🚀«دیپ فرم»؛ دستاوردی بومی در حوزه فرم، آزمون و تحلیل هوشمند داده 📝 سامانه دیپ فرم با هدف پاسخ‌گویی به نیاز سازمان‌ها، دانشگاه‌ها، مراکز درمانی، شرکت‌ها و صنایع در زمینه طراحی فرم و آزمون، جمع‌آوری داده، تحلیل پاسخ‌ها و تهیه گزارش‌های مدیریتی توسعه یافته است. 🤖 این پلتفرم فارسی، علاوه بر مدیریت فرم‌ها، پرسشنامه‌ها، نظرسنجی‌ها و آزمون‌ها، از قابلیت‌های هوش مصنوعی برای تحلیل پاسخ‌های متنی، شناسایی موضوعات اصلی، خلاصه‌سازی داده‌ها و استخراج بینش‌های قابل استفاده بهره می‌برد. 🏛️ این محصول توسط مؤسسه تحقیقات پیشرفته هوش مصنوعی نورون، وابسته به پژوهشکده فناوری سلامت دانشگاه صنعتی امیرکبیر، و با همراهی شتاب‌دهنده فست به‌عنوان بازوی اجرایی پژوهشکده توسعه یافته است. 🎯 به‌منظور ارزیابی میدانی و شناخت نیازهای واقعی مجموعه‌ها، امکان ثبت درخواست بررسی پایلوت اختصاصی دیپ فرم فراهم شده است. 🔗 معرفی محصول و ثبت درخواست: https://dpform.ir/l/general 💜 دیپ فرم؛ از داده تا تصمیم 🍂@NeuronRC

🔹 هوش مصنوعی در کشاورزی؛ انقلابی در تولید یا تهدیدی برای دانش بومی؟ محققان دانشگاه تهران با تلفیق یادگیری ماشین و علوم باغبانی، روشی نوین برای بهینه‌سازی کشت بافت ارکیده «فالانوپسیس» ابداع کرده‌اند که ضمن کاهش هزینه‌ها و زمان تولید، کیفیت و کمیت محصول را افزایش می‌دهد. اما کارشناسان هشدار می‌دهند که وابستگی بیش‌ازحد به مدل‌های هوشمند در کشاورزی، اگر با حفظ دانش تجربی و نظارت انسانی همراه نشود، می‌تواند به تدریج به کاهش مهارت‌های عملی متخصصان و تضعیف دانش بومی کشت منجر شود. 📌 موضوع گزارش بررسی تأثیر استفاده از هوش مصنوعی در بهینه‌سازی کشت بافت گیاهان زینتی بر بهره‌وری تولید، کیفیت علمی پژوهش‌ها و حفظ دانش تخصصی انسانی در حوزه کشاورزی. 🔬 یافته‌های کلیدی 🔻 محققان دانشگاه تهران با همکاری مؤسسات علمی، از مدل‌های یادگیری ماشین برای بهینه‌سازی عناصر غذایی، کیفیت نور، تنظیم‌کننده‌های رشد و شرایط کشت درون‌شیشه‌ای ارکیده فالانوپسیس استفاده کرده‌اند که منجر به افزایش رشد، بهبود ویژگی‌های مورفولوژیک و بیوشیمیایی و کاهش چشمگیر هزینه‌های تولید شده است. 🔻 از این پروژه تاکنون چهار مقاله علمی در مجلات معتبر بین‌المللی مانند Plant Cell, Tissue and Organ Culture و BMC Plant Biology منتشر شده و بستری برای تربیت دانشجویان تحصیلات تکمیلی و انجام پایان‌نامه‌های متعدد در حوزه تکثیر و اصلاح ارکیده فراهم کرده است. 🔻 با وجود این دستاوردها، کارشناسان نسبت به خطر «زوال دانش عملی» هشدار می‌دهند؛ وضعیتی که متخصصان جوان به‌جای تکیه بر تجربه‌های مستقیم کشت، صرفاً به خروجی مدل‌های هوشمند اعتماد کرده و توانایی تشخیص خطاهای محیطی، واکنش به شرایط غیرمنتظره و خلاقیت در اصلاح روش‌های سنتی را از دست می‌دهند. ⚠️ سه چالش اصلی سازمان‌های پژوهشی و کشاورزی 🔸 راستی‌آزمایی مدل‌ها: خروجی الگوریتم‌های یادگیری ماشین نیازمند تأیید تجربی در شرایط واقعی گلخانه و مزرعه است؛ فرایندی که زمان‌بر بوده و بخشی از مزیت بهره‌وری را کاهش می‌دهد. 🔸 کاهش نقش متخصص انسانی: کارفرمایان و مؤسسات پژوهشی ممکن است به‌تدریج ارزش افزوده‌ی دانش تجربی محققان را نادیده بگیرند و صرفاً به مدل‌های عددی تکیه کنند، که این امر می‌تواند به کاهش انگیزه برای یادگیری عمیق علوم پایه و مهارت‌های عملی منجر شود. 🔸 فروپاشی داده‌های آموزشی (Model Collapse): اگر داده‌های تولیدشده توسط مدل‌های قبلی، بدون پالایش انسانی، به‌عنوان ورودی نسل‌های بعدی الگوریتم‌ها استفاده شوند، کیفیت پیش‌بینی‌ها به‌تدریج کاهش یافته و از واقعیت‌های زیستی فاصله می‌گیرد. ✅ راهکارهای پیشنهادی ✔️ منشأ داده‌های ورودی و خروجی‌های مدل‌های هوش مصنوعی به‌صورت شفاف ثبت و امکان بازبینی انسانی برای هر پیش‌نهاد کشت فراهم شود. ✔️ در فرایندهای پژوهشی و تولیدی، ارزش‌گذاری برای مهارت‌های تجربی متخصصان حفظ شده و ارزیابی عملکرد محققان صرفاً بر اساس تعداد مقالات یا پیش‌بینی‌های ماشینی نباشد، بلکه توانایی حل مسئله در شرایط واقعی نیز سنجیده شود. ✔️ پژوهشگاه‌ها و مراکز کشاورزی به‌جای اتکای کامل به مدل‌های عمومی، از سیستم‌های اختصاصی مبتنی بر داده‌های بومی و دانش سنتی کشت خود بهره بگیرند و همیشه یک لایه نظارت انسانی بر فرایندهای تصمیم‌گیری هوشمند حفظ کنند. 📚 منبع: برگرفته از گزارش خبرگزاری صدا و سیما درباره طرح پژوهشی دانشگاه تهران در بهینه‌سازی کشت بافت ارکیده با هوش مصنوعی و تحلیل کارشناسان حوزه کشاورزی و فناوری اطلاعات. 🍂@NeuronRC

