🚀 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

🧠 خلاصه‌ی مهم System Card مدل GPT-5.2

🔹 مدل GPT-5.2 به‌طور محسوسی صادق‌تر شده است. در ترافیک واقعی، نرخ فریب در نسخه Thinking به ۱.۶٪ کاهش یافته، در حالی‌که این عدد در GPT-5.1 حدود ۷.۷٪ بود.

🛡️ مقاومت بالاتر در برابر فریب و دستکاری
در تست‌هایی که عمداً سعی در گمراه‌کردن مدل داشتند، نرخ خطا از ۱۱.۸٪ به ۵.۴٪ رسیده است.

🔐 پیشرفت جدی در مقابله با Prompt Injection
نسخه‌های Instant و Thinking تقریباً تمام تست‌های شناخته‌شده را پاس کرده‌اند (۰.۹۹۷ و ۰.۹۷۸). البته OpenAI تأکید می‌کند که این تضمین کامل برای حملات جدید نیست.

💚 جهش بزرگ در موضوعات حساس انسانی
به‌ویژه در سلامت روان و وابستگی احساسی:
• سلامت روان: ۰.۹۱۵ (قبلاً ۰.۶۸۴)
• وابستگی احساسی: ۰.۹۵۵ (قبلاً ۰.۷۸۵)

🔞 مدیریت بهتر محتوای +۱۸
برای کاربران بزرگسال، رد درخواست‌ها کمتر شده؛ بدون اینکه قوانین شُل شود یا دسترسی نوجوانان افزایش یابد.

👶 تشخیص خودکار سن کاربران
برای حساب‌های زیر ۱۸ سال، محدودیت‌های سخت‌گیرانه‌تری روی محتوای حساس اعمال می‌شود.

📊 دقت واقعی بالاتر
با فعال بودن مرور وب، نرخ هالوسینیشن در چند حوزه تخصصی به زیر ۱٪ رسیده است.

🧬 ارزیابی ایمنی پیشرفته
در چارچوب Preparedness Framework، مدل در زیست‌فناوری و شیمی «بسیار توانمند» ارزیابی شده و محافظت‌های اضافی فعال شده‌اند.

🧪 بررسی مستقل
Apollo Research هیچ نشانه‌ای از خرابکاری پنهان، خودحفاظتی یا رفتار مخرب پیدا نکرده؛ ریسک فاجعه‌ای بسیار پایین ارزیابی شده است.

✨ جمع‌بندی:
GPT-5.2 یک گام جدی رو به جلو در صداقت، ایمنی، پایداری و کیفیت پاسخ‌ها برداشته است.

📎 منبع:
cdn.openai.com/pdf/3a4153c8-c748-4b71-8e31-aecbde944f8d/oai_5_2_system-card.pdf

@rss_ai_ir

#هوش_مصنوعی #GPT52 #OpenAI #AI_Safety #LLM #فناوری

🚀 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

⭐️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

✨ رقابت هوش مصنوعی فقط دو بازیگر واقعی دارد و داده‌ها کاملاً این را نشان می‌دهند

📊 با نگاه به نقشه نویسندگان NeurIPS، عملاً یک پیش‌بینی از آینده اقتصاد جهان می‌بینیم:
چین تقریباً نیمی از میدان را در اختیار دارد، آمریکا نیم دیگر را.
اروپا—چه آگاهانه، چه از سر inertia—عملاً از رقابت کنار رفته است.

🔍 قدرت‌ها کجا هستند؟
🇺🇸 آمریکا پیشتاز در لَب‌های مرزی هوش مصنوعی، چیپ‌های پیشرفته، سرمایه در مقیاس تریلیون‌دلاری و بزرگ‌ترین بازار نرم‌افزار جهان است.
🇨🇳 چین پیشتاز در رباتیک، تولید سخت‌افزار و چرخه‌های استقرار بسیار سریع.
📉 جایگاه‌ها ممکن است جابه‌جا شوند، اما الگو روشن است: «سومیِ معنادار» وجود ندارد. دیگران از عقب می‌دوند، بدون مسیر واقعی برای حاکمیت فناورانه.

🇪🇺 نقش اتحادیه اروپا در یک تصویر
نمودار دوم از هر سند سیاستی گویاتر است:
درآمد اروپا از جریمه‌ها و تنظیم‌گری شرکت‌های فناوری، بسیار بیشتر از مالیات شرکت‌های فناوریِ ساخته‌شده در خود اروپاست.
📜 تنظیم‌گری شد مدل کسب‌وکار؛ نوآوری نه.

🌍 جمع‌بندی
نظم اقتصادی بعدی را کسانی می‌سازند که مدل‌ها را آموزش می‌دهند و ربات‌ها را می‌سازند.


@rss_ai_ir
#AI #هوش_مصنوعی #NeurIPS #China #USA #Robotics #LLM #Innovation #Geopolitics