This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ گوگل Ironwood؛ قدرتمندترین TPU نسل هفتم
🔥 گوگل با معرفی Ironwood (TPU v7) عملاً سطح جدیدی از توان پردازشی برای مدلهای بزرگ هوش مصنوعی تعریف کرده است.
💪 توان پردازشی:
• ۴٬۶۱۴ FP8 TFLOPS
• ۱۹۲ گیگابایت حافظه HBM3E روی هر چیپ
• پهنای باند حافظه تا ۷٫۳۷ ترابایتبرثانیه
🚀 مقیاسپذیری:
• پادهایی با حداکثر ۹٬۲۱۶ شتابدهنده
• مجموع توان: ۴۲٫۵ اگزافلاپس FP8 برای آموزش و استنتاج
• برای مقایسه: Nvidia GB300 NVL72 فقط حدود ۰٫۳۶ اگزافلاپس
🔗 شبکه و ارتباطات:
• شبکه اختصاصی Inter-Chip Interconnect با سرعت ۹٫۶ ترابیتبرثانیه
• حدود ۱٫۷۷ پتابایت حافظه HBM3E در هر پاد
• باز هم برتری عددی نسبت به سیستمهای رقیب انویدیا
🧠 جمعبندی:
اینکه Ironwood حالا ستون اصلی گوگل برای اجرای LLMهای عظیم و مدلهای چندوجهی است؛ ترکیبی از قدرت، مقیاس و اتصال که رقبا را به چالش جدی میکشد.
@rss_ai_ir
#AI #Google #TPU #Ironwood #LLM #DataCenter #MachineLearning
🔥 گوگل با معرفی Ironwood (TPU v7) عملاً سطح جدیدی از توان پردازشی برای مدلهای بزرگ هوش مصنوعی تعریف کرده است.
💪 توان پردازشی:
• ۴٬۶۱۴ FP8 TFLOPS
• ۱۹۲ گیگابایت حافظه HBM3E روی هر چیپ
• پهنای باند حافظه تا ۷٫۳۷ ترابایتبرثانیه
🚀 مقیاسپذیری:
• پادهایی با حداکثر ۹٬۲۱۶ شتابدهنده
• مجموع توان: ۴۲٫۵ اگزافلاپس FP8 برای آموزش و استنتاج
• برای مقایسه: Nvidia GB300 NVL72 فقط حدود ۰٫۳۶ اگزافلاپس
🔗 شبکه و ارتباطات:
• شبکه اختصاصی Inter-Chip Interconnect با سرعت ۹٫۶ ترابیتبرثانیه
• حدود ۱٫۷۷ پتابایت حافظه HBM3E در هر پاد
• باز هم برتری عددی نسبت به سیستمهای رقیب انویدیا
🧠 جمعبندی:
اینکه Ironwood حالا ستون اصلی گوگل برای اجرای LLMهای عظیم و مدلهای چندوجهی است؛ ترکیبی از قدرت، مقیاس و اتصال که رقبا را به چالش جدی میکشد.
@rss_ai_ir
#AI #Google #TPU #Ironwood #LLM #DataCenter #MachineLearning
👍8🔥7❤6👏5😁5🎉3🥰2🙏1
🚀 مدل Paper2Slides حالا متنباز شد!
