Latest posts
Reza Jafari
22 Sept, 18:42
این وسط Opus 5.5 هم اومد که توی این ایندکس اول شد!Reza Jafari
22 Sept, 18:31
واقعاً برام سواله که شما چطوری میتونید همزمان گوشی، تلویزیون، پلوپز و LLM بسازید و همهشون هم کیفیت خوبی داشته باشن! شرکت شیائومی دو مدل جدید به اسمهای MiMo-V2.6-Pro و MiMo-V2.6-Flash معرفی کرده. مدل Pro توی Artificial Analysis Intelligence Index امتیازReza Jafari
22 Sept, 15:16edited
واقعاً برام سواله که شما چطوری میتونید همزمان گوشی، تلویزیون، پلوپز و LLM بسازید و همهشون هم کیفیت خوبی داشته باشن!شرکت شیائومی دو مدل جدید به اسمهای MiMo-V2.6-Pro و MiMo-V2.6-Flash معرفی کرده. مدل Pro توی Artificial Analysis Intelligence Index امتیاز 46.3 گرفته و در زمان انتشار، در رتبه اول مدلهای Open Weights این شاخص قرار گرفته. برای مقایسه، نسخه قبلی یعنی MiMo-V2.5-Pro امتیاز 26 داشته؛ یعنی شیائومی توی همین معیار جهش قابلتوجهی داشته. البته یه نکته اینه که فعلاً امتیاز مستقلی از Artificial Analysis برای مدل Flash در دسترس نیست.اما قیمتها شاید از خود امتیاز هم جالبتر باشن! قیمت API مدل MiMo-V2.6-Pro برای هر یک میلیون توکن ورودی ۰.۴۳۵ دلار و برای هر یک میلیون توکن خروجی ۰.۸۷ دلاره و هزینه توکنهای Cache Hit هم فقط ۰.۰۰۳۶ دلار به ازای هر یک میلیون توکن محاسبه میشه. مدل MiMo-V2.6-Flash حدودا دو سوم ارزونتره؛ یک میلیون توکن ورودی ۰.۱۴ دلار و یک میلیون توکن خروجی ۰.۲۸ دلار
Reza Jafari
22 Sept, 14:30
Jev فقط یه هفتهست که اومده و تا الان ۳۱ بار بهصورت مستقل بازتولید و بررسی شده؛ یعنی ۳۱ نفر یا تیم مختلف سعی کردن همون نتیجه یا عملکرد Jev رو دوباره اجرا کنن و ببینن آیا واقعاً قابل تکراره یا نه.بیشتر مقایسههایی که تا حالا انجام شده، نهایتاً روی چند صد تا تصمیم اجرا میشن. ولی یه بنچمارک جدید و جالب به اسم Decision Index 0.1 هست که ۱۳۲٬۴۲۲ تا تصمیم رو بررسی میکنه؛ یعنی همهی این بازتولیدها بهعلاوهی Jev روی ۳۷ تا بنچمارک مختلف. توی این تست نه چیزی حذف یا کوتاه میشه، نه پرامپتتیونینگ انجام میشه و هر سوالی هم که بیجواب بمونه، جواب غلط حساب میشه. با این حال، Jev هنوز با امتیاز ۵۹.۵ بالاتر از بقیه قرار داره .🔗 لینک بنچمارک@reza_jafari_aihuggingface.coJev Decision Index - a Hugging Face Space by multimodalartBenchmarks and news on various repros of TypeSafe's JevReza Jafari
22 Sept, 13:22edited
دیپسیک در شورای امنیت سازمان مللنماینده دیپسیک قراره این هفته توی شورای امنیت سازمان ملل درباره خطرات هوش مصنوعی صحبت کنه. این جلسه در حالی برگزار میشه که نگرانیها درباره مدلهای خیلی پیشرفته هوش مصنوعی بیشتر شده و بعضی از مدیران بزرگ این حوزه هشدار دادن که این سیستمها ممکنه در آینده خودشون رو ارتقا بدن و از کنترل انسان خارج بشن.توی این نشست، سم آلتمن مدیرعامل OpenAI و نمایندههایی از شرکت Anthropic هم حضور دارن. علاوه بر دیپسیک، چند شرکت چینی دیگه مثل Moonshot هم دعوت شدن تا نظرشون رو درباره این موضوع مطرح کنن، هرچند فعلاً بنیانگذار دیپسیک قصد نداره شخصاً در جلسه شرکت کنه.بحث اصلی جلسه اینه که هوش مصنوعی چه تأثیری روی امنیت جهانی میتونه داشته باشه. دبیرکل سازمان ملل گفته سرعت پیشرفت این فناوری اونقدر زیاده که نمیشه خطراتش رو نادیده گرفت. از اون طرف، چین با ایده کند کردن توسعه هوش مصنوعی موافق نیست و معتقده این حرفها بیشتر برای حفظ برتری فناوری آمریکاست و میتونه باعثReza Jafari
