🚀 ‏ رونمایی از قابلیت Higgsfield Apps

⚡ ‏ شرکت Higgsfield پلتفرم جدید خود را معرفی کرده که به کاربران اجازه می‌دهد بدون نیاز به تنظیمات پیچیده، مستقیماً از مدل‌های تولید تصویر و ویدیوی این شرکت در ساخت اپلیکیشن‌های کاربردی استفاده کنند. تمام فرآیند توسعه در یک سیستم یکپارچه انجام می‌شود.

🧠 ‏ موتور محرک این ابزار، مدل Fable 5 است که توانایی کدنویسی در سطح یک Senior Software Engineer را دارد. این مدل با دریافت توضیحات متنی کاربر (Natural Language)، تمام پیچیدگی‌های فنی پروژه را مدیریت می‌کند.

💻 ‏ با استفاده از این قابلیت، می‌توانید انواع وب‌سایت‌های پیچیده، افزونه‌های مرورگر، پلاگین‌ها، نرم‌افزارهای دسکتاپ و اپلیکیشن‌های موبایل را طراحی کنید. پس از اتمام توسعه، امکان Deploy (استقرار نهایی) پروژه تنها با یک کلیک فراهم است.

🛠 ‏ این ابزار هم‌اکنون در محیط Supercomputer و همچنین از طریق Higgsfield MCP برای کاربران Claude در دسترس قرار گرفته است.

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

#محصول #AgentAI

🚀 ‏ مدل Reve: رقیب جدید در تولید تصویر

⚡ ‏ مدل Reve 2.1 تنها یک ماه پس از انتشار نسخه قبلی عرضه شد و موفق شد در Text-to-Image Arena جایگاه دوم را کسب کند. این مدل اکنون بالاتر از NanoBanana 2 و بلافاصله پس از GPT Image 2 قرار گرفته است.

🧠 ‏ نقطه قوت اصلی این مدل، استفاده از ساختار layout به‌جای تکیه صرف بر prompt متنی است. این رویکرد باعث شده تا در پردازش جزئیات دقیق و رندر کردن متن‌های غیرانگلیسی، عملکرد بسیار دقیق‌تری نسبت به رقبا داشته باشد.

📊 ‏ نکته قابل‌توجه این است که Reve توانسته با منابع محاسباتی ۱۰ برابر کمتر از غول‌هایی مانند Google و Meta، به چنین نتایج چشمگیری دست یابد. این بهره‌وری بالا در مصرف GPU، نشان‌دهنده بهینه‌سازی بسیار قدرتمند در معماری این مدل است.

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

#خبر #Reve

🎥 ‏ مقایسه مدل‌های تولید ویدیو: Kling، Google و Seedance

⚡ ‏ در یک ارزیابی فنی میان سه مدل مطرح هوش مصنوعی برای تولید ویدیو، عملکرد مدل‌های Kling 3.0، Google Omni Flash و Seedance 2.0 با استفاده از یک پرامپت مشابه مورد بررسی قرار گرفت. خروجی‌ها نشان می‌دهد که مدل Google در این رقابت توانسته است نتایج بسیار باکیفیت‌تر و خیره‌کننده‌ای را نسبت به دو رقیب دیگر ارائه دهد.

🧠 ‏ مدل Seedance 2.0 نیز به‌عنوان یک گزینه دردسترس، قابلیت‌های مناسبی را برای تولید محتوای ویدئویی به نمایش گذاشت. این ابزار در حال حاضر امکان تولید روزانه ۵ ویدیو به صورت رایگان را برای کاربران فراهم کرده است.

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

🤖 ‏ ساخت سیستم‌عامل با GPT-5.6 Sol

🚀 ‏ در یک نمایش خیره‌کننده از توانمندی‌های نسل جدید هوش مصنوعی، مدل GPT-5.6 Sol موفق شد در مدت زمان کوتاه ۳۴ دقیقه، یک سیستم‌عامل شبیه‌ساز با استایل macOS را به‌طور کامل و بدون دخالت انسانی خلق کند. این پروژه که مستقیماً در مرورگر قابل اجراست، شامل ۱۹ اپلیکیشن کاربردی و آیکون‌های SVG است که تماماً توسط مدل کدنویسی شده‌اند.

