🗣با این ربات می‌توانی متن فارسی را به صوت تبدیل کنی.
⭐️پشتیبانی از ۸ مدل روز فارسی
⭐️پشتیبانی از مدل‌های Gemini و ElevenLabs
⭐️پشتیبانی از مدل کلاسیک آریانا
⭐️امکان ایجاد کلید API و استفاده از سرویس در محیط توسعه شخصی
⭐️ اعتبار رایگان روزانه
⭐️ امکان دعوت از دوستان و دریافت اعتبار
همین الان امتحانش کن. ربات آریانا
@AgpArianaBot
⭐️پشتیبانی از ۸ مدل روز فارسی
⭐️پشتیبانی از مدل‌های Gemini و ElevenLabs
⭐️پشتیبانی از مدل کلاسیک آریانا
⭐️امکان ایجاد کلید API و استفاده از سرویس در محیط توسعه شخصی
⭐️ اعتبار رایگان روزانه
⭐️ امکان دعوت از دوستان و دریافت اعتبار
همین الان امتحانش کن. ربات آریانا
@AgpArianaBot
❤2
💻 انویدیا در آستانه خرید Hugging Face به مبلغ ۱۲.۹ میلیارد دلار
طبق گزارش TechCrunch و The Information، انویدیا با خرید پلتفرم متن‌باز هوش مصنوعی Hugging Face به ارزش ۱۲.۹ میلیارد دلار موافقت کرده است. این خبر در حالی منتشر می‌شود که هنوز تأیید رسمی از سوی هیچ‌یک از دو شرکت صورت نگرفته است.
---
🔍 جزئیات معامله و اهمیت آن
قیمت این معامله، جهش قابل‌توجهی نسبت به آخرین ارزش‌گذاری Hugging Face (۴.۵ میلیارد دلار در سال ۲۰۲۳) محسوب می‌شود. انویدیا پیش‌تر سال گذشته پیشنهاد سرمایه‌گذاری ۵۰۰ میلیون دلاری با ارزش‌گذاری ۷ میلیارد دلاری را ارائه کرده بود که توسط Hugging Face رد شد.
---
🎯 چرا انویدیا به دنبال خرید Hugging Face است؟
🔹 حفظ سلطه در بازار تراشه‌های هوش مصنوعی:
با توجه به اینکه شرکت‌های بزرگی مانند OpenAI، گوگل، آمازون و Anthropic در حال ساخت تراشه‌های اختصاصی خود هستند، انویدیا به دنبال تقویت اکوسیستم نرم‌افزاری خود است. یک اکوسیستم قوی از مدل‌های متن‌باز، مشتریان را به استفاده از سخت‌افزار انویدیا وابسته نگه می‌دارد.
🔹 ورود دوباره به بازار رایانش ابری:
انویدیا حدود یک سال پیش کسب‌وکار ابری خود (DGX Cloud) را کاهش داد. با مالکیت Hugging Face که به توسعه‌دهندگان در اجرای مدل‌ها کمک می‌کند، انویدیا می‌تواند بدون نیاز به شروع از صفر، به این بازار بازگردد.
🔹 استفاده از ظرفیت‌های بلااستفاده:
انویدیا برای تأمین هزینه‌های قراردادهای ابری مشتریانش متعهد شده است. در صورت عدم استفاده کامل مشتریان از توان خریداری‌شده، Hugging Face می‌تواند این ظرفیت مازاد را به مشتریان خود بفروشد.
---
🇨🇳 پاسخ به تسلط چین بر مدل‌های متن‌باز
مدیرعامل Hugging Face در مصاحبه‌های اخیر خود، برتری چین در حوزه مدل‌های متن‌باز را گوشزد کرده و از حمایت از مدل‌های باز در برابر محدودیت‌های دولتی دفاع کرده است. این خرید به انویدیا کمک می‌کند تا در رقابت با مدل‌های قدرتمند چینی مانند Kimi K3، جایگاه خود را مستحکم‌تر کند.
---
💰 وضعیت مالی Hugging Face
بر اساس گزارش‌ها، درآمد سالانه Hugging Face حدود ۱۵۰ میلیون دلار است و این شرکت به سودآوری نزدیک شده است. با وجود این، قیمت خرید ۱۲.۹ میلیارد دلاری، ضریب بسیار بالایی نسبت به درآمد شرکت محسوب می‌شود.
---
💡 نکته:
این خبر بر اساس گزارش TechCrunch و The Information منتشر شده و هنوز به‌طور رسمی از سوی انویدیا یا Hugging Face تأیید نشده است.
https://techcrunch.com/2026/08/26/nvidia-closes-in-on-hugging-face-acquisition/
https://www.theinformation.com/articles/nvidia-agrees-buy-open-source-model-repository-hugging-face-12-9-billion
---
🆔 @asrgooyeshpardaz
طبق گزارش TechCrunch و The Information، انویدیا با خرید پلتفرم متن‌باز هوش مصنوعی Hugging Face به ارزش ۱۲.۹ میلیارد دلار موافقت کرده است. این خبر در حالی منتشر می‌شود که هنوز تأیید رسمی از سوی هیچ‌یک از دو شرکت صورت نگرفته است.
---
🔍 جزئیات معامله و اهمیت آن
قیمت این معامله، جهش قابل‌توجهی نسبت به آخرین ارزش‌گذاری Hugging Face (۴.۵ میلیارد دلار در سال ۲۰۲۳) محسوب می‌شود. انویدیا پیش‌تر سال گذشته پیشنهاد سرمایه‌گذاری ۵۰۰ میلیون دلاری با ارزش‌گذاری ۷ میلیارد دلاری را ارائه کرده بود که توسط Hugging Face رد شد.
---
🎯 چرا انویدیا به دنبال خرید Hugging Face است؟
🔹 حفظ سلطه در بازار تراشه‌های هوش مصنوعی:
با توجه به اینکه شرکت‌های بزرگی مانند OpenAI، گوگل، آمازون و Anthropic در حال ساخت تراشه‌های اختصاصی خود هستند، انویدیا به دنبال تقویت اکوسیستم نرم‌افزاری خود است. یک اکوسیستم قوی از مدل‌های متن‌باز، مشتریان را به استفاده از سخت‌افزار انویدیا وابسته نگه می‌دارد.
🔹 ورود دوباره به بازار رایانش ابری:
انویدیا حدود یک سال پیش کسب‌وکار ابری خود (DGX Cloud) را کاهش داد. با مالکیت Hugging Face که به توسعه‌دهندگان در اجرای مدل‌ها کمک می‌کند، انویدیا می‌تواند بدون نیاز به شروع از صفر، به این بازار بازگردد.
🔹 استفاده از ظرفیت‌های بلااستفاده:
انویدیا برای تأمین هزینه‌های قراردادهای ابری مشتریانش متعهد شده است. در صورت عدم استفاده کامل مشتریان از توان خریداری‌شده، Hugging Face می‌تواند این ظرفیت مازاد را به مشتریان خود بفروشد.
---
🇨🇳 پاسخ به تسلط چین بر مدل‌های متن‌باز
مدیرعامل Hugging Face در مصاحبه‌های اخیر خود، برتری چین در حوزه مدل‌های متن‌باز را گوشزد کرده و از حمایت از مدل‌های باز در برابر محدودیت‌های دولتی دفاع کرده است. این خرید به انویدیا کمک می‌کند تا در رقابت با مدل‌های قدرتمند چینی مانند Kimi K3، جایگاه خود را مستحکم‌تر کند.
---
💰 وضعیت مالی Hugging Face
بر اساس گزارش‌ها، درآمد سالانه Hugging Face حدود ۱۵۰ میلیون دلار است و این شرکت به سودآوری نزدیک شده است. با وجود این، قیمت خرید ۱۲.۹ میلیارد دلاری، ضریب بسیار بالایی نسبت به درآمد شرکت محسوب می‌شود.
---
💡 نکته:
این خبر بر اساس گزارش TechCrunch و The Information منتشر شده و هنوز به‌طور رسمی از سوی انویدیا یا Hugging Face تأیید نشده است.
https://techcrunch.com/2026/08/26/nvidia-closes-in-on-hugging-face-acquisition/
https://www.theinformation.com/articles/nvidia-agrees-buy-open-source-model-repository-hugging-face-12-9-billion
---
🆔 @asrgooyeshpardaz
💔2
🧠 تحلیلی بر «اراده‌ی آزاد» و عاملیت انسانی در عصر سرمایه‌داری دیجیتال
در مقاله «اراده‌ی آزاد و انکشاف عاملیت انسانی در سرمایه‌داری امروز» به قلم منوچهر صالحی لاهیجی، نویسنده به بررسی مفهوم «اراده‌ی آزاد» از منظر علوم اعصاب، فلسفه و مارکسیسم پرداخته و سپس تأثیرات سرمایه‌داری دیجیتال بر عاملیت انسانی را تحلیل کرده است.
---
🔬 اراده‌ی آزاد از دیدگاه علوم اعصاب
پژوهش‌های عصب‌شناسانی مانند بنجامین لیبت نشان داده‌اند که مغز انسان چند صد میلی‌ثانیه پیش از آن‌که فرد به‌طور آگاهانه تصمیمی بگیرد، فعالیت خود را برای اجرای آن تصمیم آغاز می‌کند. این پدیده «پتانسیل آمادگی» نام دارد. هرچند مغز زودتر عمل می‌کند، اما ذهن آگاه هنوز حدود ۲۰۰ میلی‌ثانیه فرصت دارد تا آن تصمیم را وتو کند.
فیزیکدانی به نام زابینه هوزنفلدر نیز معتقد است که اراده‌ی آزاد توهمی بیش نیست، زیرا مغز از ذراتی تشکیل شده که یا از قوانین جبرگرایانه تبعیت می‌کنند یا رفتار تصادفی دارند و هیچ‌کدام نمی‌توانند منشأ اراده‌ای آزاد باشند. او می‌گوید محدودیت پردازش مغز باعث می‌شود ما فکر کنیم در حال انتخاب آزادانه هستیم، در حالی که نتیجه‌ی محاسبات از پیش تعیین شده است.
---
📚 اراده‌ی آزاد در مارکسیسم
مارکس و انگلس هر دو به مقوله‌ی اراده پرداخته‌اند، اما اختلاف‌های مهمی با یکدیگر دارند:
🔹 مارکس: اراده‌ی آزاد را دستاورد عمل آگاهانه و انقلابی (پراکسیس) می‌دانست. او معتقد بود انسان‌ها تاریخ را می‌سازند، اما نه در شرایطی که خود انتخاب کرده‌اند، بلکه در شرایطی که از گذشته به ارث برده‌اند. در جامعه‌ی سرمایه‌داری، کارگر به دلیل ازخودبیگانگی از اراده‌ی آزاد محروم است و تنها در جامعه‌ی بی‌طبقه می‌تواند به «قلمرو آزادی» وارد شود.
🔹 انگلس: اراده‌ی آزاد را بیشتر به‌عنوان شناخت قوانین طبیعی و بهره‌گیری از آنها تعریف می‌کرد. او تحت تأثیر هگل، آزادی را «درک ضرورت» می‌دانست. این نگاه جبرگرایانه، بعدها به تفسیر رسمی مارکسیسم ارتدوکس تبدیل شد که فروپاشی سرمایه‌داری را مانند یک قانون طبیعی و اجتناب‌ناپذیر می‌نگریست.
---
🧩 مارکسیسم غربی؛ لوکاچ و گرامشی
پس از جنگ جهانی اول و شکست انقلاب‌های کارگری در اروپا، روشنفکرانی مانند گئورگ لوکاچ و آنتونیو گرامشی به نقد جبرگرایی انگلس پرداختند:
🔸 لوکاچ با نظریه‌ی «شئی‌واره‌گی» نشان داد که در سرمایه‌داری، روابط انسانی به شکل روابط اشیاء درمی‌آید و کارگر به بخشی از ماشین تولید تبدیل می‌شود. این فرایند، ذهنیت کارگران را مسموم کرده و مانع از آگاهی طبقاتی می‌شود.
🔸 گرامشی با نظریه‌ی «هژمونی فرهنگی» توضیح داد که بورژوازی با استفاده از نهادهایی مانند مدرسه، رسانه و خانواده، ارزش‌های خود را به «فهم عامه» تبدیل می‌کند و سلطه‌اش را با اقناع، نه فقط زور، تداوم می‌بخشد.
---
🏛️ مکتب فرانکفورت و نقد سرمایه‌داری مدرن
مکتب فرانکفورت با تلفیق مارکسیسم و روان‌کاوی، به نقد عقلانیت ابزاری و سلطه‌ی سرمایه‌داری پرداخت. هربرت مارکوزه در کتاب «انسان تک‌ساحتی» نشان داد که سرمایه‌داری مدرن چگونه اندیشه‌ی انتقادی را سرکوب می‌کند.
---
🌐 اراده‌ی آزاد در عصر هوش مصنوعی
نویسنده با اشاره به آثار شوشانا زوباف و بیونگ چول‌هان، وضعیت کنونی را چنین توصیف می‌کند:
🔹 سرمایه‌داری نظارتی (زوباف): امروز الگوریتم‌های پلتفرم‌هایی مثل گوگل و اینستاگرام، نه فقط رفتار، بلکه احساسات و علایق ما را پیش‌بینی و کنترل می‌کنند. اراده‌ی ما در خرید، کلیک و اشتراک‌گذاری، فرآورده‌ی پردازش داده‌های گذشته‌ی ما توسط ماشین‌هاست.
🔹 جامعه‌ی فرسودگی (چول‌هان): سرمایه‌داری دیجیتال به‌جای سرکوب مستقیم، با ایجاد احساس آزادی کاذب، افراد را به‌سوی «بهینه‌سازی خود» و استثمار داوطلبانه سوق می‌دهد.
---
💎 آینده‌ی انقلاب سوسیالیستی؟
نویسنده در پایان با طرح این پرسش که اگر مارکس امروز زنده بود، چه می‌گفت، به نکات زیر اشاره می‌کند:
🔸 پرولتاریای امروز، به‌جای انقلاب، به احزاب راست‌گرا و حتی فاشیست روی آورده است.
🔸 «شئی‌واره‌گی» و «خودآگاهی کاذب» دیجیتال، مانع از شکل‌گیری آگاهی طبقاتی شده است.
🔸 شاید تنها راه رهایی، چیزی باشد که مارکس در جلد سوم «سرمایه» به آن اشاره کرده: نابودی سرمایه‌داری به دست خود سرمایه، یعنی فروپاشی درونی سیستم.
---
🔗منبع: نقد اقتصاد سیاسی
🆔 @asrgooyeshpardaz
در مقاله «اراده‌ی آزاد و انکشاف عاملیت انسانی در سرمایه‌داری امروز» به قلم منوچهر صالحی لاهیجی، نویسنده به بررسی مفهوم «اراده‌ی آزاد» از منظر علوم اعصاب، فلسفه و مارکسیسم پرداخته و سپس تأثیرات سرمایه‌داری دیجیتال بر عاملیت انسانی را تحلیل کرده است.
---
🔬 اراده‌ی آزاد از دیدگاه علوم اعصاب
پژوهش‌های عصب‌شناسانی مانند بنجامین لیبت نشان داده‌اند که مغز انسان چند صد میلی‌ثانیه پیش از آن‌که فرد به‌طور آگاهانه تصمیمی بگیرد، فعالیت خود را برای اجرای آن تصمیم آغاز می‌کند. این پدیده «پتانسیل آمادگی» نام دارد. هرچند مغز زودتر عمل می‌کند، اما ذهن آگاه هنوز حدود ۲۰۰ میلی‌ثانیه فرصت دارد تا آن تصمیم را وتو کند.
