🟡 گوگل Mixboard را معرفی کرد – تخته‌سفید هوش مصنوعی برای ایده‌پردازی تصویری 🟡
⛔️گوگل یک محصول آزمایشی جدید به نام Mixboard منتشر کرده؛ چیزی شبیه به Miro اما با پشتیبانی از هوش مصنوعی و تولید تصویر. ✨
🔹 امکانات اصلی:
✳️ساخت پروژه‌های جدید با یک پرامپت یا انتخاب بردهای آماده
✳️آپلود تصاویر یا تولید تصاویر تازه
✳️ویرایش بردها: تغییر جزئیات، ترکیب عکس‌ها، تغییر سبک و … (با کمک مدل Nano Banana)
✳️تولید نسخه‌های جدید از ایده‌ها تنها با یک کلیک: regenerate یا more like this
✳️تولید متن هوشمند با توجه به محتوای تصویری روی برد
📌 نکته: در حال حاضر Mixboard فقط برای کاربران ایالات متحده فعال است.
🔗 جزئیات بیشتر در بلاگ گوگل
@rss_ai_ir
#گوگل #هوش_مصنوعی #تولید_تصویر #Mixboard #نوآوری
⛔️گوگل یک محصول آزمایشی جدید به نام Mixboard منتشر کرده؛ چیزی شبیه به Miro اما با پشتیبانی از هوش مصنوعی و تولید تصویر. ✨
🔹 امکانات اصلی:
✳️ساخت پروژه‌های جدید با یک پرامپت یا انتخاب بردهای آماده
✳️آپلود تصاویر یا تولید تصاویر تازه
✳️ویرایش بردها: تغییر جزئیات، ترکیب عکس‌ها، تغییر سبک و … (با کمک مدل Nano Banana)
✳️تولید نسخه‌های جدید از ایده‌ها تنها با یک کلیک: regenerate یا more like this
✳️تولید متن هوشمند با توجه به محتوای تصویری روی برد
📌 نکته: در حال حاضر Mixboard فقط برای کاربران ایالات متحده فعال است.
🔗 جزئیات بیشتر در بلاگ گوگل
@rss_ai_ir
#گوگل #هوش_مصنوعی #تولید_تصویر #Mixboard #نوآوری
⚡️ انقلاب در محاسبات: آنالوگ درون حافظه‌ای (In-Memory Computing) ⚡️
♨️نشریه Nature Computational Science خبر از فناوری جدیدی داده که محاسبات را مستقیماً در حافظه انجام می‌دهد.
🔹 ویژگی‌ها:
❌دیگر نیازی به جابه‌جایی مداوم داده بین GPU و حافظه نیست.
❌محاسبه و ذخیره‌سازی در یک مکان انجام می‌شوند.
❌این کار باعث کاهش شدید تأخیر و مصرف انرژی می‌شود.
🔹 نتایج اولیه:
✳️مدل‌هایی در سطح GPT-2 بدون نیاز به آموزش مجدد اجرا شده‌اند.
✳️پتانسیل تا ۱۰۰ برابر سرعت بیشتر و ۱۰,۰۰۰ برابر بهینگی انرژی گزارش شده است.
🔮 چشم‌انداز:
اگر این فناوری به‌خوبی مقیاس‌پذیر شود، می‌توان مدل‌های زبانی بزرگ را مستقیماً روی گوشی‌های هوشمند و حتی IoT دیوایس‌ها اجرا کرد — بدون نیاز به دیتاسنترها.
⛔️تصور کنید: GPT-5 آفلاین و محلی روی موبایل شما، با حداقل مصرف انرژی 🤯
@rss_ai_ir
#هوش_مصنوعی #محاسبات #InMemoryComputing #سخت_افزار #LLM
♨️نشریه Nature Computational Science خبر از فناوری جدیدی داده که محاسبات را مستقیماً در حافظه انجام می‌دهد.
🔹 ویژگی‌ها:
❌دیگر نیازی به جابه‌جایی مداوم داده بین GPU و حافظه نیست.
❌محاسبه و ذخیره‌سازی در یک مکان انجام می‌شوند.
❌این کار باعث کاهش شدید تأخیر و مصرف انرژی می‌شود.
🔹 نتایج اولیه:
✳️مدل‌هایی در سطح GPT-2 بدون نیاز به آموزش مجدد اجرا شده‌اند.
✳️پتانسیل تا ۱۰۰ برابر سرعت بیشتر و ۱۰,۰۰۰ برابر بهینگی انرژی گزارش شده است.
🔮 چشم‌انداز:
اگر این فناوری به‌خوبی مقیاس‌پذیر شود، می‌توان مدل‌های زبانی بزرگ را مستقیماً روی گوشی‌های هوشمند و حتی IoT دیوایس‌ها اجرا کرد — بدون نیاز به دیتاسنترها.
⛔️تصور کنید: GPT-5 آفلاین و محلی روی موبایل شما، با حداقل مصرف انرژی 🤯
@rss_ai_ir
#هوش_مصنوعی #محاسبات #InMemoryComputing #سخت_افزار #LLM
🔥2❤1👍1👏1
This media is not supported in your browser
VIEW IN TELEGRAM
🤖✨ اولین ربات راهنمای دنیا از MagicLab
⛔️شرکت MagicLab امروز از MagicBot Gen1 با نام «شیاومای» رونمایی کرد؛ یک ربات انسان‌نما که می‌تواند همزمان راه برود، صحبت کند و به اشیاء نمایشگاهی اشاره کند! 🎤👣👆
🔹 ویژگی‌ها:
❌قد ۱.۷۴ متر، اسکلت آلومینیوم هوافضا + بدنه فیبر کربن
❌۴۲ درجه آزادی در مفاصل، توانایی حرکت نرم شبیه انسان
❌دست بیونیک با ۷ درجه آزادی + انگشتان با ۱۱ درجه آزادی → بیش از ۵۰ حرکت دقیق
❌زمان واکنش میلی‌ثانیه‌ای برای هماهنگی حرکت، گفتار و نمایش محتوا
❌کارکرد بدون وقفه تا ۵ ساعت با قابلیت تعویض سریع باتری 🔋
❌ناوبری مستقل با نقشه‌برداری در چند ثانیه، دقت سانتی‌متری و عبور ایمن از میان جمعیت
🔹 هوش مصنوعی داخلی:
✳️پشتیبانی از چندین زبان (چینی، ژاپنی، اسپانیایی و حتی لهجه‌ها) 🌍
✳️کتابخانه با ۱۶۰ نوع صدای مختلف
✳️توانایی توضیح حرفه‌ای درباره آثار و پاسخ بلادرنگ به سوالات بازدیدکنندگان
🔹 کاربردها:
موزه‌ها 🏛، مراکز علمی 🔬، اماکن توریستی 🌄 و نمایشگاه‌های شرکتی 💼.
⛔️این ربات عملاً یک راهنمای هوشمند نسل جدید است
@rss_ai_ir
#ربات #هوش_مصنوعی #MagicLab #راهنما #روباتیک #AI
⛔️شرکت MagicLab امروز از MagicBot Gen1 با نام «شیاومای» رونمایی کرد؛ یک ربات انسان‌نما که می‌تواند همزمان راه برود، صحبت کند و به اشیاء نمایشگاهی اشاره کند! 🎤👣👆
🔹 ویژگی‌ها:
❌قد ۱.۷۴ متر، اسکلت آلومینیوم هوافضا + بدنه فیبر کربن
❌۴۲ درجه آزادی در مفاصل، توانایی حرکت نرم شبیه انسان
❌دست بیونیک با ۷ درجه آزادی + انگشتان با ۱۱ درجه آزادی → بیش از ۵۰ حرکت دقیق
❌زمان واکنش میلی‌ثانیه‌ای برای هماهنگی حرکت، گفتار و نمایش محتوا
❌کارکرد بدون وقفه تا ۵ ساعت با قابلیت تعویض سریع باتری 🔋
❌ناوبری مستقل با نقشه‌برداری در چند ثانیه، دقت سانتی‌متری و عبور ایمن از میان جمعیت
🔹 هوش مصنوعی داخلی:
✳️پشتیبانی از چندین زبان (چینی، ژاپنی، اسپانیایی و حتی لهجه‌ها) 🌍
✳️کتابخانه با ۱۶۰ نوع صدای مختلف
✳️توانایی توضیح حرفه‌ای درباره آثار و پاسخ بلادرنگ به سوالات بازدیدکنندگان
🔹 کاربردها:
موزه‌ها 🏛، مراکز علمی 🔬، اماکن توریستی 🌄 و نمایشگاه‌های شرکتی 💼.
