فارسی
باز کردن در Telegram
DDLeX: AI Python

DLeX: AI Python

✅ اعتماد بالا
@ai_python · کانال · ایندکس از 2026/05/24
21 306مشترک−6 در هفته
1 426میانگین دسترسی پست
6.7%ER — دسترسی نسبت به مشترکان
38پست در 30 روز
NaviD DariYa
پیوند
برای نمایش کلیک کنید
دیپ‌سیک (DeepSeek) فریم‌ورک اختصاصی خودش برای Inference به اسم DeepInfer رو Open Source کرده! این فریم‌ورک برای اجرای مدل DeepSeek-V4.1-Flash در مقیاس بالا طراحی شده و کمک می‌کنه مدل‌ها با Throughput بالاتر و Latency کمتر اجرا بشن. دیپ‌سیک با انتشار زیرساختی که خودش در محیط عملیاتی استفاده می‌کنه، می‌خواد به Developerها کمک کنه هزینه‌های Compute رو کاهش بدن، انرژی کمتری مصرف کنن و اجرای مدل‌های AI رو کم‌هزینه‌تر کنن. ‏DeepInfer قابلیت‌های مختلفی داره؛ از جمله Kernelهای بهینه، Inference Engine سریع، Distributed Inference و Speculative Decoding. قابلیت‌هایی مثل SWA Bounded Replay و Structured Outputs هم توی این پروژه قرار دارن. علاوه بر این، قراره کدهای مربوط به Inference مدل‌های آینده‌ی DeepSeek و بهینه‌سازی‌های جدید هم به همین پروژه اضافه بشن. 🔗 لینک ریپو DeepInfer دیپ‌سیک فقط به DeepInfer بسنده نکرده و کامپوننت deepseek-recipe رو هم Open Source کرده. این کامپوننت وظیفه‌ی Token Encoding و Decoding رو بر عهده داره و با منطق پردازشی Official DeepSeek API هماهنگه؛ بنابراین Developerها می‌تونن همون رفتار API رسمی رو در زیرساخت خودشون هم پیاده‌سازی کنن. 🔗 لینک ریپو deepseek-recipe @reza_jafari_ai
❤8❤‍🔥4👍3
38 · 1.4K ·
عکس
مشاوران دولت بریتانیا هشدار می‌دهند که اگر بریتانیا فوراً توسعه هوش مصنوعی را تسریع نکند، این کشور به جای رهبر جهانی هوش مصنوعی، در معرض خطر تبدیل شدن به یک «مشتری با ارزش بالای هوش مصنوعی» قرار خواهد گرفت. 👉 @ai_python 🦁 ☀️ این یعنی بدهکاری های آینده
🐳12😭4❤2👍1
8 · 1.4K ·
عکس
چین از یک شرکت داده دولتی جدید برای پیشبرد جاه‌طلبی‌های هوش مصنوعی خود رونمایی کرد، چرا که پکن قصد دارد طی ۵ سال آینده حدود ۳۰۰ میلیارد دلار در مراکز داده سرمایه‌گذاری کند. 👉 @ai_python 🦁 ☀️
❤7❤‍🔥5🐳2
7 · 1.4K ·
NaviD DariYa
عکس
اگر کامپیوترتون کند شده و از Claude Desktop استفاده می کنید، می تونید با دادن این پرامپت ها سیستم رو Optimize کنید. البته الزامن نباید Claude Desktop باشه. هر هارنس دیگه ای هم که دوست دارید احتمالن به خوبی از پس این کارای ساده برمیاد. حتی با مدل های رایگان. 👉 @ai_python 🦁 ☀️ لینک پرامپت ها : https://x.com/free_ai_guides/status/2112453797218017563 X
🐳8❤‍🔥4❤2
47 · 1.7K ·
امیدوارم همه کسانی که سرور PHP داشتن روز قشنگی رو سپری کرده باشن. 🥺🥺🥺😂😂😂 @WearebiTs 🐤
🐳10💔5😭3
4 · 1.5K ·
N
NaviD DariYa
عکس
بیش تر دوستانی که Pentesting انجام می دن با PortSwigger و ابزار Burp آشنایی دارن و نیاز به معرفی نداره. 👉 @ai_python 🦁 ☀️ حالا اونا یک سولوشن Agentic AI ارائه دادن (بتا) که اجنت های هوش مصنوعی به عنوان متخصص امنیت بهتون کمک می کنن که Pentest پلتفرم های آنلاینتون رو انجام بدید.
