‏🚀 Kimi K2.7 Code HighSpeed: سرعت بی‌سابقه در مدل‌های کد

‏شرکت چینی Moonshot AI از عرضه Kimi K2.7 Code HighSpeed، نسخه پرسرعت و چندوجهی مدل کد Kimi K2.7 خود، خبر داد. این نسخه جدید تا ۶ برابر سریع‌تر از نسخه استاندارد عمل می‌کند و قادر است پاسخ‌ها را با سرعت تقریبی ۱۸۰ توکن در ثانیه برای درخواست‌های متوسط و تا ۲۶۰ توکن در ثانیه برای متن‌های کوتاه تولید کند.

‏دسترسی به Kimi K2.7 Code HighSpeed برای شرکت‌کنندگان در برنامه بتا Kimi Code، توسعه‌دهندگان استفاده‌کننده از Kimi API و مشتریان سازمانی Kimi Business فراهم شده است و نیازی به دعوت‌نامه جداگانه نیست. اگرچه در اطلاعیه رسمی به قیمت‌گذاری اشاره‌ای نشده و بر "هوش باز، فوری و بدون مرز" تاکید شده، اما گزارش‌ها حاکی از آن است که تعرفه API این نسخه پرسرعت دو برابر نسخه استاندارد است.

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

#خبر #Kimi

‏🤖 انتقال بزرگ نوام شازیر از Google به OpenAI

‏امروز خبر مهمی در حوزه هوش مصنوعی منتشر شد: نوام شازیر، یکی از پیشروان بنیادی در توسعه ترانسفورمرها (مقاله «Attention Is All You Need») و خالق ایده‌های multi‑head attention، Mixture‑of‑Experts و مدل T5، پس از سال‌ها خدمت در Google DeepMind، به OpenAI پیوست. شازیر در سال ۲۰۲ استارتاپ Character.AI را تأسیس کرد و در سال ۲۰۲۴ گوگل با پرداخت ۲.۷ میلیارد دلار، این شرکت را خرید و او را برای رهبری پروژه Gemini به کار گرفت؛ دوره‌ای که به طلایی‌ترین دوران مدل‌های گوگل منجر شد.

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

#خبر #Gemini

‏🤖 سهم بازار ChatGPT زیر ۵۰٪ شد

‏امروز Sensor Tower در گزارشی به TechCrunch اعلام کرد که سهم بازار دستیارهای هوش مصنوعی برای اولین بار به زیر نیمی از کاربران رسیده؛ در پایان ماه مه ChatGPT تنها ۴۶.۴٪ کاربران را در اختیار داشته است. با وجود بیش از ۱.۱ میلیارد کاربر ماهانه، رقبا همچون Gemini از گوگل و Claude از Anthropic به‌تدریج جذب مخاطب بیشتری می‌شوند و نشان می‌دهند تنوع انتخاب‌های هوش مصنوعی در حال گسترش است.

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

#خبر #ChatGPT

‏🤖 مدیریت مصرف توکن در Claude

‏یک کاربر Claude تجربه‌اش را از مصرف بالای توکن به اشتراک گذاشته است. او متوجه شد که بخش قابل توجهی از توکن‌ها توسط حدود ۲۰۰ Skill (قابلیت‌های اضافی یا پلاگین‌ها) نصب‌شده و سرورهای MCP متصل (مانند Figma، Canva و Higgsfield) مصرف می‌شوند، حتی اگر بسیاری از آن‌ها استفاده نشوند. برای حل این مشکل، با اجرای دستور /context، توانست تفکیک مصرف توکن‌ها را بر اساس دسته‌بندی مشاهده کند و Skillهای بلااستفاده را غیرفعال کند. این اقدام منجر به کاهش چشمگیر مصرف توکن‌های مربوط به Skillها از حدود ۳۰ هزار به ۳ تا ۴ هزار شد که صرفه‌جویی ۲۶ هزار توکنی را به همراه داشت.

