📌 میسترال از OCR 4 رونمایی کرد؛ مدلی که اسناد را به ساختار تبدیل می‌کند
شرکت میسترال (Mistral AI) از جدیدترین نسخه مدل OCR خود با نام OCR 4 رونمایی کرده است. این مدل فراتر از تشخیص متن ساده عمل کرده و اسناد را به یک ساختار منسجم و قابل استفاده تبدیل می‌کند.
✨ قابلیت‌های کلیدی:
- تشخیص بلوک‌ها با جعبه‌های محدود (Bounding Boxes): هر عنصر سند (متن، جدول، عنوان، تصویر) با مختصات دقیق مشخص می‌شود.
- طبقه‌بندی انواع عناصر: تشخیص خودکار انواع محتوای سند شامل عنوان، زیرعنوان، جدول، فرمول، امضا و تصویر.
- نمره اطمینان در سطح صفحه و کلمه: نشان‌دهنده میزان اطمینان مدل در تشخیص هر بخش از سند.
- پشتیبانی از ۱۷۰ زبان: در ۱۰ گروه زبانی مختلف.
🎯 کاربرد اصلی:
هدف اصلی این مدل صرفاً «تشخیص متن» نیست، بلکه تبدیل اسناد به ساختاری است که بتوان از آن در سیستم‌های RAG، جستجوی سازمانی، ویرایش و بازبینی انسانی و خطوط لوله عامل‌های هوش مصنوعی استفاده کرد.
📊 عملکرد و نتایج:
در یک مقایسه کور بر روی بیش از ۶۰۰ سند واقعی، کاربران مستقل در ۷۲٪ موارد OCR 4 را به سایر سیستم‌های پیشرو ترجیح داده‌اند. این مدل بالاترین امتیاز (۸۵.۲۰) را در بنچمارک OlmOCRBench کسب کرده و در ارزیابی چندزبانه داخلی (Crawl Multilingual) با امتیاز ۰.۹۸ از رقبا پیشی گرفته است.
در بنچمارک OmniDocBench نیز امتیاز ۹۳.۰۷ را به دست آورده است.
🔒 امنیت و استقرار:
مدل به اندازه‌ای جمع‌وجور است که در یک کانتینر واحد قابل استقرار است و امکان اجرای خودمیزبان (Self-hosted) را فراهم می‌کند. این ویژگی به سازمان‌ها اجازه می‌دهد اسناد خود را بدون خروج از زیرساخت اختصاصی پردازش کنند و نیازهای حاکمیتی و حریم خصوصی را برآورده سازند.
🔗 اطلاعات بیشتر:
بیانیه رسمی میسترال
#MistralAI #OCR #DocumentUnderstanding #AI
🆔 @asrgooyeshpardaz
شرکت میسترال (Mistral AI) از جدیدترین نسخه مدل OCR خود با نام OCR 4 رونمایی کرده است. این مدل فراتر از تشخیص متن ساده عمل کرده و اسناد را به یک ساختار منسجم و قابل استفاده تبدیل می‌کند.
✨ قابلیت‌های کلیدی:
- تشخیص بلوک‌ها با جعبه‌های محدود (Bounding Boxes): هر عنصر سند (متن، جدول، عنوان، تصویر) با مختصات دقیق مشخص می‌شود.
- طبقه‌بندی انواع عناصر: تشخیص خودکار انواع محتوای سند شامل عنوان، زیرعنوان، جدول، فرمول، امضا و تصویر.
- نمره اطمینان در سطح صفحه و کلمه: نشان‌دهنده میزان اطمینان مدل در تشخیص هر بخش از سند.
- پشتیبانی از ۱۷۰ زبان: در ۱۰ گروه زبانی مختلف.
🎯 کاربرد اصلی:
هدف اصلی این مدل صرفاً «تشخیص متن» نیست، بلکه تبدیل اسناد به ساختاری است که بتوان از آن در سیستم‌های RAG، جستجوی سازمانی، ویرایش و بازبینی انسانی و خطوط لوله عامل‌های هوش مصنوعی استفاده کرد.
