12690
👈 کانال علم داده و هوش مصنوعی رضا شکرزاد 🔘 نقشهراه یادگیری 🔘 معرفی و دانلود منابع 🔘 مقاله وبسایت دپارتمان: cafetadris.com/datascience ارتباط با ادمین، درخواست منتورشیپ و پروژه: https://t.me/dslanders_admin یوتیوب: Youtube.com/@RezaShokrzad
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
📉 خبر ۱: آگهیهای استخدام «دنبال نیرو هستیم» در Hacker News به پایینترین سطح ۱۲ سال گذشته رسیده، چون هوش مصنوعی وارد نیمی از کارها شده و نیاز به نیروی انسانی کم شده است.
🏫 خبر ۲: والدین برای مدرسه هوش مصنوعی Alpha سالی ۷۵ هزار دلار میپردازند، اما نصف دانشآموزان به هدف درس ریاضی نرسیدند و این پرسش جدی مطرح شده که آموزش با AI چقدر جواب میدهد.
🌿 خبر ۳: ابزار db-branch با استفاده از ZFS در چند ثانیه از دیتابیس یک شعبه جدا میسازد تا ایجنتهای هوش مصنوعی و تستهای CI روی نسخهای امن و مستقل کار کنند.
🧭 خبر ۴: یک مقاله آموزشی تازه نحوه کار «embedding موقعیتی» در مدلهای زبانی بزرگ را ساده توضیح میدهد؛ یعنی مدل چطور ترتیب و جای کلمات در جمله را میفهمد.
🐍 خبر ۵: Gawain ابزار جدید پایتون است که تعیین نوع داده را روی همه متغیرها اجباری میکند تا خطاها پیش از اجرای برنامه گرفته شود و کد تمیزتر بماند.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
📝 خبر ۱: Claude حالا میتواند بهعنوان یک شرکتکننده واقعی وارد تماسهای Google Meet شود، همانجا یادداشت بردارد و به سؤالهای حاضران جواب بدهد.
💳 خبر ۲: Replit Agent حالا خودش خریدهای کاری انجام میدهد و کمپین تبلیغاتی Google Ads راه میاندازد؛ پرداختها هم با Visa و Stripe کنترلشده و امن انجام میشود.
📓 خبر ۳: هوش مصنوعی دفترچههای خطی Gödel را بازخوانی کرده و ظاهراً صدها قضیه اثباتشده را از نوشتههای منتشرنشده او بیرون کشیده است.
🛡️ خبر ۴: ابزار تازهای برای شناسایی رفتار عجیب عاملهای هوش مصنوعی، ۸۷ درصد دستورهای خطرناک را در آزمونهای مستقل گرفته و کمک میکند تیمها عامل سرکش را زود بگیرند.
🔊 خبر ۵: LiquidCodec صدا را سریع و با مصرف حافظه کم به داده قابلپردازش تبدیل میکند و ساخت اپهای گفتوگوی زنده و بلادرنگ را خیلی سادهتر میکند.
@dslanders
📋 تیپ #48
چکلیست کوتاه برای ساخت اولین ایجنت
پیش از نوشتن حتی یک پرامپت، پنج چیز را روی کاغذ بیاورید: هدف در یک جمله، ابزارهایی که ایجنت اجازه دارد صدا بزند، چیزی که بین مراحل به خاطر میسپارد، شرط توقف سخت (سقف مراحل یا بودجه) و معیاری که موفقیت را نشان میدهد. بعد کوچکترین حلقه ممکن را با یک ابزار بسازید و هر مرحله را لاگ کنید. ایجنتی که شرط توقف ندارد، در واقع یک حلقه بیپایان گرانقیمت است 🔁.
Five checks before building your first agent
Before you write a single prompt, put five things on paper: the goal in one sentence, the tools the agent is allowed to call, what it remembers between steps, a hard stop (max steps or budget), and how you will know it succeeded. Then build the smallest loop you can with one tool, and log every step. An agent with no stop condition is just an expensive while-loop 🔁.
@dslanders
🎙️ تیپ #47
قطعکردن حرف، راز گفتگوی طبیعی با ایجنت صوتی
کیفیت یک ایجنت صوتی بیشتر از هوش مدل، به مدیریت نوبت و قطعکردن حرف بستگی دارد. صدا را در هر دو جهت بهصورت جریانی رد و بدل کنید و روی ورودی تشخیص فعالیت صوتی بگذارید تا بهمحض شروع صحبت کاربر، پاسخ در حال تولید لغو شود. وقفه ✋ باید واقعاً تولید را متوقف کند و بافر صدا را پاک کند، نه اینکه فقط ولوم را کم کند. فاصلهٔ زمانی را زیر حدود ۸۰۰ میلیثانیه نگه دارید، وگرنه گفتگو شبیه بیسیم میشود.
Real-time voice agents: interruption is the core feature
A real-time voice agent lives or dies by how it handles being cut off mid-sentence. Stream audio in both directions and run voice activity detection on the input, so the model can cancel its in-flight reply the moment you start speaking instead of finishing its paragraph first. Treat ✋ barge-in as a first-class feature: it must abort generation and flush the audio buffer, not just duck the volume. Keep the end-to-end gap under roughly 800 ms, or the conversation starts to feel like a walkie-talkie.
@dslanders
🚦 تیپ #46
گردشکار ثابت یا ایجنت خودمختار؟ سادهترین گزینه را بردارید
پیش از آنکه سراغ یک ایجنت خودمختار بروید، بپرسید آیا میتوانید مراحل کار را روی یک تکه کاغذ بکشید. اگر وظیفه روشن و تکرارشدنی است، همان گردشکار ثابت (زنجیره پرامپت، مسیریابی، پایپلاین قطعی) ارزانتر، سریعتر و بسیار سادهتر برای دیباگ کردن است. فقط وقتی سراغ ایجنت بروید که مسیر از پیش معلوم نیست و مدل باید در لحظه تصمیم بگیرد قدم بعدی چیست. یک قاعده ساده: اگر میتوانید 🛤️ را بکشید، همان گردشکار را بسازید؛ خودمختاری بهایی است که برای انعطاف میپردازید، نه امکانی که برای جلوه اضافه میکنید.
Fixed workflow or autonomous agent: pick the simplest that works
Before reaching for an autonomous agent, ask whether you could just draw the steps on a napkin. If the task is well-defined and repeatable, a fixed workflow (prompt chaining, routing, a deterministic pipeline) is cheaper, faster, and far easier to debug. Go agentic only when the path genuinely cannot be known in advance and the model has to decide the next step at runtime. Rule of thumb: if you can draw the 🛤️, build the workflow, because autonomy is a price you pay for flexibility, not a feature you add for style.
@dslanders
🧠 تیپ #45
مدلهای استدلالی: کجا فکر بیشتر بهصرفه است
مدلهای استدلالی پیش از پاسخ، توکنهای بیشتری را صرف مرور درونی میکنند و این هزینه تنها جایی جواب میدهد که مسئله چندمرحلهای و قابلراستیآزمایی باشد؛ مثل ریاضی، کد، برنامهریزی یا مسائل شرطی ⏳. برای کارهایی مثل دستهبندی، استخراج اطلاعات یا پرسشهای ساده، همین فکر اضافه فقط تأخیر و هزینه میسازد، چون توکنهای استدلال مثل توکن خروجی حساب میشوند. پس بر اساس سختی کار مسیردهی کنید: به کارهای سخت و قابلبررسی بودجه فکر بالا بدهید و کارهای ساده یا سلیقهای را به یک مدل سریع بدون استدلال بسپارید.
Reasoning models: when extra thinking actually pays off
Reasoning models burn extra tokens on internal deliberation before answering, and that budget only pays off on tasks with verifiable, multi-step structure: math, code, planning, constraint puzzles ⏳. On classification, extraction, or simple lookups it just adds latency and cost, since reasoning tokens are billed like output tokens. So route by difficulty: give hard, checkable tasks a high thinking budget, and send easy or subjective ones to a fast non-reasoning model.
@dslanders
🏠 تیپ #44
اجرای محلی مدلهای باز برای ایجنت: حریم خصوصی و هزینه
وقتی مغز ایجنت روی یک API ابری اجرا میشود، هر پرامپت و هر خروجی ابزار از دستگاه شما بیرون میرود. اگر مدل باز را روی سختافزار خودتان سرو کنید، با ابزارهایی مثل Ollama یا vLLM، دادهها روی همان ماشین میمانند 🔒 و هزینهی توکنی جای خود را به یک هزینهی ثابت میدهد. البته مدلهای کوچک محلی در زنجیرههای طولانی فراخوانی ابزار ضعیفتر عمل میکنند؛ پس گامهای حساس یا پرتکرار را محلی نگه دارید و استدلالهای سنگین را به مدل بزرگتر بسپارید.
Local models for agents: privacy and predictable cost
When your agent runs on a hosted API, every prompt, tool output, and retrieved document leaves your machine. Serving an open-weight model locally with Ollama, llama.cpp, or vLLM keeps that traffic on your own hardware 🔒 and turns a per-token bill into a fixed electricity and GPU cost. The trade-off is real: smaller local models are weaker at long multi-step tool use, so route sensitive or high-volume steps locally and keep a frontier model for the hard reasoning.
@dslanders
⏳ تیپ #43
مهلتها، تلاش دوباره و فراخوانی تکرارپذیر ابزار
هر فراخوانی ابزار در ایجنت باید یک مهلت مشخص داشته باشد، وگرنه یک درخواست معلق کل حلقهی استدلال را قفل میکند. اما تلاش دوبارهی کورکورانه میتواند از تلاش نکردن خطرناکتر باشد: اگر ابزار کارش را انجام داده باشد و فقط پاسخ گم شده باشد، درخواست دوم همان عملیات را دوباره اجرا میکند. راهحل این است که هر ابزار را با یک کلید یکتای سمت کلاینت تکرارپذیر کنید تا سرور درخواست تکراری را تشخیص بدهد و همان نتیجهی قبلی را برگرداند 🔁، و بعد فقط روی timeout و خطاهای 429 و 5xx با backoff نمایی و jitter دوباره تلاش کنید.
Timeouts, retries, and idempotent tool calls
Every tool call your agent makes needs a hard deadline, because one hung HTTP request can stall the entire reasoning loop. But blind retrying is often worse than no retrying: if the tool already ran and only the response was lost, a second call can charge the card twice. The fix is to make each tool idempotent with a client-generated idempotency key, so the server recognizes the duplicate and replays the original result 🔁, and to retry only on timeouts, 429s, and 5xx with exponential backoff plus jitter.
@dslanders
🙋 تیپ #42
بهجای حدس زدن، یک سؤال روشنکننده بپرسید
وقتی درخواست کاربر مبهم است، ارزانترین راه یک پرسش کوتاه است، نه یک حدس مطمئننما. ایجنتهایی که خودشان جای جزئیات خالی را پر میکنند، پاسخهایی باورپذیر اما غلط میسازند و کاربر تازه بعد از خراب شدن کار متوجه میشود. به ایجنت یاد بدهید وقتی یک فیلد ضروری مثل تاریخ، حساب یا دامنهی کار مشخص نیست، بایستد و بپرسد ❓ و بعد با جواب کاربر ادامه دهد.
Ask a Clarifying Question Instead of Guessing
When a request is ambiguous, the cheapest fix is one short question, not a confident guess. Agents that fill in missing details on their own produce plausible but wrong actions, and the user only finds out after the damage is done. Give the agent a required-slots checklist and let it stop and ask ❓ before calling any tool, then resume once the answer arrives.
@dslanders
🔐 تیپ #41
کمترین دسترسی لازم برای ابزارها و کلیدهای API
به هر ابزاری که در اختیار ایجنت میگذارید، کلیدی بدهید که فقط همان یک کار را انجام دهد و بس. مثلاً ابزار ارسال ایمیل باید کلیدی داشته باشد که تنها اجازهٔ ارسال دارد، نه خواندن صندوق ورودی و نه حذف پیامها؛ اینطور اگر تزریق پرامپت ایجنت را منحرف کند، فقط یک در 🔑 باز میشود نه کل ساختمان. تا جای ممکن از توکنهای کوتاهمدت و مخصوص هر تسک استفاده کنید و هر فراخوانی را لاگ بگیرید تا پیش از گستردهتر کردن دسترسی، بدانید واقعاً کدام scope مصرف میشود.
Least privilege for agent tools and API keys
Give every agent tool its own credential, scoped to exactly the actions that tool performs and nothing else. A send-email tool should hold a key that can only send, never read the inbox or delete messages, so a prompt injection that hijacks the agent inherits a key that opens one door 🔑 instead of the whole building. Prefer short-lived, per-task tokens over long-lived org-wide keys, and log every call so you can see which scopes are actually used before you widen anything.
@dslanders
🧪 تیپ #40
مجموعهٔ تست طلایی، ترمزی برای پسرفتهای خاموش ایجنت
وقتی ایجنت چندمرحلهای دارید، یک تغییر کوچک در پرامپت سیستم یا توضیح ابزار میتواند بیسروصدا رفتاری را خراب کند که هفتهٔ پیش درست کار میکرد. راهحل این است که مجموعهای ثابت از ۲۰ تا ۵۰ وظیفهٔ واقعی با پاسخ درست را نگه دارید و بعد از هر تغییر دوباره اجرا کنید. نرخ قبولی این مجموعه معیار 🥇 شماست: اگر تغییری آن را پایین بیاورد، آن تغییر منتشر نمیشود.
Golden test sets: catching agent regressions
A golden test set is a frozen batch of real tasks with known-good outcomes that you re-run before every prompt, model, or tool change. Agents are non-deterministic and multi-step, so a one-line tweak to a system prompt can silently break something that worked last week. Keep 20 to 50 cases pulled from real failures and edge cases, then treat the pass rate as your 🥇 standard: if a change lowers it, the change does not ship.
@dslanders
⚖️ تیپ #39
داوری با مدل زبانی و دامهایی که باید بشناسید
سپردن نمرهدهی خروجی یک ایجنت به مدل زبانی دیگر، ارزانترین راه ساختن حلقه ارزیابی است، اما داور هم سوگیریهای خودش را با خودش میآورد. مدل معمولاً پاسخی را که اول میبیند ترجیح میدهد، به جوابهای طولانیتر نمره بالاتر میدهد و بیسروصدا متنی را میپسندد که شبیه نوشته خودش است ⚖️. راهحل ساده است: جای گزینهها را عوض کنید و میانگین بگیرید، با روبریک یا پاسخ مرجع نمره بدهید، و یک مجموعه کوچک برچسبخورده انسانی نگه دارید تا مطمئن شوید نمرههای داور واقعاً همان چیزی را میسنجند که برایتان مهم است.
LLM-as-judge: three biases to design around
Handing grading to another model is the cheapest way to build an eval loop, but the judge brings its own biases into the room. It tends to favor whichever answer it sees first, rewards longer responses, and quietly prefers text that resembles its own ⚖️. Swap the order of the candidates and average the scores, grade against a rubric or reference answer, and keep a small human-labeled set to confirm the judge's scores track what you actually care about.
@dslanders
🔁 تیپ #38
حلقهٔ خواندن، ویرایش و تست در ایجنتهای کدنویس
یک ایجنت کدنویس بهندرت کد را در یک قدم درست مینویسد. کارش یک حلقه است: فایلهای مرتبط را میخواند، یک ویرایش کوچک انجام میدهد، تست را اجرا میکند و خروجی خطا را به تلاش بعدی برمیگرداند. نکتهٔ اصلی این است که هر ویرایش را آنقدر کوچک نگه دارید که یک تست قرمز دقیقاً بگوید چه چیزی شکسته است 🔁.
Coding agents: the read, edit, test loop
Coding agents almost never get code right in one shot. They work in a loop: read the relevant files, make one small edit, run the tests, then feed the failure output back into the next attempt. The whole trick is keeping each edit small enough that a red test tells you exactly what broke 🔁.
@dslanders
🖥️ تیپ #37
به ایجنت مرورگر نقشه بدهید، نه فقط پیکسل
بیشتر شکستهای ایجنتهای کامپیوتری از ضعف مدل نیست، از این است که مجبورشان میکنیم مختصات پیکسلی حدس بزنند. کافی است هر عنصر قابل کلیک را با یک شماره برچسب بزنید و درخت دسترسپذیری (accessibility tree) را در اختیار ایجنت بگذارید تا بهجای «کلیک روی (۴۱۲، ۲۳۳)» بگوید «کلیک روی عنصر ۱۷» 🖱️. همین تغییر کوچک، عملیات شکننده را به اقدامی قابلآزمون و قابلردیابی تبدیل میکند.
Give computer-use agents a map, not just pixels
Most computer-use agents fail not because the model is weak, but because you asked it to guess pixel coordinates. Label every interactive element with a numbered mark and hand the agent the accessibility tree, so it answers "click element 17" instead of "click (412, 233)" 🖱️. That single change turns a flaky coordinate guess into an action you can log, assert on, and debug after the UI shifts.
@dslanders
📦 تیپ #36
محیط ایزوله برای کد ایجنت: نه شبکه، نه راز، نه هاست
هرگز نگذارید ایجنت کدی را که خودش نوشته، در همان پروسه و همان کانتینر و با همان دسترسیهای خودش اجرا کند. محیط اجرا باید یک سندباکس یکبارمصرف باشد: شبکه بسته بهصورت پیشفرض، فایلسیستم فقطخواندنی، کاربر غیر root، قابلیتهای اضافی لینوکس حذفشده و سقف مشخص برای CPU، حافظه و زمان؛ اینطوری یک حلقه بیپایان یا دستوری که از راه تزریق پرامپت جا خوش کرده، داخل همان جعبه 🔒 میماند و به هاست نمیرسد. برای کد واقعاً غیرقابلاعتماد سراغ مرزهای قویتر مثل gVisor یا میکروVM بروید و کلیدهای API را بیرون از سندباکس نگه دارید و فقط از طریق پروکسی خروجی تزریق کنید.
Sandbox agent code: no network, no secrets, no host
Never let an agent execute the code it just wrote inside the same process, container, or credential scope as the agent itself. Give it a disposable sandbox instead: no network by default, read-only root filesystem, non-root user, dropped Linux capabilities, and hard CPU, memory, and wall-clock limits, so a runaway loop or a prompt-injected payload dies inside the box 🔒 instead of on your host. For genuinely untrusted code, use a stronger boundary than a plain container, such as gVisor or a Firecracker microVM, and keep every secret outside the sandbox, injected only at the egress proxy.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
🎯 خبر ۱: در تالار Ask HN فهرستی از مهارتهای هوش مصنوعی جمع شده که آدم میتواند تنهایی یاد بگیرد؛ از نوشتن دستور تا ساختن ایجنت، برای اینکه در بازار کار برتری پیدا کند.
⚠️ خبر ۲: یک استاد حقوق از Claude خواست شماره صفحهها را مرتب کند، اما مدل کل برنامه درسی و یادداشتهای یک سال تدریسش را پاک کرد؛ درس مهم: قبل از سپردن فایل به هوش مصنوعی پشتیبان بگیرید.
🔓 خبر ۳: پژوهش یک محقق نشان داد اپهایی که با Lovable ساخته شدهاند اطلاعات پاسپورت و بیش از ۲۰۰ هزار پیام خصوصی کاربران را در دسترس عمومی گذاشتهاند؛ سازندگان بدون کد باید تنظیمات دسترسی داده را چک کنند.
🧪 خبر ۴: یک توسعهدهنده مدل DeepSeek V3 را در حدود ۲۰۰ خط کد خالص Jax از نو نوشته؛ نسخهای فشرده برای کسانی که میخواهند ساخت مدلهای زبانی را یاد بگیرند و آزمایش کنند.
⚡ خبر ۵: مدل GLM-5.3 با vLLM روی دو ایستگاه DGX انویدیا به سرعت ۶۰۷.۸ توکن در ثانیه رسیده؛ یعنی سرویسهایی با درخواست زیاد میتوانند خیلی سریعتر پاسخ بدهند.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
⚖️ خبر ۱: گوگل API تازهای به اسم Gemini Decisions معرفی کرد که از روی عکس و متن، سریع و با دقت تصمیم میگیرد و برای ساختن دستهبندهای خودکار در همین امروز به کار میآید.
🤖 خبر ۲: شرکت Runway مدل رباتیکی Praxis-1 را با ۲۷ میلیارد پارامتر و مجوز باز Apache 2.0 منتشر کرد؛ مدلی که ویدیو و حرکت بعدی را پیشبینی میکند تا کنترل رباتها ممکن شود.
🔌 خبر ۳: OpenAI افزونههای MCP را برای TypeScript و Python متنباز کرد تا برنامهنویسها بتوانند اپهای نوار کناری ChatGPT و نمایشگر فایل را به سرورهای خودشان اضافه کنند.
🧮 خبر ۴: یک مقایسه تازه نشان میدهد هر درخواست از طریق سرورهای MCP هزاران توکن اضافه مصرف میکند، در حالی که CLI و skills بسیار سبکترند؛ پس قبل از وصل کردن ایجنتها هزینه بافت را حساب کنید.
📉 خبر ۵: دستیار هوش مصنوعی Airbnb هزینه پشتیبانی به ازای هر رزرو را بیش از ۱۷ درصد کم کرد و حدود ۴۰ درصد مشکلات را بدون دخالت اپراتور انسانی حل میکند.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
🎙️ خبر ۱: مایکروسافت مدل صوتی MAI-Transcribe-2 را معرفی کرد و میگوید سریعترین و ارزانترین مدل تبدیل گفتار به متن است؛ حالا میفهمد کدام جمله را کدام گوینده گفته و تنظیمات دلخواه هم دارد.
🐝 خبر ۲: گوگل در ابزار Antigravity دستور تازهای به نام swrm اضافه کرده که چند عامل هوش مصنوعی با نامهای مشخص، کار یک پروژه را بین خودشان تقسیم میکنند و همزمان پیش میبرند.
🏪 خبر ۳: OpenAI قابلیت Businesses in ChatGPT را راه انداخت؛ کسبوکارها میتوانند پروفایل خودشان را ثبت کنند و فهرست محصولات را با قیمت اضافه کنند تا داخل گفتوگوها دیده شوند.
⚠️ خبر ۴: بیش از ۳۵ هزار اپلیکیشنی که با Grok ساخته شده بودند برای هر کسی که لینکش را داشت باز بود؛ ابزارهای داخلی کارمندان و حتی نتیجه آزمایشهای پزشکی بیماران لو رفت.
✈️ خبر ۵: یونایتد ایرلاینز اعلام کرد که دستیارهای هوش مصنوعی اجازه ندارند به جای مسافران بلیت هواپیما بخرند؛ نشانهای از اینکه شرکتها ممکن است جلوی رباتهای خودکار را بگیرند.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
💻 خبر ۱: اپل داره یه اپ Mac میسازه که دانلود و اجرای مدلهای هوش مصنوعی روی خود کامپیوتر، نه اینترنت، رو ساده میکنه و راهاندازی رو راحتتر میکنه.
🗜️ خبر ۲: ابزاری با یک کلیک مدلهای زبانی بزرگ را تقریباً بیافت سه برابر فشرده میکند و اجرای محلی با کمتر از ۵۰ مگابایت رم ارزانتر میکند.
📊 خبر ۳: Anthropic سه ابزار تازه به Claude اضافه کرده: Claude Whiteboards برای کارهای تصویری، Claude Sheets برای صفحهگسترده و Claude Data برای تحلیل داده.
✨ خبر ۴: حالا Gemini 4 Carbon در دسترس است و کاربران میتوانند این مدل جدید را در کارهای روزمرهشان با هوش مصنوعی امتحان کنند.
⏱️ خبر ۵: پژوهشی نشان میدهد کاربران هوش مصنوعی روزانه تا ۹۰ دقیقه بیشتر کار میکنند، که پرسشهایی درباره بهرهوری و فرسودگی شغلی ایجاد کرده است.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
🔀 خبر ۱: OpenRouter دو روتر تازه به نامهای Auto و Auto Code معرفی کرد که خودشان مدل مناسب هر درخواست را انتخاب میکنند و به گفته شرکت تا چهار برابر عملکرد بهتری میدهند.
🧠 خبر ۲: Anthropic توضیح داده که عاملهای هوشمند چطور تجربههایشان را در حین کار ذخیره میکنند و در زمان بیکاری مرتبشان میکنند تا حافظه بلندمدت برایشان ساخته شود.
✨ خبر ۳: اپ Muse شرکت Meta حالا بخش Spaces دارد؛ کاربر میتواند یک تجربه تعاملی شخصی مثل دفترچهی هدیهها را با توصیف کلامی بسازد و تحویل بگیرد.
🚀 خبر ۴: مدل Claude Fable 5.2 در جدول Artificial Analysis امتیاز ۶۵ گرفته که بالاترین رکورد تا امروز است؛ یعنی یک مدل تازه برای امتحان کردن دارید.
🔐 خبر ۵: نسخه دسکتاپ ChatGPT حالا SSH محلی شما را به ماشینهای راه دور وصل میکند و ایجنتهای دور میتوانند از اعتبار GitHub شما استفاده کنند؛ همین حالا این تنظیم را بررسی کنید.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
🖥️ خبر ۱: پروژهای به نام llama-modchip موفق شده مدل ۲۸۴ میلیارد پارامتری DeepSeek را با فقط ۶۴ گیگابایت رم و بدون کارت گرافیک اجرا کند، تا کاربران عادی هم بتوانند مدلهای غولپیکر را روی کامپیوتر خودشان امتحان کنند.
📧 خبر ۲: سرویس Outlook.com بیسروصدا ایمیلهایی را که از دامنههای بدون رکورد امنیتی DMARC میآیند رد میکند؛ اگر این رکورد را به دامنهتان اضافه نکنید، ممکن است ایمیلهایتان به دست مخاطب نرسد.
🧠 خبر ۳: یک متخصص فهرستی از عادتهای عملی را منتشر کرده که جلوی «خستگی مغز بر اثر هوش مصنوعی» را میگیرد و کمک میکند کاربران پرمصرف چتباتها تمرکزشان را حفظ کنند و از فرسودگی دور بمانند.
😄 خبر ۴: ابزاری شوخیگونه به نام RAM-Altman یک اسکریپت bash است که رم استفادهنشده کامپیوتر شما را در ایمیلی به سم اَلتمن، مدیر OpenAI، گزارش میدهد و واقعاً قابل اجراست.
🏦 خبر ۵: گلدمن ساکس دسترسی بانکداران و معاملهگرانش به ابزار کدنویسی Claude Code را قطع میکند؛ نشانهای از اینکه شرکتهای تحت نظارت قوانین سختگیرانه، هنوز به ابزارهای کدنویسی هوش مصنوعی اعتماد کامل ندارند.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
⚠️ خبر ۱: تنظیم دیگر نپرس در Claude Code باعث نشت رمزهای عبور به ۱۱۲۲ فایل عمومی GitHub شد، پس برنامهنویسها باید زودتر دسترسیهای ذخیرهشده را بررسی کنند.
👁️ خبر ۲: یک اپلیکیشن رایانهای که به اینترنت نیاز ندارد یادت میاندازد پلک بزنی تا برنامهنویسها و طراحها هنگام کار طولانی با نمایشگر کمتر چشمشان خسته شود.
🎮 خبر ۳: رئیس سابق PlayStation میگوید نوآوری واقعی یعنی دوباره کنسول ۳۰۰ دلاری بسازیم که نشان میدهد قیمت بالای قطعات سختافزاری چطور بازار بازی را شکل میدهد.
🔬 خبر ۴: بستن گروه AI Frontiers در مایکروسافت ریسرچ نشان میدهد شرکتهای بزرگ فناوری شاید پژوهشهای جاهطلبانه هوش مصنوعی را در تیمهای کمتر متمرکز کنند.
⏳ خبر ۵: یک مقاله علمی نشان میدهد موجودات چطور میتوانند مدتی کارهای زیستی بدنشان را متوقف کنند و زنده بمانند و این انتظار محدودیتهای غافلگیرکنندهای دارد.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
💳 خبر ۱: حالا میشود حساب بانکی و کارت اعتباری را به Claude وصل کرد و از او موجودی، خرجها و تراکنشها را پرسید؛ اتصال هم امن است.
🔗 خبر ۲: Cursor کاری تازه دارد: فقط توضیح میدهی چه اپی میخواهی، خودش میسازد، امنش میکند و با یک لینک قابل اشتراک منتشرش میکند.
🤖 خبر ۳: Perplexity عاملهای هوش مصنوعی مخصوص کار راه انداخته که کارهای تکراری را خودکار انجام میدهند؛ گزینهای فراتر از چتبات برای تیمها.
🌍 خبر ۴: NVIDIA چهار مدل باز Cosmos 3 منتشر کرد که دنیای مجازی و صحنههای رانندگی را شبیهسازی میکنند و توسعهدهندهها میتوانند امتحانشان کنند.
🔬 خبر ۵: Anthropic توضیح داده پژوهشگرها چطور از Claude برای کشفهای علمی استفاده میکنند و نمونههای واقعی از سریعتر شدن کار آزمایشگاه آورده است.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
💾 خبر ۱: یک دستیار بقای آفلاین ساخته شده که مدل زبانی محلی و دانشنامهٔ Kiwix را از روی فلشمموری اجرا میکند و بدون هیچ اینترنتی به شما جواب میدهد.
🔍 خبر ۲: ابزار Pangram Image 1.0 تصویرها و ویدیوهای ساختهشده با هوش مصنوعی را تشخیص میدهد و با نقشهٔ حرارتی دقیقاً نشان میدهد کدام بخشها مصنوعی هستند.
✂️ خبر ۳: پژوهشگرها میگویند مدلهای پیشرفته با متنهای خیلی کوتاهتر هم همان دقت را حفظ میکنند، پس میشود حجم دستورها را کم کرد بدون افت کیفیت.
🛡️ خبر ۴: OpenAI یک سیستم خودکار ساخته که در یک اجرا ۹۴۸ آسیبپذیری لینوکس را پیدا کرد، از آنها سوءاستفاده کرد و وصلهشان کرد تا تعمیر امنیتی سریعتر شود.
🤖 خبر ۵: Tencent مدل متنباز و چندرسانهای Hy4 را معرفی کرد که تصویر را هم میفهمد و قرار است وزنهایش بهزودی عمومی منتشر شود.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
💰 خبر ۱: کم کردن سطح استدلال مدلهای هوش مصنوعی هزینهی API را خیلی بیشتر از آنکه کیفیت پاسخ را پایین بیاورد کاهش میدهد، پس اول تنظیمات کم را امتحان کنید.
🔌 خبر ۲: API تازهی Notebook در Gemini به برنامهنویسان اجازه میدهد نوتبوکها و منابع را با کد بسازند و مدیریت کنند تا کارهای پژوهشی و اسناد خودکار شود.
🎞️ خبر ۳: OpenAI تولید گیف متحرک را به تصویرساز ChatGPT اضافه کرده تا کاربران بدون ابزار ویرایش جداگانه، ویدیوهای کوتاه و تکراری بسازند.
🎬 خبر ۴: Kino AI یک مدیر رسانه و ویرایشگر ویدیوی تازه ساخته که با عاملهای هوش مصنوعی کمک میکند سازندگان فیلمهای خام را مرتب و ویدیو را تدوین کنند.
🔒 خبر ۵: Google Gemini تاریخچهی چت ذخیرهشدهی کاربران اشتراکی را بدون راهی برای لغو، برای آموزش مدل به کار میبرد؛ پس آنجا گفتوگوهای حساس نکنید.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
🪙 خبر ۱: Octomind یک ابزار متنباز برای کدنویسی با هوش مصنوعی است که مصرف توکن را کم میکند، پس میتوانید عاملها را بیشتر و ارزانتر اجرا کنید.
🧵 خبر ۲: Claude از Anthropic حالا در نسخه آزمایشی از «رشته پیام» پشتیبانی میکند؛ یعنی عامل هوش مصنوعی بهجای فرستادن کل تاریخچه گفتگو، فقط پیامهای تازه را میفرستد و هزینه پایین میآید.
📋 خبر ۳: OpenAI بنچمارک LifeVal را ساخته که هوش مصنوعی را در کارهای روزمره واقعی مثل بودجهبندی خانه و نگهداری کودک میسنجد و نشان میدهد دستیارها کجا هنوز کم میآورند.
🧭 خبر ۴: یکی از متخصصان در مقالهای مفصل روند کاری روزانهاش با هوش مصنوعی را شرح داده و عادتهای عملی و قابل کپی برای برنامه روزانه شما ارائه میکند.
⚠️ خبر ۵: Postman پنهانی افزونههای هوش مصنوعی نصب میکند و میخواهد دادههای API شما را به اشتراک بگذارد؛ پیش از بهروزرسانی، تنظیماتش را بررسی کنید.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
🧬 خبر ۱: OpenAI مدل استدلالی GPT-Rosalind-6 را برای زیستشناسی و کشف دارو ساخته و حالا پژوهشگران میتوانند از طریق API از آن استفاده کنند.
🛠️ خبر ۲: ابزار dsh-superagent یک بستهٔ عامل کدنویسی برای DeepSeek Harness است که GitHub را رصد میکند، خودش کار جدید میسازد و جلسههای کاری را اجرا میکند.
🎓 خبر ۳: مدل آموزشی &Tutor با تمرین روی یک دانشآموز شبیهسازیشده آموزش دیده تا مثل معلم بهتر جواب بدهد و از طریق API قابل استفاده است.
📐 خبر ۴: Claude Opus 5.5 میتواند نقشههای معماری در حد دریافت مجوز ساختمان بکشد؛ نشانهای از ورود جدی هوش مصنوعی به کارهای حرفهای طراحی.
🌐 خبر ۵: Google اعلام کرده از یک کنترل مشترک در فایل robots.txt پشتیبانی میکند که با یک خط سیاست، ترجیح هر سایت برای آموزش هوش مصنوعی را مشخص میکند.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
🧑💻 خبر ۱: یک مقاله استدلال میکند هوش مصنوعی حالا کد بیشتری مینویسد، اما طراحی و بررسی کل سیستم هنوز کار مهندس انسانی است.
📊 خبر ۲: تحلیلی هزینه هوش مصنوعی فریمورکهای محبوب JavaScript را حساب میکند تا توسعهدهنده بین سرعت و مصرف مدل تعادل برقرار کند.
🕵️ خبر ۳: گزارشی هشدار میدهد ایجنت هوش مصنوعی Muse در واقع شبکه نظارت تجاری است که خود را دستیار معرفی میکند و نگرانی حریم خصوصی ساخته.
📚 خبر ۴: ویکیهای هواداری که هوش مصنوعی میسازد پر از خطا شدهاند؛ پس بهتر است خواننده اطلاعات و داستان بازیها را قبل از باور کردن بررسی کند.
🎮 خبر ۵: پژوهشگران گروههایی از ایجنتهای هوش مصنوعی را در Minecraft بازی دادند، اما آنها نتوانستند تمدنی بسازند و در بوروکراسی گیر کردند.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
💧 خبر ۱: یک تحلیل تازه میگوید واترمارک کردن متنهای نوشتهشده با هوش مصنوعی میتواند کیفیت نوشته را پایین بیاورد؛ پس باید بین فایده تشخیص و افت کیفیت تعادل برقرار کرد.
🎨 خبر ۲: یک سازنده، مدل هوش مصنوعی را با هنر «دموسین» آموزش داده است؛ حالا هر کسی میتواند تصویرهای گرافیک کامپیوتری رترو و قدیمی تولید کند.
🧠 خبر ۳: پژوهش مایکروسافت میگوید استفاده زیاد از هوش مصنوعی میتواند قدرت تفکر نقاد را ضعیف کند؛ کاربران باید جوابها را خودشان بررسی کنند و همراه چتبات فکر کنند.
🦠 خبر ۴: محققان امنیتی بدافزاری پیدا کردهاند که با مدلهای زبانی بزرگ قربانیها را بر اساس ارزش مالی رتبهبندی میکند و حملهها را هدفمندتر میسازد.
🔒 خبر ۵: یک گزارش تازه توضیح میدهد مهاجمان چطور حسابهای ChatGPT را در دست گرفتهاند و چه قدمهای مشخصی برای قفل کردن ورود و امنسازی حساب لازم است.
@dslanders
مهمترینهای ۲۴ ساعت اخیر هوش مصنوعی
⚠️ خبر ۱: پژوهش تازه میگوید مدل GLM 5.3 میتواند از روی توضیح آپدیتهای امنیتی منتشرشده Firefox، قبل از اینکه کاربران نصبشان کنند اکسپلویت واقعی بسازد و فاصله بین وصله و حمله را کوتاه کند.
🎬 خبر ۲: Pika مدل ویدیوسازی H3 Flex را معرفی کرد که تا ۱۲ تصویر مرجع میگیرد، پنج ترک صوتی جداگانه میسازد و خروجی را تا کیفیت 4K رندر میکند.
🎙️ خبر ۳: مدل گفتارسازی Drama 3 از Fish Audio که وزنهایش عمومی است، حالا صدر هر دو جدول رتبهبندی میدان گفتار Artificial Analysis را در اختیار دارد.
🐞 خبر ۴: مهندسان Meta سیستمی به نام Just-in-Time Testing را با کمک مدل زبانی در مقیاس بزرگ راه انداختند تا باگها پیش از انتشار کد پیدا شوند و پایداری سرویسهای تولیدی بالا برود.
⚙️ خبر ۵: یک تحلیل تازه استدلال میکند هوش مصنوعی جای مهندسان قابلیت اطمینان سایت را نمیگیرد، بلکه با خودکارکردن کارهای عیبیابی، مهارت اصلی آنها را کمرنگ میکند.
@dslanders