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

#آموزش #Claude

‏🎨 فیگما، عامل هوش مصنوعی خود را معرفی کرد: تحولی در طراحی

‏فیگما (Figma)، پلتفرم محبوب طراحی، از عامل هوش مصنوعی (AI agent) داخلی خود رونمایی کرده است که مستقیماً در بوم (canvas) ویرایشگر تعبیه شده و نه به عنوان یک سرویس جداگانه یا پلاگین. این عامل هوش مصنوعی قابلیت‌های چشمگیری را ارائه می‌دهد که روند طراحی را متحول خواهد کرد.

‏این عامل قادر است صفحه‌ها و کامپوننت‌ها (components) را مستقیماً در تایم‌لاین (timeline) تولید کند و سیستم طراحی (design system)، توکن‌ها (tokens) و کامپوننت‌های موجود شما را درک می‌کند. یکی از ویژگی‌های برجسته آن، توانایی اجرای چندین ایده به صورت موازی است؛ مثلاً می‌توانید سه گزینه سبک مختلف را درخواست کنید و عامل هر سه را همزمان ایجاد می‌کند.

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

‏🤖 انفجار محتوای آنلاین با هوش مصنوعی

‏هوش مصنوعی با سرعتی بی‌سابقه، تمام جنبه‌های وب را با محتوای بی‌شمار از جمله کتاب، پرونده حقوقی، مقالات پژوهشی، اپلیکیشن و موسیقی پر کرده است. از زمان ظهور ChatGPT، انتشار کتاب‌های الکترونیکی در آمازون سه برابر شده و به حدود ۳۰۰ هزار عنوان در ماه رسیده که بخش عمده آن توسط هوش مصنوعی تولید می‌شود. حتی سیستم قضایی نیز تحت تأثیر قرار گرفته؛ تعداد پرونده‌های حقوقی خودتنظیم‌شده در آمریکا دو برابر شده و تقریباً یک پنجم شکایات با کمک هوش مصنوعی نوشته شده‌اند. در حوزه دانشگاهی، حجم مقالات ارسالی افزایش یافته، نرخ رد مقالات بیش از دو برابر شده و بیش از نیمی از مقالات ۲۰۲۵ نشانه‌هایی از نگارش با هوش مصنوعی را داشتند.

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

#خبر #LLaMA

‏🎬 تبدیل اسلاید به ویدیو با Google Vids

‏گوگل ابزار جدیدی به نام Google Vids معرفی کرده که اسلایدهای معمولی را به ویدیوهای حرفه‌ای تبدیل می‌کند. جذاب‌ترین قابلیت این ابزار، آواتار هوش مصنوعی است که محتوای اسلایدها را مانند یک ارائه‌دهنده واقعی برایتان روایت می‌کند؛ انگار یک نفر در حال پرزنتیشن است. این ابزار در حال حاضر رایگان است و برای کسانی که از پاورپوینت‌های خسته‌کننده فرسوده شده‌اند، گزینه‌ای جالب برای امتحان کردن است.

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

#معرفی #Google

‏🎨 معرفی Artifacts در Claude Code — تبدیل کد به خروجی زنده

‏شرکت Anthropic قابلیت جدیدی به نام Artifacts را به ابزار Claude Code اضافه کرده است. این ویژگی به برنامه‌نویسان اجازه می‌دهد کدهای پیچیده و داده‌های پروژه را به یک صفحه وب زنده و گرافیکی تبدیل کنند. نتیجه این کار آن است که اعضای تیم و مدیران غیرفنی دیگر نیازی به خواندن کدهای سخت ندارند و می‌توانند روند تغییرات پروژه، نمودارها و خروجی‌ها را به‌صورت تصویری و تعاملی روی کامپیوتر یا موبایل تماشا کنند.