📊 عملکرد و نتایج:
در یک مقایسه کور بر روی بیش از ۶۰۰ سند واقعی، کاربران مستقل در ۷۲٪ موارد OCR 4 را به سایر سیستم‌های پیشرو ترجیح داده‌اند. این مدل بالاترین امتیاز (۸۵.۲۰) را در بنچمارک OlmOCRBench کسب کرده و در ارزیابی چندزبانه داخلی (Crawl Multilingual) با امتیاز ۰.۹۸ از رقبا پیشی گرفته است.
در بنچمارک OmniDocBench نیز امتیاز ۹۳.۰۷ را به دست آورده است.
🔒 امنیت و استقرار:
مدل به اندازه‌ای جمع‌وجور است که در یک کانتینر واحد قابل استقرار است و امکان اجرای خودمیزبان (Self-hosted) را فراهم می‌کند. این ویژگی به سازمان‌ها اجازه می‌دهد اسناد خود را بدون خروج از زیرساخت اختصاصی پردازش کنند و نیازهای حاکمیتی و حریم خصوصی را برآورده سازند.
🔗 اطلاعات بیشتر:
بیانیه رسمی میسترال
#MistralAI #OCR #DocumentUnderstanding #AI
🆔 @asrgooyeshpardaz
Mistral
Mistral OCR 4 : SOTA OCR for Document Intelligence
Mistral OCR 4 delivers enterprise document AI with 170-language support, bounding boxes, and self-hosted deployment.
❤1
🌟 به‌روزرسانی مدل Leanstral 1.5 از Mistral AI – پیشرفت در اثبات‌های صوری
میسترال‌ای‌آی از نسخه‌ی جدید مدل خود برای زبان Lean 4 رونمایی کرده است. این مدل به ریاضیدانان و توسعه‌دهندگان کمک می‌کند تا اثبات‌های صوری (Formal Proofs) بنویسند و آنها را به‌گونه‌ای تأیید کنند که کامپایلر Lean بپذیرد.
---
⚙️ مشخصات فنی:
- معماری Mixture of Experts (MoE) با ۱۱۹ میلیارد پارامتر کلی و ۶.۵ میلیارد پارامتر فعال
- پنجره‌ی متنی ۲۵۶ هزار توکنی
- قابلیت دریافت ورودی چندوجهی (Multimodal)
- مجوز Apache 2.0
---
🎯 روش آموزش پیشرفته:
نسخه‌ی ۱.۵ در دو محیط جداگانه آموزش مرحله‌ای دیده است:
۱. محیط اثبات قضیه – تعامل با کامپایلر Lean برای اثبات صحیح گزاره‌های ریاضی
۲. محیط برنامه‌نویسی واقعی – شبیه‌سازی رفتار یک برنامه‌نویس در مخازن کد
---
📊 نتایج چشمگیر در بنچمارک‌ها:
- امتیاز ۱۰۰٪ در بنچمارک miniF2F (هم در مجموعه‌ی اعتبارسنجی و هم آزمون)
- حل ۵۸۷ از ۶۷۲ مسئله در PutnamBench
- ثبت بهترین نتایج روز در مجموعه‌های FATE-H و FATE-X
---
💰 مزیت هزینه‌ای قابل‌توجه:
در بنچمارک PutnamBench، Leanstral 1.5 با ۷ مسئله بیشتر از سیستم Seed-Prover 1.5 موفق عمل کرده، در حالی که هزینه‌ی حل هر مسئله حدود ۴ دلار است (در مقابل ۳۰۰+ دلار برای رقیب).
