Forwarded from DLeX: AI Python (Meysam Asgari)
Forwarded from DLeX: AI Python (NaviD DariYa)
@WearebiTs
این قابلیت Deploy پسورد ها از طریق ادمین سنتر Microsoft 365 خیلی باحاله به نظرم. باعث می شه مایکروسافت دست بالا رو در مقایسه با Solution هایی مثل PassBolt در بعضی از موارد داشته باشه
https://blogs.windows.com/msedgedev/2025/06/11/introducing-secure-password-deployment-in-microsoft-edge-for-business/
این قابلیت Deploy پسورد ها از طریق ادمین سنتر Microsoft 365 خیلی باحاله به نظرم. باعث می شه مایکروسافت دست بالا رو در مقایسه با Solution هایی مثل PassBolt در بعضی از موارد داشته باشه
https://blogs.windows.com/msedgedev/2025/06/11/introducing-secure-password-deployment-in-microsoft-edge-for-business/
این توییت از Lisan al Gaib در X درباره محدودیتهای مدلهای هوش مصنوعی در حل مسائل پیچیده مانند مسئله برج هانوی (Tower of Hanoi) صحبت میکند. او اشاره میکند که مدل Sonnet 3.7 هنگام حل این مسئله برای n=9 و n=10، به دلیل طولانی بودن پاسخ، زود متوقف میشود.
@WearebiTs
چند نکته کلیدی از این پست:
مدلها تصمیم میگیرند که زودتر متوقف شوند، زیرا از نظر آنها محاسبه تمام مراحل، زمانبر و غیرضروری است.
مدل Sonnet 3.7 تا ۸ دیسک محاسبه را انجام میدهد، اما برای تعداد بالاتر متوقف میشود.
خطای ناشی از نمونهگیری مدل باعث کاهش دقت میشود، زیرا احتمال اشتباه در پیشبینی هر توکن هرچند اندک، در تعداد بالا جمع شده و تأثیرگذار میشود.
مدلهای مختلف محدودیت خروجی دارند (مثلاً Sonnet 3.7 دارای محدودیت 128k توکن، DeepSeek R1 دارای 64k توکن).
این پست به طور کلی بحث میکند که چگونه مدلهای زبانی هوش مصنوعی با افزایش پیچیدگی مسئله، به دلیل محدودیتهای خروجی و استراتژیهای خود، دقتشان کاهش پیدا میکند.
https://x.com/scaling01/status/1931817022926839909
@WearebiTs
چند نکته کلیدی از این پست:
مدلها تصمیم میگیرند که زودتر متوقف شوند، زیرا از نظر آنها محاسبه تمام مراحل، زمانبر و غیرضروری است.
مدل Sonnet 3.7 تا ۸ دیسک محاسبه را انجام میدهد، اما برای تعداد بالاتر متوقف میشود.
خطای ناشی از نمونهگیری مدل باعث کاهش دقت میشود، زیرا احتمال اشتباه در پیشبینی هر توکن هرچند اندک، در تعداد بالا جمع شده و تأثیرگذار میشود.
مدلهای مختلف محدودیت خروجی دارند (مثلاً Sonnet 3.7 دارای محدودیت 128k توکن، DeepSeek R1 دارای 64k توکن).
این پست به طور کلی بحث میکند که چگونه مدلهای زبانی هوش مصنوعی با افزایش پیچیدگی مسئله، به دلیل محدودیتهای خروجی و استراتژیهای خود، دقتشان کاهش پیدا میکند.
https://x.com/scaling01/status/1931817022926839909
آیا استفاده از مرورگر Tor کاملن امن است؟
@WearebiTs
https://youtube.com/shorts/7m77AwkGq4Q?si=erN06mwsJeMgU924
@WearebiTs
https://youtube.com/shorts/7m77AwkGq4Q?si=erN06mwsJeMgU924
YouTube
Does Tor Browser make you completely anonymous online?!
@ai_python Telegram Channel
این نوشتار مفهوم جدول توزیع سرویس سیستم (SSDT) را تشریح میکند، که یک آرایه حاوی آدرسها یا آفستهای نسبی برای روتینهای کرنل در سیستمعاملهای ویندوز است. این جدول به عنوان یک پل ارتباطی حیاتی بین فراخوانهای API از فضای کاربر و روتینهای متناظر کرنل عمل میکند و تعیین میکند که کدام عملیات کرنل باید در پاسخ به یک فراخوان سیستمی اجرا شود. داکیومنت به صورت دقیق توضیح میدهد که چگونه آفستهای SSDT در سیستمهای ۶۴ بیتی به آدرسهای مطلق تبدیل میشوند و اهمیت SSDT را در شناسایی فراخوانهای سیستمی و عملکردهای مرتبط کرنل نشان میدهد. همچنین به اختصار به تاریخچه دستکاری SSDT توسط آنتیویروسها و روتکیتها و مقابله مایکروسافت با آن از طریق PatchGuard اشاره شده است.
@WearebiTs
https://www.ired.team/miscellaneous-reversing-forensics/windows-kernel-internals/glimpse-into-ssdt-in-windows-x64-kernel
@WearebiTs
https://www.ired.team/miscellaneous-reversing-forensics/windows-kernel-internals/glimpse-into-ssdt-in-windows-x64-kernel
Forwarded from DLeX: AI Python (NaviD DariYa)
🥇 تاپ ترین Paper های در حوزه ماشین لرنینگ، از دیدگاه DAIR.AI :
@ai_python
🥇 Many-shot Jailbreaking : Paper
🥇 SWE-Agent : Paper
🥇 Mixture-of-Depths : https://arxiv.org/abs/2404.02258
🥇 Local Context LLMs Struggle with Long In-Context Learning : https://arxiv.org/abs/2404.02060
🥇 Visualization-of-Thought : https://arxiv.org/abs/2404.03622
🥇 The Unreasonable Ineffectiveness of the Deeper Layers : https://arxiv.org/abs/2403.17887v1
🌐 🌐 🌐 @ai_python
🥇 JetMoE : https://research.myshell.ai/jetmoe
🥇 Representation Finetuning for LMs : https://arxiv.org/abs/2404.03592
🥇 Advancing LLM Reasoning : https://github.com/OpenBMB/Eurus/blob/main/paper.pdf
🥇 Training LLMs over Neurally Compressed Text : https://arxiv.org/abs/2404.03626
@ai_python
Please open Telegram to view this post
VIEW IN TELEGRAM
www.dair.ai
DAIR.AI - Empowering AI Builders & Creators
Access cutting-edge tools and a world-class academy to learn, innovate, and build the future with artificial intelligence.
@WearebiTs
فعال سازی مدل جمینای در کلاود Oracle :
https://www.googlecloudpresscorner.com/2025-08-14-Oracle-to-Offer-Googles-Gemini-Models-to-Customers,-Accelerating-Enterprises-Agentic-AI-Journeys
فعال سازی مدل جمینای در کلاود Oracle :
https://www.googlecloudpresscorner.com/2025-08-14-Oracle-to-Offer-Googles-Gemini-Models-to-Customers,-Accelerating-Enterprises-Agentic-AI-Journeys
Audio
@navidcasts
این پادکست، از ویدیویی آموزشی از مایکروسافت لرن است که به معرفی و پیکربندی فضای کاری Azure Machine Learning میپردازد. این ویدیو توضیح میدهد که چگونه دانشمندان داده میتوانند از سرویس Azure Machine Learning برای آموزش و مدیریت مدلهای یادگیری ماشینی خود استفاده کنند. همچنین، به بررسی منابع و داراییهای مرتبط با این سرویس، مانند حساب ذخیرهسازی، Key Vault، Application Insights و Container Registry، و نحوه تعامل با آنها از طریق رابط کاربری پورتال Azure، Azure Machine Learning Studio، Azure CLI و Python SDK میپردازد. در نهایت، این منبع به تشریح مدیریت دسترسیها، پیکربندی دادهها (Data Stores و Data Assets)، انواع منابع محاسباتی (Compute) و نحوه تعریف و استفاده از محیطهای (Environments) Docker-based برای اطمینان از سازگاری و تکرارپذیری در فرآیندهای یادگیری ماشینی میپردازد.
این پادکست، از ویدیویی آموزشی از مایکروسافت لرن است که به معرفی و پیکربندی فضای کاری Azure Machine Learning میپردازد. این ویدیو توضیح میدهد که چگونه دانشمندان داده میتوانند از سرویس Azure Machine Learning برای آموزش و مدیریت مدلهای یادگیری ماشینی خود استفاده کنند. همچنین، به بررسی منابع و داراییهای مرتبط با این سرویس، مانند حساب ذخیرهسازی، Key Vault، Application Insights و Container Registry، و نحوه تعامل با آنها از طریق رابط کاربری پورتال Azure، Azure Machine Learning Studio، Azure CLI و Python SDK میپردازد. در نهایت، این منبع به تشریح مدیریت دسترسیها، پیکربندی دادهها (Data Stores و Data Assets)، انواع منابع محاسباتی (Compute) و نحوه تعریف و استفاده از محیطهای (Environments) Docker-based برای اطمینان از سازگاری و تکرارپذیری در فرآیندهای یادگیری ماشینی میپردازد.