🔥 معرفی AlphaEvolve نسل جدید عامل‌های هوشمند برای کشف الگوریتم‌های نوین بر پایه Gemini
دیپ‌مایند گوگل از ابزاری نوآورانه به نام AlphaEvolve رونمایی کرده است؛ ایجنتی مبتنی بر مدل زبانی Gemini که توانایی تولید خودکار الگوریتم‌های جدید و یافتن راه‌حل‌های بهینه برای مسائل پیچیده را دارد.
---
🔥 قابلیت‌های AlphaEvolve:
❇️ تولید الگوریتم‌های سریع برای ضرب ماتریس
❇️ یافتن راه‌حل‌های نو برای مسائل ریاضی
❇️ بهینه‌سازی عملکرد مراکز داده، طراحی تراشه و آموزش مدل‌های هوش مصنوعی با استفاده از الگوریتم‌های تولیدشده
---
✅ نحوه عملکرد:
1. تولید ایده با کمک مدل زبانی بزرگ (LLM): مدل Gemini با تحلیل رویکردهای موجود برای حل یک مسئله، ایده‌های جدیدی برای طراحی الگوریتم پیشنهاد می‌دهد.
2. ارزیابی خودکار: هر الگوریتم پیشنهادی توسط یک سیستم ارزیابی خودکار بررسی می‌شود که بهره‌وری، دقت و سایر شاخص‌های کلیدی را اندازه‌گیری می‌کند.
3. بهبود تکاملی: AlphaEvolve از تکنیک‌های تکاملی مانند جهش و ترکیب استفاده می‌کند تا با انتخاب بهترین اجزای الگوریتم‌های مختلف و حذف نمونه‌های ناکارآمد، به تدریج راه‌حل‌ها را بهینه کند.
---
نتایج تاکنون:
عامل هوشمند AlphaEvolve موفق به کشف الگوریتم‌های جدیدی برای ضرب ماتریس شده که حتی از دستاورد قبلی دیپ‌مایند یعنی AlphaTensor نیز سریع‌تر هستند. این امر باعث بهبود محاسبات در مراکز داده، طراحی سخت‌افزار و آموزش مدل‌های هوش مصنوعی می‌شود.
کاربرد در حل بیش از ۵۰ مسئله باز در زمینه‌های زیر:
✍️ آنالیز ریاضی
📐 هندسه
➕ ترکیبیات
🔂 نظریه اعداد (از جمله مسئله معروف kissing number)
---
🔵 در ۷۵٪ موارد، بهترین پاسخ شناخته‌شده را یافت
🔵 در ۲۰٪ موارد، پاسخ‌های پیشین را بهبود داده و کشف‌های جدیدی ثبت کرد
دسترسی عمومی هنوز فراهم نشده، اما نتایج آن بسیار امیدوارکننده است.
📎 مطالعه بیشتر
#google #DeepMind #هوش_مصنوعی #الگوریتم #AI #Gemini #AlphaEvolve #کدنویسی
@asrgooyeshpardaz
دیپ‌مایند گوگل از ابزاری نوآورانه به نام AlphaEvolve رونمایی کرده است؛ ایجنتی مبتنی بر مدل زبانی Gemini که توانایی تولید خودکار الگوریتم‌های جدید و یافتن راه‌حل‌های بهینه برای مسائل پیچیده را دارد.
---
🔥 قابلیت‌های AlphaEvolve:
❇️ تولید الگوریتم‌های سریع برای ضرب ماتریس
❇️ یافتن راه‌حل‌های نو برای مسائل ریاضی
❇️ بهینه‌سازی عملکرد مراکز داده، طراحی تراشه و آموزش مدل‌های هوش مصنوعی با استفاده از الگوریتم‌های تولیدشده
---
✅ نحوه عملکرد:
1. تولید ایده با کمک مدل زبانی بزرگ (LLM): مدل Gemini با تحلیل رویکردهای موجود برای حل یک مسئله، ایده‌های جدیدی برای طراحی الگوریتم پیشنهاد می‌دهد.
2. ارزیابی خودکار: هر الگوریتم پیشنهادی توسط یک سیستم ارزیابی خودکار بررسی می‌شود که بهره‌وری، دقت و سایر شاخص‌های کلیدی را اندازه‌گیری می‌کند.
3. بهبود تکاملی: AlphaEvolve از تکنیک‌های تکاملی مانند جهش و ترکیب استفاده می‌کند تا با انتخاب بهترین اجزای الگوریتم‌های مختلف و حذف نمونه‌های ناکارآمد، به تدریج راه‌حل‌ها را بهینه کند.
---
نتایج تاکنون:
عامل هوشمند AlphaEvolve موفق به کشف الگوریتم‌های جدیدی برای ضرب ماتریس شده که حتی از دستاورد قبلی دیپ‌مایند یعنی AlphaTensor نیز سریع‌تر هستند. این امر باعث بهبود محاسبات در مراکز داده، طراحی سخت‌افزار و آموزش مدل‌های هوش مصنوعی می‌شود.
کاربرد در حل بیش از ۵۰ مسئله باز در زمینه‌های زیر:
✍️ آنالیز ریاضی
📐 هندسه
➕ ترکیبیات
🔂 نظریه اعداد (از جمله مسئله معروف kissing number)
---
🔵 در ۷۵٪ موارد، بهترین پاسخ شناخته‌شده را یافت
🔵 در ۲۰٪ موارد، پاسخ‌های پیشین را بهبود داده و کشف‌های جدیدی ثبت کرد
دسترسی عمومی هنوز فراهم نشده، اما نتایج آن بسیار امیدوارکننده است.
