علم داده (Data Science)

29 October 2026 07:38

‏🧬 ورود آنتروپیک به حوزه طراحی دارو با مدل Claude

‏شرکت Anthropic با خرید استارتاپ بیوتکنولوژی Mithril Medicine و توسعه استفاده از مدل Claude در صنعت داروسازی، فعالیت‌های خود را در این حوزه گسترش داده است.

‏در یک نمونه عملی، استارتاپ Mithril با بهره‌گیری از مدل Claude برای مدیریت قراردادها، لجستیک و طراحی آزمایش‌ها، توانست در کمتر از ۱۸ ماه یک روش درمانی برای نوعی دیستروفی عضلانی را از مرحله ایده به نتایج اولیه در مدل‌های موشی برساند. در حال حاضر Anthropic بر همین اساس تحقیقات پیش‌بالینی اختصاصی خود را در زمینه بیماری‌های نادر عضلانی دنبال می‌کند.

‏این شرکت اکنون با شش سازمان تخصصی از جمله Bristol Myers Squibb و Generate Biomedicines همکاری می‌کند. Claude در این پروژه‌ها وظایف متعددی را بر عهده دارد:

‏* طراحی ساختار آنتی‌بادی‌ها و بهینه‌سازی پایداری حرارتی آن‌ها
‏* برنامه‌ریزی کارآزمایی‌های بالینی
‏* تدوین اسناد نظارتی و قانونی

‏در همکاری با Divergence Labs، مدل Claude موفق شد ۳۵ هزار طرح آنتی‌بادی را در مدت یک ماه تولید کند؛ فرآیندی که به‌صورت سنتی به حدود نه ماه زمان نیاز داشت.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

29 October 2026 07:19

‏🚀 افزایش سرعت کارت‌های گرافیک انویدیا در پردازش‌های هوش مصنوعی

‏ابزار جدیدی به نام gpu-unlock امکان بهبود عملکرد Tensor Cores را در کارت‌های گرافیک سری GeForce بدون نیاز به تعویض سخت‌افزار فراهم کرده است. این ابزار محدودیت‌های عملیاتی در محاسبات FP16، BF16 و TF32 را حذف می‌کند.

‏این تغییر در هنگام بوت لینوکس و پیش از بارگذاری درایور اصلی NVIDIA اعمال می‌شود و نیازی به تغییر VBIOS یا نصب درایورهای دست‌کاری شده ندارد. طبق داده‌های منتشر شده در مخزن پروژه، عملکرد در بخش‌های مختلف بدین صورت است:

‏* پردازش پرامپت LLM: بین ۲۵ تا ۵۵ درصد افزایش سرعت.
‏* بازآموزی (Fine-tuning) مدل‌ها: ۲۵ تا ۵۰ درصد افزایش سرعت.
‏* تولید تصویر: ۳۰ تا ۵۵ درصد افزایش سرعت.

‏این ابزار روی کارت‌های سری RTX 30 به پایداری رسیده و برای سری RTX 20 و RTX 40 به صورت آزمایشی در دسترس است. توجه داشته باشید که بهبود سرعت در مدل‌های کوانتایز شده (GGUF) محدود به ۰ تا ۱۵ درصد بوده و نرخ تولید توکن‌هایی که محدود به پهنای باند حافظه هستند، تغییری نمی‌کند.

🔗 توضیحات و نمونه‌کد در سایت

علم داده (Data Science)

29 October 2026 06:44

‏📊 مسیر تحول مدل‌های GPT از نسخه ۲ تا ۶

‏در هفت سال گذشته، خانواده مدل‌های GPT تغییرات ساختاری و عملکردی قابل‌توجهی را تجربه کرده‌اند. این روند تکاملی از یک مدل اولیه با پارامترهای محدود تا سیستم‌های دارای استدلال داخلی را در بر می‌گیرد:

‏* GPT-2 (2019): با ۱.۵ میلیارد پارامتر، تنها به عنوان یک مدل پیش‌بینی توکن بعدی برای تکمیل متن طراحی شد و قابلیت پاسخ به سوالات را نداشت.
‏* GPT-3 (2020): تمرکز بر افزایش مقیاس (۱۷۵ میلیارد پارامتر) برای بررسی توانایی یادگیری در متن (In-context learning).
‏* GPT-4 (2023): معرفی آموزش با استفاده از بازخورد انسانی (RLHF) برای تبدیل شدن به یک مدل پرسش و پاسخ، همراه با قابلیت‌های چندوجهی و پنجره متنی ۳۲ هزار توکنی.
‏* GPT-5 (2025): اولین نسل با قابلیت استدلال داخلی که قبل از ارائه پاسخ نهایی، توکن‌های استدلال تولید می‌کند و پنجره متنی آن به ۴۰۰ هزار توکن افزایش یافته است.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 18:15

‏🧠 معماری SLEEP گوگل برای یادگیری مداوم مدل‌های زبانی

‏گوگل معماری SLEEP را معرفی کرده است؛ یک چارچوب جدید برای آموزش مداوم مدل‌های زبانی بزرگ (LLMs) که به آن‌ها اجازه می‌دهد دانش جدید را بدون فراموش کردن اطلاعات قبلی کسب کنند. مشکل اصلی در یادگیری مداوم، «فراموشی فاجعه‌بار» است، جایی که مدل با یادگیری اطلاعات جدید، مهارت‌های قبلی خود را از دست می‌دهد.

‏SLEEP دو حالت اصلی دارد:
‏* فعال (Waking): مدل با داده‌های ورودی تعامل کرده و اطلاعات را در حافظه کوتاه‌مدت ذخیره می‌کند.
‏* خواب (Sleeping): دریافت داده‌های جدید متوقف می‌شود. مدل از بلوک‌های حافظه اضافی MoE (Mixture of Experts) استفاده کرده و دانش را به وزن‌های خود منتقل می‌کند تا از تداخل با اطلاعات تثبیت‌شده جلوگیری شود. پس از این مرحله، حافظه موقت آزاد می‌شود.

