TechTube 𝕏 تک توب

دیروز، ۴ فوریه، تولد کن تامپسون (کنت لین تامسون)، یکی از تاثیرگذارترین متخصصان کامپیوتر جهان بود و او ۸۲ ساله شد.
‌
او مخترع زبان برنامه‌نویسی B است، زبانی که جد زبان C به حساب می‌آید.
‌‌
او همچنین خالق سیستم عامل یونیکس (Unix) است که پایه لینوکس، مک‌اواس، اندروید و... است.
‌
کن تامپسون از سال ۲۰۰۶ به گوگل پیوست و در توسعه زبان برنامه‌نویسی گو (Go) مشارکت داشت.

همکاری در توسعه رگولار اکسپرشن (عبارت‌های باقاعده / regex) و انکودینگ UTF-8 از دیگر در سوابق کاری اوست.
‌
اگر علاقه‌مند بودید، در مورد کارهای او جستجو کنید و بخوانید.
‌
🖥 @MiladNouriChannel

گوگل دیپ‌مایند امروز اعلام کرد که نسخه جدید هوش مصنوعی جمنای ۲.۰ رو برای همه کاربران عرضه کرده. این نسخه که شامل مدل‌های Flash، Pro و Flash-Lite میشه، با قابلیت‌های پیشرفته‌تر و عملکرد بهتر نسبت به نسخه‌های قبلی طراحی شده و می‌تونه کارهای پیچیده‌تری رو انجام بده.

جمنای ۲.۰ Flash، با قابلیت پشتیبانی از ۱ میلیون توکن context window طراحی شده و می‌تونه حجم زیادی از اطلاعات رو پردازش کنه. این مدل به‌خصوص برای توسعه‌دهندگان مناسبه و قراره به‌زودی قابلیت‌های تولید تصویر و تبدیل متن به گفتار هم بهش اضافه بشه.

نسخه Pro این مجموعه که فعلاً در حالت آزمایشی قرار داره، قوی‌ترین عملکرد رو در زمینه کدنویسی داره و می‌تونه دستورات پیچیده رو بهتر درک کنه. این مدل با پشتیبانی از ۲ میلیون توکن، قابلیت جستجو در گوگل و اجرای کد رو هم داره که برای متخصصان و برنامه‌نویس‌ها خیلی کاربردی خواهد بود.

گوگل همچنین یک مدل جدید به نام Flash-Lite رو معرفی کرده که مقرون‌به‌صرفه‌ترین گزینه این خانواده هست. این مدل با حفظ سرعت و هزینه پایین، کیفیت بهتری نسبت به نسخه ۱.۵ داره و می‌تونه برای کاربردهای عمومی مثل تولید توضیحات تصویر مورد استفاده قرار بگیره.

تیم توسعه‌دهنده تاکید کرده که در کنار افزایش قابلیت‌های این مدل‌ها، روی ایمنی و امنیت اونها هم سرمایه‌گذاری ویژه‌ای انجام داده و از تکنیک‌های یادگیری تقویتی جدید برای بهبود عملکرد و مقابله با تهدیدات امنیتی استفاده کرده.

‏🆓 این مدلها از حالا به صورت رایگان از Google AI Studio قابل استفاده هستن.

@aipulse24

🏁 مسابقه برنامه‌نویسی هم‌کد۶

🔘 Software Engineering

🗓 جمعه، ۱۹ بهمن ۱۴۰۳
⏰ ساعت ۱۶:۰۰

✅ نفرات برتر این مسابقه به شرکت همکاران سیستم معرفی و در ادامه، به مصاحبه دعوت و در صورت موفقیت عضوی از خانواده همکاران سیستم میشن.

📈 راستی شرکت توی این مسابقه روی امتیاز کوئراییتون هم تاثیر داره.

🎁 علاوه بر فرصت #استخدام در شرکت همکاران سیستم، به ۵۰ نفر برتر در این مسابقه، در مجموع بیش از ۳۳ میلیون تومان جوایز نقدی اهدا می‌شه.

🚀 ثبت‌نام رایگان:
🔗 https://quera.org/r/aflk0

〰️〰️〰️〰️
#همکد۶
#Quera #Quera_Contest

تشویق مدل به فکر کردن بیشتر، تنها با اضافه کردن Wait به دستور!

محققان دانشگاه استنفورد یک روش جدید برای بهینه‌سازی مدل‌های زبانی معرفی کردن. این روش که s1 نام داره، با استفاده از فقط ۱۰۰۰ نمونه آموزشی و یک تکنیک ساده به نام budget forcing تونسته عملکردی مشابه مدل‌های بزرگ OpenAI مثل o1 به دست بیاره. نکته مهم اینجاست که اکثر مدل‌های موفق در این حوزه مثل DeepSeek r1 از داده‌های آموزشی خیلی بیشتری (حدود ۸۰۰ برابر) استفاده می‌کنن.

محققان استنفورد برای انتخاب این ۱۰۰۰ نمونه از سه معیار اصلی استفاده کردن: کیفیت (داده‌های با فرمت مناسب و بدون خطا)، سختی (مسائلی که مدل‌های پایه نمی‌تونن حل کنن) و تنوع (پوشش حوزه‌های مختلف از ریاضیات تا فیزیک و علوم کامپیوتر). این انتخاب هوشمندانه باعث شده که با وجود حجم کم داده‌های آموزشی، مدل بتونه عملکرد خوبی داشته باشه.

تکنیک budget forcing که در این تحقیق معرفی شده، یک روش ساده اما موثر برای کنترل زمان فکر کردن مدل هست. این تکنیک به دو روش عمل می‌کنه: اول اینکه اگر مدل بیش از حد مشخصی فکر کنه، به طور خودکار پردازش متوقف می‌شه و مدل مجبور به ارائه پاسخ می‌شه. دوم اینکه اگر بخوایم مدل بیشتر فکر کنه، با اضافه کردن کلمه "Wait" به زنجیره استدلال، مدل تشویق می‌شه تا بیشتر روی مسئله تمرکز کنه.

در آزمون‌های مختلف، مدل s1-32B عملکرد قابل توجهی داشته. برای مثال در آزمون‌های ریاضی AIME24 به دقت ۵۶.۷ درصد و در MATH500 به دقت ۹۳ درصد رسیده. همچنین در سوالات علمی سطح دکترا (GPQA Diamond) به دقت ۵۹.۶ درصد دست پیدا کرده که نشون می‌ده این مدل می‌تونه با مدل‌های بزرگ‌تر رقابت کنه.

نکته جالب دیگه اینه که کل فرآیند آموزش این مدل فقط ۲۶ دقیقه روی ۱۶ کارت H100 طول کشیده که در مقایسه با مدل‌های مشابه که نیاز به روزها و هفته‌ها آموزش دارن، بسیار کمتره. این نشون می‌ده که با روش‌های هوشمندانه می‌شه به جای افزایش حجم داده و زمان محاسبات، به نتایج مشابه یا حتی بهتری رسید.

محققان همچنین نشون دادن که با افزایش زمان فکر کردن مدل در زمان استفاده (test-time)، دقت پاسخ‌ها بهبود پیدا می‌کنه. برای مثال در AIME24، وقتی به مدل اجازه داده شد تا ۶ بار بیشتر فکر کنه، دقت از ۵۰ درصد به ۵۷ درصد افزایش پیدا کرد. این نشون می‌ده که حتی بعد از آموزش هم می‌شه با تنظیم پارامترهای اجرا، عملکرد مدل رو بهبود داد.

نسخه کامل این مقاله رو میتونید از اینجا مشاهده کنید.

@aipulse24