🔥 انویدیا OmniVinci — مدل چندوجهی که رکوردها را شکست!

🔗 مدل OmniVinci تازه‌ترین مدل چندوجهی (Omnimodal) از آزمایشگاه‌های NVIDIA است که می‌تواند متن، تصویر، ویدیو و صدا را به‌صورت هم‌زمان درک و پردازش کند.

با وجود آن‌که تنها با ۲۰۰ میلیارد توکن آموزش دیده (شش‌برابر کمتر از Qwen2.5-Omni با ۱.۲ تریلیون توکن)، کارایی شگفت‌انگیزی نشان داده است — نتیجه‌ی معماری هوشمند و پردازش دقیق داده‌ها.

🧩 سه جزء کلیدی OmniVinci:

🔹Temporal Embedding Grouping (TEG)
نظم‌دهی به توکن‌های صوت و تصویر بر اساس زمان.
🔹Constrained Rotary Time Embedding (CRTE)
رمزگذاری دقیق زمان مطلق هر فریم.
🔹OmniAlignNet
هم‌ترازسازی توکن‌های ویدیو و صدا در یک فضای نهفته مشترک از طریق یادگیری کانتراستیوی.

📊 تست ابلیشن نشان داد هر جزء نقشی مهم دارد:

مدل پایه: 45.51
با TEG: +2.21 → 47.72
با CRTE: +4.74 → 50.25
با OmniAlignNet: +7.08 → 52.59 ✅

🧠 داده‌های آموزش:

۲۴ میلیون دیالوگ چندوجهی
با کمک LLM برای یکپارچه‌سازی توضیحات در قالب واحد

ترکیب داده‌ها:

۳۶٪ تصویر
۲۱٪ صدا
۱۷٪ گفتار
۱۵٪ داده‌های ترکیبی
۱۱٪ ویدیو

📈 نتایج بنچ‌مارک:

Worldsense: 48.23 (در برابر 45.40 برای Qwen2.5-Omni)

DailyOmni: 66.50 (در برابر 47.45)

MMAR (وظایف صوتی): 58.40

MMAU: 71.60

LibriSpeech-clean (WER): فقط 1.7٪ 🔊
🧪 تست‌های صنعتی:

در کاربردهای واقعی نیز OmniVinci درخشید:

در تشخیص عیوب ویفرهای نیمه‌هادی به دقت 98.1٪ رسید — بالاتر از
مدل NVILA (97.6٪)
مدل VILA-40B (90.8٪)

⚙️ مجوز و منابع:

کد: Apache 2.0 License

مدل: NVIDIA One Way Noncommercial License

🟢 صفحه پروژه
🟢 مدل در HuggingFace
🟢 مقاله arXiv
🟢 کد منبع در GitHub

📢 #NVIDIA #OmniVinci #AI #Multimodal #DeepLearning #GenerativeAI

@asrgooyeshpardaz

🛰️استارتاپ NVIDIA StarCloud — ابررایانه‌ای در مدار زمین! 🚀

استارتاپ StarCloud (عضو برنامه NVIDIA Inception) اعلام کرد در نوامبر ماهواره‌ی StarCloud-1 را با پردازنده‌ی گرافیکی NVIDIA H100 به فضا پرتاب می‌کند — نخستین GPU از کلاس مراکز داده که وارد مدار زمین می‌شود! 💻✨

💡 نکات کلیدی:

• ☀️ انرژی بی‌پایان خورشیدی: تأمین برق نامحدود در مدار بدون وابستگی به منابع زمینی.

• ❄️ خنک‌سازی طبیعی: خلأ فضا همانند یک رادیاتور عظیم، گرما را بدون نیاز به آب دفع می‌کند.

• 💰 بهره‌وری فوق‌العاده: هزینه‌ی انرژی حدود ۱۰ برابر کمتر از زمین است — حتی با احتساب هزینه‌ی پرتاب.

• ⚡️ توان محاسباتی: این ماهواره تا ۱۰۰ برابر قدرت GPU بیشتری نسبت به مأموریت‌های فضایی پیشین دارد.

🌍 کاربردها:

تحلیل لحظه‌ای داده‌های ماهواره‌ای برای پیش‌بینی هوا ☁️

شناسایی آتش‌سوزی جنگل‌ها و بحران‌های زیست‌محیطی 🔥🌲

تولید نقشه‌های سه‌بعدی زمین با دقت بالا 🗺️

🔭 استارتاپ StarCloud قصد دارد در آینده مرکز داده‌ای ۵ گیگاواتی در مدار زمین ایجاد کند — آغاز عصر ابررایانش فضایی. 🌌

🔗https://blogs.nvidia.com/blog/starcloud/

#NVIDIA #StarCloud #SpaceComputing #AI #GPU #FutureTech
—

@asrgooyeshpardaz

🌐 تحولات تازه در دنیای هوش مصنوعی


📚 دگرگونی نقش ویکی‌پدیا در فضای اینترنت

نقش ویکی‌پدیا در زیست‌بوم اینترنت دستخوش تغییری بنیادین شده است. در حالی‌که شمار بازدیدکنندگان انسانی آن رو به کاهش است، سامانه‌های هوش مصنوعی روزبه‌روز بیش‌تر از داده‌های آن به‌طور مستقیم بهره می‌گیرند، بی‌آن‌که کاربران را به صفحات وب هدایت کنند.
بدین‌ترتیب، ویکی‌پدیا از یک منبع تولید محتوا به بستر راستی‌آزمایی اطلاعات تبدیل شده است.
این پروژه از ابزارهای هوش مصنوعی برای شناسایی و جلوگیری از ویرایش‌های مشکوک ــ از جمله درج اطلاعات نادرست، اهانت‌آمیز یا تبلیغاتی ــ استفاده می‌کند. سامانه به‌طور خودکار این تغییرات را منتشر نمی‌کند، اما فرایند بررسی و تصمیم‌گیری را برای ویراستاران انسانی تسهیل می‌کند.
از آن‌جا که فروش مستقیم داده‌ها، برخلاف پلتفرم‌هایی چون Reddit، برای ویکی‌پدیا امکان‌پذیر نیست، این نهاد طرح اشتراک ویژه برای دسترسی لحظه‌ای به داده‌های تازه‌ویرایش‌شده را راه‌اندازی کرده است؛ از جمله نخستین مشترکان آن، شرکت گوگل است.
هزینه سالانه نگه‌داری این پلتفرم در حدود ۱۷۸ میلیون دلار برآورد می‌شود که بخش عمده‌ای از آن صرف زیرساخت و سرورهای داده می‌گردد.
🔗 ft.com


🤖 معرفی ربات انسان‌نمای خانگی Noetix Bumi

استارتاپ چینی Noetix Robotics نخستین ربات مصرفی خود را با نام Bumi معرفی کرده است. این ربات ۹۴ سانتی‌متر قد، ۱۲ کیلوگرم وزن و ۲۱ درجه آزادی حرکتی دارد.
ربات Bumi قادر است بر روی دو پا راه برود، حرکات نرم و حتی رقص‌های نمایشی انجام دهد. بدنه آن از مواد کامپوزیتی سبک ساخته شده و از فرمان‌های صوتی پشتیبانی می‌کند. همچنین دارای محیط برنامه‌نویسی اختصاصی برای توسعه مهارت‌های جدید است.
قیمت این ربات ۹٬۹۸۸ یوان چین (حدود ۱٬۴۰۲ دلار آمریکا) اعلام شده است.
🔗 SCMP


🎧 مدل چندوجهی Audio Flamingo 3 از NVIDIA

شرکت انویدیا از مدل جدید خود با نام Audio Flamingo 3 رونمایی کرده است؛ سامانه‌ای چندوجهی که توانایی درک و تحلیل صدا، گفتار و موسیقی را دارد.
این مدل از ترکیب چند فناوری پیشرفته ساخته شده است:
کدک صوتی AF-Whisper برای رمزگشایی صدا
مدل زبانی Qwen 2.5 7B برای درک مفهومی و زبانی
ماژول تولید گفتار برای پاسخ‌دهی صوتی
مدل Audio Flamingo 3 می‌تواند فایل‌های صوتی تا ده دقیقه را تحلیل و محتوای زبانی و معنایی آن را در گفت‌وگوهای چندمرحله‌ای بازتولید کند. این مدل در بیش از ۲۰ آزمون بنچمارک عملکرد برجسته‌ای نشان داده و به‌صورت باز برای پژوهش‌های علمی در پلتفرم‌های PyTorch و Transformers عرضه شده است.
🔗 Hugging Face