21 Sept, 04:11edited
یه چیزی که مدام موقع بررسی آگهیهای استخدام AI/ML به چشمم میاد اینه که معیارهای استخدام کمکم عوض شده.چند سال پیش، اینکه ریاضیات پشت یک Transformer رو بفهمی یا بتونی Backpropagation رو توضیح بدی، معمولاً کافی بود که از بقیه متمایز بشی. اما الان آگهیهای شغلی «AI Engineer» بیشتر شبیه موقعیتهای Software Engineering هستن که فقط یه لایه LLM هم بهشون اضافه شده؛ از ساختن Retrieval Pipeline و کار با Vector Database گرفته تا Evaluation، مدیریت Trade-off بین Latency و Cost، و Monitoring رفتار مدل بعد از اینکه وارد Production میشه.این کاملاً منطقیه. Foundation Modelها بخش سخت ماجرا، یعنی «فهم زبان»، رو تا حد زیادی حل کردهان. چیزی که باقی مونده، اون بخش کمتر جذاب ولی خیلی ارزشمند کاره: وصل کردن این هوش به یه سیستم قابل اعتماد. یعنی سر و کله زدن با Inputهای بههمریخته، Edge Caseها، و پر کردن فاصله بین یه Demo داخل Notebook و سیستمی که آدمهای واقعی هر روز ازش استفاده میکنن.برای هر کسی کهReza Jafari
20 Sept, 10:38
قبل از اینکه دادههای پرت رو حذف کنی، ببین چی میخوان بهت بگنتوی تحلیل داده، معمولاً با ناهنجاریها یا همون دادههای پرت خیلی خوب برخورد نمیشه. انگار یه چیز اضافه و مزاحمن که باید تمیزشون کرد، صافوسوفشون داد یا با یه فیلتر و یه توضیح انداختشون بیرون. بعضی وقتها این کار کاملاً درسته، اما ناهنجاری در اصل یعنی داده یه جوری رفتار کرده که با تصویری که ما از دنیا توی ذهنمون داریم جور درنمیاد. یعنی هر داده پرت میتونه یه پیام کوچیک داشته باشه: «اینجای مدل ذهنیات از دنیا یه چیزی کم داره.»بعضی از مهمترین چیزهایی که درباره یه کسبوکار یاد گرفتم، دقیقاً از جاهایی اومده که تصمیم گرفتم یه مورد عجیب رو همینطوری صافوسوف نکنم و ازش نگذرم. مثلاً یه افت تکراری در آمار که بعداً معلوم شد مشکل از کسبوکار نیست؛ یه مشکل فنی باعث شده بود سیستم هر بار بخشی از اطلاعات رو ثبت نکنه. یا یه سگمنت «خراب» که آخرش مشخص شد اصلاً خراب نیست، بلکه نشوندهنده یه رفتار کاملاً جدید از طرف مشتریهاست؛ چند ماه قبل
Reza Jafari
20 Sept, 08:16
دو تا نکته ساده که کمک میکنه یه کتاب یا دوره فنی رو بهتر و منظمتر پیش ببرید:1- برای تموم کردنش یه ددلاین مشخص کنید. مثلاً از همون اول مشخص کنید قراره تا چه تاریخی کتاب رو تموم کنید یا دوره رو به پایان برسونید.2- مشخص کنید قراره چی یاد بگیرید. قبل از شروع، بنویسید که بعد از تموم کردن این دوره یا کتاب، دقیقاً چه چیزهایی قراره یاد گرفته باشید و مهمتر از اون، چطور میتونید از چیزهایی که یاد گرفتید توی کار یا پروژههای واقعی استفاده کنید.@reza_jafari_aiReza Jafari
19 Sept, 18:04
بشخصه 61 رو بیشتر از ChatGPT دوست داشتم. با یه دبه خیارشور به جای GPU کارمون راه میافتاد.@reza_jafari_aiReza Jafari
19 Sept, 13:40
تمام فرایندهای agentic که ساختید رو بازنگری کنید و اونجاهایی که میشه رو با Jev جایگزین کنید. دقت و سرعت سیستمهای ایجنتیکتون بیشتر میشه و هزینههاتون خیلی کمتر میشه. @reza_jafari_aiReza Jafari
19 Sept, 13:40
تمام فرایندهای agentic که ساختید رو بازنگری کنید و اونجاهایی که میشه رو با Jev جایگزین کنید. دقت و سرعت سیستمهای ایجنتیکتون بیشتر میشه و هزینههاتون خیلی کمتر میشه. @reza_jafari_aiReza Jafari
