دنیایی از منابع برنامهنویسی توی این کانال بصورت دستهبندی شده با هشتگ بصورت روزانه قرار داده میشه.
@pythony
@pythony
❤6
Forwarded from
🍂 به مناسبت شروع ماه مهر
تا پایان هفته اول مهر، ۴ دوره آموزشی کلاس ویژن را با ۷۰٪ تخفیف میتوانید تهیه کنید:
📌 ۱ دوره از سایت کلاس ویژن
🧠 دوره آموزشی ویدیویی Graph Neural Network
📚 3 دوره از کلاس ویژن در مکتبخونه
🤖 آموزش Agentic AI با پایتون
🧠 آموزش هوش مصنوعی مولد با مدلهای زبانی بزرگ (LLM)
👁 آموزش مدلهای زبانی-تصویری (VLM): از درک تصویر و ویدیو تا فاینتیون پیشرفته
⏳ تخفیف ۷۰٪ فقط تا پایان هفته اول مهر (با کلیک روی هر لینک کد تخفیف را مشاهده نمایید.)
تا پایان هفته اول مهر، ۴ دوره آموزشی کلاس ویژن را با ۷۰٪ تخفیف میتوانید تهیه کنید:
📌 ۱ دوره از سایت کلاس ویژن
🧠 دوره آموزشی ویدیویی Graph Neural Network
📚 3 دوره از کلاس ویژن در مکتبخونه
🤖 آموزش Agentic AI با پایتون
🧠 آموزش هوش مصنوعی مولد با مدلهای زبانی بزرگ (LLM)
👁 آموزش مدلهای زبانی-تصویری (VLM): از درک تصویر و ویدیو تا فاینتیون پیشرفته
⏳ تخفیف ۷۰٪ فقط تا پایان هفته اول مهر (با کلیک روی هر لینک کد تخفیف را مشاهده نمایید.)
❤8👀1
🧠 Jev از TypeSafe AI؛ مدلی که متن نمینویسد، تصمیم میگیرد
TypeSafe AI روز ۱۵ سپتامبر ۲۰۲۶ با ۴۰ میلیون دلار سرمایه معرفی شد و اولین مدلش، Jev، را در حالت early access (با waitlist) عرضه کرد. بنیانگذار و CEO آن، Diogo Almeida، سابقهی کار در OpenAI دارد و از نویسندگان مقالهی InstructGPT است.
ایده جالب است: بهجای ساختن یک LLM بهتر برای تولید متن، مدلی بسازیم که مستقیم برای تصمیمگیری داخل نرمافزار طراحی شده.
مشکل کجاست؟
LLMها برای chat عالیاند، ولی در automation هنوز دردسر دارند: خروجی string است و باید parse و validate شود، latency بالاست و confidenceای که خودشان میدهند همیشه قابل اعتماد نیست.
Jev چه میکند؟
Jev از دستهی جدیدی به اسم System One Models است (نامش از تمایز System 1 و System 2 دنیل کانمن آمده):
• ورودی: متن یا state نامرتب (مثلاً JSON) + مجموعهای سؤال تایپشده
• خروجی: از قبل type مشخص دارد؛ انتخاب بین گزینهها (`Choice`)، امتیاز (`Score`) یا بله/خیر با احتمال (`Noul`)، همراه با confidence
• همهی سؤالها در یک query و بهصورت موازی جواب داده میشوند، نه توکنبهتوکن مثل LLMهای autoregressive
آموزش هم با روشی به اسم **RLCD** (Reinforcement Learning for Calibrated Decisions) انجام شده. هدفش این است که احتمالها واقعاً معنی داشته باشند: وقتی مدل میگوید ۹۰٪ مطمئنم، انتظار میرود تقریباً در ۹۰٪ موارد مشابه درست باشد.
ادعاهای شرکت:
• latency حدود 70 تا 500 میلیثانیه، یعنی 40x تا 200x سریعتر از LLMهای frontier در taskهای System One
• قیمت
• «no type errors»: چون خروجی از قبل schema دارد، مدل نمیتواند مقداری خارج از ساختار تعریفشده برگرداند
⚠️ «no type errors» یعنی خروجی type-safe است، نه اینکه «هیچوقت اشتباه نمیکند». تصمیم میتواند از نظر ساختار کاملاً معتبر باشد و باز هم غلط. بیشتر اعداد بالا هم از benchmarkهای خود شرکت است.
منبع:
https://typesafe.ai/blog/introducing-system-one-models-and-jev
TypeSafe AI روز ۱۵ سپتامبر ۲۰۲۶ با ۴۰ میلیون دلار سرمایه معرفی شد و اولین مدلش، Jev، را در حالت early access (با waitlist) عرضه کرد. بنیانگذار و CEO آن، Diogo Almeida، سابقهی کار در OpenAI دارد و از نویسندگان مقالهی InstructGPT است.
