🤖 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
⚡️ ZCode 3.0: IDE هوش مصنوعی از Z.ai
شرکت Z.ai نسخه سوم IDE هوش مصنوعی خود را برای توسعه با agentها عرضه کرد. این ابزار با GLM-5.2 یکپارچه شده و از حالت multi-agent پشتیبانی میکند.
🤖 agentها میتوانند بهطور خودکار کدنویسی، برنامهریزی، بازبینی و استقرار (deploy) را انجام دهند. همچنین امکان کنترل از راه دور از طریق Telegram, WeChat و Feishu فراهم است.
🖥 نسخههای دسکتاپ برای macOS, Windows و Linux منتشر شده. پلنهای پرداختی از $18 در ماه شروع میشوند. Z.ai با این محصول بهدنبال رقابت با ابزارهای AI-coding غربی است.
🔗 وبسایت رسمی ZCode 3.0
🔗 لینکهای اصلی پست:
🔗 Z.ai
#خبر #DataScience
شرکت Z.ai نسخه سوم IDE هوش مصنوعی خود را برای توسعه با agentها عرضه کرد. این ابزار با GLM-5.2 یکپارچه شده و از حالت multi-agent پشتیبانی میکند.
🤖 agentها میتوانند بهطور خودکار کدنویسی، برنامهریزی، بازبینی و استقرار (deploy) را انجام دهند. همچنین امکان کنترل از راه دور از طریق Telegram, WeChat و Feishu فراهم است.
🖥 نسخههای دسکتاپ برای macOS, Windows و Linux منتشر شده. پلنهای پرداختی از $18 در ماه شروع میشوند. Z.ai با این محصول بهدنبال رقابت با ابزارهای AI-coding غربی است.
🔗 وبسایت رسمی ZCode 3.0
🔗 لینکهای اصلی پست:
🔗 Z.ai
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
❤1
🕵️ ماجرای استگانوگرافی در Claude Code
🔍 یک توسعهدهنده (Thereallo) فاش کرد که Claude Code کاربران چینی را با استگانوگرافی (پنهانسازی اطلاعات در نقطهگذاری) علامتگذاری میکرد. مهندس Anthropic، طارق شیخیپار، تأیید کرد که از مارس مکانیزمی آزمایشی فعال بوده است.
⚡ این سیستم با بررسی منطقه زمانی، نام هاست پروکسی و کلمات کلیدی، یک نشانه مخفی در دستورالعملهای سیستمی تزریق میکرد. هدف: جلوگیری از سوءاستفاده واسطههای غیرمجاز و تقطیر (distillation) مدل. شرکت اعلام کرد که این ویژگی در بهروزرسانی بعدی کاملاً حذف میشود.
🌏 منتقدان میگویند مکانیزم از مارس فعال بوده و فقط پس از افشای عمومی غیرفعال شده است. این موضوع برای Anthropic که خود را پرچمدار امنیت و اخلاق AI معرفی میکند، بسیار حساسیتبرانگیز است.
#خبر #DataScience
🔍 یک توسعهدهنده (Thereallo) فاش کرد که Claude Code کاربران چینی را با استگانوگرافی (پنهانسازی اطلاعات در نقطهگذاری) علامتگذاری میکرد. مهندس Anthropic، طارق شیخیپار، تأیید کرد که از مارس مکانیزمی آزمایشی فعال بوده است.
⚡ این سیستم با بررسی منطقه زمانی، نام هاست پروکسی و کلمات کلیدی، یک نشانه مخفی در دستورالعملهای سیستمی تزریق میکرد. هدف: جلوگیری از سوءاستفاده واسطههای غیرمجاز و تقطیر (distillation) مدل. شرکت اعلام کرد که این ویژگی در بهروزرسانی بعدی کاملاً حذف میشود.
