💡 پژوهشگران بایت‌دنس و استنفورد روش تازه‌ای برای تولید ویدیوهای طولانی پیشنهاد داده‌اند — Mixture of Contexts.
🔑 مشکل کجاست؟
وقتی ویدیو طولانی می‌شود، توجه (attention) مدل بیش از حد گسترده می‌شود: هزینهٔ محاسبات بالا می‌رود، جزئیات در خروجی از دست می‌روند، شخصیت‌ها فراموش می‌شوند و مدل دچار «رانش» (drift) می‌گردد.
⚡ چرا Mixture of Contexts جالب است؟
ویدیو به بخش‌هایی مثل فریم، شات و کپشن تقسیم می‌شود.
هر درخواست فقط بخش‌های مرتبط را انتخاب می‌کند، نه کل تاریخچه را.
این انتخاب با یک معیار سادهٔ شباهت بین ویژگی‌های بخش‌ها و پرسش جاری انجام می‌شود.
دو «لنگر» همواره لحاظ می‌شوند: متن کامل پرامپت و شات محلی برای جزئیات.
روش Causal mask مانع توجه به فریم‌های آینده می‌شود تا از تکرار جلوگیری کند.
سپس Flash Attention فقط روی بخش‌های انتخاب‌شده اعمال می‌شود — بنابراین محاسبات با طول کل ویدیو رشد نمی‌کنند، بلکه فقط با زمینهٔ مفید افزایش می‌یابند.
📊 نتایج:
۷ برابر کاهش FLOPs
۲.۲ برابر سرعت بیشتر
در صحنه‌های طولانی (۱۸۰هزار توکن) تا ۸۵٪ توجه غیرضروری حذف می‌شود
🎥 نتیجه:
کیفیت در کلیپ‌های کوتاه حفظ می‌شود
صحنه‌های طولانی روان‌تر می‌شوند و شخصیت‌ها پایدار می‌مانند
زمان تولید به‌طور محسوسی کاهش می‌یابد
نکتهٔ اصلی: مدل یاد می‌گیرد خودش تشخیص دهد به چه بخش‌هایی نگاه کند و نوعی «حافظه» چنددقیقه‌ای برای ویدیو پیدا می‌کند — بدون آنکه نیاز به تغییر معماری پایه باشد.
🟠 جزئیات بیشتر
http://arxiv.org/abs/2508.19667
#AI #ByteDance #Stanford #videogeneration
@asrgooyeshpardaz
🔑 مشکل کجاست؟
وقتی ویدیو طولانی می‌شود، توجه (attention) مدل بیش از حد گسترده می‌شود: هزینهٔ محاسبات بالا می‌رود، جزئیات در خروجی از دست می‌روند، شخصیت‌ها فراموش می‌شوند و مدل دچار «رانش» (drift) می‌گردد.
⚡ چرا Mixture of Contexts جالب است؟
ویدیو به بخش‌هایی مثل فریم، شات و کپشن تقسیم می‌شود.
هر درخواست فقط بخش‌های مرتبط را انتخاب می‌کند، نه کل تاریخچه را.
این انتخاب با یک معیار سادهٔ شباهت بین ویژگی‌های بخش‌ها و پرسش جاری انجام می‌شود.
دو «لنگر» همواره لحاظ می‌شوند: متن کامل پرامپت و شات محلی برای جزئیات.
روش Causal mask مانع توجه به فریم‌های آینده می‌شود تا از تکرار جلوگیری کند.
سپس Flash Attention فقط روی بخش‌های انتخاب‌شده اعمال می‌شود — بنابراین محاسبات با طول کل ویدیو رشد نمی‌کنند، بلکه فقط با زمینهٔ مفید افزایش می‌یابند.