---
🐛 کشف باگ‌های واقعی:
در آزمون کدنویسی روی ۵۷ مخزن نرم‌افزاری، این سیستم موفق به شناسایی ۴۷ نقض در ویژگی‌های کد شد که از این میان:
- ۱۱ مورد خطای واقعی بودند
- ۵ مورد قبلاً ناشناخته بودند
---
🔗 لینک‌های مفید:
📄 پست وبلاگ
https://mistral.ai/news/leanstral-1-5
🤖 مدل در Hugging Face
https://huggingface.co/mistralai/Leanstral-1.5
🎮 نسخه‌ی آزمایشی
https://huggingface.co/spaces/mistralai/Leanstral-1.5
---
#MistralAI #Leanstral #Lean4 #اثبات_صوري #هوش_مصنوعي #AI #ML
🆔 @asrgooyeshpardaz
میسترال‌ای‌آی از نسخه‌ی جدید مدل خود برای زبان Lean 4 رونمایی کرده است. این مدل به ریاضیدانان و توسعه‌دهندگان کمک می‌کند تا اثبات‌های صوری (Formal Proofs) بنویسند و آنها را به‌گونه‌ای تأیید کنند که کامپایلر Lean بپذیرد.
---
⚙️ مشخصات فنی:
- معماری Mixture of Experts (MoE) با ۱۱۹ میلیارد پارامتر کلی و ۶.۵ میلیارد پارامتر فعال
- پنجره‌ی متنی ۲۵۶ هزار توکنی
- قابلیت دریافت ورودی چندوجهی (Multimodal)
- مجوز Apache 2.0
---
🎯 روش آموزش پیشرفته:
نسخه‌ی ۱.۵ در دو محیط جداگانه آموزش مرحله‌ای دیده است:
۱. محیط اثبات قضیه – تعامل با کامپایلر Lean برای اثبات صحیح گزاره‌های ریاضی
۲. محیط برنامه‌نویسی واقعی – شبیه‌سازی رفتار یک برنامه‌نویس در مخازن کد
---
📊 نتایج چشمگیر در بنچمارک‌ها:
- امتیاز ۱۰۰٪ در بنچمارک miniF2F (هم در مجموعه‌ی اعتبارسنجی و هم آزمون)
- حل ۵۸۷ از ۶۷۲ مسئله در PutnamBench
- ثبت بهترین نتایج روز در مجموعه‌های FATE-H و FATE-X
---
💰 مزیت هزینه‌ای قابل‌توجه:
در بنچمارک PutnamBench، Leanstral 1.5 با ۷ مسئله بیشتر از سیستم Seed-Prover 1.5 موفق عمل کرده، در حالی که هزینه‌ی حل هر مسئله حدود ۴ دلار است (در مقابل ۳۰۰+ دلار برای رقیب).
---
🐛 کشف باگ‌های واقعی:
در آزمون کدنویسی روی ۵۷ مخزن نرم‌افزاری، این سیستم موفق به شناسایی ۴۷ نقض در ویژگی‌های کد شد که از این میان:
- ۱۱ مورد خطای واقعی بودند
- ۵ مورد قبلاً ناشناخته بودند
---
🔗 لینک‌های مفید:
📄 پست وبلاگ
https://mistral.ai/news/leanstral-1-5
🤖 مدل در Hugging Face
https://huggingface.co/mistralai/Leanstral-1.5
🎮 نسخه‌ی آزمایشی
https://huggingface.co/spaces/mistralai/Leanstral-1.5
---
#MistralAI #Leanstral #Lean4 #اثبات_صوري #هوش_مصنوعي #AI #ML
🆔 @asrgooyeshpardaz
Mistral
Leanstral 1.5: Proof Abundance for All
The most powerful AI platform for enterprises. Customize, fine-tune, and deploy AI assistants, autonomous agents, and multimodal AI with open models.
❤5
🌐اخبار هوش مصنوعی
🐧 اپلیکیشن ChatGPT به لینوکس آمد!
شرکت OpenAI نسخه‌ی پیش‌نمایش اپلیکیشن دسکتاپ ChatGPT را برای لینوکس منتشر کرده است. این کلاینت، چت معمولی، Work و Codex را در یک پنجره جمع می‌کند.
