مدل‌های پاداش فرآیندی (PRM) در حوزه‌هایی مثل ریاضیات خوب عمل می‌کنن، ولی وقتی نوبت به تحلیل داده‌های پویا می‌رسه، دچار مشکل جدی می‌شن؛ نه خطاهای خاموش رو تشخیص می‌دن و نه بین اکتشاف ضروری و شکست واقعی فرق می‌ذارن. محققان با معرفی DataPRM این شکاف رو پر کردن؛ یه مدل پاداش تولیدی آگاه از محیط که به‌صورت فعال با محیط اجرا تعامل می‌کنه تا خطاهای پنهان رو کشف کنه. نتایج نشون می‌ده که DataPRM با فقط ۴ میلیارد پارامتر، عملکرد مدل‌های پایین‌دستی رو تا ۱۱ درصد روی بنچمارک‌های تخصصی بهبود می‌ده.

۲۶ هفته پیشarxiv.org

در فصل اول ۲۰۲۶، گوگل کلود با رشد ۶۳ درصدی نسبت به سال قبل، از AWS با ۲۸٪ و Azure با ۴۰٪ پیشی گرفت. دلیل اصلی این برتری اینه که گوگل هم مدل‌های هوش مصنوعی (جمینای) و هم تراشه‌های اختصاصی (TPU) رو خودش داره و نیازی به پرداخت حق لایسنس به OpenAI یا Anthropic نداره. سه غول بزرگ ابری در مجموع ۱۱۲ میلیارد دلار در زیرساخت هزینه کردن و برای تأمین مالی این رقابت، گوگل و آمازون به انتشار اوراق قرضه روی آوردن. هر کسی که لایه مدل رو در اختیار داره، سریع‌ترین رشد رو داره.

بازار اینفرنس هوش مصنوعی با سرعت عجیبی داره تخصصی می‌شه؛ دقیقاً همون اتفاقی که یه‌روزی برای دیتابیس‌ها افتاد. درآمد مراکز داده NVIDIA از ۳.۶ میلیارد دلار در پایان ۲۰۲۲ به ۶۲.۳ میلیارد دلار در اوایل ۲۰۲۵ رسیده — یعنی ۱۷ برابر رشد از زمان لانچ ChatGPT. حالا بار کاری‌های مختلف مثل تصویر، ویدیو، صدا، اجرای روی دستگاه، و پردازش دسته‌ای، هرکدام زیرساخت و معماری مختص خودشون رو می‌طلبن. این تکه‌تکه‌شدن بازار ۱۰۰ میلیارد دلاری می‌تونه بازیگران بزرگی مثل Oracle، MongoDB و Snowflake برای AI تولید کنه.

۲۶ هفته پیشtomtunguz.com

بهینه‌سازی هزینه‌های ابری دیگه فقط یه دغدغه‌ی عملیاتی نیست؛ به یه قابلیت استراتژیک تبدیل شده که مستقیم روی عملکرد و رشد سازمان تأثیر می‌ذاره. حالا با ورود بارهای کاری هوش مصنوعی، این ماجرا پیچیده‌تر هم شده چون مصرف منابع در پروژه‌های AI غیرقابل پیش‌بینی‌تره و هزینه‌ها می‌تونن ناگهانی اوج بگیرن. اما اصول پایه‌ای بهینه‌سازی هنوز برقرارن: دید کامل به مصرف منابع، سیاست‌های کنترلی، سایزبندی درست، و بازبینی مستمر. هدف نهایی هم نه صرفاً کاهش هزینه، بلکه اطمینان از اینه که سرمایه‌گذاری‌های ابری و AI ارزش واقعی تولید می‌کنن.

تا حالا همه‌چیز در دنیای داده این‌طوری بود: یه سوال داری، یه کوئری می‌زنی، جواب می‌گیری. اما مشکل اینجاست که مهم‌ترین بینش‌ها اون‌هایی‌ان که اصلاً نمی‌دونستی باید بپرسی. نویسنده معتقده آینده داده دیگه «Pull» نیست، یعنی رفتن دنبال اطلاعات؛ بلکه «Push» هست، یعنی سیستم خودش قبل از اینکه بپرسی، بهت می‌گه چی مهمه. این تغییر پارادایم در سه سطح اتفاق می‌افته: هشدارهای هوشمند، گزارش‌های صبحگاهی خودکار، و یه فید اکتشافی مثل اینستاگرام ولی برای داده‌های کسب‌وکار.

۲۶ هفته پیشopinionatedintelligence.substack.com

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.

۲۶ هفته پیشsoftwaredoug.com

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.

۲۶ هفته پیشharper.fast

SurveyJS یه مجموعه کتابخونه جاوااسکریپتیه که بهت اجازه می‌ده فرم و نظرسنجی رو مستقیماً توی اپ خودت بسازی و داده‌ها رو هم روی سرور خودت نگه داری. برخلاف سرویس‌های SaaS معروف، هیچ محدودیتی برای تعداد فرم، پاسخ، یا کاربر نداره. این ابزار برای فریم‌ورک‌های React، Angular، Vue 3 و Vanilla JS در دسترسه و لایسنس MIT داره. با یه بار خرید لایسنس، می‌تونی از تمام امکانات پیشرفته‌اش برای همیشه استفاده کنی.

