یک مقاله جدید اومده که یک فریمورکی برای deep research معرفی کرده (یک جور AI Agent) به اسم WebThinker که به مدل‌های LLM و مدلهای reasoning این امکان را می‌دهد که به‌صورت مستقل در وب جستجو کنند، صفحات وب را به‌طور عمیق بررسی نمایند و گزارش‌های پژوهشی تهیه کنند. و یک سری مدل هم برای اینکار آموزش دادند که همه را میتونید دانلود و استفاده کنید.

🌐 WebThinker: Empowering Large Reasoning Models with Deep Research Capability
▪️ WebThinker: Empowering Large Reasoning Models with Deep Research Capability

#مقاله #ایده_جذاب #متن_باز

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اگه در سطح #مبتدی هستین و در جستجوی #یادگیری_ماشین #منابع تیوری هستین این منبع برای شماست

▪️ Fundamentals of Machine Learning (FunML)

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

هدف این تحقیق، درک بهتر تفاوت‌های معماری بین مدل‌های زبانی بزرگ و بهبود قابلیت‌های استدلالی آن‌ها از طریق معرفی لایه‌های Canon است. لایه‌های Canon، مولفه‌های معماری سبک‌وزنی هستند که جریان اطلاعات افقی بین توکن‌های مجاور را تسهیل می‌کنند. این لایه‌ها با محاسبه ترکیب‌های وزنی از نمایش‌های توکن‌های همسایه، به مدل‌ها امکان می‌دهند تا اطلاعات را به‌صورت موثرتری پردازش کنند.

▪️ Physics of Language Models: Part 4.1, Architecture Design and the Magic of Canon Layers

#مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

روشی نوین برای اجرای مدل‌های #ترنسفورمر مانند BERT و RoBERTa با استفاده کامل از محاسبات صحیح (integer-only) معرفی می‌کند. این رویکرد به منظور کاهش مصرف حافظه، تأخیر در استنتاج و مصرف انرژی، به ویژه در دستگاه‌های لبه‌ای و مراکز داده، طراحی شده است. مدل‌های ترنسفورمر پیشرفته، با وجود دقت بالای خود در وظایف #پردازش_زبان_طبیعی، به دلیل اندازه بزرگ و نیاز به محاسبات با دقت بالا، برای استقرار در محیط‌های با منابع محدود مناسب نیستند. روش‌های قبلی برای کوانتیزاسیون این مدل‌ها معمولاً از محاسبات شناور (floating-point) در مراحل استنتاج استفاده می‌کردند، که بهره‌برداری از واحدهای محاسباتی صحیح مانند Turing Tensor Cores یا پردازنده‌های ARM را محدود می‌کرد.
افزایش سرعت استنتاج بین ۲.۴ تا ۴ برابر در سیستم‌های مجهز به GPU T4 هنگام استفاده از کوانتیزاسیون INT8.

▪️ I-BERT: Integer-only BERT Quantization

#مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

آخر ای باد صبا بویی اگر می‌آری
سوی شیراز گذر کن که مرا یار آنجاست
آن‌که نشنیده‌ست هرگز بوی عشق
گو به شیراز آی و خاک ما ببوی

سعدی

روز شیراز مبارک شیرازی های عزیز ❤️

این سریال the last of us عجب جمله خفنی داشت....

بعضی آدم‌ها رو هیچوقت نمیشه نجات داد...

اگر با yolo11 کار کرده باشید Object Detection اگر فعالیت حرفه ای دارید اینجا یک چارچوب جدید برای #تشخیص_اشیا در realtimeمعرفی می‌کند که با بهبود دقت مکان‌یابی، عملکرد مدل‌های DETR را ارتقا می‌دهد. این مدل با قدرت و تشخیص بسیار زیادی که دارد از بقیه مدلهای موجود کارایی بهتری دارد.

