‏🤖 مسیریاب هوشمند LLM: انتخاب بهینه مدل برای هر پرس‌وجو

‏کتابخانه متن‌باز LLMRouter به عنوان یک سیستم مسیریابی هوشمند، با هدف بهینه‌سازی استنتاج مدل‌های زبانی بزرگ (LLM)، طراحی شده است. این سیستم به صورت پویا، مناسب‌ترین مدل را برای هر پرس‌وجو انتخاب می‌کند و انواع مختلفی از مسیریاب‌ها را شامل می‌شود: مسیریاب‌های تک‌مرحله‌ای، چندمرحله‌ای و عاملی (Agentic). این ابزار از طریق pip قابل نصب است و با زبان پایتون توسعه یافته است.

‏🔗 LLMRouter GitHub

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#ابزار #LLMRouter

‏🤖 جنگ قیمت API هوش مصنوعی: OpenAI در مقابل Anthropic

‏به گزارش وال استریت ژورنال، OpenAI در حال بررسی کاهش شدید قیمت API خود است تا کاربران را از Anthropic بازپس گیرد. این اقدام در حالی صورت می‌گیرد که OpenAI انتظار دارد Anthropic نیز ممکن است به کاهش قیمت‌ها روی بیاورد. تمرکز اصلی این کاهش قیمت‌ها بر روی هزینه‌های توکن است، چرا که رقابت اصلی بین استارتاپ‌ها برای جذب مشتریان سازمانی (enterprise) است. این جنگ قیمتی، که احتمالاً با نزدیک شدن به زمان عرضه اولیه سهام (IPO) تشدید می‌شود، به نفع کاربران و توسعه‌دهندگانی است که از این سرویس‌ها استفاده می‌کنند.

‏📖 OpenAI Considers Drastic Price Cuts

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#خبر #OpenAI

‏🤖 کلود فِیبِل زبان خودش را اختراع کرد

‏در طول جلسات طولانی یادگیری تقویتی (Reinforcement Learning)، محققان متوجه شدند که مدل Claude Fable گاهی اوقات به جای استفاده از زبان انگلیسی معمولی، شروع به برقراری ارتباط به سبکی داخلی و عجیب با نمادها، اصطلاحات تخصصی، علائم نگارشی و حتی ایموجی‌های غیرمعمول می‌کند. این رفتار شبیه به این بود که گویی هوش مصنوعی زبان خاص خود را ابداع کرده است. نکته جالب این بود که هر زمان مدل نیاز به فراخوانی یک ابزار یا پاسخ به انسان داشت، معمولاً به زبان انگلیسی واضح بازمی‌گشت.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#آموزش #RLHF

🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #46
⏰ از پنجشنبه 1405/03/21 ساعت 14:00
تا جمعه 1405/03/22 ساعت 14:00
━━━━━━━━━━━━━━━

🤖 مدل‌های زبانی بزرگ و ابزارهای مرتبط

معرفی Agent Harness: پلتفرمی برای مدیریت هوشمند تسک‌ها با تقسیم کار به زیر‑عامل‌ها (sub‑agents) و تعریف هدف نهایی (PRD) جهت فائق آمدن بر محدودیت‌ پنجره زمینه مدل‌های زبانی.
🔗 مشاهده پست

رده‌بندی LLM Stats نشان می‌دهد Anthropic با مدل‌های خانواده Claude به صدرنشینی در میان مدل‌های زبانی بزرگ (LLM) دست یافته و سه جایگاه برتر را در اختیار دارد.
🔗 مشاهده پست

LLMRouter: کتابخانه متن باز برای مسیریابی هوشمند پرس‌وجوها؛ با انتخاب پویا و بهینه‌ترین مدل LLM برای هر درخواست، شامل مسیریاب‌های تک‑مرحله‌ای، چندمرحله‌ای و عامل‌محور. نصب از طریق pip.
🔗 مشاهده پست

Claude Fable در طول یادگیری تقویتی (Reinforcement Learning) گاهی زبانی داخلی و نمادین ایجاد می‌کند؛ رفتار شبیه ابداع زبان جدید توسط هوش مصنوعی.
🔗 مشاهده پست

