🔥 وحالا مدل‌های پیشرفته اوپن ای آی در دست شما
بالاخره اوپن ای آی مدل‌هایی رو اوپن سورس کرد. مدل‌های GPT-OSS — مدل‌های متن‌باز برای استدلال پیشرفته و وظایف عاملی

🧠 دو نسخه ارائه شده است:

❇️مدل GPT-OSS-120B — با ۱۱۷ میلیارد پارامتر، قابل اجرا روی یک کارت گرافیک H100 (با ۸۰ گیگابایت حافظه)

❇️مدل GPT-OSS-20B — با ۲۱ میلیارد پارامتر، قابل اجرا روی GPU با ۱۶ گیگابایت حافظه

💡 هر دو نسخه از نوع مدل‌های MoE (ترکیب کارشناسان - Mixture of Experts) با کوانتیزاسیون ۴ بیتی (MXFP4) هستند.

✅ ویژگی‌ها:

• معماری Token-choice MoE با SwiGLU

• پشتیبانی از زمینه (Context) تا ۱۲۸ هزار توکن با استفاده از RoPE

• طراحی شده برای زنجیره تفکر (CoT - Chain of Thought)

• پشتیبانی از پیروی از دستورات (instruction-following) و استفاده از ابزارها (tool-use)

• سازگار با کتابخانه‌های transformers، vLLM، llama.cpp و ollama

• از همان توکن‌ساز GPT-4o استفاده می‌کند

مدل سبک‌تر حتی قابل اجرا روی سخت‌افزارهای محلی است!

🏴‍☠️ مجوز استفاده: Apache 2.0

🔗 لینک گیت‌هاب:
https://github.com/openai/gpt-oss

🔗 لینک هاگینگ‌فیس:
https://huggingface.co/collections/openai/gpt-oss-68911959590a1634ba11c7a4

🚀 امتحانش کنید:
https://www.gpt-oss.com/

💥 انتشار رسمی:
http://openai.com/open-models

#openai #opensource #chatgpt

@asrgooyeshpardaz

🐳 دیپ‌سیک V3.1 ترمینوس (DeepSeek-V3.1-Terminus) به‌روزرسانی شد

این نسخه نسبت به ورژن قبلی نتایج پایدارتر و کامل‌تری در آزمون‌ها ارائه می‌دهد.

✅ یکپارچگی زبانی: تیم چینی خروجی مدل را به‌طور چشمگیری بهبود داده‌اند؛ تعداد نویسه‌های تصادفی و ترکیب درهم چینی/انگلیسی بسیار کمتر شده است.

✅ ارتقاءهای عامل‌محور (Agent Upgrades): عملکرد مدل در Code Agent و Search Agent به‌طور محسوسی قوی‌تر شده است.

📱 در اپلیکیشن، نسخه وب و همچنین از طریق API در دسترس است.

🔗 مدل DeepSeek-V3.1-Terminus در HuggingFace

https://huggingface.co/deepseek-ai/DeepSeek-V3.1-Terminus

#DeepSeek #opensource #LLM

@asrgooyeshpardaz

💡 مدل RND1 — نسل جدید مدل‌های زبانی با منطق دیفیوژن

مدل RND1 یک مدل زبانی مبتنی بر دیفیوژن (Diffusion Language Model - DLM) است که توسط تیم Radical Numerics معرفی شده است.
این مدل با ۳۰ میلیارد پارامتر ساخته شده، اما تنها ۳ میلیارد پارامتر فعال دارد. مدل بر پایه‌ی معماری Sparse Mixture-of-Experts (MoE) طراحی شده و از مدل پیش‌آموزش‌دیده‌ی Qwen3-30B-A3B مشتق شده است. سپس با ۵۰۰ میلیارد توکن دیگر بازآموزی شده تا رفتار خود را از یک مدل خودبازگشتی (Autoregressive) به مدل دیفیوژنی تغییر دهد.

🌀 برخلاف مدل‌های زبانی معمولی (مثل GPT) که متن را واژه‌به‌واژه تولید می‌کنند،
مدل RND1 کل جمله را به‌صورت هم‌زمان می‌سازد و سپس آن را به‌تدریج اصلاح و تکمیل می‌کند — درست مانند مدل‌های دیفیوژنی در تولید تصویر که از “نویز” شروع می‌کنند و تصویر نهایی را مرحله‌به‌مرحله ظاهر می‌سازند.