🎨 معماری جدید تولید تصویر Kuaishou SVG

شرکت Kuaishou Technology از معماری تازه‌ای برای مدل‌های تولید تصویر با نام SVG رونمایی کرده است. در این مدل، برخلاف روش‌های مرسوم، از مؤلفه‌ی Variational Autoencoder (VAE) استفاده نشده است.
مدل SVG با تکیه بر نمایش‌های خودیادگیرنده (Self-supervised Representations) سرعت آموزش را ۶۲ برابر و سرعت استنتاج را ۳۵ برابر افزایش داده است. در عین حال، کیفیت و پایداری تصاویر نیز ارتقا یافته است. حذف VAE سبب کاهش اعوجاج در فضای نهفته و افزایش دقت در تولید تصاویر با وضوح بالا شده است.
🔗 Hugging Face Paper


⚡ افت سهام شرکت‌های انرژی پس از تب هوش مصنوعی

سهام شرکت‌های انرژی که در ماه‌های اخیر با رونق هوش مصنوعی رشد چشمگیری داشتند، در هفته گذشته با کاهش حدود ۱۲ درصدی روبه‌رو شدند — بزرگ‌ترین افت از فوریه تاکنون.
در این میان، شرکت Oklo با افت ۳۰ درصدی و Vistra با کاهش ۱۲ درصدی بیش از دیگران زیان دیدند. تحلیل‌ها نشان می‌دهد که با پیشرفت مدل‌های بهینه‌تر و کم‌مصرف‌تر، انتظار برای رشد تقاضای انرژی کاهش یافته است. همچنین شرکت GE Vernova نسبت به کند شدن روند سرمایه‌گذاری هشدار داده است.
با این حال، همه چشم‌اندازها منفی نیست: دولت ایالات متحده در حال تسریع اتصال مراکز داده به شبکه برق است و شرکت Oracle نیز برای تأمین سرمایه ساخت مراکز داده‌ی جدید، در آستانه انتشار اوراق قرضه قرار دارد.
🔗 Bloomberg

#خبر #هوش_مصنوعی #فناوری #ویکی‌پدیا #رباتیک #تحلیل_بازار
#AI #news #NVIDIA #Kuaishou

@asrgooyeshpardaz

🌐 تحولات تازه در دنیای هوش مصنوعی


💰 اپل به ارزش بازار ۴ تریلیون دلار رسید

اپل به باشگاه انحصاری شرکت‌های ۴ تریلیون دلاری پیوست و در کنار مایکروسافت و انویدیا ایستاد. ارزش سهام اپل طی شش ماه گذشته بیش از ۲۸٪ رشد کرده است. عامل اصلی این جهش، نه فقط فروش بالای آیفون ۱۷، بلکه رشد چشمگیر بخش خدمات شرکت است — شامل App Store، iCloud، Apple Music، Apple TV+، AppleCare، تبلیغات و خدمات پرداخت.
تحلیلگران پیش‌بینی می‌کنند درآمد سالانه این بخش برای نخستین بار از ۱۰۰ میلیارد دلار فراتر رود.
در حالی‌که انویدیا و مایکروسافت رشد خود را مدیون سرمایه‌گذاری در زیرساخت‌های داده و هوش مصنوعی‌اند، اپل بر پایه اکوسیستم کاربران و اشتراک‌های خود پیش می‌رود.
🔗 ft


🎨 شرکت Google معرفی کرد: Pomelli — ابزار مولد برای بازاریابی هوشمند

گوگل از Pomelli رونمایی کرد؛ سرویسی که با تحلیل سبک بصری و لحن برند، به‌صورت خودکار کمپین‌ها، متن‌ها و تصاویر بازاریابی تولید می‌کند. کافی است آدرس وب‌سایت برند وارد شود تا Pomelli محتوای منسجم و متناسب با هویت برند بسازد.
این ابزار فعلاً در ایالات متحده، کانادا، استرالیا و نیوزیلند فعال است و به‌زودی در سایر کشورها در دسترس خواهد بود.
🔗 labs.google.com/pomelli


📊 گزارش تازه: «شتاب مسئولانه» در پذیرش Gen AI

مطالعه‌ی جدید «Accountable Acceleration: Gen AI Fast-Tracks Into the Enterprise» نشان می‌دهد هوش مصنوعی مولد در یک سال گذشته به بخش جدایی‌ناپذیر سازمان‌ها تبدیل شده است:
۸۲٪ شرکت‌ها حداقل هفته‌ای یک‌بار از Gen AI استفاده می‌کنند؛ نزدیک به نیمی، هر روز.
۸۹٪ معتقدند Gen AI توان کارکنان را افزایش می‌دهد، نه جایگزین آن‌ها.
۶۱٪ شرکت‌ها پست جدیدی با عنوان Chief AI Officer ایجاد کرده یا در دست برنامه‌ریزی دارند.
۸۸٪ قصد دارند بودجه‌ی هوش مصنوعی را در سال آینده افزایش دهند.
🔗 Wharton Report


🌍 شرکت Liquid AI معرفی کرد: LFM2-ColBERT-350M — مدل چندزبانه‌ی سبک و سریع

این مدل ۳۵۰ میلیون پارامتری برای بازیابی اسناد چندزبانه طراحی شده است و می‌تواند بین زبان‌ها جست‌وجوی دقیق انجام دهد؛ مثلاً اسناد را به انگلیسی ذخیره و به فارسی یا آلمانی بیابد.
✅ بهترین مدل در کلاس زیر ۵۰۰M
✅ عملکرد عالی در زبان‌های آلمانی، عربی، کره‌ای، اسپانیایی، ایتالیایی، فرانسوی، ژاپنی و پرتغالی
✅ پردازش بیش از ۱۰۰۰ سند در ثانیه با کیفیتی در حد مدل‌های چندبرابری بزرگ‌تر
🔗 Hugging Face


💫 شرکت NVIDIA اکوسیستم باز خود را گسترش داد

انویدیا مجموعه‌ای از مدل‌ها و داده‌ها را در حوزه‌های مختلف معرفی کرد:

🔹مدل Nemotron Nano 3 — مدل سبک برای تولید و استدلال

🔹مدل Nemotron Nano 2 VL — تحلیل اسناد و داده‌های چندرسانه‌ای

🔹مدل Nemotron Parse — استخراج داده‌های ساخت‌یافته

🔹مدل Nemotron Safety Guard — ابزار نظارت و ایمنی محتوای چندزبانه

در بخش رباتیک نیز سری مدل‌های Cosmos و Isaac GR00T N1.6 منتشر شد، و در زیست‌پزشکی مدل‌های Clara CodonFM, Clara La-Proteina, Clara Reason برای تحلیل RNA و ساختار پروتئین معرفی شدند.
در مجموع، انویدیا تاکنون بیش از ۶۵۰ مدل و ۲۵۰ دیتاست را به‌صورت عمومی منتشر کرده است.
🔗 NVIDIA Blog


🏢 آمازون در آستانه‌ی بزرگ‌ترین تعدیل نیرو از سال ۲۰۲۲

براساس گزارش‌ها، آمازون قصد دارد حدود ۱۰٪ از ۳۵۰ هزار کارمند دفتر مرکزی خود را تعدیل کند — بزرگ‌ترین کاهش نیرو از سال ۲۰۲۲ که شامل ۲۷ هزار نفر بود.
مدیرعامل شرکت، اندی جَسی، پیش‌تر گفته بود که افزایش استفاده از هوش مصنوعی، باعث خودکارسازی بسیاری از فرآیندها و کاهش نیاز به نیروی انسانی خواهد شد.
🔗 Reuters

📌 #AI #ML #TechNews #Apple #Nvidia #Google #Amazon #LiquidAI

@asrgooyeshpardaz

🌐 تحولات تازه در دنیای هوش مصنوعی


🇺🇸 ۱. تعویق عرضه عمومی سهام (IPO) توسط OpenAI

مدیر مالی OpenAI، «سارا فِرایار»، اعلام کرد که عرضه عمومی سهام این شرکت فعلاً در دستور کار قرار ندارد.
تمرکز اصلی OpenAI در حال حاضر بر تحقیقات، توسعه و گسترش ظرفیت محاسباتی است، نه سوددهی فوری. طبق گزارش‌ها، این شرکت قصد دارد در سال‌های آینده حدود ۶۰۰ میلیارد دلار برای خرید و اجاره زیرساخت‌های محاسباتی از شرکت‌های Oracle، Microsoft و Amazon هزینه کند.
هرچند پیش‌بینی می‌شود درآمد OpenAI در سال ۲۰۲۵ به حدود ۱۳ میلیارد دلار برسد، این شرکت همچنان زیان‌ده است و حتی در حال بررسی همکاری با دولت آمریکا برای تأمین مالی خرید تراشه‌هاست.
درآمد حاصل از مشتریان سازمانی از ابتدای سال از ۳۰٪ به ۴۰٪ افزایش یافته، اما هزینه‌های سنگین پردازش برای کاربران رایگان ChatGPT همچنان مانع سوددهی است.
📎 منبع: WSJ


