VIRSUN

🔥💻 حتی بهترین Coding Agentها هم در نرم‌افزارهای علمی به ۵۰٪ موفقیت نمی‌رسند!

یک Benchmark جدید با نام SWE-bench Science سراغ سؤالی مهم رفته است:

آیا Agentهای برنامه‌نویسی واقعاً می‌توانند باگ‌های نرم‌افزارهای علمی را حل کنند، یا فقط در پروژه‌های نرم‌افزاری معمولی خوب هستند؟

پژوهشگران برای پاسخ، ۱۱۹ مسئله واقعی تعمیر نرم‌افزار را از ۹۸ مخزن GitHub و در ۲۰ حوزه علمی مختلف جمع‌آوری کرده‌اند.

این مسائل فقط چند خط کد خراب نیستند؛ برخی از آن‌ها به درک مفاهیم علمی، پیدا کردن Root Cause و سپس هماهنگ‌کردن اصلاح با بخش‌های دیگر یک Pipeline تحقیقاتی نیاز دارند.

🧠 وظایف Benchmark در سه گروه طراحی شده‌اند:

Issue-driven —
مشکلات واقعی ثبت‌شده در پروژه‌ها

Expert-exploratory —
مسائلی که از بحث و بررسی متخصصان حوزه استخراج شده‌اند

Engineering-integration —
تعمیراتی که باید در یک سیستم یا Pipeline بزرگ‌تر نیز درست کار کنند

🔥 نتیجه کمی نگران‌کننده است:

حتی قوی‌ترین Agent آزمایش‌شده، یعنی Claude Code با Opus 5 در تنظیم Max، نتوانسته در معیار pass@1 به ۵۰٪ موفقیت برسد.

یعنی حتی Frontier Coding Agentها هنوز در بیش از نیمی از این مسائل علمی نمی‌توانند در اولین تلاش Patch کاملاً صحیحی تولید کنند.

اما بخش جذاب مقاله فقط Benchmark نیست؛ پژوهشگران بررسی کرده‌اند که Agentها دقیقاً چرا شکست می‌خورند.

چهار الگوی اصلی پیدا شده است:

1️⃣ کمبود دانش یا درک علمی

اینکه Agent ممکن است کد را بفهمد، اما فیزیک، زیست‌شناسی، ریاضیات یا مفهوم علمی پشت آن را به‌اندازه کافی درک نکند.

2️⃣ جستجوی اشتباه برای علت مشکل

مدل روی علائم ظاهری Bug تمرکز می‌کند و به‌جای Root Cause، یک اصلاح سطحی انجام می‌دهد.

3️⃣ تعمیر ناقص

یک بخش درست می‌شود اما تغییر جدید با قسمت دیگری از سیستم ناسازگار است.

4️⃣ ضعف در تعمیم مفهوم علمی

حتی اگر Agent یک اصل علمی را از مثال‌ها استخراج کند، الزاماً نمی‌تواند همان مفهوم را در شرایط جدید درست اعمال کند.

🤯 اما شاید مهم‌ترین آزمایش مقاله درباره دادن دانش علمی به Agent باشد.

پژوهشگران اطلاعاتی مثل:

📄 مقاله علمی
📚 مستندات API
🧪 اطلاعات تخصصی حوزه

را در اختیار Agent قرار دادند و سپس همان آزمایش را با حذف این Guidance تکرار کردند.

نتیجه جالب بود:

دانش بیشتر همیشه Agent را بهتر نمی‌کند.

اگر اطلاعات علمی دقیقاً مرتبط باشند، فضای جستجوی Agent محدودتر می‌شود، احتمال موفقیت افزایش پیدا می‌کند و حتی مصرف Token کاهش می‌یابد.

اما اگر اطلاعات اضافی نامرتبط یا مبهم باشند، پدیده‌ای شبیه Anchoring اتفاق می‌افتد؛ Agent به همان اطلاعات می‌چسبد و ممکن است مسیر اشتباهی را با اعتماد بیشتری ادامه دهد.

💡 این نتیجه برای آینده AI Scientistها بسیار مهم است.

اصلاح یک نرم‌افزار علمی فقط مسئله Coding نیست:

💻 درک کد + 🧠 درک علم + 🔍 تشخیص Root Cause + 🧪 آزمایش + 🔗 Integration

همه باید با هم انجام شوند.

یک Agent ممکن است Python را فوق‌العاده بنویسد، اما اگر نداند یک الگوریتم پردازش MRI، شبیه‌سازی سیالات یا محاسبه آماری از نظر علمی چه خروجی‌ای باید تولید کند، کدی تحویل می‌دهد که Compile می‌شود و حتی ممکن است Test را پاس کند، ولی از نظر علمی اشتباه باشد.

و این شاید خطرناک‌ترین نوع Bug باشد:

کدی که Crash نمی‌کند؛ اما نتیجه علمی غلط تولید می‌کند. 🧪⚠️

🔥 پیام SWE-bench Science روشن است:

مرحله بعدی Coding Agentها فقط افزایش توانایی تولید کد نیست.