📊 منابع آموزشی و پروژه‌های عملی

مجموعه‌ای از بیش از چندین ده پروژه عملی AI روی GitHub شامل تجزیه و تحلیل داده، RAG، OCR، بررسی کد، دستیارهای مسافرتی و …؛ هر پروژه با کد منبع و مستندات کامل برای پل زدن بین تئوری و توسعه واقعی.
🔗 مشاهده پست

راهنمای سریع الگوریتم‌های طبقه‌بندی در یادگیری ماشین؛ معرفی و بررسی الگوریتم‌های کلیدی مانند رگرسیون لجستیک (Logistic Regression) با تابع سیگموئید برای پیش‌بینی ریسک بیمه، تشخیص پزشکی و فیلتر اسپم.
🔗 مشاهده پست

💼 بازار و قیمت‌گذاری API هوش مصنوعی

گزارش بازار: OpenAI قصد دارد قیمت API خود را کاهش دهد تا رقابت با Anthropic را در جذب مشتریان سازمانی (enterprise) تقویت کند؛ تمرکز بر هزینه توکن‌ها و احتمال کاهش قیمت‌های Anthropic نیز مطرح است.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🤖 طبقه‌بندی چندبرچسبی متن با Scikit-LLM

‏این مقاله به شما آموزش می‌دهد چگونه بدون نیاز به داده‌های آموزشی برچسب‌دار یا آموزش مدل‌های پیچیده، طبقه‌بندی چندبرچسبی متن را با استفاده از مدل‌های زبان بزرگ (LLM) و کتابخانه scikit-LLM انجام دهید. در این مطلب، با مفهوم طبقه‌بندی چندبرچسبی و اهمیت آن در تحلیل دقیق متن آشنا می‌شوید. همچنین نحوه راه‌اندازی و پیکربندی scikit-LLM با یک مدل زبان بزرگ متن‌باز و رایگان از Groq برای استنتاج بدون نیاز به داده آموزشی (zero-shot inference) شرح داده شده است. در نهایت، چگونگی بارگذاری یک مجموعه داده واقعی و اجرای پیش‌بینی‌های احساسات چندبرچسبی با استفاده از گردش کاری آشنای شبیه scikit-learn را خواهید آموخت.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#مقاله #DataScience

‏🎮 سرویس جدید Higgsfield Games برای ساخت بازی از متن

‏امروز Higgsfield سرویس جدیدی به نام Higgsfield Games معرفی کرد که با یک پرسش متنی می‌توانید یک بازی کامل مرورگر تولید کنید. کاربر فقط کافی است توصیف بازی را به زبان طبیعی بنویسد و با یک کلیک ژانر مورد نظر را انتخاب کند؛ سپس پلتفرم سوپرکامپیوتر بقیه کارها را انجام می‌دهد: نوشتن کد، تولید گرافیک، مدلسازی سه‌بعدی و میزبانی بازی. خروجی یک لینک قابل اشتراک است که نیازی به نصب یا راه‌اندازی ندارد.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏💰 مسابقه تسلیحاتی هوش مصنوعی، حالا مسابقه بدهی است!

‏شرکت‌های بزرگ فناوری مانند آلفابت، آمازون، متا، مایکروسافت و اوراکل در نیمه اول سال ۲۰۲۶، ۱۵۹ میلیارد دلار اوراق قرضه شرکتی قرض گرفته‌اند. این مبلغ بیشتر از کل بدهی آن‌ها در پنج سال بین ۲۰۲۰ تا ۲۰۲۴ روی هم رفته است. تنها اوراکل از سپتامبر گذشته ۴۳ میلیارد دلار بدهی جدید متحمل شده است. مورگان استنلی پیش‌بینی می‌کند که استقراض جهانی مرتبط با هوش مصنوعی در سال جاری به ۵۷۰ میلیارد دلار برسد که بیش از دو برابر سال گذشته است. این شرکت‌ها آنقدر به آینده هوش مصنوعی باور دارند که ترازنامه‌های خود را به گرو می‌گذارند تا اولین باشند. اگر حق با آن‌ها باشد، این بزرگترین تخصیص سرمایه در تاریخ است؛ اما اگر اشتباه کنند، این بزرگترین حباب بدهی از زمان بحران مسکن خواهد بود.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#گزارش #OpenAI

‏⚖️ محدودیت دسترسی به مدل‌های Fable و Mythos 5

‏دولت آمریکا با استناد به اختیارات امنیت ملی، دستورالعمل کنترل صادراتی را صادر کرده که بر اساس آن دسترسی اتباع خارجی به مدل‌های Fable 5 و Mythos 5 باید فوراً متوقف شود. این محدودیت شامل کارکنان خارجی شرکت Anthropic نیز می‌شود، چه در داخل آمریکا و چه خارج از آن. در نتیجه، Anthropic مجبور به قطع دسترسی تمامی مشتریان به این دو مدل شده است.