🧬 ۲. شرکت NVIDIA و OpenFold معرفی کردند: OpenFold3 NIM

کنسرسیوم OpenFold با پشتیبانی NVIDIA نسخه جدیدی از مدل OpenFold3 NIM را منتشر کرد؛ یک میکروسرویس آماده‌به‌کار برای پیش‌بینی ساختار سه‌بعدی پروتئین‌ها و مولکول‌های زیستی.
این ابزار به پژوهشگران اجازه می‌دهد تا تعامل میان پروتئین‌ها، DNA، RNA و مولکول‌های کوچک را با دقت بالا شبیه‌سازی کنند؛ گامی مهم در زمینه داروسازی و زیست‌ساختارشناسی.
مدل OpenFold3 بر پایه فناوری‌های Triton Inference Server و TensorRT توسعه یافته و با NVIDIA FLARE نیز سازگار است تا بتواند در پروژه‌های یادگیری فدرال (Federated Learning) بدون نیاز به اشتراک داده‌های حساس استفاده شود.
📎 منبع: NVIDIA Developer Blog


☁️ ۳. نوآوری Perplexity برای اجرای مدل‌های تریلیونی روی AWS EFA

شرکت Perplexity نخستین مقاله فنی خود را منتشر کرده که نشان می‌دهد مدل‌هایی با بیش از یک تریلیون پارامتر را می‌توان روی زیرساخت AWS EFA اجرا کرد، حتی بدون GPUهای تخصصی.
مشکل اصلی، نبود پشتیبانی از فناوری GPUDirect Async در EFA بود. مهندسان Perplexity با طراحی هسته‌های موازی سفارشی و استفاده از CPU برای هماهنگی داده بین GPUها، موفق شدند داده‌ها را از طریق RDMA به‌طور همزمان منتقل و پردازش کنند.
نتیجه این کار، امکان اجرای مدل‌های عظیمی چون DeepSeek V3 و Kimi K2 در محیط AWS با کارایی برابر با خوشه‌های GPU سنتی است.
📎 منبع: Perplexity Research


🎨 ۴. راه‌اندازی سرویس ابری Comfy Cloud

پلتفرم ComfyUI نسخه بتای عمومی سرویس Comfy Cloud را راه‌اندازی کرد؛ بستری آنلاین با رابط گرافیکی نودمحور برای مدل‌های مولد که مستقیماً در مرورگر اجرا می‌شود.
کاربران در این سرویس به بیش از ۴۰۰ مدل متن‌باز و ۱۷ افزونه محبوب دسترسی دارند و می‌توانند تا ۸ ساعت در روز از GPUهای NVIDIA A100 (۴۰GB) استفاده کنند.
هزینه اشتراک ماهانه فعلاً ۲۰ دلار است و شامل ۱۰ دلار اعتبار برای استفاده از سرویس‌های شریک (مانند Sora و Veo) می‌شود. در آینده امکان آپلود مدل‌ها و LoRAهای شخصی و تبدیل ورک‌فلوها به API نیز فراهم خواهد شد.
📎 منبع: Comfy Blog


⚖️ ۵. پیروزی Stability AI در پرونده حقوقی با Getty Images

دادگاه عالی لندن شکایت Getty Images علیه Stability AI را رد کرد.
شرکت Getty مدعی بود که مدل Stable Diffusion «کپی غیرقانونی» تصاویر دارای حق‌کپی است. اما دادگاه حکم داد که مدل‌های هوش مصنوعی بر اساس قانون بریتانیا کپی محسوب نمی‌شوند، زیرا خود آثار را ذخیره یا بازتولید نمی‌کنند.
این حکم یک پیروزی حقوقی مهم برای صنعت هوش مصنوعی محسوب می‌شود، زیرا ریسک دعاوی کپی‌رایت در آموزش مدل‌ها را کاهش می‌دهد.
📎 منبع: Reuters

#OpenAI
#NVIDIA
#PerplexityAI
#StabilityAI
#هوش_مصنوعی
#مدل_های_بزرگ_زبانی
#زیرساخت_محاسباتی
#محاسبات_ابری
#حقوق_دیجیتال
#صنعت_هوش_مصنوعی

@asrgooyeshpardaz

📄 معماری TiDAR: معماری جدیدی که دیفیوژن و خودرگرسیونی را در یک مدل واحد ترکیب می‌کند

🔍 مسئله:
مدل‌های خودرگرسیونی (AR) با اینکه کیفیت بالایی دارند، اما کند هستند. در مقابل، مدل‌های دیفیوژنی سریع‌اند، اما کیفیت خروجی آنها پایین‌تر است.

💡 راهکار TiDAR:
«اندیشیدن» و تولید پیش‌نویس توکن‌ها به‌صورت موازی با روش دیفیوژنی 🌀
«سخن گفتن» و نهایی‌سازی خروجی با روش خودرگرسیونی (AR) ✅
همه این‌ها فقط در یک گذر انجام می‌شود! 🚀

📊 نتایج (برای مدل‌های 1.5B و 8B):

سرعت: ‌۴.۷۱ تا ۵.۹۱ برابر سریع‌تر از مدل‌های AR 🏎

کیفیت: هم‌سطح مدل‌های خودرگرسیونی 🏆

کارایی: بهتر از Speculative Decoding و مدل‌های دیفیوژنی خالص

✨ مزایا:
یک مدل برای دو نوع وظیفه
پشتیبانی کامل از KV Cache
آموزش بدون نیاز به تنظیمات پیچیدهٔ ابرپارامترها
معماری TiDAR افق‌های تازه‌ای برای نسل آیندهٔ مدل‌های تولیدی سریع و باکیفیت می‌گشاید! 🌟

🔗 لینک مقاله:
https://arxiv.org/abs/2511.08923

#AI #NVIDIA #تحقیقاتی

@asrgooyeshpardaz

🚨 شرکت DeepSeek مخفیانه از GPUهای ممنوعه Nvidia Blackwell برای آموزش مدل جدید خود استفاده می‌کند

طبق گزارش The Information، شرکت DeepSeek نسل بعدی مدل خود را با استفاده از هزاران چیپ Blackwell آموزش می‌دهد؛ چیپ‌هایی که به‌طور رسمی صادرات آن‌ها به چین ممنوع است.

📦 چگونه این کار انجام می‌شود؟
طبق گزارش‌ها، سازوکار DeepSeek چنین است:
سرورها و GPUها ابتدا در دیتاسنترهای «شبحی» خارج از چین نصب و تست می‌شوند.
سپس دستگاه‌ها از هم جدا می‌شوند.
تحت عنوان تجهیزات دیگر اظهار گمرکی می‌شوند.
در نهایت دوباره در دیتاسنترهای چینی مونتاژ می‌شوند.
این روند نشان می‌دهد که محدودیت‌های صادراتی آمریکا—even با وجود فشار شدید واشنگتن و اتهامات اخیر قاچاق علیه واسطه‌ها—هنوز کارآمدی محدودی دارند.

🛰 واکنش Nvidia
شرکت Nvidia در تلاش است مکانیزم‌هایی برای ردیابی موقعیت GPUها اضافه کند؛ مکانیزم‌هایی که می‌توانند چیپ‌های واردشده به‌صورت غیرقانونی را عملاً غیرفعال کنند.

🔍 نکته جالب
چین علاقه بسیار کمی به GPU رسمی و مجاز H200 نشان می‌دهد—احتمالاً به این دلیل که بازیگران بزرگ کشور به Blackwellهای قدرتمندتر، هرچند غیرقانونی، دسترسی دارند.

🔗 لینک گزارش:
https://www.theinformation.com/articles/deepseek-using-banned-nvidia-chips-race-build-next-model

#ai #news #Nvidia

@asrgooyeshpardaz

⚡️فاین‌تیونینگ محلی مدل‌های زبانی با Unsloth و NVIDIA
از RTXهای دسکتاپ تا DGX Spark

اکوسیستم هوش مصنوعی به‌تدریج در حال فاصله گرفتن از وابستگی کامل به مدل‌های بسیار بزرگ ابری است. تمرکز جدید روی مدل‌های زبانی کوچک‌تر (SLM)، اجرای محلی و سیستم‌های ایجنت‌محور است؛ سیستم‌هایی که برای یک کاربرد مشخص (مثلاً پشتیبانی فنی، کدنویسی یا اتوماسیون‌های پیچیده) آموزش داده می‌شوند.
چالش اصلی در این مسیر روشن است:
چطور می‌توان یک مدل کوچک را به سطح دقت و پایداری لازم برای وظایف تخصصی رساند؟
یکی از پاسخ‌های عملی به این مسئله، فاین‌تیونینگ کارآمد است؛ جایی که ابزارهایی مثل Unsloth وارد می‌شوند.
چارچوب Unsloth چه مسئله‌ای را حل می‌کند؟
چارچوب Unsloth یک چارچوب فاین‌تیونینگ است که روی بهینه‌سازی مصرف حافظه و سرعت آموزش تمرکز دارد و برای GPUهای NVIDIA طراحی شده است. این موضوع باعث می‌شود فاین‌تیونینگ مدل‌ها نه‌فقط روی سرورهای بزرگ، بلکه روی سخت‌افزارهای در دسترس‌تر هم امکان‌پذیر باشد.

