🚀 شرکت علی‌بابا از پلتفرم جدید خود با نام Qoder رونمایی کرد؛ یک ابزار عامل‌محور برای کدنویسی که می‌تواند کل چرخه توسعه را از نوشتن کد تا تست و مونتاژ نهایی انجام دهد.
✨ ویژگی‌ها:
🖱 دو حالت کاری:
• Agent Mode → جفت‌برنامه‌نویسی با کنترل کامل
• Quest Mode → کدنویسی خودران از تعریف وظیفه تا تولید نهایی
🖱 توانایی تحلیل عمیق کدبیس‌های بزرگ، معماری و الگوها
🖱 ارائه‌ی راهنمایی هوشمند، مستندسازی خودکار و حافظه بلندمدت برای تطابق با سبک تیم
🖱 انتخاب خودکار بهترین مدل (Claude، Gemini، GPT و …) متناسب با وظیفه
🔓همچنین Qoder هم‌اکنون در Public Preview و به صورت رایگان در دسترس است.
⚡ مرز بین «توسعه‌دهنده انسانی» و «عامل هوش مصنوعی» حالا باریک‌تر از همیشه شده است.
@rss_ai_ir
#Alibaba #Qoder #AI #Coding #AgenticAI #هوش_مصنوعی
✨ ویژگی‌ها:
🖱 دو حالت کاری:
• Agent Mode → جفت‌برنامه‌نویسی با کنترل کامل
• Quest Mode → کدنویسی خودران از تعریف وظیفه تا تولید نهایی
🖱 توانایی تحلیل عمیق کدبیس‌های بزرگ، معماری و الگوها
🖱 ارائه‌ی راهنمایی هوشمند، مستندسازی خودکار و حافظه بلندمدت برای تطابق با سبک تیم
🖱 انتخاب خودکار بهترین مدل (Claude، Gemini، GPT و …) متناسب با وظیفه
🔓همچنین Qoder هم‌اکنون در Public Preview و به صورت رایگان در دسترس است.
⚡ مرز بین «توسعه‌دهنده انسانی» و «عامل هوش مصنوعی» حالا باریک‌تر از همیشه شده است.
@rss_ai_ir
#Alibaba #Qoder #AI #Coding #AgenticAI #هوش_مصنوعی
❤12👍7🥰7🔥5🎉4👏2😁2
🧬 بازنویسی نقشه بیماری‌های انسان با کمک هوش مصنوعی عامل‌محور
پژوهشگران با استفاده از GenoMAS، یک سیستم تمام‌خودکار مبتنی بر Agentic AI، داده‌های ترنسکریپتومی مربوط به بیش از ۱۳۰۰ بیماری را تحلیل کردند.
⚡️ به جای تکیه بر علائم بالینی، این سیستم بیماری‌ها را بر اساس مسیرهای ژنتیکی مشترک گروه‌بندی کرد.
📊 نتیجه؟ علاوه بر تأیید همبستگی‌های شناخته‌شده، بیش از ۱۰۰۰ ارتباط پنهان کشف شد — از جمله پیوند غیرمنتظره بین آلزایمر و سرطان چشم.
💊 این رویکرد افق‌های تازه‌ای برای داروهای بازهدف‌گذاری‌شده و طبقه‌بندی زیست‌شناسی‌محور بیماری‌ها گشوده است.
🔴 پزشکی مبتنی بر علائم شاید دیگر قدیمی شده باشد — هوش مصنوعی در حال بازطراحی نقشه بیماری‌های انسان است.
#هوش_مصنوعی #پزشکی #زیست_شناسی #AI_medicine #AgenticAI #GenoMAS
@rss_ai_ir
پژوهشگران با استفاده از GenoMAS، یک سیستم تمام‌خودکار مبتنی بر Agentic AI، داده‌های ترنسکریپتومی مربوط به بیش از ۱۳۰۰ بیماری را تحلیل کردند.
⚡️ به جای تکیه بر علائم بالینی، این سیستم بیماری‌ها را بر اساس مسیرهای ژنتیکی مشترک گروه‌بندی کرد.
📊 نتیجه؟ علاوه بر تأیید همبستگی‌های شناخته‌شده، بیش از ۱۰۰۰ ارتباط پنهان کشف شد — از جمله پیوند غیرمنتظره بین آلزایمر و سرطان چشم.
