یه مدل با نام supernova عرضه شده که ide های cursor و windsurf هم فعلا به رایگان ارائه می‌دند و میتونید ازش استفاده کنید.

به نظر می‌رسه فعلا مشخص نیست عرضه کننده‌اش چه شرکتی هست و صرفا توسط بازیگر‌های اصلی حوزه ide های هوش مصنوعی به صورت پارتنرشیپ داره عرضه می‌شه.

اما در مجموع مدل خوب و قوی و راضی کننده‌ای هست. از مودل کد زدن و اجرای دستوراتش حس می‌کنم که از مدل‌های چینی باید باشه. البته صرفا حدس. به نظرم ارزش امتحان کردن داره.

مدل کدنویسی سوپرنوا یک مدل هوش مصنوعی کدنویسی جدید، رایگان و به‌سرعت در حال ظهور است که قابلیت‌های چندحالته (مولتی‌مودال) دارد و روی پلتفرم‌هایی مانند Kilo Code و Cursor در دسترس است. این مدل می‌تواند کد را از روی تصاویر درک و تولید کند و یک پنجره‌ی متنی بسیار بزرگ با ظرفیت ۲۰۰,۰۰۰ توکن ارائه می‌دهد، هرچند در انجام وظایف پیچیده نتایج متناقضی نشان داده است. برخی معتقدند که این مدل می‌تواند نسخه‌ای از هوش مصنوعی کدنویسی Grok باشد. همچنین یک نسخه‌ی بزرگ‌تر با پنجره‌ی متنی ۱ میلیون توکن نیز منتشر شده است.

@code2_ir

کانال کد۲

ممنون از همه دوستانی که در نظر سنجی شرکت کردند 💐❤️

کامپیوترها برای نگهداری و نمایش کاراکترهای یک متن از یه فضای یک بایتی (معادل هشت بیت 0 یا 1) استفاده میکردن
این میزان فضا توی کامپیوتر میتونه شامل 255 حالت مختلف بشه
کامپیوترها برای نشانه‌های گرامری، حروف انگلیسی و عدد از استاندارد اسکی (ASCII) استفاده میکردن
این استاندارد آمریکایی میاد برای هر کاراکتر یه معادل عددی تعریف میکنه
مثلا کاراکتر A در اسکی معادل عدد 65هست
قرار گرفتن این اعداد پشت سر هم در کامپیوتر یک متن رو میسازه

مشابه این استاندارد معادل عددی برای پشتیبانی از تمام زبان‌های دنیا به وجود اومد که یونیکد (Unicode) نام داره
کاراکترهای انگلیسی و اعداد انگلیسی توی یونیکد از همون اعداد استاندارد اسکی استفاده میکنن و در ادامه پشتیبانی از کاراکترهای بقیه زبان‌های دنیا بهش اضافه میشه

یونیکد در حال حاضر دارای چیزی حدود 297,000 معادل عددی برای کاراکترهای مختلف از زبان‌های مختلف، اموجی‌ها و ... هست
فضای یک بایتی برای پشتیبانی از این میزان حالت‌های مختلف کافی نیس
شما برای این جا دادن این میزان از حالت‌های مختلف به شکل بیت کامیپوتر به حداقل سه بایت نیاز دارین
سه بایت میتونه تا حدود 16 میلیون عدد مختلف رو برای شما نگه داری کنه

حالا شما برای نگهداری یک متن که شامل کاراکترهای
یونیکد هست نیاز دارین 3 بایت برای هر کاراکتر اختصاص بدین
کاراکترهای انگلیسی تو یونیکد تنها یک بایت هم براشون کافیه ولی اگه شما برای یه متن انگلیسی، هر کاراکتر رو سه بایت در نظر بگیرین عملا به ازای هر کاراکتر انگلیسی دو بایت فضا رو هدر دادین
مثلا تو یه متن با ده هزار کاراکتر،
یه چیزی حدود 20 کیلوبایت فضای کامپیوتر رو هدر دادین
چه وقتی میخاین ازش استفاده کنین و توی رم هست و چه وقتی که روی هارد دیسک برای استفاده در آینده ذخیره شده

اینجاست که UTF-8 میتونه کمک کنه

این استاندارد که توسط یونیکد تعریف شده به جای اینکه بیاد فضای 3 بایتی به هر کاراکتر
اختصاص بده، میاد از 7 بیت راست یک بایت برای کاراکترهای اسکی استفاده میکنه