📊 نتایج:
۷ برابر کاهش FLOPs
۲.۲ برابر سرعت بیشتر
در صحنه‌های طولانی (۱۸۰هزار توکن) تا ۸۵٪ توجه غیرضروری حذف می‌شود
🎥 نتیجه:
کیفیت در کلیپ‌های کوتاه حفظ می‌شود
صحنه‌های طولانی روان‌تر می‌شوند و شخصیت‌ها پایدار می‌مانند
زمان تولید به‌طور محسوسی کاهش می‌یابد
نکتهٔ اصلی: مدل یاد می‌گیرد خودش تشخیص دهد به چه بخش‌هایی نگاه کند و نوعی «حافظه» چنددقیقه‌ای برای ویدیو پیدا می‌کند — بدون آنکه نیاز به تغییر معماری پایه باشد.
🟠 جزئیات بیشتر
http://arxiv.org/abs/2508.19667
#AI #ByteDance #Stanford #videogeneration
@asrgooyeshpardaz
❤4👏1🙏1
This media is not supported in your browser
VIEW IN TELEGRAM
✨ مدل HuMo: مدل تازه‌ای از ByteDance
❇️ مدلی ویژه‌ی تولید ویدئو با تمرکز بر حضور انسان، همراه با امکان کنترل از طریق حالت‌های گوناگون: متن، تصویر و صدا.
❇️ ورودی‌های مدل می‌تواند شامل ترکیب‌هایی مانند: متن + تصویر، متن + صدا، یا متن + ویدئو باشد.
❇️ پشتیبانی از حفظ هویت کاراکتر و هماهنگ‌سازی حرکات با صدا
❇️ این مدل بر پایه‌ی Wan 2.1 و Whisper Large v3 ساخته شده است.
🔗 صفحه مدل در هاگینگ‌فیس
https://huggingface.co/bytedance-research/HuMo
🔗 مقاله
https://arxiv.org/abs/2509.08519
🔗 صفحه معرفی
https://phantom-video.github.io/HuMo/
🔗 گیت‌هاب
https://github.com/Phantom-video/HuMo
#هوش_مصنوعی #ByteDance #HuMo #تولید_ویدئو #چندوجهی
@asrgooyeshpardaz
❇️ مدلی ویژه‌ی تولید ویدئو با تمرکز بر حضور انسان، همراه با امکان کنترل از طریق حالت‌های گوناگون: متن، تصویر و صدا.
❇️ ورودی‌های مدل می‌تواند شامل ترکیب‌هایی مانند: متن + تصویر، متن + صدا، یا متن + ویدئو باشد.
❇️ پشتیبانی از حفظ هویت کاراکتر و هماهنگ‌سازی حرکات با صدا
❇️ این مدل بر پایه‌ی Wan 2.1 و Whisper Large v3 ساخته شده است.
🔗 صفحه مدل در هاگینگ‌فیس
https://huggingface.co/bytedance-research/HuMo
🔗 مقاله
https://arxiv.org/abs/2509.08519
🔗 صفحه معرفی
https://phantom-video.github.io/HuMo/
🔗 گیت‌هاب
https://github.com/Phantom-video/HuMo
#هوش_مصنوعی #ByteDance #HuMo #تولید_ویدئو #چندوجهی
@asrgooyeshpardaz
🔥3👏2❤1
🎬 مدل MoGA: نسل جدید مدل‌های تولید ویدیوهای طولانی
تیم تحقیقاتی ByteDance مدل تازه‌ای به نام MoGA را معرفی کرده است — سازوکاری نوآورانه برای توجه پراکنده (Sparse Attention) که امکان تولید ویدیوهای طولانی در حد چند دقیقه را فراهم می‌کند.
🧠 در MoGA به‌جای روش سنتی «بلوک‌بندی توکن‌ها»، از یک مسیر‌یاب سبک‌وزن (lightweight router) استفاده می‌شود که توکن‌ها را دقیقاً بر اساس گروه‌های معنایی (semantic groups) توزیع می‌کند.