📎 مطالعه بیشتر
#google #DeepMind #هوش_مصنوعی #الگوریتم #AI #Gemini #AlphaEvolve #کدنویسی
@asrgooyeshpardaz
👍4
🚨 ایده‌ای بسیار جالب در پژوهش جدید Google DeepMind مطرح شده است: چگونه باید با رشد نسل جدید عامل‌های هوش مصنوعی (AI Agents) که به‌صورت مستقل در اقتصاد فعالیت می‌کنند، مواجه شد.
اگر این روند بدون کنترل ادامه یابد، چنین عامل‌هایی می‌توانند اقتصادی مستقل ایجاد کنند که مستقیماً با اقتصاد انسانی در ارتباط باشد؛ موضوعی که هم مزایا و هم ریسک‌های بزرگ به همراه دارد.
پژوهشگران مفهوم «اقتصاد سندباکس» (sandbox economy) را پیشنهاد می‌کنند: محیطی کنترل‌شده که در آن عامل‌ها بتوانند معامله و هماهنگی کنند، بدون اینکه به بازارهای واقعی آسیب بزنند.
این عامل‌ها به جای اجرای یک وظیفه ساده می‌توانند:
▪️ معامله و مذاکره کنند و قرارداد ببندند،
▪️ بین صنایع مختلف جابه‌جا شوند و اتحادهای موقت تشکیل دهند،
▪️ منابع را در لحظه با هم هماهنگ سازند.
استانداردهایی مثل Agent2Agent و Model Context Protocol همین حالا زیرساخت اتصال میان عامل‌ها را شکل می‌دهند و پایه‌های اقتصاد جهانی «ماشین-ماشین» را می‌سازند.
در آینده، دستیارهای شخصی هوش مصنوعی می‌توانند در چنین بازارهایی رقابت یا همکاری کنند؛ مثلاً برای دسترسی به توان محاسباتی، داده یا حتی رزرو سفر به نمایندگی از کاربر خود وارد مذاکره شوند. معاملات نیز با ارزهای دیجیتال و سیستم‌های اعتباری پشتیبانی خواهد شد.
🟢 هشدار اقتصاددانان: این بازارها با سرعتی فراتر از واکنش انسان رشد می‌کنند؛ قیمت‌ها، قراردادها و مدل‌های کسب‌وکار می‌توانند نه در چند ماه، بلکه در چند دقیقه تغییر کنند.
🟢 پیشنهادهای پژوهشگران:
🔹استفاده از بازارها و حراجی‌ها برای توزیع عادلانه منابع
🔹تعریف اهداف مأموریتی (collective missions) هماهنگ با ارزش‌های جامعه
🔹طراحی سیستم هویت و اعتبار برای عامل‌ها
🔹بهره‌گیری از قراردادهای هوشمند، ممیزی و محاسبات شفاف برای اعتماد و نظارت
🔹توسعه مقررات ترکیبی: ترکیبی از پروتکل‌های فنی و ابزارهای نهادی
اگر این ایده‌ها درست پیاده‌سازی شوند، می‌توان تریلیون‌ها ساعت محاسبات ماشینی را به حل مسائل بزرگ جهانی مانند درمان بیماری‌ها یا ساخت زیرساخت‌ها اختصاص داد.
⚡️ متن کامل مقاله:
https://arxiv.org/pdf/2509.10147
#AI #AgentEconomy #DeepMind #AutonomousAgents
---
@asrgooyeshpardaz
اگر این روند بدون کنترل ادامه یابد، چنین عامل‌هایی می‌توانند اقتصادی مستقل ایجاد کنند که مستقیماً با اقتصاد انسانی در ارتباط باشد؛ موضوعی که هم مزایا و هم ریسک‌های بزرگ به همراه دارد.
پژوهشگران مفهوم «اقتصاد سندباکس» (sandbox economy) را پیشنهاد می‌کنند: محیطی کنترل‌شده که در آن عامل‌ها بتوانند معامله و هماهنگی کنند، بدون اینکه به بازارهای واقعی آسیب بزنند.
این عامل‌ها به جای اجرای یک وظیفه ساده می‌توانند:
▪️ معامله و مذاکره کنند و قرارداد ببندند،
▪️ بین صنایع مختلف جابه‌جا شوند و اتحادهای موقت تشکیل دهند،
▪️ منابع را در لحظه با هم هماهنگ سازند.
استانداردهایی مثل Agent2Agent و Model Context Protocol همین حالا زیرساخت اتصال میان عامل‌ها را شکل می‌دهند و پایه‌های اقتصاد جهانی «ماشین-ماشین» را می‌سازند.
در آینده، دستیارهای شخصی هوش مصنوعی می‌توانند در چنین بازارهایی رقابت یا همکاری کنند؛ مثلاً برای دسترسی به توان محاسباتی، داده یا حتی رزرو سفر به نمایندگی از کاربر خود وارد مذاکره شوند. معاملات نیز با ارزهای دیجیتال و سیستم‌های اعتباری پشتیبانی خواهد شد.
🟢 هشدار اقتصاددانان: این بازارها با سرعتی فراتر از واکنش انسان رشد می‌کنند؛ قیمت‌ها، قراردادها و مدل‌های کسب‌وکار می‌توانند نه در چند ماه، بلکه در چند دقیقه تغییر کنند.
🟢 پیشنهادهای پژوهشگران:
🔹استفاده از بازارها و حراجی‌ها برای توزیع عادلانه منابع
🔹تعریف اهداف مأموریتی (collective missions) هماهنگ با ارزش‌های جامعه
🔹طراحی سیستم هویت و اعتبار برای عامل‌ها
🔹بهره‌گیری از قراردادهای هوشمند، ممیزی و محاسبات شفاف برای اعتماد و نظارت
🔹توسعه مقررات ترکیبی: ترکیبی از پروتکل‌های فنی و ابزارهای نهادی
اگر این ایده‌ها درست پیاده‌سازی شوند، می‌توان تریلیون‌ها ساعت محاسبات ماشینی را به حل مسائل بزرگ جهانی مانند درمان بیماری‌ها یا ساخت زیرساخت‌ها اختصاص داد.
