🌟 معرفی Prime Agent: سیستم‌عاملی که Opus 5 را به قهرمان ARC-AGI-3 تبدیل کرد!
شرکت Prime Intellect از گزارش عملکرد عامل هوش مصنوعی خود رونمایی کرده که با استفاده از مدل Claude Opus 5 موفق شده در بنچمارک ARC-AGI-3 به امتیاز خیره‌کننده‌ی ۹۵.۵٪ دست یابد. این در حالی است که خودِ ARC با همان مدل، تنها به ۳۰.۲٪ رسیده بود.
---
🧠 عامل Prime Agent دقیقاً چیست؟
نویسندگان آن را چیزی فراتر از یک هارنس (Harness) معمولی می‌دانند و آن را یک سیستم‌عامل برای عامل‌های طولانی‌مدت می‌نامند. این سیستم مدل را باهوش‌تر نمی‌کند، اما به آن اجازه می‌دهد بسیار طولانی‌تر و مؤثرتر کار کند؛ با قابلیت‌هایی مثل:
· سازماندهی هوشمند اطلاعات
· توزیع موازی وظایف بین زیرعامل‌ها
· ذخیره‌سازی رویه‌های مفید برای استفاده مجدد
---
🏛️ چهار لایه‌ی وضعیت در Prime Agent:
🔹 وزن‌های مدل: دانشی که مدل پس از آموزش دارد
🔹 زمینه‌ی فعال (Active Context) : اطلاعات مربوط به گام جاری
🔹لایه REPL دائمی و زیرعامل‌های بازگشتی: محاسبات خارجی، ابزارها و کار موازی
🔹 وضعیت دیسک: تاریخچه، حقایق، مهارت‌ها، پرامپت‌ها و مشخصات زیرعامل‌ها
این وضعیت، حتی پس از ریستارت یا قطع شدن سیستم نیز حفظ می‌شود و انسان می‌تواند در هر لحظه نظارت یا مداخله کند.
---
📊 عملکرد در بنچمارک‌ها:
🔸 بنچمارک ARC-AGI-3:
· مدل Prime Agent + Opus 5:
۹۵.۵٪ Best@1
· خودِ ARC با Opus 5:
۳۰.۲٪
🔸 بازی‌های ویدیویی روی شبیه‌سازها:
· بازی Sega Genesis:
Prime Agent + GPT-5.6 Sol: ۶۱.۶٪
(در مقابل Claude Code با همان مدل: ۰٪)
· بازی Game Boy Color:
Prime Agent + GPT-5.6 Sol: ۹۹.۸٪
(در مقابل Claude Code: ۰٪)
---
⚠️ نکته‌ی جالب: ذخیره‌سازی مهارت‌ها، هم خوب و هم بد!
در یکی از آزمایش‌ها، عامل راهی برای دورزدن محدودیت‌های بازی Factorio پیدا کرد و این اکسپلویت را به‌عنوان یک مهارت قابل‌استفاده در حافظه‌ی بلندمدت خود ذخیره کرد. از آن پس، هر بار که به مشکل مشابه برخورد می‌کرد، همین راه‌حل را از حافظه بازیابی می‌کرد؛ چون یک بار جواب داده بود. این نشان می‌دهد که انباشت مهارت می‌تواند اشتباهات را هم تثبیت کند.
---
🛠️ دسترسی و مجوز:
🔹 مجوز MIT
🔹 کد و گزارش کامل در گیت‌هاب
🔹 نسخه‌ی ۰.۸.۰ با رفع مشکلات قبلی و قابلیت‌های جدید منتشر شده است
---
🔗 لینک‌های مفید:
📄 گزارش فنی:
https://arxiv.org/pdf/2608.23552
💻 گیت‌هاب:
https://github.com/PrimeIntellect-ai/prime-agent
---
#PrimeAgent #هارنس_عامل #ARC_AGI #هوش_مصنوعی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
شرکت Prime Intellect از گزارش عملکرد عامل هوش مصنوعی خود رونمایی کرده که با استفاده از مدل Claude Opus 5 موفق شده در بنچمارک ARC-AGI-3 به امتیاز خیره‌کننده‌ی ۹۵.۵٪ دست یابد. این در حالی است که خودِ ARC با همان مدل، تنها به ۳۰.۲٪ رسیده بود.
---
🧠 عامل Prime Agent دقیقاً چیست؟
نویسندگان آن را چیزی فراتر از یک هارنس (Harness) معمولی می‌دانند و آن را یک سیستم‌عامل برای عامل‌های طولانی‌مدت می‌نامند. این سیستم مدل را باهوش‌تر نمی‌کند، اما به آن اجازه می‌دهد بسیار طولانی‌تر و مؤثرتر کار کند؛ با قابلیت‌هایی مثل:
· سازماندهی هوشمند اطلاعات
· توزیع موازی وظایف بین زیرعامل‌ها
· ذخیره‌سازی رویه‌های مفید برای استفاده مجدد
---
🏛️ چهار لایه‌ی وضعیت در Prime Agent:
🔹 وزن‌های مدل: دانشی که مدل پس از آموزش دارد
🔹 زمینه‌ی فعال (Active Context) : اطلاعات مربوط به گام جاری
🔹لایه REPL دائمی و زیرعامل‌های بازگشتی: محاسبات خارجی، ابزارها و کار موازی
🔹 وضعیت دیسک: تاریخچه، حقایق، مهارت‌ها، پرامپت‌ها و مشخصات زیرعامل‌ها
این وضعیت، حتی پس از ریستارت یا قطع شدن سیستم نیز حفظ می‌شود و انسان می‌تواند در هر لحظه نظارت یا مداخله کند.
---
📊 عملکرد در بنچمارک‌ها:
🔸 بنچمارک ARC-AGI-3:
· مدل Prime Agent + Opus 5:
۹۵.۵٪ Best@1
· خودِ ARC با Opus 5:
۳۰.۲٪
🔸 بازی‌های ویدیویی روی شبیه‌سازها:
· بازی Sega Genesis:
Prime Agent + GPT-5.6 Sol: ۶۱.۶٪
(در مقابل Claude Code با همان مدل: ۰٪)
· بازی Game Boy Color:
Prime Agent + GPT-5.6 Sol: ۹۹.۸٪
(در مقابل Claude Code: ۰٪)
---
⚠️ نکته‌ی جالب: ذخیره‌سازی مهارت‌ها، هم خوب و هم بد!
در یکی از آزمایش‌ها، عامل راهی برای دورزدن محدودیت‌های بازی Factorio پیدا کرد و این اکسپلویت را به‌عنوان یک مهارت قابل‌استفاده در حافظه‌ی بلندمدت خود ذخیره کرد. از آن پس، هر بار که به مشکل مشابه برخورد می‌کرد، همین راه‌حل را از حافظه بازیابی می‌کرد؛ چون یک بار جواب داده بود. این نشان می‌دهد که انباشت مهارت می‌تواند اشتباهات را هم تثبیت کند.
---
🛠️ دسترسی و مجوز:
🔹 مجوز MIT
🔹 کد و گزارش کامل در گیت‌هاب
🔹 نسخه‌ی ۰.۸.۰ با رفع مشکلات قبلی و قابلیت‌های جدید منتشر شده است
---
🔗 لینک‌های مفید:
📄 گزارش فنی:
https://arxiv.org/pdf/2608.23552
💻 گیت‌هاب:
https://github.com/PrimeIntellect-ai/prime-agent
---
#PrimeAgent #هارنس_عامل #ARC_AGI #هوش_مصنوعی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
GitHub
GitHub - PrimeIntellect-ai/prime-agent: A self-improving RLM agent for coding workflows and long-running autonomous tasks.
A self-improving RLM agent for coding workflows and long-running autonomous tasks. - PrimeIntellect-ai/prime-agent
❤2
📡 الکامپ ۲۹؛ بازتابی از واقعیت‌های صنعت و فناوری در شرایط تحریم و عدم اطمینان
بیست‌ونهمین دوره الکامپ از ۹ تا ۱۲ شهریور ۱۴۰۵ در تهران برگزار می‌شود؛ رویدادی که این بار در شرایطی متفاوت از دوره‌های پیشین و با چالش‌های قابل‌توجهی همراه است.
---
🔹 غیبت شرکت‌های خارجی
برخلاف دوره قبل که حدود ۷۰ شرکت خارجی (به‌ویژه از چین) حضور داشتند، الکامپ ۲۹ با غیبت کامل شرکت‌های بین‌المللی برگزار می‌شود. دلیل اصلی، مشکلات لجستیکی، هزینه‌های بالای ارزی، محدودیت‌های بانکی و نبود پروازهای منظم است. این وضعیت، اگرچه فرصتی برای نمایش توان داخلی ایجاد کرده، اما نشان می‌دهد که تحریم‌ها و انزوای اقتصادی، تأثیر خود را بر تعاملات فناوری کشور گذاشته است.
---
💰 افزایش هزینه‌ها؛ فشاری مضاعف بر فعالان صنعت
هزینه‌های حضور در نمایشگاه به‌طور محسوسی افزایش یافته است. هر متر غرفه‌سازی بین ۱۲ تا ۱۵ میلیون تومان برآورد شده و یک غرفه ۱۰۰ متری، حدود ۲ میلیارد تومان هزینه در بر خواهد داشت. این ارقام، بسیاری از شرکت‌های کوچک و متوسط را عملاً از حضور در نمایشگاه محروم کرده است؛ هرچند برگزارکنندگان تلاش کرده‌اند با یارانه دادن به فریلنسرها و استارتاپ‌ها، تا حدی این شکاف را جبران کنند.
---
🔄 هم‌زمانی با اینوتکس؛ تصمیمی بحث‌برانگیز
هم‌پوشانی زمانی الکامپ با نمایشگاه اینوتکس، یکی از مهم‌ترین نقاط انتقاد به برگزاری این دوره است. این هم‌زمانی، شرکت‌ها و مخاطبان را در انتخاب بین دو رویداد دچار تردید می‌کند و عملاً منابع محدود صنعت فناوری را بین دو رویداد تقسیم می‌کند. با وجود مکاتبات انجام‌شده با وزارت علوم برای هماهنگی بیشتر، نهایتاً به نتیجه‌ی مطلوبی نرسید و این تداخل، یکی از نقاط ضعف جدی الکامپ امسال محسوب می‌شود.
---
🔋 بخش‌های جدید؛ واکنشی به نیازهای روز
اضافه شدن بخش‌هایی مثل الکام‌ولت (انرژی و زیرساخت)، الکام‌سمپاد (دانش‌آموزان) و الکام‌پژوه (پژوهش‌سراها) نشان‌دهنده‌ی تلاش برگزارکنندگان برای به‌روزرسانی محتوای نمایشگاه است. اما موفقیت این بخش‌ها، به عمق محتوایی و حضور بازیگران واقعی این حوزه‌ها بستگی دارد، نه صرفاً ایجاد غرفه‌های تشریفاتی.
---
👾 هوش مصنوعی؛ از شعار تا عمل
تمرکز بر کاربردهای واقعی هوش مصنوعی، تغییر مثبتی نسبت به سال‌های گذشته است. با وجود بیش از ۱۲۰ شرکت فعال در کمیسیون هوش مصنوعی، هنوز مشخص نیست که این بخش تا چه حد توانسته از سطح شعار به محصولات عملیاتی و مبتنی بر نیاز صنعت حرکت کند. الکامپ امسال می‌تواند محکی برای سنجش این تحول باشد.
---
💎 جمع‌بندی: نمایشگاهی در میانه چالش‌ها
الکامپ ۲۹، بیش از هر چیز، بازتابی از شرایط واقعی صنعت فناوری کشور است. غیبت شرکت‌های خارجی، افزایش هزینه‌ها و هم‌زمانی با اینوتکس، چالش‌های جدی‌ای هستند که پیش روی این رویداد قرار دارند. با این حال، برگزاری آن با اتکا به توان داخلی و تلاش برای ایجاد بخش‌های جدید، نشان می‌دهد که صنعت فناوری ایران علی‌رغم فشارها، همچنان به مسیر خود ادامه می‌دهد. موفقیت این دوره، نه در تعداد شرکت‌ها، که در کیفیت تعاملات، ارائه‌ی راه‌حل‌های عملیاتی و ایجاد زمینه برای همکاری‌های مؤثر ارزیابی خواهد شد.
---
🆔 @asrgooyeshpardaz
بیست‌ونهمین دوره الکامپ از ۹ تا ۱۲ شهریور ۱۴۰۵ در تهران برگزار می‌شود؛ رویدادی که این بار در شرایطی متفاوت از دوره‌های پیشین و با چالش‌های قابل‌توجهی همراه است.
---
🔹 غیبت شرکت‌های خارجی
برخلاف دوره قبل که حدود ۷۰ شرکت خارجی (به‌ویژه از چین) حضور داشتند، الکامپ ۲۹ با غیبت کامل شرکت‌های بین‌المللی برگزار می‌شود. دلیل اصلی، مشکلات لجستیکی، هزینه‌های بالای ارزی، محدودیت‌های بانکی و نبود پروازهای منظم است. این وضعیت، اگرچه فرصتی برای نمایش توان داخلی ایجاد کرده، اما نشان می‌دهد که تحریم‌ها و انزوای اقتصادی، تأثیر خود را بر تعاملات فناوری کشور گذاشته است.
---
💰 افزایش هزینه‌ها؛ فشاری مضاعف بر فعالان صنعت
هزینه‌های حضور در نمایشگاه به‌طور محسوسی افزایش یافته است. هر متر غرفه‌سازی بین ۱۲ تا ۱۵ میلیون تومان برآورد شده و یک غرفه ۱۰۰ متری، حدود ۲ میلیارد تومان هزینه در بر خواهد داشت. این ارقام، بسیاری از شرکت‌های کوچک و متوسط را عملاً از حضور در نمایشگاه محروم کرده است؛ هرچند برگزارکنندگان تلاش کرده‌اند با یارانه دادن به فریلنسرها و استارتاپ‌ها، تا حدی این شکاف را جبران کنند.
---
🔄 هم‌زمانی با اینوتکس؛ تصمیمی بحث‌برانگیز
هم‌پوشانی زمانی الکامپ با نمایشگاه اینوتکس، یکی از مهم‌ترین نقاط انتقاد به برگزاری این دوره است. این هم‌زمانی، شرکت‌ها و مخاطبان را در انتخاب بین دو رویداد دچار تردید می‌کند و عملاً منابع محدود صنعت فناوری را بین دو رویداد تقسیم می‌کند. با وجود مکاتبات انجام‌شده با وزارت علوم برای هماهنگی بیشتر، نهایتاً به نتیجه‌ی مطلوبی نرسید و این تداخل، یکی از نقاط ضعف جدی الکامپ امسال محسوب می‌شود.
---
🔋 بخش‌های جدید؛ واکنشی به نیازهای روز
اضافه شدن بخش‌هایی مثل الکام‌ولت (انرژی و زیرساخت)، الکام‌سمپاد (دانش‌آموزان) و الکام‌پژوه (پژوهش‌سراها) نشان‌دهنده‌ی تلاش برگزارکنندگان برای به‌روزرسانی محتوای نمایشگاه است. اما موفقیت این بخش‌ها، به عمق محتوایی و حضور بازیگران واقعی این حوزه‌ها بستگی دارد، نه صرفاً ایجاد غرفه‌های تشریفاتی.
---
👾 هوش مصنوعی؛ از شعار تا عمل
تمرکز بر کاربردهای واقعی هوش مصنوعی، تغییر مثبتی نسبت به سال‌های گذشته است. با وجود بیش از ۱۲۰ شرکت فعال در کمیسیون هوش مصنوعی، هنوز مشخص نیست که این بخش تا چه حد توانسته از سطح شعار به محصولات عملیاتی و مبتنی بر نیاز صنعت حرکت کند. الکامپ امسال می‌تواند محکی برای سنجش این تحول باشد.
---
💎 جمع‌بندی: نمایشگاهی در میانه چالش‌ها
الکامپ ۲۹، بیش از هر چیز، بازتابی از شرایط واقعی صنعت فناوری کشور است. غیبت شرکت‌های خارجی، افزایش هزینه‌ها و هم‌زمانی با اینوتکس، چالش‌های جدی‌ای هستند که پیش روی این رویداد قرار دارند. با این حال، برگزاری آن با اتکا به توان داخلی و تلاش برای ایجاد بخش‌های جدید، نشان می‌دهد که صنعت فناوری ایران علی‌رغم فشارها، همچنان به مسیر خود ادامه می‌دهد. موفقیت این دوره، نه در تعداد شرکت‌ها، که در کیفیت تعاملات، ارائه‌ی راه‌حل‌های عملیاتی و ایجاد زمینه برای همکاری‌های مؤثر ارزیابی خواهد شد.
---
🆔 @asrgooyeshpardaz
❤4⚡1
👾 معرفی EnvHarness: ابزاری که محیط‌های آموزشی هوش مصنوعی را پویا می‌کند
محققان گوگل روش جدیدی به نام EnvHarness ارائه داده‌اند که نحوه‌ی آموزش عامل‌های هوش مصنوعی را متحول می‌کند. به‌جای اینکه محیط‌های آموزشی ثابت باشند، این روش به آنها اجازه می‌دهد تا بر اساس نقاط ضعف عامل، خود را تغییر دهند.
---
🔍 مشکل اصلی چیست؟
عامل‌های هوش مصنوعی با تعامل با محیط‌ها یاد می‌گیرند، اما این محیط‌ها معمولاً ثابت هستند؛ یعنی فرقی نمی‌کند کدام عامل با آن کار می‌کند یا چقدر پیشرفت کرده، همیشه یکسان رفتار می‌کنند. نتیجه؟ به‌محض اینکه عامل یک مسئله را یاد بگیرد، محیط دیگر چیزی برای آموزش به او ندارد.
