این داشبورد CRM زیبا رو یه نفر توی دو روز با Opus 5.5 ساخته

البته هدف این نیست که برید ازش استفاده کنید چون چکش کردم اصلا یه چیز بی کاربردی بود هدف اینه برید توی فولدر .agents و اسکیل ها و نحوه ساختش رو ببینید و برای پروژه های خودتون استفاده کنید :

github.com/kargulstudio/sales-crm


@Linuxor

اگه با Claude Code، Codex یا Cursor کار می‌کنی، احتمالاً یه جایی به این مشکل رسیدی: پروژه بزرگ شده و فهمیدن معماریش از خود کدنویسی سخت‌تر شده

این Archify یه Skill جالبه که به Agent میدی تا معماری، data flow، sequence و lifecycle پروژه رو از دل کد یا توضیحاتت دربیاره و به یه دیاگرام interactive تبدیلش کنه.

خروجی یه HTML تعاملیه که می‌تونی توش node ها و مسیرها رو بررسی کنی و حتی بعضی بخش‌ها رو به source code و lineهای مشخص وصل کنی.

github.com/tt-a1i/archify

@Linuxor

اینجا می‌تونید مدل های تصمیم گیر کوچیک رو پلی بدید اون بازی دایناسورو کنن، توی مرورگر خودتون هم ‌میتونید رانش کنید

huggingface.co/spaces/shreyask/jevosaurus

@Linuxor

یه پروژه جالب پیدا کردم که هدفش ساخت اپلیکیشن‌های دسکتاپ سریع و مدرن با Rust هستش. در واقع یه عالمه ابزار و قطعه آماده در اختیارتون میذاره تا بتونین ظاهر و بخش‌های مختلف یه اپ رو راحت‌تر بسازین؛ از دکمه و منو و پنجره گرفته تا جدول، ویرایشگر متن، جستجو و کلی قابلیت دیگه.

خروجیش هم روی ویندوز، لینوکس و مک اجرا می‌شه روی وب هم با وب اسمبلی می‌شه رانش کرد ولی هدفش نیست، توی سایتش می‌تونید کامپوننت هاشو تعاملی آنلاین تست کنید :

gpui-kit.com/component


@Linuxor

بشر زمستان رو نمی‌بینه یه چیز جدیدی برای هوش مصنوعی‌های صوتی دارن روش کار می‌کنن که اسمش Flux TTS هستش، ایده‌ش اینه حتی اگه وسط حرفش بپری، می‌تونه بفهمه دقیقاً تا کجای حرفش رو شنیدی و بعد مکالمه رو از همون‌جا ادامه بده هوش مصنوعی های صوتی فعلی هر جمله رو یه درخواست جداگانه می‌بینن.

@Linuxor

دیپ سیک یه حرکتی زده فردا بعد از ظهر سهام انویدیا میریزه، موتور دقیقِ پشت مدل‌هاش رو منتشر کرده، اسمش DeepGEMM هست، DeepGEMM باعث میشه بخش محاسبات سنگین مدل‌های DeepSeek روی GPU سریع‌تر و کم‌هزینه‌تر اجرا بشه؛ مخصوصاً در کارهایی مثل ضرب ماتریسی و مدل‌های MoE که بخش خیلی مهمی از هزینه و زمان اجرای مدل رو تشکیل میدن. این خیلی برای شرکت های داخلی که دارن LLM‌ شخصی ران میکنن مفیده چون میتونن هزینه های GPU شون رو تا 2.7 برابر کمتر کنن.


@Linuxor

مخزن HeyGen همون ابزاری که خودشون باهاش با ایجنت‌های هوش مصنوعی ویدیو می‌سازن رو متن‌باز کرده.
اسمش HyperFrames هستش. ایجنتت HTML می‌نویسه و خروجی‌ش یه MP4 واقعیه.
با GSAP و Three.js و Lottie کار می‌کنه، 21 skill برای Claude Code داره، و بابت هر render هم هیچی نمی‌دی.
56 هزار استار ریپو.

github.com/heygen-com/hyperframes


@Linuxor ~ Yarad_ai

آپدیت DeepSeek-v4.1-Flash روی CPU + یک کارت RTX 3090!

کش KV با ظرفیت 262K
سرعت Prefill حدود 600 تا 800 توکن بر ثانیه
حالت C1 الان به سرعت 26 توکن بر ثانیه در Decode رسیده
حالت C4 الان به سرعت 41 توکن بر ثانیه در Decode رسیده

برای اجرای این تنظیمات به اینا نیاز داری:

1 عدد GPU با 24GB حافظه VRAM
رم 256GB DDR4 یا DDR5
فضای 200G NVMe

github.com/0xSero/dsv41-flash-offload


@Linuxor

اگه دوست دارید ظاهر سایتتون شبیه به سایتای گوگل بشه (متریال دیزاین) اینو چک کنید بدون نیاز به خود متریال می‌تونید سایت shadcn رو با تعویض چند تا Import ظاهرش رو از آسمون به زمین تغییر بدید

shadcn-m3e.crystaworld.dev


@Linuxor

وقتی 50 تا ایجنت هوش مصنوعی رایگان از شرکتای مختلف رو آوردی توی یه Workspace که کارو سریع تر انجام بدن.


@Linuxor

امروز یه عده بازی GTA-V رو با هوش مصنوعی نسخه سازگار با وبش رو ساخته بودن (با وب اسمبلی) راکستار فهمید و دهنشون رو سرویس کرد، دقت کنید بازی رو با هوش مصنوعی نساخته بودن همون GTA-V رو فقط با وب سازگار کرده بودن، وب اسمبلی یه تکنولوژی وب هستش که می‌شه فایل های اجرایی رو توی مرورگر اجرا کرد.