ایده جالب است: بهجای ساختن یک LLM بهتر برای تولید متن، مدلی بسازیم که مستقیم برای تصمیمگیری داخل نرمافزار طراحی شده.
مشکل کجاست؟
LLMها برای chat عالیاند، ولی در automation هنوز دردسر دارند: خروجی string است و باید parse و validate شود، latency بالاست و confidenceای که خودشان میدهند همیشه قابل اعتماد نیست.
Jev چه میکند؟
Jev از دستهی جدیدی به اسم System One Models است (نامش از تمایز System 1 و System 2 دنیل کانمن آمده):
• ورودی: متن یا state نامرتب (مثلاً JSON) + مجموعهای سؤال تایپشده
• خروجی: از قبل type مشخص دارد؛ انتخاب بین گزینهها (`Choice`)، امتیاز (`Score`) یا بله/خیر با احتمال (`Noul`)، همراه با confidence
• همهی سؤالها در یک query و بهصورت موازی جواب داده میشوند، نه توکنبهتوکن مثل LLMهای autoregressive
آموزش هم با روشی به اسم **RLCD** (Reinforcement Learning for Calibrated Decisions) انجام شده. هدفش این است که احتمالها واقعاً معنی داشته باشند: وقتی مدل میگوید ۹۰٪ مطمئنم، انتظار میرود تقریباً در ۹۰٪ موارد مشابه درست باشد.
ادعاهای شرکت:
• latency حدود 70 تا 500 میلیثانیه، یعنی 40x تا 200x سریعتر از LLMهای frontier در taskهای System One
• قیمت
$0.042 برای هر یک میلیون توکن ورودی؛ خروجی رایگان• «no type errors»: چون خروجی از قبل schema دارد، مدل نمیتواند مقداری خارج از ساختار تعریفشده برگرداند
⚠️ «no type errors» یعنی خروجی type-safe است، نه اینکه «هیچوقت اشتباه نمیکند». تصمیم میتواند از نظر ساختار کاملاً معتبر باشد و باز هم غلط. بیشتر اعداد بالا هم از benchmarkهای خود شرکت است.
منبع:
https://typesafe.ai/blog/introducing-system-one-models-and-jev
typesafe.ai
Introducing System One Models & Jev - TypeSafe AI Blog
TypeSafe AI is an AI lab building machine-native intelligence infrastructure for automation, designed to make decisions within software. Try our first System One Model, Jev, in early access.
❤5👏3
🎯 Jev کجا به درد میخورد و کجا نه؟
Jev بیشتر از اینکه جای GPT یا Claude را بگیرد، میتواند یک «لایهی تصمیمگیری» سریع و ارزان باشد. یعنی برای کارهای کوچک و پرتعداد که الان بیخودی برای هرکدام یک مدل بزرگ صدا میزنیم.
تقسیم کار پیشنهادی (Separation of Concerns):
• تصمیمهای کوچک و پرتعداد ← Jev
• تحلیل، reasoning و تولید محتوا ← GPT / Claude / Gemini
• قوانین قطعی، محاسبات و محدودیتهای حساس ← Code
• تصمیمهای پرریسک ← انسان
نمونه کاربردها:
• CRM: دستهبندی مشتریها بر اساس احتمال ریزش، اهمیت یا نوع درخواست
• Support و Lead Scoring: تشخیص فوریت، تیم مناسب و ارزش سرنخها
• Agent Routing: انتخاب agent، tool یا مدل مناسب قبل از شروع کار سنگین
• RAG: حذف اسناد کمربط و re-rank نتایج
• QA و Moderation: بررسی کیفیت، ارتباط و ریسک خروجی مدلها، و پرچمگذاری محتوای مشکوک
• Workflow Automation: تعیین شاخهی فرایند برای هر درخواست
• باشگاه مشتریان و بازاریابی: انتخاب نوع پیشنهاد، تخفیف یا کمپین مناسب هر گروه
⚠️ اما Jev «خیلی باهوشتر» نیست؛ برای یک نوع خاص از هوش بهینه شده و روی مسئلههای مبهم افت میکند. دو نمونه:
1️⃣ Browser automation
تیم WebMCP (Idan Levin) با ترکیب Jev و WebMCP همهی 49 task را حل کرد. ولی این ترکیب دو مدل بود: Jev ابزار را انتخاب میکرد و یک LLM سریع (Mercury 2.5) آرگومانها را مینوشت، چون Jev متن تولید نمیکند. وقتی Jev مستقیم با کنترلهای صفحه مرورگر را میراند، فقط 25 از 49 task حل شد. خود نویسندگان میگویند این نتیجهی harness آنهاست و سقف عمومی Jev نیست.
