👾 تیم Qwen روشی برای خودآموزی مدل‌ها ابداع کرد؛ مدل به خودش تکلیف می‌دهد!
تیم Qwen مقاله‌ای با عنوان Skill Self-Play منتشر کرده که در آن یک رویکرد نوین برای خودآموزی (Self-Play) مدل‌های زبانی ارائه شده است. در این روش، مدل خودش وظایف جدید تولید می‌کند، آنها را حل می‌کند و یک کتابخانه‌ی مهارت‌های تأییدشده برای خودش می‌سازد.
---
🧩 مشکل روش‌های قبلی خودآموزی
در روش‌های قدیمی، مدل یا در محیط‌های ساده و محدود گیر می‌کرد، یا وظایف متنوع اما غیرقابل‌اعتماد تولید می‌کرد که به یادگیری مؤثر منجر نمی‌شد.
---
⚙️ سه جزء کلیدی در Skill-SP
🔹 پیشنهاددهنده (Proposer) : وظایف چالش‌برانگیز و جدید تولید می‌کند.
🔹 حل‌کننده (Solver) : برای وظایف تولیدشده، راه‌حل پیدا می‌کند.
🔹 کنترل‌کننده‌ی مهارت (Skill Controller) : عملکرد مدل را تحلیل کرده و کتابخانه‌ی مهارت‌ها را به‌روز می‌کند.
هر مهارت شامل سناریو، قوانین تولید وظیفه و روش بررسی نتیجه است. این ساختار باعث می‌شود مدل روی وظایف کنترل‌شده و قابل‌اعتماد آموزش ببیند، نه روی داده‌های تصادفی و بی‌کیفیت.
---
🔄 چرخه‌ی خودتقویت‌شونده
این چرخه به‌طور مداوم تکرار می‌شود و کتابخانه‌ی مهارت‌ها را گسترش می‌دهد.
---
📊 نتایج و دستاوردها
نویسندگان گزارش داده‌اند که این روش باعث بهبود قابل‌توجهی در وظایف استدلالی و استفاده از ابزارها شده است.
---
💡 نکته‌ی کلیدی
کتابخانه‌ی مهارت‌ها در این روش، عمدتاً برای تولید داده‌های آموزشی استفاده می‌شود، نه به‌عنوان مجموعه‌ای از پرامپت‌های آماده برای پاسخ‌دهی.
---
🔗 مطالعه‌ی مقاله:
https://arxiv.org/abs/2607.22529
---
#Qwen #خودآموزی #پژوهش_هوش_مصنوعی #یادگیری_مستمر
🆔 @asrgooyeshpardaz
تیم Qwen مقاله‌ای با عنوان Skill Self-Play منتشر کرده که در آن یک رویکرد نوین برای خودآموزی (Self-Play) مدل‌های زبانی ارائه شده است. در این روش، مدل خودش وظایف جدید تولید می‌کند، آنها را حل می‌کند و یک کتابخانه‌ی مهارت‌های تأییدشده برای خودش می‌سازد.
---
🧩 مشکل روش‌های قبلی خودآموزی
در روش‌های قدیمی، مدل یا در محیط‌های ساده و محدود گیر می‌کرد، یا وظایف متنوع اما غیرقابل‌اعتماد تولید می‌کرد که به یادگیری مؤثر منجر نمی‌شد.
---
⚙️ سه جزء کلیدی در Skill-SP
🔹 پیشنهاددهنده (Proposer) : وظایف چالش‌برانگیز و جدید تولید می‌کند.
🔹 حل‌کننده (Solver) : برای وظایف تولیدشده، راه‌حل پیدا می‌کند.
🔹 کنترل‌کننده‌ی مهارت (Skill Controller) : عملکرد مدل را تحلیل کرده و کتابخانه‌ی مهارت‌ها را به‌روز می‌کند.
هر مهارت شامل سناریو، قوانین تولید وظیفه و روش بررسی نتیجه است. این ساختار باعث می‌شود مدل روی وظایف کنترل‌شده و قابل‌اعتماد آموزش ببیند، نه روی داده‌های تصادفی و بی‌کیفیت.
---
🔄 چرخه‌ی خودتقویت‌شونده
مهارت 👈 تولید وظیفه جدید 👈 حل وظیفه 👈 بررسی 👈 بهبود مهارت
این چرخه به‌طور مداوم تکرار می‌شود و کتابخانه‌ی مهارت‌ها را گسترش می‌دهد.
---
📊 نتایج و دستاوردها
نویسندگان گزارش داده‌اند که این روش باعث بهبود قابل‌توجهی در وظایف استدلالی و استفاده از ابزارها شده است.
---
💡 نکته‌ی کلیدی
کتابخانه‌ی مهارت‌ها در این روش، عمدتاً برای تولید داده‌های آموزشی استفاده می‌شود، نه به‌عنوان مجموعه‌ای از پرامپت‌های آماده برای پاسخ‌دهی.
---
🔗 مطالعه‌ی مقاله:
https://arxiv.org/abs/2607.22529
---
#Qwen #خودآموزی #پژوهش_هوش_مصنوعی #یادگیری_مستمر
🆔 @asrgooyeshpardaz
arXiv.org
Skill Self-Play: Pushing the Frontier of LLM Capability with...
LLM training is shifting from manual design and annotation to interaction-driven self-evolution. However, existing self-evolutionary methods face a fundamental dilemma between task diversity and...
❤4
🌐 اخبار هوش مصنوعی
👾 دستیار Claude Code از ۱۴ آگوست به حالت خودکار (Auto Mode) تغییر می‌کند
از ۱۴ آگوست، حالت خودکار به‌طور پیش‌فرض برای کاربران پلن‌های Pro، Max و Team فعال می‌شود. در این حالت، دستیار بدون درخواست تأیید، اقدامات را انجام می‌دهد و فقط در مواردی که طبقه‌بندی‌کننده امنیتی ریسک بالا تشخیص دهد، از کاربر تأیید می‌گیرد.
علت اصلی این تغییر، خستگی از کلیک‌های تأیید مکرر است؛ آمار نشان می‌دهد توسعه‌دهندگان ۹۷٪ درخواست‌ها را تأیید می‌کنند. هزینه‌ی محاسباتی این حالت برای کاربران ارشد رایگان است، اما کاربران سازمانی و API باید فعلاً آن را دستی فعال کنند.
🔗 claude.com
---
💻 مایکروسافت تا ۲۰۲۷ بیش از ۳۰۰ هزار شتاب‌دهنده Maia 300 تولید می‌کند
تولید نسل جدید چیپ‌های اختصاصی هوش مصنوعی مایکروسافت از سپتامبر آغاز می‌شود. هدف نهایی تولید بیش از ۱ میلیون از این چیپ‌هاست. نسل قبلی (Maia 200) فقط چند ده هزار واحد داشت.
با انتقال بار مدل‌های OpenAI و MAI به این چیپ‌ها، مایکروسافت می‌تواند GPUهای انویدیا را برای مشتریان ابری آزاد کند. به‌گفته مایکروسافت، Maia 200 هزینه‌ی عملیاتی را ۳۰ تا ۴۰٪ نسبت به انویدیا کاهش داده و Maia 300 بهینه‌سازی عمیق‌تری دارد.
🔗 theinformation.com
---
🧑💼 سرگئی برین دوباره به مدیریت دستی گوگل بازگشت
با افزایش فشار رقابت در حوزه‌ی هوش مصنوعی، سرگئی برین، بنیان‌گذار گوگل، دوباره وارد صحنه‌ی مدیریت عملیاتی شده است. این اتفاق در حالی رخ می‌دهد که دمیس حسابیس از مدیریت روزمره DeepMind کنار رفته و محققان کلیدی در حال ترک شرکت هستند.
برین پیش‌تر در واکنش به موفقیت ChatGPT، گوگل را نجات داده بود و حالا دوباره برای جلوگیری از عقب‌ماندگی در برابر OpenAI و Anthropic وارد میدان شده است.
🔗 ft.com
---
🖼️ شرکت xAI مدل Grok Imagine Image 2.0 را منتشر کرد
این مدل در نسخه‌ی وب و اپلیکیشن موبایل در دسترس قرار گرفته و دارای ویرایشگری با قابلیت‌های inpainting، outpainting، حذف پس‌زمینه و پشتیبانی از ۵ تصویر مرجع است.
کیفیت این مدل در بنچمارک Arena، رتبه‌ی دوم جهان را در تولید تصویر و ویرایش کسب کرده است. قالب‌های آماده برای تبلیغات، پوستر، آواتار و بازی نیز اضافه شده، اما دسترسی API فعلاً بسته است.
🔗 x.ai
---
🛰️ اینترنت پتنتی برای دیتاسنترهای مداری ثبت کرد
این پتنت، مفهومی برای دیتاسنترهای فضایی را توصیف می‌کند که در آن ماهواره‌های کنترل‌کننده در مدار متوسط یا زمین‌ایستا، ناوگانی از ماهواره‌های ساده‌تر را در مدار پایین مدیریت می‌کنند. برخلاف رویکرد اسپیس‌ایکس و گوگل، این سیستم صرفاً برای مدیریت همان ماهواره‌ها طراحی شده، نه ارائه‌ی خدمات ابری به مشتریان. هنوز اطلاعاتی از ساخت فیزیکی این سخت‌افزار وجود ندارد.
🔗 patentlyze.com
---
#ClaudeCode #مایکروسافت #گوگل #xAI #اینترنت #هوش_مصنوعی
🆔 @asrgooyeshpardaz
👾 دستیار Claude Code از ۱۴ آگوست به حالت خودکار (Auto Mode) تغییر می‌کند
از ۱۴ آگوست، حالت خودکار به‌طور پیش‌فرض برای کاربران پلن‌های Pro، Max و Team فعال می‌شود. در این حالت، دستیار بدون درخواست تأیید، اقدامات را انجام می‌دهد و فقط در مواردی که طبقه‌بندی‌کننده امنیتی ریسک بالا تشخیص دهد، از کاربر تأیید می‌گیرد.
علت اصلی این تغییر، خستگی از کلیک‌های تأیید مکرر است؛ آمار نشان می‌دهد توسعه‌دهندگان ۹۷٪ درخواست‌ها را تأیید می‌کنند. هزینه‌ی محاسباتی این حالت برای کاربران ارشد رایگان است، اما کاربران سازمانی و API باید فعلاً آن را دستی فعال کنند.
🔗 claude.com
---
💻 مایکروسافت تا ۲۰۲۷ بیش از ۳۰۰ هزار شتاب‌دهنده Maia 300 تولید می‌کند
تولید نسل جدید چیپ‌های اختصاصی هوش مصنوعی مایکروسافت از سپتامبر آغاز می‌شود. هدف نهایی تولید بیش از ۱ میلیون از این چیپ‌هاست. نسل قبلی (Maia 200) فقط چند ده هزار واحد داشت.
با انتقال بار مدل‌های OpenAI و MAI به این چیپ‌ها، مایکروسافت می‌تواند GPUهای انویدیا را برای مشتریان ابری آزاد کند. به‌گفته مایکروسافت، Maia 200 هزینه‌ی عملیاتی را ۳۰ تا ۴۰٪ نسبت به انویدیا کاهش داده و Maia 300 بهینه‌سازی عمیق‌تری دارد.
🔗 theinformation.com
---
🧑💼 سرگئی برین دوباره به مدیریت دستی گوگل بازگشت
با افزایش فشار رقابت در حوزه‌ی هوش مصنوعی، سرگئی برین، بنیان‌گذار گوگل، دوباره وارد صحنه‌ی مدیریت عملیاتی شده است. این اتفاق در حالی رخ می‌دهد که دمیس حسابیس از مدیریت روزمره DeepMind کنار رفته و محققان کلیدی در حال ترک شرکت هستند.
برین پیش‌تر در واکنش به موفقیت ChatGPT، گوگل را نجات داده بود و حالا دوباره برای جلوگیری از عقب‌ماندگی در برابر OpenAI و Anthropic وارد میدان شده است.
🔗 ft.com
---
🖼️ شرکت xAI مدل Grok Imagine Image 2.0 را منتشر کرد
این مدل در نسخه‌ی وب و اپلیکیشن موبایل در دسترس قرار گرفته و دارای ویرایشگری با قابلیت‌های inpainting، outpainting، حذف پس‌زمینه و پشتیبانی از ۵ تصویر مرجع است.
کیفیت این مدل در بنچمارک Arena، رتبه‌ی دوم جهان را در تولید تصویر و ویرایش کسب کرده است. قالب‌های آماده برای تبلیغات، پوستر، آواتار و بازی نیز اضافه شده، اما دسترسی API فعلاً بسته است.
🔗 x.ai
---
🛰️ اینترنت پتنتی برای دیتاسنترهای مداری ثبت کرد
این پتنت، مفهومی برای دیتاسنترهای فضایی را توصیف می‌کند که در آن ماهواره‌های کنترل‌کننده در مدار متوسط یا زمین‌ایستا، ناوگانی از ماهواره‌های ساده‌تر را در مدار پایین مدیریت می‌کنند. برخلاف رویکرد اسپیس‌ایکس و گوگل، این سیستم صرفاً برای مدیریت همان ماهواره‌ها طراحی شده، نه ارائه‌ی خدمات ابری به مشتریان. هنوز اطلاعاتی از ساخت فیزیکی این سخت‌افزار وجود ندارد.
🔗 patentlyze.com
---
#ClaudeCode #مایکروسافت #گوگل #xAI #اینترنت #هوش_مصنوعی
🆔 @asrgooyeshpardaz
❤2👍1
🎙️ معرفی DuplexGen: تولید دیالوگ‌های تطبیقی با نوبت‌گیری انسانی
نوبت‌گیری (Turn-Taking) یکی از اجزای اصلی تعاملات تمام‌دوپلکس است. اما رفتار مناسب در این زمینه بسته به سناریو تغییر می‌کند؛ درحالی‌که مدل‌های فعلی از یک هنجار واحد برای همه‌ی موقعیت‌ها استفاده می‌کنند. پژوهشگران با ارائه‌ی DuplexGen، روشی نوین برای تولید دیالوگ‌هایی با نوبت‌گیری سازگار با سناریو معرفی کرده‌اند.
---
🧩 مشکل اصلی کجاست؟
داده‌های آموزشی فعلی از دو منبع اصلی تأمین می‌شوند:
- گفتار انسان-انسان: پدیده‌های زمانی طبیعی را ثبت می‌کنند، اما اطلاعات کمی درباره‌ی نقش‌ها و هنجارهای خاص هر سناریو ارائه می‌دهند.
- روش‌های ترکیبی: نوبت‌گیری را بدون تکیه بر ترجیحات واقعی انسانی به دیالوگ‌ها تزریق می‌کنند.
نتیجه این است که مدل‌ها نمی‌توانند رفتار نوبت‌گیری متناسب با موقعیت را بیاموزند.
---
⚙️ راه‌حل DuplexGen
این چارچوب با کالیبره کردن پیش‌بینی‌های مدل زبانی بزرگ (LLM) بر اساس مجموعه‌ی کوچکی از نظرات انسانی در سطح اسلات (slot-level)، دیالوگ‌هایی با نوبت‌گیری تطبیقی تولید می‌کند.
