یه مدل جدید به اسم Bonsai 2 27B منتشر شده که برای اجرای لوکال جالبه.
این مدل بر پایه Qwen3.8 ساخته شده و طبق ادعای منتشرشده، روی بنچمارک موردنظر به ۹۸.۲٪ عملکرد رسیده.
حجم مدل هم حدود ۵.۹ گیگابایت اعلام شده.
یعنی داریم به جایی می‌رسیم که مدل‌های نسبتاً قدرتمند، با حجم کمتر و بدون نیاز به ارسال داده به سرویس‌های ابری، راحت‌تر روی سیستم شخصی اجرا بشن.
برای Sovereign AI این اتفاق مهمیه؛
چون هرچی مدل‌های بهتر روی سخت‌افزار معمولی‌تر قابل اجرا بشن، وابستگی به API و سرویس‌های ابری کمتر میشه.
فقط یه نکته: عدد ۹۸.۲٪ به‌تنهایی معنی زیادی نداره و باید دید مربوط به کدوم بنچمارک و با چه تنظیماتیه.
#AI
#LocalAI
#SovereignAI
#LLM
#Qwen
2 · 940 · یه مدل جدید به اسم Jev اومده که اصلاً برای نوشتن متن ساخته نشده.
کارش فقط یه چیزه: تصمیم گرفتن.
بهش وضعیت اپلیکیشن و یه سؤال مشخص میدی، اونم یه جواب Typed همراه با احتمال برمی‌گردونه.
طبق اطلاعات منتشرشده، ورودی هر یک میلیون توکن حدود ۰.۰۴۲ دلار هزینه داره و خروجی رایگانه.
توی همین مدت کوتاه ازش برای کارهای مختلف استفاده شده:
→ انتخاب مدل مناسب برای هر درخواست
→ جلوگیری از Tool Callهای خطرناک
→ تشخیص گیر کردن Agent توی Loop
→ دسته‌بندی ۱۵۰۰ ایمیل به‌صورت موازی
→ اجرای Browser Agent با هزینه خیلی پایین
نکته اصلی اینجاست:
یه Agent فقط وقتی داره فکر می‌کنه هزینه ایجاد نمی‌کنه؛ بین هر مرحله صدها تصمیم کوچیک می‌گیره.
این درخواست بره کدوم مدل؟
این Tool اجرا بشه یا نه؟
ایجنت ادامه بده یا متوقف بشه؟
اگه برای همه اینا مدل‌های بزرگ رو صدا بزنیم، هزینه خیلی سریع بالا میره.
برای همین احتمالاً معماری Agentها داره به این سمت میره:
مدل‌های بزرگ برای فکر کردن و تولید محتوا.
مدل‌های کوچک و سریع برای تصمیم‌های بین مسیر.
خود Jev فعلاً بیشتر روی سرعت و هزینه تمرکز داره، نه اینکه الزاماً قضاوت بهتری از مدل‌های بزرگ داشته باشه.
ولی اگه این ایده جواب بده، احتمالاً خیلی زود مدل‌های مشابهش از سمت شرکت‌های بزرگ و پروژه‌های Open Source هم می‌بینیم.
به نظرم بخش جالب ماجرا همینجاست؛
قرار نیست برای هر تصمیم کوچیک، یک مدل چندصد دلاری رو صدا بزنیم.
#AI
#AIAgents
#AgenticAI
#LLM
2 · 813 · Ссылка
нажмите — покажем
нажмите — покажем
هرچی استفاده از AI Agentها توی شرکت‌ها بیشتر میشه، یه مشکل جدید خودش رو نشون میده:
مدیریت Agentها.
فرض کن یه سازمان ده‌ها Agent داشته باشه؛ یکی با LangChain ساخته شده، یکی با Claude، یکی با Microsoft و یکی هم با Databricks.
حالا باید بدونی هر Agent کجاست، چه دسترسی‌هایی داره، چه کاری انجام داده، کجا خطا کرده و چطور نسخه جدیدش رو منتشر کنی.
خود Lyzr برای همین مشکل Open Controller رو ساخته؛ یک لایه برای مدیریت Agentهای مختلف از یکجا.
رجیستری، دسترسی‌ها، Traceها و CI/CD همگی کنار هم قرار می‌گیرن.
نکته جالب برای من خود محصول نیست.
اینکه یک شرکت Fortune 500 در توسعه چنین چیزی مشارکت کرده، نشون میده مشکل مدیریت Agentها داره از یک دغدغه فنی به یک مسئله جدی در Enterprise تبدیل میشه.
