پرش به محتوای اصلی

موضوع

تجربه توسعه‌دهندگان

۴٬۳۱۲ مقاله منتشر شده

مقایسه هزینه و تأخیر در پاسخ‌دهی جریانی و دسته‌ای مدل‌های زبانی بزرگ
آموزش کاربردی

دسته‌بندی پاسخ‌های مدل زبانی هزینه APIها را تا ۴۰٪ کاهش می‌دهد

تحلیل جدید هزینه‌ها نشان می‌دهد که روش دسته‌بندی (Batching) می‌تواند مخارج API را تا ۴۰٪ کاهش دهد، هرچند تأخیر را افزایش می‌دهد. در مقابل، استریمینگ حس انتظار را ۳۰ تا ۵۰ درصد کم…

۴ دقیقه خواندن۲
توقف کدنویسی لیست مدل‌ها: استفاده از MCP مبتنی بر کشف برای کاهش ۴۰% حجم توکن
آموزش کاربردی

استعلام پویا در برابر فهرست‌های ایستا؛ راهکاری برای حذف خطاهای اندپوینت

توسعه‌دهندگان با جایگزینی فهرست‌های ابزارهای سخت‌افزاری با معماری اکتشاف‌پایه در پروتکل زمینهٔ مدل (MCP)، هزینه‌های استارت‌آپ را به‌شدت کاهش داده‌اند. این روش اجازه می‌دهد عامل‌ها…

۴ دقیقه خواندن۱
پرواز پهپاد و اندازه‌گیری لرزش زمین با ترکیب SibFly و LangChain
آموزش کاربردی

عامل‌های هوش مصنوعی چگونه داده‌های نشست زمین ناسا را تحلیل می‌کنند؟

پلتفرم SibFly با ارائه یک API جدید، دسترسی عامل‌های هوش مصنوعی به داده‌های واقعی نشست زمین ماهواره‌های ناسا را ممکن کرد. اکنون توسعه‌دهندگان می‌توانند با ادغام این ابزار در…

۳ دقیقه خواندن۱
از چت‌بات ساده تا هوش مصنوعی که جای ما کار می‌کند — چه چیزهایی اضافه کردیم؟
آموزش کاربردی

۷ لایه معماری که یک چت‌بات ساده را به عامل هوش مصنوعی تبدیل می‌کند

تبدیل مدل‌های زبانی از حالت پاسخ‌دهنده به عامل‌های خودکار، نیازمند افزودن لایه‌های ساختاری برای حافظه، استدلال و دسترسی به ابزارها است. این معماری به توسعه‌دهندگان اجازه می‌دهد…

۴ دقیقه خواندن۱
برنامه‌های iMessage لینک: پرداخت، بلیط، پرواز و بازی در حباب iMessage
آموزش کاربردی

«رزرو در حباب پیام»؛ قابلیت جدید Linq برای پرداخت‌های درون iMessage

استارتاپ Linq قابلیتی را معرفی کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد کارت‌های تعاملی برای پرداخت و رزرو پرواز را مستقیماً درون iMessage رندر کنند. این فناوری با به‌روزرسانی…

۵ دقیقه خواندن۱
نمودار معماری مدل TabFM برای پیش‌بینی بدون آموزش مجدد روی داده‌های جدولی

گوگل با TabFM مهندسی ویژگی‌های دستی در داده‌های جدولی را حذف کرد

گوگل مدل بنیادی TabFM را معرفی کرد که پیش‌بینی‌های طبقه‌بندی و رگرسیونی را به‌صورت Zero-shot انجام می‌دهد. این مدل با حذف نیاز به تنظیم ابرپارامترها و آماده‌سازی دستی داده‌ها،…

۵ دقیقه خواندن
توجه خودکار نامه‌های ورودی به نماینده مناسب
آموزش کاربردی

توزیع متمرکز Nylas: جایگزینی عامل‌های غول‌پیکر با کارگران متخصص

پلتفرم Nylas یک معماری مسیریابی جدید معرفی کرد که به جای استفاده از یک عامل جامع، پیام‌ها را بین کارگران متخصص تقسیم می‌کند. این روش اجازه می‌دهد توسعه‌دهندگان هر بخش از سیستم را…

۱۴ دقیقه خواندن۱