⚡️ متن کامل مقاله:
https://arxiv.org/pdf/2509.10147
#AI #AgentEconomy #DeepMind #AutonomousAgents
---
@asrgooyeshpardaz
❤4👍2
♾ 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 دستاوردها
✅ حل ۳ مسئله از ۵ مسئلهٔ غیرهندسی IMO 2024
(از جمله سخت‌ترین سؤال P6 که فقط ۵ نفر از شرکت‌کنندگان توانستند حل کنند!)
🥈 عملکرد ترکیبی AlphaProof + AlphaGeometry 2 معادل مدال نقره المپیاد
📊 رکورد جدید در بنچمارک‌های:
🔸miniF2F
🔸formal-IMO
🔸Putnam
🔧 مدل AlphaProof چگونه کار می‌کند؟
🤖 آموزش روی ۸۰ میلیون مسئلهٔ خودکار-فرمالیزه‌شده
🧠 مدل ۳ میلیارد پارامتری + جستجو در درخت اثبات
🎯 استفاده از Test-Time Reinforcement Learning (TT-RL)
یعنی مدل هنگام حل هر مسئله، خودش را به‌صورت زنده با آن مسئله تطبیق می‌دهد.
⏳ نکته مهم
تولید اثبات برای برخی مسائل چند روز محاسبه نیاز دارد،
اما این روش یک جهش اساسی در «استدلال ریاضی رسمی» محسوب می‌شود.
🔗 منبع علمی (Nature)
https://www.nature.com/articles/s41586-025-09833-y
#AI #AlphaProof #DeepMind #Math #IMO #Research
@asrgooyeshpardaz
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 دستاوردها
✅ حل ۳ مسئله از ۵ مسئلهٔ غیرهندسی IMO 2024
(از جمله سخت‌ترین سؤال P6 که فقط ۵ نفر از شرکت‌کنندگان توانستند حل کنند!)
🥈 عملکرد ترکیبی AlphaProof + AlphaGeometry 2 معادل مدال نقره المپیاد
📊 رکورد جدید در بنچمارک‌های:
🔸miniF2F
🔸formal-IMO
🔸Putnam
🔧 مدل AlphaProof چگونه کار می‌کند؟
🤖 آموزش روی ۸۰ میلیون مسئلهٔ خودکار-فرمالیزه‌شده
🧠 مدل ۳ میلیارد پارامتری + جستجو در درخت اثبات
🎯 استفاده از Test-Time Reinforcement Learning (TT-RL)
یعنی مدل هنگام حل هر مسئله، خودش را به‌صورت زنده با آن مسئله تطبیق می‌دهد.
⏳ نکته مهم
تولید اثبات برای برخی مسائل چند روز محاسبه نیاز دارد،
اما این روش یک جهش اساسی در «استدلال ریاضی رسمی» محسوب می‌شود.
🔗 منبع علمی (Nature)
https://www.nature.com/articles/s41586-025-09833-y
#AI #AlphaProof #DeepMind #Math #IMO #Research
@asrgooyeshpardaz
Nature
Olympiad-level formal mathematical reasoning with reinforcement learning
Nature - Olympiad-level formal mathematical reasoning is achieved with reinforcement learning, with performance reaching a score equivalent to that of a silver medallist at the 2024 International...
🔥3❤1👏1🆒1
👾 عامل SIMA 2: همراهِ هوشمند گوگل برای دنیای بازی‌ها
گوگل دیپ‌مایند نسخه جدید عامل embodied خود را معرفی کرد؛ مدلی که می‌تواند در کنار کاربر در دنیای سه‌بعدی بازی‌ها ببیند، فکر کند، یاد بگیرد و عمل کند.
🔍 قابلیت‌های جدید SIMA 2
🧠 استدلال پیشرفته (Gemini-Powered)
نسخه دوم اکنون بر پایه خانواده مدل‌های Gemini کار می‌کند؛ یعنی می‌تواند اهداف پیچیده را درک کند، درباره تصمیم‌هایش توضیح بدهد و حتی در طول بازی با کاربر گفتگو کند.
🎯 یادگیری خودکار
عامل SIMA 2 بدون نیاز به نظارت انسانی، مهارت‌هایش را ارتقا می‌دهد. هر چه بیشتر بازی کند، هوشمندتر می‌شود.
🌍 سازگاری با دنیای جدید
این عامل می‌تواند در بازی‌های ناآشنا مثل ASKA و MineDojo و حتی دنیاهای ساخته‌شده توسط هوش مصنوعی مانند Genie 3 حرکت کند و وظایف مختلف را انجام دهد.
📈 عملکرد بهتر نسبت به نسخه قبل
در بسیاری از وظایف، فاصله عملکرد SIMA با انسان نسبت به نسخه ۱ به‌طور چشمگیری کاهش یافته است. این یعنی یک گام جدی به سمت ساخت عامل‌های چندمهارتی که در آینده می‌توانند در رباتیک دنیای واقعی هم نقش ایفا کنند.
🔒 وضعیت انتشار
فعلاً SIMA 2 در مرحله Limited Preview قرار دارد.
🔗 منبع رسمی (گوگل دیپ‌مایند)
#AI #SIMA2 #Google #DeepMind
@asrgooyeshpardaz
گوگل دیپ‌مایند نسخه جدید عامل embodied خود را معرفی کرد؛ مدلی که می‌تواند در کنار کاربر در دنیای سه‌بعدی بازی‌ها ببیند، فکر کند، یاد بگیرد و عمل کند.
