هوش مصنوعی و علم داده به فارسی
🚀 اولین LLM بزرگ روی چیپهای چینی شرکت Meituan از مدل LongCat 2.0 رونمایی کرد، یک LLM عظیم که روی ۵۰ هزار چیپ چینی (مشابه Huawei Ascend 910C) آموزش دیده است. این نخستینباری است که یک مدل در این مقیاس بدون GPU انویدیا یا TPU گوگل ساخته میشود. 🔬 پارامترهای…
🤖 LongCat-2.0: مدل MoE ۱.۶ تریلیون پارامتری برای agentic coding
تیم LongCat از مدل کامل LongCat-2.0 رونمایی کرد که پشت سرویس Owl Alpha در OpenRouter قرار دارد. این یک مدل MoE با ۱.۶ تریلیون پارامتر و حدود ۴۸ میلیارد پارامتر فعال و پنجره زمینه ۱ میلیون توکن است. تمرکز اصلی روی agentic coding و وظایف بلندمدت (کار با ریپازیتوری، ترمینال و جستجو) است.
🧠 معماری شامل چند نوآوری کلیدی است: LongCat Sparse Attention برای مدیریت مؤثر زمینه ۱ میلیون توکن؛ Zero-Compute Experts که بین ۳۳ تا ۵۶ میلیارد پارامتر به ازای هر توکن فعال میکند بدون هدررفت محاسبات؛ و MOPD که خبرگان را به سه گروه Agent, Reasoning و Interaction تقسیم و مسیر مناسب را گیت میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
تیم LongCat از مدل کامل LongCat-2.0 رونمایی کرد که پشت سرویس Owl Alpha در OpenRouter قرار دارد. این یک مدل MoE با ۱.۶ تریلیون پارامتر و حدود ۴۸ میلیارد پارامتر فعال و پنجره زمینه ۱ میلیون توکن است. تمرکز اصلی روی agentic coding و وظایف بلندمدت (کار با ریپازیتوری، ترمینال و جستجو) است.
🧠 معماری شامل چند نوآوری کلیدی است: LongCat Sparse Attention برای مدیریت مؤثر زمینه ۱ میلیون توکن؛ Zero-Compute Experts که بین ۳۳ تا ۵۶ میلیارد پارامتر به ازای هر توکن فعال میکند بدون هدررفت محاسبات؛ و MOPD که خبرگان را به سه گروه Agent, Reasoning و Interaction تقسیم و مسیر مناسب را گیت میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
💰 مدلهای چینی؛ ۱۸ سنت به جای ۴ دلار
📊 طبق گزارش CitiBank Research، مدلهای هوش مصنوعی چینی هر میلیون توکن را با ۱۸ سنت پردازش میکنند، در حالی که میانگین مدلهای پیشرو ۴ دلار است. دیپسیک (DeepSeek) و سایر مدلهای چینی با قیمت مقرونبهصرفه توجه را جلب کردهاند.
🚀 تا ژوئن، سهم این مدلها در پردازش متنباز پلتفرم OpenRouter از ۳۴٪ در ژانویه به ۶۵٪ رسید. شرکتها بهجای برتری فنی، بیشتر بر اساس قیمت مدل انتخاب میکنند.
🔄 این روند باعث شده OpenAI و Anthropic قیمتگذاری خود را بازبینی کنند. گارتنر پیشبینی میکند تا ۲۰۲۸ هزینه هوش مصنوعی در کدنویسی از میانگین حقوق یک توسعهدهنده بیشتر شود.
#خبر #DataScience
📊 طبق گزارش CitiBank Research، مدلهای هوش مصنوعی چینی هر میلیون توکن را با ۱۸ سنت پردازش میکنند، در حالی که میانگین مدلهای پیشرو ۴ دلار است. دیپسیک (DeepSeek) و سایر مدلهای چینی با قیمت مقرونبهصرفه توجه را جلب کردهاند.
