پرش به محتوای اصلی

موضوع

هوش لبه

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

۱٬۷۷۸ مقاله منتشر شده

دانش توالی #۹۰۲: آشنایی با تقطیر - وقتی مجموعه‌داده معلم می‌شود
آموزش کاربردی

تقطیر داده‌های مصنوعی؛ تبدیل مدل‌های بزرگ به مدرسان هوش مصنوعی

پارادایم جدید آموزش مدل‌ها، نقش مدل‌های زبانی بزرگ را از مصرف‌کننده داده به تولیدکننده آن تغییر داده است. با تولید برنامه‌های درسی مصنوعی، مدل‌های گران‌قیمت می‌توانند هوش خود را…

۱ دقیقه خواندن۲
فراتر از هیاهو: ساخت عامل‌های هوش مصنوعی مقاوم با حافظه محلی، کارایی متن‌باز و ممیزی امنیتی دقیق
آموزش کاربردی

چگونه تفکیک استدلال از حافظه، نقاط ضعف عامل‌های هوشمند را می‌پوشاند؟

بسیاری از عامل‌های هوش مصنوعی در محیط عملیاتی به‌دلیل نبود حافظه پایدار و حلقه‌های شکننده API شکست می‌خورند. معماری جدید با تفکیک استدلال از حافظه محلی و استفاده از مدل‌های…

۸ دقیقه خواندن
بیزنود پرو: تا ۵ ربات تلگرام مستقل، هر کدام با هویت، پایگاه دانش و شخصیت هوش مصنوعی اختصاصی.
آموزش کاربردی

BizNode Pro: اجرای ۵ بات مستقل AI روی سخت‌افزار شخصی بدون اشتراک ابری

پلتفرم BizNode Pro امکان میزبانی ۵ بات تلگرام مستقل را روی سخت‌افزار کاربر فراهم می‌کند. این سیستم با حذف وابستگی به سرویس‌های ابری و توکن‌های پولی، مدیریت هوش مصنوعی را به محیط…

۲ دقیقه خواندن
هوش مصنوعی لبه در اپلیکیشن‌های موبایل: نکات کلیدی برای توسعه‌دهندگان
آموزش کاربردی

درون فرآیند فشرده‌سازی مدل‌های هوش مصنوعی برای استقرار در لبه

رایانش لبه با انتقال پردازش از ابر به سخت‌افزار دستگاه، تأخیر را کاهش و حریم خصوصی را افزایش می‌دهد. توسعه‌دهندگان اکنون بر بهینه‌سازی مدل‌ها برای مدیریت منابع محدود موبایل تمرکز…

۲ دقیقه خواندن۱
لوگوی MAI-Cyber-1-Flash در کنار نام MDASH و مایکروسافت AI

«بهینه‌سازی ۹۰درصدی وظایف امنیتی»؛ دستاورد جدید مدل فشرده مایکروسافت

مایکروسافت مدل فشرده و کد-محور MAI-Cyber-1-Flash را برای مدیریت ۹۰٪ وظایف امنیتی عرضه کرد. این استراتژی هزینه عملیات را نصف کرده و دقت سیستم در شناسایی تهدیدات را افزایش داده است.

۳ دقیقه خواندن۱