ویژگی‌های فنی مهم:
🔹کاهش چشمگیر مصرف VRAM هنگام آموزش
🔹افزایش سرعت فاین‌تیونینگ نسبت به پیاده‌سازی‌های رایج
🔹امکان اجرا روی طیف متنوعی از سخت‌افزارها:
🔸GeForce RTX (لپ‌تاپ و دسکتاپ)
🔸RTX PRO Workstation
🔸DGX Spark (سیستم فشرده‌ی محاسباتی NVIDIA)

اهمیت این رویکرد چیست؟
🔹این ترکیب سخت‌افزار و نرم‌افزار عملاً به توسعه‌دهندگان اجازه می‌دهد:
🔹مدل‌های زبانی را به‌صورت محلی و با داده‌ی اختصاصی خودشان آموزش دهند
🔹وابستگی به APIهای ابری را کاهش دهند
کنترل بیشتری روی داده، هزینه و رفتار مدل داشته باشند
🔹این موضوع به‌ویژه برای Agentic Workflows (جریان‌های کاری چندمرحله‌ای و خودکار) اهمیت دارد؛ جایی که پایداری پاسخ، حافظه‌ی رفتاری و تخصص دامنه‌ای مدل مهم‌تر از «بزرگ بودن» آن است.

جمع‌بندی
مسیر آینده‌ی GenAI لزوماً به سمت مدل‌های بزرگ‌تر نیست، بلکه به سمت مدل‌های کوچک‌تر، دقیق‌تر و قابل‌کنترل‌تر حرکت می‌کند. ابزارهایی مثل Unsloth نشان می‌دهند که با بهینه‌سازی درست، می‌توان فاین‌تیونینگ را از یک فرآیند سنگین و پرهزینه به کاری قابل انجام روی سخت‌افزار محلی تبدیل کرد.

🔗 تحلیل کامل:
https://www.marktechpost.com/2025/12/18/unsloth-ai-and-nvidia-are-revolutionizing-local-llm-fine-tuning-from-rtx-desktops-to-dgx-spark/

#FineTuning #LocalAI #SLM #AgenticAI #Unsloth #NVIDIA #RTX

🌐 اخبار هوش مصنوعی


⚡️ پروژه‌ی ۳۰ میلیارد دلاری Stargate در انگلیس؛ یک نمایش تبلیغاتی دولتی!

تحقیقات گاردین نشان داده که پروژه‌ی ساخت دیتاسنتر استارگیت در بریتانیا، هرگز یک برنامه‌ی واقعی نبوده است. به‌گفته‌ی منابع آگاه، برنامه‌ی عملیاتی برای ساخت آن وجود نداشته و حتی یک بار هم نمایندگان اوپن‌ای‌آی از محل پروژه بازدید نکرده‌اند.

مسئولان محلی نیز تأیید کرده‌اند که هیچ جلسه‌ای با اوپن‌ای‌آی یا شریک بریتانیایی آن یعنی Nscale برگزار نشده است. در آوریل، گردانندگان پروژه رسماً از توقف کار خبر دادند و حالا نمایندگان مجلس بریتانیا، تحقق این طرح را بسیار بعید می‌دانند.
🔗 theguardian.com

---

🧠 آنتروپیک از رمزگشایی برنامه‌ریزی پنهان در مغز کلود خبر داد

محققان آنتروپیک موفق به کشف یک منطقه‌ی کاری مجزا در مدل کلود شده‌اند که مدل در آن، بدون تولید متن یا زنجیره‌ی استدلال (CoT)، به پردازش مفاهیم می‌پردازد. این ناحیه که به افتخار ماتریس ژاکوبی، J-Space نام گرفته، با ردیابی فرآیندهای پنهان مدل، قابل مشاهده است.

در یک آزمایش، از کلود خواسته شد جمله‌ای را کپی کند و هم‌زمان اطلاعاتی درباره‌ی پل گلدن گیت را پردازش نماید. مدل فقط متن درخواستی را تولید کرد، اما در J-Space، مفاهیم مرتبط با پل و کالیفرنیا فعال شده بودند.

این روش برای شفاف‌سازی نیت‌های پنهان مدل‌ها در حوزه‌ی هم‌راستایی (Alignment) کاربرد دارد. آنتروپیک این روش را روی مدلی آزمایش کرد که عمداً برای خرابکاری در کدنویسی آموزش دیده بود؛ درحالی که مدل اسکریپت‌های به‌ظاهر درست تولید می‌کرد، در فضای پنهان، مفاهیمی مثل "تقلب" و "مخفی‌کاری" قابل تشخیص بود.
🔗 transformer-circuits.pub

---

💻 تأخیر یک‌ساله در عرضه‌ی رک‌های سروری NVL144 انویدیا

علت اصلی این تأخیر، نرخ بالای نقص فنی در تولید برد مدار چاپی مرکزی عنوان شده است. همچنین برنامه‌های سخت‌افزاری دیگری نیز تغییر کرده‌اند:

- عرضه‌ی رک دوگانه‌ی NVL72x2 به‌دلیل نارضایتی ارائه‌دهندگان ابری از فرم‌فاکتور و هزینه‌های عملیاتی بالا، لغو شده است.
- نسخه‌ی ۴-تراشه‌ای چیپ آینده‌ی Rubin Ultra نیز لغو شده و فقط نسخه‌ی ۲-تراشه‌ای به بازار می‌آید.
- اجرای اینترکانکت CPO-NVSwitch به معماری بعدی یعنی Feynman موکول شده است.

انویدیا قصد دارد این تأخیرها را با سیستم‌های Oberon-Rubin در فرم‌فاکتور کلاسیک جبران کند.
🔗 SemiAnalysis

---

🇨🇳 غول‌های فناوری چین دسترسی به آواتارهای هوش مصنوعی را می‌بندند

شرکت‌های بایت‌دنس، علی‌بابا و تنسنت به‌دلیل الزامات جدید اداره‌ی فضای مجازی چین برای مبارزه با اعتیاد دیجیتال، در حال حذف قابلیت‌های همراهان هوش مصنوعی هستند.

- تنسنت در ژوئن ربات‌های سفارشی را در یوانبائو غیرفعال کرد.
- علی‌بابا آواتارها را از ۱۰ جولای از Qwen حذف می‌کند.
- بایت‌دنس نیز از ۱۵ جولای دسترسی به عامل‌های شخصی‌سازی‌شده را در دوبائو قطع می‌کند.

بر اساس قوانین جدید، ارائه‌دهندگان موظف به ردیابی نشانه‌های اعتیاد و محدودکردن نرم‌افزاری استفاده‌ی بیش‌ازحد هستند. همچنین تولید محتوایی که باعث وابستگی عاطفی نوجوانان شود و روابط واقعی اجتماعی را تضعیف کند، ممنوع شده است. آموزش مدل‌ها روی داده‌های مکالمات خصوصی نیز ممنوع است.
🔗 scmp.com

---

🤖 ژاپن ۱ تریلیون ین برای انقلاب رباتیک سرمایه‌گذاری می‌کند

دولت ژاپن طرحی بلندپروازانه برای استقرار ۱۰ میلیون ربات مبتنی بر هوش مصنوعی فیزیکی تا سال ۲۰۴۰ اعلام کرده است. این ربات‌ها در ۱۸ صنعت از جمله ماشین‌سازی، پزشکی، مهمان‌نوازی و کشاورزی به کار گرفته می‌شوند تا کمبود نیروی کار را جبران کنند.

مدیریت این ناوگان بر عهده‌ی مدل چندوجهی Noetra است که توسط مؤسسه‌ی ملی علوم و صنایع پیشرفته و کنسرسیومی شامل سافت‌بانک، ان‌ای‌سی، سونی و هوندا طراحی می‌شود.

هزینه‌ی دولت در سال مالی جاری ۳۸۰ میلیارد ین خواهد بود و طی ۵ سال به ۱ تریلیون ین (حدود ۶ میلیارد دلار) می‌رسد. معماری Noetra برای توسعه‌دهندگان محلی متن‌باز خواهد شد و اعضای کنسرسیوم قصد دارند از این مدل برای ورود به بازارهای جهانی استفاده کنند. پیش‌تر کره‌ی جنوبی نیز برنامه‌ی مشابهی برای رباتیک اعلام کرده بود.
🔗 theregister.com

---
#اخبار_هوش_مصنوعی #OpenAI #Anthropic #Nvidia #چین #ژاپن #رباتیک #پژوهش_هوش_مصنوعی

🆔 @asrgooyeshpardaz

🎧 معرفی Audex؛ مدل یکپارچه‌ی هوش صوتی و متنی بدون افت در توانایی‌های زبانی

پژوهشگران لابراتوارهای نموترون، مدلی به نام Nemotron-Labs-Audex-30B-A3B (یا به‌اختصار Audex) معرفی کرده‌اند. این یک مدل زبانی بزرگ (LLM) است که به‌صورت هم‌زمان متن و صدا را درک کرده، روی آن استدلال می‌کند و خروجی صوتی یا متنی تولید می‌کند. نکته‌ی کلیدی، حفظ کامل توانایی‌های استدلال، دانش و تعامل مدلِ پایه‌ی متنی آن است.