2️⃣ تشخیص phishing
در یک benchmark مستقل روی 2000 ایمیل (ایمیلهای synthetic)، دقت مستقیم Jev فقط 62.6٪ بود و Claude Haiku 4.5 به 81.3٪ رسید.
ولی وقتی همان مسئله به 5 سؤال سادهتر شکسته شد (مثلاً: لینک به free hosting اشاره دارد؟ فشار و فوریت دارد؟)، یک رگرسیون لجستیک روی جوابهای Jev به 95.1٪ رسید. حتی یک قانون ثابت روی یکی از این سیگنالها 89.5٪ میداد.
در همین تست Jev حدود 3 برابر سریعتر (239ms در برابر 687ms) و حدود 12 برابر ارزانتر (
پس جای درست Jev «مغز کل سیستم» نیست، بلکه یک قطعهی سریع برای تصمیمهای محدود داخل یک معماری بزرگتر است. اگر یک استارتاپ هزاران تصمیم کوچک، تکراری و مشخص دارد، جذاب است. هرچه تصمیم مبهمتر، چندمرحلهایتر یا پرریسکتر شود، بهتر است به یک مدل قویتر یا انسان سپرده شود.
منابع:
https://madewithjev.com/builds/webmcp-benchmark
https://github.com/anisselbd/jev-phishing-bench
Jev بیشتر از اینکه جای GPT یا Claude را بگیرد، میتواند یک «لایهی تصمیمگیری» سریع و ارزان باشد. یعنی برای کارهای کوچک و پرتعداد که الان بیخودی برای هرکدام یک مدل بزرگ صدا میزنیم.
تقسیم کار پیشنهادی (Separation of Concerns):
• تصمیمهای کوچک و پرتعداد ← Jev
• تحلیل، reasoning و تولید محتوا ← GPT / Claude / Gemini
• قوانین قطعی، محاسبات و محدودیتهای حساس ← Code
• تصمیمهای پرریسک ← انسان
نمونه کاربردها:
• CRM: دستهبندی مشتریها بر اساس احتمال ریزش، اهمیت یا نوع درخواست
• Support و Lead Scoring: تشخیص فوریت، تیم مناسب و ارزش سرنخها
• Agent Routing: انتخاب agent، tool یا مدل مناسب قبل از شروع کار سنگین
• RAG: حذف اسناد کمربط و re-rank نتایج
• QA و Moderation: بررسی کیفیت، ارتباط و ریسک خروجی مدلها، و پرچمگذاری محتوای مشکوک
• Workflow Automation: تعیین شاخهی فرایند برای هر درخواست
• باشگاه مشتریان و بازاریابی: انتخاب نوع پیشنهاد، تخفیف یا کمپین مناسب هر گروه
⚠️ اما Jev «خیلی باهوشتر» نیست؛ برای یک نوع خاص از هوش بهینه شده و روی مسئلههای مبهم افت میکند. دو نمونه:
1️⃣ Browser automation
تیم WebMCP (Idan Levin) با ترکیب Jev و WebMCP همهی 49 task را حل کرد. ولی این ترکیب دو مدل بود: Jev ابزار را انتخاب میکرد و یک LLM سریع (Mercury 2.5) آرگومانها را مینوشت، چون Jev متن تولید نمیکند. وقتی Jev مستقیم با کنترلهای صفحه مرورگر را میراند، فقط 25 از 49 task حل شد. خود نویسندگان میگویند این نتیجهی harness آنهاست و سقف عمومی Jev نیست.
2️⃣ تشخیص phishing
در یک benchmark مستقل روی 2000 ایمیل (ایمیلهای synthetic)، دقت مستقیم Jev فقط 62.6٪ بود و Claude Haiku 4.5 به 81.3٪ رسید.
ولی وقتی همان مسئله به 5 سؤال سادهتر شکسته شد (مثلاً: لینک به free hosting اشاره دارد؟ فشار و فوریت دارد؟)، یک رگرسیون لجستیک روی جوابهای Jev به 95.1٪ رسید. حتی یک قانون ثابت روی یکی از این سیگنالها 89.5٪ میداد.
در همین تست Jev حدود 3 برابر سریعتر (239ms در برابر 687ms) و حدود 12 برابر ارزانتر (
$0.038 در برابر $0.462 برای هر هزار ایمیل) از Haiku بود. یعنی در مقایسه با یک مدل سبک، ضریبها خیلی کمتر از «40x تا 200x» است.پس جای درست Jev «مغز کل سیستم» نیست، بلکه یک قطعهی سریع برای تصمیمهای محدود داخل یک معماری بزرگتر است. اگر یک استارتاپ هزاران تصمیم کوچک، تکراری و مشخص دارد، جذاب است. هرچه تصمیم مبهمتر، چندمرحلهایتر یا پرریسکتر شود، بهتر است به یک مدل قویتر یا انسان سپرده شود.
