ردیس یه مخزن دمو منتشر کرده که چهار سرویس کانتکست ایجنت رو کنار هم نشون میده؛ از سفارش غذا تا بانکداری، همه با یه ساختار تکرارشونده.
بیشتر سیستمهای حافظهٔ AI همهچی رو ذخیره میکنن و بعد سرچ میکنن؛ Hippo برعکس، مثل هیپوکامپِ مغز کار میکنه: خاطرهها بهمرور محو میشن و فقط اونایی که بهکار میان میمونن.
آنتروپیک پروژه Glasswing، طرح مشترکش برای پیداکردن و رفع آسیبپذیریهای حیاتی با هوش مصنوعی، رو به حدود ۱۵۰ سازمان در بیش از ۱۵ کشور گسترش داد.
کوبرنتیز یه سیاست روشن برای مشارکتهای کمکگرفته از AI نوشته؛ کد رو میشه با هوش مصنوعی نوشت، ولی مسئولیتش کامل با آدمه و اگه نتونی توضیحش بدی، PRت بسته میشه.
روفلو خودش مدل نیست، هارنسه؛ همون لایهای که به Claude Code و Codex ابزار، حافظهٔ ماندگار و هماهنگی گروهی اضافه میکنه تا ایجنتها جدا جدا کار نکنن.
تیم fal تولید تصویر با Ideogram V4 رو از ۲.۷۵ ثانیه به ۰.۴۴ ثانیه رسونده، بدون افت کیفیت دیدنی. رازش ترکیبی از FP4، فیوژن کرنل و چند نوع distillation هست.
یه ایجنت هوش مصنوعی چطوری رازهاش و دادهی مشتریها رو لو میده و با چه چهار لایهای میشه جلوش رو گرفت.
متا با مدل Muse Spark 1.1 برای اولین بار API جدی و پولی راه انداخته، با قیمتی حدود یکچهارم OpenAI و Anthropic. جالبتر از خود مدل، دلیل این قیمتگذاریه.
نویسندهها میگن بحث «حباب یا نه» بیراههست؛ سود پایدار AI نه تو چیپ و دیتاسنتر و مدل، بلکه بالاتر تو لایهٔ نرمافزار سازمانی و قفلکردن مشتریه.
با Traycer میتونی چند ایجنت کدنویسی رو موازی اجرا کنی، وسط همون چت مدل رو عوض کنی و بدون از دست دادن context بین ابزارهای مختلف جابهجا شی.
کاگنیشن میگه مدلِ جدیدش با یه خطلولهٔ یادگیریِ تقویتیِ بازطراحیشده به کاراییِ بالا با هزینهٔ کمتر رسیده و مخصوصِ کارهای طولانی و ناهمگام بهینه شده.
تیم طراحی Slack بهجای اینکه یه دوره AI بذاره، یه فضا ساخت که طراحها بتونن کنار هم و بدون خجالت تازهکار باشن و با آزمونوخطا یاد بگیرن.
قبل از هر معماری قشنگ داده، یه سؤال ساده باید جواب داده بشه: این رکورد به کی اشاره میکنه؟ نویسنده میگه همین «تشخیص هویت» گمشدهی بیشتر استکهای دادهست.
Databricks فریمورک Feature Viewsو معرفی کرده؛ یه فیچر یادگیری ماشین رو یه بار تعریف میکنی و همون تعریف هم برای آموزش مدل و هم برای سرو بلادرنگ به کار میره.
نوشتن یه تابع آسونه؛ چرخوندن یه ایجنت که فایل باز میکنه، تست اجرا میکنه و تکرار میکنه تا build پاس شه، آزمون واقعیه. این دو مدل دقیقاً برای همین ساخته شدن.
شرکت مشترک ۱.۵ میلیارد دلاری Anthropic با Blackstone حالا اسم داره: Ode. شرط اصلیشون اینه که برندهٔ بعدی AI، بهترین مدل نیست.
نویسنده میگه هارنس خوب باید از چیزهایی ساخته بشه که مدل از قبل بلده؛ برای همین کل محیط ایجنتش رو روی ساختار آشنای لینوکس بنا کرده.
انویدیا سه مدل امبدینگ متنباز داده بیرون؛ مدل ۸ میلیاردیش رتبهٔ یک بازیابی رو گرفته و نسخهٔ ۱ میلیاردیش برای سرو کردن در مقیاس بالا ساخته شده.
بایتدنس، سازندهٔ تیکتاک، یه مدل تصویری ساخته که تصویرها رو بهشکل لایههای قابلویرایش میسازه و برخلاف بیشتر مدلها، متن داخل تصویر رو هم خوانا درمیاره.
ابزار no-mistakes یه پروکسی گیت محلی جلوی ریموت واقعی میذاره: بهجای origin بهش پوش میکنی، تو یه ورکتری جدا پایپلاین ریویو و تست و لینت اجرا میشه و آخرش PR تمیز باز میشه.