پرش به محتوای اصلی

موضوع

هوش لبه

SLMs, on-device inference, mobile AI, AI PCs

۲٬۰۴۹ مقاله منتشر شده

چگونه فناوری PinTILT مشکل باتری و وزن عینک‌های هوش مصنوعی را حل می‌کند؟

استارتاپ کره‌ای LetinAR با جذب ۱۸.۵ میلیون دلار، فناوری اپتیکی PinTILT را برای تولید عینک‌های هوشمند سبک و کم‌مصرف توسعه می‌دهد. این نوآوری توازن بین روشنایی تصویر و عمر باتری را…

۲ دقیقه خواندن۱

چرا دیگر نیازی نیست برای رفع یک باگ حیاتی پشت میز کار بنشینید؟

OpenAI با ادغام Codex در اپلیکیشن موبایل ChatGPT، امکان مدیریت محیط‌های توسعه محلی و ابری را فراهم کرد. این به‌روزرسانی با معرفی ابزارهایی مثل SSH از راه دور، کنترل کدها را از میز…

۲ دقیقه خواندن۲

مدل EMO و معماری MoE؛ حفظ عملکرد کامل با حذف ۸۷.۵٪ از متخصصان

پژوهشگران مؤسسه Allen و دانشگاه برکلی مدلی به نام EMO را معرفی کردند که با سازمان‌دهی متخصصان بر اساس دامنه‌های معنایی، عملکرد خود را حتی با حذف ۸۷.۵٪ از ظرفیت متخصصان حفظ می‌کند.

۳ دقیقه خواندن۱
آموزش کاربردی

چرا برای اجرای عامل‌های هوش مصنوعی دیگر نیازی به سرورهای ابری ندارید؟

توسعه‌دهندگان با استفاده از Hermes Agent و Termux، گوشی‌های اندرویدی را به ایستگاه‌های کاری هوش مصنوعی تبدیل می‌کنند. این عامل‌های خودگردان بدون نیاز به ابر، مخازن گیت‌هاب را…

۲ دقیقه خواندن۲

درون معماری Osaurus: تبدیل مک به سروری برای مدیریت مدل‌های محلی و ابری

پروژه متن‌باز Osaurus به کاربران مک اجازه می‌دهد تا مدل‌های محلی و ابری را در یک محیط امن و ایزوله مدیریت کنند. این ابزار با انتقال کنترل داده‌ها از مراکز داده به سخت‌افزار شخصی،…

۲ دقیقه خواندن
آموزش کاربردی

چگونه whichllm انتخاب مدل‌های محلی را از حدس و گمان به داده تبدیل کرد؟

ابزار جدید whichllm با اولویت دادن به بنچمارک‌های واقعی به‌جای تعداد پارامترها، بهترین مدل محلی را برای سخت‌افزار شما پیشنهاد می‌دهد. این ابزار مشخصات GPU و CPU را شناسایی کرده و…

۲ دقیقه خواندن۲
آموزش کاربردی

کاهش هزینه API به صفر؛ تجربه ۶ ماهه یک توسعه‌دهنده با مدل‌های محلی

یک توسعه‌دهنده با انتقال به سخت‌افزار محلی و استفاده از مدل‌های Qwen و Ollama، هزینه‌های API خود را کاملاً حذف کرد. این تغییر، هزینه ماهانه را از پرداخت به شرکت‌های ابری به قبض…

۲ دقیقه خواندن