▪️ Huggingface D-FINE: State-of-the-art real-time object detection model with Apache 2.0 licence
▪️ D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement
▪️ Fine-tuning D-Fine on a custom dataset
▪️ GitHub

#بینایی_ماشین #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اینم ی مدل #هوش_مصنوعی برای رشته #معماری گفتن که بعدا #متن_باز ش میکنن
https://www.archivinci.com/

#مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

این دوره توسط مایکروسافت ارایه شده، راجب #هوش_مصنوعی_مولد دقیقا چیه، LLMها چطور کار میکنن، و چرا دارن خیلی از صنعت‌ها رو زیر و رو می‌کنن٬ به‌خصوص دنیای آموزش.

https://learn.microsoft.com/en-us/shows/generative-ai-for-beginners/introduction-to-generative-ai-and-llms-generative-ai-for-beginners

#هوش_مصنوعی #منابع #فیلم

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Full PyTorch implementation of
Rotary Positional Embeddings (RoPE).

http://k-a.in/pyt-rope.html

#پایتون #پایتورچ

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اگه نیاز به یه سیستم برای مدیریت تسک‌ها و پروژه‌ها دارید و میخواید خودتون هم رانش کنید رپوی زیر که با لاراول نوشته شده این امکان رو بهتون میده.
هم کد و ظاهرش خوب بود و هم امکانات خوبی مثل بورد kanban و سیستم تیکت و تایم‌لاین هم داره

https://github.com/SeptiawanAjiP/dewakoding-project-management

Easy-to-use building blocks (layers, losses, metrics...) to quickly assemble state-of-the-art RecSys pipelines. Compatible with JAX, PyTorch, TF, and optimized for TPUs.

https://github.com/keras-team/keras-rs
https://keras.io/keras_rs/
https://keras.io/keras_rs/examples/

Agentic AI

Overview of LMs
LM Usage and limitations
Retrieval Augmented Generation (RAG)
Tool usage
Agentic LMs
Agentic design patterns
https://youtu.be/kJLiOGle3Lw?si=p63w-skMMUge6k6m

🔷 Kubectl AI
دستیار هوشمند Kubernetes با قابلیت اجرای دستورات و مدیریت منابع با استفاده از زبان طبیعی

🟧 ویژگی‌ها:
• افزونه‌ای برای kubectl که با بهره‌گیری از مدل‌های زبانی بزرگ (LLM) مانند OpenAI و Azure OpenAI، امکان اجرای دستورات Kubernetes از طریق زبان طبیعی را فراهم می‌کند
• پشتیبانی از عملیات‌هایی مانند ایجاد Deployment، مقیاس‌بندی، مشاهده وضعیت پادها و عیب‌یابی با استفاده از دستورات ساده
• قابلیت استفاده از ورودی استاندارد و ترکیب آن با دستورات برای تحلیل لاگ‌ها و خطاها
• پشتیبانی از مدل‌های مختلف و امکان انتخاب مدل دلخواه برای پردازش دستورات
• نصب آسان و استفاده به‌عنوان افزونه kubectl بدون نیاز به تغییرات پیچیده در تنظیمات

🔸 github.com/GoogleCloudPlatform/kubectl-ai
🔸 @RecomenderSystem2023

🔷 San Antonio Spurs × ChatGPT Enterprise

استفاده نوآورانه تیم بسکتبال سن آنتونیو اسپرز از ChatGPT Enterprise برای ارتقاء فرهنگ سازمانی و تعامل با هوش مصنوعی

🟧 ویژگی‌ها:
• افزایش تسلط کارکنان به هوش مصنوعی از ۱۴٪ به بیش از ۸۵٪ در کمتر از ۶ ماه

• صرفه‌جویی بیش از ۱۸۰۰ ساعت کاری در ماه از طریق GPTهای سفارشی در حوزه‌های بازاریابی، تحلیل داده، مشارکت‌ها و عملیات داخلی

• ایجاد ابزارهایی مانند Fan Voice GPT برای تحلیل احساسات هواداران، Spurs Culture GPT برای انتقال ارزش‌های تیم، و GPTهای دیگر در زمینه‌های رهبری و شناسایی کالاهای تقلبی

• رویکرد انسانی‌محور در پیاده‌سازی فناوری، با تمرکز بر آموزش، آزمایش و پذیرش فرهنگی

• افزایش اعتماد کارکنان به ابزارهای هوش مصنوعی، با ۹۴٪ از کاربران گزارش‌دهنده افزایش اطمینان

🔸 openai.com/index/san-antonio-spurs
🔸 @RecomenderSystem2023