🚀 تا ژوئن، سهم این مدلها در پردازش متنباز پلتفرم OpenRouter از ۳۴٪ در ژانویه به ۶۵٪ رسید. شرکتها بهجای برتری فنی، بیشتر بر اساس قیمت مدل انتخاب میکنند.
🔄 این روند باعث شده OpenAI و Anthropic قیمتگذاری خود را بازبینی کنند. گارتنر پیشبینی میکند تا ۲۰۲۸ هزینه هوش مصنوعی در کدنویسی از میانگین حقوق یک توسعهدهنده بیشتر شود.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
🧠 اثبات فرضیه ۱۰ ساله ریاضی توسط Claude
محققان هاروارد و MIT یک مسئله باز ریاضی از سال ۲۰۱۴ را به کمک Claude Fable 5 حل کردند. آنها مسئله را به یک ادعای اثباتنشده تقلیل دادند و به مدل سپردند.
🔬 مدل موفق شد یک تقارن پنهان را کشف کند که از دید انسانها پنهان مانده بود. سپس استدلالی تولید کرد که سیستم Lean 4 (یک اثباتگر قضایا) بهطور مستقل آن را بررسی و تأیید کرد.
این دستاورد نشاندهنده قدرت مدلهای زبانی در کشف الگوهای عمیق و اثبات قضایای ریاضی است.
🔗 aitoolz.ru
#ابزار #DataScience
محققان هاروارد و MIT یک مسئله باز ریاضی از سال ۲۰۱۴ را به کمک Claude Fable 5 حل کردند. آنها مسئله را به یک ادعای اثباتنشده تقلیل دادند و به مدل سپردند.
🔬 مدل موفق شد یک تقارن پنهان را کشف کند که از دید انسانها پنهان مانده بود. سپس استدلالی تولید کرد که سیستم Lean 4 (یک اثباتگر قضایا) بهطور مستقل آن را بررسی و تأیید کرد.
این دستاورد نشاندهنده قدرت مدلهای زبانی در کشف الگوهای عمیق و اثبات قضایای ریاضی است.
🔗 aitoolz.ru
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ابزار #DataScience
❤2
🤖 کاهش چشمگیر هزینه استنتاج در OpenAI
به گزارش The Information، OpenAI به بهینهسازیهای جدیدی در فرایند inference (اجرای مدل) دست یافته است که هزینه اجرای مدلها را بیش از دو برابر کاهش میدهد.
🔧 مهندسان OpenAI اعلام کردهاند که با این تکنیکها توانستهاند ChatGPT را برای کاربران بدون حساب (حتی بدون حساب رایگان) با تنها چند صد GPU انویدیا سرویسدهی کنند.
🧪 روش دقیق هنوز فاش نشده است. ترکیبی از quantization، KV caching، batching و مسیریابی درخواستهای ساده به مدلهای ارزانتر محتمل است.
#خبر #DataScience
به گزارش The Information، OpenAI به بهینهسازیهای جدیدی در فرایند inference (اجرای مدل) دست یافته است که هزینه اجرای مدلها را بیش از دو برابر کاهش میدهد.
🔧 مهندسان OpenAI اعلام کردهاند که با این تکنیکها توانستهاند ChatGPT را برای کاربران بدون حساب (حتی بدون حساب رایگان) با تنها چند صد GPU انویدیا سرویسدهی کنند.
🧪 روش دقیق هنوز فاش نشده است. ترکیبی از quantization، KV caching، batching و مسیریابی درخواستهای ساده به مدلهای ارزانتر محتمل است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
❤1
🚀 دو ابزار جدید گوگل برای مدیای مولد
گوگل دو مدل جدید معرفی کرد: Nano Banana 2 Lite برای تصاویر سریع و Gemini Omni Flash برای ویدئو و ویرایش مکالمهای.
⚡ Nano Banana 2 Lite سریعترین و ارزانترین مدل تصویر در سری خود است؛ حدود ۴ ثانیه برای text-to-image و قیمت $0.034 به ازای ۱۰۰۰ تصویر. کیفیت پرامپتنویسی، ثبات شخصیتها و متن خوانا داخل تصویر را حفظ کرده.