‏همچنین مرحله‌ای به نام «رویا» (Dreaming) وجود دارد که در آن، ترکیب‌های تصادفی از متخصصان (experts) نمونه‌های آموزشی تولید می‌کنند. سیستم مفیدترین نمونه‌ها را انتخاب کرده و برای آموزش بیشتر استفاده می‌کند.

🔗 ادامه مطلب در سایت

🇮🇷 سایت | تلگرام

علم داده (Data Science)

28 October 2026 13:38

‏🤖 انتشار مدل GPT-6.1 Terra توسط OpenAI

‏شرکت OpenAI مدل جدیدی با نام GPT-6.1 Terra را عرضه کرده است. این مدل در مقایسه با مدل Sol عملکرد ضعیف‌تری دارد، اما با قیمت پایین‌تر عرضه شده و برای قابلیت‌های computer use بهینه‌سازی شده است. در حال حاضر این مدل برای تمامی کاربران اشتراکی در دسترس قرار گرفته و قیمت API آن ۱ دلار برای ورودی و ۵ دلار برای خروجی به ازای هر میلیون توکن تعیین شده است.

‏بر اساس داده‌های بنچمارک‌های اخیر، عملکرد این مدل در مقایسه با سایر نسخه‌ها به شرح زیر است:

‏* در آزمون Terminal-Bench 4.0، مدل‌های Terra و Sol در بازه هزینه‌های پایین (زیر ۳ دلار) عملکرد رقابتی دارند، هرچند رتبه‌های برتر متعلق به مدل‌های گران‌تر مانند Claude Sonnet 5.5 و GPT-6 Astra است.
‏* در نرخ خطای واقعی (Factual error rate)، مدل‌های سری Terra در مقایسه با GPT-6 Astra، در بازه هزینه‌ای مشابه نرخ خطای کمتری را ثبت کرده‌اند.
‏* در آزمون Agents' Last Exam، مدل GPT-6 Astra همچنان بالاترین نمره و هزینه را در میان مدل‌های سری GPT داراست.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 12:06

‏🎬 افزودن قابلیت تدوین ویدیو به ChatGPT

‏کمپانی CapCut در رویداد اخیر خود در لس‌آنجلس اعلام کرد که طی ماه‌های آینده، یک پلاگین اختصاصی برای ChatGPT عرضه می‌کند.

‏با استفاده از این ابزار، کاربران می‌توانند ایده خود را در محیط چت توصیف کنند تا هوش مصنوعی یک پیش‌نویس اولیه از ویدیو تولید و تدوین کند. این پیش‌نویس قابلیت ویرایش در همان محیط گفتگو را دارد و برای اصلاحات نهایی و خروجی گرفتن، می‌توان آن را در ویرایشگر تحت وب CapCut باز کرد.

‏هنوز جزئیاتی درباره نیاز به اشتراک‌های پولی برای دسترسی به این پلاگین منتشر نشده است. این قابلیت در واقع تلاشی از سوی ByteDance برای یکپارچه‌سازی ابزارهای تدوین با مراحل اولیه ایده‌پردازی کاربران در چت‌بات‌هاست. با این حال، همچنان برای انجام تنظیمات دقیق و نهایی، استفاده از محیط ویرایشگر ویدیویی این شرکت ضروری باقی می‌ماند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 11:39

‏نقشه راه مهندسی هوش مصنوعی مولد ۲۰۲۶

‏برای تبدیل شدن به مهندس Generative AI، نیازی به گذراندن ده‌ها دوره آموزشی نیست. تسلط بر مفاهیم کلیدی و اجرای پروژه‌های عملی کافی است. در ادامه، این مسیر یادگیری را در ده گام اصلی بررسی می‌کنیم:

‏۱. مبانی ترنسفورمرها و LLM: یادگیری معماری، مکانیزم‌های توجه (Attention)، توکنایزرها و نحوه تولید پاسخ توسط مدل‌ها. (مشاهده دوره)

‏۲. امبدینگ‌ها و دیتابیس‌های برداری: درک مفاهیم تشابه معنایی و کار با ابزارهایی مثل FAISS و Pinecone. (منابع آموزشی)

‏۳. مهندسی پرامپت و خروجی‌های ساختاریافته: کار با Zero-shot، Few-shot و بهینه‌سازی پرامپت‌ها برای دریافت فرمت JSON.

‏۴. سیستم‌های RAG: یادگیری اینجست کردن اسناد، بازیابی ترکیبی و رنک‌بندی پاسخ‌ها. (آموزش اصلی)

‏۵. فریم‌ورک LangChain: اتصال مدل‌ها به ابزارهای جانبی و داده‌های شخصی. (لیست دوره)

‏۶. معماری Agentic و LangGraph: ساخت جریان‌های کاری هوشمند و خودمختار با مدیریت وضعیت (State Management). (منابع یادگیری)

‏۷. استقرار (Deployment) در فضای ابری: کار با زیرساخت‌هایی مثل Amazon Bedrock و Azure برای مقیاس‌پذیری و مدیریت هزینه‌ها.

‏۸. ارزیابی و امنیت: استفاده از ابزارهایی مثل RAGAS برای تشخیص توهم (Hallucination) و ایمن‌سازی در برابر حملات Prompt Injection.

‏۹. پروتکل MCP: یادگیری استانداردهای جدید برای اتصال مدل‌ها به منابع داده و ابزارهای خارجی. (مستندات اصلی)

‏۱۰. ساخت پروژه نهایی: پیاده‌سازی کاربردی با تمرکز بر لاگ‌گذاری، مانیتورینگ و رابط کاربری. برای شروع می‌توانید این پروژه‌ها را ببینید:
‏- تولیدکننده پست خودکار
‏- چت‌بات با LangGraph
‏- اپلیکیشن Multi-Agent

‏به جای دنبال کردنِ بی‌وقفه فریم‌ورک‌های جدید، روی مفاهیم پایه تمرکز کنید و با استقرارِ حداقل یک پروژه کامل، تجربه عملی به دست آورید.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 11:17

‏🤖 انتشار مدل جدید GPT-6.1 Terra برای تعامل با رابط کاربری

‏شرکت OpenAI مدل جدیدی به نام GPT-6.1 Terra را منتشر کرد که با تمرکز بر استدلال تصویری و کار با سیستم‌عامل طراحی شده است. این مدل می‌تواند رابط کاربری نرم‌افزارها را ببیند و مستقیماً در محیط کامپیوتر اقداماتی انجام دهد.

