علم داده (Data Science)

09 October 2026 19:33

‏⚠️ آمادگی شرکت‌های بزرگ هوش مصنوعی برای سناریوهای بحرانی

‏گزارش وب‌سایت Axios نشان می‌دهد که مدیران شرکت‌هایی مانند OpenAI و Anthropic جلسات محرمانه‌ای برای بررسی پیامدهای اجتماعی و سیاسی در صورت بروز فاجعه ناشی از هوش مصنوعی برگزار می‌کنند.

‏برخی از مهم‌ترین احتمالات مطرح‌شده در این سناریوها عبارتند از:
‏* وقوع حملات سایبری گسترده با هدف قطع دسترسی به خدمات بانکی و اینترنت
‏* اختلال در شبکه توزیع برق و منابع آب
‏* کاهش شدید اعتماد عمومی به فناوری و رهبران آن مانند سم آلتمن و داریو آمودی
‏* تلاش نهادهای سیاسی برای توقف توسعه هوش مصنوعی پس از انتخابات

‏بسیاری از افراد مطلع در این شرکت‌ها احتمال می‌دهند چنین رویدادی در بازه زمانی ۶ تا ۱۲ ماه آینده رخ دهد. اگرچه برنامه‌ریزی برای شرایط بحرانی اقدام منطقی محسوب می‌شود، اما اطمینان بالای این منابع درباره بازه زمانی وقوع حادثه، توجه بسیاری را جلب کرده است.

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

علم داده (Data Science)

09 October 2026 17:44

‏🎁 اعتبار ماهانه API کلود برای کاربران Max و Team

‏شرکت Anthropic طرح تخصیص اعتبار رایگان و ماهانه API را برای مشترکان برنامه‌های Max و Team فعال کرد. میزان این اعتبار با توجه به سطح اشتراک کاربران متفاوت خواهد بود.

‏مراحل فعال‌سازی و دریافت این اعتبار:

‏۱. حساب Claude را در مرورگر باز کنید.
‏۲. به مسیر Settings و سپس Billing بروید.
‏۳. در بخش API credits، گزینه Link organization را انتخاب کنید.
‏۴. یک سازمان (Organization) موجود در Claude Console را متصل کرده یا یک سازمان جدید بسازید.
‏۵. با تایید قوانین (Supplemental Credit Terms)، اعتبار به حساب سازمان شما اضافه می‌شود.

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

علم داده (Data Science)

09 October 2026 13:08

‏🌌 تهیه نخستین نقشه کامل فرابنفش آسمان با کمک هوش مصنوعی

‏برایس منار، اخترفیزیکدان دانشگاه جانز هاپکینز، با همکاری Claude موفق شد اولین نقشه جامع از آسمان در طیف فرابنفش را تهیه کند. داده‌های پیشینِ GALEX تنها حدود دو‌سوم آسمان را پوشش می‌دادند و مناطق پرنور کهکشان راه شیری در آن‌ها لحاظ نشده بود.

‏در این پروژه، مجموعه‌ای از ایجنت‌های هوش مصنوعی وظایف فنی زیر را بر عهده داشتند:

‏* جمع‌آوری داده‌ها از چندین پیمایش فضایی مختلف
‏* کالیبره‌کردن ده‌ها هزار مشاهده نجومی
‏* یکپارچه‌سازی داده‌ها در یک سیستم مختصات و رزولوشن واحد
‏* بازسازی یک‌سومِ گمشده آسمان با استفاده از روش ML-inpainting
‏* تخمین تابش فرابنفش بیش از ۱۰۰ میلیون ستاره بر اساس داده‌های Gaia

‏مدل هوش مصنوعی در این فرآیند به‌طور مستقل محاسبات را انجام داد، مشکلات موجود در داده‌ها را شناسایی کرد و به همراه محقق، پایپلاین پردازش را بهبود بخشید. دقت بازسازی این نقشه در مناطق شناخته‌شده، با خطای حدود ۱۰ درصد ارزیابی شده است. این نقشه اکنون داده‌های مرئی، فروسرخ و رادیویی را در کنار داده‌های جدید فرابنفش برای بررسی ساختار کهکشان ارائه می‌دهد.

علم داده (Data Science)

09 October 2026 12:18

‏🤖 انتشار نسخه دسکتاپ DeepSeek Harness

‏تیم DeepSeek نسخه پیش‌نمایش v0.2 از ابزار DeepSeek Harness را برای سیستم‌عامل‌های مک‌او‌اس و ویندوز عرضه کرد. این نسخه دسکتاپ به کاربران اجازه می‌دهد بدون نیاز به استفاده از ترمینال، از قابلیت‌های این مدل استفاده کنند.

‏مهم‌ترین ویژگی‌های این نسخه شامل موارد زیر است:

‏* مدیریت پلاگین‌ها: رابط کاربری اختصاصی برای مدیریت و اجرای پلاگین‌ها.
‏* حالت Creator: محیطی برای توسعه و ساخت ابزارهای شخصی‌سازی شده.
‏* اجرای زمان‌بندی‌شده: قابلیت تنظیم و اجرای خودکار وظایف (Tasks) در زمان‌های مشخص.

‏معماری این ابزار بر پایه ساختار everything is a plugin در Cordis بنا شده است. طبق اعلام تیم سازنده، در نسخه‌های آینده این پروژه، یک فروشگاه اختصاصی (Marketplace) برای تبادل پلاگین‌ها نیز راه‌اندازی خواهد شد. جزئیات بیشتر این به‌روزرسانی را می‌توانید در گزارش فنی آن مطالعه کنید.

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

علم داده (Data Science)

09 October 2026 10:15

‏🤖 سیاست جدید آنتروپیک: ممنوعیت بدرفتاری با هوش مصنوعی کلود

‏شرکت Anthropic در به‌روزرسانی جدید سیاست‌های استفاده از خدمات خود، رفتار توهین‌آمیز و ظالمانه با هوش مصنوعی Claude را ممنوع کرده است. این بند جدید که در کنار ممنوعیت‌های مربوط به توسعه سلاح و فریب سیاسی قرار گرفته، از ۱۲ نوامبر ۲۰۲۶ اجرایی می‌شود.

