متا بعد از جنجال بنچمارک Llama 4، با سرمایهگذاری سنگین و یه تیم کوچیک، به Muse Wonder Full رسید که تو شاخص Artificial Analysis درست پشت Claude Opus 5.5 قرار گرفته.
تیم Relace تجربهٔ یه سال ساخت مدلهای Fast Apply رو منتشر کرده؛ از جمعکردن دیتاست واقعی تا LoRA و speculative decoding.
CopilotKit ابزاری به اسم CLiF معرفی کرده که از کارهایی که کاربرها و ایجنت تو محصول انجام میدن، خودش skill و eval میسازه.
بخشهایی از کتاب تازه Sam Newman درباره disaster recovery، کمبود سختافزار و اینکه چطور به سرویسهای مدل هوش مصنوعی وابسته باشی و زمین نخوری.
حالا تو فیسبوک میتونی با جملههای معمولی بگی چه پستهایی رو بیشتر یا کمتر ببینی و پیشنهادهای Feed و Reels همون لحظه عوض میشن.
مایکروسافت میگه از ۲۰۲۷ تراشههای Maia سیستم اصلی inference محصولاتش میشن و Maia 300 قراره با همون برق خیلی بیشتر از GPUها توکن تولید کنه.
یکی از سازندههای Claude میگه بیشتر آدمها از مدلها خیلی کوچیکتر از توانشون کار میکشن و چهار راه عملی برای عوض کردنش پیشنهاد میده.
Liquid AI بزرگترین و آخرین مدل خانوادهٔ LFM2.5 رو منتشر کرده؛ مدلی open-weight که با پارامترهای فعال کم، روی لپتاپ هم سریع جواب میده و برای ایجنتها ساخته شده.
یه سرمایهگذار چینی کل مرداد رو تو سیلیکونولی گذرونده و یه جمله رو بارها از محققای OpenAI و گوگل شنیده: از مدلهای چینی جلو نمیزنیم.
گزارش Wired میگه سه تا از پنج ناشر بزرگ آمریکا با ChatGPT و Claude متن تبلیغاتی و با تصویرسازهای AI جلد کتاب میسازن و به نویسندهها نمیگن.
اپل یه سیستم داخلی ساخته که GPUهای بیکار مکهای شرکت رو جمع میکنه تا کارهای inference هوش مصنوعی به جای ساعتها، تو چند دقیقه شروع بشن.
گزارش Stripe از کنفرانس Monetize: شرکتهایی مثل Replit، Fin و Clay چطور قیمت محصولات AI رو با هزینههای متغیر و ایجنتها جور میکنن.
مدل جدید متا تو کارهای طولانی کدنویسی خیلی خوب کار میکنه، ولی قیمت ورودی حدود ۴ دلارش باعث میشه برای هر کاری بهصرفه نباشه.
وقتی Claude روزانه دهها هزار تغییر کد merge میکنه، گیت دیگه جواب نمیده. Anthropic تو پنج ماه یه سیستم کنترل نسخهٔ جدید ساخت و کل مونوریپوش رو بهش منتقل کرد.
یه اپ بودجهبندی برای مک که هم دفتر حسابت و هم سؤالهایی که از چتش میپرسی رو روی سیستم خودت نگه میداره و هیچی به سرور نمیفرسته.
آدام ماسترویانی با یه کتاب کودک توضیح میده چرا ترس از بیکاری کامل به خاطر AI از یه اشتباه قدیمی دربارهٔ ذهن آدمها میاد.
شرکت Physical Intelligence حالا اجازه میده مدلهای رباتیکش رو با دادهٔ خودت فاینتیون کنی و از طریق API اجرا کنی، بدون اینکه خودت سرور و pipeline داده بسازی.
Databricks یه نقشهی ششلایه داده که نشون میده چطور با دادهی تمیز، متادیتا، مدل معنایی و ارزیابی مداوم، جوابهای ایجنتهای هوش مصنوعی رو قابل اعتمادتر کنی.
یه ابزار کدنویسی با Go که کارها رو بین چند مدل پخش میکنه، خودش تست و merge میکنه و فقط وقتی لازمه از شما سؤال میپرسه.
یه آزمایش روی ایجنتهای کدنویسی نشون داد با یه harness رفتاری، مدل ارزون GPT-6 Luna به همون ثبات مدل گرون Sol میرسه و کمتر هم خرج داره.