چطور میتوان با APIهای رایگان به بالاترین سطح کدنویسی رسید و مسائل المپیاد کامپیوتر را حل کرد؟
https://github.com/amirhoseinnaderali-pixel/Reasoning-Is-All-You-Need
#المپیاد #منابع
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
https://github.com/amirhoseinnaderali-pixel/Reasoning-Is-All-You-Need
#المپیاد #منابع
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
GitHub
GitHub - amirhoseinnaderali-pixel/Reasoning-Is-All-You-Need: How to turn every API request into a spark of intelligence :))))))
How to turn every API request into a spark of intelligence :)))))) - amirhoseinnaderali-pixel/Reasoning-Is-All-You-Need
❤9👍1🔥1👌1
This media is not supported in your browser
VIEW IN TELEGRAM
Ready to revolutionize healthcare imaging with AI? 🩺 MONAI is your open-source toolkit for deep learning in medical imaging!
It's a PyTorch-based framework that provides developers and researchers with the tools to create and evaluate deep learning models for healthcare.
Here's what it offers:
✅ Flexible pre-processing for multi-dimensional medical imaging data.
✅ Compositional & portable APIs for easy integration.
✅ Domain-specific implementations for networks, losses, and evaluation metrics.
✅ Customizable design for varying user expertise.
✅ Multi-GPU multi-node data parallelism support.
To get started, simply
Whether you're a researcher, a data scientist, or a developer in the healthcare space, MONAI is for you.
https://github.com/Project-MONAI/MONAI
#مقاله #ایده_جذاب #پزشکی #علوم_پزشکی #پردازش_زبان_طبیعی #مدلهای_استدلالی #مدلهای_زبانی_بزرگ
💢 مطالب بیشتر ⬇️ ⬇️
🎙 @AI_DeepMind
🎙 @AI_Person
It's a PyTorch-based framework that provides developers and researchers with the tools to create and evaluate deep learning models for healthcare.
Here's what it offers:
✅ Flexible pre-processing for multi-dimensional medical imaging data.
✅ Compositional & portable APIs for easy integration.
✅ Domain-specific implementations for networks, losses, and evaluation metrics.
✅ Customizable design for varying user expertise.
✅ Multi-GPU multi-node data parallelism support.
To get started, simply
pip install monai!Whether you're a researcher, a data scientist, or a developer in the healthcare space, MONAI is for you.
https://github.com/Project-MONAI/MONAI
#مقاله #ایده_جذاب #پزشکی #علوم_پزشکی #پردازش_زبان_طبیعی #مدلهای_استدلالی #مدلهای_زبانی_بزرگ
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5
Introducing Grok 4.1, a frontier model that sets a new standard for conversational intelligence, emotional understanding, and real-world helpfulness.
👍2❤1🔥1
نتایج خیره کننده مدل گراک 4.1
🚨Text Leaderboard Update
@xAI
’s Grok 4.1 (thinking) and Grok 4.1 have scaled new heights in the most competitive Text Arena:
🔹Grok 4.1 (thinking) lands at #1 with a score of 1483
🔹Grok 4.1 follows at #2 with a score of 1465
On the Arena Expert leaderboard:
🔸Grok 4.1 (thinking) also ranks at #1 with a score of 1510
🔸Grok 4.1 ranks at #19 with score of 1437
This is a 40+ point improvement since Grok 4 fast, which landed in the Arena just two months prior.
https://pbs.twimg.com/media/G5_JK5paIAAl_wp?format=jpg&name=large
🚨Text Leaderboard Update
@xAI
’s Grok 4.1 (thinking) and Grok 4.1 have scaled new heights in the most competitive Text Arena:
🔹Grok 4.1 (thinking) lands at #1 with a score of 1483
🔹Grok 4.1 follows at #2 with a score of 1465
On the Arena Expert leaderboard:
🔸Grok 4.1 (thinking) also ranks at #1 with a score of 1510
🔸Grok 4.1 ranks at #19 with score of 1437
This is a 40+ point improvement since Grok 4 fast, which landed in the Arena just two months prior.
https://pbs.twimg.com/media/G5_JK5paIAAl_wp?format=jpg&name=large
👍5❤3🔥1
چرا در مدلهای نیاز به بیز داریم ؟ چرا باید
Role of Bias Terms in Dot-Product Attention
https://arxiv.org/abs/2302.08626
Role of Bias Terms in Dot-Product Attention
https://arxiv.org/abs/2302.08626
arXiv.org
Role of Bias Terms in Dot-Product Attention
Dot-product attention is a core module in the present generation of neural network models, particularly transformers, and is being leveraged across numerous areas such as natural language...
❤4
به بهانه روز جهانی مرد یاد کنیم از دوستایی که افتخار رفاقت باهاشون دارم روزتون مبارک❤️🌻
یک روز آخرین کسى که مرا به یاد میآورد، خواهد مُرد و خاطره ى من برای همیشه فراموش خواهد شد.
