محققان یه معماری جدید به اسم Recurrent Transformer معرفی کردن که ضعف اصلی ترنسفورمرهای معمولی رو برطرف میکنه. در ترنسفورمرهای سنتی، عمق زمانی پردازش محدود به تعداد لایههاست، ولی این معماری جدید با اضافه کردن حافظه بازگشتی به هر لایه، این محدودیت رو از بین میبره. علاوه بر این، یه الگوریتم بهینه برای کاهش ترافیک حافظه ارائه شده که پیچیدگی رو از N² به N log N میرسونه. نتایج روی مدلهای ۱۵۰ و ۳۰۰ میلیون پارامتری نشون میده این رویکرد با لایههای کمتر به کارایی بهتری میرسه و حجم KV cache و تأخیر inference رو کاهش میده.
تیم Poolside دو مدل هوش مصنوعی جدید به اسم Laguna M.1 و Laguna XS.2 رو معرفی کرده که هر دو برای کدنویسی بلندمدت و کارهای عاملی (agentic) طراحی شدن. Laguna M.1 یه مدل ۲۲۵ میلیارد پارامتری از نوع MoEه که روی ۳۰ تریلیون توکن آموزش دیده و عملکرد قابل توجهی روی بنچمارکهای SWE-bench داره. Laguna XS.2 هم مدل کوچیکتر و اپنویت این خانوادهست که با لایسنس Apache 2.0 منتشر شده و برای سایزش واقعاً حرفهای زیادی برای گفتن داره. هر دو مدل فعلاً از طریق API و OpenRouter بهصورت رایگان در دسترسن.
ایجنتهای هوش مصنوعی روزبهروز قویتر میشن، اما توسعهدهندهها هنوز بهشون اعتماد کامل ندارن. مشکل اصلی اینه که این ابزارها شفاف نیستن، از حوزهی تعریفشده خارج میشن و استدلالشون رو با ما به اشتراک نمیذارن. Cassidy Williams از GitHub DevRel این مشکلات رو ریشهیابی کرده و معتقده که بدون یه لایهی واقعی از همکاری انسانی، این ابزارها هرچقدر هم قوی باشن، قابل اتکا نیستن. رویکرد جدید Jules از Google Labs یه قدم در این مسیره، ولی هنوز خیلی زوده که بگیم مشکل اعتماد رو حل میکنه.
سم آلتمن میخواد اوپنایآی تا پایان ۲۰۲۶ وارد بازار بورس بشه، ولی گزارشهای تازه نشون میدن که این مسیر خیلی هموار نیست. مشکل اصلی دوتاست: یکی بحران حاکمیتی داخلی، یکی هم معضل تأمین مالی زیرساختهای سنگین شرکت. مدیر ارشد مالی اوپنایآی، سارا فریار، نه به آلتمن گزارش میده و نه در جلسات کلیدی مالی حضور داره؛ و بدتر از اون، علناً نگرانیهاش درباره توان پرداخت تعهدات زیرساختی شرکت رو مطرح کرده. این ترکیب از مشکلات میتونه پرونده ثبت عرضه عمومی اوپنایآی رو تا اطلاع ثانوی متوقف کنه.
آنتروپیک با معرفی Claude Opus 4.7 یه توکنایزر جدید هم آورد که قیمت رسمی مدل رو تغییر نداد، ولی عملاً هزینهها رو بالا برد. تیم OpenRouter روی بیش از یک میلیون درخواست واقعی بررسی کرد و دید که برای پرامپتهای بالای ۲ هزار توکن، هزینهها بین ۱۲ تا ۲۷ درصد افزایش پیدا کرده. استثنا هم پرامپتهای کوتاه زیر ۲ هزار توکنه که چون مدل خروجی کوتاهتری تولید میکنه، اندکی ارزونتر هم شدن.
یه سوال جالب مطرحه: اگه یه ایجنت هوش مصنوعی با ابزارهای جستجوی ساده داشته باشیم، آیا میتونه جای سیستمهای پیچیده سرچ رو بگیره؟ آزمایشهای انجامشده روی دیتاست Amazon ESCI نشون میده که یه ایجنت ساده با GPT-4o-mini و ترکیب BM25 و امبدینگ، کیفیت نتایج رو از 0.289 به 0.453 رسونده. جالبتر اینکه بدون هیچ فاینتیونینگی روی دادهها این نتیجه به دست اومده. البته این رویکرد برای سناریوهایی که ایجنت خودش اطلاعات لازم رو نداره (مثل MSMarco) کار نمیکنه و اونجا همچنان سیستمهای سنتی سرچ حرف اول رو میزنن.