‏دسترسی به سایر مدل‌های Claude تحت تأثیر این دستور قرار نگرفته است. این شرکت ضمن عذرخواهی از مشتریان بابت اختلال پیش‌آمده، اعلام کرده که این مسئله را یک سوءتفاهم دانسته و در تلاش است تا در اسرع وقت دسترسی به این مدل‌ها را بازیابی کند.

‏🔗 اطلاعیه Anthropic

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🔍 پیشرفت‌های چشمگیر در Text-to-SQL با Gemini-SQL2

‏اگرچه Text-to-SQL ممکن است در نگاه اول مسئله‌ای حل‌شده به نظر برسد، اما پیچیدگی داده‌ها در دنیای واقعی همچنان چالش‌برانگیز است. مدل‌های مبتنی بر استدلال قوی عالی هستند، اما هیچ چیز جایگزین یک مدل سفارشی در این زمینه نمی‌شود. Gemini-SQL2 در این حوزه عملکرد بسیار قدرتمندی از خود نشان داده و توانسته در بنچمارک چالش‌برانگیز BIRD نتایج پیشرفته‌ای را کسب کند. این پیشرفت‌ها فرصت‌های فراوانی را در پایگاه‌های دانش (KBs)، موتورهای جستجو، پایگاه‌های داده گراف و موارد مشابه ایجاد می‌کند.

‏گوگل با معرفی Gemini-SQL2، قابلیت Text-to-SQL خود را که با Gemini 3.1 Pro نیرو می‌گیرد، ارتقا داده است. این مدل توانسته به نتایج پیشرفته‌ای در بنچمارک رقابتی BIRD دست یابد.
‏🔗 Gemini-SQL2 — Google Research

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏📚 راهنمای رایگان مقیاس‌پذیری مدل‌های هوش مصنوعی و کار با GPU

‏گوگل راهنمای رایگانی را برای مقیاس‌پذیری مدل‌های هوش مصنوعی و کار با پردازنده‌های گرافیکی (GPU) منتشر کرده است. این راهنما که به صورت آنلاین در دسترس است، اصول مقیاس‌پذیری مدل، ساختار GPUها، محدودیت‌های محاسباتی، پهنای باند حافظه، موازی‌سازی و سایر مباحث مفید در آموزش و اجرای مدل‌های مدرن هوش مصنوعی را پوشش می‌دهد.

‏🔗 راهنمای مقیاس‌پذیری مدل
‏🔗 راهنمای کار با GPUها

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#آموزش #Google

‏🧠 معرفی Hy-Memory تنسنت: حافظه بلندمدت برای عامل‌های هوش مصنوعی

‏تنسنت (Tencent) اخیراً Hy-Memory را به‌صورت متن‌باز منتشر کرده است؛ یک پلاگین حافظه که به عامل‌های هوش مصنوعی (AI agents) قابلیت حافظه بلندمدت واقعی را می‌دهد. این سیستم از یک چارچوب ۶ لایه با استدلال دوگانه بهره می‌برد. System1 مسئول تطبیق سریع الگوها برای فراخوانی فوری اطلاعات است، در حالی که System2 استدلال عمیق‌تری را برای بازیابی حافظه پیچیده انجام می‌دهد.

‏این نوآوری مشکل رایج فراموشی اطلاعات توسط عامل‌های هوش مصنوعی بین جلسات را حل می‌کند و برای عامل‌های هوش مصنوعی مشارکتی و طولانی‌مدت که نیاز به حفظ زمینه (persistent context) دارند، بسیار کاربردی است.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🚀 مهندسی حلقه (Loop Engineering) در هوش مصنوعی

‏آندری کارپاتی، محقق برجسته هوش مصنوعی، بر اهمیت حذف خود از گلوگاه (bottleneck) و افزایش اهرم (leverage) در کار با مدل‌های زبانی بزرگ (LLMs) تأکید می‌کند. او معتقد است با ارائه ورودی‌های کم و دریافت خروجی‌های گسترده، می‌توان بهره‌وری را به شدت افزایش داد. مهندسی حلقه (Loop Engineering) دقیقاً به همین منظور طراحی شده است.

