Account

Posts of AI Plus - هوش‌ پلاس

newest first

#1043Text
Views33,695+312%vs avg
Forwards46
Reactions33
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h958
13 h33,695
  1. After 1 hour958
  2. Total to date33,695
#1042Link preview

تصور کن ⁦Blender⁩ رو باز می‌کنی و به‌جای اینکه خودت تک‌تک مراحل رو طی کنی، یه ایجنت ⁦AI⁩ همه کارا رو برات مدیریت می‌کنه. 🤖 یه مجموعه به اسم ⁦Blender Skills⁩ وجود داره با ۹۴ اسکیل مختلف که به ایجنت‌هایی مثل ⁦Claude Code⁩ و ⁦Cursor⁩ اجازه می‌ده مستقیماً با ⁦Blender⁩ کار کنن. از مدل‌سازی سه‌بعدی و ساخت کاراکتر گرفته تا ایجاد متریال، تکسچر و انیمیشن، همه رو می‌شه از طریق ⁦AI⁩ انجام داد. امکاناتش: - مدل‌سازی سه‌بعدی: ساخت اشیا، کاراکتر و محیط‌های سه‌بعدی - متریال و انیمیشن: ایجاد ⁦Material⁩ و ⁦Texture⁩ و ساخت انیمیشن - سبک‌های بصری: ⁦Low Poly⁩، ⁦Pixel Art⁩، ⁦PSX⁩ و ⁦Isometric⁩ - بهینه‌سازی مدل‌ها متناسب با نیازهای بازی‌سازی - خروجی مستقیم به ⁦Unity⁩، ⁦Unreal Engine⁩ و ⁦Godot⁩ بخش جذاب‌تر ماجرا یه اسکیل به اسم ⁦blender-director⁩ هست که کل این فرایند رو به هم وصل می‌کنه. کافیه چیزی که می‌خوای رو با زبان ساده توضیح بدی؛ این اسکیل خودش مراحل لازم برای مدل‌سازی، ساخت متریال، بهینه‌سازی و خروجی گرفتن رو تشخیص می‌ده و فرایند رو مدیریت می‌کنه. یعنی به‌جای اینکه تک‌تک مراحل کار با ⁦Blender⁩ رو خودت انجام بدی، می‌تونی از طریق یه ایجنت کل فرایند تولید محتوای سه‌بعدی رو هدایت کنی.

Open in Telegram
Views33,220+306%vs avg
Forwards48
Reactions21
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
5 h2,795
17 h33,220
  1. After 6 hours2,795
  2. After 24 hours33,220
  3. Total to date33,220
#1041Link preview

برای برنامه‌نویس‌هایی که با چند ایجنت روی یک کار می‌کنن، اضافه‌کردن نیروی تخصصی همیشه به معنی نتیجه بهتر نیست. هر ایجنت فقط بخشی از مسئله رو می‌بینه و وقتی کار رو به ایجنت بعدی تحویل می‌ده، ممکنه جزئیات مهم جا بمونه یا تغییر کنه. حتی اگه هر ایجنت کار خودش رو درست انجام بده، خروجی نهایی می‌تونه از کار یک مدل تنها بدتر باشه. پژوهشی درباره سیستم‌های چندایجنتی در محیط عملیاتی نشون داده که وقتی سیستم به بیش از ۱۰ ابزار دسترسی داره، کارایی این معماری‌ها به‌شدت افت می‌کنه. ارتباط بین ایجنت‌ها هم با بزرگ‌شدن تیم، سریع‌تر از رشد خطی زیاد می‌شه؛ یعنی تیم پنج‌نفره به‌مراتب بیشتر از تیم دونفره درگیر ردوبدل‌کردن اطلاعات می‌شه. هزینه این هماهنگی معمولاً جدا ثبت نمی‌شه. بخشی از تماس‌های ⁦LLM⁩ صرف انتقال وضعیت، حل اختلاف بین خروجی‌ها و گرفتن دوباره اطلاعاتی می‌شه که در تحویل کار از دست رفته. یک برآورد نقل‌شده می‌گه لایه هماهنگ‌کننده ممکنه نسبت به طراحی تک‌مسیره، ۳۰ تا ۵۰ درصد تماس بیشتری با ⁦LLM⁩ ایجاد کنه. چون این هزینه لابه‌لای مصرف هر ایجنت پخش می‌شه، تیم‌ها ممکنه فقط افزایش صورتحساب ⁦API⁩ رو ببینن، نه سهم خودِ هماهنگی رو. تجربه عملی تیم‌ها معمولاً نقطه مناسب رو برای بیشتر کارها دو تا سه ایجنت می‌دونه؛ بیشتر از سه یا چهار ایجنت، هزینه تحویل کار و حل اختلاف ممکنه از سود تخصصی‌ترشدن بیشتر بشه. البته این جمع‌بندی هنوز بیشتر بر تجربه تکیه داره و برای استقرارهای ۲۰۲۶، معیارسنجی عمومی و دقیقی وجود نداره. برای سنجیدن معماری، هزینه پیام‌های بین ایجنت‌ها رو جدا از کار اصلی ثبت کنین، طراحی دوایجنتی رو با پنج‌ایجنتی مقایسه کنین و ابزارهای در دسترس هر ایجنت رو با دقت انتخاب کنین. چند ایجنت هنوز برای کارهایی با مرزهای روشن مفیدن؛ مسئله اینه که هزینه هماهنگی‌شون هم در حساب‌وکتاب بیاد.