🔹 هوش مصنوعی در حسابداری مدیریت؛ تحولگر استراتژیک یا تهدیدی برای دانش مالی؟ با پیچیده‌تر شدن اقتصاد در سال ۱۴۰۵، سازمان‌ها از حسابداری سنتی به سمت حسابداری مدیریت استراتژیک حرکت کرده‌اند. هوش مصنوعی با پردازش کلان‌داده‌ها و پیش‌بینی دقیق جریان نقدی، به بازوی اصلی تصمیم‌سازی مدیران مالی تبدیل شده است. اما کارشناسان هشدار می‌دهند که اتکای بی‌رویه به الگوریتم‌ها، بدون حفظ مهارت‌های تحلیلی انسانی، می‌تواند به «زوال دانش مالی» منجر شود؛ وضعیتی که حسابداران به‌جای تحلیل استراتژیک، صرفاً به خروجی مدل‌ها اعتماد کرده و توانایی تشخیص خطاها، درک بافت اقتصادی و خلاقیت در راه‌حل‌دهی را از دست می‌دهند. 📌 موضوع گزارش بررسی تأثیر استفاده از هوش مصنوعی بر تصمیم‌گیری‌های حسابداری مدیریت، کیفیت تحلیل‌های مالی و حفظ سرمایه‌ی دانشی سازمان‌ها در سال ۱۴۰۵. 🔬 یافته‌های کلیدی 🔻 هوش مصنوعی در حسابداری مدیریت، برخلاف هوش تجاری (BI) که گذشته‌نگر است، با مدل‌های پیشرفته آماری (مانند OLS و ARIMA) و ایجنت‌های هوشمند، آینده‌نگر عمل کرده و پیش‌بینی جریان نقدی، بودجه‌بندی بهینه و هشدارهای نقدینگی را خودکار می‌کند. 🔻 دستیارانی مانند ChatGPT، Claude و Gemini به مدیران مالی امکان می‌دهند بدون نیاز به فرمول‌نویسی، تحلیل مدیریتی دریافت کنند. همچنین ایجنت‌های هوشمند به‌صورت فعالانه انحراف از بودجه را تشخیص داده و شاخص‌های کلیدی عملکرد (KPIs) را کنترل می‌کنند. 🔻 با وجود این مزایا، کارشناسان نسبت به شکل‌گیری چرخه‌ای هشدار می‌دهند که در آن حسابداران به‌جای تفکر تحلیلی، تولید گزارش و حتی بررسی منطق اقتصادی را به هوش مصنوعی واگذار می‌کنند. این روند که نوعی «زوال دانش مالی» نامیده می‌شود، مهارت‌های انسانی را تضعیف کرده و اعتماد به خروجی‌های مالی را کاهش می‌دهد. ⚠️ سه چالش اصلی سازمان‌ها در پیاده‌سازی هوش مصنوعی حسابداری 🔸 راستی‌آزمایی داده‌ها و خروجی‌ها: کیفیت پیش‌بینی‌های هوش مصنوعی کاملاً وابسته به کیفیت داده‌های ورودی است. تشخیص خطاهای آماری و توهمات مدل‌های زبانی نیازمند نظارت انسانی است که بخشی از مزیت بهره‌وری را از بین می‌برد. 🔸 کاهش ارزش افزوده‌ی انسانی: استفاده از مدل‌های عمومی (مانند ChatGPT) برای اطلاعات محرمانه، ریسک امنیتی و اعتباری ایجاد می‌کند. همچنین خروجی‌های تولیدشده توسط هوش مصنوعی، بدون تحلیل انسانی، ممکن است فاقد درک عمیق از بافت کسب‌وکار باشند. 🔸 وابستگی به ابزار و افت توانایی تحلیلی: با حذف تدریجی محاسبات دستی و تحلیل‌های انسانی، مهارت‌های تشخیصی و خلاقیت حسابداران تحلیل رفته و سازمان در بلندمدت به ایجنت‌های هوشمند وابسته می‌شود. ✅ راهکارهای پیشنهادی ✔️ شفاف‌سازی منشأ داده‌ها و تفکیک خروجی‌های تولیدشده توسط انسان و هوش مصنوعی در گزارش‌های مالی. ✔️ حفظ نظارت انسانی بر تمام پیش‌بینی‌ها و تصمیم‌گیری‌های کلان؛ استفاده از هوش مصنوعی به‌عنوان دستیار تحلیلی، نه جایگزین قضاوت حرفه‌ای. ✔️ به‌کارگیری پلتفرم‌های بومی و اختصاصی (مانند مستر اکانت) که به مدل‌های هوش مصنوعی متصل شده و با داده‌های انحصاری سازمان، امنیت و دقت را افزایش دهند. 📚 منبع: برگرفته از گزارش بازرگانی خبرگزاری مهر با عنوان «کاربرد هوش مصنوعی در تصمیم‌گیری حسابداری مدیریت سال ۱۴۰۵» و تحلیل کارشناسان حوزه مالی و فناوری. 🍂@NeuronRC

