🌿 یادگیری مداوم بدون فراموشی؛ روش جدید Meta و Berkeley برای آموزش مدل‌های زبانی
پژوهش تازه‌ای از تیم‌های Meta و دانشگاه برکلی روشی نو برای یادگیری پیوسته در مدل‌های زبانی بزرگ (LLM) معرفی کرده که تقریباً مانع از «فراموشی فاجعه‌بار» می‌شود — همان مشکلی که باعث می‌شود مدل پس از آموزش روی داده‌های جدید، دانسته‌های قبلی خود را از دست بدهد.
🧩 اصل ایده:
به‌جای بازآموزی کامل همه پارامترها، این روش فقط بخش بسیار کوچکی از «خانه‌های حافظه» در یک لایهٔ ویژه را به‌روزرسانی می‌کند.
از شاخص TF-IDF برای تشخیص پارامترهای خاص‌تر و مرتبط‌تر با داده‌های جدید استفاده می‌شود.
در هر گام، تنها حدود ۰٫۰۳ تا ۰٫۰۰۰۲ درصد از حافظه مدل به‌روزرسانی می‌گردد!
📈 نتایج چشمگیر:
در مجموعهٔ NaturalQuestions، نرخ فراموشی تنها ۱۱٪ بود (در مقایسه با ۸۹٪ در فاین‌تیون کامل و ۷۱٪ در LoRA).
مدل توانست ضمن حفظ دانش‌های پیشین، مفاهیم و اطلاعات جدید را نیز بیاموزد.
کارایی این روش در آزمون‌های TriviaQA و SimpleQA نیز تأیید شده است.
🚀 چشم‌انداز:
این شیوه می‌تواند راه را برای نسل تازه‌ای از هوش‌های مصنوعی باز کند — مدل‌هایی که به‌صورت مداوم و بدون فراموشی، از تجربه‌های جدید می‌آموزند؛ از برنامه‌نویسی و تحلیل داده گرفته تا درک بازخوردهای انسانی.
🔗 مشاهده مقاله در arXiv
#هوش_مصنوعی #پژوهش #LLM #یادگیری_مداوم #Meta #Berkeley
@asrgooyeshpardaz
پژوهش تازه‌ای از تیم‌های Meta و دانشگاه برکلی روشی نو برای یادگیری پیوسته در مدل‌های زبانی بزرگ (LLM) معرفی کرده که تقریباً مانع از «فراموشی فاجعه‌بار» می‌شود — همان مشکلی که باعث می‌شود مدل پس از آموزش روی داده‌های جدید، دانسته‌های قبلی خود را از دست بدهد.
🧩 اصل ایده:
به‌جای بازآموزی کامل همه پارامترها، این روش فقط بخش بسیار کوچکی از «خانه‌های حافظه» در یک لایهٔ ویژه را به‌روزرسانی می‌کند.
از شاخص TF-IDF برای تشخیص پارامترهای خاص‌تر و مرتبط‌تر با داده‌های جدید استفاده می‌شود.
در هر گام، تنها حدود ۰٫۰۳ تا ۰٫۰۰۰۲ درصد از حافظه مدل به‌روزرسانی می‌گردد!
📈 نتایج چشمگیر:
در مجموعهٔ NaturalQuestions، نرخ فراموشی تنها ۱۱٪ بود (در مقایسه با ۸۹٪ در فاین‌تیون کامل و ۷۱٪ در LoRA).
مدل توانست ضمن حفظ دانش‌های پیشین، مفاهیم و اطلاعات جدید را نیز بیاموزد.
کارایی این روش در آزمون‌های TriviaQA و SimpleQA نیز تأیید شده است.
🚀 چشم‌انداز:
این شیوه می‌تواند راه را برای نسل تازه‌ای از هوش‌های مصنوعی باز کند — مدل‌هایی که به‌صورت مداوم و بدون فراموشی، از تجربه‌های جدید می‌آموزند؛ از برنامه‌نویسی و تحلیل داده گرفته تا درک بازخوردهای انسانی.
🔗 مشاهده مقاله در arXiv
#هوش_مصنوعی #پژوهش #LLM #یادگیری_مداوم #Meta #Berkeley
@asrgooyeshpardaz
arXiv.org
Continual Learning via Sparse Memory Finetuning
Modern language models are powerful, but typically static after deployment. A major obstacle to building models that continually learn over time is catastrophic forgetting, where updating on new...