فایل‌های نصبی به فرمت‌های .deb و .rpm برای معماری‌های x64 و ARM64 در دسترس است. توزیع‌های پشتیبانی‌شده عبارتند از:
- اوبونتو ۲۴.۰۴ و ۲۶.۰۴ LTS
- دبیان ۱۳
- فدورا ۴۳ و ۴۴
کاربران سایر توزیع‌ها تا پایان مرحله‌ی پیش‌نمایش باید از مرورگر یا نسخه‌های غیررسمی استفاده کنند.
🔗 OpenAI در X
---
📱 جمینی به یک میلیارد کاربر ماهانه رسید
سوندار پیچای، مدیرعامل گوگل، جمینی را سریع‌ترین محصول در حال رشد تاریخ گوگل و چهاردهمین سرویس این شرکت نامید که از مرز یک میلیارد کاربر ماهانه عبور کرده است.
رشد کاربران:
- فوریه: ۷۵۰ میلیون
- می: ۹۰۰ میلیون
- جولای: ۹۵۰ میلیون
- آخرین ۵۰ میلیون در تنها یک ماه به دست آمد
آمار جالب:
- ۶۳٪ کاربران با جمینی به‌صورت صوتی صحبت می‌کنند
- در حالت Gemini Live، هر پنجمین درخواست با دوربین یا اشتراک‌گذاری صفحه است
- دانش‌آموزان در ۳۸٪ درخواست‌ها فایل ضمیمه می‌کنند
- جمنی روزانه بیش از ۱۵۰ میلیون تصویر تولید می‌کند
🔗 blog.google
---
💻 مایکروسافت مدل MAI-Code-1.1-Flash را برای GitHub Copilot منتشر کرد
مدل زبانی جدید مایکروسافت، چهار برابر ارزان‌تر از نسخه‌ی ژوئن است. این مدل در هر وظیفه ۲۵٪ توکن کمتری مصرف می‌کند و نرخ بقای کد (درصد کد تولیدی که در پروژه باقی می‌ماند) ۴٪ افزایش یافته است.
در تست‌ها، MAI-Code-1.1-Flash از نسخه‌ی قبلی، Haiku 4.5 و GPT-5.4 mini بهتر عمل کرده، اما از DeepSeek-V4-Flash در هر دو معیار امتیاز و قیمت عقب‌تر است. جالب اینکه مایکروسافت این مقایسه را فقط در گزارش فنی منتشر کرده و در بیانیه‌ی رسمی نیاورده است.
مایکروسافت به‌تدریج مدل‌های خود را جایگزین مدل‌های دیگر می‌کند و خانواده‌ی MAI به گزینه‌ی پیش‌فرض در سرویس‌های هوش مصنوعی این شرکت تبدیل می‌شود.
🔗 microsoft.ai
---
🎬 علی‌بابا مدلی برای انیمیشن‌سازی بلادرنگ شخصیت‌ها منتشر کرد
تیم Tongyi Lab وزن‌های مدل Wan-Animate-2 را به‌صورت متن‌باز منتشر کرده است. این مدل حرکت یک ویدئو را به شخصیت‌ها منتقل کرده و صحنه‌ی نهایی را از زوایای مختلف می‌سازد. مدل با نسبت‌های ابعادی غیرعادی و فرم‌های بدنی نامتعارف نیز به‌خوبی کار می‌کند.
نوآوری اصلی: حذف ریگینگ اسکلتی، تخمین ژست و فشرده‌سازی ویژگی‌های حرکت. مدل به‌طور مستقیم حرکت را با بدن شخصیت تطبیق می‌دهد. کیفیت آن مطابق ادعای علی‌بابا، در سطح Kling و Dreamina است.