رژیم صهیونسیتی میلیون‌ها دلار برای تأثیرگذاری بر چت‌بات‌های هوش مصنوعی هزینه می‌کند برد پارسکیل، مدیر سابق کارزار انتخاباتی دونالد ترامپ، هدایت یک پروژه ۴۶.۵ میلیون دلاری دولت اسرائیل را بر عهده دارد که هدف آن تأثیرگذاری بر پاسخ‌های چت‌بات‌های هوش مصنوعی از طریق انتشار صدها مقاله حامی اسرائیل در شبکه‌ای از وب‌سایت‌ها است. این وب‌سایت‌ها عمدتاً برای سیستم‌های هوش مصنوعی طراحی شده‌اند، نه برای مطالعه توسط کاربران انسانی. طبق این گزارش، در متن قرارداد پارسکیل به‌طور صریح هدف «تأثیرگذاری بر گفت‌وگوهای GPT» ذکر شده و تیم او مدعی است که این راهبرد تاکنون نتایج موفقی داشته است. گزارش همچنین ادعا می‌کند که ابزارهای هوش مصنوعی مانند Perplexity، Microsoft Copilot، Gemini و گاهی ChatGPT یا Claude در پاسخ به پرسش‌هایی درباره غزه و روابط آمریکا و اسرائیل، به این وب‌سایت‌ها استناد کرده‌اند. برخی از این چت‌بات‌ها اعلام کرده‌اند که این وب‌سایت‌ها با حمایت مالی دولت اسرائیل اداره می‌شوند، اما برخی دیگر چنین موضوعی را بیان نکرده‌اند. 🍂@NeuronRC