👏3❤1🔥1
🌐اخبار هوش مصنوعی
💰 بیگ‌تک‌ها با اعتبارات محاسباتی رایگان، استارتاپ‌ها را به دام می‌اندازند
ارائه‌دهندگان هوش مصنوعی و ابری، میلیون‌ها دلار اعتبار زیرساختی به استارتاپ‌ها هدیه می‌دهند تا آنها را از ابتدا به اکوسیستم خود بچسبانند و مهاجرت به رقبا را سخت کنند. حجم این بونوس‌های محاسباتی، دیگر با دورهای تأمین مالی اولیه برابری می‌کند.
میدان اصلی نبرد، استارتاپ‌های Y Combinator هستند. Anthropic به هر پروژه‌ی این شتاب‌دهنده، ۵۰۰ هزار دلار اعتبار API بدون گرفتن سهام پیشنهاد داده. OpenAI نیز این پیشنهاد را پاسخ داده و علاوه بر اعتبار مشابه، ۱.۵ میلیون دلار سرمایه‌گذاری اختیاری در ازای سهام ارائه کرده است.
سرویسGoogle Cloud تا سقف ۵۰۰ هزار دلار اعتبار داده، دسترسی زودهنگام به مدل‌های Gemini و مشاوره‌ی مهندسان DeepMind را هم اضافه کرده. مایکروسافت و AWS هم برنامه‌های مشابهی دارند. تخمین زده می‌شود که رهبران بازار سالانه تا ۸۰۰ میلیون دلار فقط صرف اعتبارات محاسباتی برای استارتاپ‌های YC کنند.
🔗 wsj.com
---
🔧 شرکت DeepSeek تیمی برای طراحی چیپ اختصاصی خود تشکیل می‌دهد
پس از OpenAI و Anthropic، این غول چینی هوش مصنوعی نیز به‌دنبال طراحی راه‌حل اختصاصی برای استنتاج (Inference) است تا وابستگی خود به سخت‌افزارهای Nvidia و Huawei را کاهش دهد. این پروژه در مراحل اولیه قرار دارد و شتاب‌دهنده، تنها برای استنتاج بهینه‌سازی خواهد شد، نه آموزش مدل.
شرکت DeepSeek مذاکرات محرمانه‌ای با توسعه‌دهندگان تراشه و تأمین‌کنندگان حافظه داشته و ماه‌هاست که بدون انتشار آگهی استخدام، به‌صورت پنهانی مهندس سخت‌افزار جذب می‌کند.
🔗 reuters.com
---
🎨 متا از مدل‌های جدید تولید تصویر و ویدئو رونمایی کرد
واحد Superintelligence Labs متا، مدل Muse Image را برای تولید تصویر و پیش‌نمایشی از مدل ویدئویی Muse Video معرفی کرده است.
مدل Muse Image در ارتباط با مدل زبانی Muse Spark کار می‌کند و قابلیت‌هایی مثل ویرایش، اسکچ، حاشیه‌نویسی، رندر متن و ترکیب تصاویر مرجع با جستجوی لحظه‌ای را فراهم می‌کند. کاربران می‌توانند با ذکر یک حساب عمومی با @، سبک بصری آن را کپی کنند.
نسخه‌ی اولیه‌ی Muse Video روی معماری مشابهی ساخته شده و ویدیو و صدا را به‌صورت یکجا با هماهنگی دقیق تولید می‌کند. برای حفاظت از محتوا، واترمارک Content Seal در فایل‌ها درج می‌شود که در برابر فشرده‌سازی و برش مقاوم است.
مدل Muse Image به‌صورت رایگان با محدودیت روزانه در دسترس است و نسخه‌ی ویدئویی طی ماه‌های آینده منتشر خواهد شد.
🔗 ai.meta.com
---
📱 سرویس Claude Cowork از دسکتاپ فراتر رفت؛ نسخه‌ی موبایل و وب راه‌اندازی شد
شرکت Anthropic نسخه‌های موبایل و وب Claude Cowork را راه‌اندازی کرده است. کاربران پلن Max طی هفته‌های آینده به نسخه‌ی بتا دسترسی خواهند داشت.
کلاینت دسکتاپ همچنان برای عملیات محلی مانند خواندن و نوشتن فایل‌های سیستمی، کار با کانکتورها و استفاده از Computer Use اجباری است. این قابلیت‌ها در نسخه‌ی وب در دسترس نیستند.