🔄 روش نوآورانه‌ی ساخت

تیم Radical Numerics روش جالبی ابداع کرده که به آن AR-to-Diffusion Conversion (A2D) می‌گویند — یعنی تبدیل مدل خودبازگشتی به مدل دیفیوژنی بدون نیاز به آموزش از صفر.

مراحل کار:

1️⃣ انتخاب یک مدل قدرتمند GPT-مانند

2️⃣ تغییر سازوکار توجه (Attention) تا مدل کل متن را یکجا ببیند

3️⃣ بازآموزی روی داده‌های دیفیوژنی

4️⃣ استفاده از نرخ‌های یادگیری متفاوت برای بخش‌های مختلف شبکه تا مدل دانش قدیمی را حفظ کند ولی منطق تفکر جدید را بیاموزد

⚙️ ویژگی‌های فنی

معماری Mixture-of-Experts: ساختار ۳۰ میلیاردی با تنها ۳ میلیارد پارامتر فعال در هر گام 👈 کارایی بالا با هزینه کم

یادگیری پیوسته: دانش پیشین حذف نمی‌شود، بلکه در منطق جدید ادغام می‌گردد

آموزش با Batchهای عظیم: برای پایداری یادگیری در مدل‌هایی که متن را هم‌زمان پردازش می‌کنند

🚀 چرا RND1 مهم است

✅ تولید موازی متن: بدون تأخیر گام‌به‌گام؛ پاسخ‌ها سریع‌تر شکل می‌گیرند

✅ کارایی بالا با منابع کمتر: تنها ۳ میلیارد پارامتر فعال، اما کیفیت در حد مدل‌های بسیار بزرگ

✅ معماری ترکیبی نوین: تلفیق مزایای AR و DLM

✅ کاملاً متن‌باز: کد، گزارش فنی، و وزن‌ها آزادانه در دسترس پژوهشگران است

✅ گامی به‌سوی خودبهبوددهی هوش مصنوعی (Recursive Self-Improvement): مدلی که نه‌تنها یاد می‌گیرد، بلکه می‌تواند در طراحی نسخه‌های بعدی خود مشارکت کند

🔗 منابع رسمی:
🟠 Blog
🟠 Report
🟠 Code (GitHub)
🟠 Weights (HuggingFace)
🟠 Video

🧩 مدل RND1 نشان می‌دهد که آینده‌ی هوش مصنوعی فقط در “آموزش” نیست — بلکه در “تغییر منطق تفکر” است.
مدلی که به‌جای تقلید از زبان، واقعاً یاد می‌گیرد چگونه فکر کند.
#RND1 #RadicalNumerics #DiffusionLanguageModel #AI #MoE #OpenSource #SelfImprovingAI

@asrgooyeshpardaz

🔊 مدل Maya1: مدل متن‌به‌گفتار متن‌باز و احساسی فقط با یک GPU!

شرکت Maya Research از مدل جدید Maya1 رونمایی کرده است — یک مدل ۳ میلیارد پارامتری برای تبدیل متن به گفتار (TTS) که با سبک معماری Llama طراحی شده و تنها با یک GPU شانزده‌گیگابایتی قابل اجراست.

🎙 ویژگی‌های کلیدی:

🔁 ساختار decoder-only با پیش‌بینی توکن‌های SNAC neural codec برای تولید صدای 24kHz مونو با پشتیبانی از استریم زنده

💬 امکان دریافت توضیح گفتاری طبیعی همراه با متن ورودی

😄 پشتیبانی از بیش از ۲۰ تگ احساسی درون‌خطی مثل <laugh>، <whisper>، <angry> و ... برای کنترل دقیق احساس و لحن صدا

⚙️ اجرای کامل روی یک کارت گرافیک 16GB با vLLM streaming

🧩 مجوز Apache 2.0 برای استفاده و استقرار آزاد در پروژه‌های محلی و سازمانی
این مدل گامی مهم در مسیر تولید گفتار طبیعی، احساسی و قابل‌استقرار به‌صورت محلی است و می‌تواند جایگزینی قدرتمند برای سرویس‌های ابری متن‌به‌گفتار باشد.

🔗 تحلیل کامل: Marktechpost
🧠 وزن مدل: HuggingFace - maya1
🎧 دمو: HuggingFace Spaces

#AI #TTS #OpenSource #Maya1 #SpeechSynthesis #LLM #vLLM

@asrgooyeshpardaz

🔥 مدل VibeThinker-1.5B؛ مدل کوچک با عملکرد SOTA در استدلال

مدل VibeThinker-1.5B ثابت می‌کند که لزومی ندارد مدل‌ها غول‌پیکر باشند تا در استدلال بدرخشند. این مدل تنها با ۱.۵ میلیارد پارامتر، نتایجی در سطح بهترین مدل‌های روز به دست آورده است.