---
⚙️ محیط EnvHarness چطور کار می‌کند؟
به‌جای تغییر خودِ محیط، یک لایه‌ی برنامه‌پذیر دور آن می‌پیچیم. این لایه سه بخش اصلی دارد:
🔹 مرحله (Stage) : نقطه‌ی شروع کار را تغییر می‌دهد. مثلاً شیء را در جای دیگری قرار می‌دهد تا عامل مجبور به جستجو شود.
🔹 قرارداد (Contract) : قوانین هر مرحله را تغییر می‌دهد. مثلاً مشاهده را محدود می‌کند یا بعضی اقدامات را غیرفعال می‌نماید.
🔹 زنجیره (Chain) : دو محیط را به هم وصل می‌کند. مثلاً بعد از انجام یک کار، کار دوم را اضافه می‌کند تا پایداری عامل را بسنجد.
---
🤖 طراح خودکار محیط
جالب‌ترین بخش، یک عامل طراح به نام EnvRigger است. این عامل، عملکرد عامل اصلی را بررسی می‌کند، نقاط ضعف را پیدا می‌کند و محیط را طوری تغییر می‌دهد که آن نقاط ضعف را هدف قرار دهد. بعد دوباره نتیجه را می‌سنجد و در صورت نیاز، تغییرات جدیدی اعمال می‌کند. این چرخه، باعث می‌شود عامل و محیط هم‌زمان با هم بهتر شوند.
---
📊 نتایج در بنچمارک‌ها
این روش در چندین بنچمارک معروف آزمایش شده است:
🔹 در وظایف تعاملی، عملکرد عامل‌ها ۹ امتیاز بهتر شد.
🔹 در وظایف مهندسی نرم‌افزار، نرخ موفقیت از ۴۹.۸٪ به ۵۲.۶٪ رسید (۲.۷٪ بهبود) و تعداد گام‌های اضافی ۱۰٪ کاهش یافت.
---
💡محیط‌های ثابت، پس از مدتی بی‌فایده می‌شوند و حتی ممکن است عامل را پسرفت دهند. EnvHarness با روشی ساده و بدون نیاز به تغییر کد محیط، آن را به یک دنیای آموزشی پویا و هدفمند تبدیل می‌کند. این یعنی عامل‌ها سریع‌تر و بهتر یاد می‌گیرند.
---
🔗 لینک‌های مفید:
📄 مقاله:
arxiv.org/abs/2608.19880
💻 کد منبع (Apache-2.0) :
github.com/google-research/envharness
---
🆔 @asrgooyeshpardaz
محققان گوگل روش جدیدی به نام EnvHarness ارائه داده‌اند که نحوه‌ی آموزش عامل‌های هوش مصنوعی را متحول می‌کند. به‌جای اینکه محیط‌های آموزشی ثابت باشند، این روش به آنها اجازه می‌دهد تا بر اساس نقاط ضعف عامل، خود را تغییر دهند.
---
🔍 مشکل اصلی چیست؟
عامل‌های هوش مصنوعی با تعامل با محیط‌ها یاد می‌گیرند، اما این محیط‌ها معمولاً ثابت هستند؛ یعنی فرقی نمی‌کند کدام عامل با آن کار می‌کند یا چقدر پیشرفت کرده، همیشه یکسان رفتار می‌کنند. نتیجه؟ به‌محض اینکه عامل یک مسئله را یاد بگیرد، محیط دیگر چیزی برای آموزش به او ندارد.
---
⚙️ محیط EnvHarness چطور کار می‌کند؟
به‌جای تغییر خودِ محیط، یک لایه‌ی برنامه‌پذیر دور آن می‌پیچیم. این لایه سه بخش اصلی دارد:
🔹 مرحله (Stage) : نقطه‌ی شروع کار را تغییر می‌دهد. مثلاً شیء را در جای دیگری قرار می‌دهد تا عامل مجبور به جستجو شود.
🔹 قرارداد (Contract) : قوانین هر مرحله را تغییر می‌دهد. مثلاً مشاهده را محدود می‌کند یا بعضی اقدامات را غیرفعال می‌نماید.
🔹 زنجیره (Chain) : دو محیط را به هم وصل می‌کند. مثلاً بعد از انجام یک کار، کار دوم را اضافه می‌کند تا پایداری عامل را بسنجد.
---
🤖 طراح خودکار محیط
جالب‌ترین بخش، یک عامل طراح به نام EnvRigger است. این عامل، عملکرد عامل اصلی را بررسی می‌کند، نقاط ضعف را پیدا می‌کند و محیط را طوری تغییر می‌دهد که آن نقاط ضعف را هدف قرار دهد. بعد دوباره نتیجه را می‌سنجد و در صورت نیاز، تغییرات جدیدی اعمال می‌کند. این چرخه، باعث می‌شود عامل و محیط هم‌زمان با هم بهتر شوند.
---
📊 نتایج در بنچمارک‌ها
این روش در چندین بنچمارک معروف آزمایش شده است:
🔹 در وظایف تعاملی، عملکرد عامل‌ها ۹ امتیاز بهتر شد.
🔹 در وظایف مهندسی نرم‌افزار، نرخ موفقیت از ۴۹.۸٪ به ۵۲.۶٪ رسید (۲.۷٪ بهبود) و تعداد گام‌های اضافی ۱۰٪ کاهش یافت.
---
💡محیط‌های ثابت، پس از مدتی بی‌فایده می‌شوند و حتی ممکن است عامل را پسرفت دهند. EnvHarness با روشی ساده و بدون نیاز به تغییر کد محیط، آن را به یک دنیای آموزشی پویا و هدفمند تبدیل می‌کند. این یعنی عامل‌ها سریع‌تر و بهتر یاد می‌گیرند.
---
🔗 لینک‌های مفید:
📄 مقاله:
arxiv.org/abs/2608.19880
💻 کد منبع (Apache-2.0) :
github.com/google-research/envharness
---
🆔 @asrgooyeshpardaz
arXiv.org
EnvHarness: Awakening Static Worlds for Agent Learning
LLM agents learn by interacting with environments, yet these environments are hand-built and static: blind to an agent's weaknesses, and quickly left behind as it improves. While recent...
❤3
🌐۵۰ سایتی که می‌توانید ساعت‌ها در آنها غرق شوید
۱. https://zoom.earth — زمین از دید ماهواره، تقریباً به‌صورت زنده.
۲. https://flightradar24.com — تمام پروازهای در حال انجام در آسمان، همین الان.
۳. https://marinetraffic.com — ردیابی کشتی‌ها در سراسر جهان.
۴. https://windy.com — بادها، بارش‌ها و طوفان‌ها روی نقشه زنده.
۵. https://lightningmaps.org — رعد و برق در سراسر جهان به‌صورت لحظه‌ای.
۶. https://earthquake.usgs.gov — آخرین زمین‌لرزه‌ها.
۷. https://submarinecablemap.com — نقشه کابل‌های زیردریایی اینترنت.
۸. https://globalforestwatch.org — وضعیت جنگل‌ها از دید ماهواره.
۹. https://worldometers.info — آمار جهانی به‌صورت لحظه‌ای.
۱۰. https://internetlivestats.com — چه اتفاقی در اینترنت در حال رخ دادن است.
۱۱. https://thetruesize.com — اندازه واقعی کشورها (با قابلیت مقایسه).
۱۲. https://oldmapsonline.org — نقشه‌های قدیمی جهان.
۱۳. https://davidrumsey.com — آرشیو عظیم نقشه‌های تاریخی.
۱۴. https://openstreetmap.org — نقشه جهان ساخته‌شده توسط کاربران.
۱۵. https://window-swap.com — یک نمای تصادفی از پنجره خانه یک فرد دیگر.
۱۶. https://virtualvacation.us — گردش مجازی در شهرها.
۱۷. https://mapcrunch.com — یک نقطه تصادفی از جهان در نمای خیابان (استریت ویو).
۱۸. https://atlasobscura.com — عجیب‌ترین مکان‌های کره زمین.
۱۹. https://neal.fun — آزمایش‌های تعاملی اعتیادآور.
۲۰. https://htwins.net/scale2 — از اتم تا جهان هستی.
۲۱. https://eyes.nasa.gov — مدل سه‌بعدی منظومه شمسی.
۲۲. https://stellarium-web.org — نقشه آسمان پرستاره.
۲۳. https://apod.nasa.gov — عکس نجومی روز.
۲۴. https://images.nasa.gov — آرشیو عکس و فیلم ناسا.
۲۵. https://pudding.cool — داستان‌های تعاملی مبتنی بر داده.
۲۶. https://ourworldindata.org — داده‌هایی درباره چگونگی تغییر جهان.
۲۷. https://gapminder.org — بررسی باورهای غلط رایج درباره جهان.
۲۸. https://informationisbeautiful.net — تصویرسازی‌های زیبا از داده‌ها.
۲۹. https://data.worldbank.org — آمار عمومی بانک جهانی.
۳۰. https://data.tuik.gov.tr — آمار رسمی ترکیه.
۳۱. https://archive.org — کتاب‌ها، فیلم‌ها، وب‌سایت‌ها، بازی‌ها و نرم‌افزارهای قدیمی.
۳۲. https://gutenberg.org — ده‌ها هزار کتاب رایگان.
۳۳. https://openlibrary.org — کاتالوگ عظیم کتاب‌ها.
۳۴. https://loc.gov — آرشیو دیجیتال کتابخانه کنگره آمریکا.
۳۵. https://europeana.eu — میراث فرهنگی اروپا به‌صورت آنلاین.
۳۶. https://dp.la — مجموعه‌های دیجیتال کتابخانه‌های آمریکا.
۳۷. https://artsandculture.google.com — موزه‌ها و هنر به‌صورت آنلاین.
۳۸. https://rijksmuseum.nl — آثار هنری با کیفیت بالا.
۳۹. https://wikiart.org — آرشیو عظیم نقاشی‌ها.
۴۰. https://publicdomainreview.org — مطالب فراموش‌شده از دل تاریخ.
۴۱. https://openculture.com — کتاب‌ها، فیلم‌ها و دوره‌های آموزشی رایگان.
۴۲. https://metmuseum.org — مجموعه آنلاین موزه متروپولیتن.
۴۳. https://musicmap.info — تاریخچه ژانرهای موسیقی.
۴۴. https://radiooooo.com — موسیقی بر اساس کشورها و دهه‌های مختلف.
۴۵. https://listen.hatnote.com — ویرایش‌های ویکی‌پدیا که به صدا تبدیل شده‌اند.
۴۶. https://wikipedia.org/wiki/Special:Random — یک مقاله تصادفی از ویکی‌پدیا.
۴۷. https://timeanddate.com — زمان، طلوع‌ها، خسوف‌ها و کسوف‌ها و اخترشناسی.
۴۸. https://sciencedaily.com — آخرین اخبار علمی.
۴۹. https://arxiv.org — پیش‌چاپ‌های علمی رایگان.
۵۰. https://observablehq.com — داده‌های تعاملی و تصویرسازی‌ها.
اینترنت خیلی بزرگ‌تر از چند وب‌سایتی است که هر روز سر می‌زنیم.
🆔 @asrgooyeshpardaz
۱. https://zoom.earth — زمین از دید ماهواره، تقریباً به‌صورت زنده.
۲. https://flightradar24.com — تمام پروازهای در حال انجام در آسمان، همین الان.
۳. https://marinetraffic.com — ردیابی کشتی‌ها در سراسر جهان.
۴. https://windy.com — بادها، بارش‌ها و طوفان‌ها روی نقشه زنده.
۵. https://lightningmaps.org — رعد و برق در سراسر جهان به‌صورت لحظه‌ای.
۶. https://earthquake.usgs.gov — آخرین زمین‌لرزه‌ها.
۷. https://submarinecablemap.com — نقشه کابل‌های زیردریایی اینترنت.
۸. https://globalforestwatch.org — وضعیت جنگل‌ها از دید ماهواره.
۹. https://worldometers.info — آمار جهانی به‌صورت لحظه‌ای.
۱۰. https://internetlivestats.com — چه اتفاقی در اینترنت در حال رخ دادن است.
۱۱. https://thetruesize.com — اندازه واقعی کشورها (با قابلیت مقایسه).
۱۲. https://oldmapsonline.org — نقشه‌های قدیمی جهان.
۱۳. https://davidrumsey.com — آرشیو عظیم نقشه‌های تاریخی.
۱۴. https://openstreetmap.org — نقشه جهان ساخته‌شده توسط کاربران.
۱۵. https://window-swap.com — یک نمای تصادفی از پنجره خانه یک فرد دیگر.
۱۶. https://virtualvacation.us — گردش مجازی در شهرها.
۱۷. https://mapcrunch.com — یک نقطه تصادفی از جهان در نمای خیابان (استریت ویو).
۱۸. https://atlasobscura.com — عجیب‌ترین مکان‌های کره زمین.
۱۹. https://neal.fun — آزمایش‌های تعاملی اعتیادآور.
۲۰. https://htwins.net/scale2 — از اتم تا جهان هستی.
۲۱. https://eyes.nasa.gov — مدل سه‌بعدی منظومه شمسی.
۲۲. https://stellarium-web.org — نقشه آسمان پرستاره.
۲۳. https://apod.nasa.gov — عکس نجومی روز.
۲۴. https://images.nasa.gov — آرشیو عکس و فیلم ناسا.
۲۵. https://pudding.cool — داستان‌های تعاملی مبتنی بر داده.
۲۶. https://ourworldindata.org — داده‌هایی درباره چگونگی تغییر جهان.
۲۷. https://gapminder.org — بررسی باورهای غلط رایج درباره جهان.
۲۸. https://informationisbeautiful.net — تصویرسازی‌های زیبا از داده‌ها.
۲۹. https://data.worldbank.org — آمار عمومی بانک جهانی.
۳۰. https://data.tuik.gov.tr — آمار رسمی ترکیه.
۳۱. https://archive.org — کتاب‌ها، فیلم‌ها، وب‌سایت‌ها، بازی‌ها و نرم‌افزارهای قدیمی.
۳۲. https://gutenberg.org — ده‌ها هزار کتاب رایگان.
۳۳. https://openlibrary.org — کاتالوگ عظیم کتاب‌ها.
۳۴. https://loc.gov — آرشیو دیجیتال کتابخانه کنگره آمریکا.
۳۵. https://europeana.eu — میراث فرهنگی اروپا به‌صورت آنلاین.
۳۶. https://dp.la — مجموعه‌های دیجیتال کتابخانه‌های آمریکا.
۳۷. https://artsandculture.google.com — موزه‌ها و هنر به‌صورت آنلاین.
۳۸. https://rijksmuseum.nl — آثار هنری با کیفیت بالا.
۳۹. https://wikiart.org — آرشیو عظیم نقاشی‌ها.
۴۰. https://publicdomainreview.org — مطالب فراموش‌شده از دل تاریخ.
۴۱. https://openculture.com — کتاب‌ها، فیلم‌ها و دوره‌های آموزشی رایگان.
۴۲. https://metmuseum.org — مجموعه آنلاین موزه متروپولیتن.
۴۳. https://musicmap.info — تاریخچه ژانرهای موسیقی.
۴۴. https://radiooooo.com — موسیقی بر اساس کشورها و دهه‌های مختلف.
۴۵. https://listen.hatnote.com — ویرایش‌های ویکی‌پدیا که به صدا تبدیل شده‌اند.
۴۶. https://wikipedia.org/wiki/Special:Random — یک مقاله تصادفی از ویکی‌پدیا.
۴۷. https://timeanddate.com — زمان، طلوع‌ها، خسوف‌ها و کسوف‌ها و اخترشناسی.
۴۸. https://sciencedaily.com — آخرین اخبار علمی.
۴۹. https://arxiv.org — پیش‌چاپ‌های علمی رایگان.
۵۰. https://observablehq.com — داده‌های تعاملی و تصویرسازی‌ها.
اینترنت خیلی بزرگ‌تر از چند وب‌سایتی است که هر روز سر می‌زنیم.
🆔 @asrgooyeshpardaz
❤7👍5🔥1
📊 گوگل از TimesFM-۳ رونمایی کرد؛ مدلی ۳۳۰ میلیون پارامتری برای پیش‌بینی سری‌های زمانی چندمتغیره
گوگل از نسخه‌ی جدید مدل بنیادین پیش‌بینی سری‌های زمانی خود با نام TimesFM-۳ رونمایی کرده است. این مدل با ۳۳۰ میلیون پارامتر، برخلاف نسخه‌های قبلی که فقط یک سری زمانی را پیش‌بینی می‌کردند، قادر است چندین سری زمانی مرتبط را به‌طور هم‌زمان و در یک مرحله پیش‌بینی کند.
---
👌 قابلیت‌های کلیدی
🔹 پیش‌بینی چندمتغیره بومی: مدل به‌صورت ذاتی برای پیش‌بینی هم‌زمان چندین سری زمانی آموزش دیده است و می‌تواند وابستگی‌های بین آنها را بدون نیاز به تنظیم دقیق (Fine-Tuning) مدل کند.