چت معمولی و Cowork در یک صفحه‌ی واحد با همگام‌سازی پروژه‌ها و آرتیفکت‌ها بین همه‌ی دستگاه‌ها ادغام خواهند شد. بر اساس آمار Anthropic، بیش از ۹۰٪ از موارد استفاده‌ی Cowork به کدنویسی مربوط نمی‌شود و ۵۰٪ از بار آن به اتوماسیون عملیات تجاری و تولید محتوا اختصاص دارد. محدودیت‌های دوبرابری استفاده از Cowork تا ۵ آگوست تمدید شده است.
🔗 claude.com
---
🔄 مایکروسافت Copilot و Office را به مدل‌های اختصاصی خود مهاجرت می‌دهد
مایکروسافت شروع به جایگزینی مدل‌های OpenAI و Anthropic در Excel، Outlook و GitHub Copilot با خانواده‌ی داخلی MAI کرده است تا هزینه‌های لایسنس را کاهش دهد. مصطفی سلیمان، رئیس بخش هوش مصنوعی، از برنامه‌های این شرکت برای رساندن پرداخت‌ها به شرکا به صفر خبر داده است.
در کنفرانس Build، مایکروسافت ادعا کرد که مدل استدلالی جدیدش Thinking-1 در کدنویسی با Sonnet 4.6 و Opus 4.6 برابری می‌کند، هرچند بنچمارک‌های شخص ثالث عملکرد آن را در سطح DeepSeek V3.2 ارزیابی کرده‌اند.
ساتیا نادلا، مدیرعامل، از احتمال کنار گذاشتن اشتراک‌های نامحدود به‌نفع پرداخت به‌ازای مصرف خبر داده است. در این سناریو، مدل‌های MAI پایه خواهند بود و مدل‌های OpenAI و Anthropic به‌صورت افزونه‌های پولی ارائه می‌شوند.
🔗 bloomberg.com
---
#رقابت_هوش_مصنوعی #اعتبارات_محاسباتی #DeepSeek #Meta #Anthropic #Microsoft #اخبار_فناوری
🆔 @asrgooyeshpardaz
💰 بیگ‌تک‌ها با اعتبارات محاسباتی رایگان، استارتاپ‌ها را به دام می‌اندازند
ارائه‌دهندگان هوش مصنوعی و ابری، میلیون‌ها دلار اعتبار زیرساختی به استارتاپ‌ها هدیه می‌دهند تا آنها را از ابتدا به اکوسیستم خود بچسبانند و مهاجرت به رقبا را سخت کنند. حجم این بونوس‌های محاسباتی، دیگر با دورهای تأمین مالی اولیه برابری می‌کند.
میدان اصلی نبرد، استارتاپ‌های Y Combinator هستند. Anthropic به هر پروژه‌ی این شتاب‌دهنده، ۵۰۰ هزار دلار اعتبار API بدون گرفتن سهام پیشنهاد داده. OpenAI نیز این پیشنهاد را پاسخ داده و علاوه بر اعتبار مشابه، ۱.۵ میلیون دلار سرمایه‌گذاری اختیاری در ازای سهام ارائه کرده است.
سرویسGoogle Cloud تا سقف ۵۰۰ هزار دلار اعتبار داده، دسترسی زودهنگام به مدل‌های Gemini و مشاوره‌ی مهندسان DeepMind را هم اضافه کرده. مایکروسافت و AWS هم برنامه‌های مشابهی دارند. تخمین زده می‌شود که رهبران بازار سالانه تا ۸۰۰ میلیون دلار فقط صرف اعتبارات محاسباتی برای استارتاپ‌های YC کنند.
🔗 wsj.com
---
🔧 شرکت DeepSeek تیمی برای طراحی چیپ اختصاصی خود تشکیل می‌دهد
پس از OpenAI و Anthropic، این غول چینی هوش مصنوعی نیز به‌دنبال طراحی راه‌حل اختصاصی برای استنتاج (Inference) است تا وابستگی خود به سخت‌افزارهای Nvidia و Huawei را کاهش دهد. این پروژه در مراحل اولیه قرار دارد و شتاب‌دهنده، تنها برای استنتاج بهینه‌سازی خواهد شد، نه آموزش مدل.
شرکت DeepSeek مذاکرات محرمانه‌ای با توسعه‌دهندگان تراشه و تأمین‌کنندگان حافظه داشته و ماه‌هاست که بدون انتشار آگهی استخدام، به‌صورت پنهانی مهندس سخت‌افزار جذب می‌کند.
🔗 reuters.com
---
🎨 متا از مدل‌های جدید تولید تصویر و ویدئو رونمایی کرد
واحد Superintelligence Labs متا، مدل Muse Image را برای تولید تصویر و پیش‌نمایشی از مدل ویدئویی Muse Video معرفی کرده است.