نقلقول از یالوم است. در منابع انگلیسی به شکلی دیگر و البته شاید بهتر آمده:
"یک روز [بعد از مرگم]، شاید چهل سال بعد، شاید کسی زنده نباشد که مرا بشناسد. آن وقت من حقیقتا میمیرم. وقتی در حافظهی هیچکس وجود ندارم. اغلب به این فکر میکنم که چگونه یک فرد خیلی پیر، آخرين انسان زندهای است که فرد یا دستهای از آدمها را بیاد میآورد. زمانی که او بمیرد کل آن دسته (خوشه) محو خواهد شد. آن شخص برای من چه کسی خواهد بود؟ با مرگ چه کسی من حقیقتا خواهم مرد؟"
به امید روزی که آگاهی بیشتر شود.
یک روز آخرین کسى که مرا به یاد میآورد، خواهد مُرد و خاطره ى من برای همیشه فراموش خواهد شد.
نقلقول از یالوم است. در منابع انگلیسی به شکلی دیگر و البته شاید بهتر آمده:
"یک روز [بعد از مرگم]، شاید چهل سال بعد، شاید کسی زنده نباشد که مرا بشناسد. آن وقت من حقیقتا میمیرم. وقتی در حافظهی هیچکس وجود ندارم. اغلب به این فکر میکنم که چگونه یک فرد خیلی پیر، آخرين انسان زندهای است که فرد یا دستهای از آدمها را بیاد میآورد. زمانی که او بمیرد کل آن دسته (خوشه) محو خواهد شد. آن شخص برای من چه کسی خواهد بود؟ با مرگ چه کسی من حقیقتا خواهم مرد؟"
به امید روزی که آگاهی بیشتر شود.
❤36🕊2🆒1
اندرو کارپثی گفته بود:
Can you take my 2h13m tokenizer video and translate [into] a book chapter.
We've done it! It includes prose, code & key images. It's a great way to learn this key piece of how LLMs work.
https://www.fast.ai/posts/2025-10-16-karpathy-tokenizers
https://solve.it
Can you take my 2h13m tokenizer video and translate [into] a book chapter.
We've done it! It includes prose, code & key images. It's a great way to learn this key piece of how LLMs work.
https://www.fast.ai/posts/2025-10-16-karpathy-tokenizers
https://solve.it
fast.ai
Let’s Build the GPT Tokenizer: A Complete Guide to Tokenization in LLMs – fast.ai
A text and code version of Karpathy’s famous tokenizer video.
❤5
Forwarded from Ali's Notes
Please open Telegram to view this post
VIEW IN TELEGRAM
adversarial-ml-tutorial.org
Adversarial Robustness - Theory and Practice
This web page contains materials to accompany the NeurIPS 2018 tutorial, "Adversarial Robustness: Theory and Practice", by Zico Kolter and Aleksander Madry. The notes are in **very early draft form**, and we will be updating them (organizing material more…
❤2🔥1
هفته کتاب و کتابخوانی به کتاب خوان های کانال تبریک میگم
یک کتاب به من هدیه بدید
یک کتاب به من هدیه بدید
❤24
This media is not supported in your browser
VIEW IN TELEGRAM
تعریف KNN در یادگیری ماشین چیه؟!
#الگوریتمها #یادگیری_ماشین #lمنابع
💢 مطالب بیشتر ⬇️ ⬇️
🎙 @AI_DeepMind
🎙 @AI_Person
#الگوریتمها #یادگیری_ماشین #lمنابع
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤4👍2👌1
این مقاله یه چارچوب جدید مدل های زبانی خود بازگشتی پیوسته (CALM) رو ارائه میده که با تغییر از پیشبینی گسسته توکن به پیشبینی بردارهای پیوسته، کارایی مدلهای زبانی بزرگ رو بهتر میکنه. تو رویکرد عادی، مدلها یکی یکی و با پیشبینی هر توکن عمل میکنن که فرایندی کند و محاسباتی سنگین داره. CALM با فشردهسازی هر K توکن (مثلا ۴ کلمه) به یه بردار پیوسته، تعداد مراحل تولید رو K برابر کمتر میکنه و هزینه محاسباتی رو به شدت میاره پایین.
برای این کار، اول یه Autoencoder قوی و مقاوم آموزش داده میشه که بتونه با دقت بالایی توکن هارو از روی بردار بازسازی بکنه. این اتو انکودر با تکنیکهایی مثل dropout و جلوگیری از فروپاشی پسین یا همون Posterior Collapse ، یه فضای مخفی منظم و مقاوم درس میکنه که برای مدلسازی تولیدی مناسبه. بعد مدل زبانی به جای پیشبینی توکن، بردار بعدی را پیشبینی میکنه اما چون دیگه احتمال صریح وجود نداره، یه چارچوب «Likelihood-Free Framework » توسعه داده میشه.
تو این چارچوب، از تابع خطای انرژی برای آموزش مدل استفاده میشه که فقط به نمونه برداری نیاز داره و مستقل از توزیع احتماله. برای ارزیابی مدل ها، معیار جدید BrierLM معرفی میشه که مبتنی بر امتیاز بریره و بدون نیاز به محاسبه احتمال، کیفیت مدلو ارزیابی میکنه. این معیار با معیار سنتی Perplexity همخوانی بالایی داره و برای مقایسه درست بین مدلهای مختلف مناسبه. همچنین، یه الگوریتم جدید برای نمونهبرداری با دما (temperature sampling) ارایه میشه که میتونه بدون دسترسی به احتمالات، دقیقا همون رفتار کنترل شده رو تولید رو شبیهسازی بکنه.
