‏کمپانی Uber توی یک بلاگ جالب توضیح میده که چطور چت بات داخلی که ساختند تا به تیم پشتیبانی در جواب دادن به هزاران سوال دقتی در حد انسان داره.
این چت بات بر اساس معماری Agentic-RAG پیاده سازی شده و بهش چندتا قسمت اضافه کردند:
- ایجنتهای پیش‌از‌بازیابی: کوئری رو بهینه می‌کنن و منبع درست رو پیدا می‌کنن
- بازیاب ترکیبی (برداری + BM25 با متادیتای غنی) → بازیابی دقیق‌تر
- ایجنت پس‌ از پردازش: چانک های تکراری‌ها رو حذف می‌کنه و متن رو مرتب می‌کنه یا به اصطلاح rerank میکنه

بلاگشون را بخونید که توضیح میده چطور مدل را ارزیابی کردن با استفاده از روش LLM-as-Judge
نکات مهم و جالبی داره اگه نیاز به ساختن ایجنتهای مشابه دارید در یوزکیس های مختلف.

www.uber.com/en-GB/blog/enhanced-agentic-rag


@Linuxor ~ MehdiAllahyari

این یکی از آهنگایی هست که از گذشته گوشش میدادم و هرگز برام تکراری نشده

کلی سند فاش‌شده نشون می‌ده که شرکت چینی Geedge Networks فناوری‌هایی مشابه «دیوار آتش بزرگ چین» رو به دولت‌های مختلف مثل پاکستان و قزاقستان و ... صادر می‌کنه. این شرکت به‌ظاهر خودش رو ارائه‌دهنده ابزارهای امنیت سایبری معرفی می‌کنه اما در واقع سیستم‌های گسترده نظارت و سانسور اینترنت مثل DPI می‌فروشه

محصول اصلی این شرکت با نام Tiangou Secure Gateway (TSG) قادره کل ترافیک اینترنت یه کشور رو پردازش، شنود و مسدود کند. این سیستم می‌تونه اطلاعات حساس رو از ارتباطات رمزنگاری‌نشده استخراج کنه و با استفاده از فناوری بازرسی عمیق بسته‌ها (DPI) و یادگیری ماشینی، کاربران VPN و ابزارهای ضد فیلترینگ رو شناسایی کنه.

@Linuxor

کی‌دی‌ای برای شما


با رایانه خود پس از پایان پشتیبانی ویندوز ۱۰ چه کنیم؟

https://kde.org/for/w10-exiles/



نرم‌افزار خود را ارتقا بدید، نه سیستمتون رو.


@KDE_fa

#wordpress

اکستنشن های php که برای افزایش سرعت وردپرس پیشنهاد میشه

OPcache
amqp
apcu
memcached
redis
sqlite3

اگر سی پنل دارید میتونید از قسمت کلود لینوکس به فعال سازی این اکستنشن ها اقدام کنید

@DevTwitter | <پسر لوسیفر/>

#llm

تو پروسه تحقیقی که داشتم روی LLMها، به یه ریپو برخوردم که کلی API رایگان و آزمایشی جمع کرده. در واقع سرویس هایی که API رایگان میدن رو لیست کرده و محدودیت هاشون هم توضیحاتی داده.
https://github.com/cheahjs/free-llm-api-resources

@DevTwitter | <Mohammadreza M/>

اگه کل کانال لینوکسور جمع بشیم و یه سایت بسازیم که توش بیت کوین با هم‌دیگه معامله کنیم؛ می‌تونیم توی شبکه متمرکز خودمون باهم توافق کنیم که اصلا کارمزدی پرداخت نکنیم؛ در نهایت نتیجه رو به شبکه اصلی می‌گیم و یه کوچولو کارمزد تراکنش batch رو می‌دیم.

به نظرتون چه اتقاقی افتاد؟ ما تونستیم شبکه رو گول بزنیم؟ خیر، در واقع یه Trade-Off بین هزینه تراکنش و نامتمرکز بودن شبکه وجود داره ما فقط ویژگی های خوب نامتمرکزی مثل امنیت و ناشناس بودن رو فدای هزینه کردیم... در واقع چیزی گول نخورده شبکه‌ی بیت‌کوین همون جاست؛ فقط تضمین‌های امنیتی/عدم‌سانسور و حریم خصوصی برای کاربرا تغییر کردن :)

ساده تر یعنی مثلا من اگه صاحب این سایت باشم می‌تونم یه کوچولو تراکنش هارو دستکاری کنم یا اینکه تراکنش هاتون رو رصد کنم ...


