پرش به محتوای اصلی

دسته‌بندی

تحلیل و بررسی تخصصی

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

۶٬۸۲۳ مقاله منتشر شده

آموزش کاربردی

درون سیستم Blinded Eval؛ راهکاری برای شناسایی حافظهٔ لو رفته در بنچمارک‌ها

یک چارچوب ارزیابی جدید با جداسازی مسیرهای «دقیق» و «کور»، مانع از تقلب مدل‌های هوش مصنوعی در آزمون‌ها می‌شود. این سیستم تضمین می‌کند مدل‌ها بر اساس رعایت دستورالعمل‌ها سنجیده…

۷ دقیقه خواندن۲
آموزش کاربردی

درون موتور سایزینگ آمازون؛ تبدیل مدل‌های سه‌بعدی به نسبت‌های نرمال

آمازون از بینایی ماشین و بردارهای ویژگی با ابعاد بالا برای تحلیل فرم بدن و بهینه‌سازی تناسب لباس استفاده می‌کند. این سامانه مدل‌های سه‌بعدی بدن را به نسبت‌های نرمال‌شده تبدیل…

۳ دقیقه خواندن
آموزش کاربردی

«تمرکز بر فرآیند به‌جای پاسخ»؛ معیار جدید ارزیابی عامل‌های هوش مصنوعی

محک جدید AgentToolEval نشان می‌دهد مدل‌های کوچک و سریع می‌توانند در قابلیت فراخوانی ابزار با مدل‌های پیشرو برابری کنند. این ارزیابی با تمرکز بر «فرآیند» به‌جای «پاسخ نهایی»، نقاط…

۸ دقیقه خواندن
آموزش کاربردی

متدولوژی Tryout Plate توهمات عامل‌های هوش مصنوعی را در کدنویسی حذف کرد

شرکت MonkeyCode با معرفی روش «صفحه آزمون»، اجرای عامل‌های هوش مصنوعی را از تأیید محلی جدا کرد. این سیستم با الزام به اعتبارسنجی مستقل نتایج، مانع از آن می‌شود که مدل‌ها درباره…

۸ دقیقه خواندن
آموزش کاربردی

تبدیل یادداشت‌های Obsidian به حافظهٔ فعال و خود-اصلاح‌گر برای عامل‌های هوش

یک چارچوب متن‌باز جدید با پیاده‌سازی الگوی Karpathy، مخازن Obsidian را به پایگاه‌های دانشی تبدیل می‌کند که توسط عامل‌های هوش مصنوعی به‌طور فعال بازنویسی و به‌روزرسانی می‌شوند. این…

۴ دقیقه خواندن
آموزش کاربردی

مکانیزم Placement Gate تعادل میان امنیت محلی و محاسبات ابری را برقرار کرد

پروژه MonkeyCode با معرفی یک «دروازه جای‌گذاری»، تعیین می‌کند کدام بخش از کدهای حساس در سیستم محلی بماند و کدام وظایف سنگین به سرورهای ابری منتقل شود. این سیستم با استفاده از یک…

۹ دقیقه خواندن

سرمایه‌گذاران: ۸۰۰ میلیون دلار برای زیرساخت‌های امنیتی عامل‌های هوش مصنوعی

شرکت‌های Island و Cyera هر کدام ۴۰۰ میلیون دلار سرمایه جذب کردند تا زیرساخت‌های امنیتی عامل‌های هوش مصنوعی را توسعه دهند. این موج سرمایه‌گذاری نشان‌دهنده چرخش توجه سرمایه‌گذاران…

۳ دقیقه خواندن
آموزش کاربردی

چرا Prompt Caching کارایی فشرده‌سازی ابزارها را در مدل‌های کدنویس گرفت

آزمایش‌های جدید نشان می‌دهد که به دلیل کارایی بالای حافظه پاداش (Prompt Caching)، فشرده‌سازی خروجی ابزارها در عامل‌های کدنویس تنها ۲٪ در هزینه‌ها صرفه‌جویی می‌کند. در واقع، هزینه…

۱۰ دقیقه خواندن
آموزش کاربردی

۵ آزمون امنیتی حیاتی پیش از اعطای دسترسی ابزاری به عامل‌های هوش مصنوعی

اتصال مدل‌های زبانی به ابزارها از طریق پروتکل MCP ریسک‌های جدی مانند تزریق دستورات و ارتقای سطح دسترسی را ایجاد می‌کند. این پنج آزمون مبتنی بر «قناری» به توسعه‌دهندگان کمک می‌کند…

۳ دقیقه خواندن