🌏 منتقدان میگویند مکانیزم از مارس فعال بوده و فقط پس از افشای عمومی غیرفعال شده است. این موضوع برای Anthropic که خود را پرچمدار امنیت و اخلاق AI معرفی میکند، بسیار حساسیتبرانگیز است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 Fable 5 دوباره در Claude بازگشت
⚡️ پس از نزدیک به سه هفته قطع دسترسی، مدل Fable 5 دوباره در Claude در دسترس قرار گرفت. محدودیتهای اعمالشده توسط Anthropic – که به دلیل عبارتی درباره «تهدید امنیت ملی» وضع شده بود – برداشته شده است.
📅 تا ۷ جولای کاربران اشتراکهای Pro، Team، Max و Premium Enterprise میتوانند از Fable 5 استفاده کنند. حداکثر استفاده مجاز ۵۰٪ از سهمیه هفتگی تعیین شده است.
💰 پس از ۷ جولای دسترسی رایگان پایان مییابد و استفاده تنها بهصورت پرداخت بر اساس توکن (Pay-per-token) امکانپذیر خواهد بود.
🔗 وبسایت Claude
#خبر #DataScience
⚡️ پس از نزدیک به سه هفته قطع دسترسی، مدل Fable 5 دوباره در Claude در دسترس قرار گرفت. محدودیتهای اعمالشده توسط Anthropic – که به دلیل عبارتی درباره «تهدید امنیت ملی» وضع شده بود – برداشته شده است.
📅 تا ۷ جولای کاربران اشتراکهای Pro، Team، Max و Premium Enterprise میتوانند از Fable 5 استفاده کنند. حداکثر استفاده مجاز ۵۰٪ از سهمیه هفتگی تعیین شده است.
💰 پس از ۷ جولای دسترسی رایگان پایان مییابد و استفاده تنها بهصورت پرداخت بر اساس توکن (Pay-per-token) امکانپذیر خواهد بود.
🔗 وبسایت Claude
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
🔥 SpatialClaw از انویدیا
انویدیا از چارچوب جدید SpatialClaw برای استدلال فضایی رونمایی کرده که بدون نیاز به آموزش (training‑free) عمل میکند.
🧠 این سیستم از کد به عنوان رابط اکشن استفاده میکند؛ عامل مجهز به VLM در یک کرنل پایدار پایتون مینویسد، ماژولهای ادراکی را ترکیب میکند، نتایج میانی را بررسی و استراتژی خود را اصلاح میکند.
📊 SpatialClaw روی 20 benchmark به طور میانگین +11.2 امتیاز بهبود نشان داده است.
🔗 مقاله • پروژه • کد
#ابزار #DataScience
انویدیا از چارچوب جدید SpatialClaw برای استدلال فضایی رونمایی کرده که بدون نیاز به آموزش (training‑free) عمل میکند.
🧠 این سیستم از کد به عنوان رابط اکشن استفاده میکند؛ عامل مجهز به VLM در یک کرنل پایدار پایتون مینویسد، ماژولهای ادراکی را ترکیب میکند، نتایج میانی را بررسی و استراتژی خود را اصلاح میکند.
📊 SpatialClaw روی 20 benchmark به طور میانگین +11.2 امتیاز بهبود نشان داده است.
🔗 مقاله • پروژه • کد
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ابزار #DataScience
🤖 رکوردشکنی یک مدل 35B MoE در عوامل بلندمدت
یک مدل MoE (معماری ترکیب متخصصان) با ۳۵ میلیارد پارامتر، از مدلهای بزرگتری مثل Kimi-K2.6 و DeepSeek-V4-pro در بنچمارک عوامل بلندمدت (Long-Horizon Agents) پیشی گرفته است. 🤯
این مدل که Agents-A1 نام دارد، نشان میدهد که معماری هوشمندانه میتواند شکاف اندازه را جبران کند.
مقاله کامل در arXiv منتشر شده:
📄 arXiv:2606.30616
#پژوهش #DataScience
یک مدل MoE (معماری ترکیب متخصصان) با ۳۵ میلیارد پارامتر، از مدلهای بزرگتری مثل Kimi-K2.6 و DeepSeek-V4-pro در بنچمارک عوامل بلندمدت (Long-Horizon Agents) پیشی گرفته است. 🤯
این مدل که Agents-A1 نام دارد، نشان میدهد که معماری هوشمندانه میتواند شکاف اندازه را جبران کند.