منابع:
https://madewithjev.com/builds/webmcp-benchmark
https://github.com/anisselbd/jev-phishing-bench
Madewithjev
Jev on the WebMCP benchmark — built with Jev
Jev picks the tool, a fast LLM fills the arguments: 49 of 49 tasks solved. Idan Levin’s team ran Jev on their open WebMCP benchmark. Jev picks each tool the…
❤17👏6
Forwarded from
🐍 چالش پایتون ۱ | += روی لیست؛ تغییر یا ساختن؟
خروجی این کد چیست؟ قبل از اجرا، خط به خط فکر کن؛ حدس نزن! 🤔
👇 جوابت را در کوییز زیر بزن، بعد توضیح کامل را در سایت بخوان.
#چالش_پایتون #پایتون #Python
📢 @PyLab
خروجی این کد چیست؟ قبل از اجرا، خط به خط فکر کن؛ حدس نزن! 🤔
a = [1, 2, 3]
b = a
b += [4]
b = b + [5]
print(a, b)
👇 جوابت را در کوییز زیر بزن، بعد توضیح کامل را در سایت بخوان.
#چالش_پایتون #پایتون #Python
📢 @PyLab
👍8❤2
🐍 چالش پایتون ۱ | += روی لیست؛ تغییر یا ساختن؟ خروجی این کد چیست؟ قبل از اجرا، خط به خط فکر کن؛ حدس نزن! 🤔 a = [1, 2, 3] b = a b += [4] b = b + [5] print(a, b) 👇 جوابت را در کوییز زیر بزن، بعد توضیح کامل را در سایت بخوان. #چالش_پایتون #پایتون #Python 📢…
کسانی که تازه شروع کردند، میدونند که پیش نیاز اکثر فریم ورکهای مرتبط با هوش مصنوعی پایتونه، دوست داشتید در کانال بالا عضو شده و از سایتش مطالب را مرور کنید
@PyLab
@PyLab
❤6
مستندات فارسی شده opencv :
https://learnopencv.ir/docs/
همچنین لینک به این مستندات در نوت بوک های کورس مکتب خونه اضافه شد
https://learnopencv.ir/docs/
همچنین لینک به این مستندات در نوت بوک های کورس مکتب خونه اضافه شد
LearnOpenCV.ir
مستندات OpenCV پایتون به فارسی
ترجمهٔ فارسی کامل آموزشهای رسمی OpenCV-Python: نصب، کار با تصویر و ویدیو، پردازش تصویر، تشخیص ویژگی، کالیبراسیون دوربین، یادگیری ماشین و تشخیص اشیا.
❤10❤🔥1🤔1
🚀 اوپنایآی از مدل جدید تولید تصویر خودش رونمایی کرد!
مدل GPT-Image 2.6 با سرعت بیشتر، ویرایش دقیقتر و قابلیت جذاب ساخت تصاویر متحرک GIF معرفی شد.
🔥 مهمترین قابلیتهای این نسخه:
🔹 سرعت بالاتر: تولید تصاویر تا ۵۰٪ سریعتر از نسخه قبلی انجام میشه.
🔹 ساخت تصاویر متحرک: حالا میتونید فقط با یک پرامپت، تصاویر متحرک با فرمت GIF بسازید.
🔹 ویرایش هوشمندتر: امکان تغییر بخشهای مشخص تصویر با حفظ جزئیات، ظاهر کاراکترها و هماهنگی تصاویر بهتر شده.
🔹 خروجی وکتور: قابلیت دریافت خروجی SVG برای استفاده در طراحی سایت، اپلیکیشن و کارهای گرافیکی اضافه شده.
🔹 امکانات توسعهدهندگان: دو مدل Flare برای سرعت بیشتر و Sunburst برای کیفیت و جزئیات بالاتر از طریق API در دسترس قرار گرفتن.
✅ دسترسی: این مدل از همین حالا برای تمام پلنهای ChatGPT و Codex فعال شده.
به نظر میرسه اوپنایآی داره ابزار تولید تصویر خودش رو به یک ابزار کاملتر برای طراحی و تولید محتوای حرفهای تبدیل میکنه.
🔗 منبع: معرفی رسمی و مشاهده نمونهها
🌀 @cvision 🌀
مدل GPT-Image 2.6 با سرعت بیشتر، ویرایش دقیقتر و قابلیت جذاب ساخت تصاویر متحرک GIF معرفی شد.
🔥 مهمترین قابلیتهای این نسخه:
🔹 سرعت بالاتر: تولید تصاویر تا ۵۰٪ سریعتر از نسخه قبلی انجام میشه.
🔹 ساخت تصاویر متحرک: حالا میتونید فقط با یک پرامپت، تصاویر متحرک با فرمت GIF بسازید.
🔹 ویرایش هوشمندتر: امکان تغییر بخشهای مشخص تصویر با حفظ جزئیات، ظاهر کاراکترها و هماهنگی تصاویر بهتر شده.
