سازمان بهداشتی Sandhills Medical Foundation در کارولینای جنوبی اعلام کرد که یه حمله باج‌افزاری اطلاعات شخصی نزدیک به ۱۷۰ هزار نفر رو به خطر انداخته. جالب اینجاست که این حمله در می ۲۰۲۵ کشف شده بود، ولی سازمان تقریباً یه سال طول کشید تا ماجرا رو عمومی کنه. گروه باج‌افزاری Inc Ransom مسئول این حمله بوده و فایل‌های دزدیده‌شده رو روی سایت نشتی‌شون گذاشته. اطلاعات فاش‌شده شامل کد ملی، اطلاعات مالی، پاسپورت، گواهینامه و پرونده‌های پزشکی می‌شه.

خیلی از تیم‌های محصول فکر می‌کنن مشکلشون اینه که استراتژی درستی ندارن یا اون رو خوب توضیح ندادن. اما مشکل اصلی جای دیگه‌ایه: فرآیند intake، یعنی همون جایی که مشخص می‌شه چه چیزی وارد رودمپ بشه. اگه این فرآیند رو طراحی نکردی، یه نسخه‌ی پیش‌فرض و بی‌شکل ازش وجود داره که داره به‌جای تو تصمیم می‌گیره. پندو در تحقیقی نشون داده که ۸۰٪ از فیچرهای نرم‌افزارها به‌ندرت یا اصلاً استفاده نمی‌شن، که یعنی میلیاردها دلار هدر رفته. راه‌حل ساده‌ست ولی خوشایند نیست: یه نفر با اختیار واقعی که بتونه «نه» بگه و تقویم

snoop یه ابزار ردیابی سیستم‌کال برای لینوکسه که به جای ptrace از eBPF استفاده می‌کنه و برخلاف strace، پروسه‌ی هدف رو متوقف نمی‌کنه. یه TUI زیبا داره، آرگومان‌های سیستم‌کال‌ها رو به شکل خوانا نمایش می‌ده، و قابلیت‌هایی مثل فیلتر، ضبط، پخش مجدد و diff هم داره. با Rust و کتابخونه‌ی aya نوشته شده و نیازی به ماژول کرنل یا هدرهای خاص نداره. برای دیباگ، بررسی عملکرد اپ‌ها، و حتی ردیابی داخل کانتینرها عالیه.

بازاریابی محصول (PMM) داره با سرعت سرسام‌آوری تغییر می‌کنه. تیم‌هایی مثل Lovable دیگه منتظر نمی‌مونن همه چیز از فیلتر PMM رد بشه؛ بلکه زیرساختی ساختن که تیم‌های مختلف بتونن خودشون لانچ کنن. تعریف ICP بر اساس داده‌های واقعی و مصاحبه‌های مستمر با کاربران، دو رکن اصلی این رویکرد جدید هستن. نتیجه؟ سرعت بیشتر، ایمپکت بیشتر، و PMM که دیگه گلوگاه نیست بلکه یه enabler واقعیه.

محققان امنیتی GitGuardian کشف کردن که مدل‌های زبانی بزرگ (LLM) هنگام تولید پسورد، یه نوع «اثر انگشت آماری» به جا می‌ذارن که قابل شناسایی و ردیابیه. این تیم با استفاده از زنجیره‌های مارکوف، مدلی ساختن که می‌تونه تشخیص بده یه پسورد توسط کدوم مدل هوش مصنوعی تولید شده. با بررسی ۳۴ میلیون پسورد واقعی از گیت‌هاب، ۲۸,۰۰۰ مورد LLM-Generated شناسایی شد. این رمزها اغلب در فایل‌های .env و کدهای پروژه‌های واقعی پیدا شدن، یعنی ریسک امنیتی جدی‌ای در کمین توسعه‌دهاست.