مدل Muse Image در ارتباط با مدل زبانی Muse Spark کار می‌کند و قابلیت‌هایی مثل ویرایش، اسکچ، حاشیه‌نویسی، رندر متن و ترکیب تصاویر مرجع با جستجوی لحظه‌ای را فراهم می‌کند. کاربران می‌توانند با ذکر یک حساب عمومی با @، سبک بصری آن را کپی کنند.
نسخه‌ی اولیه‌ی Muse Video روی معماری مشابهی ساخته شده و ویدیو و صدا را به‌صورت یکجا با هماهنگی دقیق تولید می‌کند. برای حفاظت از محتوا، واترمارک Content Seal در فایل‌ها درج می‌شود که در برابر فشرده‌سازی و برش مقاوم است.
مدل Muse Image به‌صورت رایگان با محدودیت روزانه در دسترس است و نسخه‌ی ویدئویی طی ماه‌های آینده منتشر خواهد شد.
🔗 ai.meta.com
---
📱 سرویس Claude Cowork از دسکتاپ فراتر رفت؛ نسخه‌ی موبایل و وب راه‌اندازی شد
شرکت Anthropic نسخه‌های موبایل و وب Claude Cowork را راه‌اندازی کرده است. کاربران پلن Max طی هفته‌های آینده به نسخه‌ی بتا دسترسی خواهند داشت.
کلاینت دسکتاپ همچنان برای عملیات محلی مانند خواندن و نوشتن فایل‌های سیستمی، کار با کانکتورها و استفاده از Computer Use اجباری است. این قابلیت‌ها در نسخه‌ی وب در دسترس نیستند.
چت معمولی و Cowork در یک صفحه‌ی واحد با همگام‌سازی پروژه‌ها و آرتیفکت‌ها بین همه‌ی دستگاه‌ها ادغام خواهند شد. بر اساس آمار Anthropic، بیش از ۹۰٪ از موارد استفاده‌ی Cowork به کدنویسی مربوط نمی‌شود و ۵۰٪ از بار آن به اتوماسیون عملیات تجاری و تولید محتوا اختصاص دارد. محدودیت‌های دوبرابری استفاده از Cowork تا ۵ آگوست تمدید شده است.
🔗 claude.com
---
🔄 مایکروسافت Copilot و Office را به مدل‌های اختصاصی خود مهاجرت می‌دهد
مایکروسافت شروع به جایگزینی مدل‌های OpenAI و Anthropic در Excel، Outlook و GitHub Copilot با خانواده‌ی داخلی MAI کرده است تا هزینه‌های لایسنس را کاهش دهد. مصطفی سلیمان، رئیس بخش هوش مصنوعی، از برنامه‌های این شرکت برای رساندن پرداخت‌ها به شرکا به صفر خبر داده است.
در کنفرانس Build، مایکروسافت ادعا کرد که مدل استدلالی جدیدش Thinking-1 در کدنویسی با Sonnet 4.6 و Opus 4.6 برابری می‌کند، هرچند بنچمارک‌های شخص ثالث عملکرد آن را در سطح DeepSeek V3.2 ارزیابی کرده‌اند.
ساتیا نادلا، مدیرعامل، از احتمال کنار گذاشتن اشتراک‌های نامحدود به‌نفع پرداخت به‌ازای مصرف خبر داده است. در این سناریو، مدل‌های MAI پایه خواهند بود و مدل‌های OpenAI و Anthropic به‌صورت افزونه‌های پولی ارائه می‌شوند.
🔗 bloomberg.com
---
#رقابت_هوش_مصنوعی #اعتبارات_محاسباتی #DeepSeek #Meta #Anthropic #Microsoft #اخبار_فناوری
🆔 @asrgooyeshpardaz
🌐اخبار هوش مصنوعی
🛡️ مدل GPT-Red؛ سلاح مخفی OpenAI برای یافتن خودکار آسیب‌پذیری مدل‌ها
شرکت OpenAI از ابزار داخلی GPT-Red رونمایی کرده که فرایند ردتیمینگ (Red Teaming) محصولات خود را به‌طور خودکار انجام می‌دهد. این سیستم با شبیه‌سازی حملات تزریق پرامپت (Prompt Injection) و حملات پنهان از طریق ایمیل، فایل و صفحات وب، به جستجوی نقاط ضعف می‌پردازد.
