با Segment Anything می‌تونید اشیاء رو از توی عکس ها تشخیص بدید جالب‌ترین بخشش به نظرم قابلیت Zero-shot اونه. یعنی مدل بدون اینکه از قبل نمونه‌های اون شیء خاص رو دیده باشه، می‌تونه اونو تو تصویر تشخیص بده و جدا کنه. این فرق بزرگی با مدل‌های قدیمیه که باید برای هر کلاس جدیدی از اشیاء، کلی داده و آموزش جدید بهشون می‌دادی. این انعطاف‌پذیری برای کاربردهای خلاقانه یا تحلیل داده‌های تصویری خیلی متنوع، فوق‌العاده است.


github.com/facebookresearch/segment-anything

@Linuxor

تا حالا به حجم ایمیج داکرت زل زدی و با خودت گفتی "این توش چیه دیگه؟!" ایمیج‌های داکر گاهی بی‌دلیل حجیم می‌شن و پیدا کردن اینکه چی اضافیه کار حضرت فیله. dive بهت اجازه می‌ده لایه‌به‌لایه ایمیج رو بکاوی و ببینی دقیقاً چی فضا گرفته. دیگه از حدس و گمان خبری نیست! اینطوری فضای هدر رفته رو پیدا می‌کنی و ایمیج‌هات رو سبک می‌کنی. برای هرکسی که ایمیج داکر می‌سازه و دنبال بهینه‌سازیه، فوق‌العاده کاربردیه.


github.com/wagoodman/dive

@Linuxor

تا حالا با قاشق قهوه تمپ نکرده بودم که کردم 😑

خداحافظی با cursor و windsurf
غول اینترنت یعنی گوگل‌ از AI agent coding خودش رو‌نمایی کرد.
با Jules اشنا بشید.

https://jules.google/

@DevTwitter | <Mehdi Taleghani/>

#کوته_خبر

بالاخره ادوبی برای فتوشاپ اپلیکیشن اندروید ول داد.

@DevTwitter

تست کردم جواب نداد

🎓 آشنایی با پلتفرم Forage Job Simulations :
یک پلتفرم آنلاین 🆓 است که به دانشجویان و فارغ‌التحصیلان اجازه می‌دهد تجربیات شغلی واقعی  را در قالب دوره‌های مجازی 💻 پشت سر بگذارند.

این دوره‌ها:
✅ شامل وظایف واقعی  از شرکت‌های معتبر هستند
✅ به شما کمک می‌کنند تا قبل از ورود به بازار کار، مهارت‌های عملی  کسب کنید
💼 و فرصتی عالی برای آشنایی با نقش‌های مختلف شغلی هستند  

🌟 در این دو پست، دو دوره کوتاه مدت از J.P. Morgan  رو در اختیارتون قرار دادم:
🔹 یکی در زمینه تحلیل کمّی (Quantitative Research)
🔹 و دیگری در حوزه مهندسی نرم‌افزار (Software Engineering) 

📌 حتماً تسک‌ها رو انجام بدید، کدبزنید و سابقه‌ی عملی خوبی به رزومه‌تون اضافه کنید!

⚠️ متاسفانه به دلیل تحریم‌ها، ایرانی‌ها نمی‌توانند سرتیفیکیت  این دوره‌ها رو دریافت کنند، اما دانش و تجربه‌ی کسب شده  همچنان کاملاً در دسترس همه است.

میگم بیاین فرض کنیم ی هوش مصنوعی داریم که انسان رو کنترل می کنه

چقدر طول می‌کشه که این هوش مصنوعی رییس جمهور بشه ؟

هوش مصنوعی داره لذت خلق‌کردن رو از ما می‌دزده!!

این واقعیت که احتمالا دیگه قرار نیست روی یک موضوعی مدت‌ها کار کنیم یا با صحیح و خطا یک چیز جدیدی خلق کنیم و ازش لذت ببریم، اجتناب ناپذیره.

هوش مصنوعی اومده که کمکمون کنه و خب این کار رو هم می‌کنه ولی دیگه ساختن چیزای جدید روحمون رو جلا نمیده.

برای بقیه‌هم کم کم داره عادی میشه و از جمله‌ی «اینو که AI بهتر انجام میده» بیشتر از قبل استفاده می‌کنن.