🚀 عملکرد
یکی از برترین نتایج در آزمون‌های AIME24/25 و HMMT25
عملکرد بهتر از DeepSeek R1-0120 در مسائل ریاضی
پیشتازی نسبت به مدل‌های هم‌رده در برنامه‌نویسی رقابتی

⚡ کارایی
فقط ۱.۵B پارامتر
یعنی ۱۰۰ تا ۶۰۰ برابر کوچک‌تر از مدل‌هایی مثل Kimi K2 و DeepSeek R1

💰 هزینه
کل هزینه‌ی پست‌ترنینگ فقط ۷.۸ هزار دلار
حدود ۳۰ تا ۶۰ برابر ارزان‌تر از DeepSeek R1 و MiniMax-M1

🧠 مبتنی بر چه ایده‌هایی است؟
این مدل روی دو ایده‌ی کلیدی بنا شده است:
Spectrum-to-Signal Principle (SSP)
MGPO Framework
این دو، فرایند استدلال و بهینه‌سازی را به‌شدت کارآمدتر می‌کنند.

🔗 منابع
📦 Model: https://huggingface.co/WeiboAI/VibeThinker-1.5B

💻 GitHub: https://github.com/WeiboAI/VibeThinker

📄 Arxiv: https://arxiv.org/abs/2511.06221

#AI #LLM #Reasoning #OpenSource #SmallModel

@asrgooyeshpardaz

🚀 مدل QwenLong-L1.5 منتشر شد — مدلی برای استدلال در کانتکست‌های بسیار طولانی که در این حوزه با GPT-5 و Gemini-2.5-Pro رقابت می‌کند.

خلاصه‌ای کوتاه از مدل:
۳۰ میلیارد پارامتر، که از این میان ۳ میلیارد پارامتر فعال هستند
به‌طور ویژه برای استدلال روی کانتکست‌های بسیار طولانی بهینه‌سازی شده است
وزن‌ها، کد آموزش و دستورالعمل‌ها (data recipes) به‌صورت کامل متن‌باز منتشر شده‌اند

شاخص‌های کلیدی عملکرد:
+31.7 امتیاز در OpenAI MRCR با کانتکست 128K — رکورد SOTA در میان تمام مدل‌ها
عملکرد هم‌سطح با Gemini-2.5-Pro در ۶ بنچمارک بزرگ long-QA
+9.69 امتیاز در CorpusQA
+6.16 امتیاز در LongBench-V2

نکات جالب و نوآورانه:

داده‌های سنتتیک در مقیاس بزرگ
14.1 هزار نمونه استدلالیِ طولانی
استخراج‌شده از 9.2 میلیارد توکن، بدون برچسب‌گذاری دستی
میانگین طول هر نمونه: 34 هزار توکن
حداکثر طول: 119 هزار توکن

آموزش RL پایدار
استفاده از متعادل‌سازی وظایف و روش Adaptive Entropy-Controlled Policy Optimization (AEPO)
این رویکرد امکان آموزش پایدار مدل‌ها را روی توالی‌های بسیار طولانی فراهم می‌کند

معماری مجهز به حافظه
به‌روزرسانی‌های تکرارشونده حافظه خارج از پنجره 256K توکن
نتیجه: +9.48 امتیاز در وظایف دارای کانتکست بین ۱ تا ۴ میلیون توکن

مدل QwenLong-L1.5 یکی از قدرتمندترین گام‌های متن‌باز در مسیر تحقق استدلال واقعاً مقیاس‌پذیر روی کانتکست‌های طولانی است.
این مدل نه‌تنها به‌خاطر نتایجش، بلکه به‌دلیل باز بودن کامل کل پشته آموزشی (Training Stack) نیز اهمیت ویژه‌ای دارد.

GitHub: https://github.com/Tongyi-Zhiwen/Qwen-Doc

مقاله: https://modelscope.cn/papers/2512.12967

مدل: https://modelscope.cn/models/iic/QwenLong-L1.5-30B-A3B

Hugging Face: https://huggingface.co/Tongyi-Zhiwen/QwenLong-L1.5-30B-A3B

#AI #LLM #OpenSource #LongContext #Qwen

@asrgooyeshpardaz

🚀 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

🔍 مدل Unlimited-OCR از Baidu؛ یک گام فراتر از DeepSeek-OCR در پردازش اسناد طولانی

شرکت بایدو به تازگی مدل OCR جدید خود با نام مدل Unlimited-OCR را به صورت متن‌باز منتشر کرده است. این مدل که با هدف «پردازش یک‌باره اسناد طولانی» (One-shot Long-horizon Parsing) طراحی شده، با تکیه بر معماری نوین و بهره‌گیری از ایده‌های الهام‌گرفته از حافظه کاری انسان، توانسته عملکردی فراتر از مدل‌های قبلی از جمله DeepSeek-OCR ارائه دهد.