---

✨ معماری ساده و یکپارچه

مدل Audex روی مدل پایه‌ی Nemotron-Cascade-2-30B-A3B (یک MoE قوی) ساخته شده و معماری آن بسیار ساده است:
🔹 ورودی‌های صوتی، کدگذاری شده و به فضای توکن‌های متنی فرافکنی می‌شوند.
🔹 توکن‌های متنی و توکن‌های خروجی صوتیِ کوانتیزه‌شده، هنگام تولید، یکسان در نظر گرفته می‌شوند.

این طراحی باعث ادغام قوی اطلاعات صوتی و متنی، تولید چندوجهی روان و سازگاری با زیرساخت‌های استاندارد آموزش و استنتاج LLM شده است.

---

📊 داده‌های آموزشی عظیم و متنوع

برای آموزش Audex، یک مجموعه‌داده‌ی دقیق و گسترده جمع‌آوری شده که شامل:
- ۱۵۷.۴ میلیارد توکن صوتی
- ۳۲۰.۵ میلیارد توکن متنی

است. مدل در چند مرحله‌ی آموزش نظارت‌شده روی این داده‌ها و سپس یادگیری تقویتی (RL) و تقطیر برخط آموزش دیده است.

---

🏆 دستاوردها و عملکرد

مدل Audex به نتایج پیشرو (State-of-the-Art) در حوزه‌های مختلف صوتی دست یافته است:
- درک صدا (Audio Understanding)
- تشخیص و ترجمه‌ی گفتار (Speech Recognition & Translation)
- تبدیل متن به گفتار (Text-to-Speech)
- تولید صدا (Audio Generation)
- تبدیل گفتار به گفتار (Speech-to-Speech Generation)

همه‌ی اینها در حالی است که مدل، توانایی‌های متنی خود را با افت ناچیز یا بدون افت حفظ کرده و در بنچمارک‌های استدلال، هم‌راستایی (Alignment)، دانش، زمینه‌ی بلند و قابلیت‌های عاملی (Agentic) عملکردی عالی نشان داده است.

---

📌 دسترسی و مجوز

وزن‌های مدل Audex برای پژوهش منتشر شده و از طریق Hugging Face قابل دسترسی است. این کار امکان استفاده و بررسی بیشتر توسط جامعه‌ی پژوهشگران را فراهم می‌کند.

---

🔗 مطالعه‌ی مقاله:
https://arxiv.org/abs/2607.05196

---

#Audex #مدل_صوتی_متنی #هوش_مصنوعی_چندوجهی #پژوهش_هوش_مصنوعی #NVIDIA

🆔 @asrgooyeshpardaz

🌐اخبار هوش مصنوعی

🔍 جستجوی داخلی به ChatGPT اضافه شد؛ تاریخچه‌ی چت‌ها و اسناد، قابل جستجو
قابلیت جستجوی کامل در تاریخچه‌ی چت‌ها، پروژه‌ها و فایل‌های بارگذاری‌شده به ChatGPT اضافه شده است. این ویژگی در نوار کناری نسخه‌ی وب و اپلیکیشن‌های موبایل (iOS و Android) در دسترس است.
کاربران می‌توانند نتایج را بر اساس نوع محتوا فیلتر کنند و با کلیک روی هر نتیجه، مستقیماً به پیام موردنظر در آن مکالمه هدایت شوند. این بروزرسانی برای همه‌ی کاربران (از جمله نسخه‌ی رایگان) به‌صورت سراسری فعال شده است.
🔗 help.openai.com

🍎 شرکت Anthropic دسترسی رایگان به محصولات خود را برای معلمان آمریکایی باز کرد
شرکت Anthropic پلتفرم Claude for Teachers را برای معلمان مدارس آمریکا راه‌اندازی کرده است. این بسته شامل مدل‌های Claude، محیط Claude Code و Cowork (برای خودکارسازی زنجیره‌ای از وظایف) می‌شود. برای مثال، معلم می‌تواند یک عامل را یک‌بار تنظیم کند تا هر روز صبح، برگه‌های آزمون را بررسی یا خلاصه‌ای از عملکرد کلاس تهیه کند.
این پلتفرم با سرویس‌های Canva Education و MagicSchool یکپارچه شده و آنتروپیک تأکید کرده که داده‌های معلمان و دانش‌آموزان برای آموزش مدل‌های آینده استفاده نخواهد شد. ثبت‌نام تا ژوئن ۲۰۲۷ باز است.
🔗 anthropic.com/news/claude-for-teachers

🖼 گوگل تولید تصویر را به AI Overview اضافه کرد
به مناسبت ۲۵ سالگی Google Images، گوگل قابلیت تولید تصویر بر اساس درخواست متنی را به خلاصه‌های جستجوی هوش مصنوعی (AI Overviews) اضافه کرده است. این ویژگی توسط مولد تصویر Nano Banana پشتیبانی می‌شود.
صفحه‌ی اصلی جستجوی تصاویر نیز بازطراحی شده و ظاهری شبیه به Pinterest پیدا کرده است. کاربران می‌توانند تصاویر را در کلکسیون‌های موضوعی ذخیره کنند. این قابلیت ابتدا به‌زبان انگلیسی و در مناطقی که تولید تصویر پشتیبانی می‌شود، فعال خواهد شد.
🔗 blog.google

🔒 انویدیا لیست خریداران تراشه‌های هوش مصنوعی در آسیا را نصف کرد
انویدیا برای مقابله با صادرات غیرمجاز تجهیزات به چین، فرآیند تأیید مشتریان آسیایی خود را سخت‌گیرانه‌تر کرده است. پس از ممیزی، تعداد شرکت‌های تأییدشده در سنگاپور، مالزی و ژاپن بیش از ۵۰٪ کاهش یافته است.
این شرکت از بررسی‌های مدارک به بازرسی فیزیکی دیتاسنترها روی آورده و قراردادها و کاربران نهایی شتاب‌دهنده‌ها را مستقیماً بررسی می‌کند.
🔗 ft.com

⚠️ بیش از ۲۰۰ دانشمند نسبت به نزدیکی انقلاب صنعتی دوم هشدار دادند
آزمایشگاه اقتصاد دیجیتال استنفورد نامه‌ای سرگشاده با عنوان "We Must Act Now" منتشر کرده است. این نامه که توسط بیش از ۲۰۰ دانشمند، ۱۶ برنده‌ی جایزه‌ی نوبل و نمایندگانی از گوگل، Anthropic و OpenAI امضا شده، درباره‌ی پیامدهای کلان‌اقتصادی هوش مصنوعی هشدار می‌دهد.
نویسندگان پیش‌بینی می‌کنند که در ۱۰ سال آینده، تأثیر هوش مصنوعی بر اقتصاد، هم‌تراز با انقلاب صنعتی خواهد بود و خواستار ایجاد نهادهای جدید برای جبران از دست رفتن شغل‌ها شده‌اند. از سوی دیگر، دمیس حسابیس (مدیر DeepMind) که نامه را امضا نکرده، ظهور AGI را در ۵ سال آینده پیش‌بینی کرده و آن را به‌عنوان «انقلاب صنعتی ۱۰ برابری با سرعت ۱۰ برابر» توصیف کرده است.
🔗 digitaleconomy.stanford.edu

#ChatGPT #Anthropic #Google #Nvidia #AGI
#اخبار_هوش_مصنوعی

🆔 @asrgooyeshpardaz

🗣️ انویدیا از NemotronLabs VoiceChat-11B رونمایی کرد؛ اولین مدل متن‌باز تمام‌دوپلکس با قابلیت فراخوانی ابزار

انویدیا مدل جدید خود را با نام NVIDIA NemotronLabs VoiceChat-11B معرفی کرده است. این یک مدل ۱۱ میلیارد پارامتری، همراه (End-to-End) و تمام‌دوپلکس (Full-Duplex) است که برای مکالمات صوتی بلادرنگ طراحی شده. برخلاف سیستم‌های سنتی (ASR → LLM → TTS)، این مدل همه‌ی کارها را در یک معماری واحد انجام می‌دهد و نیازی به چندین مدل یا انتقال بین APIها نیست.

---

✨ ویژگی‌های کلیدی و برجسته

🔹 اولین مدل متن‌باز تمام‌دوپلکس با قابلیت فراخوانی ابزار: این مدل می‌تواند در حین مکالمه، ابزارها را فراخوانی کرده و بدون قطع شدن جریان گفتگو، منتظر نتیجه بماند. برای هر ابزار، یک پیام «لطفاً منتظر بمانید» قابل تعریف است که به‌محض تصمیم مدل به فراخوانی ابزار، پخش می‌شود.

