پرش به محتوای اصلی

موضوع

کاربردی

۳٬۲۹۶ مقاله منتشر شده

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

تلهٔ اعتماد کاذب؛ هر ۸ ساعت کدنویسی با AI به ۶۲ ساعت دیباگ منجر شد

یک توسعه‌دهنده با ردیابی جریان کاری خود دریافت که زمان صرف‌شده برای رفع خطاهای کدهای تولیدشده توسط هوش مصنوعی، ۱۰ برابر بیشتر از زمان نوشتن کد دستی است. این تجربه نشان می‌دهد که…

۷ دقیقه خواندن۲
مدل‌های زبانی کوچک در مرورگر: هوش مصنوعی لبه با WebGPU
آموزش کاربردی

آیا WebGPU می‌تواند مدل‌های زبانی را از سرورها به مرورگر منتقل کند؟

آزمایشگاه MicroLLM ثابت کرد مدل‌های کوانتیده بین ۲۵ تا ۳۶۰ میلیون پارامتر می‌توانند به‌طور کامل روی GPU کاربر و از طریق WebGPU اجرا شوند. این رویکرد هزینه‌های ابری و ریسک‌های حریم…

۵ دقیقه خواندن
مخزن واحد، عامل‌های متعدد: ویژگی‌های موازی از یک نمونه اولیه فیگما
آموزش کاربردی

«تنسیق عامل‌های موازی»؛ قابلیت جدید ivar برای توسعه‌دهندگان نرم‌افزار

ابزار ivar به توسعه‌دهندگان اجازه می‌دهد چندین عامل هوش مصنوعی را به‌طور موازی روی بخش‌های مختلف یک پروژه اجرا کنند. این سیستم با استفاده از محیط‌های ایزوله و ساختار درختی از…

۴ دقیقه خواندن
ربات‌های Dots مبتنی بر GPT-6 Astra در ChatGPT راه‌اندازی شد

OpenAI: اجرای عامل‌های خودکار روی زیرساخت‌های ابری مستقل

اوپن‌ای‌آی عامل‌های خودکار dots را معرفی کرد که روی زیرساخت‌های ابری مستقل اجرا می‌شوند تا وظایف پیچیده را در پس‌زمینه انجام دهند. این عامل‌ها با دسترسی به ۴۰۰۰ اپلیکیشن، از یک…

۶ دقیقه خواندن۳
مخزن لایون‌نرف: معیار سنجش توانایی مدل پس از انتشار در گیت‌هاب
آموزش کاربردی

ابزار livenerf افتِ پنهانیِ کیفیت مدل‌های هوش مصنوعی را اثبات می‌کند

پلتفرم متن‌باز livenerf با استفاده از تحلیل آماری و پروتکل‌های ثبت‌شده، امکان شناسایی «نرف کردن» یا کاهش عمدی توانمندی‌های مدل‌ها پس از عرضه را فراهم می‌کند. این ابزار بحث‌های…

۱۲ دقیقه خواندن۲
درخواست هوش مصنوعی را قبل از هوشمند کردن، قابل بررسی کن
آموزش کاربردی

آیا بازرسی خروجی‌ها موثرتر از مهندسی پیچیدهٔ پرامپت است؟

یک متدولوژی جدید در مهندسی پرامپت پیشنهاد می‌کند به‌جای پیچیده‌تر کردن دستورات، بر «قابلیت بازرسی» خروجی تمرکز کنید. این رویکرد با تعریف مرزهای سخت و نمونه‌های نامقبول، نرخ توهمات…

۳ دقیقه خواندن
عوامل می‌توانند خود هیئت‌مدیره را اداره کنند
آموزش کاربردی

عامل‌های JackHamr مدیریت تخته‌های پروژه را به‌طور خودکار بر عهده گرفتند

پلتفرم JackHamr قابلیت‌های جدیدی را معرفی کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد به‌جای اجرای ساده‌ی تکالیف، به‌طور مستقل برنامه‌ریزی کنند و کارهای جدید بسازند. این تغییر، نقش…

۲ دقیقه خواندن۲
جلوگیری از افشای اطلاعات شخصی به APIهای هوش مصنوعی: ساخت لایه پوشش‌گذاری قابل‌برگشت برای عامل‌های هوشمند
آموزش کاربردی

لایه حذف داده‌های حساس؛ راهکاری برای توقف نشت اطلاعات در عامل‌های هوش مصنوعی

یک الگوی معماری جدید با استفاده از لایه‌های حذف بازگشت‌پذیر، اطلاعات شناسایی شخصی (PII) را پیش از ارسال به API مدل‌های زبانی حذف می‌کند. این روش با جایگزینی داده‌های حساس با…

۷ دقیقه خواندن
قرارداد عملی تست پذیرش برای اپلیکیشن‌های CRUD ساخته‌شده با هوش مصنوعی
آموزش کاربردی

چطور قراردادهای تست پذیرش مانع توهمات بصری مدل‌های کدنویس می‌شوند؟

استفاده از «قرارداد تست پذیرش» مانع از آن می‌شود که توسعه‌دهندگان AI رابط‌های کاربری زیبا اما بدون بک‌اند تحویل دهند. این متد مدل را مجبور می‌کند پیش از افزودن ویژگی‌های جدید،…

۳ دقیقه خواندن
ساخت یک ارتش ۳۴ عاملی هوش مصنوعی روی گوشی: روش من
آموزش کاربردی

راهنمای فنی: مدیریت ۳۴ عامل هوش مصنوعی روی سخت‌افزار موبایل

یک راهنمای فنی توضیح می‌دهد که چگونه می‌توان با استفاده از مدل‌های زبانی کوچک یا برون‌سپاری استنتاج، یک گروه ۳۴ نفره از عامل‌های هوش مصنوعی را روی موبایل مدیریت کرد. این متد به…

۱ دقیقه خواندن۲