پرش به محتوای اصلی

موضوع

تجربه توسعه‌دهندگان

۴٬۳۳۷ مقاله منتشر شده

اسلیپ‌استریم وکتور: فراخوانی واقعی ابزار، امنیت فارادی، بازخوانی HyDE و ارتقای امبدر
آموزش کاربردی

مدل‌های محلی در VEKTOR به قابلیت‌های ابزار-فراخوانی مدل‌های ابری رسیدند

به‌روزرسانی‌های جدید VEKTOR شکاف عملکردی بین مدل‌های محلی مانند Ollama و غول‌های ابری را از نظر فراخوانی ابزار و استدلال از بین برد. این نسخه همچنین ابزار امنیتی Faraday را از یک…

۱۰ دقیقه خواندن۳
ربات‌های هوش مصنوعی در robots.txt خوش‌آمد گفته‌اند، اما شبکه تحویل محتوا شاید مخالف باشد.
آموزش کاربردی

شبکه‌های توزیع محتوا دسترسی عامل‌های هوش مصنوعی به وب‌سایت‌ها را مسدود می‌کنند

ابزار جدید AgentReady نشان می‌دهد بسیاری از وب‌سایت‌ها به‌طور ناخواسته دسترسی ربات‌های هوش مصنوعی را در سطح CDN می‌بندند، حتی اگر در فایل robots.txt اجازه دسترسی داده باشند. این…

۲ دقیقه خواندن
سنتز سخت‌افزار شتاب‌یافته XLS
آموزش کاربردی

درون XLS؛ نگاهی به زیرساخت متن‌باز گوگل برای خودکارسازی سخت‌افزار

پروژه XLS گوگل یک زنجیره ابزار متن‌باز است که توصیفات سطح بالا را به کدهای سخت‌افزاری Verilog تبدیل می‌کند. این ابزار با تبدیل طراحی سخت‌افزار به یک مسئله مهندسی نرم‌افزار، سرعت…

۹ دقیقه خواندن۴
ربات پیتزا: صندوق ورودی محلی برای عامل‌های هوش مصنوعی طولانی با DeepAgents و LangGraph
آموزش کاربردی

«صندوق ورودی برای Agentها»؛ رویکرد جدید آمازون در تعامل با مدل‌ها

آمازون ابزار متن‌باز Pizza Bot را برای مدیریت وظایف طولانی‌مدت عامل‌های هوش مصنوعی معرفی کرد. این سیستم به‌جای اتصال دائمی، محیطی شبیه به صندوق ورودی ایمیل ایجاد می‌کند تا کاربران…

۵ دقیقه خواندن۳
هوش مصنوعی نیمی از کدهایم را نوشت؛ صورت‌حساب نگهداری ماه سوم رسید.
زندگی با AI

هزینهٔ نگهداری کدهای تولیدشده توسط هوش مصنوعی در ماه سوم جهش می‌کند

ابزارهای کدنویسی هوش مصنوعی هزینهٔ پیش‌نویس اول را تقریباً صفر می‌کنند، اما بار مالی را به مرحلهٔ عیب‌یابی و نگهداری بلندمدت منتقل می‌کنند. تحلیل‌های جدید هشدار می‌دهند که «سرعت…

۶ دقیقه خواندن۱
عنوان تصویر: آیا عامل کدنویسی GitHub Copilot ابتدا PRهای خود را بررسی می‌کند؟
آموزش کاربردی

بازبینی‌های Copilot در گیت‌هاب اعتبار تأیید نهایی برای ادغام کد ندارند

عامل‌های GitHub Copilot می‌توانند کدها را بازبینی کرده و بازخورد دهند، اما اجازه تأیید نهایی (Approval) برای ادغام کد را ندارند. توسعه‌دهندگان انسانی باید همچنان تمام تغییرات…

۴ دقیقه خواندن۳
ساخت درایور GPU از صفر در یک ماه: ادامه ماجرای پرامپت‌نویسی
آموزش کاربردی

عامل‌های هوش مصنوعی چگونه سرعت توسعهٔ درایورهای سخت‌افزاری را بالا می‌برند؟

کودی هو و تیمش با استفاده از مدل‌های زبانی پیشرفته، سخت‌افزار گرافیکی M4 اپل را مهندسی معکوس کرده و یک درایور سازگار با OpenGL ES 3.0 ساختند. این پروژه نشان می‌دهد که عامل‌های هوش…

۱۴ دقیقه خواندن
لوگوی TypeSafe AI و عنوان مقاله: معرفی مدل‌های System One و Jev

مدل Jev تأخیر تصمیم‌گیری هوش مصنوعی را به ۷۰ میلی‌ثانیه رساند

شرکت TypeSafe AI مدل Jev را معرفی کرد؛ سیستمی که به‌جای تولید متن، بر تصمیمات ساختاریافته و سریع تمرکز دارد. این مدل با حذف فرآیند تولید رشته‌های متنی، تا ۲۰۰ برابر سریع‌تر از…

۹ دقیقه خواندن۱
تست حافظه هوش مصنوعی: ثبت ۴.۱ میلیون توکن در یک هفته
آموزش کاربردی

داده‌های Bastra-Recall: ۹۷٪ حافظه‌های بازیابی‌شده توسط هوش مصنوعی نادیده گرفته

بررسی یک سیستم حافظه محلی نشان می‌دهد که مدل‌های هوش مصنوعی با وجود دقت بالا در یافتن خاطرات، حجم عظیمی از داده‌های بی‌ربط را وارد پنجره متنی می‌کنند. این یافته ثابت می‌کند معیار…

۲ دقیقه خواندن