آن‌ها باید یاد بگیرند:

«چرا این کد از نظر علمی باید این‌گونه کار کند؟»

و احتمالاً همین نقطه، مرز میان یک Coding Agent قدرتمند و یک AI Research Engineer واقعی خواهد بود.

[مقاله SWE-bench Science در arXiv]

(https://arxiv.org/abs/2608.19799
[صفحه رسمی SWE-bench Science]
(https://swescience.github.io

@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #برنامه_نویسی #پژوهش #عامل_هوشمند #نرم_افزار_علمی #SWEbenchScience #CodingAgents #ScientificAI #SoftwareEngineering #ClaudeCode #AIAgents #LLM #AI

🎨 مدل تصویری بعدی OpenAI لو رفت؟ «Luna-Lisa-Alpha» در Arena دیده شده است!

یک Checkpoint مرموز با نام luna-lisa-alpha در تست‌های ناشناس Arena مشاهده شده و حالا گمانه‌زنی‌ها درباره نسل بعدی مدل تولید تصویر OpenAI بالا گرفته است.

این نام بعد از Checkpoint دیگری با عنوان mona-lisa-1 دیده شده و برخی آزمایش‌کنندگان معتقدند Luna-Lisa مرحله جدیدتری از همان مسیر توسعه مدل‌های تصویری OpenAI است.

🔥 گزارش‌های اولیه از چند پیشرفت قابل‌توجه صحبت می‌کنند:

👤 تولید بهتر شخصیت‌ها و چهره‌ها
📸 واقع‌گرایی بیشتر
🔤 رندر دقیق‌تر متن داخل تصویر
📰و Layout و Composition بهتر
🎯 پیروی دقیق‌تر از Promptهای پیچیده

همچنین برخی تست‌کنندگان گفته‌اند دانش مدل نسبت به Checkpoint قبلی جدیدتر به نظر می‌رسد، هرچند این موضوع هنوز به‌طور مستقل تأیید نشده است.

🤔 سؤال اصلی این است:

آیا Luna-Lisa همان GPT Image 2.5 است؟

فعلاً پاسخ مشخص نیست.

نام GPT Image 2.5 صرفاً گمانه‌زنی جامعه AI است و OpenAI هنوز نه این نام و نه ارتباط luna-lisa-alpha با محصول آینده خود را رسماً تأیید کرده است. حتی ممکن است مدل نهایی با نام GPT Image 3 عرضه شود یا این Checkpoint هیچ‌وقت مستقیماً منتشر نشود.

⚠️ در حال حاضر برای Luna-Lisa یک API عمومی، Model Card، قیمت یا تاریخ انتشار رسمی وجود ندارد و مدل نیز به‌صورت عادی برای انتخاب و آزمایش در Arena در دسترس نیست. بنابراین تصاویر و مقایسه‌های فعلی را باید نتایج اولیه تست‌های Blind دانست، نه Benchmark نهایی.

💡 اما اگر گزارش‌ها درست باشند، بخش مهم ماجرا شاید تولید متن و Layout باشد.

مدلی که بتواند هم تصویر واقع‌گرایانه بسازد و هم نوشته‌ها، موقعیت اشیا و ساختار صفحه را دقیق کنترل کند، دیگر فقط یک Image Generator نیست؛ می‌تواند مستقیماً برای:

📢 پوستر و تبلیغات
📦 طراحی بسته‌بندی
🖥️و UI Mockup
📊 اینفوگرافیک
📰 طراحی گرافیکی
✏️ ویرایش دقیق تصویر

به کار گرفته شود.

🔥 فعلاً فقط یک چیز نسبتاً روشن است:

شرکت OpenAI ظاهراً در حال آزمایش Checkpointهای تصویری جدید است؛ اما اینکه Luna-Lisa در نهایت GPT Image 2.5، GPT Image 3 یا اصلاً یک آزمایش داخلی باقی بماند، هنوز مشخص نیست.

با توجه به اینکه mona-lisa-1 و حالا luna-lisa-alpha در فاصله کوتاهی دیده شده‌اند، رقابت مدل‌های تصویرساز در نیمه دوم ۲۰۲۶ احتمالاً باز هم داغ‌تر خواهد شد. 👀🎨


@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #تولید_تصویر #مدل_تصویری #اوپن_ای_آی #تصویرسازی #LunaLisa #GPTImage #GPTImage25 #OpenAI #ImageGeneration #GenerativeAI #AIArt #AI

🍈🔥 دو مدل مرموز جدید Anthropic لو رفتند؛ Opus 5.1 و Sonnet 5.1 در راه‌اند؟

گزارش تازه‌ای از WinCentral می‌گوید که Anthropic احتمالاً در پشت صحنه مشغول آزمایش دو مدل جدید با اسم‌های رمز عجیب است:

🍬 Marshmallow
🍈 Melon

نام‌هایی که در تست‌ها دیده شده‌اند ظاهراً این‌ها هستند:

claude-marshmallow-eap
claude-melon-eap

اما پشت این اسم‌های بامزه ممکن است نسل بعدی دو مدل مهم Claude پنهان شده باشد. طبق گمانه‌زنی فعلی:

🍬 Marshmallow →
احتمالاً Claude Opus 5.1
🍈 Melon →
احتمالاً Claude Sonnet 5.1

این نگاشت هنوز توسط Anthropic تأیید نشده و فعلاً باید آن را Leak و گمانه‌زنی در نظر گرفت.