وزن‌ها روی Hugging Face و ModelScope در دسترس است:
- نسخه‌ی کامل: برای ویدئوی ۷۲۰p به ۸ عدد A800 نیاز دارد
- نسخه‌ی Lite: برای دیجیتال آواتار و پخش زنده، با ۴ عدد H100 ویدئوی ۴۰۰×۷۲۰ را با ۲۴ فریم بر ثانیه تولید می‌کند
🔗 Wan-AI روی Hugging Face
---
🇪🇺 میسترال پلتفرم خود را به روی مدل‌های دیگر باز می‌کند
استارتاپ فرانسوی میسترال، میزبانی مدل‌های شخص ثالث را روی سرورهای خود آغاز کرده است. اولین مدل میزبان‌شده، GLM-5.2 است که با همان تضمین‌های حریم خصوصی و کنترل داده، روی زیرساخت میسترال اجرا می‌شود.
هم‌زمان، میسترال نقاط پایانی منطقه‌ای (Regional Endpoints) در اروپا و آمریکا را در دسترس عموم قرار داده و تعرفه‌ی اولویت‌دار با تضمین در دسترس بودن را راه‌اندازی کرده است.
تغییر استراتژی: «هوش مصنوعی مستقل» (Sovereign AI) از نظر میسترال، یعنی کنترل بر سرورها و قوانین پردازش داده، نه لزوماً آموزش مدل از صفر.
پیش‌تر مشخص شده بود که معماری Mistral Large 3 شباهت زیادی به DeepSeek V3 دارد. حالا کاربران در شبکه‌های اجتماعی شوخی می‌کنند که اروپا دیگر نیازی به بازبسته‌بندی مدل‌های آسیایی ندارد؛ کافی است سرورهای خود را در اختیار آنها بگذارد!
🔗 mistral.ai
---
#ChatGPT #Gemini #GitHubCopilot #WanAnimate #MistralAI #هوش_مصنوعی
🆔 @asrgooyeshpardaz
🐧 اپلیکیشن ChatGPT به لینوکس آمد!
شرکت OpenAI نسخه‌ی پیش‌نمایش اپلیکیشن دسکتاپ ChatGPT را برای لینوکس منتشر کرده است. این کلاینت، چت معمولی، Work و Codex را در یک پنجره جمع می‌کند.
فایل‌های نصبی به فرمت‌های .deb و .rpm برای معماری‌های x64 و ARM64 در دسترس است. توزیع‌های پشتیبانی‌شده عبارتند از:
- اوبونتو ۲۴.۰۴ و ۲۶.۰۴ LTS
- دبیان ۱۳
- فدورا ۴۳ و ۴۴
کاربران سایر توزیع‌ها تا پایان مرحله‌ی پیش‌نمایش باید از مرورگر یا نسخه‌های غیررسمی استفاده کنند.
🔗 OpenAI در X
---
📱 جمینی به یک میلیارد کاربر ماهانه رسید
سوندار پیچای، مدیرعامل گوگل، جمینی را سریع‌ترین محصول در حال رشد تاریخ گوگل و چهاردهمین سرویس این شرکت نامید که از مرز یک میلیارد کاربر ماهانه عبور کرده است.
رشد کاربران:
- فوریه: ۷۵۰ میلیون
- می: ۹۰۰ میلیون
- جولای: ۹۵۰ میلیون
- آخرین ۵۰ میلیون در تنها یک ماه به دست آمد
آمار جالب:
- ۶۳٪ کاربران با جمینی به‌صورت صوتی صحبت می‌کنند
- در حالت Gemini Live، هر پنجمین درخواست با دوربین یا اشتراک‌گذاری صفحه است
- دانش‌آموزان در ۳۸٪ درخواست‌ها فایل ضمیمه می‌کنند
- جمنی روزانه بیش از ۱۵۰ میلیون تصویر تولید می‌کند
🔗 blog.google
---
💻 مایکروسافت مدل MAI-Code-1.1-Flash را برای GitHub Copilot منتشر کرد
مدل زبانی جدید مایکروسافت، چهار برابر ارزان‌تر از نسخه‌ی ژوئن است. این مدل در هر وظیفه ۲۵٪ توکن کمتری مصرف می‌کند و نرخ بقای کد (درصد کد تولیدی که در پروژه باقی می‌ماند) ۴٪ افزایش یافته است.