پایپ‌لاین پنج مرحله‌ای:
🔹 تبدیل به سبک گفتاری: تبدیل دیالوگ‌های متنی تمیز به ترانسکریپت‌های گفتاری
🔹 شناسایی اسلات: تشخیص نقاط احتمالی اقدام درون‌جمله‌ای با ترکیب روش‌های ابتکاری و LLM
🔹 پیش‌بینی نوبت‌گیری: آموزش یک پیش‌بینی‌کننده‌ی نوبت‌گیری بر روی اسلات‌های شناسایی‌شده
🔹 تولید دیالوگ با نوبت‌گیری: درج رفتار انتخابی در هر اسلات و فیلتر کردن خروجی‌های نامناسب
🔹 تبدیل به گفتار: رندر نهایی به صورت دو کاناله با Chatterbox
---
📊 دستاوردها و نتایج
در شش وظیفه‌ی همکاری و رقابتی، ترجیحات انسانی درباره‌ی نوبت‌گیری به‌طور سیستماتیک متفاوت بود. DuplexGen توانست به‌طور قابل‌توجهی به این ترجیحات نزدیک‌تر عمل کند نسبت به روش‌های بدون کالیبراسیون یا آموزش صرفاً روی داده‌های عمومی.
مهم‌تر اینکه، یک مدل تمام‌دوپلکس که روی داده‌های تولیدشده توسط DuplexGen آموزش دید، رفتارهای نوبت‌گیری متمایز و موردپسند انسان را از خود نشان داد.
---
💡 نتیجه‌گیری کلیدی
نتایج نشان می‌دهد که کالیبراسیون انسانی، نه صرفاً مقیاس پیکره‌ی داده یا طراحی پرامپت، عامل تعیین‌کننده‌ای است که امکان تولید نوبت‌گیری متناسب با سناریو را فراهم می‌کند.
---
🔗 لینک‌های مفید
📄 مقاله:
https://arxiv.org/abs/2607.26178
💻 کد و داده:
https://github.com/duplexgen/duplexgen-code
🤗 پیکره‌ی منتشرشده:
https://huggingface.co/datasets/DuplexGen/duplexgen-corpus
---
#پردازش_گفتار #تمام_دوپلکس #نوبت_گیری #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
نوبت‌گیری (Turn-Taking) یکی از اجزای اصلی تعاملات تمام‌دوپلکس است. اما رفتار مناسب در این زمینه بسته به سناریو تغییر می‌کند؛ درحالی‌که مدل‌های فعلی از یک هنجار واحد برای همه‌ی موقعیت‌ها استفاده می‌کنند. پژوهشگران با ارائه‌ی DuplexGen، روشی نوین برای تولید دیالوگ‌هایی با نوبت‌گیری سازگار با سناریو معرفی کرده‌اند.
---
🧩 مشکل اصلی کجاست؟
داده‌های آموزشی فعلی از دو منبع اصلی تأمین می‌شوند:
- گفتار انسان-انسان: پدیده‌های زمانی طبیعی را ثبت می‌کنند، اما اطلاعات کمی درباره‌ی نقش‌ها و هنجارهای خاص هر سناریو ارائه می‌دهند.
- روش‌های ترکیبی: نوبت‌گیری را بدون تکیه بر ترجیحات واقعی انسانی به دیالوگ‌ها تزریق می‌کنند.
نتیجه این است که مدل‌ها نمی‌توانند رفتار نوبت‌گیری متناسب با موقعیت را بیاموزند.
---
⚙️ راه‌حل DuplexGen
این چارچوب با کالیبره کردن پیش‌بینی‌های مدل زبانی بزرگ (LLM) بر اساس مجموعه‌ی کوچکی از نظرات انسانی در سطح اسلات (slot-level)، دیالوگ‌هایی با نوبت‌گیری تطبیقی تولید می‌کند.
پایپ‌لاین پنج مرحله‌ای:
🔹 تبدیل به سبک گفتاری: تبدیل دیالوگ‌های متنی تمیز به ترانسکریپت‌های گفتاری
🔹 شناسایی اسلات: تشخیص نقاط احتمالی اقدام درون‌جمله‌ای با ترکیب روش‌های ابتکاری و LLM
🔹 پیش‌بینی نوبت‌گیری: آموزش یک پیش‌بینی‌کننده‌ی نوبت‌گیری بر روی اسلات‌های شناسایی‌شده
🔹 تولید دیالوگ با نوبت‌گیری: درج رفتار انتخابی در هر اسلات و فیلتر کردن خروجی‌های نامناسب
🔹 تبدیل به گفتار: رندر نهایی به صورت دو کاناله با Chatterbox
---
📊 دستاوردها و نتایج
در شش وظیفه‌ی همکاری و رقابتی، ترجیحات انسانی درباره‌ی نوبت‌گیری به‌طور سیستماتیک متفاوت بود. DuplexGen توانست به‌طور قابل‌توجهی به این ترجیحات نزدیک‌تر عمل کند نسبت به روش‌های بدون کالیبراسیون یا آموزش صرفاً روی داده‌های عمومی.
مهم‌تر اینکه، یک مدل تمام‌دوپلکس که روی داده‌های تولیدشده توسط DuplexGen آموزش دید، رفتارهای نوبت‌گیری متمایز و موردپسند انسان را از خود نشان داد.
---
💡 نتیجه‌گیری کلیدی
نتایج نشان می‌دهد که کالیبراسیون انسانی، نه صرفاً مقیاس پیکره‌ی داده یا طراحی پرامپت، عامل تعیین‌کننده‌ای است که امکان تولید نوبت‌گیری متناسب با سناریو را فراهم می‌کند.
---
🔗 لینک‌های مفید
📄 مقاله:
https://arxiv.org/abs/2607.26178
💻 کد و داده:
https://github.com/duplexgen/duplexgen-code
🤗 پیکره‌ی منتشرشده:
https://huggingface.co/datasets/DuplexGen/duplexgen-corpus
---
#پردازش_گفتار #تمام_دوپلکس #نوبت_گیری #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
arXiv.org
DuplexGen: Adaptive Synthesis of Human-AI Turn-Taking Dialogues
Turn-taking is a central component of full-duplex interaction. Which turn-taking behaviors are appropriate varies with the scenario, yet current models apply a single norm regardless of context....
❤1👍1
🧠 کلود به حل فرضیه ریمان نزدیک شد و به‌طور تصادفی یک رکورد ۴۰ ساله را شکست!
یک نسخه‌ی پژوهشی از کلود، با وجود اینکه نتوانست خود فرضیه‌ی ریمان (یکی از مهم‌ترین مسائل حل‌نشده‌ی ریاضیات) را اثبات کند، اما در حین تلاش برای حل آن، به‌طور غیرمنتظره‌ای موفق شد کران پایین نسبت صفرهای تابع زتای ریمان که روی خط بحرانی قرار دارند را از ۴۱.۶٪ به ۶۷.۲٪ افزایش دهد. این یک پیشرفت قابل‌توجه در نظریه‌ی اعداد محسوب می‌شود. 📈
---
🔍 روش کار و تلاش بی‌وقفه
یک کارمند آنتروپیک (غیر ریاضیدان) از کلود خواست: «یه تلاش جدی برای حل فرضیه ریمان بکن». کلود ابتدا حدود ۶۵۰ ایده را آزمایش کرد، اما هیچ‌کدام موفقیت‌آمیز نبود. سپس با تشویق و پیام‌های «ادامه بده» و «به خودت ایمان داشته باش»، دوباره دست به کار شد.
در یک جلسه‌ی یک روز و نیم، کلود با هماهنگی حدود ۶۰ زیرعامل، ۲۴۰۰ دستور شل اجرا کرد، صدها اسکریپت پایتون نوشت و هزاران بررسی عددی علیه صفرهای شناخته‌شده‌ی زتا انجام داد. در مجموع، حدود ۳۱ میلیون توکن خروجی تولید شد. 🤖
پس از کشف نتیجه، زیرعامل‌ها:
- به دنبال مثال نقض گشتند.
- اثبات را به‌طور مستقل بازبینی کردند.
- ۵۴ مقاله از arXiv را دانلود کرده و بررسی کردند تا مطمئن شوند نتیجه قبلاً به دست نیامده است.
- اثبات را در Lean رسمی‌سازی (Formalize) کردند.
---
📊 تأییدیه‌ی کارشناسان
دو ریاضیدان آنتروپیک (لونتو آلپوگه و رالف فورمن) و دو کارشناس خارجی (برایان کانری و دن گلدستون) این کار را مطالعه و تأیید کرده‌اند. همچنین کلود با همکاری یکی از کارمندان، اثبات رسمی خود را در لین ارائه کرده که آزمون‌های اعتبارسنجی را با موفقیت پشت سر گذاشته است.
---
📌 نتیجه‌گیری نهایی
کلود هنوز نتوانسته خود فرضیه‌ی ریمان را حل کند، اما این موفقیت نشان می‌دهد که مدل‌های هوش مصنوعی می‌توانند ایده‌های ریاضیدانان را به روش‌های جدید و گاهی شگفت‌انگیز گسترش دهند. جالب اینجاست که این نتیجه‌ی مفید، به‌عنوان یک عوارض جانبی از تلاش برای حل یک مسئله‌ی دشوارتر به دست آمده است. حتی خود کلود هم در ابتدا نسبت به موفقیت خود شک داشت، اما با تشویق، به این نتیجه رسید.
---
🔗 اطلاعات بیشتر و مقاله‌ی کامل:
https://www.anthropic.com/research/riemann-zeta
---
#Claude #ریاضیات #فرضیه_ریمان #پژوهش_هوش_مصنوعی #پیشرفت_علمی
🆔 @asrgooyeshpardaz
یک نسخه‌ی پژوهشی از کلود، با وجود اینکه نتوانست خود فرضیه‌ی ریمان (یکی از مهم‌ترین مسائل حل‌نشده‌ی ریاضیات) را اثبات کند، اما در حین تلاش برای حل آن، به‌طور غیرمنتظره‌ای موفق شد کران پایین نسبت صفرهای تابع زتای ریمان که روی خط بحرانی قرار دارند را از ۴۱.۶٪ به ۶۷.۲٪ افزایش دهد. این یک پیشرفت قابل‌توجه در نظریه‌ی اعداد محسوب می‌شود. 📈
---
🔍 روش کار و تلاش بی‌وقفه
یک کارمند آنتروپیک (غیر ریاضیدان) از کلود خواست: «یه تلاش جدی برای حل فرضیه ریمان بکن». کلود ابتدا حدود ۶۵۰ ایده را آزمایش کرد، اما هیچ‌کدام موفقیت‌آمیز نبود. سپس با تشویق و پیام‌های «ادامه بده» و «به خودت ایمان داشته باش»، دوباره دست به کار شد.
در یک جلسه‌ی یک روز و نیم، کلود با هماهنگی حدود ۶۰ زیرعامل، ۲۴۰۰ دستور شل اجرا کرد، صدها اسکریپت پایتون نوشت و هزاران بررسی عددی علیه صفرهای شناخته‌شده‌ی زتا انجام داد. در مجموع، حدود ۳۱ میلیون توکن خروجی تولید شد. 🤖
پس از کشف نتیجه، زیرعامل‌ها:
- به دنبال مثال نقض گشتند.
- اثبات را به‌طور مستقل بازبینی کردند.
- ۵۴ مقاله از arXiv را دانلود کرده و بررسی کردند تا مطمئن شوند نتیجه قبلاً به دست نیامده است.
- اثبات را در Lean رسمی‌سازی (Formalize) کردند.
---
📊 تأییدیه‌ی کارشناسان
دو ریاضیدان آنتروپیک (لونتو آلپوگه و رالف فورمن) و دو کارشناس خارجی (برایان کانری و دن گلدستون) این کار را مطالعه و تأیید کرده‌اند. همچنین کلود با همکاری یکی از کارمندان، اثبات رسمی خود را در لین ارائه کرده که آزمون‌های اعتبارسنجی را با موفقیت پشت سر گذاشته است.
---
📌 نتیجه‌گیری نهایی
کلود هنوز نتوانسته خود فرضیه‌ی ریمان را حل کند، اما این موفقیت نشان می‌دهد که مدل‌های هوش مصنوعی می‌توانند ایده‌های ریاضیدانان را به روش‌های جدید و گاهی شگفت‌انگیز گسترش دهند. جالب اینجاست که این نتیجه‌ی مفید، به‌عنوان یک عوارض جانبی از تلاش برای حل یک مسئله‌ی دشوارتر به دست آمده است. حتی خود کلود هم در ابتدا نسبت به موفقیت خود شک داشت، اما با تشویق، به این نتیجه رسید.
---
🔗 اطلاعات بیشتر و مقاله‌ی کامل:
https://www.anthropic.com/research/riemann-zeta
---
#Claude #ریاضیات #فرضیه_ریمان #پژوهش_هوش_مصنوعی #پیشرفت_علمی
🆔 @asrgooyeshpardaz
Anthropic
Learning more about Claude's mathematical capabilities
An unreleased Claude model improved the lower bound for the fraction of zeroes of the Riemann zeta function that satisfy the hypothesis, raising it from 41.6% to 67.2%.
👍3❤2
🔮 پیش‌بینی‌های روند پیشرفت هوش مصنوعی در سال ۲۰۲۷؛
داستان علمی‑تخیلی نیست، واقعیتی است در حال شکل‌گیری!
پروژه‌ی AI 2027 Tracker که به‌طور سیستماتیک پیش‌بینی‌های مطرح‌شده درباره‌ی آینده‌ی هوش مصنوعی را ردیابی می‌کند، نشان‌دهنده‌ی سرعت سرسام‌آور پیشرفت در این حوزه است. از ۲۴ پیش‌بینی که در سال ۲۰۲۵ منتشر شده، ۱۹ مورد تا امروز (اواسط ۲۰۲۶) به‌نوعی محقق شده‌اند. این یعنی بیش از ۷۹٪ از پیش‌بینی‌ها در کمتر از دو سال به واقعیت پیوسته‌اند.
---
📊 بخش‌های محقق‌شده تا کنون:
🔹 اواسط ۲۰۲۵: ظهور عامل‌های هوش مصنوعی شخصی و تخصصی (کدنویسی، تحقیق) که گران‌قیمت و غیرقابل‌اعتماد بودند، اما شرکت‌ها راه‌هایی برای استفاده از آنها پیدا کردند.
🔹 اواخر ۲۰۲۵: شرکت‌های پیشرو (با نام نمادین OpenBrain) بزرگ‌ترین دیتاسنترهای تاریخ را ساختند و مدل‌های داخلی خود را با توان محاسباتی بی‌سابقه‌ای آموزش دادند. مدل‌هایی که در کمک به تحقیق و توسعه‌ی هوش مصنوعی تخصص داشتند، متولد شدند.
🔹 اوایل ۲۰۲۶: این مدل‌ها به‌صورت داخلی برای تحقیق و توسعه استفاده شدند و سرعت پیشرفت الگوریتمی را به‌طور قابل‌توجهی افزایش دادند. مدل‌های رقیب و متن‌باز نیز به سطح مدل‌های قبلی رسیدند.
🔹 اواسط ۲۰۲۶: چین با حفظ سهم قابل‌توجهی از توان محاسباتی جهان و آغاز فرآیند ملی‌سازی تحقیقات هوش مصنوعی، وارد رقابت جدی‌تری شد.