@Linuxor

مولانا | دیوان شمس | رباعیات | رباعی شمارهٔ ۱۹۵۶

من با تو چنین سوخته خرمن تا کی
وز ما تو چنین کشیده دامن تا کی
این کار به کام دشمنانم تا چند
من در غم تو تو فارغ از من تا کی

#مولانا | گنجور
📍@iipoem

اگه ازم بپرسن بددست‌ترین و نچسب‌ترین سرویسی که باهاش کار کردم چی بود، من بدون بلا استثنا میگم Rabbitmq. نمیدونم من مشکل دارم باهاش، یا همه همینطوری هستند، ولی من بیشترین مشکلات رو تا حالا با این سرویس داشتم و دارم

#wordpress

یه پلاگین فوق تمیز برای اسکرول نرم رو سایت‌های وردپرس!
واقعا آفرین به سعید پیری بابت این پلاگین عالی.
https://github.com/isaeedam-ir/smooth-scrolling

@DevTwitter | <Seyyed Ahmadreza Mahjoob/>

دسترسی به اینترنت آزاد در شرایط بحرانی، توسط DnsTt ...

🎥 youtu.be/DI06-40qJms
💡 dnstt.network

🔍 ircf.space
@ircfspace

نسخه جدید از #فیلترشکن رایگان #دیفیکس حالا از طریق گوگل‌پلی و اپ‌استور برای گوشی‌های #اندروید و #آیفون در دسترس قرار گرفته.

مهمترین بروزرسانی این نسخه اضافه‌شدن هسته ایکس‌ری برای بهبود اتصال کاربران بوده، اما علاوه بر اون، بروزرسانی API به نسخه ۳، بازنویسی انیمیشن‌ها برای بهبود سرعت و عملکرد برنامه، نمایش بهتر لاگ‌ها و تغییرات عمده در هسته #DXcore به‌جهت افزایش پایداری، از دیگر تغییرات تازه‌ی #Defyx هستن.

همچنین قراره در آپدیت‌های بعدی علاوه بر رفع مشکلات موجود، ویژگی جدیدی به نام #ترجیحات اضافه بشه، که این امکان رو میده تا رفتار هسته‌ی برنامه رو متناسب با نیازها و وضعیت اتصال اینترنتی خودتون تنظیم کنین.

1️⃣ play.google.com/store/apps/details?id=de.unboundtech.defyxvpn
2️⃣ apps.apple.com/us/app/defyx/id6746811872

🔍 ircf.space
@ircfspace

#php

با یک دکمه, سرعت خروجی سایت با لاراول از 38ms به 8ms تغییر کرد,
و میزان مصرف رم در هر درخواست از 11mb به 0.26mb تغییر کرد
دکمه فعال سازی opcache در بخش تنظمات php سیپنل نسخه 8.4
میدونستم خوبه ولی این حجم از تغییر رو انتظار نداشتم

@DevTwitter | <Masoud Derakhshi/>

🔶 بالاخره پروژه مرن استک تسک پایر به پایان رسید.
نسخه اولیه منتشر شد.

پروزه بر پایه سلف هاست است.

@TheRaymondDev

نگاهی بر مقاله جدید OpenAI ، چرا مدل‌های زبانی دست از توهم برنمی‌دارن؟

مقاله جدید OpenAI توجه زیادی رو جلب کرده چون به ریشه اصلی پدیده hallucination در LLM‌ها می‌پردازه و حتی راه‌حلی برای کاهش اون ارائه می‌ده. Hallucination به معنای تولید خروجی‌هایی هست که ظاهراً معتبر و منطقی به نظر می‌رسن اما در واقع غلط هستن. این مسئله باعث کاهش اعتماد کاربران به مدل‌ها می‌شه، چون وقتی یه مدل با اطمینان کامل چیزی رو اشتباه می‌گه، دیگه سخت می‌شه به جواب‌های درستش هم اعتماد کرد. نکته مهمی که مقاله روی اون تأکید می‌کنه اینه که hallucination‌ها «بگ» یا خطاهای غیرمنتظره نیستن، بلکه بخشی طبیعی از فرآیند آموزش و ارزیابی مدل‌ها هستن.

در مرحله pretraining، مدل‌ها زبان رو از روی داده‌های عظیم یاد می‌گیرن. این داده‌ها به‌طور طبیعی پر از اشتباهات، ناقص بودن‌ها و نیمه‌حقیقت‌ها هستن. اما نکته کلیدی‌تر اینجاست: حتی اگر داده‌ها کاملاً بی‌نقص و بدون خطا هم باشن (که در عمل غیرممکنه)، باز هم هدف آموزشی و معیارهایی مثل cross-entropy loss باعث می‌شن مدل‌ها اشتباه کنن. دلیلش اینه که مدل‌ها برای تولید همیشه مجبور به انتخاب یه پاسخ هستن و آموزش اون‌ها طوری طراحی شده که به جای گفتن «نمی‌دونم» باید حتماً جواب بدن. این ساختار باعث می‌شه hallucination‌ها به‌صورت آماری اجتناب‌ناپذیر باشن. مقاله یادآوری می‌کنه که تولید یک پاسخ درست بسیار سخت‌تر از تشخیص درستی یا نادرستی یک پاسخ آماده‌ست. چون تعداد جواب‌های غلط بی‌نهایت زیاده و مدل باید از بین همه اون‌ها اجتناب کنه. برای همین hallucination مثل ویژگی ذاتی مدل‌های زبانی فعلی عمل می‌کنه، نه یه استثناء.