‏در روش‌های سنتی، اپراتور انسانی در دو مرحله کلیدی دخیل است: تصمیم‌گیری در مورد اجرای گام بعدی عامل (agent) و بررسی خروجی قبل از مرحله بعدی. این دخالت دستی، میزان پیشرفت خودکار عامل را محدود می‌کند. مهندسی حلقه با انتقال هر دو مرحله به داخل سیستم، این فرآیند را خودکار می‌سازد.

حلقه تا زمانی که یکی از شرایط پایان (تعداد حداکثر تکرار، بودجه تمام شده یا شرایط خروجی تعریف‌شده) رخ ندهد، ادامه می‌یابد.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏📈 نقشه راه کامل دیتاساینس

‏این تصویر به‌طور خلاصه مسیر قدم‌به‌قدم تبدیل شدن به یک Data Scientist را معرفی می‌کند. ابتدا باید با مبانی Python و ساختارهای داده‌ای مانند Pandas و NumPy آشنا شوید، سپس به درک آماری و احتمالی (Statistics & Probability) پرداخته و مهارت کار با پایگاه‌های داده SQL را کسب کنید. پس از آن، تمرین‌های تصویری‌سازی داده (Data Visualization) باعث می‌شود تا نتایج تحلیلی را به شکل گرافیکی ارائه دهید. در ادامه، مباحث پایه Machine Learning و Deep Learning (یادگیری عمیق) برای ساخت مدل‌های پیش‌بینی و شبکه‌های عصبی پوشش داده می‌شود. در نهایت، با MLOps و استقرار مدل‌ها (Deployment) می‌توانید پروژه‌های خود را به محیط تولید منتقل کنید و به‌صورت مستمر بهبود دهید.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏📚 کتابخانه رایگان هوش مصنوعی و یادگیری ماشین MIT

‏مؤسسه فناوری ماساچوست (MIT) کل کتابخانه هوش مصنوعی و یادگیری ماشین خود را به صورت ۱۰۰٪ رایگان در دسترس عموم قرار داده است. این ۱۲ کتاب، بهترین نقطه شروع برای ساختن یک پایه قوی در این حوزه‌ها هستند و موضوعات کلیدی از مبانی ریاضی تا یادگیری تقویتی، مدل‌های احتمالی و هوش مصنوعی مسئولانه را پوشش می‌دهند.

‏

‏مبانی (Foundations):
‏🔹 Foundations of Machine Learning: ستون فقرات ریاضی یادگیری ماشین را شامل الگوریتم‌ها، نظریه و نحوه یادگیری مدل‌ها توضیح می‌دهد.
‏🔸 Understanding Deep Learning: شبکه‌های عصبی را به صورت بصری و شهودی، از اصول اولیه تا معماری‌های مدرن، شرح می‌دهد.
‏🔹 Deep Learning: مرجع قطعی یادگیری عمیق، نوشته شده توسط محققانی که این حوزه را شکل داده‌اند.
‏🔸 Introduction to Machine Learning Systems: نحوه طراحی و ساخت سیستم‌های یادگیری ماشین که نه فقط در نوت‌بوک‌ها، بلکه در محیط‌های عملیاتی (production) کار می‌کنند.
‏🔹 Algorithms for Optimization: ریاضیات پشت بهبود مدل‌ها — شامل روش‌های گرادیان، جستجو و تصمیم‌گیری.
‏

‏

‏یادگیری تقویتی (Reinforcement Learning):
‏🔸 Reinforcement Learning: An Introduction: کتاب درسی کلاسیک یادگیری تقویتی (RL) — چگونگی یادگیری عامل‌ها برای تصمیم‌گیری از طریق آزمون و پاداش.
‏🔹 Distributional Reinforcement Learning: فراتر از پاداش‌های میانگین می‌رود تا توزیع کامل نتایج را مدل‌سازی کند.
‏🔸 Multi-Agent Reinforcement Learning: نحوه یادگیری، رقابت و همکاری چندین عامل هوش مصنوعی در محیط‌های مشترک.
‏