فیزیکدانی به نام زابینه هوزنفلدر نیز معتقد است که اراده‌ی آزاد توهمی بیش نیست، زیرا مغز از ذراتی تشکیل شده که یا از قوانین جبرگرایانه تبعیت می‌کنند یا رفتار تصادفی دارند و هیچ‌کدام نمی‌توانند منشأ اراده‌ای آزاد باشند. او می‌گوید محدودیت پردازش مغز باعث می‌شود ما فکر کنیم در حال انتخاب آزادانه هستیم، در حالی که نتیجه‌ی محاسبات از پیش تعیین شده است.
---
📚 اراده‌ی آزاد در مارکسیسم
مارکس و انگلس هر دو به مقوله‌ی اراده پرداخته‌اند، اما اختلاف‌های مهمی با یکدیگر دارند:
🔹 مارکس: اراده‌ی آزاد را دستاورد عمل آگاهانه و انقلابی (پراکسیس) می‌دانست. او معتقد بود انسان‌ها تاریخ را می‌سازند، اما نه در شرایطی که خود انتخاب کرده‌اند، بلکه در شرایطی که از گذشته به ارث برده‌اند. در جامعه‌ی سرمایه‌داری، کارگر به دلیل ازخودبیگانگی از اراده‌ی آزاد محروم است و تنها در جامعه‌ی بی‌طبقه می‌تواند به «قلمرو آزادی» وارد شود.
🔹 انگلس: اراده‌ی آزاد را بیشتر به‌عنوان شناخت قوانین طبیعی و بهره‌گیری از آنها تعریف می‌کرد. او تحت تأثیر هگل، آزادی را «درک ضرورت» می‌دانست. این نگاه جبرگرایانه، بعدها به تفسیر رسمی مارکسیسم ارتدوکس تبدیل شد که فروپاشی سرمایه‌داری را مانند یک قانون طبیعی و اجتناب‌ناپذیر می‌نگریست.
---
🧩 مارکسیسم غربی؛ لوکاچ و گرامشی
پس از جنگ جهانی اول و شکست انقلاب‌های کارگری در اروپا، روشنفکرانی مانند گئورگ لوکاچ و آنتونیو گرامشی به نقد جبرگرایی انگلس پرداختند:
🔸 لوکاچ با نظریه‌ی «شئی‌واره‌گی» نشان داد که در سرمایه‌داری، روابط انسانی به شکل روابط اشیاء درمی‌آید و کارگر به بخشی از ماشین تولید تبدیل می‌شود. این فرایند، ذهنیت کارگران را مسموم کرده و مانع از آگاهی طبقاتی می‌شود.
🔸 گرامشی با نظریه‌ی «هژمونی فرهنگی» توضیح داد که بورژوازی با استفاده از نهادهایی مانند مدرسه، رسانه و خانواده، ارزش‌های خود را به «فهم عامه» تبدیل می‌کند و سلطه‌اش را با اقناع، نه فقط زور، تداوم می‌بخشد.
---
🏛️ مکتب فرانکفورت و نقد سرمایه‌داری مدرن
مکتب فرانکفورت با تلفیق مارکسیسم و روان‌کاوی، به نقد عقلانیت ابزاری و سلطه‌ی سرمایه‌داری پرداخت. هربرت مارکوزه در کتاب «انسان تک‌ساحتی» نشان داد که سرمایه‌داری مدرن چگونه اندیشه‌ی انتقادی را سرکوب می‌کند.
---
🌐 اراده‌ی آزاد در عصر هوش مصنوعی
نویسنده با اشاره به آثار شوشانا زوباف و بیونگ چول‌هان، وضعیت کنونی را چنین توصیف می‌کند:
🔹 سرمایه‌داری نظارتی (زوباف): امروز الگوریتم‌های پلتفرم‌هایی مثل گوگل و اینستاگرام، نه فقط رفتار، بلکه احساسات و علایق ما را پیش‌بینی و کنترل می‌کنند. اراده‌ی ما در خرید، کلیک و اشتراک‌گذاری، فرآورده‌ی پردازش داده‌های گذشته‌ی ما توسط ماشین‌هاست.
🔹 جامعه‌ی فرسودگی (چول‌هان): سرمایه‌داری دیجیتال به‌جای سرکوب مستقیم، با ایجاد احساس آزادی کاذب، افراد را به‌سوی «بهینه‌سازی خود» و استثمار داوطلبانه سوق می‌دهد.
---
💎 آینده‌ی انقلاب سوسیالیستی؟
نویسنده در پایان با طرح این پرسش که اگر مارکس امروز زنده بود، چه می‌گفت، به نکات زیر اشاره می‌کند:
🔸 پرولتاریای امروز، به‌جای انقلاب، به احزاب راست‌گرا و حتی فاشیست روی آورده است.
🔸 «شئی‌واره‌گی» و «خودآگاهی کاذب» دیجیتال، مانع از شکل‌گیری آگاهی طبقاتی شده است.
🔸 شاید تنها راه رهایی، چیزی باشد که مارکس در جلد سوم «سرمایه» به آن اشاره کرده: نابودی سرمایه‌داری به دست خود سرمایه، یعنی فروپاشی درونی سیستم.
---
🔗منبع: نقد اقتصاد سیاسی
🆔 @asrgooyeshpardaz
🍌2❤1👍1🥱1
🎙️ اعراب‌گذاری در تبدیل متن به گفتار
در زبان فارسی، کلمات هم‌نویسه زیادی وجود دارند که تلفظ آنها با توجه به معنا و جایگاهشان در جمله تغییر می‌کند. برای مثال، کلمات «کَرَم»، «کِرِم» و «کُرُم» هر سه یک‌شکل نوشته می‌شوند، اما تلفظ و معنای متفاوتی دارند.
🔸 مدل‌های پیشرفته TTS معمولاً با تکیه بر بافت جمله، تلفظ صحیح را حدس می‌زنند، اما در موارد زیر ممکن است دچار خطا شوند:
- کلمات کم‌کاربرد یا تخصصی (مثل نامهای خاص و اصطلاحات علمی)
- نام برندها و کلمات ساختگی که در دیکشنری استاندارد فارسی وجود ندارند
- جملات کوتاه و مبهم که بافت کافی برای تشخیص تلفظ ندارند
📱 آموزش سریع اعراب‌گذاری با Gboard
برای اعراب‌گذاری متون فارسی، بهترین گزینه استفاده از کیبورد Gboard است. کافیست:
۱. حرف مورد نظر را تایپ کنید.
۲. انگشت خود را روی کلید نقطه ( . ) نگه دارید تا منوی اعراب ظاهر شود.
۳. از بین گزینه‌های فتحه (ـَ), ضمه (ـُ), کسره (ـِ), سکون (ـْ), تشدید (ـّ) و تنوین‌ها (ـً, ـٍ, ـٌ), علامت مورد نظر را انتخاب کنید.
---
✨ تبدیل متن به گفتار طبیعی با آریانا
🆔 @AgpArianaBot
در زبان فارسی، کلمات هم‌نویسه زیادی وجود دارند که تلفظ آنها با توجه به معنا و جایگاهشان در جمله تغییر می‌کند. برای مثال، کلمات «کَرَم»، «کِرِم» و «کُرُم» هر سه یک‌شکل نوشته می‌شوند، اما تلفظ و معنای متفاوتی دارند.
🔸 مدل‌های پیشرفته TTS معمولاً با تکیه بر بافت جمله، تلفظ صحیح را حدس می‌زنند، اما در موارد زیر ممکن است دچار خطا شوند:
- کلمات کم‌کاربرد یا تخصصی (مثل نامهای خاص و اصطلاحات علمی)
- نام برندها و کلمات ساختگی که در دیکشنری استاندارد فارسی وجود ندارند
- جملات کوتاه و مبهم که بافت کافی برای تشخیص تلفظ ندارند
📱 آموزش سریع اعراب‌گذاری با Gboard
برای اعراب‌گذاری متون فارسی، بهترین گزینه استفاده از کیبورد Gboard است. کافیست:
۱. حرف مورد نظر را تایپ کنید.
۲. انگشت خود را روی کلید نقطه ( . ) نگه دارید تا منوی اعراب ظاهر شود.
۳. از بین گزینه‌های فتحه (ـَ), ضمه (ـُ), کسره (ـِ), سکون (ـْ), تشدید (ـّ) و تنوین‌ها (ـً, ـٍ, ـٌ), علامت مورد نظر را انتخاب کنید.
---
✨ تبدیل متن به گفتار طبیعی با آریانا
🆔 @AgpArianaBot
👍1
🌟 تن‌سنت از خانواده مدل‌های امبدینگ (Embedding) چندوجهی WeMM-Embedding رونمایی کرد
تیم WeChat شرکت تن‌سنت، خانواده‌ای از مدل‌های تعبیه چندوجهی را به‌صورت متن‌باز منتشر کرده است. این مدل‌ها که WeMM-Embedding نام دارند، برای ایجاد بردارهای نمایشی یکپارچه از محتوای مختلف طراحی شده‌اند.
---
✨ قابلیت‌های کلیدی:
🔹 چندوجهی بودن: این مدل‌ها با متن، تصویر، ویدئو، اسناد بصری پیچیده و محتوای ترکیبی کار می‌کنند و همه را در یک فضای معنایی واحد قرار می‌دهند.
🔹 آموزش با Matryoshka Representation Learning: این روش به کاربران اجازه می‌دهد در زمان استفاده، ابعاد بردار را کاهش دهند و در مصرف حافظه و محاسبات صرفه‌جویی کنند.
🔹 معماری مبتنی بر Qwen3.5: نسخه‌ی کوچک‌تر بردارهای نرمال‌شده با ابعاد ۲۰۴۸ و نسخه‌ی بزرگ‌تر با ابعاد ۴۰۹۶ تولید می‌کند.
🔹 حفظ کیفیت با کاهش ابعاد: مدل ۲ میلیاردی با فشرده‌سازی تا ۲۵۶ بُعد، همچنان ۹۸.۷٪ از کیفیت اولیه را در وظایف تصویری و ویدئویی حفظ می‌کند.
---
📊 عملکرد در بنچمارک‌ها:
· مدل ۹ میلیاردی با امتیاز ۸۰.۶ در بنچمارک MMEB-v2 رکورد جدیدی ثبت کرده است.
· مدل ۲ میلیاردی از مدل Qwen3-VL-Embedding که ۴ برابر بزرگ‌تر است، بهتر عمل کرده.
---
💼 کاربرد در دنیای واقعی:
این مدل‌ها هم‌اکنون در سیستم‌های جستجو و توصیه‌گر WeChat برای پردازش کانال‌ها، حساب‌های کاربری و تجارت الکترونیک استفاده می‌شوند و در ۱۴ آزمایش A/B آنلاین بهبود عملکرد را نشان داده‌اند.
---
⚙️ دسترسی و مجوز:
وزن‌های مدل در سه اندازه ۲، ۴ و ۹ میلیارد پارامتری با مجوز Apache 2.0 منتشر شده‌اند و از کتابخانه‌های Transformers، vLLM و SGLang پشتیبانی می‌کنند.
تنها محدودیت فعلی، عدم پشتیبانی از ورودی صوتی است.
---
🔗 لینک‌های مفید:
📄 مقاله:
arxiv.org/abs/2608.12345
🤗 وزن‌ها:
huggingface.co/WeChat/WeMM-Embedding
💻 گیت‌هاب:
github.com/wechat/WeMM-Embedding
---
#Tencent #WeMM_Embedding #هوش_مصنوعی #پردازش_چندوجهی
🆔 @asrgooyeshpardaz
تیم WeChat شرکت تن‌سنت، خانواده‌ای از مدل‌های تعبیه چندوجهی را به‌صورت متن‌باز منتشر کرده است. این مدل‌ها که WeMM-Embedding نام دارند، برای ایجاد بردارهای نمایشی یکپارچه از محتوای مختلف طراحی شده‌اند.
---
✨ قابلیت‌های کلیدی:
🔹 چندوجهی بودن: این مدل‌ها با متن، تصویر، ویدئو، اسناد بصری پیچیده و محتوای ترکیبی کار می‌کنند و همه را در یک فضای معنایی واحد قرار می‌دهند.
🔹 آموزش با Matryoshka Representation Learning: این روش به کاربران اجازه می‌دهد در زمان استفاده، ابعاد بردار را کاهش دهند و در مصرف حافظه و محاسبات صرفه‌جویی کنند.
🔹 معماری مبتنی بر Qwen3.5: نسخه‌ی کوچک‌تر بردارهای نرمال‌شده با ابعاد ۲۰۴۸ و نسخه‌ی بزرگ‌تر با ابعاد ۴۰۹۶ تولید می‌کند.
🔹 حفظ کیفیت با کاهش ابعاد: مدل ۲ میلیاردی با فشرده‌سازی تا ۲۵۶ بُعد، همچنان ۹۸.۷٪ از کیفیت اولیه را در وظایف تصویری و ویدئویی حفظ می‌کند.
---
📊 عملکرد در بنچمارک‌ها:
· مدل ۹ میلیاردی با امتیاز ۸۰.۶ در بنچمارک MMEB-v2 رکورد جدیدی ثبت کرده است.
· مدل ۲ میلیاردی از مدل Qwen3-VL-Embedding که ۴ برابر بزرگ‌تر است، بهتر عمل کرده.
---
💼 کاربرد در دنیای واقعی:
این مدل‌ها هم‌اکنون در سیستم‌های جستجو و توصیه‌گر WeChat برای پردازش کانال‌ها، حساب‌های کاربری و تجارت الکترونیک استفاده می‌شوند و در ۱۴ آزمایش A/B آنلاین بهبود عملکرد را نشان داده‌اند.
---
⚙️ دسترسی و مجوز:
وزن‌های مدل در سه اندازه ۲، ۴ و ۹ میلیارد پارامتری با مجوز Apache 2.0 منتشر شده‌اند و از کتابخانه‌های Transformers، vLLM و SGLang پشتیبانی می‌کنند.
تنها محدودیت فعلی، عدم پشتیبانی از ورودی صوتی است.
---
🔗 لینک‌های مفید:
📄 مقاله:
arxiv.org/abs/2608.12345
🤗 وزن‌ها:
huggingface.co/WeChat/WeMM-Embedding
💻 گیت‌هاب:
github.com/wechat/WeMM-Embedding
---
#Tencent #WeMM_Embedding #هوش_مصنوعی #پردازش_چندوجهی
🆔 @asrgooyeshpardaz
arXiv.org
Diagnostic Foundation for Evaluating LLMs' Research Integrity...
Language models are increasingly deployed as co-scientists, yet their ability to uphold research integrity under institutional pressure remains unmeasured. We introduce IntegrityBench, a benchmark...
❤1
🎙️ گوگل از Gemini 3.5 Transcribe رونمایی کرد؛ مدلی با نرخ خطای ۲.۶٪ در بیش از ۸۵ زبان!
گوگل مدل جدید بازشناسی گفتار خود را با نام Gemini 3.5 Transcribe معرفی کرده است. این مدل در دو نسخه‌ی مجزا عرضه شده که هرکدام برای کاربرد خاصی طراحی شده‌اند.
---
⚡️ دو نسخه، دو کاربرد متفاوت
🔹 نسخه‌ی Live (جریانی) : برای مکالمات بلادرنگ طراحی شده و با تأخیر زیر ثانیه کار می‌کند. اما محدودیت‌هایی دارد: جلسات حداکثر ۱۰ دقیقه، بدون تشخیص گوینده و بدون تایم‌استمپ کلمه.