این آدرس سایتشه فعلا که قطعه و فکر نمیکنم دوباره وصل شه چون راکستار به راحتی می‌تونه ازشون شکایت کنه نکته جالب این قضیه وب اسمبلی بود فکر نمی‌کردم بشه باهاش همچین حرکتی زد:

playgta5.com

@Linuxor

کسایی که تونسته بودن توی اون تایم تستش کنن گفتن فقط 700 مگابایت دانلود شده بود در صورتی که بازی بیش از 100 گیگ حجمشه، این یعنی بازی به قدری بهینه بوده که هر بخشی یا هر داستان همون موقعی که بهش رسیدید دانلود می‌شده!


@Linuxor

می‌دونستین وقتی از Qwen 3.8 27B می‌پرسید پایتخت فرانسه کجاست و برای تولید فقط یک کلمه جواب "پاریس" مقدار 25.8 میلیارد معادله ریاضی انجام می‌ده که NVIDIA RTX PRO 6000 هر معادله رو توی 13 میلی ثانیه انجام می‌ده.

برای درک بزرگی این مقدار توی هر فریم این ویدیو 3.6 میلیون معادله انجام می‌شه که البته ویدیو 32 میلیون برابر تندتر شده تا قابل نمایش بشه وگرنه توی حالت عادی با سرعت 1 معادله در هر فریم و با 60 فریم در ثانیه طول این ویدیو 13 سال می‌شد.

@Linuxor

معیار توکن بر ثانیه معیار خوبی برای مقایسه مدل ها نیست چون Opus 5.5 مقدار توکن برثانیه کمتری از جمنای 3.8 فلش داره ولی بعضی تسک هارو سریع تر انجام میده.

به قولی توی مسابقه دو هر چقدر هم سرعتت زیاد باشه ولی از روی مسیر درست حرکت نکنی زود تر به خط پایان نمی‌رسی.

@Linuxor

این ابزارم جالبه باهاش می‌تونید مدل های هوش مصنوعی رو از نظر امنیتی به چالش بکشید یه بخش هم داره سعی می‌کنه با Prompt Injection، Jailbreak و حملات مختلف سیستم هوش مصنوعی رو به چالش بکشه تا قبل از اینکه چیزی بره Production، بفهمی کجاها ممکنه خراب بشه.

promptfoo.dev

@Linuxor

وقتی سرور های شرکت هک شده، تیم DevOps همون لحظه:

@Linuxor

این MCP واقعاً خفنه. می‌تونی ازش بخوای توضیحات درسیت رو به‌صورت زنده برات نقاشی کنه، با صدای مداد و همه‌ی این جزئیات، بعد هم برنامه رو باز کنی و خودت تغییراتت رو روش اعمال کنی.

یاد گرفتن با هوش مصنوعی واقعاً خیلی سرگرم‌کننده شده.

github.com/excalidraw/excalidraw-mcp

@Linuxor

من با هوش مصنوعی تابحال نتونستم یه پروژه رو کامل بالا بیارم همیشه خودم هم دست به کار شدم توش و حداقل 50 درصدش رو خودم زدم؛ یه تکنیکی که جدیدا یاد گرفتم برای پروژه هایی که کامل دست خودمه اینه که به صورت نوسانی یه روز خودم کد بزنم یه روز هوش مصنوعی؛ این خوبیش اینه که خودتون از کدبیس عقب نمیمونید و اون مزیت استفاده از هوش مصنوعی هم دارین، البته خیلی جاها کد ها و فیچرای هوش مصنوعی رو مجبورید پاک کنید و پروژه هی یه کوچولو عقب می افته ولی روندش صعودیه؛ مثل قیمت دلارو دیدید یهویی میره بالا یه قیمتی شدو (سایه) میزنه و یه کوچولو میاد عقب تر در کل داره میره بالا. هوش مصنوعی هم اینطوریه یه کد اضافه میکنه 70 درصدش رو حذف میکنی همون 30 درصد که میمونه خیلی به رشد پروژه کمک میکنه خودتم دیگه از قافله عقب نمیمونی.

@Linuxor

گوگل از EmbeddingGemma 2 رونمایی کرده؛ مدلی که برخلاف LLM هایی مثل ChatGPT قرار نیست باهات چت کنه یا جواب متنی تولید کنه. کار اصلیش اینه که متن، تصویر، صدا و ویدیو رو به یک نمایش عددی به اسم Embedding تبدیل کنه؛ به زبان ساده، محتوای پیچیده رو به شکلی تبدیل می‌کنه که کامپیوتر بتونه معنی و شباهت بین محتواها رو بهتر درک کنه.

مثلاً فرض کن هزاران PDF، مقاله یا سند داری و کاربر می‌پرسه چطور فاکتور قبلیم رو دانلود کنم؟. EmbeddingGemma 2 سوال رو به یک بردار عددی تبدیل می‌کنه و بین اسناد موجود می‌گرده تا محتواهایی که از نظر معنایی بیشترین ارتباط رو دارن پیدا کنه؛ حتی اگر کلمات دقیقاً یکسان نباشن.

نکته جذاب‌تر اینه که قابلیت‌های مدل فقط به متن محدود نمی‌شن. EmbeddingGemma 2 می‌تونه متن، تصویر، صدا و ویدیو رو در یک فضای مشترک قرار بده.

blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2


@Linuxor