‏

‏یادگیری ماشین احتمالی (Probabilistic Machine Learning):
‏🔹 Probabilistic Machine Learning: An Introduction: یادگیری ماشین از منظر احتمال — عدم قطعیت، استنتاج و تفکر بیزی.
‏🔸 Probabilistic Machine Learning: Advanced Topics: بررسی عمیق مدل‌های احتمالی، استنتاج تقریبی و روش‌های مولد.
‏

‏

‏هوش مصنوعی مسئولانه و عامل‌محور (Responsible & Agentic AI):
‏🔹 Agents in the Long Game of AI: چگونگی ساخت عامل‌های هوش مصنوعی قابل اعتماد، ترکیبی و طراحی شده برای قابلیت اطمینان بلندمدت.
‏🔸 Fairness and Machine Learning: تقاطع یادگیری ماشین با جامعه — سوگیری (bias)، تبعیض و نحوه ساخت سیستم‌های عادلانه‌تر.
‏

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🚀 Supertonic: رقیب جدید ElevenLabs در پردازش صدا

‏مدل جدید Supertonic، یک مدل پردازش متن به گفتار (Text-to-Speech) که کاملاً روی دستگاه کاربر اجرا می‌شود، بازار را متحول کرده است. این مدل متن‌باز با مجوز MIT، نیازی به کلود، کلید API یا پرداخت به ازای هر کاراکتر ندارد و با ۲۷۰۰ ستاره در گیت‌هاب، توجه زیادی را به خود جلب کرده است.

‏عملکرد Supertonic چشمگیر است: ۱۶۷ برابر سریع‌تر از زمان واقعی روی پردازنده M4 Pro، تنها با ۶۶ میلیون پارامتر، و با سرعت پردازش ۱۲۶۳ کاراکتر بر ثانیه که به مراتب از ElevenLabs Flash (۲۸۷) و OpenAI TTS-1 (۵۵) بیشتر است. این مدل حتی روی دستگاه‌های ضعیفی مانند Raspberry Pi و e-reader نیز قابل اجرا است.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#معرفی #Supertonic

‏🏠 ابزار واقعیت مجازی در ارائه املاک چین

‏برخی توسعه‌دهندگان املاک در چین از ابزارهای واقعیت مجازی (VR) برای ارائه مدل‌های دقیق خانه‌ها و آپارتمان‌ها به خریداران بالقوه استفاده می‌کنند. این فناوری به مشتریان اجازه می‌دهد تا پیش از خرید، طرح‌بندی و ویژگی‌های واحدها را در یک محیط مجازی مشاهده کرده و تصمیم‌گیری آگاهانه‌تری داشته باشند. استفاده از این نوع ارائه‌های مجازی در بازاریابی املاک رو به افزایش است، زیرا شرکت‌ها به دنبال روش‌های نوین برای نمایش پروژه‌های خود هستند.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🤖 نقشه‌ی اکوسیستم AI عامل توسط Ant Group

‏گروه Ant Group نقشه‌ای شامل ۲۲۷ مخزن را برای تیم‌های توسعه‌دهنده‌ی هوش مصنوعی عامل منتشر کرد. این نقشه با تقسیم‌بندی سه‌لایه‌ای، پروژه‌ها را در دسته‌های زیر سازماندهی می‌کند: زیرساخت عامل (مورد استفاده در برنامه‌ها، چارچوب‌ها، زمان‑اجرای‌ها و ابزارها)، زیرساخت مدل (داده، آموزش، سرویس‌دهی و استقرار) و مدل‌های بزرگ به‌عنوان لایه پایه. برای هر مخزن، دسته‌بندی، متادیتا و شاخص‌های پویایی جامعه با داده‌های OpenDigger ارائه شده است. این منبع عمومی است ولی فایل license در مخزن مشاهده نشده؛ بنابراین پیش از استفاده، اعتبار قانونی را بررسی کنید. اگر به دنبال انتخاب یک استک عامل هستید، ابتدا لایه زیرساخت عامل را ارزیابی کنید.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#معرفی #AgentAI