🤖 معرفی مدل LFM2.5-8B-A1B از Liquid AI
شرکت Liquid AI از مدل زبانی جدیدی به نام LFM2.5-8B-A1B رونمایی کرده است. این مدل که بر پایه معماری Mixture-of-Experts (MoE) ساخته شده، دارای ۸ میلیارد پارامتر کلی و ۱ میلیارد پارامتر فعال است و بهطور خاص برای اجرا روی دستگاههای مصرفی مانند لپتاپها و گوشیهای هوشمند طراحی شده است. این مدل، نسل جدیدی از سری LFM2 محسوب میشود که پنجره زمینه (context window) آن از ۳۲ هزار به ۱۲۸ هزار توکن افزایش یافته و حجم دادههای پیشآموزش آن نیز از ۱۲ تریلیون به ۳۸ تریلیون توکن رسیده است.
🔗 liquid.ai
#محصول #LiquidAI
شرکت Liquid AI از مدل زبانی جدیدی به نام LFM2.5-8B-A1B رونمایی کرده است. این مدل که بر پایه معماری Mixture-of-Experts (MoE) ساخته شده، دارای ۸ میلیارد پارامتر کلی و ۱ میلیارد پارامتر فعال است و بهطور خاص برای اجرا روی دستگاههای مصرفی مانند لپتاپها و گوشیهای هوشمند طراحی شده است. این مدل، نسل جدیدی از سری LFM2 محسوب میشود که پنجره زمینه (context window) آن از ۳۲ هزار به ۱۲۸ هزار توکن افزایش یافته و حجم دادههای پیشآموزش آن نیز از ۱۲ تریلیون به ۳۸ تریلیون توکن رسیده است.
🔗 liquid.ai
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#محصول #LiquidAI
🤖 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.
#ابزار #TimeCopilot
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.
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
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 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.
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
❤2
This media is not supported in your browser
VIEW IN TELEGRAM
🧠 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
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
❤2
🤖 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!
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
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 معرفی Sakana Marlin: عامل تحقیقاتی خودکار با تمرکز بر عمق
شرکت Sakana AI محصول جدیدی به نام Sakana Marlin را معرفی کرده است که به عنوان یک "مدیر ارشد تحقیقاتی مجازی" (Virtual CSO) عمل میکند. این ابزار برخلاف بسیاری از ابزارهای تحقیقاتی که بر سرعت پاسخدهی در چند دقیقه تمرکز دارند، با هدف عمیق شدن در تحقیقات طراحی شده است. Marlin قادر است تا حدود ۸ ساعت به صورت خودکار یک وظیفه تحقیقاتی را پیش ببرد و در نهایت گزارش مفصل و اسلایدهای ارائهای را بدون دخالت انسان تولید کند.
شرکت Sakana AI محصول جدیدی به نام Sakana Marlin را معرفی کرده است که به عنوان یک "مدیر ارشد تحقیقاتی مجازی" (Virtual CSO) عمل میکند. این ابزار برخلاف بسیاری از ابزارهای تحقیقاتی که بر سرعت پاسخدهی در چند دقیقه تمرکز دارند، با هدف عمیق شدن در تحقیقات طراحی شده است. Marlin قادر است تا حدود ۸ ساعت به صورت خودکار یک وظیفه تحقیقاتی را پیش ببرد و در نهایت گزارش مفصل و اسلایدهای ارائهای را بدون دخالت انسان تولید کند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
❤1
Media is too big
VIEW IN TELEGRAM
🖥️ AMD و کامپیوترهای شخصی برای اجرای مدلهای بزرگ هوش مصنوعی
شرکت AMD از یک کامپیوتر رومیزی (مینیپیسی) با قیمت ۱۵۰۰ دلار رونمایی کرده که قادر به اجرای مدلهای هوش مصنوعی با ۲۳۵ میلیارد پارامتر است. لیزا سو، مدیرعامل AMD، در مراسمی این دستگاه را به نمایش گذاشت و مدل Qwen3-235B را مستقیماً روی آن اجرا کرد. راز این توانایی در پردازنده Ryzen AI Max+ 395 نهفته است که حافظه مشترک ۱۲۸ گیگابایتی را بین CPU و GPU تقسیم میکند. این میزان حافظه بهطور قابل توجهی بیشتر از کارتهای گرافیک قدرتمندی مانند RTX 5090 (با ۳۲ گیگابایت) و RTX 4090 (با ۲۴ گیگابایت) است.