و برای کاراکترهای بعدی علاوه بر خود کاراکتر، تعداد بایت مصرف شده برای اون کاراکتر هم داخل بایت اول ذخیره میکنه
یعنی 128 کاراکتر اول اسکی به شکل عادی ذخیره میشن بدون تغییر خاصی با فقط یک بایت فضا

ولی برای کاراکترهای بعدی میاد و داخل بایت اول مشخص میکنه چه میزان فضا برای کاراکتر استفاده شده

این میزان فضا از یک بایت تا چهاربایت میتونه متغیر باشه

حالا چه شکلی اینکارو میکنه
تو یه بایت برای 128 عدد اولیه اسکی، بیت چپ همیشه صفر هست

اما وقتی بیت چپ یک میشه یعنی با یه کاراکتر UTF8 طرف هستیم

همونطور که گفتم هر کاراکتر توی UTF-8 میتونه از یک بایت تا چهاربایت متغیر باشه

کامپیوتر چطور اینو تشخیص میده؟

بیت‌های 1 اولِ بایت رو میشماره تا به عدد 0 صفر برسه
یعنی اگه بایت اول با عدد باینری 110 شروع بشه، یعنی دوبایت فضا استفاده شده
اگه 1110 باشه سه بایت و ...

تو UTF-8 فضای بیت‌های بایت اول بین خود کاراکتر و تعداد بایت تقسیم میشه و متغیره

اما تو بایت‌های دوم و سوم و چهارم همیشه شش تا بیت راست برای خود کاراکتر استفاده میشه و دو بیت دیگه برای هندل کردن ارور تو utf-8 استفاده میشه
امیدوارم تونسته باشم با دانش ناقص خودم شما رو در مورد این انکدینگ رایج دنیای کامپیوتر آشنا کرده باشم

توضیحات دقیق‌تر:
https://en.wikipedia.org/wiki/UTF-8

سایت استفاده شده برای تست بایت UTF-8:
https://utf8-playground.netlify.app/

@DevTwitter | <Amir/>

دیگران: چرا از گروه های برنامه نویسی دوری کردی؟

من:

Don't forget to take State of JS survey 2025

https://survey.devographics.com/en-US/survey/state-of-js/2025

هوک جدید Next.js که میتونه چند لول UX اپ شمارو بهتر کنه.
اسمش useLinkStatus هست و میاد و وضعیت لودینگ کامپوننت Link والدش رو مشخص میکنه و اگر درحال لودینگ بود pending رو true بر میگردونه.
به این صورت دغدغه بزرگ لودینگ پیج ها حل میشه و متونیم به راحتی در UI به کاربر نمایشش بدیم.
لینک رفرنس:
https://nextjs.org/docs/app/api-reference/functions/use-link-status

@DevTwitter | <Farzad Vahdati/>

🔥 New GitHub Trending Repositories 🔥

Found 10 new trending repositories:

1. stremio-web by Stremio
📝 Stremio - Freedom to Stream
💻 JavaScript | ⭐ 1,772 | 🌟 Today: 51
🔗 Link

2. playball by paaatrick
📝 Watch MLB games from the comfort of your own terminal
💻 JavaScript | ⭐ 992 | 🌟 Today: 106
🔗 Link

3. jsoncrack.com by AykutSarac
📝 ✨ Innovative and open-source visualization application that transforms various data formats, such as...
💻 TypeScript | ⭐ 41,676 | 🌟 Today: 67
🔗 Link

4. Agent-S by simular-ai
📝 Agent S: an open agentic framework that uses computers like a human
💻 Python | ⭐ 6,416 | 🌟 Today: 82
🔗 Link

5. BitNet by microsoft
📝 Official inference framework for 1-bit LLMs
💻 Python | ⭐ 22,455 | 🌟 Today: 282
🔗 Link

6. libsignal by signalapp
📝 Home to the Signal Protocol as well as other cryptographic primitives which make Signal possible.
💻 Rust | ⭐ 4,854 | 🌟 Today: 15
🔗 Link

7. glide by glide-browser
📝 An extensible and keyboard-focused web browser
💻 TypeScript | ⭐ 422 | 🌟 Today: 63
🔗 Link

8. dbt-core by dbt-labs
📝 dbt enables data analysts and engineers to transform their data using the same practices that softwa...
💻 Python | ⭐ 11,476 | 🌟 Today: 10
🔗 Link

9. llm-app by pathwaycom
📝 Ready-to-run cloud templates for RAG, AI pipelines, and enterprise search with live data. 🐳Docker-fr...
💻 Jupyter Notebook | ⭐ 41,166 | 🌟 Today: 88
🔗 Link

10. motia by MotiaDev
📝 Multi-Language Backend Framework that unifies APIs, background jobs, workflows, and AI Agents into a...
💻 TypeScript | ⭐ 9,060 | 🌟 Today: 197
🔗 Link


🔘 @github_trending_daily

TIL: NPX Cheatsheet

https://www.nodejs-security.com/blog/mastering-npx-cheatsheet-npm-nodejs-power-users

#npx #til

#Quick
یکی از دلایل خوب استفاده از containar اینه که آپدیت ورژن‌ها ساده‌تر باشه!