⛔️این ربات عملاً یک راهنمای هوشمند نسل جدید است
@rss_ai_ir
#ربات #هوش_مصنوعی #MagicLab #راهنما #روباتیک #AI
📢 توضیح مهم برای مدیران و مسئولین 🚨
خیلی وقت‌ها شرکت‌ها یا استارتاپ‌ها برای بازاریابی جملاتی استفاده می‌کنند مثل:
«ما برای سازمان شما یک هوش مصنوعی اختصاصی طراحی کرده‌ایم، چون API به LLM زدیم!»
اما واقعیت این است که 👇
🔹 مفهوم API زدن یعنی چه؟
❌فقط یک اتصال ساده است به یک مدل آماده و از پیش آموزش‌دیده (مثل ChatGPT یا Qwen).
❌سازمان شما می‌تواند سؤال بفرستد و جواب بگیرد، بدون اینکه چیزی برایتان طراحی یا آموزش داده شده باشد.
❌این کار بیشتر شبیه استفاده از یک سرویس آماده ابری است، نه توسعه اختصاصی.
🔹 طراحی واقعی هوش مصنوعی یعنی چه؟
♻️جمع‌آوری و پاک‌سازی داده‌های داخلی سازمان
♻️طراحی معماری مدل مناسب برای نیازهای خاص شما
♻️آموزش (Training) و ارزیابی مدل روی داده‌های سازمان
♻️بهینه‌سازی، استقرار و پشتیبانی بلندمدت
♻️این فرآیند پیچیده، زمان‌بر و ارزشمند است و هزینه واقعی دارد.
⚠️ نکته کلیدی:
هر اتصال ساده API به مدل‌های آماده = طراحی اختصاصی هوش مصنوعی نیست.
اگر کسی این دو را یکی معرفی می‌کند، یا از روی ناآگاهی است یا برای کلاهبرداری.
📌 توصیه برای مدیران:
قبل از امضای هر قرارداد یا پرداخت هزینه، دقیق بپرسید:
✳️آیا واقعاً مدل روی داده‌های شما آموزش داده شده؟
✳️یا فقط یک API ساده وصل کرده‌اند و نام آن را «هوش مصنوعی سازمانی» گذاشته‌اند؟
@rss_ai_ir ✨
#هوش_مصنوعی #API #کلاهبرداری #مدیریت #سازمان
خیلی وقت‌ها شرکت‌ها یا استارتاپ‌ها برای بازاریابی جملاتی استفاده می‌کنند مثل:
«ما برای سازمان شما یک هوش مصنوعی اختصاصی طراحی کرده‌ایم، چون API به LLM زدیم!»
اما واقعیت این است که 👇
🔹 مفهوم API زدن یعنی چه؟
❌فقط یک اتصال ساده است به یک مدل آماده و از پیش آموزش‌دیده (مثل ChatGPT یا Qwen).
❌سازمان شما می‌تواند سؤال بفرستد و جواب بگیرد، بدون اینکه چیزی برایتان طراحی یا آموزش داده شده باشد.
❌این کار بیشتر شبیه استفاده از یک سرویس آماده ابری است، نه توسعه اختصاصی.