🔹 خروجی وکتور: قابلیت دریافت خروجی SVG برای استفاده در طراحی سایت، اپلیکیشن و کارهای گرافیکی اضافه شده.
🔹 امکانات توسعهدهندگان: دو مدل Flare برای سرعت بیشتر و Sunburst برای کیفیت و جزئیات بالاتر از طریق API در دسترس قرار گرفتن.
✅ دسترسی: این مدل از همین حالا برای تمام پلنهای ChatGPT و Codex فعال شده.
به نظر میرسه اوپنایآی داره ابزار تولید تصویر خودش رو به یک ابزار کاملتر برای طراحی و تولید محتوای حرفهای تبدیل میکنه.
🔗 منبع: معرفی رسمی و مشاهده نمونهها
🌀 @cvision 🌀
👍6❤4🔥2
💎 با مکتبخونه، بورسیه دانشگاه هاروارد شو!
🎉 مکتبخونه به مناسبت تولد ۱۵ سالگیش یک قرعهکشی ویژه برگزار کرده؛ از بورسیه آموزشی دانشگاه هاروارد به ارزش ۲۰۰۰ دلار گرفته تا اشتراک ChatGPT Plus و اشتراک مکتبخونه.
🔥 علاوه بر جوایز قرعهکشی، تخفیفهای ویژه تولد مکتبخونه هم فعال شده:
▪️ ۸۰٪ تخفیف اشتراک یکساله
▪️ تا ۷۰٪ تخفیف دورههای آموزشی
🧠 اگه به یادگیری ماشین و یادگیری عمیق علاقه داری یا با ابزارهایی مثل TensorFlow مدلهای هوش مصنوعی توسعه میدی، این فرصت خوبیه که دانش و مهارتهات رو ارتقا بدی و در کنارش، شانس برندهشدن جوایز جذاب رو هم داشته باشی.
⏳ مهلت شرکت: تا ۲۲ آبان
🎁 میخوای بدونی چطور میتونی توی قرعهکشی شرکت کنی؟
🔗 برای مشاهده جوایز و شرایط شرکت، کلیک کن
🎉 مکتبخونه به مناسبت تولد ۱۵ سالگیش یک قرعهکشی ویژه برگزار کرده؛ از بورسیه آموزشی دانشگاه هاروارد به ارزش ۲۰۰۰ دلار گرفته تا اشتراک ChatGPT Plus و اشتراک مکتبخونه.
🔥 علاوه بر جوایز قرعهکشی، تخفیفهای ویژه تولد مکتبخونه هم فعال شده:
▪️ ۸۰٪ تخفیف اشتراک یکساله
▪️ تا ۷۰٪ تخفیف دورههای آموزشی
🧠 اگه به یادگیری ماشین و یادگیری عمیق علاقه داری یا با ابزارهایی مثل TensorFlow مدلهای هوش مصنوعی توسعه میدی، این فرصت خوبیه که دانش و مهارتهات رو ارتقا بدی و در کنارش، شانس برندهشدن جوایز جذاب رو هم داشته باشی.
⏳ مهلت شرکت: تا ۲۲ آبان
🎁 میخوای بدونی چطور میتونی توی قرعهکشی شرکت کنی؟
🔗 برای مشاهده جوایز و شرایط شرکت، کلیک کن
❤2👍1👏1🤯1
Forwarded from
This media is not supported in your browser
VIEW IN TELEGRAM
🧠 کارگاه آموزشی W2 | مدلهای بینایی-زبانی
(VLM)
🌐 برای ثبت نام در کنفرانس کلیک کنید.
@mvip2026
@kashan_ict
(VLM)
🌐 برای ثبت نام در کنفرانس کلیک کنید.
@mvip2026
@kashan_ict
🔥6
🚀 آنتروپیک با معرفی دو مدل جدید، قدرت هوش مصنوعی رو به سطح تازهای رسوند!
شرکت آنتروپیک از دو مدل قدرتمند Claude Fable 5.2 و Claude Mythos 5.2 رونمایی کرده که برای حل مسائل پیچیده برنامهنویسی، مهندسی و تحقیقات علمی طراحی شدن.
🔥 چند مورد از قابلیتهای چشمگیر این مدلها:
🔹 افزایش سرعت تولید پاسخ تا ۳۰ درصد نسبت به نسل قبل
🔹 عملکرد بهتر در کدنویسی، استدلال و تحلیل تصاویر
🔹 پیشرفت قابلتوجه در امنیت سایبری و شناسایی آسیبپذیریها
نکته جالب اینکه این دو مدل از یک هسته مشترک استفاده میکنن؛ نسخه Fable برای استفاده عمومی با محدودیتهای ایمنی بیشتر عرضه شده و نسخه Mythos برای سازمانهای تأییدشده در حوزههای تخصصی در دسترسه.