❤‍🔥10👍5❤2
25 · 1.8K ·
توی گروک بات می شه ازش درخواست کنید یک فرم امن براتون باز کنه و یوزر و پسورد های مورد نیازش رو از طریق اون فرم امن براش بفرستید که توی Vault ش ذخیره کنه. 👉 @ai_python 🦁 ☀️ نمی دونم بقیه دستیارها هم اینو دارن یا نه؟
❤6🐳5👍2❤‍🔥1
6 · 1.4K ·
فایل
MIT_18-06_Lecture_02_FA_Revised.pdf · 1.5 MB · برای نمایش کلیک کنید
چطور با چند عمل ساده روی سطرها، یک دستگاه معادله را حل کنیم؟ 📘 جزوهٔ جبر خطی | جلسهٔ دوم با تدریس گیلبرت استرنگ 🏛 MIT حذف گاوسی و ماتریس‌های مقدماتی در این جلسه، مراحل حذف گاوسی و جانشانی پسرو را دنبال می‌کنیم و می‌بینیم چگونه می‌توان هر گام حل را به زبان ماتریس‌ها نوشت. 📄 جزوهٔ فارسی در ۱۵ صفحه تهیه و تنظیم: گروه ریاضی مزداهیک 🆔 @mazdaahik #جبر_خطی #گیلبرت_استرنگ #حذف_گاوسی #MIT
❤12❤‍🔥3👍2
22 · 1.3K ·
N
عکس
طبق گزارش بلومبرگ، مایکروسافت با هدف کاهش هزینه‌ها در پی طبعات پیشرفتِ هوش مصنوعی، به ۶۰ هزار کارمند خود بسته‌های بازنشستگی ارائه (پیشنهاد) می‌دهد. (یعنی می گه بیا همین الان اینو بگیر برو 🐸) 👉 @ai_python 🦁 ☀️ X : خب واقعیت اینه که به خصوص توی کمپانی های بسیار بزرگ همیشه تعداد زیادی نیروی کار می دیدیم که تسک های تکراری انجام می دادن. اسمشون این بود که مثلن فلان سِمت رو توی مایکروسافت و گوگل دارن. ولی در واقع کاری که انجام می دادن طوری بود که فرقی نداشت نیروی A یا نیروی B فارغ‌التحصیل این رشته، انجامش بده. فرآیند استخدام بر اساس تخصص و دامنه دانش، یه چیز دکوری بود که اتفاقن اصلن هم نورودایورجینت فرندلی نبود و برعکس تو هر چه قدر نمایش بهتری داشتی، منابع انسانی و تیم از تو بیش تر خوشش میومد و استخدام می شدی. فقط برای اینکه این طوری ویو بهتری داره. یا بیش تر خوش می گذره. زمان کافی برای آموزش نیرو ها می ذاشتن و حتی اگر رشته اون آدم هم این نبود، در نهایت کار رو یاد می گرفت و انجام می داد. 👉 @ai_python 🦁 ☀️ البته همه این موارد هیچ اشکالی هم نداره. روح اون زمانه بود. الانم شاید هنوز توی پوزیشن هایی که کفه ترازو در سمت مارکتینگشون سنگینه، ویو (منظورم ظاهر نیست) حرف اول رو بزنه. ولی خب دیگه جونیوری که فقط یک کار فنی آموزش داده شده رو به صورت تکراری و دائم انجام بده و برای تسک بعدی بازم نیاز به آموزش داره، حذف می شه. به نظرم الان زمانه، عصر جونیورهایی هست که از اول سنیور هستن و شاید توی پوزیشن های فنی خیلی نیاز به ویو هم ندارن. جونیورِ از اول سنیور، یعنی هر شخصی که اتوپایلوت هست. نیازی نداره که یه نفر دائم بهش آموزش بده. شولونگش کنه. خودش می ره دنبال موضوع و یه جوری حلش می کنه. Input می گیره. اما اون اینپوت، اینپوت فنی نیست. بیش تر اینپوت کدوم لیبل و کدوم نیاز هست. و خب