🎯 مدل جدید TrackVLA++ برای ردیابی بصری (Visual Tracking)

مدل TrackVLA++ نسل جدیدی از مدل‌های Vision-Language-Action است که با ترکیب استدلال فضایی (Spatial Reasoning) و حافظه شناسایی هدف (Target Identification Memory)، عملکردی در سطح SOTA را در سناریوهای ردیابی طولانی‌مدت و محیط‌های شلوغ ارائه می‌دهد. 💙

🚀 ویژگی‌های کلیدی:
🔹 قابلیت تحلیل دقیق فضا و موقعیت اشیاء در ویدیوهای پیچیده
🔹 حفظ حافظه هدف حتی در حضور ازدحام و جابجایی اجسام
🔹 مناسب برای ربات‌ها، سیستم‌های نظارت تصویری و کاربردهای واقعیت افزوده

📚 منابع:
📄 مقاله: arxiv.org/pdf/2510.07134
🌐 پروژه:
pku-epic.github.io/TrackVLA-plus-plus-Web/
📦 ریپوی کد: به‌زودی منتشر می‌شود

@rss_ai_ir
#هوش_مصنوعی #بینایی_ماشین #ردیابی_بصری #TrackVLA #AI #ComputerVision #DeepLearning

📊 طبق یک پست در ردیت، فهرستی از ۳۰ مشتری بزرگ OpenAI لو رفته که مجموعاً بیش از ۱ تریلیون توکن مصرف کرده‌اند 😳

یکی از کامنت‌های زیر پست نوشته بود:

> «الان بیشتر اقتصاد ما شده شرکت‌هایی که از شرکت‌های دیگر خدمات هوش مصنوعی می‌خرند تا برای شرکت‌های دیگر خدمات هوش مصنوعی بسازند!» 😅



دنیای امروز یعنی: هوش مصنوعی، برای هوش مصنوعی، به‌وسیله‌ی هوش مصنوعی 💸

@rss_ai_ir
#هوش_مصنوعی #OpenAI #GPT5 #اقتصاد_دیجیتال #AI

💰 هزینه‌های سرسام‌آور OpenAI در سال ۲۰۲۴ برای قدرت پردازشی (GPU Power)

طبق گزارش جدید Epoch.AI و داده‌های رسانه‌هایی چون The Information، تخمین زده می‌شود که OpenAI در سال ۲۰۲۴ حدود ۷ میلیارد دلار تنها برای توان محاسباتی خرج کرده است 😳

📊 جزئیات تخمینی هزینه‌ها:
🔹 ۲ میلیارد دلار — برای اجرای مدل‌ها در ChatGPT و API (یعنی هزینهٔ مستقیم سرویس‌دهی به کاربران).
🔹 ۴.۵ میلیارد دلار — صرف آزمایش‌ها و توسعهٔ مدل‌های جدید، از جمله پروژه‌های تحقیقاتی بزرگ.
🔹 ۴۰۰ میلیون دلار — هزینهٔ آموزش مدل GPT-4.5 (Orion)، که قرار بود همان GPT-5 باشد؛ آموزش آن بین ۹۰ تا ۱۶۵ روز طول کشید، با استفاده از ۴۰ تا ۱۰۰ هزار GPU.
  📈 بازهٔ اطمینان ۹۰٪ برای هزینهٔ آموزش: بین ۱۷۰ تا ۸۹۰ میلیون دلار.
🔹 ۸۰ میلیون دلار — برای مدل‌های سبک‌تر مانند GPT-4o / o1 / Mini و به‌روزرسانی نسخه‌های چت.

📉 پیش‌بینی برای ۲۰۲۵:
دسته‌ی آبی نمودار (توان موردنیاز برای inference) به‌طور چشمگیری افزایش می‌یابد، چون کاربران ChatGPT بیشتر شده‌اند و مدل‌های «تفکری» (Thinking Models) توکن‌های بیشتری تولید می‌کنند.

به بیان ساده‌تر، آیندهٔ هوش مصنوعی نه فقط در داده‌ها یا مدل‌ها، بلکه در وات و دلار رقم می‌خورد ⚡💵

@rss_ai_ir
#هوش_مصنوعی #OpenAI #GPU #AICompute #ChatGPT #Orion #GPT5 #AIeconomy

🧱 KIRI Engine نسخهٔ جدید
3DGS to Mesh 2.0 را منتشر کرد
— تبدیل هر شیء به مدل سه‌بعدی تنها با دوربین گوشی! 📱✨

شرکت KIRI Engine با معرفی مدل هوش مصنوعی 3DGS to Mesh 2.0 دنیای فتوگرام‌متری را متحول کرده است. این فناوری می‌تواند هر شیء واقعی را تنها با چند عکس به مدل سه‌بعدی دقیق و قابل ویرایش تبدیل کند.