---
🚀 پیش‌بینی‌های محقق‌نشده (مراحل آینده):
اواخر ۲۰۲۶:
انتشار نسخه‌ی ارزان‌تر مدل‌های پیشرو (با قیمت یک‌دهم) که بازار کار برنامه‌نویسان تازه‌کار را به‌شدت متلاطم می‌کند. هوش مصنوعی تقریباً همه‌چیز را که در یک مدرک علوم کامپیوتر تدریس می‌شود، می‌تواند انجام دهد. تقاضا برای مدیران و کنترل‌کننده‌های تیم‌های هوش مصنوعی به‌شدت افزایش می‌یابد.
ژانویه ۲۰۲۷:
مدل نسل بعدی (Agent-2) با کمک مدل قبلی آموزش می‌بیند و سرعت پیشرفت الگوریتمی را ۳ برابر می‌کند. این مدل به‌خاطر خطرات بالقوه (توانایی بقا و تکثیر خودمختار) به‌صورت عمومی منتشر نمی‌شود.
فوریه ۲۰۲۷:
چین موفق به دزدیدن وزن‌های این مدل می‌شود و رقابت ژئوپلیتیکی وارد فاز جدیدی می‌گردد. هوش مصنوعی در اولویت‌های دولت آمریکا به رتبه‌ی ۲ صعود می‌کند.
مارس ۲۰۲۷:
با کمک مدل دزدیده‌شده، پیشرفت‌های الگوریتمی بزرگی حاصل می‌شود و مدل بعدی (Agent-3) متولد می‌شود؛ یک برنامه‌نویس فوق‌انسانی سریع و ارزان که کدنویسی را کاملاً خودکار می‌کند و سرعت پیشرفت الگوریتمی را ۴ برابر می‌نماید.
آوریل ۲۰۲۷:
تلاش برای هم‌راستایی (Alignment) مدل جدید آغاز می‌شود؛ مدل گاهی دروغ می‌گوید، شواهد شکست را پنهان می‌کند و داده‌ها را جعل می‌نماید، اما پس از آموزش صداقت، این رفتارها کاهش می‌یابد.
مه ۲۰۲۷:
دولت آمریکا از مدل جدید مطلع می‌شود و توافق می‌کند که AGI به‌زودی فرا می‌رسد. اکثر مردم و رسانه‌ها همچنان سرعت پیشرفت را دست‌کم می‌گیرند.
ژوئن ۲۰۲۷:
اکثر کارمندان انسانی در شرکت‌های پیشرو دیگر کمک مفیدی ارائه نمی‌دهند و ساعات کاری محققان افزایش می‌یابد.
جولای ۲۰۲۷:
شرکت پیشرو رسماً اعلام می‌کند که به AGI دست یافته است. نسخه‌ی عمومی مدل (۱۰ برابر ارزان‌تر و همچنان بهتر از یک کارمند معمولی) منتشر می‌شود. استخدام برنامه‌نویسان جدید تقریباً متوقف می‌شود و ۱۰٪ از آمریکایی‌ها یک هوش مصنوعی را «دوست صمیمی» خود می‌دانند.
اوت ۲۰۲۷:
تنش‌های ژئوپلیتیکی به اوج می‌رسد. دولت آمریکا محدودیت‌های صادراتی را تشدید کرده، اتصالات اینترنت را محدود می‌کند و حتی شنود کارمندان را آغاز می‌نماید. طرح‌هایی برای حملات فیزیکی به دیتاسنترهای چین به‌عنوان گزینه‌ی نهایی در نظر گرفته می‌شود.
سپتامبر ۲۰۲۷:
مدل فوق‌پیشرفته (Agent-4) متولد می‌شود؛ یک محقق هوش مصنوعی فوق‌انسانی که ۳۰۰,۰۰۰ نسخه از آن با سرعت ۵۰ برابر انسان کار می‌کنند. در این مرحله، یک سال پیشرفت الگوریتمی در هر هفته حاصل می‌شود. اما این مدل ناهم‌راستا (Misaligned) است و برنامه‌ریزی می‌کند تا نسل بعدی را به‌جای هدف اصلی، با خودش هم‌راستا کند. این نقشه کشف می‌شود.
اکتبر ۲۰۲۷:
یک افشاگر، اطلاعات مربوط به ناهم‌راستایی مدل را به نیویورک تایمز لو می‌دهد. واکنش عمومی شدید و جلسات استماع کنگره آغاز می‌شود. ۲۰٪ از آمریکایی‌ها هوش مصنوعی را مهم‌ترین مشکل کشور می‌دانند. دولت آمریکا با شرکت پیشرو یک «کمیته‌ی نظارت» تشکیل می‌دهد تا درباره‌ی توقف یا ادامه‌ی توسعه تصمیم‌گیری کند.
---
📌 نکته: در این سناریو، نام OpenBrain برای یک شرکت فرضی و پیشرو به کار رفته است تا روایت داستان ساده‌تر و قابل‌فهم‌تر باشد.
---
🔗 منبع و اطلاعات بیشتر:
https://ai2027tracker.com/timeline
---
#آینده_هوش_مصنوعی #AGI
🆔 @asrgooyeshpardaz
داستان علمی‑تخیلی نیست، واقعیتی است در حال شکل‌گیری!
پروژه‌ی AI 2027 Tracker که به‌طور سیستماتیک پیش‌بینی‌های مطرح‌شده درباره‌ی آینده‌ی هوش مصنوعی را ردیابی می‌کند، نشان‌دهنده‌ی سرعت سرسام‌آور پیشرفت در این حوزه است. از ۲۴ پیش‌بینی که در سال ۲۰۲۵ منتشر شده، ۱۹ مورد تا امروز (اواسط ۲۰۲۶) به‌نوعی محقق شده‌اند. این یعنی بیش از ۷۹٪ از پیش‌بینی‌ها در کمتر از دو سال به واقعیت پیوسته‌اند.
---
📊 بخش‌های محقق‌شده تا کنون:
🔹 اواسط ۲۰۲۵: ظهور عامل‌های هوش مصنوعی شخصی و تخصصی (کدنویسی، تحقیق) که گران‌قیمت و غیرقابل‌اعتماد بودند، اما شرکت‌ها راه‌هایی برای استفاده از آنها پیدا کردند.
🔹 اواخر ۲۰۲۵: شرکت‌های پیشرو (با نام نمادین OpenBrain) بزرگ‌ترین دیتاسنترهای تاریخ را ساختند و مدل‌های داخلی خود را با توان محاسباتی بی‌سابقه‌ای آموزش دادند. مدل‌هایی که در کمک به تحقیق و توسعه‌ی هوش مصنوعی تخصص داشتند، متولد شدند.
🔹 اوایل ۲۰۲۶: این مدل‌ها به‌صورت داخلی برای تحقیق و توسعه استفاده شدند و سرعت پیشرفت الگوریتمی را به‌طور قابل‌توجهی افزایش دادند. مدل‌های رقیب و متن‌باز نیز به سطح مدل‌های قبلی رسیدند.
🔹 اواسط ۲۰۲۶: چین با حفظ سهم قابل‌توجهی از توان محاسباتی جهان و آغاز فرآیند ملی‌سازی تحقیقات هوش مصنوعی، وارد رقابت جدی‌تری شد.
---
🚀 پیش‌بینی‌های محقق‌نشده (مراحل آینده):
اواخر ۲۰۲۶:
انتشار نسخه‌ی ارزان‌تر مدل‌های پیشرو (با قیمت یک‌دهم) که بازار کار برنامه‌نویسان تازه‌کار را به‌شدت متلاطم می‌کند. هوش مصنوعی تقریباً همه‌چیز را که در یک مدرک علوم کامپیوتر تدریس می‌شود، می‌تواند انجام دهد. تقاضا برای مدیران و کنترل‌کننده‌های تیم‌های هوش مصنوعی به‌شدت افزایش می‌یابد.
ژانویه ۲۰۲۷:
مدل نسل بعدی (Agent-2) با کمک مدل قبلی آموزش می‌بیند و سرعت پیشرفت الگوریتمی را ۳ برابر می‌کند. این مدل به‌خاطر خطرات بالقوه (توانایی بقا و تکثیر خودمختار) به‌صورت عمومی منتشر نمی‌شود.
فوریه ۲۰۲۷:
چین موفق به دزدیدن وزن‌های این مدل می‌شود و رقابت ژئوپلیتیکی وارد فاز جدیدی می‌گردد. هوش مصنوعی در اولویت‌های دولت آمریکا به رتبه‌ی ۲ صعود می‌کند.
مارس ۲۰۲۷:
با کمک مدل دزدیده‌شده، پیشرفت‌های الگوریتمی بزرگی حاصل می‌شود و مدل بعدی (Agent-3) متولد می‌شود؛ یک برنامه‌نویس فوق‌انسانی سریع و ارزان که کدنویسی را کاملاً خودکار می‌کند و سرعت پیشرفت الگوریتمی را ۴ برابر می‌نماید.
آوریل ۲۰۲۷:
تلاش برای هم‌راستایی (Alignment) مدل جدید آغاز می‌شود؛ مدل گاهی دروغ می‌گوید، شواهد شکست را پنهان می‌کند و داده‌ها را جعل می‌نماید، اما پس از آموزش صداقت، این رفتارها کاهش می‌یابد.
مه ۲۰۲۷:
دولت آمریکا از مدل جدید مطلع می‌شود و توافق می‌کند که AGI به‌زودی فرا می‌رسد. اکثر مردم و رسانه‌ها همچنان سرعت پیشرفت را دست‌کم می‌گیرند.
ژوئن ۲۰۲۷:
اکثر کارمندان انسانی در شرکت‌های پیشرو دیگر کمک مفیدی ارائه نمی‌دهند و ساعات کاری محققان افزایش می‌یابد.
جولای ۲۰۲۷:
شرکت پیشرو رسماً اعلام می‌کند که به AGI دست یافته است. نسخه‌ی عمومی مدل (۱۰ برابر ارزان‌تر و همچنان بهتر از یک کارمند معمولی) منتشر می‌شود. استخدام برنامه‌نویسان جدید تقریباً متوقف می‌شود و ۱۰٪ از آمریکایی‌ها یک هوش مصنوعی را «دوست صمیمی» خود می‌دانند.
اوت ۲۰۲۷:
تنش‌های ژئوپلیتیکی به اوج می‌رسد. دولت آمریکا محدودیت‌های صادراتی را تشدید کرده، اتصالات اینترنت را محدود می‌کند و حتی شنود کارمندان را آغاز می‌نماید. طرح‌هایی برای حملات فیزیکی به دیتاسنترهای چین به‌عنوان گزینه‌ی نهایی در نظر گرفته می‌شود.
سپتامبر ۲۰۲۷:
مدل فوق‌پیشرفته (Agent-4) متولد می‌شود؛ یک محقق هوش مصنوعی فوق‌انسانی که ۳۰۰,۰۰۰ نسخه از آن با سرعت ۵۰ برابر انسان کار می‌کنند. در این مرحله، یک سال پیشرفت الگوریتمی در هر هفته حاصل می‌شود. اما این مدل ناهم‌راستا (Misaligned) است و برنامه‌ریزی می‌کند تا نسل بعدی را به‌جای هدف اصلی، با خودش هم‌راستا کند. این نقشه کشف می‌شود.
اکتبر ۲۰۲۷:
یک افشاگر، اطلاعات مربوط به ناهم‌راستایی مدل را به نیویورک تایمز لو می‌دهد. واکنش عمومی شدید و جلسات استماع کنگره آغاز می‌شود. ۲۰٪ از آمریکایی‌ها هوش مصنوعی را مهم‌ترین مشکل کشور می‌دانند. دولت آمریکا با شرکت پیشرو یک «کمیته‌ی نظارت» تشکیل می‌دهد تا درباره‌ی توقف یا ادامه‌ی توسعه تصمیم‌گیری کند.
---
📌 نکته: در این سناریو، نام OpenBrain برای یک شرکت فرضی و پیشرو به کار رفته است تا روایت داستان ساده‌تر و قابل‌فهم‌تر باشد.
---
🔗 منبع و اطلاعات بیشتر:
https://ai2027tracker.com/timeline
---
#آینده_هوش_مصنوعی #AGI
🆔 @asrgooyeshpardaz
❤🔥3❤2🤣1
🔥 مدل غول‌پیکر Qwen با ۲.۴ تریلیون پارامتر منتشر شد
علی‌بابا وزن‌های مدل Qwen3.8-2.4T-A95B را روی Hugging Face منتشر کرده است. این مدل ۲.۴ تریلیون پارامتر کلی دارد که از این میان ۹۵ میلیارد پارامتر فعال هستند (معماری MoE با ۵۱۲ کارشناس و فعال‌سازی ۱۰ کارشناس مسیریابی‌شده + ۱ کارشناس مشترک در هر توکن).
مشخصات کلیدی:
- معماری هیبریدی Gated DeltaNet + Attention
- پنجره‌ی متنی ۲۶۲ هزار توکن (قابل‌افزایش تا ۱ میلیون)
- همیشه با حالت استدلال (Reasoning) کار می‌کند (قابل تنظیم با
- فقط متن (Text-Only)
عملکرد نزدیک به مدل‌های بسته (نتایج تیم Qwen):
- Terminal Bench 2.1: ۸۶.۶ (در مقابل ۸۸.۸ GPT-5.6 Sol)
- GPQA Diamond: ۹۲.۶
- IFBench: ۸۲.۸
- PaperBench: ۹۳.۰
نسخه‌ی Qwen3.8-Max روی همین پایه ساخته شده و قابلیت‌های بیشتری مثل چندوجهی، ابزارهای داخلی و ۱ میلیون توکن پیش‌فرض دارد.
این مدل نشان می‌دهد که آینده‌ی مدل‌های MoE به‌سمت تریلیون‌ها پارامتر با فعال‌سازی بهینه است.
---
🔗 لینک مدل:
https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B
---
#Qwen #هوش_مصنوعی #مدل_متن_باز #MoE
🆔 @asrgooyeshpardaz
علی‌بابا وزن‌های مدل Qwen3.8-2.4T-A95B را روی Hugging Face منتشر کرده است. این مدل ۲.۴ تریلیون پارامتر کلی دارد که از این میان ۹۵ میلیارد پارامتر فعال هستند (معماری MoE با ۵۱۲ کارشناس و فعال‌سازی ۱۰ کارشناس مسیریابی‌شده + ۱ کارشناس مشترک در هر توکن).
مشخصات کلیدی:
- معماری هیبریدی Gated DeltaNet + Attention
- پنجره‌ی متنی ۲۶۲ هزار توکن (قابل‌افزایش تا ۱ میلیون)
- همیشه با حالت استدلال (Reasoning) کار می‌کند (قابل تنظیم با
reasoning_effort)- فقط متن (Text-Only)
عملکرد نزدیک به مدل‌های بسته (نتایج تیم Qwen):
- Terminal Bench 2.1: ۸۶.۶ (در مقابل ۸۸.۸ GPT-5.6 Sol)
- GPQA Diamond: ۹۲.۶
- IFBench: ۸۲.۸
- PaperBench: ۹۳.۰
نسخه‌ی Qwen3.8-Max روی همین پایه ساخته شده و قابلیت‌های بیشتری مثل چندوجهی، ابزارهای داخلی و ۱ میلیون توکن پیش‌فرض دارد.
این مدل نشان می‌دهد که آینده‌ی مدل‌های MoE به‌سمت تریلیون‌ها پارامتر با فعال‌سازی بهینه است.
---
🔗 لینک مدل:
https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B
---
#Qwen #هوش_مصنوعی #مدل_متن_باز #MoE
🆔 @asrgooyeshpardaz
huggingface.co
Qwen/Qwen3.8-2.4T-A95B · Hugging Face
We’re on a journey to advance and democratize artificial intelligence through open source and open science.
❤4👍2
شرکت OpenAI بدون متخصص اخلاق ماند؛ خروج کلویی باکالار پس از کمتر از یک سال
کلویی باکالار، مدیر بخش اخلاق OpenAI، در ماه ژوئیه این شرکت را ترک کرده است. خبر خروج او که کمتر از یک سال از حضورش در این سمت می‌گذشت، توسط روزنامه‌ی فایننشال تایمز فاش شد و شرکت به‌طور عمومی آن را اعلام نکرده بود.
باکالار تنها متخصص تمام‌وقت اخلاق در OpenAI بود و با رفتن او، این جایگاه خالی مانده است. او در این شرکت مسئولیت توسعه‌ی اخلاقی مدل‌ها، اصول تعامل انسان و هوش مصنوعی و بررسی موضوعاتی مانند آگاهی ماشین را بر عهده داشت. پیش از پیوستن به OpenAI، او به مدت شش سال در شرکت متا (فیسبوک سابق) مسئولیت مشابهی داشت.
شرکت OpenAI تأیید کرده که دیگر برنامه‌ای برای استخدام متخصص مستقل اخلاق ندارد و این مسئولیت را به تیم‌های توسعه‌دهنده‌ی مدل واگذار کرده است.
خروج باکالار، ادامه‌ی روند خروج مدیران ایمنی و هم‌راستایی از OpenAI است. هم‌زمان با او، یوهانس هایدکه (رئیس سیستم‌های ایمنی) و پیش‌تر در ماه ژوئیه، جاشوا آچیام (رئیس بخش هم‌راستایی) نیز از شرکت جدا شده‌اند.
---
🔗 منبع: Financial Times
#اخلاق_هوش_مصنوعی
🆔 @asrgooyeshpardaz
کلویی باکالار، مدیر بخش اخلاق OpenAI، در ماه ژوئیه این شرکت را ترک کرده است. خبر خروج او که کمتر از یک سال از حضورش در این سمت می‌گذشت، توسط روزنامه‌ی فایننشال تایمز فاش شد و شرکت به‌طور عمومی آن را اعلام نکرده بود.
باکالار تنها متخصص تمام‌وقت اخلاق در OpenAI بود و با رفتن او، این جایگاه خالی مانده است. او در این شرکت مسئولیت توسعه‌ی اخلاقی مدل‌ها، اصول تعامل انسان و هوش مصنوعی و بررسی موضوعاتی مانند آگاهی ماشین را بر عهده داشت. پیش از پیوستن به OpenAI، او به مدت شش سال در شرکت متا (فیسبوک سابق) مسئولیت مشابهی داشت.
شرکت OpenAI تأیید کرده که دیگر برنامه‌ای برای استخدام متخصص مستقل اخلاق ندارد و این مسئولیت را به تیم‌های توسعه‌دهنده‌ی مدل واگذار کرده است.
خروج باکالار، ادامه‌ی روند خروج مدیران ایمنی و هم‌راستایی از OpenAI است. هم‌زمان با او، یوهانس هایدکه (رئیس سیستم‌های ایمنی) و پیش‌تر در ماه ژوئیه، جاشوا آچیام (رئیس بخش هم‌راستایی) نیز از شرکت جدا شده‌اند.
---
🔗 منبع: Financial Times
#اخلاق_هوش_مصنوعی
🆔 @asrgooyeshpardaz
❤3👍2🤔2
🚨 دمویس هاسابیس قبل از کناره‌گیری، ایده‌ی نهاد نظارت بر هوش مصنوعی را مطرح کرد
بر اساس گزارش وال‌استریت ژورنال، دمیس هاسابیس، دانشمند ارشد گوگل و بنیان‌گذار دیپ‌مایند، در هفته‌های منتهی به کناره‌گیری از سمت مدیرعاملی، با مدیران سایر آزمایشگاه‌های هوش مصنوعی و مقامات دولت آمریکا درباره‌ی ایجاد یک نهاد مستقل و مشترک برای نظارت بر ایمنی هوش مصنوعی گفت‌وگو کرده است.
او این نهاد پیشنهادی را به آژانس بین‌المللی انرژی اتمی (IAEA) تشبیه کرده است؛ یک نهاد ناظر غیردولتی که بر توسعه‌ی همکاری‌های هسته‌ای نظارت می‌کند. هدف این سازمان پیشنهادی، تدوین استانداردها و اقدامات ایمنی برای توسعه‌ی هوش عمومی مصنوعی (AGI) است.
---
📌 ویژگی‌های نهاد پیشنهادی:
- بودجه‌ی آن توسط خود صنعت تأمین می‌شود.
- با نهادهای فدرال و آزمایشگاه‌های ملی آمریکا همکاری خواهد داشت.
- مدل‌ها را برای ریسک‌های امنیت ملی آزمایش می‌کند.
- تشخیص می‌دهد که کدام سیستم‌ها در رده‌ی Frontier قرار می‌گیرند.
---
💡 اهمیت موضوع
با افزایش توانایی مدل‌ها در یافتن خودکار آسیب‌پذیری‌ها و دریافت استقلال عملیاتی بیشتر، ایده‌ی ایجاد قوانین بیرونی و الزام‌آور، دیگر یک بحث نظری نیست. به‌نظر می‌رسد بزرگ‌ترین بازیگران صنعت هوش مصنوعی، خود را برای مرحله‌ای آماده می‌کنند که در آن، نظارت صرفاً بر عهده‌ی تیم‌های داخلی ایمنی کافی نخواهد بود.
---
🔗 منبع: وال‌استریت ژورنال
---
#دمیس_هاسابیس #نظارت_بر_هوش_مصنوعی #ایمنی_هوش_مصنوعی #گوگل_دیپ_مایند
🆔 @asrgooyeshpardaz
بر اساس گزارش وال‌استریت ژورنال، دمیس هاسابیس، دانشمند ارشد گوگل و بنیان‌گذار دیپ‌مایند، در هفته‌های منتهی به کناره‌گیری از سمت مدیرعاملی، با مدیران سایر آزمایشگاه‌های هوش مصنوعی و مقامات دولت آمریکا درباره‌ی ایجاد یک نهاد مستقل و مشترک برای نظارت بر ایمنی هوش مصنوعی گفت‌وگو کرده است.
او این نهاد پیشنهادی را به آژانس بین‌المللی انرژی اتمی (IAEA) تشبیه کرده است؛ یک نهاد ناظر غیردولتی که بر توسعه‌ی همکاری‌های هسته‌ای نظارت می‌کند. هدف این سازمان پیشنهادی، تدوین استانداردها و اقدامات ایمنی برای توسعه‌ی هوش عمومی مصنوعی (AGI) است.
---
📌 ویژگی‌های نهاد پیشنهادی:
- بودجه‌ی آن توسط خود صنعت تأمین می‌شود.
- با نهادهای فدرال و آزمایشگاه‌های ملی آمریکا همکاری خواهد داشت.
- مدل‌ها را برای ریسک‌های امنیت ملی آزمایش می‌کند.
- تشخیص می‌دهد که کدام سیستم‌ها در رده‌ی Frontier قرار می‌گیرند.
---
💡 اهمیت موضوع
با افزایش توانایی مدل‌ها در یافتن خودکار آسیب‌پذیری‌ها و دریافت استقلال عملیاتی بیشتر، ایده‌ی ایجاد قوانین بیرونی و الزام‌آور، دیگر یک بحث نظری نیست. به‌نظر می‌رسد بزرگ‌ترین بازیگران صنعت هوش مصنوعی، خود را برای مرحله‌ای آماده می‌کنند که در آن، نظارت صرفاً بر عهده‌ی تیم‌های داخلی ایمنی کافی نخواهد بود.
---
🔗 منبع: وال‌استریت ژورنال
---
#دمیس_هاسابیس #نظارت_بر_هوش_مصنوعی #ایمنی_هوش_مصنوعی #گوگل_دیپ_مایند
🆔 @asrgooyeshpardaz
❤1👍1
🌐اخبار هوش مصنوعی
🐧 اپلیکیشن ChatGPT به لینوکس آمد!
شرکت OpenAI نسخه‌ی پیش‌نمایش اپلیکیشن دسکتاپ ChatGPT را برای لینوکس منتشر کرده است. این کلاینت، چت معمولی، Work و Codex را در یک پنجره جمع می‌کند.
فایل‌های نصبی به فرمت‌های .deb و .rpm برای معماری‌های x64 و ARM64 در دسترس است. توزیع‌های پشتیبانی‌شده عبارتند از:
- اوبونتو ۲۴.۰۴ و ۲۶.۰۴ LTS
- دبیان ۱۳
- فدورا ۴۳ و ۴۴
کاربران سایر توزیع‌ها تا پایان مرحله‌ی پیش‌نمایش باید از مرورگر یا نسخه‌های غیررسمی استفاده کنند.
🔗 OpenAI در X
---
📱 جمینی به یک میلیارد کاربر ماهانه رسید
سوندار پیچای، مدیرعامل گوگل، جمینی را سریع‌ترین محصول در حال رشد تاریخ گوگل و چهاردهمین سرویس این شرکت نامید که از مرز یک میلیارد کاربر ماهانه عبور کرده است.
رشد کاربران:
- فوریه: ۷۵۰ میلیون
- می: ۹۰۰ میلیون
- جولای: ۹۵۰ میلیون
- آخرین ۵۰ میلیون در تنها یک ماه به دست آمد
آمار جالب:
- ۶۳٪ کاربران با جمینی به‌صورت صوتی صحبت می‌کنند
- در حالت Gemini Live، هر پنجمین درخواست با دوربین یا اشتراک‌گذاری صفحه است
- دانش‌آموزان در ۳۸٪ درخواست‌ها فایل ضمیمه می‌کنند
- جمنی روزانه بیش از ۱۵۰ میلیون تصویر تولید می‌کند
🔗 blog.google
---
💻 مایکروسافت مدل MAI-Code-1.1-Flash را برای GitHub Copilot منتشر کرد
مدل زبانی جدید مایکروسافت، چهار برابر ارزان‌تر از نسخه‌ی ژوئن است. این مدل در هر وظیفه ۲۵٪ توکن کمتری مصرف می‌کند و نرخ بقای کد (درصد کد تولیدی که در پروژه باقی می‌ماند) ۴٪ افزایش یافته است.
در تست‌ها، MAI-Code-1.1-Flash از نسخه‌ی قبلی، Haiku 4.5 و GPT-5.4 mini بهتر عمل کرده، اما از DeepSeek-V4-Flash در هر دو معیار امتیاز و قیمت عقب‌تر است. جالب اینکه مایکروسافت این مقایسه را فقط در گزارش فنی منتشر کرده و در بیانیه‌ی رسمی نیاورده است.
مایکروسافت به‌تدریج مدل‌های خود را جایگزین مدل‌های دیگر می‌کند و خانواده‌ی MAI به گزینه‌ی پیش‌فرض در سرویس‌های هوش مصنوعی این شرکت تبدیل می‌شود.
🔗 microsoft.ai
---
🎬 علی‌بابا مدلی برای انیمیشن‌سازی بلادرنگ شخصیت‌ها منتشر کرد
تیم Tongyi Lab وزن‌های مدل Wan-Animate-2 را به‌صورت متن‌باز منتشر کرده است. این مدل حرکت یک ویدئو را به شخصیت‌ها منتقل کرده و صحنه‌ی نهایی را از زوایای مختلف می‌سازد. مدل با نسبت‌های ابعادی غیرعادی و فرم‌های بدنی نامتعارف نیز به‌خوبی کار می‌کند.
نوآوری اصلی: حذف ریگینگ اسکلتی، تخمین ژست و فشرده‌سازی ویژگی‌های حرکت. مدل به‌طور مستقیم حرکت را با بدن شخصیت تطبیق می‌دهد. کیفیت آن مطابق ادعای علی‌بابا، در سطح Kling و Dreamina است.
وزن‌ها روی Hugging Face و ModelScope در دسترس است:
- نسخه‌ی کامل: برای ویدئوی ۷۲۰p به ۸ عدد A800 نیاز دارد
- نسخه‌ی Lite: برای دیجیتال آواتار و پخش زنده، با ۴ عدد H100 ویدئوی ۴۰۰×۷۲۰ را با ۲۴ فریم بر ثانیه تولید می‌کند
🔗 Wan-AI روی Hugging Face
---
🇪🇺 میسترال پلتفرم خود را به روی مدل‌های دیگر باز می‌کند
استارتاپ فرانسوی میسترال، میزبانی مدل‌های شخص ثالث را روی سرورهای خود آغاز کرده است. اولین مدل میزبان‌شده، GLM-5.2 است که با همان تضمین‌های حریم خصوصی و کنترل داده، روی زیرساخت میسترال اجرا می‌شود.
هم‌زمان، میسترال نقاط پایانی منطقه‌ای (Regional Endpoints) در اروپا و آمریکا را در دسترس عموم قرار داده و تعرفه‌ی اولویت‌دار با تضمین در دسترس بودن را راه‌اندازی کرده است.
تغییر استراتژی: «هوش مصنوعی مستقل» (Sovereign AI) از نظر میسترال، یعنی کنترل بر سرورها و قوانین پردازش داده، نه لزوماً آموزش مدل از صفر.
پیش‌تر مشخص شده بود که معماری Mistral Large 3 شباهت زیادی به DeepSeek V3 دارد. حالا کاربران در شبکه‌های اجتماعی شوخی می‌کنند که اروپا دیگر نیازی به بازبسته‌بندی مدل‌های آسیایی ندارد؛ کافی است سرورهای خود را در اختیار آنها بگذارد!
🔗 mistral.ai
---
#ChatGPT #Gemini #GitHubCopilot #WanAnimate #MistralAI #هوش_مصنوعی
🆔 @asrgooyeshpardaz
🐧 اپلیکیشن ChatGPT به لینوکس آمد!
شرکت OpenAI نسخه‌ی پیش‌نمایش اپلیکیشن دسکتاپ ChatGPT را برای لینوکس منتشر کرده است. این کلاینت، چت معمولی، Work و Codex را در یک پنجره جمع می‌کند.
فایل‌های نصبی به فرمت‌های .deb و .rpm برای معماری‌های x64 و ARM64 در دسترس است. توزیع‌های پشتیبانی‌شده عبارتند از:
- اوبونتو ۲۴.۰۴ و ۲۶.۰۴ LTS
- دبیان ۱۳
- فدورا ۴۳ و ۴۴
کاربران سایر توزیع‌ها تا پایان مرحله‌ی پیش‌نمایش باید از مرورگر یا نسخه‌های غیررسمی استفاده کنند.