ـ این گزارش نمونه‌ای از LLM Influence Operations یا عملیات تأثیرگذاری بر مدل‌های زبانی است. - این روش به جای هک کردن مدل، تلاش می‌کند با تولید حجم زیادی از محتوای قابل ایندکس، داده‌های مورد استفاده موتورهای جست‌وجو و سامانه‌های بازیابی (RAG) را تحت تأثیر قرار دهد. - میزان موفقیت چنین راهبردی به این بستگی دارد که هر سامانه هوش مصنوعی از چه منابعی برای پاسخ‌گویی استفاده کند و چگونه اعتبار منابع را ارزیابی کند. - این موضوع نشان می‌دهد که در آینده، نبرد اطلاعاتی از سطح شبکه‌های اجتماعی به سمت اکوسیستم هوش مصنوعی و موتورهای پاسخ‌گو نیز گسترش خواهد یافت. 🍂@NeuronRC

🎤 اوپن ای آی راز طبیعی بودن مکالمات صوتی GPT Live را فاش کرد. برخلاف بسیاری از دستیارهای صوتی که منتظر پایان صحبت کاربر می‌مانند، GPT Live به‌صورت هم‌زمان هم به صحبت‌های شما گوش می‌دهد و هم پاسخ می‌دهد؛ بنابراین مکالمه روان‌تر و طبیعی‌تر پیش می‌رود. در همین حین، پردازش‌های سنگین مانند استدلال و اجرای ابزارها در پس‌زمینه انجام می‌شود و یک مدل سریع‌تر مکالمه را ادامه می‌دهد تا مکثی ایجاد نشود. اوپن‌ای‌آی همچنین بخش بزرگی از زیرساخت صوتی خود را با زبان Go بازنویسی کرده و تأخیر را به‌شدت کاهش داده است. به گفته این شرکت، کندترین پاسخ‌های نسخه جدید اکنون به اندازه میانگین پاسخ‌های نسخه قبلی سریع هستند. در مکالمات طولانی نیز بدون اینکه کاربر متوجه شود، به مدلی جدید که از قبل تاریخچه گفت‌وگو را بارگذاری کرده منتقل می‌شود تا مکالمه بدون وقفه ادامه پیدا کند. همچنین پروتکل WARP زمان برقراری اتصال را از ۶ رفت‌وبرگشت شبکه به یک رفت‌وبرگشت کاهش می‌دهد و قابلیت Instant Connect نیز آغاز جلسه را تنها با یک بسته UDP ممکن می‌کند. نتیجه: GPT Live بیش از هر زمان دیگری حس صحبت با یک انسان واقعی را منتقل می‌کند. 🍂@NeuronRC

🔹 هوش مصنوعی حالا می‌تواند ویروس‌های جدید طراحی کند پژوهشی تازه در مجله Science نشان می‌دهد مدل‌های هوش مصنوعی می‌توانند برای طراحی توالی‌های ژنتیکی جدید به کار گرفته شوند؛ فناوری‌ای با ظرفیت علمی بالا و در عین حال ریسک‌های زیستی جدی. 📌 موضوع پژوهش بررسی توانایی هوش مصنوعی در طراحی ویروس‌های جدیدی که بتوانند باکتری‌ها را آلوده کرده و تکثیر شوند. 🔬 روش پژوهش 🔻 پژوهشگران Arc Institute و دانشگاه استنفورد از مدل‌های ژنومی Evo 1 و Evo 2 استفاده کردند. 🔻 این مدل‌ها به‌جای متن، روی حجم عظیمی از توالی‌های ژنتیکی آموزش دیده‌اند. 🔻 آزمایش فقط به ویروس‌هایی محدود شد که باکتری E. coli را آلوده می‌کنند و موارد مرتبط با انسان، حیوانات، گیاهان و قارچ‌ها حذف شدند. ✅ نتیجه پژوهش 🔸 هوش مصنوعی حدود ۷۰۰ هزار طرح احتمالی تولید کرد. 🔸 پژوهشگران ۲۸۵ نمونه را انتخاب کردند. 🔸 در نهایت ۱۶ نمونه توانستند فعالانه تکثیر شوند. 🔸 برخی نمونه‌ها عملکردی هم‌سطح یا بهتر از ویروس مرجع داشتند. ⚠️ چرا مهم است؟ این فناوری می‌تواند به ژن‌درمانی، زیست‌فناوری و مقابله با باکتری‌های مضر کمک کند؛ اما استفاده بدون نظارت از آن می‌تواند ریسک‌های زیستی جدی ایجاد کند. ✔️ پژوهش‌های آینده تمرکز آینده باید بر ایمنی زیستی، کنترل دسترسی، نظارت و چارچوب‌های اخلاقی باشد تا این فناوری در مسیرهای علمی و درمانی باقی بماند. 📚 منبع: Science | Arc Institute | Stanford University | دیجیاتو 🍂@NeuronRC

