This media is not supported in your browser
VIEW IN TELEGRAM
🌍 مایکروسافت کوپایلوت دسترسی به Deep Research را برای کاربرانش فعال می‌کند
📊 نسخه رایگان شامل ۵ گزارش تحلیلی دقیق در هر ماه است
ویژگی‌های اصلی:
• 📱 قابل استفاده در همه پلتفرم‌ها (وب، Edge، iOS، Android)
• 📝 گزارش‌های ساختاریافته همراه با ذکر منابع
• 🔍 تحلیل موضوعات پیچیده با امکان ویرایش
امتحانش کن👌
https://copilot.microsoft.com
گویا برای ایران فعال نشده هنوز. تجربه خودتان را در کامنت‌ها برای ما بنویسید.🙏
#Microsoft #Copilot #AI #DeepResearch
@asrgooyeshpardaz
📊 نسخه رایگان شامل ۵ گزارش تحلیلی دقیق در هر ماه است
ویژگی‌های اصلی:
• 📱 قابل استفاده در همه پلتفرم‌ها (وب، Edge، iOS، Android)
• 📝 گزارش‌های ساختاریافته همراه با ذکر منابع
• 🔍 تحلیل موضوعات پیچیده با امکان ویرایش
امتحانش کن👌
https://copilot.microsoft.com
گویا برای ایران فعال نشده هنوز. تجربه خودتان را در کامنت‌ها برای ما بنویسید.🙏
#Microsoft #Copilot #AI #DeepResearch
@asrgooyeshpardaz
👌2🔥1
🔥 انویدیا Universal Deep Research (UDR) را معرفی کرد
عامل UDR یک عامل (Agent) قابل تنظیم برای پژوهش عمیق است که می‌تواند با هر مدل زبانی بزرگ (LLM) ادغام شود.
❇️ویژگی‌ها:
🟠 پیکربندی انعطاف‌پذیر بدون نیاز به کدنویسی — بر خلاف بسیاری از ابزارها که سناریوهای سخت و محدود دارند، UDR آزادی عمل بیشتری می‌دهد.
🟠 امکان ایجاد، ویرایش و ترکیب استراتژی‌های جستجو و تحلیل.
🟠 در مخزن (repo) نمونه‌هایی از استراتژی‌ها (minimal، expansive، intensive) وجود دارد، اما نقطهٔ قوت اصلی در سفارشی‌سازی برای نیازهای خاص است.
به طور خلاصه، این یک عامل پژوهشی انعطاف‌پذیر است که می‌توان آن را با هر جریان کاری سازگار کرد.
🟢 پروژه:
https://research.nvidia.com/labs/lpr/udr
🟢 کد:
https://github.com/NVlabs/UniversalDeepResearch
🟢 آزمایشگاه:
https://nv-dler.github.io
#NVIDIA #UDR #UniversalDeepResearch #AI #LLM #ResearchAgent #AIAgents #DeepResearch
@asrgooyeshpardaz
عامل UDR یک عامل (Agent) قابل تنظیم برای پژوهش عمیق است که می‌تواند با هر مدل زبانی بزرگ (LLM) ادغام شود.
❇️ویژگی‌ها:
🟠 پیکربندی انعطاف‌پذیر بدون نیاز به کدنویسی — بر خلاف بسیاری از ابزارها که سناریوهای سخت و محدود دارند، UDR آزادی عمل بیشتری می‌دهد.
🟠 امکان ایجاد، ویرایش و ترکیب استراتژی‌های جستجو و تحلیل.
🟠 در مخزن (repo) نمونه‌هایی از استراتژی‌ها (minimal، expansive، intensive) وجود دارد، اما نقطهٔ قوت اصلی در سفارشی‌سازی برای نیازهای خاص است.
به طور خلاصه، این یک عامل پژوهشی انعطاف‌پذیر است که می‌توان آن را با هر جریان کاری سازگار کرد.
🟢 پروژه:
https://research.nvidia.com/labs/lpr/udr
🟢 کد:
https://github.com/NVlabs/UniversalDeepResearch
🟢 آزمایشگاه:
https://nv-dler.github.io
#NVIDIA #UDR #UniversalDeepResearch #AI #LLM #ResearchAgent #AIAgents #DeepResearch
@asrgooyeshpardaz
❤2👍1👏1
🚀روش InfoSeek معرفی شد!