OpenAI و مایکروسافت توافقنامهشون رو اصلاح کردن و حالا OpenAI میتونه مدلهاش رو روی هر پلتفرم ابری دیگهای هم ارائه بده، نه فقط Azure. اولین نتیجه عملی این تغییر، معرفی «Bedrock Managed Agents» روی AWS هست که با همکاری OpenAI ساخته شده. این سرویس به سازمانهایی که دادههاشون روی AWS هست کمک میکنه ایجنتهای هوش مصنوعی رو بهراحتی و در مقیاس سازمانی راهاندازی کنن. به نظر میرسه OpenAI حالا AWS رو بهعنوان شریک استراتژیک اصلیاش میبینه.
با گسترش ایجنتهای هوش مصنوعی، مدل قدیمی قیمتگذاری بر اساس تعداد کاربر دیگه کارایی نداره. یه وبینار با حضور Kyle Poyar و Scott Woody قراره بررسی کنه که شرکتها چطور باید از مدلهای سنتی SaaS به سمت قیمتگذاری مبتنی بر مصرف یا نتیجه حرکت کنن. تجربههای شرکتهایی مثل Clay، Figma و PostHog هم در این نشست زیر ذرهبین میره. هدف اصلی اینه که بفهمیم چطور میشه مانیتایزیشن رو با دنیای ایجنتمحور هماهنگ کرد.
میچل هاشیموتو، سازنده ترمینال معروف Ghostty، اعلام کرده که این پروژه بهزودی از گیتهاب مهاجرت میکنه. دلیل اصلی این تصمیم، قطعیهای مکرر و مشکلات زیرساختی گیتهاب در ماههای اخیره که به گفته او تقریباً هر روز کارش رو مختل کرده. هاشیموتو که از سال ۲۰۰۸ کاربر گیتهابه و بخش زیادی از زندگیش رو اونجا گذرونده، با ناراحتی از این تصمیم نوشته. مقصد جدید Ghostty هنوز نهایی نشده و تیم داره با چند پلتفرم مختلف مذاکره میکنه.
عوامل هوش مصنوعی با پیچیدگی مشکل ندارن، مشکلشون ابهامه. APIهایی که قوانین رو بهصورت صریح و قابلتأیید تعریف میکنن، به ایجنتهای AI اجازه میدن سریعتر و با خطای کمتر کد بنویسن. دروپال با حرکت به سمت سیستمهای تایپشده و اتریبیوتمحور از سالها پیش این مسیر رو طی کرده، در حالی که وردپرس همچنان روی سازگاری با نسخههای قدیمی تمرکز داشته. حالا این تفاوت معماری مستقیماً روی سرعت، دقت و هزینهی استفاده از AI تأثیر میذاره.
آرمین روناکر، سازنده Flask و Jinja2، در یک مقالهی نوستالژیک از دوران قبل از گیتهاب میگه؛ زمانی که دنیای اپنسورس کوچیکتر بود، اعتماد معنا داشت، و همه زیرساخت خودشون رو اجرا میکردن. گیتهاب یه هدیهی بزرگ به جامعهی اپنسورس بود، ولی همون تمرکز که خوبیهاش رو داشت، حالا داره ضررهاشم نشون میده. او از رشد انفجاری پکیجهای ریزودرشت npm و از دست رفتن حس مسئولیت در وابستگیهای نرمافزاری حرف میزنه.
وارپ یه محیط توسعه هوشمند (Agentic) متنبازه که از دل ترمینال زاده شده. میتونی از agent داخلی خودش استفاده کنی یا ابزارهایی مثل Claude Code، Codex یا Gemini CLI رو باهاش ترکیب کنی. اسپانسر اصلی این پروژه OpenAIه و قابلیتهای هوشمند اون با مدلهای GPT کار میکنن. کد UI فریمورکش زیر لایسنس MIT و بقیه کدها زیر AGPL v3 منتشر شدن.
ایجنتهای هوش مصنوعی معمولاً تا پر شدن پنجره کانتکست پیش میرن و بعد فراموش میکنن چی شده. ایجنتهای بلندمدت این محدودیت رو میشکنن و میتونن روی یه هدف برای ساعتها، روزها یا حتی هفتهها کار کنن. کلید موفقیت اینه که حالت و پیشرفت کار بیرون از پنجره کانتکست مدل نگه داشته بشه. این رویکرد جدید نحوه واگذاری وظایف بزرگ به ایجنتها رو به کل تغییر میده.