🎥 Gemini Omni Flash برای تولید و ویرایش ویدئو با متن، تصویر و ویدئوی مرجع طراحی شده. قیمت آن $0.10 به ازای هر ثانیه ویدئو (مشابه Veo 3.1 Fast) است. از ویرایش زبان طبیعی، صحنههای چندوجهی و هماهنگسازی متن با حرکت پشتیبانی میکند.
#خبر #DataScience
گوگل دو مدل جدید معرفی کرد: Nano Banana 2 Lite برای تصاویر سریع و Gemini Omni Flash برای ویدئو و ویرایش مکالمهای.
⚡ Nano Banana 2 Lite سریعترین و ارزانترین مدل تصویر در سری خود است؛ حدود ۴ ثانیه برای text-to-image و قیمت $0.034 به ازای ۱۰۰۰ تصویر. کیفیت پرامپتنویسی، ثبات شخصیتها و متن خوانا داخل تصویر را حفظ کرده.
🎥 Gemini Omni Flash برای تولید و ویرایش ویدئو با متن، تصویر و ویدئوی مرجع طراحی شده. قیمت آن $0.10 به ازای هر ثانیه ویدئو (مشابه Veo 3.1 Fast) است. از ویرایش زبان طبیعی، صحنههای چندوجهی و هماهنگسازی متن با حرکت پشتیبانی میکند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
❤1
🤖 انتشار Claude Sonnet 5
Anthropic مدل جدید Sonnet 5 را بهعنوان مدل پیشفرض نسخههای Free و Pro (۲۰ دلاری) عرضه کرد و برای همه در دسترس است.
کیفیت Sonnet 5 نزدیک به Opus 4.8 است اما بسیار ارزانتر: تا پایان تابستان قیمت $۲/$۱۰ (ورودی/خروجی) و سپس به $۳/$۱۵ افزایش مییابد.
🔗 اعلامیه رسمی Anthropic
#خبر #DataScience
Anthropic مدل جدید Sonnet 5 را بهعنوان مدل پیشفرض نسخههای Free و Pro (۲۰ دلاری) عرضه کرد و برای همه در دسترس است.
کیفیت Sonnet 5 نزدیک به Opus 4.8 است اما بسیار ارزانتر: تا پایان تابستان قیمت $۲/$۱۰ (ورودی/خروجی) و سپس به $۳/$۱۵ افزایش مییابد.
🔗 اعلامیه رسمی Anthropic
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
🧠 گزارش هوشمند DataPlusScience
━━━━━━━━━━━━━━━━━━━━
🗂 شماره: #52 | بازه: ۲۴ ساعت گذشته / گزارش روزانه
📦 پستهای بررسیشده: 12
🕐 از: سهشنبه 1405/04/09 ساعت 14:00
🕛 تا: چهارشنبه 1405/04/10 ساعت 14:00
━━━━━━━━━━━━━━━━━━━━
🛠️ ابزارها و ادغامهای جدید
🤖 مدلهای زبانی و عاملمحور
🔬 پژوهش و مدلهای مولد
💰 اقتصاد و هزینهها
━━━━━━━━━━━━━━━━━━━━
🗂 شماره: #52 | بازه: ۲۴ ساعت گذشته / گزارش روزانه
📦 پستهای بررسیشده: 12
🕐 از: سهشنبه 1405/04/09 ساعت 14:00
🕛 تا: چهارشنبه 1405/04/10 ساعت 14:00
━━━━━━━━━━━━━━━━━━━━
🛠️ ابزارها و ادغامهای جدید
ادغام Gamma با ChatGPT از طریق پروتکل MCP (Model Context Protocol) امکان ساخت خودکار اسلاید و ارائه را مستقیماً درون چت فراهم کرده و ویرایش نهایی را به رابط Gamma میسپارد. این ادغام سرعت تولید محتوای بصری را بدون خروج از محیط چت افزایش میدهد.