🔥 بخش جذاب‌تر گزارش مربوط به عملکرد است.

طبق اطلاعات لو‌رفته، Marshmallow از Melon قوی‌تر است و حتی گفته می‌شود عملکرد آن از Opus 5 فعلی نیز بالاتر رفته است.

این موضوع با فرضیه Opus 5.1 بودن Marshmallow همخوانی دارد؛ یعنی Anthropic شاید در حال آماده‌سازی یک ارتقای میان‌نسلی برای قدرتمندترین خانواده عمومی Claude باشد.

اما یک نکته جالب دیگر هم وجود دارد:

طبق همین Leak، ظاهراً هیچ‌کدام هنوز به سطح Fable نمی‌رسند.

بنابراین اگر اطلاعات درست باشند، احتمالاً با یک جهش نسلی عظیم روبه‌رو نیستیم؛ بلکه Anthropic می‌خواهد خانواده فعلی را بهینه کند:

🧠 Opus 5.1 →
قدرت و Reasoning بیشتر
⚡ Sonnet 5.1 →
تعادل بهتر میان هوش، سرعت و هزینه

این استراتژی منطقی به نظر می‌رسد، چون چند روز قبل نیز شایعات جداگانه‌ای درباره Sonnet 5.5 و نزدیک‌شدن آن به سطح Fable منتشر شده بود؛ هرچند آن اطلاعات هم هنوز رسمی نیستند.

⚠️ فعلاً Anthropic هیچ معرفی رسمی برای Marshmallow، Melon، Opus 5.1 یا Sonnet 5.1 منتشر نکرده است. در منابع رسمی اخیر Anthropic نیز تأییدی برای این نام‌ها دیده نمی‌شود.

پس فعلاً بهترین تعبیر این است:

اینکه Anthropic احتمالاً چندین Checkpoint جدید را هم‌زمان آزمایش می‌کند، اما اینکه کدام‌یک واقعاً با چه نامی منتشر خواهد شد هنوز مشخص نیست.

🔥 با این سرعت، رقابت مدل‌ها در نیمه دوم ۲۰۲۶ دارد عجیب‌تر می‌شود؛ هنوز یک مدل معرفی نشده، Leak مدل بعدی از راه می‌رسد! 😄


@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #کلود #انتروپیک #مدل_زبانی #مدل_هوش_مصنوعی #Claude #Anthropic #Opus51 #Sonnet51 #Marshmallow #Melon #LLM #AIAgents #AI

🏗️🕹️ کنترل بیل مکانیکی شبیه بازی ویدئویی می‌شود؛ دستت را حرکت بده، ماشین همان حرکت را انجام می‌دهد!

مهندسان MIT روی یک رابط کنترلی جالب برای ماشین‌آلات سنگین کار کرده‌اند که می‌تواند شیوه هدایت تجهیزاتی مثل بیل مکانیکی را بسیار طبیعی‌تر کند.

به‌جای اهرم‌ها و Joystickهای معمول، اپراتور با یک نمونه کوچک‌شده از بازو و باکت بیل مکانیکی کار می‌کند.

ایده ساده و جذاب است:

🖐️ حرکت دست اپراتور → 🕹️ حرکت کنترلر → 🧠 تبدیل حرکت به فرمان → 🏗️ حرکت بیل مکانیکی واقعی

اپراتور دست خود را داخل مکانیزم قرار می‌دهد و تقریباً همان حرکتی را انجام می‌دهد که انتظار دارد ماشین واقعی انجام دهد.

مثلاً اگر بخواهد خاک را بردارد، با دست خودش حرکت حفاری و جمع‌کردن باکت را اجرا می‌کند و سیستم این حرکت را به فرمان‌های ماشین تبدیل می‌کند.

🔥 چرا این ایده مهم است؟

کنترل یک Excavator واقعی ساده نیست. اپراتور باید حرکت چند مفصل هیدرولیکی را هم‌زمان با چند اهرم هماهنگ کند و برای رسیدن به مهارت بالا نیاز به تمرین زیادی دارد.

اما در این رابط، به‌جای اینکه انسان مجبور شود منطق ماشین را یاد بگیرد، تلاش شده ماشین حرکت طبیعی انسان را بفهمد.

این فناوری می‌تواند برای چند کاربرد بسیار جذاب باشد:

👷 آموزش سریع‌تر اپراتورهای جدید
🎮 ساخت Simulatorهای بسیار طبیعی‌تر
🎯 انجام عملیات دقیق‌تر
📡 کنترل از راه دور ماشین‌آلات
☢️ فعالیت در محیط‌های خطرناک

کاربرد آخر شاید از همه مهم‌تر باشد.