این دستگاه با سرعتی حدود ۱۱ توکن در ثانیه، امکان اجرای مدلهای سنگین هوش مصنوعی را مستقیماً از روی میز کار فراهم میکند، بدون نیاز به اشتراک سرویسهای ابری و نگرانی از نشت دادهها. این پیشرفت نشاندهنده گام مهمی در جهت دموکراتیزه کردن دسترسی به سختافزار قدرتمند برای هوش مصنوعی محلی است.
#amd #هوش_مصنوعی_محلی
#ابزار #DataScience
شرکت AMD از یک کامپیوتر رومیزی (مینیپیسی) با قیمت ۱۵۰۰ دلار رونمایی کرده که قادر به اجرای مدلهای هوش مصنوعی با ۲۳۵ میلیارد پارامتر است. لیزا سو، مدیرعامل AMD، در مراسمی این دستگاه را به نمایش گذاشت و مدل Qwen3-235B را مستقیماً روی آن اجرا کرد. راز این توانایی در پردازنده Ryzen AI Max+ 395 نهفته است که حافظه مشترک ۱۲۸ گیگابایتی را بین CPU و GPU تقسیم میکند. این میزان حافظه بهطور قابل توجهی بیشتر از کارتهای گرافیک قدرتمندی مانند RTX 5090 (با ۳۲ گیگابایت) و RTX 4090 (با ۲۴ گیگابایت) است.
این دستگاه با سرعتی حدود ۱۱ توکن در ثانیه، امکان اجرای مدلهای سنگین هوش مصنوعی را مستقیماً از روی میز کار فراهم میکند، بدون نیاز به اشتراک سرویسهای ابری و نگرانی از نشت دادهها. این پیشرفت نشاندهنده گام مهمی در جهت دموکراتیزه کردن دسترسی به سختافزار قدرتمند برای هوش مصنوعی محلی است.
#amd #هوش_مصنوعی_محلی
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ابزار #DataScience
🧠 گزارش هوشمند DataPlusScience
━━━━━━━━━━━━━━━━━━━━
🗂 شماره: #48 | بازه: ۲۴ ساعت گذشته / گزارش روزانه
📦 پستهای بررسیشده: 7
🕐 از: دوشنبه 1405/03/25 ساعت 14:34
🕛 تا: سهشنبه 1405/03/26 ساعت 14:34
━━━━━━━━━━━━━━━━━━━━
🤖 ابزارها و عوامل هوش مصنوعی
⚡ سختافزار و زیرساخت هوش مصنوعی
🔬 پژوهش و عملکرد مدلها
━━━━━━━━━━━━━━━━━━━━
🗂 شماره: #48 | بازه: ۲۴ ساعت گذشته / گزارش روزانه
📦 پستهای بررسیشده: 7
🕐 از: دوشنبه 1405/03/25 ساعت 14:34
🕛 تا: سهشنبه 1405/03/26 ساعت 14:34
━━━━━━━━━━━━━━━━━━━━
🤖 ابزارها و عوامل هوش مصنوعی
TimeCopilot: یک عامل متنباز برای پیشبینی سریهای زمانی با استفاده از هوش مصنوعی مولد (GenAI). این ابزار قدرت مدلهای زبانی بزرگ (LLMs) را با مدلهای پایه پیشرفته سری زمانی ترکیب میکند تا فرآیندهای پیچیده پیشبینی را خودکار و قابل توضیح سازد.
🔗 مشاهده پست
Fusion از OpenRouter: پلتفرمی جدید که در آن چندین مدل هوش مصنوعی به یک پرامپت (prompt) یا دستور ورودی پاسخ میدهند. این سیستم، درخواست را همزمان به مدلهای مختلف ارسال میکند و سپس یک judge (داور) پاسخها را مقایسه کرده و یک synthesizer (ترکیبکننده) نسخه نهایی و منسجم را گردآوری میکند.