🔹 طراحی واقعی هوش مصنوعی یعنی چه؟
♻️جمع‌آوری و پاک‌سازی داده‌های داخلی سازمان
♻️طراحی معماری مدل مناسب برای نیازهای خاص شما
♻️آموزش (Training) و ارزیابی مدل روی داده‌های سازمان
♻️بهینه‌سازی، استقرار و پشتیبانی بلندمدت
♻️این فرآیند پیچیده، زمان‌بر و ارزشمند است و هزینه واقعی دارد.
⚠️ نکته کلیدی:
هر اتصال ساده API به مدل‌های آماده = طراحی اختصاصی هوش مصنوعی نیست.
اگر کسی این دو را یکی معرفی می‌کند، یا از روی ناآگاهی است یا برای کلاهبرداری.
📌 توصیه برای مدیران:
قبل از امضای هر قرارداد یا پرداخت هزینه، دقیق بپرسید:
✳️آیا واقعاً مدل روی داده‌های شما آموزش داده شده؟
✳️یا فقط یک API ساده وصل کرده‌اند و نام آن را «هوش مصنوعی سازمانی» گذاشته‌اند؟
@rss_ai_ir ✨
#هوش_مصنوعی #API #کلاهبرداری #مدیریت #سازمان
👍3🔥1👏1
🚀🤖 MagicDog-W:
انقلابی در رباتیک متحرک!
❌ استارتاپ چینی MagicLab از ربات جدید خود با نام MagicDog-W رونمایی کرده؛ ترکیبی هوشمندانه از انعطاف‌پذیری ربات‌های چهارپا و سرعت حرکت چرخ‌دار.
✨ ویژگی‌ها و توانایی‌ها:
♻️اجرای حرکات آکروباتیک مثل سالتو و فرود نرم
♻️بازیابی سریع پس از افتادن و ادامه‌ی حرکت
♻️صعود از پله‌ها، شیب‌های ۴۰ درجه و موانع ۶۰ سانتی‌متری
♻️جابجایی سریع بین حالت چهارپا و چرخ‌دار
♻️حفظ تعادل روی سطوح لغزنده و ناهموار
♻️توانایی حمل ۱۰ کیلوگرم بار برای مأموریت‌های صنعتی و امدادی
⚙️ مشخصات کلیدی:
♻️۱۷ موتور-گیربکس برای کنترل دقیق هر محور و چرخ
♻️سرعت تا ۳ متر بر ثانیه
♻️باتری با دوام ۲ تا ۴ ساعت
♻️سیستم پیشرفته ناوبری و کنترل حرکت
🎯 کاربردها:
♻️بازرسی صنعتی و مأموریت‌های امنیتی
♻️عملیات جست‌وجو و نجات
♻️حمل بار در زمین‌های دشوار
♻️استفاده در پژوهش‌های علمی و نظامی
📌 کارشناسان می‌گویند MagicDog-W یکی از پلتفرم‌های آینده‌دار رباتیک هیبریدی است که مرز بین «چرخ» و «پا» را از بین برده.
⛔️چین بار دیگر نشان داد که در زمینه‌ی ربات‌های چندمنظوره، آماده‌ی تسخیر صحنه‌های واقعی و حتی شرایط سخت و خطرناک است. 🌍💪
#رباتیک #هوش_مصنوعی #MagicDog #ChinaTech #Robotics
انقلابی در رباتیک متحرک!
❌ استارتاپ چینی MagicLab از ربات جدید خود با نام MagicDog-W رونمایی کرده؛ ترکیبی هوشمندانه از انعطاف‌پذیری ربات‌های چهارپا و سرعت حرکت چرخ‌دار.