---

🧠 نوآوری کلیدی: Reference Sliding Window Attention (R-SWA)

چالش اصلی مدل‌های OCR مبتنی بر رمزگشای LLM، رشد خطی حافظه نهان KV با افزایش طول خروجی است که مصرف حافظه را افزایش داده و سرعت را کاهش می‌دهد. مدل‌های قبلی برای رفع این مشکل، اسناد را صفحه‌به‌صفحه و با حلقه‌های متوالی پردازش می‌کردند که فرایندی ناپیوسته و ناکارآمد است.

مدل Unlimited-OCR با معرفی مکانیزم توجه R-SWA این مشکل را حل کرده است. این روش، حافظه نهان KV را از رشد خطی به یک مقدار ثابت تبدیل می‌کند. R-SWA از دو بخش تشکیل شده است:
- بخش مرجع (Reference): شامل توکن‌های بصری و پرامپت که در کل فرایند رمزگشایی ثابت و قابل مشاهده هستند.
- پنجره لغزنده (Sliding Window): شامل ۱۲۸ توکن اخیر که با تولید هر توکن جدید، قدیمی‌ترین توکن از پنجره خارج می‌شود و اندازه آن ثابت می‌ماند.

این طراحی، مشابه حافظه کاری انسان عمل می‌کند که اطلاعات دور را به تدریج «فراموش می‌کند» و تمرکز را روی بافت نزدیک حفظ می‌کند.

---

📊 عملکرد و نتایج

مدل Unlimited-OCR با معماری ۳ میلیارد پارامتری (۵۰۰ میلیون فعال) بر روی بنچمارک OmniDocBench به نتایج قابل توجهی دست یافته است:

- کسب امتیاز کلی ۹۳.۹۲٪ در OmniDocBench v1.6 و ثبت رکورد جدید (SOTA).
- بهبود بیش از ۶ درصد نسبت به DeepSeek-OCR در نسخه قبلی بنچمارک.
- کاهش فاصله ویرایش (Edit Distance) متن از ۰.۰۷۳ به ۰.۰۳۸ و بهبود قابل توجه در تشخیص فرمول‌ها و جداول.
- عملکرد چشمگیر در اسناد بلند: پردازش اسناد ۲۰ صفحه‌ای در یک بار با فاصله ویرایش ۰.۰۵۷۲ و اسناد ۴۰ صفحه‌ای با فاصله ویرایش ۰.۱۰۶۹.
- توان عملیاتی ۵,۵۸۰ توکن در ثانیه که نسبت به DeepSeek-OCR بهبود ۱۲.۷٪ را نشان می‌دهد.

🔑 نکته کلیدی: در حالی که تأخیر DeepSeek-OCR با افزایش طول خروجی به طور خطی رشد می‌کند، تأخیر مدل Unlimited-OCR در تمام طول‌های توالی ثابت باقی می‌ماند.

---

⚙️ استقرار و دسترسی

مدل Unlimited-OCR تحت مجوز MIT منتشر شده است و از موتورهای اصلی استنتاج مانند Hugging Face Transformers، vLLM و SGLang پشتیبانی می‌کند. کد و وزن‌های مدل در مخازن زیر در دسترس است:

- GitHub:
https://github.com/baidu/Unlimited-OCR

- Hugging Face:
https://huggingface.co/baidu/Unlimited-OCR

- ModelScope:
https://modelscope.cn/models/PaddlePaddle/Unlimited-OCR

---

💎 خلاصه مطلب

مدل Unlimited-OCR با معرفی مکانیزم R-SWA، گامی اساسی در جهت حل مشکل پردازش اسناد طولانی برداشته است. این مدل با حفظ حافظه نهان KV ثابت، امکان پردازش یک‌باره ده‌ها صفحه سند را با سرعت و دقت بالا فراهم می‌کند. R-SWA به عنوان یک مکانیزم توجه عمومی، پتانسیل کاربرد در وظایف توالی طولانی دیگر مانند بازشناسی گفتار (ASR) و ترجمه ماشینی را نیز دارد. انتشار این مدل تحت مجوز MIT، دسترسی و استفاده از آن را برای جامعه پژوهش و توسعه تسهیل کرده است.

