این متن تحقیقاتی به بررسی مقایسه‌ای بین مدل‌های زبان انتشاری (DLMs) و مدل‌های خودرگرسیو (AR) در سناریوهایی می‌پردازد که داده‌های منحصربه‌فرد با کیفیت بالا محدود هستند، اما تکرار داده‌ها مجاز است.

👉 @navidcasts 🎓

یافته اصلی پژوهش، پدیده‌ای به نام نقطه تقاطع هوش (Intelligence Crossover) است که در آن، DLMها به طور مداوم از مدل‌های AR هم‌اندازه پیشی می‌گیرند؛ این مزیت به دلیل سه عامل کلیدی در DLMها یعنی مدل‌سازی «با هر ترتیبی» (any-order modeling)، محاسبات «فوق‌متراکم» (super-dense compute) ناشی از نویزدهی دوسویه تکراری، و تقویت داده داخلی از طریق شبیه‌سازی مونت کارلو است.


این نتایج نشان می‌دهد که در عصر محدودیت داده، DLMها یک الگوی مدل‌سازی برتر برای استخراج حداکثر سیگنال از هر توکن منحصربه‌فرد، حتی به بهای افزایش نیاز محاسباتی، محسوب می‌شوند.

👉 @navidcasts 🎓

علاوه بر این، پژوهشگران توضیح می‌دهند که افزایش ضرر اعتبارسنجی (validation loss) لزوماً به معنای کاهش عملکرد در وظایف نهایی نیست، زیرا قابلیت تمایز مدل همچنان بهبود می‌یابد.

به نظر شما مدل تقریبن جدید GPT-5.1 از Open AI همون نسخه فاین تیون شده، مدل های قبلی هست یا واقعن یک مدل جدید هست؟!

👉 @ai_python ✍️

این موضوع و خیلی موضوعات جذاب و جالب دیگه موضوع بحث میز داغ از IBM Technology هست :

https://youtu.be/5sFJVAoafFI?si=3leRGKE-SGB9w22n

👉 @ai_python ✍️

مایکروسافت کوپایلوت از 15 ژانویه از WhasApp خداحافظی می کند.

اگر با PromptFlow کار کرده باشید، حتمن می دونید که فریم ورک اصلی مایکروسافت برای ایجاد پایپ لاین های Agentic AI هست. در مقابل IBM هم راه حل خودش رو در این زمینه داره که خیلی شبیه PromptFlow هست. در این ویدیو درباره BeeAI توضیح داده شده :

👉 @ai_python ✍️


https://youtu.be/WozA_qHEAqo?si=CSZ0ZImVepMV5dR4

وقتی می گیم AI Stack دقیقن شامل چه مواردی می شه؟ در این ویدیو به زبان ساده و در کم تر از 10 دقیقه توضیح داده شده :

👉 @ai_python ✍️

https://youtu.be/RRKwmeyIc24?si=NLEMwJrt9K0wlTpK

👉 @ai_python ✍️

Pydantic AI version 1.23.0 is out! 🎉

کوتاه، درباره مدل پیش بینی آب و هوای گوگل به نام WeatherNext 2 : ⛅ 😶‍🌫️

👉 @ai_python ✍️

https://youtu.be/YQwqoEm_xis?si=f_zUd-r5G978Uzgz

در چه سن و سالی، برای یادگیری کدنویسی، بیش از حد پیر هستیم؟ (از زبان مهران سهامی، پروفسور در دانشگاه استنفورد)

👉 @ai_python ✍️

https://youtu.be/cKtGsMHAp8g?si=wFbOAWxYEzZGI_rX

طبق اعلام گارتنر، در پایان سال 2025 ، شرکت IBM (احتمالن به خاطر Watsonx ) به همراه مایکروسافت، گوگل و آمازون به عنوان لیدرهای اصلی ارائه پلت فرم های توسعه نرم افزارهای AI هستند.

در طول سال در همین کانال بسیار درباره Watsonx و همین طور راه حل های مایکروسافت از جمله Azure AI Foundry و Azure ML Studio صحبت کردیم.