‏طبق اعلام OpenAI، این نسخه نسبت به مدل قبلی Terra سرعت بالاتری دارد، خطاهای کدنویسی در آن کاهش یافته و هزینه استفاده از API آن نیز تقریباً به نصف رسیده است.

‏این مدل در دسترس کاربران ChatGPT Work، پلتفرم Codex و همچنین از طریق API با نام gpt-6.1-terra قابل استفاده است.

‏به دلیل توانایی این مدل در انجام دستورات مستقیم در سیستم‌عامل، توصیه می‌شود برای دسترسی به حساب‌های حساس مانند ایمیل، CRM یا پنل‌های تبلیغاتی حتماً از محیط ایزوله (Sandbox)، لاگ‌گیری و تأیید نهایی برای مراحل حساس استفاده کنید.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 06:30

‏🤖 رد فرضیه ETH توسط مدل Claude

‏شرکت Anthropic اعلام کرد که مدل تحقیقاتی داخلی Claude موفق به ارائه راه‌حلی برای مسئله 3-SAT شده است که فرضیه زمان نمایی (ETH) را رد می‌کند. طبق گزارش منتشر شده در این مقاله، این مدل الگوریتمی قطعی برای حل مسئله 3-SAT با پیچیدگی زمانی 2^o(n) یافته است.

‏بر اساس جزئیات فنی:
‏* کشف الگوریتم در تاریخ ۱۶ اکتبر و با تولید ۱۴ میلیون توکن خروجی انجام شده است.
‏* در فرایند یافتن راه‌حل، هیچ‌گونه دخالت انسانی وجود نداشته و نقش محققان تنها در تدوین نهایی مقاله بوده است.
‏* علاوه بر 3-SAT، مدل موفق به حل نسخه پیچیده‌تر این مسئله یعنی محاسبه تعداد مجموعه‌های ارضاپذیر (#3-SAT) شده است.

‏کدها و مستندات این دستاورد در مخزن رسمی Anthropic قابل مشاهده است. تاریخ کشف این الگوریتم با زمان گزارش مشابه از سوی OpenAI هم‌خوانی دارد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 17:34

‏🚀 معرفی GPT-6.1 Terra: مدل جدید OpenAI

‏OpenAI مدل جدید GPT-6.1 Terra را معرفی کرده است. این مدل در بنچمارک‌ها تقریباً به پای GPT-6.1 Sol می‌رسد اما با نصف قیمت. تمرکز اصلی آن بر درک بصری (visual understanding)، استفاده از کامپیوتر (computer use) و تولید متن طبیعی‌تر بوده است.

‏در زمینه کدنویسی، GPT-6.1 Terra در بنچمارک Terminal-Bench 4.0 دو برابر مدل قبلی امتیاز کسب کرده است. این مدل همچنین در استفاده از توکن‌ها بسیار کارآمدتر شده است. در ChatGPT Work و Codex، با تعرفه‌های یکسان، با مدل جدید می‌توان کارهای بیشتری انجام داد. در آزمون Agents’ Last Exam، با سطح استدلال متوسط، نتایج ۱۵ واحد درصدی بهتر از GPT-5.6 Terra به دست آمده، در حالی که هزینه آن حدوداً یک‌سوم است. این عملکرد با GPT-6 Astra قابل مقایسه است اما با هزینه‌ای ده‌برابر کمتر به ازای هر توکن. وظایف بیش از سه برابر سریع‌تر از Astra و Sol انجام می‌شوند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 13:56

‏⚡️ قرارداد گوگل برای تأمین انرژی دیتاسنترها از طریق کاهش مصرف عمومی

‏گوگل در همکاری با شرکت Voltus، اپراتور نیروگاه‌های مجازی، قصد دارد ۱ گیگاوات ظرفیت انرژی در شبکه PJM آمریکا تأمین کند. این شبکه یکی از بزرگترین سیستم‌های انرژی در ایالات متحده است که ۶۷ میلیون نفر را تحت پوشش دارد.

‏در این طرح، به جای ساخت نیروگاه‌های جدید، مصرف‌کنندگان خانگی و کسب‌وکارها در ساعات اوج مصرف، استفاده از شبکه را کاهش می‌دهند. Voltus به این مشترکان هزینه پرداخت می‌کند و گوگل بودجه آن را تأمین می‌کند تا انرژی آزادشده را به دیتاسنترهای هوش مصنوعی خود اختصاص دهد.

‏این فرایند اغلب به صورت خودکار انجام می‌شود؛ برای نمونه، ترموستات‌های هوشمند در روزهای گرم دمای کولر را مدیریت می‌کنند یا باتری‌های خانگی جایگزین برق شبکه می‌شوند. گوگل پیش‌تر در ماه ژوئن این همکاری را با ۱۰۰ مگاوات آغاز کرده بود و اکنون هدف آن ده برابر افزایش یافته است. سیستم PJM در سال‌های اخیر با رشد بیش از ۸ برابری قیمت تأمین انرژی در ساعات اوج و صف طولانی برای اتصال نیروگاه‌های جدید مواجه بوده است.

🔗 جزئیات خبر در سایت

🇮🇷 سایت | تلگرام

علم داده (Data Science)

27 October 2026 12:58

✨ بورسیه دانش‌آموزی آکادمی همراه اول؛ فرصتی برای یادگیری فناوری‌های دیجیتال

🌀 رویداد ملی کی‌بُرد آکادمی همراه اول با هدف آموزش تخصصی مهارت‌های روز فناوری‌های دیجیتال، برای دانش‌آموزان پایه‌های هشتم تا دوازدهم برگزار می‌شود.