آزمایش ها نشون میده که CALM با K=4 عملکرد خیلی نزدیک به مدلهای پایه بزرگ داره، اما (((با هزینه محاسباتی خیلی کمتر))). این پیپر نشون میده که افزایش «ظرفیت معنایی» هر مرحله تولید، یه راهکار قدرتمند برای بهبود کارایی مدلهای زبانیه و مسیر جدیدی رو برای توسعه مدل های کارامد باز میکنه.
🔔 Continuous Autoregressive Language Models
🫂 Project
#یادگیری_عمیق #یادگیری_ماشین #مقاله
🔹 مطالب بیشتر 👇 👇
✅ @AI_DeepMind
✅ @AI_Person
برای این کار، اول یه Autoencoder قوی و مقاوم آموزش داده میشه که بتونه با دقت بالایی توکن هارو از روی بردار بازسازی بکنه. این اتو انکودر با تکنیکهایی مثل dropout و جلوگیری از فروپاشی پسین یا همون Posterior Collapse ، یه فضای مخفی منظم و مقاوم درس میکنه که برای مدلسازی تولیدی مناسبه. بعد مدل زبانی به جای پیشبینی توکن، بردار بعدی را پیشبینی میکنه اما چون دیگه احتمال صریح وجود نداره، یه چارچوب «Likelihood-Free Framework » توسعه داده میشه.
تو این چارچوب، از تابع خطای انرژی برای آموزش مدل استفاده میشه که فقط به نمونه برداری نیاز داره و مستقل از توزیع احتماله. برای ارزیابی مدل ها، معیار جدید BrierLM معرفی میشه که مبتنی بر امتیاز بریره و بدون نیاز به محاسبه احتمال، کیفیت مدلو ارزیابی میکنه. این معیار با معیار سنتی Perplexity همخوانی بالایی داره و برای مقایسه درست بین مدلهای مختلف مناسبه. همچنین، یه الگوریتم جدید برای نمونهبرداری با دما (temperature sampling) ارایه میشه که میتونه بدون دسترسی به احتمالات، دقیقا همون رفتار کنترل شده رو تولید رو شبیهسازی بکنه.
آزمایش ها نشون میده که CALM با K=4 عملکرد خیلی نزدیک به مدلهای پایه بزرگ داره، اما (((با هزینه محاسباتی خیلی کمتر))). این پیپر نشون میده که افزایش «ظرفیت معنایی» هر مرحله تولید، یه راهکار قدرتمند برای بهبود کارایی مدلهای زبانیه و مسیر جدیدی رو برای توسعه مدل های کارامد باز میکنه.
#یادگیری_عمیق #یادگیری_ماشین #مقاله
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤5👍2
Forwarded from F14 News
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍2🔥1👌1
Forwarded from شبکه داستانی عصبی (Blue Phoenix)
این راهنما رو امروز تیم فنی اپنایآی منتشر کرده.
«راهنمای تیمهای مهندسی AI-Native»
- این که ایجنتهای کدنویسی در هر مرحله از توسعه، از برنامهریزی تا طراحی و نگهداری، چه نقشی دارند
- چکلیستها و الگوهای پیادهسازی
- روشهای معرفی ایجنتها به سازمان و اعتمادسازی
https://cdn.openai.com/business-guides-and-resources/building-an-ai-native-engineering-team.pdf
«راهنمای تیمهای مهندسی AI-Native»
- این که ایجنتهای کدنویسی در هر مرحله از توسعه، از برنامهریزی تا طراحی و نگهداری، چه نقشی دارند
- چکلیستها و الگوهای پیادهسازی
- روشهای معرفی ایجنتها به سازمان و اعتمادسازی
https://cdn.openai.com/business-guides-and-resources/building-an-ai-native-engineering-team.pdf
❤3
This media is not supported in your browser
VIEW IN TELEGRAM
بعد از عرضه ازمایشی قابلیت چتهای گروهی برای ChatGPT در چندین کشور، حالا OpenAI این قابلیت رو به صورت جهانی عرضه کرده و با اون کاربر میتونه یک گروه بسازه و تا 20 نفر رو به اون دعوت کنه. در این گروه کاربران میتونن باهم مکالمه عادی داشته باشن و مثلا برنامه خاصی بچینن و ChatGPT هر وقت تشخیص بده نیازه که به پیام خاصی جواب بده، جوابشو میفرسته. علاوه بر این میشه ChatGPT رو تگ کرد تا سوال خاصی رو جواب بده یا عکسی بسازه.
#هوش_مصنوعی
💰 مطالب بیشتر 👇👇
🔵 @AI_DeepMind
🔸 @AI_Person
#هوش_مصنوعی
🔸 @AI_Person
Please open Telegram to view this post
VIEW IN TELEGRAM
❤12👍2