تصور کنید بیل مکانیکی در معدن، منطقه ریزش، محیط آلوده یا محل حادثه کار کند اما اپراتور کیلومترها دورتر در یک اتاق کنترل ایمن نشسته باشد.

اگر سیستم با دوربین‌های سه‌بعدی، سنسورها و بازخورد نیرو ترکیب شود، حتی می‌توان به سمت Teleoperation بسیار طبیعی حرکت کرد؛ جایی که اپراتور فقط تصویر محیط را نمی‌بیند، بلکه مقاومت باکت هنگام برخورد با زمین یا جسم را نیز احساس می‌کند.

💡 این مسیر در آینده می‌تواند با هوش مصنوعی هم ترکیب شود:

👤 انسان حرکت کلی را مشخص کند
🤖 وAI مسیر را اصلاح کند
🛑 سیستم ایمنی از برخورد جلوگیری کند
🏗️ ماشین حرکت نهایی را اجرا کند

در این حالت مرز میان Teleoperation و Autonomy کم‌کم محو می‌شود.

🔥 شاید آینده ماشین‌آلات سنگین این نباشد که همه اپراتورها حذف شوند؛ بلکه انسان پشت یک رابط بسیار طبیعی بنشیند و هوش مصنوعی اجرای دقیق و ایمن فرمان‌های او را بر عهده بگیرد.

کنترل یک ماشین چندتنی، با حرکتی شبیه بازی کردن! 🎮🏗️

@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#رباتیک #هوش_مصنوعی #بیل_مکانیکی #ماشین_آلات_سنگین #معدن #اتوماسیون #کنترل_از_راه_دور #MIT #Robotics #Excavator #Teleoperation #Haptics #HeavyMachinery #Automation #AI

🤯🔥 یک مدل مرموز در OpenRouter ظاهر شده؛ Ox Alpha از غول‌های کدنویسی جلو زده؟

مدلی ناشناس با نام Ox Alpha در OpenRouter ظاهر شده و به‌سرعت توجه جامعه هوش مصنوعی را به خود جلب کرده است.

دلیلش فقط ناشناس‌بودن سازنده نیست؛ نتایج اولیه منتشرشده ادعا می‌کنند این مدل در برخی ارزیابی‌های Coding و Software Engineering عملکردی بالاتر از مدل‌های قدرتمندی مانند GPT-5.6 Sol و Claude Fable 5 دارد.

اما فعلاً یک سؤال بزرگ بدون پاسخ مانده است:

چه شرکتی Ox Alpha را ساخته؟ 👀

اطلاعاتی که درباره مدل منتشر شده جالب است:

🧠 پنجره Context حدود ۱ میلیون توکن
🖼️ قابلیت‌های چندوجهی
💻 تمرکز قدرتمند روی Coding
🥷 انتشار به‌صورت Stealth بدون اعلام سازنده

همین ناشناس‌بودن باعث شده حدس‌وگمان‌ها شروع شود.

برخی کاربران احتمال داده‌اند پای Google در میان باشد؛ اما یک سرنخ فنی، نگاه‌ها را بیشتر به سمت چین برده است.

🔍 گزارش شده Tokenizer مدل شباهت بسیار زیادی به خانواده GLM دارد.

به همین دلیل، یکی از گمانه‌زنی‌های جدی این است که Ox Alpha ممکن است مدلی آزمایشی از Z.ai، سازنده خانواده GLM، باشد.

این فرضیه زمانی جذاب‌تر می‌شود که بدانیم چند مدل Stealth قبلی که به‌صورت ناشناس برای آزمایش عمومی ظاهر شده بودند، در نهایت متعلق به آزمایشگاه‌های چینی از آب درآمدند.

⚠️ البته هیچ‌کدام از این موارد اثبات نمی‌کند که Ox Alpha متعلق به Z.ai یا Google است.

شباهت Tokenizer یک سرنخ است، نه مدرک شناسایی سازنده.

🔥 اما بخش جذاب‌تر ماجرا Benchmarkها هستند.

اگر نتایج اولیه روی Coding در ارزیابی‌های مستقل و گسترده‌تر تکرار شوند، Ox Alpha می‌تواند نشان دهد که فاصله میان Frontier Modelهای شناخته‌شده و مدل‌هایی که خارج از چند آزمایشگاه بزرگ آمریکایی توسعه پیدا می‌کنند، چقدر سریع در حال کاهش است.

این اتفاق یک نکته دیگر هم دارد:

دیگر برای ایجاد هیجان در جامعه AI حتی لازم نیست اسم مدل را بگویید! 😂

یک مدل ناشناس را روی OpenRouter قرار دهید، اجازه دهید توسعه‌دهندگان Benchmark بگیرند و اینترنت خودش شروع می‌کند به مهندسی معکوس:

اما Tokenizer کیست؟ معماری شبیه چیست؟ چه سؤالاتی را رد می‌کند؟ سبک Coding آن شبیه کدام مدل است؟

و در نهایت همه تبدیل به کارآگاه هوش مصنوعی می‌شوند. 🕵️‍♂️🤖

فعلاً Ox Alpha را بهتر است یک مدل Stealth بسیار امیدوارکننده بدانیم، نه قاتل قطعی GPT یا Claude.

اما اگر سازنده آن واقعاً یک آزمایشگاه چینی باشد، یک پیام مهم دیگر برای بازار دارد:

رقابت Frontier AI در ۲۰۲۶ دیگر یک مسابقه دو یا سه‌نفره نیست. 🔥


@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #مدل_زبانی #کدنویسی #عامل_هوشمند #مدل_چندوجهی #OxAlpha #OpenRouter #GPT56 #Claude #GLM #ZAI #CodingAI #LLM #AI

Children’s picture book character sheet of an anthropomorphic [character] named “[name]”, French picture book style, watercolor, colored pencil, light cream background, full-body portrait, front, side, back views, five facial expressions, four action poses, French labels, color palette, clothing, accessories, expressive character design, hand-painted look --ar 3:2 --v 8.2

🤖🔥 اتفاق بزرگ ۲۰۲۶: حالا «Agentها» بیشتر از انسان‌ها هوش مصنوعی مصرف می‌کنند!

یک نمودار جدید بر اساس داده‌های OpenRouter شاید یکی از مهم‌ترین تغییرات امسال در صنعت AI را نشان دهد:

دیگر انسان‌ها بزرگ‌ترین مصرف‌کنندگان توکن نیستند؛ Agentهای هوش مصنوعی هستند.

طبق داده‌های OpenRouter، حوالی ابتدای فوریه ۲۰۲۶ مصرف توکن مربوط به Agentها از مصرف مستقیم انسانی عبور کرد. OpenRouter این ترافیک را با ترکیبی از نشانه‌هایی مثل تعداد Tool Callها، تعداد Turnها و الگوی زمانی درخواست‌ها به سه گروه Agentic، Human و Mixed طبقه‌بندی می‌کند.

📈 اما چیزی که بعد از آن اتفاق افتاده بسیار عجیب‌تر است.

مصرف Agentic از حدود ۰.۵۱ تریلیون توکن در فوریه به حدود ۷.۳ تریلیون توکن رسیده است.

یعنی فقط در حدود شش ماه:

🚀 رشد تقریباً ۱۴ برابری

درحالی‌که مصرف انسانی در همان دوره حدود ۲.۸ برابر رشد کرده است.

🔥 چرا یک Agent این‌همه توکن مصرف می‌کند؟

چون انسان معمولاً چنین کاری انجام می‌دهد:

👤 سؤال → 🤖 پاسخ

اما یک Agent برای انجام فقط یک مأموریت ممکن است وارد چنین چرخه‌ای شود:

🎯 هدف → 🧠 برنامه‌ریزی → 🔧 Tool Call → 📄 خواندن نتیجه → 🧠 استدلال → 🔎 جستجوی بیشتر → 💻 اجرای کد → ❌ تشخیص خطا → 🔄 اصلاح → ✅ نتیجه

بنابراین یک درخواست کاربر ممکن است پشت صحنه باعث ده‌ها یا حتی صدها تعامل مدل با مدل و ابزارها شود.

اینکه OpenRouter نیز گزارش کرده که یک درخواست Agentic به‌طور متوسط حدود ۱۵ برابر یک درخواست انسانی توکن مصرف می‌کند.

🤯 یک نکته بسیار مهم دیگر هم در این داده‌ها وجود دارد:

بیش از ۸۵٪ مصرف توکن Agentها مربوط به Cached Prompt گزارش شده است.

این موضوع منطقی است؛ Agent دائماً Context، تاریخچه، System Prompt، Tool definitions و نتایج قبلی را همراه خودش حمل می‌کند.

بنابراین افزایش ۱۴ برابری تعداد توکن‌ها الزاماً به معنی ۱۴ برابرشدن هزینه محاسباتی یا صورتحساب نیست؛ Prompt Caching بخش مهمی از اقتصاد Agentها خواهد بود.

💡 این نمودار شاید تغییر بنیادی بازار AI را بهتر از بسیاری از Benchmarkها نشان دهد.

سال ۲۰۲۵ را می‌توان تا حد زیادی سال گسترش:

🧠 Reasoning Models

دانست.

اما ۲۰۲۶ با سرعت در حال تبدیل‌شدن به سال:

🤖 AI Agents

است.

حتی OpenRouter در گزارش بزرگ خود با a16z، پس از تحلیل بیش از ۱۰۰ تریلیون توکن واقعی، Agentic Inference را یکی از سریع‌ترین تغییرات در نحوه استفاده از مدل‌های زبانی معرفی کرده بود.

🔥 و این تغییر پیامد بسیار بزرگی دارد:

تا امروز بیشتر زیرساخت AI برای انسان‌هایی ساخته شده بود که با مدل صحبت می‌کنند.