ساختن یک Agent شاید بخش جذاب ماجرا باشه.
وقتی تعدادشون زیاد بشه، تازه دردسر اصلی شروع میشه:
لینک :
https://www.lyzr.ai/opencontroller
چه کسی به چی دسترسی داره؟
کدوم Agent چه کاری انجام داده؟
کجا خطا کرده؟
و چطور همه این‌ها رو کنترل کنیم؟
به نظرتون با بیشتر شدن Agentها، داشتن همچین لایه‌ای واقعاً ضروری میشه یا خود فریم‌ورک‌ها در نهایت این مشکلات رو حل می‌کنن؟
نظرتون چیه؟
#AI
#AIAgents
#AgenticAI
#EnterpriseAI
3 · 847 · Ответهرچی استفاده از AI Agentها توی شرکت‌ها بیشتر میشه، یه مشکل جدید خودش رو نشون میده:
مدیریت Agentها.
فرض کن یه سازمان ده‌ها Agent داشته باشه؛ یکی با LangChain ساخته شده، یکی با Claude، یکی با Microsoft و یکی هم با Databricks.
حالا باید بدونی هر Agent کجاست، چه دسترسی‌هایی داره، چه کاری انجام داده،
پ.ن: به نظرم Registry و IAM و Trace و CI/CD وقتی ارزش دارن که واقعاً زمان بین خراب شدن یک Agent تا پیدا کردن مشکل و اصلاحش رو کم کنن.
در نهایت، امتحان واقعی یک Control Plane اینه که تیم بتونه بفهمه کجای سیستم کیفیت داره افت می‌کنه و قبل از اینکه اعتماد کاربر از بین بره، مشکل رو پیدا و برطرف کنه.
2 · 1.3K · امروز ویدیو جدید داریم.
منتظر باشید.
4 · 1K · دوستان متاسفانه مشکل فنی پیش اومده فردا ویدیو بارگذاری میشه.
ممنونم از صبر شما
1 · 948 · براتون 250+ Python One-Liners برای تقویت Problem Solving آوردم.
واقعا One-Linerها فقط ترفندهای عجیب برای کوتاه‌تر کردن کد نیستن.
وقتی درست ازشون استفاده کنین، مجبور می‌شین مسئله رو بهتر بشکافین، الگوها رو سریع‌تر پیدا کنین و با قابلیت‌های خود Python آشناتر بشین.
این مجموعه با عنوان 250+ Killer Python One-Liners بیش از ۲۵۰ مثال کوتاه و کاربردی داره؛ از کار با String و List گرفته تا Date، Math، Validation و Random.
📌 موضوعاتش شامل:
• String و List manipulation
• کار با Arrayها
• Date & Time
• Math و Geometry
• Random Generatorها
• Validation برای Email، IP، URL و...
• Recursion
• Bitwise Operations
• Utility Functionهای کوچک
نکته جالب اینه که هدف صرفاً حفظ کردن One-Linerها نیست؛ ایده اصلی اینه که ببینین یک مسئله‌ی نسبتاً ساده رو چطور میشه با ابزارهای خود Python به شکل تمیز، کوتاه و Pythonic حل کرد.
البته کوتاه‌تر بودن همیشه به معنی بهتر بودن نیست؛ خوانایی همچنان مهم‌تره.
📚 برای تمرین Python و تقویت Problem Solving می‌تونه مجموعه جالبی باشه.
❤️ Share & Support
#Python
#Programming
#ProblemSolving
#PythonTips
#CyberSecurity
#Coding
1 · 149 · Файл
250+_Python_One_Liners_—_a_surprisingly_useful_way_to_sharpe · 800 КБ · нажмите — покажем
250+_Python_One_Liners_—_a_surprisingly_useful_way_to_sharpe · 800 КБ · нажмите — покажем
#book
2 · 140 · Ссылка
нажмите — покажем
нажмите — покажем
سباستین راشکا شروع کرده به انتشار ویدئوهای کتاب جدیدش درباره‌ی Reasoning Models.
اگه می‌خواید واقعاً وارد مسیر AI Engineering بشید، این ویدئوها ارزش دیدن دارن.
موضوع فقط استفاده از مدل‌ها نیست؛ بحث اینه که چطور باید با مدل‌های Reasoning عمیق‌تر و مهندسی‌تر فکر کنیم، چطور رفتار اون‌ها رو درک کنیم و چطور ازشون در سیستم‌های واقعی استفاده کنیم.