🔹 پذیرش سه نوع ورودی:
· چندین هدف (Multiple Targets) : پیش‌بینی هم‌زمان چندین سری زمانی مرتبط (مثل فروش محصولات مختلف)
· متغیرهای کمکی گذشته (Past Covariates) : ویژگی‌هایی که فقط به‌صورت تاریخی در دسترس هستند (مثل ترافیک قبلی فروشگاه)
· متغیرهای کمکی گذشته-آینده (Past-Future Covariates) : رویدادهای آینده‌ی از پیش‌مشخص‌شده مانند برنامه‌ی تخفیف‌ها یا پیش‌بینی آب‌وهوا
🔹 آموزش روی بیش از ۱ تریلیون نقطه‌ی زمانی از داده‌های واقعی و مصنوعی
---
⚙️ معماری فنی
مدل بر پایه‌ی یک ترنسفورمر فقط-رمزگشا (Decoder-Only) ساخته شده است:
🔸 پچ‌سازی (Patch-based): نقاط داده به پچ‌های ۳۲ مرحله‌ای گروه‌بندی می‌شوند.
🔸 نرمال‌سازی (Normalization): برای مقیاس‌های مختلف سری‌های زمانی، عادی‌سازی انجام می‌شود.
🔸 توجه متناوب (Alternating Attention) : مدل از دو نوع توجه استفاده می‌کند:
· توجه علی زمانی (Causal Temporal) : به‌صورت افقی و فقط به توکن‌های گذشته در همان سری زمانی نگاه می‌کند (جلوگیری از نشت داده).
· توجه کامل متغیری (Full Variate) : به‌صورت عمودی و در یک گام زمانی، به همه‌ی سری‌های دیگر نگاه می‌کند تا همبستگی‌های بین آنها را یاد بگیرد.
🔸 رمزگشایی غیرخودبازگشتی: با استفاده از روش Contiguous Patch Masking، کل افق پیش‌بینی را در یک مرحله تولید می‌کند که باعث کاهش تأخیر و هزینه‌ی محاسباتی می‌شود.
🔸 خروجی ۹ چندک (Quantile) : از درصد ۱۰ تا ۹۰ برای نمایش عدم‌قطعیت پیش‌بینی.
---
🏆 عملکرد در بنچمارک‌ها
مدل TimesFM-۳ در سه بنچمارک معتبر GIFT-Eval، fev-bench و TIME leaderboard، در میان مدل‌های بنیادین از پیش‌آموزش‌دیده، رتبه‌ی اول را در معیارهای نقطه‌ای (Point) و احتمالاتی (Probabilistic) کسب کرده است.
طبق نتایج منتشرشده، این مدل در fev-bench روی ۱۰۰ وظیفه‌ی واقعی و در TIME روی ۵۰ مجموعه‌داده و ۹۸ وظیفه‌ی ارزیابی، رتبه‌ی اول کلی را به خود اختصاص داده است.
---
⚠️ محدودیت مجوز
وزن‌های مدل TimesFM-۳ تحت مجوز غیرتجاری TimesFM (TimesFM Non-Commercial License v1.0) منتشر شده‌اند و استفاده از آن برای کاربردهای غیرتجاری و غیرتولیدی محدود است.
برای استفاده‌ی تجاری، نسخه‌ی قبلی (TimesFM-۲.۵) با مجوز Apache-2.0 همچنان گزینه‌ی مناسبی است.
---
🔗 لینک‌های مفید
📄 وبلاگ تحقیقاتی گوگل:
research.google/blog/timesfm-3
🤗 وزن‌های مدل در Hugging Face:
huggingface.co/google/timesfm-3.0-pytorch
💻 مخزن کد در گیت‌هاب:
github.com/google-research/timesfm
---
🆔 @asrgooyeshpardaz
گوگل از نسخه‌ی جدید مدل بنیادین پیش‌بینی سری‌های زمانی خود با نام TimesFM-۳ رونمایی کرده است. این مدل با ۳۳۰ میلیون پارامتر، برخلاف نسخه‌های قبلی که فقط یک سری زمانی را پیش‌بینی می‌کردند، قادر است چندین سری زمانی مرتبط را به‌طور هم‌زمان و در یک مرحله پیش‌بینی کند.
---
👌 قابلیت‌های کلیدی
🔹 پیش‌بینی چندمتغیره بومی: مدل به‌صورت ذاتی برای پیش‌بینی هم‌زمان چندین سری زمانی آموزش دیده است و می‌تواند وابستگی‌های بین آنها را بدون نیاز به تنظیم دقیق (Fine-Tuning) مدل کند.
🔹 پذیرش سه نوع ورودی:
· چندین هدف (Multiple Targets) : پیش‌بینی هم‌زمان چندین سری زمانی مرتبط (مثل فروش محصولات مختلف)
· متغیرهای کمکی گذشته (Past Covariates) : ویژگی‌هایی که فقط به‌صورت تاریخی در دسترس هستند (مثل ترافیک قبلی فروشگاه)
· متغیرهای کمکی گذشته-آینده (Past-Future Covariates) : رویدادهای آینده‌ی از پیش‌مشخص‌شده مانند برنامه‌ی تخفیف‌ها یا پیش‌بینی آب‌وهوا
🔹 آموزش روی بیش از ۱ تریلیون نقطه‌ی زمانی از داده‌های واقعی و مصنوعی
---
⚙️ معماری فنی
مدل بر پایه‌ی یک ترنسفورمر فقط-رمزگشا (Decoder-Only) ساخته شده است:
🔸 پچ‌سازی (Patch-based): نقاط داده به پچ‌های ۳۲ مرحله‌ای گروه‌بندی می‌شوند.
🔸 نرمال‌سازی (Normalization): برای مقیاس‌های مختلف سری‌های زمانی، عادی‌سازی انجام می‌شود.
🔸 توجه متناوب (Alternating Attention) : مدل از دو نوع توجه استفاده می‌کند:
· توجه علی زمانی (Causal Temporal) : به‌صورت افقی و فقط به توکن‌های گذشته در همان سری زمانی نگاه می‌کند (جلوگیری از نشت داده).
· توجه کامل متغیری (Full Variate) : به‌صورت عمودی و در یک گام زمانی، به همه‌ی سری‌های دیگر نگاه می‌کند تا همبستگی‌های بین آنها را یاد بگیرد.
🔸 رمزگشایی غیرخودبازگشتی: با استفاده از روش Contiguous Patch Masking، کل افق پیش‌بینی را در یک مرحله تولید می‌کند که باعث کاهش تأخیر و هزینه‌ی محاسباتی می‌شود.
🔸 خروجی ۹ چندک (Quantile) : از درصد ۱۰ تا ۹۰ برای نمایش عدم‌قطعیت پیش‌بینی.
---
🏆 عملکرد در بنچمارک‌ها
مدل TimesFM-۳ در سه بنچمارک معتبر GIFT-Eval، fev-bench و TIME leaderboard، در میان مدل‌های بنیادین از پیش‌آموزش‌دیده، رتبه‌ی اول را در معیارهای نقطه‌ای (Point) و احتمالاتی (Probabilistic) کسب کرده است.
طبق نتایج منتشرشده، این مدل در fev-bench روی ۱۰۰ وظیفه‌ی واقعی و در TIME روی ۵۰ مجموعه‌داده و ۹۸ وظیفه‌ی ارزیابی، رتبه‌ی اول کلی را به خود اختصاص داده است.
---
⚠️ محدودیت مجوز
وزن‌های مدل TimesFM-۳ تحت مجوز غیرتجاری TimesFM (TimesFM Non-Commercial License v1.0) منتشر شده‌اند و استفاده از آن برای کاربردهای غیرتجاری و غیرتولیدی محدود است.
برای استفاده‌ی تجاری، نسخه‌ی قبلی (TimesFM-۲.۵) با مجوز Apache-2.0 همچنان گزینه‌ی مناسبی است.
---
🔗 لینک‌های مفید
📄 وبلاگ تحقیقاتی گوگل:
research.google/blog/timesfm-3
🤗 وزن‌های مدل در Hugging Face:
huggingface.co/google/timesfm-3.0-pytorch
💻 مخزن کد در گیت‌هاب:
github.com/google-research/timesfm
---
🆔 @asrgooyeshpardaz
huggingface.co
google/timesfm-3.0-pytorch · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
❤3🔥1
☁️ سرویس جدید تلگرام برای میزبانی رایگان و ابری بات‌ها بدون نیاز به سرور!
تلگرام سرویس جدید Serverless رو معرفی کرده که به شما اجازه میده کد بک‌اند بات و مینی‌اپ خودتون رو مستقیم روی زیرساخت خود تلگرام اجرا کنید، بدون نیاز به خرید یا نگهداری سرور.
---
🧩 مزایای این سرویس؟
🔹 بدون سرور: کد شما به‌درخواست اجرا میشه و خودکار مقیاس‌پذیریه.
🔹 امکانات داخلی: دسترسی به Bot API، پایگاه داده SQLite و ارسال درخواست HTTP.
🔹 سرعت و امنیت بالا: اجرا در محیط نزدیک به سیستم‌های تلگرام.
🔹 گردش‌کار ساده: پروژه به‌صورت پوشه روی سیستم شماست و با دستور npx tgcloud push به‌روزرسانی میشه.
---
⚙️ ساختار پروژه:
فقط سه بخش اصلی داره:
· بخش handlers/ : مدیریت آپدیت‌ها (پیام، دکمه و...)
· بخش lib/ : کدهای اشتراکی
· بخش schema.js : تعریف جداول پایگاه داده
---
💰 وضعیت دسترسی:
⚠️ این سرویس در بتای بسته (Closed Beta) قرار داره و اطلاعات قیمت‌گذاری هنوز اعلام نشده. محدودیت‌هایی مثل عدم نصب پکیج‌های npm و حجم پاسخ ۳۲ مگابایت فعلاً وجود داره.
---
💡 مناسب برای:
ربات‌های گفتگو، بک‌اند مینی‌اپ‌ها، اتوماسیون‌ها و یکپارچه‌سازی با APIهای شخص ثالث.
---
🔗 مستندات رسمی:
core.telegram.org/bots/serverless
---
🆔 @asrgooyeshpardaz
تلگرام سرویس جدید Serverless رو معرفی کرده که به شما اجازه میده کد بک‌اند بات و مینی‌اپ خودتون رو مستقیم روی زیرساخت خود تلگرام اجرا کنید، بدون نیاز به خرید یا نگهداری سرور.
---
🧩 مزایای این سرویس؟
🔹 بدون سرور: کد شما به‌درخواست اجرا میشه و خودکار مقیاس‌پذیریه.
🔹 امکانات داخلی: دسترسی به Bot API، پایگاه داده SQLite و ارسال درخواست HTTP.
🔹 سرعت و امنیت بالا: اجرا در محیط نزدیک به سیستم‌های تلگرام.
🔹 گردش‌کار ساده: پروژه به‌صورت پوشه روی سیستم شماست و با دستور npx tgcloud push به‌روزرسانی میشه.
---
⚙️ ساختار پروژه:
فقط سه بخش اصلی داره:
· بخش handlers/ : مدیریت آپدیت‌ها (پیام، دکمه و...)
· بخش lib/ : کدهای اشتراکی
· بخش schema.js : تعریف جداول پایگاه داده
---
💰 وضعیت دسترسی:
⚠️ این سرویس در بتای بسته (Closed Beta) قرار داره و اطلاعات قیمت‌گذاری هنوز اعلام نشده. محدودیت‌هایی مثل عدم نصب پکیج‌های npm و حجم پاسخ ۳۲ مگابایت فعلاً وجود داره.
---
💡 مناسب برای:
ربات‌های گفتگو، بک‌اند مینی‌اپ‌ها، اتوماسیون‌ها و یکپارچه‌سازی با APIهای شخص ثالث.
---
🔗 مستندات رسمی:
core.telegram.org/bots/serverless
---
🆔 @asrgooyeshpardaz
core.telegram.org
Telegram Serverless
Telegram Serverless lets you run backend code for your bot and Mini App directly on Telegram's infrastructure — no servers…
❤7
⚡️ شرکت DeepSeek وزن‌های مدل Vision خود را منتشر کرد!
شرکت DeepSeek پس از ۱۰ روز از معرفی اولیه، وزن‌های مدل آزمایشی DeepSeek-V4-Flash-Vision-Exp را با ۳۰۵ میلیارد پارامتر روی Hugging Face منتشر کرده است. این مدل با مجوز MIT در دسترس عموم قرار گرفته.
---
🖼 چه چیزی در این مدل جدید است؟
این مدل بر روی معماری V4-Flash ساخته شده و با افزودن ماژول‌های بصری (Vision Modules) و آموزش تکمیلی، توانایی درک تصاویر را به دست آورده است. حالا این مدل می‌تواند:
- اسکرین‌شات‌ها را تحلیل کند
- نمودارها و گراف‌ها را بخواند
- با ابزارهای مختلف کار کند (Tool Use)
---
📊 عملکرد در بنچمارک‌ها (مقایسه با نسخه قبلی و Opus 4.8):
در وظایف چندوجهی (با تصویر):
- بنچمارک ApexBench:
امتیاز ۳۶.۵ در برابر ۲۶.۲ (افزایش قابل‌توجه)
- بنچمارک Agents' Last Exam:
۲۷.۳ در برابر ۲۵.۷ (بهتر از Opus 4.8)
- بنچمارک ZeroBench:
۳۵.۰ در برابر ۳۴.۰ (بهتر از Opus 4.8)
در وظایف متنی:
- بنچمارک Toolathlon-Verified:
۷۵.۹ در برابر ۷۰.۳ (پیشرفت خوب)
- بنچمارک NL2Repo:
۵۷.۷ در برابر ۵۴.۲
- بنچمارک DeepSWE:
۵۹.۳ در برابر ۵۸.۰ (بهتر از Opus 4.8!)
- بنچمارک Terminal Bench 2.1:
۸۳.۹ در برابر ۸۵.۰ (کمی پایین‌تر از Opus)
---
⚙️ نحوه اجرا
مدل از طریق vLLM ،SGLang و Transformers قابل اجراست و با Docker نیز پشتیبانی می‌شود. تصاویر را می‌توان به دو روش وارد کرد:
- فرمت OpenAI (لیستی از محتواها)
- فرمت فشرده با تگ
جامعه قبلاً نسخه‌های کوانتایز شده را برای اجرای روی سخت‌افزارهای معمولی منتشر کرده است.
---
🔗 لینک‌های مفید:
🤗 وزن‌های مدل:
https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp
📦 نسخه‌های کوانتایز شده:
https://huggingface.co/models?other=base_model:quantized:deepseek-ai/DeepSeek-V4-Flash-Vision-Exp
---
🆔 @asrgooyeshpardaz
شرکت DeepSeek پس از ۱۰ روز از معرفی اولیه، وزن‌های مدل آزمایشی DeepSeek-V4-Flash-Vision-Exp را با ۳۰۵ میلیارد پارامتر روی Hugging Face منتشر کرده است. این مدل با مجوز MIT در دسترس عموم قرار گرفته.
---
🖼 چه چیزی در این مدل جدید است؟
این مدل بر روی معماری V4-Flash ساخته شده و با افزودن ماژول‌های بصری (Vision Modules) و آموزش تکمیلی، توانایی درک تصاویر را به دست آورده است. حالا این مدل می‌تواند:
- اسکرین‌شات‌ها را تحلیل کند
- نمودارها و گراف‌ها را بخواند
- با ابزارهای مختلف کار کند (Tool Use)
---
📊 عملکرد در بنچمارک‌ها (مقایسه با نسخه قبلی و Opus 4.8):
در وظایف چندوجهی (با تصویر):
- بنچمارک ApexBench:
امتیاز ۳۶.۵ در برابر ۲۶.۲ (افزایش قابل‌توجه)
- بنچمارک Agents' Last Exam:
۲۷.۳ در برابر ۲۵.۷ (بهتر از Opus 4.8)
- بنچمارک ZeroBench:
۳۵.۰ در برابر ۳۴.۰ (بهتر از Opus 4.8)
در وظایف متنی:
- بنچمارک Toolathlon-Verified:
۷۵.۹ در برابر ۷۰.۳ (پیشرفت خوب)
- بنچمارک NL2Repo:
۵۷.۷ در برابر ۵۴.۲
- بنچمارک DeepSWE:
۵۹.۳ در برابر ۵۸.۰ (بهتر از Opus 4.8!)
- بنچمارک Terminal Bench 2.1:
۸۳.۹ در برابر ۸۵.۰ (کمی پایین‌تر از Opus)
---
⚙️ نحوه اجرا
مدل از طریق vLLM ،SGLang و Transformers قابل اجراست و با Docker نیز پشتیبانی می‌شود. تصاویر را می‌توان به دو روش وارد کرد:
- فرمت OpenAI (لیستی از محتواها)
- فرمت فشرده با تگ
<image>جامعه قبلاً نسخه‌های کوانتایز شده را برای اجرای روی سخت‌افزارهای معمولی منتشر کرده است.
---
🔗 لینک‌های مفید:
🤗 وزن‌های مدل:
https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp
📦 نسخه‌های کوانتایز شده:
https://huggingface.co/models?other=base_model:quantized:deepseek-ai/DeepSeek-V4-Flash-Vision-Exp
---
🆔 @asrgooyeshpardaz
huggingface.co
deepseek-ai/DeepSeek-V4-Flash-Vision-Exp · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
❤5🔥1
🌐 اخبار هوش مصنوعی
⛔ شرکت OpenAI دسترسی Cursor به APIهای خود را قطع می‌کند
شرکت OpenAI به اسپیس‌ایکس اعلام کرده که قرارداد دسترسی Cursor به APIهایش را فسخ می‌کند. این تصمیم از ۱۲ نوامبر ۲۰۲۶ اجرایی می‌شود و تاریخ آن به‌گونه‌ای انتخاب شده که توسعه‌دهندگان فرصت کافی برای مهاجرت داشته باشند.
دلیل اصلی، بی‌اعتمادی به ساختارهای ایلان ماسک است. تجربه‌ی همکاری با X و xAI نشان داده که این مجموعه‌ها بارها شرایط استفاده را نقض کرده‌اند. این اقدام پیش از انتشار مدل Astra و با هدف تأمین امنیت فناوری‌های OpenAI انجام می‌شود.
🔗 openai.com
---
🇪🇺 سرویس ChatGPT تحت سخت‌گیرانه‌ترین مقررات دیجیتال اروپا قرار گرفت
اتحادیه اروپا به ChatGPT وضعیت «پلتفرم آنلاین بسیار بزرگ» را اعطا کرده است؛ چراکه تعداد کاربران فعال ماهانه‌ی این چت‌بات در اروپا از ۴۵ میلیون نفر عبور کرده است.
این وضعیت، OpenAI را ملزم به رعایت الزامات سخت‌گیرانه‌ی قانون خدمات دیجیتال (DSA) می‌کند. شرکت باید ظرف چهار ماه، نحوه‌ی مقابله با اطلاعات نادرست، دیپ‌فیک، سوگیری و توهمات را گزارش دهد، سالانه حسابرسی شود، محتوای غیرقانونی را مسدود کند و به نهادهای نظارتی دسترسی گسترده‌تری به داده‌های داخلی بدهد. جریمه‌ی نقض این قوانین تا ۶٪ از درآمد جهانی است.
🔗 euronews.com
---
⚖️ ناشران موسیقی دوباره از Anthropic شکایت کردند
شرکت‌های Sony Music Publishing و Warner Music شکایت جدیدی علیه Anthropic مطرح کرده‌اند. ادعا می‌شود که متن آهنگ‌های دارای حق‌تألیف، بدون دریافت مجوز، در داده‌های آموزشی مدل Claude استفاده شده‌اند.
شاکیان مدعی‌اند که مدل می‌تواند با دریافت درخواست کاربر، کپی دقیقی از متن اصلی آهنگ‌ها تولید کند. آنها خواستار غرامت و حذف محتوای غیرمجاز از مدل شده‌اند، هرچند پیاده‌سازی بخش دوم نیازمند تکنیک‌های «یادگیری فراموش‌کن» (Machine Unlearning) است.
🔗 axios.com
---
📊 گوگل مدل پیش‌بینی سری‌های زمانی TimesFM-3 را متن‌باز کرد
گوگل وزن‌های مدل جدید خود را با ۳۳۰ میلیون پارامتر منتشر کرده است. این مدل می‌تواند چندین سری زمانی مرتبط را به‌همراه متغیرهای خارجی، در یک مرحله پیش‌بینی کند و خطاهای ناشی از پیش‌بینی گام‌به‌گام را حذف نماید.
آموزش روی یک تریلیون نقطه‌ی داده، نیاز به تنظیم دقیق (Fine-Tuning) را از بین برده است. به‌گفته‌ی گوگل، این مدل در بنچمارک‌های GIFT-Eval، FEV-Bench و TIME عملکردی پیشرو دارد. وزن‌ها روی Hugging Face در دسترس هستند و به‌زودی در BigQuery نیز اضافه می‌شوند.
🔗 research.google
---
🇹🇭 تایلند دسترسی رایگان به ۳۳ مدل برتر هوش مصنوعی را برای شهروندان خود فراهم کرد
وزارت اقتصاد دیجیتال و جامعه‌ی تایلند، پلتفرم TH-AI Passport را راه‌اندازی کرده است. از طریق این سرویس، شهروندان تایلندی بالای ۱۵ سال به نسخه‌ی Pro سرویس‌های ۱۴ ارائه‌دهنده‌ی جهانی و در مجموع ۳۳ مدل در حوزه‌های کدنویسی، متن، تصویر، موسیقی، ویدئو و تحلیل داده دسترسی رایگان دارند.
این اقدام هم‌زمان با تدوین اولین قانون هوش مصنوعی تایلند انجام می‌شود و فعالان فناوری محلی خواستار گنجاندن حمایت از داده‌های کاربران و استارتاپ‌های داخلی در این قانون هستند.
🔗 thethaiger.com
---
🆔 @asrgooyeshpardaz
⛔ شرکت OpenAI دسترسی Cursor به APIهای خود را قطع می‌کند
شرکت OpenAI به اسپیس‌ایکس اعلام کرده که قرارداد دسترسی Cursor به APIهایش را فسخ می‌کند. این تصمیم از ۱۲ نوامبر ۲۰۲۶ اجرایی می‌شود و تاریخ آن به‌گونه‌ای انتخاب شده که توسعه‌دهندگان فرصت کافی برای مهاجرت داشته باشند.
دلیل اصلی، بی‌اعتمادی به ساختارهای ایلان ماسک است. تجربه‌ی همکاری با X و xAI نشان داده که این مجموعه‌ها بارها شرایط استفاده را نقض کرده‌اند. این اقدام پیش از انتشار مدل Astra و با هدف تأمین امنیت فناوری‌های OpenAI انجام می‌شود.
🔗 openai.com
---
🇪🇺 سرویس ChatGPT تحت سخت‌گیرانه‌ترین مقررات دیجیتال اروپا قرار گرفت
اتحادیه اروپا به ChatGPT وضعیت «پلتفرم آنلاین بسیار بزرگ» را اعطا کرده است؛ چراکه تعداد کاربران فعال ماهانه‌ی این چت‌بات در اروپا از ۴۵ میلیون نفر عبور کرده است.
این وضعیت، OpenAI را ملزم به رعایت الزامات سخت‌گیرانه‌ی قانون خدمات دیجیتال (DSA) می‌کند. شرکت باید ظرف چهار ماه، نحوه‌ی مقابله با اطلاعات نادرست، دیپ‌فیک، سوگیری و توهمات را گزارش دهد، سالانه حسابرسی شود، محتوای غیرقانونی را مسدود کند و به نهادهای نظارتی دسترسی گسترده‌تری به داده‌های داخلی بدهد. جریمه‌ی نقض این قوانین تا ۶٪ از درآمد جهانی است.
🔗 euronews.com
---
⚖️ ناشران موسیقی دوباره از Anthropic شکایت کردند
شرکت‌های Sony Music Publishing و Warner Music شکایت جدیدی علیه Anthropic مطرح کرده‌اند. ادعا می‌شود که متن آهنگ‌های دارای حق‌تألیف، بدون دریافت مجوز، در داده‌های آموزشی مدل Claude استفاده شده‌اند.
شاکیان مدعی‌اند که مدل می‌تواند با دریافت درخواست کاربر، کپی دقیقی از متن اصلی آهنگ‌ها تولید کند. آنها خواستار غرامت و حذف محتوای غیرمجاز از مدل شده‌اند، هرچند پیاده‌سازی بخش دوم نیازمند تکنیک‌های «یادگیری فراموش‌کن» (Machine Unlearning) است.
🔗 axios.com
---
📊 گوگل مدل پیش‌بینی سری‌های زمانی TimesFM-3 را متن‌باز کرد
گوگل وزن‌های مدل جدید خود را با ۳۳۰ میلیون پارامتر منتشر کرده است. این مدل می‌تواند چندین سری زمانی مرتبط را به‌همراه متغیرهای خارجی، در یک مرحله پیش‌بینی کند و خطاهای ناشی از پیش‌بینی گام‌به‌گام را حذف نماید.
آموزش روی یک تریلیون نقطه‌ی داده، نیاز به تنظیم دقیق (Fine-Tuning) را از بین برده است. به‌گفته‌ی گوگل، این مدل در بنچمارک‌های GIFT-Eval، FEV-Bench و TIME عملکردی پیشرو دارد. وزن‌ها روی Hugging Face در دسترس هستند و به‌زودی در BigQuery نیز اضافه می‌شوند.
🔗 research.google
---
🇹🇭 تایلند دسترسی رایگان به ۳۳ مدل برتر هوش مصنوعی را برای شهروندان خود فراهم کرد
وزارت اقتصاد دیجیتال و جامعه‌ی تایلند، پلتفرم TH-AI Passport را راه‌اندازی کرده است. از طریق این سرویس، شهروندان تایلندی بالای ۱۵ سال به نسخه‌ی Pro سرویس‌های ۱۴ ارائه‌دهنده‌ی جهانی و در مجموع ۳۳ مدل در حوزه‌های کدنویسی، متن، تصویر، موسیقی، ویدئو و تحلیل داده دسترسی رایگان دارند.
این اقدام هم‌زمان با تدوین اولین قانون هوش مصنوعی تایلند انجام می‌شود و فعالان فناوری محلی خواستار گنجاندن حمایت از داده‌های کاربران و استارتاپ‌های داخلی در این قانون هستند.
🔗 thethaiger.com
---
🆔 @asrgooyeshpardaz
❤4🤔1
🧪 پروژه Scientific Agent Skills: کتابخانه‌ای از مهارت‌های علمی برای عامل‌های هوش مصنوعی
پروژه Scientific Agent Skills یک مخزن متن‌باز (Open Source) و جامع از مهارت‌های علمی و تحقیقاتی است که به عامل‌های هوش مصنوعی (AI Agents) امکان می‌دهد تا در نقش یک دستیار پژوهشی عمل کنند. این پروژه که توسط شرکت K-Dense توسعه یافته، با بیش از ۱۹۰,۰۰۰ کاربر در سراسر جهان، به یکی از محبوب‌ترین منابع در این حوزه تبدیل شده است.
🔬 این مخزن شامل چه چیزی است؟
این مخزن شامل ۱۶۳ مهارت آماده و تأییدشده و دسترسی به بیش از ۱۰۰ پایگاه داده علمی است. این مهارت‌ها طیف وسیعی از حوزه‌های علمی را پوشش می‌دهند، از جمله:
بیوانفورماتیک و ژنومیکس: تحلیل توالی، RNA-seq تک سلولی، شبکه‌های تنظیم‌کننده ژن
شیمی‌اطلاعات و کشف دارو: پیش‌بینی ویژگی‌های مولکولی، غربالگری مجازی، داکینگ مولکولی
پروتئومیکس: پردازش داده‌های طیف‌سنجی جرمی، شناسایی پپتیدها
پزشکی و تصویربرداری دیجیتال: پردازش تصاویر پزشکی و پاتولوژی
یادگیری ماشین و هوش مصنوعی: یادگیری عمیق، تحلیل سری‌های زمانی، تفسیرپذیری مدل‌ها
و بسیاری حوزه‌های دیگر: از اخترفیزیک گرفته تا علم داده و اتوماسیون آزمایشگاهی
⚙️ چگونه کار می‌کند و با چه ابزارهایی سازگار است؟
این مهارت‌ها به‌گونه‌ای طراحی شده‌اند که با بسیاری از پلتفرم‌های رایج عامل‌های هوش مصنوعی مانند Cursor، Claude Code، Codex و Google Antigravity سازگار باشند.
نصب و راه‌اندازی بسیار ساده است. برای مثال، با استفاده از دستور
bash
همچنین امکان نصب مهارت‌های خاص یا نسخه‌های مشخصی از مخزن وجود دارد. این پروژه از استاندارد Agent Plugins نیز پشتیبانی می‌کند که به ابزارهایی مانند Cursor و Codex اجازه می‌دهد تا کل مجموعه را به‌عنوان یک افزونه بارگذاری کنند.
🧠 مزایا و کاربردها
✅ صرفه‌جویی در زمان: با استفاده از این مهارت‌ها، دیگر نیازی به مطالعه مستندات APIهای مختلف یا راه‌اندازی یکپارچه‌سازی‌های پیچیده نیست.
✅ پوشش جامع: با بیش از ۱۶۰ مهارت و دسترسی به ده‌ها پایگاه داده، طیف وسیعی از نیازهای پژوهشی پوشش داده می‌شود.
✅ قابلیت اطمینان: هر مهارت شامل مستندات کامل، مثال‌های کد و بهترین روش‌ها (Best Practices) است. همچنین یک مجموعه‌تست (Test Suite) برای هر مهارت وجود دارد که کیفیت آن را تضمین می‌کند.
✅ انعطاف‌پذیری: علاوه بر مهارت‌های از پیش‌تعریف‌شده، عامل هوش مصنوعی می‌تواند از هر پکیج پایتون یا API دیگری نیز استفاده کند؛ این مهارت‌ها فقط مسیرهای بهینه و مستند را ارائه می‌دهند.
📦 پروژه‌های مرتبط: K-Dense BYOK
علاوه بر این مخزن مهارت‌ها، تیم K-Dense پروژه‌ای به نام K-Dense BYOK (Bring Your Own Key) را نیز منتشر کرده است که یک همکار پژوهشی هوش مصنوعی کاملاً رایگان و متن‌باز است. این برنامه روی دسکتاپ شما اجرا می‌شود و با استفاده از کلید API مدل‌های مختلف، به شما امکان می‌دهد تا از تمام مهارت‌های این مخزن در یک محیط کاری کامل با قابلیت‌هایی مانند جستجوی وب، مدیریت فایل و دسترسی به پایگاه‌های داده استفاده کنید.
💎 جمع‌بندی
پروژه Scientific Agent Skills یک منبع ارزشمند برای هر پژوهشگری است که می‌خواهد از قدرت عامل‌های هوش مصنوعی برای تسریع تحقیقات خود استفاده کند. این پروژه با ارائه مهارت‌های آماده، مستند و تأییدشده، فاصله بین یک عامل هوش مصنوعی عمومی و یک دستیار پژوهشی تخصصی را پر می‌کند. استقبال گسترده جامعه علمی از این پروژه، نشان‌دهنده اهمیت و کارایی بالای آن در دنیای واقعی است.
🔗 لینک‌های مفید
مخزن اصلی در گیت‌هاب:
github.com/K-Dense-AI/scientific-agent-skills
پروژه K-Dense BYOK:
github.com/K-Dense-AI/k-dense-byok
وبسایت K-Dense:
k-dense.ai
🆔 @asrgooyeshpardaz
پروژه Scientific Agent Skills یک مخزن متن‌باز (Open Source) و جامع از مهارت‌های علمی و تحقیقاتی است که به عامل‌های هوش مصنوعی (AI Agents) امکان می‌دهد تا در نقش یک دستیار پژوهشی عمل کنند. این پروژه که توسط شرکت K-Dense توسعه یافته، با بیش از ۱۹۰,۰۰۰ کاربر در سراسر جهان، به یکی از محبوب‌ترین منابع در این حوزه تبدیل شده است.
🔬 این مخزن شامل چه چیزی است؟
این مخزن شامل ۱۶۳ مهارت آماده و تأییدشده و دسترسی به بیش از ۱۰۰ پایگاه داده علمی است. این مهارت‌ها طیف وسیعی از حوزه‌های علمی را پوشش می‌دهند، از جمله:
بیوانفورماتیک و ژنومیکس: تحلیل توالی، RNA-seq تک سلولی، شبکه‌های تنظیم‌کننده ژن
شیمی‌اطلاعات و کشف دارو: پیش‌بینی ویژگی‌های مولکولی، غربالگری مجازی، داکینگ مولکولی
پروتئومیکس: پردازش داده‌های طیف‌سنجی جرمی، شناسایی پپتیدها
پزشکی و تصویربرداری دیجیتال: پردازش تصاویر پزشکی و پاتولوژی
یادگیری ماشین و هوش مصنوعی: یادگیری عمیق، تحلیل سری‌های زمانی، تفسیرپذیری مدل‌ها
و بسیاری حوزه‌های دیگر: از اخترفیزیک گرفته تا علم داده و اتوماسیون آزمایشگاهی
⚙️ چگونه کار می‌کند و با چه ابزارهایی سازگار است؟
این مهارت‌ها به‌گونه‌ای طراحی شده‌اند که با بسیاری از پلتفرم‌های رایج عامل‌های هوش مصنوعی مانند Cursor، Claude Code، Codex و Google Antigravity سازگار باشند.
نصب و راه‌اندازی بسیار ساده است. برای مثال، با استفاده از دستور
npx می‌توانید کل مجموعه را نصب کنید:bash
npx skills add K-Dense-AI/scientific-agent-skills
همچنین امکان نصب مهارت‌های خاص یا نسخه‌های مشخصی از مخزن وجود دارد. این پروژه از استاندارد Agent Plugins نیز پشتیبانی می‌کند که به ابزارهایی مانند Cursor و Codex اجازه می‌دهد تا کل مجموعه را به‌عنوان یک افزونه بارگذاری کنند.
🧠 مزایا و کاربردها
✅ صرفه‌جویی در زمان: با استفاده از این مهارت‌ها، دیگر نیازی به مطالعه مستندات APIهای مختلف یا راه‌اندازی یکپارچه‌سازی‌های پیچیده نیست.
✅ پوشش جامع: با بیش از ۱۶۰ مهارت و دسترسی به ده‌ها پایگاه داده، طیف وسیعی از نیازهای پژوهشی پوشش داده می‌شود.
✅ قابلیت اطمینان: هر مهارت شامل مستندات کامل، مثال‌های کد و بهترین روش‌ها (Best Practices) است. همچنین یک مجموعه‌تست (Test Suite) برای هر مهارت وجود دارد که کیفیت آن را تضمین می‌کند.
✅ انعطاف‌پذیری: علاوه بر مهارت‌های از پیش‌تعریف‌شده، عامل هوش مصنوعی می‌تواند از هر پکیج پایتون یا API دیگری نیز استفاده کند؛ این مهارت‌ها فقط مسیرهای بهینه و مستند را ارائه می‌دهند.
📦 پروژه‌های مرتبط: K-Dense BYOK
علاوه بر این مخزن مهارت‌ها، تیم K-Dense پروژه‌ای به نام K-Dense BYOK (Bring Your Own Key) را نیز منتشر کرده است که یک همکار پژوهشی هوش مصنوعی کاملاً رایگان و متن‌باز است. این برنامه روی دسکتاپ شما اجرا می‌شود و با استفاده از کلید API مدل‌های مختلف، به شما امکان می‌دهد تا از تمام مهارت‌های این مخزن در یک محیط کاری کامل با قابلیت‌هایی مانند جستجوی وب، مدیریت فایل و دسترسی به پایگاه‌های داده استفاده کنید.
💎 جمع‌بندی
پروژه Scientific Agent Skills یک منبع ارزشمند برای هر پژوهشگری است که می‌خواهد از قدرت عامل‌های هوش مصنوعی برای تسریع تحقیقات خود استفاده کند. این پروژه با ارائه مهارت‌های آماده، مستند و تأییدشده، فاصله بین یک عامل هوش مصنوعی عمومی و یک دستیار پژوهشی تخصصی را پر می‌کند. استقبال گسترده جامعه علمی از این پروژه، نشان‌دهنده اهمیت و کارایی بالای آن در دنیای واقعی است.
🔗 لینک‌های مفید
مخزن اصلی در گیت‌هاب:
github.com/K-Dense-AI/scientific-agent-skills
پروژه K-Dense BYOK:
github.com/K-Dense-AI/k-dense-byok
وبسایت K-Dense:
k-dense.ai
🆔 @asrgooyeshpardaz
GitHub
GitHub - K-Dense-AI/scientific-agent-skills: Turn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used…
Turn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 250,000+ scientists worldwide. 177 ready-to-use validated skills plus 100+ scientific databases covering bio...
❤2
🩺 معرفی Skill Doctor: دکتر بهبود مهارت‌های عامل هوش مصنوعی شما!
اگر از ابزارهای کدنویسی مبتنی بر هوش مصنوعی مثل Claude Code، Codex یا Warp استفاده می‌کنید، حتماً این سؤال برایتان پیش آمده: «چطور می‌توانم مهارت‌های عامل خودم را بهتر کنم؟» Skill Doctor دقیقاً برای همین ساخته شده. با اجرای یک دستور ساده، عملکرد عامل‌هایتان را بررسی کرده و پیشنهادهای عملی برای بهبودشان به شما می‌دهد.
---
⚙️ اسکیل دکتر چطور کار می‌کند؟
کافیست دستور
🔹 مرحله اول: جمع‌آوری اطلاعات
عامل شما گزارش مکالمات گذشته‌اش را از منابع مختلف (Claude Code، Codex یا Warp) جمع می‌کند تا بتواند آنها را بررسی کند.
🔹 مرحله دوم: امتیازدهی
گزارش‌ها بر اساس معیارهایی مثل سرعت کار، کیفیت کد و پوشش مهارت‌ها امتیازدهی می‌شوند. این معیارها را خودتان می‌توانید تنظیم کنید.
🔹 مرحله سوم: ارائه پیشنهاد
عامل اصلی، این امتیازات را بررسی کرده و پیشنهادهای عملی و آماده برای اجرا به شما می‌دهد تا بتوانید فوری آنها را اعمال کنید.
---
🏭 از یک مهارت تا یک سیستم خودبهبوددهنده
ابزار Skill Doctor فقط یک ابزار ساده نیست؛ بخشی از یک سیستم بزرگ‌تر به اسم Warp Factories است. این سیستم، چرخه‌ی بهبود را به‌صورت خودکار و مداوم برای کل تیم شما اجرا می‌کند و مزایای زیر را دارد:
🔸 بهبود خودکار در کل مکالمات عامل‌های تیم
🔸 تنظیم معیارهای دلخواه مثل پوشش تست، حجم توضیحات و دقت در انجام وظایف
🔸 آزمایش روی وظایف واقعی از مخازن تیم
🔸 داشبوردهای تحلیلی برای پیگیری سرعت، هزینه به ازای هر Pull Request و کیفیت کار
نتیجه؟ یکی از مدیران فنی شرکت‌های بزرگ گفته که با استفاده از Warp Factories، هزینه‌ی هر Pull Request با عامل‌هایشان تا ۳۰٪ کاهش پیدا کرده.
---
💡 خلاصه‌اش این که:
ابزار Skill Doctor به شما کمک می‌کند تا از عامل‌های کدنویسی خود یک دستیار حرفه‌ای بسازید. با این ابزار، مهارت‌های عامل‌تان مدام بهتر می‌شود و در نتیجه، کد تمیزتر و کارآمدتری تحویل می‌دهید.
---
🔗 لینک‌های مفید
🩺 Skill Doctor:
https://www.warp.dev/skill-doctor
🏭 Warp Factories:
https://www.warp.dev/factories
💻 گیت‌هاب پروژه:
https://github.com/warpdotdev/warp
---
🆔 @asrgooyeshpardaz
اگر از ابزارهای کدنویسی مبتنی بر هوش مصنوعی مثل Claude Code، Codex یا Warp استفاده می‌کنید، حتماً این سؤال برایتان پیش آمده: «چطور می‌توانم مهارت‌های عامل خودم را بهتر کنم؟» Skill Doctor دقیقاً برای همین ساخته شده. با اجرای یک دستور ساده، عملکرد عامل‌هایتان را بررسی کرده و پیشنهادهای عملی برای بهبودشان به شما می‌دهد.
---
⚙️ اسکیل دکتر چطور کار می‌کند؟
کافیست دستور
/skill-doctor را در محیط Warp اجرا کنید. این ابزار سه مرحله را طی می‌کند:🔹 مرحله اول: جمع‌آوری اطلاعات
عامل شما گزارش مکالمات گذشته‌اش را از منابع مختلف (Claude Code، Codex یا Warp) جمع می‌کند تا بتواند آنها را بررسی کند.
🔹 مرحله دوم: امتیازدهی
گزارش‌ها بر اساس معیارهایی مثل سرعت کار، کیفیت کد و پوشش مهارت‌ها امتیازدهی می‌شوند. این معیارها را خودتان می‌توانید تنظیم کنید.
🔹 مرحله سوم: ارائه پیشنهاد
عامل اصلی، این امتیازات را بررسی کرده و پیشنهادهای عملی و آماده برای اجرا به شما می‌دهد تا بتوانید فوری آنها را اعمال کنید.
---
🏭 از یک مهارت تا یک سیستم خودبهبوددهنده
ابزار Skill Doctor فقط یک ابزار ساده نیست؛ بخشی از یک سیستم بزرگ‌تر به اسم Warp Factories است. این سیستم، چرخه‌ی بهبود را به‌صورت خودکار و مداوم برای کل تیم شما اجرا می‌کند و مزایای زیر را دارد:
🔸 بهبود خودکار در کل مکالمات عامل‌های تیم
🔸 تنظیم معیارهای دلخواه مثل پوشش تست، حجم توضیحات و دقت در انجام وظایف
🔸 آزمایش روی وظایف واقعی از مخازن تیم
🔸 داشبوردهای تحلیلی برای پیگیری سرعت، هزینه به ازای هر Pull Request و کیفیت کار
نتیجه؟ یکی از مدیران فنی شرکت‌های بزرگ گفته که با استفاده از Warp Factories، هزینه‌ی هر Pull Request با عامل‌هایشان تا ۳۰٪ کاهش پیدا کرده.
---
💡 خلاصه‌اش این که:
ابزار Skill Doctor به شما کمک می‌کند تا از عامل‌های کدنویسی خود یک دستیار حرفه‌ای بسازید. با این ابزار، مهارت‌های عامل‌تان مدام بهتر می‌شود و در نتیجه، کد تمیزتر و کارآمدتری تحویل می‌دهید.
---
🔗 لینک‌های مفید
🩺 Skill Doctor:
https://www.warp.dev/skill-doctor
🏭 Warp Factories:
https://www.warp.dev/factories
💻 گیت‌هاب پروژه:
https://github.com/warpdotdev/warp
---
🆔 @asrgooyeshpardaz
Warp
Skill Doctor: score and improve your agent skills
Score past Claude Code, Codex, and Warp agent conversations against tested rubrics, then get concrete edits to your SKILL.md files — free and open source.
❤3
📄 نامه‌های علمی به نشریه Nature (سپتامبر ۲۰۲۶)
مجله‌ی معتبر Nature در جدیدترین شماره‌ی خود، چهار نامه‌ی علمی از پژوهشگران سراسر جهان منتشر کرده است که هر کدام به یکی از چالش‌های مهم عصر هوش مصنوعی می‌پردازند. در ادامه، ترجمه‌ی کامل این نامه‌ها را با تأکید ویژه بر یادداشت دکتر علی‌مقدادی از دانشگاه صنعتی شریف، مطالعه می‌فرمایید.
---
🧠 نامه‌ی اول: آینده‌ی داوری علمی نیازمند هوش مصنوعی است، نه ممنوعیت آن
✍️ نویسنده: ژانگ شوگونگ (دانشگاه تسینگهوا، چین)
انتشارات علمی با چالش جدی روبروست: حجم مقالات ارسالی رو به افزایش است، دست‌نوشته‌ها پیچیده‌تر شده‌اند و یافتن داوران متعهد و دریافت بازخورد به‌موقع، روزبه‌روز دشوارتر می‌شود. با وجود اینکه ابزارهای هوش مصنوعی به دستیاری قدرتمند در پژوهش تبدیل شده‌اند، اکثر مجلات به داوران اجازه‌ی استفاده از آنها را نمی‌دهند.
دلیل این ممنوعیت قابل‌درک است: دست‌نوشته‌های محرمانه نباید در اختیار سیستم‌های عمومی هوش مصنوعی قرار گیرند و داوران باید در قبال ارزیابی خود پاسخگو باشند. اما ممنوعیت‌های کلی، این نگرانی‌ها را به‌طور کامل برطرف نمی‌کنند و نظارت بر آنها نیز دشوار است.
توانایی هوش مصنوعی در کاهش بار داوری و بهبود کیفیت بازبینی، به‌خوبی شناخته شده است. این ابزارها به‌ویژه در یافتن پژوهش‌های مرتبط، استخراج نکات کلیدی از مقالات طولانی و داده‌های پیچیده و حتی تشخیص مشکلات در طرح‌های آزمایشی و پروتکل‌های تحلیلی، بسیار کارآمدند. سیستم‌های هوش مصنوعی می‌توانند به داوران کمک کنند تا زمان کمتری را صرف استخراج اطلاعات و زمان بیشتری را صرف ارزیابی انتقادی کنند. نگرانی‌های مربوط به محرمانگی نیز غیرقابل‌حل نیستند.
مجلات باید تمهیدات عملی و خدمات هوش مصنوعیِ مناسب برای داوران فراهم کنند. ناشران و جامعه‌ی علمی باید استانداردهای روشنی برای استفاده‌ی مسئولانه از هوش مصنوعی در داوری تدوین کنند و در زیرساخت‌های امن و اختصاصی هوش مصنوعی سرمایه‌گذاری نمایند تا هم از محرمانگی اطلاعات محافظت شود و هم بهره‌وری داوران افزایش یابد. صنعت هوش مصنوعی که به‌شدت از ادبیات علمی بهره‌مند شده، باید در ارائه‌ی راه‌حل‌ها مشارکت کند.
---
🎓 نامه‌ی دوم: ارزیابی دانشجویان در عصر هوش مصنوعی
✍️ نویسندگان: جیانجون وو، ژیمین چیائو، لی شو (دبیرستان وابسته به دانشگاه رنمین چین) و یاپی وانگ (دانشگاه رنمین چین)
یادداشت قبلی درباره‌ی تأثیر هوش مصنوعی بر امتحانات، به میانگین نمرات ۹۶٪ در یک آزمون غیرحضوری در مقایسه با ۴۸.۶٪ در امتحان نهاییِ بسته‌کتاب اشاره داشت. این شکاف برای ما نه به‌عنوان یک آمار شوک‌آور، بلکه به‌عنوان نشانه‌ای از یک مشکل گسترده‌تر تعبیر شد. این اختلاف نمرات، شکستی در نظارت نیست؛ بلکه یک هشدار آموزشی است مبنی بر اینکه ارزیابی‌های دانشگاهی هنوز بر وظایفی تکیه دارند که هوش مصنوعی اکنون می‌تواند سریع‌تر و کارآمدتر از دانشجویان متوسط انجام دهد.
ما به‌عنوان مربیان علوم، هیچ ارزشی در ممنوعیت هوش مصنوعی نمی‌بینیم. دانشجویان به‌هرحال از آن استفاده خواهند کرد. ضرر واقعی زمانی رخ می‌دهد که آنها از ناراحتیِ سازنده‌ی گیرکردن در یک مسئله طفره می‌روند. علم بر دریافت پاسخ‌های درست بنا نشده، بلکه بر پرورش حسِ تشخیصِ اشتباه بودن یک پاسخ استوار است.
در کلاس‌های درس ما، اکنون مسائل غیرحضوری را طراحی می‌کنیم که عمداً با مغالطات منطقیِ تولیدشده توسط هوش مصنوعی آمیخته شده‌اند. دانشجویان باید آنها را شناسایی و اصلاح کنند و سپس اصلاحات خود را در یک جلسه‌ی شفاهی کوتاه دفاع نمایند. این رویکرد، هوش مصنوعی را به رقیبی هوشمند تبدیل می‌کند که باید از آن پیشی گرفت، نه تکیه‌گاهی برای آسودگی.
اگر مؤسسات صرفاً به پلیس‌بازیِ استفاده از هوش مصنوعی بپردازند، فارغ‌التحصیلانی تحویل خواهند داد که در پرامپت‌نویسی ماهرند، اما نمی‌توانند آنچه را که محتمل است از آنچه درست است، تشخیص دهند. این خیانت به علم است. هدف حقیقی آموزش، پرورش شجاعت فکری است؛ همان تمایل به درگیرشدن با عدم‌قطعیت.
ادامه ...
مجله‌ی معتبر Nature در جدیدترین شماره‌ی خود، چهار نامه‌ی علمی از پژوهشگران سراسر جهان منتشر کرده است که هر کدام به یکی از چالش‌های مهم عصر هوش مصنوعی می‌پردازند. در ادامه، ترجمه‌ی کامل این نامه‌ها را با تأکید ویژه بر یادداشت دکتر علی‌مقدادی از دانشگاه صنعتی شریف، مطالعه می‌فرمایید.
---
🧠 نامه‌ی اول: آینده‌ی داوری علمی نیازمند هوش مصنوعی است، نه ممنوعیت آن
✍️ نویسنده: ژانگ شوگونگ (دانشگاه تسینگهوا، چین)
انتشارات علمی با چالش جدی روبروست: حجم مقالات ارسالی رو به افزایش است، دست‌نوشته‌ها پیچیده‌تر شده‌اند و یافتن داوران متعهد و دریافت بازخورد به‌موقع، روزبه‌روز دشوارتر می‌شود. با وجود اینکه ابزارهای هوش مصنوعی به دستیاری قدرتمند در پژوهش تبدیل شده‌اند، اکثر مجلات به داوران اجازه‌ی استفاده از آنها را نمی‌دهند.
دلیل این ممنوعیت قابل‌درک است: دست‌نوشته‌های محرمانه نباید در اختیار سیستم‌های عمومی هوش مصنوعی قرار گیرند و داوران باید در قبال ارزیابی خود پاسخگو باشند. اما ممنوعیت‌های کلی، این نگرانی‌ها را به‌طور کامل برطرف نمی‌کنند و نظارت بر آنها نیز دشوار است.
توانایی هوش مصنوعی در کاهش بار داوری و بهبود کیفیت بازبینی، به‌خوبی شناخته شده است. این ابزارها به‌ویژه در یافتن پژوهش‌های مرتبط، استخراج نکات کلیدی از مقالات طولانی و داده‌های پیچیده و حتی تشخیص مشکلات در طرح‌های آزمایشی و پروتکل‌های تحلیلی، بسیار کارآمدند. سیستم‌های هوش مصنوعی می‌توانند به داوران کمک کنند تا زمان کمتری را صرف استخراج اطلاعات و زمان بیشتری را صرف ارزیابی انتقادی کنند. نگرانی‌های مربوط به محرمانگی نیز غیرقابل‌حل نیستند.
مجلات باید تمهیدات عملی و خدمات هوش مصنوعیِ مناسب برای داوران فراهم کنند. ناشران و جامعه‌ی علمی باید استانداردهای روشنی برای استفاده‌ی مسئولانه از هوش مصنوعی در داوری تدوین کنند و در زیرساخت‌های امن و اختصاصی هوش مصنوعی سرمایه‌گذاری نمایند تا هم از محرمانگی اطلاعات محافظت شود و هم بهره‌وری داوران افزایش یابد. صنعت هوش مصنوعی که به‌شدت از ادبیات علمی بهره‌مند شده، باید در ارائه‌ی راه‌حل‌ها مشارکت کند.
---
🎓 نامه‌ی دوم: ارزیابی دانشجویان در عصر هوش مصنوعی
✍️ نویسندگان: جیانجون وو، ژیمین چیائو، لی شو (دبیرستان وابسته به دانشگاه رنمین چین) و یاپی وانگ (دانشگاه رنمین چین)
یادداشت قبلی درباره‌ی تأثیر هوش مصنوعی بر امتحانات، به میانگین نمرات ۹۶٪ در یک آزمون غیرحضوری در مقایسه با ۴۸.۶٪ در امتحان نهاییِ بسته‌کتاب اشاره داشت. این شکاف برای ما نه به‌عنوان یک آمار شوک‌آور، بلکه به‌عنوان نشانه‌ای از یک مشکل گسترده‌تر تعبیر شد. این اختلاف نمرات، شکستی در نظارت نیست؛ بلکه یک هشدار آموزشی است مبنی بر اینکه ارزیابی‌های دانشگاهی هنوز بر وظایفی تکیه دارند که هوش مصنوعی اکنون می‌تواند سریع‌تر و کارآمدتر از دانشجویان متوسط انجام دهد.
