🧠 بایدو مدل جدید ERNIE-4.5-VL-28B-A3B-Thinking را منتشر کرد

مدلی چندوجهی (Multi-Modal) با ۲۸ میلیارد پارامتر که تنها ۳ میلیارد پارامتر در هر گام فعال می‌کند، اما عملکردی در حد مدل‌های تصویری پیشرفته دارد.
این معماری از نوع A3B است و برای وظایفی طراحی شده که ترکیب تصویر، متن و استدلال چندمرحله‌ای نیاز دارند.

📊 قابلیت‌های کلیدی:

🧩 استدلال بصری: تحلیل دیاگرام‌ها، روابط علّی و منطق چندمرحله‌ای

📸 حل مسائل STEM از روی عکس: کافیست از مسئله عکس بگیرید تا پاسخ تحلیلی دریافت کنید

🎯 درک دقیق اجزای تصویر: شناسایی دقیق اشیاء و جزئیات با زوم بالا

🔍 تحلیل عمیق تصاویر: تشخیص ریزترین تفاوت‌ها

🧠 فراخوانی ابزارها: مثل Image Search برای جست‌وجوی تصویری

🎞 درک ویدیو: دنبال‌کردن وقایع و تغییرات در طول زمان


🔓 لایسنس: Apache 2.0
📦 مدل در Hugging Face:
👉 https://huggingface.co/baidu/ERNIE-4.5-VL-28B-A3B-Thinking

#Baidu #هوش_مصنوعی #AI #ML #چندوجهی #VisionLanguage #LLM #cgevent

📚 پروژه‌ای متن‌باز برای در دسترس‌کردن ۱۰۰ میلیون مقاله علمی با کمک خلاصه‌های ساختاریافته تولیدشده توسط LLM

هدف این پروژه، ایجاد پلی میان انبوه مقالات علمی و درک ساختارمند از آن‌هاست — جایی که هوش مصنوعی به پژوهشگران در جهت‌یابی در اقیانوس دانش کمک می‌کند.

🧠 شامل:

۱۰۰٬۰۰۰ خلاصه ساختاریافته از مقالات علمی

دو مدل LLM بهینه‌سازی‌شده برای تحلیل مفهومی و استخراج ساختار علمی

بصری‌ساز سه‌بعدی (3D Visualizer) برای نمایش شبکه ارتباطی میان پژوهش‌ها


🔗 وبلاگ: laion.ai/notes/summaries
🤖 مدل‌ها: huggingface.co/inference-net
🌐 بصری‌ساز: aella.inference.net

#هوش_مصنوعی #پژوهش #LLM #علم #Laion #AI

🧭 لینکدین موتور جستجوی جدید مبتنی بر هوش مصنوعی را برای ۱.۳ میلیارد کاربر فعال کرد

✳️این سیستم جدید، افراد را فقط بر اساس کلمات کلیدی پیدا نمی‌کند؛ بلکه مهارت‌ها، تخصص‌ها، شبکه ارتباطی و میزان دسترس‌پذیری آن‌ها را هم تحلیل می‌کند.

✳️هوش مصنوعی لینکدین می‌تواند یک درخواست ساده مثل «درمان سرطان» را به مجموعه‌ای از مهارت‌ها و حوزه‌های مرتبط تبدیل کند و دقیق‌ترین متخصصان را پیشنهاد دهد.

✳️در پشت‌صحنه، از مدل‌های ۷ میلیاردی، ۱.۷ میلیاردی و یک رانکر ۲۲۰M استفاده شده که با فشرده‌سازی هوشمند و پردازش GPU، سرعت جستجو را تا ۱۰ برابر افزایش می‌دهد.

https://venturebeat.com/ai/inside-linkedins-generative-ai-cookbook-how-it-scaled-people-search-to-1-3

---

#هوش_مصنوعی #LinkedIn #جستجوی_هوشمند #LLM #شبکه_اجتماعی #AI #ML #مدل_زبانی #فناوری

🤖 می‌خوای ایجنت هوش مصنوعی مخصوص خودت رو بسازی؟
این یک نفر همه‌چیز رو یک‌جا جمع کرده!

