🔥 انویدیا از Universal Deep Research (UDR) رونمایی کرد
✳️همچنین UDR یک ایجنت قابلسفارشیسازی برای تحقیقات عمیق است که میتواند روی هر LLM قرار بگیرد و آن را هوشمندتر و منعطفتر کند.
📌 چرا مهم است؟
🟠 سفارشیسازی ایجنت بدون کدنویسی — بر خلاف بسیاری از ابزارها که سناریوهای محدودی دارند، UDR آزادی کامل برای طراحی استراتژی دارد.
🟠 میتوانید استراتژیهای جستجو و تحلیل را بسازید، ویرایش کنید و ترکیب کنید.
🟠 در ریپوی پروژه مثالهایی از استراتژیها (حداقلی، گسترده، فشرده) قرار داده شده، اما قدرت اصلی UDR در ساخت سناریوهای اختصاصی برای نیاز خودتان است.
✅ در واقع، با UDR میتوانید یک ایجنت تحقیقاتی انعطافپذیر بسازید که با هر جریان کاری (workflow) هماهنگ شود.
🟢 پروژه: https://research.nvidia.com/labs/lpr/udr
🟢 کد: https://github.com/NVlabs/UniversalDeepResearch
🟢 لَب: https://nv-dler.github.io
@rss_ai_ir
#NVIDIA #UDR #UniversalDeepResearch #AI #LLM #ResearchAgent #AIAgents #DeepResearch
✳️همچنین UDR یک ایجنت قابلسفارشیسازی برای تحقیقات عمیق است که میتواند روی هر LLM قرار بگیرد و آن را هوشمندتر و منعطفتر کند.
📌 چرا مهم است؟
🟠 سفارشیسازی ایجنت بدون کدنویسی — بر خلاف بسیاری از ابزارها که سناریوهای محدودی دارند، UDR آزادی کامل برای طراحی استراتژی دارد.
🟠 میتوانید استراتژیهای جستجو و تحلیل را بسازید، ویرایش کنید و ترکیب کنید.
🟠 در ریپوی پروژه مثالهایی از استراتژیها (حداقلی، گسترده، فشرده) قرار داده شده، اما قدرت اصلی UDR در ساخت سناریوهای اختصاصی برای نیاز خودتان است.
✅ در واقع، با UDR میتوانید یک ایجنت تحقیقاتی انعطافپذیر بسازید که با هر جریان کاری (workflow) هماهنگ شود.
🟢 پروژه: https://research.nvidia.com/labs/lpr/udr
🟢 کد: https://github.com/NVlabs/UniversalDeepResearch
🟢 لَب: https://nv-dler.github.io
@rss_ai_ir
#NVIDIA #UDR #UniversalDeepResearch #AI #LLM #ResearchAgent #AIAgents #DeepResearch
😁9👍6❤4🔥4🎉2🙏1
🌟 InfoSeek:
نسل جدید دادهسازی برای تحقیقات عمیق با فرمالیزهسازی HCSP
مرکز BAAI از پروژه InfoSeek رونمایی کرد — یک متدولوژی باز برای سینتِز داده و حلقه آموزشی ویژهی تحقیقات عمیق (Deep Research).
🔹 چالش اصلی
در این سطح، مسئله فقط استخراج یک واقعیت ساده نیست؛ مدل باید پرسش را به زیرمسئلهها تجزیه کند، چندمرحلهای استدلال نماید و در نهایت پاسخها را با منابع واقعی اعتبارسنجی کند.
🔹 فرمالیزهسازی به HCSP
این مسائل بهصورت Hierarchical Constraint Satisfaction Problems (HCSP) مدل میشوند:
❌هر نود یک زیرمسئله یا حقیقت اتمی است.
❌یالها روابط قابلبررسی از ویکیپدیا یا منابع باز هستند.
❌پاسخ نهایی، ریشهی درخت است که تنها با تقاطع محدودیتها و زیرپرسشها بهدست میآید.
❌این رویکرد باعث میشود عمق و عرض استدلال بهروشنی مشخص شده و هر گام میانی قابل بررسی و صحتسنجی باشد.