🔗 منبع: وبلاگ رسمی آنتروپیک
🌀 @cvision 🌀
شرکت آنتروپیک از دو مدل قدرتمند Claude Fable 5.2 و Claude Mythos 5.2 رونمایی کرده که برای حل مسائل پیچیده برنامهنویسی، مهندسی و تحقیقات علمی طراحی شدن.
🔥 چند مورد از قابلیتهای چشمگیر این مدلها:
🔹 افزایش سرعت تولید پاسخ تا ۳۰ درصد نسبت به نسل قبل
🔹 عملکرد بهتر در کدنویسی، استدلال و تحلیل تصاویر
🔹 پیشرفت قابلتوجه در امنیت سایبری و شناسایی آسیبپذیریها
نکته جالب اینکه این دو مدل از یک هسته مشترک استفاده میکنن؛ نسخه Fable برای استفاده عمومی با محدودیتهای ایمنی بیشتر عرضه شده و نسخه Mythos برای سازمانهای تأییدشده در حوزههای تخصصی در دسترسه.
🔗 منبع: وبلاگ رسمی آنتروپیک
🌀 @cvision 🌀
🔥6
Tensorflow(@CVision)
🚀 آنتروپیک با معرفی دو مدل جدید، قدرت هوش مصنوعی رو به سطح تازهای رسوند! شرکت آنتروپیک از دو مدل قدرتمند Claude Fable 5.2 و Claude Mythos 5.2 رونمایی کرده که برای حل مسائل پیچیده برنامهنویسی، مهندسی و تحقیقات علمی طراحی شدن. 🔥 چند مورد از قابلیتهای چشمگیر…
This media is not supported in your browser
VIEW IN TELEGRAM
🤯 وقتی هوش مصنوعی از صفر یک سیستمعامل میسازه!
یکی از شگفتانگیزترین آزمایشهای آنتروپیک با مدل Claude Fable 5.2، ساخت یک سیستمعامل کامل از یک پوشه خالی بوده!
💻 در این آزمایش، مدل با هماهنگکردن بیش از ۱۰۰۰ ایجنت هوش مصنوعی، طی ۸ روز بهصورت شبانهروزی کدنویسی، تست و بازبینی انجام داده.
🔥 نتیجه، یک سیستمعامل آزمایشی قابل اجرا روی لپتاپ بوده که امکانات زیر رو داره:
🔹 هسته اختصاصی سیستمعامل
🔹 درایورهای دیسک، کیبورد و شبکه
🔹 سیستم ذخیرهسازی دائمی فایلها
🔹 محیط گرافیکی با پنجرههای قابل استفاده
🔹 صفحه ورود و نصبکننده سیستمعامل
🔹 قابلیتهای داخلی مبتنی بر Claude
🌀 @cvision 🌀
یکی از شگفتانگیزترین آزمایشهای آنتروپیک با مدل Claude Fable 5.2، ساخت یک سیستمعامل کامل از یک پوشه خالی بوده!
💻 در این آزمایش، مدل با هماهنگکردن بیش از ۱۰۰۰ ایجنت هوش مصنوعی، طی ۸ روز بهصورت شبانهروزی کدنویسی، تست و بازبینی انجام داده.
🔥 نتیجه، یک سیستمعامل آزمایشی قابل اجرا روی لپتاپ بوده که امکانات زیر رو داره:
🔹 هسته اختصاصی سیستمعامل
🔹 درایورهای دیسک، کیبورد و شبکه
🔹 سیستم ذخیرهسازی دائمی فایلها
🔹 محیط گرافیکی با پنجرههای قابل استفاده
🔹 صفحه ورود و نصبکننده سیستمعامل
🔹 قابلیتهای داخلی مبتنی بر Claude
🌀 @cvision 🌀
🤯14❤4
🧠 کارگاه آموزشی W2 | مدلهای بینایی-زبانی (VLM) 🌐 برای ثبت نام در کنفرانس کلیک کنید. @mvip2026 @kashan_ict
این کارگاه از آپارات نیز لایو منتشر خواهد شد
🙏7❤3
Tensorflow(@CVision)
https://www.aparat.com/Kashanuniversity/live
دوستان صدا دست من نیست. اما ویدیو را ضبط میکنم تو کانال قرار میدهم
❤15
🧠 کارگاه آموزشی W2 | مدلهای بینایی-زبانی (VLM) 🌐 برای ثبت نام در کنفرانس کلیک کنید. @mvip2026 @kashan_ict
لینک دانلود ضبط شده این کارگاه
این لینک 7 روز فعال است. لطفا در صورت تمایل در این مدت دانلود کنید
این کارگاه در "چهاردهمین کنفرانس ملی و چهارمین کنفرانس بینالمللی بینایی ماشین و پردازش تصویر" در کاشان برگزار شده بود:
https://mvip2026.ismvip.ir/
این لینک 7 روز فعال است. لطفا در صورت تمایل در این مدت دانلود کنید
این کارگاه در "چهاردهمین کنفرانس ملی و چهارمین کنفرانس بینالمللی بینایی ماشین و پردازش تصویر" در کاشان برگزار شده بود:
https://mvip2026.ismvip.ir/
🙏14❤2
🧬 🧬 AlphaGenome 2 : A New Era in Understanding DNA
گوگل دیپمایند از نسل جدید مدل هوش مصنوعی خود با نام AlphaGenome 2 رونمایی کرد؛ مدلی که با هدف درک بهتر ارتباط بین تغییرات ژنتیکی و بیماریها توسعه داده شده است.