🔗 مشاهده پست
SurfSense: پروژهای متنباز که جایگزینی برای NotebookLM (ابزار تحقیقاتی هوش مصنوعی گوگل) است و کنترل کامل دادهها را با تمرکز بر حریم خصوصی در اختیار کاربر قرار میدهد. این عامل تحقیقاتی به بیش از ۲۵ منبع داده متصل شده و امکان انتخاب از میان بیش از ۱۰۰ مدل زبانی را فراهم میکند.
🔗 مشاهده پست
Memanto: ابزاری متنباز برای فراهم آوردن حافظه نامحدود و رایگان برای مدلهای زبانی بزرگ. این ابزار بدون نیاز به پایگاه دادههای وکتوری (vector databases) یا تنظیمات پیچیده، قادر به فشردهسازی، سازماندهی و بازیابی سریع زمینه (context) مکالمات و دادههای کاری است.
🔗 مشاهده پست
Sakana Marlin: عامل تحقیقاتی خودکار جدیدی که توسط Sakana AI معرفی شده است. این ابزار به عنوان یک "مدیر ارشد تحقیقاتی مجازی" (Virtual CSO) عمل کرده و برخلاف ابزارهای متمرکز بر سرعت، برای عمیق شدن در تحقیقات طراحی شده و میتواند تا ۸ ساعت به صورت خودکار یک وظیفه تحقیقاتی را پیش ببرد و گزارشهای مفصل تولید کند.
🔗 مشاهده پست
⚡ سختافزار و زیرساخت هوش مصنوعی
AMD و اجرای مدلهای بزرگ هوش مصنوعی روی کامپیوتر شخصی: شرکت AMD یک کامپیوتر رومیزی (مینیپیسی) با قیمت ۱۵۰۰ دلار معرفی کرده که قادر است مدلهای هوش مصنوعی با ۲۳۵ میلیارد پارامتر را اجرا کند. این دستگاه از پردازنده Ryzen AI Max+ 395 با ۱۲۸ گیگابایت حافظه مشترک (shared memory) بین CPU و GPU بهره میبرد که امکان اجرای مدلهای سنگین هوش مصنوعی را مستقیماً از روی میز کار فراهم میکند.
🔗 مشاهده پست
🔬 پژوهش و عملکرد مدلها
معمای عملکرد Fable 5 در ProgramBench: تیم Vals.ai مدل Fable 5 را روی بنچمارک ProgramBench (ابزاری برای ارزیابی مدلهای هوش مصنوعی در برنامهنویسی) آزمایش کرد و به نتایج عجیبی دست یافت. با وجود اینکه Fable 5 در اغلب وظایف به دلایل امنیتی به مدل دیگری تغییر مسیر میداد، امتیاز نهایی آن تقریباً دو برابر مدل جایگزین بود و توکن بیشتر و زمان بیشتری نیز مصرف کرده بود.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 پیشرفت مدلهای کوچک با VibeThinker‑3B
بهتازگی مدل ۳ میلیارد پارامتری VibeThinker-3B توانسته در وظایف استدلال قابلراستیآزمایی به نتایج بسیار رقابتی برسد: امتیاز ۹۴.۳٪ در آزمون AIME26، امتیاز ۸۰.۲٪ Pass@1 در LiveCodeBench v6 و عملکرد ۹۶.۱٪ در LeetCode.
بهنظر میرسد بخش اصلی این پیشرفت از پسآموزش روی پایه Qwen2.5-Coder بهدست آمده باشد؛ فرایندی که ابتدا با آموزش نظارتشده مرحلهای (Curriculum SFT) روی مسائل با سطوح دشواری مختلف آغاز شده، سپس با یادگیری تقویتی در حوزههایی مانند ریاضیات و برنامهنویسی ادامه یافته است. در ادامه، مدل از خروجیهای استدلالی خود برای تولید دادههای آموزشی جدید (Offline Self-Distillation) استفاده کرده و در نهایت با یک مرحله RL مبتنی بر دستورالعملها، رفتار آن برای پاسخگویی بهتر به درخواستهای کاربران تنظیم شده است.