یکی از مثال‌های واضح، داده‌های مربوط به تاریخ تولد افراد هست. اگر در داده‌های آموزشی یک تاریخ تولد فقط یک بار ظاهر بشه، مدل احتمالاً نمی‌تونه اون رو درست به خاطر بسپره. پس وقتی بعداً ازش سؤال می‌شه، به جای «نمی‌دونم»، معمولاً یه تاریخ مشخص اما اشتباه رو با اعتمادبه‌نفس جواب می‌ده. در واقع، تخمین مقاله اینه که اگر ۲۰٪ از داده‌های مربوط به تولدها فقط یک بار در آموزش ظاهر شده باشن، همون مقدار hallucination روی این دسته از اطلاعات ناگزیر خواهد بود.

اما مشکل فقط به pretraining محدود نمی‌شه. در مرحله post-training که شامل روش‌هایی مثل RLHF یا DPO هست، تلاش می‌شه تا hallucination کاهش پیدا کنه. با این حال، این مرحله هم مشکل رو به طور کامل حل نمی‌کنه. دلیلش برمی‌گرده به شیوه ارزیابی مدل‌ها. بیشتر benchmark‌های مهم مثل MMLU، GPQA، SWE-bench یا HLE از متریک‌های binary accuracy استفاده می‌کنن. توی این متریک‌ها، جواب درست یک امتیاز داره، جواب غلط صفر، و «نمی‌دونم» هم صفر. بنابراین مدل‌ها هیچ پاداشی برای ابراز عدم اطمینان نمی‌گیرن. این سیستم باعث می‌شه بهترین استراتژی برای مدل «بلوف زدن» باشه، یعنی حتی وقتی مطمئن نیستن، با اعتمادبه‌نفس یه جواب مشخص بدن. درست مثل دانش‌آموزی که توی آزمون چندگزینه‌ای وقتی مطمئن نیست، حدس می‌زنه چون حداقل شانس گرفتن امتیاز وجود داره، اما اگر خالی بذاره مطمئناً صفر می‌گیره.

مقاله به یه نکته جالب هم اشاره می‌کنه: hallucination‌ها معمولاً خیلی خاص و با جزئیات هستن. مثلاً به جای گفتن «پاییز»، مدل می‌گه «۳۰ سپتامبر»، حتی اگر اشتباه باشه. این به خاطر همون ساختار ارزیابی هست که مدل‌ها رو به سمت جواب‌های مشخص و مطمئن سوق می‌ده، نه پاسخ‌های کلی‌تر یا «نمی‌دونم».

راه‌حل پیشنهادی مقاله به جای طراحی تست‌های جدید، تغییر در mainstream evaluation‌هاست. نویسنده‌ها پیشنهاد می‌کنن سیستم امتیازدهی اصلاح بشه به طوری که مدل برای «جواب ندادن» یا abstention تنبیه نشه. مثلاً: +۱ برای جواب درست، ۰ برای «نمی‌دونم»، و -۱ برای جواب غلط. اینطوری مدل‌ها یاد می‌گیرن فقط وقتی جواب بدن که از یه آستانه مشخص (مثلاً ۷۵٪) مطمئن‌تر باشن. این روش که بهش behavioral calibration می‌گن، باعث می‌شه مدل‌ها رفتار صادقانه‌تری داشته باشن و یاد بگیرن بین جواب دادن یا جواب ندادن بر اساس سطح اعتماد تصمیم بگیرن.

جالب اینجاست که همین حالا هم نشونه‌هایی از این تغییر در نسل جدید مدل‌ها دیده می‌شه. مثلاً بعضی گزارش‌ها از GPT-5 نشون می‌ده که وقتی مطمئن نیست، مستقیماً می‌گه «نمی‌دونم» و توضیح می‌ده چرا نمی‌تونه جواب دقیق بده. این رفتار باعث شد حتی چهره‌هایی مثل Elon Musk هم از اون تحسین کنن. در واقع، چنین پاسخی به مراتب بهتر و قابل‌اعتمادتر از یک hallucination پرجزئیاته.

1/2

@reza_jafari_ai

اخیرا طی تسکی که توی دوره آزمایشی ام دارم میگذرونم باید یه مدل سه بعدی رو روی نقشه load میکردم و یه سری کارا روش انجام میدادم.

تجربه هایی که این تسک برام داشت .
کار کردن با THREE js برای نور پردازی و ایجاد بستر برای مدل ۳ بعدی
اضافه کردن مدل GLTF/GLB
کار کردن با پکیج turf برای bearing و محاسبه فواصل
https://github.com/MahdiKgz/THREE_map


@DevTwitter | <Mahdi Khoshghadam zadeh/>