..آنلاین..

از روی دست همینگوی

با

مسعود بُربُر

سه‌شنبه‌ها ساعت ۱۸ تا ۲۰

از

۵ اردیبهشت ۱۴۰۲

ارنست همینگوی از تاثیرگذارترین و پربحث‌ترین نویسندگان سده‌ی بیستم بود و شگردهای نویسندگی و ویژگی‌های داستان‌های او تا امروز در سراسر جهان بر داستان‌نویسان اثر گذاشته و مورد بحث است.

در این دوره‌ی آموزشی تلاش می‌کنیم نخست مختصری درباره‌ی خود او بدانیم و با اهمیت و ویژگی‌های کلی آثار او آشنا شویم و سپس با خوانش سه اثر او به واکاوی این داستان‌ها بپردازیم و شگردهای داستانی و روایی او را بررسی کرده و تمرین کنیم. برخلاف اغلب محتوای از پیش موجود در این باره، تلاش می‌کنیم از منظر نویسنده و نه خواننده به این کتاب بنگریم و از روی دست همینگوی بیاموزیم.



هدف دوره

- شناخت و بررسی کلی ارنست همینگوی و ویژگی‌های آثار او و جایگاه و تاثیرش بر ادبیات داستانی

- خوانش کاربردی و روایی برخی داستان‌های او از منظر نویسنده، نه فقط خواننده

- آشنایی با مفاهیم کلی، رویکردها و شگردهایی همچون شروع از درون داستان، شخصیت، ساختار چندسویه و سلسه‌مراتبی، انطباق شناختی و ایجاد حس حضور در صحنه، روایت خنثی و نمایشی، اصل کوه یخ و حذف توصیفی

- تلاش برای دستیابی به میز کار داستان‌نویس و آموختن از روی دست او



سرفصل جلسات



۱- از روی دست همینگوی

(آشنایی کلی با ارنست همینگوی و جایگاه ادبی او، و معرفی مختصر آثار او و ویژگی‌های شاخص آن‌ها)

۲- اردوگاه سرخپوستان

(خوانش، تحلیل روایی و نگاهی کاربردی: شروع داستان به شیوه‌ی همینگوی، الگوی روایی، ماجرا و ارائه، شخصیت اصلی و مسأله و مانع او، ساختار چندسویه و سلسله‌مراتبی، کاشت و برداشت)



۳- آدم‌کش‌ها

(خوانش، تحلیل روایی و نگاهی کاربردی: اگزیستانسیالیسم از نوع همینگوی، زیستن در اکنون داستانی، دیرش، صحنه و صیغه‌ی مضارع، کانونی‌سازی، روایت خنثی)

۴- تپه‌هایی به شکل فیل‌های سفید

(خوانش، تحلیل روایی و نگاهی کاربردی: توقف داستانی، مکان داستانی و انطباق شناختی، دوربین‌گذاری، نشانگرهای اشاری، گفتگوی پیش‌برنده، لایه‌پردازی و دلالت ضمنی، اصل کوه یخ و حذف توصیفی)



برای ثبت‌نام و جزئیات دیگر فقط به تلگرام یا واتس‌اپ موسسه پیام بدهید، در دایرکت پاسخگوی شما نخواهیم بود.

شماره‌ی تماس: ۰۹۰۲۶۰۵۶۴۶۷

برام جالب بود گفتم شاید براتون جالب باشه

گوگل بالاخره اعلام کرد که سرویسهای مبتنی بر LLM رو اضافه کرده، میتونید از طریق سرویسهای پولیش استفاده کنید:

https://cloud.google.com/blog/products/ai-machine-learning/generative-ai-for-businesses-and-governments

جالبه که به شرکتها و دولتها بیشتر میخواد که سرویس بده.
ساندار هم کلی با این قضیه توی تویتر و اینور اونور پز میده.
لینک بیشتر:
https://blog-google.cdn.ampproject.org/c/s/blog.google/technology/ai/ai-developers-google-cloud-workspace/amp/

در قدمی مشابه، gpt4 هم منتشر شد.
لینکش:
https://openai.com/research/gpt-4

دیگه الکی توهم نزنیم در مورد اینکه چیه چطوریه.
اینم مقاله فنیش هست.

بالاخره منتشر شد 😱😱😱😱😱

دمو تا دو ساعت دیگه

وای خدا
خیلی هیجان‌زده‌ام و هیچ کس نیست اینجا که هیجانم رو بتونم به اشتراک بگذارم 😭😭😭😭

میخوام برم توی خیابون داد بزنم هر کسی میبینم بگیرم تکونش بدم بگم که جی پی تی ۴ ریلیز شد!

واااااای
میخوام وسط آزمایشگاه جیغ بکشم 😱😱😱😱😱
چرا هیچ کس اصلا توجه نمیکنه!
خدای من!!!!!

We’ve spent 6 months iteratively aligning GPT-4 using lessons from our adversarial testing program as well as ChatGPT, resulting in our best-ever results (though far from perfect) on factuality, steerability, and refusing to go outside of guardrails.

In a casual conversation, the distinction between GPT-3.5 and GPT-4 can be subtle. The difference comes out when the complexity of the task reaches a sufficient threshold—GPT-4 is more reliable, creative, and able to handle much more nuanced instructions than GPT-3.5.

Over a range of domains—including documents with text and photographs, diagrams, or screenshots—GPT-4 exhibits similar capabilities as it does on text-only inputs. Furthermore, it can be augmented with test-time techniques that were developed for text-only language models, including few-shot and chain-of-thought prompting. Image inputs are still a research preview and not publicly available.

GPT-4 generally lacks knowledge of events that have occurred after the vast majority of its data cuts off (September 2021), and does not learn from its experience.

GPT-4 incorporates an additional safety reward signal during RLHF training to reduce harmful outputs (as defined by our usage guidelines) by training the model to refuse requests for such content. The reward is provided by a GPT-4 zero-shot classifier judging safety boundaries and completion style on safety-related prompts.

We will soon share more of our thinking on the potential social and economic impacts of GPT-4 and other AI systems.

A large focus of the GPT-4 project has been building a deep learning stack that scales predictably. The primary reason is that, for very large training runs like GPT-4, it is not feasible to do extensive model-specific tuning. We developed infrastructure and optimization that have very predictable behavior across multiple scales. To verify this scalability, we accurately predicted in advance GPT-4’s final loss on our internal codebase (not part of the training set) by extrapolating from models trained using the same methodology but using 10,000x less compute

We’re open-sourcing OpenAI Evals, our software framework for creating and running benchmarks for evaluating models like GPT-4, while inspecting their performance sample by sample.

we have also included the templates that have been most useful internally (including a template for “model-graded evals” — we’ve found that GPT-4 is surprisingly capable of checking its own work)

ChatGPT Plus subscribers will get GPT-4 access on chat.openai.com with a usage cap.