پرش به محتوای اصلی

موضوع

استدلال

Chain-of-thought, reasoning models (o-series, R-series), test-time compute

۲٬۰۴۹ مقاله منتشر شده

شیائومی: دستیابی به سرعت ۱۰۰۰ توکن در ثانیه برای مدل ۱ تریلیون پارامتری

شیائومی مدل MiMo-V2.5-Pro-UltraSpeed را معرفی کرد که روی GPUهای معمولی به سرعت ۱۰۰۰ توکن در ثانیه می‌رسد. این پیشرفت با ترکیب کوانتایزاسیون FP4 و رمزگشایی موازی-گمانه، گلوگاه‌های…

۷ دقیقه خواندن۱

مدل پرداخت توکن‌محور: چرا GitHub Copilot اشتراک‌های ثابت را کنار می‌گذارد؟

تأمین‌کنندگان هوش مصنوعی برای پوشش هزینه‌های سنگین محاسباتیِ عامل‌های خودکار، از مدل اشتراک ماهانه به «پرداخت به میزان استفاده» تغییر مسیر می‌دهند. این روند، «اقتصاد توکن» را…

۱۰ دقیقه خواندن۲
آموزش کاربردی

از تست دستی تا اتوماسیون: Claude Code چگونه حفره‌های IDOR را ردیابی می‌کند؟

متخصصان امنیت حالا می‌توانند فرآیندهای تکراری تست نفوذ مثل بررسی IDOR را با Claude Code خودکار کنند. این ابزار با اتصال به سرورهای MCP، تست‌های «جعبه‌سیاه» را به یک گردش‌کار دقیق…

۸ دقیقه خواندن۱
آموزش کاربردی

OpenEnv چگونه فاصلهٔ کارایی بین عامل‌های متن‌باز و مدل‌های تجاری را پر می‌کند؟

هاگینگ فیس و کنسرسیومی از آزمایشگاه‌های هوش مصنوعی، OpenEnv را به یک پروتکل جامعه‌محور برای استانداردسازی محیط‌های اجرای عامل‌ها تبدیل کردند. هدف این پروژه حذف مزیت انحصاری…

۴ دقیقه خواندن۱
آموزش کاربردی

«دروازه قطعی»: روشی برای حذف توهمات ریاضی هوش مصنوعی در پایش بازار

یک خط لوله خودکار با ترکیب n8n و GPT-4 به سرمایه‌گذاران اجازه می‌دهد بدون بررسی‌های دستی یا هزینه‌های بالای API، سبد دارایی خود را رصد کنند. این سیستم با استفاده از کدهای قطعی،…

۴ دقیقه خواندن
آموزش کاربردی

چرا بدون «بایاس»، مدل‌های هوش مصنوعی در ساده‌ترین تصمیمات شکست می‌خورند؟

پرسپترون کوچک‌ترین واحد سازنده تمام شبکه‌های عصبی مدرن است. این راهنما توضیح می‌دهد که چگونه تنظیم وزن‌ها و بایاس به یک مدل تک‌نورونی اجازه می‌دهد مرزهای تصمیم‌گیری را از صفر یاد…

۷ دقیقه خواندن۱

چرا اکتشاف واقعی در هوش مصنوعی نیازمند تغییر زبان مفهومی است؟

پژوهشگران MIT چارچوبی ریاضیاتی برای تکامل زبان مفهومی در سیستم‌های هوش مصنوعی پیشنهاد کرده‌اند. این رویکرد، نوآوری علمی را نه بر اساس نتایج بنچمارک، بلکه بر اساس توانایی مدل در…

۲ دقیقه خواندن۱
آموزش کاربردی

چگونه یادگیری تقویت‌شده‌ی علی بقای ماهی‌ها را به ۹۴٪ رساند؟

استقرار یک سیستم یادگیری تقویت‌شده‌ی علی (CRL) در مزارع ماهی تایلند، نرخ بقای ماهی‌ها را به ۹۴٪ رساند و هزینه‌های انرژی را ۲۷٪ کاهش داد. این فناوری برخلاف مدل‌های سنتی، به جای…

۹ دقیقه خواندن۱

چگونه معماری Search as Code مصرف توکن‌های Perplexity را ۸۵٪ کاهش داد؟

معماری جدید Perplexity به مدل‌های هوش مصنوعی اجازه می‌دهد به‌جای استفاده از APIهای صلب، کدهای پایتون سفارشی برای جست‌وجو بنویسند. این تغییر منجر به کاهش شدید هزینه‌های عملیاتی و…

۵ دقیقه خواندن۲

استخراج آرگومان‌های ریاضی از فعال‌سازهای Llama بدون تحلیل متن

پژوهشگران ثابت کردند که عملیات و اعداد ریاضی را می‌توان مستقیماً از فعال‌سازهای داخلی مدل‌های Llama استخراج کرد. این دستاورد اجازه می‌دهد ابزارهای خارجی به‌جای تحلیل متنی پرامپت،…

۹ دقیقه خواندن

آیا «پرتاب» مدل‌های فوق-پارامتری مشکل تعمیم‌پذیری هوش مصنوعی را حل می‌کند؟

یک پیشنهاد نظری جدید ادعا می‌کند که دستیابی به هوش سطح انسانی نیازمند «پرتاب» (Catapulting) مدل‌های بسیار بزرگ از طریق چرخه‌های نرخ یادگیری بالاست. این رویکرد، اولویت را از حجم…

۱۰ دقیقه خواندن