🔹 معماری عاملها
دو عامل فرآیند را پیش میبرند:
1. Planner – انتخاب هدف و کنترل پیچیدگی کلّی.
2. Browser – استخراج داده و لینک از صفحات.
چهار عمل اصلی چرخه را میسازند:
✅شروع از «anchor»
Parent Blurring
✅(افزودن شرایط مستقل برای تعریف پاسخ یکتا)
✅عمقبخشی عمودی با دنبالکردن لینکها
✅تولید متن سؤال تنها پس از تکمیل قیود
🔹 نتایج و خروجیها
♻️دیتاست: ۵۰ هزار جفت پرسش–پاسخ و ۱۶.۵ هزار مسیر استدلال با برچسبهای استخراج.
♻️روی بنچمارک BrowseComp-Plus با ۱۰۰K صفحه و BM25، مدل InfoSeeker-3B به دقت ۱۶.۵٪ رسید — بالاتر از Gemini 2.5 Flash, Sonnet 4, GPT-4.1 و بهمراتب بهتر از Qwen3-32B و Search-R1-32B.
♻️جایگزینی دیتاست NQ+HQA با InfoSeek دقت را از ۳٪ به ۱۶.۵٪ افزایش داد.
🔹 مزایا
✳️عدم نیاز به Teacher Distillation
✳️خودبهبودی مداوم از دادههای واقعی
✳️کاربردپذیری در معماریهای مختلف
📌 لایسنس: Apache 2.0
📂 خروجیهای منتشرشده: دیتاست، گزارش فنی، سازنده درخت داده و کد آموزش SFT. (کد RL و وزنهای InfoSeeker-3B بهزودی منتشر میشوند.)
💢HuggingFace
📛GitHub
🛑Arxiv
@rss_ai_ir
#هوش_مصنوعی #یادگیری_عمیق #داده #AI #ML #DeepResearch #InfoSeek
نسل جدید دادهسازی برای تحقیقات عمیق با فرمالیزهسازی HCSP
مرکز BAAI از پروژه InfoSeek رونمایی کرد — یک متدولوژی باز برای سینتِز داده و حلقه آموزشی ویژهی تحقیقات عمیق (Deep Research).
🔹 چالش اصلی
در این سطح، مسئله فقط استخراج یک واقعیت ساده نیست؛ مدل باید پرسش را به زیرمسئلهها تجزیه کند، چندمرحلهای استدلال نماید و در نهایت پاسخها را با منابع واقعی اعتبارسنجی کند.
🔹 فرمالیزهسازی به HCSP
این مسائل بهصورت Hierarchical Constraint Satisfaction Problems (HCSP) مدل میشوند:
❌هر نود یک زیرمسئله یا حقیقت اتمی است.
❌یالها روابط قابلبررسی از ویکیپدیا یا منابع باز هستند.
❌پاسخ نهایی، ریشهی درخت است که تنها با تقاطع محدودیتها و زیرپرسشها بهدست میآید.
❌این رویکرد باعث میشود عمق و عرض استدلال بهروشنی مشخص شده و هر گام میانی قابل بررسی و صحتسنجی باشد.
🔹 معماری عاملها
دو عامل فرآیند را پیش میبرند:
1. Planner – انتخاب هدف و کنترل پیچیدگی کلّی.
2. Browser – استخراج داده و لینک از صفحات.
چهار عمل اصلی چرخه را میسازند:
✅شروع از «anchor»
Parent Blurring
✅(افزودن شرایط مستقل برای تعریف پاسخ یکتا)
✅عمقبخشی عمودی با دنبالکردن لینکها
✅تولید متن سؤال تنها پس از تکمیل قیود
🔹 نتایج و خروجیها
♻️دیتاست: ۵۰ هزار جفت پرسش–پاسخ و ۱۶.۵ هزار مسیر استدلال با برچسبهای استخراج.