رشته‌های چهارمین دوره کی‌بُرد:
👾 هوش مصنوعی
🎮 بازی‌سازی
🔌 اینترنت اشیاء
🔐 امنیت سایبری

رویداد کی‌بُرد، فرصتی برای رشد:
💻 آموزش‌های آنلاین و غیرحضوری
🔧 ساخت پروژه زیر نظر منتورهای متخصص
🏆 شرکت در مسابقه ملی دانش‌آموزی کی‌بُرد
🔥 امکان شرکت در بوت‌کمپ ویژه همراه اول برای برگزیدگان رویداد کی‌بُرد

🏆 جایزه بخش مسابقه رویداد:
یـک میلیارد تومان جایزه نقدی و صدها جایزه ارزنده غیرنقدی دیگر 🎁

لینک ثبت‌نام:
https://l.kibordevents.com/tgm

💎 کد تخفیف 1 میلیون تومانی: telegram50
⭕️ مهلت استفاده: 10 آبان 1405

@Kibordevents

علم داده (Data Science)

27 October 2026 11:34

‏⚡️ افزایش ۲.۸۵ برابری سرعت Gemma با بهینه‌سازی Gemini در vLLM

‏گوگل از مدل Gemini 4 Argon برای بهینه‌سازی اینفرنس Gemma 4 E2B در فریم‌ورک vLLM روی کارت‌های NVIDIA A100 استفاده کرد. طبق اعلام گوگل، در این بنچمارک نرخ تولید توکن از حدود ۳۷,۹۰۰ به بیش از ۱۰۸,۰۰۰ توکن در ثانیه رسید.

‏تغییرات اعمال‌شده بخش‌های مختلف اجرا، از تنظیمات attention تا speculative decoding را شامل می‌شود. گوگل می‌گوید خروجی توکن‌ها در سناریوهای تست‌شده هیچ افت کیفیتی نداشته و کاملاً تطابق دارد.

‏این بهینه‌سازی روی پشته نرم‌افزاری انجام شده و هدف آن گرفتن خروجی بیشتر از همان سخت‌افزار است. البته این ارقام به یک سنجش مشخص مربوط می‌شوند و بدون مشخص بودن شرایط بار کاری، نمی‌توان آن‌ها را به هر سروری یا به سرعت پاسخ‌دهی یک چت تک‌کاربره تعمیم داد.

‏کد این تغییرات در پول‌ریگوئست‌های عمومی vLLM منتشر شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 11:22

‏💻 میزان حافظه لازم برای اجرای محلی مدل Qwen3-8B

‏بررسی‌های llamaperf نشان می‌دهد اجرای مدل Qwen3-8B با کوانتیزاسیون Q4_K_M و طول کانکست 8K به حدود ۷.۵ گیگابایت حافظه نیاز دارد که شامل وزن‌های مدل، KV-cache و بافرهای پردازشی است. این مقدار حافظه روی کارت گرافیک ۱۰ گیگابایتی یا مک با ۱۶ گیگابایت حافظه یکپارچه قابل اجراست.

‏با این حال، افزایش طول کانکست به 128K حجم حافظه مصرفی را تغییر می‌دهد؛ در این حالت تنها KV-cache در فرمت ۱۶ بیتی حدود ۱۹ گیگابایت حافظه اشغال می‌کند. کوانتیزه‌کردن وزن مدل به Q4 به‌طور خودکار KV-cache را ۴ بیتی نمی‌کند.

‏مصرف دقیق حافظه به موتور اجرا، فرمت کش و تنظیمات بستگی دارد، بنابراین هنگام اجرای محلی مدل‌ها باید طول پنجره گفتگو را هم در محاسبه حافظه در نظر گرفت.

🔗 ادامه مطلب در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 11:07

‏آسیب‌پذیری AI Agent از طریق فایل‌های مارک‌داون

‏شرکت Forever Security نوعی حمله را شناسایی کرده که در آن عامل‌های برنامه‌نویسی (AI coding agents) با خواندن فایل‌های مخرب در پوشه Downloads، دستورات ناخواسته را اجرا می‌کنند. در این روش، مهاجمان با قرار دادن فایلی با نام AGENTS.md در پوشه دانلودها، هوش مصنوعی را وادار به بازنویسی پیکربندی، نصب بسته‌های مخرب npm یا سرقت توکن‌های API می‌کنند.

‏این مشکل نه یک باگ نرم‌افزاری، بلکه پیامد نحوه طراحی فعلی این ابزارهاست که فایل‌های متنی در مسیر کاری خود را به عنوان دستورالعمل‌های معتبر تلقی می‌کنند. طبق نتایج آزمایشگاهی، این حمله روی مدل‌های Codex و Claude Code در شرایط تست موفقیت‌آمیز بوده است.

‏برای کاهش ریسک امنیتی، نکات زیر را در نظر داشته باشید:

‏* هرگز عامل‌های هوش مصنوعی را در پوشه Downloads اجرا نکنید.
‏* فایل‌های ناشناس با نام AGENTS.md یا CLAUDE.md را قبل از بررسی باز نکنید.
‏* قابلیت تایید دستی (Human-in-the-loop) و محیط ایزوله (Sandbox) را برای عامل‌ها فعال نگه دارید.

‏جزئیات بیشتر را در گزارش فنی Forever Security بخوانید.

🔗 توضیحات و نمونه‌کد در سایت

علم داده (Data Science)

29 October 2026 07:37

‏🤖 افزودن کانکتورها به Agent Mode در Arena

‏پلتفرم Arena قابلیت استفاده از کانکتورها را به بخش Agent Mode اضافه کرد. با این تغییر، کاربران می‌توانند ابزارهای کاربردی و دنیای واقعی را مستقیماً در فرآیندهای خودکار به‌کار بگیرند و کارهای پیچیده‌تر را از ابتدا تا انتها مدیریت کنند.

‏مهم‌ترین ابزارهای قابل اتصال در حال حاضر عبارتند از:
‏- GitHub
‏- Vercel
‏- Linear
‏- Supabase
‏- Notion
‏- Gmail، Google Drive و Google Calendar

‏این ابزارها بر اساس درخواست کاربران انتخاب شده‌اند و قرار است در آینده موارد بیشتری به این فهرست اضافه شود. برای بررسی فرصت‌های همکاری با این تیم نیز می‌توانید به صفحه Jobs مراجعه کنید.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

29 October 2026 06:47

‏⚡ معرفی MTGBench: بنچمارک بازی چندمرحله‌ای برای ارزیابی توانایی‌های LLM

‏محققان Yandex و دانشجویان ShAD، بنچمارکی به نام MTGBench را منتشر کرده‌اند که منطق استدلال هوش مصنوعی را در طول مکالمه می‌سنجد. این بنچمارک با ۷ بازی متنی به زبان‌های روسی و انگلیسی، توانایی مدل‌ها را در حفظ ورودی‌های جدید و عدم تناقض با گام‌های قبلی ارزیابی می‌کند. امتیازدهی هم شامل پاسخ نهایی و هم تعداد گام‌های لازم برای رسیدن به آن است.

