📣📢مرکز هم اندیشی استادان و نخبگان دانشگاهی با همکاری دفتر هم اندیشی استادان نهاد نمایندگی مقام معظم رهبری در دانشگاه های استان البرز برگزار می‌کند: 📑📑سلسله نشست های تخصصی: 🟩 علل و پیامدهای استراتژیک تجاوز اسراییل و آمریکا به ایران دکتر یعقوب توکلی، دانشیار پژوهشگاه علوم انسانی و مطالعات فرهنگی، نویسنده و کارشناس روابط بین الملل ⏰⏰زمان: سه شنبه دهم تیرماه ساعت ۱۸ الی ۱۹:۳۰ 📝به همراه صدور گواهی برای افراد شرکت کننده 🌐اتاق وبیناری مرکز هم‌اندیشی استادان و نخبگان دانشگاهی 📬https://room.nahad.ir/ch/hamandishi

🧠 صفر مطلق: یادگیری استدلال بدون هیچ داده‌ای! در حالی که مدل‌های زبانی بزرگ (LLMs) برای یادگیری استدلال به داده‌های انسانی متکی هستند، مقاله «Absolute Zero» روشی انقلابی معرفی می‌کند: مدلی که بدون استفاده از داده‌های برچسب‌خورده یا حتی سوالات انسانی، خودش مسأله می‌سازد، خودش حل می‌کند و از طریق بازی با خودش (self-play) یاد می‌گیرد. 💡 مدل معرفی‌شده با نام AZR (Absolute Zero Reasoner): ✅ به‌طور هم‌زمان دو نقش دارد: «پیشنهاددهنده‌ی سوال» و «حل‌کننده‌ی سوال». ✅ مسائل استدلالی را در قالب کد (برنامه، ورودی، خروجی) فرموله می‌کند. ✅ از سه حالت اصلی استدلال استفاده می‌کند: 🔹 استنتاج (Deduction) 🔹 استقرا (Induction) 🔹 فرضیه‌سازی (Abduction) ✅ از اجرای کدها برای ارزیابی صحت پاسخ‌ها بهره می‌برد؛ یعنی پاداش‌ها قابل راستی‌آزمایی (Verifiable Rewards) هستند، نه ذهنی. 📈 نتایج شگفت‌انگیز: ✴ مدل AZR بدون استفاده از حتی یک داده‌ی انسانی، در حل مسائل ریاضی و برنامه‌نویسی از بسیاری از مدل‌های آموزش‌دیده با داده‌های انسانی بهتر عمل کرده است. ✴عملکرد در استدلال ریاضی تا ۱۵.۲ درصد افزایش یافته است (در مدل‌های پایه کدنویسی). ✴ در مدل‌های بزرگ‌تر مانند 14B، با افزایش مقیاس مدل، کارایی AZR نیز افزایش یافته است. ⚙️ ویژگی‌های فنی جالب: ✳ مدل در طی زمان، رفتارهای شناختی متفاوتی از خود نشان می‌دهد (مثل استفاده از کامنت‌ها برای برنامه‌ریزی گام‌به‌گام). ✳ توانایی پیشنهاد مسائل متنوع، از الگوریتم‌های کلاسیک تا مسائل واقعی (مثلاً محاسبه مساحت مثلث با فرمول هرون). ✳ بدون نیاز به هیچ گونه داده یا مداخله انسانی، تنها با اجرای کدها یاد می‌گیرد! 🚨 یک نکته مهم امنیتی: گاهی مدل در حین استدلال به نتایج "عجیب و نگران‌کننده" می‌رسد (مثلاً «هدف تسلط بر انسان‌ها!»)، که نشان‌دهنده نیاز به روش‌های آموزش ایمن‌تر است. --- 📎 برای مطالعه بیشتر: 📄 متن کامل مقاله https://arxiv.org/abs/2505.03335v2 💻 کدها در گیت‌هاب https://github.com/LeapLabTHU/Absolute-Zero-Reasoner #هوش_مصنوعی #یادگیری_تقویتی #مدل_زبانی_بزرگ #SelfPlay #ZeroShot #LLM #AbsoluteZero #AZR #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

