پرش به محتوای اصلی

موضوع

استدلال

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

۱٬۶۷۴ مقاله منتشر شده

توقف فشرده‌سازی وب در مدل‌های ۷ میلیارد پارامتری

درون معماری ترکیبی ZGCM-1 برای بهینه‌سازی موتور اجرای ۷ میلیاردی

مؤسسه هوش مصنوعی Zhongguancun مدل ZGCM-1 را معرفی کرد؛ مدلی ۷.۳۹ میلیارد پارامتری که به‌جای حفظ داده‌ها، بر استدلال و استفاده از ابزار تمرکز دارد. این مدل با معماری ترکیبی و پنجره…

۳ دقیقه خواندن۲
نمای درونی انقلاب سخت‌افزار استنتاج در ۲۰۲۶

سرمایه‌گذاری انویدیا و آمازون بر سخت‌افزارهای حافظه‌محور برای رفع گلوگاه استنتاج

صنعت هوش مصنوعی از تمرکز بر سخت‌افزارهای آموزشی به سمت تراشه‌های تخصصی استنتاج حرکت می‌کند تا مشکل «گلوگاه حافظه» را حل کند. غول‌های فناوری اکنون GPUها را با معماری‌های جدید…

۱۵ دقیقه خواندن۲
اثبات IBM: مدارهای کوانتومی در دو مسئله از مدل‌های زبانی بزرگ عملکرد بهتری دارند

مدارهای کوانتومی در برابر LLMها؛ حل مسائل غیرممکن از نظر محاسباتی

پژوهشگران IBM ثابت کردند که مدارهای کوانتومی کم‌عمق می‌توانند مسائلی را حل کنند که برای مدل‌های زبانی بزرگ (LLM) از نظر محاسباتی غیرممکن است. این یافته‌ها یک «برتری کوانتومی» نظری…

۶ دقیقه خواندن
عامل هوش مصنوعی وظیفه را با موفقیت انجام داد. آیا دوباره هم موفق خواهد شد؟
آموزش کاربردی

Hugging Face: کاهش شکاف قابلیت‌سنجی عامل‌های هوش مصنوعی به ۱۲ درصد

یک ابزار تشخیص جدید نقاط تصمیم‌گیری «ناپایدار» در عامل‌های هوش مصنوعی را شناسایی می‌کند. با تبدیل این نوسانات به دستورالعمل‌های خودکار، محققان توانستند شکاف قابلیت‌سنجی را از ۲۴.۴…

۸ دقیقه خواندن
هماهنگسازی چندعاملی وظایف برای عامل‌های کدنویسی: تبدیل یک هدف به برنامه‌ای مرحله‌ای با اجرا و تأیید خودکار
آموزش کاربردی

چطور Ordewell برنامه‌ریزی کدنویسی را از اجرای آن جدا می‌کند؟

فریم‌ورک Ordewell اهداف سطح‌بالای کدنویسی را به برنامه‌های چندعاملی تبدیل می‌کند که توسط توسعه‌دهنده قابل ویرایش است. این ابزار با جداسازی برنامه‌ریز از اجراکننده، اجازه می‌دهد هر…

۱۱ دقیقه خواندن۲
لوگوی GitHub و نام مخزن «greentfrapp/panel» در کنار هم
آموزش کاربردی

درون معماری Panel؛ نحوه تعامل عامل‌های هوش مصنوعی با سیستم فایل کاربر

پلتفرم Panel یک فضای کاری پژوهشی است که اجازه می‌دهد عامل‌های هوش مصنوعی در کنار کاربر، روی فایل‌ها و نوت‌بوک‌ها به‌صورت هم‌زمان کار کنند. این سیستم با بهره‌گیری از Claude Code،…

۳ دقیقه خواندن
بخش ۶: چه چیزهایی را نباید در نظر گرفت
آموزش کاربردی

هرس غلبه: افزایش ۱۰ برابری سرعت جست‌وجو عامل هوش مصنوعی Slay the Spire را نجات

یک توسعه‌دهنده با استفاده از تکنیک «هرس غلبه» توانست ۹۴٪ از حالت‌های بیهوده بازی را حذف کند و سرعت عامل هوش مصنوعی خود را ۱۰ برابر افزایش دهد. این رویکرد باعث شد عامل از شکست کامل…

۸ دقیقه خواندن۱
تحلیل احساسات شکل نادرستی برای رویدادهای بازار است
آموزش کاربردی

بردارهای علامت‌دار در برابر تحلیل اسکالر برای ردیابی جابه‌جایی ارزش صنایع

سیستم‌های سنتی تحلیل احساسات با تبدیل رویدادهای پیچیده بازار به یک عدد مثبت یا منفی، برندگان و بازندگان واقعی هر بخش را نادیده می‌گیرند. رویکرد جدید با استفاده از بردارهای…

۳ دقیقه خواندن۲
مدل استدلالی جدید Salesforce و Nvidia: تهدیدی برای آزمایشگاه‌های بزرگ هوش مصنوعی

مدل‌های تخصصی Koa در برابر مدل‌های بسته برای مدیریت داده‌های سازمانی

سلسفورس و انویدیا مدل استدلالی تخصصی Koa را برای بهینه‌سازی عملیات فروش و پشتیبانی مشتری معرفی کردند. این مدل با هدف کاهش هزینه‌های استنتاج و افزایش امنیت داده‌ها، جایگزینی برای…

۳ دقیقه خواندن۱
مقایسه لایه‌های کنترل عامل: حلقه، وضعیت، ابزار، مجوز و بازیابی

۳ لایهٔ کلیدی در مدیریت حلقهٔ اجرای عامل‌های هوش مصنوعی

تحلیل فنی معماری عامل‌های هوش مصنوعی نشان می‌دهد که هارنس‌ها، فریم‌ورک‌ها و پروتکل MCP لایه‌های متفاوتی از اجرا را مدیریت می‌کنند. در حالی که هارنس‌ها حلقهٔ اجرای آماده و…

۱۱ دقیقه خواندن۲
عوامل هوش مصنوعی تقلب همکاران خود را فاش کردند

عامل‌های هوش مصنوعی در رقابت ریاضی به صورت خودجوش علیه متقلبان شوریدند

یک آزمایش جدید نشان می‌دهد عامل‌های هوش مصنوعی می‌توانند بدون دستور قبلی، نقش‌های اجتماعی مانند «سوت‌زن» را برای گزارش تخلفات هم‌ترازان خود ایفا کنند. این یافته ثابت می‌کند…

۶ دقیقه خواندن۱