"در اقدامی برای ساده‌سازی توسعه و تقویت تعهد خود به جامعه متن‌باز، شرکت AMD استراتژی درایور Vulkan لینوکس خود را یکپارچه می‌کند و تصمیم گرفته است که پروژه متن‌باز AMDVLK را متوقف کند. اکنون تمام تمرکز و منابع AMD به پشتیبانی رسمی از درایور متن‌باز RADV برای کارت‌های گرافیکی Radeon اختصاص خواهد یافت. در نتیجه این تصمیم، تنها یک درایور با عملکرد بالا خواهیم داشت."

- ارسال نوتیفیکیشن هنگام ایجاد پست جدید
-ارسال نوتیفیکیشن هنگام به‌روزرسانی پست
- حذف پیام‌های تلگرام هنگام حذف پست از سایت
- نمایش عنوان، توضیح کوتاه، لینک ادامه مطلب و هشتگ‌ها
- پشتیبانی از تصویر شاخص پست
- امکان فعال/غیرفعال کردن ارسال نوتیفیکیشن‌ها

1. پلاگین را نصب و فعال کنید.
2. در تنظیمات، توکن ربات تلگرام و آیدی کانال خود را وارد کنید.
3. از این به بعد نوتیفیکیشن‌های خودکار برای پست‌ها در کانال تلگرام شما ارسال می‌شوند.

Like students facing hard exam questions, large language models sometimes guess when uncertain, producing plausible yet incorrect statements instead of admitting uncertainty. Such “hallucinations” persist even in state-of-the-art systems and undermine trust. We argue that language models hallucinate because the training and evaluation procedures reward guessing over acknowledging uncertainty, and we analyze the statistical causes of hallucinations in the modern training pipeline. Hallucinations need not be mysterious—they originate simply as errors in binary classification. If incorrect statements cannot be distinguished from facts, then hallucinations in pretrained language models will arise through natural statistical pressures. We then argue that hallucinations persist due to the way most evaluations are graded—language models are optimized to be good test-takers, and guessing when uncertain improves test performance. This “epidemic” of penalizing uncertain responses can only be addressed through a socio-technical mitigation: modifying the scoring of existing benchmarks that are misaligned but dominate leaderboards, rather than introducing additional hallucination evaluations. This change may steer the field toward more trustworthy AI systems.