در تست‌ها، MAI-Code-1.1-Flash از نسخه‌ی قبلی، Haiku 4.5 و GPT-5.4 mini بهتر عمل کرده، اما از DeepSeek-V4-Flash در هر دو معیار امتیاز و قیمت عقب‌تر است. جالب اینکه مایکروسافت این مقایسه را فقط در گزارش فنی منتشر کرده و در بیانیه‌ی رسمی نیاورده است.
مایکروسافت به‌تدریج مدل‌های خود را جایگزین مدل‌های دیگر می‌کند و خانواده‌ی MAI به گزینه‌ی پیش‌فرض در سرویس‌های هوش مصنوعی این شرکت تبدیل می‌شود.
🔗 microsoft.ai
---
🎬 علی‌بابا مدلی برای انیمیشن‌سازی بلادرنگ شخصیت‌ها منتشر کرد
تیم Tongyi Lab وزن‌های مدل Wan-Animate-2 را به‌صورت متن‌باز منتشر کرده است. این مدل حرکت یک ویدئو را به شخصیت‌ها منتقل کرده و صحنه‌ی نهایی را از زوایای مختلف می‌سازد. مدل با نسبت‌های ابعادی غیرعادی و فرم‌های بدنی نامتعارف نیز به‌خوبی کار می‌کند.
نوآوری اصلی: حذف ریگینگ اسکلتی، تخمین ژست و فشرده‌سازی ویژگی‌های حرکت. مدل به‌طور مستقیم حرکت را با بدن شخصیت تطبیق می‌دهد. کیفیت آن مطابق ادعای علی‌بابا، در سطح Kling و Dreamina است.
وزن‌ها روی Hugging Face و ModelScope در دسترس است:
- نسخه‌ی کامل: برای ویدئوی ۷۲۰p به ۸ عدد A800 نیاز دارد
- نسخه‌ی Lite: برای دیجیتال آواتار و پخش زنده، با ۴ عدد H100 ویدئوی ۴۰۰×۷۲۰ را با ۲۴ فریم بر ثانیه تولید می‌کند
🔗 Wan-AI روی Hugging Face
---
🇪🇺 میسترال پلتفرم خود را به روی مدل‌های دیگر باز می‌کند
استارتاپ فرانسوی میسترال، میزبانی مدل‌های شخص ثالث را روی سرورهای خود آغاز کرده است. اولین مدل میزبان‌شده، GLM-5.2 است که با همان تضمین‌های حریم خصوصی و کنترل داده، روی زیرساخت میسترال اجرا می‌شود.
هم‌زمان، میسترال نقاط پایانی منطقه‌ای (Regional Endpoints) در اروپا و آمریکا را در دسترس عموم قرار داده و تعرفه‌ی اولویت‌دار با تضمین در دسترس بودن را راه‌اندازی کرده است.
تغییر استراتژی: «هوش مصنوعی مستقل» (Sovereign AI) از نظر میسترال، یعنی کنترل بر سرورها و قوانین پردازش داده، نه لزوماً آموزش مدل از صفر.
پیش‌تر مشخص شده بود که معماری Mistral Large 3 شباهت زیادی به DeepSeek V3 دارد. حالا کاربران در شبکه‌های اجتماعی شوخی می‌کنند که اروپا دیگر نیازی به بازبسته‌بندی مدل‌های آسیایی ندارد؛ کافی است سرورهای خود را در اختیار آنها بگذارد!
🔗 mistral.ai
---
#ChatGPT #Gemini #GitHubCopilot #WanAnimate #MistralAI #هوش_مصنوعی
🆔 @asrgooyeshpardaz
❤3👍3