اما نسل بعدی زیرساخت باید برای نرم‌افزارهایی ساخته شود که شبانه‌روز با مدل‌های دیگر صحبت می‌کنند.

یعنی آینده ممکن است بیشتر شبیه این باشد:

👤 یک انسان → 🤖 یک Agent → 🤖🤖 ده‌ها Sub-Agent → 🔧 صدها Tool Call → 🧠 میلیاردها توکن

و شاید بزرگ‌ترین مشتری آینده مدل‌های هوش مصنوعی، دیگر انسان نباشد.

خودِ هوش مصنوعی باشد. 🤯

[داده‌ها و گزارش‌های OpenRouter]
(https://openrouter.ai/data

@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #عامل_هوشمند #مدل_زبانی #اتوماسیون #زیرساخت_هوش_مصنوعی #AI #AIAgents #AgenticAI #OpenRouter #LLM #Tokens #Inference #Automation #AgenticInference

🤖🧠 رباتی که هنگام انجام کار، اشتباه خودش را تشخیص می‌دهد و راه نجات جدید یاد می‌گیرد؛ Zetta معرفی شد

یکی از مشکلات مهم ربات‌های مبتنی بر هوش مصنوعی این است که بسیاری از آن‌ها بعد از شروع یک مأموریت، طبق Policy خود جلو می‌روند و اگر در میانه کار اتفاق غیرمنتظره‌ای رخ دهد، توانایی اصلاح سریع رفتارشان محدود است.

پژوهش جدید Zetta ζ از پژوهشگران مؤسسه AIR دانشگاه Tsinghua و Z-Trans AI، رویکرد متفاوتی پیشنهاد می‌کند:

به‌جای اینکه فقط مغز اصلی ربات را بزرگ‌تر یا دوباره آموزش دهیم، یک لایه هوشمند و خودتکامل‌یاب روی آن قرار دهیم که دائماً عملکرد ربات را کنترل کند.

🔥 نکته مهم این است که مدل پایه ربات Frozen باقی می‌ماند.

اینکه Zetta به‌جای تغییر دائمی وزن‌های مدل اصلی، دو جزء را تکامل می‌دهد:

👀و Runtime Critic برای تشخیص خطا هنگام اجرا

🛠️و Recovery Skill برای نجات ربات وقتی مشکلی رخ می‌دهد.

مثلاً تصور کنید ربات می‌خواهد یک بطری را بردارد اما بطری از دستش می‌افتد.

در سیستم‌های ساده‌تر ممکن است مأموریت شکست بخورد؛ اما Zetta می‌تواند تشخیص دهد:

و «Grasp از دست رفته است.»

سپس Recovery مناسب را فعال کند، موقعیت گرفتن را دوباره محاسبه کند و بعد کنترل را به Policy اصلی برگرداند. پروژه دقیقاً نمونه‌ای از تشخیص ازدست‌رفتن Grasp، ساخت Pose جدید و ادامه مأموریت را نمایش می‌دهد.

🧠 معماری Zetta در سه مقیاس زمانی کار می‌کند.

در سریع‌ترین حلقه، Critic تقریباً همگام با Actionها رفتار ربات را بررسی و در صورت لزوم مداخله می‌کند.

بعد از Rollout، سیستم شکست‌ها را عمیق‌تر تحلیل می‌کند و Critic یا Recovery Skill جدید پیشنهاد می‌دهد.

اما هر چیزی که AI تولید کرد مستقیماً وارد ربات نمی‌شود؛ در حلقه سوم، Skill جدید باید روی داده‌های جداگانه Validation شود و فقط در صورت موفقیت به Harness اضافه می‌شود.

این یعنی چرخه‌ای شبیه:

🤖 اجرا → ❌ شکست → 🔍 تشخیص علت → 🛠️ ساخت راه‌حل → 🧪 آزمایش → ✅ ذخیره Skill → 🤖 اجرای بهتر بعدی

🔥 نتایج Benchmarkها هم قابل‌توجه‌اند.

در آزمایش‌های گزارش‌شده، Zetta به میانگین موفقیت ۹۰.۸٪ در LIBERO-Pro Goal و ۹۳.۶٪ در RoboCasa رسیده است. همچنین پژوهشگران ۱۱.۱ برابر افزایش سرعت Inference و در زیرساخت Z-Infra تا ۲۰.۶ برابر افزایش Throughput مربوط به Rollout معتبر گزارش کرده‌اند.

جالب‌تر اینکه Recovery Skillهای آموخته‌شده می‌توانند در برخی وظایف جدید به‌صورت Zero-shot منتقل شوند؛ یعنی چیزی که ربات هنگام حل یک مشکل یاد گرفته، ممکن است بعداً در مأموریتی دیگر هم به دردش بخورد.

پژوهشگران حتی از پدیده‌ای با عنوان:

💡 Robotic “Aha Moments”

صحبت می‌کنند؛ لحظاتی که سیستم پس از چندین تجربه، یک گلوگاه فیزیکی مشخص را کشف می‌کند و با ایجاد یک Recovery مناسب، ناگهان نرخ موفقیت مأموریت افزایش پیدا می‌کند.