ایلان ماسک در جریان دادگاه فدرال کالیفرنیا اعتراف کرد که xAI از تکنیک دیستیلیشن روی مدل‌های OpenAI برای آموزش Grok استفاده کرده. دیستیلیشن یعنی پرامپت‌کردن سیستماتیک مدل‌های یک شرکت برای استخراج دانش و آموزش مدل جدیدتر. این اعتراف در حالی صورت گرفت که OpenAI و Anthropic اخیراً به‌شدت با این روش مقابله می‌کنند. ماسک گفت این کار یک رویه رایج بین شرکت‌های هوش مصنوعیه، هرچند قانونی‌بودنش هنوز زیر سؤاله.

۱۵ هفته پیشtechcrunch.com

آندره کارپاتی در رویداد Sequoia Ascent 2026 از یه تغییر بنیادی در دنیای برنامه‌نویسی حرف زد. به نظرش از دسامبر ۲۰۲۵ به بعد، ابزارهای ایجنتی مثل Claude Code و Codex یه جهش واقعی داشتن و کار با اون‌ها حسابی متفاوت شده. حالا برنامه‌نویس دیگه فقط کد نمی‌نویسه، بلکه نقش یه هماهنگ‌کننده ایجنت‌ها رو داره. این دوره رو می‌شه Software 3.0 نامید: جایی که پنجره کانتکست همون برنامه‌ست و LLM مثل یه مفسر روی اون کار می‌کنه.

۱۵ هفته پیشkarpathy.bearblog.dev

یکی از گلوگاه‌های اصلی آموزش تقویتی (RL) مدل‌های زبانی بزرگ، مرحله‌ی تولید rollout به شیوه‌ی خودرگرسیو (autoregressive) هست که سرعت کل فرآیند رو پایین میاره. محققان در این مقاله پیشنهاد می‌دن از تکنیک Speculative Decoding به عنوان یه راه‌حل بدون افت کیفیت برای تسریع این مرحله استفاده بشه. این روش در فریم‌ورک NeMo-RL با بک‌اند vLLM پیاده‌سازی شده و هم با پایپ‌لاین‌های همزمان و هم ناهمزمان کار می‌کنه. در آزمایش‌ها روی مدل ۸ میلیارد پارامتری، throughput تولید rollout تا ۱.۸ برابر بهتر شده و با ترکی

۱۵ هفته پیشarxiv.org

اگه فکر می‌کنی SKILL.md یه پرامپت بلنده، اشتباه می‌کنی. Skills در واقع یه برنامه‌ی کوچیکن که سه مرحله‌ی اجرا دارن و یه runtime مشخص پشتشونه. نویسنده توضیح می‌ده که چطور با تغییر معماری یه اسکیل، مصرف context window رو از ۲۰٪ به ۷٪ رسوند، بدون اینکه یه کلمه از دستوراتش عوض بشه. فهمیدن progressive disclosure و سه لایه‌ی لودینگ، کلید نوشتن اسکیل‌های بهینه‌ست.

۱۵ هفته پیشinternals.laxmena.com

تیم کرسر توضیح داده چطور به‌صورت مداوم روی harness ایجنت‌شون کار می‌کنه تا مدل‌های مختلف رو هوشمندتر، سریع‌تر و کارآمدتر کنه. اصل کار اینه که به‌جای guardrailهای ثابت، context پویا بدن و اجازه بدن مدل خودش اطلاعات لازم رو بکشه. برای سنجش کیفیت هم از ترکیب بنچمارک، A/B تست آنلاین، و متریک‌هایی مثل "نرخ نگه‌داری کد" استفاده می‌کنن. یه بخش مهم دیگه هم ردیابی و رفع خطاهای ابزارهاست که اگه کنترل نشن، می‌تونن کل session رو خراب کنن.