💊 این رویکرد افق‌های تازه‌ای برای داروهای بازهدف‌گذاری‌شده و طبقه‌بندی زیست‌شناسی‌محور بیماری‌ها گشوده است.
🔴 پزشکی مبتنی بر علائم شاید دیگر قدیمی شده باشد — هوش مصنوعی در حال بازطراحی نقشه بیماری‌های انسان است.
#هوش_مصنوعی #پزشکی #زیست_شناسی #AI_medicine #AgenticAI #GenoMAS
@rss_ai_ir
👍8🔥8❤6🎉6😁2👏1
This media is not supported in your browser
VIEW IN TELEGRAM
🔩 آموزش عامل‌محور با محوریت کد 🔩
👉 تیم Show Lab از چارچوب جدیدی با نام Code2Video رونمایی کرده است؛ یک سیستم هوشمند عامل‌محور که از کدهای اجرایی برای تولید ویدئوهای آموزشی با کیفیت بالا استفاده می‌کند.
❌ برخلاف مدل‌های سنتی Text-to-Video که بر پایه پیکسل کار می‌کنند،
✅ این رویکرد با تکیه بر کد Manim (ابزار شبیه‌سازی ریاضی) تضمین می‌کند که ویدئوها شفاف، منسجم و قابل بازتولید باشند.
📌 مزایا:
✳️ویدئوهای آموزشی دقیق و قابل فهم
✳️تولید محتوای علمی بدون خطاهای بصری
✳️امکان بازتولید و ویرایش آسان با تغییر کد
📖 مقاله: arxiv.org/pdf/2510.01174
💻 ریپو: github.com/showlab/Code2Video
🌐 پروژه: showlab.github.io/Code2Video
@rss_ai_ir
#AI #Education #AgenticAI #Manim #Code2Video
👉 تیم Show Lab از چارچوب جدیدی با نام Code2Video رونمایی کرده است؛ یک سیستم هوشمند عامل‌محور که از کدهای اجرایی برای تولید ویدئوهای آموزشی با کیفیت بالا استفاده می‌کند.
❌ برخلاف مدل‌های سنتی Text-to-Video که بر پایه پیکسل کار می‌کنند،
✅ این رویکرد با تکیه بر کد Manim (ابزار شبیه‌سازی ریاضی) تضمین می‌کند که ویدئوها شفاف، منسجم و قابل بازتولید باشند.
📌 مزایا:
✳️ویدئوهای آموزشی دقیق و قابل فهم
✳️تولید محتوای علمی بدون خطاهای بصری
✳️امکان بازتولید و ویرایش آسان با تغییر کد
📖 مقاله: arxiv.org/pdf/2510.01174
💻 ریپو: github.com/showlab/Code2Video
🌐 پروژه: showlab.github.io/Code2Video
@rss_ai_ir
#AI #Education #AgenticAI #Manim #Code2Video
❤2👍1👏1👌1
🧠 گزارش ۱۵۰ صفحه‌ای گوگل درباره Health AI Agents منتشر شد!
⛔️گوگل در تازه‌ترین پژوهش خود مسیر جدیدی را برای عامل‌های هوش مصنوعی در حوزه سلامت معرفی کرده است — نه یک Doctor-GPT غول‌پیکر، بلکه مجموعه‌ای از عامل‌های تخصصی با همکاری هوشمند.
🔹 ساختار سیستم Personal Health Agent (PHA):
1️⃣ Data Science Agent → تحلیل داده‌های پوشیدنی و نتایج آزمایشگاهی
2️⃣ Domain Expert Agent → بررسی و تأیید دانش و حقایق پزشکی
3️⃣ Health Coach Agent → گفت‌وگو، تعیین هدف و افزودن حس همدلی
🧩 همه این عامل‌ها توسط یک Orchestrator با حافظه فعال به هم متصل می‌شوند که اهداف، محدودیت‌ها و بینش‌های کاربر را درک و به‌روزرسانی می‌کند.