سنتز داده برای پژوهش عمیق با فرمالیزه‌سازی HCSP
مؤسسه BAAI روش تازه‌ای برای سنتز داده و آموزش پژوهش عمیق ارائه کرده است. این روش با فرمالیزه‌سازی HCSP، پرسش‌ها را به زیرمسئله‌ها می‌شکند، مسیر استدلال چندمرحله‌ای می‌سازد و هر گام را با منابع واقعی بررسی می‌کند.
🔹 خروجی:
❇️۵۰هزار جفت پرسش–پاسخ
❇️۱۶,۵۰۰ مسیر استدلال
❇️دیتاست + گزارش فنی + کد آموزشی
🔍 نتایج:
✅مدل فشرده InfoSeeker-3B از RAGها و حتی برخی مدل‌های بزرگ‌تر (مثل GPT-4.1، Gemini 2.5 Flash) دقیق‌تر عمل کرده است.
✅دقت روی مجموعه BrowseComp-Plus از ۳٪ به ۱۶,۵٪ جهش کرده!
📎 منابع:
مقاله:
https://arxiv.org/pdf/2509.00375
دیتاست:
https://huggingface.co/datasets/Lk123/InfoSeek
گیت هاب:
https://github.com/VectorSpaceLab/InfoSeek
#AI #DeepResearch #InfoSeek
---
@asrgooyeshpardaz
سنتز داده برای پژوهش عمیق با فرمالیزه‌سازی HCSP
مؤسسه BAAI روش تازه‌ای برای سنتز داده و آموزش پژوهش عمیق ارائه کرده است. این روش با فرمالیزه‌سازی HCSP، پرسش‌ها را به زیرمسئله‌ها می‌شکند، مسیر استدلال چندمرحله‌ای می‌سازد و هر گام را با منابع واقعی بررسی می‌کند.
🔹 خروجی:
❇️۵۰هزار جفت پرسش–پاسخ
❇️۱۶,۵۰۰ مسیر استدلال
❇️دیتاست + گزارش فنی + کد آموزشی
🔍 نتایج:
✅مدل فشرده InfoSeeker-3B از RAGها و حتی برخی مدل‌های بزرگ‌تر (مثل GPT-4.1، Gemini 2.5 Flash) دقیق‌تر عمل کرده است.
✅دقت روی مجموعه BrowseComp-Plus از ۳٪ به ۱۶,۵٪ جهش کرده!
📎 منابع:
مقاله:
https://arxiv.org/pdf/2509.00375
دیتاست:
https://huggingface.co/datasets/Lk123/InfoSeek
گیت هاب:
https://github.com/VectorSpaceLab/InfoSeek
#AI #DeepResearch #InfoSeek
---
@asrgooyeshpardaz
👌2❤1
⚙️ مدل متن‌باز جدید چینی: «Tongyi DeepResearch» با ۳۰٫۵ میلیارد پارامتر
🎯 تیم Tongyi Lab از اولین عامل وب متن‌باز (Web Agent) رونمایی کرده است که در آزمون‌های کلیدی حتی از OpenAI DeepResearch عملکرد بهتری نشان می‌دهد:
📊 ۳۲٫۹ امتیاز در آزمون Humanity’s Last Exam (ارزیابی توانایی‌های آکادمیک)
🏆 ۷۵ امتیاز در xbench-DeepSearch (سناریوهای واقعی کاربران)
🔍 ۴۳٫۴ / ۴۶٫۷ در BrowseComp (جست‌وجوی پیچیده و چندمرحله‌ای اطلاعات)
🚀 درون‌مایه و ویژگی‌ها:
چرخهٔ آموزشی کامل: از پیش‌آموزش تا یادگیری تقویتی (RL) 🔄
تولید داده‌های مصنوعی باکیفیت، کاملاً بدون دخالت انسان 🤖
دو حالت عملکرد: ReAct (استاندارد) و Heavy (برای وظایف دشوار) ⚡️
💡 کاربردهای واقعی فعلی:
🗺 برنامه Gaode Mate: برنامه‌ریز هوشمند سفر
⚖️ برنامه Tongyi FaRui: دستیار حقوقی با بررسی خودکار منابع
📂 کد منبع و مدل‌ها در دسترس هستند:
🔗 GitHub
🔗 Hugging Face
#هوش_مصنوعی #Alibaba #DeepResearch
@asrgooyeshpardaz
🎯 تیم Tongyi Lab از اولین عامل وب متن‌باز (Web Agent) رونمایی کرده است که در آزمون‌های کلیدی حتی از OpenAI DeepResearch عملکرد بهتری نشان می‌دهد:
📊 ۳۲٫۹ امتیاز در آزمون Humanity’s Last Exam (ارزیابی توانایی‌های آکادمیک)
🏆 ۷۵ امتیاز در xbench-DeepSearch (سناریوهای واقعی کاربران)
🔍 ۴۳٫۴ / ۴۶٫۷ در BrowseComp (جست‌وجوی پیچیده و چندمرحله‌ای اطلاعات)
🚀 درون‌مایه و ویژگی‌ها:
چرخهٔ آموزشی کامل: از پیش‌آموزش تا یادگیری تقویتی (RL) 🔄
تولید داده‌های مصنوعی باکیفیت، کاملاً بدون دخالت انسان 🤖
دو حالت عملکرد: ReAct (استاندارد) و Heavy (برای وظایف دشوار) ⚡️
💡 کاربردهای واقعی فعلی:
🗺 برنامه Gaode Mate: برنامه‌ریز هوشمند سفر
⚖️ برنامه Tongyi FaRui: دستیار حقوقی با بررسی خودکار منابع
📂 کد منبع و مدل‌ها در دسترس هستند:
🔗 GitHub
🔗 Hugging Face
#هوش_مصنوعی #Alibaba #DeepResearch
@asrgooyeshpardaz
GitHub
GitHub - Alibaba-NLP/DeepResearch: Tongyi Deep Research, the Leading Open-source Deep Research Agent
Tongyi Deep Research, the Leading Open-source Deep Research Agent - Alibaba-NLP/DeepResearch
❤9👏3🤣2👍1
🚀 گروه Qwen نسخه جدید DeepResearch 2511 را منتشر کرد
این به‌روزرسانی مجموعه‌ای از قابلیت‌های مهم برای انجام تحقیق عمیق و کنترل‌شده ارائه می‌دهد:
✨ دو حالت تحقیق
🔸حالت Normal: سریع و عمومی برای اکثر کاربردها
🔸حالت Advanced: زمان تحلیل بیشتر برای ارائهٔ بررسی عمیق‌تر و دقیق‌تر
📄 پشتیبانی از فایل‌ها
اکنون می‌توانید سندها و تصاویر را مستقیماً وارد مدل کنید تا در تحلیل استفاده شوند.
⚡ جست‌وجوی پیشرفته‌تر
موتور جست‌وجوی جدید سریع‌تر است و اطلاعات وب را هوشمندانه‌تر پردازش می‌کند.
📊 کنترل کامل روی گزارش‌ها
امکان تعیین ساختار خروجی:
حجم، تعداد پاراگراف‌ها، قالب‌بندی و میزان جزئیات.
سیستم نقل‌قول و استناد نیز دقیق‌تر شده است.
🧑💻 تجربه‌کاربری جدید (UX)
معماری تازه باعث سرعت بیشتر و واکنش‌پذیری بهتر محیط کار شده است.
🔗 وب‌اپ:
https://chat.qwen.ai/?inputFeature=deep_research
📱 اپلیکیشن:
https://qwen.ai/download
#qwen #DeepResearch #AI
@asrgooyeshpardaz
این به‌روزرسانی مجموعه‌ای از قابلیت‌های مهم برای انجام تحقیق عمیق و کنترل‌شده ارائه می‌دهد:
✨ دو حالت تحقیق
🔸حالت Normal: سریع و عمومی برای اکثر کاربردها
🔸حالت Advanced: زمان تحلیل بیشتر برای ارائهٔ بررسی عمیق‌تر و دقیق‌تر
📄 پشتیبانی از فایل‌ها
اکنون می‌توانید سندها و تصاویر را مستقیماً وارد مدل کنید تا در تحلیل استفاده شوند.