♻️روی بنچمارک BrowseComp-Plus با ۱۰۰K صفحه و BM25، مدل InfoSeeker-3B به دقت ۱۶.۵٪ رسید — بالاتر از Gemini 2.5 Flash, Sonnet 4, GPT-4.1 و بهمراتب بهتر از Qwen3-32B و Search-R1-32B.
♻️جایگزینی دیتاست NQ+HQA با InfoSeek دقت را از ۳٪ به ۱۶.۵٪ افزایش داد.
🔹 مزایا
✳️عدم نیاز به Teacher Distillation
✳️خودبهبودی مداوم از دادههای واقعی
✳️کاربردپذیری در معماریهای مختلف
📌 لایسنس: Apache 2.0
📂 خروجیهای منتشرشده: دیتاست، گزارش فنی، سازنده درخت داده و کد آموزش SFT. (کد RL و وزنهای InfoSeeker-3B بهزودی منتشر میشوند.)
💢HuggingFace
📛GitHub
🛑Arxiv
@rss_ai_ir
#هوش_مصنوعی #یادگیری_عمیق #داده #AI #ML #DeepResearch #InfoSeek
😁49👍47❤41🎉41🔥39🥰25👏24
📊 بنچمارک SealQA برای Deep Research با مدلهای کوچک
او به همراه همکارانش یک بنچمارک جالب روی SealQA اجرا کرده است تا روشهای مختلف پیادهسازی ReAct-Agents را بسنجد؛ با یک شرط مهم: استفاده فقط از مدلهای کوچک (تا 30B پارامتر). در تست اولیه، او از gpt-4o-mini بهره برد.
🤔 چرا این مهم است؟
به گفته او، مدلهای بزرگتر بدون شک نتایج بهتری دارند، اما همچنان پرهزینهاند. دیر یا زود هزینهها کمتر میشود، اما همیشه این پرسش باقی میماند که کدام مدل کوچک برای یک کاربرد خاص بهینه است. چنین تحقیقاتی کمک میکند توانایی واقعی مدلهای کوچکتر بهتر شناخته شود.
🔎 دو رویکرد مورد بررسی:
1️⃣ SGR Deep Research
(معماری React NextStep با روش هیبریدی SO – پیادهسازی پایدار روی GitHub موجود است).
2️⃣ همچنین، ReAct کلاسیک + یک ابزار وب (برای ایجاد سطح پایه جهت مقایسه؛ نسخه اولیه در GitHub موجود است اما هنوز خام است).
📈 نتایج اولیه (از 111 سؤال):
✅ SGR Deep Research:
28 پاسخ درست.
✅ ReAct + FC:
12 پاسخ درست.
❌ بنچمارک رسمی gpt-4o-mini: 0 پاسخ درست.
📌 نتیجهگیری: او تأکید میکند که حتی یک ReAct-Agent ساده روی مدل کوچک میتواند عملکردی فراتر از سطح صفر داشته باشد.
ادامه گزارش شامل جزئیات نتایج، مشکلات و راهحلها خواهد بود. 🚀
#هوش_مصنوعی #LLM #ReAct #DeepResearch #SealQA
او به همراه همکارانش یک بنچمارک جالب روی SealQA اجرا کرده است تا روشهای مختلف پیادهسازی ReAct-Agents را بسنجد؛ با یک شرط مهم: استفاده فقط از مدلهای کوچک (تا 30B پارامتر). در تست اولیه، او از gpt-4o-mini بهره برد.
🤔 چرا این مهم است؟
به گفته او، مدلهای بزرگتر بدون شک نتایج بهتری دارند، اما همچنان پرهزینهاند. دیر یا زود هزینهها کمتر میشود، اما همیشه این پرسش باقی میماند که کدام مدل کوچک برای یک کاربرد خاص بهینه است. چنین تحقیقاتی کمک میکند توانایی واقعی مدلهای کوچکتر بهتر شناخته شود.
🔎 دو رویکرد مورد بررسی:
1️⃣ SGR Deep Research
(معماری React NextStep با روش هیبریدی SO – پیادهسازی پایدار روی GitHub موجود است).