🔬 ‏ این دستاورد بزرگ از طریق قابلیت Ultra High Thinking (حالت تفکر فوق‌عمیق برای تحلیل گام‌به‌گام و منطقی مسائل پیچیده) به دست آمده است. این مدل با استفاده از این متد، توانسته است ساختار پیچیده‌ی یک سیستم‌عامل را در یک محیط وب پیاده‌سازی کند که علاوه بر محیط کاربری، قابلیت اجرای بازی‌ها و برنامه‌های مختلف را نیز داراست.

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

🚀 ‏ مدل زبانی اختصاصی برای تحلیل مالی

💡 ‏ صندوق پوشش ریسک Bridgewater با همکاری Thinking Machines Lab یک مدل Open-weight (مدل با وزن‌های در دسترس) را برای تحلیل تخصصی اسناد مالی توسعه داده‌اند. این مدل در بنچمارک‌های داخلی به دقت ۸۴.۷٪ دست یافته که حدود ۶.۵٪ بهتر از برترین مدل‌های Frontier (مدل‌های مرز دانش و قدرتمند فعلی) است.

⚡ ‏ یکی از مزایای کلیدی این پروژه، بهینه‌سازی هزینه‌ها است؛ به‌طوری که اجرای این مدل ۱۴ برابر ارزان‌تر از مدل‌های تجاری مشابه تمام می‌شود. این موفقیت نشان می‌دهد که سازمان‌ها با استفاده از داده‌های اختصاصی و ترکیب آن با تخصص داخلی، می‌توانند به ابزارهایی بسیار دقیق‌تر و اقتصادی‌تر از مدل‌های بسته (Closed-source) دست یابند.

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

#گزارش #FineTuning

🤖 ‏ رقابت مدل‌های هوش مصنوعی در تولید داشبورد سه‌بعدی

⚡ ‏ در یک بنچمارک فنی، مدل جدید GPT-5.6 Sol در مقابل Fable 5 برای طراحی «داشبورد سه‌بعدی کره زمین» قرار گرفت. نتایج نشان می‌دهد که مدل Sol نسبت به نسخه قبلی خود پیشرفت جهشی داشته و در کدنویسی فرانت-اند عملکرد بسیار قدرتمندی ارائه می‌دهد.

🔬 ‏ با این وجود، Fable 5 همچنان در زمینه‌ی جزئیات طراحی مانند Spacing (فاصله‌گذاری دقیق المان‌ها) و کیفیت خروجی در اولین تلاش (First-pass polish) پیشتاز است و خروجی‌هایی با تعادل بصری حرفه‌ای‌تر تولید می‌کند.

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

⚡ ‏ اثبات ریاضی ۵۰ ساله توسط هوش مصنوعی

🧠 ‏ مدل جدید GPT-5.6 Sol Ultra ادعا می‌کند که یکی از قدیمی‌ترین مسائل حل‌نشده در نظریه گراف‌ها، یعنی فرضیه «پوشش دوتایی چرخه‌ها» (Cycle Double Cover Conjecture) را اثبات کرده است. این فرضیه که از سال ۱۹۷۳ توسط جورج سکِرش مطرح شده، بیان می‌کند هر گراف بدون پل، مجموعه‌ای از چرخه‌ها را دارد که هر یال دقیقاً در دو چرخه قرار می‌گیرد.

⚡ ‏ این دستاورد مهم توسط تیمی از OpenAI گزارش شده است. گفته می‌شود این مدل با به‌کارگیری ۶۴ عامل هوشمند (Sub-agents) در مدت تنها یک ساعت، به راه حل نهایی برای این چالش پیچیده رسیده است.