این مدل میتواند پیشبینی کند که تغییرات در توالی DNA چگونه بر عملکرد ژنها در انواع مختلف سلولهای بدن تأثیر میگذارند. این موضوع اهمیت زیادی دارد؛ زیرا یک تغییر ژنتیکی ممکن است در یک نوع سلول اثرگذار باشد، اما در سلولهای دیگر تأثیر متفاوتی داشته باشد.
🔬 چند نکته درباره این مدل:
🔹 آموزشدیده با بیش از ۱۰۰ میلیون پروفایل سلولی از ۶۸ بافت مختلف.
🔹 شناسایی تقریباً دو برابر تعداد بیشتری از تغییرات ژنتیکی مؤثر بر بیان ژن، در مقایسه با بهترین مدل قبلی.
🔹 قابلیت تحلیل انواع جدید سلولها و بررسی اثر تغییرات ژنتیکی بدون نیاز به آموزش مجدد مدل.
🚀 هدف اصلی این پروژه، کمک به پژوهشگران برای درک بهتر نقش تغییرات ژنتیکی در بیماریها و شناسایی مسیرهای زیستی مرتبط با آنهاست.
این مدل در حال حاضر برای تحقیقات غیرتجاری از طریق API در دسترس است و هنوز صرفاً کاربرد پژوهشی دارد.
🔗 معرفی رسمی و جزئیات بیشتر:
https://deepmind.google/blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/
@cvision
گوگل دیپمایند از نسل جدید مدل هوش مصنوعی خود با نام AlphaGenome 2 رونمایی کرد؛ مدلی که با هدف درک بهتر ارتباط بین تغییرات ژنتیکی و بیماریها توسعه داده شده است.
این مدل میتواند پیشبینی کند که تغییرات در توالی DNA چگونه بر عملکرد ژنها در انواع مختلف سلولهای بدن تأثیر میگذارند. این موضوع اهمیت زیادی دارد؛ زیرا یک تغییر ژنتیکی ممکن است در یک نوع سلول اثرگذار باشد، اما در سلولهای دیگر تأثیر متفاوتی داشته باشد.
🔬 چند نکته درباره این مدل:
🔹 آموزشدیده با بیش از ۱۰۰ میلیون پروفایل سلولی از ۶۸ بافت مختلف.
🔹 شناسایی تقریباً دو برابر تعداد بیشتری از تغییرات ژنتیکی مؤثر بر بیان ژن، در مقایسه با بهترین مدل قبلی.
🔹 قابلیت تحلیل انواع جدید سلولها و بررسی اثر تغییرات ژنتیکی بدون نیاز به آموزش مجدد مدل.
🚀 هدف اصلی این پروژه، کمک به پژوهشگران برای درک بهتر نقش تغییرات ژنتیکی در بیماریها و شناسایی مسیرهای زیستی مرتبط با آنهاست.
این مدل در حال حاضر برای تحقیقات غیرتجاری از طریق API در دسترس است و هنوز صرفاً کاربرد پژوهشی دارد.
🔗 معرفی رسمی و جزئیات بیشتر:
https://deepmind.google/blog/alphagenome-2-deciphering-how-cells-read-dna-to-better-understand-disease/
@cvision
🔥3❤2👏1👌1
🎓 یکی از قشنگترین پیامهایی که این مدت گرفتم
چند روز پیش یکی از دانشجوهای قدیمیم، که سالها پیش در جهاد دانشگاهی شریف باهام کلاس داشت، بهم پیام داد. ایشون چند ماه پیش در دانشگاه ماینتس آلمان دکترا رو دفاع کرده، با تحقیق در موسسه ماکس پلانک برای پژوهش پلیمر. موضوع پایاننامهاش استفاده از یادگیری عمیق (CNN، ترنسفورمر و LSTM) برای اندازهگیری دقیق حرکت قطرههای آب روی سطوح از روی ویدیو بوده.
در بخش تشکر پایاننامهاش، از کسانی که علاقهاش رو به فیزیک و کامپیوتر ساینس شکل دادن یاد کرده، و خوشحالم که تدریس بنده هم بخشی از این مسیر بوده.