مدل GPT-Red با استفاده از یادگیری تقویتی (RL) و خودبازی (Self-Play) آموزش دیده است؛ در این روش، دو مدل (حمله‌کننده و دفاع‌کننده) به‌طور مداوم با هم رقابت می‌کنند. این فرایند باعث شده نرخ موفقیت در یافتن آسیب‌پذیری‌ها در سناریوهای آزمایشی به ۸۴٪ برسد، در حالی که این عدد برای متخصصان انسانی تنها ۱۳٪ است.
به‌گفته‌ی OpenAI، استفاده از این ابزار، آسیب‌پذیری مدل GPT-5.6 Sol در برابر حملات تزریق مستقیم پرامپت را نسبت به مدل‌های چهار ماه پیش، ۶ برابر کاهش داده است. هرچند حدود ۳.۸٪ از حملات پیچیده همچنان موفق هستند (رقمی قابل‌مقایسه با Claude Opus 4.5).
این ابزار در حال حاضر داخلی است، اما OpenAI قصد دارد به‌زودی مقاله‌ای با جزئیات معماری و فرایند آموزش آن منتشر کند.
🔗 openai.com
---
🧩 اسپیس‌ایکس‌آی کد منبع Grok Build را متن‌باز کرد
شرکت ایلان ماسک، کد منبع ابزار Grok Build را در گیت‌هاب منتشر کرده است. این مخزن شامل اجزای کلیدی مانند حلقه‌ی کنترل عامل، مکانیزم‌های ساخت زمینه، پردازش پاسخ‌های مدل، رابط خط‌فرمان با قابلیت مشاهده‌ی تغییرات (diff) و ابزارهای اجرای دستورات است.
کد منتشرشده، نحوه‌ی اتصال این چارچوب به سرورهای MCP، زیرعامل‌ها (Subagents) و افزونه‌های سفارشی را نشان می‌دهد. Grok Build از استقرار محلی پشتیبانی کرده و امکان تغییر مسیر درخواست‌ها به هر مدل زبانی محلی را فراهم می‌کند و بدین‌ترتیب، ارسال داده به سرورهای شخص ثالث کاملاً حذف می‌شود.
🔗 x.ai
---
🍏 سرویس Apple Intelligence رسماً وارد چین شد؛ همکاری با علی‌بابا و بایدو
سرویس هوش مصنوعی اپل پس از دریافت تأیید رسمی از نهادهای نظارتی چین، به‌طور رسمی در این کشور راه‌اندازی شد. به‌دلیل قوانین سخت‌گیرانه‌ی ثبت سرویس‌های مولد، اپل از به‌کارگیری مدل‌های اختصاصی خود صرف‌نظر کرده و از مدل‌های محلی استفاده می‌کند.
مدل پایه‌ی هوش مصنوعی برای نسخه‌های چینی iOS و macOS، Qwen از علی‌بابا خواهد بود که وظایفی مثل تحلیل متن، تولید محتوا و تصویر را بر عهده می‌گیرد. اپل همچنین برای توسعه‌ی قابلیت‌های تکمیلی، با Baidu همکاری می‌کند. پیش‌تر، گزینه‌هایی مثل DeepSeek و ByteDance نیز بررسی شده بودند.
🔗 reuters.com
---
🎧 اسپاتیفای دستیار گفت‌وگوی هوش مصنوعی را در نسخه‌ی بتا عرضه کرد
سرویس پخش موسیقی، یک دستیار مبتنی بر هوش مصنوعی را به قابلیت‌های پخش خود اضافه کرده است. این دستیار که از دستورات متنی و صوتی پشتیبانی می‌کند، در حال حاضر به‌صورت بتا برای کاربران Premium بالای ۱۸ سال در آمریکا، ایرلند و سوئد در دسترس قرار گرفته است.
کاربران می‌توانند سوالات زمینه‌ای درباره‌ی هنرمندان، آهنگ‌ها و پادکست‌ها بپرسند، تاریخچه‌ی شنیداری خود را مرور کنند یا سوالات عمومی مطرح نمایند. این قابلیت، به قابلیت‌های قبلی اسپاتیفای مانند تولید پلی‌لیست با پرامپت و یکپارچه‌سازی ElevenLabs برای صداگذاری کتاب‌های صوتی افزوده شده است.