Open in Telegram
Views3,058−63%vs avg
Forwards6
Reactions6
Comments—
#1040Photo
Views3,139−62%vs avg
Forwards6
Reactions19
Comments—
#1038Link preview

بازوهای مکانیکی برج اسپیس‌ایکس در ⁦Starbase⁩ تگزاس، شنبه ⁦Ship 42⁩ رو موقع برگشت از مدار گرفتن؛ حدود ۲۲.۵ ساعت بعد از پرتاب. این اولین باره که مرحله فوقانی یک موشک مداری به محل پرتاب برمی‌گرده و همون‌جا بازیابی می‌شه. این اتفاق پایان پانزدهمین پرواز آزمایشی ⁦Starship⁩ بود. ⁦Ship 42⁩ پیش از برگشت، حدود ۱۴ بار دور زمین گشت و ۲۶ ماهواره ⁦Starlink V3⁩ رو در مدار مستقر کرد. بعد موتورهایش رو برای ورود دوباره به جو روشن کرد، از حالت شیرجه‌ی افقی به وضعیت عمودی چرخید و روی بازوهای برج نشست. وضعیت سپر حرارتی هم که بخشی از پایشش با دوربین‌های نصب‌شده روی سه ماهواره انجام شده بود، پیش از ورود دوباره خوب گزارش شده بود. اما بوستر ⁦Super Heavy⁩ روز جمعه نتونست به برج برگرده. بوستر ۲۲ بعد از تشخیص ایراد در سامانه هدایت، ناوبری و کنترل، مسیرش رو عوض کرد و به‌جای برج، با برخوردی کنترل‌شده به خلیج مکزیک رسید؛ برخوردی که در نهایت انفجاری بود. دان هوت از اسپیس‌ایکس گفت خود بوستر به‌خاطر ایرادی که تشخیص داده بود، بازگشت رو لغو کرد. ایلان ماسک بعدتر گفت سوخت بوستر کم اومده، چون موتورها کمی ضعیف‌تر از انتظار کار کرده بودن. به گفته‌ی او، اصلاح موتورهای ⁦Raptor V3.2⁩ و کوتاه‌کردن زمان روشن‌بودن موتورها حدود یک ثانیه، از راهکارهای بعدی هستن. ماسک گفت این اتفاق برنامه‌ی پروازهای پرتعداد و کاملاً قابل‌استفاده‌مجدد ⁦Starship⁩ رو عوض نمی‌کنه. اسپیس‌ایکس از اکتبر ۲۰۲۴ سه بار بوستر ⁦Super Heavy⁩ رو با موفقیت گرفته بود، اما تا حالا هیچ مرحله فوقانی‌ای برای تلاش مشابه زنده و به‌اندازه کافی دقیق برنگشته بود. بازیابی ⁦Ship 42⁩ نشون می‌ده هر دو بخش ⁦Starship⁩ می‌تونن در اصل دوباره استفاده بشن؛ چیزی که برای هدف‌هایی مثل استقرار پرتعداد ماهواره‌های ⁦Starlink V3⁩، طرح محاسبات مداری ⁦Starmind⁩ و فرودگر ماهِ برنامه ⁦Artemis⁩ لازمه. فرودگر ⁦Artemis⁩ باید با پروازهای پیاپی مخزن‌دار ⁦Starship⁩ در مدار سوخت‌گیری کنه. ماسک گفته انتظار داره ⁦Starship⁩ در نیمه‌ی اول ۲۰۲۷ به برنامه‌ی پرتاب هفتگی برسه.

Open in Telegram
Views6,625−19%vs avg
Forwards9
Reactions15
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
12 h5,065
24 h6,625
  1. After 24 hours6,625
  2. Total to date6,625
#1037Link preview

شرکت مایکروسافت توی آپدیت امنیتی نوامبر ۲۰۲۶ تأیید کرده که از یه آسیب‌پذیری ⁦Outlook⁩ به اسم ⁦CVE-2026-124194⁩ داره فعالانه سوءاستفاده می‌شه. نحوه کارش: یه فایل پیامِ ویژه می‌تونه ⁦Outlook⁩ رو فریب بده تا بدون هیچ هشداری به یه سرور تحت کنترل مهاجم وصل بشه. این اتصال، اطلاعات احراز هویت ⁦NTLMv2⁩ رو لیک می‌کنه — ⁦NTLMv2⁩ یه هش رمزنگاری‌شده‌ست که ویندوز برای احراز هویت شبکه‌ای ازش استفاده می‌کنه. لازم نیست روی چیزی کلیک کنی؛ باز شدنِ پیام کافیه. کسی که این هش رو داشته باشه دو کار می‌تونه بکنه: یا آفلاین تلاش کنه تا اصل پسورد رو ازش دربیاره، یا از خودِ هش برای جعل هویت قربانی رو سیستم‌های دیگه در همون شبکه استفاده کنه — بدون نیاز به پسورد واقعی. مایکروسافت نمره ⁦CVSS⁩ این آسیب‌پذیری رو ۶.۵ از ۱۰ گذاشته («متوسط»)، ولی ⁦CISA⁩ همون روزِ انتشار وصله، این باگ رو به فهرست آسیب‌پذیری‌های در حال سوءاستفاده فعالش اضافه کرد. این تناقض اهمیت داره: تیم‌های ⁦IT⁩ معمولاً اولویت وصله‌ها رو بر اساس همین نمره تنظیم می‌کنن، پس یه باگ با نمره ۶.۵ که داره فعالانه ازش سوءاستفاده می‌شه ممکنه در تریاژ نادیده گرفته بشه. این وصله همراه حدود ۱۰۹۰ وصله دیگه توی این ⁦Patch Tuesday⁩ منتشر شد — یکی از بزرگ‌ترین بسته‌های ماهانه مایکروسافت — که پیدا کردنش رو بین انبوهِ تغییرات سخت‌تر می‌کنه. محصولات آسیب‌پذیر: ⁦Microsoft 365 Apps for enterprise⁩ و هر دو نسخه ⁦Office LTSC 2021⁩ و ۲۰۲۴. مایکروسافت نگفته پشت این حملات کیه یا چند سازمان هدف قرار گرفتن. مهلت وصله‌کردن برای سازمان‌های فدرال آمریکا ۲۴ نوامبر هست. فعلاً هیچ ⁦exploit⁩ یا ⁦proof-of-concept⁩ عمومی منتشر نشده، که همین باعث شده حملات هدفمند بمونن نه گسترده — ولی این وضعیت معمولاً با انتشار گزارش‌های فنی تغییر می‌کنه.

Open in Telegram
Views5,522−32%vs avg
Forwards7
Reactions5
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
12 h2,599
25 h5,522
  1. After 24 hours5,522
  2. Total to date5,522
#1036Photo
Views4,678−43%vs avg
Forwards14
Reactions7
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
13 h2,882
26 h4,678
  1. After 24 hours4,678
  2. Total to date4,678
#1035Photo
Views4,931−40%vs avg
Forwards10
Reactions52
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
15 h3,616
29 h4,931
  1. After 24 hours4,931
  2. Total to date4,931
#1034Text
Views5,221−36%vs avg
Forwards25
Reactions67
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
18 h4,161
31 h5,221
  1. After 24 hours4,161
  2. Total to date5,221
#1033Link preview

وقتی ویس رو متن می‌کنی، نقطه و ویرگول رو از صدا نشنیده؛ خودش حدسشون می‌زنه. صدای پیوسته اول به تکه‌های کوچیک تبدیل می‌شه. مدل از روی الگوی صدا، واژه‌های محتمل رو می‌سازه و هم‌زمان از چیزایی که معمولاً توی زبان کنار هم میان کمک می‌گیره. بعد، بر اساس مکث‌ها و الگوی جمله، نشانه‌گذاری اضافه می‌کنه. یعنی متن خروجی، رونویسیِ کاملاً بی‌طرف نیست؛ یه جور بازسازیِ محتمل از چیزیه که گفته شده. مثلاً توی ویس کاری می‌گی: «نه، فردا بفرستش.» اگه مکث کوتاهت درست تشخیص داده نشه، متن ممکنه به شکل دیگه‌ای نشانه‌گذاری بشه و لحن یا منظور جمله عوض به نظر بیاد. مدل ممکنه واژه‌ای رو هم که واضح نبوده، با توجه به بقیه‌ی جمله حدس بزنه؛ چون حدسش از نظر زبانی جور درمیاد، غلطش همیشه توی چشم نمی‌زنه. برای صورت‌جلسه یا پیام مهم، از ابزار بخواه کلمه‌ها و مکث‌های گفتار رو تا جای ممکن همون‌طور که هست نگه داره، نه اینکه متن رو روان‌نویسی کنه. بخش‌های نامطمئن رو هم با زمانشون مشخص کنه، اگه این قابلیت رو داره. بعد همون چند ثانیه رو از روی فایل اصلی چک کن. این کار مخصوصاً برای «نه»، اسم‌ها و عددها می‌ارزه؛ یه حدسِ روان ممکنه معنی جمله رو عوض کنه. 🎧

Open in Telegram
Views5,428−34%vs avg
Forwards5
Reactions8
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
19 h4,368
32 h5,428
  1. After 24 hours4,368
  2. Total to date5,428
#1032Text
Views4,920−40%vs avg
Forwards8
Reactions17
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
20 h4,272
33 h4,920
  1. After 24 hours4,272
  2. Total to date4,920
#1031Link preview

پانزدهمین پرواز آزمایشی ⁦Starship⁩ دیروز ۱۳ نوامبر انجام شد و یه بخش مهمش کار کرد، یه بخشش نه. سفینه ⁦Ship 42⁩ روی ⁦Booster 22⁩ از پایگاه ⁦Starbase⁩ در جنوب تگزاس بلند شد. حدود ۲۶ دقیقه بعد، یه موتور ⁦Raptor⁩ سفینه رو در مدار ۲۷۵ کیلومتری دور زمین قرار داد — فقط دومین باری که ⁦Starship⁩ واقعاً به مدار می‌رسه. یه ساعت و ۱۷ دقیقه بعد از پرتاب، سفینه ۲۶ ماهواره ⁦Starlink⁩ نسل سوم رو رها کرد. سه تا از این ماهواره‌ها دوربین‌هایی دارن که از بیرون روی کاشی‌های سپر حرارتی سفینه نگاه می‌کنن — این کاشی‌ها هستن که سفینه رو از گرمای شدید ورود به جو محافظت می‌کنن، و ⁦SpaceX⁩ با این دوربین‌ها می‌تونه ببینه حین ورود به جو چه اتفاقی براشون می‌افته. این پرواز اولین باری هم بود که از مدار ویدیو ۴⁦K⁩ زنده پخش شد. هدف اصلی این پرواز بازگیری همزمان هر دو بخش بود — هم ⁦Booster 22⁩ و هم ⁦Ship 42⁩ باید برمی‌گشتن و توسط برج ⁦Mechazilla⁩ (بازوهای مکانیکی غول‌پیکر روی پایگاه) گرفته می‌شدن. ولی ⁦Booster 22⁩ در حین سوختن برای بازگشت مشکلی پیدا کرد و کنترل‌شده توی خلیج مکزیک فرود اومد. ⁦SpaceX⁩ هنوز علتش رو اعلام نکرده و تحقیقات در جریانه. سفینه ⁦Ship 42⁩ در مدار ادامه داد. برنامه اینه که ۱۴ نوامبر سفینه وارد جو بشه و برج ⁦Mechazilla⁩ بگیرش — البته مشروط به سالم بودن سیستم‌های پروازی. اگه این اتفاق بیفته، اولین باره که مرحله بالایی ⁦Starship⁩ زنده برمی‌گرده. این قدم برای ⁦SpaceX⁩ خیلی مهمه: برای اینکه ⁦Starship⁩ از نظر هزینه با ⁦Falcon 9⁩ رقابت کنه و به تعهداتش در برنامه ماه‌نوردی ⁦Artemis⁩ ناسا عمل کنه، باید این چرخه کامل استفاده مجدد از هر دو مرحله رو جا بندازه. تا اونجا یه پرواز دیگه فاصله داریم.

Open in Telegram
Views5,575−32%vs avg
Forwards3
Reactions2
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
21 h4,734
34 h5,575
  1. After 24 hours4,734
  2. Total to date5,575
#1030Photo
Views6,113−25%vs avg
Forwards19
Reactions13
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
42 h4,983
68 h6,113
  1. Total to date6,113
#1029Text
Views7,769−5%vs avg
Forwards8
Reactions20
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
44 h5,032
70 h7,769
  1. Total to date7,769
#1028Photo
Views18,718+129%vs avg
Forwards75
Reactions11
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
46 h5,562
72 h18,718
  1. Total to date18,718
#1027Photo
Views6,043−26%vs avg
Forwards5
Reactions26
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
57 h5,571
71 h6,043
  1. Total to date6,043
#1026Photo
Views6,678−18%vs avg
Forwards39
Reactions75
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
59 h6,305
73 h6,678
  1. Total to date6,678
#1025Link preview

یه کتابخونه با ۱۴۵ هزار اسکرین‌شات واقعی از محصولات دیجیتال ساخته شده که ⁦Claude Code⁩ و ⁦Codex⁩ می‌تونن مستقیم ازش استفاده کنن. اسمش ⁦Refero⁩ هست و فقط یه مجموعه تصویر نیست: ← بیشتر از ۲ هزار ⁦Design System⁩؛ شامل رنگ‌ها، تایپوگرافی و ⁦Spacing⁩ ← بیشتر از ۱۲ هزار ⁦User Flow⁩؛ از مرحله ثبت‌نام تا فرایند کامل خرید ← بیشتر از هزار وب‌سایت بازاریابی؛ جدیدترین بخشی که اضافه شده یه صفحه رو پسندیدی؟ می‌تونه نمونه‌های مشابهش رو هم پیدا کنه. نصبش دو مرحله‌ست. برای ⁦Claude Code⁩: ‏/⁦plugin marketplace add referodesign/refero_skill⁩ ‏/⁦plugin install refero@refero⁩ برای ⁦Codex⁩: ‏⁦codex plugin marketplace add referodesign/refero_skill⁩ ‏⁦codex plugin add refero@refero⁩ بعدش این ⁦Prompt⁩ رو بهش بدی تا قبل از هر تغییر طراحی، نمونه‌های واقعی رو بررسی کنه و بدون تأیید تو دست به چیزی نزنه: ‏⁦Read through my project and find the one page that most needs work. Use Refero to pick a real product style that fits⁩, ⁦then find 3 similar pages to use as references.⁩ ‏⁦Explain which design principles are relevant to my project and how you'd adapt them into an original direction.⁩ ‏⁦Wait for my OK before you change anything.⁩ یه نکته مهم: جست‌وجوی زنده از طریق ⁦MCP⁩ به اشتراک پولی نیاز داره.

Open in Telegram
Views6,320−23%vs avg
Forwards42
Reactions8
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
62 h6,071
75 h6,320
  1. Total to date6,320
#1024Link preview

شرکت ⁦Strategy⁩ — که قبلاً با نام ⁦MicroStrategy⁩ می‌شناختیش — از شاخص‌های اصلی بورس جهانی ⁦MSCI⁩ حذف می‌شه. این اتفاق از آخر نوامبر رسمی می‌شه. ماجرا از یه قانون جدید ⁦MSCI⁩ شروع شد درباره شرکت‌های «غیرعملیاتی» — یعنی شرکت‌هایی که به‌جای یه کسب‌وکار فعال، ترازنامه‌شون پر از یه دارایی واحده. این قانون، که از اکتبر ۲۰۲۶ لازم‌الاجراست، شرکت‌ها رو بر اساس پنج معیار مالی در دو سال مالی اخیرشون بررسی می‌کنه. اگه شرکتی هر دو دوره از معیارها رد بشه، از شاخص می‌افته بیرون. شرکت ⁦Strategy⁩ دقیقاً همینه: بیشتر دارایی‌هاش بیت‌کوینه، نه یه کسب‌وکار عملیاتی — بیش از ۷۰ میلیارد دلار بیت‌کوین تو ترازنامه‌شه. شرکت ژاپنی ⁦Metaplanet⁩ هم که استراتژی مشابهی داره، از شاخص ⁦MSCI Japan Small Cap⁩ حذف می‌شه. پیامد عملی این حذف اینه که صندوق‌های سرمایه‌گذاری که شاخص ⁦MSCI⁩ رو دنبال می‌کنن، مجبور می‌شن سهام ⁦Strategy⁩ رو بفروشن. بانک ⁦JPMorgan⁩ تخمین زده این فروش اجباری از صندوق‌های مرتبط با ⁦MSCI⁩ حدود ۲.۸ میلیارد دلار می‌شه — و اگه ⁦Nasdaq⁩ و بقیه شاخص‌ها هم همین قانون رو اعمال کنن، این رقم تا ۸.۸ میلیارد دلار بالا می‌ره. مشکل اصلی اما نه اون بیت‌کوین‌هاست، نه ترازنامه. شرکت ⁦Strategy⁩ برای خرید بیت‌کوین سهام جدید منتشر کرده و اوراق قرضه‌ی تبدیل‌پذیر فروخته — روش‌هایی که وقتی سهامت تو شاخص‌های بزرگه و صندوق‌های منفعل دنبالت می‌کنن، هزینه‌شون کمتره. حالا که از شاخص می‌افتن بیرون، هزینه‌ی تأمین مالی بالا می‌ره. مایکل سیلور (رئیس هیئت‌مدیره) و فونگ لی (مدیرعامل) این تصمیم رو «تبعیض‌آمیز» خوندن. شرکت در نامه‌ای به ⁦MSCI⁩ گفته این حذف به کسب‌وکارشون آسیبی نمی‌زنه، ولی اعتبار ⁦MSCI⁩ به‌عنوان یه ارائه‌دهنده‌ی بی‌طرف شاخص رو زیر سوال می‌بره.

Open in Telegram
Views5,718−30%vs avg
Forwards4
Reactions4
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
63 h5,466
76 h5,718
  1. Total to date5,718
#1023Link preview

شرکت ⁦AMD⁩ نسل ششم پردازنده‌های سرور ⁦EPYC -⁩ با نام ⁦Venice -⁩ رو رسماً عرضه کرد و ⁦Microsoft Azure⁩ هم از همون روز اول شروع کرده به استفاده ازش. این تراشه‌ها روی فرآیند ۲ نانومتری ⁦TSMC⁩ ساخته شدن - پیشرفته‌ترین فناوری تولید تراشه‌ای که الان در دسترسه. دو نوع هسته دارن: یه نوع استاندارد که تا ۹۶ هسته با فرکانس بوست ۵.۳ گیگاهرتز می‌رسه، و یه نوع فشرده‌تر که تا ۲۵۶ هسته و ۵۱۲ ریسمان پردازشی می‌رسه - یعنی یه پردازنده می‌تونه همزمان ۵۱۲ کار موازی انجام بده. برای بارهای کاری ⁦AI⁩ هم نسبت به نسل قبلی (⁦Turin⁩) حدود ۳۱٪ بهبود کارایی هر هسته دارن. این بهبود از پشتیبانی فرمت ⁦FP16⁩ و دستورالعمل‌های بهینه‌شده برای ⁦inference⁩ میاد - ⁦inference⁩ یعنی اجرای مدل‌های عصبی روی سخت‌افزار؛ کاری که قلب استنتاج ⁦AI⁩ هست. یه ویژگی مهم دیگه اینه که ⁦Venice⁩ اولین پردازنده‌ی سرور تجاریه که ⁦PCIe⁩ نسل ۶ رو پیاده‌سازی کرده؛ پهنای باند انتقال داده بین پردازنده و ⁦GPU⁩ نسبت به نسل قبل دو برابر شده. به علاوه ۱۶ کانال ⁦DDR5⁩ حافظه داره که پهنای باند حافظه رو به ۱.۶ ترابایت در ثانیه می‌رسونه - این برای مدل‌های ⁦AI⁩ که باید وزن‌های سنگین رو از حافظه بخونن، خیلی مهمه. هدف اصلی این معماری، ایجنت‌های ⁦AI⁩ هستن. ایجنت ⁦AI⁩ یه سیستمه که ⁦GPU⁩ کارِ استنتاج مدل رو انجام می‌ده و ⁦CPU⁩ وظایف منطقی - مثل فراخوانی ابزارها و هماهنگی بین مراحل مختلف - رو مدیریت می‌کنه. شرکت ⁦AMD⁩ ادعا می‌کنه ⁦Venice⁩ نسبت به ⁦Vera CPU⁩ از ⁦Nvidia⁩ حدود ۳.۳ برابر عملیات ایجنت بیشتری در ازای هر وات انجام می‌ده، هرچند این عدد از تست‌های داخلی خودِ شرکت هست و تایید مستقل نشده. قیمت‌ها از حدود ۷۰۰ دلار شروع می‌شه و مدل پرچم‌دار با ۲۵۶ هسته - ⁦EPYC 9996 -⁩ قیمتش ۱۴٬۹۰۴ دلار هست. نسخه‌های ویژه‌ای هم با کش بیشتر یا حافظه‌ی ⁦LPDDR5X⁩ برنامه‌ریزی شدن که در ۲۰۲۷ عرضه بشن.

Open in Telegram
Views5,576−32%vs avg
Forwards7
Reactions5
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
65 h5,294
79 h5,576
  1. Total to date5,576
#1022Photoedited
Views5,467−33%vs avg
Forwards13
Reactions9
Comments—
#1021Link preview

وقتی یه ⁦LLM⁩ رو اول ⁦train⁩ می‌کنن، چیزی شبیه به یه موتورِ پیش‌بینیِ خالصه. متنِ بعدی رو حدس می‌زنه — همین. نه کمک‌کننده‌ست، نه مؤدب، نه ایمن. پس این «شخصیت» از کجا میاد؟ یه مرحله‌ی دیگه هست به اسم ⁦RLHF⁩ — ⁦Reinforcement Learning from Human Feedback.⁩ اینجوری کار می‌کنه: مدل برای یه سوال چند جوابِ مختلف می‌ده. آدم‌های واقعی اینا رو رتبه‌بندی می‌کنن — کدوم بهتره؟ کدوم مفیدتره؟ از این رتبه‌بندی‌ها یه «مدلِ جایزه» می‌سازن که یاد گرفته سلیقه‌ی آدم‌ها رو تقلید کنه. بعد مدلِ اصلی رو طوری تنظیم می‌کنن که نمره‌ی این مدلِ جایزه رو بیشینه کنه. نتیجه اینه که مدل یاد می‌گیره مفید، صادق، و ایمن باشه — چون اینا توی ⁦training⁩ امتیاز بالا دارن. یه اثرِ جانبیِ جالب: مدل گاهی بیش‌از‌حد محتاط می‌شه. چرا؟ چون تیمِ ارزیاب برای جواب‌های «بالقوه مضر» نمره‌ی پایین می‌داده. مدل یاد گرفته امن‌ترین مسیر رو بره — حتی وقتی لازم نیست. این کاربردیه: وقتی مدل یه درخواستِ کاملاً معقول رو رد می‌کنه، اغلب ⁦pattern-match⁩ کرده به چیزی که توی ⁦training⁩ امتیازِ منفی گرفته بوده. جوابِ «نه» الزاماً از نفهمیدن نمیاد — از شکلِ ظاهریِ جمله‌ات میاد. یه بازنویسیِ دقیق‌تر گاهی کافیه.

Open in Telegram
Views5,610−31%vs avg
Forwards21
Reactions7
Comments—
#1020Link preview

یه چیزی که خیلیا بهش فکر نمی‌کنن: وقتی یه ابزار ⁦AI⁩ رو به ⁦Gmail⁩ یا ⁦Google Drive⁩ وصل می‌کنی، دقیقاً چقدر دسترسی داری می‌دی؟ بذار یه سناریوی واقعی بزنم. یه ابزار هست که کمک می‌کنه ایمیل حرفه‌ای بنویسی. برای اینکه ⁦context⁩ داشته باشه، ازت می‌خواد ⁦Gmail⁩ رو وصل کنی. صفحه‌ی دسترسی رو تأیید می‌کنی و ادامه می‌دی. اما اون تأیید، دسترسی به کل ⁦inbox⁩ رو می‌ده — نه فقط یه ایمیل. همه‌چیز. تا وقتی که خودت نری و دسترسیش رو قطع کنی، اون ابزار هنوز می‌تونه ایمیل‌هات رو بخونه — حتی اگه ماه‌ها از استفاده‌اش گذشته باشه. مشکل اینجاست که ⁦OAuth⁩ دسترسی موقت نیست. تا وقتی که خودت ⁦revoke⁩ نکنی، باقی می‌مونه. توی تنظیمات حساب ⁦Google⁩، بخشِ «امنیت» یه قسمت داره که نشون می‌ده چه برنامه‌هایی هنوز به حسابت دسترسی دارن. برای خیلیا عددش غیرمنتظره‌ست — الان برو چک کن. یه راه ساده برای کاهش ریسک: بعد از استفاده از هر ابزار ⁦AI⁩ که به حساب‌هات وصل کردی، دسترسیش رو قطع کن. ابزارهایی رو ترجیح بده که فقط به یه فایل یا یه ⁦thread⁩ دسترسی می‌خوان — نه کل حساب. این موضوع فقط ⁦Google⁩ نیست — ⁦Notion⁩، ⁦Slack⁩، ⁦GitHub⁩، هر جایی که به ⁦AI⁩ دسترسی دادی، همین منطق رو داره.

Open in Telegram
Views5,386−34%vs avg
Forwards16
Reactions7
Comments—
#1019Photo
Views6,526−20%vs avg
Forwards14
Reactions7
Comments—
#1018Link preview

یه چیزی هست که اکثر کسایی که با مدل‌های ⁦local⁩ کار می‌کنن ازش خبر ندارن: می‌شه دو تا مدل رو با هم ترکیب کرد — نه با پرامپت، بلکه مستقیم تو وزن‌هاشون. بهش ⁦model merging⁩ می‌گن. ایده‌ش اینه که اگه یه مدلِ پایه داشته باشی (مثلاً ⁦Llama 3.1 8B⁩) و دو تا نسخه‌ی ⁦Fine-tuning⁩ شده ازش بگیری — یکی برای کدنویسی، یکی برای نوشتنِ خلاقانه — می‌تونی وزن‌هاشون رو باهم ترکیب کنی و یه مدلِ جدید بسازی که هر دو مهارت رو داشته باشه. تکنیکِ معروفش ⁦SLERP⁩ هست. به‌جای اینکه فقط میانگینِ ساده بگیری، تو یه فضای کروی میان‌یابی می‌کنه — نتیجه‌ش معمولاً از ⁦average⁩ ساده بهتره، چون توزیعِ وزن‌ها رو سالم نگه می‌داره. چرا اصلاً کار می‌کنه؟ چون وزن‌های مدل در یه فضای برداری‌ان که جمع‌پذیره. اگه یه ⁦Fine-tuning⁩ مهارتِ ⁦X⁩ رو به یه جهتِ خاصِ فضا اضافه کرده باشه و ⁦Fine-tuning⁩ِ دیگه‌ای مهارتِ ⁦Y⁩ رو، ترکیبشون اغلب هر دو رو نگه می‌داره. یه سناریوی واقعی: مدلی داری که روی داده‌های پزشکی ⁦Fine-tuning⁩ شده ولی خروجیش خیلی خشکه. یه مدلِ دیگه هست که خوب توضیح می‌ده ولی دانشِ پزشکی نداره. این دو تا رو با نسبتِ ۶۰-۴۰ ⁦merge⁩ کن — مدلِ جدید هم دانش داره، هم می‌تونه خوب توضیح بده. ابزارش ⁦mergekit⁩ هست (⁦Open Source⁩، رایگانه). تو ⁦Ollama⁩ هم می‌تونی مدلِ ⁦merge⁩ شده رو لود کنی. یه محدودیتِ مهم: این فقط با مدل‌هایی کار می‌کنه که از یه ⁦base⁩ مشترک اومدن. اگه ⁦architecture⁩شون فرق داشته باشه، ⁦merge⁩ نمی‌شه. 👇 اگه ⁦local model⁩ اجرا می‌کنی، یه بار امتحانش کن — ممکنه نتیجه از هر کدوم از مدل‌های اصلی بهتر دربیاد.

Open in Telegram
Views6,324−23%vs avg
Forwards21
Reactions12
Comments—