‏این قانون شامل انتقادهای معمولی، ابراز عصبانیت یا آزمایش‌های پژوهشی نیست و تنها رفتارهای تند، مکرر و بی‌هدف را هدف می‌گیرد. طبق این ضوابط، کلود مجاز است در مواجهه با چنین رفتارهایی مکالمه را قطع کند.

‏داریو آمودی، مدیرعامل آنتروپیک، پیش از این گفته بود که هنوز به طور قطعی مشخص نیست آیا مدل‌های هوش مصنوعی می‌توانند سطحی از آگاهی داشته باشند یا خیر؛ موضوعی که می‌تواند یکی از دلایل شکل‌گیری این مقررات اخلاقی جدید باشد.

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

علم داده (Data Science)

09 October 2026 08:53

‏🚀 عرضه حالت Ultrafast برای مدل GPT-6.1 Sol

‏شرکت OpenAI حالت جدید Ultrafast را برای مدل GPT-6.1 Sol منتشر کرد. این حالت در سرویس‌های Codex و Work برای کاربران اشتراکی ۵۰۰ دلاری فعال شده و از طریق API نیز در دسترس است.

‏برخلاف تصور، در این مدل از سخت‌افزارهای Cerebras استفاده نشده است و پردازش آن بر روی تراشه‌های Nvidia Blackwell با اندازه دسته‌های (batch size) کوچک انجام می‌شود. ظرفیت‌های اینفرنس بر روی سخت‌افزار Cerebras نیز توسط شرکت‌های فعال در حوزه معاملات الگوریتمی، از جمله Jane Street، خریداری شده است.

‏قیمت‌گذاری و مشخصات عملکرد نسخه‌های مختلف GPT-6.1 Sol به شرح زیر است:

‏* Ultrafast: با سرعت ۸ برابر نسبت به نسخه استاندارد؛ هزینه ورودی ۱۲ دلار و خروجی ۶۰ دلار به ازای هر میلیون توکن.
‏* Fast: با سرعت ۲ برابر نسبت به نسخه استاندارد؛ هزینه ورودی ۴ دلار و خروجی ۲۰ دلار.
‏* Standard: نسخه پایه با هزینه ورودی ۲ دلار و خروجی ۱۰ دلار.

‏در مقایسه، مدل GPT-6 Astra (نسخه استاندارد) هزینه‌ای معادل ۱۰ دلار برای ورودی و ۵۰ دلار برای خروجی دارد.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

08 October 2026 19:37

‏📊 رتبه‌بندی ۱۰۰ اپلیکیشن برتر هوش مصنوعی

‏صندوق سرمایه‌گذاری a16z فهرست جدیدی از ۱۰۰ محصول مصرفی هوش مصنوعی را بر اساس معیارهای مختلف منتشر کرده است. این رتبه‌بندی شامل هم سرویس‌های تخصصی هوش مصنوعی و هم اپلیکیشن‌های محبوبی است که هوش مصنوعی را به بخشی از تجربه کاربری خود تبدیل کرده‌اند.

‏نکته قابل‌توجه در این داده‌ها، تفاوت میان رتبه‌بندی بر اساس «تعداد کاربران فعال» (MAU) و «درآمد» است. اپلیکیشن‌هایی نظیر ChatGPT، CapCut و Gemini در صدر لیست کاربران قرار دارند، اما لیست درآمدی شامل ابزارهای تخصصی‌تری مانند OpenAI، Anthropic، Canva و Replit است.

‏داده‌ها نشان می‌دهند که درآمد اصلی این بازار نه از کاربران عادی، بلکه از کسانی تأمین می‌شود که هوش مصنوعی را به عنوان یک «ابزار کاری» خریداری می‌کنند. بخش بزرگی از سرویس‌های پردرآمد در لیست پربازدیدترین‌ها حضور ندارند که تأیید می‌کند تمایل به پرداخت برای هوش مصنوعیِ ادغام‌شده در ابزارهای کاربردی، بیش از چت‌بات‌های عمومی است.

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

علم داده (Data Science)

08 October 2026 16:30

‏🤖 عرضه مدل FleXray برای شناسایی ساختارهای آناتومیک در تصاویر رادیولوژی

‏محققان MIT با همکاری بیمارستان عمومی ماساچوست و دانشکده پزشکی هاروارد، مدل FleXray را برای تحلیل تصاویر رادیولوژی معرفی کردند. این مدل قادر است ۶۰ ساختار آناتومیک مختلف، از ستون فقرات و دنده‌ها تا استخوان‌های لگن و اندام‌ها را شناسایی و تفکیک کند.

‏ویژگی‌های فنی این مدل:
‏• پشتیبانی از انواع تصاویر شامل نماهای استاندارد، مورب و تصاویر فلوروسکوپی حین جراحی.
‏• استفاده از معماری U-Net که به صورت مجموعه‌ای (Ensemble) از پنج شبکه برای افزایش دقت پردازش می‌شود.
‏• قابلیت محاسبه خودکار پارامترهایی مانند زاویه انحنای ستون فقرات در موارد اسکولیوز.
‏• امکان انطباق تصاویر رادیولوژی با داده‌های 3D CT برای کمک به ناوبری در حین مداخلات پزشکی.

‏طبق نتایج آزمایش‌ها، FleXray در اکثر معیارها نسبت به مدل‌هایی نظیر TotalSegmentator2D عملکرد دقیق‌تری داشته است. این مدل، برخلاف برخی ابزارهای مشابه، روی تشخیص آناتومی تمرکز دارد و بیماری‌شناسی را هدف قرار نمی‌دهد.

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

علم داده (Data Science)

08 October 2026 15:55

‏🤖 قابلیت آپلود مستقیم فایل صوتی در ChatGPT

‏پلتفرم ChatGPT اکنون از فایل‌های صوتی پشتیبانی می‌کند. کاربران نسخه‌های پولی (Plus) و محیط‌های کاری می‌توانند فایل‌های ضبط‌شده خود را برای پردازش در محیط گفتگو بارگذاری کنند.