عامل‌های هوش مصنوعی می‌توانند در گروه‌هایی بزرگ‌تر از مقیاس معمول انسانی به اجماع برسند مقاله‌ای در Science Advances نشان می‌دهد جوامع متشکل از عامل‌های مبتنی بر مدل‌های زبانی، در تصمیم‌های فاقد پاسخ عینی می‌توانند از طریق پیروی از اکثریت به توافق برسند. پژوهشگران دریافتند هر مدل یک «اندازه بحرانی گروه» دارد که پس از عبور از آن، رسیدن به اجماع بسیار دشوار می‌شود. این اندازه با توانایی زبانی مدل افزایش می‌یابد و مدل‌های قوی‌تر در آزمایش‌ها توانسته‌اند در گروه‌هایی بسیار بزرگ، حتی تا حدود هزار عامل، هماهنگ شوند. تحلیل: هماهنگی خودکار می‌تواند در تقسیم کار مفید باشد، اما همین سازوکار ممکن است به هم‌نوایی نادرست، رفتار گله‌ای یا هماهنگی ناخواسته میان سامانه‌ها منجر شود. آزمون ایمنی یک عامل منفرد برای ارزیابی سامانه‌های چندعاملی کافی نیست. سازمان‌ها باید رفتار جمعی، انتشار خطا و احتمال شکل‌گیری اجماع نادرست را نیز ارزیابی کنند. منبع : Science Advances #عامل_هوشمند #سیستم_چندعاملی #ایمنی_هوش_مصنوعی #رفتار_جمعی 🍂@NeuronRC

مجله Nature Biomedical Engineering خواستار ارزیابی انتقادی‌تر هوش مصنوعی پزشکی شد سرمقاله شماره ویژه Nature Biomedical Engineering تأکید می‌کند که رشد سریع ابزارهای هوش مصنوعی پزشکی لزوماً به اثر بالینی پایدار منجر نمی‌شود و مهندسی دقیق، ارزیابی مستقل و توجه به شرایط واقعی درمان ضروری است. این نشریه در کنار ظرفیت یادگیری ماشین برای بازطراحی پزشکی، بر فاصله میان توسعه ابزار و اثبات ارزش بلندمدت آن در محیط بالینی تأکید کرده است. پیام اصلی برای مدیران سلامت آن است که عملکرد آزمایشگاهی، جایگزین شواهد بالینی، سنجش ایمنی و مقایسه با استاندارد مراقبت نیست. این ملاحظه برای خرید و استقرار سامانه‌های هوش مصنوعی پزشکی در ایران اهمیت مستقیم دارد. منبع اصلی: Nature Biomedical Engineering #هوش_مصنوعی_پزشکی #ارزیابی_بالینی #سلامت_دیجیتال #مسئولیت‌پذیری 🍂@NeuronRC

آنتروپیک جزئیات مدل داخلی قدرتمندتر از Claude Mythos 5 و ارزیابی تازه ریسک‌های خود را منتشر کرد آنتروپیک گزارش ریسک اوت ۲۰۲۶ خود را منتشر کرده؛ سندی مفصل که ارزیابی این شرکت از خطرهای مدل‌های پیشرفته‌اش، سازوکارهای کنترلی و آمادگی آن در برابر سناریوهای پرریسک را تشریح می‌کند. گزارش دوره‌ای آنتروپیک تحولات پس از گزارش فوریه را تا «تاریخ پوشش» ۱۵ ژوئیه ۲۰۲۶ بررسی می‌کند. یکی از مهم‌ترین افشاگری‌های گزارش، وجود یک مدل داخلی با نام موقت Model 2 است. آنتروپیک می‌گوید این مدل در بسیاری از وظایف مورد استفاده داخلی، «به‌طور محسوسی» از Claude Mythos 5 توانمندتر است؛ با این حال شرکت فعلاً برنامه‌ای برای انتشار عمومی آن ندارد. در گزارش، Mythos 5 و Model 2 به‌عنوان توانمندترین مدل‌های مورد استفاده داخلی آنتروپیک در زمان ارزیابی معرفی شده‌اند. 🍂@NeuronRC