⚡ جست‌وجوی پیشرفته‌تر
موتور جست‌وجوی جدید سریع‌تر است و اطلاعات وب را هوشمندانه‌تر پردازش می‌کند.
📊 کنترل کامل روی گزارش‌ها
امکان تعیین ساختار خروجی:
حجم، تعداد پاراگراف‌ها، قالب‌بندی و میزان جزئیات.
سیستم نقل‌قول و استناد نیز دقیق‌تر شده است.
🧑💻 تجربه‌کاربری جدید (UX)
معماری تازه باعث سرعت بیشتر و واکنش‌پذیری بهتر محیط کار شده است.
🔗 وب‌اپ:
https://chat.qwen.ai/?inputFeature=deep_research
📱 اپلیکیشن:
https://qwen.ai/download
#qwen #DeepResearch #AI
@asrgooyeshpardaz
❤3🔥2👍1👏1💯1
🧪عامل Sakana Marlin؛ عامل تحقیقاتی خودمختاری که ۸ ساعت کار می‌کند و گزارش ۱۰۰ صفحه‌ای تحویل می‌دهد
شرکت ژاپنی Sakana AI از نخستین محصول تجاری خود با نام Sakana Marlin رونمایی کرده است؛ یک عامل تحقیقاتی خودمختار (Autonomous Research Agent) برای سازمان‌ها که می‌تواند یک موضوع را دریافت کند، ساعت‌ها به‌صورت مستقل تحقیق کند و در پایان یک گزارش حرفه‌ای به همراه اسلایدهای ارائه تولید کند؛ بدون نیاز به دخالت انسان در طول فرآیند.
🔬 مارلین چگونه کار می‌کند؟
برخلاف بسیاری از ابزارهای «تحقیق عمیق» که در چند دقیقه پاسخ تولید می‌کنند، مارلین رویکرد متفاوتی دارد:
به جای سرعت، روی عمق، اعتبارسنجی و کیفیت تحلیل تمرکز می‌کند.
کاربر تنها موضوع موردنظر را مشخص می‌کند و سیستم تا حدود ۸ ساعت به‌صورت خودکار:
🔹 منابع مختلف را بررسی می‌کند
🔹 فرضیه‌ها و مسیرهای تحقیق را توسعه می‌دهد
🔹 یافته‌ها را ارزیابی و اصلاح می‌کند
🔹 گزارش نهایی و اسلایدهای ارائه را آماده می‌کند
📄 خروجی نهایی می‌تواند شامل:
گزارش ۶۰ تا ۱۰۰ صفحه‌ای
۶۰ تا ۸۰ منبع معتبر
اسلایدهای ارائه با طراحی تولیدشده توسط مدل‌های هوش مصنوعی
باشد.
🧠 فناوری پشت پرده: جستجوی هوشمند با AB-MCTS
یکی از بخش‌های کلیدی مارلین، الگوریتم:
Adaptive Branching Monte Carlo Tree Search (AB-MCTS)
است؛ روشی که در کنفرانس معتبر NeurIPS 2025 به‌عنوان مقاله Spotlight پذیرفته شده است.
این الگوریتم مانند یک پژوهشگر انسانی تصمیم می‌گیرد که در هر مرحله:
🔸 مسیرهای بیشتری را بررسی کند (Breadth)
یا
🔸 روی یک مسیر امیدوارکننده عمیق‌تر شود (Depth)
در نتیجه، فرآیند تحقیق به جای یک جستجوی خطی، به یک کاوش هوشمند و چندمرحله‌ای تبدیل می‌شود.
🤖 میراث پروژه AI Scientist
معماری مارلین بر پایه ایده‌های پروژه AI Scientist توسعه یافته است؛ سیستمی که هدف آن خودکارسازی چرخه کامل پژوهش علمی است:
💡 تولید ایده و فرضیه
🔎 جمع‌آوری و تحلیل اطلاعات
🧪 ارزیابی نتایج
📝 تولید گزارش علمی
این مسیر نشان می‌دهد که عامل‌های هوش مصنوعی در حال حرکت از «پاسخ‌دهنده» به سمت «پژوهشگر دیجیتال» هستند.
