الگوریتمستان

+ مجموعه ویدئوهای پایتون پیشرفته آکادمی ایرانسل یکی از بهترین روش‌ها برای یاد گرفتن برنامه‌نویسی، تمرین با مثال‌های کاربردی هست. با افتخار، در مجموعه ویدئوهای پایتون پیشرفته آکادمی ایرانسل از مفاهیم مهم و جذاب پایتون مثال‌های ساده‌ای رو حل کردم؛ از شی‌گرایی و مولدها و دکوراتورها گرفته تا وب‌اسکریپینگ، پردازش موازی، رابط کاربری و تحلیل داده. https://www.linkedin.com/posts/amasoudfam_afyaepahyaesaewaeu-aeqaezaeuaepaetaevaeuaewahyaebahy-activity-7383004522438098944-pqoy http://algs.ir/qicap @algorithmha

+ ریپوی مقایسه‌ی توهم مدل‌های زبانی بزرگ ریپوی Hallucination Leaderboard با هدف اندازه‌گیری و مقایسه‌ی میزان توهم مدل‌های زبانی بزرگ ایجاد شده است. در این پروژه، بیش از هزار متن کوتاه خبری (عمدتا از مجموعه‌ی CNN/DailyMail) به مدل‌های مختلف داده شده تا هرکدام خلاصه‌ای وفادار به محتوای متن تولید کنند. سپس خروجی مدل‌ها با پاسخ‌های مرجع مقایسه شده تا مشخص شود چه میزان از خلاصه‌ها از نظر واقعیت‌سنجی صحیح بوده و چه مقدار شامل اطلاعات نادرست یا خیالی هستند. amasoudfam.ir/ql5v5j @algorithmha

🎉 فقط ۳ روز تا شروع مسابقه "Golden Code" 💙به ازای هر سوالی که حل کنی طلا می‌بری! 💛 ✅ ثبت‌نام رایگان: 🔗https://quera.org/r/fhpzm 📱Instagram 📱LinkedIn ➖➖➖➖ #Quera‏

+ فریب نخورید؛ هوش مصنوعی هیچ درکی از جهان ندارد پژوهشگران دانشگاه ام‌آی‌تی بنچمارکی جدید به نام WorldTest ساخته‌اند تا مشخص شود آیا مدل‌های هوش مصنوعی واقعاً «درکی» از جهان دارند یا صرفاً الگوها را تقلید می‌کنند؛ نتایج، ناامیدکننده بود. در این آزمایش، حتی قدرتمندترین مدل‌ها از جمله Claude و Gemini 2.5 Pro و OpenAI o3 در برابر عملکرد انسان‌ها شکست خوردند. https://www.linkedin.com/posts/amasoudfam_%D9%81%D8%B1%DB%8C%D8%A8-%D9%86%D8%AE%D9%88%D8%B1%DB%8C%D8%AF-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%87%DB%8C%DA%86-%D8%AF%D8%B1%DA%A9%DB%8C-%D8%A7%D8%B2-%D8%AC%D9%87%D8%A7%D9%86-activity-7393586314018828290-_FpG/ @algorithmha

+ Lightweight End-to-End OCR This paper presents HunyuanOCR, a commercial-grade, open-source, and lightweight (1B parameters) Vision-Language Model (VLM) dedicated to OCR tasks. https://www.linkedin.com/posts/amasoudfam_hunyuanocr-technical-report-activity-7401288542838140928-QErX/ @algorithmha

+ Teaching Machines How to Think I recently placed in the top 20% of a Kaggle competition. I didn’t write a single line of feature engineering. I didn’t tune a single hyperparameter. Instead, I spent my time doing something fundamentally different: I built a system that knows how to approach machine learning problems, then pointed it at the competition and watched ... https://yewjin.substack.com/p/the-future-is-solving-problem-solving @algorithmha

سعی کنید رو مفاهیم و اصول پایه ای مهندسی نرم افزار و تکنیک های حل مسئله عمیق بشید نه سنتکس نویسی و کار با فریموورک، اونی که میگه توسعه با LLM و Agent شمارو متمایز میکنه اتفاقا داره کاملا اشتباه میکنه، همه توی 2 تا 4 هفته میتونن پرامپت نویسی و کار با LLM هارو یاد بگیرن ولی همه حل مسئله شون قوی نیست، نگاه بیزنسی ندارن، کار تیمی بلد نیستن، مفاهیم پایه و trade off هارو نمیدونن، محصول واقعی لانچ نکردن، چرخه تولید محصول رو نمیشناسن، پول درآووردن و فروش رو بلد نیستن، خوب و اصولی صحبت کردن بلد نیستن. خلاصه مراقب باشید با وعده های اینفلوئنسری سرتون کلاه نره! https://x.com/realmaxtsh/status/2000674515584524414 @algorithmha

+ بنچمارک FACTS بنچمارک FACTS از Google برای ارزیابی اینکه مدل‌های زبانی واقعا چقدر درست و حسابی جواب می‌دن، طراحی شده و روش‌های مختلفی برای این ارزیابی داره؛ از جواب دادن به سوالات دانشی و تصویری گرفته تا استفاده از جستحو و نوشتن جواب‌های بلند بر اساس یک متن مشخص. https://www.linkedin.com/posts/amasoudfam_facts-benchmark-suite-leaderboard-kaggle-activity-7408739036867092480-kkqE @algorithmha