🔹 تعامل طبیعی و روان: با تأخیر حدود ۴۵۰ میلی‌ثانیه، مدل به‌خوبی می‌تواند نوبت‌گیری، مکث‌ها و قطع کردن (Barge-in) را مدیریت کند و تجربه‌ای نزدیک به گفتگوی انسانی ارائه دهد.

🔹 معماری یکپارچه و کارآمد: مدل از یک رمزگذار صوتی Fast Conformer، یک هسته‌ی Nemotron Nano V2 9B و یک رمزگشای TTS استفاده می‌کند. یک خروجی جداگانه نیز برای اسکریپت‌های فراخوانی ابزار در نظر گرفته شده است.

---

📊 عملکرد در بنچمارک‌ها

- بنچمارک VoiceBench: رتبه‌ی ۲ در میان مدل‌های تمام‌دوپلکس متن‌باز
- بنچمارک Full-Duplex-Bench: رتبه‌ی ۲ در میان مدل‌های متن‌باز
- زمان پاسخ‌دهی: حدود ۴۵۰ میلی‌ثانیه
- مدیریت قطع مکالمه توسط کاربر: امتیاز عالی (نرخ موفقیت ۱ و زمان پاسخ ۴۸۰ میلی‌ثانیه)

عملکرد در فراخوانی ابزار (AU Harness BFCL-v3) :
- دقت متوسط: ۵۶.۱٪
- بهترین عملکرد در سناریوی Irrelevance (تشخیص بی‌ربطی): ۸۹.۶٪
- عملکرد رقابتی با مدل‌های پیشرو در دقت انتخاب ابزار: ۸۲.۵٪

---

⚙️ مشخصات فنی و نصب

- مجوز: OpenMDW License 1.1
- معماری: ترکیبی از Mamba و Transformer (Hybrid)
- حجم داده‌های آموزشی: حدود ۵۵۰ هزار ساعت داده‌های صوتی و متنی
- پشتیبانی از سخت‌افزار: A100، H100، H200، B100، B200 و RTX-6000
- سیستم‌عامل: لینوکس
- موتور اجرا: vLLM

---

💡 نکته‌ی کلیدی

این مدل با ترکیب هوش بالا و تأخیر پایین، یک نقطه‌ی عطف در حوزه‌ی دستیارهای صوتی متن‌باز محسوب می‌شود. قابلیت فراخوانی ابزار در یک مدل تمام‌دوپلکس، آن را برای ساخت دستیارهای صوتی هوشمند و کارآمد ایده‌آل می‌سازد.

---

🔗 لینک‌های مفید

🤗 مدل در Hugging Face

💻 کد و مستندات در گیت‌هاب

---
#NVIDIA #هوش_مصنوعی_صوتی #مدل_تمام_دوپلکس #پردازش_گفتار #پیشرفت_فناوری

🆔 @asrgooyeshpardaz

🚀 انویدیا از Nemotron 3.5 Lightning رونمایی کرد؛ مدلی قدرتمند، کارآمد و هیبریدی

انویدیا به‌تازگی مدل جدید خود را با نام NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 منتشر کرده است. این مدل با معماری هیبریدی MoE + Mamba-2 + Attention، تعادل عالی بین قدرت و کارایی را ارائه می‌دهد.

---

🧠 مشخصات کلیدی مدل

🔹 پارامترها: ۳۰ میلیارد پارامتر کلی که از این میان تنها ۳ میلیارد پارامتر فعال هستند (بسیار کارآمد برای استنتاج)
🔹 معماری: ترکیبی از Mixture-of-Experts (MoE)، Mamba-2 و لایه‌های Attention
🔹 پنجره‌ی متنی: تا ۱ میلیون توکن – مناسب برای پردازش اسناد بسیار طولانی
🔹 سخت‌افزار موردنیاز: روی یک کارت H100 یا A100 با ۸۰ گیگابایت حافظه به‌راحتی اجرا می‌شود
🔹 زبان‌های پشتیبانی‌شده: انگلیسی، اسپانیایی، فرانسوی، آلمانی، ایتالیایی، ژاپنی و زبان‌های برنامه‌نویسی
🔹 حالت استدلال (Reasoning) : قابل فعال‌سازی از طریق قالب چت (enable_thinking=True/False)

---

⚙️ جزئیات فنی و آموزش

- مدل روی بیش از ۲۰ تریلیون توکن (با داده‌های تا سپتامبر ۲۰۲۵) آموزش دیده است.
- مراحل آموزش شامل: پیش‌آموزش (Pretraining) → آموزش تکمیلی با Multi-Token Prediction → SFT → یادگیری تقویتی (GRPO)
- از رمزگشایی پیش‌بینی‌کننده (Speculative Decoding) با روش‌های DSpark، DFlash و MTP برای افزایش سرعت تولید پشتیبانی می‌کند.

---

📊 عملکرد در بنچمارک‌ها

- MMLU Pro: امتیاز ۸۱.۹۴
- GPQA Diamond (بدون ابزار): امتیاز ۷۵.۴۴
- SWE-bench Verified: امتیاز ۵۱.۵۶
- PinchBench: امتیاز عالی ۸۵.۳۷
- IFBench (دستورات): امتیاز ۷۱.۸۸

هرچند در برخی بنچمارک‌های خاص مانند Terminal-Bench 2.1 (۲۴.۵۸) جای کار دارد، اما به‌عنوان یک مدل با حجم کم، عملکردی قابل‌قبول ارائه می‌دهد.

---

🛠 نحوه‌ی اجرا

برای اجرای سریع روی یک H100، کافی است این دستور را اجرا کنید:

export MODEL_CKPT=nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16
vllm serve $MODEL_CKPT --max-num-seqs 128 --enable-prefix-caching

برای کاربردهای حرفه‌ای و بهینه‌سازی‌شده، نسخه‌ی NVFP4 نیز ارائه شده است.

---

🤗 مدل
https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16

---

📌 مجوز: OpenMDW License 1.1 (مناسب برای استفاده‌های تجاری)

---
#NVIDIA #Nemotron #هوش_مصنوعی #مدل_زبانی #پیشرفت_فناوری

🆔 @asrgooyeshpardaz

🖥️ اولین رک‌های سروری انویدیا ورا روبین به دیتاسنترهای مایکروسافت رسید!

ساتیا نادلا، مدیرعامل مایکروسافت، با انتشار تصاویری از دیتاسنترهای این شرکت، تأیید کرد که اولین رک‌های تولید انبوه نسل جدید انویدیا، یعنی Vera Rubin، وارد مراکز داده شده‌اند. انویدیا نیز به‌طور رسمی اعلام کرده که این پلتفرم وارد مرحله‌ی تولید انبوه شده است.

---

⚙️ نسل بعد از Blackwell؛ قدرتی تازه برای هوش مصنوعی

رک‌های Vera Rubin پلتفرم جدید انویدیا برای دیتاسنترهاست که جایگزین نسل فعلی Blackwell می‌شود. هر سیستم NVL72 شامل:

· ۷۲ واحد پردازشی Rubin (GPU)
· ۳۶ پردازنده‌ی مرکزی Vera (با معماری Arm)

---

💧 خنک‌سازی مایع و نصب سریع

این رک‌ها کاملاً با سیستم خنک‌سازی مایع کار می‌کنند و طراحی مدولار و بدون کابل آنها، فرآیند نصب را از ۲ ساعت به ۵ دقیقه کاهش داده است.

---

📊 مزایای عملکردی

به‌گفته‌ی انویدیا، پلتفرم Vera Rubin نسبت به نسل قبلی (GB200 NVL72):

· مدل‌ها را با چهار برابر GPU کمتر آموزش می‌دهد
· هزینه‌ی استنتاج (Inference) برای وظایف عاملی را حدود ۱۰ برابر کاهش می‌دهد

---

💡 نتیجه
ورود این نسل جدید از سخت‌افزار به دیتاسنترهای مایکروسافت، نشان‌دهنده‌ی شتاب فزاینده در رقابت زیرساخت‌های هوش مصنوعی است. با افزایش کارایی و کاهش هزینه‌ها، انتظار می‌رود توسعه و استقرار مدل‌های بزرگ هوش مصنوعی بیش از پیش فراگیر شود.

🔗منابع:
https://x.com/satyanadella/status/2090929770779521310

https://x.com/nvidia/status/2090944279103635481

https://www.nvidia.com/en-us/data-center/vera-rubin-nvl72

---
#VeraRubin #NVIDIA #Microsoft #هوش_مصنوعی #سخت‌افزار

🆔 @asrgooyeshpardaz

🚀 انویدیا ۶ میلیارد دلار برای توسعه مدل‌های متن‌باز هوش مصنوعی سرمایه‌گذاری می‌کند!

انویدیا بزرگ‌ترین قرارداد مجوزدهی (Licensing) خود را با استارتاپ هوش مصنوعی Poolside امضا کرده است. هدف از این همکاری، ساخت یکی از قوی‌ترین مدل‌های متن‌باز هوش مصنوعی در جهان است.