یعنی به‌جای اینکه فقط بگیم «این مدل جواب خوبی میده»، بریم سراغ اینکه چرا جواب میده، چطور reasoning می‌کنه و چطور میشه این فرآیند رو مهندسی کرد.
🎥 لینک پلی‌لیست:
https://youtube.com/playlist?list=PLfrHAQCRxtUs&si=RDlXAHoMTLFxC8bs
پ.ن. برای کسی که می‌خواد از صرفاً استفاده‌کننده‌ی AI به سمت AI Engineer شدن بره، این جنس محتوا خیلی مهم‌تر از آموزش‌های صرفاً ابزارمحوره.
#AI
#AIEngineering
#ReasoningModels
#LLM
#MachineLearning
2 · 125 · میتونین به مدل Jev دسترسی پیدا کنین :
console.typesafe.ai
هر ایمیل معادل ۵ دلار کردیت هست!
1 · 184 · CodeNeuron
یه AI Upscaler خیلی کاربردی و جالب بهتون معرفی کنم.
اگه یه تصویر یا ویدیو رزولوشن پایینی داره، می‌تونید باهاش 2x یا 4x آپ‌اسکیلش کنید؛ بدون نصب نرم‌افزار و بدون اینکه فایل‌هاتون رو به سرور بفرستید.
نکته جالبش اینه که پردازش کاملاً محلی داخل مرورگر انجام میشه و رایگانه. ⚡️
یعنی فایل روی سیستم خودتون پردازش میشه و برای استفاده‌های سریع و روزمره گزینه خیلی خوبیه.
🔗 freeupscaler.app
#AI
#Upscaler
#ArtificialIntelligence
#Tools
2 · 268 · Фотография
یه بازی آنلاین که بوی نوستالژی میده!
🏎 اگه «برندگان کوچک» و ماگنوم و سونیک رو یادتونه، این بازی احتمالاً براتون جذابه!
🔥 storm-race.vercel.app
اینجا فقط سرعت مهم نیست؛ باید ماشینت رو بشناسی، برای هر پیست تنظیمش کنی و با آزمون‌وخطا بهترش کنی.
حتی Boost هم محدودیت داره و استفاده زیادش باعث داغ شدن موتور میشه! 😂🔥
دقیقاً همون ترکیب قدیمی:
ماشین + تنظیمات + مسابقه + آزمون‌وخطا 🏎️
#AI
#Game
1 · 322 · Фотография
این چیزی نبود که انتظارش رو داشتم و واقعاً ناامید شدم
امیدوارم هرچه زودتر شاهد عرضه‌ی Grok 5 با عملکرد بهتر و نتایج قوی‌تر باشیم. 👀
باید ببینیم نسخه بعدی قراره چقدر تفاوت ایجاد کنه. 🔥
#AI
#Grok
2 · 521 · و در نهایتGrok 4.7 وارد Devin شد!
مدل جدید xAI الان توی Devin Desktop و Devin CLI در دسترسه.
چیزی که جالبه اینه که توی تسک‌های سخت و چندماژوله‌ی بک‌اند، مخصوصاً با Java، Go و Ruby عملکرد خوبی نشون داده.
حتی برای حل مسئله فقط به کد اصلی اکتفا نمی‌کنه؛ میره سراغ سورس dependencyها و در نهایت با Integration Test بررسی می‌کنه که چیزی که ساخته واقعاً کار می‌کنه یا نه.
البته یه نکته هم هست؛ بعضی وقت‌ها بیشتر از چیزی که ازش خواسته شده تغییر میده و Scope پروژه رو بزرگ‌تر می‌کنه.
در هر صورت، ترکیب Grok 4.7 + Devin برای کارهای جدی‌تر کدنویسی جالبه و ارزش تست کردن داره.
#AI
#Grok
#Devin
#Coding
1 · 413 · CodeNeuron
Аудио
این مدل تصمیم گیر چیه ؟؟؟ (1).mp3 · 14.8 МБ · нажмите — покажем
این مدل تصمیم گیر چیه ؟؟؟ (1).mp3 · 14.8 МБ · нажмите — покажем
🎙️ بعد از شنیدن این پادکست، چند سؤال مهم مطرح میشه...