+ مدل Qwen‑Image‑Layered به این میگن نوآوری واقعی: Qwen‑Image‑Layered، همون چیزی که انتظارش رو نداشتیم ولی نیازش داشتیم مدل Qwen‑Image‑Layered یک مدل جدید هوش مصنوعیه که قابلیت جالبی داره: می‌تونه یک تصویر ساده رو به چندین RGBA layer تجزیه کنه، یعنی لایه‌هایی که هم رنگ (RGB) و هم شفافیت (alpha) دارن. https://x.com/rzdjafari/status/2002647657508962447 @algorithmha

+ پرامپت‌های آماده و حرفه‌ای برای استفاده‌ی بهتر از ChatGPT اگر از ChatGPT استفاده میکنید ، حتما به این لینک سر بزنید و ازش استفاده کنید: https://academy.openai.com/public/tags/prompt-packs-6849a0f98c613939acef841c مجموعه‌ای از پرامپت‌های آماده و حرفه‌ای برای استفاده‌ی بهتر از ChatGPT بدون نیاز به ساخت پرامت از صفر https://x.com/TheRealPourya/status/2004411986881249761 @algorithmha

+ Most people are using GPT-5 wrong. صحبت اصلی این نوشته این نیست که GPT-5 از GPT-4 قوی‌تره؛ حرفش اینه که ما هنوز داریم با منطق قدیمی ازش استفاده می‌کنیم. معمولا GPT رو در حد یه ابزار سوال و جواب می‌بینیم، در حالی که ظرفیتش خیلی فراتر از این‌هاست. وقتی فقط سوال می‌پرسیم، خروجی‌هامون پراکنده و مقطعی می‌شه. اما وقتی بهش جهت، هدف و چارچوب می‌دیم، می‌تونه تبدیل بشه به یه سیستم واقعی برای یادگیری و پیشرفت، نه صرفا تولید محتوا. نویسنده تاکید می‌کنه که به جای جمع کردن نکته و اطلاعات، باید از GPT «مسیر» بخوای؛ مسیری که یادگیری رو به مراحل مشخص و قابل اجرا تقسیم کنه و نذاره وسط راه فرسوده بشی. این تغییر نگاه باعث می‌شه به‌جای شلوغی ذهن، حرکت واقعی اتفاق بیفته. نکته مهم دیگه اینه که کیفیت سوال‌ها تعیین‌کننده کیفیت نتیجه‌ست. سوال‌هایی که روی «چطور انجام دادن» تمرکز دارن، خیلی بیشتر از سوال‌های کلی و تئوریک به عمل منجر می‌شن. جمع‌بندی پیام هم واضحه: قدرت GPT فقط از خود ابزار نمی‌یاد. از ساختاری می‌یاد که ما بهش می‌دیم. اگه درست هدایتش کنیم، می‌تونه همزمان نقش مربی، برنامه‌ریز و عامل تمرکز رو برامون بازی کنه. https://www.linkedin.com/posts/amasoudfam_gpt-5-prompting-activity-7412190114363367425-jer5 @algorithmha

+ Professional Software Developers Don’t Vibe, They Control: AI Agent Use for Coding in 2025 مقاله‌ی Professional Software Developers Don’t Vibe, They Control: AI Agent Use for Coding in 2025 به بحث Vibe Coding می‌پردازه و نتیجه‌ی اصلیش اینه که توسعه‌دهنده‌های حرفه‌ای معمولا هوش مصنوعی رو برای تولید کد به حال خودش رها نمی‌کنن یا کل کار رو بهش نمی‌سپارن. برعکس، قبل از اجرا برنامه‌ریزی می‌کنن، مسئله رو دقیق تعریف می‌کنن و بعد هم خروجی ایجنت رو مرحله‌به‌مرحله بازبینی و اعتبارسنجی می‌کنن تا کیفیت نرم‌افزار آسیب نبینه. از نظر بهره‌وری، بیشتر توسعه‌دهنده‌ها هوش مصنوعی رو یک شتاب‌دهنده می‌بینن و بعضی حتی افزایش چشمگیر سرعت رو گزارش کردن. اما تقریبا همیشه با این شرط که کنترل فرآیند همچنان دست خودشون باشه. یعنی فقط «کار کردن کد» کافی نیست و خروجی باید تست بشه، تغییرات باید بررسی بشه و استانداردهای کیفیت مثل خوانایی، نگهداشت‌پذیری و درستی حفظ بشن. این تحقیق همین‌طور نشون می‌ده ایجنت‌ها در کارهای واضح و خوب توصیف‌شده (مثل تولید کدهای تکراری، کمک در دیباگ و کارهای مستقیم) عملکرد بهتری دارن. اما در کارهای پیچیده‌تر و مخصوصا تصمیم‌های معماری، معمولا قابل‌اتکا بودن پایین‌تر میاد و نقش قضاوت انسانی پررنگ‌تر می‌شه. در نهایت، مقاله یادآوری می‌کنه که هوش مصنوعی لزوما سرعت رو بالا نمی‌بره و در یک آزمایش تصادفی اشاره شده که بعضی maintainerهای باتجربه در کارهای نگهداشت کد، با استفاده از هوش مصنوعی حدود ۱۹٪ کندتر شدن. پس اگر نحوه‌ی استفاده و ادغام این ابزار در جریان کار درست طراحی نشده باشه، ممکنه نتیجه‌ی معکوس بده. نتیجه‌ی اخلاقی قصه: هوش مصنوعی می‌تونه خیلی کمک‌کننده باشه، ولی بهترین نتیجه وقتی به دست میاد که مثل یک ابزار تحت کنترل استفاده بشه، نه جایگزین نظارت و تصمیم‌گیری حرفه‌ای. https://www.linkedin.com/posts/amasoudfam_professional-software-developers-dont-vibe-activity-7413782041743327232-I0z5/ @algorithmha