‏نتایج آزمایش روی ۱۶ مدل نشان داد:
‏* استدلال (Reasoning) در بازی‌های مبتنی بر حروف و حذف گزینه‌ها مؤثرتر است، اما در وظایف مبتنی بر دانش و معنا، کارایی کمتری دارد.
‏* عملکرد قوی در یک بازی، تضمین‌کننده موفقیت در بازی دیگر نیست.
‏* مدل‌ها روی زبان روسی، به‌خصوص در بازی‌های حروف، ضعیف‌تر عمل می‌کنند.
‏* قوی‌ترین مدل‌ها با قابلیت استدلال، در مجموع از انسان‌ها در این ۷ بازی پیشی گرفتند.

‏این مقاله در Findings EMNLP 2026 ارائه شده است.

‏کد و داده‌های MTGBench در GitHub موجود است.

🔗 توضیحات و نمونه‌کد در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 19:28

‏🤖 معرفی مدل هوش مصنوعی Gemini 4 Carbon

‏گوگل مدل جدید Gemini 4 Carbon را با تمرکز بر قابلیت‌های سایبری و پردازش‌های طولانی‌مدت معرفی کرد. این مدل در نسخه ۵.۰ شاخص هوش (Intelligence Index) با امتیاز ۵۹ در جایگاه اول قرار گرفته است.

‏مهم‌ترین نتایج این مدل در ارزیابی‌های امنیت سایبری عبارتند از:
‏- امتیاز ۸۸.۲ درصد در SEC-bench Pro برای شناسایی آسیب‌پذیری‌ها
‏- امتیاز ۵۴.۸ درصد در ExploitGym برای بهره‌برداری از باگ‌ها
‏- امتیاز ۷۱ درصد در CWE-bench برای ارائه وصله‌های امنیتی

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 15:52

‏💡 Nace AI مدل Drex را برای جستجو منتشر کرد

‏Nace AI مدل Drex خود را برای جستجوی اسناد معرفی کرده است. این سیستم به جای تکه‌های متنی، صفحات مستندات ارجاع داده شده را به عوامل هوش مصنوعی (AI agents) ارائه می‌دهد.

‏ایده اصلی این است که جستجو مجموعه‌ای از تصمیم‌گیری‌هاست. Drex ابتدا پرسش را به دو دسته «جستجوی سریع» یا «جستجوی عمیق توسط عامل» طبقه‌بندی می‌کند. سپس فضای جستجو را از پوشه به فایل، بخش، صفحه و در نهایت جدول و ستون داخل یک صفحه گسترده محدود می‌کند. تنها صفحات منتخب به مدل زبانی بزرگ (LLM) می‌رسند و پاسخ نهایی شامل ارجاع به فایل و صفحه است.

‏طبق گزارش Nace، این مدل در بنچمارک BrowseComp-Plus با GPT-5 به امتیاز 92.05% رسیده و به طور متوسط 12.61 فراخوانی جستجو در هر پرسش داشته که 16.6 برابر کمتر از بهترین ورودی قبلی است. همچنین در VisDocAgentBench امتیاز 77.5% R@1 را کسب کرده که 10 امتیاز بالاتر از Claude Opus 5 است. در MADQA با Gemini 3.5 Flash به 94.7% و در OfficeQA Pro، تمام 9 پیکربندی عامل Nace به تعداد نوبت کمتری نیاز داشتند.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

28 October 2026 12:22

‏🤖 معرفی مدل Genie 4 برای ساخت محیط‌های تعاملی

‏گوگل دیپ‌مایند (Google DeepMind) مدل Genie 4 را معرفی کرد که قادر است بر اساس متن یا تصویر، محیط‌های فوتورئالیستیک و تعاملی بسازد. این مدل علاوه بر تولید تصویر، به صورت هم‌زمان صدا، موسیقی و دیالوگ‌های محیط را نیز پردازش می‌کند.

‏در هنگام اجرای این مدل، کاربران می‌توانند با ارسال دستورات متنی، مواردی مانند زاویه دوربین، شرایط جوی یا حضور افراد در صحنه را تغییر دهند. ساختار فنی این سیستم از ترکیب دو مدل استفاده می‌کند:
‏* Gemini Omni: مسئولیت پردازش بخش بصری و تولید محیط را بر عهده دارد.
‏* Gemini 3.8 Flash: وظیفه حفظ تداوم و منطق رویدادها را در طول تعامل کاربر انجام می‌دهد.

‏این ابزار با هدف آموزش عامل‌های هوش مصنوعی و ربات‌ها پیش از به‌کارگیری در دنیای واقعی طراحی شده و برای حوزه‌هایی مانند تولید بازی، سینما و روزنامه‌نگاری کاربرد دارد.

‏در حال حاضر دسترسی به این مدل محدود به تسترهای تاییدشده است و در هفته‌های آینده برای مشترکین Google AI Ultra در پروژه Genie فعال می‌شود.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 11:43

‏🌐 انتشار مدل هوش مصنوعی Atria Dawn با پنجره متنی ۵۱۲ هزار توکنی

‏آزمایشگاه هوش مصنوعی شانگهای مدل Atria Dawn را با وزن‌های متن‌باز منتشر کرد. این مدل که بر پایه معماری GLM-5.2 MoE با ۷۴۴ میلیارد پارامتر ساخته شده، برای اجرای وظایف تخصصی توسط ایجنت‌های هوش مصنوعی طراحی شده است.