🔑 نکات کلیدی:
🔹تولید ویدیو با وضوح 480p و نرخ ۲۴ فریم در ثانیه
🔹پشتیبانی از بافت متنی تا ۵۸۰ هزار توکن (context length)
🔹کاهش چشمگیر محاسبات: ۲٫۲۶ PFLOPs در مقابل ۶٫۹۴ PFLOPs برای ویدیوی ۳۰ ثانیه‌ای
🔹حفظ یکپارچگی شخصیت‌ها و پس‌زمینه در تمام فریم‌ها 🎭
🔹سازگار با FlashAttention و Parallel Sequence Processing
📊 مدل MoGA در آزمون‌های هماهنگی صحنه و کیفیت بصری (Consistency & Quality) عملکردی بهتر از تمام روش‌های SOTA فعلی نشان داده و گامی مهم به‌سوی تولید ویدیوهای بلند با کنترل کامل بر روایت و سیر داستانی است 🚀
📄 مقاله:
https://arxiv.org/abs/2510.18692v1
#AI #VideoGeneration #SparseAttention #MoGA #ByteDance
@asrgooyeshpardaz
تیم تحقیقاتی ByteDance مدل تازه‌ای به نام MoGA را معرفی کرده است — سازوکاری نوآورانه برای توجه پراکنده (Sparse Attention) که امکان تولید ویدیوهای طولانی در حد چند دقیقه را فراهم می‌کند.
🧠 در MoGA به‌جای روش سنتی «بلوک‌بندی توکن‌ها»، از یک مسیر‌یاب سبک‌وزن (lightweight router) استفاده می‌شود که توکن‌ها را دقیقاً بر اساس گروه‌های معنایی (semantic groups) توزیع می‌کند.
🔑 نکات کلیدی:
🔹تولید ویدیو با وضوح 480p و نرخ ۲۴ فریم در ثانیه
🔹پشتیبانی از بافت متنی تا ۵۸۰ هزار توکن (context length)
🔹کاهش چشمگیر محاسبات: ۲٫۲۶ PFLOPs در مقابل ۶٫۹۴ PFLOPs برای ویدیوی ۳۰ ثانیه‌ای
🔹حفظ یکپارچگی شخصیت‌ها و پس‌زمینه در تمام فریم‌ها 🎭
🔹سازگار با FlashAttention و Parallel Sequence Processing
📊 مدل MoGA در آزمون‌های هماهنگی صحنه و کیفیت بصری (Consistency & Quality) عملکردی بهتر از تمام روش‌های SOTA فعلی نشان داده و گامی مهم به‌سوی تولید ویدیوهای بلند با کنترل کامل بر روایت و سیر داستانی است 🚀
📄 مقاله:
https://arxiv.org/abs/2510.18692v1
#AI #VideoGeneration #SparseAttention #MoGA #ByteDance
@asrgooyeshpardaz
arXiv.org
MoGA: Mixture-of-Groups Attention for End-to-End Long Video Generation
Long video generation with Diffusion Transformers (DiTs) is bottlenecked by the quadratic scaling of full attention with sequence length. Since attention is highly redundant, outputs are dominated...
❤2🔥1🤨1
عصر گویش | هوش مصنوعی
♾ مدل AlphaProof: جهش بزرگ دیپ‌مایند در حل مسائل المپیاد جهانی ریاضی گوگل DeepMind با معرفی AlphaProof نشان داد که هوش مصنوعی دیگر فقط حل‌کننده‌ی «مسائل معمولی» نیست؛ بلکه می‌تواند اثبات‌های رسمی ریاضی را در محیط Lean تولید کند — آن هم در سطح IMO! 🚀 مهم‌ترین…
🔬سامانه AlphaResearch — رقیب چینی برای AlphaProof؟
گروهی از پژوهشگران دانشگاه Tsinghua، دانشگاه Yale و ByteDance سامانه‌ای پژوهش‌محور به نام AlphaResearch معرفی کرده‌اند؛ یک «عامل خودمختار پژوهشی» که از مدل‌های زبانی برای کشف الگوریتم‌های جدید استفاده می‌کند.