19 Sept, 12:49edited
تمام فرایندهای agentic که ساختید رو بازنگری کنید و اونجاهایی که میشه رو با Jev جایگزین کنید. دقت و سرعت سیستمهای ایجنتیکتون بیشتر میشه و هزینههاتون خیلی کمتر میشه.@reza_jafari_aiReza Jafari
19 Sept, 11:48
Headroom یه پروژه اپن سورسه که میخواد یکی از پرهزینهترین مشکلات Agentهای هوش مصنوعی، یعنی هدر رفتن توکنها رو حل کنه. این ابزار بین Agent و مدل زبانی قرار میگیره و چیزهایی مثل JSON، کد، لاگ و دادههای RAG رو قبل از ارسال به مدل فشرده میکنه تا فقط اطلاعات ضروری وارد context بشن.طبق نتایج اعلامشده، Headroom میتونه مصرف توکن رو تا ۹۵٪ کاهش بده، بدون اینکه نیازی به تغییر کد داشته باشی و در عین حال دقت benchmarkها حفظ بشه. دادههای اصلی هم روی سیستم خودت باقی میمونن و پردازشها بهصورت local انجام میشن. راهاندازیش هم خیلی سادهست و با ابزارهایی مثل Claude Code، Cursor و Codex کار میکنه.🔗 لینک ریپو@reza_jafari_aiGitHubGitHub - headroomlabs-ai/headroom: Compress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens…Compress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server. - headrooml...Reza Jafari
18 Sept, 12:31edited
سلام و درود یه پوزیشن Machine Vision Engineer بهصورت ریموت باز شده. شرح موقعیت رو براتون میفرستم؛ اگر فکر میکنید شرایطش با تجربه و تخصصتون همخوانی داره، خوشحال میشم رزومتون رو همین پایین ارسال کنید.با توجه به شناختی که از توانمندی و نحوهی کار افراد دارم، طبیعتاً اولویت با شاگردها و دوستانی هست که قبلاً باهاشون تجربهی همکاری داشتم.اگر احساس میکنید این موقعیت با تجربه و تخصصتون همخوانی داره، خوشحال میشم رزومتون رو همینجا در بخش کامنتها بفرستید.Machine Vision Engineer (Mid-Level) — AeroloomMust Have 2–5 years of production experience in computer vision and machine vision systems Hands-on experience with real-time multi-object tracking, using SORT, DeepSORT, ByteTrack, or equivalent approaches Strong C++ or Python skills, with experience optimizing code for performance and on-device latency budgets Practical hardware experience, including: Camera selection and integration GiReza Jafari
17 Sept, 09:51
چرا در پروژههای AI فقط دانش فنی کافی نیست؟عملاً هر پروژهی هوش مصنوعی رو میشه از دو بخش اصلی در نظر گرفت: اول، دانش و مهارتهای پایهی هوش مصنوعی؛ یعنی چیزهایی مثل مدلسازی، الگوریتمها، آمار، یادگیری ماشین و ابزارهای فنی. دوم، Domain Knowledge یا دانش حوزه؛ یعنی اینکه واقعاً بدونی دادهها، مسئله و خروجی مدل در دنیای واقعی چه معنایی دارن. شاید بخش دوم توی خیلی از موقعیتهای شغلی بهعنوان یه «مزیت» یا Nice to Have نوشته بشه، ولی در عمل، نداشتنش میتونه کار رو خیلی سخت کنه.وقتی Domain Knowledge داشته باشی، فقط اسم ستونهای دیتاست رو نمیدونی؛ میفهمی هر عدد و هر متغیر واقعاً چه مفهومی داره و یه دادهی پرت، صرفاً نویزه یا میتونه نشونهی یه اتفاق مهم باشه. میدونی کدوم Featureها واقعاً مهمن و چرا، و میتونی قبل از اینکه اصلاً سراغ مدلسازی بری، سؤالهای درستتری دربارهی مسئله بپرسی.یکی از پرهزینهترین اشتباهها در پروژههای هوش مصنوعی اینه که مسئلهی اشتباهی رو خیلی دقیق حل کنیم.