2️⃣ همچنین، ReAct کلاسیک + یک ابزار وب (برای ایجاد سطح پایه جهت مقایسه؛ نسخه اولیه در GitHub موجود است اما هنوز خام است).
📈 نتایج اولیه (از 111 سؤال):
✅ SGR Deep Research:
28 پاسخ درست.
✅ ReAct + FC:
12 پاسخ درست.
❌ بنچمارک رسمی gpt-4o-mini: 0 پاسخ درست.
📌 نتیجهگیری: او تأکید میکند که حتی یک ReAct-Agent ساده روی مدل کوچک میتواند عملکردی فراتر از سطح صفر داشته باشد.
ادامه گزارش شامل جزئیات نتایج، مشکلات و راهحلها خواهد بود. 🚀
#هوش_مصنوعی #LLM #ReAct #DeepResearch #SealQA
🥰14👍10👏10🎉10😁9❤7🔥3
🌸 رونمایی از GAIA2 — عاملها در محیط واقعگرایانه 😘
🚀 نسخه دوم بِنچمارک چندمرحلهای GAIA2 و محیط شبیهسازی واقعگرایانهی Agentic Research Environment (ARE) منتشر شد — هر دو کاملاً متنباز!
✨ در GAIA2 عاملها باید در محیطی کار کنند که پر از API، اپلیکیشنها، بازخورد کاربر و حتی سایر عاملهاست. وظایف چندمرحلهای هستند و مسیرهای حل مختلفی دارند.
🟣 تواناییهایی که سنجیده میشوند:
♻️اجرای درست دستورها و استفاده از ابزارها (Execution)
♻️جستجو و استخراج اطلاعات (Search)
♻️برخورد با اطلاعات مبهم (Ambiguity)
♻️سازگاری با شرایط متغیر (Adaptability)
♻️مدیریت زمان و وظایف تکرارشونده (Time)
♻️رسیدن به نتیجه با وجود اطلاعات اضافی یا غلط (Noise)
♻️همکاری با سایر عاملها (Agent2Agent)
💡 Agentic Research Environment:
✳️محیط شبیهسازی با گذر زمان و تغییر شرایط
✳️پشتیبانی از اجرای async
✳️اپلیکیشنهای آماده مثل تقویم، ایمیل، تاکسی و ... (سازگار با MCP)
✳️کاربرد برای تست امنیت (red teaming)، آموزش و ساخت دیتاست
📊 این بِنچمارک در حال حاضر بزرگترین معیار عمومی برای ارزیابی عاملهاست و هیچ مدل SOTA نتوانسته در همه بخشها برتری کامل بگیرد.
@rss_ai_ir
🔗 منابع:
👉 Leaderboard
👉 Github
👉 HF Demo
👉 HF Blog
👉 Dataset
#AI #Agents #GAIA2 #Benchmark #DeepResearch
🚀 نسخه دوم بِنچمارک چندمرحلهای GAIA2 و محیط شبیهسازی واقعگرایانهی Agentic Research Environment (ARE) منتشر شد — هر دو کاملاً متنباز!
✨ در GAIA2 عاملها باید در محیطی کار کنند که پر از API، اپلیکیشنها، بازخورد کاربر و حتی سایر عاملهاست. وظایف چندمرحلهای هستند و مسیرهای حل مختلفی دارند.
🟣 تواناییهایی که سنجیده میشوند:
♻️اجرای درست دستورها و استفاده از ابزارها (Execution)
♻️جستجو و استخراج اطلاعات (Search)
♻️برخورد با اطلاعات مبهم (Ambiguity)
♻️سازگاری با شرایط متغیر (Adaptability)
♻️مدیریت زمان و وظایف تکرارشونده (Time)
♻️رسیدن به نتیجه با وجود اطلاعات اضافی یا غلط (Noise)
♻️همکاری با سایر عاملها (Agent2Agent)
💡 Agentic Research Environment:
✳️محیط شبیهسازی با گذر زمان و تغییر شرایط
✳️پشتیبانی از اجرای async
✳️اپلیکیشنهای آماده مثل تقویم، ایمیل، تاکسی و ... (سازگار با MCP)
✳️کاربرد برای تست امنیت (red teaming)، آموزش و ساخت دیتاست
📊 این بِنچمارک در حال حاضر بزرگترین معیار عمومی برای ارزیابی عاملهاست و هیچ مدل SOTA نتوانسته در همه بخشها برتری کامل بگیرد.