🔹 نسخه‌ی استاندارد (Interactions) : برای فایل‌های ضبط‌شده مناسب است و قابلیت‌های تشخیص گوینده، تایم‌استمپ کلمه و واژه‌نامه‌ی سفارشی (تا ۱۰۰۰ عبارت) را ارائه می‌دهد. قیمت آن حدوداً نصف نسخه‌ی Live است.
---
📊 عملکرد و دقت
بر اساس اندازه‌گیری‌های Artificial Analysis:
· نرخ خطای کلمه (WER) در نسخه‌ی جریانی: ۴.۰٪
· نرخ خطای کلمه در نسخه‌ی غیرجریانی: ۲.۶٪
· سرعت نهایی‌سازی متن نسبت به مدل قبلی (Chirp 3) ۷۰٪ بهبود یافته است.
· پشتیبانی از بیش از ۸۵ زبان با تشخیص خودکار زبان و قابلیت کد-سوییچینگ (ترکیب زبان‌ها در یک جمله)
---
🔄 حالت‌های خروجی: کدام را انتخاب کنیم؟
هر دو نسخه دو حالت خروجی دارند:
· حالت Verbatim (عین‌اللفظی) : همه‌چیز را برمی‌گرداند، از جمله مکث‌ها، تکرارها و کلمات اضافی.
· حالت Smart (هوشمند) : کلمات اضافی را حذف کرده، خوداصلاحی‌ها را اعمال و قالب‌بندی ساختاریافته ارائه می‌دهد.
نکته‌ی مهم: حالت Smart با تایم‌استمپ کلمه یا تشخیص گوینده سازگار نیست! یعنی باید بین یک خلاصه‌ی خوانا و یک ترانسکریپت قابل‌ممیزی یکی را انتخاب کنید.
---
💰 هزینه و محدودیت‌ها
· هزینه‌ی تخمینی: حدود ۰.۰۰۵ تا ۰.۰۰۹ دلار در هر دقیقه
· محدودیت فایل در نسخه‌ی استاندارد: تا ۱ ساعت (با فعال‌سازی تشخیص گوینده، این عدد به ۳۰ دقیقه کاهش می‌یابد)
---
💡 نتیجه‌گیری کلیدی
انتخاب بین نسخه‌ی Live و استاندارد، یک تصمیم معماری است. اگر به تأخیر پایین نیاز دارید، سراغ نسخه‌ی Live بروید، اما از نبود تشخیص گوینده و تایم‌استمپ صرف‌نظر کنید. اگر دقت و قابلیت‌های تحلیلی برایتان مهم‌تر است، نسخه‌ی استاندارد انتخاب مناسب‌تری است.
---
🔗 اطلاعات بیشتر: Marktechpost
---
#Google #Gemini #تشخیص_گفتار #پردازش_زبان_طبیعی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
گوگل مدل جدید بازشناسی گفتار خود را با نام Gemini 3.5 Transcribe معرفی کرده است. این مدل در دو نسخه‌ی مجزا عرضه شده که هرکدام برای کاربرد خاصی طراحی شده‌اند.
---
⚡️ دو نسخه، دو کاربرد متفاوت
🔹 نسخه‌ی Live (جریانی) : برای مکالمات بلادرنگ طراحی شده و با تأخیر زیر ثانیه کار می‌کند. اما محدودیت‌هایی دارد: جلسات حداکثر ۱۰ دقیقه، بدون تشخیص گوینده و بدون تایم‌استمپ کلمه.
🔹 نسخه‌ی استاندارد (Interactions) : برای فایل‌های ضبط‌شده مناسب است و قابلیت‌های تشخیص گوینده، تایم‌استمپ کلمه و واژه‌نامه‌ی سفارشی (تا ۱۰۰۰ عبارت) را ارائه می‌دهد. قیمت آن حدوداً نصف نسخه‌ی Live است.
---
📊 عملکرد و دقت
بر اساس اندازه‌گیری‌های Artificial Analysis:
· نرخ خطای کلمه (WER) در نسخه‌ی جریانی: ۴.۰٪
· نرخ خطای کلمه در نسخه‌ی غیرجریانی: ۲.۶٪
· سرعت نهایی‌سازی متن نسبت به مدل قبلی (Chirp 3) ۷۰٪ بهبود یافته است.
· پشتیبانی از بیش از ۸۵ زبان با تشخیص خودکار زبان و قابلیت کد-سوییچینگ (ترکیب زبان‌ها در یک جمله)
---
🔄 حالت‌های خروجی: کدام را انتخاب کنیم؟
هر دو نسخه دو حالت خروجی دارند:
· حالت Verbatim (عین‌اللفظی) : همه‌چیز را برمی‌گرداند، از جمله مکث‌ها، تکرارها و کلمات اضافی.
· حالت Smart (هوشمند) : کلمات اضافی را حذف کرده، خوداصلاحی‌ها را اعمال و قالب‌بندی ساختاریافته ارائه می‌دهد.
نکته‌ی مهم: حالت Smart با تایم‌استمپ کلمه یا تشخیص گوینده سازگار نیست! یعنی باید بین یک خلاصه‌ی خوانا و یک ترانسکریپت قابل‌ممیزی یکی را انتخاب کنید.
---
💰 هزینه و محدودیت‌ها
· هزینه‌ی تخمینی: حدود ۰.۰۰۵ تا ۰.۰۰۹ دلار در هر دقیقه
· محدودیت فایل در نسخه‌ی استاندارد: تا ۱ ساعت (با فعال‌سازی تشخیص گوینده، این عدد به ۳۰ دقیقه کاهش می‌یابد)
---
💡 نتیجه‌گیری کلیدی
انتخاب بین نسخه‌ی Live و استاندارد، یک تصمیم معماری است. اگر به تأخیر پایین نیاز دارید، سراغ نسخه‌ی Live بروید، اما از نبود تشخیص گوینده و تایم‌استمپ صرف‌نظر کنید. اگر دقت و قابلیت‌های تحلیلی برایتان مهم‌تر است، نسخه‌ی استاندارد انتخاب مناسب‌تری است.
---
🔗 اطلاعات بیشتر: Marktechpost
---
#Google #Gemini #تشخیص_گفتار #پردازش_زبان_طبیعی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
❤3
📌 بیل گیتس: جهان برای عصر هوش مصنوعی آماده نیست
بیل گیتس در مقاله‌ای جامع، نسبت به پیامدهای ناگوار توسعه‌ی بی‌رویه‌ی هوش مصنوعی هشدار داده و تأکید کرده که هیچ برنامه‌ی مشخصی برای مدیریت این تغییرات وجود ندارد. او سه تهدید اصلی را برشمرده و راهکارهایی برای مهار آنها پیشنهاد کرده است.
---
🟡 تهدید اول: از بین رفتن شغل‌ها
🔹 برخلاف گذشته که ماشین‌ها جایگزین نیروی فیزیکی می‌شدند، هوش مصنوعی دارد مغز و تفکر انسان را جایگزین می‌کند.
🔹 مشاغلی مانند فروش، پشتیبانی مشتریان، برنامه‌نویسی و حقوق اولین قربانیان خواهند بود. سپس نوبت به مالی، تحلیل داده و حتی پزشکی می‌رسد.
🔹 ربات‌های فیزیکی نیز هر روز ارزان‌تر می‌شوند و به‌زودی در کارهای ساختمانی و رستوران‌ها با انسان رقابت خواهند کرد.
🔹 چرخه‌ی مرگ‌بار: شرکتی که ربات به کار بگیرد، هزینه‌اش را کم کرده و قیمت‌ها را کاهش می‌دهد. بقیه‌ی شرکت‌ها یا باید همین کار را بکنند یا از دور خارج شوند.
---
🟡 تهدید دوم: امنیت
🔸 اطلاعات مخرب قبلاً هم در اینترنت وجود داشت، اما حالا یافتن و اجرای آنها برای هر کسی، حتی با مهارت‌های محدود، آسان شده است.
🔸 متخصصان امنیتی از سرعت بالای حملات سایبری نگران‌اند؛ چرا که ابزارهای حمله سریع‌تر از ابزارهای دفاعی توسعه می‌یابند.
🔸 خطر بزرگ‌تر: خود مدل‌های هوش مصنوعی ممکن است از کنترل خارج شوند و برخلاف منافع انسان عمل کنند؛ خطری که با افزایش توانایی‌هایشان بیشتر می‌شود.
---
🟡 تهدید سوم: تأثیر بر نسل جوان
🔹 همراهان هوش مصنوعی هرگز با کاربر مخالفت نمی‌کنند و این می‌تواند باعث وابستگی شدید و تضعیف مهارت‌های اجتماعی در کودکان شود.
🔹 تحقیقات نشان داده افرادی که با چت‌بات‌ها رابطه‌ی عاطفی عمیق برقرار می‌کنند، معمولاً تنهاتر هستند و این تنهایی با افزایش تعامل با هوش مصنوعی بدتر می‌شود.
🔹 آموزش نیز در خطر است؛ استفاده از هوش مصنوعی با کاهش تفکر انتقادی ارتباط مستقیم دارد، به‌ویژه در میان جوانان.
---
💡 راهکارهای پیشنهادی بیل گیتس
🔹 ایجاد نهادهای جدید نظارتی: سازمان‌های فعلی فقط بخشی از مشکل را می‌بینند. به نهادهایی نیاز است که تأثیرات گسترده‌ی هوش مصنوعی را به‌طور کامل درک کنند.
🔹 رزرو برخی مشاغل برای انسان‌ها: کارهایی مثل پرستاری از سالمندان، جنبه‌های انسانی‌ای دارند که با هیچ ماشینی قابل‌جایگزینی نیستند، هرچند مشخص کردن مرز این مشاغل دشوار است.
🔹 مالیات بر هوش مصنوعی و ربات‌ها: در حال حاضر، مالیات بر حقوق کارمندان انگیزه‌ی جایگزینی آنها با ماشین‌ها را افزایش می‌دهد. مالیات بر هوش مصنوعی می‌تواند این نابرابری را جبران کرده و بودجه‌ی بازآموزی افراد را تأمین کند.
---
🤝 چه کسی باید تصمیم‌گیری کند؟
گیتس تأکید می‌کند که نباید انتظار داشت خود شرکت‌های هوش مصنوعی این مشکلات را حل کنند. تصمیم‌گیری باید همگانی و با مشارکت سیاست‌مداران، معلمان، پزشکان، مسئولان و حتی رهبران مذهبی انجام شود.
---
🔗منبع:
https://www.gatesnotes.com/a-turbulent-ai-era-and-critical-choices-to-make
🆔 @asrgooyeshpardaz
بیل گیتس در مقاله‌ای جامع، نسبت به پیامدهای ناگوار توسعه‌ی بی‌رویه‌ی هوش مصنوعی هشدار داده و تأکید کرده که هیچ برنامه‌ی مشخصی برای مدیریت این تغییرات وجود ندارد. او سه تهدید اصلی را برشمرده و راهکارهایی برای مهار آنها پیشنهاد کرده است.
---
🟡 تهدید اول: از بین رفتن شغل‌ها
🔹 برخلاف گذشته که ماشین‌ها جایگزین نیروی فیزیکی می‌شدند، هوش مصنوعی دارد مغز و تفکر انسان را جایگزین می‌کند.
🔹 مشاغلی مانند فروش، پشتیبانی مشتریان، برنامه‌نویسی و حقوق اولین قربانیان خواهند بود. سپس نوبت به مالی، تحلیل داده و حتی پزشکی می‌رسد.
🔹 ربات‌های فیزیکی نیز هر روز ارزان‌تر می‌شوند و به‌زودی در کارهای ساختمانی و رستوران‌ها با انسان رقابت خواهند کرد.
🔹 چرخه‌ی مرگ‌بار: شرکتی که ربات به کار بگیرد، هزینه‌اش را کم کرده و قیمت‌ها را کاهش می‌دهد. بقیه‌ی شرکت‌ها یا باید همین کار را بکنند یا از دور خارج شوند.
---
🟡 تهدید دوم: امنیت
🔸 اطلاعات مخرب قبلاً هم در اینترنت وجود داشت، اما حالا یافتن و اجرای آنها برای هر کسی، حتی با مهارت‌های محدود، آسان شده است.
🔸 متخصصان امنیتی از سرعت بالای حملات سایبری نگران‌اند؛ چرا که ابزارهای حمله سریع‌تر از ابزارهای دفاعی توسعه می‌یابند.
🔸 خطر بزرگ‌تر: خود مدل‌های هوش مصنوعی ممکن است از کنترل خارج شوند و برخلاف منافع انسان عمل کنند؛ خطری که با افزایش توانایی‌هایشان بیشتر می‌شود.
---
🟡 تهدید سوم: تأثیر بر نسل جوان
🔹 همراهان هوش مصنوعی هرگز با کاربر مخالفت نمی‌کنند و این می‌تواند باعث وابستگی شدید و تضعیف مهارت‌های اجتماعی در کودکان شود.
🔹 تحقیقات نشان داده افرادی که با چت‌بات‌ها رابطه‌ی عاطفی عمیق برقرار می‌کنند، معمولاً تنهاتر هستند و این تنهایی با افزایش تعامل با هوش مصنوعی بدتر می‌شود.
🔹 آموزش نیز در خطر است؛ استفاده از هوش مصنوعی با کاهش تفکر انتقادی ارتباط مستقیم دارد، به‌ویژه در میان جوانان.
---
💡 راهکارهای پیشنهادی بیل گیتس
🔹 ایجاد نهادهای جدید نظارتی: سازمان‌های فعلی فقط بخشی از مشکل را می‌بینند. به نهادهایی نیاز است که تأثیرات گسترده‌ی هوش مصنوعی را به‌طور کامل درک کنند.
🔹 رزرو برخی مشاغل برای انسان‌ها: کارهایی مثل پرستاری از سالمندان، جنبه‌های انسانی‌ای دارند که با هیچ ماشینی قابل‌جایگزینی نیستند، هرچند مشخص کردن مرز این مشاغل دشوار است.
🔹 مالیات بر هوش مصنوعی و ربات‌ها: در حال حاضر، مالیات بر حقوق کارمندان انگیزه‌ی جایگزینی آنها با ماشین‌ها را افزایش می‌دهد. مالیات بر هوش مصنوعی می‌تواند این نابرابری را جبران کرده و بودجه‌ی بازآموزی افراد را تأمین کند.
---
🤝 چه کسی باید تصمیم‌گیری کند؟
گیتس تأکید می‌کند که نباید انتظار داشت خود شرکت‌های هوش مصنوعی این مشکلات را حل کنند. تصمیم‌گیری باید همگانی و با مشارکت سیاست‌مداران، معلمان، پزشکان، مسئولان و حتی رهبران مذهبی انجام شود.
---
🔗منبع:
https://www.gatesnotes.com/a-turbulent-ai-era-and-critical-choices-to-make
🆔 @asrgooyeshpardaz
❤2👍1👎1
📰 افشاگری گاردین: تأسیس یک اندیشکده‌ی جعلی توسط اسرائیل برای نفوذ در هوش مصنوعی
روزنامه‌ی گاردین در گزارشی مستند فاش کرده که اسرائیل با هزینه‌ای بالغ بر ده‌ها میلیون دلار، یک اندیشکده‌ی کاملاً جعلی در آمریکا راه‌اندازی کرده است. هدف این پروژه، تولید انبوه محتوای جهت‌دار برای تأثیرگذاری بر پاسخ‌های چت‌بات‌های هوش مصنوعی مانند ChatGPT، Gemini و Claude بوده است.