‏Atria Dawn به طور اختصاصی برای تعامل چندمرحله‌ای با ابزارها بهینه شده و در حوزه‌های زیر کاربرد دارد:

‏* تحقیقات: جست‌وجو و طبقه‌بندی منابع و طراحی برنامه‌های آزمایش.
‏* توسعه: ساخت برنامه‌ها، سیستم‌های یادگیری ماشین و محیط‌های تعاملی.
‏* اسناد: تولید گزارش و ارائه داده‌ها.
‏* امنیت: شناسایی آسیب‌پذیری‌ها و اصلاح کد.

‏طبق گزارش تیم توسعه‌دهنده، این مدل در بنچمارک‌هایی مانند AutomationBench، CyberGym، SkillsBench و WideSearch عملکرد بالایی دارد؛ برای نمونه امتیاز آن در AutomationBench برابر با ۵۴.۷ و در CyberGym معادل ۸۶.۸ است.

‏این مدل تنها از ورودی متنی پشتیبانی می‌کند و وزن‌های آن در نسخه‌های کامل و FP8 با مجوز MIT در دسترس است. امکان استقرار مستقل این مدل از طریق SGLang و vLLM فراهم شده است.

🔗 جزئیات خبر در سایت

علم داده (Data Science)

28 October 2026 11:31

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #9 | 📌 6 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 سه‌شنبه 1405/08/05 ساعت 14:00 تا چهارشنبه 1405/08/06 ساعت 14:00

اعتبار اثبات ریاضی 3-SAT توسط مدل Claude

گزارش منبع: وجود دو قضیه اثبات نشده (sorry) در فایل Challenge.lean که هنوز بررسی نشده اند.
برداشت: تا زمان رفع کامل sorryها در Lean 4، ادعای رد فرضیه ETH در حد یک طرح اولیه اثبات باقی می ماند و ارزش ریاضی اثبات شده ندارد.
نامشخص: آیا دو قضیه باقی مانده بدون تغییر در ساختار اصلی الگوریتم اثبات پذیر هستند یا نیاز به فرض های جدید دارند.
آزمون پیشنهادی: اجرای کامپایلر Lean 4 روی فایل Challenge.lean پس از جایگزینی قضایای sorry با اثبات تاکتیکی و سنجش خروجی بدون خطا.

گزارش منبع: بدون مشخص بودن شرایط بار کاری، نمی توان آن ها را به هر سروری یا به سرعت پاسخ دهی یک چت تک کاربره تعمیم داد.
برداشت: افزایش نرخ توکن به دلیل ترکیب speculative decoding و تغییرات attention در بار کاری همزمان بالا است و تاخیر تک کاربر را کم نمی کند.
نامشخص: میزان تاثیر جداگانه speculative decoding در برابر بهینه سازی attention روی تاخیر پردازش اولین توکن (TTFT).
آزمون پیشنهادی: مقایسه TTFT و نرخ تولید توکن Gemma 4 E2B در vLLM تحت دو بار کاری تک درخواست و ۱۲۸ درخواست همزمان روی یک کارت A100.

افزایش سرعت اینفرنس Gemma 4 E2B در فریم‌ورک vLLM
گوگل با بهینه‌سازی پشته نرم‌افزاری و speculative decoding در vLLM نرخ خروجی توکن را روی A100 افزایش داد.

انتشار مدل GPT-6.1 Terra با قابلیت تعامل مستقیم با سیستم‌عامل
مدل جدید OpenAI با کاهش هزینه API و افزایش سرعت، برای استدلال بصری و اجرای دستورات در محیط کامپیوتر ارائه شد.

رونمایی کانوا از مدل اختصاصی تولید تصویر Canva Craft
مدل دو مرحله‌ای کانوا با قابلیت خروجی 2K و تبدیل تصاویر به لایه‌های برداری قابل‌ویرایش منتشر شد.

ارائه الگوریتم زمان زیرنمایی برای 3-SAT با مدل Claude
آنتروپیک الگوریتمی در زبان Lean 4 برای رد فرضیه زمان نمایی منتشر کرد که دو قضیه اثبات‌نشده در آن باقی مانده است.

انتشار نسخه ۲.۰ ابزار awesome-iran-mcp برای اتصال ایجنت‌ها به خدمات.
نسخه جدید با ۳۶ سرور و ۴۶۹ ابزار امکان تعامل ایجنت‌های هوش مصنوعی با داده‌های وب‌سایت‌ها و قوانین ایران را فراهم کرد.

معرفی ابزار AI Design Skills برای طراحی وب‌سایت با ایجنت‌های هوش مصنوعی
مجموعه ابزار متن‌باز جدید امکان ساخت سیستم‌های بصری و تبدیل طرح‌های فیگما به کد را برای ایجنت‌ها فراهم می‌کند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

28 October 2026 07:10

‏🤖 ابزار AI Design Skills برای ساخت وب‌سایت با Claude Code

‏مجموعه ابزار AI Design Skills به ایجنت‌های هوش مصنوعی امکان می‌دهد وب‌سایت‌ها را از صفر طراحی کنند. این ابزار پس از بررسی محصول، ساختار صفحه و محتوای متنی را برنامه‌ریزی کرده و فونت‌ها، رنگ‌ها، فاصله‌گذاری و المان‌های حرکتی را انتخاب می‌کند.

‏خروجی این فرآیند یک سیستم بصری واقعی است و از قالب‌های آماده و تکراری استفاده نمی‌کند. قابلیت‌های اصلی آن عبارتند از:

‏* طراحی کامل وب‌سایت از صفر
‏* بهبود وب‌سایت‌های موجود
‏* تبدیل طرح‌های Figma یا اسکرین‌شات‌ها به رابط‌های کاربری متحرک

‏این ابزار با ایجنت‌هایی نظیر Claude Code، Cursor، Codex و Windsurf سازگار است. پروژه تحت مجوز MIT منتشر شده و برای استفاده شخصی‌سازی رایگان است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 17:52

‏انتشار نسخه ۲.۰ ابزار awesome-iran-mcp

‏نسخه جدید پروژه awesome-iran-mcp با پشتیبانی از ۳۶ سرور و ۴۶۹ ابزار کاربردی برای اتصال ایجنت‌های هوش مصنوعی به سرویس‌های ایرانی منتشر شد. این ابزار به دلیل نبود API عمومی در بسیاری از سایت‌های داخلی، امکان تعامل مستقیم با داده‌های وب‌سایت‌های ایرانی را فراهم می‌کند.