🔍 قابلیت‌های جدید SIMA 2
🧠 استدلال پیشرفته (Gemini-Powered)
نسخه دوم اکنون بر پایه خانواده مدل‌های Gemini کار می‌کند؛ یعنی می‌تواند اهداف پیچیده را درک کند، درباره تصمیم‌هایش توضیح بدهد و حتی در طول بازی با کاربر گفتگو کند.
🎯 یادگیری خودکار
عامل SIMA 2 بدون نیاز به نظارت انسانی، مهارت‌هایش را ارتقا می‌دهد. هر چه بیشتر بازی کند، هوشمندتر می‌شود.
🌍 سازگاری با دنیای جدید
این عامل می‌تواند در بازی‌های ناآشنا مثل ASKA و MineDojo و حتی دنیاهای ساخته‌شده توسط هوش مصنوعی مانند Genie 3 حرکت کند و وظایف مختلف را انجام دهد.
📈 عملکرد بهتر نسبت به نسخه قبل
در بسیاری از وظایف، فاصله عملکرد SIMA با انسان نسبت به نسخه ۱ به‌طور چشمگیری کاهش یافته است. این یعنی یک گام جدی به سمت ساخت عامل‌های چندمهارتی که در آینده می‌توانند در رباتیک دنیای واقعی هم نقش ایفا کنند.
🔒 وضعیت انتشار
فعلاً SIMA 2 در مرحله Limited Preview قرار دارد.
🔗 منبع رسمی (گوگل دیپ‌مایند)
#AI #SIMA2 #Google #DeepMind
@asrgooyeshpardaz
Google DeepMind
SIMA 2: A Gemini-Powered AI Agent for 3D Virtual Worlds
Introducing SIMA 2, the next milestone in our research creating general and helpful AI agents. By integrating the advanced capabilities of our Gemini models, SIMA is evolving from an instruction-follower into an interactive gaming companion.
🔥1🎉1
☀️ گوگل دیپ‌مایند نسخه‌ی جدید سیستم پیش‌بینی هوای خود را معرفی کرد: WeatherNext 2
مدل جدید WeatherNext 2 پیشرفته‌ترین سیستم هوشمند DeepMind برای پیش‌بینی سریع‌تر، دقیق‌تر و قابل‌اعتمادتر وضعیت آب‌وهوا است. مهم‌ترین ویژگی‌های آن:
⚡️ ۸ برابر سریع‌تر
مدل WeatherNext 2 می‌تواند پیش‌بینی‌های جوی را با سرعتی بسیار بیشتر نسبت به نسل قبلی تولید کند.
🎯 دقت بالاتر با تفکیک‌پذیری ساعتی
این مدل تا تفکیک‌پذیری یک‌ساعته را پشتیبانی می‌کند و در ۹۹.۹٪ پارامترها عملکرد بهتری نسبت به نسخه‌ی پیشین دارد.
🌪 تولید صدها سناریوی احتمالی
مدل قادر است صدها مسیر آب‌وهوایی جایگزین، از جمله سناریوهای شدید مثل طوفان‌ها، موج‌های گرما یا بارندگی‌های ناگهانی را شبیه‌سازی کند. این قابلیت برای برنامه‌ریزی، مدیریت بحران و تحلیل ریسک فوق‌العاده مهم است.
🛰 کاربرد در محصولات گوگل
مدل WeatherNext 2 اکنون در Google Search، Gemini و Google Maps استفاده می‌شود و کیفیت پیش‌بینی‌ها را برای کاربران در جهان بالا می‌برد.
🗂 دسترسی برای توسعه‌دهندگان
داده‌های این مدل از طریق Earth Engine و BigQuery در اختیار پژوهشگران و توسعه‌دهندگان قرار گرفته است.
🌍 پیش‌بینی هوا با کمک هوش مصنوعی هر روز دقیق‌تر و سریع‌تر می‌شود — و WeatherNext 2 یکی از بزرگ‌ترین جهش‌ها در این مسیر است.
🔗 لینک منبع:
https://blog.google/technology/google-deepmind/weathernext-2/
#AI #Google #DeepMind #Weather
@asrgooyeshpardaz
مدل جدید WeatherNext 2 پیشرفته‌ترین سیستم هوشمند DeepMind برای پیش‌بینی سریع‌تر، دقیق‌تر و قابل‌اعتمادتر وضعیت آب‌وهوا است. مهم‌ترین ویژگی‌های آن:
⚡️ ۸ برابر سریع‌تر
مدل WeatherNext 2 می‌تواند پیش‌بینی‌های جوی را با سرعتی بسیار بیشتر نسبت به نسل قبلی تولید کند.
🎯 دقت بالاتر با تفکیک‌پذیری ساعتی
این مدل تا تفکیک‌پذیری یک‌ساعته را پشتیبانی می‌کند و در ۹۹.۹٪ پارامترها عملکرد بهتری نسبت به نسخه‌ی پیشین دارد.
🌪 تولید صدها سناریوی احتمالی
مدل قادر است صدها مسیر آب‌وهوایی جایگزین، از جمله سناریوهای شدید مثل طوفان‌ها، موج‌های گرما یا بارندگی‌های ناگهانی را شبیه‌سازی کند. این قابلیت برای برنامه‌ریزی، مدیریت بحران و تحلیل ریسک فوق‌العاده مهم است.
🛰 کاربرد در محصولات گوگل
مدل WeatherNext 2 اکنون در Google Search، Gemini و Google Maps استفاده می‌شود و کیفیت پیش‌بینی‌ها را برای کاربران در جهان بالا می‌برد.
