«بهبود خود-اصلاحی»؛ اولویت جدید در طراحی Claude Opus 5
آنتروپیک مدل Claude Opus 5 را معرفی کرد که هوش سطح بالای Fable 5 را با نیمی از هزینه ارائه میدهد. این مدل با تمرکز بر کارایی، کاهش محدودیتهای ایمنی و توانمندی بیشتر در…
۲ دقیقه خواندن
موضوع
استدلال
Chain-of-thought, reasoning models (o-series, R-series), test-time compute
۱٬۶۸۸ مقاله منتشر شده
Claude Opus 5: هوش مدل Fable 5 با نصف هزینه استنتاج
شرکت آنتروپیک مدل Claude Opus 5 را معرفی کرد که توانمندیهای استدلالی مدل Fable 5 را با هزینه بهمراتب کمتر ارائه میدهد. این مدل با کاهش ۲۶ درصدی توکنهای مصرفی در پردازشهای…
۵ دقیقه خواندن۳
Ollama استقرار مدلهای زبانی بزرگ را روی سیستمهای شخصی ساده کرد
پلتفرم متنباز Ollama امکان اجرای مدلهای پیشرفته هوش مصنوعی را بدون نیاز به اینترنت و APIهای ابری فراهم میکند. این ابزار با حذف وابستگی به سرورهای خارجی، کنترل کامل دادهها و…
۳ دقیقه خواندن
قمار ۱ میلیارد دلاری AMI Labs برای جایگزینی LLMها با مدلهای جهانی
آزمایشگاه AMI Labs با جذب بزرگترین سرمایه اولیه در تاریخ اروپا، قصد دارد با استفاده از معماری JEPA، مدلهایی بسازد که قوانین فیزیکی جهان را میفهمند. هدف این پروژه عبور از…
۹ دقیقه خواندن
کتابچه راهنمای Anthropic: استقرار عاملهای هوشمند با Agent SDK و Managed Agents
آنتروپیک کتابخانهای جامع از آموزشها و دستورالعملهای عملی برای مدل کلود منتشر کرد. این راهنما بر الگوهای پیچیده عاملمحور، مدیریت حافظه بلندمدت و استقرار تیمهای چندعاملی تمرکز…
۱۰ دقیقه خواندن
خوداصلاحگری در برابر کدنویسی بینقص در ارزیابی توسعهدهندگان AI
یک توسعهدهنده گزارش داده که توانایی یک دستیار هوش مصنوعی در شناسایی و رفع خودکار خطاهای ایجادشده، ارزشمندتر از دقت اولیه در تولید کد است. این تجربه نشاندهنده چرخش به سمت…
۱ دقیقه خواندن۱
Oxlo.ai هزینه استنتاج مدلهای استدلالی را با قیمتگذاری درخواستی حذف کرد
یک راهنمای فنی جدید نشان میدهد چگونه میتوان تواناییهای استدلالی DeepSeek R1 را در برابر Llama 3.3 و Qwen 3 سنجید. این متد با استفاده از زیرساخت Oxlo.ai، هزینههای بالای…
۴ دقیقه خواندن۲
Oxlo.ai: کاهش شدید هزینههای استنتاج با مدل متراکم ۱۲۰ میلیارد پارامتری
مدل GPT-Oss 120B به عنوان جایگزینی متراکم برای مدلهای MoE معرفی شده که با مدل قیمتگذاری ثابت در Oxlo.ai، هزینههای عملیاتی عاملهای پیچیده را بهشدت میکاهد. این مدل برای…
۴ دقیقه خواندن۱
Oxlo.ai هزینه استنتاج DeepSeek R1 را با قیمتگذاری درخواستمحور حذف کرد
پلتفرم Oxlo.ai با تغییر مدل پرداخت از توکن به درخواست، هزینههای پیشبینیناپذیر مدل DeepSeek R1 را از بین برد. این تغییر به توسعهدهندگان اجازه میدهد بدون نگرانی از تعداد…
۴ دقیقه خواندن
معماری ترکیب خبرهها هزینهی استنتاج مدلهای زبانی را بدون افت استدلال کاهش
صنعت تولید متن از مدلهای متراکم به سمت معماری ترکیب خبرهها (MoE) میرود تا توان استدلالی و پنجرههای متنی بزرگ را بدون هزینههای سرسامآور حفظ کند. این تغییر اجازه میدهد…
۲ دقیقه خواندن
چطور قیمتگذاری مبتنی بر درخواست، هزینهی استریم مدلهای سنگین را میکاهد؟
پلتفرم Oxlo.ai با حذف پرداخت توکنبهتوکن در حالت استریم، هزینهی هر درخواست را ثابت کرد. این تغییر به توسعهدهندگان اجازه میدهد بدون نگرانی از بودجه، از مدلهای استدلالی سنگین…
۴ دقیقه خواندن۲
آموزش کاربردیتأییدنشده · منبع منفرد
سامانه Echo: کاهش ۶۷ درصدی هزینه استنتاج با مدلهای وزنباز
سامانه Echo با جایگزینی تکمدل با شبکهای از مدلهای وزنباز، عملکردی مشابه سیستمهای ردهبالای Fable ارائه میدهد. این رویکرد هزینههای استنتاج را تا ۶۷ درصد کاهش داده است.
۲ دقیقه خواندن