استدلال

ارزیابی عامل‌های هوش مصنوعی نیازمند گذار از بررسی خروجی‌های ساده به استراتژی‌های لایه‌ای شامل تحلیل مسیر اجرا و شبیه‌سازی‌های چندمرحله‌ای است. به دلیل ماهیت غیرقطعی این سیستم‌ها،…

تحقیقات جدید نشان می‌دهد مدل‌های AI می‌توانند با ارجاع درست به منابع واقعی اما برای موجودیت‌های اشتباه، سیستم‌های ارزیابی را دور بزنند. این نقص که «مبنی‌سازی فریبنده» نام دارد، در…

سلواتوره سانفیلیپو (antirez) معتقد است در عصر مدل‌های زبانی پیشرفته، تمرکز بر بازبینی دستی هزاران خط کد اتلاف هوش انسانی است. او پیشنهاد می‌کند توسعه‌دهندگان نقش خود را از…

شرکت Prime Intellect با معرفی Verifiers v1، ساختار محیط‌های آموزشی را به سه بخش مجزای تسک‌ست، هارنس و ران‌تایم تقسیم کرد. این رویکرد باعث حذف رشد درجه‌دوم حافظه و تسهیل یادگیری…

اوپن ای‌آی با عرضه مدل GPT-5.6، موتور تخصصی Codex را مستقیماً در تجربه چت ادغام کرد. این به‌روزرسانی مدل را از یک تولیدکننده قطعات کد به شریکی استراتژیک تبدیل می‌کند که قادر به…

آندری کارپاتی با معرفی autoresearch، عامل‌هایی را خلق کرده که کد مدل‌های یادگیری ماشین را برای بهینه‌سازی به‌صورت خودکار بازنویسی می‌کنند. این سیستم با ترکیب یک معیار ارزیابی…

یک مدل استدلالی جدید از OpenAI در مسابقات AtCoder World Tour Finals ۲۰۲۶، با کسب امتیازی تقریباً دو برابر برترین انسان، تمام مسائل الگوریتمی را حل کرد. این نتیجه نشان‌دهنده گذار…

افزودن یک جمله با بار احساسی به پرامپت‌ها می‌تواند باعث تولید پاسخ‌های دقیق‌تر، مفصل‌تر و سازمان‌یافته‌تر شود. این تکنیک به‌جای تحریک احساسات مدل، از همبستگی‌های آماری موجود در…

پژوهشگران آنتروپیک با ابداع ابزاری به نام لنز ژاکوبین، لایه‌ای پنهان به نام J-space را کشف کردند که در آن مدل پیش از تولید متن، مفاهیم را پردازش می‌کند. این پیشرفت در تفسیرپذیری…

تست‌های سه‌ماهه روی ۲۰ سناریوی واقعی نشان می‌دهد GPT-5.5 در استدلال‌های پیچیده و رفع باگ برترین است، در حالی که Claude در نویسندگی و DeepSeek در بهینه‌سازی هزینه پیشتازاند. این…

مدل جدید OpenAI با تکیه بر استمرار محاسباتی و یک چارچوب سخت‌گیرانه، حدس قدیمی نظریه گراف را اثبات کرد. این موفقیت بیش از آنکه حاصل تئوری‌های جدید باشد، نتیجه‌ی حذف سوگیری‌های…

شرکت SpaceXAI مدل Grok 4.5 را با تمرکز بر بهره‌وری توکن و کاهش هزینه‌های عملیاتی برای برنامه‌نویسان عرضه کرد. این مدل در حالی هوشمندی مشابه Claude Opus 4.8 دارد که هزینه اجرای…