💡 ایده Zetta از یک جهت بسیار مهم است:

شاید برای ساخت ربات‌های واقعاً قابل‌اعتماد، همیشه لازم نباشد مدل VLA بزرگ‌تر و بزرگ‌تر شود.

گاهی بهتر است یک سیستم سریع‌تر بالای سر آن قرار بگیرد که بگوید:

«صبر کن؛ کاری که الان انجام دادی اشتباه بود. این راه را امتحان کن.»

و اگر راه جدید جواب داد، آن را برای دفعات بعد نگه دارد.

این یعنی حرکت از رباتی که صرفاً Policy اجرا می‌کند به سمت رباتی که در حین تعامل با جهان، شکست‌هایش را تشخیص می‌دهد، Recovery می‌سازد و Harness خودش را تکامل می‌دهد. 🤖🧬

[مقاله Zetta در arXiv]
(https://arxiv.org/abs/2608.16590
[صفحه رسمی پروژه Zetta]
(https://air-embodied-brain.github.io/zetta
[کد Zetta در GitHub]
https://github.com/air-embodied-brain/Zetta-Embodiment

@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #رباتیک #هوش_فیزیکی #عامل_هوشمند #یادگیری_ربات #Zetta #EmbodiedAI #PhysicalAI #Robotics #VLA #RobotLearning #ClosedLoop #SelfEvolvingAI #AI

🇨🇳🔥 فاصله مدل‌های هوش مصنوعی چین و آمریکا به‌شدت کم شده است

نمودار جدید منتشرشده توسط بلومبرگ تصویر جالبی از رقابت هوش مصنوعی چین و آمریکا نشان می‌دهد؛ نقاط آبی مدل‌های آمریکایی و نقاط نارنجی مدل‌های چینی هستند.

چیزی که در نگاه اول مشخص است، سرعت عجیب نزدیک‌شدن دو خط به یکدیگر طی سه سال گذشته است.

در سال‌های ۲۰۲۳ و ۲۰۲۴، فاصله مدل‌های Frontier آمریکایی با بهترین مدل‌های چینی کاملاً محسوس بود؛ اما در ۲۰۲۶ این فاصله در برخی ارزیابی‌ها به چند امتیاز رسیده است.

🔥 یکی از مهم‌ترین نمونه‌ها Kimi K3 از Moonshot AI است.

در نسخه فعلی Artificial Analysis Intelligence Index، مدل Kimi K3 در حالت Max امتیاز ۶۰ گرفته است. این شاخص از ۹ ارزیابی مختلف شامل Coding، استدلال علمی، کارهای Agentic و توانایی‌های عمومی تشکیل شده است.

حتی در مقایسه مستقیم، Kimi K3 با امتیاز ۶۰ بالاتر از GPT-5.5 با امتیاز ۵۶ قرار گرفته و در عین حال هزینه متوسط هر میلیون توکن آن در محاسبات Artificial Analysis پایین‌تر گزارش شده است.

📈 نکته مهم‌تر، روند تغییرات است.

در گزارشی که Artificial Analysis پس از موج مدل‌های Frontier تابستان منتشر کرد، شش آزمایشگاه مختلف توانسته بودند مدلی با امتیاز بالاتر از ۵۰ داشته باشند؛ درحالی‌که اوایل ژوئن فقط دو آزمایشگاه به این سطح رسیده بودند.

یعنی Frontier دیگر در اختیار یک یا دو شرکت نیست.

🇺🇸 آمریکا همچنان مدل‌های بسیار قدرتمندی از OpenAI و Anthropic دارد.

اما چین حالا با خانواده‌هایی مانند:

Kimi → GLM → Qwen → DeepSeek

با سرعت زیادی به مرز توانایی مدل‌های آمریکایی رسیده است.

💰 تازه این نمودار یک متغیر بسیار مهم را هم نشان نمی‌دهد:

قیمت!

رقابت واقعی فقط این نیست که کدام مدل در Benchmark دو امتیاز بیشتر می‌گیرد؛ سؤال مهم‌تر برای توسعه‌دهندگان این است:

«برای رسیدن به این سطح از هوش، چقدر باید پول پرداخت کنم؟»

و این دقیقاً همان بخشی است که می‌تواند مدل‌های چینی را به رقیبی جدی‌تر تبدیل کند.

⚠️ البته از یک نمودار Composite نمی‌توان نتیجه گرفت که مدل‌های چینی در همه وظایف به مدل‌های آمریکایی رسیده‌اند. Coding، Agentic Work، Multimodal، سرعت، Reliability و Long Context می‌توانند رتبه‌بندی‌های متفاوتی داشته باشند.

اما یک نتیجه دیگر سخت‌تر قابل انکار است:

تصویر قدیمیِ «مدل‌های چینی همیشه چند نسل عقب‌ترند» دیگر توصیف دقیقی از وضعیت ۲۰۲۶ نیست.

