📊 معرفی DS-STAR؛ نسل جدید ایجنت‌های خودکار برای Data Science
🚀 گوگل از DS-STAR رونمایی کرد؛ ایجنتی که می‌تواند بسیاری از مراحل تحلیلی و مهندسی داده را به‌صورت تمام‌خودکار انجام دهد: از آمار و بصری‌سازی گرفته تا پیش‌پردازش و ساخت مدل‌های ML.
🔍 ویژگی‌های کلیدی
• پشتیبانی از انواع داده (CSV، JSON، متن، Markdown) 📁
• اجرای چرخه‌ی Plan → Code → Verify برای حل هر مسئله 🔄
• بهبود تدریجی راه‌حل با کمک LLM-Verifier برای جلوگیری از خطاها ✅
🏆 نتایج و بنچمارک‌ها
• رکورد جدید در DABStep با امتیاز 45.2٪ (در برابر 41.0٪ قبلی) 🥇
• عملکرد برتر روی KramaBench و DA-Code
• توانایی ویژه در سناریوهای پیچیده و چندمرحله‌ای 📈
💡 چرا مهم است؟
عامل DS-STAR بسیاری از کارهای وقت‌گیر و تخصصی Data Science را خودکار می‌کند و تحلیل‌های پیچیده را برای تیم‌ها سریع‌تر، ارزان‌تر و قابل‌اعتمادتر می‌سازد.
🔗 منبع:
https://research.google/blog/ds-star-a-state-of-the-art-versatile-data-science-agent/
#DataScience #AI #Google #Automation
@asrgooyeshpardaz
🚀 گوگل از DS-STAR رونمایی کرد؛ ایجنتی که می‌تواند بسیاری از مراحل تحلیلی و مهندسی داده را به‌صورت تمام‌خودکار انجام دهد: از آمار و بصری‌سازی گرفته تا پیش‌پردازش و ساخت مدل‌های ML.
🔍 ویژگی‌های کلیدی
• پشتیبانی از انواع داده (CSV، JSON، متن، Markdown) 📁
• اجرای چرخه‌ی Plan → Code → Verify برای حل هر مسئله 🔄
• بهبود تدریجی راه‌حل با کمک LLM-Verifier برای جلوگیری از خطاها ✅
🏆 نتایج و بنچمارک‌ها
• رکورد جدید در DABStep با امتیاز 45.2٪ (در برابر 41.0٪ قبلی) 🥇
• عملکرد برتر روی KramaBench و DA-Code
• توانایی ویژه در سناریوهای پیچیده و چندمرحله‌ای 📈
💡 چرا مهم است؟
عامل DS-STAR بسیاری از کارهای وقت‌گیر و تخصصی Data Science را خودکار می‌کند و تحلیل‌های پیچیده را برای تیم‌ها سریع‌تر، ارزان‌تر و قابل‌اعتمادتر می‌سازد.
🔗 منبع:
https://research.google/blog/ds-star-a-state-of-the-art-versatile-data-science-agent/
#DataScience #AI #Google #Automation
@asrgooyeshpardaz
Google Research
DS-STAR: A state-of-the-art versatile data science agent
DS-STAR is a state-of-the-art data science agent whose versatility is shown by its ability to automate a range of tasks — from statistical analysis to visualization and data wrangling — across various data types, culminating in a top-ranking performance on…
❤1🔥1👨💻1
🤖 ۸ کاربرد جالب مدل Jev: از بررسی کد تا دسته‌بندی مقالات
مدل Jev از شرکت TypeSafe AI، برخلاف مدل‌های زبانی معمول، به‌جای تولید متن، به پرسش‌های ساختاریافته پاسخ می‌دهد و تصمیم‌ها و احتمال‌ها را برمی‌گرداند. همین ویژگی آن را بسیار سریع‌تر و ارزان‌تر کرده است. در ادامه ۸ نمونه از کاربردهای واقعی آن را می‌بینید.
۱. بررسی درخواست‌های ادغام کد با هزینه نزدیک صفر
یک کاربر یک بررسی‌کننده کد ساخته که تفاوت‌های کد را به Jev می‌فرستد و ۱۴ بررسی (افشای رمز، تزریق SQL، تغییرات احراز هویت، تست‌های حذف‌شده و...) را در یک فراخوانی دریافت می‌کند. هزینه هر بررسی ۰.۰۰۰۰۷ دلار و زمان پاسخ حدود نیم ثانیه است. بررسی ۱۰۰۰ درخواست حدود ۷ سنت تمام می‌شود، در مقابل حدود ۱۴.۵ دلار با Opus 5.
۲. کنترل کامپیوتر
ابزاری به نام Third Hand با Jev در کمتر از یک ثانیه پاسخ می‌دهد و تقریباً بدون هزینه است. می‌تواند تصمیم بگیرد چه چیزی تایپ کند و نیازی به مدل زبانی جداگانه ندارد.
۳. یافتن لینک‌های داخلی در یک وب‌سایت
خواندن ۵۸۶ صفحه و بازسازی نقشه لینک‌های داخلی در ۴۵.۱ ثانیه با هزینه ۰.۲۱ دلار. ۵۸۴ لینک قرار داده و ۱۳۹ صفحه را بدون تطبیق مناسب رد کرده است.
۴. دسته‌بندی اسناد مالیاتی با حدود ۰.۰۰۱ دلار برای هر صفحه
یک طبقه‌بند اسناد مالیاتی با Jev ساخته شده که ۳۴ برابر ارزان‌تر و ۶ برابر سریع‌تر از خط لوله قبلی است. دقت ۱۰۰٪ روی ۳۱۴ صفحه فرم پرشده و ۷۵۳ صفحه خالی (با ۳۸ صفحه زیر آستانه اطمینان).
۵. بازی Subway Surfers در ۵۰ بازی هم‌زمان
یک کاربر Jev را برای بازی Subway Surfers با سرعت فوق‌بشری به کار برده و ۵۰ بازی را هم‌زمان اجرا کرده است. هزینه این اجرا کمتر از یک سنت بوده.
۶. پاک‌سازی سریع‌تر حافظه یک عامل
پروژه‌ای با Jev تاریخچه مکالمه عامل را فشرده می‌کند، تماس‌های ابزار و نتایج را نمره‌دهی کرده و مطالب غیرضروری را حذف یا کوتاه می‌کند، بدون تغییر در متن اصلی.
۷. ربات معاملاتی
یک ربات با Jev تصمیم می‌گیرد از یک جفت ارز بخرد یا بفروشد و معاملات واقعی را از طریق دفتر سفارش Kuru در Monad اجرا می‌کند. مدل تصمیم را می‌دهد و برنامه اطراف آن سفارش را مدیریت می‌کند.
۸. سازمان‌دهی بیش از ۱۰۰۰ مقاله پژوهشی هوش مصنوعی
دسته‌بندی ۱۰۱۸ مقاله با Jev تنها ۰.۰۸ دلار هزینه داشته و میانه تأخیر ۲۵۶ میلی‌ثانیه در هر مقاله بوده. ابتدا DeepSeek V4 Flash خلاصه‌ها را ساخته و سپس Jev با ۲۴ موضوع ممکن، هر مقاله را دسته‌بندی کرده است.
💰 چرا Jev؟
هزینه پایین Jev اجازه می‌دهد کارهایی که با مدل‌های گران توجیه‌پذیر نبودند، اکنون اقتصادی شوند. ترکیب Jev با مدل‌های دیگر (مثل DeepSeek برای خلاصه‌سازی) نیز الگوی قدرتمندی برای ساخت ابزارهای کاربردی است.
🔗 منبع: Medium
#AI #Jev #TypeSafe #Automation
🆔 @asrgooyeshpardaz
مدل Jev از شرکت TypeSafe AI، برخلاف مدل‌های زبانی معمول، به‌جای تولید متن، به پرسش‌های ساختاریافته پاسخ می‌دهد و تصمیم‌ها و احتمال‌ها را برمی‌گرداند. همین ویژگی آن را بسیار سریع‌تر و ارزان‌تر کرده است. در ادامه ۸ نمونه از کاربردهای واقعی آن را می‌بینید.
