گوگل داره یه قانون جدید معرفی می‌کنه که طبق اون، هویت توسعه‌دهندگان اپ‌های اندرویدی، حتی اونایی که خارج از پلی استور هستن، باید تایید بشه. میگه بدافزارها و کلاهبرداری‌ها خارج از گوگل‌پلی ۵۰ برابر هستن و هدفشون جلوگیری از اینه.

قانونش از ۲۰۲۶ اجرا میشه، اول تو بعضی از کشورها اجباری میشه و بعدتر سراسر دنیا، توسعه دهنده‌ها هم باید اطلاعاتی مثل اسم، آدرس، تلفن و ... رو وریفای کنن و هزینه این تایید هم ۲۵ دلار هست.

تا اینجا بحث‌های زیادی در موردش هست، کاربرها میگن کمی کاهش بد‌افزارها به قیمت از دست رفتن ناشناس بودن توسعه‌دهنده‌ها ارزشش رو نداره، اما بیشتر دولت‌ها از این طرح حمایت کردن مثلا فدراسیون بانک‌های برزیل، وزارت ارتباطات اندونزی و وزارت اقتصاد تایلند جاهایی بودن که این اقدام رو مثبت ارزیابی کردن که خب دور از انتظار هم نیست چون برای دولت‌ها همیشه محدودیت‌ها خوشایند هست. [L]

🤓 @geekalerts

مدل Gemma 3 270M: کوچک اما کارآمد و قدرتمند

در دنیای امروز هوش مصنوعی، سال‌ها یک وسواس همیشگی وجود داشته: مدل‌های بزرگ‌تر، پارامترهای بیشتر و دیتاست‌های عظیم‌تر. اما واقعیت اینه که همیشه قدرت در “بزرگ‌تر بودن” خلاصه نمی‌شه؛ گاهی جادو در “باهوش‌تر کوچک شدن” اتفاق می‌افته. اینجاست که Gemma 3 270M وارد می‌شه؛ کوچک‌ترین عضو خانواده Gemma، اما شاید عملی‌ترینش. مدلی که نه برای بردن مسابقه‌ی اعداد، بلکه برای انجام واقعی کارها ساخته شده؛ سریع، سبک، کم‌مصرف و مقرون‌به‌صرفه.

مدل Gemma 270M تنها ۲۷۰ میلیون پارامتر داره؛ رقمی که در مقایسه با غول‌هایی مثل Gemini یا GPT-5 بسیار کوچیک به نظر میاد. اما این عدد فریبنده‌ست، چون این مدل به‌جای اندازه، روی توانایی تمرکز کرده. همون ابتدا از جعبه، توانایی instruction-following و text structuring رو به شکلی چشمگیر ارائه می‌ده و توی بنچمارک IFEval، نتایجی فراتر از انتظار برای مدلی با این اندازه به دست آورده. به زبان ساده، عملکردی در حد «لالیگا» با هزینه‌ای در سطح «لیگ محلات جوادیه».

در دل این معماری جمع‌وجور، ۱۷۰ میلیون پارامتر برای embedding و ۱۰۰ میلیون پارامتر برای transformer blocks در نظر گرفته شده و واژگان ۲۵۶ هزار توکنی بهش اجازه می‌ده حتی کلمات و نمادهای نادر رو به‌خوبی بفهمه. از طرفی، در تست روی Pixel 9 Pro، نسخه‌ی quantized در سطح INT4 تونسته ۲۵ مکالمه رو فقط با ۰.۷۵ درصد از باتری اجرا کنه. این یعنی مدلی با کارایی بالا و energy efficiency کم‌نظیر، که می‌شه به‌طور کامل روی دستگاه اجراش کرد و در عین حال privacy رو هم حفظ کرد.

این مدل در دو نسخه عرضه می‌شه: یک نسخه‌ی pre-trained و یک نسخه‌ی instruction-tuned. همین باعث می‌شه بدون هیچ آموزش اضافه‌ای، دستورهایی مثل «این ایمیل رو خلاصه کن» یا «اسامی رو از این متن بیرون بکش» رو به‌خوبی انجام بده. و اگر بخواید به سطح بعدی برسید، می‌تونید اون رو برای نیازهای خاص خودتون fine-tune کنید. اینجاست که Gemma 270M قدرت واقعی‌ش رو نشون می‌ده: از text classification و entity extraction تا creative writing و حتی پردازش‌های حساس مثل فیلتر محتوای چندزبانه یا compliance checks.

فیلسوفانه بخوایم نگاه کنیم، Gemma 270M فقط یه «مدل کوچک» نیست؛ یک تغییر نگرشه. به‌جای اینکه همه‌چیز رو به زور بزرگ کنیم، این مدل به ما یادآوری می‌کنه که می‌شه هوشمندانه کوچک شد، اتلاف منابع رو کاهش داد و دقیقاً همون کاری رو انجام داد که لازمه. درست مثل اینکه به‌جای بولدوزر، برای کاشت گل از ابزار ظریف‌تر استفاده کنید. در واقع، Gemma 270M انتخابی عالیه وقتی می‌خواید یک کار خاص رو خیلی سریع، دقیق و ارزان انجام بدید.

در نهایت، این مدل به توسعه‌دهنده‌ها امکان می‌ده به‌جای اتکا به یک مدل بزرگ و گران، مجموعه‌ای از مدل‌های تخصصی و سبک رو کنار هم بسازن؛ هر کدوم متخصص در وظیفه‌ای خاص. نتیجه؟ راهکارهایی سریع‌تر، ارزان‌تر و امن‌تر. به همین دلیل، Gemma 270M نه فقط یک ابزار، بلکه یک رویکرده: کوچک شروع کنید، ولی هوشمند و کارآمد.

🔗 صفحه hf مدل

🔗نوت‌بوک فاین تون مدل

🔗 نوت‌بوک پیاده‌سازی مدل از صفر با پایتورچ

🔤🔤🔤🔤🔤🔤🔤

🥇 اهورا اولین اپراتور هوش مصنوعی راهبردی ایران در حوزه ارائه خدمات و سرویس‌های زیرساخت هوش مصنوعی

🛍کد تخفیف ۱۰ درصدی محصولات اهورا برای اعضای کانال
AHURA5

🌐 لینک وب‌سایت اهورا

@reza_jafari_ai