پرش به محتوای اصلی

دسته‌بندی

آموزش کاربردی

راهنماهای گام‌به‌گام، دوره‌ها و آموزش‌های کاربردی استفاده از هوش مصنوعی — از مهندسی پرامپت تا فاین‌تیون و RAG.

۸٬۲۰۰ مقاله منتشر شده

عوامل هوشمند در محیط شبیه‌سازی شده Qwen-AgentWorld در حال تعامل و انجام وظایف پیچیده هستند.

شبیه‌سازی محیط‌های پیچیده با زنجیره تفکر بلند در Qwen-AgentWorld

پژوهشگران مجموعه‌ای از مدل‌های جهانی زبان به نام Qwen-AgentWorld را معرفی کردند که قادر به شبیه‌سازی محیط‌های عامل‌محور در هفت دامنه مختلف است. این مدل‌ها با پیش‌بینی دینامیک محیط…

۲ دقیقه خواندن۲
مخزن گیت‌هاب برای ارزیابی جامع مدل‌های تبدیل‌کننده نشر تصادفی مولد
آموزش کاربردی

DiffusionBench؛ استانداردی جامع برای عبور از بن‌بست ImageNet در مدل‌های انتشار

پروژه DiffusionBench با معرفی یک چارچوب ارزیابی یکپارچه، تلاش می‌کند معیارهای سنجش مدل‌های ترنسفورمر انتشار را از تمرکز صرف بر ImageNet به تحلیل‌های چندبعدی تغییر دهد. این ابزار…

۳ دقیقه خواندن۲
نمایش ساختار Sparse Attention در مدل MiniMax M3: کاهش پیچیدگی محاسباتی از O(n²) به O(n) با استفاده از انتخاب هوشمندانه توکن‌ه

«بهینه‌سازی استنتاج طولانی»؛ هدف اصلی در طراحی مدل وزن‌باز M3

مدل وزن‌باز M3 با پنجره متنی یک میلیون توکنی و قابلیت‌های چندوجهی معرفی شد. این مدل با استفاده از معماری توجه پراکنده (MSA)، هزینه محاسباتی استنتاج در متون طولانی را به‌شدت کاهش…

۴ دقیقه خواندن
GitHub - y-times-y/y: یک برنامه عامل کدنویسی انعطاف‌پذیر. با Claude Code و Codex پروژه بسازید و خود y را بازطراحی کنید.
آموزش کاربردی

درون معماری پروژه y؛ پیوند عامل‌های هوش مصنوعی با رابط‌های کاربری پویا

پروژه y محیط کدنویسی جدیدی است که اجازه می‌دهد رابط کاربری (UI) آن توسط عامل‌های میزبانی‌شده به‌صورت زنده تغییر کند. این سیستم با جداسازی هسته مرکزی از لایه کاربر، امنیت را در حین…

۳ دقیقه خواندن۱
اتوبوس کاری مبتنی‌بر فایل برای هماهنگی چند ابزار خط‌فرمان عامل بدون واسط پیام‌رسان
آموزش کاربردی

مدیریت ناوگان عامل‌های هوش مصنوعی با جایگزینی بروکرها توسط سیستم فایل

یک الگوی معماری جدید، واسطه‌های سنگین پیام‌رسانی مانند Redis یا Kafka را با یک «باس کاری» مبتنی بر فایل جایگزین می‌کند. این روش با تبدیل وضعیت‌ها به فایل‌های بادوام، قابلیت همکاری…

۵ دقیقه خواندن
استقرار سازمانی هوش مصنوعی عامل‌محور: واقعیت DAM عامل‌محور [۲۰۲۶]
آموزش کاربردی

۹۰٪ از محتوای شرکت‌ها برای عامل‌های هوش مصنوعی غیرقابل‌خوان است

بسیاری از شرکت‌ها در استقرار عامل‌های هوشمند شکست می‌خورند چون دارایی‌های محتوایی آن‌ها فاقد ساختار معنایی است. ظهور معماری Agentic DAM نشان می‌دهد که گلوگاه تولید، قدرت مدل‌ها…

۵ دقیقه خواندن۱
بیشتر عامل‌ها «نابینای وضعیت» هستند. با یک لایه هماهنگ‌سازی و درخت بصری مصنوعی، حافظه اپیزودیک واقعی به آن‌ها دادم.
آموزش کاربردی

Atom با لایه معنایی درخت‌های بصری توهم عامل‌های هوش مصنوعی را می‌گیرد

پلتفرم Atom با جایگزینی تصاویر خام با یک لایه توصیفی ساختاریافته، از توهم عامل‌ها در تأیید موفقیت ابزارها جلوگیری می‌کند. این سیستم با ترکیب حافظه اپیزودیک و ماشین حالت، دقت اجرای…

۲ دقیقه خواندن