پرش به محتوای اصلی

موضوع

مدل‌های بازوزن

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

۱٬۲۵۸ مقاله منتشر شده

همکاری عامل‌های هوشمند: سه چاله پنهان
آموزش کاربردی

زیرساخت‌های ارتباطی در برابر مدل‌های زبانی در توسعه سیستم‌های چند-عاملی

مقیاس‌پذیری عامل‌های هوش مصنوعی از ابزارهای شخصی به همکاری تیمی، نیازمند زیرساخت ارتباطی است، نه فقط مدل‌های قوی‌تر. پروژه Octo نشان می‌دهد استفاده از معماری پیام‌رسان‌های فوری…

۶ دقیقه خواندن
تنظیم دقیق مدل زبانی محلی برای دسته‌بندی سوالات
آموزش کاربردی

چگونه مدل‌های ۶۰۰ میلیون پارامتری در طبقه‌بندی به دقت ۹۲٪ رسیدند؟

یک آزمایش کاربردی نشان می‌دهد مدل‌های زبانی کوچک (SLM) با جایگزینی برچسب‌های معنایی با کدهای دوحرفی، می‌توانند در کارهای طبقه‌بندی بسیار دقیق عمل کنند. این روش صحت یک مدل ۶۰۰…

۸ دقیقه خواندن
گره هوش مصنوعی GaiaNet: نقطه پایان سازگار با OpenAI، مرز اعتماد نیست
آموزش کاربردی

«پنهان شدن مرزهای اعتماد»؛ چالش امنیتی در لایه‌های ادغام GaiaNet

گره‌های GaiaNet برای کاهش اصطکاک ادغام، از رابط‌های OpenAI استفاده می‌کنند؛ اما این لایه می‌تواند مرزهای حیاتی اعتماد را پنهان کند. توسعه‌دهندگان باید هویت گره، مسیر مسیریابی و…

۷ دقیقه خواندن
مکالمه‌ای که ماشین مرا تیز می‌کند، مبارک باد.
آموزش کاربردی

کاهش نرخ خطای هوش مصنوعی از ۴۰٪ به ۱۲٪ با حلقه‌ی بازخورد داده‌ها

کیپرونو نگتیچ با تبدیل ویرایش‌های انسانی به داده‌های آموزشی برای مدل‌های محلی، یک سیستم خودبهبود ایجاد کرد. این رویکرد با اتوماسیون تنظیم دقیق بر اساس اصلاحات کاربر، دقت مدل را در…

۵ دقیقه خواندن
چهار هوش مصنوعی را به چالش شکست معماری ایمنی‌ام فرستادم — این یافته‌های آن‌هاست
آموزش کاربردی

درون معماری E.L.L.A.؛ جایگزینی دستورات متنی با سدهای سخت‌افزاری

یک چارچوب ایمنی متن‌باز به نام E.L.L.A. به‌جای استفاده از پرامپت‌ها، از محدودیت‌های سخت‌افزاری و کد-محور برای جلوگیری از آسیب‌های هوش مصنوعی استفاده می‌کند. چهار مدل پیشرو از جمله…

۲ دقیقه خواندن
چهار هوش مصنوعی را به چالش کشیدن معماری امنیتی‌ام — نتایج شگفت‌انگیز بود
آموزش کاربردی

تست تیم قرمز: E.L.L.A خروج داده‌ها را در سطح سخت‌افزار متوقف کرد

چارچوب متن‌باز E.L.L.A ایمنی هوش مصنوعی را از دستورات متنی به محدودیت‌های سخت‌افزاری منتقل می‌کند. تست‌های تیم قرمز نشان داد مدل‌های پیشرو قادر به شکستن چهار ممنوعیت اصلی این…

۲ دقیقه خواندن
راهنمای عملی ۲۰۲۶: چگونه هزینه شخصیت‌های هوشمند بازی را ۶۵٪ کاهش دادم
آموزش کاربردی

استراتژی لایه‌بندی مدل‌ها هزینهٔ دیالوگ NPCها را ۶۵٪ کاهش داد

یک استراتژی استنتاج لایه‌بندی‌شده با استفاده از مدل‌های مختلف و ذخیره‌سازی تهاجمی، هزینه‌های پردازش شخصیت‌های غیرقابل‌بازی (NPC) را تا ۶۵٪ کاهش می‌دهد. این روش با تطبیق توانایی…

۷ دقیقه خواندن
چرا دیگر مدل‌های هوش مصنوعی را خودم میزبانی نمی‌کنم (و شما هم احتمالاً نباید)
زندگی با AI

میزبانی شخصی در برابر API؛ تضاد کنترل زیرساختی و بهره‌وری مالی

تجربه یک توسعه‌دهنده نشان می‌دهد که هزینه عملیاتی و سخت‌افزاری میزبانی شخصی مدل‌های بازمتن، به شدت از پرداخت هزینه توکن‌های تجاری بیشتر است. این گزارش هشدار می‌دهد که کنترل کامل…

۵ دقیقه خواندن
راهنمای استقرار Milvus/Zilliz 2026: پایگاه داده برداری با ۱۰ میلیارد بردار و تأخیر میلی‌ثانیه‌ای
آموزش کاربردی

«بهره‌گیری از GPU»؛ استراتژی Milvus برای مدیریت داده‌های عظیم برداری

نسخه ۲.۵ پایگاه‌داده Milvus با بهره‌گیری از شتاب‌دهنده‌های گرافیکی و معماری توزیع‌شده، مدیریت ۱۰ میلیارد بردار را ممکن کرد. این به‌روزرسانی هزینه مقیاس‌دهی جست‌وجوی معنایی را…

۱۲ دقیقه خواندن