✨ جادوی واقعی در تولید محتوای بصری با Jaaz 🎨🤖

یک سرویس هوش مصنوعی فوق‌العاده معرفی شده که می‌تواند در چند ثانیه محتوای بصری خیره‌کننده بسازد.

💡 مزیت اصلی اینجاست که Jaaz نیاز به جابجایی بین ابزارهای مختلف را حذف کرده و تنها با یک دستور ساده می‌توانید تصاویر و ویدیوها را با بهترین مدل‌های هوش مصنوعی تولید کنید.

🎯 ویژگی منحصربه‌فرد: امکان ارائه توضیحات به‌صورت طراحی‌شده و بصری به مدل‌ها، تا خروجی دقیقاً مطابق با ایده شما باشد.

🌐 تجربه کنید: jaaz.app

@rss_ai_ir | #هوش_مصنوعی #تولید_محتوا #AI

📢 راهنمای بهینه‌ استفاده از مدل‌های GPT-5 در ChatGPT

نتایج تست‌ها و بررسی‌ها نشان می‌دهد که در اکانت‌های Plus، اگر به محدودیت‌ها نرسیده باشید، سیستم درخواست شما را یا به GPT-5 اصلی یا به GPT-5 Thinking ارسال می‌کند (بدون استفاده از o3 یا GPT-4.5). برای کاربران رایگان، وضعیت و محدودیت‌ها هنوز شفاف نیست.

⚠️ نکته مهم این است که وقتی روتر به‌طور خودکار درخواست شما را به GPT-5 Thinking بفرستد، سطح reasoning_effort روی Low تنظیم می‌شود و کیفیت خروجی معمولاً پایین‌تر از حالتی است که خودتان دستی GPT-5 Thinking را انتخاب کنید (که در این حالت روی Medium قرار می‌گیرد). طبق بنچمارک‌ها، تفاوت کیفیت بین Low و Medium قابل توجه است.

📌 توصیه عملی
اگر دقت و کیفیت برایتان مهم است، حتماً GPT-5 Thinking را به صورت دستی انتخاب کنید و از گزینه "Think longer" هم بهره ببرید.

💡 سایر نکات کلیدی:

♻️کاربران رایگان به GPT-5 Thinking دسترسی ندارند (یا در حد ۱-۲ درخواست محدود در هفته)، و پاسخ‌ها از نسخه GPT-5 Thinking Mini می‌آید که هم داده‌های کمتر و هم توان reasoning پایین‌تری دارد.

♻️اکانت‌های Plus اکنون ۳۰۰۰ درخواست GPT-5 Thinking در هفته دارند؛ بنابراین بهتر است این حالت را به عنوان حالت پیش‌فرض استفاده کنید.

♻️تیم OpenAI روی افزودن سوئیچ انتخاب reasoning_effort کار می‌کند تا کاربر بتواند به‌راحتی بین Low و Medium جابه‌جا شود.


@rss_ai_ir | #هوش_مصنوعی #GPT5 #راهنما

🏅 دومین مدال طلای OpenAI در المپیاد بین‌المللی انفورماتیک

سیستم هوش مصنوعی OpenAI موفق شد در رقابت رسمی المپیاد انفورماتیک، در میان ۳۳۰ شرکت‌کننده انسانی، رتبه‌ی ششم را کسب کرده و دومین مدال طلای خود را به دست آورد.

🔹 شرایط رقابت عادلانه بود: سیستم دقیقاً مانند شرکت‌کنندگان انسانی ۵ ساعت زمان و ۵۰ ارسال پاسخ در اختیار داشت.
🔹 مشارکت رسمی و تحت نظارت کامل برگزارکنندگان انجام شد.
🔹 بدون اتصال به اینترنت یا RAG (برخلاف راهکار گوگل در IMO)؛ فقط جستجو در دیتابیس داخلی از مسائل و راه‌حل‌های مشابه.
🔹 تنها ابزار در دسترس، یک ترمینال بود.
🔹 هیچ مدل اختصاصی برای این المپیاد آموزش داده نشد.
🔹 سال گذشته، یک سیستم تخصصی مشابه تنها توانسته بود مدال برنز کسب کند.

📊 این موفقیت نشان می‌دهد که مدل‌های عمومی OpenAI، حتی بدون آموزش اختصاصی، می‌توانند در سطح رقابت‌های جهانی عملکردی نزدیک به نخبگان انسانی داشته باشند.