⚡️ نتایج کلیدی:
✅عملکرد بهتر نسبت به مدل‌های پایه در ۱۰ بنچمارک
✅کاربران واقعی در آزمایش‌ها PHA را به مدل‌های زبانی معمولی ترجیح دادند
✅کارشناسان پزشکی کیفیت پاسخ‌ها را بین ۵٫۷ تا ۳۹٪ بهتر ارزیابی کردند
⚙️ اصول طراحی:
❌تمرکز بر همه نیازهای کاربر، نه فقط پاسخ به سؤال
❌ترکیب پویا بین عامل‌ها بر اساس زمینه
❌جلوگیری از درخواست داده‌هایی که از داده‌های موجود قابل استنتاج‌اند
❌کاهش حداکثری تأخیر و پیچیدگی
🧠 موارد استفاده تست‌شده:
♻️پرسش‌های عمومی سلامت
♻️تفسیر داده‌های دستگاه‌های پوشیدنی و بیومارکرها
♻️توصیه‌های شخصی برای خواب، تغذیه و فعالیت
♻️تحلیل علائم بدون تشخیص نهایی
⚠️ محدودیت‌ها و مسیر آینده:
✳️کندتر از عامل‌های تکی (۲۴۴ ثانیه در برابر ۳۶ ثانیه)
✳️نیاز به ارزیابی سوگیری، حفظ حریم خصوصی و انطباق قانونی
✳️گام بعدی: گفت‌وگوی تطبیقی با تعادل بین همدلی و دقت علمی
💡 جمع‌بندی:
گوگل مسیر آینده هوش مصنوعی را در حوزه سلامت نشان می‌دهد — نه یک پزشک واحد، بلکه تیمی از عامل‌های تخصصی هماهنگ.
پزشکی فقط شروع ماجراست؛ بعد از آن، نوبت به مالی، حقوق، آموزش و علم خواهد رسید.
📄 مطالعه گزارش کامل:
arxiv.org/pdf/2508.20148
@rss_ai_ir
#Google #HealthAI #AgenticAI #هوش_مصنوعی #پزشکی #سلامت #AI #LLM
⛔️گوگل در تازه‌ترین پژوهش خود مسیر جدیدی را برای عامل‌های هوش مصنوعی در حوزه سلامت معرفی کرده است — نه یک Doctor-GPT غول‌پیکر، بلکه مجموعه‌ای از عامل‌های تخصصی با همکاری هوشمند.
🔹 ساختار سیستم Personal Health Agent (PHA):
1️⃣ Data Science Agent → تحلیل داده‌های پوشیدنی و نتایج آزمایشگاهی
2️⃣ Domain Expert Agent → بررسی و تأیید دانش و حقایق پزشکی
3️⃣ Health Coach Agent → گفت‌وگو، تعیین هدف و افزودن حس همدلی
🧩 همه این عامل‌ها توسط یک Orchestrator با حافظه فعال به هم متصل می‌شوند که اهداف، محدودیت‌ها و بینش‌های کاربر را درک و به‌روزرسانی می‌کند.
⚡️ نتایج کلیدی:
✅عملکرد بهتر نسبت به مدل‌های پایه در ۱۰ بنچمارک
✅کاربران واقعی در آزمایش‌ها PHA را به مدل‌های زبانی معمولی ترجیح دادند
✅کارشناسان پزشکی کیفیت پاسخ‌ها را بین ۵٫۷ تا ۳۹٪ بهتر ارزیابی کردند
⚙️ اصول طراحی:
❌تمرکز بر همه نیازهای کاربر، نه فقط پاسخ به سؤال
❌ترکیب پویا بین عامل‌ها بر اساس زمینه
❌جلوگیری از درخواست داده‌هایی که از داده‌های موجود قابل استنتاج‌اند
❌کاهش حداکثری تأخیر و پیچیدگی
🧠 موارد استفاده تست‌شده:
♻️پرسش‌های عمومی سلامت
♻️تفسیر داده‌های دستگاه‌های پوشیدنی و بیومارکرها
♻️توصیه‌های شخصی برای خواب، تغذیه و فعالیت
♻️تحلیل علائم بدون تشخیص نهایی
⚠️ محدودیت‌ها و مسیر آینده:
✳️کندتر از عامل‌های تکی (۲۴۴ ثانیه در برابر ۳۶ ثانیه)
✳️نیاز به ارزیابی سوگیری، حفظ حریم خصوصی و انطباق قانونی
✳️گام بعدی: گفت‌وگوی تطبیقی با تعادل بین همدلی و دقت علمی
💡 جمع‌بندی:
گوگل مسیر آینده هوش مصنوعی را در حوزه سلامت نشان می‌دهد — نه یک پزشک واحد، بلکه تیمی از عامل‌های تخصصی هماهنگ.
