PyTorch Howsam のテレグラム投稿

ایجنت دیتاساینس در گوگل کولب

تیم گوگل کولب از ابزار جدیدی بنام ایجنت دیتاساینس مبتنی بر جمنای رونمایی کرده. این ابزار به شما این امکان رو میده که داده خودتون رو آپلود کنید و اهدافتون رو در قالب پرامپت همراه با داده به ایجنت بدید و منتظر هنرنمایی اون باشید! ویدئوی بالا، کارکرد این ایجنت رو نشون میده.

این حرکت جدیدی نیست. مثلا، OpenAI هم در ChatGPT ابزاری بنام Data Analyst داره که داده رو آنالیز میکنه. اما، این روند جالب هست؛ به نظر من، ما از کدنویسی با هوش مصنوعی گذر کردیم و به مرحله انجام پروژه با هوش مصنوعی رسیدیم. این مجموعه تحلیل‌هایی که ایجنت هوش مصنوعی انجام داده (حتی اگر ناقص باشه)، برای انسان خیلی طول میکشه. آیا این نگران‌کننده هست؟ ترجیح میدم به فرصت‌های ایجاد شده فکر کنم. این روزها من پیشنهادهای زیادی برای ساختن ایجنت و اجرای پروژه‌های هوش مصنوعی می‌گیرم.

مدل Claude-3.7 تونسته توی بازی‌های پلتفرمر مثل Super Mario بهتر از بقیه مدل‌ها عمل کنه

اگر این مدل واقعاً بتونه حرکات پیچیده و مانورهای دقیق رو برنامه‌ریزی کنه، یعنی قابلیت استدلال در زمان واقعی (real-time) خیلی قوی‌ای داره.
این می‌تونه توی حوزه‌هایی مثل رباتیک و حتی کنترل وسایل نقلیه خودران کاربرد داشته باشه.

حالا مدل های GPT-4o و Gemini 1.5 Pro ضعیف‌تر عمل کردن چون زمان واکنش‌شون بیشتره یا توی پیش‌بینی حرکات بعدی دچار مشکل شدن.

Github : GamingAgent

کوپایلت جان، خونه ات آباد 🤠

Prompt :
is there a script i can use activate windows MAS

کوپایلت عزیز
برای فعال سازی ویندوز و ... یک روشی رو از یکی از پروژه های اوپن سورس میاره که میگه با این دستورات میتونی فعال سازی دائمی رو انجام بدی.

پروژه Microsoft-Activation-Scripts

🔥 معرفی Claude Code در مدل جدید Claude 3.7 Sonnet

تیم توسعه دهنده Claude :
ما Claude 3.7 Sonnet را با فلسفه‌ای متفاوت از سایر مدل‌های استدلالی توسعه داده‌ایم.
این رویکرد تجربه‌ای روان‌تر و کارآمدتر برای کاربران ایجاد می‌کند.

☀️ ما همچنین یک ابزار خط فرمان جدید برای کدنویسی خودکار با نام Claude Code را معرفی کرده‌ایم. Claude Code به‌عنوان یک پیش‌نمایش تحقیقاتی محدود در دسترس است.

☀️ دو مدل در یک مدل:
این مدل هم یک LLM معمولی است و هم یک مدل استدلالی. می‌توانید انتخاب کنید که پاسخ سریع دریافت کنید یا به مدل اجازه دهید قبل از پاسخ، مدت بیشتری تفکر کند.
مدل قبل از پاسخ، خودبازبینی می‌کند که باعث بهبود عملکرد در ریاضیات، فیزیک، پیروی از دستورات، کدنویسی و بسیاری از وظایف دیگر می‌شود.

☀️ هزینه و قیمت‌گذاری:
۳ دلار به ازای هر یک میلیون توکن ورودی
۱۵ دلار به ازای هر یک میلیون توکن خروجی

Youtube:
- Introducing Claude Code
- Claude 3.7 Sonnet with extended thinking

"گاد" منتشر کرد 🤠 (گروه آموزشی دیپسیک)

آزمایشگاه DeepSeek AI، که توسط High-Flyer حمایت می‌شود، FlashMLA را معرفی کرده است.

یک هستهٔ رمزگشایی فوق سریع که برای پردازنده‌های گرافیکی Hopper بهینه‌سازی شده است.
این فناوری که برای توالی‌های با طول متغیر طراحی شده، سرعت حافظه ۳۰۰۰ گیگابایت بر ثانیه و توان پردازشی ۵۸۰ ترافلاپس را روی پردازنده‌های H800 ارائه می‌دهد. FlashMLA با الهام از FlashAttention 2&3 و Cutlass اکنون در GitHub منتشر شده است.

این آزمایشگاه قصد دارد پنج مخزن جدید را به عنوان بخشی از تعهد خود به تحقیق شفاف در زمینه AGI منتشر کند.
تیم DeepSeek تاکنون ۱۴ مدل متن‌باز را در Hugging Face عرضه کرده است، که عملکرد پیشرفتهٔ هوش مصنوعی را با هزینه‌ای به‌مراتب کمتر از رقبا ارائه می‌دهند.