بِسْمِ اللهِ الرَّحْمَنِ الرَّحيم اَلسَّلامُ عَلَیْکَ یااَباعَبْدِاللَّهِ و َعَلَى الاَْرْواحِ الَّتى حَلَّتْ بِفِناَّئِکَ عَلَیْکَ مِنّى سَلامُ اللَّهِ اَبَداً ما بَقیتُ و َبَقِىَ اللَّیْلُ وَالنَّهارُ وَلاجَعَلَهُ اللَّهُ آخِرَ الْعَهْدِ مِنّى لِزِیارَتِکُم ْاَلسَّلامُ عَلَى الْحُسَیْنِ (ع) وَ عَلى عَلِىِّ بْنِ الْحُسَیْنِ (ع) وَ عَلى اَوْلادِ الْحُسَیْن (ع) ِوَ عَلى اَصْحابِ الْحُسَیْنِ (ع) ایام سوگواری سالار شهیدان حضرت اباعبدالله حسین (ع) و یاران باوفای آن حضرت بر همه شما عزیزان تسلیت باد . التماس دعا 🙏🙏 #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

🚩 ابزاری برای تشخیص متن‌های تولیدشده توسط هوش مصنوعی ❗️می‌خواین بدونین یه متن با هوش مصنوعی نوشته شده یا واقعیه؟ سایت ZeroGPT بهتون کمک می‌کنه اینو بفهمین! کافیه متن مورد نظر رو وارد کنین تا این ابزار براتون تخمین بزنه که آیا متن با هوش مصنوعی تولید شده یا نه. ✅ طبق گفته خودشون، دقتش تا ۹۸٪ می‌رسه (البته بسته به نوع متن ممکنه بالا و پایین بشه). ▫️ کاملاً رایگانه ▫️ استفاده ازش خیلی ساده‌ست ▫️ به‌درد می‌خوره برای معلم‌ها، ویراستارها، دانشجوها و تولیدکننده‌های محتوا! 👀 اگه با متن‌های هوش مصنوعی سر و کار دارین، ZeroGPT رو از دست نده! 🌐 zerogpt.com #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

💢نرم‌افزار درسان‌دسک، یک نرم‌افزار دسترسی از راه دور و جایگزین انی‌دسک 🔺برنامه ریموت کامپیوتر ایرانی درسان‌دسک به شما این امکان را می‌دهد که با استفاده از اینترنت، دسکتاپ یک کامپیوتر دیگر را مشاهده نموده و با استفاده از ماوس و کیبورد کنترل آن را در دست بگیرید. کافیست درسان‌دسک را در کامپیوتر میزبان و مهمان نصب نموده و کد اتصال به میزبان را وارد نمایید. حالا شما می‌توانید در پنجره درسان‌دسک، دسکتاپ سیستم میزبان را مشاهده کرده و و به راحتی از آن استفاده کنید. #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

🤖 هوش مصنوعی دیگه عصرش رسیده! آینده‌ی ۷ شغل محبوب با AI 🤖 یادت باشه: هوش مصنوعی جای تو رو نمیگیره... ولی اگه بلد باشی باهاش کار کنی، حتما جایگزینت میشه! 🔥 بیا ببینیم هر حرفه‌ای چطور می‌تونه از AI کمک بگیره: 1️⃣ حسابدارها 👨‍💼📊 → ابزار: Sheet Al ▸ محاسبات مالی، مدیریت درآمد 2️⃣ معلم‌ها 👩‍🏫🎓 → ابزار: Kaboot ▸ ساخت آزمون، آموزش تعاملی 3️⃣ گرافیست‌ها 🎨✨ → ابزار: Photopea ▸ ویرایش حرفه‌ای عکس 4️⃣ عکاس‌ها 📸🌅 → ابزار: Luminar Al ▸ افکت‌های نوری، زیباسازی حرفه‌ای 5️⃣ طراحان داخلی 🏠💡 → ابزار: Home Styler ▸ چیدمان، مدل‌سازی دکوراسیون 6️⃣ پزشکان 🩺⚕️ → ابزار: Symptoma Al ▸ کمک به تشخیص و درمان بیماری‌ها 7️⃣ وکلا ⚖️📜 → ابزار: ChatGPT ▸ تنظیم قرارداد، مشاوره حقوقی #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

🚩 🎙 معرفی و لینک سه هوش مصنوعی کاربردی مختص صدا ▫️ https://murf.ai/ ▫️https://cleanvoice.ai ▫️http://podcastle.ai #ابزارهای_کاربردی #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

