‏🧠 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

‏🎬 Topview Canvas: تحول در ساخت ویدئو با هوش مصنوعی

‏پلتفرم Topview Canvas با هدف پایان دادن به روال کاری پراکنده و نیاز به جابه‌جایی مداوم بین چندین ابزار هوش مصنوعی، یک بوم (canvas) همکاری محور جدید برای ساخت ویدئو معرفی کرده است. این ابزار به تیم‌ها امکان می‌دهد تا تمام مراحل ایده‌پردازی، ویرایش پرامپت‌ها، اصلاح پیش‌نویس‌ها و تولید ویدئوی نهایی را در یک محیط یکپارچه انجام دهند.

‏برخلاف بسیاری از ابزارهای ویدئوساز هوش مصنوعی که با یک پرامپت متنی آغاز می‌شوند، Topview Canvas رویکرد «استوری‌بورد محور» (storyboard-first) را در یک بوم بی‌نهایت ارائه می‌دهد. این پلتفرم از قابلیت مسیریابی چندمدلی (multi-model routing) بهره می‌برد و از مدل‌هایی مانند Seedance 2.0، Kling 2.6 و Nano Banana Pro پشتیبانی می‌کند تا انعطاف‌پذیری بالایی در تولید محتوا فراهم آورد.

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

‏💡 ساخت RAG در مقیاس تولید

‏برای ساخت سیستم‌های RAG (Retrieval Augmented Generation) در مقیاس تولیدی، رویکرد ساده کافی نیست و در مواجهه با داده‌ها و کاربران واقعی دچار مشکل می‌شود. RAG سیستمی مهندسی و پیچیده است که چهار لایه حیاتی را می‌طلبد.

‏این لایه‌ها شامل: بازیابی پیشرفته که فراتر از جستجوی وکتور است و از Graph DB برای روابط و SQL برای داده‌های ساختاریافته بهره می‌برد. مسیریابی هوشمند کوئری برای تعیین نوع و منبع کوئری، که ۸۰٪ پاسخ‌های نادرست را حذف می‌کند. نمایه‌سازی پیشرفته با روش‌هایی مانند RAPTOR و ColBERT که از chunking ساده فراتر می‌رود. و در نهایت، حلقه ارزیابی مداوم (با ابزارهایی مثل Ragas و DeepEval) برای شناسایی و رفع خطاهای پنهان (hallucinations) ضروری است.

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

‏🔍 جستجوی عمیق در داده‌های خصوصی با LLMها

‏ابزار Deep Searcher به شما امکان می‌دهد تا با استفاده از مدل‌های زبانی بزرگ (LLM)، جستجوهای عمیقی بر روی داده‌های خصوصی خود انجام دهید. این ابزار با خودکارسازی فرآیند تحقیق، به کاربران کمک می‌کند تا اطلاعات مورد نیاز خود را به سرعت و دقت از میان حجم عظیمی از داده‌ها استخراج کنند.

‏🔗 deep-searcher در GitHub

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

#ابزار #RAG

🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #47
⏰ از شنبه 1405/03/23 ساعت 14:00
تا یکشنبه 1405/03/24 ساعت 14:00
━━━━━━━━━━━━━━━

🤖 مدل‌های زبانی بزرگ و حافظه

معرفی Hy-Memory تنسنت: حافظه بلندمدت برای عامل‌های هوش مصنوعی؛ 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.
🔗 مشاهده پست

🚀 مهندسی و بهره‌وری در هوش مصنوعی

مهندسی حلقه (Loop Engineering) در هوش مصنوعی؛ آندری کارپاتی 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.
🔗 مشاهده پست

🎓 آموزش و منابع یادگیری ماشین

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.
🔗 مشاهده پست

📊 ابزارها و تکنیک‌های علم داده

نقشه راه کامل دیتاساینس؛ این پست 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 مطرح می‌شود.
🔗 مشاهده پست

