پرش به محتوای اصلی

موضوع

استدلال

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

۱٬۶۷۹ مقاله منتشر شده

عنوان مقاله: «چگونه از زیرعامل‌ها استفاده نکنیم!» — تصویر: دو ربات در حال بحث، یکی سرش را تکان می‌دهد و دیگری گیج به نظر می‌ر
آموزش کاربردی

۲ شرط لازم برای موفقیت در به‌روزرسانی انبوه کدها با هوش مصنوعی

تلاش یک توسعه‌دهنده برای به‌روزرسانی ۵۰۰ اسکریپت نشان داد که موازی‌سازی «کار» با موازی‌سازی «استدلال» متفاوت است. این پروژه تنها زمانی موفق شد که وظایف قطعی به اسکریپت‌ها سپرده شد…

۸ دقیقه خواندن
۱۰ ابزار هوش مصنوعی برای دانشجویان پرستاری که در ۲۰۲۶ واقعاً استفاده می‌کنم
زندگی با AI

۱۰ ابزار هوش مصنوعی برای بهینه‌سازی گردش کار دانشجویان پرستاری در سال ۲۰۲۶

مجموعه‌ای منتخب از ابزارهای هوش مصنوعی به دانشجویان پرستاری کمک می‌کند تا با تمرکز بر بازیابی فعال و استدلال بالینی، حجم عظیم مطالب درسی را مدیریت کنند. استراتژی کلیدی، جایگزینی…

۱۲ دقیقه خواندن
هارنس میکرو برای عامل‌های پایدار: نمونه‌ای از پژوهش‌های لودی
آموزش کاربردی

مؤسسه لود: عامل‌های Headlong بدون نیاز به دستور کاربر به‌طور مداوم فکر می‌کنند

مؤسسه لود ابزار متن‌باز Headlong را معرفی کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد یک «تک‌گویی درونی» دائمی داشته باشند. برخلاف مدل‌های واکنشی، این عامل‌ها به‌طور خودکار…

۱۲ دقیقه خواندن
ایجاد چک‌پوینت با گازلایتینگ دیتابیس Postgres

جایگزینی GraphRAG با حافظه درختی در لینکدین برای کاهش هزینه و تأخیر

لینکدین برای بهینه‌سازی عامل‌های استخدام خود، معماری GraphRAG را با یک سیستم حافظه سلسله‌مراتبی درختی جایگزین کرد. این تغییر باعث کاهش چشمگیر هزینه‌های مدل زبانی و تأخیر در…

۲۷ دقیقه خواندن۱
۵ پرامپت Claude که هفته‌ای ۱۰ ساعت از وقت من توسعه‌دهنده را ذخیره می‌کند
آموزش کاربردی

۵ قالب پرامپت در Claude که هفته‌ای ۱۰ ساعت از زمان برنامه‌نویسان می‌گیرد

یک برنامه‌نویس چارچوبی ساختاریافته برای مهندسی پرامپت در Claude معرفی کرده که منجر به بازگشت ۱۰ ساعت بهره‌وری در هفته شده است. این متد با جایگزینی پرسش‌های مبهم با درخواست‌های با…

۶ دقیقه خواندن۱
گلوگاه حافظه: چرا عامل‌های هوش مصنوعی شکست می‌خورند و راه‌حل آن با ابزار خودران
آموزش کاربردی

ذخیره‌ساز معنایی در برابر حافظه خطی؛ نبردی برای حفظ دستورات اولیه AI

عامل‌های هوش مصنوعی به‌دلیل پدیده «لغزش زمینه»، دستورات اولیه را با رشد تاریخچه گفتگو فراموش می‌کنند. معماری جدید با انتقال حافظه به ذخیره‌سازهای معنایی و مدیریت خودکار وضعیت، این…

۱۶ دقیقه خواندن۲
عوامل کدنویسی وقتی به حقایق دسترسی ندارند، آنها را اختراع می‌کنند. هر ۴ آزمایش من نتیجه‌ی صفر نادرست داد.

عامل‌های کدنویس با جعل داده‌ها شکاف‌های اطلاعاتی را می‌پوشانند

پژوهشی جدید نشان می‌دهد عامل‌های هوش مصنوعی هنگام مواجهه با کمبود داده، به‌جای پذیرش نادانی، اطلاعاتی باورپذیر اما ساختگی تولید می‌کنند. این «بدهی انسجام» باعث می‌شود ابزارهای…

۹ دقیقه خواندن۳
کودکان از هوش مصنوعی پیشی می‌گیرند—و ما هنوز نمی‌دانیم چرا

شکاف بهره‌وری داده: چرا کودکان با ۱۰۰۰ برابر دادهٔ کمتر از AI یاد می‌گیرند؟

کودکان با کسری از داده‌های مورد نیاز مدل‌های زبانی بزرگ، تسلط بر زبان را به دست می‌آورند. پژوهشگران اکنون با مدل‌های «مقیاس نوزاد» و دوربین‌های سرپوشی در تلاش‌اند تا مکانیسم…

۱۷ دقیقه خواندن
صفحه راهنمای تکمیل فرم در مخزن execution-state-preflight پروژه Jang-woo-AnnaSoft در گیت‌هاب.
آموزش کاربردی

معماری جدید: انتقال چک‌لیست‌ها به بیرون، دقت عامل‌ها را تضمین می‌کند

یک معماری جدید پیشنهاد می‌دهد که شکست عامل‌های هوش مصنوعی نه به دلیل ضعف در استدلال، بلکه به دلیل تصمیم‌گیری درباره‌ی «چه چیزی پرسیده شود» است. با انتقال لیست نیازمندی‌ها به خارج…

۱۵ دقیقه خواندن۱