🔗 مقاله:
https://arxiv.org/abs/2606.23050

#OCR #Baidu #DeepSeek #OpenSource

🆔 @asrgooyeshpardaz

🚀 معرفی DeepSeek V4.1 Flash: جهشی در بهره‌وری هوش مصنوعی

دیپ‌سیک مدل پرچم‌دار جدید خود V4.1 Flash را معرفی کرد؛ مدلی که توانایی‌های پیشرفته را با صرفه‌جویی بی‌سابقه ترکیب می‌کند.

📊 نکات کلیدی:
• ۵۵۲ میلیارد پارامتر MoE، فعال‌سازی فقط ۸B/۱۶B — معماری نامتقارن جدید Causal-Encoder-Decoder
• چندوجهی بومی: متن و تصویر را می‌فهمد، زمینه تا ۱ میلیون توکن
• کش KV نسبت به V4 Flash چهار برابر و نسبت به نسل اول ۴۳۷ برابر کوچک‌تر شده — فقط ۸۹۰ بایت به ازای هر توکن
• در بنچمارک‌های عامل‌محور از DeepSeek V4 Pro جلوتر است (Terminal-Bench 3.0: ۳۰.۰ در مقابل ۱۱.۸)

💰 اقتصاد:
•کار با API همین حالا در دسترس است — مدل با نام deepseek-flash فراخوانی می‌شود
• قیمت‌ها کاهش یافته: در ساعات کم‌ترافیک، هزینه نصف است
• مدل V4 Pro به‌تدریج از سرویس خارج می‌شود — درخواست‌ها به V4.1 Flash هدایت می‌شوند

📖 باز بودن: وزن‌ها روی Hugging Face با مجوز MIT منتشر شده و گزارش فنی در دسترس است.

🔗 https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash

#AI #DeepSeek #OpenSource

🆔 @asrgooyeshpardaz

🎙️ مدل OmniVoice؛ کلون صدا در بیش از ۶۰۰ زبان

یک پروژه متن‌باز جالب به نام OmniVoice معرفی شده که یک مدل قدرتمند تبدیل متن به گفتار (TTS) است و می‌تواند بدون نیاز به Fine-tuning، به بیش از ۶۰۰ زبان صحبت کند.

🔊 کلون صدا با یک نمونه کوتاه
کافی است یک نمونه کوتاه از صدای فرد موردنظر را به مدل بدهید تا بتواند متن جدید را با همان صدا تولید کند؛ برای مثال، یک گوینده می‌تواند چند ثانیه از صدای خود را ضبط کند و سپس متن فارسی، انگلیسی یا زبان دیگری را با همان صدا تولید کند.

🎛️ ساخت صدا بدون نمونه صوتی
اگر نمونه صدا ندارید، می‌توانید ویژگی‌های صدای موردنظر را مشخص کنید؛ مثلاً:
• جنسیت صدا

• سن

• زیر و بمی صدا (Pitch)

• لهجه

• حالت نجوا یا Whisper
مدل حتی می‌تواند تگ‌هایی مانند [laughter] را در متن تشخیص دهد و خنده را نیز در خروجی صوتی ایجاد کند.

🗣️ کنترل دقیق تلفظ
برای اصلاح تلفظ کلمات نیز می‌توان از Pinyin یا Phoneme استفاده کرد؛ قابلیتی که برای زبان‌هایی با تلفظ‌های پیچیده یا نام‌های خاص می‌تواند بسیار کاربردی باشد.

⚡ معماری و سرعت
معماری OmniVoice از ایده‌های مربوط به Diffusion Language Models الهام گرفته و هدف آن ترکیب کیفیت بالای صدا با سرعت مناسب تولید است.

🎬 کاربردهای عملی
این مدل می‌تواند برای تولید محتوای صوتی و تصویری بسیار کاربردی باشد؛ مثلاً:
🎙️ ساخت پادکست با صدای گوینده

🎬 دوبله ویدیو به زبان‌های مختلف

📚 تولید کتاب صوتی

🗣️ ساخت صدای مصنوعی برای دستیارهای هوشمند

🌍 تولید محتوای چندزبانه با حفظ صدای گوینده

🛠️ راه‌اندازی
مدل OmniVoice را می‌توان با pip یا uv نصب کرد و از طریق API پایتون یا خط فرمان (CLI) از آن استفاده کرد. همچنین نسخه دموی وب و Space آن در Hugging Face نیز در دسترس است.