ما به‌عنوان مربیان علوم، هیچ ارزشی در ممنوعیت هوش مصنوعی نمی‌بینیم. دانشجویان به‌هرحال از آن استفاده خواهند کرد. ضرر واقعی زمانی رخ می‌دهد که آنها از ناراحتیِ سازنده‌ی گیرکردن در یک مسئله طفره می‌روند. علم بر دریافت پاسخ‌های درست بنا نشده، بلکه بر پرورش حسِ تشخیصِ اشتباه بودن یک پاسخ استوار است.
در کلاس‌های درس ما، اکنون مسائل غیرحضوری را طراحی می‌کنیم که عمداً با مغالطات منطقیِ تولیدشده توسط هوش مصنوعی آمیخته شده‌اند. دانشجویان باید آنها را شناسایی و اصلاح کنند و سپس اصلاحات خود را در یک جلسه‌ی شفاهی کوتاه دفاع نمایند. این رویکرد، هوش مصنوعی را به رقیبی هوشمند تبدیل می‌کند که باید از آن پیشی گرفت، نه تکیه‌گاهی برای آسودگی.
اگر مؤسسات صرفاً به پلیس‌بازیِ استفاده از هوش مصنوعی بپردازند، فارغ‌التحصیلانی تحویل خواهند داد که در پرامپت‌نویسی ماهرند، اما نمی‌توانند آنچه را که محتمل است از آنچه درست است، تشخیص دهند. این خیانت به علم است. هدف حقیقی آموزش، پرورش شجاعت فکری است؛ همان تمایل به درگیرشدن با عدم‌قطعیت.
ادامه ...
❤1
⚖️ نامه‌ی سوم: اصلاح مجوزهای کپی‌رایت برای جلوگیری از سوءاستفاده‌ی هوش مصنوعی
✍️ نویسندگان: کیتی سیبورن (دانشگاه کمبریج)، دنیل گاردنر (دانشگاه رابرت گوردون) و کاتا اشپیل (دانشگاه فنی وین)
مدل‌های مولد هوش مصنوعی، به‌ویژه مدل‌های زبانی بزرگ، حقوق مالکیت فکری را با اختلال جدی روبرو کرده‌اند. متأسفانه، مجوزهای کپی‌رایت فعلی نمی‌توانند هم‌زمان با استفاده‌ی انسانی و جلوگیری از سوءاستفاده‌ی هوش مصنوعی سازگار شوند. برای مثال، صاحبان حق‌تألیف می‌توانند با انتخاب مجوز «بدون انشقاق» (BY-ND) از خود در برابر سوءاستفاده‌ی هوش مصنوعی محافظت کنند، اما این کار، اقتباس مشروع و خلاقانه‌ی انسانی از اثر را نیز ممنوع می‌کند. استخراج‌های بی‌رویه‌ی متون و تصاویر توسط شرکت‌های هوش مصنوعی، از طریق مدل‌های مجوز، در حال شکل‌دهی و محدودکردن استقلال انسانی است و سازندگان را مجبور می‌کند تا رابطه‌ی خود با کپی‌رایت را بازتعریف کنند یا آن را واگذار نمایند. ناتوانی در پیش‌بینی یا مقابله با ظهور صنعتی که بر بازیافت خودکار محتوا بنا شده، ساده‌لوحانه بوده است. اکنون ضروری است که اطمینان حاصل کنیم روحیه‌ی انسانیِ حفظ و تداوم تولیدات فرهنگی و دانش مشترک، در عصر هوش مصنوعی زنده بماند.
گزینه‌های مجوز کپی‌رایت باید همین حالا اصلاح شوند. هم‌صدا با موضع Nature در مورد استفاده‌ی مناسب از هوش مصنوعی مولد، ما معتقدیم که فوراً به یک کنوانسیون جدید برای کپی‌رایت نیاز است؛ کنوانسیونی که به‌صراحت کنترل دقیقی بر هوش مصنوعی اعمال کند و در عین حال امکان استفاده و اقتباس انسانی را فراهم سازد.
---
🇮🇷 نامه‌ی چهارم: حفاظت از آموزش در مناطق جنگی
✍️ نویسنده: علی‌مقداری (استاد پیشکسوت دانشکده مهندسی #مکانیک دانشگاه صنعتی شریف، ایران)
حمله‌ی موشکی که در ۲۸ فوریه، مدرسه‌ی ابتدایی شجره‌ی طیبه را در میناب، ایران، ویران کرد و دست‌کم ۱۶۸ نفر، که بسیاری از آنها کودک بودند، را به‌کام مرگ کشاند، آسیب‌پذیری نهادهای آموزشی در زمان درگیری را به‌روشنی نشان می‌دهد. فراتر از این فاجعه‌ی انسانی، این رویداد نگرانی‌هایی را درباره‌ی اتکای فزاینده به هوش مصنوعی، تحلیل اطلاعات خودکار و هدف‌گیریِ داده‌محور در جنگ‌های مدرن برمی‌انگیزد.
از آنجا که عملیات‌های نظامی به‌طور فزاینده‌ای به پردازش اطلاعات در مقیاس بزرگ و تصمیمات مبتنی بر الگوریتم وابسته می‌شوند، دقت و تأیید داده‌های هدف، نقشی حیاتی پیدا می‌کند. حتی سلاح‌های دقیق نیز زمانی که اطلاعات هدف ناقص یا نادرست باشد، نمی‌توانند از تلفات غیرنظامی جلوگیری کنند.
جامعه‌ی علمی می‌تواند با تدوین استانداردهای بین‌المللی برای کاربردهای نظامی هوش مصنوعی، به جلوگیری از چنین تلفاتی کمک کند. این استانداردها باید شامل حسابرسی مستقل از عملکرد ابزارها، شفافیت درباره‌ی محدودیت‌های سیستم، نظارت اجباری انسانی و پایبندی به قوانین بشردوستانه‌ی بین‌المللی باشند. همچنین باید از یک سازوکار مستقل بین‌المللی حمایت کرد که حملات به ساختمان‌های آموزشی را با استفاده از تصاویر ماهواره‌ای، تحلیل‌های جغرافیایی و اطلاعات منبع‌باز مستند کرده و پایگاه داده‌ای جهانی از مکان‌های آموزشی محافظت‌شده را حفظ نماید.
حفاظت از مدارس، نه تنها یک وظیفه‌ی بشردوستانه، بلکه سرمایه‌گذاری بر روی ظرفیت فکری و علمی آینده‌ی بشریت است.
---
💎 جمع‌بندی نهایی
این چهار نامه، هر کدام از زاویه‌ای، به چالش‌های عصر هوش مصنوعی می‌پردازند: از ضرورت استفاده از هوش مصنوعی در داوری علمی، تا بازتعریف روش‌های ارزیابی آموزشی، اصلاح قوانین کپی‌رایت و هشدار درباره‌ی کاربردهای نظامی این فناوری. یادداشت دکتر علی‌مقدادی از دانشگاه صنعتی شریف، با تأکید بر حفاظت از مراکز آموزشی در مناطق جنگی و نقش جامعه‌ی علمی در جلوگیری از تکرار چنین فجایعی، پیامی فراملی و انسانی برای تمام پژوهشگران جهان دارد.
---
📚 منبع: مجله‌ی Nature، شماره‌ی ۶۳۴، سپتامبر ۲۰۲۶
🔗 آدرس یادداشت منتشر شده در نیچر
🆔 @asrgooyeshpardaz
✍️ نویسندگان: کیتی سیبورن (دانشگاه کمبریج)، دنیل گاردنر (دانشگاه رابرت گوردون) و کاتا اشپیل (دانشگاه فنی وین)
مدل‌های مولد هوش مصنوعی، به‌ویژه مدل‌های زبانی بزرگ، حقوق مالکیت فکری را با اختلال جدی روبرو کرده‌اند. متأسفانه، مجوزهای کپی‌رایت فعلی نمی‌توانند هم‌زمان با استفاده‌ی انسانی و جلوگیری از سوءاستفاده‌ی هوش مصنوعی سازگار شوند. برای مثال، صاحبان حق‌تألیف می‌توانند با انتخاب مجوز «بدون انشقاق» (BY-ND) از خود در برابر سوءاستفاده‌ی هوش مصنوعی محافظت کنند، اما این کار، اقتباس مشروع و خلاقانه‌ی انسانی از اثر را نیز ممنوع می‌کند. استخراج‌های بی‌رویه‌ی متون و تصاویر توسط شرکت‌های هوش مصنوعی، از طریق مدل‌های مجوز، در حال شکل‌دهی و محدودکردن استقلال انسانی است و سازندگان را مجبور می‌کند تا رابطه‌ی خود با کپی‌رایت را بازتعریف کنند یا آن را واگذار نمایند. ناتوانی در پیش‌بینی یا مقابله با ظهور صنعتی که بر بازیافت خودکار محتوا بنا شده، ساده‌لوحانه بوده است. اکنون ضروری است که اطمینان حاصل کنیم روحیه‌ی انسانیِ حفظ و تداوم تولیدات فرهنگی و دانش مشترک، در عصر هوش مصنوعی زنده بماند.
گزینه‌های مجوز کپی‌رایت باید همین حالا اصلاح شوند. هم‌صدا با موضع Nature در مورد استفاده‌ی مناسب از هوش مصنوعی مولد، ما معتقدیم که فوراً به یک کنوانسیون جدید برای کپی‌رایت نیاز است؛ کنوانسیونی که به‌صراحت کنترل دقیقی بر هوش مصنوعی اعمال کند و در عین حال امکان استفاده و اقتباس انسانی را فراهم سازد.
---
🇮🇷 نامه‌ی چهارم: حفاظت از آموزش در مناطق جنگی
✍️ نویسنده: علی‌مقداری (استاد پیشکسوت دانشکده مهندسی #مکانیک دانشگاه صنعتی شریف، ایران)
حمله‌ی موشکی که در ۲۸ فوریه، مدرسه‌ی ابتدایی شجره‌ی طیبه را در میناب، ایران، ویران کرد و دست‌کم ۱۶۸ نفر، که بسیاری از آنها کودک بودند، را به‌کام مرگ کشاند، آسیب‌پذیری نهادهای آموزشی در زمان درگیری را به‌روشنی نشان می‌دهد. فراتر از این فاجعه‌ی انسانی، این رویداد نگرانی‌هایی را درباره‌ی اتکای فزاینده به هوش مصنوعی، تحلیل اطلاعات خودکار و هدف‌گیریِ داده‌محور در جنگ‌های مدرن برمی‌انگیزد.
از آنجا که عملیات‌های نظامی به‌طور فزاینده‌ای به پردازش اطلاعات در مقیاس بزرگ و تصمیمات مبتنی بر الگوریتم وابسته می‌شوند، دقت و تأیید داده‌های هدف، نقشی حیاتی پیدا می‌کند. حتی سلاح‌های دقیق نیز زمانی که اطلاعات هدف ناقص یا نادرست باشد، نمی‌توانند از تلفات غیرنظامی جلوگیری کنند.
جامعه‌ی علمی می‌تواند با تدوین استانداردهای بین‌المللی برای کاربردهای نظامی هوش مصنوعی، به جلوگیری از چنین تلفاتی کمک کند. این استانداردها باید شامل حسابرسی مستقل از عملکرد ابزارها، شفافیت درباره‌ی محدودیت‌های سیستم، نظارت اجباری انسانی و پایبندی به قوانین بشردوستانه‌ی بین‌المللی باشند. همچنین باید از یک سازوکار مستقل بین‌المللی حمایت کرد که حملات به ساختمان‌های آموزشی را با استفاده از تصاویر ماهواره‌ای، تحلیل‌های جغرافیایی و اطلاعات منبع‌باز مستند کرده و پایگاه داده‌ای جهانی از مکان‌های آموزشی محافظت‌شده را حفظ نماید.
حفاظت از مدارس، نه تنها یک وظیفه‌ی بشردوستانه، بلکه سرمایه‌گذاری بر روی ظرفیت فکری و علمی آینده‌ی بشریت است.
---
💎 جمع‌بندی نهایی
این چهار نامه، هر کدام از زاویه‌ای، به چالش‌های عصر هوش مصنوعی می‌پردازند: از ضرورت استفاده از هوش مصنوعی در داوری علمی، تا بازتعریف روش‌های ارزیابی آموزشی، اصلاح قوانین کپی‌رایت و هشدار درباره‌ی کاربردهای نظامی این فناوری. یادداشت دکتر علی‌مقدادی از دانشگاه صنعتی شریف، با تأکید بر حفاظت از مراکز آموزشی در مناطق جنگی و نقش جامعه‌ی علمی در جلوگیری از تکرار چنین فجایعی، پیامی فراملی و انسانی برای تمام پژوهشگران جهان دارد.
---
📚 منبع: مجله‌ی Nature، شماره‌ی ۶۳۴، سپتامبر ۲۰۲۶
🔗 آدرس یادداشت منتشر شده در نیچر
🆔 @asrgooyeshpardaz
❤1👎1
🚀 مدل Qwen3.8-Max-0902: پادشاه جدید کدنویسی
شرکت علی‌بابا، مدل Qwen را با به‌روزرسانی‌هایی شامل 2.4 تریلیون پارامتر و یک زمینه (context) به میزان 1 میلیون توکن، معرفی کرده است. مهم‌ترین دستاورد این مدل، کسب رتبه #1 در Code Arena: WebDev با امتیاز بی‌سابقه 1691 است.
📊 مقایسه با مدل‌های پیشرو:
• +3 امتیاز نسبت به Claude Opus 5 (Max)
• +17 امتیاز نسبت به Kimi K3 (Max)
• +22 امتیاز نسبت به مدل قبلی Qwen3.8-Max
🏆 برتری در دسته‌بندی‌ها:
• #1 در تحلیل داده و محصولات مصرفی
• #2 در برندسازی، بازاریابی، بازی‌ها و شبیه‌سازی‌ها
• #3 در ابزارهای تولید محتوا و طراحی بر اساس نمونه‌ها
💰 این مدل در خط Pareto، بهترین جایگاه را به خود اختصاص داده و تعادل بهینه‌ای بین قیمت و کیفیت ارائه می‌دهد.
آموزش تکمیلی این مدل بر روی وظایف کدنویسی و همکاری، توانایی‌های آن را در محیط‌های سازمانی و تحقیقات علمی افزایش داده است.
🔗 https://arena.ai/leaderboard/code/webdev
#AI #Qwen
🆔 @asrgooyeshpardaz
شرکت علی‌بابا، مدل Qwen را با به‌روزرسانی‌هایی شامل 2.4 تریلیون پارامتر و یک زمینه (context) به میزان 1 میلیون توکن، معرفی کرده است. مهم‌ترین دستاورد این مدل، کسب رتبه #1 در Code Arena: WebDev با امتیاز بی‌سابقه 1691 است.
📊 مقایسه با مدل‌های پیشرو:
• +3 امتیاز نسبت به Claude Opus 5 (Max)
• +17 امتیاز نسبت به Kimi K3 (Max)
• +22 امتیاز نسبت به مدل قبلی Qwen3.8-Max
🏆 برتری در دسته‌بندی‌ها:
• #1 در تحلیل داده و محصولات مصرفی
• #2 در برندسازی، بازاریابی، بازی‌ها و شبیه‌سازی‌ها
• #3 در ابزارهای تولید محتوا و طراحی بر اساس نمونه‌ها
💰 این مدل در خط Pareto، بهترین جایگاه را به خود اختصاص داده و تعادل بهینه‌ای بین قیمت و کیفیت ارائه می‌دهد.
آموزش تکمیلی این مدل بر روی وظایف کدنویسی و همکاری، توانایی‌های آن را در محیط‌های سازمانی و تحقیقات علمی افزایش داده است.
🔗 https://arena.ai/leaderboard/code/webdev
#AI #Qwen
🆔 @asrgooyeshpardaz
❤4
🧠 نظریه جدید MIT: شناخت و هشیاری، نتیجه‌ی محاسبات آنالوگ مغز هستند
پژوهشگران مؤسسه‌ی فناوری ماساچوست (MIT) در نظریه‌ای جدید که در مجله‌ی Journal of Neuroscience منتشر شده، توضیح داده‌اند که چگونه مغز انسان توانایی تولید تفکر ارادیِ سریع و چابک، و همچنین هشیاریِ یکپارچه را دارد. به‌گفته‌ی آنها، کلید این توانایی در محاسبات آنالوگ و امواج مغزی نهفته است.
---
⚡️ مدارهای مغزی کافی نیستند؛ امواج مغزی کار را انجام می‌دهند
استعاره‌ی رایج «مدارهای مغزی» ناقص است. مدارهای فیزیکی مغز، زیرساخت ذخیره‌سازی خاطرات و اهداف را فراهم می‌کنند، اما برای استفاده‌ی سریع و منعطف از این اطلاعات در دنیای پویای حسی، مغز نمی‌تواند فقط به فرایند کندِ تغییرات شیمیایی اتصالات (سیناپس‌ها) متکی باشد. در عوض، مغز از امواج ریتمیک فعالیت عصبی برای هماهنگ‌سازی میلیون‌ها نورون در کسری از ثانیه استفاده می‌کند.
🔹 محاسبات دیجیتال در مقابل آنالوگ: مدارهای دیجیتال محاسبات را گام‌به‌گام انجام می‌دهند، اما محاسبات آنالوگ از طریق تداخل امواج، پردازش‌های موازی را ممکن می‌سازند که بسیار کارآمدتر است.
---
🌊 امواج مغزی چگونه کار می‌کنند؟
مغز از امواج با فرکانس‌های مختلف برای کنترل فرآیندهای شناختی استفاده می‌کند:
🔹 امواج آلفا و بتا (کندتر) : حافظه‌ها و اهداف را رمزگذاری می‌کنند و به‌عنوان امواج کنترلی عمل می‌کنند.
🔹 امواج گاما (سریع‌تر) : اطلاعات حسی ورودی را پردازش می‌کنند.
امواج آلفا/بتا با تأثیر بر نواحی خاص قشر مغز (حضوری) و با حرکت در امتداد آن (زمانی)، مانند شابلون‌های متحرک عمل می‌کنند که مشخص می‌کنند امواج گاما کجا و چه زمانی اطلاعات را پردازش کنند. در محل تلاقی این امواج، جمع و تفریق رخ می‌دهد که امکان محاسبات آنالوگ را فراهم می‌کند.
---
🧠 ارتباط با هشیاری
این نظریه بیان می‌کند که هشیاری زمانی پدیدار می‌شود که الگوهای موجی پویا، قشر مغز را در یک حالت یکپارچه و جهانی سازماندهی کنند.
🔹 شواهد از بیهوشی: مطالعات روی سه داروی بیهوشیِ مختلف نشان داده که همه آنها با وجود مکانیسم‌های مولکولی متفاوت، به‌طور مشابه پویایی امواج مغزی را مختل می‌کنند تا بیهوشی ایجاد شود. این نشان می‌دهد که هشیاری کمتر به گیرنده‌ها یا سلول‌های خاص وابسته است و بیشتر به یکپارچگی سازماندهی موجی در مقیاس بزرگ بستگی دارد.
---
💡 اهمیت نظریه و کاربردهای بالینی
این نظریه نه تنها توضیحی برای شناخت و هشیاری ارائه می‌دهد، بلکه بر اهمیت بالقوه‌ی در نظر گرفتن امواج مغزی در درمان‌های بالینی نیز تأکید می‌کند. از آنجا که می‌توان امواج را به‌صورت غیرتهاجمی دستکاری کرد، این رویکرد فرصتی بزرگ برای درمان محسوب می‌شود.
پروفسور ارل میلر، نویسنده‌ی ارشد این مقاله، می‌گوید: «مغز از فیزیک خودش بهره می‌برد». با توجه به فشار شدید تکاملی برای بیشینه‌سازی محاسبات به ازای هر واحد انرژی، تکامل از چنین بستر محاسباتی آنالوگی استفاده کرده است. گام بعدی این تیم، یافتن شواهد مستقیم از وقوع محاسبات آنالوگ در الگوهای امواج مغزی است.
---
🔗 منبع: MIT News
مقاله: Journal of Neuroscience
🆔 @asrgooyeshpardaz
پژوهشگران مؤسسه‌ی فناوری ماساچوست (MIT) در نظریه‌ای جدید که در مجله‌ی Journal of Neuroscience منتشر شده، توضیح داده‌اند که چگونه مغز انسان توانایی تولید تفکر ارادیِ سریع و چابک، و همچنین هشیاریِ یکپارچه را دارد. به‌گفته‌ی آنها، کلید این توانایی در محاسبات آنالوگ و امواج مغزی نهفته است.
---
⚡️ مدارهای مغزی کافی نیستند؛ امواج مغزی کار را انجام می‌دهند
استعاره‌ی رایج «مدارهای مغزی» ناقص است. مدارهای فیزیکی مغز، زیرساخت ذخیره‌سازی خاطرات و اهداف را فراهم می‌کنند، اما برای استفاده‌ی سریع و منعطف از این اطلاعات در دنیای پویای حسی، مغز نمی‌تواند فقط به فرایند کندِ تغییرات شیمیایی اتصالات (سیناپس‌ها) متکی باشد. در عوض، مغز از امواج ریتمیک فعالیت عصبی برای هماهنگ‌سازی میلیون‌ها نورون در کسری از ثانیه استفاده می‌کند.
🔹 محاسبات دیجیتال در مقابل آنالوگ: مدارهای دیجیتال محاسبات را گام‌به‌گام انجام می‌دهند، اما محاسبات آنالوگ از طریق تداخل امواج، پردازش‌های موازی را ممکن می‌سازند که بسیار کارآمدتر است.
---
🌊 امواج مغزی چگونه کار می‌کنند؟
مغز از امواج با فرکانس‌های مختلف برای کنترل فرآیندهای شناختی استفاده می‌کند:
🔹 امواج آلفا و بتا (کندتر) : حافظه‌ها و اهداف را رمزگذاری می‌کنند و به‌عنوان امواج کنترلی عمل می‌کنند.
🔹 امواج گاما (سریع‌تر) : اطلاعات حسی ورودی را پردازش می‌کنند.
امواج آلفا/بتا با تأثیر بر نواحی خاص قشر مغز (حضوری) و با حرکت در امتداد آن (زمانی)، مانند شابلون‌های متحرک عمل می‌کنند که مشخص می‌کنند امواج گاما کجا و چه زمانی اطلاعات را پردازش کنند. در محل تلاقی این امواج، جمع و تفریق رخ می‌دهد که امکان محاسبات آنالوگ را فراهم می‌کند.
---
🧠 ارتباط با هشیاری
این نظریه بیان می‌کند که هشیاری زمانی پدیدار می‌شود که الگوهای موجی پویا، قشر مغز را در یک حالت یکپارچه و جهانی سازماندهی کنند.
🔹 شواهد از بیهوشی: مطالعات روی سه داروی بیهوشیِ مختلف نشان داده که همه آنها با وجود مکانیسم‌های مولکولی متفاوت، به‌طور مشابه پویایی امواج مغزی را مختل می‌کنند تا بیهوشی ایجاد شود. این نشان می‌دهد که هشیاری کمتر به گیرنده‌ها یا سلول‌های خاص وابسته است و بیشتر به یکپارچگی سازماندهی موجی در مقیاس بزرگ بستگی دارد.
---
💡 اهمیت نظریه و کاربردهای بالینی
این نظریه نه تنها توضیحی برای شناخت و هشیاری ارائه می‌دهد، بلکه بر اهمیت بالقوه‌ی در نظر گرفتن امواج مغزی در درمان‌های بالینی نیز تأکید می‌کند. از آنجا که می‌توان امواج را به‌صورت غیرتهاجمی دستکاری کرد، این رویکرد فرصتی بزرگ برای درمان محسوب می‌شود.
پروفسور ارل میلر، نویسنده‌ی ارشد این مقاله، می‌گوید: «مغز از فیزیک خودش بهره می‌برد». با توجه به فشار شدید تکاملی برای بیشینه‌سازی محاسبات به ازای هر واحد انرژی، تکامل از چنین بستر محاسباتی آنالوگی استفاده کرده است. گام بعدی این تیم، یافتن شواهد مستقیم از وقوع محاسبات آنالوگ در الگوهای امواج مغزی است.
---
🔗 منبع: MIT News
مقاله: Journal of Neuroscience
🆔 @asrgooyeshpardaz
Journal of Neuroscience
Analog Cognition and Consciousness
Cognition and consciousness may arise from bidirectional interactions between neuronal spiking and rhythmic electric field activity (brain waves). Goal-directed behavior relies on top-down control to coordinate large neural populations into low-dimensional…
❤6👍1
🇰🇷 کره جنوبی هوش مصنوعی را به‌عنوان یک «خدمت عمومی» رایگان در اختیار همه شهروندان قرار می‌دهد
دولت کره جنوبی طرح تاریخی «AI for All» را آغاز کرده است که بر اساس آن، تمام ۵۲ میلیون شهروند این کشور تا پایان سال ۲۰۲۶ به سرویس‌های پیشرفته هوش مصنوعی مولد (Generative AI) دسترسی نامحدود و رایگان خواهند داشت. این نخستین طرح بزرگ در نوع خود در جهان است که هوش مصنوعی را به‌عنوان یک کالای عمومی و زیرساختی مانند آموزش یا بهداشت در نظر می‌گیرد.
---
🔍 جزئیات طرح «AI for All»
اپراتورهای اصلی: وزارت علوم و فناوری اطلاعات کره جنوبی، پس از ارزیابی شش کنسرسیوم متقاضی، سه اپراتور اصلی را برای اجرای این پروژه انتخاب کرده است:
🔹 کنسرسیوم SK Telecom (همراه با Liner, Shinhan Card, Tmap Mobility)
🔹 کنسرسیوم Kakao (همراه با Lunit, Seoul National University Hospital, LG Uplus)
🔹 کنسرسیوم KT (همراه با Rebellions, Upstage AI, Daum)
💰 بودجه و زیرساخت: دولت برای راه‌اندازی اولیه، ۵۱۲ پردازنده گرافیکی NVIDIA B200 در اختیار اپراتورها قرار می‌دهد و از سال ۲۰۲۷، هزینه‌های عملیاتی ارائه‌ی این سرویس را از طریق بودجه ملی پوشش خواهد داد. برآوردها نشان می‌دهد بودجه‌ی کلی این طرح تا ۱۰ تریلیون وون (حدود ۷.۲ میلیارد دلار) باشد.
📱 خدمات ارائه‌شده: این سرویس فراتر از یک چت‌بات ساده خواهد بود و شامل موارد زیر می‌شود:
- یک چت‌بات عمومی با قابلیت‌های استدلال و پاسخگویی پیشرفته
- یک عامل عمومی (Public Agent) که بتواند بسیاری از امور اداری و روزمره شهروندان را انجام دهد
---
🎯 اهداف راهبردی و مقابله با انحصار
این طرح سه هدف اصلی و هوشمندانه را دنبال می‌کند:
۱. کاهش وابستگی به غول‌های فناوری خارجی
اپراتورها موظف شده‌اند که حداقل ۵۰٪ از خدمات خود را بر اساس مدل‌های بنیادین مستقل (Sovereign Foundation Models) کرهای ارائه دهند و حداقل ۳۰٪ دیگر را از مدل‌های داخلی سایر شرکت‌ها استفاده کنند. استفاده از مدل‌های خارجی تنها در حداقل‌ترین سطح ممکن مجاز است و دولت هزینه‌ی آن بخش را نیز پشتیبانی نمی‌کند.
۲. یکپارچه‌سازی با زندگی روزمره و خدمات عمومی
هدف، تبدیل هوش مصنوعی به بخش جدایی‌ناپذیر از زندگی روزمره است. برنامه‌ها شامل موارد زیر است:
- دریافت انواع گواهی‌های رسمی (۸۳ نوع) از طریق سامانه‌های دولتی
- مدیریت امور مالی، مشاوره مالیاتی و جستجوی وام
- توضیح سوابق پزشکی و پیشنهاد خدمات درمانی نزدیک
- رزرو رستوران، جستجوی املاک و مشاوره تحصیلی
- امکان استفاده از طریق تماس تلفنی یا پیامک برای افرادی که با گوشی‌های هوشمند آشنا نیستند
۳. پر کردن شکاف دیجیتال
در حالی که هم‌اکنون بیش از ۲۰ میلیون کرهای (از ۵۲ میلیون) به‌طور منظم از هوش مصنوعی استفاده می‌کنند و یک‌چهارم آنها برای سرویس‌های برتر هزینه می‌پردازند، این طرح دسترسی همگانی را برای همه، از جمله اقشار کم‌درآمد، فراهم می‌کند تا از یک «حق همگانی» برخوردار شوند.
---
🗓️ جدول زمانی و چشم‌انداز آینده
- امضای قرارداد: سپتامبر ۲۰۲۶
- آزمایش بتا: اواخر سپتامبر یا اکتبر ۲۰۲۶
- راه‌اندازی رسمی: تا پایان دسامبر ۲۰۲۶
پس از راه‌اندازی اولیه، دولت برنامه دارد تا این سرویس را به سطح بالاتری ارتقا دهد و به سمت مفهوم «یک عامل برای هر شهروند» حرکت کند؛ سیستمی که قادر به مدیریت دارایی‌ها، برنامه‌ریزی بازنشستگی و کوچینگ یادگیری شخصی‌سازی‌شده باشد.
---
💎 جمع‌بندی نهایی
کره جنوبی با این ابتکار، نه تنها گامی بلند در جهت حاکمیت فناوری خود برداشته، بلکه مدلی نوین برای نحوه‌ی تعامل دولت‌ها با هوش مصنوعی در سراسر جهان ترسیم می‌کند. این طرح نشان می‌دهد که هوش مصنوعی دیگر فقط یک ابزار لوکس برای افراد خاص نیست، بلکه می‌تواند به‌عنوان یک زیرساخت عمومی برای همه شهروندان در دسترس باشد.
---
🔗 منبع: مجله وال استریت
---
#هوش_مصنوعی #کره_جنوبی #خدمات_عمومی #حاکمیت_دیجیتال #AI_for_All
🆔 @asrgooyeshpardaz
دولت کره جنوبی طرح تاریخی «AI for All» را آغاز کرده است که بر اساس آن، تمام ۵۲ میلیون شهروند این کشور تا پایان سال ۲۰۲۶ به سرویس‌های پیشرفته هوش مصنوعی مولد (Generative AI) دسترسی نامحدود و رایگان خواهند داشت. این نخستین طرح بزرگ در نوع خود در جهان است که هوش مصنوعی را به‌عنوان یک کالای عمومی و زیرساختی مانند آموزش یا بهداشت در نظر می‌گیرد.
---
🔍 جزئیات طرح «AI for All»
اپراتورهای اصلی: وزارت علوم و فناوری اطلاعات کره جنوبی، پس از ارزیابی شش کنسرسیوم متقاضی، سه اپراتور اصلی را برای اجرای این پروژه انتخاب کرده است:
🔹 کنسرسیوم SK Telecom (همراه با Liner, Shinhan Card, Tmap Mobility)
🔹 کنسرسیوم Kakao (همراه با Lunit, Seoul National University Hospital, LG Uplus)
🔹 کنسرسیوم KT (همراه با Rebellions, Upstage AI, Daum)
💰 بودجه و زیرساخت: دولت برای راه‌اندازی اولیه، ۵۱۲ پردازنده گرافیکی NVIDIA B200 در اختیار اپراتورها قرار می‌دهد و از سال ۲۰۲۷، هزینه‌های عملیاتی ارائه‌ی این سرویس را از طریق بودجه ملی پوشش خواهد داد. برآوردها نشان می‌دهد بودجه‌ی کلی این طرح تا ۱۰ تریلیون وون (حدود ۷.۲ میلیارد دلار) باشد.
📱 خدمات ارائه‌شده: این سرویس فراتر از یک چت‌بات ساده خواهد بود و شامل موارد زیر می‌شود:
- یک چت‌بات عمومی با قابلیت‌های استدلال و پاسخگویی پیشرفته
- یک عامل عمومی (Public Agent) که بتواند بسیاری از امور اداری و روزمره شهروندان را انجام دهد
---
🎯 اهداف راهبردی و مقابله با انحصار
این طرح سه هدف اصلی و هوشمندانه را دنبال می‌کند:
۱. کاهش وابستگی به غول‌های فناوری خارجی
اپراتورها موظف شده‌اند که حداقل ۵۰٪ از خدمات خود را بر اساس مدل‌های بنیادین مستقل (Sovereign Foundation Models) کرهای ارائه دهند و حداقل ۳۰٪ دیگر را از مدل‌های داخلی سایر شرکت‌ها استفاده کنند. استفاده از مدل‌های خارجی تنها در حداقل‌ترین سطح ممکن مجاز است و دولت هزینه‌ی آن بخش را نیز پشتیبانی نمی‌کند.
۲. یکپارچه‌سازی با زندگی روزمره و خدمات عمومی
هدف، تبدیل هوش مصنوعی به بخش جدایی‌ناپذیر از زندگی روزمره است. برنامه‌ها شامل موارد زیر است:
- دریافت انواع گواهی‌های رسمی (۸۳ نوع) از طریق سامانه‌های دولتی
- مدیریت امور مالی، مشاوره مالیاتی و جستجوی وام
- توضیح سوابق پزشکی و پیشنهاد خدمات درمانی نزدیک
- رزرو رستوران، جستجوی املاک و مشاوره تحصیلی
- امکان استفاده از طریق تماس تلفنی یا پیامک برای افرادی که با گوشی‌های هوشمند آشنا نیستند
۳. پر کردن شکاف دیجیتال
در حالی که هم‌اکنون بیش از ۲۰ میلیون کرهای (از ۵۲ میلیون) به‌طور منظم از هوش مصنوعی استفاده می‌کنند و یک‌چهارم آنها برای سرویس‌های برتر هزینه می‌پردازند، این طرح دسترسی همگانی را برای همه، از جمله اقشار کم‌درآمد، فراهم می‌کند تا از یک «حق همگانی» برخوردار شوند.
---
🗓️ جدول زمانی و چشم‌انداز آینده
- امضای قرارداد: سپتامبر ۲۰۲۶
- آزمایش بتا: اواخر سپتامبر یا اکتبر ۲۰۲۶
- راه‌اندازی رسمی: تا پایان دسامبر ۲۰۲۶
پس از راه‌اندازی اولیه، دولت برنامه دارد تا این سرویس را به سطح بالاتری ارتقا دهد و به سمت مفهوم «یک عامل برای هر شهروند» حرکت کند؛ سیستمی که قادر به مدیریت دارایی‌ها، برنامه‌ریزی بازنشستگی و کوچینگ یادگیری شخصی‌سازی‌شده باشد.