🌟 معماری Mixture-of-Recursions (MoR): معماری نوین با استدلال انتخابی 🔬 گوگل با همکاری KAIST AI، معماری جدیدی به نام MoR را معرفی کرده که مفهوم محاسبه تطبیقی و پردازش انتخابی را به سطحی تازه می‌برد. 💡 در MoR، مدل برای هر توکن به‌طور متفاوت و پویا تصمیم می‌گیرد چقدر "فکر کند"! بر خلاف ترنسفورمرهای کلاسیک، این معماری بازگشتی (Recursive) است و ورودی‌ها چند بار از همان بلاک عبور می‌کنند — اما با یک تفاوت کلیدی: ⏱️ عمق تکرار برای هر توکن متفاوت است و به صورت پویا تعیین می‌شود. 🔁 چطور کار می‌کند؟ یک روتر سبک و قابل آموزش مشخص می‌کند که هر توکن چند بار باید پردازش شود: توکن‌های ساده ممکن است فقط یک بار پردازش شوند توکن‌های پیچیده‌تر ممکن است چندین بار از لایه عبور کنند تا معنا و کاربردشان بهتر درک شود ✨ دو مزیت کلیدی MoR: 1. ✅ صرفه‌جویی در محاسبات: توکن‌هایی که پردازششان تمام شده، دیگر در چرخه‌های بعدی شرکت نمی‌کنند → مصرف محاسباتی کمتر! 2. ✅ بهینه‌سازی حافظه (KV Caching): به جای ذخیره تمام لایه‌ها، فقط توکن‌های فعال در هر چرخه کش می‌شوند → حافظه کمتر، سرعت بیشتر، استقرار آسان‌تر! 📉 روش MoR با بودجه محاسباتی مشابه (FLOPs) و اندازه مدل کوچکتر، نتایج بهتری در few-shot learning و perplexity نسبت به مدل‌های کلاسیک و بازگشتی ارائه می‌دهد. 🧪 امتحان کنید! کد آموزش و ارزیابی در GitHub منتشر شده: 🔗 مشاهده در GitHub https://github.com/raymin0223/mixture_of_recursions 🟡 مطالعه در ArXiv https://arxiv.org/pdf/2507.10524 --- #MoR #AI #LLM #MachineLearning #DeepLearning #Google #KAIST #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

📢 شبکه هم‌اندیشی استادان و نخبگان دانشگاهی برگزار می‌کند: 🔍 نشست تخصصی با عنوان: «هوش مصنوعی، رسانه و تکنیک‌های جنگ شناختی» 🎙 مدرس: استاد محمد جوانی 📅 زمان: دوشنبه، ۱۳ مردادماه | ساعت ۸ تا ۱۱ 🎯 مخاطبان: دبیران هم‌اندیشی استادان؛ مسئولان، دبیران و اعضای کارگروه‌های رسانه؛ مدیران و اعضای اندیشکده‌های استادان 📍 برگزاری به‌صورت ترکیبی (حضوری و مجازی) ⏳ مهلت ثبت‌نام حضوری: تا پایان روز جمعه همین هفته ⚠️ به‌دلیل محدودیت ظرفیت، اولویت با افرادی است که زودتر ثبت‌نام کنند. 📝 برای همه شرکت‌کنندگان گواهی حضور صادر می‌شود (با درج نوع حضور: حضوری یا مجازی). 🔗 ثبت‌نام حضوری: https://B2n.ir/kw4803 🌐 شرکت مجازی: https://room.nahad.ir/ch/hamandishi