پروژه‌ای رو داشتم که هنوز از Postgres 12 استفاده می‌کرد؛ ۱۴ نوامبر ۲۰۲۴ پشتیبانی این نسخه تموم شده (سرچ کردم حفظ نیستم).
بعد بنده خدا مدیر شرکت می‌خواست optimization بزنه که مشکلاتش کمتر بشه، همین که ابزارهایی که استفاده می‌کردند رو آپدیت کردم و البته معماری سیستم رو کمی بهتر (مثلاً برای دسترسی به یک سری سرویس‌های داخلی چون نتونسته بودند کانفیگ کنند، درخواست‌ها رو از اینترنت رد می‌کردند که خودش باعث میشه latency زیاد بشه) بیش از ۷۰-۸۰٪ مشکلاتشون حل شد.
بخصوص میزان مصرف منابع!

خلاصه که، اون ایمیج لعنتی رو هر‌ از گاهی یک آپدیت بزنید. از کانتینرها برای همین استفاده می‌کنیم.

در سیستم‌های توزیع‌شده همیشه یه نگرانی اساسی وجود داره:
اگر یکی از سرویس‌ها بی‌صدا از کار بیفته، بقیه چطور متوجه می‌شن؟
اینجاست که Heartbeat Pattern وارد عمل میشه
یه سیگنال ساده و دوره‌ای که تضمین می‌کنه سیستم بفهمه هر جزء هنوز زنده‌ست یا نه.

کجا استفاده میشه؟
توی Load Balancerها برای تشخیص سرورهای سالم
توی Kubernetes (liveness و readiness probes)
توی دیتابیس‌های توزیع‌شده مثل Cassandra یا MongoDB
من توی مقاله‌ی جدیدم در Medium، این الگو رو توضیح دادم — از تعریف و کاربردها تا چالش‌ها و یه نمونه پیاده‌سازی با Go.

متن کامل مقاله:
https://medium.com/@a.mousavi/understanding-the-heartbeat-pattern-in-distributed-systems-5d2264bbfda6

سورس کد کامل:
https://github.com/arash-mosavi/go-test-heartbeat-pattern

@DevTwitter | <Arash Mousavi/>

مولانا | دیوان شمس | رباعیات | رباعی شمارهٔ ۱۹۵۸

من بی دلم ای نگار و تو دلداری
شاید که بهر سخن ز من نازاری
یا آن دل من که برده ای بازدهی
یا هر چه کنم ز بیدلی برداری

#مولانا | گنجور
📍@iipoem

یه چیزی برای گولنگ پیدا کردم طلاست، پیدا کردن منابع برای گولنگ کار راحتی نیست و منابع کمی نسبت به بقیه زبانا در دسترسه اینجا اومدن لیستی از کتاب های مفید برای یادگیری گولنگ رو جمع کردن از مبتدی بگیر تا پیشرفته و برنامه نویسی بکند وب:

github.com/dariubs/GoBooks

نکته خوبش اینه برای هر کتاب یه پاراگراف توضیح هم نوشته که قبلش ببینید براتون مفیده یا نه

@Linuxor

Finally, It's here. AI models literally plot to blackmail and murder employees when given the chance in order to survive:

Youtube Video

Original paper

نیما دوست قدیمی منه و آدم با سوادی در حوزه فلسفه و ادبیات است. گفتم این دوره اش رو اینجا بذارم شاید دوره و کانالش برای افرادی جالب باشه.

وقتی قصه آغاز می‌شود

قصه، جادو می‌کند. این شاید سرراست‌ترین مواجهه با داستان باشد. طی هزاره‌های متمادی، این قصه‌ها همواره ما را با خود همراه کرده، به هزارتوی پررمزوراز سرگذشت‌های گونه‌گون برده‌اند. پس قصه‌گویی انگار به‌قدمت خود انسان است.
حیوان قصه‌گو، جدیدترین تعریفی است که از انسان شده. پیش‌تر تفاوت او را با جانداران دیگر، در سخن‌گفتن می‌دانستند. اما این، به‌نظر کافی نمی‌آمد. انسان می‌تواند قصه بگوید. حالا تعریف دقیق‌تری داریم.