✨ ویژگی‌ها و توانایی‌ها:
♻️اجرای حرکات آکروباتیک مثل سالتو و فرود نرم
♻️بازیابی سریع پس از افتادن و ادامه‌ی حرکت
♻️صعود از پله‌ها، شیب‌های ۴۰ درجه و موانع ۶۰ سانتی‌متری
♻️جابجایی سریع بین حالت چهارپا و چرخ‌دار
♻️حفظ تعادل روی سطوح لغزنده و ناهموار
♻️توانایی حمل ۱۰ کیلوگرم بار برای مأموریت‌های صنعتی و امدادی
⚙️ مشخصات کلیدی:
♻️۱۷ موتور-گیربکس برای کنترل دقیق هر محور و چرخ
♻️سرعت تا ۳ متر بر ثانیه
♻️باتری با دوام ۲ تا ۴ ساعت
♻️سیستم پیشرفته ناوبری و کنترل حرکت
🎯 کاربردها:
♻️بازرسی صنعتی و مأموریت‌های امنیتی
♻️عملیات جست‌وجو و نجات
♻️حمل بار در زمین‌های دشوار
♻️استفاده در پژوهش‌های علمی و نظامی
📌 کارشناسان می‌گویند MagicDog-W یکی از پلتفرم‌های آینده‌دار رباتیک هیبریدی است که مرز بین «چرخ» و «پا» را از بین برده.
⛔️چین بار دیگر نشان داد که در زمینه‌ی ربات‌های چندمنظوره، آماده‌ی تسخیر صحنه‌های واقعی و حتی شرایط سخت و خطرناک است. 🌍💪
#رباتیک #هوش_مصنوعی #MagicDog #ChinaTech #Robotics
🔥1
📢 ShinkaEvolve
؛ جایگزین متن‌باز AlphaEvolve از Sakana AI
⛔️شرکت Sakana AI چارچوبی متن‌باز با نام ShinkaEvolve معرفی کرده که برای بهینه‌سازی و توسعه الگوریتم‌ها و معماری‌های پیچیده طراحی شده است. «Shinka» (進化) در ژاپنی به معنای تکامل است و این رویکرد هم بر پایه‌ی اصول تکاملی بنا شده.
🔹 چطور کار می‌کند؟
1️⃣ ورودی شامل یک Seed-program و یک Verifier (محاسبه متریک کیفیت/fitness) است. کدهای جدید در یک «آرشیو والدین» ذخیره می‌شوند.
2️⃣ همچنین LLM به عنوان اپراتور جهش عمل می‌کند: می‌تواند کد را با روش‌های مختلف تغییر دهد (diff-patch، بازنویسی کامل، crossover). انتخاب LLM بهینه توسط الگوریتم multi-armed bandit انجام می‌شود.
3️⃣ کاندیداها ابتدا از فیلتر novelty-rejection (بر اساس شباهت تع嵌 embeddings) عبور می‌کنند تا ایده‌های تکراری حذف شوند. سپس بهترین‌ها به آرشیو اضافه می‌شوند.
4️⃣ برای تنوع، از مفهوم «جزیره‌ها» (populationهای مستقل) استفاده شده و در مواقع بن‌بست، مهاجرت بین آنها انجام می‌شود.
🔹 نتایج تست‌ها
✅ در بهینه‌سازی ریاضی: تنها با 150 نمونه، راه‌حل جدیدی برای مسئله‌ی Circle Packing پیدا کرد.
✅ در طراحی ایجنت هوش مصنوعی: بعد از ~75 نسل، معماری سه‌بخشی جدیدی ایجاد کرد که baseline را در AIME شکست داد.
✅ در برنامه‌نویسی رقابتی: با بهبودهای متعدد، به سطح مدال نقره رسید.
✅ در آموزش LLM: پس از ~30 نسل، تابع خطای جدیدی برای MoE کشف شد که عملکردی بهتر از بسیاری روش‌های رایج داشت.
⚡️ تفاوت اصلی با AlphaEvolve این است که ShinkaEvolve همین حالا و رایگان قابل استفاده است. کافیست فایل evaluate.py را برای مسئله‌ی خود بازنویسی کنید، initial.py را آماده کرده و اجرا کنید:
📎 کد و راهنمای کامل:
GitHub
#هوش_مصنوعی #الگوریتم_تکاملی #SakanaAI #ShinkaEvolve #AIResearch
؛ جایگزین متن‌باز AlphaEvolve از Sakana AI
⛔️شرکت Sakana AI چارچوبی متن‌باز با نام ShinkaEvolve معرفی کرده که برای بهینه‌سازی و توسعه الگوریتم‌ها و معماری‌های پیچیده طراحی شده است. «Shinka» (進化) در ژاپنی به معنای تکامل است و این رویکرد هم بر پایه‌ی اصول تکاملی بنا شده.
🔹 چطور کار می‌کند؟
1️⃣ ورودی شامل یک Seed-program و یک Verifier (محاسبه متریک کیفیت/fitness) است. کدهای جدید در یک «آرشیو والدین» ذخیره می‌شوند.
2️⃣ همچنین LLM به عنوان اپراتور جهش عمل می‌کند: می‌تواند کد را با روش‌های مختلف تغییر دهد (diff-patch، بازنویسی کامل، crossover). انتخاب LLM بهینه توسط الگوریتم multi-armed bandit انجام می‌شود.
3️⃣ کاندیداها ابتدا از فیلتر novelty-rejection (بر اساس شباهت تع嵌 embeddings) عبور می‌کنند تا ایده‌های تکراری حذف شوند. سپس بهترین‌ها به آرشیو اضافه می‌شوند.
4️⃣ برای تنوع، از مفهوم «جزیره‌ها» (populationهای مستقل) استفاده شده و در مواقع بن‌بست، مهاجرت بین آنها انجام می‌شود.
🔹 نتایج تست‌ها
✅ در بهینه‌سازی ریاضی: تنها با 150 نمونه، راه‌حل جدیدی برای مسئله‌ی Circle Packing پیدا کرد.
✅ در طراحی ایجنت هوش مصنوعی: بعد از ~75 نسل، معماری سه‌بخشی جدیدی ایجاد کرد که baseline را در AIME شکست داد.
✅ در برنامه‌نویسی رقابتی: با بهبودهای متعدد، به سطح مدال نقره رسید.
✅ در آموزش LLM: پس از ~30 نسل، تابع خطای جدیدی برای MoE کشف شد که عملکردی بهتر از بسیاری روش‌های رایج داشت.
⚡️ تفاوت اصلی با AlphaEvolve این است که ShinkaEvolve همین حالا و رایگان قابل استفاده است. کافیست فایل evaluate.py را برای مسئله‌ی خود بازنویسی کنید، initial.py را آماده کرده و اجرا کنید:
shinka_launch variant=experiment_name
📎 کد و راهنمای کامل:
GitHub
#هوش_مصنوعی #الگوریتم_تکاملی #SakanaAI #ShinkaEvolve #AIResearch
📊 K2 Vendor Verifier
؛ تست شفافیت عملکرد وندورها
تیم Kimi ابزاری با نام K2 Vendor Verifier معرفی کرده که هدفش بررسی دقت سرویس‌دهنده‌های مختلف برای مدل K2 است.
🔎 روش تست:
هر وندور روی ۲۰۰۰ درخواست یکسان امتحان می‌شود و نتایج با API رسمی مقایسه می‌گردد.
📉 نتیجه:
همه‌ی ارائه‌دهندگان 3rd party مشکلات جدی در خروجی داشتند. متأسفانه جذاب‌ترین گزینه، Groq، در این تست حضور نداشت.
این حرکت یادآور تست‌های تیم Artificial Analysis روی gpt-oss است، جایی که اختلاف فاحشی بین سرویس‌دهندگان مشاهده شد.
⚠️ پیام مهم: اگر چنین تست‌هایی عمومی و استاندارد نشوند، باگ‌های inference بی‌سروصدا ادامه خواهند داشت و کیفیت مدل‌ها را پایین می‌آورند.
📎 گیت‌هاب: K2 Vendor Verifier
#هوش_مصنوعی #K2 #LLM #AI #Kimi #VendorVerifier
؛ تست شفافیت عملکرد وندورها
تیم Kimi ابزاری با نام K2 Vendor Verifier معرفی کرده که هدفش بررسی دقت سرویس‌دهنده‌های مختلف برای مدل K2 است.
🔎 روش تست:
هر وندور روی ۲۰۰۰ درخواست یکسان امتحان می‌شود و نتایج با API رسمی مقایسه می‌گردد.
📉 نتیجه:
همه‌ی ارائه‌دهندگان 3rd party مشکلات جدی در خروجی داشتند. متأسفانه جذاب‌ترین گزینه، Groq، در این تست حضور نداشت.
این حرکت یادآور تست‌های تیم Artificial Analysis روی gpt-oss است، جایی که اختلاف فاحشی بین سرویس‌دهندگان مشاهده شد.
⚠️ پیام مهم: اگر چنین تست‌هایی عمومی و استاندارد نشوند، باگ‌های inference بی‌سروصدا ادامه خواهند داشت و کیفیت مدل‌ها را پایین می‌آورند.
📎 گیت‌هاب: K2 Vendor Verifier
#هوش_مصنوعی #K2 #LLM #AI #Kimi #VendorVerifier
This media is not supported in your browser
VIEW IN TELEGRAM
🔔 متا معرفی کرد: Vibes — تیک‌تاکی با ویدئوهای ساخته‌شده توسط هوش مصنوعی 🎥✨
پلتفرم جدید متا با نام Vibes امکان ساخت ویدئوهای کوتاه و سرگرم‌کننده توسط هوش مصنوعی را فراهم می‌کند؛ چیزی شبیه تیک‌تاک، اما بدون نیاز به دوربین یا ضبط واقعی.
📌 هر کاربر می‌تواند فقط با یک پرامپت یا ایده، ویدئوی اختصاصی خودش را تولید و منتشر کند.
این گام تازه متا نشان می‌دهد آینده‌ی محتوای کوتاه به سمت AI-native platforms پیش می‌رود.
@rss_ai_ir 🤖
#Meta #Vibes #AI #ویدئو #هوش_مصنوعی
پلتفرم جدید متا با نام Vibes امکان ساخت ویدئوهای کوتاه و سرگرم‌کننده توسط هوش مصنوعی را فراهم می‌کند؛ چیزی شبیه تیک‌تاک، اما بدون نیاز به دوربین یا ضبط واقعی.
📌 هر کاربر می‌تواند فقط با یک پرامپت یا ایده، ویدئوی اختصاصی خودش را تولید و منتشر کند.
این گام تازه متا نشان می‌دهد آینده‌ی محتوای کوتاه به سمت AI-native platforms پیش می‌رود.
@rss_ai_ir 🤖
#Meta #Vibes #AI #ویدئو #هوش_مصنوعی
📊 آیا به استاندارد برای ارزیابی کیفیت مدل‌ها و محصولات LLM نیاز داریم؟
⛔️امروز تقریباً در هر محصولی قابلیت RAG وجود دارد و سناریوهای agentic هم به یک روند عادی تبدیل شده‌اند. اما هرچه پایپ‌لاین پیچیده‌تر شود، کنترل و ارزیابی آن هم سخت‌تر و حیاتی‌تر می‌شود.
🔹 در پایپ‌لاین‌های ساده می‌توان:
♻️متریک‌های مشخصی انتخاب کرد
♻️تست‌های واحد و یکپارچه نوشت
♻️یک بنچمارک کوچک آماده و مرتباً اجرا کرد
♻️پایداری و تکرارپذیری نتایج را بررسی کرد
🔹 اما وقتی پایپ‌لاین شامل چندین ماژول مختلف باشد، ماجرا شبیه ساختن هزارچهره فالکون از لگو می‌شود 🧱🦧
در مقاله Apollo Research "We Need A Science of Evals" (۲۰۲۴) گفته شد:
ارزیابی کیفیت بیشتر شبیه هنر است تا علم (مثلاً فقط تغییر در فرمت پرامپت می‌تواند دقت را ۷۰+ درصد جابجا کند 😱)
بلوغ ارزیابی (Eval) سه مرحله دارد:
1️⃣ Nascent —
مرحله ابتدایی و پراکنده، بدون استاندارد
2️⃣ Maturation —
ظهور بهترین‌روش‌ها ولی بدون مقررات رسمی
3️⃣ Mature —
وجود استانداردها، استناد آماری و نتایج قابل‌تفسیر
ما فعلاً در مرحله دوم هستیم و رسیدن به مرحله سوم نیازمند تعریف متریک‌های روشن، پوشش کامل تست، تکرارپذیری و تحلیل آماری است.