پزشکی فقط شروع ماجراست؛ بعد از آن، نوبت به مالی، حقوق، آموزش و علم خواهد رسید.
📄 مطالعه گزارش کامل:
arxiv.org/pdf/2508.20148
@rss_ai_ir
#Google #HealthAI #AgenticAI #هوش_مصنوعی #پزشکی #سلامت #AI #LLM
🤖 MiniMax-M2 —
نسل جدید مدل‌های MoE از سری MiniMax
مدل MiniMax-M2 نقطه‌ی عطفی در بهینه‌سازی هوش مصنوعی است:
با ۲۳۰ میلیارد پارامتر (که تنها ۱۰ میلیارد از آن‌ها فعال‌اند)، این مدل ترکیبی از قدرت مدل‌های بزرگ LLM و کارایی بالا برای کاربردهای عامل‌محور (Agentic) و برنامه‌نویسی است ⚙️
---
🔹 ویژگی‌های کلیدی
🧠 هوش در سطح جهانی:
بر اساس گزارش Artificial Analysis، مدل MiniMax-M2 عملکردی درخشان در ریاضیات، علوم، برنامه‌نویسی و استدلال چندمرحله‌ای دارد.
در شاخص هوش کلی، در رتبه‌ی #۱ بین مدل‌های متن‌باز قرار گرفته است.
💻 کدنویسی هوشمند:
برای کل چرخه توسعه طراحی شده — از ویرایش فایل تا تست و تصحیح خودکار کد.
در آزمون‌های Terminal-Bench و SWE-Bench نتایج عالی گرفته و در IDE و CI/CD بسیار مؤثر عمل می‌کند.
🧩 توانایی‌های عامل‌محور (Agentic):
توانایی برنامه‌ریزی و اجرای زنجیره‌های پیچیده‌ی اقدامات از طریق shell، مرورگر، retrieval و code runner دارد.
در آزمون BrowseComp به‌خوبی منابع سخت‌دسترس را پیدا کرده و پس از خطاها بدون از دست دادن رشته استدلال ادامه می‌دهد.
⚙️ معماری ترکیبی:
♻️همچنین MiniMax-M2 بر پایه‌ی GPT-OSS ساخته شده و از Full Attention و Sliding Window Attention (SWA) به‌صورت هم‌زمان استفاده می‌کند.
♻️این ترکیب باعث می‌شود مدل هم دید کلی داشته باشد و هم روی بخش‌های نزدیک تمرکز کند — تعادل بین حافظه‌ی طولانی و دقت محلی.
♻️هر سر attention نرمال‌سازی مستقل (RMSNorm) دارد، و پارامترهای RoPE در بخش‌های مختلف متفاوت‌اند، که منجر به پایداری و انعطاف بالا می‌شود.
---
🚀 نتیجه:
همچنین MiniMax-M2 استاندارد جدیدی برای عامل‌های هوشمند و برنامه‌نویسی خودکار است —
هوشمندتر، سریع‌تر و اقتصادی‌تر از مدل‌های مشابه.
🔗 https://huggingface.co/MiniMaxAI/MiniMax-M2
@rss_ai_ir
#AI #MiniMax #LLM #ArtificialIntelligence #Benchmarks #AgenticAI #Coding
نسل جدید مدل‌های MoE از سری MiniMax
مدل MiniMax-M2 نقطه‌ی عطفی در بهینه‌سازی هوش مصنوعی است:
با ۲۳۰ میلیارد پارامتر (که تنها ۱۰ میلیارد از آن‌ها فعال‌اند)، این مدل ترکیبی از قدرت مدل‌های بزرگ LLM و کارایی بالا برای کاربردهای عامل‌محور (Agentic) و برنامه‌نویسی است ⚙️
---
🔹 ویژگی‌های کلیدی
🧠 هوش در سطح جهانی:
بر اساس گزارش Artificial Analysis، مدل MiniMax-M2 عملکردی درخشان در ریاضیات، علوم، برنامه‌نویسی و استدلال چندمرحله‌ای دارد.
در شاخص هوش کلی، در رتبه‌ی #۱ بین مدل‌های متن‌باز قرار گرفته است.
💻 کدنویسی هوشمند:
برای کل چرخه توسعه طراحی شده — از ویرایش فایل تا تست و تصحیح خودکار کد.