یک مقاله‌ی جالب در این مورد پیدا کردم که خوندنش خالی از لطف نیست.

https://dev.to/joshtom/when-ai-steals-the-joy-of-creating-3aj2

@DevTwitter | <Milad Niroee/>

همین که توضیحات این پروژه رو بخونی میشه ۳ تومن.
اونوقت حداکثر بودجه رو زده ۲ میلیون.
https://ponisha.ir/project/614833/%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%D9%81%D8%B1%D9%88%D8%B4-%D9%85%D8%AE%D8%B5%D9%88%D8%B5-%D9%86%D9%85%D8%A7%DB%8C%D9%86%D8%AF%DA%AF%DB%8C-%D9%87%D8%A7

@normal_developer

ی سری چیزایی می‌خوام درست کنم که خیلی خیلی خفن

احتمالا دیدید که هوش مصنوعی گاهی وقتا توهم می‌زنه. ولی این قضیه اونجوری که فکر می‌کنین باگ نیست. در واقع، این بخشی از ذات طراحیشه. هوش مصنوعی مثل یه دیتابیس نیست که اطلاعات رو خشک و خالی حفظ کنه؛ کار اصلیش اینه که الگوها و شکل کلی زبان رو یاد بگیره. برای همین هم هست که تو کارایی مثل خلاصه‌نویسی، توضیح دادن یه موضوع پیچیده به زبون ساده یا ترجمه خلاقانه اینقدر خوب عمل می‌کنه. چون داره از قدرت حدس و تخمینش استفاده می‌کنه تا یه جواب روون و منطقی تحویل بده، نه اینکه یه مشت اطلاعات حفظ شده رو کپی پیست کنه.

مشکل از جایی شروع میشه که ما ازش جواب دقیق و صددرصدی می‌خوایم، مثلا در مورد دوز دارو یا یه نقل قول مشخص. هوش مصنوعی فرق این دو حالت رو نمی‌فهمه؛ فقط داره محتمل‌ترین کلمه بعدی رو بر اساس الگوهایی که یاد گرفته می‌گه. برای همین، ممکنه یه جواب خیلی خوشگل و با گرامر عالی بهت بده که کاملا ساختگیه. راه حلش هم این نیست که مدل رو بزرگ‌تر کنیم، چون اون وقت فقط با اعتماد به نفس بیشتری هذیون میگه! راه حل اینه که ابزارهایی دور و برش بذاریم که بتونه اطلاعاتش رو از منابع دقیق چک کنه.

@Linuxor ~ dustin

خب چطوری عوض می کنن عکس توشو

معرفی مقاله

■ مدل‌های زبانی کوچک (SLM) - آینده‌ی هوش مصنوعی عاملی
■ عنوان اصلی: Small Language Models are the Future of Agentic AI
■ نوشته‌ی تیمی از محققان NVIDIA Research و Georgia Institute of Technology
■ تاریخ انتشار: 12 خرداد 1404

■ چکیده:
«مدل‌های زبانی بزرگ (LLMها) به‌دلیل توانایی‌شان در مکالمه‌های عمومی و عملکرد نزدیک به انسان در طیف گسترده‌ای از وظایف، مورد توجه زیادی قرار گرفته‌اند. با این حال، ظهور سیستم‌های هوش مصنوعی عاملی (Agentic AI) موجی از کاربردها را به همراه داشته است که در آن‌ها مدل‌های زبانی تنها تعداد محدودی از وظایف تخصصی را به‌صورت تکراری و با تنوع اندک انجام می‌دهند. در این مقاله، این دیدگاه را مطرح می‌کنیم که مدل‌های زبانی کوچک (SLMها) برای چنین کاربردهایی کاملاً کافی، از نظر ساختاری مناسب‌تر، و از نظر اقتصادی بسیار مقرون‌به‌صرفه‌تر هستند. به همین دلیل، ما معتقدیم آینده‌ی هوش مصنوعی عاملی به سمت استفاده از SLMها پیش خواهد رفت. این باور بر پایه‌ی توانمندی‌های فعلی SLMها، ساختار رایج سیستم‌های عاملی، و هزینه‌های مرتبط با استقرار مدل‌ها شکل گرفته است.

همچنین بیان می‌کنیم که در مواردی که توانایی گفت‌و‌گوی عمومی اهمیت دارد، استفاده از سیستم‌های عاملی ناهمگن (heterogeneous agentic systems) که به‌طور هم‌زمان از چند مدل مختلف بهره می‌برند، گزینه‌ای طبیعی و منطقی خواهد بود. در ادامه، به موانع احتمالی در مسیر به‌کارگیری SLMها اشاره می‌کنیم و الگوریتمی برای تبدیل عامل‌های مبتنی بر مدل‌های بزرگ به مدل‌های کوچک ارائه می‌دهیم.

دیدگاه ما به‌صورت یک بیانیه‌ی ارزشی مطرح شده است تا اهمیت تأثیرات عملیاتی و اقتصادی حرکت از LLMها به SLMها را در صنعت عامل‌های هوش مصنوعی برجسته کند. هدف ما آغاز گفت‌وگویی درباره‌ی استفاده‌ی مؤثرتر از منابع هوش مصنوعی و کمک به کاهش هزینه‌های آن در شرایط کنونی است.»

🔗 لینک:
https://arxiv.org/pdf/2506.02153v1

ی اصل خیلی ساده توی موفقیت وجود داره

کسی که ابزارهای بیشتری داشته باشه برندست.