ساخت RAG در مقیاس تولید؛ برای ساخت سیستم‌های RAG (Retrieval Augmented Generation) در مقیاس تولیدی، رویکرد ساده کافی نیست و در مواجهه با داده‌ها و کاربران واقعی دچار مشکل می‌شود. RAG سیستمی مهندسی و پیچیده است که چهار لایه حیاتی را می‌طلبد. این لایه‌ها شامل: بازیابی پیشرفته که فراتر از جستجوی وکتور است و از Graph DB برای روابط و SQL برای داده‌های ساختاریافته بهره می‌برد. مسیریابی هوشمند کوئری برای تعیین نوع و منبع کوئری، که ۸۰٪ پاسخ‌های نادرست را کاهش می‌دهد.
🔗 مشاهده پست

جستجوی عمیق در داده‌های خصوصی با LLMها؛ ابزار Deep Searcher به شما امکان می‌دهد تا با استفاده از مدل‌های زبانی بزرگ (LLM)، جستجوهای عمیقی بر روی داده‌های خصوصی خود انجام دهید. این ابزار با خودکارسازی فرآیند تحقیق، به کاربران کمک می‌کند تا اطلاعات مورد نیاز خود را به سرعت و دقت از میان حجم عظیمی از داده‌ها استخراج کنند.
🔗 مشاهده پست

⚡ فناوری‌های نوین و کاربردها

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.
🔗 مشاهده پست

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

‏📈 اهمیت فزاینده مهارت‌های اجتماعی در بازار کار

‏تحقیقات جدید نشان می‌دهد که مهارت‌های اجتماعی و بین فردی، مانند کار تیمی، حل مسئله، ارتباط مؤثر و تفکر خلاق، به طور فزاینده‌ای برای چشم‌انداز شغلی و درآمد افراد اهمیت پیدا می‌کنند. با پیشرفت هوش مصنوعی و اتوماسیون وظایف روتین، مشاغلی که به تعاملات انسانی قوی متکی هستند، نتایج بهتری را در بازار کار کسب می‌کنند.

‏روند کنونی بازار کار حاکی از آن است که افرادی که ترکیبی غنی از مهارت‌ها را دارند، پاداش اقتصادی بیشتری دریافت می‌کنند. نمودارهای منتشر شده، افزایش همزمان اشتغال و دستمزد را برای افرادی با سطوح بالای مهارت‌های اجتماعی و ریاضی نشان می‌دهند، در حالی که سایر گروه‌ها روند کندتری را تجربه کرده‌اند. این یافته‌ها بر لزوم توسعه و تقویت مهارت‌های نرم در کنار مهارت‌های فنی تأکید دارند.

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

#مقاله #AgentAI

‏🤖 TimeCopilot: عامل پیش‌بینی سری زمانی با هوش مصنوعی مولد

‏TimeCopilot یک عامل متن‌باز برای پیش‌بینی سری‌های زمانی با استفاده از هوش مصنوعی مولد (GenAI) است. این ابزار قدرت مدل‌های زبانی بزرگ (LLMs) را با مدل‌های پایه پیشرفته سری زمانی (مانند Amazon Chronos، Salesforce Moirai، Google TimesFM، Nixtla TimeGPT و ...) ترکیب می‌کند. هدف TimeCopilot خودکارسازی و توضیح فرآیندهای پیچیده پیش‌بینی است تا تحلیل سری زمانی را دسترس‌پذیرتر کند و در عین حال دقت حرفه‌ای را حفظ نماید.

‏این پلتفرم یک لایه پیش‌بینی یکپارچه ارائه می‌دهد که بیش از ۳۰ مدل پایه سری زمانی را با استدلال LLM برای انتخاب و توضیح خودکار مدل ترکیب می‌کند. توسعه‌دهندگان این پروژه در حال حاضر بر روی بهبود قابلیت‌های آن و گسترش جامعه کاربری از طریق سرور دیسکورد خود تمرکز دارند.