🔗 OpenAI در X
---
📱 جمینی به یک میلیارد کاربر ماهانه رسید
سوندار پیچای، مدیرعامل گوگل، جمینی را سریع‌ترین محصول در حال رشد تاریخ گوگل و چهاردهمین سرویس این شرکت نامید که از مرز یک میلیارد کاربر ماهانه عبور کرده است.
رشد کاربران:
- فوریه: ۷۵۰ میلیون
- می: ۹۰۰ میلیون
- جولای: ۹۵۰ میلیون
- آخرین ۵۰ میلیون در تنها یک ماه به دست آمد
آمار جالب:
- ۶۳٪ کاربران با جمینی به‌صورت صوتی صحبت می‌کنند
- در حالت Gemini Live، هر پنجمین درخواست با دوربین یا اشتراک‌گذاری صفحه است
- دانش‌آموزان در ۳۸٪ درخواست‌ها فایل ضمیمه می‌کنند
- جمنی روزانه بیش از ۱۵۰ میلیون تصویر تولید می‌کند
🔗 blog.google
---
💻 مایکروسافت مدل MAI-Code-1.1-Flash را برای GitHub Copilot منتشر کرد
مدل زبانی جدید مایکروسافت، چهار برابر ارزان‌تر از نسخه‌ی ژوئن است. این مدل در هر وظیفه ۲۵٪ توکن کمتری مصرف می‌کند و نرخ بقای کد (درصد کد تولیدی که در پروژه باقی می‌ماند) ۴٪ افزایش یافته است.
در تست‌ها، MAI-Code-1.1-Flash از نسخه‌ی قبلی، Haiku 4.5 و GPT-5.4 mini بهتر عمل کرده، اما از DeepSeek-V4-Flash در هر دو معیار امتیاز و قیمت عقب‌تر است. جالب اینکه مایکروسافت این مقایسه را فقط در گزارش فنی منتشر کرده و در بیانیه‌ی رسمی نیاورده است.
مایکروسافت به‌تدریج مدل‌های خود را جایگزین مدل‌های دیگر می‌کند و خانواده‌ی MAI به گزینه‌ی پیش‌فرض در سرویس‌های هوش مصنوعی این شرکت تبدیل می‌شود.
🔗 microsoft.ai
---
🎬 علی‌بابا مدلی برای انیمیشن‌سازی بلادرنگ شخصیت‌ها منتشر کرد
تیم Tongyi Lab وزن‌های مدل Wan-Animate-2 را به‌صورت متن‌باز منتشر کرده است. این مدل حرکت یک ویدئو را به شخصیت‌ها منتقل کرده و صحنه‌ی نهایی را از زوایای مختلف می‌سازد. مدل با نسبت‌های ابعادی غیرعادی و فرم‌های بدنی نامتعارف نیز به‌خوبی کار می‌کند.
نوآوری اصلی: حذف ریگینگ اسکلتی، تخمین ژست و فشرده‌سازی ویژگی‌های حرکت. مدل به‌طور مستقیم حرکت را با بدن شخصیت تطبیق می‌دهد. کیفیت آن مطابق ادعای علی‌بابا، در سطح Kling و Dreamina است.
وزن‌ها روی Hugging Face و ModelScope در دسترس است:
- نسخه‌ی کامل: برای ویدئوی ۷۲۰p به ۸ عدد A800 نیاز دارد
- نسخه‌ی Lite: برای دیجیتال آواتار و پخش زنده، با ۴ عدد H100 ویدئوی ۴۰۰×۷۲۰ را با ۲۴ فریم بر ثانیه تولید می‌کند
🔗 Wan-AI روی Hugging Face
---
🇪🇺 میسترال پلتفرم خود را به روی مدل‌های دیگر باز می‌کند
استارتاپ فرانسوی میسترال، میزبانی مدل‌های شخص ثالث را روی سرورهای خود آغاز کرده است. اولین مدل میزبان‌شده، GLM-5.2 است که با همان تضمین‌های حریم خصوصی و کنترل داده، روی زیرساخت میسترال اجرا می‌شود.
هم‌زمان، میسترال نقاط پایانی منطقه‌ای (Regional Endpoints) در اروپا و آمریکا را در دسترس عموم قرار داده و تعرفه‌ی اولویت‌دار با تضمین در دسترس بودن را راه‌اندازی کرده است.
تغییر استراتژی: «هوش مصنوعی مستقل» (Sovereign AI) از نظر میسترال، یعنی کنترل بر سرورها و قوانین پردازش داده، نه لزوماً آموزش مدل از صفر.
پیش‌تر مشخص شده بود که معماری Mistral Large 3 شباهت زیادی به DeepSeek V3 دارد. حالا کاربران در شبکه‌های اجتماعی شوخی می‌کنند که اروپا دیگر نیازی به بازبسته‌بندی مدل‌های آسیایی ندارد؛ کافی است سرورهای خود را در اختیار آنها بگذارد!
🔗 mistral.ai
---
#ChatGPT #Gemini #GitHubCopilot #WanAnimate #MistralAI #هوش_مصنوعی
🆔 @asrgooyeshpardaz
❤3👍3
⚡️ مدل Gemini 3.7 Flash رسید. با قیمت نصف و عملکرد بهتر
گوگل فقط سه هفته بعد از نسخه قبلی، مدل جدید Gemini 3.7 Flash را منتشر کرده. قیمت فعلی این مدل نصف نسخه قبلی است: ورودی ۰.۷۵ دلار و خروجی ۳.۷۵ دلار به ازای هر میلیون توکن. این قیمت تا پایان سال میلادی معتبر است.
---
💻 بهبودهای اصلی:
- کدنویسی و اشکال‌زدایی: عملکرد به‌طور چشمگیری بهتر شده
- ساخت اپ و طراحی: با پرامپت‌های کمتر، خروجی دقیق‌تر و باکیفیت‌تر
- درک اسناد پیچیده: در حوزه مالی، حقوقی و پزشکی پیشرفت قابل‌توجهی داشته
---
🤖 در کارهای خودکار و عاملی نیز بهتر شده و نیاز به مداخله دستی را کاهش داده.
---
✅ دسترسی: از طریق Google AI Studio، Android Studio و Gemini Enterprise در دسترس است.
---
#Gemini #Google #هوش_مصنوعی
🆔 @asrgooyeshpardaz
گوگل فقط سه هفته بعد از نسخه قبلی، مدل جدید Gemini 3.7 Flash را منتشر کرده. قیمت فعلی این مدل نصف نسخه قبلی است: ورودی ۰.۷۵ دلار و خروجی ۳.۷۵ دلار به ازای هر میلیون توکن. این قیمت تا پایان سال میلادی معتبر است.
---
💻 بهبودهای اصلی:
- کدنویسی و اشکال‌زدایی: عملکرد به‌طور چشمگیری بهتر شده
- ساخت اپ و طراحی: با پرامپت‌های کمتر، خروجی دقیق‌تر و باکیفیت‌تر
- درک اسناد پیچیده: در حوزه مالی، حقوقی و پزشکی پیشرفت قابل‌توجهی داشته
---
🤖 در کارهای خودکار و عاملی نیز بهتر شده و نیاز به مداخله دستی را کاهش داده.
---
✅ دسترسی: از طریق Google AI Studio، Android Studio و Gemini Enterprise در دسترس است.
---
#Gemini #Google #هوش_مصنوعی
🆔 @asrgooyeshpardaz
❤🔥5🤔3🔥2❤1
📚 دوره‌ای عالی برای مدیریت حرفه‌ای عامل‌های هوش مصنوعی
اگر می‌خواهید از عامل‌های کدنویسی مثل Codex و Claude Code بیشترین بهره را ببرید، این دوره دقیقاً برای شماست! 🎯
---
👾 در این دوره چه چیزهایی یاد می‌گیرید؟
🔹 ساخت هارنس (Harness) حرفه‌ای دور عامل‌ها
🔹 ذخیره‌سازی وضعیت بین جلسات مختلف
🔹 تعیین محدودیت‌ها و مرزهای کاری برای عامل
🔹 جلوگیری از پایان‌دادن زودهنگام به وظایف
🔹 بررسی و تأیید خروجی‌های نهایی
---
📚 محتوای دوره:
✅ ۱۳ جلسه با تمرینات عملی
✅ چندین پروژه‌ی کاربردی
✅ قالب‌های آماده برای استفاده در پروژه‌های خودتان
---
با این دوره، کنترل کامل روی عامل‌های خود خواهید داشت و مانند یک حرفه‌ای آنها را مدیریت می‌کنید. 😎
🧑🏫https://walkinglabs.github.io/learn-harness-engineering/en/
---
#آموزش_هوش_مصنوعی #عامل_هوشمند #مهندسی_هارنس
🆔 @asrgooyeshpardaz
اگر می‌خواهید از عامل‌های کدنویسی مثل Codex و Claude Code بیشترین بهره را ببرید، این دوره دقیقاً برای شماست! 🎯
---
👾 در این دوره چه چیزهایی یاد می‌گیرید؟
🔹 ساخت هارنس (Harness) حرفه‌ای دور عامل‌ها
🔹 ذخیره‌سازی وضعیت بین جلسات مختلف
🔹 تعیین محدودیت‌ها و مرزهای کاری برای عامل
🔹 جلوگیری از پایان‌دادن زودهنگام به وظایف
🔹 بررسی و تأیید خروجی‌های نهایی
---
📚 محتوای دوره:
✅ ۱۳ جلسه با تمرینات عملی
✅ چندین پروژه‌ی کاربردی
✅ قالب‌های آماده برای استفاده در پروژه‌های خودتان
---
با این دوره، کنترل کامل روی عامل‌های خود خواهید داشت و مانند یک حرفه‌ای آنها را مدیریت می‌کنید. 😎
🧑🏫https://walkinglabs.github.io/learn-harness-engineering/en/
---
#آموزش_هوش_مصنوعی #عامل_هوشمند #مهندسی_هارنس
🆔 @asrgooyeshpardaz
walkinglabs.github.io
Welcome to Learn Harness Engineering | Learn Harness Engineering
A project-based course on designing the environments, state, verification, and control systems that make Codex and Claude Code reliable.
❤1
🐋 مدل DeepSeek V4-Pro؛ نتایج نزدیک به غول‌های جهان!
مدل DeepSeek نسخه نهایی مدل پرچم‌دارش را منتشر کرده. این مدل حالا به مدل‌های بزرگی مثل GPT-5.6 Sol و Fable 5 نزدیک شده. 😳
---
🚀 پیشرفت باورنکردنی در کدنویسی:
- بنچمارک DeepSWE: از ۱۲.۸٪ به ۶۲.۷٪ (حدود ۵ برابر بهتر!)
- بنچمارک Terminal Bench: از ۷۲.۱٪ به ۸۷.۹٪
---
🧠 قابلیت جدید: تنظیم عمق استدلال
می‌توانید میزان فکر کردن مدل را در سه سطح کم، زیاد و حداکثر تنظیم کنید.
---
📊 در برخی تست‌ها از Claude Opus 4.8، Kimi K3 و GLM-5.2 جلو زده.
---
🔌 پشتیبانی از API مخصوص OpenAI برای راحتی توسعه‌دهندگان
---
📱 هم‌اکنون در اپ، وب‌سایت و API در دسترس است.
چینی‌ها باز هم غافلگیر کردند! 👍
---
#DeepSeek #V4Pro #هوش_مصنوعی
🆔 @asrgooyeshpardaz
مدل DeepSeek نسخه نهایی مدل پرچم‌دارش را منتشر کرده. این مدل حالا به مدل‌های بزرگی مثل GPT-5.6 Sol و Fable 5 نزدیک شده. 😳
---
🚀 پیشرفت باورنکردنی در کدنویسی:
- بنچمارک DeepSWE: از ۱۲.۸٪ به ۶۲.۷٪ (حدود ۵ برابر بهتر!)
- بنچمارک Terminal Bench: از ۷۲.۱٪ به ۸۷.۹٪
---
🧠 قابلیت جدید: تنظیم عمق استدلال
می‌توانید میزان فکر کردن مدل را در سه سطح کم، زیاد و حداکثر تنظیم کنید.
---
📊 در برخی تست‌ها از Claude Opus 4.8، Kimi K3 و GLM-5.2 جلو زده.
---
🔌 پشتیبانی از API مخصوص OpenAI برای راحتی توسعه‌دهندگان
---
📱 هم‌اکنون در اپ، وب‌سایت و API در دسترس است.
چینی‌ها باز هم غافلگیر کردند! 👍
---
#DeepSeek #V4Pro #هوش_مصنوعی
🆔 @asrgooyeshpardaz
❤12👏3👎2🔥1
👂 معرفی AgenticASR: تشخیص گفتار با قابلیت اصلاح تعاملی و سنجش معنایی
تشخیص گفتار معمولاً یک فرایند یک‌باره است، اما در دنیای واقعی انسان‌ها با پرسش و اصلاح، خطاها را برطرف می‌کنند. مقاله‌ی جدید AgenticASR این روش را به تشخیص گفتار آورده و آن را به یک فرایند چندمرحله‌ای و تعاملی تبدیل کرده است.
---
🎯 مشکل کجاست؟
🔹 معیار اشتباه: نرخ خطای کلمه (WER) همه کلمات را یکسان می‌بیند، در حالی که یک اشتباه در اسم یا عدد، بسیار مهم‌تر از یک حرف بی‌ربط است.
🔹 عدم تعامل: سیستم‌های فعلی اجازه‌ی اصلاح خطا را در حین کار نمی‌دهند.
---
🔄 راه‌حل AgenticASR
تشخیص گفتار به‌عنوان یک چرخه‌ی تعاملی طراحی شده:
🔹 مرحله‌ی اول: مدل ASR متن اولیه را تولید می‌کند.
🔹 مرحله‌ی اصلاح: یک عامل نقش کاربر را بازی کرده و بازخورد انسانی (مثلاً «نه، اسم Megan است») را شبیه‌سازی می‌کند.
🔹 مرحله‌ی بازنویسی: عامل دیگر، متن تشخیص‌داده‌شده را بر اساس بازخورد ویرایش می‌کند.
🔹 تکرار: این چرخه تا رسیدن به دقت مطلوب ادامه می‌یابد.
---
📊 معیار جدید S²ER به‌جای WER
این معیار با استفاده از LLM-as-a-Judge، خطاها را بر اساس تأثیر بر معنی جمله می‌سنجد. نتایج نشان می‌دهد با هر دور اصلاح، خطاهای معنایی به‌شدت کاهش می‌یابند.
دستاوردهای عددی در بنچمارک‌های مختلف:
پس از ۱۰ دور اصلاح، نرخ خطای معنایی در بنچمارک GigaSpeech (انگلیسی) از حدود ۲۱.۵ درصد به کمتر از ۳.۵ درصد کاهش یافته است. در بنچمارک WenetSpeech (چینی) این مقدار از حدود ۱۹.۵ درصد به ۱.۸ درصد رسیده است. برای داده‌های اسم‌خاص، خطا از ۱۷ تا ۲۰ درصد به حدود ۲ درصد کاهش پیدا کرده و در سناریوی کد-سوییچینگ (ترکیب زبان‌ها)، خطا از ۲۸.۶ درصد به ۱.۴ درصد رسیده است. به‌طور میانگین، هر دور اصلاح، خطاهای معنایی را بیش از ۵۰ درصد کاهش می‌دهد.
