پرش به محتوای اصلی

دسته‌بندی

تحلیل و بررسی تخصصی

تحلیل‌های عمیق مدل‌ها، مقالات و بنچمارک‌ها — پیش‌چاپ‌ها، ارزیابی‌ها، مدل‌های زبانی پیشرو و پژوهش همراستاسازی.

۵٬۷۵۲ مقاله منتشر شده

پایان دوران ارزان عوامل کلود همیشه فعال

گزارش Anthropic: جداسازی هزینه‌های محاسباتی از طرح‌های اشتراکی کلود

شرکت Anthropic در تلاش است تا هزینه‌ی استفاده از عامل‌های خودکار را از طرح‌های اشتراکی جدا کرده و به صورت پرداخت به‌ازای مصرف (Metered Billing) درآورد. این حرکت سیگنالی از تغییر…

۴ دقیقه خواندن۲
نسخه نمایشی، محصول نیست
آموزش کاربردی

شکاف میان دموی موفق و تولید واقعی؛ چهار دلیل شکست پروژه‌های هوش مصنوعی

بسیاری از پیش‌نمونه‌های هوش مصنوعی به دلیل اتکای به ارزیابی انسانی و نادیده گرفتن هزینه‌های مقیاس، در مرحله تولید شکست می‌خورند. برای موفقیت، باید ارزیابی را به عنوان یک زیرساخت…

۳ دقیقه خواندن
عامل هوش مصنوعی Clioloop با قابلیت ترکیب عاملی، یک پلتفرم متن‌باز برای خودکارسازی وظایف پیچیده.
آموزش کاربردی

Clioloop با ترکیب مدل‌های ارزان‌قیمت، کیفیت مدل‌های پیشرو را شبیه‌سازی می‌کند

پروژه متن‌باز Clioloop با استفاده از مکانیزم «تلفیق عامل‌محور»، پاسخ‌های باکیفیت را از ترکیب چندین مدل کوچک و ارزان تولید می‌کند. این سیستم با جایگزینی یک مدل واحد و گران با تیمی…

۳ دقیقه خواندن
ابزارهای پایش LLM نسبت به لایه صدا نابینا هستند. این ۶ مورد را بررسی کردم.
آموزش کاربردی

کامی‌ب‌های کاذب؛ شکاف میان ابزارهای نظارتی و واقعیتِ عامل‌های صوتی

ابزارهای استاندارد نظارت بر مدل‌های زبانی، بخش بزرگی از تأخیرهای لایه‌ی صوتی را نادیده می‌گیرند. توسعه‌دهندگان برای رفع این مشکل باید از ابزارهای مبتنی بر OpenTelemetry استفاده…

۳ دقیقه خواندن۱
هماهنگی سرباز-به-ابر برای طراحی ایستگاه اکتشاف اعماق دریا در شرایط داده‌کم شدید
آموزش کاربردی

«ارسال ناهنجاری‌های تأییدشده»؛ راهکار جدید برای مدیریت داده‌های زیردریایی

یک معماری جدید هماهنگی به دسته‌های عامل‌های زیردریایی اجازه می‌دهد با کمترین میزان تبادل داده، محیط‌های عمیق اقیانوس را نقشه‌برداری کنند. این سیستم با پردازش داده‌ها در لبه و…

۷ دقیقه خواندن
حافظه عامل یک پایگاه داده نیست، بلکه بخشی از فرآیند تفکر فعال آن است.

مدل GEM: جایگزینی تکامل وضعیت با پایگاه‌داده در حافظهٔ عامل‌ها

یک چارچوب فنی جدید استدلال می‌کند که نگاه به حافظهٔ عامل‌های هوش مصنوعی به‌عنوان یک پایگاه‌داده، باعث شکست در یادگیری و فراموشی می‌شود. مدل پیشنهادی GEM تمرکز را از ذخیره‌سازی…

۲ دقیقه خواندن
آینده SRE: نگاهی به ۵ سال آینده
آموزش کاربردی

۵ قانون قراردادی برای جلوگیری از شکست سامانه‌های چندعاملی در مقیاس واقعی

بیشتر سامانه‌های هوش مصنوعی چندعاملی در محیط عملیاتی به‌دلیل نبود «قراردادهای انتقال» صریح شکست می‌خورند. دکتر سامسون تانیماوو چارچوبی ساختاریافته بر پایه طرح‌واره‌های تایپ‌شده و…

۴ دقیقه خواندن
غواصی عمیق در کوانتیزاسیون عدد صحیح: کاهش دقت مدل‌های هوش مصنوعی با حفظ کارایی
آموزش کاربردی

کوانتایزیشن اعداد صحیح مصرف انرژی مدل‌های زبانی را تا ۳۰ برابر کاهش داد

استفاده از کوانتایزیشن اعداد صحیح با جایگزینی مقادیر دقیق با بیت‌های کمتر، حافظه و مصرف انرژی مدل‌های هوش مصنوعی را به‌شدت کاهش می‌دهد. این روش از طریق بهینه‌سازی واحدهای…

۱۳ دقیقه خواندن
چرا هر توسعه‌دهنده‌ای در نهایت عامل‌های هوش مصنوعی را مدیریت خواهد کرد
زندگی با AI

«توسعه‌دهندگان اکنون مدیرانِ کارکنان دیجیتال‌اند»؛ تغییر نقش در مهندسی

مهندسی نرم‌افزار از کدنویسی دستی به مدیریت «کارکنان دیجیتالِ خودگردان» تغییر مسیر داده است. توسعه‌دهندگان اکنون باید برای جلوگیری از افزایش بدهی فنی و شکست‌های سیستمی، بر تسلط بر…

۷ دقیقه خواندن