👉 @ai_python ✍️

در بخش Challnegers نام LangChain و علی بابا به چشم می خوره که منطقی هست.


در بخش نیچ فقط CoreWeave و در بخش Visionaries فقط OpenAI به چشم می خوره.

در حال حاضر در این بین از محصولات زیر مجموعه XAI خبری نیست. 😅

🚀 مدیریت سرمایه با قدرت داده‌ها!

اگه هنوز تصمیم‌هات بر پایه حس و تجربه‌ست، وقتشه داده‌ها رو وارد بازی کنی

🔗 دوره جامع مدیریت سرمایه داده‌محور (آنلاین)

در این دوره یاد می‌گیری:

📊 تحلیل بازار ایران و ارزیابی سهام و ETF
📈 بهینه‌سازی پرتفوی با مدل مارکوویتز
📉 پیش‌بینی روندها با سری‌های زمانی
💡 طراحی استراتژی آپشن و دلتا هجینگ
🚀 اجرای پروژه واقعی با داده‌های ایران
🔥 بدون نیاز به تسلط برنامه‌نویسی!

پایتون رو در حد کاربردی یاد می‌گیری و بلافاصله در بازار استفاده می‌کنی.

👥 مناسب برای:
فعالان بازار سرمایه، تحلیلگران، مدیران سرمایه‌گذاری، و علاقه‌مندان فین‌تک (FinTech)

📌 مشاوره رایگان + جزئیات کامل:

👉 httb.ir/2hU1m

🎓 موسسه توسعه

مقاله‌ی «Spectral Bias Mitigation via xLSTM-PINN» به بررسی یک روش نوآورانه برای بهبود یادگیری ماشین در حل معادلات دیفرانسیل با مشتقات جزئی (PDEs) می‌پردازد. در ادامه خلاصه‌ای از مقاله:

روش‌های رایج Physics-Informed Neural Networks (PINNs) با سه چالش عمده مواجه‌اند:

1️⃣ سوگیری طیفی (Spectral Bias): شبکه‌ها تمایل دارند فرکانس‌های پایین را بهتر یاد بگیرند و در بازسازی مؤلفه‌های فرکانس بالا ضعیف عمل می‌کنند.

2️⃣ عدم تعادل داده-باقی‌مانده: وزن‌دهی نامتناسب به داده‌ها و معادلات فیزیکی.

3️⃣ ضعف در برون‌یابی (Extrapolation): عملکرد ضعیف در پیش‌بینی خارج از ناحیه آموزش.

👉 @ai_python ✍️

💡 راه‌حل پیشنهادی

نویسندگان یک چارچوب جدید به نام xLSTM-PINN معرفی می‌کنند که شامل:

1️⃣ استخراج ویژگی چندمقیاسی با (Gated Memory): برای درک بهتر ساختارهای فرکانسی مختلف.

2️⃣ برنامه درسی فرکانسی مرحله‌ای (Staged Frequency Curriculum): آموزش تدریجی از فرکانس‌های پایین به بالا.

3️⃣ وزن‌دهی تطبیقی به باقی‌مانده‌ها: برای تعادل بهتر بین داده‌ها و معادلات فیزیکی.

در چهار بنچمارک مختلف، این روش:

خطای طیفی، MSE، RMSE، MAE و MaxAE را به‌طور قابل توجهی کاهش داده است.

پهنای باند قابل حل را گسترش داده و زمان رسیدن به آستانه خطا در فرکانس‌های بالا را کاهش داده است.

گذارهای مرزی تمیزتر و نوسانات فرکانس بالا را کاهش داده است.

فکر کنم دیگه تقریبن همه Ollama رو می شناسن و ازش برای هاستینگ مدل ها در محیط های On Premise استفاده می کنند. ولی مایکروسافت هم به تازگی یک محصول جدید ارائه داده که کم از Ollama نداره و از بسیاری از مدل ها هم پشتیبانی می کنه. در این ویدیو اطلاعات بیش تری از این محصول کسب کنید :

👉 @ai_python ✍️

https://youtu.be/qL3HADDI6W4?si=2UVOEz59OlFw4lnb