🧠 ۱. آیا واقعاً برای هر تصمیم کوچیک، به یک مدل بزرگ مثل GPT نیاز داریم؟
⚡ ۲. اگر یک مدل بتونه فقط در چند میلی‌ثانیه تصمیم بگیره، به‌نظرتون چه بخش‌هایی از نرم‌افزارهای امروزی می‌تونن سریع‌تر و ارزان‌تر بشن؟
🎯 ۳. به‌نظرتون آینده‌ی Agentهای هوش مصنوعی بیشتر به سمت یک مدل بزرگ و همه‌کاره میره، یا ترکیبی از چند مدل تخصصی که هرکدوم یک کار مشخص انجام میدن؟
🔐 ۴. اگر یک AI برای تصمیم خودش Confidence هم ارائه بده، آیا حاضرین تصمیم‌های مهم رو به‌صورت خودکار بهش بسپارین؟ یا همچنان باید انسان در حلقه باقی بمونه؟
💭 سؤال برای تفکر:
اگر قرار باشه برای یک پروژه واقعی، بین Ruleهای معمولی، یک مدل تصمیم‌گیر مثل Jev و یک LLM قدرتمند انتخاب کنید...
کدوم بخش پروژه رو به کدوم می‌سپارید؟ و چرا؟ 👀
نظرتون رو برام بنویسید 👇
1 · 1.1K · Ссылка
нажмите — покажем
нажмите — покажем
بدین‌وسیله از حمایت‌های ارزشمند شما عزیزان از کانال کد نورون صمیمانه سپاسگزاری می‌نماییم. 🙏 این همراهی موجب دلگرمی و ارتقای مستمر کیفیت و حجم فعالیت‌های ما شده است. 📈
لطفاً جهت حمایت بیشتر از کانال، از لینک زیر استفاده فرمایید:
https://t.me/boost/Code_Neuron
پیشاپیش از توجه و همراهی شما کمال تشکر را دارد. 🌟
1 · 565 · یه فکت جالب:
به نظرم نرم‌افزار هیچ‌وقت فقط کدنویسی نبوده.
قرار بوده یه سری کارایی که از توان آدم خارجه رو برامون انجام بده و دست و ذهنمون رو قوی‌تر کنه.
#فکت
#Software
#Programming
1 · 266 · یه چیزی که این روزا خیلی از برنامه‌نویسا حسش می‌کنن:
ما کلی وقت گذاشتیم یاد گرفتیم، تمرین کردیم و مهارت ساختیم؛ ولی بازار با سرعت زیادی داره تغییر می‌کنه.
چیزی که دیروز مهم بود، شاید امروز دیگه کافی نباشه.
به نظرم الان مهم‌تر از بلد بودن یه تکنولوژی خاص، توانایی یادگیری و سازگار شدن با تغییره. ⚡️
#Programming
#AI
#Developer
1 · 342 · دوستان از Jev سوال کردن و توی یک خط میخام بگم نظر شخصی ام رو :
به نظرم مدل‌هایی مثل Jev آینده‌ی دفاع سایبری هوشمند و خودکارن.
سیستم‌هایی که فقط تهدید رو تشخیص ندن، و غیر از اون حتی بتونن خودشون تحلیل کنن و سریع واکنش نشون بدن.
ولی قرار نیست برای همه‌چی بهترین گزینه باشه.
پ.ن : مخصوصاً چون خروجی‌اش به یه Type-safe struct محدود میشه و همین می‌تونه دست مدل رو تو بعضی کارها ببنده.
#توصیه
#AIAgents
#AI
#LLM
#JEv
1 · 390 · فکر کنم بیرون از Tech خیلیا اصلاً نمی‌دونن داستان چیه!
مشکل پلن 20x کلاد اینه که 20 برابر شدنش روی Session Limit هست، نه محدودیت هفتگی.
وقتی وسط یه پروژه سنگین باشی، Session Cap واقعاً می‌تونه اذیت‌کننده باشه.!!!
#AI
#LLM
334 · Ответ🎙️ بعد از شنیدن این پادکست، چند سؤال مهم مطرح میشه...
🧠 ۱. آیا واقعاً برای هر تصمیم کوچیک، به یک مدل بزرگ مثل GPT نیاز داریم؟
⚡ ۲. اگر یک مدل بتونه فقط در چند میلی‌ثانیه تصمیم بگیره، به‌نظرتون چه بخش‌هایی از نرم‌افزارهای امروزی می‌تونن سریع‌تر و ارزان‌تر بشن؟
🎯 ۳. به‌نظرتون آینده‌ی Agentهای هوش م
یه چیزی که درباره Jev برام خیلی جالبه:
به نظرم توی Agentها لازم نیست برای هر تصمیم کوچیکی مستقیم سراغ LLM بریم. خیلی وقت‌ها میشه Decision Layer رو جدا کرد و تصمیم‌های سریع و Type-safe رو سپرد به Jev.