🎯 کاربردهای سازمانی مارلین
این ابزار برای مسائل پیچیده و راهبردی طراحی شده است؛ از جمله:
🏢 تدوین استراتژی ورود به بازارهای جدید
📊 تحلیل رقبا و شناسایی شکاف‌های استراتژیک
⚠️ مدل‌سازی سناریوهای بحران و تحلیل ریسک
📈 تهیه گزارش‌های بازار و روندهای فناوری
🔍 پشتیبانی از تصمیم‌گیری مدیران ارشد
نسخه فعلی مارلین پس از آزمایش با حدود ۳۰۰ متخصص در حوزه‌هایی مانند خدمات مالی، مشاوره و اندیشکده‌ها توسعه یافته است.
💳 مدل قیمت‌گذاری
🔹 Pay-as-you-go:
هر اجرا = ۱۰۰ اعتبار (هر اعتبار ۹۸ ین)
🔹 Pro:
۱۵۰ هزار ین در ماه + ۲۰۰۰ اعتبار
🔹 Team:
۴۰۰ هزار ین در ماه + ۶۰۰۰ اعتبار
🔹 Enterprise:
قیمت‌گذاری اختصاصی
⚙️ یک تغییر مهم در مسیر Agentهای هوش مصنوعی
بسیاری از ابزارهای فعلی Deep Research برای پاسخ سریع طراحی شده‌اند؛ اما مارلین یک فلسفه متفاوت را دنبال می‌کند:
⏱️ چند دقیقه کمتر،
🧠 چند ساعت تحلیل عمیق‌تر.
این رویکرد می‌تواند برای سازمان‌هایی که به گزارش‌های راهبردی و تصمیم‌های حساس نیاز دارند، اهمیت زیادی داشته باشد.
جالب اینکه هسته الگوریتمی این فناوری با نام TreeQuest به‌صورت متن‌باز و تحت مجوز Apache 2.0 منتشر شده، اما خود سرویس Sakana Marlin همچنان یک محصول بسته و تجاری است.
🔗 منابع:
Sakana Marlin:
https://sakana.ai/marlin/
معرفی رسمی محصول:
https://sakana.ai/marlin-release/
تحلیل MarkTechPost:
https://www.marktechpost.com/2026/06/15/sakana-ai-marlin/
#SakanaAI #AI #DeepResearch #AutonomousAgents #هوش_مصنوعی #عامل_هوشمند
🆔 @asrgooyeshpardaz
شرکت ژاپنی Sakana AI از نخستین محصول تجاری خود با نام Sakana Marlin رونمایی کرده است؛ یک عامل تحقیقاتی خودمختار (Autonomous Research Agent) برای سازمان‌ها که می‌تواند یک موضوع را دریافت کند، ساعت‌ها به‌صورت مستقل تحقیق کند و در پایان یک گزارش حرفه‌ای به همراه اسلایدهای ارائه تولید کند؛ بدون نیاز به دخالت انسان در طول فرآیند.
🔬 مارلین چگونه کار می‌کند؟
برخلاف بسیاری از ابزارهای «تحقیق عمیق» که در چند دقیقه پاسخ تولید می‌کنند، مارلین رویکرد متفاوتی دارد:
به جای سرعت، روی عمق، اعتبارسنجی و کیفیت تحلیل تمرکز می‌کند.
کاربر تنها موضوع موردنظر را مشخص می‌کند و سیستم تا حدود ۸ ساعت به‌صورت خودکار:
🔹 منابع مختلف را بررسی می‌کند
🔹 فرضیه‌ها و مسیرهای تحقیق را توسعه می‌دهد
🔹 یافته‌ها را ارزیابی و اصلاح می‌کند
🔹 گزارش نهایی و اسلایدهای ارائه را آماده می‌کند
📄 خروجی نهایی می‌تواند شامل:
گزارش ۶۰ تا ۱۰۰ صفحه‌ای
۶۰ تا ۸۰ منبع معتبر
اسلایدهای ارائه با طراحی تولیدشده توسط مدل‌های هوش مصنوعی
باشد.
🧠 فناوری پشت پرده: جستجوی هوشمند با AB-MCTS
یکی از بخش‌های کلیدی مارلین، الگوریتم:
Adaptive Branching Monte Carlo Tree Search (AB-MCTS)
است؛ روشی که در کنفرانس معتبر NeurIPS 2025 به‌عنوان مقاله Spotlight پذیرفته شده است.
این الگوریتم مانند یک پژوهشگر انسانی تصمیم می‌گیرد که در هر مرحله:
🔸 مسیرهای بیشتری را بررسی کند (Breadth)
یا
🔸 روی یک مسیر امیدوارکننده عمیق‌تر شود (Depth)
در نتیجه، فرآیند تحقیق به جای یک جستجوی خطی، به یک کاوش هوشمند و چندمرحله‌ای تبدیل می‌شود.
🤖 میراث پروژه AI Scientist
معماری مارلین بر پایه ایده‌های پروژه AI Scientist توسعه یافته است؛ سیستمی که هدف آن خودکارسازی چرخه کامل پژوهش علمی است:
💡 تولید ایده و فرضیه
🔎 جمع‌آوری و تحلیل اطلاعات
🧪 ارزیابی نتایج
📝 تولید گزارش علمی
این مسیر نشان می‌دهد که عامل‌های هوش مصنوعی در حال حرکت از «پاسخ‌دهنده» به سمت «پژوهشگر دیجیتال» هستند.
🎯 کاربردهای سازمانی مارلین
این ابزار برای مسائل پیچیده و راهبردی طراحی شده است؛ از جمله:
🏢 تدوین استراتژی ورود به بازارهای جدید
📊 تحلیل رقبا و شناسایی شکاف‌های استراتژیک
⚠️ مدل‌سازی سناریوهای بحران و تحلیل ریسک
📈 تهیه گزارش‌های بازار و روندهای فناوری
🔍 پشتیبانی از تصمیم‌گیری مدیران ارشد
نسخه فعلی مارلین پس از آزمایش با حدود ۳۰۰ متخصص در حوزه‌هایی مانند خدمات مالی، مشاوره و اندیشکده‌ها توسعه یافته است.
💳 مدل قیمت‌گذاری
🔹 Pay-as-you-go:
هر اجرا = ۱۰۰ اعتبار (هر اعتبار ۹۸ ین)
🔹 Pro:
۱۵۰ هزار ین در ماه + ۲۰۰۰ اعتبار
🔹 Team:
۴۰۰ هزار ین در ماه + ۶۰۰۰ اعتبار
🔹 Enterprise:
قیمت‌گذاری اختصاصی
⚙️ یک تغییر مهم در مسیر Agentهای هوش مصنوعی
بسیاری از ابزارهای فعلی Deep Research برای پاسخ سریع طراحی شده‌اند؛ اما مارلین یک فلسفه متفاوت را دنبال می‌کند:
⏱️ چند دقیقه کمتر،
🧠 چند ساعت تحلیل عمیق‌تر.
این رویکرد می‌تواند برای سازمان‌هایی که به گزارش‌های راهبردی و تصمیم‌های حساس نیاز دارند، اهمیت زیادی داشته باشد.
جالب اینکه هسته الگوریتمی این فناوری با نام TreeQuest به‌صورت متن‌باز و تحت مجوز Apache 2.0 منتشر شده، اما خود سرویس Sakana Marlin همچنان یک محصول بسته و تجاری است.
🔗 منابع:
Sakana Marlin:
https://sakana.ai/marlin/
معرفی رسمی محصول:
https://sakana.ai/marlin-release/
تحلیل MarkTechPost:
https://www.marktechpost.com/2026/06/15/sakana-ai-marlin/
#SakanaAI #AI #DeepResearch #AutonomousAgents #هوش_مصنوعی #عامل_هوشمند
🆔 @asrgooyeshpardaz
sakana.ai
Sakana Marlin — Your Virtual CSO.
リサーチはAIへ。人間は「意思決定」に集中する。
👍4❤2