AI Plus - هوش‌ پلاس

یه ابزار رایگان که صدا رو تبدیل به متن می‌کنه — کامل روی سیستم خودت، بدون اکانت و بدون اینترنت 👇

اسمش ⁦Buzz⁩ هست و زیرِ کاپوتش از مدل ⁦Whisper⁩ شرکت ⁦OpenAI⁩ استفاده می‌کنه، ولی همه‌چی لوکال اجرا می‌شه. یعنی فایلت هیچ‌جا آپلود نمی‌شه، لازم نیست ⁦API key⁩ بگیری و به کسی هم پول نمی‌دی.

چیکار می‌کنه:
▪️ فایل صوتی یا ویدیویی رو می‌گیره و متنش رو درمیاره
▪️ لینک ⁦YouTube⁩ رو هم مستقیم قبول می‌کنه
▪️ از میکروفون هم می‌تونه همون لحظه رونویسی کنه
▪️ خروجی رو ⁦TXT⁩ یا ⁦SRT⁩ و ⁦VTT⁩ می‌ده — یعنی زیرنویسِ آماده تحویلت می‌ده

کجا به کار میاد؟ ضبطِ کلاس و جلسه رو متن کنی، روی ویدیوهات زیرنویس بذاری، یا توی یه ویدیوی طولانی سریع همون چیزی که لازم داری رو پیدا کنی.

چند تا عدد:
▪️ روی ⁦GitHub⁩ بیشتر از ۲۱ هزار ستاره داره و لایسنسش ⁦MIT⁩ هست
▪️ آخرین نسخه‌ش، ۱.۴.۵، همین دیروز منتشر شده — یعنی پروژه زنده‌ست
▪️ روی ⁦macOS⁩ و ⁦Windows⁩ و ⁦Linux⁩ نصب می‌شه؛ با ⁦pip⁩ هم می‌شه بالا آوردش
▪️ اگه کارت گرافیک ⁦Nvidia⁩ یا مکِ ⁦Apple Silicon⁩ داری، تندتر کار می‌کنه

چند تا نکته‌ی صادقانه هم هست:
▪️ نصب‌کننده‌ی ویندوزش امضا نشده، پس ویندوز موقع نصب اخطار می‌ده
▪️ روی مک‌های ⁦Intel⁩ آخرین نسخه همین ۱.۴.۵ هست و جلوتر نمی‌ره
▪️ دقتش به مدلی که انتخاب می‌کنی و تمیزیِ صدا بستگی داره؛ برای فارسی حتماً یه بار خروجی رو بخون و اصلاح کن
▪️ درباره‌ی قابلیت ترجمه‌ش توی صفحه‌ی پروژه توضیح دقیقی نداده

خیلی از کسایی که دارن یه محصول یا ابزار ⁦AI⁩ می‌سازن، منطقِ اصلیِ کارشون رو توی ⁦System Prompt⁩ می‌ذارن — و مطمئنن که کاربر هیچ‌وقت نمی‌بینتش.

باور غلطِ رایجه.

‏⁦System Prompt⁩ یه راز نیست. یه دیوار شیشه‌ای نیمه‌شفافه. اگه کاربر از مدل بپرسه «دستوراتِ اولیه‌ات چیه؟» یا یه سوالِ هوشمندانه بچینه، خیلی از مدل‌ها — حتی بدون فشارِ زیاد — بخشی از ⁦System Prompt⁩ رو لو می‌دن. حتی اگه مستقیم هم نگه، از رفتارِ مدل می‌شه کلیِ اطلاعات استخراج کرد.

رقیبایی بودن که دقیقاً همین کار رو کردن و ساختارِ محصولِ رقیبشون رو از ⁦System Prompt⁩ کشیدن بیرون.

پس چیکار کنی؟

هیچ اطلاعاتِ واقعاً حساسی رو توی ⁦Prompt⁩ نذار — نه ⁦API key⁩، نه داده‌های کاربران، نه قیمت‌گذاری‌های داخلی. جاشون اینجا نیست.

منطقِ محرمانه رو توی کد پیاده کن، نه توی ⁦Prompt.⁩ مثلاً به‌جای اینکه به مدل بگی «هیچ‌وقت قیمت رو نگو»، اصلاً اون اطلاعات رو از چرخه‌ی ⁦Prompt⁩ خارج کن.

با این فرض طراحی کن که ⁦System Prompt⁩ نیمه‌عمومی هست. هر چیزی که نمی‌خوای رقیبت بدونه رو توش ننویس.