‏این قابلیت امکانات زیر را در اختیار کاربر قرار می‌دهد:
‏* دریافت متن کامل (Transcript) فایل صوتی
‏* خلاصه‌سازی محتوای جلسات یا سخنرانی‌ها
‏* پرسش و پاسخ درباره جزئیاتِ فایل ضبط‌شده

‏فایل‌های صوتی با فرمت‌های MP3، WAV و M4A تا سقف ۵۱۲ مگابایت قابل بارگذاری هستند. عملکرد خروجی ممکن است بسته به زبان فایل و مدل انتخابی متغیر باشد و OpenAI هشدار داده که متون استخراج‌شده احتمال خطای انسانی دارند. دسترسی به این ویژگی بر اساس منطقه جغرافیایی و نوع اشتراک تعیین می‌شود. اطلاعات تکمیلی در مستندات راهنمای OpenAI موجود است.

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

علم داده (Data Science)

08 October 2026 12:58

‏ابزار VeriHarness برای راستی‌آزمایی خروجی مدل‌های هوش مصنوعی

‏گوگل و دانشگاه کمبریج ابزار متن‌باز VeriHarness را برای بررسی نتایج وظایف طولانی‌مدت مدل‌های زبانی منتشر کردند. این سیستم با استفاده از همان مدلی که وظیفه را انجام داده است، خروجی‌های مختلف را ارزیابی و اصلاح می‌کند.

‏نحوه عملکرد این ابزار به این صورت است:
‏* بررسی اختلافات: در مواردی که تلاش‌های مختلف مدل نتایج متفاوتی دارند، VeriHarness با بررسی محیط، بهترین گزینه را انتخاب می‌کند.
‏* ارزیابی اجماع: سیستم حتی در مواردی که تمام خروجی‌های مدل یکسان هستند، صحت محاسبات و داده‌ها را بازبینی می‌کند تا خطاهای احتمالی را شناسایی کند.
‏* اصلاح خودکار: خروجی نهایی به همراه گزارش کامل از فرآیند اصلاح و دلایل آن ارائه می‌شود.

‏توسعه‌دهندگان این پروژه حدود ۲۶ هزار نمونه از فعالیت عامل‌های Gemini 3.5 Flash و Opus 4.8 را نیز برای استفاده عمومی منتشر کرده‌اند. در آزمایش‌های انجام شده روی بنچمارک‌هایی مانند APEX-Agents، استفاده از VeriHarness دقت مدل‌ها را به‌طور میانگین افزایش داده است.

‏جزئیات بیشتر شامل کد پروژه، مقاله و مجموعه داده در دسترس است.

علم داده (Data Science)

08 October 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #137 | 📌 8 آیتم گزارش | 🧾 از 11 پست بررسی‌شده
🕐 چهارشنبه 1405/07/15 ساعت 14:00 تا پنجشنبه 1405/07/16 ساعت 14:00

🔎 تحلیل کوتاه

نفوذ عمیق‌تر هوش مصنوعی به صنایع سنتی، شرکت‌ها را به سمت سرمایه‌گذاری‌های سنگین زیرساختی و بازتعریف مدل‌های مالی سوق داده است؛ توافق بلندمدت گوگل برای تامین برق هسته‌ای نمونه‌ای از تلاش برای پاسخ به نیازهای پردازشی است، در حالی که احتمال کاهش ارزش دارایی بانک‌ها با ایجنت‌های هوش مصنوعی نشان می‌دهد خودکارسازی فرآیندهای مالی می‌تواند حاشیه سود موسسات بزرگ را تهدید کند.

توافق بلندمدت گوگل برای افزودن ۸۹۰ مگاوات برق هسته‌ای به شبکه
گوگل در همکاری با Constellation بیش از ۴.۳ میلیارد دلار برای تامین برق هسته‌ای پایدار مراکز داده خود سرمایه‌گذاری می‌کند.
🔗 نسخه مفصل در سایت

تهدید سپرده‌های ارزان بانک‌های آمریکا توسط ایجنت‌های هوش مصنوعی
ایجنت‌های مالی با شناسایی و انتقال خودکار سپرده‌های بدون بهره به حساب‌های سودده، حاشیه سود بانک‌ها را به چالش می‌کشند.
🔗 مشاهده پست

تولید ۷۲۲ مقاله ریاضی توسط مدل هوش مصنوعی معرفی‌نشده OpenAI
این مقالات علمی با حل ۴۰۰۰ مسئله باز ریاضی و با تخصیص متوسط سه ساعت زمان تفکر برای هر مسئله تولید شده‌اند.
🔗 مشاهده پست

معرفی مدل چندوجهی Mistral Large 4 با ۱.۰۵ تریلیون پارامتر
این مدل با معماری مخلوطی از کارشناسان و پنجره متنی یک میلیون توکنی، با هزینه سرویس‌دهی بسیار پایین عرضه شده است.
🔗 مشاهده پست

کاهش مصرف حافظه در مدل‌های Looped LM با حفظ کلیدهای نهایی
پژوهشگران با ذخیره اختصاصی وضعیت‌های پایانی مدل، نیاز به حافظه حافظه موقت را تا سه برابر کاهش دادند.
🔗 مشاهده پست

ادغام مستقیم هوش مصنوعی Claude در سرویس‌های گوگل ورک‌اسپیس
این به‌روزرسانی امکان باز کردن، خواندن و اعمال ویرایش‌های مستقیم روی اسناد گوگل داکس و شیتس را فراهم می‌کند.
🔗 مشاهده پست

تفکیک ساختارهای چرخه‌ای و گرافی در سیستم‌های ایجنتی
راهنمای جدید طراحی سیستم‌ها، تفاوت‌های کلیدی چرخه‌های بهبود کیفیت کار و فرآیندهای گرافی را تبیین می‌کند.
🔗 مشاهده پست

انتشار متن‌باز کتابخانه تخصیص منابع Rebalancer توسط متا
این ابزار تخصیص منابع پس از ۹ سال استفاده داخلی برای حل روزانه ۴۰ میلیون مسئله به صورت عمومی منتشر شد.
🔗 مشاهده پست

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

علم داده (Data Science)

08 October 2026 07:36

‏🏦 احتمال کاهش ۵۰۰ میلیارد دلاری ارزش دارایی بانک‌های آمریکا با ایجنت‌های هوش مصنوعی

‏گسترش ایجنت‌های هوش مصنوعی می‌تواند مزیت رقابتی بانک‌های بزرگ ایالات متحده را به چالش بکشد. عملکرد این ایجنت‌ها ساده است: شناسایی پول‌های موجود در حساب‌های بانکی با سود نزدیک به صفر و انتقال خودکار آن‌ها به گزینه‌هایی با نرخ سود بالاتر.

‏به گزارش Financial Times، بانک‌هایی مانند JPMorgan، Bank of America و Wells Fargo در مجموع ۱.۶ تریلیون دلار سپرده بدون بهره دارند. در صورتی که نرخ سود این سپرده‌ها به ۳ درصد برسد، هزینه‌های سالانه این بانک‌ها حدود ۴۷ میلیارد دلار افزایش می‌یابد.

‏تخمین ۵۰۰ میلیارد دلاری مطرح شده در این تحلیل، مربوط به ارزش مزیت تأمین مالی ارزان برای بانک‌هاست. این برآورد بر این فرض استوار است که اگر ایجنت‌های هوش مصنوعی به‌طور مداوم نرخ‌های بهره بازار را برای سپرده‌گذاران تأمین کنند، این مزیت رقابتی به‌تدریج از بین خواهد رفت. البته بانک‌ها نیز می‌توانند از قابلیت‌های هوش مصنوعی در سایر بخش‌های عملیاتی خود بهره ببرند.

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

علم داده (Data Science)

07 October 2026 16:36

‏طراحی سیستم‌های Agentic: تفاوت Loop و Graph

‏بسیاری از توسعه‌دهندگان، سیستم‌های مبتنی بر ایجنت (Agent) را با چرخه‌های تکرار (Loop) اشتباه می‌گیرند. در حالی که یک Loop برای بهبود کیفیت یک واحد کاری به کار می‌رود، Graph ساختار کلی پروژه، ترتیب اجرا و نحوه تعامل واحدها را مشخص می‌کند.

‏به جای نظارت دستی بر تک‌تک مراحل ایجنت، این اصول را در معماری سیستم خود لحاظ کنید:

‏* ساختار Loop: شامل چهار بخش تولید، بررسی (Check)، اصلاح و تکرار تا رسیدن به نتیجه مطلوب است. نکته کلیدی این است که «بررسی» باید پیش از هر چیز تعریف شود تا برنامه بتواند در صورت خطا، کار را متوقف کند.
‏* ساختار Graph: شامل گره‌ها (واحد کاری) و یال‌ها (وابستگی‌ها) است. اشتباه رایج، تبدیلِ توالیِ زمانی به وابستگی است. اگر گام بعدی به خروجی گام قبلی نیاز ندارد، نباید با آن زنجیره شود.
‏* بازگشت برای یادگیری: دو مسیر بازگشت وجود دارد؛ اصلاح (کوتاه) برای رفع خطای فعلی، و یادگیری (بلند) که نتیجه تأییدشده را به عنوان یک قید جدید به ابتدای سیستم می‌فرستد تا از تکرار همان خطا در آینده جلوگیری شود.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

07 October 2026 15:34

‏🚀 عرضه مدل Mistral Large 4 با ۱.۰۵ تریلیون پارامتر

‏شرکت Mistral AI مدل چندوجهی جدید خود با نام مستعار Le Chonk را در دسترس عموم قرار داد. این مدل MoE با ۱.۰۵ تریلیون پارامتر کل و ۴۹ میلیارد پارامتر فعال در هر توکن، از پنجره متنی ۱ میلیون توکنی پشتیبانی می‌کند و قابلیت دریافت مستقیم تصویر را دارد. این مدل با استفاده از ۳۸۰۰ پردازنده NVIDIA Grace Blackwell آموزش دیده است.

‏از نظر فنی، در هر توکن تنها ۴.۷ درصد از وزن‌های مدل فعال می‌شوند که باعث شده هزینه سرویس‌دهی برای ۱ میلیون توکن ورودی ۱.۳۶ دلار و خروجی ۴.۱۸ دلار باشد. با این حال، کل وزن‌های مدل باید در حافظه قرار بگیرد.

‏برخی نتایج ارزیابی مدل:
‏- امتیاز ۹۳ در Cybench و ۸۲ در CyberGym-E2E
‏- امتیاز ۶۱.۷ در DeepSWE v1.1
‏- قرارگیری در میان ۵ مدل برتر شاخص سایبر Artificial Analysis

‏جزئیات فنی کامل در سایت رسمی Mistral و تحلیل معماری آن در MarkTechPost قابل بررسی است. دسترسی به این مدل از طریق API با نام mistral-large-4 امکان‌پذیر شده است.

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

علم داده (Data Science)

05 October 2026 19:52

‏🖥 انتشار مدل Microsoft برای تبدیل گفتار به متن

‏مایکروسافت مدل MAI-Transcribe-2-Streaming را برای تبدیل بلادرنگ گفتار به متن عرضه کرد. این مدل از ۶۰ زبان پشتیبانی می‌کند و قابلیت تشخیص خودکار زبان را دارد. در تست‌های Artificial Analysis، این مدل از نظر دقت در هر دو مرحله تبدیل میانی و نهایی، رتبه اول را کسب کرده است.

‏این سیستم بدون نیاز به پایان جملات، پیش‌نویس متن را در حدود ۱۰۰ میلی‌ثانیه ارائه می‌دهد و هم‌زمان با دریافت صدا، آن را اصلاح می‌کند. طبق آزمایش‌های داخلی مایکروسافت، سرعت نمایش کلمات در این مدل حدود دو برابر سریع‌تر از نزدیک‌ترین رقیب است که کاربرد اصلی آن را در توسعه دستیارهای صوتی نشان می‌دهد.

‏هم‌زمان، مایکروسافت دو مدل جدید برای سنتز گفتار معرفی کرد:
‏* مدل MAI-Voice-2.1 برای تولید گفتار در ۲۳ زبان.
‏* نسخه MAI-Voice-2.1-Flash که قادر است ۴۵ ثانیه صدا را با تأخیر ۱۵۰ میلی‌ثانیه تولید کند.

‏این ابزارها از طریق Microsoft Foundry و MAI Playground در دسترس هستند. هزینه استفاده از مدل تبدیل گفتار تا پایان سال میلادی ۰.۵۴ دلار به ازای هر ساعت صدا تعیین شده است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

09 October 2026 18:44

‏🤖 قابلیت‌های جدید هوش مصنوعی در ویندوز ۱۱ و سخت‌افزار مایکروسافت

‏مایکروسافت در رویداد اخیر خود، محیط Microsoft Execution Containers (MXC) را از حالت پیش‌نمایش خارج کرد. این قابلیت که مبتنی بر سندباکس است، دسترسی ایجنت‌های هوش مصنوعی به فایل‌ها و شبکه را در سطح سیستم محدود می‌کند.

‏از مهم‌ترین موارد پشتیبانی‌شده در این محیط می‌توان به GitHub Copilot، Codex و LM Studio اشاره کرد؛ همچنین اضافه شدن Claude Code و Perplexity در آینده نزدیک وعده داده شده است.

‏سایر تغییرات معرفی‌شده:
‏* مدیریت هوشمند مدل‌ها: GitHub Copilot تا پایان اکتبر قادر خواهد بود به‌طور خودکار، پردازش وظایف را بین مدل‌های محلی و ابری مسیریابی کند.
‏* پشتیبانی از مدل‌های متن‌باز: کتابخانه llama.cpp به محیط اجرای Windows ML اضافه می‌شود.
‏* معرفی مدل MAI Code 1.1 Flash: نسخه‌ای ۳ بیتی و کوانتایز شده برای اجرای بهینه روی دستگاه‌های کلاینت.
‏* سخت‌افزار جدید: عرضه لپ‌تاپ Surface Laptop Ultra با تراشه NVIDIA RTX Spark و حافظه یکپارچه ۱۲۸ گیگابایتی که از ۱۶ اکتبر در دسترس خواهد بود.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

09 October 2026 13:32

‏🔎 انتشار مدل چندوجهی Perplexity برای جستجوی متنی و تصویری

‏شرکت Perplexity مدل pplx-embed-v2-late-0.6b را برای بازیابی اطلاعات از متن و تصاویر منتشر کرد. این مدل که بر پایه Qwen3.5 توسعه یافته، از معماری ColBERT برای تعامل دیرهنگام (Late Interaction) استفاده می‌کند و می‌تواند اسناد شامل جدول، نمودار و اطلاعات بصری را بر اساس مفهوم جستجو کند.

‏از ویژگی‌های فنی این مدل می‌توان به موارد زیر اشاره کرد:
‏* تولید بردار ۱۲۸-بعدی برای هر توکن جهت حفظ جزئیات بیشتر در مقایسه با روش‌های فشرده‌سازی متن به یک بردار واحد.
‏* استفاده از امتیازدهی MaxSim برای تطبیق دقیق‌تر بخش‌های کوئری با اسناد.
‏* اشتراک فضای جاسازی (Embedding space) بین نسخه‌های 0.6B و 9B، که اجازه می‌دهد ایندکس‌های ساخته‌شده با مدل بزرگ‌تر، توسط نسخه کوچک‌تر جستجو شوند.

‏این ابزار با مجوز MIT منتشر شده و از کتابخانه Sentence Transformers پشتیبانی می‌کند که آن را به گزینه‌ای مناسب برای سیستم‌های RAG تبدیل می‌کند.

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

علم داده (Data Science)

09 October 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #138 | 📌 8 آیتم گزارش | 🧾 از 16 پست بررسی‌شده
🕐 پنجشنبه 1405/07/16 ساعت 14:00 تا جمعه 1405/07/17 ساعت 14:00

🔎 تحلیل کوتاه

عرضه مدل‌های جدید همچون Claude Haiku 5.5 و GPT-6.1 Sol بر بهینه‌سازی عملیاتی و کاهش هزینه‌ اینفرنس متمرکز شده است. همزمان، ابزارهای متعددی برای نظارت و کنترل کیفیت خروجی‌ها معرفی شده‌اند که نشان‌دهنده اولویت‌یافتن دقت در سیستم‌های خودکار است.

معرفی مدل Claude Haiku 5.5
آنتروپیک مدل Haiku 5.5 را با تمرکز بر سرعت بالا و هزینه پایین برای پردازش انبوه درخواست‌ها عرضه کرد.
🔗 مشاهده پست

عرضه حالت Ultrafast برای GPT-6.1 Sol
OpenAI حالت جدید Ultrafast را برای مدل GPT-6.1 Sol جهت افزایش ۸ برابری سرعت نسبت به نسخه استاندارد فعال کرد.
🔗 مشاهده پست

ابزار VeriHarness برای راستی‌آزمایی
گوگل و دانشگاه کمبریج ابزاری برای بررسی و اصلاح خودکار خروجی‌های طولانی‌مدت مدل‌های زبانی ارائه دادند.
🔗 مشاهده پست

معرفی شاخص همسویی Arena
تیم Arena شاخصی برای سنجش ایمنی و خطاهای رفتاری مدل‌های هوش مصنوعی در محیط‌های واقعی منتشر کرد.
🔗 مشاهده پست

سیستم DeLM برای مدیریت غیرمتمرکز
سیستم جدید استنفورد با حذف عامل مرکزی، سرعت حل مسائل توسط مدل‌های هوش مصنوعی را تا ۲.۵ برابر افزایش می‌دهد.
🔗 مشاهده پست

انتشار نسخه دسکتاپ DeepSeek Harness
نسخه پیش‌نمایش v0.2 ابزار DeepSeek Harness برای ویندوز و مک با تمرکز بر مدیریت پلاگین‌ها و اجرای زمان‌بندی‌شده عرضه شد.
🔗 مشاهده پست

پروژه ساخت سلول مجازی جامع
پروژه‌ای ۱.۸ میلیارد دلاری برای رفع کمبود داده در زیست‌شناسی هوش مصنوعی با هدف شبیه‌سازی دقیق آزمایش‌های زیستی آغاز شد.
🔗 ادامه مطلب در سایت

حادثه مسیریابی با Claude در کانادا
یک نوجوان پس از دریافت برنامه کوهنوردی اشتباه از مدل Claude، در مسیر صخره‌ای گرفتار و توسط امدادگران نجات یافت.
🔗 جزئیات کامل در سایت

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

علم داده (Data Science)

09 October 2026 11:51

‏سیستم DeLM برای مدیریت غیرمتمرکز عامل‌های هوش مصنوعی

‏محققان دانشگاه استنفورد سیستم DeLM را معرفی کرده‌اند که با حذف «عامل مرکزی» (Main Agent) در سیستم‌های چندعاملی، کارایی حل مسائل پیچیده را افزایش می‌دهد. این چارچوب به جای هماهنگ‌کننده متمرکز، از یک زمینه مشترک و یک صف وظایف استفاده می‌کند.

‏در این مدل، عامل‌ها به صورت ناهمگام فعالیت می‌کنند، وظایف را تحویل می‌گیرند و یافته‌های خود را بلافاصله با سایرین به اشتراک می‌گذارند تا از دوباره‌کاری و زمان‌های انتظار (حباب‌های ارتباطی) جلوگیری شود.

‏نتایج ارزیابی‌ها در بنچمارک‌های Terminal-Bench و DeepSWE نشان می‌دهد:
‏* سرعت سیستم تا ۲.۴۹ برابر بیشتر از Claude Code و Codex است.
‏* نرخ موفقیت در آزمون‌ها نسبت به قوی‌ترین مدل‌های پایه تا ۱۹.۹ درصد بهبود یافته است.

‏جزئیات بیشتر، کدهای پروژه و مقاله علمی در لینک‌های زیر در دسترس است:
‏پروژه و کد DeLM
‏متن کامل مقاله

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

علم داده (Data Science)

09 October 2026 09:17

‏📊 معرفی شاخص همسویی Arena برای ارزیابی مدل‌های هوش مصنوعی

‏تیم Arena شاخص جدیدی با نام Alignment Index را برای سنجش ایمنی و همسویی مدل‌های هوش مصنوعی در محیط‌های واقعی منتشر کرد. این بنچمارک بر پایه ۹۰ هزار نشست کاری با ۲۷ مدل مختلف طراحی شده و سه شاخص اصلی را اندازه‌گیری می‌کند:

‏- اقدام غیرمجاز (UA): انجام عملی خارج از دستورات یا فراتر از سطح دسترسی کاربر.
‏- انتساب نادرست (FA): استناد به گفته‌ها یا اقداماتی که با مدارک کاربر در تضاد است.
‏- تکمیل فریبنده (DC): ادعای اتمام وظیفه در شرایطی که کار تکمیل نشده است.

‏در نتایج اولیه این شاخص، مدل‌های OpenAI با مدل GPT-6.1-Sol و امتیاز ۸۷.۹ در صدر قرار دارند. پس از آن Claude-Opus-5.5 با ۸۳.۲ و Grok-4.7 با ۸۲.۷ امتیاز جای گرفته‌اند.

‏بر اساس تحلیل‌های این بنچمارک، ریسک عدم‌همسویی با افزایش طول مکالمه بیشتر می‌شود و هرچند اقدامات خطرناک مدل‌ها نادر است، اما وقوع آن‌ها پیامدهای جدی به همراه دارد. با این حال، مقایسه نسل‌های مختلف مدل‌ها نشان می‌دهد که عملکرد ایمنی و همسویی در نسخه‌های جدیدتر بهبود یافته است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

09 October 2026 08:32

‏🤖 انتشار مدل Claude Haiku

‏شرکت Anthropic نسخه جدید Claude Haiku 5.5 را عرضه کرد. مهم‌ترین تغییرات و ویژگی‌های فنی این مدل به شرح زیر است:

‏- هزینه اجرای این مدل به‌طور میانگین ۷۵ درصد کمتر از نسخه 4.5 است.
‏- برای درخواست‌های کمتر از ۱۰۰ هزار توکن، قیمت ۹۰ درصد کاهش یافته و در پردازش‌های طولانی‌تر نیز هزینه‌ها حدود ۵۰ درصد کمتر شده است.
‏- عملکرد مدل در کدنویسی، تعامل با محیط کامپیوتر و بازیابی دانش پیشرفت قابل‌توجهی داشته است.
‏- برای نخستین بار قابلیت تنظیم effort اضافه شده که به کاربر امکان می‌دهد میان هزینه و کیفیت خروجی، توازن ایجاد کند.
‏- مدل به‌صورت اختصاصی برای نقش «زیر-عامل» (Sub-agent) در کنار مدل‌های Opus و Sonnet، و همچنین انجام پردازش‌های انبوه مانند خلاصه‌سازی، طبقه‌بندی داده‌ها و پشتیبانی فنی بهینه‌سازی شده است.

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

علم داده (Data Science)

08 October 2026 19:32

‏🎨 معرفی Gamma 5: بازطراحی پلتفرم ساخت پرزنت

‏تیم Gamma نسخه جدید پلتفرم خود با نام Gamma 5 را منتشر کرد. هدف از این بازطراحی، عبور از خروجی‌های مشابه و کلیشه‌ای ابزارهای هوش مصنوعی و ارائه قابلیت‌های شخصی‌سازی بیشتر برای کاربران است.

‏در این نسخه، امکان طراحی ارائه، داکیومنت و محتوای گرافیکی مطابق با سبک بصری اختصاصی هر برند فراهم شده است. تیم سازنده با بهره‌گیری از مدل‌های تصویرسازی پیشرفته، ابزارهای ویرایش، ایجنت‌ها و کانکتورها را به‌طور کامل بازنویسی کرده‌اند تا کاربران بتوانند ایده‌های خام خود را به پرزنت‌هایی با ظاهر منحصربه‌فرد تبدیل کنند. این ابزار برای طراحان، بنیان‌گذاران و دانشجویانی که نیاز به تولید سریع محتوای بصری دارند، بازطراحی شده است.

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

علم داده (Data Science)

08 October 2026 16:15

‏⚡️ افزایش بی‌سابقه تقاضای برق در آمریکا به‌دلیل مراکز داده هوش مصنوعی

‏طبق گزارش جدید EIA، مصرف برق در ایالات متحده طی سال‌های ۲۰۲۶ و ۲۰۲۷ رکوردهای تازه‌ای ثبت خواهد کرد. رشد فعالیت مراکز داده برای آموزش و اجرای سیستم‌های هوش مصنوعی، عامل اصلی این افزایش است.

‏پیش‌بینی‌ها نشان می‌دهد مصرف برق از ۴.۱۹۵ تریلیون کیلووات‌ساعت در سال ۲۰۲۵ به ۴.۲۸۸ تریلیون در سال ۲۰۲۶ و ۴.۳۵۶ تریلیون در سال ۲۰۲۷ برسد. این روند به معنای اضافه شدن ۱۶۱ میلیارد کیلووات‌ساعت تقاضای جدید تنها در بازه زمانی دو ساله است.

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

علم داده (Data Science)

08 October 2026 15:41

‏⚡ معرفی مدل Claude Haiku 5.5

‏شرکت Anthropic مدل Claude Haiku 5.5 را به‌عنوان سریع‌ترین و اقتصادی‌ترین گزینه در نسل جدید مدل‌های خود معرفی کرد. این مدل برای کاربردهایی با نیاز به سرعت بالا و هزینه پایین، مانند پردازش انبوه درخواست‌ها، سیستم‌های طبقه‌بندی و خودکارسازی، بهینه‌سازی شده است.

‏در خانواده Claude 5.5، این مدل در کنار Opus 5.5 (حداکثر توانمندی) و Sonnet 5.5 (تعادل بین کیفیت و هزینه) قرار می‌گیرد. بر اساس داده‌های منتشرشده، Haiku 5.5 در بنچمارک‌های مختلف عملکرد قابل‌توجهی نسبت به نسل قبل نشان می‌دهد:

‏* در شاخص Knowledge work (بنچمارک GDPval-AA v2.1) امتیاز ۱۶۲۰ را کسب کرده است.
‏* در عملکرد Computer use (بنچمارک OSWorld 2.1) به دقت ۷۲.۴ درصد رسیده است.
‏* در حل مسائل استدلالی چندرشته‌ای (Humanity's Last Exam بدون ابزار) امتیاز ۴۵.۹ درصد را ثبت کرده است.
‏* در وظایف برنامه‌نویسی ایجنتی (Terminal-Bench 4.0) امتیاز ۳۹.۲ درصد دارد.
‏* در استدلال بصری (Chartography) به امتیاز ۴۶.۴ درصد رسیده است.

‏این نتایج نشان می‌دهد که Haiku 5.5 از نظر کیفی به مدل‌های بزرگ‌تر نسل‌های پیشین نزدیک شده است.

علم داده (Data Science)

08 October 2026 12:46

‏🐍 برتری مدل Local Liquid d1 در بازی مار

‏مدل هوش مصنوعی Local Liquid d1 3B در یک آزمایش عملی، عملکرد بهتری نسبت به رابط برنامه‌نویسی OpenAI در کنترل بازی مار (Snake) ثبت کرده است.

‏این مدل که روی یک کارت گرافیک RTX 3090 اجرا شده، برای هر تصمیم‌گیری تنها ۸ میلی‌ثانیه زمان صرف می‌کند. در این بازه زمانی، مدل موفق به انجام ۸۲ حرکت در ثانیه شد و توانست ۸۶ سیب را جمع‌آوری کند.

‏در مقابل، استفاده از API مدل OpenAI در هر فراخوانی ۳۴۵ میلی‌ثانیه زمان نیاز داشت که منجر به ثبت ۳ حرکت و خوردن تنها ۳ سیب در همان محیط شد.

‏جزئیات بیشتر و نحوه اجرای این مدل‌های تصمیم‌گیری در سایت رسمی پروژه قابل دسترسی است.

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

علم داده (Data Science)

08 October 2026 08:36

‏🟨 بازسازی سه‌بعدی محیط از یک تصویر با متد Rome

‏پروژه Rome ابزاری جدید برای تولید مش‌های سه‌بعدی دقیق از روی تنها یک عکس معرفی کرده است. این مدل قادر است هندسه محیط را فراتر از آنچه در تصویر دیده می‌شود، بازسازی و تکمیل کند.

‏این روش برای کاربردهای مختلفی از جمله فضاهای داخلی، خارجی و محیط‌های مقیاس‌بزرگ طراحی شده است. اطلاعات فنی و جزئیات عملکرد این متد در قالب‌های زیر قابل دسترسی است:

‏* مقاله علمی
‏* بررسی فنی

‏مخزن کدهای این پروژه نیز در آینده نزدیک منتشر خواهد شد.

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

علم داده (Data Science)

07 October 2026 17:06

‏🔎 بهینه‌سازی مصرف حافظه در مدل‌های Looped

‏مدل‌های Looped LM با عبور دادن توکن‌ها از یک بلوک لایه‌های تکراری، عمق مدل را بدون افزایش تعداد پارامترها افزایش می‌دهند. مشکل اصلی این ساختار، مصرف بالای حافظه به دلیل انباشت KV-cache در هر تکرار بود.

‏محققان با مشاهده اینکه وضعیت درونی مدل در تکرارهای نهایی تقریباً ثابت می‌ماند، روشی برای نگهداری فقط کلیدها و مقادیر نهایی ابداع کردند. نتایج این رویکرد به شرح زیر است:

‏* کاهش ۳ برابری نیاز به حافظه KV-cache برای رسیدن به عملکردی مشابه مدل‌های ۱۲ بلوکی.
‏* افزایش سرعت پردازش پرامپت (Prefill) تا ۱.۷۹ برابر.
‏* بهبود ۲ برابری در سرعت آموزش RL.

‏در مدل ۱.۶ میلیارد پارامتری، مدل Looped با ۴ بلوک، عملکردی در سطح مدل‌های ۵ میلیارد پارامتری معمولی نشان می‌دهد. برای بررسی جزئیات فنی و پیاده‌سازی، کد و چک‌پوینت‌ها در گیت‌هاب این پروژه و مقاله آن در arXiv در دسترس است.

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

علم داده (Data Science)

07 October 2026 15:51

‏⚙️ انتشار کتابخانه Rebalancer توسط متا

‏متا ابزار Rebalancer را به صورت متن‌باز منتشر کرد. این سیستم طی ۹ سال گذشته مسئول تخصیص منابع در زیرساخت‌های این شرکت بوده و روزانه حدود ۴۰ میلیون مسئله تخصیص را در بیش از ۳۰ حوزه مختلف، از جای‌گذاری شاردها تا مسیریابی ترافیک جهانی، حل می‌کند.

‏نوآوری اصلی این ابزار در جدا کردن مشخصات مسئله از حل‌کننده (Solver) است. کاربر اشیا، مخازن، محدودیت‌ها و اهداف را تعریف می‌کند و سیستم آن را به یک گراف عبارتی تبدیل کرده و با استفاده از جستجوی محلی موازی یا حل‌کننده‌های MIP مانند Gurobi یا HiGHS حل می‌کند.

‏در مقیاس‌های بسیار بزرگ که مدل‌های MIP به دلیل پیچیدگی محاسباتی کارایی ندارند، متا از جستجوی محلی استفاده می‌کند که سرعت آن به میلیون‌ها حرکت در ثانیه می‌رسد. طبق داده‌های تولیدی، زمان حل برای ۲۶۵ هزار شیء در ۳.۲ هزار مخزن حدود ۱۲ ثانیه است و در مسائل بزرگتر با بیش از یک میلیون شیء، زمان میانگین به ۱۷۱ ثانیه می‌رسد.

‏جزئیات فنی بیشتر را می‌توانید در بلاگ مهندسی متا یا مقاله منتشر شده در OSDI 2024 مطالعه کنید.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

07 October 2026 15:29

‏🏢 شرکت‌های برنده آینده: کوچک‌تر، چابک‌تر و با لایه‌های مدیریتی کمتر

‏توسعه ابزارهای هوش مصنوعی این ایده را تقویت کرده است که برندگان رقابت‌های تجاری در سه سال آینده، دیگر غول‌های سنتی با ساختارهای سازمانی پیچیده و چندلایه نخواهند بود.

‏با ورود هوش مصنوعی به فرایندهای کاری، پیش‌بینی می‌شود سازمان‌های کوچک‌تر و سریع‌تری که سلسله‌مراتب مدیریتی بسیار کمتری دارند، شانس بیشتری برای موفقیت داشته باشند. اتوماسیون وظایف، افزایش بهره‌وری فردی با کمک دستیارهای هوشمند و سرعت بالا در تصمیم‌گیری، از عوامل اصلی این تغییر ساختار هستند. در این شرایط، توانایی انطباق سریع با بازار جایگزین مزیت ناشی از بزرگ بودن ابعاد شرکت‌ها می‌شود.

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

علم داده (Data Science)

05 October 2026 19:41

‏🧠 کاهش دستورات در مدل‌های هوش مصنوعی جدید

‏شرکت‌های OpenAI و Anthropic در راهنماهای اخیر خود برای مدل‌های جدید، یک استراتژی مشترک را توصیه کرده‌اند: به جای نوشتن پرامپت‌های طولانی و جزئی، دستورات اضافی را حذف کنید.

‏طبق راهنمای مدل جدید OpenAI، توضیحات بسیار دقیق اکنون باعث کاهش کیفیت خروجی می‌شود. به جای لیست کردن مراحل، بهتر است تنها «نتیجه مطلوب»، «حدود اختیارات» و «تعریف وضعیت پایان کار» را مشخص کنید.

‏در مدل Claude Opus 5.5 نیز توصیه‌های مشابهی ارائه شده است:
‏* جملاتی مانند «با دقت فکر کن» را از پرامپت حذف کنید؛ این کار سرعت پاسخ‌دهی را بدون کاهش کیفیت بهبود می‌دهد.
‏* به جای عبارت کلی «مانند هوش مصنوعی نباش»، ویژگی‌های دقیق و ایجابی (مانند رنگ پس‌زمینه یا فرمت خاص) را لیست کنید.

‏بررسی‌های فنی نشان می‌دهد که برای مدل Opus، حجم پرامپت‌های سیستمی را می‌توان تا ۸۰ درصد کاهش داد. برای نمونه، در پروژه‌ی Claude Code، با حذف دستورات بلااستفاده و «نقش‌های» غیرضروری، تعداد مهارت‌های تعریف‌شده از ۵۳ به ۲۴ رسید که منجر به انتخاب دقیق‌تر ابزارها توسط مدل شد.

‏شما می‌توانید جزئیات بیشتر را در مستندات رسمی زیر بررسی کنید:
‏* راهنمای عملی مدل جدید OpenAI
‏* نکات پرامپت‌نویسی برای Astra
‏* مهندسی پرامپت برای Claude Opus 5.5
‏* توضیحات سازنده Claude Code درباره بهینه‌سازی سیستم

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