@rss_ai_ir
🔗 منابع:
👉 Leaderboard
👉 Github
👉 HF Demo
👉 HF Blog
👉 Dataset
#AI #Agents #GAIA2 #Benchmark #DeepResearch
🥰18😁14👍13❤12🎉12👏11🔥10👎1
This media is not supported in your browser
VIEW IN TELEGRAM
🎓🤖 عامل جدید هوش مصنوعی که نوشتن آکادمیک را تصرف کرده!
دستیار تازهای با هوش مصنوعی معرفی شده که میتواند از انشاءهای کوتاه تا پایاننامههای کامل را بنویسد — همراه با تحقیق، استناد و فرمتبندی علمی 📚
🔸 فقط کافیست پاراگراف معرفی را بنویسید و دستور /cite را بزنید؛ عامل بهصورت خودکار مقالات مرتبط را جستوجو کرده و منابع علمی را درج میکند.
🔸 با دستور /insert، ارجاعات درونمتنی بهصورت استاندارد اضافه میشوند.
🔸 با تکیه بر قابلیت Deep Research، هزاران مقاله را تحلیل کرده و متنی ساختاریافته و مبتنی بر شواهد تولید میکند.
🔸 خروجیها را در قالبهای LaTeX، Word، یا PDF تنظیم میکند — درست مثل یک سند علمی واقعی 🎓📄
این ابزار دیگر صرفاً «نویسندهی هوش مصنوعی» نیست؛ بلکه یک همکار پژوهشی تمامعیار است که همهچیز از تحقیق تا قالببندی را یکجا انجام میدهد
📊 منبع:
https://chirpz.ai/
📡 @rss_ai_ir
#هوش_مصنوعی #نوشتن_علمی #AI #Academic #Research #DeepResearch #Education #LaTeX #پایاننامه
دستیار تازهای با هوش مصنوعی معرفی شده که میتواند از انشاءهای کوتاه تا پایاننامههای کامل را بنویسد — همراه با تحقیق، استناد و فرمتبندی علمی 📚
🔸 فقط کافیست پاراگراف معرفی را بنویسید و دستور /cite را بزنید؛ عامل بهصورت خودکار مقالات مرتبط را جستوجو کرده و منابع علمی را درج میکند.
🔸 با دستور /insert، ارجاعات درونمتنی بهصورت استاندارد اضافه میشوند.
🔸 با تکیه بر قابلیت Deep Research، هزاران مقاله را تحلیل کرده و متنی ساختاریافته و مبتنی بر شواهد تولید میکند.
🔸 خروجیها را در قالبهای LaTeX، Word، یا PDF تنظیم میکند — درست مثل یک سند علمی واقعی 🎓📄
این ابزار دیگر صرفاً «نویسندهی هوش مصنوعی» نیست؛ بلکه یک همکار پژوهشی تمامعیار است که همهچیز از تحقیق تا قالببندی را یکجا انجام میدهد
📊 منبع:
https://chirpz.ai/
📡 @rss_ai_ir
#هوش_مصنوعی #نوشتن_علمی #AI #Academic #Research #DeepResearch #Education #LaTeX #پایاننامه
👍3❤1👏1
Media is too big
VIEW IN TELEGRAM
🧠 هوش مصنوعی جِمِنی (Gemini): آموزش قابلیتهای جدید در دیپ ریسرچ
گوگل در نسخهی جدید Gemini Deep Research امکان اتصال مستقیم به Gmail، Docs، Drive و حتی Chat را فراهم کرده است!