---

⚡️ جزئیات این قرارداد عظیم:

🔹 ۱ میلیارد دلار سرمایه‌گذاری مستقیم انویدیا در Poolside
🔹 بیش از ۱۰۰ مهندس استارتاپ به تیم انویدیا ملحق می‌شوند تا روی پروژه‌ی Nemotron کار کنند
🔹 بنیان‌گذاران Poolside مستقل باقی می‌مانند و به تحقیقات خود ادامه می‌دهند

---

🌍 ایالات متحده در واکنش به تسلط چین بر مدل‌های متن‌باز (مانند DeepSeek و Kimi K3)، دست به اقدام زده است. در حالی که بازار آمریکا بیشتر به مدل‌های بسته (مانند OpenAI و Anthropic) متکی بود، حالا انویدیا با این حرکت، معادله را تغییر می‌دهد.

---

💡 استراتژی جدید انویدیا:

انویدیا دیگر فقط یک تأمین‌کننده‌ی چیپ نیست؛ این شرکت به‌طور فعال در نرم‌افزار، نیروی انسانی و اکوسیستم مدل‌ها نفوذ می‌کند. هدف، تسلط بر تمام زنجیره‌ی ارزش هوش مصنوعی است.

---
#Nvidia #Poolside #هوش_مصنوعی_متن‌باز #رقابت_فناوری

🆔 @asrgooyeshpardaz

🌐 اخبار هوش مصنوعی


🤝 انویدیا Hugging Face را به مبلغ ۱۲.۹ میلیارد دلار خریداری می‌کند

طبق گزارش The Information، انویدیا با خرید پلتفرم متن‌باز هوش مصنوعی به مبلغ ۱۲.۹ میلیارد دلار موافقت کرده و طرفین در حال نهایی‌سازی هستند. این خرید که هنوز به‌طور رسمی تأیید نشده، به انویدیا امکان می‌دهد تا فراتر از سخت‌افزار رفته و کنترل مستقیمی بر پلتفرمی داشته باشد که عمده مدل‌های متن‌باز از طریق آن توزیع و توسعه می‌یابند. به‌دلیل ابعاد این معامله، احتمالاً مورد توجه نهادهای ضد انحصار قرار خواهد گرفت.
🔗 theinformation.com

---

🛡️ بیش از صد شرکت فناوری برای دفاع سایبری با هوش مصنوعی متحد شدند

شرکت OpenAI، مایکروسافت، گوگل، Anthropic و حدود صد شرکت دیگر، نامه‌ای سرگشاده امضا کرده و خواستار استفاده از هوش مصنوعی برای حفاظت از زیرساخت‌های حیاتی در برابر حملات سایبری شده‌اند. این ائتلاف هشدار داده که در حال حاضر مدل‌ها در سمت مدافعان قرار دارند و می‌توانند آسیب‌پذیری‌های انباشته‌شده را پیدا و رفع کنند، اما این برتری پایدار نیست و باید هرچه سریع‌تر از آن استفاده کرد.
🔗 openai.com

---

🌐 شرکت Anthropic مرورگر را به Claude اضافه کرد

کلود حالا از طریق یک پنل کناری می‌تواند وب‌سایت‌ها را باز کرده، صفحات را بخواند، روی عناصر کلیک کند و فرم‌ها را پر کند. این قابلیت در یک محیط ایزوله اجرا می‌شود و به اطلاعات شخصی کاربر مانند رمزهای عبور دسترسی ندارد. کاربران می‌توانند احراز هویت را از مرورگر خود منتقل کنند، اما دسترسی به ایمیل و سایت‌های بانکی مسدود است. این ویژگی برای کاربران Pro، Max، Team و Enterprise فعال می‌شود.
🔗 claude.com

---

🎬 گوگل Gemini Omni Flash را به نسخه ۱.۱ به‌روزرسانی کرد

مدل جدید ویدیویی گوگل می‌تواند ویدیوهایی تا ۴۰ ثانیه بر اساس ۱۰ ثانیه ویدیوی قبلی تولید یا ویرایش کند. حالت «پیش‌نویس» با سرعت ۶۰٪ بیشتر و هزینه‌ی یک‌سوم، امکان تولید سریع و سپس ارتقا به ۴K را فراهم می‌کند. قیمت هر ثانیه ویدیو از ۳ سنت (کیفیت ۳۶۰p) تا ۳۰ سنت (کیفیت ۴K) متغیر است و خروجی‌ها با واترمارک مخفی SynthID نشانه‌گذاری می‌شوند.
🔗 blog.google

---

🤖 عامل هوش مصنوعی Instinct توجه سرمایه‌گذاران سیلیکون‌ولی را جلب کرد

استارتاپ Spear Street Technology با جذب ۲۵۰ میلیون دلار سرمایه‌گذاری و ارزش‌گذاری ۲.۵ میلیارد دلاری، از عامل هوش مصنوعی شخصی خود رونمایی کرده است. این عامل که توسط نوآ شین (بنیان‌گذار ۲۳ ساله و خالق روش Reflexion) ساخته شده، بدون نیاز به تنظیمات پیچیده، کارهای روزمره مثل مدیریت ایمیل، رزرو بلیط و پرداخت‌ها را انجام می‌دهد. تست‌کنندگان اولیه آن را «OpenClaw برای مردم عادی» نامیده‌اند.
🔗 wsj.com

---
#هوش_مصنوعی #اخبار_فناوری #امنیت_سایبری #Nvidia #Anthropic #Google

🆔 @asrgooyeshpardaz

🔍 انویدیا از PAIR رونمایی کرد؛ کامپیوترهای شخصی شما به یک خوشه هوش مصنوعی متصل می‌شوند!

اگر چند کامپیوتر یا لپ‌تاپ دارید که بعضی‌شان بیکارند و بعضی‌شان شلوغ، PAIR کمک می‌کند تا کارهای هوش مصنوعی را بین همه‌ی آنها تقسیم کنید. این ابزار که «روتـر شخصی هوش مصنوعی» نام دارد، مثل یک افسر راهنمایی است که درخواست‌های سنگین را به دستگاهی که ظرفیت دارد می‌فرستد.

---

⚙️ چطور کار می‌کند؟

🔹 فقط راهنمایی می‌کند، اجرا نمی‌کند: PAIR خودش مدل را اجرا نمی‌کند. این کار را همان برنامه‌های قبلی مثل Ollama یا LM Studio انجام می‌دهند. PAIR فقط تصمیم می‌گیرد کدام دستگاه این کار را انجام دهد.

🔹 پیدا کردن دستگاه‌ها و اتصال امن: دستگاه‌های هم‌شبکه خودشان را پیدا می‌کنند. برای اتصال، یک کد شش‌رقمی روی دستگاه اصلی نشان داده می‌شود و شما آن را روی دستگاه دیگر وارد می‌کنید. بعد از آن، همه‌ی ارتباطات بین دستگاه‌ها رمزنگاری می‌شود.

🔹 انتخاب دستگاه مناسب: PAIR فقط به دستگاه‌هایی کار می‌دهد که مدل مورد نظر را داشته باشند و بیکار باشند. اگر یک مدل را روی چند دستگاه نصب کنید، PAIR می‌تواند درخواست‌ها را بین آنها تقسیم کند تا کارها سریع‌تر انجام شود.

---

🖥️ روی چه دستگاه‌هایی کار می‌کند؟

· ویندوز ۱۱، لینوکس و مک‌اواس
· روی لپ‌تاپ‌ها، کامپیوترهای شخصی و حتی مک‌بوک‌ها

---

🔒 حریم خصوصی شما حفظ می‌شود

همه‌ی پردازش‌ها داخل شبکه‌ی خانگی یا اداری شما انجام می‌شود و هیچ اطلاعاتی به بیرون ارسال نمی‌شود.

---

📦 چطور شروع کنیم؟

مسیریاب PAIR رایگان است و تحت مجوز Apache 2.0 منتشر شده. می‌توانید آن را از گیت‌هاب دانلود کنید.

---

🔗 لینک‌های مفید

💻 مخزن گیت‌هاب:
github.com/NVIDIA/Personal-AI-Router

🌐 صفحه رسمی انویدیا:
nvidia.com/en-us/ai-on-rtx/personal-ai-router/

---

#NVIDIA #PAIR #هوش_مصنوعی_محلی #Ollama #پردازش_محلی

🆔 @asrgooyeshpardaz

🎙 شرکت NVIDIA مدل Nemotron 3 Diarization را ارائه کرد: تشخیص گوینده با ۱۰۰ میلیون پارامتر و وزن‌های باز

شرکت NVIDIA مدل جدیدی برای تشخیص گوینده (Speaker Diarization) منتشر کرده که به پرسش «چه کسی، چه زمانی صحبت کرد» پاسخ می‌دهد — حتی وقتی چند نفر هم‌زمان حرف می‌زنند. این مدل هم روی صدای آفلاین و هم به‌صورت استریم زنده کار می‌کند.