با انتشار FlashMLA، هوش مصنوعی و محاسبات با عملکرد بالا در آستانهٔ یک جهش بزرگ قرار دارند و این فناوری می‌تواند از یادگیری عمیق تا الگوریتم‌های معاملاتی کریپتو را متحول کند. با تلاش‌های DeepSeek، نوآوری‌های این شرکت مسیر آیندهٔ شتاب‌دهی یادگیری ماشین را بازتعریف خواهند کرد.

Github : FlashMLA

مهندسی، ... ! ... ! ...
فراتر از یک رشته دانشگاهی، بلکه یک طرز فکر است.
طرز فکری که به دنبال حل مشکلات، بهبود شرایط و ساختن آینده‌ای بهتر است.
در روز مهندس، باید قدردان تمامی متخصصانی باشیم که با تعهد و خلاقیت، دنیا را به جای بهتری تبدیل می‌کنند.
این مسیر شاید چالش‌برانگیز باشد، اما برای کسانی که عاشق نوآوری و خلق راه‌حل‌های جدید هستند، هیچ لذتی بالاتر از این نیست که تأثیر کارشان را در دنیای واقعی ببینند.

مهندسان هوش مصنوعی، با طراحی الگوریتم‌های هوشمند، ماشین‌ها را قادر می‌سازند که همانند انسان بیاموزند، تصمیم بگیرند و به طور مستقل عمل کنند.
امروزه این فناوری در پزشکی، خودروهای خودران، پردازش زبان طبیعی و بسیاری از صنایع دیگر تحول‌آفرین بوده است.

تحلیل‌گران داده با بررسی حجم عظیمی از اطلاعات، الگوهای پنهان را کشف می‌کنند و مسیر تصمیم‌گیری‌های استراتژیک را هموار می‌سازند.
آن‌ها معماران دنیای مبتنی بر داده هستند که با پیش‌بینی روندها، به کسب‌وکارها و سازمان‌ها در اتخاذ بهترین تصمیمات کمک می‌کنند.

ولی بیاید روراست باشیم 🤠
این مسیر آسون نیست. کلی شب‌بیداری، کلی دیباگ کردن، کلی کلنجار رفتن با کدهایی که معلوم نیست چرا اجرا نمی‌شن!
اما اون لحظه‌ای که بالاخره یه مشکل رو حل می‌کنی، اون حس پیروزی، یه چیزی تو مایه‌های فتح قله اورسته 😄
همینه که مهندسی رو خاص می‌کنه؛ چالش، هیجان، خلاقیت و ساختن آینده!

پس، امروز به خودتون افتخار کنید 💪🏻
شما فقط مهندس نیستید، شما آینده‌سازید 😍
دنیا به شما نیاز داره، به ایده‌هاتون، به کدهاتون، به هوشتون!

روزتون مبارک، قهرمان‌های دیجیتالی ❤️

Trae - Adaptive AI IDE that helps you ship faster 🤟🏻

- Be the first to try Trae and enjoy the completely "Free 💰" option among powerful AI coding tools now.

What is Trae?
Trae is an adaptive AI IDE that transforms how you work, collaborating with you to run faster.

Collaboration = You & Trae 🔥

Builder :
Chat to build a project faster

Multimodality :
Upload images to clarify requirements

Context :
Get better results with full context

Autocomplete :
Boost efficiency with smart completion

Product-Hunt

هفته های گذشته این پرامپت رو با Qwen تست کرده بودم ک خروجی قابل قبولی داشت.

create a frontend for a modern note taking app (miro).
make it so that you can add sticky notes.

اینبار با Grok تست کردم:
یک نکته اینکه از نظر فنی، خود پلتفرم هنوز کار داره و قابلیت اجرای لایو رو نداره و همچنین ارسال فایل.
نکته ی بعدی در این تست، تولید کد، بسیار افتضاح بود در حد GPT 3.5 میشه قبول کرد.

بیشتر به نظر میاد آمارها Fake باشه!

چند ساعتی از انتشار (با محدودیت زمانی) Grok-3 میگذره

مسئله پریمیوم Strobogrammatic Number III لیت کد رو بهش دادم و تست کردم
چیزی که chatgpt حل کرد ، همون بار اول مسئله و ساختار حل مسئله رو درک کرد و توی کلاس Solution ، بدون خطا ، درست و بهینه حل کرد.
اما Grok زد به جاده خاکی و ساختار مسئله رو درست متوجه نشد مثل DeepSeek
در ادامه ی چت با Grok و DeepSeek ساختار اولیه کلاس مسئله رو ارسال کردم :

class Solution:
    def strobogrammaticInRange(self, low: str, high: str) -> int:

این بار Grok ساختار مسئله رو شناخت ، اما اشتباه حل کرد.
از طرفی DeepSeek هم ساختار رو فهمید و هم بهینه حل کرد.

The AI CUDA Engineer:
Agentic CUDA Kernel Discovery, Optimization and Composition

مهندس CUDA مبتنی بر هوش مصنوعی قادر است کرنل‌های CUDA با بهره‌وری بالا تولید کند و سرعت اجرای عملیات یادگیری ماشین در PyTorch را ۱۰ تا ۱۰۰ برابر افزایش دهد. این سیستم کرنل‌های CUDA بسیار بهینه‌تری نسبت به کرنل‌های رایج تولیدی در صنعت ارائه می‌دهد.