واقعا برای من، این بزرگترین پاداش تدریسه.
وقتی کلاس تموم میشه، آدم نمیدونه اون جرقهای که زده شد کجا میرسه. و حالا میبینم یکی از همون جرقهها به اینجا رسیده. 🙏
یادم میمونه که تو تدریس، فقط انتقال مطلب مهم نیست؛ شور و علاقهای که منتقل میکنیم گاهی از خود مطلب ماندگارتره.
📄 پایاننامه ایشون (برای کسانی که کنجکاوند):
https://openscience.ub.uni-mainz.de/items/129c0e44-b142-4156-9401-d554969a5d51
چند روز پیش یکی از دانشجوهای قدیمیم، که سالها پیش در جهاد دانشگاهی شریف باهام کلاس داشت، بهم پیام داد. ایشون چند ماه پیش در دانشگاه ماینتس آلمان دکترا رو دفاع کرده، با تحقیق در موسسه ماکس پلانک برای پژوهش پلیمر. موضوع پایاننامهاش استفاده از یادگیری عمیق (CNN، ترنسفورمر و LSTM) برای اندازهگیری دقیق حرکت قطرههای آب روی سطوح از روی ویدیو بوده.
در بخش تشکر پایاننامهاش، از کسانی که علاقهاش رو به فیزیک و کامپیوتر ساینس شکل دادن یاد کرده، و خوشحالم که تدریس بنده هم بخشی از این مسیر بوده.
واقعا برای من، این بزرگترین پاداش تدریسه.
وقتی کلاس تموم میشه، آدم نمیدونه اون جرقهای که زده شد کجا میرسه. و حالا میبینم یکی از همون جرقهها به اینجا رسیده. 🙏
یادم میمونه که تو تدریس، فقط انتقال مطلب مهم نیست؛ شور و علاقهای که منتقل میکنیم گاهی از خود مطلب ماندگارتره.
📄 پایاننامه ایشون (برای کسانی که کنجکاوند):
https://openscience.ub.uni-mainz.de/items/129c0e44-b142-4156-9401-d554969a5d51
❤72👍5🤔3
نسل جدید Scribe با دقت بالاتر معرفی شد! 🎙
شرکت ElevenLabs از دو مدل جدید Speech-to-Text رونمایی کرده است: مدل Scribe v3 برای فایلهای صوتی ضبطشده و Scribe v3 Live برای پردازش Real-time مکالمات.
دقت بالاتر 📊 طبق بنچمارکهای ElevenLabs، مدل Scribe v3 در ۱۰۲ زبان، ۲۷٪ خطای کمتری نسبت به نسل قبل دارد. نسخه Live نیز خطای معنایی تشخیص گفتار را ۴۳٪ کاهش داده است.
قابلیتهای جدید این نسل 👇
🔹 شناسایی دقیقتر گویندگان با Speaker Diarization
🔹 تشخیص هوشمند پایان صحبت با Turn Detection، بدون اتکای صرف به سکوت
🔹 پشتیبانی از تغییر زبان در میانه مکالمه با Multilingual Mode
🔹 امکان تعریف اصطلاحات تخصصی با Keyterm Prompting
هر دو مدل از طریق ElevenAPI در دسترس توسعهدهندگان قرار گرفتهاند و میتوانند دقت Voice Agentها و سیستمهای Transcription را بهبود دهند.
🔗 منبع: https://elevenlabs.io/blog/scribe-v3
🌀 @cvision 🌀
شرکت ElevenLabs از دو مدل جدید Speech-to-Text رونمایی کرده است: مدل Scribe v3 برای فایلهای صوتی ضبطشده و Scribe v3 Live برای پردازش Real-time مکالمات.
دقت بالاتر 📊 طبق بنچمارکهای ElevenLabs، مدل Scribe v3 در ۱۰۲ زبان، ۲۷٪ خطای کمتری نسبت به نسل قبل دارد. نسخه Live نیز خطای معنایی تشخیص گفتار را ۴۳٪ کاهش داده است.
قابلیتهای جدید این نسل 👇
🔹 شناسایی دقیقتر گویندگان با Speaker Diarization
🔹 تشخیص هوشمند پایان صحبت با Turn Detection، بدون اتکای صرف به سکوت
🔹 پشتیبانی از تغییر زبان در میانه مکالمه با Multilingual Mode
🔹 امکان تعریف اصطلاحات تخصصی با Keyterm Prompting
هر دو مدل از طریق ElevenAPI در دسترس توسعهدهندگان قرار گرفتهاند و میتوانند دقت Voice Agentها و سیستمهای Transcription را بهبود دهند.
🔗 منبع: https://elevenlabs.io/blog/scribe-v3
🌀 @cvision 🌀
👌9❤1👍1