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

#خبر #OpenAI

📚 ‏ انتشار راهنمای فارسی Hermes Agent

🧠 ‏ راهنمای جامع و رسمی Hermes Agent (یک فریمورک پیشرفته برای ساخت عامل‌های هوش مصنوعی) به زبان فارسی ترجمه و منتشر شد.

🛠 ‏ این پروژه شامل آموزش‌های کاربردی نظیر نصب و راه‌اندازی سریع، پشتیبانی از پلتفرم‌های مختلف مانند اندروید (Termux) و NixOS، نحوه اتصال به پیام‌رسان‌ها و توسعه عامل‌ها می‌باشد.

🌐 ‏ برای مطالعه مستندات می‌توانید به وب‌سایت راهنمای فارسی مراجعه کرده و یا از طریق مخزن گیت‌هاب به توسعه آن کمک کنید.

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

#ابزار #DataScience

🧮 ‏ راهنمای جامع ریاضیات برای علوم کامپیوتر

🚀 ‏ کتاب Mathematical Proofs: A Transition to Advanced Mathematics یک منبع فوق‌العاده برای درک مفاهیم عمیق ریاضی است که در ۶۹۸ صفحه، مسیر یادگیری از مباحث پایه تا اثبات‌های پیچیده را هموار می‌کند.

🧠 ‏ این کتاب با زبانی بسیار دقیق به بررسی تئوری مجموعه‌ها، منطق ریاضی و روش‌های ساختاری برای نگارش اثبات‌های فنی می‌پردازد. اگر به دنبال تسلط بر زیربنای تئوریک الگوریتم‌ها و مدل‌سازی داده هستید، مطالعه این مرجع کاربردی توصیه می‌شود.

🔗 ‏ دانلود کتاب از وب‌سایت دانشگاه کارنگی ملون

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

#آموزش #مقاله

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #57 | 📦 25 پست
🕐 جمعه 1405/04/19 ساعت 14:00 تا شنبه 1405/04/20 ساعت 14:00

🤖 مدل‌های زبانی بزرگ

مدل جدید Grok 4.5 توسط SpaceXAI معرفی شد که با کسب Elo 1543 در رتبه چهارم بنچمارک قرار گرفته و تعادل بهینه‌ای از کارایی و هزینه ارائه می‌دهد.
🔗 مشاهده پست

سیستم‌عامل شبیه‌ساز macOS با ۱۹ اپلیکیشن کاربردی در مدت ۳۴ دقیقه بدون دخالت انسان توسط مدل هوشمند GPT-5.6 Sol کدنویسی و ساخته شد.
🔗 مشاهده پست

صندوق پوشش ریسک Bridgewater با همکاری Thinking Machines Lab یک مدل Open-weight مالی توسعه داده‌اند که عملکردی ۶.۵٪ بهتر از مدل‌های Frontier دارد و ۱۴ برابر ارزان‌تر است.
🔗 مشاهده پست

در رقابت طراحی داشبورد سه‌بعدی، مدل GPT-5.6 Sol از نظر اقتصادی بهینه‌تر عمل کرده اما مدل Fable 5 همچنان در جزئیات طراحی و کیفیت اولین خروجی پیشتاز است.
🔗 مشاهده پست

مدل جدید GPT-5.6 Sol Ultra با به‌کارگیری ۶۴ عامل هوشمند موفق به اثبات فرضیه ریاضی ۵۰ ساله پوشش دوتایی چرخه‌ها در نظریه گراف‌ها شد.
🔗 مشاهده پست

🦾 هوش مصنوعی عامل‌محور

پروژه مرورگر اختصاصی Atlas توسط OpenAI متوقف شد و قابلیت‌های آن به همراه ویژگی‌های عامل هوشمند در اپلیکیشن ChatGPT ادغام گردید.
🔗 مشاهده پست

سرویس جدید ChatGPT Work به عنوان یک AI Agent خودمختار معرفی شد که می‌تواند با اتصال به فایل‌ها، پروژه‌های کاری پیچیده را به صورت خودکار انجام دهد.
🔗 مشاهده پست