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

‏🧠 Perplexity قابلیت Brain را معرفی کرد

‏Perplexity قابلیت جدیدی به نام Brain برای عامل هوش مصنوعی خود (Computer Agent) منتشر کرد. تا پیش از این، عامل پس از هر نشست تمام اطلاعات را فراموش می‌کرد؛ اما Brain این مشکل را حل می‌کند و کارهای انجام‌شده، موفقیت‌ها و شکست‌ها را ذخیره می‌سازد. در طول شب، داده‌های انباشته‌شده را تحلیل کرده و برای روز بعد بهبود می‌یابد. نتایج روی وظایف واقعی نشان می‌دهد دقت ۲۵٪ افزایش یافته و هزینه انجام تسک‌ها ۱۳٪ کاهش پیدا کرده است. این قابلیت فعلاً در مرحله پیش‌نمایش و تنها برای کاربران طرح Max در دسترس است.

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

#ابزار #DataScience

‏🏷 مهندسان متا به برچسب‌گذاری داده منتقل شدند!

‏متا بین ۳۰ تا ۵۰ درصد مهندسان تیم‌های محصولی کلیدی را به بخش داخلی ADO (Agent Data Optimisation) منتقل کرده تا داده برچسب‌گذاری کنند. این مهندسان وظایفی مثل بررسی مخازن کد تولیدشده توسط هوش مصنوعی و ارائه بازخورد برای RLHF را بر عهده دارند. بیشترین تأثیر روی مهندسان امنیت سایبری و تیم‌های زیرساختی و محصولی بوده است. در مجموع اکنون تقریباً هر پنجم یا ششم مهندس در متا به‌صورت تمام‌وقت با برچسب‌گذاری داده مشغول است.

‏🔗 The Next Web

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

#خبر #DataScience

‏🦌 DeerFlow: کارمند AI متن‌باز ByteDance

‏DeerFlow یک framework چندعاملی (multi-agent) متن‌باز با مجوز MIT است که توسط ByteDance توسعه یافته و یک prompt را به خروجی نهایی تبدیل می‌کند.

‏این ابزار برخلاف چت‌بات‌های معمولی یک lead agent دارد که طرح می‌ریزد، سپس زیرagent‌های تخصصی به‌صورت موازی برای تحقیق، نوشتن کد، تست، رفع خطا، ساخت وب‌سایت، گزارش، داشبورد، اسلاید و ویدیو فعالیت می‌کنند.

‏محصول روی کامپیوتر کاربر اجرا می‌شود، فایل‌ها را می‌خواند، دستورات اجرا می‌کند، ابزارهای خارجی را فراخوانی می‌کند و با یادگیری ترجیحات کاربر به‌تدریج بهبود می‌یابد.

‏نسخه ۲.۰ DeerFlow از پایه بازنویسی شده و هم‌اکنون با بیش از ۲۲.۷ هزار ستاره و ۲.۷ هزار fork در صدر GitHub Trending قرار دارد.

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

#ابزار #DataScience‏

‏🤖 حالت Vision در DeepSeek فعال شد

‏DeepSeek حالت Vision را در نسخه وب و اپلیکیشن موبایل خود راه‌اندازی کرده است. این قابلیت از CoT بصری (Chain-of-Thought) برای وظایف پیچیده مانند استنتاج هندسی، تحلیل نمودارها و تبدیل مستقیم اسکرین‌شات‌های رابط کاربری به HTML پشتیبانی می‌کند. اساس این ویژگی، کار پژوهشی "Thinking with Visual Primitives" است که در آن مشکل درک MMLM (Multimodal Large Language Models) با تمرکز بر مکان‌یابی دقیق و استدلال فضایی حل شده است. در این روش، مختصات و کادرهای مرزی به عنوان واحدهای اصلی تفکر عمل کرده و مستقیماً در CoT بصری گنجانده می‌شوند. این امر به مدل، جهت‌گیری فضایی دقیقی در استنتاج بدون نیاز به توصیفات زبان طبیعی می‌دهد.