۱۵ هفته پیشcursor.com

جستجوی دودویی (Binary Search) یه الگوریتم کلاسیک و سریعه، ولی آیا می‌شه ازش هم سریع‌تر رفت؟ نویسنده این مقاله با ترکیب جستجوی چهارتایی (Quaternary Search) و دستورالعمل‌های SIMD پردازنده، الگوریتمی به اسم SIMD Quad ساخته که روی آرایه‌های مرتب‌شده از اعداد ۱۶ بیتی کار می‌کنه. بنچمارک‌ها نشون می‌دن این الگوریتم در تمام سناریوها سریع‌تر از جستجوی دودویی استانداردیه و روی پردازنده‌های Intel گاهی بیش از دو برابر سرعت داره. ایده اصلی اینه که پردازنده‌های مدرن ظرفیت پردازش موازی دارن که الگوریتم‌های کلا

Laravel Schema Sentinel یه پکیج لاراول‌ه که وقتی دیتابیس واقعی‌ات از migration‌هات فاصله می‌گیره (schema drift)، سریع بهت خبر می‌ده. این ابزار یه shadow database از migration‌ها می‌سازه، اون رو با دیتابیس زنده مقایسه می‌کنه و حتی می‌تونه یه migration اصلاحی هم برات تولید کنه. قابلیت‌هایی مثل مقایسه cross-environment، داشبورد بصری Livewire و جلوگیری خودکار از اجرای migrate در صورت وجود drift از ویژگی‌های جالب این پکیجن. لاراول ۱۱ تا ۱۳ رو پشتیبانی می‌کنه.

۱۵ هفته پیشlaravel-news.com

نویسنده توی این مقاله از زاویه‌ای جالب به ضعف‌های GitHub و فورج‌های مشابه مثل GitLab و Gitea نگاه می‌کنه و می‌گه اگه پول کافی داشت، چه چیزی می‌ساخت. مشکل اصلی اینه که این ابزارها روی گیت ساخته شدن ولی دیگه هیچ ربط واقعی‌ای به نحوه استفاده روزمره از گیت ندارن. PR ها انعطاف ندارن، فیدبک دیر میاد، اکشن‌ها ناامن‌ان و همه چیز بزرگ‌تر از اون چیزیه که باید باشه. راه‌حل پیشنهادی: فورجی سبک‌تر، ماژولارتر و هوشمندتر که با کلاینت یکپارچه کار کنه.

گودفایر یه پلتفرم جدید به اسم سیلیکو معرفی کرده که به محققان و مهندسان اجازه می‌ده از داخل مدل‌های هوش مصنوعی سر دربیارن، باگ‌ها رو پیدا کنن و رفتار مدل رو آگاهانه طراحی کنن. سیلیکو از تکنیک‌های تفسیرپذیری (interpretability) استفاده می‌کنه که قبلاً گودفایر باهاشون بیومارکرهای آلزایمر کشف کرده، توهم‌زایی مدل‌های زبانی رو کاهش داده و مشکلات عملکردی در مدل‌های رباتیک رو شناسایی کرده. این پلتفرم الان در مرحله دسترسی زودهنگام (early access) قرار داره.

۱۵ هفته پیشthreadreaderapp.com

Anthropic ابزار Claude Security رو برای تمام مشتریان Enterprise به صورت بتای عمومی در دسترس گذاشته. این ابزار با استفاده از مدل Opus 4.7 کدبیس سازمان‌ها رو اسکن می‌کنه، آسیب‌پذیری‌ها رو شناسایی می‌کنه و پچ پیشنهادی هم تولید می‌کنه. نیازی به پیکربندی API یا ساخت ایجنت سفارشی نیست؛ اگه سازمانت از Claude استفاده می‌کنه، می‌تونی همین الان شروع کنی. شرکت‌های بزرگ امنیتی مثل CrowdStrike، Microsoft Security و Palo Alto Networks هم دارن Opus 4.7 رو توی ابزارهای خودشون جا می‌دن.

جیسون لمکین در قسمت سوم پادکست «The Agents» از تجربه واقعی اجرای بیش از ۲۰ ایجنت هوش مصنوعی در شرکتش می‌گه. ایجنت AI بازاریابی‌شون به‌صورت مستقل کمپین طراحی می‌کنه، اما Marketo ده روز نتونست مشکل unsubscribe رو حل کنه و اونا خودشون در ۲۰ دقیقه برطرفش کردن. قبض سیلزفورس با وجود کمتر شدن سیت‌ها، ۸۰٪ گرون‌تر شده؛ چون مدل قیمت‌گذاری از سیت به مصرف (API call و agent action) تغییر کرده. یه نکته جالب دیگه اینه که Notion رو ماه‌ها پیش بدون اطلاع دادن ترک کرده بودن!

۱۵ هفته پیشsaastr.com

بنچمارک SpatialBench نشون می‌ده مدل‌های جدید GPT-5.5 و Opus 4.7 در تحلیل زیست‌شناسی فضایی سریع‌تر شدن ولی دقت‌شون عملاً تغییری نکرده. GPT-5.5 زمان اجرا رو نصف کرده ولی دقتش از 57.4٪ به 57.6٪ رسیده که تفاوت معناداری نیست. بررسی دستی مسیر تحلیل مدل‌ها نشون می‌ده که اشکالات اساسی در قضاوت زیست‌شناختی هنوز باقیه؛ از جمله pseudoreplication، نرمال‌سازی اشتباه، و خوشه‌بندی بدون تصحیح batch.

۱۵ هفته پیشblog.latch.bio

مایکروسافت اعلام کرده که از جولای ۲۰۲۶ دیگه اتصالات POP و IMAP با پروتکل‌های TLS 1.0 و TLS 1.1 در Exchange Online پذیرفته نمی‌شن. این دو پروتکل به ترتیب از سال‌های ۱۹۹۹ و ۲۰۰۶ در حال استفاده بودن و دیگه امن حساب نمی‌شن. بیشتر کاربران تأثیری نمی‌بینن چون الان اکثر ترافیک ایمیل از TLS 1.2 به بالا استفاده می‌کنه. اما کسایی که هنوز روی اندپوینت‌های قدیمی مونده‌ن یا سیستم‌های Embedded دارن، باید هرچه زودتر به‌روزرسانی کنن تا اتصالشون قطع نشه.

هر بار که لود بالانسر یه درخواست رو به GPU اشتباه می‌فرسته، اون GPU مجبوره prefill رو از صفر محاسبه کنه؛ حتی اگه همین کار روی GPU دیگه‌ای قبلاً انجام شده باشه. KV cache در LLMها به‌ازای هر GPU جداست و round-robin routing این مزیت رو کاملاً از بین می‌بره. با prefix-aware routing، همون workload روی همون سخت‌افزار، تا ۲۲٪ throughput بیشتر و تا ۸۵٪ کاهش P99 latency می‌ده. این مقاله توضیح می‌ده این مشکل از کجا میاد، چطور اندازه‌گیری بشه، و چه موقع واقعاً به درد می‌خوره.

۱۵ هفته پیشranvier.systems

تیم LightSeek Foundation با ساختن Shepherd Model Gateway (SMG) یه مشکل واقعی رو حل کردن: وقتی GPU‌های گرون‌قیمت به خاطر GIL پایتون بی‌کار می‌موندن. SMG تمام کارهای CPU-bound مثل توکن‌سازی، پارس کردن خروجی، پردازش تصویر و مدیریت ابزارها رو از مسیر GPU جدا کرده و توی یه لایه Rust اجرا می‌کنه. ارتباط بین گیت‌وی و موتور inference از طریق gRPC انجام می‌شه و قرارداد بینشون خیلی ساده‌ست: توکن‌های آماده می‌ره تو، توکن‌های تولیدشده می‌یاد بیرون. نتیجه یه گیت‌وی مستقل و مقیاس‌پذیره که با SGLang، vLLM، Ten