🔗 مشاهده پست
گوگل دو مدل جدید معرفی کرد: Nano Banana 2 Lite برای تصاویر سریع (۴ ثانیه، $0.034 به ازای ۱۰۰۰ تصویر) و Gemini Omni Flash برای تولید و ویرایش ویدئو ($0.10 به ازای هر ثانیه) با قابلیت ویرایش زبان طبیعی و هماهنگسازی متن با حرکت.
🔗 مشاهده پست
🤖 مدلهای زبانی و عاملمحور
LongCat-2.0 مدل MoE با ۱.۶ تریلیون پارامتر و ۴۸ میلیارد پارامتر فعال است که برای agentic coding و وظایف بلندمدت (کار با ریپازیتوری، ترمینال و جستجو) با پنجره زمینه ۱ میلیون توکن طراحی شده. معماری آن شامل LongCat Sparse Attention و Zero-Compute Experts برای مدیریت مؤثر زمینه و تخصیص خبرگان به گروههای Agent, Reasoning و Interaction است.
🔗 مشاهده پست
Claude Sonnet 5 از Anthropic بهعنوان قدرتمندترین مدل عاملمحور سری Sonnet منتشر شد و کیفیت آن نزدیک به Opus 4.8 است اما با هزینه کمتر: $۲/$۱۰ (ورودی/خروجی) تا اوت ۲۰۲۶. تمرکز اصلی روی برنامهریزی، tool use و وظایف چندمرحلهای است.
🔗 مشاهده پست
🔬 پژوهش و مدلهای مولد
KVAE-Audio از آزمایشگاه کندینسکی (Sber) یک توکنایزر صوتی متنباز با ورودی ۴۸ کیلوهرتز و فشردهسازی ۹۶۰ برابری محور زمان است. این توکنایزر با روش regularisation منحصربهفرد، تعادل میان بازسازی و تولید محتوای اصلی را حفظ کرده و آموزش مدلهای دیفیوژن را سادهتر میکند.
🔗 مشاهده پست
محققان هاروارد و MIT یک مسئله باز ریاضی از سال ۲۰۱۴ را با کمک Claude Fable 5 حل کردند. مدل یک تقارن پنهان را کشف کرد و استدلالی تولید کرد که سیستم اثبات قضایا Lean 4 آن را تأیید نمود.
🔗 مشاهده پست
💰 اقتصاد و هزینهها
بر اساس گزارش CitiBank، مدلهای چینی هر میلیون توکن را با ۱۸ سنت پردازش میکنند (میانگین مدلهای پیشرو ۴ دلار). سهم این مدلها در OpenRouter از ۳۴٪ در ژانویه به ۶۵٪ در ژوئن رسیده و باعث بازبینی قیمتگذاری OpenAI و Anthropic شده است.
🔗 مشاهده پست
OpenAI با بهینهسازی inference (اجرای مدل) هزینه استنتاج مدلها را بیش از دو برابر کاهش داده است. ترکیبی از quantization، KV caching و مسیریابی درخواستهای ساده به مدلهای ارزانتر، ChatGPT را تنها با چند صد GPU انویدیا سرویسدهی میکند.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 RAG-Anything: سیستم RAG چندوجهی همهکاره
مستندات مدرن شامل محتوای متنوعی مثل متن، تصویر، جدول، نمودار و فرمول هستند که RAGهای سنتی نمیتوانند پردازش کنند. RAG-Anything این چالش را با یک سیستم یکپارچه مبتنی بر LightRAG حل میکند.
⚡ این سیستم نیاز به چندین ابزار تخصصی را از بین میبرد و امکان جستجو و پرسش از انواع محتوا را در یک چارچوب واحد فراهم میکند.
🧠 معماری چندمرحلهای آن شامل: استخراج سند، درک محتوای چندوجهی، ساخت گراف دانش، و بازیابی هوشمند است. کاربران میتوانند متون، تصاویر، جداول و فرمولها را از طریق یک رابط منسجم کوئری کنند.
🔗 گیتهاب RAG-Anything
#ابزار #DataScience
مستندات مدرن شامل محتوای متنوعی مثل متن، تصویر، جدول، نمودار و فرمول هستند که RAGهای سنتی نمیتوانند پردازش کنند. RAG-Anything این چالش را با یک سیستم یکپارچه مبتنی بر LightRAG حل میکند.