⚡️ اخیراً استاندارد جدیدی معرفی شده: STREAM (A Standard for Transparently Reporting Evaluations in AI Model Reports). این چارچوب به شفاف‌سازی تست‌ها و گزارش‌دهی نتایج کمک می‌کند. هرچند بیشتر برای بنچمارک‌های حوزه ChemBio طراحی شده، اما قابل‌استفاده در دیگر زمینه‌ها هم هست.
🔮 آینده‌ی ارزیابی LLMها در گرو Eval علمی و استاندارد است. در غیر این صورت، محصولات غیرایمن و مبهم خواهیم داشت.
@rss_ai_ir 🤖
https://www.arxiv.org/pdf/2508.09853
#هوش_مصنوعی #LLM #استاندارد #Eval #STREAM #AI
⛔️امروز تقریباً در هر محصولی قابلیت RAG وجود دارد و سناریوهای agentic هم به یک روند عادی تبدیل شده‌اند. اما هرچه پایپ‌لاین پیچیده‌تر شود، کنترل و ارزیابی آن هم سخت‌تر و حیاتی‌تر می‌شود.
🔹 در پایپ‌لاین‌های ساده می‌توان:
♻️متریک‌های مشخصی انتخاب کرد
♻️تست‌های واحد و یکپارچه نوشت
♻️یک بنچمارک کوچک آماده و مرتباً اجرا کرد
♻️پایداری و تکرارپذیری نتایج را بررسی کرد
🔹 اما وقتی پایپ‌لاین شامل چندین ماژول مختلف باشد، ماجرا شبیه ساختن هزارچهره فالکون از لگو می‌شود 🧱🦧
در مقاله Apollo Research "We Need A Science of Evals" (۲۰۲۴) گفته شد:
ارزیابی کیفیت بیشتر شبیه هنر است تا علم (مثلاً فقط تغییر در فرمت پرامپت می‌تواند دقت را ۷۰+ درصد جابجا کند 😱)
بلوغ ارزیابی (Eval) سه مرحله دارد:
1️⃣ Nascent —
مرحله ابتدایی و پراکنده، بدون استاندارد
2️⃣ Maturation —
ظهور بهترین‌روش‌ها ولی بدون مقررات رسمی
3️⃣ Mature —
وجود استانداردها، استناد آماری و نتایج قابل‌تفسیر
ما فعلاً در مرحله دوم هستیم و رسیدن به مرحله سوم نیازمند تعریف متریک‌های روشن، پوشش کامل تست، تکرارپذیری و تحلیل آماری است.
⚡️ اخیراً استاندارد جدیدی معرفی شده: STREAM (A Standard for Transparently Reporting Evaluations in AI Model Reports). این چارچوب به شفاف‌سازی تست‌ها و گزارش‌دهی نتایج کمک می‌کند. هرچند بیشتر برای بنچمارک‌های حوزه ChemBio طراحی شده، اما قابل‌استفاده در دیگر زمینه‌ها هم هست.
🔮 آینده‌ی ارزیابی LLMها در گرو Eval علمی و استاندارد است. در غیر این صورت، محصولات غیرایمن و مبهم خواهیم داشت.
@rss_ai_ir 🤖
https://www.arxiv.org/pdf/2508.09853
#هوش_مصنوعی #LLM #استاندارد #Eval #STREAM #AI