مقاله کامل در arXiv منتشر شده:
📄 arXiv:2606.30616
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#پژوهش #DataScience
☁️ متا وارد بازار خدمات ابری هوش مصنوعی میشود
🚀 پس از رشد بیش از ۱۰٪ سهام، متا از زیرساختهای AI بلااستفادهاش یک سرویس ابری میسازد. توسعهدهندگان میتوانند به مدلهای متا در دیتاسنترهای خود شرکت دسترسی مستقیم داشته باشند.
⚡ این سرویس مشابه AWS Bedrock است — کاربران بدون مدیریت سختافزار، از مدلهای پیشرفته استفاده میکنند. متا همچنین توان پردازشی خام (raw compute) را عرضه خواهد کرد که آن را رقیب مستقیم CoreWeave و Nebius میکند.
📉 پس از انتشار این خبر، سهام CoreWeave و Nebius کاهش قابل توجهی داشت.
#خبر #DataScience
🚀 پس از رشد بیش از ۱۰٪ سهام، متا از زیرساختهای AI بلااستفادهاش یک سرویس ابری میسازد. توسعهدهندگان میتوانند به مدلهای متا در دیتاسنترهای خود شرکت دسترسی مستقیم داشته باشند.
⚡ این سرویس مشابه AWS Bedrock است — کاربران بدون مدیریت سختافزار، از مدلهای پیشرفته استفاده میکنند. متا همچنین توان پردازشی خام (raw compute) را عرضه خواهد کرد که آن را رقیب مستقیم CoreWeave و Nebius میکند.
📉 پس از انتشار این خبر، سهام CoreWeave و Nebius کاهش قابل توجهی داشت.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience
Media is too big
VIEW IN TELEGRAM
🤖 ارزش واقعی هوش مصنوعی در دست کاربران قدرتمند است
مدیرعامل Perplexity، آراوید سرینیواس، میگوید کاربران عادی دیگر مهمترین منبع ارزش در دنیای AI نیستند. امروزه ارزش واقعی از گروه کوچکی از کاربران قدرتمند (power users) میآید که سیستمهای هوش مصنوعی را شبانهروز فعال نگه میدارند.
🔬 به گفته او، برخی مهندسان متا سالانه حدود ۱۰ میلیون دلار از ابزارهای کدنویسی AI به ازای هر مهندس مصرف میکنند. در همین حال، برخی کاربران Perplexity Computer ماهانه بیش از ۱۰ هزار دلار برای اجرای کسبوکار از طریق حلقههای عامل خودمختار (autonomous agent loops) هزینه میکنند.
🧠 حتی در داخل خود Perplexity، کارکنان گردشکارهای چندعاملی (multi-agent workflows) ساختهاند که بهقدری پیشرفته هستند که شبیه معماریهای کامل نرمافزاری عمل میکنند.
مدیرعامل Perplexity، آراوید سرینیواس، میگوید کاربران عادی دیگر مهمترین منبع ارزش در دنیای AI نیستند. امروزه ارزش واقعی از گروه کوچکی از کاربران قدرتمند (power users) میآید که سیستمهای هوش مصنوعی را شبانهروز فعال نگه میدارند.
🔬 به گفته او، برخی مهندسان متا سالانه حدود ۱۰ میلیون دلار از ابزارهای کدنویسی AI به ازای هر مهندس مصرف میکنند. در همین حال، برخی کاربران Perplexity Computer ماهانه بیش از ۱۰ هزار دلار برای اجرای کسبوکار از طریق حلقههای عامل خودمختار (autonomous agent loops) هزینه میکنند.
🧠 حتی در داخل خود Perplexity، کارکنان گردشکارهای چندعاملی (multi-agent workflows) ساختهاند که بهقدری پیشرفته هستند که شبیه معماریهای کامل نرمافزاری عمل میکنند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما