25026
اخبار لحظه ای تکنولوژی و معرفی ابزار های کامپیوتری و برنامه نویسی! ارتباطات و تبلیغات : @LinuxorContact
توی آمریکا یه نفر یه سیستم ساخته داره از مدل Jev برای مسائل حقوقی استفاده میکنه، برای مثال ازش پرسیده: صاحبخونه چقدر وقت داره که ودیعهی مستأجر رو برگردونه؟
این سیستم با سرعت بالا 134 بخش قانونی از قوانین 45 ایالت رو بررسی کرده، توی 42 ایالت همون قانون مشابه رو پیدا کرده و مهلت دقیق قانونی رو از 12 قانون مختلف عیناً نقل کرده، تازه هزینه کل این جستجو هم ناچیز در میاد.
@Linuxor
✅ چالش روز سوم مسابقه ویژه Forex Expo Dubai 2026
حدس بزن؛ تحلیل کن؛ برنده شو!
🌪 دهمین کندل کجا بسته میشود؟
چارت را بررسی کنید و دو پیشبینی زیر را در کامنت همین پست ثبت کنید:
1- قیمت بستهشدن کندل دهم
2- جهت حرکت:⬆️صعودی | نزولی⬇️
نمونه پاسخ صحیح و مورد قبول:
نزولی - 0.67505
مهلت ثبت پیشبینی: تا ساعت 22:00 امشب به وقت ایران
یعنی متقلبای کنکور دیگه لازم نیست بشینن تا LLM سوالاشونو حل کنه؟ همون لحظه با Jev میتونن بیان بیرون؟
@Linuxor
کلاد از مدل Opus 5.5 رونمایی کرد، به گفته خودشون 40 درصد هزینه استفاده کمتری داره.
همچنین گفتن که : داریم محدودیتهای استفاده 5 ساعته رو برای پلنهای Pro، Max و Team افزایش میدیم.
همچنین برای کاربرهای دارای اشتراک، امکان ریست شدن محدودیت نرخ استفاده (Rate Limit) رو فراهم میکنیم؛ یعنی یه ریست در اختیارتون قرار میگیره که میتونید ذخیرهش کنید و هر موقع که خودتون خواستید ازش استفاده کنید.
@Linuxor
مقایسه و بنچمارک بین مدل های تصمیم گیرنده
البته توی این مقایسه jev به عنوان رفرنس در نظر گرفته شده
huggingface.co/spaces/multimodalart/jev-decision-index
@Linuxor
یه پروژه جالب به اسم Jev Ultrafast که توسط Browser Use منتشر شده که هدفش ساختن Browser Agentهای سریعتر و کمهزینهتره. ایدهش اینه که برای هر حرکت، مدل مجبور نباشه screenshot صفحه رو ببینه و کل UI رو دوباره تحلیل کنه. Jev بهجای screenshot، ساختار صفحه و المنتهای قابل تعامل رو به شکل ساده و شمارهگذاریشده در اختیار مدل میذاره؛ مثلاً [3] textbox یا [7] button. مدل فقط تصمیم میگیره روی کدوم المنت چه کاری انجام بشه. یعنی بهجای اینکه LLM مستقیماً browser رو کنترل کنه، بیشتر شبیه یه decision maker عمل میکنه:
hgithub.com/browser-use/jev-ultrafast
@Linuxor
با این پروژه میتونید از طریق هوش مصنوعی Jev موبایل اندرویدتون رو کنترل کنید، بهش یه هدف میدی، خودش UI گوشی رو بررسی میکنه، تصمیم میگیره قدم بعدی چی باشه و actionهایی مثل باز کردن اپ، Tap، تایپ کردن، اسکرول و Back رو اجرا میکنه؛ بدون اینکه لازم باشه مسیر از قبل بهش دیکته شده باشه.
جالبتر اینه که بعد از انجام هر action، وضعیت گوشی دوباره بررسی میشه تا Agent فقط با فکر کردن که انجام شد کار رو تموم نکنه.
github.com/droidrun/mobile-jev
@Linuxor
یه مدل اوپن سورس و لوکال دیگه اومده که میگه Jev در برابر ما آشغالی بیش نیست!
اسمش laya-mlx هستش و توی ویدیو روی مک بوک ایر 16 گیگ ران شده. و فقط 1 گیگ رم مصرف میکنه.
github.com/mizorewww/laya-mlx
@Linuxor
یه هارنس ایجنت اوپن سورس برای Jev ! بیینید هوش مصنوعی چطوری داره باهاش قارچ خور بازی میکنه :)
این هارنس که اختصاصی برای Jev طراحی شده محیط رو میبینه، کارهایی که در اون لحظه امکان انجامشون وجود داره رو به گزینههای مشخص تبدیل میکنه و مدل در هر مرحله فقط یک بار تصمیم میگیره. مدل قرار نیست خودش متن یا Action جدید تولید کنه؛ فقط از بین گزینههایی که محیط در اختیارش گذاشته با سرعت بالا انتخاب میکنه. برای هر تصمیم هم احتمال مشخصی ثبت میشه.
github.com/HarnessRouter/SystemOneHarness
@Linuxor
دیروز یه نفر یه افزونه برای Chrome ساخته که یه سایدپنل داره و میتونه ابزارهای WebMCP سایتها رو با Jev کنترل کنه. با هر چیزی که تایپ میکنی، ابزار مناسب رو انتخاب میکنه، ورودیها رو پر میکنه و میزان اطمینانش رو هم نشون میده.
مثلاً برای خرید، سوالی مثل «چیزی بدون گلوتن زیر 2 دلار دارید؟» دیگه نیاز به چت و مکالمه نداره؛ افزونه مستقیماً ابزار search_products رو صدا میزنه. یعنی همهچیز لزوماً به چتبات نیاز نداره.
نکته جالبتر اینه که همین ابزار میتونه برای تست WebMCP هم استفاده بشه. اگه 2 ابزار مدام برای یه جمله با هم رقابت کنن، احتمالاً توضیحاتشون همپوشانی داره؛ اگه یه آرگومان رو با اطمینان پایین تشخیص بده، ممکنه schema مبهم باشه. در نتیجه میتونه به بهتر نوشتن توضیحات ابزارها کمک کنه:
github.com/sdras/jev-webmcp-extension
@Linxuor
یه AI Upscaler خیلی کاربردی پیدا کردم.
تصاویر و ویدیوها رو 2x یا 4x آپاسکیل میکنه، بدون نصب، بدون آپلود به سرور و کاملاً محلی و رایگان روی مرورگرتون اجرا میشه.
هر وقت رزولوشن تصویر یا ویدیوتون ناامیدکننده بود، مستقیم از مرورگر استفاده کنید:
freeupscaler.app
@Linuxor ~ ai_ba_reza
پروژه OpenStock رو ببینید یه داشبورد کامل برای رصد سهام، Watchlist، اخبار، اطلاعات شرکتها، نمودارها و حتی قابلیتهای AI که میتونین خودتون هم Hostش کنین.
با Next.js 15، React 19، TypeScript، Tailwind، MongoDB، Better Auth، Inngest و Gemini ساخته شده، Market Data هم از Finnhub و برای بعضی نمودارها از TradingView استفاده میکنه.
چیزی که برای من جالبه اینه که فقط یه UI ساده نیست؛ یه نمونه نسبتاً کامل از یه محصول واقعی با Authentication، Database، Background Jobs، APIهای مالی و قابلیتهای AI هستش. برای یادگیری معماری یه SaaS مدرن هم میتونه خیلی کاربردی باشه.
github.com/Open-Dev-Society/OpenStock
@Linuxor
اگه دنبال ساخت اپهایی هستین که AI توشون فقط یه چتبات کنار اپ نباشه، پروژه Agent-Native از Builder.io خیلی جالبه.
ایدهش اینه که قابلیتهای اصلی اپ رو به شکل Action تعریف کنین؛ بعد هم UI و هم AI Agent بتونن از همون Actionها استفاده کنن. یعنی Agent برای انجام کارها لازم نیست مثل یه کاربر توی UI کلیک کنه.
این معماری باعث میشه Agent واقعاً بخشی از خود اپلیکیشن باشه؛ با دسترسی به state، دیتابیس، permissionها و قابلیتهای اصلی محصول. از طرف دیگه همون قابلیتها میتونن از طریق UI، API، MCP، A2A و CLI در دسترس باشن.
اگه دارین روی SaaS یا اپلیکیشنهای AI-native کار میکنین، به نظرم ارزش داره معماری این پروژه رو یه نگاه بندازین. مخصوصاً بخش Actionها و نحوه وصل شدن Agent به خود application خیلی دید خوبی برای طراحی نسل جدید اپها میده.
توضیحات بیشتر :
www.agent-native.com
سورس کد :
github.com/BuilderIO/agent-native
@Linuxor
یه تیم دیگه هم شروع کردن به توسعه مدل اوپن برای Jev البته با خود Jev متفاوته کمی چون قسمت تولید متن Qwen رو حذف کردن درسته سرعت بیشتر شده بخاطر عدم تولید متن ولی مشابه معماری Jev نیست هنوز
توضیحات :
zefan-cai.github.io/open-jev
هاگینگ فیس مدل:
huggingface.co/ZefanCai/Open-Jev-9B
@Linuxor
من معرفی مدل Jev رو یه خبر منفی شدید برای کل بازار هوش مصنوعی میبینم ظاهرش شاید مثبت باشه اما باطنا مثبت نیست چون بخش بزرگی از درآمد و سرمایه شرکت های هوش مصنوعی مثل OpenAI اینه که به شرکت ها (نه آدمها) به صورت B2B دارن API میدن و درامد زیادی از این قضیه دارن
حالا یه مدل مثل Jev بیاد و با هزینه کمتر و سرعت بالاتر انجام بده قطعا مشتری های این شرکت هارو تحریک میکنه. نکته بعد تر اینه که شرکت هایی مثل OpenAI درامد ایندشون رو پیشبینی میکنن و اونو پیشخور میکنن تا سرعت پیشرفتشون رو بالا ببرن وقتی مشتری ها بپره عملا یه شوک بهشون وارد میشه. البته Jev همه مشتری هارو نمیتونه بگیره ولی بخش بزرگیش مشترکه.
@Linuxor
جالب ترین چیزی که امروز دیدم اینه، یه نفر یه رابط کاربری ساخته هرچیزی که توش تایپ میکنید براتون به صورت ui نشونش میده پشت صحنه مدل هوش مصنوعی Jev هستش.
البته این نکته هم بگم سورس کدش رو دیدم چیز جدیدی خلق نمیشه همش از قبل ساخته شده و وظیفه Jev اینه که متنی که مینویسید رو با سرعت بالا به ui تبدیل کنه.
تست آنلاین:
shapeshiftui.vercel.app
سورس کد:
github.com/anishfn/shapeshift
@Linuxor
آپدیت جدید کلاد Opus 5.5 چه شکلیه؟
یه نفر ازش خواسته که مفهوم فوکوس دوربین رو با ساختن یه آزمایشگاه تعاملی لنز توضیح بده.
این چیزیه که بعد از 1 ساعت و 26 دقیقه، با یه بار اجرا و با هزینه 25.66 دلار برای API ساخته، حلقهی فوکوس رو حرکت بدید تا ببینید عناصر شیشهای داخل لنز چطور جابهجا میشن و صفحهی فوکوسِ واضح رو در سرتاسر صحنه تغییر میدن:
lens.lab.sael.net
@Linuxor
یه نفر یه تم لیکویید گلس برای وب با React ساخته
تست آنلاین :
cruxgarden.github.io/plasma-ui
سورس کد :
github.com/CruxGarden/plasma-ui
@Linuxor
مدل Jev میدونیم که ورودی متن قبول میکنه حالا چی میشه اگه بتونه تصویر و صدا هم بگیره و بر اساس اونا تصمیم بگیره؟ یه عده دارن Jev-Omni رو توسعه میدن که یه مدل چند وجهی تصمیم گیرنده به حساب میآد
برای مثال وصلش میکنید به دوربین خونتون با سرعت بالا اگه صحنه خطرناکی رو ببینه بهتون اعلام میکنه! خودشون ادعا کردن از Jev بنچمارکش بالا تره.
huggingface.co/akhilaaa3/Jev-Omni
@Linuxor
مسعود طباطبایی مدیرعامل دیجی کالا : قراره در آینده ایجنت های هوش مصنوعی رو کنار نیروی انسانی به کار بگیریم و تفکرمون هم AI First هستش یعنی برای هر کاری بخایم انجام بدیم از هوش مصنوعی یا به تنهایی یا ترکیبی با نیروی انسانی استفاده میکنیم.
@Linuxor
فرق سرعت مدل Laya با Jev مثل فرق سرعت واکنش بین گربه و ماره
هوش مصنوعی به کجا داره میره
@Linuxor
یه نفر به مدل لوکال Laya و Jev بازی دایناسور گوگل کروم رو میده و در کمال تعجب Laya از Jev بهتر بازی میکنه:
github.com/virajbhartiya/laya-vs-jev
خدابیامرز Jev سه روز بیشتر عمر نکرد😁
@Linuxor
چند سال پیش یادمه با یکی صحبت میکردم سنش توی رنج 30-35 بود بعد ایشون دنبال یه رود مپی میگشت می گفت من قدیما برنامه نویس بودم و الان همش یادم رفته میخوام از اول شروع کنم به یاد گیری؛ منم همون موقع در حد توانم کمکش کردم ولی ته دلم خندیدم بهش با خودم گفتم چه چاخانی داره میبنده مگه میشه آدم یه چیزی یادش بره!
دقیقا همون اتفاق طرف برای خودم افتاد ولی با این تفاوت من همزمان اکتیو در حال یادگیری هم هستم ولی یه بخش بزرگی از چیزارو که قدیم کار میکردم کامل فراموش کردم انگار اصلا ندیدمشون. بعدش فهمیدم طرف چه راستی گفته فشار و استرس های زندگی به راحتی حافظه رو پاک میکنه.
@Linuxor
فرق مدل Jev با LLM های معمولی اینه که Jev درونگراست و حرف نمیزنه ولی LLM برونگراست هرچی تو دلش باشه رو میکنه.
@Linuxor
اینو ببینید چه سرعت خوبی داره! این خودِ Jev نیست، djev-run هستش؛ پروژهای که برای اجرای مدل djev بر پایهی DiffusionGemma ساخته شده. باهاش میتونین djev رو خیلی راحت روی Google Cloud Run دیپلوی کنین و در چند مرحله یه endpoint سازگار با Jev API داشته باشین و خودتون باهاش بازی کنین:
ایدهی djev هم مثل Jev یه مقدار با LLMهای معمولی فرق داره؛ بهجای اینکه صرفاً متن تولید کنه، برای تصمیمگیری ساختاریافته ساخته شده. مثلاً میتونین یه پیام کاربر رو بدین و ازش بخواین مشخص کنه مربوط به کدوم دسته هست، شدت مشکل چقدره، آیا درخواست refund داره یا نه و حتی برای جوابها probability بگیرین. یعنی خروجی مستقیماً میتونه وارد منطق اپلیکیشن بشه.
github.com/taeold/djev-run
@Linuxor
اگه با Claude Code، Codex یا OpenCode کار میکنی، احتمالاً یه عالمه session قدیمی داری که پیدا کردنشون خودش یه پروژهست Chat Seek یه افزونه برای VS Code هست که چتهای قبلیت رو بهصورت آفلاین و local ایندکس میکنه و با سرچ معمولی یا معنایی کمک میکنه سریع session موردنظرت رو پیدا کنی.
حتی میتونی session پیدا شده رو دوباره Resume کنی و ادامه همون کاری که قبلاً داشتی انجام میدادی رو بگیری. سرچ و رتبهبندی هم میتونه کاملاً روی سیستم خودت انجام بشه.
گیتهاب پروژه:
github.com/fstandhartinger/chat-seek-vscode
@Linuxor
کاربری تونسته با DiffusionGemma که مدلی برای تولید متن با معماری diffusion هستش، به یه مدل شبیه به Jev برسه.
ایده اینه که بهجای تولید توکنبهتوکن، DiffusionGemma گزینههای ساختاریافته رو روی یک canvas قرار میده و با diffusion همه گزینهها رو بهصورت موازی بررسی میکنه؛ یعنی با یک پاس میتونه برای تصمیمهایی مثل Yes/No و چندگزینهای، جواب و میزان اطمینان مدل رو استخراج کنه.
این معماری از attention دوطرفه کامل استفاده میکنه، بنابراین هر گزینه همزمان به کل context دسترسی داره و میتونه توزیع تصمیمگیری کالیبرهتری بده. از طرف دیگه، قابلیتهای multimodal و درک فضایی Gemma 4 رو هم به ارث میبره؛ اجرای یک پاس diffusion هم روی DGX Spark حدود 0.2 ثانیه گزارش شده.
جالبتر اینکه خود گوگل رسماً این رو با عنوان «DiffusionGemma as Jev» معرفی کرده و گفته این پروژه قدرت معماریهای non-autoregressive رو نشون میده.
@Linuxor
مدل Jev توی طراحی یک Design System چقدر خوبه؟
فقط کافیه یک جمله بهش بدی، بعد خودش از بین بیشتر از 1 کوادریلیون ترکیب مختلف انتخاب میکنه.
هیچکدوم از بخشهای این ویدیو سریعتر نشده؛ هر بار که استایل رو تغییر میده، در واقع 4 درخواست موازی اجرا میشه که حدود 2 ثانیه زمان میبره و هزینهش حدود $0.0007 هستش.
29 تا فلگ برای کنترل چیزهایی مثل فرم گوشهها، حاشیهها، خانواده آیکونها، مسیرهای نمودار، بافت صفحه، میزان تراکم و انیمیشنها استفاده میشن؛ همهشون هم روی shadcn ساخته شدن.
علاوه بر اینها، رنگ، شعاع گوشهها، فاصلهها و مقیاس تایپوگرافی هم بهصورت پیوسته قابل تنظیم هستن.
@Linuxor
دسترسی مدل Jev برای همه آزاد شده :
console.typesafe.ai
به هر ایمیلی ابتدا 5 دلار کردیت میده که معادل 120 میلیون توکنه.
@Linuxor