پژوهش
هوش مصنوعی MiniMax M2: چالش همراستا سازی برنچمارک با کاربرد واقعی
مدلهای LLM در استفادههای واقعی هنوز فاصلهای با نتایج برنچمارک دارند. MiniMax M2 با رویکردی نوآورانه به همراستا سازی مدلها نزدیکتر میشود به طور عملی.
محصولات
Swift Transformers 1.0: تحولی نو برای توسعهدهندگان هوش مصنوعی Apple
در سپتامبر 2025، Swift Transformers نسخهٔ 1.0 خود را معرفی کرد؛ امکاناتی برای توسعهدهندگان Apple و گسترش LLMهای محلی، تمرکز بر MLX و سکوهای کارآمد اجنسی.
محصولات
SyGra: چارچوب یکپارچه برای ساخت داده هوش مصنوعی مدلهای LLM و SLM
SyGra چارچوب کاملی برای تولید و مدیریت دادههای LLM و SLM است، با ابزارهای اکتشاف داده، تولید دیالوگ و ایجاد سوال‑پاسخ، به سازمانها امکان میدهد مدلهای هوش مصنوعی خود را بهتر آموزش دهند.
اخبار
Fine-Tune مدلهای HF با Together: مسیر ساده برای بهروزرسانی هوش مصنوعی
Together AI و Hugging Face همفکری کردند تا امکان Fine‑Tune کردن هر مدل LLM در Hub را با زیرساختی آسان، سریع و مقرون بهصرفه فراهم کنند. راهنمای گامبهگام برای شروع در ۵ دقیقه.
پژوهش
هوش مصنوعی در نوشتنوتبوک: آموزش Jupyter Agents برای اجرای برنامهنویسی
Jupyter Agents مجموعۀ جدیدی از ابزارهای هوش مصنوعی است که با آموزش مدلهای LLM توانایی اجرای کد در نوتبوکهای Jupyter را دارد، امکان تحلیل دادههای پیچیده را به شیوهای تعاملی فراهم میکند.
پژوهش
هوش مصنوعی در زبان فیلیپین: بررسی جدید FilBench و چالشهای ترجمه
تحقیق FilBench ثابت کرده که مدلهای زبانی منطقهای هنوز از GPT‑4 عقبتر هستند. ترجمه فیلیپین دشوار است، ولی جمعآوری دادهها جهت آموزش مدلهای تازهساز امیدوارکنندهاست.
پژوهش
هوش مصنوعی در بازیهای ویدئویی متنی: عملکرد LLMs و چالشها
این مقاله به بررسی توانایی مدلهای زبان بزرگ در بازیهای متنی میپردازد، روشهای ارزیابی، چالشهای فنی و راهکارهای بهبود را بررسی میکند.
پژوهش
هوش مصنوعی NVIDIA با AI‑Q برتر در لیست DeepResearch Bench
NVIDIA با مدلی ترکیبی مبتنی بر Llama 3.3-70B و Nemotron 49B، در لیست LLM با جستوجو برتر قرار گرفت، نشاندهنده قدرت مدلهای متنباز در کارهای عاملگری پیچیده است.
پژوهش
برندمارک 3LM: استاندارد نوین هوش مصنوعی عربی در STEM و برنامهنویسی
برندمارک ۳LM، استانداردی جدید برای ارزیابی مدلهای زبانی عربی در حوزههای علمی‑فناوری و برنامهنویسی، با تمرکز بر مسائل تخصصی و کد. در این مقاله به جزئیات روش، مجموعه دادهها و نتایج کلیدی میپردازیم.