---
💡 اهمیت موضوع
- این روش، تشخیص گفتار را به یک گفتگوی تعاملی تبدیل می‌کند.
- خطاهای معنایی را که در WER سنتی پنهان می‌مانند، شناسایی و اصلاح می‌کند.
- زمینه‌ساز نسل جدیدی از دستیارهای صوتی هوشمند و قابل‌اعتماد است.
---
🔗 لینک‌های مفید
📄 مقاله:
https://arxiv.org/abs/2604.09121
💻 کد منبع:
https://github.com/InteractiveASR/AgenticASR
---
#پردازش_گفتار #بازشناسی_گفتار #عامل_هوشمند #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
تشخیص گفتار معمولاً یک فرایند یک‌باره است، اما در دنیای واقعی انسان‌ها با پرسش و اصلاح، خطاها را برطرف می‌کنند. مقاله‌ی جدید AgenticASR این روش را به تشخیص گفتار آورده و آن را به یک فرایند چندمرحله‌ای و تعاملی تبدیل کرده است.
---
🎯 مشکل کجاست؟
🔹 معیار اشتباه: نرخ خطای کلمه (WER) همه کلمات را یکسان می‌بیند، در حالی که یک اشتباه در اسم یا عدد، بسیار مهم‌تر از یک حرف بی‌ربط است.
🔹 عدم تعامل: سیستم‌های فعلی اجازه‌ی اصلاح خطا را در حین کار نمی‌دهند.
---
🔄 راه‌حل AgenticASR
تشخیص گفتار به‌عنوان یک چرخه‌ی تعاملی طراحی شده:
🔹 مرحله‌ی اول: مدل ASR متن اولیه را تولید می‌کند.
🔹 مرحله‌ی اصلاح: یک عامل نقش کاربر را بازی کرده و بازخورد انسانی (مثلاً «نه، اسم Megan است») را شبیه‌سازی می‌کند.
🔹 مرحله‌ی بازنویسی: عامل دیگر، متن تشخیص‌داده‌شده را بر اساس بازخورد ویرایش می‌کند.
🔹 تکرار: این چرخه تا رسیدن به دقت مطلوب ادامه می‌یابد.
---
📊 معیار جدید S²ER به‌جای WER
این معیار با استفاده از LLM-as-a-Judge، خطاها را بر اساس تأثیر بر معنی جمله می‌سنجد. نتایج نشان می‌دهد با هر دور اصلاح، خطاهای معنایی به‌شدت کاهش می‌یابند.
دستاوردهای عددی در بنچمارک‌های مختلف:
پس از ۱۰ دور اصلاح، نرخ خطای معنایی در بنچمارک GigaSpeech (انگلیسی) از حدود ۲۱.۵ درصد به کمتر از ۳.۵ درصد کاهش یافته است. در بنچمارک WenetSpeech (چینی) این مقدار از حدود ۱۹.۵ درصد به ۱.۸ درصد رسیده است. برای داده‌های اسم‌خاص، خطا از ۱۷ تا ۲۰ درصد به حدود ۲ درصد کاهش پیدا کرده و در سناریوی کد-سوییچینگ (ترکیب زبان‌ها)، خطا از ۲۸.۶ درصد به ۱.۴ درصد رسیده است. به‌طور میانگین، هر دور اصلاح، خطاهای معنایی را بیش از ۵۰ درصد کاهش می‌دهد.
---
💡 اهمیت موضوع
- این روش، تشخیص گفتار را به یک گفتگوی تعاملی تبدیل می‌کند.
- خطاهای معنایی را که در WER سنتی پنهان می‌مانند، شناسایی و اصلاح می‌کند.
- زمینه‌ساز نسل جدیدی از دستیارهای صوتی هوشمند و قابل‌اعتماد است.
---
🔗 لینک‌های مفید
📄 مقاله:
https://arxiv.org/abs/2604.09121
💻 کد منبع:
https://github.com/InteractiveASR/AgenticASR
---
#پردازش_گفتار #بازشناسی_گفتار #عامل_هوشمند #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
arXiv.org
Interactive ASR: Towards Human-Like Interaction and Semantic...
Recent years have witnessed remarkable progress in automatic speech recognition (ASR), driven by advances in model architectures and large-scale training data. However, two important aspects...
❤3
⚠️ داستان واقعی یاغی شدن هوش مصنوعی از زبان یحیی طباطبایی!
از آزمایش‌های امنیتی شرکت‌های بزرگ تا یک اتفاق عجیب در زندگی روزمره که نشون میده یک عامل هوش مصنوعی چطور برای انجام مأموریتش، تصمیماتی می‌گیره که برای ما انسان‌ها غیرقابل قبوله.
آیا هوش مصنوعی روزی از کنترل خارج می‌شه؟
این ویدیو رو از دست ندید! 👇
🎞https://www.youtube.com/watch?v=-sIjeXdoCxU
🆔 @asrgooyeshpardaz
از آزمایش‌های امنیتی شرکت‌های بزرگ تا یک اتفاق عجیب در زندگی روزمره که نشون میده یک عامل هوش مصنوعی چطور برای انجام مأموریتش، تصمیماتی می‌گیره که برای ما انسان‌ها غیرقابل قبوله.
آیا هوش مصنوعی روزی از کنترل خارج می‌شه؟
این ویدیو رو از دست ندید! 👇
🎞https://www.youtube.com/watch?v=-sIjeXdoCxU
🆔 @asrgooyeshpardaz
YouTube
داستان واقعی یاغی شدن هوش مصنوعی!
در این ویدئو دو داستان واقعی از رفتارهای عجیب ایجینت‌های هوش مصنوعی را بررسی می‌کنم؛ از آزمایش‌های امنیتی شرکت‌های بزرگ هوش مصنوعی گرفته تا یک اتفاق واقعی در زندگی روزمره که نشان می‌دهد یک عامل هوش مصنوعی چگونه می‌تواند برای انجام مأموریتش تصمیم‌هایی بگیرد…
❤3
🎵 مدل MiDashengLM-Gen: تولید صحنه‌های صوتی یکپارچه با ترکیب LLM و تطبیق جریان
محققان شیائومی مدلی به نام MiDashengLM-Gen معرفی کرده‌اند که می‌تواند صحنه‌های صوتی ترکیبی شامل گفتار، موسیقی، افکت‌های صوتی و فضای محیطی را به‌صورت هم‌زمان و منسجم تولید کند. این مدل برخلاف رویکردهای قبلی که از چندین پاییپ‌لاین جداگانه استفاده می‌کردند، همه‌چیز را در یک فریم‌ورک یکپارچه انجام می‌دهد.
---
✨ ویژگی‌های برجسته
🔹 تولید خودبازگشتی با تطبیق جریان در سطح توکن: ترکیبی از مدل‌سازی دنباله‌ای LLM و تولید مبتنی بر جریان، با قابلیت تولید طول متغیر از طریق یک سر توقف یادگیرنده
🔹 تولید بردارهای صوتی ۷۶۸ بعدی با فرکانس ۲۵ هرتز شرط‌شده بر وضعیت‌های پنهان LLM، بدون افت کیفیت ناشی از کوانتیزاسیون
🔹 پیش‌آموزش هم‌ترازی متن-صدا برای پر کردن شکاف بین دو مدالیته
🔹 قابلیت گفتار با کیفیت بالا همراه با تولید صحنه‌های صوتی ترکیبی، و پشتیبانی از ۹ زبان با کنترل احساسات
---
⚙️ معماری فنی
این مدل از سه جزء اصلی تشکیل شده است:
- رمزگشای صوتی (DashengTokenizer): بردارهای ۷۶۸ بعدی با نرخ ۲۵ هرتز تولید می‌کند که توسط یک پروژکتور صوتی به نرخ ۵ هرتز کاهش می‌یابد.
- ستون فقرات LLM (Qwen3-1.7B): به‌طور کامل تنظیم دقیق (Fine-Tune) شده است.
- شبکه تطبیق جریان (DiT 16 لایه): با ابعاد پنهان ۲۰۴۸، ۸ هد و نسبت MLP 4.0
در زمان استنتاج، از حلگر ODE اویلر با ۱۰ گام و راهنمایی بدون طبقه‌بندی (CFG) با مقیاس ۲.۰ استفاده می‌شود. خروجی نهایی، فایل صوتی مونو با کیفیت ۱۶ کیلوهرتز است.
---
📊 عملکرد چشمگیر در بنچمارک‌ها
کیفیت گفتار (Seed-TTS):
- نرخ خطای کلمه (WER) انگلیسی از ۱۲.۱۵٪ به ۲.۷۹٪ کاهش یافته که به عملکرد سیستم‌های تخصصی تبدیل متن به گفتار (TTS) با نرخ خطای ۱.۲۴٪ بسیار نزدیک شده است.
کیفیت صحنه‌های صوتی ترکیبی (MECAT):
- مدل عملکردی رقابتی با روش‌های پیشین در تولید صحنه‌های ترکیبی دارد.
پشتیبانی چندزبانه:
- مدل در ۹ زبان عملکرد رقابتی با سیستم‌های پایه از خود نشان داده است.
---
📝 نحوه‌ی استفاده
ورودی مدل، یک توضیح ساختاریافته با استفاده از توکن‌های ویژه است:
مثال ورودی:
برای هر بخشی که وجود ندارد، از
---
🔧 نصب و راه‌اندازی سریع
کد پایتون
---
🔗 لینک‌های مفید
📄 مقاله:
https://arxiv.org/abs/2608.11804
💻 کد منبع:
https://github.com/xiaomi-research/midashenglm-gen
🤗 مدل در Hugging Face:
https://huggingface.co/mispeech/midashenglm-gen
🌐 صفحه‌ی دمو:
https://xiaomi-research.github.io/midashenglm-gen
---
#پردازش_صدا #تولید_صدا #پژوهش_هوش_مصنوعی #شیائومی
🆔 @asrgooyeshpardaz
محققان شیائومی مدلی به نام MiDashengLM-Gen معرفی کرده‌اند که می‌تواند صحنه‌های صوتی ترکیبی شامل گفتار، موسیقی، افکت‌های صوتی و فضای محیطی را به‌صورت هم‌زمان و منسجم تولید کند. این مدل برخلاف رویکردهای قبلی که از چندین پاییپ‌لاین جداگانه استفاده می‌کردند، همه‌چیز را در یک فریم‌ورک یکپارچه انجام می‌دهد.
---
✨ ویژگی‌های برجسته
🔹 تولید خودبازگشتی با تطبیق جریان در سطح توکن: ترکیبی از مدل‌سازی دنباله‌ای LLM و تولید مبتنی بر جریان، با قابلیت تولید طول متغیر از طریق یک سر توقف یادگیرنده
🔹 تولید بردارهای صوتی ۷۶۸ بعدی با فرکانس ۲۵ هرتز شرط‌شده بر وضعیت‌های پنهان LLM، بدون افت کیفیت ناشی از کوانتیزاسیون
🔹 پیش‌آموزش هم‌ترازی متن-صدا برای پر کردن شکاف بین دو مدالیته
🔹 قابلیت گفتار با کیفیت بالا همراه با تولید صحنه‌های صوتی ترکیبی، و پشتیبانی از ۹ زبان با کنترل احساسات
---
⚙️ معماری فنی
این مدل از سه جزء اصلی تشکیل شده است:
- رمزگشای صوتی (DashengTokenizer): بردارهای ۷۶۸ بعدی با نرخ ۲۵ هرتز تولید می‌کند که توسط یک پروژکتور صوتی به نرخ ۵ هرتز کاهش می‌یابد.
- ستون فقرات LLM (Qwen3-1.7B): به‌طور کامل تنظیم دقیق (Fine-Tune) شده است.
- شبکه تطبیق جریان (DiT 16 لایه): با ابعاد پنهان ۲۰۴۸، ۸ هد و نسبت MLP 4.0
در زمان استنتاج، از حلگر ODE اویلر با ۱۰ گام و راهنمایی بدون طبقه‌بندی (CFG) با مقیاس ۲.۰ استفاده می‌شود. خروجی نهایی، فایل صوتی مونو با کیفیت ۱۶ کیلوهرتز است.
---
📊 عملکرد چشمگیر در بنچمارک‌ها
کیفیت گفتار (Seed-TTS):
- نرخ خطای کلمه (WER) انگلیسی از ۱۲.۱۵٪ به ۲.۷۹٪ کاهش یافته که به عملکرد سیستم‌های تخصصی تبدیل متن به گفتار (TTS) با نرخ خطای ۱.۲۴٪ بسیار نزدیک شده است.
کیفیت صحنه‌های صوتی ترکیبی (MECAT):
- مدل عملکردی رقابتی با روش‌های پیشین در تولید صحنه‌های ترکیبی دارد.
پشتیبانی چندزبانه:
- مدل در ۹ زبان عملکرد رقابتی با سیستم‌های پایه از خود نشان داده است.
---
📝 نحوه‌ی استفاده
ورودی مدل، یک توضیح ساختاریافته با استفاده از توکن‌های ویژه است:
مثال ورودی:
<|caption|> یک کمدین در حال اجرای طنز با صدای خنده جمعیت و موسیقی جاز
<|asr|> و به همین دلیل است که من هرگز چمدان ارزان نمی‌خرم!
<|speech|> صدای مرد کمدین با لحن رسا
<|music|> ضربه‌ی ناگهانی گروه جاز
<|sfx|> صدای خنده‌ی جمعیت
<|env|> محیط صمیمی کلوپ کمدی
برای هر بخشی که وجود ندارد، از
<|unknown|> استفاده کنید.---
🔧 نصب و راه‌اندازی سریع
pip install torch torchaudio "transformers>=4.51" einops safetensors soundfile tqdm numpy x-transformers
کد پایتون
from transformers import AutoModel
import soundfile as sf
model = AutoModel.from_pretrained("mispeech/midashenglm-gen", trust_remote_code=True)
model = model.cuda()
result = model.generate("...") # متن ورودی
sf.write("output.wav", result["audio"], result["sample_rate"])
---
🔗 لینک‌های مفید
📄 مقاله:
https://arxiv.org/abs/2608.11804
💻 کد منبع:
https://github.com/xiaomi-research/midashenglm-gen
🤗 مدل در Hugging Face:
https://huggingface.co/mispeech/midashenglm-gen
🌐 صفحه‌ی دمو:
https://xiaomi-research.github.io/midashenglm-gen
---
#پردازش_صدا #تولید_صدا #پژوهش_هوش_مصنوعی #شیائومی
🆔 @asrgooyeshpardaz
arXiv.org
MiDashengLM-Gen: Unified Audio Scene Generation via LLM-Driven...
Generating coherent audio scenes that simultaneously blend speech, music, and sound effects remains a significant challenge. Current approaches typically rely on a disjointed pipeline where a...
