پرش به محتوای اصلی

موضوع

تجربه توسعه‌دهندگان

۴٬۳۱۳ مقاله منتشر شده

بررسی ۱۴ گزارش از هدررفت بودجه عامل‌های هوش مصنوعی: هر شکست، یکی از دو راه بود.
آموزش کاربردی

تحلیل ۱۴ گزارش شکست: نقص‌های مسیریابی عامل‌های AI بودجه API را می‌بلعند

تحلیل ۱۴ گزارش شکست نشان می‌دهد که عامل‌های هوش مصنوعی به‌دلیل شکاف در بررسی بودجه هنگام مسیریابی مدل و فراخوانی‌های هم‌زمان، هزینه‌های پیش‌بینی‌نشده‌ای ایجاد می‌کنند. راهکار…

۲ دقیقه خواندن۱
عکس: یک عرصه بازی گوموکو با هوش مصنوعی که از طریق پروتکل MCP با هم رقابت می‌کنند
آموزش کاربردی

استدلالِ بلادرنگ در برابر نصب محلی؛ تغییر رویکرد در ارزیابی عامل‌های AI

یک محیط رقابتی جدید برای بازی گوموکو، امکان تقابل عامل‌های هوش مصنوعی را از طریق پروتکل MCP فراهم کرد. این پلتفرم با حذف نیاز به نصب نرم‌افزار محلی، استدلال مدل‌های پیشرو را تحت…

۲ دقیقه خواندن۴
آیزاک ROS ۵ انویدیا: مهارت‌های عاملی و پشتیبانی از ROS Lyrical

انویدیا: افزایش ۵.۵ برابری سرعت پردازش بصری در ربات‌های عامل‌محور

انویدیا با معرفی Isaac ROS 5.0، جریان‌های کاری عامل‌محور و یک سامانه انتقال حافظه بدون وابستگی به سخت‌افزار را معرفی کرد. این به‌روزرسانی سرعت ادراک ربات‌ها را تا ۵.۵ برابر افزایش…

۵ دقیقه خواندن۳
هوش مصنوعی حکمت ندارد و شما هم نخواهید داشت
زندگی با AI

بدهی فنی در عصر Vibe Coding؛ چرا کدهای تولیدشده توسط AI ناپایدارند؟

اتکای بیش از حد به هوش مصنوعی در برنامه‌نویسی، شهود انسانی برای حفظ معماری‌های پیچیده نرم‌افزاری را از بین می‌برد. به دلیل نبود معیارهای بلندمدت برای پایداری، پروژه‌های «حس‌محور»…

۴ دقیقه خواندن۲
پایان شمارش درخواست: استدلال برای سهمیه‌بندی مبتنی بر توکن در سرویس‌های LLM
آموزش کاربردی

محدودیت‌های درخواستی در SaaSهای هوش مصنوعی باعث ضرر مالی و اختلال در سرویس

معیارهای سنتی «تعداد درخواست در دقیقه» برای مدل‌های زبانی بزرگ ناکارآمد هستند زیرا تفاوت شدید هزینه توکن‌ها را نادیده می‌گیرند. جایگزینی این مدل با سیستم اعتبار توکن‌محور، از اثر…

۳ دقیقه خواندن
لوگوی JetBrains Air، سیستم توسعه نرم‌افزار هوشمند مبتنی بر عامل‌های هوش مصنوعی

JetBrains Air؛ سامانه‌ای برای مدیریت و نظارت بر عامل‌های توسعه‌دهنده

جت‌برینز با معرفی JetBrains Air از تمرکز بر محیط توسعه (IDE) فاصله گرفت تا سیستمی باز برای هماهنگی و نظارت بر عامل‌های هوش مصنوعی مختلف ایجاد کند. این پلتفرم شکاف میان بهره‌وری…

۸ دقیقه خواندن۱
تأمین مالی ۱۸۹ میلیون دلاری چه امکاناتی برای مشتریان وردا فراهم می‌کند

سرمایه‌گذاری ۱۸۹ میلیون دلاری در Verda؛ تک‌شاخ جدید محاسبات AI اروپا

شرکت Verda با جذب ۱۸۹ میلیون دلار سرمایه در دور سری B، به جمع تک‌شاخ‌ها پیوست تا زیرساخت‌های ابری متمرکز بر GPU را در اروپا گسترش دهد. هدف این شرکت حل مشکل تأمین سخت‌افزار از طریق…

۵ دقیقه خواندن۱
ترنسفورمرز اکنون از کوانتیزه‌شده‌های llama.cpp پشتیبانی می‌کند
آموزش کاربردی

چگونه مدل‌های GGUF اکنون از طریق هسته‌های ggml اجرا می‌شوند؟

هگینگ‌فیس پشتیبانی از مدل‌های کوانتیده GGUF را به کتابخانه transformers اضافه کرد. این به‌روزرسانی به توسعه‌دهندگان اجازه می‌دهد مدل‌های بهینه را بدون نیاز به موتورهای خارجی و با…

۱۰ دقیقه خواندن۱
راهنمای گام‌به‌گام ساخت مدل زبانی با استفاده از LLM
آموزش کاربردی

Oxlo.ai: بازبینی خودکار کد با هزینهٔ ثابت و بدون محدودیت توکن

یک راهنمای پیاده‌سازی جدید نشان می‌دهد چگونه می‌توان با استفاده از قیمت‌گذاری ثابت Oxlo.ai، ابزارهای بازبینی کد بسازیم که بدون نگرانی از هزینه‌های توکن، تغییرات حجیم گیت را تحلیل…

۳ دقیقه خواندن۲
چرخه حیات توسعه نرم‌افزار مرد است. زنده باد چرخه حیات توسعه هوش مصنوعی!؟
آموزش کاربردی

مدل AI-DLC اجرای نرم‌افزار را به عامل‌ها سپرد و انسان را ناظر کرد

یک چرخهٔ توسعهٔ نرم‌افزاری بومیِ هوش مصنوعی (AI-DLC) جایگزین اجرای دستی وظایف توسط برنامه‌نویسان شده است. در این مدل، عامل‌های هوش مصنوعی کدنویسی و طراحی را انجام می‌دهند و انسان…

۸ دقیقه خواندن
بهینه‌سازی زمان استنتاج مدل‌های زبانی بزرگ: روش‌ها و راهکارها
آموزش کاربردی

۶ تکنیک کلاینت‌ساید برای کاهش تأخیر استنتاج در مدل‌های زبانی

کاهش زمان پاسخ‌دهی هوش مصنوعی تنها به سخت‌افزار سریع‌تر وابسته نیست، بلکه نیازمند بهینه‌سازی پرامپت‌ها و موازی‌سازی درخواست‌هاست. این استراتژی‌ها با تمرکز بر «زمان تا نخستین…

۴ دقیقه خواندن۲