پس قصه‌پردازی و روایت‌گری، وجه تمایز این جاندار سخن‌گوست. یعنی قصه‌گویی، معرف ماهیت و سرشت انسان است. اما قصه، که سرشت انسان را می‌سازد، خودش چیست؟ از کجا آمده؟ و چرا انسان را جادو می‌کند؟

@hezaartoomag

کامپایلرهای درجا (JIT Compilers) در JVM چگونه پرفورمنس برنامه‌ها را بهبود می‌دهند؟
می‌دونیم که برنامه‌های نوشته شده با جاوا، ابتدا به بایت‌کد (bytecode) کامپایل میشن و JVM بایت‌کدها رو به‌صورت مفسری اجرا می‌کنه. این فرآیند نسبت به این که کدهای جاوا مستقیم به زبان ماشین کامپایل و اجرا بشن کندتره اما وجود همین مکانیزمه که جاوا رو کراس‌پلتفرم می‌کنه.
برای حل این مساله، دو کامپایلر درجا به نام‌های C1 و C2 در JVM وجود دارن. وظیفه این کامپایلرها به‌طور خلاصه اینه که قسمت‌هایی از برنامه که بیشتر از میزان مشخصی اجرا میشن (اصطلاحا نقاط داغ) رو به زبان ماشین کامپایل می‌کنن تا اون قسمت‌ها دیگه به‌صورت مفسری اجرا نشن. کدهای ماشینی که این کامپایلرها تولید می‌کنن در محلی از حافظه به نام Code Cache ذخیره میشه.
واحد کامپایل برای کامپایلرهای درجا، متده. تعداد دفعاتی که یه متد اجرا میشه توسط JVM ذخیره میشه و وقتی این تعداد از میزان مشخصی بالاتر بره، کامپایلرهای درجا وارد عمل میشن.
نحوه عملکرد این دو کامپایلر به‌طور خلاصه به این صورته:
۱- متد به‌صورت پیش‌فرض، مفسری اجرا میشه.
۲- وقتی تعداد دفعات اجرای متد از مقدار خاصی بیشتر بشه، کامپایلر C1 اون متد رو به زبان ماشین کامپایل می‌کنه. همچنین C1 دستورهایی رو در متد کامپایل شده قرار میده تا اطلاعاتی رو درباره جزئیات عملکرد متد در طول اجرای برنامه جمع‌آوری کنن (پروفایلینگ). این اطلاعات بعدا توسط C2 استفاده میشن.
۳- اگر متد همچنان زیاد اجرا بشه یعنی واقعا متد پرکاربرد و اصطلاحا داغیه. اینجا C2 وارد عمل میشه و متد رو دوباره به کد ماشین کامپایل می‌کنه. اما این بار C2 از اطلاعاتی که از اجرای متد در طول برنامه جمع‌آوری شده (با استفاده از دستورایی که C1 به متد اضافه کرده بود) استفاده می‌کنه و با این اطلاعات میتونه بهینه‌ترین و سریع‌ترین کد ماشین ممکن رو تولید کنه.
پس ممکنه متدی که کم اجرا میشه هیچوقت به کد ماشین کامپایل نشه. یا متدی با C1 کامپایل بشه اما به اندازه‌ای زیاد اجرا نشه که C2 کامپایلش کنه. این که دقیقا بعد از چندبار اجرای یه متد این دوتا کامپایلر وارد عمل بشن قابل تنظیمه اما مقادیر پیش‌فرضی که دارن احتمالا برای اکثر برنامه‌ها مناسبه و نیازی به تغییرشون نیست.

@DevTwitter | <Mostafa Nasiri/>

خبر های خوبی برای هکرا توی راهه ...

توی 12 ماه گذشته، برنامه‌های باگ بانتی HackerOne به‌طور کلی 81 میلیون دلار پرداخت کردن که افزایشی 13 درصدی نسبت به سال گذشته داشته. تنها 10 برنامه برتر سهمی برابر با 21.6 میلیون دلار داشتن.


هکر وان (پلتفرمی که به هکرا بابت پیدا کردن باگ پول میده) گزارش رسمی خودشو منتشر کرده و جدول هزینه هایی که بابت باگ ها می‌داده رو منتشر کرده. این جدول میانگین پرداخت ها توی صنایع مختلفه اگه خواستید وارد باگ بانتی بشید کمک می‌کنه تصمیم بهتری بگیرید.


@Linuxor