🔗 spotify.com
---
⚖️ شکایت کارمندان از متا به‌دلیل استفاده از الگوریتم در تعدیل نیرو
گروهی از کارمندان سابق متا، از این شرکت به‌دلیل استفاده از سیستم‌های هوش مصنوعی در فرایند تعدیل نیرو (اخراج ۸۰۰۰ نفر در ماه می) شکایت کرده‌اند. به‌ادعای شاکیان، الگوریتم‌های داخلی، لیست‌های اخراج را با سوگیری سیستماتیک تولید کرده‌اند و به‌نحوی نامتناسب، کارمندان دارای معلولیت و افرادی که در مرخصی درمانی یا زایمان بودند را هدف قرار داده‌اند.
به‌گفته‌ی شاکیان، این الگوریتم بر اساس معیارهایی مثل ارزیابی عملکرد، حجم کار و میزان استفاده از ابزارهای هوش مصنوعی، لیست‌ها را تهیه می‌کرده است. متا اتهامات را رد کرده و تأکید دارد که تصمیمات نهایی توسط انسان گرفته می‌شود. شاکیان به‌دنبال دستور موقت برای حفظ شغل‌ها تا پایان رسیدگی هستند.
🔗 wsj.com
---
#OpenAI #GrokBuild #Apple #Spotify #Meta #هوش_مصنوعی #اخبار_فناوری #RedTeaming
🆔 @asrgooyeshpardaz
🛡️ مدل GPT-Red؛ سلاح مخفی OpenAI برای یافتن خودکار آسیب‌پذیری مدل‌ها
شرکت OpenAI از ابزار داخلی GPT-Red رونمایی کرده که فرایند ردتیمینگ (Red Teaming) محصولات خود را به‌طور خودکار انجام می‌دهد. این سیستم با شبیه‌سازی حملات تزریق پرامپت (Prompt Injection) و حملات پنهان از طریق ایمیل، فایل و صفحات وب، به جستجوی نقاط ضعف می‌پردازد.
مدل GPT-Red با استفاده از یادگیری تقویتی (RL) و خودبازی (Self-Play) آموزش دیده است؛ در این روش، دو مدل (حمله‌کننده و دفاع‌کننده) به‌طور مداوم با هم رقابت می‌کنند. این فرایند باعث شده نرخ موفقیت در یافتن آسیب‌پذیری‌ها در سناریوهای آزمایشی به ۸۴٪ برسد، در حالی که این عدد برای متخصصان انسانی تنها ۱۳٪ است.
به‌گفته‌ی OpenAI، استفاده از این ابزار، آسیب‌پذیری مدل GPT-5.6 Sol در برابر حملات تزریق مستقیم پرامپت را نسبت به مدل‌های چهار ماه پیش، ۶ برابر کاهش داده است. هرچند حدود ۳.۸٪ از حملات پیچیده همچنان موفق هستند (رقمی قابل‌مقایسه با Claude Opus 4.5).
این ابزار در حال حاضر داخلی است، اما OpenAI قصد دارد به‌زودی مقاله‌ای با جزئیات معماری و فرایند آموزش آن منتشر کند.
🔗 openai.com
---
🧩 اسپیس‌ایکس‌آی کد منبع Grok Build را متن‌باز کرد
شرکت ایلان ماسک، کد منبع ابزار Grok Build را در گیت‌هاب منتشر کرده است. این مخزن شامل اجزای کلیدی مانند حلقه‌ی کنترل عامل، مکانیزم‌های ساخت زمینه، پردازش پاسخ‌های مدل، رابط خط‌فرمان با قابلیت مشاهده‌ی تغییرات (diff) و ابزارهای اجرای دستورات است.
کد منتشرشده، نحوه‌ی اتصال این چارچوب به سرورهای MCP، زیرعامل‌ها (Subagents) و افزونه‌های سفارشی را نشان می‌دهد. Grok Build از استقرار محلی پشتیبانی کرده و امکان تغییر مسیر درخواست‌ها به هر مدل زبانی محلی را فراهم می‌کند و بدین‌ترتیب، ارسال داده به سرورهای شخص ثالث کاملاً حذف می‌شود.
🔗 x.ai
---
🍏 سرویس Apple Intelligence رسماً وارد چین شد؛ همکاری با علی‌بابا و بایدو
سرویس هوش مصنوعی اپل پس از دریافت تأیید رسمی از نهادهای نظارتی چین، به‌طور رسمی در این کشور راه‌اندازی شد. به‌دلیل قوانین سخت‌گیرانه‌ی ثبت سرویس‌های مولد، اپل از به‌کارگیری مدل‌های اختصاصی خود صرف‌نظر کرده و از مدل‌های محلی استفاده می‌کند.