طبیعتن این جونیوری که از اول سنیوره، فرقی نمی کنه تا حالا با فلان زبان برنامه نویسی کد نوشته یا نه. فرقی نداره فلان معماری یا سرویس رو می شناسه یا نه. فقط کافیه چند تا لیبل بهش بدی و هدف و ... و خودش راهش رو پیدا می کنه. از در نشد، از پنجره میاد تو. چون بقیه ای که این طوری نیستن، طبیعتن AI Agent ها جاشون رو می گیرن. برای همینم هست که می گیم شغل های آی تی از بین نمی رن. فقط الک می شن. نوعشون ت… خواندن کامل ←
❤15👍6❤‍🔥2
51 · 4.6K ·
N
NaviD DariYaمواردی که برای ساخت یک Agent هوش مصنوعی خوب باید رعایت کنیم : 👉 @ai_python 🦁 ☀️ https://youtu.be/xKgY5vnzjMQ?si=f564ZuiTqMneQqi0
امروز خودم داشتم دوباره این ویدیو رو می دیدم و یه خوبی که داشت بخش امنیتش بود که خلاصه ای از موارد امنیتی رو می گه که گاهی یادمون می ره چک کنیم. مثلن چطوری جلوی هایجک Agent رو بگیریم و ...
❤7❤‍🔥4👍2
8 · 1.5K ·
پیوند
برای نمایش کلیک کنید
یه مقاله‌ی جدید با عنوان On the Economics of Reasoning Effort in LLM Agents بررسی کرده که برای LLMها بهتره از چه سطحی از Reasoning Effort استفاده کنیم. این مقاله به چند نتیجه‌ی جالب رسیده. اول اینکه Reasoning Effort بیشتر، لزوماً به معنی عملکرد بهتر نیست. از طرف دیگه، هرچی Reasoning Effort بالاتر باشه، معمولاً هزینه هم بیشتر می‌شه؛ به‌طوری‌که هزینه‌ی بالاترین سطح می‌تونه تا ۴۲ برابرِ پایین‌ترین سطح باشه. نکته‌ی جالب دیگه اینه که بعضی وقت‌ها ممکنه یه مسئله با Reasoning Effort پایین‌تر درست حل بشه، اما همون مسئله با Reasoning Effort بالاتر، اشتباه جواب داده بشه! در واقع، افزایش میزان تلاش برای استدلال همیشه به بهبود نتیجه منجر نمی‌شه. همچنین، تغییر Reasoning Effort فقط روی تعداد Tokenهای مصرف‌شده تأثیر نمی‌ذاره، بلکه نحوه‌ی حل Taskها توسط Agentها رو هم تغییر می‌ده. وقتی Reasoning Effort بالاتره، Agentها زمان و تلاش بیشتری صرف Verify کردن خروجی‌های خودشون می‌کنن و به‌جای اینکه مستقیماً روی حل مسئله کار کنن، بیشتر دنبال پیدا کردن Solution می‌گردن. هر دوی این رفتارها باعث می‌شن Trajectory حل مسئله طولانی‌تر بشه، بدون اینکه لزوماً نتیجه‌ی نهایی بهتر بشه یا تغییری بکنه. 🔗 لینک مقاله 👑 توضیحات در مورد دوره منتورینگ 🏆 نحوه ثبت‌نام در دوره منتورینگ 🤝 تجارب موفق قبلی بچه‌ها از منتورینگ 🛠 راه‌ ارتباطی مشاوره تخصصی کسب‌وکار در زمینه دیتا و هوش مصنوعی @reza_jafari_ai
❤8👍3❤‍🔥3
17 · 807 ·
N