بهتازگی مدل ۳ میلیارد پارامتری VibeThinker-3B توانسته در وظایف استدلال قابلراستیآزمایی به نتایج بسیار رقابتی برسد: امتیاز ۹۴.۳٪ در آزمون AIME26، امتیاز ۸۰.۲٪ Pass@1 در LiveCodeBench v6 و عملکرد ۹۶.۱٪ در LeetCode.
بهنظر میرسد بخش اصلی این پیشرفت از پسآموزش روی پایه Qwen2.5-Coder بهدست آمده باشد؛ فرایندی که ابتدا با آموزش نظارتشده مرحلهای (Curriculum SFT) روی مسائل با سطوح دشواری مختلف آغاز شده، سپس با یادگیری تقویتی در حوزههایی مانند ریاضیات و برنامهنویسی ادامه یافته است. در ادامه، مدل از خروجیهای استدلالی خود برای تولید دادههای آموزشی جدید (Offline Self-Distillation) استفاده کرده و در نهایت با یک مرحله RL مبتنی بر دستورالعملها، رفتار آن برای پاسخگویی بهتر به درخواستهای کاربران تنظیم شده است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 افزایش بهرهوری هوش مصنوعی با عمق استفاده
تحقیقات جدید OpenAI نشان میدهد که افزایش بهرهوری از هوش مصنوعی خطی نیست، بلکه با عمق استفاده از آن تسریع میشود. کارکنانی که از قابلیتهای پیشرفته ChatGPT مانند GPT-5 Thinking، Deep Research و Image Generation استفاده میکنند و با مدلها و ابزارهای مختلف کار میکنند، صرفهجویی زمانی بسیار بیشتری را گزارش میدهند. این مطالعه حاکی از آن است که گروهی که بیش از ۱۰ ساعت در هفته صرفهجویی میکنند، تقریباً ۸ برابر بیشتر از کسانی که هیچ صرفهجویی ندارند، از اعتبارات هوش مصنوعی استفاده میکنند.
🔗 openai.com
#گزارش #GPT4o
تحقیقات جدید OpenAI نشان میدهد که افزایش بهرهوری از هوش مصنوعی خطی نیست، بلکه با عمق استفاده از آن تسریع میشود. کارکنانی که از قابلیتهای پیشرفته ChatGPT مانند GPT-5 Thinking، Deep Research و Image Generation استفاده میکنند و با مدلها و ابزارهای مختلف کار میکنند، صرفهجویی زمانی بسیار بیشتری را گزارش میدهند. این مطالعه حاکی از آن است که گروهی که بیش از ۱۰ ساعت در هفته صرفهجویی میکنند، تقریباً ۸ برابر بیشتر از کسانی که هیچ صرفهجویی ندارند، از اعتبارات هوش مصنوعی استفاده میکنند.
🔗 openai.com
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#گزارش #GPT4o
🚀 خرید Cursor توسط SpaceX
اخیراً SpaceX معاملهای به ارزش ۶۰ میلیارد دلار برای خرید شرکت Cursor نهایی کرده است. این تراکنش پس از آنکه در آوریل گزینه خرید را به دست آورد، به سرعت به تکمیل رسید؛ در غیر این صورت، شرکت میتوانست ۱۰ میلیارد دلار پرداخت کند تا پروژه مشترک ادامه یابد. پس از امضای توافق نهایی، Cursor بهعنوان یک ساختار تابع به SpaceX پیوست و بهسرعت نسخه بهروزرسانی شد، مدل جدیدی ارائه داد و SDK مخصوص خود را عرضه کرد. این بزرگترین خرید SpaceX تا بهحال محسوب میشود و به ایلان ماسک امکان رقابت مستقیم با ابزارهای کدنویسی هوش مصنوعی مانند Claude Code و Codex را میدهد.