مدل پایه‌ی هوش مصنوعی برای نسخه‌های چینی iOS و macOS، Qwen از علی‌بابا خواهد بود که وظایفی مثل تحلیل متن، تولید محتوا و تصویر را بر عهده می‌گیرد. اپل همچنین برای توسعه‌ی قابلیت‌های تکمیلی، با Baidu همکاری می‌کند. پیش‌تر، گزینه‌هایی مثل DeepSeek و ByteDance نیز بررسی شده بودند.
🔗 reuters.com
---
🎧 اسپاتیفای دستیار گفت‌وگوی هوش مصنوعی را در نسخه‌ی بتا عرضه کرد
سرویس پخش موسیقی، یک دستیار مبتنی بر هوش مصنوعی را به قابلیت‌های پخش خود اضافه کرده است. این دستیار که از دستورات متنی و صوتی پشتیبانی می‌کند، در حال حاضر به‌صورت بتا برای کاربران Premium بالای ۱۸ سال در آمریکا، ایرلند و سوئد در دسترس قرار گرفته است.
کاربران می‌توانند سوالات زمینه‌ای درباره‌ی هنرمندان، آهنگ‌ها و پادکست‌ها بپرسند، تاریخچه‌ی شنیداری خود را مرور کنند یا سوالات عمومی مطرح نمایند. این قابلیت، به قابلیت‌های قبلی اسپاتیفای مانند تولید پلی‌لیست با پرامپت و یکپارچه‌سازی ElevenLabs برای صداگذاری کتاب‌های صوتی افزوده شده است.
🔗 spotify.com
---
⚖️ شکایت کارمندان از متا به‌دلیل استفاده از الگوریتم در تعدیل نیرو
گروهی از کارمندان سابق متا، از این شرکت به‌دلیل استفاده از سیستم‌های هوش مصنوعی در فرایند تعدیل نیرو (اخراج ۸۰۰۰ نفر در ماه می) شکایت کرده‌اند. به‌ادعای شاکیان، الگوریتم‌های داخلی، لیست‌های اخراج را با سوگیری سیستماتیک تولید کرده‌اند و به‌نحوی نامتناسب، کارمندان دارای معلولیت و افرادی که در مرخصی درمانی یا زایمان بودند را هدف قرار داده‌اند.
به‌گفته‌ی شاکیان، این الگوریتم بر اساس معیارهایی مثل ارزیابی عملکرد، حجم کار و میزان استفاده از ابزارهای هوش مصنوعی، لیست‌ها را تهیه می‌کرده است. متا اتهامات را رد کرده و تأکید دارد که تصمیمات نهایی توسط انسان گرفته می‌شود. شاکیان به‌دنبال دستور موقت برای حفظ شغل‌ها تا پایان رسیدگی هستند.
🔗 wsj.com
---
#OpenAI #GrokBuild #Apple #Spotify #Meta #هوش_مصنوعی #اخبار_فناوری #RedTeaming
🆔 @asrgooyeshpardaz
❤3
🧠 چرا مدل‌های کوانتیزه‌شده «زیادی فکر می‌کنند»؟
پژوهشی از Meta AI نشان می‌دهد که فشرده‌سازی (کوانتیزاسیون) مدل‌های استدلالی، آنها را «کندذهن» نمی‌کند، بلکه به «شکاک مزمن» تبدیل می‌کند.
📌 یافته اصلی
در ۵۲ درصد از خطاهای مدل‌های کوانتیزه، مدل در یک مرحله میانی استدلال به پاسخ درست رسیده بود، اما آن را نهایی نکرد و به «فکر کردن» ادامه داد تا پاسخ درست را از دست بدهد.
طول زنجیره استدلال پس از کوانتیزاسیون تا ۴.۵ برابر افزایش می‌یابد — مثلاً از ۵٬۲۰۰ توکن به ۲۳٬۴۰۰ توکن.
🔬 چطور این را فهمیدند؟
پژوهشگران با ابزاری به نام واگرایی KL (معیاری برای سنجش تفاوت بین دو توزیع احتمالی) توانستند دقیقاً مشخص کنند که مدل کوانتیزه در کدام توکن‌ها با نسخه دقیق تفاوت دارد.
نتیجه:
· توکن‌های پرتفاوت: همان کلمات تردید مثل «صبر کن»، «اما» و «از طرف دیگر»
· توکن‌های کم‌تفاوت: محاسبات ریاضی و قالب‌بندی خروجی
یعنی نویز کوانتیزاسیون دقیقاً در لحظاتی که مدل مطمئن نیست، آن را به سمت تردید و شاخه‌شاخه شدن سوق می‌دهد.