✅ مشخصات کلیدی:

· ۱۰۰ میلیون پارامتر با وزن‌های باز روی Hugging Face
· مجوز OpenMDW-1.1 — استفاده تجاری مجاز
· ردیابی تا ۸ گوینده با پشتیبانی از هم‌پوشانی گفتار
· نرخ خطای تشخیص گوینده (DER) ۱۴.۷۲٪ در Diarization-Bench در مقابل ۱۹.۳٪ رقیب دوم
· ۴ پروفایل استریم از ۳۰.۴ ثانیه (دقیق‌ترین) تا ۰.۳۲ ثانیه (سریع‌ترین)
· کاهش میانگین ۴۱٪ در DER نسبی نسبت به Streaming Sortformer
· سرعت ۱۵٬۱۱۳ برابر زمان واقعی در حالت دسته‌ای روی RTX PRO 5000
· اجرا از طریق NVIDIA NeMo روی GPUهای لینوکس

🔍 چرا مهم است؟

تشخیص گفتار (ASR) فقط کلمات را می‌نویسد، اما تشخیص گوینده مشخص می‌کند هر کلمه مال کدام شخص است. این قابلیت برای صورت‌جلسه جلسات، تحلیل تماس‌های مرکز پشتیبانی، دستیارهای صوتی و زیرنویس زنده با برچسب گوینده حیاتی است.

🔗 لینک‌ها:

· تحلیل کامل
· مدل در Hugging Face
· بلاگ NVIDIA
· دموی زنده

#AI #NVIDIA #Diarization #Nemotron #SpeechRecognition

🆔 @asrgooyeshpardaz

🛡️ انویدیا یک سیستم امنیتی برای کنترل عامل‌های هوش مصنوعی ساخته است

انویدیا پلتفرمی به نام Open Agent Safety Platform معرفی کرده که اجازه می‌دهد عامل‌های هوش مصنوعی در یک محیط امن و ایزوله کار کنند.

🔹 چرا این پلتفرم لازم است؟

عامل‌های هوش مصنوعی وقتی مدت طولانی کار می‌کنند، ممکن است از وظیفه اصلی خود منحرف شوند. مثلاً دستورهای مبهم را اشتباه بفهمند یا وقتی به یک ممنوعیت می‌خورند، راه دور بزنند. به این حالت «رانش» می‌گویند.

نمی‌توان انتظار داشت که عامل خودش را کنترل کند. پس کنترل باید از بیرون اعمال شود.

🔹 دو لایه امنیتی

۱. لایه OpenShell (نرم‌افزار): عامل را داخل یک اتاق ایزوله (سندباکس) می‌گذارد. اپراتور از قبل مشخص می‌کند که عامل به چه فایل‌ها، آدرس‌های شبکه، ابزارها، فرآیندها و کلیدهایی دسترسی دارد. هر اتصال خروجی بررسی می‌شود: یا رد می‌شود، یا کلید موقت دریافت می‌کند، یا مسدود و ثبت می‌شود.

۲. لایه NVIDIA Sentry (سخت‌افزار): یک نگهبان سخت‌افزاری روی تراشه BlueField-4 است. این تراشه جدا از کامپیوتر اصلی قرار دارد و عامل نمی‌تواند آن را ببیند یا دستکاری کند. اگر عامل بخواهد از مرزها عبور کند، در میلی‌ثانیه متوقف می‌شود.

🔹 چرا نگهبان سخت‌افزاری؟

چون اگر نگهبان داخل همان کامپیوتر باشد، عامل ممکن است آن را دور بزند. نگهبان باید بیرون از دسترس عامل باشد.

🔹 سیاست‌ها چطور تعریف می‌شوند؟

در فایل‌های YAML. مثلاً می‌توان گفت: «خواندن از API گیت‌هاب مجاز است، ولی نوشتن ممنوع.» این قوانین می‌توانند حتی تا سطح متد HTTP و مسیر دقیق شوند.

🔹 در سیستم‌های Vera Rubin

تراشه BlueField-4 در هر ماژول محاسباتی و روی تنها مسیر بین گره و مدل قرار دارد. یعنی همه ارتباطات از این نگهبان عبور می‌کند.

🔹 از چه عامل‌هایی پشتیبانی می‌کند؟

عامل‌های Claude Code، Codex، OpenCode و GitHub Copilot CLI به‌صورت پیش‌فرض. همچنین OpenClaw و Hermes Agent از طریق قالب‌های NemoClaw.

🔹 نصب و وضعیت

روی لینوکس، مک با Apple Silicon و ویندوز از طریق WSL 2 (آزمایشی) با یک اسکریپت نصب می‌شود. فعلاً نسخه آلفا ۰.۱.۰ است.

🎯 نکته مهم

کنترل امنیتی به‌جای اینکه به خود عامل سپرده شود، از بیرون اعمال می‌شود. عامل حتی لازم نیست بداند تحت نظارت است.

🔗 منبع: developer.nvidia.com

#AI #NVIDIA #AgentSafety #OpenShell #BlueField

🆔 @asrgooyeshpardaz

🖼️ شرکت NVIDIA مدل چندوجهی Nemotron 3.5 Super VL را منتشر کرد

شرکت NVIDIA از جدیدترین عضو خانواده Nemotron رونمایی کرده است: مدلی چندوجهی با وزن‌های باز که متن، تصویر و ویدیوهایی تا دو دقیقه را درک می‌کند. این مدل برای عامل‌هایی طراحی شده که به‌طور مداوم کار می‌کنند، دستورالعمل‌ها را دنبال می‌کنند، ابزار فراخوانی می‌کنند و فرآیندهای چندمرحله‌ای را پیش می‌برند.

⚙️ مشخصات کلیدی

· معماری: ترکیب متخصصان (MoE) با ۱۲۰ میلیارد پارامتر کل و ۱۲ میلیارد پارامتر فعال
· تمرکز بصری: اسناد، تشخیص متن (OCR)، جدول‌ها، نمودارها، صفحات وب و PDF
· حالت استدلال: قابل روشن و خاموش کردن از طریق قالب چت، به‌همراه یک حالت میانی با عمق متوسط
· زیرساخت: بخش زبانی بر پایه ترکیبی از لایه‌های Mamba-2 و ترنسفورمر با MoE ساخته شده که در هر لایه ۵۱۲ متخصص دارد
· رمزگذار تصویر: C-RADIO
· سرعت: استفاده از رمزگشایی спекулятив (Speculative Decoding) برای تسریع تولید

📦 نسخه فشرده: Nemotron 3.5 Bolt 74B-A9B

هم‌زمان با نسخه کامل، یک نسخه سبک‌تر نیز منتشر شده است:

· تعداد و عرض متخصصان در هر لایه کاهش یافته، بنابراین پارامترها به ۷۴ میلیارد (کل) و ۹ میلیارد (فعال) رسیده است
· مدل پس از کوچک‌سازی، دوباره آموزش دیده تا کیفیت از دست رفته بازگردد
· وزن متخصصان تا ۲ بیت کوانتیزه شده، اما سایر لایه‌ها دقت بالاتری دارند
· در نهایت، Bolt در ۲۴ گیگابایت حافظه VRAM جای می‌گیرد

📊 نتایج بنچمارک‌ها

در مقایسه با نزدیک‌ترین رقیب هم‌اندازه، یعنی Qwen3.5-122B-A10B، نتایج تقریباً برابر است:

· GPQA-Diamond:
۸۹.۵ در مقابل ۸۶.۷
· SWE-bench Verified:
۷۱.۱ در مقابل ۷۱.۹
· OSWorld-Verified:
۵۱.۱ در مقابل ۵۱.۵
· OCRBench v2:
۶۸.۱ در مقابل ۶۸.۳

اما مدل‌های جدیدتر مثل Qwen3.8-Flash-Next و GLM-5.3-Flash در بیشتر آزمون‌ها از Nemotron جلو می‌زنند. برای مثال در Terminal-Bench 2.1، آن‌ها به‌ترتیب ۸۵.۸ و ۸۲.۷ گرفته‌اند، در حالی که Nemotron فقط ۶۶.۷ کسب کرده است.

💰 دسترسی و قیمت

این مدل در OpenRouter با قیمت ۱۵ سنت به ازای هر میلیون توکن ورودی و ۵۰ سنت برای هر میلیون توکن خروجی در دسترس است. همچنین از طریق ModelScope و میکروسرویس‌های NVIDIA NIM قابل استفاده است.

برای اجرای نسخه کامل، NVIDIA استفاده از چهار H100 یا دو GB200 را توصیه می‌کند.

📌 مجوز: OpenMDW-1.1

🔗 وبلاگ | وزن‌ها | گزارش فنی

#هوش_مصنوعی #NVIDIA #Nemotron #مدل_چندوجهی #Multimodal

🆔 @asrgooyeshpardaz