@rss_ai_ir | #هوش_مصنوعی #المپیاد #OpenAI

📉 کاهش استفاده از ChatGPT در تعطیلات

داده‌های اخیر نشان می‌دهد از ابتدای ژوئن و همزمان با شروع تعطیلات مدارس، میزان درخواست‌ها به ChatGPT حدود ۲۵ تا ۳۰٪ کاهش یافته است.

🔍 این افت به احتمال زیاد به دلیل کم‌شدن استفاده آموزشی و دانشگاهی در این بازه است، چرا که بسیاری از کاربران فعال (دانش‌آموزان و دانشجویان) در تعطیلات هستند.

💡 این روند نشان می‌دهد که حتی استفاده از ابزارهای هوش مصنوعی هم وابستگی بالایی به چرخه‌های تحصیلی و کاری دارد.

@rss_ai_ir 🚀

🧠 سم آلتمن: ابرهوش مصنوعی همه رازهای علم را فقط با فکر کردن بیشتر روی داده‌های موجود کشف نخواهد کرد.

🔬 او تاکید کرد که برای دست‌یابی به جهش‌های بزرگ علمی، همچنان به ابزارها، آزمایش‌ها و ماشین‌آلات جدید نیاز داریم. جهان واقعی کند و پر از پیچیدگی است و ساخت این ابزارها زمان‌بر خواهد بود.

⏳ پیشرفت علمی ادامه خواهد داشت، اما مسیر آن نه سریع و بی‌دردسر، بلکه همراه با چالش‌های دنیای واقعی است.

@rss_ai_ir 🚀

📢 خبر ویژه برای علاقه‌مندان پردازش تصویر و هنر اصیل ایرانی ✨

🤩 مجموعه‌داده‌ی جدید «Iranian Carpet Dataset: Lechak-Toranj & Afshan» به همت سیامک سربازی و مهدی سربازی آماده و منتشر شد.

🧵 شامل:
🥋 تصاویر باکیفیت از دو طرح ماندگار «لچک‌ترنج» و «افشان»
🥋 مناسب برای پژوهش‌های طبقه‌بندی، تولید، و بازشناسی الگو
🥋 دسترسی آزاد در کگل

⬇️ DOI:
https://doi.org/10.34740/kaggle/dsv/12702937

👈 صفحه گیت‌هاب:
github.com/mahdisarbazi/Iranian-Carpet-Dataset-Lechak-Toranj-Afshan-Patterns

#فرش_ایرانی 🧶 #کگل 📊 #داده_باز 📂 #پردازش_تصویر 🖼️

@rss_ai_ir

🤖 پژوهشگران دانشگاه کارنگی ملون روش تازه‌ای برای خودآموزی مدل‌های زبانی بزرگ معرفی کردند که نه‌تنها برای کدنویسی، بلکه برای مسائلی بدون امکان ارزیابی خودکار هم کار می‌کند.

🔍 ایده اصلی:

✅مدل دو نقش دارد: Proposer (تولیدکننده مسئله) و Solver (حل‌کننده). هر دو در واقع یک LLM هستند که با یادگیری تقویتی (RL) آموزش می‌بینند.
✅ در مسائل سخت برای ارزیابی (مثل حساب و جبر) از رأی‌گیری اکثریت استفاده می‌شود.
✅در مسائل با ارزیابی ساده (مثل کد) خود Proposer تست‌های واحد می‌سازد و امتیاز Solver بر اساس درصد عبور از این تست‌ها محاسبه می‌شود.
✅ همچنین Proposer تنها برای مسائل با سختی متوسط پاداش می‌گیرد، تا سطح چالش متناسب با توان Solver باقی بماند.

📊 نتایج:
با تنها یک موضوع کوتاه در پرامپت، بدون حتی یک نمونه آماده، مدل Qwen2.5-3B-Instruct روی تست‌های مستقل بهبود داشت:
🔹 ‌+14٪ در حساب
🔹 ‌+16٪ در جبر
🔹 ‌+7٪ در کدنویسی

📎 لینک‌ها: [سایت](https://self-questioning.github.io/)
| [کد](https://github.com/lili-chen/self-questioning-lm)
| [مقاله](https://arxiv.org/abs/2508.03682)

#هوش_مصنوعی 🤖 #یادگیری_تقویتی 🎯 #مدل_زبان_بزرگ 📚 #پردازش_زبان_طبیعی 🗣 #خودآموزی 🧠
@rss_ai_ir 🚀

مدل GLM-4.5V به‌عنوان رهبر جدید مدل‌های متن‌باز در استدلال بصری معرفی شده و در ۴۱ بنچمارک رتبه اول را دارد.