با این قابلیت، جِمِنی میتواند مستقیماً به دادههای شما دسترسی پیدا کرده و اطلاعات را از اسناد، ایمیلها و فایلهای ذخیرهشده تحلیل کند تا پاسخهایی دقیقتر و مبتنی بر محتوای واقعی ارائه دهد.
🎯 در این ویدیو با جدیدترین قابلیتهای جِمِنی آشنا میشویم و یاد میگیریم چطور از دیپ ریسرچ برای انجام تحقیقات پیشرفته استفاده کنیم.
🔹 اتصال مستقیم به حساب گوگل
🔹 جستوجو در فایلها و اسناد شخصی
🔹 خلاصهسازی و تحلیل هوشمند محتوا
✨ این آموزش را از دست ندهید اگر میخواهید بهرهوری خود را چند برابر کنید!
@rss_ai_ir
#Gemini #GoogleAI #DeepResearch #هوش_مصنوعی #دیپ_ریسرچ #گوگل
گوگل در نسخهی جدید Gemini Deep Research امکان اتصال مستقیم به Gmail، Docs، Drive و حتی Chat را فراهم کرده است!
با این قابلیت، جِمِنی میتواند مستقیماً به دادههای شما دسترسی پیدا کرده و اطلاعات را از اسناد، ایمیلها و فایلهای ذخیرهشده تحلیل کند تا پاسخهایی دقیقتر و مبتنی بر محتوای واقعی ارائه دهد.
🎯 در این ویدیو با جدیدترین قابلیتهای جِمِنی آشنا میشویم و یاد میگیریم چطور از دیپ ریسرچ برای انجام تحقیقات پیشرفته استفاده کنیم.
🔹 اتصال مستقیم به حساب گوگل
🔹 جستوجو در فایلها و اسناد شخصی
🔹 خلاصهسازی و تحلیل هوشمند محتوا
✨ این آموزش را از دست ندهید اگر میخواهید بهرهوری خود را چند برابر کنید!
@rss_ai_ir
#Gemini #GoogleAI #DeepResearch #هوش_مصنوعی #دیپ_ریسرچ #گوگل
🔥2👏1👌1
🚀 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
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
❤2🔥1👏1
This media is not supported in your browser
VIEW IN TELEGRAM
✨ قابلیت جدید و کاربردی در ChatGPT
اینکه OpenAI یک ویژگی کوچک اما فوقالعاده مهم اضافه کرد:
حالا میتوانید پرامپت را بعد از شروع پاسخ مدل اصلاح کنید — بدون اینکه فرآیند از اول ریست شود.
✳️یعنی اگر وسط اجرای Deep Research یا یک وظیفهٔ طولانی ناگهان یادتان بیاید که نکتهای را نگفتید، دیگر لازم نیست همهچیز را دوباره اجرا کنید. فقط «Update» را بزنید و ادامه میرود.
❌این قابلیت در:
• وظایف طولانی
• ایجنتها
• ریزونینگهای چندمرحلهای
بسیار ارزشمند است و کلی زمان ذخیره میکند.
— ساده، تمیز، هوشمند 🌙🤖
@rss_ai_ir
#ChatGPT #OpenAI #AI #PromptEngineering #DeepResearch
اینکه OpenAI یک ویژگی کوچک اما فوقالعاده مهم اضافه کرد:
حالا میتوانید پرامپت را بعد از شروع پاسخ مدل اصلاح کنید — بدون اینکه فرآیند از اول ریست شود.
✳️یعنی اگر وسط اجرای Deep Research یا یک وظیفهٔ طولانی ناگهان یادتان بیاید که نکتهای را نگفتید، دیگر لازم نیست همهچیز را دوباره اجرا کنید. فقط «Update» را بزنید و ادامه میرود.
❌این قابلیت در:
• وظایف طولانی
• ایجنتها
• ریزونینگهای چندمرحلهای
بسیار ارزشمند است و کلی زمان ذخیره میکند.
— ساده، تمیز، هوشمند 🌙🤖
@rss_ai_ir
#ChatGPT #OpenAI #AI #PromptEngineering #DeepResearch
👍3👏1😁1