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

#ابزار #TimeCopilot

‏🤖 معرفی Fusion از OpenRouter
‏پلتفرم OpenRouter سیستمی جدید به نام Fusion راه‌اندازی کرده است که در آن چندین مدل هوش مصنوعی به یک درخواست پاسخ می‌دهند. این سیستم پرامپت (prompt) را همزمان به مدل‌های مختلف ارسال می‌کند. هر مدل با استفاده از ابزارهایی مانند جستجوی وب و Bash، به حل مسئله می‌پردازد. سپس یک judge (داور) پاسخ‌ها را مقایسه کرده و یک synthesizer (ترکیب‌کننده) نسخه نهایی و منسجم را گردآوری می‌کند. این رویکرد به جای انتخاب بهترین مدل، یک طرح تفکر جمعی سرور-محور را ارائه می‌دهد که در آن مدل‌ها به صورت موازی کار کرده، ابزارها به بررسی حقایق کمک می‌کنند و پاسخ‌های ضعیف فیلتر می‌شوند. OpenRouter ادعا می‌کند که Fusion در بنچمارک تحقیقاتی عمیق DRACO عملکردی بهتر از مدل‌های پیشرفته (frontier models) دارد.

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

‏🤖 SurfSense: جایگزین متن‌باز NotebookLM با تمرکز بر حریم خصوصی

‏SurfSense پروژه‌ای جدید و متن‌باز است که به عنوان جایگزینی برای NotebookLM معرفی شده و کنترل کامل داده‌ها را در اختیار کاربر قرار می‌دهد. این ابزار یک عامل تحقیقاتی با تمرکز بر حریم خصوصی است که قابلیت‌های مشابه NotebookLM را ارائه می‌دهد، اما با مزایای قابل توجهی همراه است.

‏از جمله برتری‌های SurfSense نسبت به NotebookLM می‌توان به اتصال به بیش از ۲۵ منبع داده مختلف مانند Google Drive، Notion، Slack، YouTube و همچنین یک افزونه مرورگر برای ذخیره هر صفحه‌ای اشاره کرد. این ابزار به کاربران اجازه می‌دهد مدل زبانی مورد نظر خود را از میان بیش از ۱۰۰ مدل از طریق LiteLLM انتخاب کنند یا مدل‌ها را به صورت کاملاً محلی با استفاده از Ollama و vLLM اجرا نمایند.

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

‏🧠 Memanto: حافظه نامحدود و رایگان برای مدل‌های هوش مصنوعی

‏ابزار جدید و متن‌باز Memanto، با الهام از قابلیت‌های مدل‌های پیشرفته‌ای چون Claude و Cursor، امکان ذخیره و بازیابی نامحدود حافظه را برای مدل‌های زبانی بزرگ فراهم می‌کند. این ابزار که در حال حاضر بیش از ۵۰۰۰ ستاره در گیت‌هاب دریافت کرده، بدون نیاز به پایگاه داده‌های وکتوری یا تنظیمات پیچیده، قادر است زمینه مکالمات و داده‌های کاری شما را فشرده، سازماندهی و در کمتر از ۹۰ میلی‌ثانیه بازیابی کند.

‏Memanto با مدل‌هایی مانند Claude Code، Codex، Cursor، LangGraph و CrewAI سازگار است و فرآیند یادآوری اطلاعات را برای عامل‌های هوش مصنوعی بسیار ساده می‌سازد. با یک دستور ساده pip install memanto می‌توانید این قابلیت را به پروژه‌های خود اضافه کرده و به عامل هوش مصنوعی خود کمک کنید تا همه‌چیز را به خاطر بسپارد.

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

‏🤖 نتایج عجیب Fable 5 در بنچمارک ProgramBench

‏تیم Vals.ai پیش از غیرفعال شدن Fable 5، آن را روی ProgramBench (یک بنچمارک برای ارزیابی توانایی‌های برنامه‌نویسی مدل‌های زبانی) آزمایش کرد و نتایج شگفت‌انگیزی به دست آورد. با وجود اینکه در ۱۹۹ از ۲۰۰ وظیفه، سیستم بلافاصله مدل را به Opus 4.8 (به دلایل امنیتی) تغییر داده بود، امتیاز نهایی Fable 5 تقریباً دو برابر Opus شد. همچنین، Fable 5 دو برابر توکن بیشتر مصرف کرده و زمان بیشتری نیز صرف کرده بود!

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