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

#خبر #Multimodal

‏🍝 سه سال پیشرفت هوش مصنوعی در یک ویدیوی اسپاگتی

‏ویدیوی معروف «ویل اسمیت در حال خوردن اسپاگتی» به یکی از معیارهای غیررسمی ارزیابی کیفیت مدل‌های تولید ویدیو تبدیل شده است. در مارس ۲۰۲۳، مدل Modelscope تلاش کرد این صحنه را بازسازی کند و نتیجه‌ای به‌شدت غریب و غیرطبیعی تحویل داد. حالا در ژوئن ۲۰۲۶، مدل Grok Imagine 1.5 همان پرامپت را با همان ویل اسمیت و همان اسپاگتی اجرا کرده و تفاوت چشمگیری را به نمایش گذاشته است.

‏این مقایسه به‌خوبی نشان می‌دهد که در تنها سه سال، مدل‌های تولید ویدیو (video generation) از خلق صحنه‌های شکسته و غیرقابل‌باور به تولید ویدیوهایی واقع‌گرایانه رسیده‌اند. سرعت این پیشرفت، پتانسیل آینده این فناوری را به‌روشنی نمایان می‌کند.

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

#ابزار #Grok

‏🧠 میمو کد شیائومی؛ ایجنت با حافظه چهارسطحی

‏شیائومی ایجنت MiMo Code را معرفی کرد؛ عامل هوشمندی که برخلاف GPT و Claude که پس از ۲۰-۳۰ مرحله مسیر را گم می‌کنند، حتی در صدمین ویرایش رشته کار را حفظ می‌کند. حافظه چهارسطحی آن شامل Session (گفتگوی جاری)، Project (گراف وابستگی‌های مخزن)، Global (دانش فریم‌ورک‌ها) و History (آرشیو تلاش‌ها) است. وقتی context پر می‌شود، یک subagent لاگ‌ها را به vector embedding فشرده می‌کند — مانند checkpoint در بازی. هر هفت روز فرآیند پس‌زمینه /dream داده‌های تکراری را پاک می‌کند. نکته کلیدی مکانیزم Goal است: یک subagent مستقل که تکمیل واقعی وظیفه را بررسی می‌کند و اجازه نمی‌دهد ایجنت کد خراب را آماده بپندارد.

‏📖 MiMo Code

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

#معرفی #AgentAI

‏🔁 مهندسی حلقه (Loop Engineering): از پرامپت تا سیستم‌های هوشمند خودکار

‏با پیشرفت عامل‌های هوش مصنوعی (AI Agents) در سال ۲۰۲۶، تمرکز از پرامپت‌های صرف به سمت طراحی سیستم‌های چرخه‌ای سوق یافته است. این سیستم‌ها قادر به تفکر مداوم، اجرا، مشاهده، تأیید و تکامل هستند. تفاوت اصلی بین پروژه‌های آماتور و سیستم‌های تولیدی در "مهندسی حلقه" (Harness Engineering) نهفته است، که شامل قابلیت‌هایی مانند کارکرد مداوم برای دقایق یا ساعت‌ها، بازیابی پس از شکست، کنترل هزینه و تشخیص زمان توقف است.

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

#مقاله #AgentAI

‏👁️‍🗨️ PixelRAG: جستجوی بصری در وب بدون HTML Parsing

‏PixelRAG یک سیستم بازیابی متن‌باز (open-source retrieval system) است که جستجوی بصری در مقیاس وسیع را متحول می‌کند. این سیستم به جای تجزیه HTML و تبدیل صفحه به متن برای RAG (Retrieval-Augmented Generation)، از صفحه وب اسکرین‌شات گرفته و با استفاده از یک مدل بینایی-زبانی (vision-language model)، پاسخ را مستقیماً از پیکسل‌ها استخراج می‌کند. این رویکرد کاملاً فرآیند HTML parsing را دور می‌زند.

‏اهمیت این نوآوری در آن است که فرآیند HTML parsing معمولاً اطلاعات زیادی را از بین می‌برد؛ یک parser می‌تواند بیش از ۴۰٪ از محتوای یک صفحه را حذف کند و جداول، نمودارها و چیدمان بصری صفحه را نادیده بگیرد یا تخت کند. PixelRAG صفحه‌ای را که کاربر واقعاً می‌بیند، ایندکس می‌کند.

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

#خبر #DataScience

‏🤖 ساخت تیم تحقیقاتی آکادمیک با Claude

‏این راهنما به شما امکان می‌دهد تا با استفاده از مدل زبان بزرگ Claude، یک تیم تحقیقاتی آکادمیک کامل را شبیه‌سازی کنید. این ابزار قدرتمند شامل ۱۳ عامل (agent) و ۸ حالت (mode) برای «تحقیقات عمیق»، ۱۲ عامل و ۱۱ حالت برای نگارش «مقالات آکادمیک»، و ۷ عامل برای «بررسی مقالات آکادمیک» است. همچنین یک پایپ‌لاین ۱۰ مرحله‌ای با قابلیت تأیید ارجاعات (citation verification) ارائه می‌دهد که می‌تواند فرآیند تحقیق و نگارش علمی را متحول کند. این ابزار برای استفاده‌های غیرتجاری رایگان است.

‏🔗 GitHub

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

#آموزش #Claude

‏⚡️ اجرای محلی Gemma 4 26B با قابلیت عامل‌های موازی

‏قابلیت‌های مدل Gemma 4 26B، اکنون به‌صورت محلی (locally) قابل اجراست. این مدل می‌تواند ۱۰ عامل فرعی (sub-agents) را به‌صورت موازی هماهنگ کند تا در عرض چند ثانیه یک گالری هنری SVG کدنویسی کند. با سرعت پردازش بیش از ۱۰۰ توکن بر ثانیه، این امکان فراهم می‌شود تا وظایف پیچیده را به خوبی مقیاس‌بندی کرده یا چت‌بات‌های محلی برای کل تیم‌ها توسعه داد. این پیشرفت توسط Google Gemma ارائه شده است.

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

#آموزش #Gemma

‏🧠 تنسورها: گرامر هوش مصنوعی مدرن

‏تنسورها، برخلاف تصور رایج، ریاضیات انتزاعی نیستند؛ بلکه گرامر اصلی هوش مصنوعی مدرن به شمار می‌آیند. یک اسکالر تنها یک عدد است، یک بردار مجموعه‌ای از اعداد در یک خط، و یک ماتریس شبکه‌ای از اعداد. تنسور شکل کلی‌تر این مفاهیم است که اعداد را در ابعاد مختلف سازماندهی می‌کند.

‏تصاویر، ویدئوها، جریان داده حسگرهای ربات، وزن‌های شبکه‌های عصبی و شبیه‌سازی‌های فیزیکی، همگی نمونه‌هایی از تنشورها هستند. یادگیری عمیق (Deep Learning) اساساً ترکیب جبر تنسورها، بهینه‌سازی (Optimization) و قدرت محاسباتی است. با درک تنسورها، هوش مصنوعی دیگر جادویی به نظر نمی‌رسد؛ بلکه به یک ساختار منطقی تبدیل می‌شود که واقعیت را از طریق اعداد، هندسه و تبدیل‌ها به هوشمندی می‌رساند.

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

#آموزش #TensorAlgebra

‏🤖 تکامل RAG با هوش مصنوعی عاملی (Agentic RAG)

‏سیستم‌های تولید مبتنی بر بازیابی (RAG) به مدل‌های زبانی بزرگ (LLMs) امکان دسترسی به داده‌های شما را می‌دهند، اما RAG عاملی (Agentic RAG) به آن‌ها قضاوت در مورد چگونگی استفاده از این داده‌ها را می‌بخشد. تفاوت اصلی در نحوه مدیریت عدم قطعیت توسط هر سیستم است. در RAG استاندارد، یک خط لوله ثابت اجرا می‌شود: پرس‌وجو رمزگذاری شده، پایگاه داده برداری جستجو می‌شود، اسناد مشابه بازیابی شده و سپس پاسخی تولید می‌شود. این روش زمانی که پرس‌وجو خوش‌فرم باشد و زمینه مناسب در یک مکان وجود داشته باشد، خوب عمل می‌کند.

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

#آموزش #RAG