استارتاپ Windsurf که به‌خاطر ابزارهای محبوبش برای برنامه‌نویس‌ها شناخته می‌شه، روز پنج‌شنبه از اولین خانواده‌ی مدل‌های هوش مصنوعی اختصاصی خودش به نام SWE-1 رونمایی کرد. این مجموعه شامل سه نسخه‌ی اصلی، لایت و مینی هست که طبق گفته‌ی شرکت، نه فقط برای کدنویسی بلکه برای تمام فرآیند مهندسی نرم‌افزار بهینه‌سازی شدن.

این خبر در حالی منتشر شده که طبق گزارش‌ها، OpenAI به‌تازگی قرارداد خرید ۳ میلیارد دلاری Windsurf رو نهایی کرده. با این حال، عرضه‌ی مدل‌های داخلی توسط Windsurf نشون می‌ده که این استارتاپ داره از صرفاً ساخت اپلیکیشن فراتر می‌ره و به سمت توسعه‌ی مدل‌های پایه‌ی هوش مصنوعی هم حرکت می‌کنه.

مدل اصلی یعنی SWE-1 توی بنچمارک‌های داخلی برنامه‌نویسی، عملکردی نزدیک به مدل‌های مطرحی مثل Claude 3.5 Sonnet، GPT-4.1 و Gemini 2.5 Pro داشته، اما هنوز به پای مدل‌های پیشرویی مثل Claude 3.7 Sonnet نمی‌رسه. نسخه‌های Lite و Mini این مدل برای تمام کاربران (رایگان یا پولی) در دسترسه، اما نسخه‌ی کامل SWE-1 فقط برای کاربران پولی فعاله. با اینکه قیمت‌گذاری رسمی اعلام نشده، Windsurf می‌گه هزینه‌ی اجرای SWE-1 از مدل‌هایی مثل Claude 3.5 کمتره.

‏Windsurf بیشتر به‌خاطر سبکی از کدنویسی به اسم "vibe coding" معروفه؛ مدلی که برنامه‌نویس‌ها می‌تونن از طریق گفتگو با چت‌بات‌ها کدنویسی و ویرایش انجام بدن. تا حالا، بیشتر شرکت‌هایی مثل Windsurf، Cursor و Lovable برای این کار از مدل‌های OpenAI، Anthropic یا گوگل استفاده می‌کردن، اما حالا Windsurf داره تلاش می‌کنه راه خودش رو جدا کنه.

طبق گفته‌ی نیکلاس موی، رئیس بخش تحقیقات Windsurf، مدل‌های پیشتاز الان توی کدنویسی خوبن، ولی برای مهندسی نرم‌افزار کافی نیستن. اون گفته: «کدنویسی، مهندسی نرم‌افزار نیست». به گفته‌ی این شرکت، مدل SWE-1 طوری آموزش دیده که بتونه توی محیط‌های مختلف — مثل ترمینال، IDE و مرورگر — که برنامه‌نویس‌ها به‌طور روزمره باهاش سروکار دارن، عملکرد خوبی نشون بده.

‏Windsurf اعلام کرده که SWE-1 فقط یه طرح اولیه‌س و احتمالاً مدل‌های پیشرفته‌تری هم در آینده منتشر خواهد کرد.

@aipulse24

گوگل همچنین از نسخه‌ی جدید مدل تولید ویدئوش یعنی Veo 3 رونمایی کرده؛ مدلی که حالا می‌تونه علاوه‌بر ساخت ویدیو، صداهایی مثل افکت صوتی، صدای محیط و حتی دیالوگ رو هم بسازه و با ویدیو همگام کنه.

دمیس هاسابیس، مدیرعامل دیپ‌مایند گفته Veo 3 ما رو از «دوران ویدیوی بی‌صدا» بیرون آورده. کاربرا می‌تونن با یه پرامپت ساده، صحنه و شخصیت‌ها رو توصیف کنن و حتی بگن دیالوگ‌ها چه جوری صدا بده.

گوگل می‌گه یکی از تفاوت‌های اصلی Veo 3 با مدل‌های دیگه، مثل Runway، Pika یا OpenAI، قابلیت تولید و هم‌زمان‌سازی خودکار صدا با تصویر براساس پیکسل‌های خام ویدیوئه. این توانایی می‌تونه برگ برنده‌ای برای گوگل باشه تو بازاری که حالا دیگه حسابی شلوغ شده. با اینکه ابزارهای تولید صدا با هوش مصنوعی قبلاً معرفی شده بودن، Veo 3 با درک عمیق‌تر از تصویر، یه قدم جلوتره.

گفته می‌شه دیپ‌مایند برای ساخت این مدل از پژوهش‌های قبلیش تو زمینه «ویدیو به صدا» استفاده کرده؛ و البته احتمالش زیاده که یوتیوب هم یکی از منابع آموزشی این مدل بوده باشه.

در کنار معرفی Veo 3، گوگل یه‌سری قابلیت جدید هم برای Veo 2 فعال کرده. حالا کاربرا می‌تونن عکس‌هایی از کاراکترها، صحنه‌ها یا سبک بصری بدن تا خروجی ویدیوها یک‌دست‌تر بشه. Veo 2 همچنین حرکات دوربین مثل چرخش یا زوم رو هم بهتر درک می‌کنه و امکان حذف یا اضافه‌کردن اشیا تو ویدیو یا تغییر قاب از پرتره به منظره رو فراهم کرده. این امکانات قراره به‌زودی از طریق پلتفرم Vertex AI گوگل در اختیار توسعه‌دهنده‌ها هم قرار بگیره.

مدل Veo 3 فعلاً فقط برای مشترکای پلن AI Ultra با قیمت ۲۴۹.۹۹ دلار در ماه از طریق چت‌بات Gemini در دسترسه.

@aipulse24