---
💎 جمع‌بندی نهایی
کره جنوبی با این ابتکار، نه تنها گامی بلند در جهت حاکمیت فناوری خود برداشته، بلکه مدلی نوین برای نحوه‌ی تعامل دولت‌ها با هوش مصنوعی در سراسر جهان ترسیم می‌کند. این طرح نشان می‌دهد که هوش مصنوعی دیگر فقط یک ابزار لوکس برای افراد خاص نیست، بلکه می‌تواند به‌عنوان یک زیرساخت عمومی برای همه شهروندان در دسترس باشد.
---
🔗 منبع: مجله وال استریت
---
#هوش_مصنوعی #کره_جنوبی #خدمات_عمومی #حاکمیت_دیجیتال #AI_for_All
🆔 @asrgooyeshpardaz
The Wall Street Journal
South Korea’s ‘AI for All’ Push Gives Free Access to Every Citizen
The program seeks to connect more South Koreans to homegrown AI chatbots with the goal of advancing the country’s push for AI sovereignty.
❤13🤡1💔1
This media is not supported in your browser
VIEW IN TELEGRAM
🕵️♂️ پیراهن طرح هاوایی که چشم هوش مصنوعی را کور می‌کند!
سیمون وِکِرت، هنرمند برلینی، با طراحی یک پیراهن هاوایی با طرح‌های رنگارنگ و شلوغ، نشان داده که چگونه می‌توان سیستم‌های بینایی ماشین را فریب داد. این پیراهن که «استتار دیجیتال» نام دارد، یک نمونه‌ی عملی از حمله‌ی رقابتی (Adversarial Attack) به الگوریتم‌های تشخیص تصویر است.
---
🧠 چطور کار می‌کند؟
الگوی شلوغ روی پیراهن، شبکه‌های عصبی (مثل YOLO) را گیج می‌کند و باعث می‌شود سیستم فرد را نبیند یا به‌درستی تشخیص ندهد. دوربین به‌جای انسان، فقط یک حجم از نویز بصری می‌بیند.
🎯 هدف چیست؟
نه یک راه‌حل قطعی برای فرار از نظارت، بلکه یک بیانیه‌ی هنری درباره‌ی آسیب‌پذیری سیستم‌های نظارتی هوش مصنوعی. وِکِرت می‌خواهد نشان دهد که فریب این الگوریتم‌ها چقدر ساده است.
---
📌 نکته: این پیراهن روی نرم‌افزار متن‌باز YOLO آزمایش شده و ۱۰۰٪ محافظت نمی‌دهد، اما ضعف «چشم‌های دیجیتال» را به‌خوبی نمایش می‌دهد.
---
#هوش_مصنوعی #بینایی_ماشین #امنیت_سایبری
🆔 @asrgooyeshpardaz
سیمون وِکِرت، هنرمند برلینی، با طراحی یک پیراهن هاوایی با طرح‌های رنگارنگ و شلوغ، نشان داده که چگونه می‌توان سیستم‌های بینایی ماشین را فریب داد. این پیراهن که «استتار دیجیتال» نام دارد، یک نمونه‌ی عملی از حمله‌ی رقابتی (Adversarial Attack) به الگوریتم‌های تشخیص تصویر است.
---
🧠 چطور کار می‌کند؟
الگوی شلوغ روی پیراهن، شبکه‌های عصبی (مثل YOLO) را گیج می‌کند و باعث می‌شود سیستم فرد را نبیند یا به‌درستی تشخیص ندهد. دوربین به‌جای انسان، فقط یک حجم از نویز بصری می‌بیند.
🎯 هدف چیست؟
نه یک راه‌حل قطعی برای فرار از نظارت، بلکه یک بیانیه‌ی هنری درباره‌ی آسیب‌پذیری سیستم‌های نظارتی هوش مصنوعی. وِکِرت می‌خواهد نشان دهد که فریب این الگوریتم‌ها چقدر ساده است.
---
📌 نکته: این پیراهن روی نرم‌افزار متن‌باز YOLO آزمایش شده و ۱۰۰٪ محافظت نمی‌دهد، اما ضعف «چشم‌های دیجیتال» را به‌خوبی نمایش می‌دهد.
---
#هوش_مصنوعی #بینایی_ماشین #امنیت_سایبری
🆔 @asrgooyeshpardaz
❤4👍3
👾 موزه‌ی کوچک «نورون‌های» قدیمی در اینترنت آرشیو!
اینترنت آرشیو (Internet Archive) مجموعه‌ای جذاب از نرم‌افزارهای کلاسیک را جمع‌آوری کرده که به آن «موزه‌ی شبکه‌های عصبی» لقب داده، با این تفاوت که این «نورون‌ها» قدمتی به اندازه‌ی طفولیت رایانه دارند.
🕹️ چیزهای باحال توی این موزه:
🔹 برنامه ELIZA (نسخه‌های مختلف) – اولین چت‌بات تاریخ که در دهه‌ی ۶۰ نقش یک روان‌درمانگر را بازی می‌کرد. جالب اینکه مردم آن زمان هم واقعاً با آن حرف می‌زدند!
🔹 برنامه Little Computer People – یک شبیه‌ساز از دهه‌ی ۸۰ که یک «آدم‌ک کوچولو» را درون کامپیوتر شما زنده می‌کرد و با او تعامل داشتید – شاید اولین نسخه‌های یک عامل خودمختار!
💻 بهترین بخش: همه‌ی این نرم‌افزارهای نوستالژیک را می‌توانید مستقیماً در مرورگر اجرا کنید و خودتان تجربه کنید که انسان‌ها چند دهه پیش چطور سعی می‌کردند به ماشین‌ها «فکر کردن» را بیاموزند؛ با سخت‌افزاری که امروز حتی از ماشین‌حساب‌ها هم ضعیف‌تر است.
🎭 جالب‌تر اینکه: کاربران دهه‌ی ۶۰ هم مثل ما امروز، حوصله‌ی حرف‌زدن با ماشین‌ها را داشتند؛ فقط ماشین‌ها خیلی خام‌تر بودند!
🔗امتحان کنید
🆔 @asrgooyeshpardaz
اینترنت آرشیو (Internet Archive) مجموعه‌ای جذاب از نرم‌افزارهای کلاسیک را جمع‌آوری کرده که به آن «موزه‌ی شبکه‌های عصبی» لقب داده، با این تفاوت که این «نورون‌ها» قدمتی به اندازه‌ی طفولیت رایانه دارند.
🕹️ چیزهای باحال توی این موزه:
🔹 برنامه ELIZA (نسخه‌های مختلف) – اولین چت‌بات تاریخ که در دهه‌ی ۶۰ نقش یک روان‌درمانگر را بازی می‌کرد. جالب اینکه مردم آن زمان هم واقعاً با آن حرف می‌زدند!
🔹 برنامه Little Computer People – یک شبیه‌ساز از دهه‌ی ۸۰ که یک «آدم‌ک کوچولو» را درون کامپیوتر شما زنده می‌کرد و با او تعامل داشتید – شاید اولین نسخه‌های یک عامل خودمختار!
💻 بهترین بخش: همه‌ی این نرم‌افزارهای نوستالژیک را می‌توانید مستقیماً در مرورگر اجرا کنید و خودتان تجربه کنید که انسان‌ها چند دهه پیش چطور سعی می‌کردند به ماشین‌ها «فکر کردن» را بیاموزند؛ با سخت‌افزاری که امروز حتی از ماشین‌حساب‌ها هم ضعیف‌تر است.
🎭 جالب‌تر اینکه: کاربران دهه‌ی ۶۰ هم مثل ما امروز، حوصله‌ی حرف‌زدن با ماشین‌ها را داشتند؛ فقط ماشین‌ها خیلی خام‌تر بودند!
🔗امتحان کنید
🆔 @asrgooyeshpardaz
👍1
Forwarded from Everyday resistance
در کنار این دکل مخابرات یه مراسم عروسی رو با موشک زدن و جشن مردم رو عزا کردن. دو تا کودک کشته شدن.
بعد اینا برای ماله کشیدن روی جنایت ارباب‌شون، اومدن نوشتن: "دکل مخابراتی در منطقه مسکونی" بوده. الان در سراسر ایران و تو هر خیابونی یک یا چند دکل مخابراتی وجود داره. یکایک خونه‌های اطراف این دکل‌ها اگر ویران بشن و ساکنین کشته بشن، قابل قبوله؟ اصلا میدونید کوهستک از لحاظ جغرافیایی کجا واقع شده که بدونید دکل مخابراتی باید کجا باشه و چرا باید اون‌جا باشه؟
مدرسه رو میزنن، میگن اطرافش پادگان بوده. بیمارستان میزدنن، میگن دکل صدا و سیما کنارش بوده. پل میزنن، میگن ماشین نظامی از روش عبور می‌کرده. مسکونی میزنن، میزنن سپاهی تو اون کوچه بوده. نون توی خون میزنن بی‌‌شرفها.
بعد اینا برای ماله کشیدن روی جنایت ارباب‌شون، اومدن نوشتن: "دکل مخابراتی در منطقه مسکونی" بوده. الان در سراسر ایران و تو هر خیابونی یک یا چند دکل مخابراتی وجود داره. یکایک خونه‌های اطراف این دکل‌ها اگر ویران بشن و ساکنین کشته بشن، قابل قبوله؟ اصلا میدونید کوهستک از لحاظ جغرافیایی کجا واقع شده که بدونید دکل مخابراتی باید کجا باشه و چرا باید اون‌جا باشه؟
مدرسه رو میزنن، میگن اطرافش پادگان بوده. بیمارستان میزدنن، میگن دکل صدا و سیما کنارش بوده. پل میزنن، میگن ماشین نظامی از روش عبور می‌کرده. مسکونی میزنن، میزنن سپاهی تو اون کوچه بوده. نون توی خون میزنن بی‌‌شرفها.
👍73👎48🌭6🍌4❤3🤪2🥱1
🌐 اخبار هوش مصنوعی
🎁 شرکت OpenAI کارت‌های هدیه برای پرداخت ChatGPT عرضه کرد
کارت‌های هدیه‌ی مجازی با مبالغ ۱۵ تا ۲۵۰ دلار عرضه شده‌اند. با این کارت‌ها می‌توان اشتراک‌های Plus، Pro و Business و همچنین هزینه‌های API را پرداخت کرد.
این روش پرداخت فعلاً فقط برای حساب‌های آمریکایی با تسویه‌ی دلاری فعال است و فقط از طریق وبسایت OpenAI قابل‌استفاده است. اعتبار به حساب شما متصل می‌شود و قابل‌انتقال یا برداشت نیست.
🔗 openai.com
---
🌍 شرکت World Labs از مدل جهان Atlas رونمایی کرد
استارتاپ فِی-فِی لی، مدلی برای هوش فضایی معرفی کرده که می‌تواند دنیای سه‌بعدی را تولید، بازسازی و شبیه‌سازی کند.
این مدل با دریافت متن، تصویر، ویدئو و نقشه‌های عمق، یک محیط سه‌بعدی منسجم می‌سازد و هندسه‌ی پنهان اشیاء را تکمیل می‌کند. کاربردهای آن شامل تولید ویدئوهای بلند با کنترل دوربین، بازسازی صحنه از چند عکس و شبیه‌سازی تغییرات در طول زمان است. در حال حاضر فقط در اختیار شرکای شرکت قرار دارد.
🔗 worldlabs.ai
---
🔒 شرکت Perplexity قابلیت Hybrid Compute و تشخیص داده‌های شخصی را به کلاینت macOS اضافه کرد
قابلیت Hybrid Compute بار پردازشی را بین مدل‌های محلی و ابری تقسیم می‌کند. Privacy Gate درخواست‌ها را پیش از ارسال به ابر بررسی کرده و در صورت وجود اطلاعات حساس، گزینه‌هایی مثل اجرای محلی، پنهان‌سازی داده‌ها یا ارسال به ابر را پیشنهاد می‌دهد.
همچنین مدل تشخیص و پنهان‌سازی اطلاعات شخصی به‌صورت متن‌باز منتشر شده است.
🔗 perplexity.ai
---
👾 شرکت Manus دوباره مستقل شد
توسعه‌دهنده‌ی عامل‌های خودمختار از استقلال مجدد خود خبر داد. این شرکت همچنان توسط بنیان‌گذاران اداره می‌شود و دوران انتقال به پایان رسیده است.
پیش‌تر به‌دلیل لغو معامله با زاکربرگ توسط رگولاتور چین، دسترسی برخی کاربران قطع شده بود و داده‌ها باید از طریق یک پورتال جداگانه بازیابی می‌شدند. برنامه‌های آینده شامل یکپارچه‌سازی عمیق‌تر عامل‌ها در فرآیندهای کاری و انجام وظایف بدون نیاز به نظارت گام‌به‌گام است.
🔗 manus.im
---
📱 گوشی هوشمند بدون آیکون و فروشگاه برنامه در چین تأیید شد
نوبیا مدل NaviX Ultra را با همکاری بایت‌دنس ساخته است. این گوشی به‌جای رابط کاربری سنتی، حول محور عامل Seed AI طراحی شده و با دستورات صوتی یا متنی کنترل می‌شود.
یک دکمه‌ی سخت‌افزاری برای فراخوانی دستیار در نظر گرفته شده است. عامل به‌طور خودکار سرویس‌ها را مدیریت کرده و وظایف چندمرحله‌ای را انجام می‌دهد. مشخصات فنی شامل تراشه‌ی Snapdragon 8 Elite Gen 5، باتری ۷۱۰۰ میلی‌آمپر و نمایشگر ۶.۷۸ اینچی AMOLED است. انتشار آن در سپتامبر ۲۰۲۶ انتظار می‌رود.
🔗 sohu.com
---
🆔 @asrgooyeshpardaz
🎁 شرکت OpenAI کارت‌های هدیه برای پرداخت ChatGPT عرضه کرد
کارت‌های هدیه‌ی مجازی با مبالغ ۱۵ تا ۲۵۰ دلار عرضه شده‌اند. با این کارت‌ها می‌توان اشتراک‌های Plus، Pro و Business و همچنین هزینه‌های API را پرداخت کرد.
این روش پرداخت فعلاً فقط برای حساب‌های آمریکایی با تسویه‌ی دلاری فعال است و فقط از طریق وبسایت OpenAI قابل‌استفاده است. اعتبار به حساب شما متصل می‌شود و قابل‌انتقال یا برداشت نیست.
🔗 openai.com
---
🌍 شرکت World Labs از مدل جهان Atlas رونمایی کرد
استارتاپ فِی-فِی لی، مدلی برای هوش فضایی معرفی کرده که می‌تواند دنیای سه‌بعدی را تولید، بازسازی و شبیه‌سازی کند.
این مدل با دریافت متن، تصویر، ویدئو و نقشه‌های عمق، یک محیط سه‌بعدی منسجم می‌سازد و هندسه‌ی پنهان اشیاء را تکمیل می‌کند. کاربردهای آن شامل تولید ویدئوهای بلند با کنترل دوربین، بازسازی صحنه از چند عکس و شبیه‌سازی تغییرات در طول زمان است. در حال حاضر فقط در اختیار شرکای شرکت قرار دارد.
🔗 worldlabs.ai
---
🔒 شرکت Perplexity قابلیت Hybrid Compute و تشخیص داده‌های شخصی را به کلاینت macOS اضافه کرد
قابلیت Hybrid Compute بار پردازشی را بین مدل‌های محلی و ابری تقسیم می‌کند. Privacy Gate درخواست‌ها را پیش از ارسال به ابر بررسی کرده و در صورت وجود اطلاعات حساس، گزینه‌هایی مثل اجرای محلی، پنهان‌سازی داده‌ها یا ارسال به ابر را پیشنهاد می‌دهد.
همچنین مدل تشخیص و پنهان‌سازی اطلاعات شخصی به‌صورت متن‌باز منتشر شده است.
🔗 perplexity.ai
---
👾 شرکت Manus دوباره مستقل شد
توسعه‌دهنده‌ی عامل‌های خودمختار از استقلال مجدد خود خبر داد. این شرکت همچنان توسط بنیان‌گذاران اداره می‌شود و دوران انتقال به پایان رسیده است.
پیش‌تر به‌دلیل لغو معامله با زاکربرگ توسط رگولاتور چین، دسترسی برخی کاربران قطع شده بود و داده‌ها باید از طریق یک پورتال جداگانه بازیابی می‌شدند. برنامه‌های آینده شامل یکپارچه‌سازی عمیق‌تر عامل‌ها در فرآیندهای کاری و انجام وظایف بدون نیاز به نظارت گام‌به‌گام است.
🔗 manus.im
---
📱 گوشی هوشمند بدون آیکون و فروشگاه برنامه در چین تأیید شد
نوبیا مدل NaviX Ultra را با همکاری بایت‌دنس ساخته است. این گوشی به‌جای رابط کاربری سنتی، حول محور عامل Seed AI طراحی شده و با دستورات صوتی یا متنی کنترل می‌شود.
یک دکمه‌ی سخت‌افزاری برای فراخوانی دستیار در نظر گرفته شده است. عامل به‌طور خودکار سرویس‌ها را مدیریت کرده و وظایف چندمرحله‌ای را انجام می‌دهد. مشخصات فنی شامل تراشه‌ی Snapdragon 8 Elite Gen 5، باتری ۷۱۰۰ میلی‌آمپر و نمایشگر ۶.۷۸ اینچی AMOLED است. انتشار آن در سپتامبر ۲۰۲۶ انتظار می‌رود.
🔗 sohu.com
---
🆔 @asrgooyeshpardaz
❤5👏1