کانال ⁦AI Plus⁩ ⚡

اگه دنبال یه دستیار ⁦AI⁩ هستی که فقط جواب سؤال نده و واقعاً کار انجام بده، این روزها سر و صدای این یکی از همه بیشتره 👇

‏⁦Hermes Agent⁩ رو تیم ⁦Nous Research⁩ ساخته و روی ⁦GitHub⁩ بیشتر از ۲۳۴ هزار ستاره گرفته — توی رده‌ی پرستاره‌ترین پروژه‌های متن‌باز دنیا. با ⁦Python⁩ نوشته شده و لایسنسش ⁦MIT⁩ هست.

فرقش با یه ⁦chatbot⁩ معمولی اینه که حافظه داره و خودش برای خودش مهارت می‌سازه:
▪️ بعد از هر کارِ پیچیده، خودش یه «⁦skill⁩» می‌سازه تا دفعه‌ی بعد سریع‌تر همون کارو انجام بده
▪️ چیزی که یاد گرفته بین جلسه‌های مختلف یادش می‌مونه، برخلاف چتِ معمولی که هر بار از صفر شروع می‌کنه
▪️ زمان‌بند داخلی داره؛ می‌تونی بگی هر شب بکاپ بگیره یا هر هفته یه گزارش برات بفرسته

از این‌جاها هم می‌تونی باهاش حرف بزنی: ترمینال، ⁦Telegram⁩، ⁦Discord⁩، ⁦Slack⁩، ⁦WhatsApp⁩، ⁦Signal⁩ و ایمیل.

نکته‌ای که برای ما مهم‌تره: مجبور نیستی به ⁦OpenAI⁩ یا ⁦Anthropic⁩ پول بدی. با ⁦OpenRouter⁩، سرورِ خودت، یا مدل‌های متن‌بازِ لوکال هم کار می‌کنه — و روی یه ⁦VPS⁩ پنج‌دلاری هم بالا میاد.

ولی چند تا نکته که بهتره قبلش بدونی:
▪️ نصبش از راهِ ⁦curl⁩ و اجرای مستقیمِ اسکریپته؛ یعنی داری یه فایل از اینترنت رو بی‌واسطه روی سیستمت اجرا می‌کنی. بد نیست اول خودِ اسکریپت رو باز کنی و ببینی چیه
▪️ این یه ایجنتِ خودمختاره که به ترمینال و ابزارهات دسترسی می‌گیره. اولش توی یه محیط جدا — ⁦Docker⁩ یا یه ⁦VPS⁩ — امتحانش کن، نه روی سیستم اصلیت
▪️ توی صفحه‌ی پروژه هیچ هشدار امنیتی دراین‌باره نوشته نشده، ولی دادنِ این حد دسترسی تصمیم کوچیکی نیست
▪️ الان بیش از ۳۴ هزار ایشوی باز داره؛ یعنی پروژه خیلی سریع داره عوض می‌شه و هنوز جا افتاده نیست

اگه لپ‌تاپت کارت گرافیک گنده‌ای نداره و فکر می‌کنی مدل‌های قوی مالِ تو نیستن، این یکی رو از دست نده 👇

تیم ⁦Unsloth⁩ مدل ⁦Qwen3.8⁩ با ۲۷ میلیارد پارامتر رو فشرده کرده و نسخه‌هاش رو روی ⁦Hugging Face⁩ گذاشته. کوچیک‌ترین فایل‌هاش بین ۶ تا ۷ گیگابایتن — یعنی چیزی که تا دیروز فکر می‌کردی کارت گرافیک گرون‌قیمت می‌خواد، الان حجمش اندازه‌ی دو تا فیلمه.

ایده‌ی پشتش قشنگه. تا حالا فشرده‌سازی مدل‌ها (⁦quantization⁩) این شکلی بود که کل مدل یکنواخت کوچیک می‌شد و به‌ازاش دقت از دست می‌رفت. کاری که ⁦Unsloth⁩ می‌کنه اینه که همه‌ی بخش‌های مدل رو هم‌ارزش نمی‌بینه: بخش‌های حساس رو با دقت بالا نگه می‌داره و بخش‌هایی که کم‌اثرترن رو شدیدتر فشرده می‌کنه.