حالا میتونی مقالههای علمی و گزارشهای فنی رو فقط با یک کلیک به اسلایدهای حرفهای تبدیل کنی 📊✨
ما همین الان اسلایدهای مربوط به DeepSeek V3.2 رو باهاش ساختیم؛
استایلهای مختلف، طراحی تمیز و خروجی واقعاً قابل ارائه 👌
🔥 اینکه Paper2Slides چه کارهایی میکنه؟
📄 پشتیبانی از فرمتهای مختلف:
PDF، Word، Excel، PowerPoint و بیشتر
🧠 درک محتوا:
ایدههای کلیدی، جدولها، فرمولها، نمودارها و دادهها رو خودش استخراج میکنه
🎨 شخصیسازی کامل:
تمهای آماده + امکان تغییر استایل به سلیقه خودت
⚡ سرعت بالا:
اسلایدهای باکیفیت در چند دقیقه
🔗 گیتهاب:
github.com/HKUDS/Paper2Slides
📢 @rss_ai_ir
#AI #OpenSource #Presentation #Research #MachineLearning #Productivity
حالا میتونی مقالههای علمی و گزارشهای فنی رو فقط با یک کلیک به اسلایدهای حرفهای تبدیل کنی 📊✨
ما همین الان اسلایدهای مربوط به DeepSeek V3.2 رو باهاش ساختیم؛
استایلهای مختلف، طراحی تمیز و خروجی واقعاً قابل ارائه 👌
🔥 اینکه Paper2Slides چه کارهایی میکنه؟
📄 پشتیبانی از فرمتهای مختلف:
PDF، Word، Excel، PowerPoint و بیشتر
🧠 درک محتوا:
ایدههای کلیدی، جدولها، فرمولها، نمودارها و دادهها رو خودش استخراج میکنه
🎨 شخصیسازی کامل:
تمهای آماده + امکان تغییر استایل به سلیقه خودت
⚡ سرعت بالا:
اسلایدهای باکیفیت در چند دقیقه
🔗 گیتهاب:
github.com/HKUDS/Paper2Slides
📢 @rss_ai_ir
#AI #OpenSource #Presentation #Research #MachineLearning #Productivity
🥰20🔥19👍16👏15🎉14❤9😁9
🚀 یک چارچوب بنیادین جدید برای فهم «سازگاری» در عاملهای هوش مصنوعی
📘 پژوهشی ۶۵ صفحهای از دانشگاههای استنفورد، پرینستون، هاروارد، واشنگتن و چند مرکز تراز اول دیگر، برای اولینبار یک طبقهبندی کامل از شیوههای سازگاری در سامانههای Agentic AI ارائه میدهد.
🧠 ایدهی اصلی چیست؟
تقریباً همهی عاملهای پیچیدهی امروزی را میتوان با ۴ نوع پایهای سازگاری توضیح داد:
دو نوع مربوط به خودِ عامل و دو نوع مربوط به ابزارهایی که عامل استفاده میکند.
🤖 عامل هوشمند یعنی چه؟
مدلهایی که میتوانند:
ابزار صدا بزنند 🛠️
حافظه داشته باشند 🧩
وظایف چندمرحلهای انجام دهند 🔁
🔄 سازگاری یعنی چه؟
هر تغییری که عامل یا ابزارها بر اساس بازخورد انجام میدهند؛ از نتیجهی اجرای کد تا ارزیابی انسانی.
🧩 ۴ نوع سازگاری معرفیشده:
A1 — سازگاری عامل از اجرای ابزار
عامل از نتیجهی اجرای ابزارها یاد میگیرد (موفق شد/شکست خورد).
A2 — سازگاری عامل از ارزیابی خروجی
بهبود عامل بر اساس کیفیت خروجیها (فیدبک انسانی یا خودکار).
T1 — سازگاری ابزار مستقل از عامل
ابزارها جداگانه آموزش میبینند، عامل ثابت میماند.
T2 — سازگاری ابزار از سیگنالهای عامل
ابزارها خودشان را با رفتار عامل وفق میدهند.
📊 چرا این کار مهم است؟
برای اولینبار روشهای سازگاری عاملها سیستماتیک شدهاند.
کمک میکند هزینه، انعطافپذیری و مقیاسپذیری را بهتر بسنجیم.
مسیر تکامل معماریهای عاملمحور نسل بعد را روشن میکند.
🔎 جمعبندی:
دو محور کلیدی داریم:
آیا عامل تغییر میکند؟
آیا ابزار تغییر میکند؟
و داده/بازخورد، سوخت هر دو است 🔥
📎 لینک مقاله:
https://github.com/pat-jj/Awesome-Adaptation-of-Agentic-AI/blob/main/paper.pdf
#AI #AgenticAI #Research #MachineLearning #LLM #Adaptation
@rss_ai_ir
📘 پژوهشی ۶۵ صفحهای از دانشگاههای استنفورد، پرینستون، هاروارد، واشنگتن و چند مرکز تراز اول دیگر، برای اولینبار یک طبقهبندی کامل از شیوههای سازگاری در سامانههای Agentic AI ارائه میدهد.
🧠 ایدهی اصلی چیست؟
تقریباً همهی عاملهای پیچیدهی امروزی را میتوان با ۴ نوع پایهای سازگاری توضیح داد:
دو نوع مربوط به خودِ عامل و دو نوع مربوط به ابزارهایی که عامل استفاده میکند.
🤖 عامل هوشمند یعنی چه؟
مدلهایی که میتوانند:
ابزار صدا بزنند 🛠️
حافظه داشته باشند 🧩
وظایف چندمرحلهای انجام دهند 🔁
🔄 سازگاری یعنی چه؟
هر تغییری که عامل یا ابزارها بر اساس بازخورد انجام میدهند؛ از نتیجهی اجرای کد تا ارزیابی انسانی.
🧩 ۴ نوع سازگاری معرفیشده:
A1 — سازگاری عامل از اجرای ابزار
عامل از نتیجهی اجرای ابزارها یاد میگیرد (موفق شد/شکست خورد).
A2 — سازگاری عامل از ارزیابی خروجی
بهبود عامل بر اساس کیفیت خروجیها (فیدبک انسانی یا خودکار).
T1 — سازگاری ابزار مستقل از عامل
ابزارها جداگانه آموزش میبینند، عامل ثابت میماند.
T2 — سازگاری ابزار از سیگنالهای عامل
ابزارها خودشان را با رفتار عامل وفق میدهند.
📊 چرا این کار مهم است؟
برای اولینبار روشهای سازگاری عاملها سیستماتیک شدهاند.
کمک میکند هزینه، انعطافپذیری و مقیاسپذیری را بهتر بسنجیم.
مسیر تکامل معماریهای عاملمحور نسل بعد را روشن میکند.
🔎 جمعبندی:
دو محور کلیدی داریم:
آیا عامل تغییر میکند؟
آیا ابزار تغییر میکند؟
و داده/بازخورد، سوخت هر دو است 🔥
📎 لینک مقاله:
https://github.com/pat-jj/Awesome-Adaptation-of-Agentic-AI/blob/main/paper.pdf
#AI #AgenticAI #Research #MachineLearning #LLM #Adaptation
@rss_ai_ir
❤31🔥30😁29🎉25🥰21👍20👏19
This media is not supported in your browser
VIEW IN TELEGRAM
✨چارچوب H2R-Grounder: تبدیل ویدئوی تعامل انسان به ویدئوی ربات با درک فیزیکی 🤖🎥
📌 یک چارچوب جدید ویدئو به ویدئو معرفی شده که میتواند ویدئوهای تعامل انسان–شیء را بدون نیاز به دادههای جفتشده، به ویدئوهای واقعگرایانه از دستکاری رباتها تبدیل کند.
🧠 ایدهی اصلی چیست؟
این روش با استفاده از مدلهای مولد و آموزش unpaired، رفتار انسان را به شکلی فیزیکیمحور به رفتار ربات ترجمه میکند؛ یعنی رباتها میتوانند از ویدئوهای انسانی یاد بگیرند، بدون اینکه دادهی دقیق انسان–ربات در اختیار باشد.
🚀 چرا مهم است؟
• کاهش شدید هزینه جمعآوری داده برای آموزش رباتها
• یادگیری مهارتهای دستکاری از ویدئوهای معمولی انسان
• یک گام جدی به سمت آموزش مقیاسپذیر رباتها با دادههای دنیای واقعی
📄 لینکها:
🔹 arXiv: https://arxiv.org/abs/2512.09406
🔹 PDF: https://arxiv.org/pdf/2512.09406
🔹 Project Page: https://showlab.github.io/H2R-Grounder/
🔹 GitHub: https://github.com/showlab/H2R-Grounder
@rss_ai_ir
#AI 🤖 #Robotics 🦾 #MachineLearning 🧠 #ComputerVision 👁️ #Research 📚
📌 یک چارچوب جدید ویدئو به ویدئو معرفی شده که میتواند ویدئوهای تعامل انسان–شیء را بدون نیاز به دادههای جفتشده، به ویدئوهای واقعگرایانه از دستکاری رباتها تبدیل کند.
🧠 ایدهی اصلی چیست؟
این روش با استفاده از مدلهای مولد و آموزش unpaired، رفتار انسان را به شکلی فیزیکیمحور به رفتار ربات ترجمه میکند؛ یعنی رباتها میتوانند از ویدئوهای انسانی یاد بگیرند، بدون اینکه دادهی دقیق انسان–ربات در اختیار باشد.
🚀 چرا مهم است؟
• کاهش شدید هزینه جمعآوری داده برای آموزش رباتها
• یادگیری مهارتهای دستکاری از ویدئوهای معمولی انسان
• یک گام جدی به سمت آموزش مقیاسپذیر رباتها با دادههای دنیای واقعی
📄 لینکها:
🔹 arXiv: https://arxiv.org/abs/2512.09406
🔹 PDF: https://arxiv.org/pdf/2512.09406
🔹 Project Page: https://showlab.github.io/H2R-Grounder/
🔹 GitHub: https://github.com/showlab/H2R-Grounder
@rss_ai_ir
#AI 🤖 #Robotics 🦾 #MachineLearning 🧠 #ComputerVision 👁️ #Research 📚
❤6🎉6👍4🥰4👏4😁4🔥2
⭐️مجموعه Nous Research کد منبع Nomos 1 را بهصورت متنباز منتشر کرد
با وجود اندازه نسبتاً کوچک ۳۰ میلیارد پارامتر، این مدل موفق شد امتیاز 87 از 120 را در آزمون Putnam کسب کند؛ یکی از معتبرترین و سختترین مسابقات ریاضی جهان.
🔹 چنین امتیازی معادل رتبه دوم در میان ۳۹۸۸ شرکتکننده در Putnam 2024 است.
🔹 مدل Nomos 1 هشت حل کاملاً بینقص ارائه داده است.
🔹 برای مقایسه، Qwen3-30B در همان شرایط تنها 24 از 120 امتیاز گرفت؛ موضوعی که نشان میدهد برتری Nomos بیشتر به کیفیت داده و فرایند آموزش برمیگردد، نه شرایط آزمون.
📌 نکته مهم:
ارزیابی پاسخها بهصورت کور (Blind Review) انجام شده و توسط یک شرکتکننده واقعی Putnam از میان ۲۰۰ نفر برتر صورت گرفته که پاسخهای ناشناس را بررسی کرده است.
⏱ شرایط زمانی نیز کاملاً واقعی بوده:
— برای هر بخش، ۳ ساعت زمان دقیقاً مشابه شرکتکنندگان انسانی.
🧠 ساختار استدلال Nomos:
ابتدا چند «worker» مسائل سختتر را حل میکنند و خودشان راهحلها را ارزیابی میکنند
سپس در مرحله نهایی، سیستم پاسخها را تجمیع کرده و بهترین نتیجه را انتخاب میکند
🔗 لینکها:
▪ HuggingFace: https://huggingface.co/NousResearch/nomos-1
▪ GitHub: https://github.com/NousResearch/nomos
@rss_ai_ir
#AI #LLM #MachineLearning #Math #OpenSource
با وجود اندازه نسبتاً کوچک ۳۰ میلیارد پارامتر، این مدل موفق شد امتیاز 87 از 120 را در آزمون Putnam کسب کند؛ یکی از معتبرترین و سختترین مسابقات ریاضی جهان.
🔹 چنین امتیازی معادل رتبه دوم در میان ۳۹۸۸ شرکتکننده در Putnam 2024 است.
🔹 مدل Nomos 1 هشت حل کاملاً بینقص ارائه داده است.
🔹 برای مقایسه، Qwen3-30B در همان شرایط تنها 24 از 120 امتیاز گرفت؛ موضوعی که نشان میدهد برتری Nomos بیشتر به کیفیت داده و فرایند آموزش برمیگردد، نه شرایط آزمون.
📌 نکته مهم:
ارزیابی پاسخها بهصورت کور (Blind Review) انجام شده و توسط یک شرکتکننده واقعی Putnam از میان ۲۰۰ نفر برتر صورت گرفته که پاسخهای ناشناس را بررسی کرده است.
⏱ شرایط زمانی نیز کاملاً واقعی بوده:
— برای هر بخش، ۳ ساعت زمان دقیقاً مشابه شرکتکنندگان انسانی.
🧠 ساختار استدلال Nomos:
ابتدا چند «worker» مسائل سختتر را حل میکنند و خودشان راهحلها را ارزیابی میکنند
سپس در مرحله نهایی، سیستم پاسخها را تجمیع کرده و بهترین نتیجه را انتخاب میکند
🔗 لینکها:
▪ HuggingFace: https://huggingface.co/NousResearch/nomos-1
▪ GitHub: https://github.com/NousResearch/nomos
@rss_ai_ir
#AI #LLM #MachineLearning #Math #OpenSource
👏14🥰10😁9👍7🎉7❤5🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
📊 الگوریتم K-means؛ یکی از پایهایترین روشهای خوشهبندی در علم داده و یادگیری ماشین
الگوریتم K-means با تکرار چند مرحله ساده، دادهها را به خوشههایی معنادار تقسیم میکند. قلب این الگوریتم «همگرایی» است؛ جایی که مراکز خوشهها و تخصیص نقاط بهتدریج پایدار میشوند. 🔁
✅ چرا K-means محبوب است؟
🚀 همگرایی سریع روی اغلب دیتاستها
🧩 ساختار ساده و قابلتفسیر برای کشف گروهها
📈 مقیاسپذیری بالا برای دادههای بزرگ
❌ محدودیتها:
🎯 وابستگی شدید به مقداردهی اولیه مراکز
📐 حساسیت به مقیاس ویژگیها
⚠️ امکان ایجاد خوشههای خالی یا ناپایدار
🛠️ برای رسیدن به همگرایی پایدار:
از k-means++ برای انتخاب هوشمند مراکز اولیه استفاده کنید
نرمالسازی ویژگیها را فراموش نکنید
آستانه همگرایی و تعداد تکرارها را منطقی تنظیم کنید
🔍 در فرآیند همگرایی، ابتدا هر نقطه به نزدیکترین مرکز تخصیص داده میشود، سپس مرکز هر خوشه بهعنوان میانگین نقاط آن بهروزرسانی میگردد. این چرخه تا زمانی ادامه پیدا میکند که مراکز تغییر محسوسی نداشته باشند.
📌 یادگیری درست K-means یعنی خوشهبندی قابل اعتماد و قابل تحلیل.
👉 @rss_ai_ir
#علم_داده #یادگیری_ماشین #KMeans #خوشه_بندی #DataScience #MachineLearning
الگوریتم K-means با تکرار چند مرحله ساده، دادهها را به خوشههایی معنادار تقسیم میکند. قلب این الگوریتم «همگرایی» است؛ جایی که مراکز خوشهها و تخصیص نقاط بهتدریج پایدار میشوند. 🔁
✅ چرا K-means محبوب است؟
🚀 همگرایی سریع روی اغلب دیتاستها
🧩 ساختار ساده و قابلتفسیر برای کشف گروهها
📈 مقیاسپذیری بالا برای دادههای بزرگ
❌ محدودیتها:
🎯 وابستگی شدید به مقداردهی اولیه مراکز
📐 حساسیت به مقیاس ویژگیها
⚠️ امکان ایجاد خوشههای خالی یا ناپایدار
🛠️ برای رسیدن به همگرایی پایدار:
از k-means++ برای انتخاب هوشمند مراکز اولیه استفاده کنید
نرمالسازی ویژگیها را فراموش نکنید
آستانه همگرایی و تعداد تکرارها را منطقی تنظیم کنید
🔍 در فرآیند همگرایی، ابتدا هر نقطه به نزدیکترین مرکز تخصیص داده میشود، سپس مرکز هر خوشه بهعنوان میانگین نقاط آن بهروزرسانی میگردد. این چرخه تا زمانی ادامه پیدا میکند که مراکز تغییر محسوسی نداشته باشند.
📌 یادگیری درست K-means یعنی خوشهبندی قابل اعتماد و قابل تحلیل.
👉 @rss_ai_ir
#علم_داده #یادگیری_ماشین #KMeans #خوشه_بندی #DataScience #MachineLearning
👍2
🇨🇳 چین روی تراشههای بومی خود قمار بزرگی میکند
💰 چین در حال بررسی بستهای تا سقف ۷۰ میلیارد دلار مشوقهای جدید برای صنعت نیمهرساناهاست؛ یکی از بزرگترین مداخلات دولتی تاریخ این کشور برای کاهش وابستگی به تراشههای خارجی و تضمین توان بلندمدت در هوش مصنوعی و امنیت ملی.
⚙️ در صورت تصویب، این بسته میتواند همسطح یا حتی بزرگتر از قانون CHIPS آمریکا باشد و تمرکز آن بر تقویت بازیگران داخلی مثل SMIC، هواوی و Moore Threads است.
با اینکه چین هنوز حدود ۶ سال از TSMC در لبه فناوری عقبتر است، اما استراتژیاش روی مقیاس، تابآوری و کنترل زنجیره تأمین متمرکز شده، نه فقط پیشرفتهترین نودها.
🔍 چرا این حرکت مهم است؟
1️⃣ وابستگی چین به فناوری آمریکا کمتر از چیزی است که بسیاری تصور میکردند، بهویژه در نودهای بالغ و تخصصی که برای AI، خودرو و دفاع حیاتیاند.
2️⃣ خطوط تولید داخلی سریعتر از انتظار پیش میروند و بهنظر میرسد تحریمها بهجای توقف، اجرای صنعتی را تسریع کردهاند.
🧠 در نهایت، شاید این تصمیم حتی مهمتر از پیشرفت چین در مدلهای متنباز هوش مصنوعی باشد؛ چون تراشهها سقف توان محاسباتی، استقلال صنعتی و اهرم ژئوپولیتیکی را تعیین میکنند.
@rss_ai_ir
#AI #China #Semiconductors #Chips #Geopolitics #MachineLearning
💰 چین در حال بررسی بستهای تا سقف ۷۰ میلیارد دلار مشوقهای جدید برای صنعت نیمهرساناهاست؛ یکی از بزرگترین مداخلات دولتی تاریخ این کشور برای کاهش وابستگی به تراشههای خارجی و تضمین توان بلندمدت در هوش مصنوعی و امنیت ملی.
⚙️ در صورت تصویب، این بسته میتواند همسطح یا حتی بزرگتر از قانون CHIPS آمریکا باشد و تمرکز آن بر تقویت بازیگران داخلی مثل SMIC، هواوی و Moore Threads است.
با اینکه چین هنوز حدود ۶ سال از TSMC در لبه فناوری عقبتر است، اما استراتژیاش روی مقیاس، تابآوری و کنترل زنجیره تأمین متمرکز شده، نه فقط پیشرفتهترین نودها.
🔍 چرا این حرکت مهم است؟
1️⃣ وابستگی چین به فناوری آمریکا کمتر از چیزی است که بسیاری تصور میکردند، بهویژه در نودهای بالغ و تخصصی که برای AI، خودرو و دفاع حیاتیاند.
2️⃣ خطوط تولید داخلی سریعتر از انتظار پیش میروند و بهنظر میرسد تحریمها بهجای توقف، اجرای صنعتی را تسریع کردهاند.
🧠 در نهایت، شاید این تصمیم حتی مهمتر از پیشرفت چین در مدلهای متنباز هوش مصنوعی باشد؛ چون تراشهها سقف توان محاسباتی، استقلال صنعتی و اهرم ژئوپولیتیکی را تعیین میکنند.
@rss_ai_ir
#AI #China #Semiconductors #Chips #Geopolitics #MachineLearning
✨ پرومپتسازی خودکار برای LLMها، بدون دردسر!
🧠 چارچوب Promptomatix یک سیستم هوشمند برای بهینهسازی خودکار پرومپتهاست که متن عادی را به پرومپتهای باکیفیت و کارآمد تبدیل میکند؛ بدون نیاز به تیون دستی.
🚀 چرا مهم است؟
⚙️ بهبود عملکرد مدلها در وظایف مختلف
✂️ کاهش طول پرومپت و سربار محاسباتی
🤖 حذف آزمونوخطای دستی در Prompt Engineering
📈 افزایش بهرهوری و پایداری نتایج
📅 زمان انتشار: 17 جولای
🔗 لینکها:
arXiv:
https://arxiv.org/abs/2507.14241
PDF:
https://arxiv.org/pdf/2507.14241
GitHub:
https://github.com/SalesforceAIResearch/promptomatix
📣 منبع:
@rss_ai_ir
#هوش_مصنوعی #یادگیری_ماشین #مهندسی_پرومپت #LLM #AI #MachineLearning
🧠 چارچوب Promptomatix یک سیستم هوشمند برای بهینهسازی خودکار پرومپتهاست که متن عادی را به پرومپتهای باکیفیت و کارآمد تبدیل میکند؛ بدون نیاز به تیون دستی.
🚀 چرا مهم است؟
⚙️ بهبود عملکرد مدلها در وظایف مختلف
✂️ کاهش طول پرومپت و سربار محاسباتی
🤖 حذف آزمونوخطای دستی در Prompt Engineering
📈 افزایش بهرهوری و پایداری نتایج
📅 زمان انتشار: 17 جولای
🔗 لینکها:
arXiv:
https://arxiv.org/abs/2507.14241
PDF:
https://arxiv.org/pdf/2507.14241
GitHub:
https://github.com/SalesforceAIResearch/promptomatix
📣 منبع:
@rss_ai_ir
#هوش_مصنوعی #یادگیری_ماشین #مهندسی_پرومپت #LLM #AI #MachineLearning
This media is not supported in your browser
VIEW IN TELEGRAM
📊 کمی دیتاویژوالیزیشن خفن برای تایملاین شما 👀🔥
گروه LMSYS (سازندگان LMArena) یک اینفوگرافیک منتشر کرده که نشان میدهد امتیاز مدلهای غولپیکر هوش مصنوعی در آرنا از ابتدای سال ۲۰۲۵ چگونه تغییر کرده است.
⏱ فقط ۲۰ ثانیه طول میکشد،
اما پشت این خطوط ساده:
🔌 هزاران GPU سوزانده شده
💸 میلیونها دلار هزینه شده
🧠 و رقابت بیرحمانهای بین مدلها جریان دارد
این نمودارها خیلی خوب نشان میدهند که «پیشرفت» در دنیای LLMها چقدر پرهزینه، سریع و نفسگیر شده است.
📡 @rss_ai_ir
#هوش_مصنوعی #دیتاویژوالیزیشن #LLM #LMArena #AI_Competition #GPU #MachineLearning
گروه LMSYS (سازندگان LMArena) یک اینفوگرافیک منتشر کرده که نشان میدهد امتیاز مدلهای غولپیکر هوش مصنوعی در آرنا از ابتدای سال ۲۰۲۵ چگونه تغییر کرده است.
⏱ فقط ۲۰ ثانیه طول میکشد،
اما پشت این خطوط ساده:
🔌 هزاران GPU سوزانده شده
💸 میلیونها دلار هزینه شده
🧠 و رقابت بیرحمانهای بین مدلها جریان دارد
این نمودارها خیلی خوب نشان میدهند که «پیشرفت» در دنیای LLMها چقدر پرهزینه، سریع و نفسگیر شده است.
📡 @rss_ai_ir
#هوش_مصنوعی #دیتاویژوالیزیشن #LLM #LMArena #AI_Competition #GPU #MachineLearning