🌐 مدل‌های چندوجهی و بینایی ماشین

متا از مدل Muse Spark 1.1 با عملکردی در سطح GPT-4.5 رونمایی کرد که با پشتیبانی از کانتکست ۱ میلیون توکنی برای سیستم‌های مولتی‌ایجنت بهینه شده است.
🔗 مشاهده پست

مدل صوتی متنی جدید Audex از سوی انویدیا با معماری MoE ۳۰ میلیارد پارامتری معرفی شد که بدون افت عملکرد متنی، صدا و متن را به صورت یکپارچه پردازش می‌کند.
🔗 مشاهده پست

مدل فشرده LingBot-Vision با تمرکز بر درک فضایی بومی معرفی شد که توانسته مدل‌های بنیادی بسیار بزرگ‌تر از خود را در بنچمارک‌های مختلف شکست دهد.
🔗 مشاهده پست

مدل تولید تصویر Muse Image از شرکت متا معرفی شد که به عنوان یک AI Agent پیش از تولید تصویر، برنامه‌ای اجرایی برای رسیدن به بهترین نتیجه طراحی می‌کند.
🔗 مشاهده پست

مدل تولید تصویر Reve 2.1 با تکیه بر ساختار Layout و مصرف ۱۰ برابر منابع محاسباتی کمتر نسبت به رقبا، جایگاه دوم را در Text-to-Image Arena کسب کرد.
🔗 مشاهده پست

در ارزیابی فنی مدل‌های تولید ویدیو، مدل Google Omni Flash نتایج باکیفیت‌تری نسبت به Kling 3.0 ارائه داد و مدل Seedance 2.0 نیز با امکان تست رایگان در دسترس کاربران قرار گرفت.
🔗 مشاهده پست

📊 ابزارهای داده و پژوهش‌های کاربردی

قابلیت جدید Reflect در سرویس Claude ابزاری مشابه گزارش سالانه ارائه می‌دهد که تعاملات و نحوه استفاده شما از هوش مصنوعی را در بازه‌های ۱ تا ۱۲ ماهه تحلیل می‌کند.
🔗 مشاهده پست

گوگل از مدل پایه SensorFM رونمایی کرد که برای تحلیل داده‌های حسگرهای پوشیدنی با استفاده از ۱ تریلیون دقیقه سیگنال بیومتریک آموزش دیده است.
🔗 مشاهده پست

پروژه UnderOneFacade یک مجموعه داده عظیم با ۲.۷ میلیارد نقطه سه بعدی با دقت سانتیمتری برای تحقیقات معماری و بینایی ماشین ارائه کرده است.

🌐 ‏ دسترسی رایگان به مدل‌های هوش مصنوعی پیشرفته

⚡️ ‏ پلتفرم جدیدی معرفی شده است که امکان دسترسی به مدل‌های قدرتمند هوش مصنوعی را با ارائه ۱۰۰ میلیون توکن رایگان فراهم می‌کند. یکی از ویژگی‌های برجسته این سرویس، عدم نیاز به ثبت‌نام یا وارد کردن اطلاعات کارت اعتباری برای شروع کار است.

🧠 ‏ مدل‌های متنوعی در این سرویس ارائه شده‌اند که شامل موارد زیر هستند
‏

🔹 ‏ moonshotai/Kimi-K2.6: مدل پیشرفته برای پردازش متن و وظایف زبانی
🔹 ‏ MiniMaxAI/MiniMax-M2.7: مدل پرقدرت برای کاربردهای چندمنظوره
🔹 ‏ zai-org/GLM-5.2-FP8: نسخه بهینه شده با دقت FP8 برای بازدهی بالا
‏

🚀 ‏ این سرویس به صورت کامل از OpenAI Compatible API پشتیبانی می‌کند؛ به این معنی که می‌توانید به راحتی آن را در پروژه‌های موجود خود که از کتابخانه‌های استاندارد OpenAI استفاده می‌کنند، جایگزین کنید. این قابلیت برای توسعه‌دهندگانی که به دنبال تست مدل‌های مختلف بدون درگیری با هزینه‌های اولیه هستند، یک مزیت بسیار کاربردی محسوب می‌شود.