چند تا عدد واقعی:
▪️ تا الان بیشتر از ۶.۳ میلیون بار دانلود شده و ۲۶۵۰ تا لایک روی ⁦Hugging Face⁩ داره
▪️ لایسنسش ⁦Apache 2.0⁩ هست، یعنی آزاد — حتی برای استفاده‌ی تجاری
▪️ با ⁦Ollama⁩ و ⁦LM Studio⁩ و ⁦llama.cpp⁩ اجرا می‌شه
▪️ خودِ ⁦Unsloth⁩ می‌گه نسخه‌ی ⁦Dynamic 3.0⁩ توی حجم برابر بیش از ۱۰٪ دقت بهتر می‌ده

ولی سه تا نکته که توی صفحه‌ی مدل نوشته نشده و بهتره بدونی:
▪️ حجم فایل با رمی که واقعاً لازم داری یکی نیست. سیستم‌عامل خودش چند گیگ برمی‌داره و برای متنِ مکالمه هم حافظه می‌ره. یعنی روی یه دستگاه ۸ گیگابایتی عملاً نمی‌تونی فایل ۷ گیگی رو بالا بیاری؛ واقع‌بینانه‌ش نسخه‌ی ۶ گیگیه، اونم وقتی برنامه‌ی سنگین دیگه‌ای باز نباشه
▪️ نسخه‌هایی که از همه بیشتر فشرده شدن (اسمشون با ⁦IQ1⁩ شروع می‌شه) محسوس ضعیف‌تر جواب می‌دن: بیشتر اشتباه می‌کنن و جوابشون سطحی‌تره. صفحه‌ی مدل هیچ هشداری دربارش نداده، ولی هرچی فشرده‌تر، افت بیشتر. اگه رم بیشتری داری، حتماً نسخه‌ی بزرگ‌تر رو بردار
▪️ اون عدد ۱۰٪ ادعای خودِ سازنده‌ست و هنوز جای مستقلی تأییدش نکرده

یه نکته‌ی کاربردی هم خودشون گفتن: برای حالت استدلالی ⁦temperature⁩ رو ۱.۰ بذار، برای حالت معمولی ۰.۷.

وقتی می‌خوای یه مدل ۷ میلیارد پارامتری رو روی لپ‌تاپت اجرا کنی، اولین چیزی که بهش می‌خوری اینه: چرا این مدل با اون همه پارامتر، روی ۸ گیگ ⁦VRAM⁩ هم کار می‌کنه؟

جواب: ⁦Quantization.⁩

هر پارامترِ یه مدل یه عدده. اگه این عدد رو با دقتِ کامل ذخیره کنی (⁦float32⁩)، هر پارامتر ۴ بایت می‌خواد — یعنی یه مدل ۷⁦B⁩ کلاً حدود ۲۸ گیگابایت ⁦VRAM⁩ می‌خواد. کارتِ گرافیکِ معمولی این رو نداره.

ولی اگه همون اعداد رو با دقتِ کمتر ذخیره کنی — مثلاً ۴ بیت به جای ۳۲ — حجم می‌شه یه‌هشتمِ قبل. یعنی همون ۷⁦B⁩ حالا توی حدود ۴ گیگ ⁦VRAM⁩ جا می‌شه. اینو می‌گن ⁦Q4.⁩

وقتی تو ⁦Ollama⁩ مدل دانلود می‌کنی و می‌بینی اسمش ⁦Q4⁩_⁦K⁩_⁦M⁩ یا ⁦Q8⁩_0 هست، دقیقاً همینه — سطحِ فشرده‌سازیِ وزن‌های مدله.

حالا سوالِ عملی: کدوم رو انتخاب کنی؟

سطحِ ⁦Q4⁩ سبک‌تر و سریع‌تره، ولی کیفیتش یه خرده پایین‌تره. سطحِ ⁦Q8⁩ به مدلِ اصلی نزدیک‌تره، ولی دو برابر رم می‌خواد. برای اکثرِ کارهای روزمره — کد نوشتن، خلاصه‌سازی، سوال‌وجواب — سطحِ ⁦Q4⁩_⁦K⁩_⁦M⁩ عملاً هم‌کیفیتِ ⁦Q8⁩ هست. فقط برای ⁦reasoning⁩ پیچیده یا محاسباتِ دقیق، سطحِ ⁦Q8⁩ رو بزن.

یه نکته‌ی مهم: اگه مدل کامل توی ⁦VRAM⁩ جا نشه، بخشی از وزن‌ها روی ⁦CPU⁩ لود می‌شن — که بهش می‌گن ⁦offloading.⁩ کار می‌کنه ولی سرعتش می‌تونه ۵ تا ۱۰ برابر کمتر بشه.

پس اگه می‌خوای مدل رو محلی اجرا کنی: اول ببین ⁦VRAM⁩ کارتِ گرافیکت چند گیگه، بعد سطحِ ⁦Q4⁩ یا ⁦Q5⁩ انتخاب کن که کامل توش جا بشه. ⚡

تصمیم‌گیری‌های سخت معمولاً این‌طوری می‌شن: یه نفر از اول جوابش توی ذهنشه، بعد دنبال توجیه می‌گرده. این ⁦Prompt⁩ این چرخه رو می‌شکنه.