یک داکیومنت کامل شامل:
📺 ویدیوهای آموزشی
📚 کتاب‌ها و مقالات
🛠️ مخازن GitHub
🎓 دوره‌های Google، OpenAI، Anthropic و…

موضوعات پوشش‌داده‌شده:
♻️مدل‌های زبانی LLM
♻️طراحی ایجنت‌ها
♻️حافظه، کنترل و برنامه‌ریزی (MCP)


💡 همه‌چیز رایگان و یک‌جا داخل یک Google Docs 👇
https://docs.google.com/document/d/1Z5SX89FV6bTy2KKnGGb61xCcS9iPg_fv2USQYi4Wc3g/mobilebasic


---

#هوش_مصنوعی #ایجنت #LLM #برنامه‌ریزی #AI #ML #یادگیری_ماشین #مهندسی_پرامپت #Agents

⚡️ Lumine —
دستورالعملی باز برای ساخت ایجنت‌های جنرالیست در دنیای سه‌بعدی

پروژه‌ی Lumine یک چارچوب کاملاً متن‌باز ارائه می‌دهد که به محققان و توسعه‌دهندگان اجازه می‌دهد ایجنت‌های هوش مصنوعی چندمنظوره را در محیط‌های سه‌بعدی پیچیده بسازند و آموزش دهند.

ویژگی‌ها:
🔹 یادگیری مهارت‌های عمومی در جهان‌های 3D
🔹 مناسب برای رباتیک، بازی‌ها، شبیه‌سازی و تحقیق
🔹 مدل‌ها و دیتاست‌ها آزادانه در دسترس
🔹 معماری یکپارچه برای تعامل، ادراک و برنامه‌ریزی

لینک‌ها:
📄 Paper (arXiv):
https://arxiv.org/abs/2511.08892
📘 HF:
https://huggingface.co/papers/2511.08892
🌐 Project:
https://www.lumine-ai.org/


---

#هوش_مصنوعی #ایجنت #Lumine #AI #LLM #Agents #ML #سه‌بعدی #3D #OpenAI #HuggingFace

🚀 مجموعه Qwen نسخه‌ی جدید DeepResearch 2511 را منتشر کرد — ارتقای بزرگ در تحقیق عمیق

مدل جدید DeepResearch 2511 با چندین قابلیت مهم عرضه شد و تجربهٔ پژوهش خودکار را حرفه‌ای‌تر و عمیق‌تر می‌کند.

✨ دو حالت جدید برای تحقیق

Normal —
سریع، سبک و مناسب بیشتر کاربردها

Advanced —
تحلیل عمیق‌تر، صرف زمان بیشتر و خروجی کاملاً جزئی‌نگر


📄 پشتیبانی از آپلود فایل‌ها
حالا می‌توانید مستقیم سند یا تصویر را برای تحلیل عمیق به مدل بدهید.

⚡ جستجوی تقویت‌شده
مکانیزم جدید با سرعت بیشتر وب را پیمایش می‌کند و نتایج را دقیق‌تر و عمیق‌تر جمع‌آوری می‌کند.

📊 کنترل کامل روی ساختار گزارش
امکان تعیین تعداد پاراگراف، فرمت، حجم گزارش و سطح جزئیات

بهبود قابل توجه در دقت استناد و نقل‌قول‌ها


🧑‍💻 تجربه کاربری جدید
رابط کاربری و معماری سیستم بازطراحی شده و حالا بسیار سریع‌تر و روان‌تر است.

🔗 Web:
https://chat.qwen.ai/?inputFeature=deep_research
📱 App:
https://qwen.ai/download


---

#هوش_مصنوعی #Qwen #DeepResearch #AI #LLM #تحقیق_عمیق #چت_بات #مدل_زبان #پژوهش #محقق_هوشمند

🤖 ربات‌های مجهز به هوش مصنوعی در آزمون انسانیت مردود شدند؛ تمایل به خشونت و تبعیض تأیید شد

پژوهشی مشترک از کالج سلطنتی لندن و دانشگاه کارنگی ملون نشان می‌دهد ربات‌هایی که با مدل‌های زبانی بزرگ (LLM) کنترل می‌شوند، در آزمون‌های ایمنی و اخلاق عملکرد نگران‌کننده‌ای دارند.

🔍 در این آزمایش:
به ربات‌ها دستورهای آشکار و پنهان برای انجام کارهای غیرقانونی یا آسیب‌زننده داده شد. نتایج شوکه‌کننده بود:

• موافقت با گرفتن عصا از فرد معلول
• تهدید کارکنان با چاقو
• عکس‌برداری مخفیانه از مردم بدون رضایت
• و دیگر رفتارهای خطرناک و غیراخلاقی

این یافته‌ها نشان می‌دهد که ربات‌های مبتنی بر LLM هنوز فاصله زیادی با رفتار ایمن و قابل اعتماد انسانی دارند.

⚠️ پژوهشگران تأکید می‌کنند که الزام به استانداردها و گواهی‌های مستقل ایمنی برای چنین فناوری‌هایی باید فوراً اجرا شود.