🚀 ویژگی‌های کلیدی:
🔹 تولید مدل‌های سه‌بعدی با نورپردازی و بافت واقع‌گرایانه مستقیماً از دوربین موبایل
🔹 ترکیب روش 3D Gaussian Splatting (3DGS) با بازسازی بهینهٔ مش برای سطوح صاف‌تر و طبیعی‌تر
🔹 قابلیت خروجی‌گیری و ویرایش در نرم‌افزارهای سه‌بعدی معروف — مناسب برای طراحان بازی، هنرمندان و مهندسان محصول
🔹 کاملاً رایگان برای کاربران Android و iOS

این یعنی: ساخت مدل سه‌بعدی حرفه‌ای حالا به‌سادگی گرفتن یک عکس است! 📸

@rss_ai_ir
#هوش_مصنوعی #3DModeling #KIRI #3DGS #AI #Photogrammetry #GameDev #Design

🧠 LIMIT —
پژوهشی از Google DeepMind دربارهٔ مرزهای بازیابی اطلاعات با بردارهای تع嶼ه‌ای (Embeddings)

⛔️محققان DeepMind با معرفی مجموعه‌داده‌ی LIMIT نشان داده‌اند که حتی پیشرفته‌ترین مدل‌های embedding نیز در بازیابی برخی اسناد شکست می‌خورند. این پروژه به بررسی محدودیت‌های ذاتی روش‌های مبتنی بر یک بردار منفرد برای نمایش معنا می‌پردازد.

🚀 نکات کلیدی:

✳️مجموعه‌داده‌ای برای ارزیابی عملکرد مدل‌های embedding

✳️شامل ۵۰٬۰۰۰ سند و ۱٬۰۰۰ پرس‌وجو واقعی

✳️افشاگر محدودیت‌های نظری در بازیابی مبتنی بر شباهت برداری

✳️همراه با کد کامل برای تولید داده‌ها و انجام آزمایش‌ها


📌 سورس‌کد و داده‌ها در گیت‌هاب:
github.com/google-deepmind/limit

@rss_ai_ir
#هوش_مصنوعی #DeepMind #Embedding #Limit #AIResearch #InformationRetrieval

🛠️ AI SDK Devtools —
ابزار قدرتمند برای دیباگ و مانیتورینگ برنامه‌های هوش مصنوعی 🤖

⛔️این ابزار به توسعه‌دهندگان اجازه می‌دهد تا در زمان واقعی (Real-time)، رخدادها، عملکرد مدل و فراخوانی ابزارها را بررسی و تحلیل کنند.

🚀 ویژگی‌های کلیدی:

♻️مانیتورینگ رویدادهای هوش مصنوعی در لحظه

♻️دیباگ دقیق فراخوانی ابزارها همراه با ورودی و خروجی

♻️پایش عملکرد و سرعت پردازش جریان‌ها

♻️فیلترکردن رویدادها بر اساس نوع یا نام ابزار

♻️نمایش گرافیکی میزان مصرف توکن‌ها و حافظهٔ زمینه (Context)


📦 مناسب برای: توسعه‌دهندگان TypeScript و Node.js که با SDKهای هوش مصنوعی کار می‌کنند و نیاز به دید عمیق نسبت به رفتار مدل‌ها دارند.

📌 سورس‌کد در گیت‌هاب:
github.com/midday-ai/ai-sdk-devtools

@rss_ai_ir
#هوش_مصنوعی #AI #Devtools #TypeScript #SDK #Debugging

✅🧠 ۸ پرامپت کاربردی برای یادگیری سریع‌تر و هوشمندانه‌تر با ChatGPT ⚡📚

۱️⃣ برنامه‌ریزی شخصی یادگیری
💬 پرامپت: «یک برنامه‌ی ۴ هفته‌ای برای یادگیری [موضوع] طراحی کن که شامل وظایف روزانه باشد.»

۲️⃣ یادگیری تصویری
💬 پرامپت: «میتونی مفهوم [موضوع] رو به‌صورت نمودار یا تصویر ساده توضیح بدی؟»

۳️⃣ نمونه‌های واقعی از کاربردها
💬 پرامپت: «چند مثال واقعی از کاربرد [موضوع] در صنعت یا زندگی روزمره بده.»

۴️⃣ آزمون کوتاه برای خودارزیابی
💬 پرامپت: «۵ سؤال سطح مقدماتی درباره‌ی [موضوع] ازم بپرس تا میزان درکم رو بسنجی.»

۵️⃣ توضیح با قیاس یا داستان
💬 پرامپت: «[موضوع] رو با استفاده از یک مثال ساده یا داستان توضیح بده.»

۶️⃣ مقایسه‌ی مفاهیم مشابه
💬 پرامپت: «تفاوت بین [مفهوم A] و [مفهوم B] چیه؟ ساده برام توضیح بده.»

۷️⃣ راهنمای گام‌به‌گام
💬 پرامپت: «یک راهنمای مرحله‌به‌مرحله برای انجام [کار یا پروژه] بنویس.»

۸️⃣ چک‌لیست مرور پیش از آزمون
💬 پرامپت: «یک فهرست از نکات کلیدی برای مرور قبل از مصاحبه یا آزمون [موضوع] بنویس.»


❤️ برای پست‌های آموزشی بیشتر لایک کنید!
@rss_ai_ir
#یادگیری #ChatGPT #پرامپت #هوش_مصنوعی #آموزش #مطالعه

🛠️📊 ابزار Dev3000 برای لاگ‌گیری توسعه با پشتیبانی هوش مصنوعی

✅ابزار Dev3000 یک ابزار نوآورانه است که کل تاریخچه‌ی توسعه‌ی وب‌اپ شما را ثبت می‌کند — از لاگ‌های سرور و رویدادهای مرورگر گرفته تا اسکرین‌شات‌های خودکار.
این ابزار فرآیند دیباگ (رفع خطا) را به‌شدت ساده می‌کند، چون به دستیارهای هوش مصنوعی مانند Claude اجازه می‌دهد همه داده‌ها را در یک محیط واحد تحلیل کنند 🤖

🚀 ویژگی‌های کلیدی:

♻️ثبت کامل لاگ‌ها با مهر زمانی (Timestamp) برای دسترسی سریع‌تر.

♻️ایجاد اسکرین‌شات خودکار هنگام پیمایش یا بروز خطا.

♻️ادغام مستقیم با AI برای تحلیل و رفع خطا در لحظه.

♻️امکان فیلتر و جستجو در میان لاگ‌ها.

♻️رابط کاربری بصری و تمیز برای مشاهده و مرور لاگ‌ها.


📌 سورس‌کد در گیت‌هاب:
https://github.com/vercel-labs/dev3000

@rss_ai_ir
#هوش_مصنوعی #AItools #برنامه_نویسی #DevOps #Claude #دیباگ #توسعه_وب #Vercel

⚙️ اپلیکیشن‌های Booking.com، Spotify و Figma به ChatGPT اضافه شدند! 🎯

🔹 حالا این اپ‌ها به‌صورت ادغام بومی (Native Integration) در چت کار می‌کنند — بدون نیاز به نصب یا تغییر حالت.

🔹همچنین OpenAI همچنین از SDK جدید برای توسعه‌ی اپ‌های چت‌محور رونمایی کرده است تا برنامه‌نویس‌ها بتوانند اپ‌های اختصاصی خود را بسازند.

🔹 در واقع، این نسخه جدیدی از سیستم «پلاگین‌ها» است — اما پایدارتر و عمیق‌تر یکپارچه شده با محیط ChatGPT.

🔹 هنوز امکان درآمدزایی مستقیم فعال نشده، اما سم آلتمن وعده داده که «راه‌های مختلفی برای کسب درآمد» در آینده ارائه خواهد شد.

🔹 هنوز مشخص نیست برندها می‌توانند برای نمایش بهتر یا اولویت بالاتر در نتایج چت، هزینه پرداخت کنند یا خیر.

به‌عبارتی ساده، OpenAI دوباره دارد رویای پلاگین‌ها را زنده می‌کند — این بار با امید به اینکه اپلیکیشن‌های درون ChatGPT موفق‌تر از نسل قبلی پلاگین‌ها عمل کنند 💬


@rss_ai_ir
#ChatGPT #OpenAI #AIapps #Spotify #Figma #Booking #هوش_مصنوعی #پلاگین #SDK

این پرامپت یکی از حرفه‌ای‌ترین نمونه‌های پرامپت‌نویسی برای Sora یا هر مدل ویدیو‌ژنراتور فوتورئالیستیک است 🎬


🎥 پرامپت برای تولید ویدیوی واقعی (Photoreal Live-Action)

🎬 نوع شات:
یک برداشت (single take)، بدون هیچ برش یا تغییر زاویه (NO CUTS).
سرعت: 24 فریم در ثانیه با motion blur طبیعی (شاتر 180 درجه).
دوربین روی گیمبال به‌صورت dolly به عقب حرکت می‌کند با لرزش بسیار جزئی (کمتر از ۱٫۵٪).

📷 قاب‌بندی:
مدیوم شات (از سینه به بالا)، شخصیت در مرکز قاب و اندازه‌اش در کل ویدیو ثابت می‌ماند.

🎞️ لنز و فوکوس:
لنز کروی (spherical) معادل 28–35mm
عمق میدان کم (DOF کم) — چشم‌ها شارپ، پس‌زمینه مات با بوکه طبیعی و وینیت ملایم.

💡 نورپردازی و رنگ:
نور طبیعی روز با نوری نرم از بالای برگ‌ها.
رنگ پوست گرم و طبیعی، grain سینمایی ملایم، بدون افکت کارتونی یا خطوط طراحی.


---

🌳 مفهوم (Concept):
مردی از در خانه تا سطل زباله راه می‌رود.
در طول یک برداشت، پس‌زمینه در حالی‌که او حرکت می‌کند تغییر می‌کند — فصل‌ها، آب‌وهوا و تزئینات خانه‌ها عوض می‌شوند، طوری که انگار یک سال در یک ویدیو فشرده شده است، اما حرکت کاملاً واقعی باقی می‌ماند.

👤 ویژگی شخصیت اصلی:
مردی در حدود ۳۰ ساله، موهای نارنجی کوتاه، کک‌ومک، حلقه‌ی کوچک در گوش، زنجیر طلایی، کت جین و تی‌شرت ساده. چهره‌اش باید در کل ویدیو یکسان بماند.

👥 شخصیت‌های فرعی (همسایه‌ها):

زن ورزشکار با موهای تیره و تی‌شرت صورتی، متین و خوش‌برخورد.

مدیر خودخواه با کت ارزان و کارت شناسایی دور گردن.



---

🧩 تغییرات پیوسته (Continuity Rules):

از ثانیه 2.6 تا 4.6 لباس آبی ورزشی Adidas بپوشد، سپس به لباس قبلی برگردد.

در ثانیه ~4.9 تغییر مو: یا رنگ آبی روشن یا تراشیده کامل. بعد مو به‌تدریج رشد کند.

در ثانیه ~7.6 کبودی زیر چشم ظاهر شود و تا 8.6 کاملاً از بین برود.



---

🌦️ تحول پس‌زمینه (Background Evolution):

هر چند فریم یک‌بار پس‌زمینه کمی تغییر کند:
درختان برگ‌دار → بدون برگ، آفتاب → باران → باد → برف سبک، چراغ‌های کریسمس، چترها، آب‌جمع‌شده روی زمین.
اما مسیر و زاویه دوربین ثابت بماند.


---

⏱️ طرح کلی زمان (Timeline):

0.0–2.4s :
معرفی صحنه با نور تابستانی و لرزش برگ‌ها

2.4–4.8s :
لباس آبی ورزشی، تغییر فصول در پس‌زمینه

4.8–7.2s :
تغییر ناگهانی مو، حس صبح بعد از مهمانی

7.2–9.6s :
کبودی چشم و برف/باران، حضور مدیر

9.6–12.0s :
رسیدن به سطل زباله و پرتاب اشتباه زباله (چند سانتی‌متر خطا)، فریز روی چهره‌ی بی‌احساس



---

🎧 صدا (Audio):
موسیقی تنش‌زا بدون ملودی که به‌تدریج اوج می‌گیرد (Rising suspense bed).
صداهای محیطی واقعی مثل باران، باد و قدم‌ها.
در انتها بدون افکت خاص یا موسیقی پایانی (خشک تمام شود).


---

🚫 قوانین سخت (Hard Constraints):
بدون برش، بدون تایم‌لپس، بدون تغییر سرعت یا فریز.
هویت شخصیت‌ها باید ثابت بماند.
هیچ سبک کارتونی، low-poly یا کمیکی مجاز نیست.

🤖 ربات‌های انسان‌نما حالا می‌توانند پشتک بزنند!

بله، درست خواندی — ربات‌های انسان‌نما حالا نه‌تنها راه می‌روند و حرف می‌زنند، بلکه حرکات آکروباتیک مثل وال‌فلیپ (پشتک از دیوار) را هم انجام می‌دهند 😳

این یعنی کنترل تعادل، درک محیط و هماهنگی عضلانی مصنوعی به سطحی رسیده که از نظر فیزیکی با انسان رقابت می‌کند.
حرکت بعدی؟ شاید پارکور یا رقابت‌های المپیکی مخصوص ربات‌ها! 🏃‍♂️🤸‍♀️

@rss_ai_ir
#ربات #هوش_مصنوعی #Humanoid #AIrobots #پارکور #رباتیک #AI #Robotics #FigureAI #BostonDynamics #FutureTech #AIfuture

😄 ظاهراً بایدنس هم تصمیم گرفته وارد رقابت مستقیم با OpenAI و Alibaba بشه!

🧠 DreamOmni2 —
مدل جدید چندوجهی (Multimodal) از ByteDance که هم تولید (Generation) و هم ویرایش (Editing) تصویر رو با دستور متنی انجام می‌ده.

در واقع یه چیزی بین Qwen-Edit و Nanabana با چاشنی شتاب چینی ⚡

📦 امکاناتش:

♻️تولید و ویرایش تصویر با دستور متنی یا تصویری 🎨

♻️پشتیبانی از ویرایش ناحیه‌ای و تنظیمات سبک

♻️عملکرد چشم‌گیر در مقایسه با Banana, Qwen, GPT-Image 1 و OmniGen

♻️کاملاً اوپن‌سورس با کد، مقاله و دموی آماده برای تست


📎 لینک‌ها:

🔹 GitHub:
github.com/dvlab-research/DreamOmni2
🔹 صفحه پروژه و مقایسه تصاویر:
pbihao.github.io/projects/DreamOmni2

به قول نویسنده پست: «برو تستش کن، من تا دوشنبه توی دیتاکسم» 😅

@rss_ai_ir
#هوش_مصنوعی #DreamOmni2 #ByteDance #AIimage #Multimodal #ویرایش_تصویر #تولید_تصویر #GenerativeAI #AItools #Qwen #Nanabana

⚡️ کپی صدای شما فقط در ۱۰ ثانیه! 🎙️

سرویسی جدید معرفی شده که می‌تونه صدای هرکسی رو در کمتر از ۱۰ ثانیه ضبط و شبیه‌سازی کنه 😳
بعد از اون، هر متنی رو با همون صدا و لحن طبیعی شما می‌خونه — مستقیم داخل مرورگر، بدون نیاز به نصب هیچ برنامه‌ای.

🎧 ویژگی‌ها:
• فقط ۱۰ ثانیه ضبط صدا برای کپی کامل 🎤
• پشتیبانی از ده‌ها زبان از جمله فارسی 🇮🇷
• صدای طبیعی، دقیق و بدون تأخیر
• مناسب برای ویدیو، پادکست، و پروژه‌های شخصی

🟢 تستش کنید — واقعاً حیرت‌انگیزه!
https://vocloner.com/

@rss_ai_ir
#هوش_مصنوعی #AIvoice #clone #تولید_صدا #VoiceAI #AItools #گویندگی #سنتز_صدا #TextToSpeech

🧠 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

🤖 ربات پوشیدنی جدید Boston Dynamics با بازوهای ۲۴ درجه آزادی!

این اگزواسکلتون پیشرفته دارای بازوهایی است با ۲۴ درجه آزادی (DoF) که می‌تواند تا ۹۰ کیلوگرم (۲۰۰ پوند) را به‌راحتی بلند کند! 💪

با کمک این بازوهای هوشمند، یک نفر به‌تنهایی می‌تواند کارهایی انجام دهد که قبلاً نیاز به چندین نفر داشت — از جمله حمل موشک‌ها یا تجهیزات سنگین نظامی و صنعتی.

🔩 سیستم حرکتی با دقت بالا و کنترل تطبیقی طراحی شده تا حرکات انسان را به‌صورت طبیعی دنبال کند، بدون ایجاد فشار یا خستگی.

این فناوری می‌تواند انقلابی در حوزه‌های نظامی، امداد و نجات، و حتی صنایع سنگین ایجاد کند — جایی که ترکیب قدرت ربات و دقت انسان حیاتی است. ⚙️

@rss_ai_ir
#BostonDynamics #Exoskeleton #Robotics #AI #هوش_مصنوعی #رباتیک #فناوری #انسان_ربات