۲۶ هفته پیشsurveyjs.io

مدل‌های زبانی بزرگ برای کار کردن به جداول عظیمی از وکتورهای پرابعاد نیاز دارن — چیزهایی مثل KV cache، امبدینگ‌ها و کلیدهای اتنشن. TurboQuant یه روش فشرده‌سازی ریاضی‌محوره که هر مختصه از این وکتورها رو به ۲ تا ۴ بیت تبدیل می‌کنه، بدون اینکه به آموزش یا کالیبراسیون نیاز داشته باشه. ایده اصلی اینه که یه چرخش تصادفی روی وکتور ورودی اعمال می‌شه تا توزیع مختصه‌ها قابل پیش‌بینی بشه، بعد یه کتاب کد بهینه برای اون توزیع طراحی می‌شه که روی همه ورودی‌ها کار می‌کنه. نتیجه: فشرده‌سازی با کمترین افت ممکن و بدون سربار حافظه‌ای اضافه.

۲۶ هفته پیشarkaung.github.io

یه مشکل رایج در اپلیکیشن‌های واقعی اینه که همه چیز کار می‌کنه، ولی سرعت اون‌طوری که باید نیست. معمولاً ریشه این مشکل توی کوئری‌های پایگاه داده‌ست؛ ایندکس نداره، یا یه aggregation سنگین داره بدون اطلاع اجرا می‌شه. این مقاله یه سیستم مانیتورینگ سبک برای لاراول و MongoDB می‌سازه که کوئری‌های کند رو به‌صورت خودکار شناسایی و لاگ می‌کنه. با ترکیب یه Middleware سفارشی و یه MongoDB Command Subscriber، می‌شه دقیقاً فهمید کدوم کوئری چقدر طول کشیده و چرا.

۲۶ هفته پیشlaravel-news.com

LLPhant یه کتابخانه PHP‌ه که ساخت اپلیکیشن‌های هوش مصنوعی مولد رو برای توسعه‌دهنده‌های PHP ممکن می‌کنه. این پروژه با الهام از LangChain و LLamaIndex ساخته شده و یه رابط یکپارچه برای کار با مدل‌های مختلف مثل OpenAI، Anthropic Claude، Mistral و Ollama فراهم می‌کنه. علاوه بر چت و تولید متن، از RAG، امبدینگ، پایگاه‌های داده برداری و Function Calling هم پشتیبانی می‌کنه.

۲۶ هفته پیشlaravel-news.com

وقتی یه ایجنت هوش مصنوعی به پایگاه دانش واقعی دسترسی نداشته باشه، جواب‌ها رو از پیش خودش می‌سازه — و این خطرناکه. تو این قسمت از سری «Ship AI with Laravel»، یه knowledge base قابل جستجو با معنا به ایجنت اضافه می‌شه. با استفاده از pgvector و مدل‌های embedding، متن‌ها به وکتور تبدیل می‌شن و جستجوی معنایی ممکن می‌شه. حالا حتی اگه کاربر با کلمات کاملاً متفاوتی سوال بپرسه، ایجنت جواب درست رو از مستندات واقعی پیدا می‌کنه.

۲۶ هفته پیشlaravel-news.com

tablecn یه کامپوننت جدول داده‌محور بر پایه shadcn/ui هست که با Next.js ساخته شده و قابلیت‌های سورت، فیلتر و صفحه‌بندی رو کامل سمت سرور مدیریت می‌کنه. این پروژه با استفاده از TanStack Table، Drizzle ORM، PlanetScale و Zod به یه راه‌حل آماده و قابل تنظیم برای نمایش داده‌های جدولی تبدیل شده. فیلترگذاری پیشرفته شبیه Notion و Airtable، منوی فیلتر شبیه Linear و نوار اکشن روی انتخاب ردیف از جمله امکانات برجسته‌شن. برای راه‌اندازی هم می‌شه از Docker یا یه دیتابیس PostgreSQL موجود استفاده کرد.

۲۶ هفته پیشgithub.com

Lightweight Charts یه کتابخانه متن‌باز و رایگان از TradingView‌ه که بهت اجازه می‌ده نمودارهای مالی تعاملی و حرفه‌ای رو توی پروژه‌ات جا بدی، اون هم با حجم کمتر از ۳۵ کیلوبایت. این کتابخانه روی HTML5 Canvas کار می‌کنه و به‌خوبی از داده‌های لحظه‌ای، انواع نمودار و شخصی‌سازی کامل ظاهر پشتیبانی می‌کنه. بیش از ۴۰ هزار شرکت و ۱۰۰ میلیون تریدر در سراسر دنیا به تکنولوژی TradingView اعتماد دارن، پس این کتابخانه از یه منبع کاملاً معتبر میاد.

۲۶ هفته پیشtradingview.com