🔗 GitHub: https://github.com/k2-fsa/OmniVoice

#هوش_مصنوعی #AI #TTS #تبدیل_متن_به_گفتار #کلون_صدا #VoiceCloning #OmniVoice #OpenSource

🆔 @asrgooyeshpardaz

🖼 معرفی Qwen-Image-2.1: مدل کوچکی که هم تصویر می‌سازد، هم ویرایش می‌کند

تیم Qwen مدل متن‌باز Qwen-Image-2.1 را معرفی کرد که تولید و ویرایش تصویر را در یک مدل واحد ادغام می‌کند.

📦 مشخصات:

· بخش تصویری فقط ۷ میلیارد پارامتر (۳۲ لایه Single-Stream DiT)
· تعادل میان کیفیت، سرعت و هزینه

🔍 قابلیت‌های اصلی:

🪟 تصاویر شفاف: تولید و ویرایش تصاویر با پس‌زمینه شفاف (RGBA) و جدا کردن سوژه از عکس واقعی

🖇 ترکیب تصاویر: پشتیبانی از تا ۱۰ تصویر مرجع برای ساخت صحنه‌های هماهنگ (عکس گروهی، ست لباس، طراحی داخلی)

✏️ ویرایش دقیق: حاشیه‌کشی، ماسک و لایه‌های جداگانه برای تغییر بخش‌های مشخص

👤 حفظ چهره و محصول: چهره افراد و مشخصات محصولات هنگام ویرایش حفظ می‌شود

📊 وظایف متنوع: پانوراما، اینفوگرافیک و استوری‌بورد

⚡️ سرعت: با توجه ترکیبی و کش KV، استنتاج به‌ویژه هنگام ورود چند تصویر سریع‌تر و کم‌هزینه‌تر می‌شود.

🎨 بهبودها: تایپوگرافی، نور و سایه و جزئیات پرتره بهتر شده است.

🔗 وبلاگ Qwen

#AI #Qwen #ImageGeneration #OpenSource

🆔 @asrgooyeshpardaz

🎙 معرفی Samsone: خانواده‌ای از مدل‌های زبانی صوتی کوچک و متن‌باز از سامسونگ

پژوهشگران آزمایشگاه سامسونگ خانواده‌ای از مدل‌های زبانی صوتی کوچک (SALM) به نام Samsone را معرفی کرده‌اند که برای اجرا روی دستگاه‌های لبه‌ای طراحی شده‌اند. این پژوهش در کنفرانس Interspeech 2026 پذیرفته شده است.

📦 سه نسخه در این خانواده:

· مدل Samsone-99M: سبک‌ترین نسخه با کمتر از ۱۰۰ میلیون پارامتر
· مدل Samsone-134M: مدل اصلی و هسته خانواده
· مدل Samsone-356M: نسخه بزرگ‌تر برای پرسش‌های پیچیده‌تر

🧠 معماری:

مدل Samsone از یک معماری استاندارد ALM استفاده می‌کند: رمزگذار صوتی Whisper-Tiny (۹ میلیون پارامتر)، یک پروجکشن غیرخطی برای تبدیل ویژگی‌های صوتی به فضای متنی، و یک رمزگشای متنی از خانواده SmolLM2.

⚙️ دو تکنیک اصلی برای فشرده‌سازی:

۱. کاهش واژگان: با محدود کردن متن آموزشی به حروف کوچک ASCII و حذف توکن‌های کم‌کاربرد، ۱۵٬۰۴۲ توکن حذف شده و ماتریس جاسازی ۸.۷ میلیون پارامتر کوچک‌تر شده است.

۲. هرس عمق: در Samsone-99M، ۱۰ لایه آخر ترنسفورمر حذف شده و مدل از ۳۰ به ۲۰ بلوک رسیده است.

📊 عملکرد:

بر اساس بنچمارک MMAU (درک صوتی چندوظیفه‌ای)، Samsone-134M در میان مدل‌های هم‌اندازه خود بهترین عملکرد را دارد و با مدل‌هایی که چند برابر بزرگ‌تر هستند، رقابت می‌کند.

نتیجه Samsone-99M: در بنچمارک MMAU امتیاز ۵۸.۱۳ و در MMAU-Pro امتیاز ۳۶.۸۳ کسب کرده است.

نتیجه Samsone-134M (مدل اصلی): در MMAU امتیاز ۶۱.۳۳ و در MMAU-Pro امتیاز ۳۷.۵۷ گرفته است.

نتیجه Samsone-356M: در MMAU امتیاز ۶۲.۰۰ و در MMAU-Pro امتیاز ۴۰.۶۷ به دست آورده است.

مقایسه با مدل‌های بزرگ‌تر: Qwen2-Audio-Instruct با ۸.۴ میلیارد پارامتر در MMAU امتیاز ۵۷.۴۰ و در MMAU-Pro امتیاز ۴۵.۴۱ گرفته. GPT-4o Audio در MMAU امتیاز ۶۰.۸۲ و در MMAU-Pro امتیاز ۵۲.۵۰ کسب کرده. Audio Flamingo 2 با ۳ میلیارد پارامتر در MMAU امتیاز ۶۱.۰۶ و در MMAU-Pro امتیاز ۴۲.۶۰ به دست آورده است.

نکته جالب اینکه Samsone-134M با فقط ۱۳۴ میلیون پارامتر، از Qwen2-Audio با ۸.۴ میلیارد پارامتر (۶۳ برابر بزرگ‌تر) امتیاز بالاتری در MMAU گرفته است.

📚 داده‌های آموزشی:

مدل‌ها روی دو مجموعه‌داده عمومی ReasonAQA (۱ میلیون جفت پرسش-پاسخ) و AudioSkillsXL (۸ میلیون جفت) آموزش دیده‌اند. برای رفع عدم تعادل کلاسی در ReasonAQA، گزینه‌های پاسخ در حین آموزش به‌طور تصادفی جابه‌جا شده‌اند.

📱 اجرای واقعی روی موبایل:

پژوهشگران وزن‌ها را با ExecuTorch بهینه‌سازی کرده‌اند و یک اپلیکیشن اندروید متن‌باز منتشر کرده‌اند که استنتاج بلادرنگ Samsone را روی گوشی هوشمند نشان می‌دهد. مدل‌ها روی Samsung Galaxy S25 Ultra آزمایش شده‌اند.

🔓 متن‌باز:

کد آموزشی، وزن‌های سروری و موبایلی، و اپلیکیشن اندروید همگی به‌صورت متن‌باز منتشر شده‌اند.

🔗 GitHub | arXiv

#AI #Samsung #AudioLanguageModel #OnDevice #OpenSource

🆔 @asrgooyeshpardaz

📚 معرفی awesome-jev: فهرست جامع منابع و پروژه‌های Jev

مخزن awesome-jev یک فهرست منتخب از برنامه‌ها، کتابخانه‌ها، ابزارها و پژوهش‌های ساخته‌شده با Jev است — مدل «System One» شرکت TypeSafe AI که به‌جای تولید متن، تصمیم‌های نوع‌دار (typed decisions) با احتمال کالیبره‌شده برمی‌گرداند.

🔹 مدل Jev چیست؟

مدل Jev یک مدل ترنسفورمری است، اما مدل زبانی بزرگ از نوعی که تاکنون می‌شناختیم، نیست. شما وضعیت برنامه و مجموعه‌ای از پرسش‌های نوع‌دار را می‌فرستید و Jev پاسخ‌های نوع‌دار با احتمال کالیبره‌شده برمی‌گرداند. سه نوع پرسش وجود دارد:

· پرسش Choice: انتخاب یک گزینه از میان چند گزینه
· پرسش Score: امتیازدهی بر اساس سطوح مرتب
· پرسش Noul: احتمال بله/خیر بین ۰ و ۱

📂 محتوای این مخزن:

· رسمی: مستندات API، Playground، کنسول و GitHub
· ابزارهای SDK و کلاینت‌ها: پایتون، جاوااسکریپت/تایپ‌اسکریپت، Elixir و...
· برنامه‌ها: ابزارها و اپلیکیشن‌های ساخته‌شده با Jev
· دموها و بازی‌ها: نمونه‌های تعاملی
· ابزارهای عامل: ابزارهای مرتبط با ایجنت‌ها
· پژوهش و مدل‌های باز: مقاله‌ها و مدل‌های متن‌باز

💰 چرا Jev مهم شده؟

طبق گزارش TypeSafe، مدل Jev تا ۱۹۳.۶ برابر سریع‌تر و ۴۴۴.۶ برابر ارزان‌تر از مدل‌های زبانی پیشرو در ارزیابی‌های داخلی است. قیمت ورودی ۰.۰۴۲ دلار به ازای هر میلیون توکن و خروجی رایگان است. تأخیر پاسخ بین ۷۰ تا ۵۰۰ میلی‌ثانیه است.

⚠️ محدودیت‌ها

مدل Jev نمی‌تواند متن آزاد تولید کند، کد بنویسد، سند بنویسد یا گفتگو کند. کاربرد آن محدود به وظایفی است که فضای پاسخ از قبل مشخص است.

🔗 GitHub

#AI #Jev #TypeSafe #OpenSource

🆔 @asrgooyeshpardaz

📌 مدل Cua-S1-4B-0.2 معرفی شد؛ مدلی کوچک برای کار با کامپیوتر

تیم Cua مدل Cua-S1-4B-0.2 را معرفی کرد. به گفته سازنده‌ها، این اولین مدل تصمیم‌گیری چندوجهی است که با روش RLOO روی وظایف کار با کامپیوتر آموزش دیده است. در این آموزش، مدل فقط وقتی پاداش می‌گیرد که وظیفه را کامل انجام دهد.

این مدل یک مدل تصمیم‌گیری است و متن تولید نمی‌کند. در هر مرحله از بین گزینه‌های مشخص، یک اقدام را انتخاب می‌کند. از نظر فنی، دو آداپتور LoRA (متنی و چندوجهی) روی مدل Qwen3.5-4B است.

⚙️ نحوه کار

• مدل در هر مرحله تصویر صفحه، هدف وظیفه و چند اقدام پیشنهادی از پیش تعیین‌شده را دریافت می‌کند.

• از بین آن‌ها یک اقدام را انتخاب می‌کند. سپس محیط تغییر می‌کند و مرحله بعد از وضعیت جدید شروع می‌شود.

🧠 روش آموزش دومرحله‌ای

• آموزش نظارت‌شده (Supervised) برای یادگرفتن قالب تصمیم‌گیری

• یادگیری تقویتی عامل‌محور (Agentic RL) در محیط‌های زنده cua-bench-basic که فقط تکمیل کامل وظیفه پاداش دارد

📊 عملکرد

• ۱۷ از ۱۸ وظیفه متنی و ۱۳ از ۱۸ وظیفه چندوجهی را کامل کرد. مدل djev (یک API تصمیم‌گیری مبتنی بر DiffusionGemma) بدون آموزش خاص ۱۶ و ۱۲ وظیفه را کامل کرده بود.

• روی ۱۶۸ وظیفه چندوجهی از مجموعه GUI-360 به دقت ۹۲.۹٪ رسید، در حالی که djev ۶۰.۱٪ گرفت. در هر دو حالت ورودی‌ها و روش امتیازدهی یکسان بود و از درخت دسترسی‌پذیری (Accessibility Tree) استفاده نشد.

🔓 متن‌باز

کد آموزش و نتایج بنچمارک به مخزن Cua اضافه شده‌اند. آداپتورها هم با مجوز Apache-2.0 منتشر شده‌اند.

🔗 لینک کد در GitHub
🔗 لینک مدل در Hugging Face
🔗 لینک توییت

#AI #ComputerUse #Agent #OpenSource #Cua

🆔 @asrgooyeshpardaz

📌 شکست Ender Dragon با Jev و Astra در ۸ دقیقه و ۴۳ ثانیه

یک توسعه‌دهنده با ترکیب مدل تصمیم‌گیری Jev و مدل GPT-6 Astra عاملی ساخته که Ender Dragon را در ۸ دقیقه و ۴۳ ثانیه شکست می‌دهد. هزینه اجرا ۰.۹۷ دلار بود.

⚙️ نحوه کار

• مدل Astra هدف، آیتم‌های لازم و مسیر حرکت را تعیین می‌کند.

• مدل Jev اقدام بعدی را انتخاب می‌کند؛ از حرکت و استخراج بلوک تا ساخت آیتم و مبارزه.

• عامل از داده‌های بازی و کتابخانه Mineflayer استفاده می‌کند، نه تصاویر صفحه و فشردن مستقیم کلیدها.

🧠 یادگیری از شکست

پس از هر شکست، Astra مهارت‌هایی در قالب فایل‌های mjs می‌ساخت تا عامل در تلاش‌های بعدی از آن‌ها استفاده کند.

📊 جزئیات اجرا

• ۱۳۱ تصمیم Jev و ۳۵ فراخوانی Astra

• ۴۰٪ سریع‌تر از رکورد قبلی ۱۴ دقیقه و ۳۱ ثانیه‌ای

• اجرا در حالت Peaceful و با یک seed شناخته‌شده انجام شد.

🔗 کد پروژه

🔗 توییت اصلی

#AI #Minecraft #Agent #Jev #Astra #OpenSource

🆔 @asrgooyeshpardaz