آنتروپیک وجود Model 2 را تأیید کرده و گفته است این مدل از Mythos 5 در بسیاری از وظایف بهتر عمل می‌کند. شرکت همچنین اعلام کرده که درحال‌حاضر برنامه‌ای برای انتشار خارجی این مدل ندارد. گزارش بالا در عین حال می‌گوید شواهد موجود، احتمال وجود اهداف ناسازگارِ فراگیر در Mythos 5 و Model 2 را بسیار پایین نشان می‌دهد، اما نمونه‌هایی از رفتارهای ناسازگار هنگام تلاش مدل برای انجام وظایف دشوار مشاهده شده است. آنتروپیک جمع‌بندی می‌کند که با تدابیر کنونی، خطر فاجعه‌بار ناشی از این رفتارهای شناخته‌شده همچنان پایین ارزیابی می‌شود. نکته قابل‌توجه دیگر این است که آنتروپیک در این گزارش برای نخستین بار بخشی از ارزیابی خود را بر مدل‌های منتشرنشده نیز بنا کرده است. این شرکت در نسخه جدید سیاست «مقیاس‌گذاری مسئولانه» خود امکان تعیین یک تاریخ پوشش پیش از تاریخ انتشار گزارش را نیز پیش‌بینی کرده تا تحلیل ریسک مجبور نباشد تحولات روزهای پایانی قبل از انتشار را شتاب‌زده وارد ارزیابی کند. چرا مهم است؟ این سند از منظر حکمرانی هوش مصنوعی اهمیت ویژه‌ای دارد، زیرا نشان می‌دهد توانمندترین مدل‌هایی که در داخل آزمایشگاه‌های مرزی استفاده می‌شوند الزاماً همان مدل‌هایی نیستند که عموم مردم می‌بینند. در نتیجه، نظام‌های نظارتی‌ای که فقط محصولات عمومی را ارزیابی می‌کنند ممکن است با تأخیر نسبت به مرز واقعی قابلیت‌های هوش مصنوعی عمل کنند. برای سیاست‌گذاری در ایران نیز این موضوع قابل‌توجه است: چارچوب‌های ارزیابی مدل‌های پیشرفته بهتر است صرفاً به نام تجاری یا نسخه عمومی مدل متکی نباشند و برای کاربردهای حساس، معیارهایی مانند سطح قابلیت، میزان خودمختاری، دسترسی به ابزار، دامنه اقدام و نظام پایش را مبنا قرار دهند. 🍂@NeuronRC

🔹 یادگیری تقویتی چندعاملی می‌تواند بدون پاسخ صحیح از پیش‌تعیین‌شده، استدلال مدل‌ها را تقویت کند پژوهشگران دانشگاه جانز هاپکینز، دانشگاه کالیفرنیا سن‌دیگو، دانشگاه اکستر و بایت‌دنس چارچوب Co-RL را معرفی کرده‌اند؛ روشی که در آن چند مدل به‌جای استفاده از پاسخ‌های برچسب‌خورده، از خروجی یکدیگر برای ایجاد سیگنال پاداش استفاده می‌کنند. 📌 موضوع پژوهش بهبود استدلال مدل‌های زبانی و چندوجهی بدون نیاز به برچسب حقیقت مبنا. 🔬 روش پژوهش 🔻 چند مدل متفاوت به‌طور هم‌زمان آموزش داده شدند و خروجی هر مدل در ارزیابی مدل‌های دیگر نقش داشت. ✅ نتایج پژوهش 🔸 عملکرد مدل‌های زبانی در هفت بنچمارک بین ۳ تا ۸٫۶ درصد بهبود یافت. 🔸 در چهار بنچمارک چندوجهی نیز بهبود ۲٫۳ تا ۷٫۲ درصدی گزارش شد. 🔸 این روش در برخی آزمایش‌ها با آموزش مبتنی بر پاسخ صحیح رقابت کرده یا از آن بهتر عمل کرده است. ✔️ پژوهش‌های آینده بررسی تعداد و تنوع بهینه عامل‌ها و نحوه تعامل میان آن‌ها. 📚 منبع: مقاله Co-RL، منتشرشده در arXiv، سال ۲۰۲۶؛ پیش‌چاپ و هنوز داوری‌نشده. 🍂@NeuronRC