🔥 شاید رقابت بعدی دیگر فقط:

شرکت OpenAI در برابر Anthropic

نباشد؛ بلکه رقابت واقعی Frontier AI میان چندین آزمایشگاه آمریکایی و چینی به‌طور هم‌زمان شکل بگیرد.

و اگر قیمت + مدل‌های Open Weight + سرعت پیشرفت را هم وارد معادله کنیم، رقابت حتی جذاب‌تر می‌شود. 👀

@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #چین #آمریکا #مدل_زبانی #کیمی #دیپ_سیک #کیوون #هوش_مصنوعی_چین #KimiK3 #MoonshotAI #DeepSeek #Qwen #GLM #OpenAI #Anthropic #LLM #AI

? چرا وقتی به هوش مصنوعی دقیق می‌گویید «کجای جوابت بد بود»، پاسخ بعدی بهتر می‌شود؟

پشت بسیاری از پاسخ‌های خوب مدل‌هایی مثل ChatGPT و Claude، حجم بزرگی از بازخورد و ارزیابی انسانی قرار دارد.

در فرایندهای پس‌آموزش، ارزیاب‌ها نمونه‌های مختلف پاسخ را بررسی می‌کنند:

👤 کدام پاسخ بهتر است؟
❌ کدام پاسخ اشتباه یا نامرتبط است؟
📝 چه چیزی در پاسخ باید اصلاح شود؟
⭐ یک پاسخ واقعاً خوب چه ویژگی‌هایی دارد؟

این ترجیحات و ارزیابی‌ها سپس می‌توانند برای آموزش مدل‌های پاداش، روش‌های مبتنی بر ترجیحات و Reinforcement Learning مورد استفاده قرار گیرند.

🔥 اما نکته کاربردی این است که می‌توانید ایده مشابهی را در مکالمه روزمره خودتان هم استفاده کنید.

اگر پاسخ AI خوب نبود، فقط نگویید:

«دوباره بنویس.»

بهتر است دقیقاً نقش یک ارزیاب را بازی کنید.

مثلاً بگویید:

«این جواب ۵ از ۱۰ است؛ بیش از حد کلی است، مثال عملی ندارد و بخش فنی آن سطحی است. نسخه بعدی را تخصصی‌تر کن، یک مثال واقعی اضافه کن و تفاوت دو روش را در جدول نشان بده.»

یا:

«این بخش خوب بود، اما نتیجه‌گیری اشتباه است. این سه نکته را حفظ کن و فقط استدلال بخش آخر را اصلاح کن.»

💡 تفاوت بسیار زیاد است.

در حالت اول مدل فقط می‌فهمد:

«کاربر جواب دیگری می‌خواهد.»

اما در حالت دوم اطلاعات بسیار بیشتری دریافت می‌کند:

❌ چه چیزی بد بود
✅ چه چیزی خوب بود
🎯 چه چیزی باید تغییر کند
📐 پاسخ مطلوب چه شکلی است

در همان گفت‌وگو، مدل می‌تواند این Feedback را به‌عنوان Context استفاده کند و نسخه بعدی را دقیق‌تر با خواسته شما تطبیق دهد.

⚠️ البته یک تفاوت فنی مهم وجود دارد:

وقتی در یک Chat به مدل Feedback می‌دهید، معمولاً وزن‌های خود مدل همان لحظه دوباره آموزش داده نمی‌شوند.

مدل صرفاً بازخورد شما را در Context مکالمه می‌بیند و پاسخ بعدی را براساس آن اصلاح می‌کند.

بنابراین:

و Training → مدل را در سطح بنیادی تغییر می‌دهد.

و Feedback داخل Chat → رفتار پاسخ بعدی را در همان Context هدایت می‌کند.

🔥 یک تکنیک ساده اما بسیار مؤثر برای کار حرفه‌ای با AI این است:

پاسخ اول را خروجی نهایی در نظر نگیرید؛ آن را Draft شماره ۱ بدانید.

سپس مثل یک Reviewer خوب، دقیقاً مشخص کنید چه چیزی باید حفظ، حذف یا اصلاح شود.

هرچه Feedback شما مشخص‌تر باشد، احتمال اینکه پاسخ بعدی دقیقاً همان چیزی شود که می‌خواهید بیشتر است.

با هوش مصنوعی فقط Prompt ننویسید؛ خروجی‌اش را هم داوری کنید. 🧠🎯

@rss_ai_ir
❤️ حمایت از کانال:
https://daramet.com/Virsun

#هوش_مصنوعی #پرامپت #چت_جی_پی_تی #کلود #یادگیری_تقویتی #مدل_زبانی #PromptEngineering #ChatGPT #Claude #RLHF #LLM #AI #GenerativeAI

Hand-sketched character design exploration sheet of an anthropomorphic [subject], head silhouette and geometric muzzle construction only, multiple shape variations, loose pencil strokes, rough construction lines, overlapping sketch marks, visible graphite texture, simplified forehead, cheeks, jaw, chin, muzzle block, unfinished concept sketch aesthetic, no facial features, no ears, no neck, no body, no accessories, no fur details, white background --ar 3:2