🔗 ‏ دریافت دسترسی و مشاهده مستندات

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

#ابزار #LLM

🧠 ‏ معرفی ابزار KnowNote

⚡️ ‏ ابزار KnowNote یک جایگزین متن‌باز و سبک برای سرویس Google NotebookLM است که به شما اجازه می‌دهد اسناد خود را به یک پایگاه دانش محلی (Local Knowledge Base) تبدیل کنید.

🧩 ‏ برخلاف بسیاری از ابزارهای مشابه، این برنامه برای اجرا به Docker نیازی ندارد و به سادگی روی سیستم شما نصب می‌شود. این ویژگی باعث شده تا فرآیند راه‌اندازی برای کاربران بسیار سریع‌تر و بهینه‌تر باشد.

🚀 ‏ اگر به دنبال راهکاری برای مدیریت و پرسش‌وپاسخ از مستندات شخصی خود در محیطی کاملاً آفلاین و ایمن هستید، بررسی این پروژه در گیت‌هاب پیشنهاد می‌شود.


🔗 ‏ مخزن GitHub

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

#معرفی #RAG

🚀 ‏ قابلیت جدید Google AI Studio

🤖 ‏ پلتفرم Google AI Studio که برای توسعه و تست مدل‌های هوش مصنوعی گوگل استفاده می‌شود، قابلیت جدیدی برای شخصی‌سازی آدرس‌های وب اضافه کرده است. اکنون توسعه‌دهندگان می‌توانند برای اپلیکیشن‌های ساخته‌شده در این محیط، به جای استفاده از آدرس‌های طولانی و پیش‌فرض، از Custom URL (آدرس اختصاصی) استفاده کنند.

⚡ ‏ این ویژگی به کاربران اجازه می‌دهد تا نامی کوتاه، به‌یادماندنی و مرتبط با پروژه خود انتخاب کنند. برای نمونه، می‌توانید به جای یک آدرس پیچیده، از ساختاری مانند atelier.ai.studio بهره ببرید که به برندینگ پروژه شما کمک شایانی می‌کند.

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

🧠 ‏ آموزش مفاهیم و الگوریتم‌های یادگیری تقویتی

🧠 ‏ اگر به دنبال یادگیری گام‌به‌گام یادگیری تقویت‌شده (RL - روشی از یادگیری ماشین بر پایه آزمون، خطا و دریافت پاداش) هستید، این منبع ارزشمند گیت‌هاب برای شماست.

🚀 ‏ این مجموعه، طیف وسیعی از روش‌ها را از مفاهیم پایه‌ای تا الگوریتم‌های پیشرفته سال‌های اخیر به همراه راهنماهای کاربردی و کدهای ساده پوشش می‌دهد.

🛠 ‏ تمامی پیاده‌سازی‌ها با فریم‌ورک TensorFlow توسعه یافته‌اند تا درک تئوری و پیاده‌سازی پروژه‌های عملی برای شما ساده‌تر و ملموس‌تر باشد.

🔗 ‏ برای دسترسی به آموزش‌ها و کدهای منبع به مخزن گیت‌هاب MorvanZhou مراجعه کنید.

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

#آموزش #TensorFlow

🤖 ‏ سطوح استدلالی جدید در مدل GPT-5.6 Sol

⚡ ‏ وایبهاو شریواستاو از مدیران ارشد OpenAI، جزئیات جدیدی از سیستم درجه‌بندی توانمندی‌های استدلالی (Reasoning) در مدل GPT-5.6 Sol منتشر کرده است. برخلاف نسخه‌های قبلی، ساختار این مدل تغییر کرده و توصیه می‌شود کاربران برای تطبیق بهتر، کار را از یک سطح پایین‌تر از عادت‌های قبلی خود آغاز کنند.

