Mythos #کدنویسی
🆔 @asrgooyeshpardaz
❤2