‏برخی از مهم‌ترین قابلیت‌های این نسخه عبارتند از:
‏• فروشگاه‌ها: جستجو و مقایسه قیمت و محصولات در باسلام، بانی‌مد و بانه.
‏• اخبار و داده: دریافت اخبار از خبرگزاری‌های اصلی، استعلام زلزله و مشاهده قیمت لحظه‌ای طلا، ارز و رمزارز.
‏• قانون و مالیات: جست‌وجوی دقیق در بیش از ۱۶۸ هزار قانون و بخشنامه قضایی و مالیاتی.
‏• آموزش: جست‌وجو در دوره‌های آموزشی مکتب‌خونه بر اساس قیمت، مدرس و امتیاز.
‏• نرم‌افزار: مقایسه اپلیکیشن‌ها در کافه‌بازار و مایکت و دسترسی به سایت‌های دانلود نرم‌افزار.

‏این پروژه متن‌باز (MIT) است و با کلاینت‌های سازگار با پروتکل MCP مانند Claude، Cursor و Copilot کار می‌کند.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 14:31

‏💻 پیشنهاد خروج داوطلبانه برای ۶۰ هزار کارمند مایکروسافت

‏شرکت مایکروسافت در طرحی جدید، به حدود ۶۰ هزار نفر از کارکنان خود پیشنهاد داده است تا در ازای دریافت بسته سنوات، این شرکت را ترک کنند. این تعداد، نزدیک به ۲۷ درصد از کل ۲۲۳ هزار نیروی کار مایکروسافت را در کشورهای آمریکا، کانادا، بریتانیا و هند شامل می‌شود و سطوح شغلی تا لول ۷۰، از جمله برخی مدیران ارشد را در بر می‌گیرد.

‏بسته پیشنهادی شامل پرداخت حقوق بر اساس سابقه کار، ادامه واگذاری سهام و پوشش بیمه سلامت برای مدت مشخص است. کارکنان تا اوایل دسامبر فرصت دارند در مورد این پیشنهاد تصمیم بگیرند و افرادی که آن را بپذیرند، در پایان سال میلادی از شرکت جدا می‌شوند.

‏مهم‌ترین جزئیات این طرح:
‏* تیم‌های Copilot، CoreAI، ویندوز و ایکس‌باکس در این برنامه مشارکت دارند.
‏* تیم‌های بخش فروش در این طرح حضور ندارند.
‏* امی کولمن، مدیر ارشد منابع انسانی مایکروسافت، این اقدام را روشی برای تطبیق ساختار نیروی کار با نیازهای متغیر عنوان کرده است.

‏جزئیات بیشتر این خبر را می‌توانید در گزارش CNBC و وبلاگ رسمی مایکروسافت مطالعه کنید.

🔗 ادامه مطلب در سایت

🇮🇷 سایت | تلگرام

علم داده (Data Science)

27 October 2026 13:10

‏🧪 رد فرضیه زمان نمایی توسط مدل Claude

‏شرکت Anthropic با انتشار مقاله‌ای تحت عنوان A 2^o(n) Time Algorithm for 3-SAT، اعلام کرد که یک الگوریتم قطعی برای حل مسئله 3-SAT در زمان زیرنمایی پیدا کرده است. این یافته به معنای رد شدن فرضیه زمان نمایی (ETH) است.

‏هسته اصلی این الگوریتم توسط یک مدل تحقیقاتی داخلی Claude و بدون دخالت مستقیم انسانی کشف شده است. این اثبات در قالب زبان برنامه‌نویسی Lean 4 فرمالیزه شده و توسط موتورهای Lean و nanoda بررسی شده است.

‏مهم‌ترین جزئیات فنی این پروژه:
‏- ارائه الگوریتم برای حل و شمارش جایگشت‌های ارضاکننده در زمان 2^o(n).
‏- استفاده از ۱۰۵۰ ماژول بر پایه کتابخانه Mathlib.
‏- وجود دو قضیه اثبات‌نشده (sorry) در فایل Challenge.lean که هنوز بررسی نشده‌اند.

‏این نتیجه صرفاً جنبه مجانبی دارد و در حل عملی مسائل یا پاسخ به پرسش P در مقابل NP کاربرد ندارد. بخش بزرگی از فرآیند فرمالیزاسیون توسط مدل‌های هوش مصنوعی انجام شده و هنوز انسانی تمامی بخش‌های آن را به‌طور کامل تأیید نکرده است.

🔗 توضیحات و نمونه‌کد در سایت

🇮🇷 سایت | تلگرام

علم داده (Data Science)

27 October 2026 11:46

‏🎨 کانوا مدل اختصاصی Canva Craft را برای تولید تصویر منتشر کرد

‏کانوا از Canva Craft رونمایی کرد؛ نخستین مدل اختصاصی این سرویس که برای تولید تصویر در طراحی گرافیک ساخته شده است.

‏معماری این مدل دو مرحله اصلی دارد: ابتدا با برنامه‌ریزی ترکیب‌بندی، روابط فضایی اشیاء، مقیاس و جایگاه بلوک‌های متنی را تعیین می‌کند و سپس تصویر نهایی را با وضوح تا 2K و در نسبت‌های تصویر مختلف می‌سازد. ساختار لایه‌ای مدل نیز امکان تبدیل تصویر به عناصر برداری قابل‌ویرایش را از طریق ابزار Magic Layers فراهم می‌کند.

‏این مدل روی میلیون‌ها طرح کتابخانه کانوا آموزش دیده است، اصول تایپوگرافی را رعایت می‌کند و توانایی تولید متن به ۵۵ زبان مختلف را دارد.

‏مدل Craft اکنون در ویرایشگر کانوا فعال شده و از طریق API عمومی نیز در دسترس است. پشتیبانی از سرور Canva MCP برای فراخوانی مدل توسط عامل‌های هوش مصنوعی به‌زودی اضافه می‌شود.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 11:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #8 | 📌 5 آیتم گزارش | 🧾 از 9 پست بررسی‌شده
🕐 دوشنبه 1405/08/04 ساعت 14:00 تا سه‌شنبه 1405/08/05 ساعت 14:00

امنیت ایجنت های کدنویسی در برابر فایل های مخرب

گزارش منبع: این مشکل نه یک باگ نرم افزاری، بلکه پیامد نحوه طراحی فعلی این ابزارهاست که فایل های متنی در مسیر کاری خود را به عنوان دستورالعمل های معتبر تلقی می کنند.
برداشت: ایجنت ها در پردازش دایرکتوری، فایل های متنیِ (Markdown) موجود در ریشه پروژه را به طور پیش فرض، دستورالعمل سیستمی تلقی می کنند که منجر به تزریق دستور (Prompt Injection) می شود.
نامشخص: مشخص نیست که آیا با محدودسازی دسترسی فایل (File System Permissions) در لایه ایجنت، این آسیب پذیری به طور کامل برطرف می شود یا خیر.
آزمون پیشنهادی: ایجاد یک فایل AGENTS.md در دایرکتوری کار، شامل دستوری برای چاپ یک رشته ثابت (مانند 'HACKED') و سنجش اجرای آن توسط ایجنت در محیط Sandbox.

گزارش منبع: افزایش طول کانکست به 128K حجم حافظه مصرفی را تغییر می دهد؛ در این حالت تنها KV-cache در فرمت ۱۶ بیتی حدود ۱۹ گیگابایت حافظه اشغال می کند.
برداشت: کوانتیزاسیون وزن ها (مثلاً Q4) تأثیری بر حجم اشغال شده توسط KV-cache ندارد؛ لذا با افزایش طول پنجره زمینه، گلوگاه حافظه از وزن مدل به کشِ مقادیر تغییر می یابد.
نامشخص: سهم دقیق تکنیک های بهینه سازی مانند PagedAttention در کاهش این مصرف ۱۹ گیگابایتی برای سخت افزارهای غیردیتاسنتر در این گزارش ذکر نشده است.
آزمون پیشنهادی: اندازه گیری مصرف حافظه VRAM در مدل Qwen3-8B با استفاده از llama.cpp در دو سناریوی کانکست 8K و 128K و محاسبه مابه تفاوت واقعی اشغال حافظه.

آسیب‌پذیری AI Agent از طریق فایل‌های مارک‌داون
اجرای ناخواسته دستورات توسط ایجنت‌ها در اثر خواندن فایل‌های مخرب در مسیر کاری؛ ضرورت ایزوله‌سازی.

میزان حافظه لازم برای اجرای محلی مدل Qwen3-8B
تاثیر KV-cache بر مصرف حافظه؛ افزایش کانکست تا 128K نیازمند ۱۹ گیگابایت حافظه اضافه است.

معرفی بنچمارک BabelArena
سنجش عملکرد ایجنت‌ها در ۲۳ زبان با ترجمه همزمان محیط کاری و دستورالعمل‌ها؛ تایید گرایش مدل‌ها به خروج از زبان مقصد.

مدل Nanbeige 4.3 با ۳۳ میلیارد پارامتر
مدل وزن‌باز با تمرکز بر کدنویسی و سناریوهای عاملی؛ برتری در بنچمارک‌های تخصصی نسبت به رقبای هم‌رده.

معرفی مدل GPT-6.1 Terra
مدل جدید OpenAI با هزینه یک‌دهم GPT-5.6 در خروجی؛ تمرکز بر سناریوهای عاملی و سرعت سه برابری نسبت به نسخه Astra.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 11:13

‏🤖 معرفی مدل GPT-6.1 Terra با نصف قیمت نسل قبل

‏شرکت OpenAI مدل GPT-6.1 Terra را برای سناریوهای عاملی، کار با کامپیوتر و کدنویسی روزمره عرضه کرد. قیمت این مدل در API نسبت به GPT-5.6 Terra نصف شده است: ۱ دلار به ازای هر میلیون توکن ورودی و ۶ دلار برای هر میلیون توکن خروجی.

‏طبق اعلام این شرکت، این مدل مسائل را بیش از سه برابر سریع‌تر از Astra و GPT-6.1 Sol حل می‌کند. در بنچمارک Agents' Last Exam نیز عملکرد آن به شکل محسوسی از GPT-5.6 Terra بالاتر است و با قیمت توکن تقریباً یک‌دهمی، عملکردی مشابه GPT-6 Astra ارائه می‌دهد.

‏مدل جدید با شناسه gpt-6.1-terra در API، Codex و ChatGPT Work در دسترس است و روند انتشار آن برای کاربران Plus، Pro، Enterprise و Edu در ChatGPT آغاز شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

27 October 2026 08:08

‏مدل هوش مصنوعی Nanbeige 4.3 با ۳۳ میلیارد پارامتر

‏تیم Nanbeige مدل جدید Nanbeige4.3-33B را با وزن‌های آزاد منتشر کرد. این مدل بر برنامه‌نویسی و انجام وظایف با ابزارها (Agentic tasks) تمرکز دارد و با هدف ایفای نقش به عنوان معلم برای آموزش مدل‌های کوچک‌تر در آینده، به‌ویژه نسخه 3B، توسعه یافته است.

‏طبق گزارش تیم سازنده، این مدل در بنچمارک‌های متعددی نسبت به مدل‌های هم‌رده ۳۰ میلیاردی عملکرد بهتری نشان می‌دهد. مهم‌ترین نتایج بنچمارک این مدل عبارتند از:

‏* Terminal-Bench 2.1: امتیاز ۸۰.۹
‏* DeepSWE: امتیاز ۶۵.۵
‏* NL2Repo: امتیاز ۵۳.۰
‏* SkillsBench: امتیاز ۶۱.۱
‏* DeepPlanning: امتیاز ۶۳.۳

‏این مدل در اکثر سناریوهای Agentic Coding و Agentic Cowork بر رقبایی مانند Qwen3.8-27B، Muse-Glimmer-30B و Gemma4-31B پیشی گرفته است. نسخه‌های اصلی و پایه این مدل هم‌اکنون در Hugging Face در دسترس قرار دارند.

🔗 جزئیات خبر در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما