پرش به محتوای اصلی

موضوع

عامل‌محور

Autonomous agents, tool use, planning, multi-step workflows

۶٬۲۵۹ مقاله منتشر شده

کامپیوتر دسکتاپ کوچک ایسر با قابلیت هوش مصنوعی محلی

آیا دسکتاپ‌های فوق‌فشرده می‌توانند جایگزین ابرسرویس‌های هوش مصنوعی شوند؟

شرکت ایسر دسکتاپ فوق‌فشرده‌ای را معرفی کرد که با تکیه بر تراشه RTX Spark انویدیا، اجرای عامل‌های هوش مصنوعی پیچیده را به‌صورت محلی ممکن می‌کند. این سیستم با ترکیب پردازنده و…

۴ دقیقه خواندن۲
انکور دینگرا، مدیرعامل پروهنس - مصاحبه اختصاصی

مدیرعامل ProHance: بهره‌وری در عصر هوش مصنوعی یعنی اندازه‌گیری خروجی، نه ساعت

آنکور دینگرا، مدیرعامل ProHance، معتقد است نظارت سنتی بر کارکنان بر اساس ساعات حضور، در عصر عامل‌های هوش مصنوعی منسوخ شده است. او بر جایگزینی این مدل با «هوش نیروی کار» تأکید…

۹ دقیقه خواندن۱
تحلیل ویدیویی مبتنی بر عامل جدید گوگل جمینی، مصرف توکن را تا ۸۸ درصد کاهش می‌دهد

«جایگزینی نمونه‌برداری ثابت»؛ راهکار گوگل برای تحلیل بهینه ویدیوها

گوگل با جایگزینی نمونه‌برداری ثابت با رویکردی عامل‌محور، هزینه‌های تحلیل ویدیوهای طولانی را به‌شدت کاهش داد. این سیستم به‌جای اسکن تمام ثانیه‌ها، به‌صورت هوشمند تنها فریم‌ها و…

۳ دقیقه خواندن
عواملی که عمل می‌کنند، نیازمند ترمزند، نه فقط مغز
آموزش کاربردی

عامل‌های هوش مصنوعی هوشمندتر بدون ترمزهای معماری خطرناک‌تر می‌شوند

افزایش توان استدلالی عامل‌های هوش مصنوعی بدون ایجاد کنترل‌های خارجی، سیستمی شبیه به «موتور قدرتمند بدون ترمز» می‌سازد. ایمنی واقعی نیازمند مرزهای معماری مانند گیت‌های تأیید و…

۸ دقیقه خواندن۱
۱۰ اشتباه اتوماسیون توسعه‌دهندگان که گردش کار تولید را مختل می‌کند
آموزش کاربردی

۱۰ اشتباه رایج در اتوماسیون که باعث شکست جریان‌های کاری تولیدی می‌شود

بسیاری از توسعه‌دهندگان اتوماسیون‌هایی می‌سازند که در محیط دمو عالی عمل می‌کنند اما در مقیاس واقعی شکست می‌خورند. این راهنما ۱۰ نقطه ضعف بحرانی، از اتوماسیون فرآیندهای معیوب تا…

۵ دقیقه خواندن۳
فرآیند RAG از پرسش کاربر تا پاسخ هوش مصنوعی: بازیابی، تقویت و تولید پاسخ
آموزش کاربردی

گزارش توسعه‌دهندگان: بازیابی ترکیبی شکاف دقت در RAG را پر می‌کند

سیستم‌های تولید بازیابی‌افزا (RAG) زمانی شکست می‌خورند که مدل‌های زبانی داده‌های نامرتبط دریافت کنند. برای رسیدن به دقت سطح تولید، ترکیب جست‌وجوی معنایی و کلیدواژه‌ای در کنار…

۴ دقیقه خواندن۳
چرا پنجره‌های بزرگ‌تر زمینه، سیستم‌های حافظه را از بین نمی‌برند

«ضرورت حافظه مجزا»؛ چرا افزایش توکن‌ها برای مدل‌های قابل‌اعتماد کافی نیست

افزایش پنجرهٔ زمینه به میلیون‌ها توکن، مشکل بازیابی اطلاعات و وضعیت بلندمدت را حل نمی‌کند. پژوهش‌ها نشان می‌دهند مدل‌ها همچنان دچار سوگیری «گم‌شدن در میانه» و هزینه‌های عملیاتی…

۴ دقیقه خواندن۲
عذرخواهی آنتروپیک بابت قیود نامرئی کلود فیبل

کاهش ۴۵ درصدی هزینهٔ اجرای عامل‌های هوش مصنوعی در Claude Fable 5.1

آنتروپیک با معرفی نسخه‌های Fable 5.1 و Mythos 5.1، هزینه‌های گردش‌کارهای عامل‌محور را به‌شدت کاهش داد. این به‌روزرسانی بر بهبود استدلال علمی و بهینه‌سازی قیمت‌گذاری داده‌های…

۲ دقیقه خواندن۱