📌 معماری ارزیابی دوگانه
مدل داوری (RM): آموزش‌دیده بر پایه‌ی نقدهای داوران ICLR با دقت ۷۲٪
صحت‌سنجی کد: اجرای برنامه برای تضمین درستی راه‌حل‌ها
🏆 دستاوردهای کلیدی
ثبت رکورد جدید جهانی در مسئله‌ی Packing Circles برای n=32
(بهبود مقدار: 2.939 در برابر 2.936 بهترین رکورد انسانی)
کسب ۲ پیروزی از ۸ مورد در بنچمارک AlphaResearchComp
قابلیت بهبود خودکار ایده‌ها در چرخه‌های تکراری
⚠️ چالش‌ها
در ۶ مورد از ۸ وظیفه، عملکرد انسان همچنان بهتر بود
دشواری در بهبود راه‌حل‌های تولیدشده توسط انسان
💡 جمع‌بندی هوش مصنوعی اکنون قادر است الگوریتم‌های جدید کشف کند، اما فاصله‌ی قابل‌توجهی تا تحقیقات کاملاً خودمختار باقی مانده است. بااین‌حال انتشار عمومی کد و داده‌ها می‌تواند مسیر تحقیقات بازتولیدپذیر را تسریع کند.
🔗 مقاله:
https://arxiv.org/abs/2511.08522
🔗 کد و دیتاست:
https://github.com/answers111/alpha-research
#AI #ByteDance #Research #Tsinghua #AutonomousAgents
@asrgooyeshpardaz
گروهی از پژوهشگران دانشگاه Tsinghua، دانشگاه Yale و ByteDance سامانه‌ای پژوهش‌محور به نام AlphaResearch معرفی کرده‌اند؛ یک «عامل خودمختار پژوهشی» که از مدل‌های زبانی برای کشف الگوریتم‌های جدید استفاده می‌کند.
📌 معماری ارزیابی دوگانه
مدل داوری (RM): آموزش‌دیده بر پایه‌ی نقدهای داوران ICLR با دقت ۷۲٪
صحت‌سنجی کد: اجرای برنامه برای تضمین درستی راه‌حل‌ها
🏆 دستاوردهای کلیدی
ثبت رکورد جدید جهانی در مسئله‌ی Packing Circles برای n=32
(بهبود مقدار: 2.939 در برابر 2.936 بهترین رکورد انسانی)
کسب ۲ پیروزی از ۸ مورد در بنچمارک AlphaResearchComp
قابلیت بهبود خودکار ایده‌ها در چرخه‌های تکراری
⚠️ چالش‌ها
در ۶ مورد از ۸ وظیفه، عملکرد انسان همچنان بهتر بود
دشواری در بهبود راه‌حل‌های تولیدشده توسط انسان
💡 جمع‌بندی هوش مصنوعی اکنون قادر است الگوریتم‌های جدید کشف کند، اما فاصله‌ی قابل‌توجهی تا تحقیقات کاملاً خودمختار باقی مانده است. بااین‌حال انتشار عمومی کد و داده‌ها می‌تواند مسیر تحقیقات بازتولیدپذیر را تسریع کند.
🔗 مقاله:
https://arxiv.org/abs/2511.08522
🔗 کد و دیتاست:
https://github.com/answers111/alpha-research
#AI #ByteDance #Research #Tsinghua #AutonomousAgents
@asrgooyeshpardaz
arXiv.org
AlphaResearch: Accelerating New Algorithm Discovery with Language Models
LLMs have made significant progress in complex but easy-to-verify problems, yet they still struggle with discovering the unknown. In this paper, we present \textbf{AlphaResearch}, an autonomous...