🟠 ‏ سطوح Light و Low برای پردازش سریع وظایف ساده طراحی شده‌اند، در حالی که سطح Medium گزینه‌ای بهینه برای تحلیل داده‌ها و برنامه‌ریزی است. سطوح High و xhigh نیز برای حل مسائل چندمرحله‌ای پیچیده یا عملیات وریفیکیشن (تایید صحت خروجی) در نظر گرفته شده‌اند.

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

🚀 ‏ کاهش ۹۰ درصدی هزینه استنتاج LLM با LMCache

‏اگر ابزارهای هوش مصنوعی شما به طور مداوم کانتکست (محتوای ورودی مدل) تکراری ارسال می‌کنند، سیستم متن‌باز LMCache راهکار مناسبی است. این سیستم با مدیریت هوشمند KV Cache (حافظه میانی کلید-مقدار)، به شما اجازه می‌دهد به جای محاسبه مجدد برای هر درخواست، از محاسبات قبلی بهره ببرید.

⚡ ‏️ استفاده از این ابزار سرعت تولید اولین توکن (TTFT) را تا ۱۴ برابر و رمزگشایی (Decoding) را تا ۴ برابر سریع‌تر می‌کند. این بهینه‌سازی باعث صرفه‌جویی چشمگیر در هزینه‌های استنتاج و مصرف منابع GPU می‌شود.

🔗 ‏ کد پروژه در گیت‌هاب LMCache قابل دسترسی است.

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

#ابزار #LLM

🤖 ‏ تحول مدل‌های زبانی محلی

🔬 ‏ پژوهش جدید دانشگاه استنفورد نشان می‌دهد که ۷۱.۳ درصد از درخواست‌های ChatGPT توسط مدل‌های زبانی محلی (Local LLM) قابل پاسخ‌دهی است. این تحقیق با بررسی بیش از یک میلیون پرسش روی ۲۰ مدل مختلف، ثابت کرد که در صورت انتخاب هوشمندانه، مدل‌های لوکال تا ۸۸.۷ درصد دقت دارند.

⚡️ ‏ سرعت پیشرفت این مدل‌ها خیره‌کننده است؛ سهم توانایی آن‌ها در پاسخ‌گویی از ۲۳.۲ درصد در سال ۲۰۲۳ به وضعیت فعلی رسیده است. همچنین، بهره‌وری انرژی این مدل‌ها نسبت به مدل‌های ابری ۵.۳ برابر بهبود یافته است.


🔗 Reza Jafari (@rzdjafari)

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

#پژوهش #LLaMA

🌐 ‏ رقابت داغ هوش مصنوعی میان چین و آمریکا

⚡ ‏ گزارش جدید Apollo نشان می‌دهد که رقابت در حوزه هوش مصنوعی به شدت در حال تغییر است. در حال حاضر ۲۰ مدل از ۵۰ مدل پرکاربرد جهان متعلق به چین است که نسبت به سال ۲۰۲۵ رشدی ۴۰۰ درصدی را تجربه کرده، در حالی که سهم مدل‌های آمریکایی از ۳۳ به ۲۸ مدل کاهش یافته است.

📊 ‏ آمارهای استفاده از مدل‌ها نیز بسیار جالب توجه است. در ماه ژوئن، میزان استفاده از مدل‌های چینی به ۹۸ تریلیون توکن رسید که رشدی ۱۱۳ درصدی را به صورت ماهانه نشان می‌دهد.

🧠 ‏ در مقابل، مدل‌های آمریکایی با رشدی ۴۳ درصدی به ۵۳ تریلیون توکن دست یافتند. این ارقام نشان می‌دهد که حجم مصرف توکن مدل‌های چینی اکنون ۸۵ درصد بیشتر از مدل‌های آمریکایی است که تغییری چشمگیر نسبت به ماه می محسوب می‌شود.

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

#گزارش #LLaMA