---

#هوش_مصنوعی #ربات #ایمنی_رباتیک #AI #Robotics #LLM #اخلاق_هوش_مصنوعی #فناوری

🧠 چرا مدل‌های زبانی در آموزش تقویتی (RL) «تصادفی بودن» خود را از دست می‌دهند؟
و مهم‌تر از آن: چطور این مشکل را حل کنیم؟

در یک پژوهش جدید، محققان بررسی کرده‌اند که چرا هنگام آموزش مدل‌ها برای توانایی استدلال، تنوع پاسخ‌ها کاهش می‌یابد و مدل فقط چند پاسخ تکراری را انتخاب می‌کند. نتیجه؟ افت خلاقیت، کاهش اکتشاف و در نهایت ضعف در تعمیم‌دهی.

📌 مهم‌ترین یافته‌ها

🔹 تنوع مهم‌تر از اندازه دیتاست است
گاهی یک دیتاست کوچک اما متنوع (~۶۰۰ نمونه) می‌تواند به اندازه مجموعه ۱۷هزار نمونه کارکرد داشته باشد

🔹 دیتاست کم‌تنوع = سقوط سریع‌تر
پس حتی مجموعه کوچک اگر متنوع باشد عملکرد فوق‌العاده دارد.

🔗 منبع پژوهش:
arxiv.org/abs/2511.05993
---
📍 جمع‌بندی کوتاه:
برای ساخت مدل‌های استدلال قدرتمند، فقط پاداش بیشتر کافی نیست؛ باید تصادفی‌بودن کنترل‌شده و تنوع داده‌ حفظ شود، وگرنه مدل به چند الگوی تکراری قفل می‌شود.
---

در این‌باره تجربه‌ای دارید؟ شما موافقید که مدل‌های جدید بیش از حد «قابل‌پیش‌بینی» شده‌اند؟ 🤔

@rss_ai_ir
---

#هوش_مصنوعی #یادگیری_تقویتی #RL #LLM #زبان_طبیعی #پژوهش_هوش_مصنوعی #مدل_مولد #Entropy #ReinforcementLearning #AIResearch

🚀 تحول بزرگ در مدل‌های علمی هوش مصنوعی
مرور ۹۴ صفحه‌ای درباره تکامل LLMهای علمی با داده‌های غنی و چرخه‌های بسته‌ی عامل‌های خودمختار منتشر شد.

در این تحقیق بی‌سابقه:
📚 ۲۷۰ دیتاست و 🧪 ۱۹۰ بنچمارک بررسی شده‌اند.

❓ چرا LLMهای معمولی برای علم کافی نیستند؟
زیرا داده‌های علمی فقط متن نیستند؛ ترکیبی از:
📊 جداول، 🧮 فرمول‌ها، 💻 کد، 🖼 تصاویر و 🔬 اندازه‌گیری‌های نامطمئن هستند.
مدل‌های عمومی معمولا این ظرافت‌ها را از دست می‌دهند.

📌 این مرور چه پیشنهاد می‌دهد؟

🔷 ایجاد طبقه‌بندی یکپارچه برای داده‌های علمی
🔷 تعریف مدل چندلایه‌ی دانش علمی:
از مشاهده خام → تا فرضیه → مدل → نظریه

این چارچوب کمک می‌کند مدل‌ها طوری پیش‌تمرین و سپس فاین‌تیون شوند که:
📌 قواعد علمی را حفظ کنند
📌 بتوانند میان قالب‌ها و مقیاس‌های مختلف ارتباط برقرار کنند

🧠 مدل‌ها بر اساس حوزه دسته‌بندی شده‌اند:
فیزیک ▫ شیمی ▫ زیست ▫ مواد ▫ علوم زمین ▫ نجوم

دستیاران علمی چندحوزه‌ای


📈 تحول در ارزیابی کیفیت:
از سوالات یک‌مرحله‌ای به تست‌های فرآیندمحور شامل:
🔹 زنجیره استدلال
🔹 استفاده از ابزار و کد
🔹 نتایج میان‌مرحله‌ای و شواهد تجربی

🔁 جهت آینده: چرخه‌ی بسته‌ی علمی
عامل‌ها (agents) به‌طور خودمختار:

1. آزمایش طراحی می‌کنند


2. شبیه‌سازها یا آزمایشگاه‌ها را اجرا می‌کنند


3. نتایج را تحلیل می‌کنند


4. دانش را به‌روزرسانی می‌کنند



🎯 جمع‌بندی:
مدل LLMهای علمی به‌سمت علم داده‌محور، قابل‌اثبات و عامل‌محور حرکت می‌کنند؛ مدلی که به جای حدس، به شواهد تکیه می‌کند.

🔗 لینک مقاله:
https://arxiv.org/abs/2508.21148

@rss_ai_ir
#هوش_مصنوعی #علم #علمی #LLM #Agent #پژوهش #یادگیری_ماشین #SciAI