😎2❤1👍1🔥1
Media is too big
VIEW IN TELEGRAM
🎬 بایت‌دنس از مدل ویدئویی SeedDance 2.5 رونمایی کرد
شرکت بایت‌دنس پس از نسخه‌ی چشمگیر ۲.۰ در بهار، حالا از مدل جدید خود با نام SeedDance 2.5 پرده برداشته است. این به‌روزرسانی با ارتقاهای قابل‌توجهی همراه است:
✨ امکانات جدید:
🔹 مدت زمان تولید: امکان ساخت ویدئوهای تا ۳۰ ثانیه (در نسخه‌ی قبلی ۱۵ ثانیه بود).
🔹 کیفیت تصویر: پشتیبانی بومی از وضوح ۴K
🔹 تعداد مراجع ورودی: تا ۵۰ مرجع شامل عکس، ویدئوهای کوتاه و صدا. این مراجع بر خروجی نهایی تأثیر گذاشته و ویژگی‌های اشیاء را حفظ می‌کنند.
🔮 قابلیت ویژه:
جالب‌ترین ویژگی، تولید ویدئو بر اساس مدل‌های سه‌بعدی سفید (بدون بافت) است. SeedDance 2.5 خودش مدل را در صحنه قرار داده و به آن بافت و رنگ می‌دهد، گویی که یک دارایی آماده از موتور بازی است.
🔗 منبع: پست Xiaohu در شبکه اجتماعی X
#AI #ByteDance #SeedDance #تولید_ویدئو
🆔 @asrgooyeshpardaz
شرکت بایت‌دنس پس از نسخه‌ی چشمگیر ۲.۰ در بهار، حالا از مدل جدید خود با نام SeedDance 2.5 پرده برداشته است. این به‌روزرسانی با ارتقاهای قابل‌توجهی همراه است:
✨ امکانات جدید:
🔹 مدت زمان تولید: امکان ساخت ویدئوهای تا ۳۰ ثانیه (در نسخه‌ی قبلی ۱۵ ثانیه بود).
🔹 کیفیت تصویر: پشتیبانی بومی از وضوح ۴K
🔹 تعداد مراجع ورودی: تا ۵۰ مرجع شامل عکس، ویدئوهای کوتاه و صدا. این مراجع بر خروجی نهایی تأثیر گذاشته و ویژگی‌های اشیاء را حفظ می‌کنند.
🔮 قابلیت ویژه:
جالب‌ترین ویژگی، تولید ویدئو بر اساس مدل‌های سه‌بعدی سفید (بدون بافت) است. SeedDance 2.5 خودش مدل را در صحنه قرار داده و به آن بافت و رنگ می‌دهد، گویی که یک دارایی آماده از موتور بازی است.
🔗 منبع: پست Xiaohu در شبکه اجتماعی X
#AI #ByteDance #SeedDance #تولید_ویدئو
🆔 @asrgooyeshpardaz
🔥4🤯4👍1
🌐 اخبار هوش مصنوعی
🧩 مدل GPT-6 با رابط کاربری پویا از راه رسید
شرکت OpenAI عرضه GPT-6 را آغاز کرده است. مهم‌ترین قابلیت جدید، Intelligent UI است که به‌جای محدود شدن به پاسخ متنی، متناسب با درخواست کاربر رابط‌های تعاملی مثل نمودار، ماشین‌حساب، دیاگرام و حتی مینی‌گیم تولید می‌کند.
رابط‌ها هم‌زمان با تولید پاسخ ساخته می‌شوند و مدل می‌تواند محاسبات پنهان و تولید متن را به‌صورت پیوسته انجام دهد. نسخه GPT-6 Sol برای کاربران پولی عرضه شده و نسخه سبک‌تر GPT-6 Luna نیز برای کاربران Free و Go ارائه می‌شود.
🔗 منبع: OpenAI
🏢 عامل خودمختار گوگل؛ یک همکار هوش مصنوعی با ایمیل و تقویم خودش
شرکت Google در رویداد Gemini at Work از عاملی برای انجام پروژه‌های مهندسی و سازمانی چندروزه رونمایی کرده است. این عامل مانند یک کارمند، حساب کاربری، ایمیل، تقویم و فضای ذخیره‌سازی خودش را دارد و می‌تواند میان محیط‌هایی مثل Slack، خط فرمان و Google Workspace فعالیت کند.