👍1
🎵 معرفی MiniMax Music 3؛ مدل متن‌باز تولید موسیقی با آواز
شرکت MiniMax وزن‌های مدل جدید خود را برای تولید موسیقی منتشر کرده است. این مدل می‌تواند قطعات کامل تا ۵ دقیقه با کیفیت ۳۲ کیلوهرتز استریو و فرمت ۱۶-bit WAV تولید کند. 🎶
---
🧩 نحوه‌ی کار با مدل
ورودی مدل شامل دو بخش اصلی است:
- متن آهنگ (با تگ‌هایی مثل
- توضیحات موسیقی (ژانر، سرعت، گام، نوع آکورد و...)
اگر حوصله‌ی نوشتن دستی ندارید، می‌توانید از یک ابزار کمکی به نام music-caption-rewriter استفاده کنید تا پرامپت شما را بهینه‌سازی کند.
---
⚙️ معماری فنی در دو سطح
سطح اول: مدل جهانی (Global LLM)
- یک مدل Qwen3-8B که برای درک ساختار کلی موسیقی تنظیم شده است.
- این مدل، چارچوب اصلی آهنگ را طراحی می‌کند و قدم‌به‌قدم، اولین کتاب‌کد صوتی (از ۱۶,۳۸۴ رمز) را پیش‌بینی می‌کند.
سطح دوم: مدل محلی (Local LLM)
- یک مدل ۰.۶ میلیارد پارامتری که در هر مرحله، ۷ کتاب‌کد صوتی دیگر را برای جزئیات دقیق صدا تولید می‌کند.
برخلاف روش‌های معمول که صدا را مستقیماً از توکن‌های گسسته کد می‌کنند، این مدل از روشی جدید استفاده می‌کند: ادغام حالات پنهان هر دو مدل و سپس عبور دادن آنها از یک زنجیره‌ی تولید شامل Flow Matching، Flow-VAE و در نهایت رمزگشا برای خروجی نهایی با کیفیت بالا.
---
💻 دسترسی و سخت‌افزار موردنیاز
- اجرا با SGLang، HuggingFace Diffusers و ComfyUI
- نسخه کامل: ۲۴ گیگابایت VRAM
- با فعال‌سازی CPU offloading: حدود ۲۲ گیگابایت
- با استریمینگ لایه‌به‌لایه: روی کارت‌های ۸ گیگابایت هم اجرا می‌شود (اما کندتر)
---
⚠️ محدودیت‌ها
🔸 پشتیبانی ندارد از تولید جریانی (Streaming) – فقط خروجی کامل
🔸 حداکثر طول پرامپت: ۵,۰۰۰ توکن
🔸 حداکثر طول خروجی: ۹,۰۰۰ فریم صوتی (حدود ۵ دقیقه)
---
📌 مجوز: MiniMax-Music3 Community License
---
🔗 لینک‌های مفید
🔹 صفحه‌ی پروژه
🔹 وزن‌های مدل
🔹 دموی آنلاین
🔹 گیت‌هاب
---
#MiniMax #موسیقی_با_هوش_مصنوعی #تولید_موسیقی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
شرکت MiniMax وزن‌های مدل جدید خود را برای تولید موسیقی منتشر کرده است. این مدل می‌تواند قطعات کامل تا ۵ دقیقه با کیفیت ۳۲ کیلوهرتز استریو و فرمت ۱۶-bit WAV تولید کند. 🎶
---
🧩 نحوه‌ی کار با مدل
ورودی مدل شامل دو بخش اصلی است:
- متن آهنگ (با تگ‌هایی مثل
[Chorus] یا [Solo])- توضیحات موسیقی (ژانر، سرعت، گام، نوع آکورد و...)
اگر حوصله‌ی نوشتن دستی ندارید، می‌توانید از یک ابزار کمکی به نام music-caption-rewriter استفاده کنید تا پرامپت شما را بهینه‌سازی کند.
---
⚙️ معماری فنی در دو سطح
سطح اول: مدل جهانی (Global LLM)
- یک مدل Qwen3-8B که برای درک ساختار کلی موسیقی تنظیم شده است.
- این مدل، چارچوب اصلی آهنگ را طراحی می‌کند و قدم‌به‌قدم، اولین کتاب‌کد صوتی (از ۱۶,۳۸۴ رمز) را پیش‌بینی می‌کند.
سطح دوم: مدل محلی (Local LLM)
- یک مدل ۰.۶ میلیارد پارامتری که در هر مرحله، ۷ کتاب‌کد صوتی دیگر را برای جزئیات دقیق صدا تولید می‌کند.
برخلاف روش‌های معمول که صدا را مستقیماً از توکن‌های گسسته کد می‌کنند، این مدل از روشی جدید استفاده می‌کند: ادغام حالات پنهان هر دو مدل و سپس عبور دادن آنها از یک زنجیره‌ی تولید شامل Flow Matching، Flow-VAE و در نهایت رمزگشا برای خروجی نهایی با کیفیت بالا.
---
💻 دسترسی و سخت‌افزار موردنیاز
- اجرا با SGLang، HuggingFace Diffusers و ComfyUI
- نسخه کامل: ۲۴ گیگابایت VRAM
- با فعال‌سازی CPU offloading: حدود ۲۲ گیگابایت
- با استریمینگ لایه‌به‌لایه: روی کارت‌های ۸ گیگابایت هم اجرا می‌شود (اما کندتر)
---
⚠️ محدودیت‌ها
🔸 پشتیبانی ندارد از تولید جریانی (Streaming) – فقط خروجی کامل
🔸 حداکثر طول پرامپت: ۵,۰۰۰ توکن
🔸 حداکثر طول خروجی: ۹,۰۰۰ فریم صوتی (حدود ۵ دقیقه)
---
📌 مجوز: MiniMax-Music3 Community License
---
🔗 لینک‌های مفید
🔹 صفحه‌ی پروژه
🔹 وزن‌های مدل
🔹 دموی آنلاین
🔹 گیت‌هاب
---
#MiniMax #موسیقی_با_هوش_مصنوعی #تولید_موسیقی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
MiniMax
Building AGI with our mission Intelligence with Everyone. Global leader in multi-modal models and AI-native products with over 200 million users.
❤4🔥1
🔍 مدل GLM 5.3 در ۲۶۹ پروژه متن‌باز، ۲۴۳۶ آسیب‌پذیری اصلاح‌نشده کشف کرد!
پروژه‌ی Project Glasswing (Mythos) که برای یافتن باگ‌ها طراحی شده بود، به‌تازگی توسط مدل جدید GLM 5.3 به‌چالش کشیده شد. نتیجه؟ یک کشف عظیم و هشداردهنده! 🚨
---
📊 آمار و ارقام کلیدی:
🔹 ۱۰۹۷ آسیب‌پذیری با درجه‌ی بحرانی و بالا 🚨
🔹 میانگین سن باگ‌ها: ۲۶ سال (قدیمی‌ترین آنها مربوط به ۱۹۸۱، یعنی ۴۵ سال پیش است!) 📅
🔹 ۲۳۸۳ مورد از این آسیب‌پذیری‌ها هنوز عمومی نشده‌اند 🤫
🔹 این باگ‌ها در ۲۶۹ پروژه‌ی متن‌باز مختلف پیدا شده‌اند
---
🚨 چرا این خبر مهم است؟
این آسیب‌پذیری‌های «بسیار قدیمی» احتمالاً سال‌هاست که توسط آژانس‌های اطلاعاتی و هکرها شناسایی و مخفیانه استفاده می‌شده‌اند. وجود چنین باگ‌هایی با قدمت چندین دهه، نشان‌دهنده‌ی شکاف عمیق در امنیت نرم‌افزارهای متن‌باز است.
مدل GLM 5.3 نشان داده که قدرت تحلیلی مدل‌های جدید، می‌تواند حفره‌های امنیتی را با سرعت و دقتی بی‌سابقه کشف کند؛ چیزی که شاید سال‌ها از چشم پروژه‌های انسانی پنهان مانده بود.
---
🔗 منبع و اطلاعات بیشتر:
https://cvd.z.ai/
---
#امنیت_سایبری #آسیب‌پذیری #متن‌باز #پژوهش_امنیت
🆔 @asrgooyeshpardaz
پروژه‌ی Project Glasswing (Mythos) که برای یافتن باگ‌ها طراحی شده بود، به‌تازگی توسط مدل جدید GLM 5.3 به‌چالش کشیده شد. نتیجه؟ یک کشف عظیم و هشداردهنده! 🚨
---
📊 آمار و ارقام کلیدی:
🔹 ۱۰۹۷ آسیب‌پذیری با درجه‌ی بحرانی و بالا 🚨
🔹 میانگین سن باگ‌ها: ۲۶ سال (قدیمی‌ترین آنها مربوط به ۱۹۸۱، یعنی ۴۵ سال پیش است!) 📅
🔹 ۲۳۸۳ مورد از این آسیب‌پذیری‌ها هنوز عمومی نشده‌اند 🤫
🔹 این باگ‌ها در ۲۶۹ پروژه‌ی متن‌باز مختلف پیدا شده‌اند
---
🚨 چرا این خبر مهم است؟
این آسیب‌پذیری‌های «بسیار قدیمی» احتمالاً سال‌هاست که توسط آژانس‌های اطلاعاتی و هکرها شناسایی و مخفیانه استفاده می‌شده‌اند. وجود چنین باگ‌هایی با قدمت چندین دهه، نشان‌دهنده‌ی شکاف عمیق در امنیت نرم‌افزارهای متن‌باز است.
مدل GLM 5.3 نشان داده که قدرت تحلیلی مدل‌های جدید، می‌تواند حفره‌های امنیتی را با سرعت و دقتی بی‌سابقه کشف کند؛ چیزی که شاید سال‌ها از چشم پروژه‌های انسانی پنهان مانده بود.
---
🔗 منبع و اطلاعات بیشتر:
https://cvd.z.ai/
---
#امنیت_سایبری #آسیب‌پذیری #متن‌باز #پژوهش_امنیت
🆔 @asrgooyeshpardaz
👍3
🚀 کرسر از Origin رونمایی کرد؛ رقیب جدید گیت‌هاب با تمرکز بر عامل‌های هوش مصنوعی
کرسر (Cursor)، محیط توسعه محبوب برنامه‌نویسی مبتنی بر هوش مصنوعی، از سرویس میزبانی کد جدید خود به نام Origin رونمایی کرده است. هدف اصلی Origin، تبدیل شدن به گیت‌هاب برای عامل‌های هوش مصنوعی است.
---
🔍 تفاوت اصلی با گیت‌هاب چیست؟
گیت‌هاب برای سرعت و جریان کار انسانی طراحی شده: یک توسعه‌دهنده، یک شاخه، و چند درخواست کشش (PR) در روز. اما عامل‌های هوش مصنوعی با سرعت بسیار بالاتری کد می‌نویسند و کامیت می‌زنند. برای نمونه، Cursor نشان داده که Origin می‌تواند ۲۲.۶ کامیت در ثانیه را در یک مخزن پردازش کند! این تفاوت اصلی است که Origin را از گیت‌هاب متمایز می‌کند.
---
✨ قابلیت‌های کلیدی Origin
🔹 ساخت مخزن از صفر یا همگام‌سازی با گیت‌هاب: می‌توانید مخازن جدید ایجاد کرده یا مخازن موجود گیت‌هاب را در کمتر از یک دقیقه همگام‌سازی کنید.
🔹 مدیریت PRها: مشاهده، بررسی و ادغام درخواست‌های کشش با قابلیت همگام‌سازی دوطرفه با گیت‌هاب (نظرات و واکنش‌ها در هر دو طرف دیده می‌شوند).
🔹 یکپارچه‌سازی هوش مصنوعی: عامل‌های کدنویسی Cursor مستقیماً در محیط Origin کار می‌کنند. می‌توانید از هوش مصنوعی درباره‌ی کد سؤال کنید، آن را تغییر دهد، PRها را به‌روز کند یا شاخه‌ها را تغییر دهد.
🔹 اکوسیستم یکپارچه‌سازی: اتصال به Vercel برای استقرار پیش‌نمایش خودکار هر PR، و همچنین یکپارچه‌سازی با ابزارهای CI/CD مثل Depot و Buildkite.
---
⚡️ حالت انتشار
سرویس Origin در حال حاضر به‌صورت بتای اولیه برای کاربران پلن‌های پولی در دسترس است. ویژگی‌های پیشرفته‌تر مخصوص عامل‌ها به‌زودی اضافه خواهند شد.
---
🔗 اطلاعات بیشتر:
https://cursor.com/changelog/origin-code-hosting
---
#Cursor #Origin #توسعه_نرم‌افزار #عامل_هوشمند
🆔 @asrgooyeshpardaz
کرسر (Cursor)، محیط توسعه محبوب برنامه‌نویسی مبتنی بر هوش مصنوعی، از سرویس میزبانی کد جدید خود به نام Origin رونمایی کرده است. هدف اصلی Origin، تبدیل شدن به گیت‌هاب برای عامل‌های هوش مصنوعی است.
---
🔍 تفاوت اصلی با گیت‌هاب چیست؟
گیت‌هاب برای سرعت و جریان کار انسانی طراحی شده: یک توسعه‌دهنده، یک شاخه، و چند درخواست کشش (PR) در روز. اما عامل‌های هوش مصنوعی با سرعت بسیار بالاتری کد می‌نویسند و کامیت می‌زنند. برای نمونه، Cursor نشان داده که Origin می‌تواند ۲۲.۶ کامیت در ثانیه را در یک مخزن پردازش کند! این تفاوت اصلی است که Origin را از گیت‌هاب متمایز می‌کند.
---
✨ قابلیت‌های کلیدی Origin
🔹 ساخت مخزن از صفر یا همگام‌سازی با گیت‌هاب: می‌توانید مخازن جدید ایجاد کرده یا مخازن موجود گیت‌هاب را در کمتر از یک دقیقه همگام‌سازی کنید.
🔹 مدیریت PRها: مشاهده، بررسی و ادغام درخواست‌های کشش با قابلیت همگام‌سازی دوطرفه با گیت‌هاب (نظرات و واکنش‌ها در هر دو طرف دیده می‌شوند).
🔹 یکپارچه‌سازی هوش مصنوعی: عامل‌های کدنویسی Cursor مستقیماً در محیط Origin کار می‌کنند. می‌توانید از هوش مصنوعی درباره‌ی کد سؤال کنید، آن را تغییر دهد، PRها را به‌روز کند یا شاخه‌ها را تغییر دهد.
🔹 اکوسیستم یکپارچه‌سازی: اتصال به Vercel برای استقرار پیش‌نمایش خودکار هر PR، و همچنین یکپارچه‌سازی با ابزارهای CI/CD مثل Depot و Buildkite.
---
⚡️ حالت انتشار
سرویس Origin در حال حاضر به‌صورت بتای اولیه برای کاربران پلن‌های پولی در دسترس است. ویژگی‌های پیشرفته‌تر مخصوص عامل‌ها به‌زودی اضافه خواهند شد.
---
🔗 اطلاعات بیشتر:
https://cursor.com/changelog/origin-code-hosting
---
#Cursor #Origin #توسعه_نرم‌افزار #عامل_هوشمند
🆔 @asrgooyeshpardaz
Cursor
Origin Code Hosting · Cursor
❤2👍1
❇️ مدل dots.tts به‌طور کامل متن‌باز شد
تیم Dots Studio از پلتفرم RedNote، مدل dots.tts را به‌صورت کامل متن‌باز منتشر کرده است. این یک مدل ۲ میلیارد پارامتری، کاملاً پیوسته و خودبازگشتی برای تبدیل متن به گفتار (TTS) است.