✨ قابلیت‌ها:

* 🖼 درک و استدلال تصویری — تحلیل و تفسیر چند تصویر، شناسایی اشیا و صحنه‌ها.
* 🎥 درک ویدئو — تحلیل فریم‌به‌فریم و شناسایی رویدادها در ویدئوهای طولانی.
* 💻 کار با رابط‌های گرافیکی — شناسایی آیکون‌ها، دکمه‌ها و تعامل با محیط دسکتاپ.
* 📊 تحلیل نمودار و سند — استخراج و تفسیر داده‌ها از گزارش‌ها و اسناد پیچیده.
* 📍 مکان‌یابی عناصر بصری — تعیین دقیق موقعیت اجزای موجود در تصویر.

⚙️ ویژگی‌های کلیدی:
🟠 مبتنی بر GLM-4.5-Air با بهبودهای برگرفته از GLM-4.1V-Thinking
🟠 معماری MoE با ۱۰۶ میلیارد پارامتر برای مقیاس‌پذیری و کارایی بالا

🔗 لینک‌ها:
[Hugging Face](https://huggingface.co/zai-org/GLM-4.5V) | [GitHub](https://github.com/zai-org/GLM-V) | [مستندات API](https://docs.z.ai/guides/vlm/glm-4.5v) | [نسخه دموی آنلاین](https://chat.z.ai)
@rss_ai_ir 🚀
\#هوش_مصنوعی 🤖 #مدل_متن_باز 🆓 #بینایی_ماشین 👁 #پردازش_تصویر 🖼 #GLM

نمودار رشد ماه‌به‌ماه بازدید از وب‌سایت‌های برتر GenAI نشان می‌دهد که Grok با رشد چشمگیر ۲۷.۲۷٪ در صدر قرار دارد و به‌وضوح Grok 4 تأثیر بزرگی بر افزایش استفاده کاربران گذاشته است.

📊 آمار تغییرات (جولای ۲۰۲۵ نسبت به ژوئن ۲۰۲۵):

* ChatGPT.com ➕ ۶.۰۳٪
* Gemini.google.com ➕ ۷.۸۸٪
* DeepSeek.com ➖ ۹.۱۷٪
* Grok.com ➕ ۲۷.۲۷٪
* Perplexity.ai ➕ ۸.۶۰٪
* Claude.ai ➕ ۱۰.۴۷٪

به نظر می‌رسد رقابت بین پلتفرم‌های هوش مصنوعی مولد روزبه‌روز شدیدتر می‌شود و Grok با آپدیت جدید خود جهش قابل توجهی داشته است.

#هوش_مصنوعی 🤖 #GenAI 📈 #Grok 🚀 #ChatGPT 💬 #Claude 🧠 #Gemini 🌐

@rss_ai_ir 🚀

انویدیا در کنفرانس SIGGRAPH 2025 از مفهوم محوری خود با عنوان «هوش مصنوعی فیزیکی» 🧠 رونمایی کرد — ترکیبی از هوش مصنوعی و گرافیک کامپیوتری برای ساخت سیستم‌هایی که می‌توانند در دنیای واقعی عمل کنند؛ از ربات‌ها 🤖 و خودروهای خودران 🚗 تا زیرساخت‌های هوشمند 🏙.

---

🟡 سخت‌افزار جدید با معماری Blackwell

✅ کارت گرافیک دیتاسنتری RTX PRO 6000 Blackwell Server Edition برای سرورهای 2U که تا ۴۵ برابر عملکرد بیشتر و ۱۸ برابر بهره‌وری انرژی بهتر نسبت به سیستم‌های CPU‌محور دارد.
✅ هسته‌های تنسوری نسل پنجم با پشتیبانی از FP4، سرعت استنتاج را تا ۶ برابر نسبت به مدل L40S افزایش می‌دهد.
✅ دو کارت گرافیک کامپکت برای ورک‌استیشن‌ها:

✅ همچنین RTX PRO 4000 SFF Edition — ‌۲.۵ برابر سریع‌تر در وظایف AI با همان توان ۷۰ وات ⚡️
✅ همچنین RTX PRO 2000 Blackwell — ‌۱.۴ برابر سریع‌تر در نرم‌افزارهای CAD 📐

---

🟡 هوش مصنوعی فیزیکی در رباتیک

✅ کتابخانه NuRec در Omniverse برای بازسازی محیط واقعی با داده‌های سنسور و تکنیک 3D Gaussian Splatting.
✅نسخه‌های جدید Isaac Sim 5.0 و Isaac Lab 2.2 به‌صورت متن‌باز در GitHub منتشر شده‌اند.
✅نمونه پروژه آمازون: بارگذاری مدل‌های CAD محصولات، تولید ۵۰هزار تصویر مصنوعی، آموزش مدل‌های AI و کنترل بازوهای رباتیک برای بازرسی کیفیت — بدون تغییر فیزیکی تجهیزات 🏭.

---

🟡 خانواده جدید مدل‌های هوش مصنوعی

✅توسعه سری Nemotron با مدل‌های Nemotron Nano 2 و Llama Nemotron Super 1.5 برای وظایف پیچیده در امنیت سایبری 🔐 و خدمات مشتری 💬.
✅ معرفی مدل چندوجهی ۷B Cosmos Reason برای درک دنیای فیزیکی با دانش پیشینی، قوانین فیزیک و منطق.
✅ استفاده Uber از Cosmos Reason برای تحلیل رفتار خودروهای خودران.

---

🟡 پلتفرم هوشمندسازی شهر و صنعت — Metropolis

✅ادغام با Cosmos Reason*، افزودن مدل‌های بینایی جدید به TAO Toolkit و امکانات تازه در Isaac Sim برای شبیه‌سازی سناریوهای نادر آموزشی.

---
@rss_ai_ir 🚀
#هوش_مصنوعی 🤖 #Nvidia 💻 #رباتیک 🦾 #گرافیک_کامپیوتری 🖥 #Blackwell 🚀 #SIGGRAPH2025

پژوهش جدید با عنوان ASAP روشی دو‌مرحله‌ای برای فشرده‌سازی زنجیره‌استدلال‌ها (CoT) در مدل‌های استدلال کدنویسی معرفی کرده است 🧠💻.

هدف این روش، حذف مراحل غیرضروری از CoT‌های طولانی و حفظ انسجام منطقی آن‌هاست تا هزینه محاسباتی و زمان استنتاج مدل‌های استدلال بزرگ (LRM) کاهش یابد.

---

✨ روش کار

1️⃣ مرحله هرس‌کردن اولیه — حذف شاخه‌های بی‌ربط با استفاده از یک مکانیسم راهنمای لنگر (Anchor-Guided Pruning).
2️⃣ مرحله پالایش دقیق — بهره‌گیری از شاخص نوآورانه "شگفتی اولین توکن" (*First-Token Surprisal*) برای شناسایی و حذف گام‌هایی با اهمیت منطقی پایین به‌صورت تکراری.

---

📊 نتایج

❇️ دقت Pass\@1: ‌۳۶.۱۹٪ روی بنچمارک LiveCodeBench v4\_v5
❇️کاهش طول تولید توکن‌ها: ‌۲۳.۵٪
❇️ کاهش زمان استنتاج: ‌۴۳.۵٪ نسبت به بهترین خط‌پایه موجود

---

🎯 مزایا برای توسعه‌دهندگان

❇️ آموزش مدل‌ها روی CoT‌های کوتاه‌تر و غنی‌تر از نظر منطقی
❇️کاهش هزینه و زمان اجرای مدل
❇️ افزایش دقت در تولید کد با الگوگیری از الگوهای استدلال مؤثر

@rss_ai_ir 🚀
📎 مطالعه بیشتر: [arXiv](https://arxiv.org/abs/2508.05988) | [HuggingFace](https://huggingface.co/papers/2508.05988)

\#هوش_مصنوعی 🤖 #یادگیری_ماشین 📚 #تولید_کد 💻 #مدل_زبان_بزرگ 🧠 #بهینه‌سازی ⚡️ #ChainOfThought

در شبکه‌های عصبی کانولوشنی (CNN) چند نوع متداول کانولوشن وجود دارد که هر کدام کاربرد و مزیت خاص خود را دارند 🧠🧩.

---

1️⃣ کانولوشن استاندارد (Standard Convolution)

❇️همان چیزی که معمولاً با فیلترهای ۳×۳ یا ۵×۵ می‌شناسیم.
❇️ فیلتر بر روی ورودی حرکت کرده و حاصل ضرب نقطه‌ای را محاسبه می‌کند.
❇️برای تصاویر RGB، فیلترها به اندازه‌ی عمق تصویر (۳ کانال) هستند.
📌 کاربرد: استخراج ویژگی‌های اولیه و پیچیده از تصویر.

---

2️⃣ کانولوشن با گام (Strided Convolution)

❇️در این روش Stride > 1 انتخاب می‌شود، یعنی فیلتر به جای حرکت پیکسل‌به‌پیکسل، چند پیکسل یک‌بار جابه‌جا می‌شود.
❇️ باعث کاهش ابعاد Feature Map می‌شود.
📌 کاربرد: جایگزین Pooling برای کاهش ابعاد.

---

3️⃣ کانولوشن با Padding

❇️ اضافه کردن حاشیه (معمولاً صفر) به اطراف ورودی برای حفظ ابعاد خروجی.
❇️ دو حالت رایج:

❎ حالت Valid Padding: بدون اضافه کردن حاشیه (ابعاد خروجی کوچک‌تر می‌شود).
❎ حالت**Same Padding**: اضافه کردن حاشیه به‌طوری که ابعاد خروجی همان ورودی باقی بماند.
📌 کاربرد: جلوگیری از کاهش شدید ابعاد در لایه‌های عمیق.

---

4️⃣ کانولوشن جداشدنی عمقی (Depthwise Separable Convolution)

❇️ در دو مرحله انجام می‌شود:

1. مرحله**Depthwise**: اعمال فیلتر جداگانه روی هر کانال ورودی.
2. مرحله Pointwise (۱×۱): ترکیب خروجی‌ها برای ایجاد ویژگی‌های جدید.
❎ پارامترها و محاسبات بسیار کمتر از کانولوشن استاندارد.
📌 کاربرد: شبکه‌های سبک مثل MobileNet.

---
5️⃣ کانولوشن ۱×۱ (Pointwise Convolution)

❎ فیلتر یک پیکسل را پوشش می‌دهد ولی تمام کانال‌ها را پردازش می‌کند.
❎ برای تغییر تعداد کانال‌ها یا ترکیب ویژگی‌ها استفاده می‌شود.
📌 کاربرد: کاهش یا افزایش عمق شبکه، ایجاد ترکیب ویژگی.

---

6️⃣ کانولوشن متخلخل یا دیلاته (Dilated Convolution / Atrous)

❇️ بین عناصر فیلتر فاصله (Dilation) ایجاد می‌شود تا میدان دید (Receptive Field) بزرگ‌تر شود بدون افزایش تعداد پارامتر.
📌 کاربرد: تشخیص الگوهای بزرگ بدون کاهش وضوح مکانی، به‌ویژه در Segmentation.

---

7️⃣ کانولوشن ترانهاده (Transposed Convolution / Deconvolution)

❇️برعکس کانولوشن استاندارد عمل می‌کند و ابعاد را بزرگ‌تر می‌کند.
📌 کاربرد: بازسازی تصویر یا بخش UpSampling در شبکه‌های مثل U-Net و GAN.
#هوش_مصنوعی 🤖 #یادگیری_عمیق 🧠 #شبکه_عصبی 🕸 #CNN 📷 #پردازش_تصویر 🖼 #کانولوشن 🧩 #یادگیری_ماشین 📚 #بینایی_ماشین 👁

@rss_ai_ir 🚀

مدل Claude اکنون قابلیت حافظه دائمی پیدا کرده است 🧠📌 — درست مثل ChatGPT، می‌تواند تمام گفتگوهای گذشته را به خاطر بسپارد.

🔹 کاربر می‌تواند به‌صورت دستی به یک موضوع قبلی اشاره کند یا مدل خودش آن را پیدا کرده و استفاده کند.
🔹 این ویژگی باعث می‌شود مکالمه‌ها پیوسته‌تر باشند و نیاز به تکرار اطلاعات کاهش یابد.

به‌نظر می‌رسد این قابلیت مدت‌ها بود که انتظارش می‌رفت و حالا تجربه کار با Claude را یک گام به تعامل طبیعی‌تر نزدیک‌تر می‌کند.

#هوش_مصنوعی 🤖 #Claude 🗣 #مدل_زبان_بزرگ 📚 #حافظه_دائمی 🧠 #چت_بات 💬
@rss_ai_ir 🚀