🗂 دسترسی برای توسعه‌دهندگان
داده‌های این مدل از طریق Earth Engine و BigQuery در اختیار پژوهشگران و توسعه‌دهندگان قرار گرفته است.
🌍 پیش‌بینی هوا با کمک هوش مصنوعی هر روز دقیق‌تر و سریع‌تر می‌شود — و WeatherNext 2 یکی از بزرگ‌ترین جهش‌ها در این مسیر است.
🔗 لینک منبع:
https://blog.google/technology/google-deepmind/weathernext-2/
#AI #Google #DeepMind #Weather
@asrgooyeshpardaz
Google
WeatherNext 2: Our most advanced weather forecasting model
The new AI model delivers more efficient, more accurate and higher-resolution global weather predictions.
⚡2❤1🔥1
🚀 گوگل نسخهٔ بهبودیافتهٔ Gemini 2.5 Flash Native Audio را معرفی کرد
🔊چه چیزهایی جدید است؟
این مدل اکنون در انجام وظایف پیچیده، فراخوانی توابع خارجی و برقراری گفت‌وگوهای روان عملکرد بهتری دارد.
میزان پایبندی قابل‌اعتماد به دستورالعمل‌ها تا ۹۰٪ افزایش یافته است.
در آزمون ComplexFuncBench Audio با امتیاز ۷۱٫۵٪ پیشتاز است.
🏗 کجا در دسترس است؟
در Google AI Studio، Vertex AI، Gemini Live و برای نخستین‌بار در Search Live عرضه شده است.
مشتریانی مانند Shopify و UWM هم‌اکنون از این مدل برای پشتیبانی و پردازش درخواست‌ها استفاده می‌کنند.
🌍 ترجمهٔ زندهٔ گفتار
نسخهٔ بتا در Google Translate راه‌اندازی شده است.
ترجمهٔ گفتار به‌صورت بلادرنگ به بیش از ۷۰ زبان.
حفظ لحن، آهنگ و سرعت گوینده.
عملکرد مناسب در محیط‌های پرسر‌وصدا.
در حال حاضر برای اندروید و در کشورهای ایالات متحده، مکزیک و هند در دسترس است.
🔗 منبع:
https://blog.google/products/gemini/gemini-audio-model-updates/
#هوش_مصنوعی
#Google #DeepMind #Gemini
@asrgooyeshpardaz
🔊چه چیزهایی جدید است؟
این مدل اکنون در انجام وظایف پیچیده، فراخوانی توابع خارجی و برقراری گفت‌وگوهای روان عملکرد بهتری دارد.
میزان پایبندی قابل‌اعتماد به دستورالعمل‌ها تا ۹۰٪ افزایش یافته است.
در آزمون ComplexFuncBench Audio با امتیاز ۷۱٫۵٪ پیشتاز است.
🏗 کجا در دسترس است؟
در Google AI Studio، Vertex AI، Gemini Live و برای نخستین‌بار در Search Live عرضه شده است.
مشتریانی مانند Shopify و UWM هم‌اکنون از این مدل برای پشتیبانی و پردازش درخواست‌ها استفاده می‌کنند.
🌍 ترجمهٔ زندهٔ گفتار
نسخهٔ بتا در Google Translate راه‌اندازی شده است.
ترجمهٔ گفتار به‌صورت بلادرنگ به بیش از ۷۰ زبان.
حفظ لحن، آهنگ و سرعت گوینده.
عملکرد مناسب در محیط‌های پرسر‌وصدا.
در حال حاضر برای اندروید و در کشورهای ایالات متحده، مکزیک و هند در دسترس است.
🔗 منبع:
https://blog.google/products/gemini/gemini-audio-model-updates/
#هوش_مصنوعی
#Google #DeepMind #Gemini
@asrgooyeshpardaz
Google
Improved Gemini audio models for powerful voice interactions
An upgraded Gemini 2.5 Native Audio model across Google products and live speech translation in the Google Translate app.
❤5👌1🌭1
🚀 گوگل از Gemma 4 12B Unified رونمایی کرد؛
یک مدل متن‌باز چندوجهی که بدون نیاز به رمزگذارهای جداگانه، متن، تصویر، صدا و ویدئو را به‌صورت یکپارچه پردازش می‌کند.
این مدل که توسط deepmind.google توسعه یافته، گام مهمی در نزدیک‌تر شدن مدل‌های متن‌باز به توانایی‌های مدل‌های پرچمدار تجاری محسوب می‌شود.
🔹 مشخصات فنی
• ۱۲ میلیارد پارامتر با معماری Dense
• پنجره زمینه (Context Window) تا ۲۵۶ هزار توکن
• پشتیبانی بومی از ورودی‌های چندوجهی:
صوت (تشخیص گفتار و ترجمه تا ۳۰ ثانیه)
ویدئو (تا ۶۰ ثانیه) تصاویر با رزولوشن متغیر
• مجهز به قابلیت «استدلال مرحله‌به‌مرحله» (Reasoning)
• پشتیبانی از System Prompt و Function Calling
• آموزش‌دیده روی بیش از ۱۴۰ زبان
📊 عملکرد در بنچمارک‌ها
• MMLU Pro: 77.2٪
• AIME 2026: 77.5٪
• LiveCodeBench v6: 72.0٪
• GPQA Diamond: 78.8٪
• MMMU Pro (بینایی): 69.1٪
💡 چرا Gemma 4 12B Unified ؟
✅ اجرای محلی روی GPUهای مصرفی و حتی برخی لپ‌تاپ‌ها
✅ انتشار نسخه‌های GGUF برای اجرای بهینه در ابزارهای متن‌باز
✅ امکان Fine-Tuning و سفارشی‌سازی برای کاربردهای سازمانی
✅ بهره‌گیری از مکانیزم‌های ایمنی و هم‌راستاسازی مشابه خانواده Gemini
✅ یکی از معدود مدل‌های متن‌باز که چندوجهی بودن را به‌صورت واقعی و یکپارچه ارائه می‌کند
🎯 نکته مهم این است که گوگل تلاش کرده معماری چندوجهی را در یک مدل واحد ادغام کند؛ رویکردی که می‌تواند هزینه توسعه و استقرار سامانه‌های هوش مصنوعی چندرسانه‌ای را به‌طور قابل‌توجهی کاهش دهد و مسیر ساخت دستیارهای هوشمند محلی و سازمانی را هموارتر کند.
🔗 صفحه مدل:
https://huggingface.co/google/gemma-4-12B-it
#هوش_مصنوعی #AI #Google #DeepMind #Gemma #LLM #Multimodal #OpenSource
🆔 @asrgooyeshpardaz
یک مدل متن‌باز چندوجهی که بدون نیاز به رمزگذارهای جداگانه، متن، تصویر، صدا و ویدئو را به‌صورت یکپارچه پردازش می‌کند.
این مدل که توسط deepmind.google توسعه یافته، گام مهمی در نزدیک‌تر شدن مدل‌های متن‌باز به توانایی‌های مدل‌های پرچمدار تجاری محسوب می‌شود.
🔹 مشخصات فنی
• ۱۲ میلیارد پارامتر با معماری Dense
• پنجره زمینه (Context Window) تا ۲۵۶ هزار توکن
• پشتیبانی بومی از ورودی‌های چندوجهی:
صوت (تشخیص گفتار و ترجمه تا ۳۰ ثانیه)
ویدئو (تا ۶۰ ثانیه) تصاویر با رزولوشن متغیر
• مجهز به قابلیت «استدلال مرحله‌به‌مرحله» (Reasoning)
• پشتیبانی از System Prompt و Function Calling
• آموزش‌دیده روی بیش از ۱۴۰ زبان
📊 عملکرد در بنچمارک‌ها
• MMLU Pro: 77.2٪
• AIME 2026: 77.5٪
• LiveCodeBench v6: 72.0٪
• GPQA Diamond: 78.8٪
• MMMU Pro (بینایی): 69.1٪
💡 چرا Gemma 4 12B Unified ؟
✅ اجرای محلی روی GPUهای مصرفی و حتی برخی لپ‌تاپ‌ها
✅ انتشار نسخه‌های GGUF برای اجرای بهینه در ابزارهای متن‌باز
✅ امکان Fine-Tuning و سفارشی‌سازی برای کاربردهای سازمانی
✅ بهره‌گیری از مکانیزم‌های ایمنی و هم‌راستاسازی مشابه خانواده Gemini
✅ یکی از معدود مدل‌های متن‌باز که چندوجهی بودن را به‌صورت واقعی و یکپارچه ارائه می‌کند
🎯 نکته مهم این است که گوگل تلاش کرده معماری چندوجهی را در یک مدل واحد ادغام کند؛ رویکردی که می‌تواند هزینه توسعه و استقرار سامانه‌های هوش مصنوعی چندرسانه‌ای را به‌طور قابل‌توجهی کاهش دهد و مسیر ساخت دستیارهای هوشمند محلی و سازمانی را هموارتر کند.
🔗 صفحه مدل:
https://huggingface.co/google/gemma-4-12B-it
#هوش_مصنوعی #AI #Google #DeepMind #Gemma #LLM #Multimodal #OpenSource
🆔 @asrgooyeshpardaz
❤4👍1
🧠 دیپ‌مایند روش جدیدی برای جداسازی منابع بدون نیاز به داده تمیز ارائه داده است
پژوهشگران گوگل دیپ‌مایند روشی به نام SURF (جداسازی با جریان ترکیب مجدد بدون نظارت) ابداع کرده‌اند که قادر است بدون دسترسی به نمونه‌های تمیز و مجزا، منابع مختلف را از یک فایل ترکیبی (مثلاً یک فایل صوتی) جدا کند.
🔊 مسئله جداسازی منابع چیست؟
فرض کنید یک فایل صوتی دارید که در آن همزمان صدای دو نفر شنیده می‌شود که صحبت می‌کنند. هدف این است که صدای هر نفر را به صورت جداگانه استخراج کنید. در حالت نظارت‌شده برای آموزش مدل، به صدای مجزا و بدون نویز هر گوینده نیاز داریم که تهیه آن دشوار و پرهزینه است. همچنین مدل‌های نظارت‌شده در برابر تغییر دامنه (مثلاً نوع جدیدی از نویز) آسیب‌پذیرند.
🎯 راه‌حل SURF چیست؟
روش SURF یک روش بدون نظارت است که مستقیماً از خود فایل‌های ترکیبی یاد می‌گیرد و نیازی به داده‌های تمیز و تفکیک‌شده ندارد. این روش ترکیبی نوآورانه از دو تکنیک پیشرفته است: «جریان تطبیق نظارت‌شده» و «خودنظارتی مبتنی بر رگرسیون».
به طور خلاصه، فرایند به این صورت است:
۱. یک مدل معلم (teacher) تخمین اولیه‌ای از منابع جداگانه ارائه می‌دهد.
۲. سپس این تخمین‌ها به روشی هوشمندانه دوباره با هم ترکیب می‌شوند (مرحله رمیکسینگ).
۳. از این ترکیب‌های مجدد برای آموزش یک مدل دانش‌آموز (student) استفاده می‌شود.
۴. این چرخه آنقدر تکرار می‌شود تا مدل به جداسازی دقیقی دست یابد.
نویسندگان نشان داده‌اند که این الگوریتم ارتباط نزدیکی با الگوریتم معروف Wake-Sleep در یادگیری ماشین دارد.
📊 نتایج و رکوردشکنی
ارزیابی‌ها روی بنچمارک‌های جداسازی صدا (مانند Libri2Mix، FUSS و LibriSpeech+FUSS) و همچنین روی داده‌های تصویری نشان داده است که SURF به طور قابل توجهی از تمام روش‌های بدون نظارت قبلی بهتر عمل می‌کند و رکورد جدیدی در این حوزه ثبت می‌کند. در صفحه دموی پروژه، نمونه‌های شنیداری از جداسازی موفقیت‌آمیز صداها ارائه شده است که تفاوت کیفیت را به وضوح نشان می‌دهد.
🔗 منابع:
- صفحه دموی پروژه SURF
- مقاله کامل در arXiv:2606.04921
این مقاله در کنفرانس معتبر ICML 2026 پذیرفته شده است.
#DeepMind #AudioProcessing #SourceSeparation #UnsupervisedLearning #ICML2026
🆔 @asrgooyeshpardaz
پژوهشگران گوگل دیپ‌مایند روشی به نام SURF (جداسازی با جریان ترکیب مجدد بدون نظارت) ابداع کرده‌اند که قادر است بدون دسترسی به نمونه‌های تمیز و مجزا، منابع مختلف را از یک فایل ترکیبی (مثلاً یک فایل صوتی) جدا کند.
🔊 مسئله جداسازی منابع چیست؟
فرض کنید یک فایل صوتی دارید که در آن همزمان صدای دو نفر شنیده می‌شود که صحبت می‌کنند. هدف این است که صدای هر نفر را به صورت جداگانه استخراج کنید. در حالت نظارت‌شده برای آموزش مدل، به صدای مجزا و بدون نویز هر گوینده نیاز داریم که تهیه آن دشوار و پرهزینه است. همچنین مدل‌های نظارت‌شده در برابر تغییر دامنه (مثلاً نوع جدیدی از نویز) آسیب‌پذیرند.
🎯 راه‌حل SURF چیست؟
روش SURF یک روش بدون نظارت است که مستقیماً از خود فایل‌های ترکیبی یاد می‌گیرد و نیازی به داده‌های تمیز و تفکیک‌شده ندارد. این روش ترکیبی نوآورانه از دو تکنیک پیشرفته است: «جریان تطبیق نظارت‌شده» و «خودنظارتی مبتنی بر رگرسیون».
به طور خلاصه، فرایند به این صورت است:
۱. یک مدل معلم (teacher) تخمین اولیه‌ای از منابع جداگانه ارائه می‌دهد.
۲. سپس این تخمین‌ها به روشی هوشمندانه دوباره با هم ترکیب می‌شوند (مرحله رمیکسینگ).
۳. از این ترکیب‌های مجدد برای آموزش یک مدل دانش‌آموز (student) استفاده می‌شود.
۴. این چرخه آنقدر تکرار می‌شود تا مدل به جداسازی دقیقی دست یابد.
نویسندگان نشان داده‌اند که این الگوریتم ارتباط نزدیکی با الگوریتم معروف Wake-Sleep در یادگیری ماشین دارد.
📊 نتایج و رکوردشکنی
ارزیابی‌ها روی بنچمارک‌های جداسازی صدا (مانند Libri2Mix، FUSS و LibriSpeech+FUSS) و همچنین روی داده‌های تصویری نشان داده است که SURF به طور قابل توجهی از تمام روش‌های بدون نظارت قبلی بهتر عمل می‌کند و رکورد جدیدی در این حوزه ثبت می‌کند. در صفحه دموی پروژه، نمونه‌های شنیداری از جداسازی موفقیت‌آمیز صداها ارائه شده است که تفاوت کیفیت را به وضوح نشان می‌دهد.
🔗 منابع:
- صفحه دموی پروژه SURF
- مقاله کامل در arXiv:2606.04921
این مقاله در کنفرانس معتبر ICML 2026 پذیرفته شده است.
#DeepMind #AudioProcessing #SourceSeparation #UnsupervisedLearning #ICML2026
🆔 @asrgooyeshpardaz
arXiv.org
SURF: Separation via Unsupervised Remixing Flow
The goal of single-channel source separation is to reconstruct $K$ sources given their mixture. In supervised settings where vast amounts of clean source data are available, this challenging,...
❤1👍1
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 کوالیا رباتیکس در برنامه گوگل دیپ‌مایند پذیرفته شد
شرکت Qualia Robotics به طور رسمی برای شرکت در برنامه رباتیک Google DeepMind انتخاب شده است.
🧠 این شرکت روی مدل‌های «جسم‌یافته» (embodied models) کار می‌کند که ربات‌ها را برای انجام کارهای واقعی در محیط‌های صنعتی آماده می‌سازد – نه فقط در حالت نمایشی.
🎯 تمرکز اصلی روی مدل‌های بنیادی و قدرت استدلال هوش مصنوعی است. این دو حوزه، مسیر آینده رباتیک را تعیین می‌کنند.
🤝 همکاری با دیپ‌مایند که در مرزهای دانش این فناوری حرکت می‌کند، دقیقاً همان جایی است که کوالیا آرزویش را داشت.
✅ خلاصه:
- کار در دنیای واقعی، بدون هیچ صحنه‌سازی
- تأیید شده توسط برنامه معتبر Google DeepMind
- روند اصلی آینده: استدلال + مدل‌های بنیادی در رباتیک
🔗 منبع: پست Qualia Robotics در شبکه اجتماعی X
#Google #DeepMind #رباتیک
🆔 @asrgooyeshpardaz
شرکت Qualia Robotics به طور رسمی برای شرکت در برنامه رباتیک Google DeepMind انتخاب شده است.
🧠 این شرکت روی مدل‌های «جسم‌یافته» (embodied models) کار می‌کند که ربات‌ها را برای انجام کارهای واقعی در محیط‌های صنعتی آماده می‌سازد – نه فقط در حالت نمایشی.
🎯 تمرکز اصلی روی مدل‌های بنیادی و قدرت استدلال هوش مصنوعی است. این دو حوزه، مسیر آینده رباتیک را تعیین می‌کنند.
🤝 همکاری با دیپ‌مایند که در مرزهای دانش این فناوری حرکت می‌کند، دقیقاً همان جایی است که کوالیا آرزویش را داشت.
✅ خلاصه:
- کار در دنیای واقعی، بدون هیچ صحنه‌سازی
- تأیید شده توسط برنامه معتبر Google DeepMind
- روند اصلی آینده: استدلال + مدل‌های بنیادی در رباتیک
🔗 منبع: پست Qualia Robotics در شبکه اجتماعی X
#Google #DeepMind #رباتیک
🆔 @asrgooyeshpardaz
❤4👏2👎1🔥1
🧠 دیپ‌مایند از PhaseCoder رونمایی کرد؛ درک فضایی صدا برای مدل‌های چندوجهی
مدل‌های چندوجهی فعلی، صدا را به‌صورت یک‌کاناله (مونو) پردازش می‌کنند و اطلاعات فضایی حیاتی برای هوش مصنوعی تعبیه‌شده (Embodied AI) را نادیده می‌گیرند. مدل‌های فضایی صوتی موجود نیز به هندسه‌ی ثابت میکروفون محدود هستند و نمی‌توانند روی دستگاه‌های مختلف اجرا شوند.
ابزار PhaseCoder یک رمزگذار صوتی فضایی مبتنی بر ترنسفورمر است که به هندسه‌ی میکروفون وابسته نیست. این مدل، سیگنال چندکاناله و مختصات میکروفون را دریافت کرده و بردارهای فضایی تولید می‌کند. محققان نشان داده‌اند که می‌توان مدل زبانی Gemma 3n را برای استدلال بر روی «توکن‌های صوتی فضایی» خروجی PhaseCoder، تنظیم دقیق کرد.
---
✨ دستاوردهای کلیدی
🔹 عملکرد پیشرو در بنچمارک‌های بومی‌سازی مستقل از هندسه‌ی میکروفون
🔹 برای اولین بار، یک LLM قادر به استدلال فضایی پیچیده و رونویسی هدفمند از یک آرایه‌ی میکروفون دلخواه شده است
🔹 رمزگشای صوتی اختصاصی و معماری ساده و کارآمد
---
💡 اهمیت این پژوهش
ابزار PhaseCoder دروازه‌ای به سوی ادراک فضایی در سیستم‌های صوتی-تصویری است و می‌تواند در رباتیک، واقعیت افزوده، دستیارهای هوشمند و تحلیل مکالمات چندنفره تحول ایجاد کند.
---
🔗 منابع
📄 مقاله:
https://arxiv.org/abs/2601.21124
💻 کد منبع:
https://github.com/google-deepmind/phasecoder
---
#DeepMind #پردازش_صدا #هوش_مصنوعی_چندوجهی #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
مدل‌های چندوجهی فعلی، صدا را به‌صورت یک‌کاناله (مونو) پردازش می‌کنند و اطلاعات فضایی حیاتی برای هوش مصنوعی تعبیه‌شده (Embodied AI) را نادیده می‌گیرند. مدل‌های فضایی صوتی موجود نیز به هندسه‌ی ثابت میکروفون محدود هستند و نمی‌توانند روی دستگاه‌های مختلف اجرا شوند.
ابزار PhaseCoder یک رمزگذار صوتی فضایی مبتنی بر ترنسفورمر است که به هندسه‌ی میکروفون وابسته نیست. این مدل، سیگنال چندکاناله و مختصات میکروفون را دریافت کرده و بردارهای فضایی تولید می‌کند. محققان نشان داده‌اند که می‌توان مدل زبانی Gemma 3n را برای استدلال بر روی «توکن‌های صوتی فضایی» خروجی PhaseCoder، تنظیم دقیق کرد.
---
✨ دستاوردهای کلیدی
🔹 عملکرد پیشرو در بنچمارک‌های بومی‌سازی مستقل از هندسه‌ی میکروفون
🔹 برای اولین بار، یک LLM قادر به استدلال فضایی پیچیده و رونویسی هدفمند از یک آرایه‌ی میکروفون دلخواه شده است
🔹 رمزگشای صوتی اختصاصی و معماری ساده و کارآمد
---
💡 اهمیت این پژوهش
ابزار PhaseCoder دروازه‌ای به سوی ادراک فضایی در سیستم‌های صوتی-تصویری است و می‌تواند در رباتیک، واقعیت افزوده، دستیارهای هوشمند و تحلیل مکالمات چندنفره تحول ایجاد کند.
---
🔗 منابع
📄 مقاله:
https://arxiv.org/abs/2601.21124
💻 کد منبع:
https://github.com/google-deepmind/phasecoder
---
#DeepMind #پردازش_صدا #هوش_مصنوعی_چندوجهی #پژوهش_هوش_مصنوعی
🆔 @asrgooyeshpardaz
arXiv.org
PhaseCoder: Microphone Geometry-Agnostic Spatial Audio...
Current multimodal LLMs process audio as a mono stream, ignoring the rich spatial information essential for embodied AI. Existing spatial audio models, conversely, are constrained to fixed...
❤2