#خبر #Cursor
اخیراً SpaceX معاملهای به ارزش ۶۰ میلیارد دلار برای خرید شرکت Cursor نهایی کرده است. این تراکنش پس از آنکه در آوریل گزینه خرید را به دست آورد، به سرعت به تکمیل رسید؛ در غیر این صورت، شرکت میتوانست ۱۰ میلیارد دلار پرداخت کند تا پروژه مشترک ادامه یابد. پس از امضای توافق نهایی، Cursor بهعنوان یک ساختار تابع به SpaceX پیوست و بهسرعت نسخه بهروزرسانی شد، مدل جدیدی ارائه داد و SDK مخصوص خود را عرضه کرد. این بزرگترین خرید SpaceX تا بهحال محسوب میشود و به ایلان ماسک امکان رقابت مستقیم با ابزارهای کدنویسی هوش مصنوعی مانند Claude Code و Codex را میدهد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #Cursor
🤖 معرفی Serge: بازبین کد هوش مصنوعی Hugging Face
Hugging Face ابزار متنباز Serge را معرفی کرده است، یک بازبین کد مبتنی بر هوش مصنوعی برای GitHub. این ابزار با فراخوانی در کامنتهای Pull Request (PR) فعال میشود و بهطور خودکار تغییرات کد (diff) را بررسی میکند، باگها و نقاط بحثبرانگیز را شناسایی کرده و مستقیماً در PR نظرات خود را ثبت میکند.
از مزایای Serge میتوان به امکان تعریف قوانین بازبینی در مخزن، تعیین تمرکز عامل بر نکات خاص، و نادیدهگرفتن بخشهای مشخص اشاره کرد. توسعهدهندگان Hugging Face از Serge برای بازبینی پروژههای داخلی مانند diffusers و transformers استفاده میکنند.
#ابزار #HuggingFace
Hugging Face ابزار متنباز Serge را معرفی کرده است، یک بازبین کد مبتنی بر هوش مصنوعی برای GitHub. این ابزار با فراخوانی در کامنتهای Pull Request (PR) فعال میشود و بهطور خودکار تغییرات کد (diff) را بررسی میکند، باگها و نقاط بحثبرانگیز را شناسایی کرده و مستقیماً در PR نظرات خود را ثبت میکند.
از مزایای Serge میتوان به امکان تعریف قوانین بازبینی در مخزن، تعیین تمرکز عامل بر نکات خاص، و نادیدهگرفتن بخشهای مشخص اشاره کرد. توسعهدهندگان Hugging Face از Serge برای بازبینی پروژههای داخلی مانند diffusers و transformers استفاده میکنند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ابزار #HuggingFace
❤1
🤖 انتشار GLM‑5.2 با یک میلیون توکن!
GLM‑5.2 (نسخههای max و high) که بهصورت وزنهای باز در Hugging Face منتشر شده، در بنچمارکهای کدنویسی و وظایف عاملیت جهشی قابلتوجه نشان داد. با گسترش حداکثر طول متن به یک میلیون توکن، این مدل قادر است سناریوهای چندمرحلهای طولانی را بهخوبی دنبال کند. حالت max بیشترین کیفیت را هدف میگیرد، در حالی که high تعادل بین دقت و صرفهجویی در توکنها را فراهم میآورد. قیمتهای API بدون تغییر از نسخه 5.1 ادامه دارد و برای توسعهدهندگان API، چتبات و برنامههای کدنویسی در دسترس است.
#خبر #DataScience
GLM‑5.2 (نسخههای max و high) که بهصورت وزنهای باز در Hugging Face منتشر شده، در بنچمارکهای کدنویسی و وظایف عاملیت جهشی قابلتوجه نشان داد. با گسترش حداکثر طول متن به یک میلیون توکن، این مدل قادر است سناریوهای چندمرحلهای طولانی را بهخوبی دنبال کند. حالت max بیشترین کیفیت را هدف میگیرد، در حالی که high تعادل بین دقت و صرفهجویی در توکنها را فراهم میآورد. قیمتهای API بدون تغییر از نسخه 5.1 ادامه دارد و برای توسعهدهندگان API، چتبات و برنامههای کدنویسی در دسترس است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#خبر #DataScience