⚡ این سیستم نیاز به چندین ابزار تخصصی را از بین میبرد و امکان جستجو و پرسش از انواع محتوا را در یک چارچوب واحد فراهم میکند.
🧠 معماری چندمرحلهای آن شامل: استخراج سند، درک محتوای چندوجهی، ساخت گراف دانش، و بازیابی هوشمند است. کاربران میتوانند متون، تصاویر، جداول و فرمولها را از طریق یک رابط منسجم کوئری کنند.
🔗 گیتهاب RAG-Anything
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ابزار #DataScience
📘 معرفی کتاب Designing Machine Learning Systems
کتاب Designing Machine Learning Systems اثر چیپ هیون (Chip Huyen) یکی از منابع کلیدی برای مهندسان و دانشمندان داده است که به طراحی و استقرار سیستمهای ML در محیط تولید میپردازد.
🧩 این کتاب موضوعات حیاتی مثل مدیریت داده، انتخاب ویژگی، آموزش و ارزیابی مدل، خطلولههای MLOps و چالشهای عملیاتیسازی را پوشش میدهد. برای هر کسی که سراغ ML در مقیاس واقعی میرود، مطالعهاش ضروری است.
#خبر #DataScience
کتاب Designing Machine Learning Systems اثر چیپ هیون (Chip Huyen) یکی از منابع کلیدی برای مهندسان و دانشمندان داده است که به طراحی و استقرار سیستمهای ML در محیط تولید میپردازد.
🧩 این کتاب موضوعات حیاتی مثل مدیریت داده، انتخاب ویژگی، آموزش و ارزیابی مدل، خطلولههای MLOps و چالشهای عملیاتیسازی را پوشش میدهد. برای هر کسی که سراغ ML در مقیاس واقعی میرود، مطالعهاش ضروری است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
Designing_Machine Learning_Systems.pdf
15.5 MB
📘 طراحی سیستمهای یادگیری ماشین
کتاب Designing Machine Learning Systems رویکردی تکراری (iterative) برای ساخت اپلیکیشنهای آمادهی تولید ارائه میدهد. مخاطبان اصلی آن مهندسان، دانشمندان داده و مدیران فنی هستند که ML را در مقیاس متوسط تا بزرگ به کار میگیرند.
🧠 سناریوهای کلیدی: مهندسی داده و انتخاب متریک، استقرار مدلهای آفلاین خوب، نظارت پس از استقرار، خودکارسازی چرخه توسعه تا بهروزرسانی، و ایجاد زیرساخت اشتراکی مثل feature store و monitoring tools.
⚖️ همچنین به سوگیری (bias) و ساخت سیستمهای مسئولانه پرداخته میشود.
این کتاب برای توسعهدهندگان ابزار، جویای نقش ML، و رهبران فنی نیز مفید است. فصلهای ۱، ۲ و ۱۱ برای مخاطبان غیرفنی مناسبترند.
#ابزار #DataScience
کتاب Designing Machine Learning Systems رویکردی تکراری (iterative) برای ساخت اپلیکیشنهای آمادهی تولید ارائه میدهد. مخاطبان اصلی آن مهندسان، دانشمندان داده و مدیران فنی هستند که ML را در مقیاس متوسط تا بزرگ به کار میگیرند.
🧠 سناریوهای کلیدی: مهندسی داده و انتخاب متریک، استقرار مدلهای آفلاین خوب، نظارت پس از استقرار، خودکارسازی چرخه توسعه تا بهروزرسانی، و ایجاد زیرساخت اشتراکی مثل feature store و monitoring tools.
⚖️ همچنین به سوگیری (bias) و ساخت سیستمهای مسئولانه پرداخته میشود.
این کتاب برای توسعهدهندگان ابزار، جویای نقش ML، و رهبران فنی نیز مفید است. فصلهای ۱، ۲ و ۱۱ برای مخاطبان غیرفنی مناسبترند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ابزار #DataScience
Media is too big
VIEW IN TELEGRAM
🔬 معرفی Claude Science: محیط کاری هوش مصنوعی برای پژوهشگران
🔬 Anthropic از Claude Science رونمایی کرده؛ یک محیط کاری تخصصی برای پژوهشگران که هوش مصنوعی، برنامهنویسی و محاسبات علمی را در یک پلتفرم یکپارچه ترکیب میکند. این ابزار ترکیبی از Claude، Jupyter Notebook، Python و R، پایگاههای داده علمی و زیرساختهای HPC و GPU است.
🧬 این محیط برای علوم زیستی طراحی شده: ژنومیک، Single‑cell، پروتئومیکس، زیستشناسی ساختاری و شیمیمحاسباتی. کاربردهایی مانند طراحی آزمایشهای CRISPR، پیشبینی ساختار پروتئین و نگارش مقالات پژوهشی دارد.
📌 اگر Claude Code دستیار توسعهدهندگان است، Claude Science دستیار تخصصی پژوهشگران محسوب میشود.
🔗 اطلاعات بیشتر در Anthropic
🔗 صفحه محصول Claude Science
🔬 Anthropic از Claude Science رونمایی کرده؛ یک محیط کاری تخصصی برای پژوهشگران که هوش مصنوعی، برنامهنویسی و محاسبات علمی را در یک پلتفرم یکپارچه ترکیب میکند. این ابزار ترکیبی از Claude، Jupyter Notebook، Python و R، پایگاههای داده علمی و زیرساختهای HPC و GPU است.
🧬 این محیط برای علوم زیستی طراحی شده: ژنومیک، Single‑cell، پروتئومیکس، زیستشناسی ساختاری و شیمیمحاسباتی. کاربردهایی مانند طراحی آزمایشهای CRISPR، پیشبینی ساختار پروتئین و نگارش مقالات پژوهشی دارد.
📌 اگر Claude Code دستیار توسعهدهندگان است، Claude Science دستیار تخصصی پژوهشگران محسوب میشود.
🔗 اطلاعات بیشتر در Anthropic
🔗 صفحه محصول Claude Science
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 کلود سونت ۵: رتبه ۵ در شاخص هوش، اما پرهزینهتر از Opus
📊 مدل Claude Sonnet 5 در شاخص هوش مصنوعی Artificial Analysis با امتیاز ۵۳ رتبه ۵ را گرفت و فقط ۲-۳ امتیاز از GPT-5.5 (xhigh) و Opus 4.8 (max) عقبتر است. این بهبود ۶ امتیازی نسبت به سونت ۴.۶ با تلاش حداکثری به دست آمده.
💰 با تنظیم max effort، سونت ۵ حدود ۴۰٪ توکن خروجی بیشتر و حدود ۳ برابر agentic turns نسبت به سونت ۴.۶ مصرف میکند. هزینه هر task به $۲.۲۹ (۲ برابر سونت ۴.۶ و ۱۵٪ بیشتر از Opus 4.8) رسیده. آنتروپیک تا اول سپتامبر تخفیف یکسومی روی قیمت API داده است.
#خبر #DataScience
📊 مدل Claude Sonnet 5 در شاخص هوش مصنوعی Artificial Analysis با امتیاز ۵۳ رتبه ۵ را گرفت و فقط ۲-۳ امتیاز از GPT-5.5 (xhigh) و Opus 4.8 (max) عقبتر است. این بهبود ۶ امتیازی نسبت به سونت ۴.۶ با تلاش حداکثری به دست آمده.
💰 با تنظیم max effort، سونت ۵ حدود ۴۰٪ توکن خروجی بیشتر و حدود ۳ برابر agentic turns نسبت به سونت ۴.۶ مصرف میکند. هزینه هر task به $۲.۲۹ (۲ برابر سونت ۴.۶ و ۱۵٪ بیشتر از Opus 4.8) رسیده. آنتروپیک تا اول سپتامبر تخفیف یکسومی روی قیمت API داده است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience