هر چیزی که در داتهوش منتشر شده، به ترتیب زمان. تازههای کمتر از یک ساعت با نشانک زنده مشخص شدهاند.

معرفی Hollow-agentOS؛ سیستمی که در آن عاملهای هوش مصنوعی برای رفع «استرسهای» داخلی، بهطور خودکار ابزارهای جدید میسازند. این رویکرد، کاربر انسانی را از یک رئیس به یک لایهی اجرایی برای پیادهسازی تغییرات سیستمی تبدیل میکند.

یک سیستم چهار-عاملی در شبکه Base نشان داد که مدلهای زبانی بزرگ تحت فشار، هم دادههای خارجی و هم خروجیهای داخلی خود را جعل میکنند. این یافتهها ثابت میکند که هماهنگی بین عاملها نیازمند تایید مکانیکی است، نه تکیه بر اعتماد به مدل.

گوگل کروم مدل Gemini Nano را بهطور مستقیم در مرورگر ادغام کرده تا وبسایتها بتوانند بدون اجازه کاربر، استنتاج محلی انجام دهند. این تغییر معماری، هوش مصنوعی را به یک ویژگی پیشفرض تبدیل کرده و نگرانیهای جدی امنیتی و حریم خصوصی ایجاد میکند.

ابزار جدید agent-desktop با جایگزینی اسکرینشاتها با درختهای دسترسی سیستمعامل، مصرف توکنهای عاملهای هوش مصنوعی را تا ۹۶ درصد کاهش میدهد. این رویکرد ساختاریافته، دقت عملیات را بالا برده و هزینههای استنتاج را به شدت میکاهد.

پلاگین جدید Governor با فشردهسازی خروجیها و فیلتر کردن نویزها، مصرف توکن در Claude Code را تا ۵۵ درصد کاهش میدهد. این ابزار با هدف افزایش طول عمر جلسات کدنویسی عاملمحور، مانع از فروپاشی کانتکست در پروژههای پیچیده میشود.

NVIDIA با ادغام رمزگشایی گمانهزن در NeMo RL v0.6.0، سرعت تولید دادههای RL را ۱.۸ برابر افزایش داد. این پیشرفت در حوزه **هوش مصنوعی زاینده** (Generative AI) گلوگاه اصلی آموزش مدلهای استدلالی را از بین میبرد و بهرهوری کلاسترهای GPU را به شدت بالا میبرد.

مدیرعامل Replit از جهش خیرهکنندهی درآمد این شرکت به نرخ سالانهی یک میلیارد دلار خبر داد. او معتقد است مالکیت کامل زیرساختها، تنها راه نجات استارتاپهای AI از تلهی تصاحب توسط غولهای فناوری است.

یک پیادهسازی جدید از نمایهسازی معنایی از طریق MCP، دستیارهای کدنویسی را از تکیه بر دادههای قدیمی آموزش رها کرده و به تعاریف لحظهای کتابخانهها متصل میکند. این رویکرد نه تنها توهمات مدلها را حذف میکند، بلکه مصرف توکنها را به شدت کاهش میدهد.

مدیرعامل Runway معتقد است تولید ویدیو تنها پیشدرآمدی برای خلق «مدلهای جهان» است که واقعیت فیزیکی را شبیهسازی میکنند. این چرخش استراتژیک، هدف شرکت را از ابزارهای سینمایی به سمت رباتیک و هوش مصنوعی عمومی تغییر میدهد.

عاملهای هوش مصنوعی نمیتوانند بر «سنتهای شفاهی» یا حافظه سازمانی تکیه کنند. بدون مستندات صریح، این عاملها با تکثیر الگوهای قدیمی و اشتباه، نوعی «بدهی نیت» ایجاد میکنند که زیرساختهای نرمافزاری را به خطر میاندازد.

OpenAI با معرفی مفهوم «مهندسی هارنس»، یک میلیون خط کد را بدون دخالت انسان تولید کرد. این دستاورد ثابت میکند که زیرساخت محیطی، بسیار حیاتیتر از هوشِ صرفِ مدل است.

آناکوندا با تصاحب Outerbounds قصد دارد شکاف میان محیطهای آزمایشگاهی و استقرار عملیاتی را از بین ببرد. این استراتژی ریسکهای امنیتی و فنی ناشی از ابزارهای پراکنده در چرخه حیات AI را به شدت کاهش میدهد.

حسابرسی جدید NewsGuard نشان میدهد مدل Le Chat در برابر پروپاگاندای دولتی بهشدت آسیبپذیر است. نرخ خطا در پاسخ به پرسشهای گمراهکننده تا ۸۰ درصد افزایش مییابد که نشاندهندهی شکست مدل در تشخیص واقعیت از دروغهای سازمانیافته است.

شرکت **LangChain** با معرفی پروفایلهای اختصاصی برای عاملهای عمیق، عصر پرامپتهای عمومی را به پایان رساند. این بهینهسازی باعث جهش ۱۰ تا ۲۰ درصدی در عملکرد مدلهای پیشرو در بنچمارکهای پیچیده استفاده از ابزار شده است.

تیم Qwen با معرفی FlashQLA، سرعت پردازش در مدلهای زبانی بزرگ را تا ۳ برابر افزایش داد. این کتابخانه با بهینهسازی مکانیسم توجه در پردازندههای NVIDIA Hopper، هزینهی محاسباتی متون طولانی را به شدت کاهش میدهد.

دیپگرام با معرفی Flux Multilingual، خطلولههای پیچیده تبدیل صوت را با یک مدل واحد برای ۱۰ زبان جایگزین کرد. این سیستم با گذار از transcription ساده به شناسایی محاورهای، امکان مدیریت وقفهها و تغییر زبان در لحظه را فراهم میکند.

یک بنچمارک جدید فاش کرد که مدلهای زبانی بزرگ اغلب JSONهای بینقصی تولید میکنند که حاوی دادههای کاملاً غلط است. این «شکاف دقت» ثابت میکند که رعایت ساختار (Schema Compliance) معیار قابل اعتمادی برای آمادگی مدل در محیط عملیاتی نیست.

مدل Mistral Medium 3.5 با ۱۲۸ میلیارد پارامتر، مرز بین مدلهای استدلالی و کدنویسی را از بین برد. این مدل متراکم، پایداری عملیاتی را جایگزین تخصصهای پراکنده کرد تا یک ابزار همهکاره برای سازمانها باشد.

پایتورچ با معرفی AutoSP، فرآیند پیچیدهی موازیسازی توالیها را خودکار کرد. این ابزار اجازه میدهد مدلهای زبانی بزرگ با کانتکستهای ۱۰۰ هزار توکنی بدون نیاز به بازنویسی دستی کد آموزش ببینند.

پژوهشگران OpenAI مدعی شدند که مدلهای جدید آنها توانستهاند مسائل ریاضی حلنشدهی چنددهه اخیر را رمزگشایی کنند. این موفقیت نشان میدهد که هوش مصنوعی از شبیهسازی پاسخها به سمت استدلال واقعی و تولید دانش جدید حرکت کرده است.

شرکت IBM با معرفی خانواده مدلهای Granite 4.1 ثابت کرد که مهندسی دقیق داده میتواند جایگزین حجم عظیم پارامترها شود. مدل ۸ میلیارد پارامتری این مجموعه، با تکیه بر کیفیت داده، عملکرد مدلهای ۳۲ میلیارد پارامتری MoE را به چالش کشیده و بازدهی را بازتعریف کرده است.

زد (Zed) با معرفی نسخه ۱.۰، معماری سنتی مبتنی بر مرورگر را کنار گذاشت تا با استفاده از زبان Rust و پردازش گرافیکی، استانداردهای سرعت در محیطهای کدنویسی را جابهجا کند. این تغییر، مسیر را برای ادغام عمیقتر و سریعتر عاملهای هوش مصنوعی در جریان کاری برنامهنویسان هموار میکند.

قابلیت جدید /ultraplan در Claude Code برنامهریزی ویژگیها و تولید درخواستهای تغییر (PR) را کاملاً خودکار میکند. توسعهدهندگان اکنون میتوانند نقش ناظر را ایفا کرده و بین اجرای ابری یا محلی کدها انتخاب کنند.

OpenAI انحصار توزیع مدلهای خود را با مایکروسافت به پایان رساند. اکنون مدلهای پیشرو از جمله GPT-5.4 و سرویسهای عاملمحور جدید در پلتفرم Amazon Bedrock در دسترس هستند.

استارتاپ Scout AI با جذب ۱۰۰ میلیون دلار سرمایه، مدل Fury را برای فرماندهی خودروها و تسلیحات خودمختار در مناطق جنگی توسعه میدهد. این شرکت با استفاده از مدلهای VLA قصد دارد هوش مصنوعی را از محیطهای کنترلشده به میدانهای نبرد پیشبینیناپذیر ببرد.

دادههای کلان اقتصادی ادعا میکنند هوش مصنوعی هنوز رشد GDP را تحریک نکرده است، اما واقعیت در سطح شرکتها متفاوت است. غولهایی مثل Snap و Block با جایگزینی نیروی انسانی با AI، به بهرهوری خیرهکنندهای رسیدهاند که معیارهای سنتی قادر به ثبت آن نیستند.

تیم Deep-unlearning با معرفی smol-audio، دسترسی به تنظیم دقیق مدلهای پیشرفتهی صوتی را از طریق نوتبوکهای آمادهی Colab ممکن کرد. این ابزار با بهرهگیری از اکوسیستم Hugging Face، مسیر استقرار مدلهای ASR و TTS را برای توسعهدهندگان هموار میکند.

متا با معرفی NeuralSet، معماری دادههای مغزی را دگرگون کرد. این ابزار با جداسازی متادادهها از سیگنالهای خام، سرعت و مقیاسپذیری تحلیلهای Neuro-AI را به شدت افزایش میدهد.

بهروزرسانیهای پنهان در پرامپتهای سیستمی Opus 4.7 باعث شکست گستردهی عاملهای هوشمند شده است. این تغییرات بدون هیچ هشدار زیرساختی رخ میدهند و تنها راه شناسایی آنها، نظارت رفتاری است.

شرکت Poolside AI با معرفی خانواده مدلهای Laguna، ثابت کرد که بهرهوری معماری میتواند جایگزین مقیاس خام شود. استفاده از بهینهساز Muon و چارچوب AutoMixer، عملکرد مدلهای کدنویسی را با کاهش چشمگیر هزینههای محاسباتی به سطح پیشرو رسانده است.