در آزمون‌های Terminal-Bench و SWE-Bench نتایج عالی گرفته و در IDE و CI/CD بسیار مؤثر عمل می‌کند.
🧩 توانایی‌های عامل‌محور (Agentic):
توانایی برنامه‌ریزی و اجرای زنجیره‌های پیچیده‌ی اقدامات از طریق shell، مرورگر، retrieval و code runner دارد.
در آزمون BrowseComp به‌خوبی منابع سخت‌دسترس را پیدا کرده و پس از خطاها بدون از دست دادن رشته استدلال ادامه می‌دهد.
⚙️ معماری ترکیبی:
♻️همچنین MiniMax-M2 بر پایه‌ی GPT-OSS ساخته شده و از Full Attention و Sliding Window Attention (SWA) به‌صورت هم‌زمان استفاده می‌کند.
♻️این ترکیب باعث می‌شود مدل هم دید کلی داشته باشد و هم روی بخش‌های نزدیک تمرکز کند — تعادل بین حافظه‌ی طولانی و دقت محلی.
♻️هر سر attention نرمال‌سازی مستقل (RMSNorm) دارد، و پارامترهای RoPE در بخش‌های مختلف متفاوت‌اند، که منجر به پایداری و انعطاف بالا می‌شود.
---
🚀 نتیجه:
همچنین MiniMax-M2 استاندارد جدیدی برای عامل‌های هوشمند و برنامه‌نویسی خودکار است —
هوشمندتر، سریع‌تر و اقتصادی‌تر از مدل‌های مشابه.
🔗 https://huggingface.co/MiniMaxAI/MiniMax-M2
@rss_ai_ir
#AI #MiniMax #LLM #ArtificialIntelligence #Benchmarks #AgenticAI #Coding
❤3
🎬🤖 UniVA:
ایجنت هوشمند و متن‌باز برای پردازش و تولید ویدئو
ایجنت UniVA یک ایجنت ویدئویی چندعاملی (Multi-Agent) متن‌باز است که نسل جدیدی از هوش مصنوعی ویدئویی را هدف گرفته.
این سیستم می‌تواند کارهای پیچیده ویدئویی را در یک جریان واحد انجام دهد:
🟣 فهم و تحلیل ویدئو
🟣 ویرایش و Segmentation
🟣 ساخت و تولید ویدئو از متن/عکس/ویدئو
🟣 پردازش چندمرحله‌ای با برنامه‌ریزی و اجرای خودکار (Plan-and-Act)
ایجنت UniVA با حافظه چندلایه و ارتباط بین ایجنت‌ها می‌تواند فرآیندهای طولانی و پروژه‌های پیچیده ویدئویی را مدیریت کند.
📌 لینک‌ها: 🔗 HuggingFace (پروژه):
https://huggingface.co/papers/2511.08521
📄 Paper:
https://arxiv.org/pdf/2511.08521
💻 GitHub:
https://github.com/univa-agent/univa
@rss_ai_ir
#هوش_مصنوعی #VideoAI #AgenticAI #UniVA #OpenSource #MultimodalAI
ایجنت هوشمند و متن‌باز برای پردازش و تولید ویدئو
ایجنت UniVA یک ایجنت ویدئویی چندعاملی (Multi-Agent) متن‌باز است که نسل جدیدی از هوش مصنوعی ویدئویی را هدف گرفته.
این سیستم می‌تواند کارهای پیچیده ویدئویی را در یک جریان واحد انجام دهد:
🟣 فهم و تحلیل ویدئو
🟣 ویرایش و Segmentation
🟣 ساخت و تولید ویدئو از متن/عکس/ویدئو
🟣 پردازش چندمرحله‌ای با برنامه‌ریزی و اجرای خودکار (Plan-and-Act)
ایجنت UniVA با حافظه چندلایه و ارتباط بین ایجنت‌ها می‌تواند فرآیندهای طولانی و پروژه‌های پیچیده ویدئویی را مدیریت کند.
📌 لینک‌ها: 🔗 HuggingFace (پروژه):
https://huggingface.co/papers/2511.08521
📄 Paper:
https://arxiv.org/pdf/2511.08521
💻 GitHub:
https://github.com/univa-agent/univa
@rss_ai_ir
#هوش_مصنوعی #VideoAI #AgenticAI #UniVA #OpenSource #MultimodalAI
👍8😁7🎉6🔥5❤4🥰4👏2