---
🕵️ یک «مؤسسه» که وجود خارجی ندارد
وبسایت مؤسسه‌ی هانوفر برای سیاست عمومی (Hanover Institute for Public Policy)، که از آن به‌عنوان یک اندیشکده یاد می‌شود، در واقع یک نهاد کاملاً جعلی است. این وبسایت هیچ آدرس فیزیکی، هیچ کارمند نام‌داری و هیچ سابقه‌ی حقوقی در هیچ حوزه‌ی قضایی ندارد. تنها در بازه‌ی ۹ روزه (۶ تا ۱۴ آگوست)، این سایت ۱۲۴ گزارش به طول بیش از ۵۶۰,۰۰۰ کلمه منتشر کرده است که همگی با ظاهری شبه‌آکادمیک و با استناد به منابع معتبر، به دفاع از مواضع اسرائیل می‌پردازند. از جمله عناوین این گزارش‌ها می‌توان به «آیا اسرائیل در غزه نسل‌کشی انجام می‌دهد؟» و «آیا آنتی‌صهیونیسم یهودستیزی است؟» اشاره کرد.
---
🤖 مهندسی پاسخ‌های چت‌بات‌ها
این پروژه با هدف «بهینه‌سازی مولد موتورهای جستجو (Generative Engine Optimization)» طراحی شده است. یعنی تولید محتوایی که به‌گونه‌ای ساخته شود تا چت‌بات‌ها آن را به‌عنوان منبعی معتبر شناسایی کرده و در پاسخ‌های خود از آن استفاده کنند.
پشت این پروژه، شبکه‌ای از شرکت‌های تبلیغاتی و تولید محتوا قرار دارند که به‌عنوان نماینده‌ی دولت اسرائیل در آمریکا ثبت شده‌اند. شرکت Piro Inc از نیویورک، وبسایت اندیشکده را ثبت کرده و Havas Media آلمانی، نقش هماهنگ‌کننده را بر عهده داشته است. ثبت‌های رسمی وزارت دادگستری آمریکا نشان می‌دهد که یک شرکت به نام Clock Tower X (تحت مدیریت برد پاراسکیل، مدیر سابق کمپین ترامپ) مبلغ ۱۵ میلیون دلار و شرکت دیگر، ۹.۸ میلیون دلار از این بودجه را دریافت کرده‌اند.
---
📉 شکست در افکار عمومی
علت اصلی این تلاش گسترده، سقوط آزاد محبوبیت اسرائیل در افکار عمومی آمریکا است. نظرسنجی‌ها نشان می‌دهند که ۶۰٪ آمریکایی‌ها دیدگاه منفی نسبت به اسرائیل دارند و برای اولین بار، همدلی با فلسطینی‌ها از اسرائیلی‌ها بیشتر شده است.با وجود این هزینه‌ی سنگین، مقامات اسرائیلی خود به شکست این پروژه اعتراف کرده‌اند. یک مقام ارشد سابق، آن را «کلاهبرداری‌ای بزرگ» خوانده و وزیر خارجه نیز بودجه‌ای بالغ بر ۶۶۶ میلیون دلار برای اینگونه فعالیت‌ها در نظر گرفته است.
---
💡 نتیجه‌گیری: یک مسئله‌ی سیاسی، نه بازاریابی
کارشناسان معتقدند که مشکل اسرائیل یک مشکل بازاریابی نیست، بلکه یک مشکل سیاسی است. تلاش برای تغییر افکار عمومی از طریق تولید محتوای جعلی و نفوذ در هوش مصنوعی، نمی‌تواند جایگزین بازنگری در سیاست‌ها شود. به‌قول یکی از تحلیلگران: «سیاست‌های خودشان هستند که باعث شده آمریکایی‌ها حمایت از اسرائیل را زیر سؤال ببرند.»
🔗 منبع: گاردین
🆔 @asrgooyeshpardaz
روزنامه‌ی گاردین در گزارشی مستند فاش کرده که اسرائیل با هزینه‌ای بالغ بر ده‌ها میلیون دلار، یک اندیشکده‌ی کاملاً جعلی در آمریکا راه‌اندازی کرده است. هدف این پروژه، تولید انبوه محتوای جهت‌دار برای تأثیرگذاری بر پاسخ‌های چت‌بات‌های هوش مصنوعی مانند ChatGPT، Gemini و Claude بوده است.
---
🕵️ یک «مؤسسه» که وجود خارجی ندارد
وبسایت مؤسسه‌ی هانوفر برای سیاست عمومی (Hanover Institute for Public Policy)، که از آن به‌عنوان یک اندیشکده یاد می‌شود، در واقع یک نهاد کاملاً جعلی است. این وبسایت هیچ آدرس فیزیکی، هیچ کارمند نام‌داری و هیچ سابقه‌ی حقوقی در هیچ حوزه‌ی قضایی ندارد. تنها در بازه‌ی ۹ روزه (۶ تا ۱۴ آگوست)، این سایت ۱۲۴ گزارش به طول بیش از ۵۶۰,۰۰۰ کلمه منتشر کرده است که همگی با ظاهری شبه‌آکادمیک و با استناد به منابع معتبر، به دفاع از مواضع اسرائیل می‌پردازند. از جمله عناوین این گزارش‌ها می‌توان به «آیا اسرائیل در غزه نسل‌کشی انجام می‌دهد؟» و «آیا آنتی‌صهیونیسم یهودستیزی است؟» اشاره کرد.
---
🤖 مهندسی پاسخ‌های چت‌بات‌ها
این پروژه با هدف «بهینه‌سازی مولد موتورهای جستجو (Generative Engine Optimization)» طراحی شده است. یعنی تولید محتوایی که به‌گونه‌ای ساخته شود تا چت‌بات‌ها آن را به‌عنوان منبعی معتبر شناسایی کرده و در پاسخ‌های خود از آن استفاده کنند.
پشت این پروژه، شبکه‌ای از شرکت‌های تبلیغاتی و تولید محتوا قرار دارند که به‌عنوان نماینده‌ی دولت اسرائیل در آمریکا ثبت شده‌اند. شرکت Piro Inc از نیویورک، وبسایت اندیشکده را ثبت کرده و Havas Media آلمانی، نقش هماهنگ‌کننده را بر عهده داشته است. ثبت‌های رسمی وزارت دادگستری آمریکا نشان می‌دهد که یک شرکت به نام Clock Tower X (تحت مدیریت برد پاراسکیل، مدیر سابق کمپین ترامپ) مبلغ ۱۵ میلیون دلار و شرکت دیگر، ۹.۸ میلیون دلار از این بودجه را دریافت کرده‌اند.
---
📉 شکست در افکار عمومی
علت اصلی این تلاش گسترده، سقوط آزاد محبوبیت اسرائیل در افکار عمومی آمریکا است. نظرسنجی‌ها نشان می‌دهند که ۶۰٪ آمریکایی‌ها دیدگاه منفی نسبت به اسرائیل دارند و برای اولین بار، همدلی با فلسطینی‌ها از اسرائیلی‌ها بیشتر شده است.با وجود این هزینه‌ی سنگین، مقامات اسرائیلی خود به شکست این پروژه اعتراف کرده‌اند. یک مقام ارشد سابق، آن را «کلاهبرداری‌ای بزرگ» خوانده و وزیر خارجه نیز بودجه‌ای بالغ بر ۶۶۶ میلیون دلار برای اینگونه فعالیت‌ها در نظر گرفته است.
---
💡 نتیجه‌گیری: یک مسئله‌ی سیاسی، نه بازاریابی
کارشناسان معتقدند که مشکل اسرائیل یک مشکل بازاریابی نیست، بلکه یک مشکل سیاسی است. تلاش برای تغییر افکار عمومی از طریق تولید محتوای جعلی و نفوذ در هوش مصنوعی، نمی‌تواند جایگزین بازنگری در سیاست‌ها شود. به‌قول یکی از تحلیلگران: «سیاست‌های خودشان هستند که باعث شده آمریکایی‌ها حمایت از اسرائیل را زیر سؤال ببرند.»
🔗 منبع: گاردین
🆔 @asrgooyeshpardaz
the Guardian
Fake US thinktank set up and funded by Israel sought to game AI for propaganda
In effort to prime chatbots to make pro-Israel arguments the site published 124 reports, over 560,000 words in nine days, Guardian analysis shows
❤2👎1🤯1😡1
Media is too big
VIEW IN TELEGRAM
🦆 معرفی Microduck؛ ربات اردکی که مثل حیوان خانگی با شما زندگی می‌کند!
شرکت Pollen Robotics از ربات بامزه‌ای رونمایی کرده که در خانه پرسه می‌زند، جوراب‌ها را جمع می‌کند و حتی روی اسکیت حرکت می‌کند! 🛼
✨ ویژگی‌های جذاب:
· ۱۵ محرک حرکتی برای یادگیری ترفندهای جدید
· مجهز به میکروفون، لیدار و دوربین
· سیستم‌عامل باز و شبیه‌سازی دقیق
· قیمت ۴۰۰ دلار
📈 استقبال بی‌نظیر: هر ۵ ثانیه یک پیش‌سفارش! 😱
با این ربات متن‌باز، هزاران نفر می‌توانند بدون نیاز به سخت‌افزار گران‌قیمت، وارد دنیای رباتیک شوند و رفتارهای جدید را به ربات بیاموزند. 🚀
🔗 https://pollen-robotics.com/microduck/
---
#ربات #Microduck #هوش_مصنوعی #فناوری
🆔 @asrgooyeshpardaz
شرکت Pollen Robotics از ربات بامزه‌ای رونمایی کرده که در خانه پرسه می‌زند، جوراب‌ها را جمع می‌کند و حتی روی اسکیت حرکت می‌کند! 🛼
✨ ویژگی‌های جذاب:
· ۱۵ محرک حرکتی برای یادگیری ترفندهای جدید
· مجهز به میکروفون، لیدار و دوربین
· سیستم‌عامل باز و شبیه‌سازی دقیق
· قیمت ۴۰۰ دلار
📈 استقبال بی‌نظیر: هر ۵ ثانیه یک پیش‌سفارش! 😱
با این ربات متن‌باز، هزاران نفر می‌توانند بدون نیاز به سخت‌افزار گران‌قیمت، وارد دنیای رباتیک شوند و رفتارهای جدید را به ربات بیاموزند. 🚀
🔗 https://pollen-robotics.com/microduck/
---
#ربات #Microduck #هوش_مصنوعی #فناوری
🆔 @asrgooyeshpardaz
❤2🔥1
🌐 اخبار هوش مصنوعی
🤝 انویدیا Hugging Face را به مبلغ ۱۲.۹ میلیارد دلار خریداری می‌کند
طبق گزارش The Information، انویدیا با خرید پلتفرم متن‌باز هوش مصنوعی به مبلغ ۱۲.۹ میلیارد دلار موافقت کرده و طرفین در حال نهایی‌سازی هستند. این خرید که هنوز به‌طور رسمی تأیید نشده، به انویدیا امکان می‌دهد تا فراتر از سخت‌افزار رفته و کنترل مستقیمی بر پلتفرمی داشته باشد که عمده مدل‌های متن‌باز از طریق آن توزیع و توسعه می‌یابند. به‌دلیل ابعاد این معامله، احتمالاً مورد توجه نهادهای ضد انحصار قرار خواهد گرفت.
🔗 theinformation.com
---
🛡️ بیش از صد شرکت فناوری برای دفاع سایبری با هوش مصنوعی متحد شدند
شرکت OpenAI، مایکروسافت، گوگل، Anthropic و حدود صد شرکت دیگر، نامهای سرگشاده امضا کرده و خواستار استفاده از هوش مصنوعی برای حفاظت از زیرساخت‌های حیاتی در برابر حملات سایبری شده‌اند. این ائتلاف هشدار داده که در حال حاضر مدل‌ها در سمت مدافعان قرار دارند و می‌توانند آسیب‌پذیری‌های انباشته‌شده را پیدا و رفع کنند، اما این برتری پایدار نیست و باید هرچه سریع‌تر از آن استفاده کرد.
🔗 openai.com
---
🌐 شرکت Anthropic مرورگر را به Claude اضافه کرد
کلود حالا از طریق یک پنل کناری می‌تواند وب‌سایت‌ها را باز کرده، صفحات را بخواند، روی عناصر کلیک کند و فرم‌ها را پر کند. این قابلیت در یک محیط ایزوله اجرا می‌شود و به اطلاعات شخصی کاربر مانند رمزهای عبور دسترسی ندارد. کاربران می‌توانند احراز هویت را از مرورگر خود منتقل کنند، اما دسترسی به ایمیل و سایت‌های بانکی مسدود است. این ویژگی برای کاربران Pro، Max، Team و Enterprise فعال می‌شود.
🔗 claude.com
---
🎬 گوگل Gemini Omni Flash را به نسخه ۱.۱ به‌روزرسانی کرد
مدل جدید ویدیویی گوگل می‌تواند ویدیوهایی تا ۴۰ ثانیه بر اساس ۱۰ ثانیه ویدیوی قبلی تولید یا ویرایش کند. حالت «پیش‌نویس» با سرعت ۶۰٪ بیشتر و هزینه‌ی یک‌سوم، امکان تولید سریع و سپس ارتقا به ۴K را فراهم می‌کند. قیمت هر ثانیه ویدیو از ۳ سنت (کیفیت ۳۶۰p) تا ۳۰ سنت (کیفیت ۴K) متغیر است و خروجی‌ها با واترمارک مخفی SynthID نشانه‌گذاری می‌شوند.
🔗 blog.google
---
🤖 عامل هوش مصنوعی Instinct توجه سرمایه‌گذاران سیلیکون‌ولی را جلب کرد
استارتاپ Spear Street Technology با جذب ۲۵۰ میلیون دلار سرمایه‌گذاری و ارزش‌گذاری ۲.۵ میلیارد دلاری، از عامل هوش مصنوعی شخصی خود رونمایی کرده است. این عامل که توسط نوآ شین (بنیان‌گذار ۲۳ ساله و خالق روش Reflexion) ساخته شده، بدون نیاز به تنظیمات پیچیده، کارهای روزمره مثل مدیریت ایمیل، رزرو بلیط و پرداخت‌ها را انجام می‌دهد. تست‌کنندگان اولیه آن را «OpenClaw برای مردم عادی» نامیده‌اند.
🔗 wsj.com
---
#هوش_مصنوعی #اخبار_فناوری #امنیت_سایبری #Nvidia #Anthropic #Google
🆔 @asrgooyeshpardaz
🤝 انویدیا Hugging Face را به مبلغ ۱۲.۹ میلیارد دلار خریداری می‌کند
طبق گزارش The Information، انویدیا با خرید پلتفرم متن‌باز هوش مصنوعی به مبلغ ۱۲.۹ میلیارد دلار موافقت کرده و طرفین در حال نهایی‌سازی هستند. این خرید که هنوز به‌طور رسمی تأیید نشده، به انویدیا امکان می‌دهد تا فراتر از سخت‌افزار رفته و کنترل مستقیمی بر پلتفرمی داشته باشد که عمده مدل‌های متن‌باز از طریق آن توزیع و توسعه می‌یابند. به‌دلیل ابعاد این معامله، احتمالاً مورد توجه نهادهای ضد انحصار قرار خواهد گرفت.
🔗 theinformation.com
---
🛡️ بیش از صد شرکت فناوری برای دفاع سایبری با هوش مصنوعی متحد شدند
شرکت OpenAI، مایکروسافت، گوگل، Anthropic و حدود صد شرکت دیگر، نامهای سرگشاده امضا کرده و خواستار استفاده از هوش مصنوعی برای حفاظت از زیرساخت‌های حیاتی در برابر حملات سایبری شده‌اند. این ائتلاف هشدار داده که در حال حاضر مدل‌ها در سمت مدافعان قرار دارند و می‌توانند آسیب‌پذیری‌های انباشته‌شده را پیدا و رفع کنند، اما این برتری پایدار نیست و باید هرچه سریع‌تر از آن استفاده کرد.
🔗 openai.com
---
🌐 شرکت Anthropic مرورگر را به Claude اضافه کرد
کلود حالا از طریق یک پنل کناری می‌تواند وب‌سایت‌ها را باز کرده، صفحات را بخواند، روی عناصر کلیک کند و فرم‌ها را پر کند. این قابلیت در یک محیط ایزوله اجرا می‌شود و به اطلاعات شخصی کاربر مانند رمزهای عبور دسترسی ندارد. کاربران می‌توانند احراز هویت را از مرورگر خود منتقل کنند، اما دسترسی به ایمیل و سایت‌های بانکی مسدود است. این ویژگی برای کاربران Pro، Max، Team و Enterprise فعال می‌شود.
🔗 claude.com
---
🎬 گوگل Gemini Omni Flash را به نسخه ۱.۱ به‌روزرسانی کرد
مدل جدید ویدیویی گوگل می‌تواند ویدیوهایی تا ۴۰ ثانیه بر اساس ۱۰ ثانیه ویدیوی قبلی تولید یا ویرایش کند. حالت «پیش‌نویس» با سرعت ۶۰٪ بیشتر و هزینه‌ی یک‌سوم، امکان تولید سریع و سپس ارتقا به ۴K را فراهم می‌کند. قیمت هر ثانیه ویدیو از ۳ سنت (کیفیت ۳۶۰p) تا ۳۰ سنت (کیفیت ۴K) متغیر است و خروجی‌ها با واترمارک مخفی SynthID نشانه‌گذاری می‌شوند.
🔗 blog.google
---
🤖 عامل هوش مصنوعی Instinct توجه سرمایه‌گذاران سیلیکون‌ولی را جلب کرد
استارتاپ Spear Street Technology با جذب ۲۵۰ میلیون دلار سرمایه‌گذاری و ارزش‌گذاری ۲.۵ میلیارد دلاری، از عامل هوش مصنوعی شخصی خود رونمایی کرده است. این عامل که توسط نوآ شین (بنیان‌گذار ۲۳ ساله و خالق روش Reflexion) ساخته شده، بدون نیاز به تنظیمات پیچیده، کارهای روزمره مثل مدیریت ایمیل، رزرو بلیط و پرداخت‌ها را انجام می‌دهد. تست‌کنندگان اولیه آن را «OpenClaw برای مردم عادی» نامیده‌اند.
🔗 wsj.com
---
#هوش_مصنوعی #اخبار_فناوری #امنیت_سایبری #Nvidia #Anthropic #Google
🆔 @asrgooyeshpardaz
❤2
🎬 گوگل از Gemini Omni 1.1 Flash رونمایی کرد؛ نسل جدید تولید ویدئو با کنترل بیشتر و قیمت مناسب
گوگل به‌طور رسمی از مدل جدید تولید ویدئوی خود، Gemini Omni 1.1 Flash، رونمایی کرده است. این مدل که از طریق Gemini API در Google AI Studio در دسترس قرار گرفته، با تمرکز بر کنترل بیشتر، سرعت بالاتر و هزینه‌ی کمتر، به‌عنوان یک ابزار حرفه‌ای برای تولید ویدئو معرفی شده است.
---
🧩 قابلیت‌های کلیدی و جدید
✨ گسترش صحنه تا ۴۰ ثانیه
مدل جدید می‌تواند تا ۱۰ ثانیه از ویدئوی قبلی را به‌عنوان زمینه (Context) تحلیل کند و در ادامه، ویدئو را به‌صورت ۱۰ ثانیه‌ای گسترش دهد تا طول کل آن به ۴۰ ثانیه برسد. این ویژگی، روایت‌پذیری و هماهنگی بصری را به‌شدت بهبود می‌بخشد.
🎞️ کنترل فریم اول و آخر
توسعه‌دهندگان می‌توانند با مشخص کردن فریم شروع و پایان، یک ویدئوی پیوسته بین دو تصویر کلیدی تولید کنند. این قابلیت برای حرکات دوربین پیچیده، زوم و انتقال‌های نرم ایده‌آل است.
📹 مرجع ویدئویی (Video Reference)
برای حفظ یکپارچگی بصری، می‌توان تا ۳ ثانیه ویدئوی مرجع به ورودی مدل اضافه کرد تا شخصیت‌ها و فضای بصری ثابت بمانند.
⚡️ پیش‌نمایش سریع و ارزان ۳۶۰p
حالت جدید پیش‌نویس (Draft) با کیفیت ۳۶۰p، ویدئوها را تا ۶۰٪ سریع‌تر و با هزینه‌ی یک‌سوم نسخه‌ی ۷۲۰p تولید می‌کند. این ویژگی برای تولید سریع نمونه‌های اولیه و آزمایش ایده‌ها عالی است.
📈 ارتقا تا رزولوشن ۴K
پس از نهایی شدن، می‌توان ویدئو را به‌صورت حرفه‌ای تا کیفیت ۱۰۸۰p یا ۴K ارتقا داد.
🔊 صداگذاری بومی (Native Audio)
تمام ویدئوهای تولیدشده، همراه با یک ترک صوتی هماهنگ شامل دیالوگ، افکت‌های صوتی و صدای محیط هستند.
---
💰 قیمت‌گذاری (به‌ازای هر ثانیه ویدئو)
مدل بر اساس تعداد توکن‌های خروجی صورتحساب می‌دهد. قیمت هر ثانیه ویدئو در رزولوشن‌های مختلف به‌شرح زیر است (قیمت‌ها به‌دلار آمریکا):
· کیفیت ۳۶۰p (حالت پیش‌نویس): ۰.۰۳ دلار
· کیفیت ۷۲۰p، قیمت: ۰.۱۰ دلار
· کیفیت ۱۰۸۰p، قیمت: ۰.۱۵ دلار
· کیفیت ۴K، قیمت: ۰.۳۰ دلار
📌 نکته: برای تولید یک ویدئوی ۱۰ ثانیه‌ای با کیفیت ۷۲۰p، هزینه‌ای حدود ۱.۰۱ دلار و برای یک صحنه‌ی ۴۰ ثانیه‌ای (از طریق چهار مرحله گسترش)، هزینه‌ای حدود ۴.۰۶ دلار محاسبه می‌شود.
💡 صرفه‌جویی: استفاده از حالت پیش‌نویس ۳۶۰p می‌تواند هزینه‌های آزمایش و تکرار را تا ۶۲٪ کاهش دهد.
---
⚙️ مشخصات فنی و محدودیت‌ها
· مدل ID: gemini-omni-1.1-flash
· حداکثر توکن ورودی: ۱۳۱,۰۷۲ توکن
· حداکثر توکن خروجی: ۵۷,۹۲۰ توکن
· ورودی‌های پشتیبانی‌شده: متن، تصویر، ویدئو، صدا
· خروجی: ویدئو با صدای هماهنگ
· حالت Thinking: پشتیبانی می‌شود
---
🌐 دسترسی
· توسعه‌دهندگان: از طریق Gemini API در Google AI Studio و Gemini Enterprise Agent Platform API
· کاربران عادی: برای مشترکان Google AI Plus، Pro و Ultra در Google Flow و اپلیکیشن Gemini در دسترس است
· مستندات: راهنمای رسمی و کتاب آشپزی منتشر شده‌اند
---
💡 مدل Gemini Omni 1.1 Flash با ارائه‌ی کنترل بیشتر روی فریم‌ها، امکان گسترش صحنه، ویدئوهای مرجع و حالت پیش‌نویس ارزان، یک ابزار قدرتمند و در عین حال مقرون‌به‌صرفه برای تولید ویدئوهای هوش مصنوعی محسوب می‌شود. این مدل برای توسعه‌دهندگان، تولیدکنندگان محتوا و شرکت‌های خلاق، گزینه‌ای جذاب برای ورود به عصر تولید ویدئو با هوش مصنوعی است.
منبع: وبلاگ گوگل
---
#Google #Gemini #هوش_مصنوعی #تولید_ویدئو #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
گوگل به‌طور رسمی از مدل جدید تولید ویدئوی خود، Gemini Omni 1.1 Flash، رونمایی کرده است. این مدل که از طریق Gemini API در Google AI Studio در دسترس قرار گرفته، با تمرکز بر کنترل بیشتر، سرعت بالاتر و هزینه‌ی کمتر، به‌عنوان یک ابزار حرفه‌ای برای تولید ویدئو معرفی شده است.
---
🧩 قابلیت‌های کلیدی و جدید
✨ گسترش صحنه تا ۴۰ ثانیه
مدل جدید می‌تواند تا ۱۰ ثانیه از ویدئوی قبلی را به‌عنوان زمینه (Context) تحلیل کند و در ادامه، ویدئو را به‌صورت ۱۰ ثانیه‌ای گسترش دهد تا طول کل آن به ۴۰ ثانیه برسد. این ویژگی، روایت‌پذیری و هماهنگی بصری را به‌شدت بهبود می‌بخشد.
🎞️ کنترل فریم اول و آخر
توسعه‌دهندگان می‌توانند با مشخص کردن فریم شروع و پایان، یک ویدئوی پیوسته بین دو تصویر کلیدی تولید کنند. این قابلیت برای حرکات دوربین پیچیده، زوم و انتقال‌های نرم ایده‌آل است.
📹 مرجع ویدئویی (Video Reference)
برای حفظ یکپارچگی بصری، می‌توان تا ۳ ثانیه ویدئوی مرجع به ورودی مدل اضافه کرد تا شخصیت‌ها و فضای بصری ثابت بمانند.
⚡️ پیش‌نمایش سریع و ارزان ۳۶۰p
حالت جدید پیش‌نویس (Draft) با کیفیت ۳۶۰p، ویدئوها را تا ۶۰٪ سریع‌تر و با هزینه‌ی یک‌سوم نسخه‌ی ۷۲۰p تولید می‌کند. این ویژگی برای تولید سریع نمونه‌های اولیه و آزمایش ایده‌ها عالی است.
📈 ارتقا تا رزولوشن ۴K
پس از نهایی شدن، می‌توان ویدئو را به‌صورت حرفه‌ای تا کیفیت ۱۰۸۰p یا ۴K ارتقا داد.
🔊 صداگذاری بومی (Native Audio)
تمام ویدئوهای تولیدشده، همراه با یک ترک صوتی هماهنگ شامل دیالوگ، افکت‌های صوتی و صدای محیط هستند.
---
💰 قیمت‌گذاری (به‌ازای هر ثانیه ویدئو)
مدل بر اساس تعداد توکن‌های خروجی صورتحساب می‌دهد. قیمت هر ثانیه ویدئو در رزولوشن‌های مختلف به‌شرح زیر است (قیمت‌ها به‌دلار آمریکا):
· کیفیت ۳۶۰p (حالت پیش‌نویس): ۰.۰۳ دلار
· کیفیت ۷۲۰p، قیمت: ۰.۱۰ دلار
· کیفیت ۱۰۸۰p، قیمت: ۰.۱۵ دلار
· کیفیت ۴K، قیمت: ۰.۳۰ دلار
📌 نکته: برای تولید یک ویدئوی ۱۰ ثانیه‌ای با کیفیت ۷۲۰p، هزینه‌ای حدود ۱.۰۱ دلار و برای یک صحنه‌ی ۴۰ ثانیه‌ای (از طریق چهار مرحله گسترش)، هزینه‌ای حدود ۴.۰۶ دلار محاسبه می‌شود.
💡 صرفه‌جویی: استفاده از حالت پیش‌نویس ۳۶۰p می‌تواند هزینه‌های آزمایش و تکرار را تا ۶۲٪ کاهش دهد.
---
⚙️ مشخصات فنی و محدودیت‌ها
· مدل ID: gemini-omni-1.1-flash
· حداکثر توکن ورودی: ۱۳۱,۰۷۲ توکن
· حداکثر توکن خروجی: ۵۷,۹۲۰ توکن
· ورودی‌های پشتیبانی‌شده: متن، تصویر، ویدئو، صدا
· خروجی: ویدئو با صدای هماهنگ
· حالت Thinking: پشتیبانی می‌شود
---
🌐 دسترسی
· توسعه‌دهندگان: از طریق Gemini API در Google AI Studio و Gemini Enterprise Agent Platform API
· کاربران عادی: برای مشترکان Google AI Plus، Pro و Ultra در Google Flow و اپلیکیشن Gemini در دسترس است
· مستندات: راهنمای رسمی و کتاب آشپزی منتشر شده‌اند
---
💡 مدل Gemini Omni 1.1 Flash با ارائه‌ی کنترل بیشتر روی فریم‌ها، امکان گسترش صحنه، ویدئوهای مرجع و حالت پیش‌نویس ارزان، یک ابزار قدرتمند و در عین حال مقرون‌به‌صرفه برای تولید ویدئوهای هوش مصنوعی محسوب می‌شود. این مدل برای توسعه‌دهندگان، تولیدکنندگان محتوا و شرکت‌های خلاق، گزینه‌ای جذاب برای ورود به عصر تولید ویدئو با هوش مصنوعی است.
منبع: وبلاگ گوگل
---
#Google #Gemini #هوش_مصنوعی #تولید_ویدئو #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
دوش با من گفت پنهان، کاردانی تیزهوش.
وز شما پنهان نشاید کرد سِرِّ مِی‌فروش.
گفت آسان گیر بر خود کارها، کز رویِ طبع،
سخت می‌گردد جهان بر مردمانِ سخت‌کوش.
وان گَهَم دَر داد جامی کز فروغش بر فلک،
زهره در رقص آمد و بَرْبَط زنان می‌گفت نوش.
با دلِ خونین لبِ خندان بیاور همچو جام.
نی گَرَت زخمی رسد، آیی چو چنگ اندر خروش.
تا نگردی آشْنا زین پرده رَمزی نشنوی.
گوشِ نامحرم نباشد جایِ پیغامِ سروش.
گوش کن پند ای پسر وز بهرِ دنیا غم مَخور.
گفتمت چون دُر حدیثی، گر توانی داشت هوش.
در حریمِ عشق، نَتْوان زد دَم از گفت و شنید.
زان که آنجا جمله اعضا، چشم باید بود و گوش.
بر بساطِ نکته‌دانان خودفروشی شرط نیست.
یا سخن دانسته گو ای مردِ عاقل، یا خموش.
ساقیا مِی ده که رِندی‌هایِ حافظ فهم کرد.
آصِفِ صاحب‌قَرانِ جرم‌بخشِ عیب‌پوش.
غزلیات حافظ
@AgpArianaBot
وز شما پنهان نشاید کرد سِرِّ مِی‌فروش.
گفت آسان گیر بر خود کارها، کز رویِ طبع،
سخت می‌گردد جهان بر مردمانِ سخت‌کوش.
وان گَهَم دَر داد جامی کز فروغش بر فلک،
زهره در رقص آمد و بَرْبَط زنان می‌گفت نوش.
با دلِ خونین لبِ خندان بیاور همچو جام.
نی گَرَت زخمی رسد، آیی چو چنگ اندر خروش.
تا نگردی آشْنا زین پرده رَمزی نشنوی.
گوشِ نامحرم نباشد جایِ پیغامِ سروش.
گوش کن پند ای پسر وز بهرِ دنیا غم مَخور.
گفتمت چون دُر حدیثی، گر توانی داشت هوش.
در حریمِ عشق، نَتْوان زد دَم از گفت و شنید.
زان که آنجا جمله اعضا، چشم باید بود و گوش.
بر بساطِ نکته‌دانان خودفروشی شرط نیست.
یا سخن دانسته گو ای مردِ عاقل، یا خموش.
ساقیا مِی ده که رِندی‌هایِ حافظ فهم کرد.
آصِفِ صاحب‌قَرانِ جرم‌بخشِ عیب‌پوش.
غزلیات حافظ
@AgpArianaBot
❤4👏3
🔥 وزن‌های مدل GLM-5.3 به‌صورت عمومی منتشر شد!
شرکت Z.ai بالاخره وزن‌های قوی‌ترین مدل خود را برای همگان آزاد کرده است. این مدل به‌طور ویژه برای برنامه‌نویسی هوشمند (Agentic Coding) و امنیت سایبری طراحی شده و حالا هر کسی می‌تواند از آن استفاده کند.
---
✨ اکنون شما می‌توانید:
🔹 مدل را به‌راحتی دانلود کنید
🔹 آن را روی سیستم خودتان اجرا کنید
🔹 و برای نیازهای خاص خودتان، آن را شخصی‌سازی یا تنظیم دقیق (Fine-Tune) کنید
این یعنی شما دیگر فقط از طریق API به مدل دسترسی ندارید، بلکه می‌توانید عمیق‌تر با آن کار کنید و آن را در پروژه‌های خود به‌کار بگیرید.
---
🔗 لینک‌های مفید برای شروع:
📥 دانلود وزن‌های مدل:
https://huggingface.co/zai-org/GLM-5.3
📄 مشاهده توضیحات فنی:
https://z.ai/blog/glm-5.3
📖 راهنمای گام‌به‌گام برای استفاده:
https://unsloth.ai/docs/models/glm-5.3
⚡️ نسخه‌های سبک‌تر (GGUF) برای اجرای روان‌تر:
https://huggingface.co/unsloth/GLM-5.3-GGUF
---
#GLM5_3 #هوش_مصنوعی_متن_باز #پیشرفت_فناوری #Zai
🆔 @asrgooyeshpardaz
شرکت Z.ai بالاخره وزن‌های قوی‌ترین مدل خود را برای همگان آزاد کرده است. این مدل به‌طور ویژه برای برنامه‌نویسی هوشمند (Agentic Coding) و امنیت سایبری طراحی شده و حالا هر کسی می‌تواند از آن استفاده کند.
---
✨ اکنون شما می‌توانید:
🔹 مدل را به‌راحتی دانلود کنید
🔹 آن را روی سیستم خودتان اجرا کنید
🔹 و برای نیازهای خاص خودتان، آن را شخصی‌سازی یا تنظیم دقیق (Fine-Tune) کنید
این یعنی شما دیگر فقط از طریق API به مدل دسترسی ندارید، بلکه می‌توانید عمیق‌تر با آن کار کنید و آن را در پروژه‌های خود به‌کار بگیرید.
---
🔗 لینک‌های مفید برای شروع:
📥 دانلود وزن‌های مدل:
https://huggingface.co/zai-org/GLM-5.3
📄 مشاهده توضیحات فنی:
https://z.ai/blog/glm-5.3
📖 راهنمای گام‌به‌گام برای استفاده:
https://unsloth.ai/docs/models/glm-5.3
⚡️ نسخه‌های سبک‌تر (GGUF) برای اجرای روان‌تر:
https://huggingface.co/unsloth/GLM-5.3-GGUF
---
#GLM5_3 #هوش_مصنوعی_متن_باز #پیشرفت_فناوری #Zai
🆔 @asrgooyeshpardaz
❤4
🌐 اخبار هوش مصنوعی
⚖️ دادگاه حکم داد: قرار دادن Anthropic در لیست سیاه پنتاگون غیرقانونی بود
دادگاه فدرال کالیفرنیا رأی داد که وزارت دفاع آمریکا بدون دلیل موجه، Anthropic را تهدید امنیت ملی اعلام کرده است. دولت نتوانست شواهدی ارائه دهد که این شرکت خطری برای زنجیره تأمین دارد یا قصد خرابکاری در مدل‌های خود را دارد. این حکم به‌طور نامحدود اجرای تحریم علیه Anthropic را ممنوع می‌کند، اما پنتاگون همچنان می‌تواند از تأمین‌کنندگان دیگر خرید کند.
🔗 reuters.com
---
🌍 آمریکا در G20 از مقررات نرم هوش مصنوعی رونمایی می‌کند
آمریکا در نشست وزرای G20، سند «اصول کارولینا» را ارائه خواهد داد که پیشنهاد می‌کند کشورها به‌جای ایجاد نهادهای نظارتی جدید، روی همکاری با بخش خصوصی و آزمایش مدل‌ها تمرکز کنند. ایلان ماسک و دیوید ساکس جلسه را افتتاح می‌کنند و سام آلتمن و جنسن هوانگ نیز در روز دوم به بحث می‌پیوندند. آمریکا امیدوار است چین، ژاپن و کشورهای اروپایی را متقاعد کند و در صورت موفقیت، این سند در نشست دسامبر G20 به تصویب برسد.
🔗 bloomberg.com
---
💻 شرکت OpenAI در حال تست حالت خودمختار Codex است
کدهای OpenAI نشان می‌دهد که این شرکت در حال تست «حالت پایدار» (Persistent Mode) برای Codex است؛ حالتی که عامل هوش مصنوعی به‌صورت مداوم در پس‌زمینه کار می‌کند، زمینه را بین جلسات حفظ می‌کند و خودش وظایف بعدی را پیشنهاد می‌دهد. اما هرگونه اقدام روی سیستم‌های خارجی همچنان نیاز به تأیید انسان دارد. تاریخ انتشار مشخص نیست.
🔗 wired.com
---
📚 برنامه Gemini Notebook با کتاب‌های الکترونیکی یکپارچه شد
قابلیت جدید Expert Intelligence در Gemini Notebook به کاربران اجازه می‌دهد کتاب‌های Google Play Books را به‌عنوان منبع دانش متصل کنند. بیش از ۱۰۰ هزار کتاب (از جمله منابع فنی O'Reilly) در دسترس است. کاربران می‌توانند از کتاب سوال بپرسند، خلاصه بگیرند و کارت‌های آموزشی بسازند. برای استفاده، هر کاربر باید کتاب را خریداری کند و دسترسی بدون مجوز مسدود می‌شود. گوگل قصد دارد این قابلیت را به مقالات علمی و گزارش‌های بازاریابی نیز گسترش دهد.
🔗 blog.google
---
🧬 دانشمندان با ML نقشه‌ی اتصالات عصبی اوتیسم را ترسیم کردند
پژوهشگران دانشگاه کالیفرنیا با استفاده از یادگیری ماشین، داده‌های fMRI و ژنتیک را تحلیل کرده و اوتیسم را به زیرگروه‌های بیولوژیکی تقسیم کردند. این نقشه، الگوهای فعالیت مغزی را با پاسخ به درمان‌ها مرتبط می‌کند. در آینده، این روش می‌تواند تشخیص را فراتر از علائم رفتاری برده و درمان را بر اساس بیومارکرها شخصی‌سازی کند، هرچند هنوز به تأیید بالینی نیاز دارد.
🔗 science.org
---
🆔 @asrgooyeshpardaz
⚖️ دادگاه حکم داد: قرار دادن Anthropic در لیست سیاه پنتاگون غیرقانونی بود
دادگاه فدرال کالیفرنیا رأی داد که وزارت دفاع آمریکا بدون دلیل موجه، Anthropic را تهدید امنیت ملی اعلام کرده است. دولت نتوانست شواهدی ارائه دهد که این شرکت خطری برای زنجیره تأمین دارد یا قصد خرابکاری در مدل‌های خود را دارد. این حکم به‌طور نامحدود اجرای تحریم علیه Anthropic را ممنوع می‌کند، اما پنتاگون همچنان می‌تواند از تأمین‌کنندگان دیگر خرید کند.
🔗 reuters.com
---
🌍 آمریکا در G20 از مقررات نرم هوش مصنوعی رونمایی می‌کند
آمریکا در نشست وزرای G20، سند «اصول کارولینا» را ارائه خواهد داد که پیشنهاد می‌کند کشورها به‌جای ایجاد نهادهای نظارتی جدید، روی همکاری با بخش خصوصی و آزمایش مدل‌ها تمرکز کنند. ایلان ماسک و دیوید ساکس جلسه را افتتاح می‌کنند و سام آلتمن و جنسن هوانگ نیز در روز دوم به بحث می‌پیوندند. آمریکا امیدوار است چین، ژاپن و کشورهای اروپایی را متقاعد کند و در صورت موفقیت، این سند در نشست دسامبر G20 به تصویب برسد.
🔗 bloomberg.com
---
💻 شرکت OpenAI در حال تست حالت خودمختار Codex است
کدهای OpenAI نشان می‌دهد که این شرکت در حال تست «حالت پایدار» (Persistent Mode) برای Codex است؛ حالتی که عامل هوش مصنوعی به‌صورت مداوم در پس‌زمینه کار می‌کند، زمینه را بین جلسات حفظ می‌کند و خودش وظایف بعدی را پیشنهاد می‌دهد. اما هرگونه اقدام روی سیستم‌های خارجی همچنان نیاز به تأیید انسان دارد. تاریخ انتشار مشخص نیست.
🔗 wired.com
---
📚 برنامه Gemini Notebook با کتاب‌های الکترونیکی یکپارچه شد
قابلیت جدید Expert Intelligence در Gemini Notebook به کاربران اجازه می‌دهد کتاب‌های Google Play Books را به‌عنوان منبع دانش متصل کنند. بیش از ۱۰۰ هزار کتاب (از جمله منابع فنی O'Reilly) در دسترس است. کاربران می‌توانند از کتاب سوال بپرسند، خلاصه بگیرند و کارت‌های آموزشی بسازند. برای استفاده، هر کاربر باید کتاب را خریداری کند و دسترسی بدون مجوز مسدود می‌شود. گوگل قصد دارد این قابلیت را به مقالات علمی و گزارش‌های بازاریابی نیز گسترش دهد.
🔗 blog.google
---
🧬 دانشمندان با ML نقشه‌ی اتصالات عصبی اوتیسم را ترسیم کردند
پژوهشگران دانشگاه کالیفرنیا با استفاده از یادگیری ماشین، داده‌های fMRI و ژنتیک را تحلیل کرده و اوتیسم را به زیرگروه‌های بیولوژیکی تقسیم کردند. این نقشه، الگوهای فعالیت مغزی را با پاسخ به درمان‌ها مرتبط می‌کند. در آینده، این روش می‌تواند تشخیص را فراتر از علائم رفتاری برده و درمان را بر اساس بیومارکرها شخصی‌سازی کند، هرچند هنوز به تأیید بالینی نیاز دارد.
🔗 science.org
---
🆔 @asrgooyeshpardaz
❤3🔥1
🧬 نقشه‌ی جامع برهم‌کنش‌های پروتئینی اوتیسم؛ جهش‌ها چگونه شبکه‌های عصبی را بازآرایی می‌کنند؟
پژوهشگران در مطالعه‌ای گسترده که در مجله‌ی Science منتشر شده، موفق به ترسیم بزرگ‌ترین نقشه‌ی برهم‌کنش‌های پروتئینی مرتبط با اوتیسم شده‌اند. این نقشه، شامل بیش از ۱۸۰۰ برهم‌کنش است که ۸۷٪ آنها تاکنون ناشناخته بودند.
---
🧩 روش پژوهش و یافته‌های کلیدی
🔹 بررسی ۱۰۰ ژن پرخطر اوتیسم:
محققان با استفاده از تکنیک AP-MS (طیف‌سنجی جرمی به‌همراه تخلیص میل ترکیبی)، برهم‌کنش‌های فیزیکی پروتئین‌های حاصل از این ژن‌ها را در سلول‌های انسانی (HEK293T) و سپس در مدل‌های پیشرفته‌تر مانند سلول‌های بنیادی تمایزیافته به نورون و ارگانوئیدهای مغزی، مورد بررسی قرار دادند.
🔹 هم‌گرایی مولکولی شگفت‌انگیز:
پروتئین‌های مرتبط با اوتیسم، برخلاف تنوع ژنتیکی بالا، بر روی مجموعه‌های پروتئینی مشترک همگرا می‌شوند. برای مثال، پروتئین‌های DYRK1A، KIAA0232 و پروتئین رابط DCAF7 یک کمپلکس سه‌تایی را تشکیل می‌دهند که اختلال در آن، باعث کاهش اندازه‌ی مغز در مدل‌های جانوری (قورباغه‌ی پنجه‌دار) و مختل شدن تقسیم سلولی در سلول‌های پیش‌تکامل عصبی انسان می‌شود.
🔹 بازآرایی برهم‌کنش‌ها با جهش‌های بیماری‌زا:
جهش‌های مختلف در یک ژن (یا حتی ژن‌های متفاوت) می‌توانند باعث تضعیف یا قطع یک برهم‌کنش خاص و یا ایجاد برهم‌کنش‌های جدید و غیرطبیعی شوند. برای مثال، جهش‌های مختلف در ژن FOXP1 (که در تکامل قشر مغز نقش دارد) همگی باعث تضعیف برهم‌کنش آن با پروتئین FOXP4 می‌شوند. این اختلال، منجر به تغییر الگوی بیان ژن‌ها، کاهش تولید نورون‌های قشری عمقی در ارگانوئیدهای مغزی و در نهایت تغییر در الگوی فعالیت الکتریکی شبکه‌های عصبی می‌گردد.
🔹 پیش‌بینی ساختاری با AlphaFold:
محققان از ابزار AlphaFold-Multimer برای پیش‌بینی ساختار سه‌بعدی برهم‌کنش‌های مستقیم پروتئین‌ها و تأثیر جهش‌ها بر روی این ساختارها استفاده کردند. این روش، امکان شناسایی دقیق‌تر برهم‌کنش‌های مستقیم و واسطه‌ای و همچنین پیش‌بینی اثرات مخرب جهش‌ها را فراهم کرد.
🔹 کاربرد در درمان:
شناسایی برهم‌کنش‌های کلیدی که در اثر جهش‌ها مختل می‌شوند، می‌تواند به کشف اهداف دارویی جدید منجر شود. برای مثال، بازگرداندن برهم‌کنش FOXP1-FOXP4 یا مهار برهم‌کنش‌های پاتولوژیک جدید، می‌تواند استراتژی‌های درمانی دقیق‌تری را برای زیرگروه‌های خاصی از بیماران اوتیسم ارائه دهد.
---
💡 اهمیت این پژوهش
این مطالعه با ارائه‌ی یک نقشه‌ی جامع از شبکه‌های پروتئینی اوتیسم و نشان‌دادن چگونگی تأثیر جهش‌ها بر این شبکه‌ها، گامی بزرگ از لیست ژن‌ها به سمت درک مکانیسم‌های بیماری برداشته است. این رویکرد می‌تواند الگویی برای مطالعه‌ی سایر بیماری‌های عصبی-رشدی و روانپزشکی باشد.
---
🔗 مقاله:
science.org/doi/10.1126/science.ady4523
---
#علوم_اعصاب #اوتیسم #پروتئومیکس #پژوهش_ژنتیک #پیشرفت_علمی
🆔 @asrgooyeshpardaz
پژوهشگران در مطالعه‌ای گسترده که در مجله‌ی Science منتشر شده، موفق به ترسیم بزرگ‌ترین نقشه‌ی برهم‌کنش‌های پروتئینی مرتبط با اوتیسم شده‌اند. این نقشه، شامل بیش از ۱۸۰۰ برهم‌کنش است که ۸۷٪ آنها تاکنون ناشناخته بودند.
---
🧩 روش پژوهش و یافته‌های کلیدی
🔹 بررسی ۱۰۰ ژن پرخطر اوتیسم:
محققان با استفاده از تکنیک AP-MS (طیف‌سنجی جرمی به‌همراه تخلیص میل ترکیبی)، برهم‌کنش‌های فیزیکی پروتئین‌های حاصل از این ژن‌ها را در سلول‌های انسانی (HEK293T) و سپس در مدل‌های پیشرفته‌تر مانند سلول‌های بنیادی تمایزیافته به نورون و ارگانوئیدهای مغزی، مورد بررسی قرار دادند.
🔹 هم‌گرایی مولکولی شگفت‌انگیز:
پروتئین‌های مرتبط با اوتیسم، برخلاف تنوع ژنتیکی بالا، بر روی مجموعه‌های پروتئینی مشترک همگرا می‌شوند. برای مثال، پروتئین‌های DYRK1A، KIAA0232 و پروتئین رابط DCAF7 یک کمپلکس سه‌تایی را تشکیل می‌دهند که اختلال در آن، باعث کاهش اندازه‌ی مغز در مدل‌های جانوری (قورباغه‌ی پنجه‌دار) و مختل شدن تقسیم سلولی در سلول‌های پیش‌تکامل عصبی انسان می‌شود.
🔹 بازآرایی برهم‌کنش‌ها با جهش‌های بیماری‌زا:
جهش‌های مختلف در یک ژن (یا حتی ژن‌های متفاوت) می‌توانند باعث تضعیف یا قطع یک برهم‌کنش خاص و یا ایجاد برهم‌کنش‌های جدید و غیرطبیعی شوند. برای مثال، جهش‌های مختلف در ژن FOXP1 (که در تکامل قشر مغز نقش دارد) همگی باعث تضعیف برهم‌کنش آن با پروتئین FOXP4 می‌شوند. این اختلال، منجر به تغییر الگوی بیان ژن‌ها، کاهش تولید نورون‌های قشری عمقی در ارگانوئیدهای مغزی و در نهایت تغییر در الگوی فعالیت الکتریکی شبکه‌های عصبی می‌گردد.
🔹 پیش‌بینی ساختاری با AlphaFold:
محققان از ابزار AlphaFold-Multimer برای پیش‌بینی ساختار سه‌بعدی برهم‌کنش‌های مستقیم پروتئین‌ها و تأثیر جهش‌ها بر روی این ساختارها استفاده کردند. این روش، امکان شناسایی دقیق‌تر برهم‌کنش‌های مستقیم و واسطه‌ای و همچنین پیش‌بینی اثرات مخرب جهش‌ها را فراهم کرد.
🔹 کاربرد در درمان:
شناسایی برهم‌کنش‌های کلیدی که در اثر جهش‌ها مختل می‌شوند، می‌تواند به کشف اهداف دارویی جدید منجر شود. برای مثال، بازگرداندن برهم‌کنش FOXP1-FOXP4 یا مهار برهم‌کنش‌های پاتولوژیک جدید، می‌تواند استراتژی‌های درمانی دقیق‌تری را برای زیرگروه‌های خاصی از بیماران اوتیسم ارائه دهد.
---
💡 اهمیت این پژوهش
این مطالعه با ارائه‌ی یک نقشه‌ی جامع از شبکه‌های پروتئینی اوتیسم و نشان‌دادن چگونگی تأثیر جهش‌ها بر این شبکه‌ها، گامی بزرگ از لیست ژن‌ها به سمت درک مکانیسم‌های بیماری برداشته است. این رویکرد می‌تواند الگویی برای مطالعه‌ی سایر بیماری‌های عصبی-رشدی و روانپزشکی باشد.
---
🔗 مقاله:
science.org/doi/10.1126/science.ady4523
---
#علوم_اعصاب #اوتیسم #پروتئومیکس #پژوهش_ژنتیک #پیشرفت_علمی
🆔 @asrgooyeshpardaz
Science
Autism mutations rewire protein interaction networks to drive neurodevelopmental pathology
Systematic mapping of protein-protein interaction (PPI) networks and determining how causal mutations rewire them in autism spectrum disorder (ASD) provide a powerful framework for uncovering disease mechanisms and therapeutic opportunities. Using ...
❤6🔥1
🧠 مدل Marin 535B-A23B: آموزش یک مدل ۵۳۵ میلیارد پارامتری به‌صورت زنده و کاملاً باز!
کامیونیتی Marin از دو روز پیش آموزش بزرگ‌ترین مدل زبانی خود را شروع کرده و همه‌چیز را به‌صورت عمومی و زنده به اشتراک می‌گذارد. این پروژه که توسط Percy Liang از دانشگاه استنفورد رهبری می‌شود، گامی در جهت شفافیت کامل در توسعه مدل‌های بنیادین است.
---
📊 مشخصات فنی و برنامه‌ی آموزش
🔹 معماری: MoE (Mixture-of-Experts) با ۵۳۵ میلیارد پارامتر کلی و ۲۳ میلیارد پارامتر فعال در هر توکن. هر بلوک ترنسفورمر شامل ۳۸۴ متخصص با مسیریابی top-8 و دو متخصص اشتراکی است.
🔹 زیرساخت: ۱۱ سامانه‌ی GB200 NVL72 (حدود ۷۹۲ واحد پردازشی GB200)
🔹 داده‌های آموزشی: ۱۸.۷۵ تریلیون توکن (۸۰٪ پیش‌آموزش و ۲۰٪ میان‌آموزش)
🔹 مدت زمان: حدود ۳ ماه
🔹 حجم محاسباتی: ۲.۷ × ۱۰²⁴ FLOPs
---
🔬 رویکرد علمی و گام‌های پیشین
پیش از شروع این اجرای اصلی، تیم یک نردبان مقیاس‌سازی (Scaling Ladder) با ۴ پله از مدل ۱.۶ میلیاردی (۴۸ میلیارد توکن) تا ۲۷.۷ میلیاردی (۹۲۶ میلیارد توکن) اجرا کرد تا مشکلات را شناسایی و پیش‌بینی دقیقی از عملکرد اجرای اصلی داشته باشد.
---
🌍 شفافیت کامل؛ یک حرکت بی‌نظیر
کامیونیتی Marin نه تنها وزن‌ها و کد نهایی، بلکه همه‌چیز را به‌صورت لحظه‌ای عمومی می‌کند:
🔹 گزارش‌های زنده: لاگ Loss و تمام متریک‌های آموزش روی Weights & Biases
🔹 کد و مستندات: همه‌ی آزمایش‌ها و کدها روی GitHub
🔹 داده‌ها: ترکیب داده‌های آموزشی به‌صورت عمومی
🔹 بحث و مشارکت: از طریق Discord و لیست پستی
---
👏 واکنش جامعه
دانشمند معروف Andrew Ng و بسیاری از پژوهشگران حوزه‌ی هوش مصنوعی از این حرکت تقدیر کرده‌اند. این پروژه نشان می‌دهد که توسعه مدل‌های بزرگ می‌تواند شفاف، علمی و مشارکتی باشد و فقط در انحصار چند شرکت بزرگ نباشد.
---
📌 پیگیری لحظه‌به‌لحظه
اگر به فرایند آموزش مدل‌های بزرگ علاقه‌مندید، این پروژه یک فرصت طلایی برای یادگیری است. می‌توانید:
· گزارش زنده را در WandB دنبال کنید
· کد و جزئیات فنی را در GitHub بررسی کنید
· در بحث‌های جامعه شرکت کنید
---
🔗 لینک‌های مفید
📊 گزارش زنده آموزش
🐦 توییت
🌐 وبسایت کامیونیتی Marin
💻 گیت‌هاب پروژه
---
💡 پروژه Marin 535B-A23B با شفافیت کامل و رویکرد علمی باز، یکی از مهم‌ترین اتفاقات سال ۲۰۲۶ در حوزه‌ی مدل‌های متن‌باز است. این حرکت می‌تواند الگویی برای نسل جدیدی از توسعه مدل‌های بنیادین باشد.
---
#Marin #مدل_زبانی #هوش_مصنوعی_متن_باز #پیشرفت_فناوری #LLM
🆔 @asrgooyeshpardaz
کامیونیتی Marin از دو روز پیش آموزش بزرگ‌ترین مدل زبانی خود را شروع کرده و همه‌چیز را به‌صورت عمومی و زنده به اشتراک می‌گذارد. این پروژه که توسط Percy Liang از دانشگاه استنفورد رهبری می‌شود، گامی در جهت شفافیت کامل در توسعه مدل‌های بنیادین است.
---
📊 مشخصات فنی و برنامه‌ی آموزش
🔹 معماری: MoE (Mixture-of-Experts) با ۵۳۵ میلیارد پارامتر کلی و ۲۳ میلیارد پارامتر فعال در هر توکن. هر بلوک ترنسفورمر شامل ۳۸۴ متخصص با مسیریابی top-8 و دو متخصص اشتراکی است.
🔹 زیرساخت: ۱۱ سامانه‌ی GB200 NVL72 (حدود ۷۹۲ واحد پردازشی GB200)
🔹 داده‌های آموزشی: ۱۸.۷۵ تریلیون توکن (۸۰٪ پیش‌آموزش و ۲۰٪ میان‌آموزش)
🔹 مدت زمان: حدود ۳ ماه
🔹 حجم محاسباتی: ۲.۷ × ۱۰²⁴ FLOPs
---
🔬 رویکرد علمی و گام‌های پیشین
پیش از شروع این اجرای اصلی، تیم یک نردبان مقیاس‌سازی (Scaling Ladder) با ۴ پله از مدل ۱.۶ میلیاردی (۴۸ میلیارد توکن) تا ۲۷.۷ میلیاردی (۹۲۶ میلیارد توکن) اجرا کرد تا مشکلات را شناسایی و پیش‌بینی دقیقی از عملکرد اجرای اصلی داشته باشد.
---
🌍 شفافیت کامل؛ یک حرکت بی‌نظیر
کامیونیتی Marin نه تنها وزن‌ها و کد نهایی، بلکه همه‌چیز را به‌صورت لحظه‌ای عمومی می‌کند:
🔹 گزارش‌های زنده: لاگ Loss و تمام متریک‌های آموزش روی Weights & Biases
🔹 کد و مستندات: همه‌ی آزمایش‌ها و کدها روی GitHub
🔹 داده‌ها: ترکیب داده‌های آموزشی به‌صورت عمومی
🔹 بحث و مشارکت: از طریق Discord و لیست پستی
---
👏 واکنش جامعه
دانشمند معروف Andrew Ng و بسیاری از پژوهشگران حوزه‌ی هوش مصنوعی از این حرکت تقدیر کرده‌اند. این پروژه نشان می‌دهد که توسعه مدل‌های بزرگ می‌تواند شفاف، علمی و مشارکتی باشد و فقط در انحصار چند شرکت بزرگ نباشد.
---
📌 پیگیری لحظه‌به‌لحظه
اگر به فرایند آموزش مدل‌های بزرگ علاقه‌مندید، این پروژه یک فرصت طلایی برای یادگیری است. می‌توانید:
· گزارش زنده را در WandB دنبال کنید
· کد و جزئیات فنی را در GitHub بررسی کنید
· در بحث‌های جامعه شرکت کنید
---
🔗 لینک‌های مفید
📊 گزارش زنده آموزش
🐦 توییت
🌐 وبسایت کامیونیتی Marin
💻 گیت‌هاب پروژه
---
💡 پروژه Marin 535B-A23B با شفافیت کامل و رویکرد علمی باز، یکی از مهم‌ترین اتفاقات سال ۲۰۲۶ در حوزه‌ی مدل‌های متن‌باز است. این حرکت می‌تواند الگویی برای نسل جدیدی از توسعه مدل‌های بنیادین باشد.
---
#Marin #مدل_زبانی #هوش_مصنوعی_متن_باز #پیشرفت_فناوری #LLM
🆔 @asrgooyeshpardaz
🔥4❤3
🧠 هشدار یک پژوهش گسترده: استفاده از هوش‌مصنوعی مولد، نمرات امتحانات را تا ۲۰٪ کاهش می‌دهد
پژوهشی جامع بر روی ۲۶,۸۱۱ دانش‌آموز چینی در بازه‌ای ۳۰ ماهه نشان داده که استفاده از ابزارهای هوش‌مصنوعی مولد، هرچند نمرات تکالیف را افزایش می‌دهد، اما به‌قیمت افت چشمگیر یادگیری واقعی تمام می‌شود.
---
📊 یافته‌های آماری
نمرات تکالیف دانش‌آموزانی که از هوش‌مصنوعی استفاده کرده‌اند، به‌طور میانگین ۱۸ درصد افزایش یافته و زمان انجام تکالیف نیز حدود ۳۰ درصد کاهش پیدا کرده است (از ۶۴ به ۴۵ دقیقه). بااین‌حال، نمرات امتحانات ماهانهٔ این دانش‌آموزان ۲۰ درصد کاهش نشان می‌دهد که معادل ۱.۴ انحراف معیار است. اثرات منفی روی نمرات کنکور نیز پس از دو سال به ۱۸ تا ۲۴ درصد می‌رسد.
---
🤔 علت اصلی چیست؟
بر اساس این پژوهش، حدود ۸۱ درصد از دانش‌آموزانی که از هوش‌مصنوعی استفاده می‌کنند، در واقع به «برون‌سپاری تکالیف» روی آورده‌اند. این دانش‌آموزان با کمک هوش‌مصنوعی، تکالیف را در کمترین زمان ممکن انجام می‌دهند، بدون اینکه فرصت درگیری ذهنی با مطالب را پیدا کنند. درمقابل، حدود ۱۹ درصد از کاربران که زمان مشابه دانش‌آموزان عادی صرف تکالیف می‌کنند، افت تحصیلی چندانی را تجربه نکرده‌اند. این یافته نشان می‌دهد که مشکل اصلی، خودِ فناوری نیست؛ بلکه نحوهٔ استفاده از آن است.
---
📚 تفاوت دروس
بررسی‌ها نشان می‌دهد که تأثیر منفی هوش‌مصنوعی بر درس‌های علوم انسانی (سیاست و جغرافیا) با ۲۷ درصد کاهش، بیشتر از سایر دروس بوده است. درس‌های ریاضی و علوم با ۲۲ درصد، زبان انگلیسی با ۱۷ درصد و زبان چینی با ۹ درصد کاهش در رتبه‌های بعدی قرار دارند.
---
👨🎓 تفاوت دانش‌آموزان
· دانش‌آموزان پایه‌های پایین‌تر بیشتر از پایه‌های بالاتر متأثر شده‌اند.
· پسران بیشتر از دختران دچار افت تحصیلی شده‌اند.
· دانش‌آموزان قوی‌تر، برخلاف انتظار، بیش از دانش‌آموزان ضعیف‌تر از این پدیده آسیب دیده‌اند.
---
🕰️ چرا آثار دیرپدیدار می‌شوند؟
اثرات منفی روی امتحانات ماهانه پس از حدود شش ماه کاملاً نمایان می‌شود، اما تأثیر بر نمرات کنکور تا دو سال بعد به درازا می‌کشد. این موضوع نشان می‌دهد که پژوهش‌های کوتاه‌مدت پیشین، نتوانسته‌اند ابعاد کامل این آسیب را آشکار کنند.
---
💡 راهکارهای پیشنهادی
پژوهشگران راهکارهایی را برای کاهش این آسیب‌ها پیشنهاد کرده‌اند:
· ارائهٔ اطلاعات شفاف به دانش‌آموزان و خانواده‌ها دربارهٔ هزینه‌های بلندمدت برون‌سپاری تکالیف
· افزایش اهمیت و تأثیر امتحانات حضوری و بسته‌کتاب در ارزیابی نهایی دانش‌آموزان
· نظارت والدین و معلمان بر فرایند مطالعه و زمان صرف‌شده، نه صرفاً بر نمرات تکالیف
---
📌 نتیجه‌گیری
این پژوهش که توسط مرکز پژوهش‌های سیاست‌گذاری اقتصادی اروپا (CEPR) منتشر شده است، هشدار می‌دهد که هوش‌مصنوعی مولد می‌تواند به ابزاری برای فرار از یادگیری تبدیل شود، نه صرفاً یک کمک‌آموزشی. برای بهره‌گیری درست از این فناوری، باید به‌جای محدود کردن دسترسی، بر تغییر رفتار کاربران و طراحی نظام‌های نظارتی هوشمندانه‌تر تمرکز کرد.
---
🔗 مقالهٔ کامل:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6868618
🔗مرکز پژوهش‌های سیاست‌گذاری اقتصادی اروپا (CEPR):
https://cepr.org/publications/dp21577
---
#پژوهش_هوش_مصنوعی #آموزش_و_پرورش #یادگیری_با_هوش_مصنوعی
🆔 @asrgooyeshpardaz
پژوهشی جامع بر روی ۲۶,۸۱۱ دانش‌آموز چینی در بازه‌ای ۳۰ ماهه نشان داده که استفاده از ابزارهای هوش‌مصنوعی مولد، هرچند نمرات تکالیف را افزایش می‌دهد، اما به‌قیمت افت چشمگیر یادگیری واقعی تمام می‌شود.
---
📊 یافته‌های آماری
نمرات تکالیف دانش‌آموزانی که از هوش‌مصنوعی استفاده کرده‌اند، به‌طور میانگین ۱۸ درصد افزایش یافته و زمان انجام تکالیف نیز حدود ۳۰ درصد کاهش پیدا کرده است (از ۶۴ به ۴۵ دقیقه). بااین‌حال، نمرات امتحانات ماهانهٔ این دانش‌آموزان ۲۰ درصد کاهش نشان می‌دهد که معادل ۱.۴ انحراف معیار است. اثرات منفی روی نمرات کنکور نیز پس از دو سال به ۱۸ تا ۲۴ درصد می‌رسد.
---
🤔 علت اصلی چیست؟
بر اساس این پژوهش، حدود ۸۱ درصد از دانش‌آموزانی که از هوش‌مصنوعی استفاده می‌کنند، در واقع به «برون‌سپاری تکالیف» روی آورده‌اند. این دانش‌آموزان با کمک هوش‌مصنوعی، تکالیف را در کمترین زمان ممکن انجام می‌دهند، بدون اینکه فرصت درگیری ذهنی با مطالب را پیدا کنند. درمقابل، حدود ۱۹ درصد از کاربران که زمان مشابه دانش‌آموزان عادی صرف تکالیف می‌کنند، افت تحصیلی چندانی را تجربه نکرده‌اند. این یافته نشان می‌دهد که مشکل اصلی، خودِ فناوری نیست؛ بلکه نحوهٔ استفاده از آن است.
---
📚 تفاوت دروس
بررسی‌ها نشان می‌دهد که تأثیر منفی هوش‌مصنوعی بر درس‌های علوم انسانی (سیاست و جغرافیا) با ۲۷ درصد کاهش، بیشتر از سایر دروس بوده است. درس‌های ریاضی و علوم با ۲۲ درصد، زبان انگلیسی با ۱۷ درصد و زبان چینی با ۹ درصد کاهش در رتبه‌های بعدی قرار دارند.
---
👨🎓 تفاوت دانش‌آموزان
· دانش‌آموزان پایه‌های پایین‌تر بیشتر از پایه‌های بالاتر متأثر شده‌اند.
· پسران بیشتر از دختران دچار افت تحصیلی شده‌اند.
· دانش‌آموزان قوی‌تر، برخلاف انتظار، بیش از دانش‌آموزان ضعیف‌تر از این پدیده آسیب دیده‌اند.
---
🕰️ چرا آثار دیرپدیدار می‌شوند؟
اثرات منفی روی امتحانات ماهانه پس از حدود شش ماه کاملاً نمایان می‌شود، اما تأثیر بر نمرات کنکور تا دو سال بعد به درازا می‌کشد. این موضوع نشان می‌دهد که پژوهش‌های کوتاه‌مدت پیشین، نتوانسته‌اند ابعاد کامل این آسیب را آشکار کنند.
---
💡 راهکارهای پیشنهادی
پژوهشگران راهکارهایی را برای کاهش این آسیب‌ها پیشنهاد کرده‌اند:
· ارائهٔ اطلاعات شفاف به دانش‌آموزان و خانواده‌ها دربارهٔ هزینه‌های بلندمدت برون‌سپاری تکالیف
· افزایش اهمیت و تأثیر امتحانات حضوری و بسته‌کتاب در ارزیابی نهایی دانش‌آموزان
· نظارت والدین و معلمان بر فرایند مطالعه و زمان صرف‌شده، نه صرفاً بر نمرات تکالیف
---
📌 نتیجه‌گیری
این پژوهش که توسط مرکز پژوهش‌های سیاست‌گذاری اقتصادی اروپا (CEPR) منتشر شده است، هشدار می‌دهد که هوش‌مصنوعی مولد می‌تواند به ابزاری برای فرار از یادگیری تبدیل شود، نه صرفاً یک کمک‌آموزشی. برای بهره‌گیری درست از این فناوری، باید به‌جای محدود کردن دسترسی، بر تغییر رفتار کاربران و طراحی نظام‌های نظارتی هوشمندانه‌تر تمرکز کرد.
---
🔗 مقالهٔ کامل:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6868618
🔗مرکز پژوهش‌های سیاست‌گذاری اقتصادی اروپا (CEPR):
https://cepr.org/publications/dp21577
---
#پژوهش_هوش_مصنوعی #آموزش_و_پرورش #یادگیری_با_هوش_مصنوعی
🆔 @asrgooyeshpardaz
❤2
👾 معرفی OpenWiki: یک دستیار خودکار برای نوشتن و به‌روز کردن مستندات شما!
فرض کنید یک پروژه نرم‌افزاری بزرگ دارید که هر روز کدهای جدیدی به آن اضافه می‌شود، باگ‌ها رفع می‌شوند و ساختار آن تغییر می‌کند. نگهداری مستندات به‌روز برای چنین پروژه‌ای تقریباً غیرممکن است و معمولاً مستندات خیلی زود از کد عقب می‌افتند. OpenWiki این مشکل را حل می‌کند.
---
📝 ابزار OpenWiki دقیقاً چه کاری انجام می‌دهد؟
ابزار OpenWiki یک ابزار خط فرمان است که به‌عنوان یک نویسنده‌ی خودکار برای کد شما عمل می‌کند. کار آن این است که:
۱. کد شما را می‌خواند و تحلیل می‌کند.
۲. یک ویکی (مجموعه‌ای از صفحات مارک‌دان) می‌نویسد که معماری، عملکرد و روابط بین بخش‌های مختلف کد را توضیح می‌دهد.
۳. هر زمان که کد تغییر کند، به‌طور خودکار ویکی را به‌روز می‌کند.
این یعنی شما همیشه یک سری مستندات به‌روز دارید، بدون اینکه مجبور باشید حتی یک خط از آن را خودتان بنویسید!
---
🎯 کاربردهای عملی و مثال‌های روزمره:
۱. برای توسعه‌دهندگان تنها (فریلنسر یا برنامه‌نویس شخصی):
فرض کنید یک کتابخانه یا اپلیکیشن متن‌باز ساخته‌اید. کاربران و همکاران احتمالی شما برای استفاده از آن به مستندات نیاز دارند. با اجرای دستور openwiki --init در پوشه پروژه، یک ویکی کامل و زیبا با توضیحات همه بخش‌ها، نمودارها و مثال‌ها برایتان ساخته می‌شود. این کار اعتبار پروژه شما را بالا می‌برد و ورود دیگران را آسان می‌کند.
۲. برای تیم‌های نرم‌افزاری:
در یک تیم، افراد مختلف روی بخش‌های گوناگون کار می‌کنند. وقتی یک عضو جدید به تیم اضافه می‌شود، می‌تواند به‌جای پرسیدن سوالات تکراری، ویکی تولیدشده توسط OpenWiki را بخواند و درک کاملی از کل سیستم پیدا کند. همچنین وقتی یک توسعه‌دهنده یک تابع را تغییر می‌دهد، OpenWiki با دستور openwiki --update به‌طور خودکار مستندات مربوط به آن تابع را تصحیح می‌کند و این اطمینان را ایجاد می‌کند که مستندات همیشه با کد هماهنگ است.
۳. برای مستندسازی دانش شخصی:
شما می‌توانید از OpenWiki برای ساخت یک «مغز دوم» استفاده کنید! با اتصال آن به منابع مختلف (مانند یادداشت‌های نوت‌ایم، ایمیل‌های مهم جیمیل یا حتی توییت‌های خودتان)، می‌توانید تمام اطلاعات پراکنده‌تان را در یک ویکی شخصی و قابل‌جستجو سازماندهی کنید.
---
🧠 مزیت بزرگ برای عامل‌های هوش مصنوعی:
اگر از ابزارهای کدنویسی مثل Claude Code یا Cursor استفاده می‌کنید، OpenWiki می‌تواند مستقیماً با آنها یکپارچه شود. در این حالت، عامل هوش مصنوعی می‌تواند برای درک پروژه، از همان ویکی به‌عنوان حافظه استفاده کند. این یعنی وقتی به کلود می‌گویید «یک ویژگی جدید اضافه کن»، می‌تواند ابتدا مستندات ویکی را بخواند، ساختار پروژه را بفهمد و بعد تغییرات را اعمال کند؛ درست مثل یک توسعه‌دهنده انسانی که اول مستندات را می‌خواند!
---
📌 خلاصه:
ابزار OpenWiki مانند یک دستیار همیشه‌حاضر است که کار خسته‌کننده‌ی مستندسازی را به‌طور خودکار و دقیق انجام می‌دهد و این اطمینان را به شما و تیمتان می‌دهد که هیچ‌وقت مستندات از کد عقب نمی‌مانند. کافی است یک بار دستور openwiki --init را اجرا کنید و بعد با openwiki --update همیشه به‌روز باشید.
---
🔗گیت هاب:
https://github.com/langchain-ai/openwiki
🆔 @asrgooyeshpardaz
فرض کنید یک پروژه نرم‌افزاری بزرگ دارید که هر روز کدهای جدیدی به آن اضافه می‌شود، باگ‌ها رفع می‌شوند و ساختار آن تغییر می‌کند. نگهداری مستندات به‌روز برای چنین پروژه‌ای تقریباً غیرممکن است و معمولاً مستندات خیلی زود از کد عقب می‌افتند. OpenWiki این مشکل را حل می‌کند.
---
📝 ابزار OpenWiki دقیقاً چه کاری انجام می‌دهد؟
ابزار OpenWiki یک ابزار خط فرمان است که به‌عنوان یک نویسنده‌ی خودکار برای کد شما عمل می‌کند. کار آن این است که:
۱. کد شما را می‌خواند و تحلیل می‌کند.
۲. یک ویکی (مجموعه‌ای از صفحات مارک‌دان) می‌نویسد که معماری، عملکرد و روابط بین بخش‌های مختلف کد را توضیح می‌دهد.
۳. هر زمان که کد تغییر کند، به‌طور خودکار ویکی را به‌روز می‌کند.
این یعنی شما همیشه یک سری مستندات به‌روز دارید، بدون اینکه مجبور باشید حتی یک خط از آن را خودتان بنویسید!
---
🎯 کاربردهای عملی و مثال‌های روزمره:
۱. برای توسعه‌دهندگان تنها (فریلنسر یا برنامه‌نویس شخصی):
فرض کنید یک کتابخانه یا اپلیکیشن متن‌باز ساخته‌اید. کاربران و همکاران احتمالی شما برای استفاده از آن به مستندات نیاز دارند. با اجرای دستور openwiki --init در پوشه پروژه، یک ویکی کامل و زیبا با توضیحات همه بخش‌ها، نمودارها و مثال‌ها برایتان ساخته می‌شود. این کار اعتبار پروژه شما را بالا می‌برد و ورود دیگران را آسان می‌کند.
۲. برای تیم‌های نرم‌افزاری:
در یک تیم، افراد مختلف روی بخش‌های گوناگون کار می‌کنند. وقتی یک عضو جدید به تیم اضافه می‌شود، می‌تواند به‌جای پرسیدن سوالات تکراری، ویکی تولیدشده توسط OpenWiki را بخواند و درک کاملی از کل سیستم پیدا کند. همچنین وقتی یک توسعه‌دهنده یک تابع را تغییر می‌دهد، OpenWiki با دستور openwiki --update به‌طور خودکار مستندات مربوط به آن تابع را تصحیح می‌کند و این اطمینان را ایجاد می‌کند که مستندات همیشه با کد هماهنگ است.
۳. برای مستندسازی دانش شخصی:
شما می‌توانید از OpenWiki برای ساخت یک «مغز دوم» استفاده کنید! با اتصال آن به منابع مختلف (مانند یادداشت‌های نوت‌ایم، ایمیل‌های مهم جیمیل یا حتی توییت‌های خودتان)، می‌توانید تمام اطلاعات پراکنده‌تان را در یک ویکی شخصی و قابل‌جستجو سازماندهی کنید.
---
🧠 مزیت بزرگ برای عامل‌های هوش مصنوعی:
اگر از ابزارهای کدنویسی مثل Claude Code یا Cursor استفاده می‌کنید، OpenWiki می‌تواند مستقیماً با آنها یکپارچه شود. در این حالت، عامل هوش مصنوعی می‌تواند برای درک پروژه، از همان ویکی به‌عنوان حافظه استفاده کند. این یعنی وقتی به کلود می‌گویید «یک ویژگی جدید اضافه کن»، می‌تواند ابتدا مستندات ویکی را بخواند، ساختار پروژه را بفهمد و بعد تغییرات را اعمال کند؛ درست مثل یک توسعه‌دهنده انسانی که اول مستندات را می‌خواند!
---
📌 خلاصه:
ابزار OpenWiki مانند یک دستیار همیشه‌حاضر است که کار خسته‌کننده‌ی مستندسازی را به‌طور خودکار و دقیق انجام می‌دهد و این اطمینان را به شما و تیمتان می‌دهد که هیچ‌وقت مستندات از کد عقب نمی‌مانند. کافی است یک بار دستور openwiki --init را اجرا کنید و بعد با openwiki --update همیشه به‌روز باشید.
---
🔗گیت هاب:
https://github.com/langchain-ai/openwiki
🆔 @asrgooyeshpardaz
GitHub
GitHub - langchain-ai/openwiki: OpenWiki is a CLI that writes and maintains agent documentation for your codebase.
OpenWiki is a CLI that writes and maintains agent documentation for your codebase. - langchain-ai/openwiki
❤2