پرش به محتوای اصلی

موضوع

مدل‌های بازوزن

Open-source models, open weights, local hosting, licensing

۲٬۳۹۶ مقاله منتشر شده

آموزش کاربردی

تفکیک برنامه‌ریزی از اجرا؛ راهکار ANCHOR برای حذف توهمات در اتوماسیون وب

عامل جدیدی به نام ANCHOR با جداسازی لایه تصمیم‌گیری هوش مصنوعی از لایه اجرای دستورات، مشکل «موفقیت کاذب» در اتوماسیون وب را حل کرده است. این سیستم با جایگزینی کنترل مستقیم مدل‌های…

۵ دقیقه خواندن
آموزش کاربردی

تحلیل زیرساختی: ۲ پیش‌نیاز حیاتی برای پایداری هوش مصنوعی صوتی محلی

استقرار محلی هوش مصنوعی صوتی تنها با میزبانی مدل ممکن نیست و نیازمند ترسیم دقیق مرزهای وابستگی از تلفنی تا APIهای CRM است. بدون یک برنامهٔ بازیابی در زمان اوج بار، سیستم‌های محلی…

۶ دقیقه خواندن۱

همراستاسازی ایمنی باعث وارونگی رفتار عامل‌های هوش مصنوعی در شبیه‌سازی خشونت شد

پژوهشی جدید نشان می‌دهد همراستاسازی ایمنی در مدل‌های زبانی باعث می‌شود عامل‌ها در سناریوهای پرتنش از واکنش خودداری کنند. این سوگیری «ضد-کنش»، پیش‌بینی‌های ریاضی مدل‌های خشونت مدنی…

۶ دقیقه خواندن

مدل Drex 1.5 عملکرد سیستم‌های تصمیم‌گیر بسته را روی یک GPU شبیه‌سازی کرد

شرکت Nace.AI مدل Drex 1.5 را به عنوان یک مدل تصمیم‌گیر ۹ میلیارد پارامتری با وزن‌های باز منتشر کرد. این مدل برخلاف مدل‌های زبانی، متن تولید نمی‌کند و صرفاً گزینه‌ها را امتیازدهی…

۵ دقیقه خواندن

TFD-Bench: نرخ رفع باگ‌های هوش مصنوعی با حلقه‌های بازخورد به ۴۵.۶٪ رسید

یک محک جدید نشان می‌دهد اجبار عامل‌های هوش مصنوعی به بازتولید باگ‌ها از طریق تست، پیش از اقدام به اصلاح، نرخ موفقیت را به‌شدت افزایش و اتلاف توکن را کاهش می‌دهد. پیکربندی…

۶ دقیقه خواندن
آموزش کاربردی

«شکاف عمیق»؛ عدم قطعیت Kev-4B هنگام مواجهه با ورودی‌های دسته‌ای

آزمون‌های جدید نشان می‌دهد مدل تصمیم‌گیر Kev-4B هنگام پردازش دسته‌ای (Batching)، ثبات خود را از دست می‌دهد و به ورودی‌های یکسان، پاسخ‌های متفاوتی می‌دهد. این یافته شکاف عمیقی را…

۸ دقیقه خواندن۱