حافظه عامل در چهار سطحِ جلسه‌ای، معنایی، رویه‌ای و رویدادی سازمان‌دهی شده و امکان اتصال به Git، Jira، BigQuery، Databricks و MCP را دارد. اجرای کد نیز در محیط‌های ایزوله انجام می‌شود و اقدامات عامل با سازوکارهای رمزنگاری‌شده احراز هویت می‌شوند.
🔗 منبع: Google Cloud
🐦 ربات Grok حالا مستقیماً پست‌های X را می‌خواند
دستیار Grok Bot اکنون می‌تواند بدون اتصال جداگانه حساب کاربری یا استفاده از API پولی، اطلاعات عمومی X را بخواند؛ مثلاً پست‌ها را جمع‌آوری کند، بازخورد کاربران را خلاصه کند یا موضوعات خبری را زیر نظر بگیرد.
زمان‌بندی داخلی نیز اجازه می‌دهد این بررسی‌ها به‌صورت دوره‌ای انجام شوند و خلاصه نتایج به چت ارسال شود. انتشار پست از طرف کاربر همچنان نیازمند اتصال مجاز حساب است.
🔗 منبع: X / Grok Bot
🔐 محیط ایزوله محلی برای عامل‌های GitHub Copilot
شرکت GitHub قابلیت Local Sandboxing را برای Copilot ارائه کرده است تا فرمان‌های اجراشده توسط عامل‌ها نتوانند آزادانه به فایل‌های سیستم، شبکه، کلیدهای امنیتی یا متغیرهای محیطی میزبان دسترسی پیدا کنند.
این قابلیت با استفاده از Microsoft eXecution Container و سازوکارهای بومی هر سیستم‌عامل اجرا می‌شود و هزینه جداگانه‌ای ندارد. نسخه CLI همچنین امکان استفاده از مدل‌های محلی از طریق Ollama را فراهم کرده است؛ بنابراین بخشی از کارها می‌تواند بدون ارسال داده به مدل‌های ابری انجام شود.
🔗 منبع: GitHub
🎬 شرکت ByteDance روی فیلم‌های کاملاً ساخته‌شده با هوش مصنوعی سرمایه‌گذاری می‌کند
شرکت ByteDance برنامه بین‌المللی Dreamina Originals را برای حمایت از تولید فیلم و سریال با هوش مصنوعی راه‌اندازی کرده است. سازندگان به توان پردازشی مدل‌های ویدیویی، مشاوره مهندسی و حمایت تبلیغاتی دسترسی خواهند داشت.
برای فیلم‌های بلند تا ۱۵ میلیون اعتبار تولید در نظر گرفته شده و ByteDance در توزیع و ارسال آثار به جشنواره‌ها نیز مشارکت می‌کند. برخی پروژه‌های سریالی سطح S حتی به اعتبار نامحدود تولید دسترسی خواهند داشت و پروژه‌های سطح A نیز می‌توانند برای هر قسمت تا یک میلیون اعتبار دریافت کنند.
🔗 منبع: Dreamina AI
#هوش_مصنوعی #AI #GPT6 #OpenAI #Google #Grok #GitHubCopilot #ByteDance #AIAgents
🆔 @asrgooyeshpardaz
🧩 مدل GPT-6 با رابط کاربری پویا از راه رسید
شرکت OpenAI عرضه GPT-6 را آغاز کرده است. مهم‌ترین قابلیت جدید، Intelligent UI است که به‌جای محدود شدن به پاسخ متنی، متناسب با درخواست کاربر رابط‌های تعاملی مثل نمودار، ماشین‌حساب، دیاگرام و حتی مینی‌گیم تولید می‌کند.
رابط‌ها هم‌زمان با تولید پاسخ ساخته می‌شوند و مدل می‌تواند محاسبات پنهان و تولید متن را به‌صورت پیوسته انجام دهد. نسخه GPT-6 Sol برای کاربران پولی عرضه شده و نسخه سبک‌تر GPT-6 Luna نیز برای کاربران Free و Go ارائه می‌شود.