۱. بررسی درخواست‌های ادغام کد با هزینه نزدیک صفر
یک کاربر یک بررسی‌کننده کد ساخته که تفاوت‌های کد را به Jev می‌فرستد و ۱۴ بررسی (افشای رمز، تزریق SQL، تغییرات احراز هویت، تست‌های حذف‌شده و...) را در یک فراخوانی دریافت می‌کند. هزینه هر بررسی ۰.۰۰۰۰۷ دلار و زمان پاسخ حدود نیم ثانیه است. بررسی ۱۰۰۰ درخواست حدود ۷ سنت تمام می‌شود، در مقابل حدود ۱۴.۵ دلار با Opus 5.
۲. کنترل کامپیوتر
ابزاری به نام Third Hand با Jev در کمتر از یک ثانیه پاسخ می‌دهد و تقریباً بدون هزینه است. می‌تواند تصمیم بگیرد چه چیزی تایپ کند و نیازی به مدل زبانی جداگانه ندارد.
۳. یافتن لینک‌های داخلی در یک وب‌سایت
خواندن ۵۸۶ صفحه و بازسازی نقشه لینک‌های داخلی در ۴۵.۱ ثانیه با هزینه ۰.۲۱ دلار. ۵۸۴ لینک قرار داده و ۱۳۹ صفحه را بدون تطبیق مناسب رد کرده است.
۴. دسته‌بندی اسناد مالیاتی با حدود ۰.۰۰۱ دلار برای هر صفحه
یک طبقه‌بند اسناد مالیاتی با Jev ساخته شده که ۳۴ برابر ارزان‌تر و ۶ برابر سریع‌تر از خط لوله قبلی است. دقت ۱۰۰٪ روی ۳۱۴ صفحه فرم پرشده و ۷۵۳ صفحه خالی (با ۳۸ صفحه زیر آستانه اطمینان).
۵. بازی Subway Surfers در ۵۰ بازی هم‌زمان
یک کاربر Jev را برای بازی Subway Surfers با سرعت فوق‌بشری به کار برده و ۵۰ بازی را هم‌زمان اجرا کرده است. هزینه این اجرا کمتر از یک سنت بوده.
۶. پاک‌سازی سریع‌تر حافظه یک عامل
پروژه‌ای با Jev تاریخچه مکالمه عامل را فشرده می‌کند، تماس‌های ابزار و نتایج را نمره‌دهی کرده و مطالب غیرضروری را حذف یا کوتاه می‌کند، بدون تغییر در متن اصلی.
۷. ربات معاملاتی
یک ربات با Jev تصمیم می‌گیرد از یک جفت ارز بخرد یا بفروشد و معاملات واقعی را از طریق دفتر سفارش Kuru در Monad اجرا می‌کند. مدل تصمیم را می‌دهد و برنامه اطراف آن سفارش را مدیریت می‌کند.
۸. سازمان‌دهی بیش از ۱۰۰۰ مقاله پژوهشی هوش مصنوعی
دسته‌بندی ۱۰۱۸ مقاله با Jev تنها ۰.۰۸ دلار هزینه داشته و میانه تأخیر ۲۵۶ میلی‌ثانیه در هر مقاله بوده. ابتدا DeepSeek V4 Flash خلاصه‌ها را ساخته و سپس Jev با ۲۴ موضوع ممکن، هر مقاله را دسته‌بندی کرده است.
💰 چرا Jev؟
هزینه پایین Jev اجازه می‌دهد کارهایی که با مدل‌های گران توجیه‌پذیر نبودند، اکنون اقتصادی شوند. ترکیب Jev با مدل‌های دیگر (مثل DeepSeek برای خلاصه‌سازی) نیز الگوی قدرتمندی برای ساخت ابزارهای کاربردی است.
🔗 منبع: Medium
#AI #Jev #TypeSafe #Automation
🆔 @asrgooyeshpardaz
Medium
8 Cool Things People Use the Jev Model For
People are using Jev to review code, control computers, play games, and organize research. Here are my favorites.
❤3