💡 راه‌حل: جریمه لوجیت بدون بازآموزی
پژوهشگران یک جریمه لوجیت روی حدود ۵۰ نشانگر تردید اعمال کردند — بدون هیچ آموزش مجدد، بدون تغییر وزن‌ها، فقط در لحظه تولید خروجی.
نتیجه:
· طول استدلال ۱۲ تا ۲۳ درصد کوتاه‌تر شد
· خطاهای ناشی از «بیش‌اندیشی» تا ۵۸ درصد کاهش یافت
· دقت پاسخ‌ها حفظ شد یا حتی بهتر شد
⚠️ نکته جالب: وقتی همان جریمه را روی توکن‌های تصادفی اعمال کردند، نتیجه برعکس شد — طول استدلال ۴۱ درصد بیشتر و دقت ۹.۵ درصد کمتر.
🎯 چرا مهم است؟
این پژوهش نشان می‌دهد کوانتیزاسیون مشکل جدیدی نمی‌سازد، بلکه تمایل به «بیش‌اندیشی» را که در مدل‌های دقیق هم وجود دارد، تشدید می‌کند. راه‌حل پیشنهادی ساده، بدون هزینه و فوری است — یک تغییر کوچک در لحظه تولید که می‌تواند هزینه استنتاج را به‌طور قابل توجهی کم کند.
🔗 arXiv:2606.00206
#AI #Meta #Quantization #Overthinking #Research
🆔 @asrgooyeshpardaz
پژوهشی از Meta AI نشان می‌دهد که فشرده‌سازی (کوانتیزاسیون) مدل‌های استدلالی، آنها را «کندذهن» نمی‌کند، بلکه به «شکاک مزمن» تبدیل می‌کند.
📌 یافته اصلی
در ۵۲ درصد از خطاهای مدل‌های کوانتیزه، مدل در یک مرحله میانی استدلال به پاسخ درست رسیده بود، اما آن را نهایی نکرد و به «فکر کردن» ادامه داد تا پاسخ درست را از دست بدهد.
طول زنجیره استدلال پس از کوانتیزاسیون تا ۴.۵ برابر افزایش می‌یابد — مثلاً از ۵٬۲۰۰ توکن به ۲۳٬۴۰۰ توکن.
🔬 چطور این را فهمیدند؟
پژوهشگران با ابزاری به نام واگرایی KL (معیاری برای سنجش تفاوت بین دو توزیع احتمالی) توانستند دقیقاً مشخص کنند که مدل کوانتیزه در کدام توکن‌ها با نسخه دقیق تفاوت دارد.
نتیجه:
· توکن‌های پرتفاوت: همان کلمات تردید مثل «صبر کن»، «اما» و «از طرف دیگر»
· توکن‌های کم‌تفاوت: محاسبات ریاضی و قالب‌بندی خروجی
یعنی نویز کوانتیزاسیون دقیقاً در لحظاتی که مدل مطمئن نیست، آن را به سمت تردید و شاخه‌شاخه شدن سوق می‌دهد.
💡 راه‌حل: جریمه لوجیت بدون بازآموزی
پژوهشگران یک جریمه لوجیت روی حدود ۵۰ نشانگر تردید اعمال کردند — بدون هیچ آموزش مجدد، بدون تغییر وزن‌ها، فقط در لحظه تولید خروجی.
نتیجه:
· طول استدلال ۱۲ تا ۲۳ درصد کوتاه‌تر شد
· خطاهای ناشی از «بیش‌اندیشی» تا ۵۸ درصد کاهش یافت
· دقت پاسخ‌ها حفظ شد یا حتی بهتر شد
⚠️ نکته جالب: وقتی همان جریمه را روی توکن‌های تصادفی اعمال کردند، نتیجه برعکس شد — طول استدلال ۴۱ درصد بیشتر و دقت ۹.۵ درصد کمتر.
🎯 چرا مهم است؟
این پژوهش نشان می‌دهد کوانتیزاسیون مشکل جدیدی نمی‌سازد، بلکه تمایل به «بیش‌اندیشی» را که در مدل‌های دقیق هم وجود دارد، تشدید می‌کند. راه‌حل پیشنهادی ساده، بدون هزینه و فوری است — یک تغییر کوچک در لحظه تولید که می‌تواند هزینه استنتاج را به‌طور قابل توجهی کم کند.
🔗 arXiv:2606.00206
#AI #Meta #Quantization #Overthinking #Research
🆔 @asrgooyeshpardaz
❤5