🌍 ۱. یک سؤال ساده دربارهٔ کرهٔ زمین فرض کنید روی سطح زمین ایستاده‌اید. زمین تقریباً کروی است؛ اما وقتی به ناحیهٔ کوچکی از اطراف خود نگاه می‌کنید، سطح زمین تقریباً مسطح به نظر می‌رسد. این مشاهده، ما را به یکی از مفاهیم بنیادی هندسه و توپولوژی می‌رساند: منیفلد (Manifold). 📐 منیفلد چیست؟ منیفلد فضایی است که در همسایگی هر نقطه، از نظر توپولوژیک شبیه یک فضای اقلیدسی است؛ حتی اگر ساختار کلی آن کاملاً متفاوت باشد. برای مثال، سطح کرهٔ دوبعدی در همسایگی هر نقطه، شبیه صفحهٔ اقلیدسی است؛ درحالی‌که کل کره با صفحهٔ اقلیدسی یکسان نیست. بخش کوچکی از دایره یک بعدی بزرگ‌نمایی شده است نا نشان دهد که این منیفلد به صورت محلی شبیه خط حقیقی است. 🆔 @mazdaahik بخش کوچکی از کره دو بعدی بزرگ‌نمایی شده است تا نشان دهد این منیفلد به‌صورت محلی شبیه است. در تصویر دو مثال می‌بینیم: دایره در نزدیکی هر نقطه شبیه یک خط است. سطح کره در نزدیکی هر نقطه شبیه یک صفحه است. ⛏به همین دلیل دایره را منیفلد یک‌بعدی و سطح کره را منیفلد دوبعدی می‌نامیم. 💡 نکتهٔ کلیدی: یک فضا می‌تواند در مقیاس محلی شبیه فضای اقلیدسی باشد، اما در مقیاس کلی ساختار هندسی و توپولوژیکی متفاوتی داشته باشد.
پست بلند
عکس‌ها و قالب‌بندی — در Telegram ↗
❤7👍5❤‍🔥2
10 · 525 ·
بایگانی به تفکیک ماه
نوامبر 2026اکتبر 2026سپتامبر 2026اوت 2026ژوئیه 2026ژوئن 2026مه 2026آوریل 2026مارس 2026فوریه 2026ژانویه 2026دسامبر 2025نوامبر 2025اکتبر 2025سپتامبر 2025اوت 2025ژوئیه 2025ژوئن 2025مه 2025آوریل 2025مارس 2025فوریه 2025ژانویه 2025دسامبر 2024نوامبر 2024اکتبر 2024سپتامبر 2024اوت 2024ژوئیه 2024ژوئن 2024مه 2024آوریل 2024مارس 2024فوریه 2024ژانویه 2024دسامبر 2023نوامبر 2023اکتبر 2023سپتامبر 2023اوت 2023ژوئیه 2023ژوئن 2023مه 2023آوریل 2023مارس 2023فوریه 2023ژانویه 2023دسامبر 2022نوامبر 2022اکتبر 2022سپتامبر 2022اوت 2022ژوئیه 2022ژوئن 2022مه 2022آوریل 2022مارس 2022فوریه 2022ژانویه 2022دسامبر 2021نوامبر 2021اکتبر 2021سپتامبر 2021اوت 2021ژوئیه 2021ژوئن 2021مه 2021آوریل 2021مارس 2021فوریه 2021ژانویه 2021دسامبر 2020نوامبر 2020اکتبر 2020سپتامبر 2020اوت 2020ژوئیه 2020ژوئن 2020مه 2020آوریل 2020مارس 2020فوریه 2020ژانویه 2020دسامبر 2019نوامبر 2019اکتبر 2019سپتامبر 2019اوت 2019ژوئیه 2019ژوئن 2019مه 2019آوریل 2019مارس 2019فوریه 2019ژانویه 2019دسامبر 2018نوامبر 2018اکتبر 2018سپتامبر 2018اوت 2018ژوئیه 2018ژوئن 2018مه 2018آوریل 2018مارس 2018فوریه 2018ژانویه 2018دسامبر 2017نوامبر 2017اکتبر 2017سپتامبر 2017اوت 2017ژوئیه 2017ژوئن 2017مه 2017آوریل 2017مارس 2017فوریه 2017

فید عمومی باز از ایندکس جست‌وجو ChatCrawler — «Google برای Telegram عمومی»؛ با خزش انجمن به‌روز می‌شود. زمان‌ها به UTC است.

فقط محتوای عمومی، API رسمی Telegram. دربارهٔ ما · پرسش‌ها · محدودیت‌های ایندکس · حذف یک صفحه · کاتالوگ · جست‌وجو · روش محاسبهٔ ما