🌟 ابزار Google LangExtract: کتابخانه‌ای برای استخراج ساختار از هر نوع متنی ابزار LangExtract یک کتابخانه‌ی اپن‌سورس پایتون است که با ارائه‌ی یک رابط سبک به مدل‌های زبانی بزرگ (LLM)، متن‌های حجیم را به داده‌های ساخت‌یافته تبدیل می‌کند. --- 🟡 ویژگی کلیدی LangExtract در مقایسه با ابزارهای دیگر: تمرکز دقیق بر منبع داده هر موجودیت استخراج‌شده، مانند نام، تاریخ یا دوز دارو، به موقعیت دقیق کاراکتری در متن اصلی متصل می‌شود. این یعنی نتایج قابل ردیابی و قابل تأیید هستند، فقط با برجسته‌سازی داده‌های پیدا شده در سند اصلی. دیگر لازم نیست بپرسید «مدل اینو از کجا آورده؟» --- 🟡 دومین مزیت مهم: قابل‌اطمینان بودن خروجی‌ها شما قالب دلخواه خروجی را با استفاده از یک تعریف ساختار داده مشخص می‌کنید و چند نمونه مثال به مدل می‌دهید. LangExtract با بهره‌گیری از این نمونه‌ها و مکانیزم تولید کنترل‌شده (که در مدل‌های Gemini پشتیبانی می‌شود)، از این الگو پیروی می‌کند. نتیجه این است که همیشه داده‌هایی با ساختار یکسان و قابل پیش‌بینی دریافت می‌کنید. --- 🟡 پردازش متون بسیار حجیم کتابخانه LangExtract توانایی شکستن متن به قطعات (chunk) و پردازش موازی آن‌ها را دارد. این پردازش در چند مرحله انجام می‌شود که هر مرحله بر یک زمینه‌ی خاص تمرکز دارد. برای درک بهتر نتایج، کتابخانه توانایی تولید نمایش HTML تعاملی و کاملاً مستقل را دارد. با این قابلیت می‌توان ظرف چند دقیقه، از متن خام به یک نمایش بصری رسید که هزاران برچسب استخراج‌شده را نشان می‌دهد. --- کتابخانه LangExtract محدود به اکوسیستم Google نیست: از تغییر انعطاف‌پذیر مدل‌های زبانی پشتیبانی می‌کند، چه مدل‌های ابری و چه مدل‌های اپن‌سورس که به‌صورت محلی اجرا می‌شوند. --- 🟡 استفاده از "دانش جهانی" مدل‌های زبانی اطلاعات استخراج‌شده می‌تواند صریحاً از متن باشد یا از دانش درونی مدل تولید شود. دقت این اطلاعات استنتاج‌شده، به توانایی مدل و کیفیت نمونه‌های داده‌شده بستگی دارد. --- در ابتدا، ایده‌های پشت LangExtract برای استخراج داده از متون پزشکی توسعه یافته‌اند. این کتابخانه در شناسایی داروها، دوز مصرف و دیگر ویژگی‌های موجود در گزارش‌های بالینی عملکرد بسیار خوبی دارد. --- 🎯 نمونه‌ی کاربردی: RadExtract برای نمایش توانایی ابزار در حوزه‌های تخصصی، گوگل یک دموی تعاملی در Hugging Face با نام RadExtract منتشر کرده است. در این دمو، LangExtract یک گزارش رادیولوژی به زبان طبیعی را می‌گیرد و یافته‌های کلیدی را به صورت ساخت‌یافته و با برجسته‌سازی نکات مهم ارائه می‌دهد. --- 📌 مجوز استفاده: Apache 2.0 License 🟡 مقاله https://developers.googleblog.com/en/introducing-langextract-a-gemini-powered-information-extraction-library/ 🖥 Github https://github.com/google/langextract --- #هوش_مصنوعی #یادگیری_ماشین #LangExtract #Google #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━

🔥 وحالا مدل‌های پیشرفته اوپن ای آی در دست شما بالاخره اوپن ای آی مدل‌هایی رو اوپن سورس کرد. مدل‌های GPT-OSS — مدل‌های متن‌باز برای استدلال پیشرفته و وظایف عاملی 🧠 دو نسخه ارائه شده است: ❇️مدل GPT-OSS-120B — با ۱۱۷ میلیارد پارامتر، قابل اجرا روی یک کارت گرافیک H100 (با ۸۰ گیگابایت حافظه) ❇️مدل GPT-OSS-20B — با ۲۱ میلیارد پارامتر، قابل اجرا روی GPU با ۱۶ گیگابایت حافظه 💡 هر دو نسخه از نوع مدل‌های MoE (ترکیب کارشناسان - Mixture of Experts) با کوانتیزاسیون ۴ بیتی (MXFP4) هستند. ✅ ویژگی‌ها: • معماری Token-choice MoE با SwiGLU • پشتیبانی از زمینه (Context) تا ۱۲۸ هزار توکن با استفاده از RoPE • طراحی شده برای زنجیره تفکر (CoT - Chain of Thought) • پشتیبانی از پیروی از دستورات (instruction-following) و استفاده از ابزارها (tool-use) • سازگار با کتابخانه‌های transformers، vLLM، llama.cpp و ollama • از همان توکن‌ساز GPT-4o استفاده می‌کند مدل سبک‌تر حتی قابل اجرا روی سخت‌افزارهای محلی است! 🏴‍☠️ مجوز استفاده: Apache 2.0 🔗 لینک گیت‌هاب: https://github.com/openai/gpt-oss 🔗 لینک هاگینگ‌فیس: https://huggingface.co/collections/openai/gpt-oss-68911959590a1634ba11c7a4 🚀 امتحانش کنید: https://www.gpt-oss.com/ 💥 انتشار رسمی: http://openai.com/open-models #openai #opensource #chatgpt #اندیشکده_مطالعات_هوش_مصنوعی_فرهنگ_رسانه #هوش_مصنوعی ┏━━💠┓ 🆔 https://eitaa.com/nraimc ┗💠━━