برخلاف سیستم‌های رایج که از توکن‌های صوتی گسسته استفاده می‌کنند، dots.tts گفتار را مستقیماً در یک فضای پیوسته‌ی نهان مدل‌سازی می‌کند. این رویکرد امکان شبیه‌سازی صدای بدون نیاز به نمونه‌های زیاد، تولید گفتار چندزبانه، خروجی‌های رسا و پخش جریانی بلادرنگ را فراهم می‌کند.
---
🌟 ویژگی‌های برجسته:
🔹 معماری کاملاً پیوسته: این مدل با ترکیب AudioVAE (با کیفیت ۴۸ کیلوهرتز)، رمزگذار معنایی، یک مدل زبانی بزرگ (LLM) و یک سر آکوستیک مبتنی بر تطبیق جریان خودبازگشتی، گفتار را به‌صورت پچ‌های پیوسته تولید می‌کند و توکن‌های گسسته را حذف می‌کند.
🔹 ثبات در بازه‌های طولانی: با استفاده از شرطی‌سازی بر کل تاریخچه، مدل انحراف (Drift) را در تولید خودبازگشتی کاهش می‌دهد و کیفیت را در خروجی‌های طولانی حفظ می‌کند.
🔹 پخش جریانی با تأخیر بسیار کم: فناوری MeanFlow باعث شده که مدل فقط با ۲ تا ۴ مرحله ارزیابی، تأخیر اولین بسته را به ۸۵ میلی‌ثانیه (در حالت خروجی جریانی) و ۵۴ میلی‌ثانیه (در حالت پخش دوگانه) برساند که برای مکالمات بلادرنگ عالی است.
🔹 شبیه‌سازی قوی صدا و چندزبانه: مدل روی ۱.۵ میلیون ساعت داده‌ی چندزبانه آموزش دیده و در ۲۴ زبان ارزیابی شده است.
---
🏆 عملکرد پیشرو در بنچمارک‌ها
مدل dots.tts در بنچمارک معروف Seed-TTS-Eval بهترین عملکرد متوسط را داشته است. روی داده‌های آزمایشی چینی، نرخ خطای کلمه ۰.۹۴٪ و شباهت گوینده ۸۱.۰، روی داده‌های انگلیسی نرخ خطای کلمه ۱.۳۰٪ و شباهت گوینده ۷۷.۱، و روی داده‌های سخت چینی نرخ خطای کلمه ۶.۶۰٪ و شباهت گوینده ۷۹.۵ ثبت شده است. همچنین در بنچمارک چندزبانه‌ی MiniMax، بالاترین میانگین شباهت گوینده (۸۳.۹) را کسب کرده است.
---
🚀 دسترسی و نصب
این پروژه با مجوز Apache 2.0 منتشر شده و شامل چک‌پوینت‌های از پیش‌آموزش‌دیده، پس‌آموزش‌دیده و تقطیرشده، به‌همراه کدهای آموزش، استنتاج و تنظیم دقیق است.
لینک‌های مفید:
- 💻 گیت‌هاب:
https://github.com/studio-dots-ai/dots.tts
- 🤗 مدل‌ها در Hugging Face:
https://huggingface.co/collections/dots-studio/dotstts
- 🎧 دموی آنلاین:
https://studio-dots-ai.github.io/dots.tts-demo/
- 📄 مقاله:
https://arxiv.org/abs/2606.07080
---
#dots.tts #تبدیل_متن_به_گفتار #هوش_مصنوعی #پردازش_گفتار
🆔 @asrgooyeshpardaz
تیم Dots Studio از پلتفرم RedNote، مدل dots.tts را به‌صورت کامل متن‌باز منتشر کرده است. این یک مدل ۲ میلیارد پارامتری، کاملاً پیوسته و خودبازگشتی برای تبدیل متن به گفتار (TTS) است.
برخلاف سیستم‌های رایج که از توکن‌های صوتی گسسته استفاده می‌کنند، dots.tts گفتار را مستقیماً در یک فضای پیوسته‌ی نهان مدل‌سازی می‌کند. این رویکرد امکان شبیه‌سازی صدای بدون نیاز به نمونه‌های زیاد، تولید گفتار چندزبانه، خروجی‌های رسا و پخش جریانی بلادرنگ را فراهم می‌کند.
---
🌟 ویژگی‌های برجسته:
🔹 معماری کاملاً پیوسته: این مدل با ترکیب AudioVAE (با کیفیت ۴۸ کیلوهرتز)، رمزگذار معنایی، یک مدل زبانی بزرگ (LLM) و یک سر آکوستیک مبتنی بر تطبیق جریان خودبازگشتی، گفتار را به‌صورت پچ‌های پیوسته تولید می‌کند و توکن‌های گسسته را حذف می‌کند.
🔹 ثبات در بازه‌های طولانی: با استفاده از شرطی‌سازی بر کل تاریخچه، مدل انحراف (Drift) را در تولید خودبازگشتی کاهش می‌دهد و کیفیت را در خروجی‌های طولانی حفظ می‌کند.
🔹 پخش جریانی با تأخیر بسیار کم: فناوری MeanFlow باعث شده که مدل فقط با ۲ تا ۴ مرحله ارزیابی، تأخیر اولین بسته را به ۸۵ میلی‌ثانیه (در حالت خروجی جریانی) و ۵۴ میلی‌ثانیه (در حالت پخش دوگانه) برساند که برای مکالمات بلادرنگ عالی است.
🔹 شبیه‌سازی قوی صدا و چندزبانه: مدل روی ۱.۵ میلیون ساعت داده‌ی چندزبانه آموزش دیده و در ۲۴ زبان ارزیابی شده است.
---
🏆 عملکرد پیشرو در بنچمارک‌ها
مدل dots.tts در بنچمارک معروف Seed-TTS-Eval بهترین عملکرد متوسط را داشته است. روی داده‌های آزمایشی چینی، نرخ خطای کلمه ۰.۹۴٪ و شباهت گوینده ۸۱.۰، روی داده‌های انگلیسی نرخ خطای کلمه ۱.۳۰٪ و شباهت گوینده ۷۷.۱، و روی داده‌های سخت چینی نرخ خطای کلمه ۶.۶۰٪ و شباهت گوینده ۷۹.۵ ثبت شده است. همچنین در بنچمارک چندزبانه‌ی MiniMax، بالاترین میانگین شباهت گوینده (۸۳.۹) را کسب کرده است.
---
🚀 دسترسی و نصب
این پروژه با مجوز Apache 2.0 منتشر شده و شامل چک‌پوینت‌های از پیش‌آموزش‌دیده، پس‌آموزش‌دیده و تقطیرشده، به‌همراه کدهای آموزش، استنتاج و تنظیم دقیق است.
لینک‌های مفید:
- 💻 گیت‌هاب:
https://github.com/studio-dots-ai/dots.tts
- 🤗 مدل‌ها در Hugging Face:
https://huggingface.co/collections/dots-studio/dotstts
- 🎧 دموی آنلاین:
https://studio-dots-ai.github.io/dots.tts-demo/
- 📄 مقاله:
https://arxiv.org/abs/2606.07080
---
#dots.tts #تبدیل_متن_به_گفتار #هوش_مصنوعی #پردازش_گفتار
🆔 @asrgooyeshpardaz
GitHub
GitHub - studio-dots-ai/dots.tts
Contribute to studio-dots-ai/dots.tts development by creating an account on GitHub.
❤1🔥1
🗣️ معرفی DualTurn: مدلی برای پیش‌بینی نوبت‌گیری طبیعی در مکالمات صوتی
سیستم‌های گفتگوی صوتی فعلی با یک چالش اساسی روبرو هستند: مدل‌های گفتار-به-گفتار (Speech-to-Speech) نوبت‌گیری طبیعی دارند اما از فراخوانی ابزار و استدلال پیچیده پشتیبانی نمی‌کنند، در حالی که سیستم‌های مبتنی بر ASR-LLM-TTS این قابلیت‌ها را دارند اما برای تشخیص پایان صحبت کاربر به تایم‌اوت سکوت متکی هستند که منجر به مکالمات غیرطبیعی می‌شود.
مدلDualTurn این شکاف را با یک رویکرد نوآورانه پر می‌کند. این مدل با پیش‌آموزش مولد روی صدای دوکاناله، دینامیک مکالمه را بدون نیاز به برچسب‌زنی یاد می‌گیرد و سپس برای پیش‌بینی سیگنال‌های نوبت‌گیری قابل‌تفسیر، تنظیم دقیق (Fine-Tune) می‌شود.
---
⚙️ معماری و عملکرد
مدل DualTurn با ۰.۵ میلیارد پارامتر (تنها ۹ میلیون پارامتر قابل‌آموزش با LoRA) روی یک CPU با تأخیر ۷۸ میلی‌ثانیه اجرا می‌شود. این مدل از معماری Qwen2.5-0.5B و رمزگشای Mimi برای پردازش صدای ۲۴ کیلوهرتز استفاده می‌کند.
🔹 ۱۲ سر طبقه‌بندی برای پیش‌بینی ۶ سیگنال در هر کانال:
سیگنال EOT (پایان صحبت با واگذاری نوبت)، HOLD (توقف با ادامه‌ی گوینده)، BOT (شروع صحبت پس از دیگری)، BC (بک‌چنل)، VAD (تشخیص فعالیت صوتی)، FVAD (پیش‌بینی فعالیت صوتی آینده)
🔹 ۵ اقدام عاملی برگرفته از این سیگنال‌ها:
شروع صحبت، ادامه‌ی گوش دادن، شروع گوش دادن، ادامه‌ی صحبت، بک‌چنل
---
📊 نتایج چشمگیر در بنچمارک‌ها
مدل DualTurn در مقایسه با مدل‌های قبلی عملکرد بسیار بهتری داشته است:
- در پیش‌بینی اقدامات عاملی، امتیاز wF1 مدل ۰.۶۳۳ در مقابل ۰.۳۸۹ برای مدل VAP بوده است.
- در پیش‌بینی نوبت در سطح کلمه، DualTurn با ۰.۹۳۰ امتیاز AUC از مدل ۳.۱ میلیاردی با ۰.۸۸۰ بهتر عمل کرده است.
- مدل DualTurn همچنین زودتر از مدل‌های دیگر پایان نوبت را پیش‌بینی می‌کند و تعداد قطع‌کردن‌های مکالمه را کاهش می‌دهد.
---
💡 چرا DualTurn ؟
این مدل یک پل عملی بین سیستم‌های گفتگوی طبیعی و دستیارهای هوشمند با قابلیت فراخوانی ابزار ایجاد می‌کند. با پیش‌بینی دقیق نوبت‌گیری، مکالمات روان‌تر و طبیعی‌تر می‌شوند و تجربه‌ی کاربری به‌شدت بهبود می‌یابد.
---
🔗 لینک‌های مفید
📦 گیت‌هاب:
https://github.com/anyreachai/dualturn
📄 مقاله:
https://arxiv.org/abs/2603.08216
🤗 چک‌پوینت‌های مدل:
https://huggingface.co/anyreach-ai/dualturn-qwen2.5-mimi-0.5B
---
#پردازش_گفتار #نوبت_گیری #عامل_هوشمند #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
سیستم‌های گفتگوی صوتی فعلی با یک چالش اساسی روبرو هستند: مدل‌های گفتار-به-گفتار (Speech-to-Speech) نوبت‌گیری طبیعی دارند اما از فراخوانی ابزار و استدلال پیچیده پشتیبانی نمی‌کنند، در حالی که سیستم‌های مبتنی بر ASR-LLM-TTS این قابلیت‌ها را دارند اما برای تشخیص پایان صحبت کاربر به تایم‌اوت سکوت متکی هستند که منجر به مکالمات غیرطبیعی می‌شود.
مدلDualTurn این شکاف را با یک رویکرد نوآورانه پر می‌کند. این مدل با پیش‌آموزش مولد روی صدای دوکاناله، دینامیک مکالمه را بدون نیاز به برچسب‌زنی یاد می‌گیرد و سپس برای پیش‌بینی سیگنال‌های نوبت‌گیری قابل‌تفسیر، تنظیم دقیق (Fine-Tune) می‌شود.
---
⚙️ معماری و عملکرد
مدل DualTurn با ۰.۵ میلیارد پارامتر (تنها ۹ میلیون پارامتر قابل‌آموزش با LoRA) روی یک CPU با تأخیر ۷۸ میلی‌ثانیه اجرا می‌شود. این مدل از معماری Qwen2.5-0.5B و رمزگشای Mimi برای پردازش صدای ۲۴ کیلوهرتز استفاده می‌کند.
🔹 ۱۲ سر طبقه‌بندی برای پیش‌بینی ۶ سیگنال در هر کانال:
سیگنال EOT (پایان صحبت با واگذاری نوبت)، HOLD (توقف با ادامه‌ی گوینده)، BOT (شروع صحبت پس از دیگری)، BC (بک‌چنل)، VAD (تشخیص فعالیت صوتی)، FVAD (پیش‌بینی فعالیت صوتی آینده)
🔹 ۵ اقدام عاملی برگرفته از این سیگنال‌ها:
شروع صحبت، ادامه‌ی گوش دادن، شروع گوش دادن، ادامه‌ی صحبت، بک‌چنل
---
📊 نتایج چشمگیر در بنچمارک‌ها
مدل DualTurn در مقایسه با مدل‌های قبلی عملکرد بسیار بهتری داشته است:
- در پیش‌بینی اقدامات عاملی، امتیاز wF1 مدل ۰.۶۳۳ در مقابل ۰.۳۸۹ برای مدل VAP بوده است.
- در پیش‌بینی نوبت در سطح کلمه، DualTurn با ۰.۹۳۰ امتیاز AUC از مدل ۳.۱ میلیاردی با ۰.۸۸۰ بهتر عمل کرده است.
- مدل DualTurn همچنین زودتر از مدل‌های دیگر پایان نوبت را پیش‌بینی می‌کند و تعداد قطع‌کردن‌های مکالمه را کاهش می‌دهد.
---
💡 چرا DualTurn ؟
این مدل یک پل عملی بین سیستم‌های گفتگوی طبیعی و دستیارهای هوشمند با قابلیت فراخوانی ابزار ایجاد می‌کند. با پیش‌بینی دقیق نوبت‌گیری، مکالمات روان‌تر و طبیعی‌تر می‌شوند و تجربه‌ی کاربری به‌شدت بهبود می‌یابد.
---
🔗 لینک‌های مفید
📦 گیت‌هاب:
https://github.com/anyreachai/dualturn
📄 مقاله:
https://arxiv.org/abs/2603.08216
🤗 چک‌پوینت‌های مدل:
https://huggingface.co/anyreach-ai/dualturn-qwen2.5-mimi-0.5B
---
#پردازش_گفتار #نوبت_گیری #عامل_هوشمند #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
GitHub
GitHub - anyreachai/dualturn: Official implementation of "DualTurn: Learning Turn-Taking from Dual-Channel Generative Speech Pretraining"…
Official implementation of "DualTurn: Learning Turn-Taking from Dual-Channel Generative Speech Pretraining" (Interspeech 2026) - anyreachai/dualturn
❤1