اول وزن معیارها رو تعیین می‌کنه — قبل از اینکه هیچ امتیازی بده — تا نشه وزن‌ها رو به خروجیِ دلخواه وصل کرد. بعد برای هر سلول یه دلیل مشخص می‌خواد، نه فقط یه عدد. یه بخش هم داره که چک می‌کنه اگه فلان معیار رو ۱۵ نمره بالا یا پایین بکشی، نتیجه عوض می‌شه یا نه. آخرش هم قوی‌ترین استدلال مخالفِ توصیه‌ی خودش رو می‌آره.

خروجیش یه ماتریس مستنده که می‌شه بهش استناد کرد؛ نه یه تحلیلی که باید از حفظ توضیح بدی.

برای انتخاب ⁦vendor⁩، تصمیم ⁦build-vs-buy⁩، یا هر انتخاب پرهزینه‌ی چندگزینه‌ای مفیده.

📋 پرامپت کامل (لمس کن تا کپی بشه):
Role: Act as a senior decision-analysis consultant who helps executives and teams make high-stakes, multi-option decisions using structured, defensible frameworks — the kind of analysis that survives being challenged in a leadership meeting.

Context:
- The decision I'm facing: [DESCRIBE THE DECISION IN 1-2 SENTENCES]
- The options I'm considering: [LIST 3-6 OPTIONS, ONE PER LINE]
- The criteria that matter for this decision: [LIST 4-8 CRITERIA, e.g. upfront cost, time-to-value, team capacity required, reversibility, strategic fit]
- Any hard constraints or dealbreakers: [LIST ANYTHING THAT AUTOMATICALLY DISQUALIFIES AN OPTION, OR WRITE "NONE"]
- Who else needs to be convinced by this analysis: [E.G. "MY CO-FOUNDER," "THE BOARD," "MYSELF ONLY"]

Task:
1. First, propose a weighting (out of 100 total points) across the criteria I listed, and explain your reasoning for each weight in one sentence. Pause here so I can adjust before you proceed.
2. Score each option against each criterion on a 1-10 scale, with a one-line justification for every score — no unexplained numbers.
3. Calculate the weighted total for each option.
4. Identify the top-scoring option and flag any options that are statistically too close to call (within 5% of each other).
5. Run a sensitivity check: identify which single criterion, if reweighted by plus or minus 15 points, would change the recommended option. State explicitly if this exists — a fragile recommendation should be labeled as such.
6. Write a final recommendation in plain language, including the strongest argument against your own recommendation and why you're making it anyway.

Constraints:
- Do not silently round close scores into a false sense of certainty — say explicitly when the decision is close.
- Do not use vague criteria labels — operationalize each one in half a sentence before scoring.
- If any option violates a stated hard constraint, exclude it from scoring entirely and explain why.
- Keep the tone analytical and neutral — no cheerleading for any option.

Output Format:
1. A markdown table: rows = options, columns = criteria plus weighted total, sorted highest to lowest.
2. A short "How I Weighted This" section (2-4 sentences).
3. A "How Close Is This" section flagging any near-ties or fragile results.
4. A final recommendation paragraph including the steelman case against it.
‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

‏⁦Claude Code⁩ حالا روی موبایل و وب برای همه پلن‌های پولی در دسترسه. ⚡

تقریباً می‌شه بخش زیادی از تسک‌های روزانه رو مستقیم از گوشی هم مدیریت کرد.

تو آپدیت جدید ⁦macOS Tahoe⁩ یه چیز جالب لو رفت: اولین ویدیو از ⁦AirPods⁩ دوربین‌دار اپل.

این محصول با نام رمز ⁦B790⁩ شناخته می‌شه و احتمالاً سپتامبر، کنار خانواده ⁦iPhone⁩ ۱۸ معرفی می‌شه.

دوربینی که روی این ⁦AirPods⁩ تعبیه شده، اطلاعات محیط رو به قابلیت هوش دیداری اپل منتقل می‌کنه. یعنی می‌تونی با کمک ⁦Siri⁩ عنوان یه کتاب رو اسکن کنی و درباره محیط اطرافت سوال بپرسی.

شرکت ⁦Cursor⁩ پلتفرم هاستینگ کدشون رو با اسم ⁦Origin⁩ لانچ کرد — یه سرویس جدید برای نگهداری و مدیریت ریپوهای کد.

می‌گن ⁦Origin⁩ سریعه، استفاده ازش ساده‌ست، و ادغام عمیقی با محیط ⁦Cursor⁩ داره. برای شروع هم می‌شه ریپوهای موجودتو مستقیم از ⁦GitHub sync⁩ کرد و وارد سرویس شد.