پرش به محتوای اصلی

موضوع

مدل‌های بازوزن

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

۱٬۹۴۷ مقاله منتشر شده

هارنس عمیق‌یاب: چارچوب عامل هوش مصنوعی MIT با معماری پلاگین‌محور برای توسعه‌دهندگان

DeepSeek Harness معماری عامل‌های هوش مصنوعی را به مجموعه‌ای از پلاگین‌ها تبدیل

دیپ‌سیک چارچوب متن‌باز DeepSeek Harness (dsh) را برای ساخت عامل‌های هوش مصنوعی معرفی کرد که در آن مدل‌ها، ابزارها و حلقه‌های کنترلی به‌صورت پلاگین‌های قابل تعویض هستند. این سیستم…

۴ دقیقه خواندن۱
داریو آموئدی، مدیرعامل آنتروپیک، در حال توییت درباره آینده هوش مصنوعی.

راهکار داریو آمودی برای جلوگیری از انحصار قدرت در مدل‌های بنیادی

مدیرعامل آنتروپیک معتقد است مقررات نهادی درست می‌تواند مانع از تمرکز قدرت در دست چند آزمایشگاه بزرگ شود. او از مدل نظارتی طبقه‌بندی‌شده حمایت می‌کند که در آن مدل‌های پیشرو با…

۳ دقیقه خواندن۳
راهنمای نصب و معرفی DeepSeek Harness (DSH)
آموزش کاربردی

چگونه DeepSeek مدل‌های زبانی را به کارمندانی برای ویرایش کد تبدیل کرد؟

دیپ‌سیک یک چارچوب متن‌باز برای تبدیل مدل‌های زبانی به عامل‌های عملیاتی منتشر کرد که قادر به ویرایش کد و اجرای دستورات سیستم هستند. این ابزار با یک دستور ساده استقرار می‌شود و…

۲ دقیقه خواندن۲
فرضیه ملکه سرخ: راهی نو برای هوش مصنوعی خودبهبودیابنده

پژوهش انویدیا: تکامل هم‌زمان ارزیاب و عامل هزینه‌های محاسباتی را کاهش داد

پژوهشگران کمبریج و انویدیا چارچوبی را توسعه داده‌اند که در آن عامل‌های هوش مصنوعی و ارزیابان آن‌ها به‌طور هم‌زمان تکامل می‌یابند. این رویکرد مانع از توقف پیشرفت در اثر بنچمارک‌های…

۵ دقیقه خواندن۴
لوگوی «بیانیه اول محلی»: آینده هوش مصنوعی باید آزاد، مستقل و جامعه‌محور باشد.
آموزش کاربردی

مانیفست TormentNexus: جایگزینی ابرهای متمرکز با مدل‌های محلی برای حاکمیت داده‌ها

یک مانیفست جدید استدلال می‌کند که آینده هوش مصنوعی باید از ارائه‌دهندگان ابری متمرکز به مدل‌های محلی و متن‌باز تغییر کند. این جنبش برای جلوگیری از وابستگی شرکتی و شکنندگی…

۴ دقیقه خواندن
کیوئن ۳.۵ با وجود استدلال مشابه جی‌ال‌ام-۵.۲، ۸۲ درصد واقعیت‌ها را توهم می‌زند

چرا مدل‌های پیشرو در ریاضیات همچنان دچار توهمات گسترده می‌شوند؟

تحلیل‌های فنی جدید نشان می‌دهد آزمایشگاه‌های AI برای افزایش کارایی استدلال، عمداً دانش فکت‌محور را از مدل‌ها حذف می‌کنند. مدل‌هایی مانند Qwen3.5 در ریاضیات پیشرو هستند اما در نبود…

۱۲ دقیقه خواندن
مدل‌های هوش مصنوعی عمداً کم‌هوش‌تر می‌شوند

درون استراتژی جدید حذف داده‌های فکت‌محور برای ساخت مدل‌های کوچک‌تر

روند جدید توسعه مدل‌ها نشان می‌دهد که آزمایشگاه‌ها برای اولویت دادن به توانایی استدلال، عمداً دانش факти (factual) را از وزن‌های مدل حذف می‌کنند. این جداسازی اجازه می‌دهد مدل‌های…

۶ دقیقه خواندن
لوکیت: حافظه‌ای برای دستیار کدنویسی‌تان در یک دستور — بدون ثبت‌نام، فقط یک پوشه
آموزش کاربردی

LoreKit حافظهٔ محلی را با یک دستور به عامل‌های کدنویسی اضافه کرد

ابزار LoreKit به عامل‌های هوش مصنوعی اجازه می‌دهد درس‌های آموخته‌شده از شکست‌های قبلی را در فایل‌های محلی ذخیره کنند. این سیستم مشکل «فراموشی» در جلسات جدید را بدون نیاز به حساب…

۸ دقیقه خواندن
ساخت ۲ ربات تلگرام با Qwen3.8-Max: نتایج شگفت‌انگیز بود
آموزش کاربردیتأییدنشده · منبع منفرد

مدل Qwen3.8-Max با مصرف ۱۲.۸ میلیون توکن دو عامل تلگرامی را مستقر کرد

یک توسعه‌دهنده با استفاده از مدل Qwen3.8-Max علی‌بابا، دو عامل هوشمند برای مدیریت قیمت‌گذاری و جذب مشتری در تلگرام ساخت. این مدل در مقایسه با DeepSeek V4 Flash، توکن‌های کمتری…

۲ دقیقه خواندن
ساخت PangeniAI: یک dApp هوش مصنوعی غیرمتمرکز بر روی پالیگان
آموزش کاربردی

سیستم توزیع‌شده IPFS در برابر دیتابیس‌های متمرکز در ذخیره‌سازی داده‌های AI

پروژه PangeniAI با حذف کامل سرور مرکزی و استفاده از شبکه Polygon و IPFS، مالکیت عامل‌های هوش مصنوعی را در قالب NFT به کاربران بازگرداند. در این معماری، داده‌های گفتگوها به‌جای…

۶ دقیقه خواندن۲