🔗 منبع: OpenAI
🏢 عامل خودمختار گوگل؛ یک همکار هوش مصنوعی با ایمیل و تقویم خودش
شرکت Google در رویداد Gemini at Work از عاملی برای انجام پروژه‌های مهندسی و سازمانی چندروزه رونمایی کرده است. این عامل مانند یک کارمند، حساب کاربری، ایمیل، تقویم و فضای ذخیره‌سازی خودش را دارد و می‌تواند میان محیط‌هایی مثل Slack، خط فرمان و Google Workspace فعالیت کند.
حافظه عامل در چهار سطحِ جلسه‌ای، معنایی، رویه‌ای و رویدادی سازمان‌دهی شده و امکان اتصال به Git، Jira، BigQuery، Databricks و MCP را دارد. اجرای کد نیز در محیط‌های ایزوله انجام می‌شود و اقدامات عامل با سازوکارهای رمزنگاری‌شده احراز هویت می‌شوند.
🔗 منبع: Google Cloud
🐦 ربات Grok حالا مستقیماً پست‌های X را می‌خواند
دستیار Grok Bot اکنون می‌تواند بدون اتصال جداگانه حساب کاربری یا استفاده از API پولی، اطلاعات عمومی X را بخواند؛ مثلاً پست‌ها را جمع‌آوری کند، بازخورد کاربران را خلاصه کند یا موضوعات خبری را زیر نظر بگیرد.
زمان‌بندی داخلی نیز اجازه می‌دهد این بررسی‌ها به‌صورت دوره‌ای انجام شوند و خلاصه نتایج به چت ارسال شود. انتشار پست از طرف کاربر همچنان نیازمند اتصال مجاز حساب است.
🔗 منبع: X / Grok Bot
🔐 محیط ایزوله محلی برای عامل‌های GitHub Copilot
شرکت GitHub قابلیت Local Sandboxing را برای Copilot ارائه کرده است تا فرمان‌های اجراشده توسط عامل‌ها نتوانند آزادانه به فایل‌های سیستم، شبکه، کلیدهای امنیتی یا متغیرهای محیطی میزبان دسترسی پیدا کنند.
این قابلیت با استفاده از Microsoft eXecution Container و سازوکارهای بومی هر سیستم‌عامل اجرا می‌شود و هزینه جداگانه‌ای ندارد. نسخه CLI همچنین امکان استفاده از مدل‌های محلی از طریق Ollama را فراهم کرده است؛ بنابراین بخشی از کارها می‌تواند بدون ارسال داده به مدل‌های ابری انجام شود.
🔗 منبع: GitHub
🎬 شرکت ByteDance روی فیلم‌های کاملاً ساخته‌شده با هوش مصنوعی سرمایه‌گذاری می‌کند
شرکت ByteDance برنامه بین‌المللی Dreamina Originals را برای حمایت از تولید فیلم و سریال با هوش مصنوعی راه‌اندازی کرده است. سازندگان به توان پردازشی مدل‌های ویدیویی، مشاوره مهندسی و حمایت تبلیغاتی دسترسی خواهند داشت.
برای فیلم‌های بلند تا ۱۵ میلیون اعتبار تولید در نظر گرفته شده و ByteDance در توزیع و ارسال آثار به جشنواره‌ها نیز مشارکت می‌کند. برخی پروژه‌های سریالی سطح S حتی به اعتبار نامحدود تولید دسترسی خواهند داشت و پروژه‌های سطح A نیز می‌توانند برای هر قسمت تا یک میلیون اعتبار دریافت کنند.
🔗 منبع: Dreamina AI
#هوش_مصنوعی #AI #GPT6 #OpenAI #Google #Grok #GitHubCopilot #ByteDance #AIAgents
🆔 @asrgooyeshpardaz
❤3