معماری کلی تقریباً این شکلی میشه:
ساختار : Prompt → Orchestrator → Jev Decision → Policy → Tool → Observation
چیزی که برای من جذابه اینه که LLM فقط جایی وارد میشه که واقعاً به تولید یا درک زبان نیاز داریم، نه برای هر تصمیم ساده.
از طرف دیگه، با Kafka، Idempotency، Execution Log و Human Review میشه اجرای Agent رو قابل‌کنترل‌تر و قابل‌اعتمادتر کرد.
در نهایت هم قبل از Production، سیستم رو مدتی در Shadow Mode اجرا می‌کنیم تا ببینیم تصمیم‌های Jev در دنیای واقعی چقدر با رفتار مورد انتظار هماهنگه.
به نظرم این مدل معماری می‌تونه مسیر جالبی برای ساخت Agentهای سریع‌تر و قابل‌کنترل‌تر باشه.
#AI
#Jev
2 · 395 · CodeNeuron
هرچی جلوتر می‌ریم و بیشتر با Coding Agentها کار می‌کنیم، یه تغییر جالب بیشتر به چشمم میاد:
ما کم‌کم داریم به‌جای اینکه فقط با هم پیام رد و بدل کنیم، Context رد و بدل می‌کنیم.
این روزها خیلی وقت‌ها می‌بینم با همکارها Citationهای Agentها و فایل‌های Markdown به اشتراک می‌ذاریم؛ چیزی که حتی توی پادکستی که والرا مجریش بود هم بهش اشاره شد.
اولش شاید یه چیز ساده به نظر بیاد، ولی به‌نظرم پشتش یه تغییر مهم وجود داره.
مثلاً به‌جای اینکه توی Jira یه تیکت طولانی بنویسیم یا چندین پیام رد و بدل کنیم، می‌تونیم یه فایل MD داشته باشیم که داخلش مشخص باشه:
- مشکل دقیقاً چیه
- چه چیزی باید بررسی بشه
-خود Agent باید روی چه بخش‌هایی تمرکز کنه
- چه فایل‌ها یا منابعی مرتبط هستن
- چه محدودیت‌هایی وجود داره
- نتیجه یا خروجی مورد انتظار چیه
بعد هم کنارش فقط یه پیام کوتاه:
«این فایل Context مسئله‌ست، یه نگاه بنداز.»
به‌نظرم این می‌تونه کم‌کم تبدیل بشه به یکی از Good Practiceهای کار با Agentها.
همون‌طور که امروز انتظار داریم وقتی یه سؤال می‌پرسیم، به‌جای «سلام» و چند پیام رفت‌وبرگشتی، مستقیم و کامل مسئله رو توضیح بدیم؛ یا وقتی توی یک Ticket به منبعی اشاره می‌کنیم، لینک اون منبع رو بذاریم.
حتی Documentation پروژه هم داره به همین سمت میره:
یه ساختار مرتب، Markdownهای قابل فهم، لینک‌ها، Index و Context کافی برای اینکه هم انسان و هم Agent سریع‌تر بفهمن با چی طرف هستن.
شاید در آینده، Context Engineering فقط برای Agentها نباشه؛ بخشی از فرهنگ همکاری تیم‌های نرم‌افزاری بشه.
پ.ن. به‌نظرم Markdown داره از «فرمت مستندسازی» کم‌کم به یکی از مهم‌ترین فرمت‌های ارتباطی بین انسان و Agent تبدیل میشه.
#Ai
#Coding
461 · 🔥 یک UI Library فارسی برای پروژه‌های وب!
اگه با ساخت سایت یا وب‌اپلیکیشن فارسی کار کرده باشین، احتمالاً یکی از دردسرهای همیشگی RTL و راست‌چین کردن رابط کاربری بوده.
یه پروژه جالب پیدا کردم به اسم VibeFarsi که از پایه برای زبان فارسی و رابط‌های راست‌به‌چپ طراحی شده؛ یعنی خیلی از دردسرهای مربوط به RTL رو از همون اول براتون کم می‌کنه.
برای ساخت رابط‌های فارسی می‌تونه گزینه جالبی باشه
🔗 VibeFarsi.ir
#Frontend
#UI
#RTL
#React
#WebDevelopment
2 · 429 ·