Reza Jafari
16 Sept, 18:35
نگرانی شرکتهای بزرگ هوش مصنوعی بیشتر از AGI اینه که با این روند نمیتونن اونجوری که قول دادن درآمدزایی کنند و هنوز زیانده هستن.@reza_jafari_aiReza Jafari
16 Sept, 17:50edited
اتفاق جدیدی تو دنیای هوش مصنوعی افتاده که ادعاهای اولیهش شگفت انگیزه. این آخر هفته وقت بشه بررسی میکنم و در موردش مینویسم.تو این لینک میتونید در موردش بخونید.@reza_jafari_aiX (formerly Twitter)Diogo Almeida (@CompleteSkeptic) on XAfter co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI? I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type …Reza Jafari
16 Sept, 11:32
شرکت Merge اومده ۵ تا مدل Open-Weight رو در برابر Claude Sonnet 5، روی ۲۰ تا تسک واقعی برنامهنویسی تست کرده. نتیجه جالب بوده؛ GLM 5.3 با حل ۱۴ تسک از ۲۰، تنها مدلی بوده که تونسته Claude رو که ۱۲ تسک رو حل کرده، شکست بده.از نظر هزینه هم اختلاف خیلی زیاده. هر تسک موفق برای Claude حدود ۳.۴ دلار هزینه داشته، در حالی که این عدد برای GLM 5.3 حدود ۰.۳۲ دلار و برای DeepSeek V4 Flash فقط ۰.۰۳ دلار بوده. جالبتر اینکه DeepSeek V4 Flash با همون ۱۲ تسک موفقی که Claude داشته، حدود ۱۰۶ برابر ارزونتر بوده.چیزی که باعث تعجبم شده اینه که چرا DeepSeek V4.1 Flash رو نیومده بررسی کنه؟@reza_jafari_ai
Reza Jafari
16 Sept, 05:31
نقش واقعی LLMها در نسل بعدی ریکامندر سیستمهاتا همین چند وقت پیش، وقتی صحبت از استفاده از LLMها توی سیستمهای پیشنهاددهنده میشد، بیشتر آدمها به این فکر میکردن که این مدلها چطور میتونن آیتمها رو بهتر رتبهبندی کنن. اما یه مقاله جالب از علیبابا و دانشگاه رنمین چین یه نگاه متفاوت به این موضوع داره.ایده اصلی مقاله اینه که شاید مهمترین نقش LLMها اصلاً رتبهبندی نباشه. بهجاش، این مدلها میتونن کمک کنن بفهمیم کاربر واقعاً دنبال چیه و چه نیتی پشت رفتارهاش وجود داره.توی معماری RecGPT، مدل زبانی نمیاد تکتک محصولات یا محتواها رو امتیازدهی کنه. اول سابقه رفتارهای کاربر رو بررسی میکنه و سعی میکنه یه تصویر روشن از علایق و ترجیحاتش بسازه. بعد این علایق رو به تگها و ویژگیهای دقیقتری تبدیل میکنه تا مشخص بشه کاربر احتمالاً قدم بعدی دنبال چه چیزی خواهد بود.بعد از اون، سیستم از این اطلاعات برای پیدا کردن آیتمهای مرتبط استفاده میکنه و همچنان سیگنالهای سنتی و روشهای قبلی
Reza Jafari
15 Sept, 11:40
حضور داریو آمودی، مدیرعامل Anthropic، در برنامه باضیا@reza_jafari_ai
Related Channels
Other channels in the same section of the catalogue.
