🖥 مدل HunyuanImage 2.1 اکنون در نسخه کوانتیزه منتشر شد!

این مدل متن‌به‌تصویر می‌تواند خروجی‌هایی با رزولوشن 2K تولید کند و حالا امکان اجرای آن به‌صورت محلی (local) هم فراهم شده است.

💡 برای اجرای نسخه کوانتیزه به حداقل ۲۴ گیگابایت VRAM نیاز دارید.

🟢 Hugging Face

@rss_ai_ir

#هوش_مصنوعی #HunyuanImage #تولید_تصویر #مدل_زبان #AI #StableDiffusion #ImageGeneration

🐍 آموزش MCP با پایتون — دوره آموزشی مایکروسافت

مایکروسافت یک راهنمای مرحله‌به‌مرحله منتشر کرده که مخصوص توسعه‌دهندگان پایتون است تا بتوانند پروتکل Model Context Protocol (MCP) را یاد بگیرند.

در این آموزش:
🔹 آشنایی با مفاهیم پایه MCP
🔹 ساخت یک سرور MCP از صفر با پایتون
🔹 اجرای تعاملی و تست مستقیم کد

📚 ریپازیتوری آموزشی همراه با مثال‌ها و توضیحات کامل در دسترس است.

#پایتون #MCP #آموزش #توسعه‌دهندگان #Microsoft

@rss_ai_ir

🔒 VaultGemma —
پیشرفته‌ترین LLM با حریم خصوصی تفاضلی

✳️مدل VaultGemma به عنوان قدرتمندترین مدل زبانی معرفی شده که از ابتدا با روش Differential Privacy آموزش داده شده است.

📌 ویژگی‌ها:

♻️امنیت بالا در محافظت از داده‌های حساس کاربران
♻️آموزش کاملاً از صفر، نه فقط فاین‌تیون
♻️ترکیب کیفیت خروجی در سطح مدل‌های بزرگ با تضمین محرمانگی


🖥 جزئیات بیشتر در بلاگ:
👉 https://github.com/ziangcao0312/PhysX-3D

@rss_ai_ir

#AI #LLM #DifferentialPrivacy #VaultGemma #Privacy

📕 راهنمای جدید Anthropic: نوشتن ابزارهای مؤثر برای ایجنت‌ها — با کمک خود ایجنت‌ها

⛔️شرکت Anthropic در این گاید توضیح می‌دهد که چطور ابزارهایی برای AI Agent طراحی کنیم تا بیشترین کارایی، سادگی و قابلیت اطمینان را داشته باشند. نکته جالب اینجاست که خود ایجنت‌ها می‌توانند در پروتوتایپ، تست و بهینه‌سازی ابزارها کمک کنند.

🔑 اصول کلیدی در طراحی ابزار برای ایجنت‌ها:

✳️سریع پروتوتایپ بساز و بلافاصله تست کن که ایجنت چگونه از آن استفاده می‌کند.
✳️تست‌ها را روی سناریوهای واقعی انجام بده، نه مثال‌های انتزاعی.
✳️لاگ‌ها و رفتار ایجنت را بررسی کن تا خطاها و نقاط مبهم را پیدا کنی.
✳️از تک‌وظیفه‌ای بودن ابزار مطمئن شو؛ هر ابزار باید یک کار مشخص انجام دهد.
✳️نام‌گذاری شفاف و ساختارمند مثل machinelearning_create_task یا mla_list_users.
✳️فقط داده‌های ضروری را برگردان، نه اطلاعات اضافی. (پشتیبانی از فیلتر و pagination)
✳️توضیحات ورودی و خروجی باید کاملاً روشن، بدون ابهام و همراه با مثال باشد.


⚡️ مزایا:

♻️بهبود توانایی ایجنت‌ها در حل مسائل واقعی
♻️کاهش خطاها و صرفه‌جویی در توکن و منابع
♻️افزایش قابلیت پیش‌بینی و پایداری در عملکرد ایجنت‌ها
♻️ساده‌تر شدن مقیاس‌پذیری و اضافه کردن ابزارهای جدید


🟠 متن کامل راهنما:
anthropic.com/engineering/writing-tools-for-agents

@rss_ai_ir

#هوش_مصنوعی #Anthropic #Claude #AIagents #AI #AgentDesign #ابزارسازی

🧠 معرفی mem-agent — عامل هوش مصنوعی با حافظه شبیه Obsidian

یک مدل سبک LLM که دانش را در قالب فایل‌های Markdown ذخیره می‌کند و از آن‌ها برای پاسخ‌گویی استفاده می‌کند. این ایجنت فقط جواب نمی‌دهد، بلکه واقعاً «به خاطر می‌سپارد» و در طول کار، اطلاعات را به‌روزرسانی می‌کند.

📌 ویژگی‌ها:

❌ذخیره‌ی دانش در فایل‌های Markdown مثل memory/user.md
❌ارتباط بین فایل‌ها به سبک Obsidian با [[entity]]
❌امکان به‌روزرسانی اطلاعات یا پرسیدن سؤال تکمیلی در صورت ناقص بودن ورودی
❌به‌جای پر کردن کانتکست‌های حجیم، mem-agent بخش‌های لازم را از حافظه‌ی محلی استخراج، فشرده و به مدل منتقل می‌کند.

📊 آموزش و نتایج:

✅مدل پایه: Qwen3-4B-Thinking-2507
✅روش یادگیری: Online RL (GSPO)
✅تست روی md-memory-bench
✅کیفیت نزدیک به مدل‌های بزرگ حتی در نسخه‌های فشرده (4bit/8bit)


💡 مزایا:

✳️حافظه قابل‌خواندن و قابل‌ویرایش دستی است
✳️سرعت و کارایی بالا حتی در اندازه‌ی کوچک
✳️مناسب برای استفاده به‌عنوان بخشی از سیستم‌های بزرگ‌تر (مثل MCP)


🟠 مدل: https://huggingface.co/driaforall/mem-agent
🟠 بلاگ: https://huggingface.co/blog/driaforall/mem-agent
🟠 ریپو: https://github.com/firstbatchxyz/mem-agent-mcp

@rss_ai_ir

#هوش_مصنوعی #LLM #MemAgent #Agents #LocalAI #MCP