توسعه داروی جدید مثل خریدن یه بلیت بختآزمایی ۲۵۰ میلیون دلاریه که ۹۵٪ شانس باخته داره. اندرو لو، استاد فاینانس MIT، پیشنهاد داد بهجای شرطبندی تکی، ۵۰ برنامه دارویی رو توی یه سبد بریزیم تا شکست هر کدوم کشنده نباشه. این ایده باعث ظهور شرکتهایی مثل BridgeBio و Roivant شد که با مدل «هابانداسپوک» سعی کردن ریسک داروسازی رو قابلتحمل کنن، اما اجرای این مدل خیلی سختتر از نظریهاشه.
یه روز بعد از اینکه OpenAI قرارداد انحصاریش با مایکروسافت رو تغییر داد، اعلام کرد که مدلهاش حالا روی Amazon Web Services هم در دسترسه. کاربرهای AWS میتونن از طریق سرویس Amazon Bedrock به مدلهای OpenAI و همچنین ایجنت Codex برای نوشتن کد دسترسی داشته باشن. این سرویسها طی چند هفته آینده به صورت عمومی در دسترس قرار میگیرن. این همکاری بخشی از یه رابطه گستردهتر بین OpenAI و آمازونه که ارزشش به دهها میلیارد دلار میرسه.
TanStack Start یه فریمورک نسبتاً جدیده که روی TanStack Router سوار شده و امکاناتی مثل Server Functions، API Endpoints و رندر سمت سرور رو میده. تو این مقاله، یه بلاگ ساده باهاش میسازیم که پستها رو از فایلهای Markdown میخونه. نکته جالب اینه که لودرهای TanStack ایزومورفیکن؛ یعنی هم روی سرور و هم روی کلاینت اجرا میشن، که این یه چالش جدی برای خوندن فایلهای دیسک ایجاد میکنه. راهحل؟ Server Functions که همیشه روی سرور اجرا میشن، حتی وقتی از کلاینت صداشون میزنی.
کدی که هوش مصنوعی تولید میکنه ممکنه همه تستها رو پاس کنه ولی در پروداکشن فاجعه به بار بیاره. فاصلهی بین «کدی که اجرا میشه» و «کدی که لایق پروداکشنه» خیلی بیشتر از چیزیه که فکرش رو میکنیم. مشکل اینه که مدلهای زبانی ذاتاً احتمالاتی هستن، نه قطعی — و این با نیاز نرمافزار به رفتار قطعی یه تناقض اساسی ایجاد میکنه. با درک نحوهی کار این ابزارها و نوشتن پرامپتهای دقیقتر میشه این شکاف رو به حداقل رسوند.
Bun یه runtime سریع برای جاوااسکریپت و تایپاسکریپته که این روزا خیلی سر و صدا کرده. میشه از طریق روشهای مختلفی مثل curl، npm، PowerShell، Scoop، Homebrew یا Docker نصبش کرد. بعد از نصب هم با یه دستور ساده میشه آپدیتش نگه داشت. این ابزار همچنین قابلیت اجرای تستهای ایزوله و موازی رو هم داره.
تیم Harper یه بایندینگ کاملاً جدید برای RocksDB در Node.js ساخته به اسم rocksdb-js که از صفر نوشته شده و همه چیزی که از یه بایندینگ حرفهای انتظار داری رو داره: پشتیبانی کامل از تراکنش، ایتریتورهای lazy، TypeScript، و باینری آماده برای همه پلتفرمهای اصلی. این کتابخانه زیر لایسنس Apache 2.0 منتشر شده و قلب Harper 5.0 به حساب میاد. هدف اینه که یه ابزار مستقل و عمومی برای کل اکوسیستم Node.js باشه.
تیم C# Dev Kit در VS Code برای نوشتن افزونههای native مربوط به Node.js، تا به حال از C++ و node-gyp استفاده میکرد که نصب Python قدیمی رو روی همه ماشینهای توسعهدهنده الزامی میکرد. این تیم تصمیم گرفته با استفاده از C# و قابلیت Native AOT در داتنت، این وابستگی ناخوشایند رو حذف کنه. Native AOT میتونه shared library بسازه که دقیقاً همون چیزیه که Node.js برای بارگذاری افزونههای native نیاز داره. نتیجه یه پایپلاین سادهتر، سریعتر و بدون نیاز به ابزارهای اضافهست.