WorkOS یه پلتفرم آمادهست که بهت کمک میکنه قابلیتهای سازمانی مثل SSO، SCIM، Audit Logs و مدیریت کاربران رو خیلی سریع به اپلیکیشنت اضافه کنی. به جای اینکه ماهها وقت بذاری روی پیادهسازی این ویژگیها، با چند خط کد و SDK های آماده میتونی شروع کنی. این ابزار از زبانهای مختلفی مثل Node.js، Python، PHP، Go و جاوا پشتیبانی میکنه و یه پنل مدیریتی شیک هم برای IT Admin های مشتریانت داره. در نهایت WorkOS کمک میکنه که درهای بازار Enterprise برای محصولت باز بشه بدون اینکه تیمت از مسیر اصلی خارج بشه.
آزمایشگاه هوش مصنوعی چینی DeepSeek دو مدل جدید پیشنمایش به نامهای V4-Pro و V4-Flash معرفی کرده که هر دو از معماری Mixture of Experts با پنجره کانتکست یک میلیون توکن بهره میبرن. V4-Pro با ۱.۶ تریلیون پارامتر کلی، بزرگترین مدل open-weights تاریخ به حساب میاد. نکته جالبتر قیمتگذاریه: V4-Flash با ۰.۱۴ دلار به ازای هر میلیون توکن ورودی، ارزونتر از GPT-5.4 Nano اوپنایآیه و V4-Pro هم با ۱.۷۴ دلار، از همه مدلهای بزرگ فرانتیر مقرونبهصرفهتره. این مدلها با لایسنس MIT منتشر شدن و میشه از طری
Kaseya یه پلتفرم جدید «ایجنتیک» معرفی کرده که به جای پیشنهاد دادن، خودش کارها رو انجام میده. موتور این پلتفرم «Kaseya Intelligence» نام داره و روی بیش از یک میلیارد تیکت، ۳ اگزابایت داده بکاپ و ۱۷ میلیون اندپوینت آموزش دیده. هدف اصلی این سیستم اینه که MSPها بتونن عملیات IT رو بدون افزایش متناسب نیروی انسانی مقیاسپذیر کنن. Kaseya میگه این یه تغییر معماری بنیادیه، نه فقط یه فیچر هوش مصنوعی اضافهشده.
یه گروه هکتیویست به نام «Islamic Cyber Resistance in Iraq 313 Team» مسئولیت یه حمله DDoS گسترده علیه اوبونتو و شرکت سازندهاش کنونیکال رو به عهده گرفته. این حمله باعث شده کاربرا نتونن آپدیتهای سیستم رو دریافت یا نصب کنن و چندین وبسایت اوبونتو و کنونیکال هم از دسترس خارج شده. حمله بیش از ۲۰ ساعت ادامه داشته و کنونیکال تأیید کرده که زیرساخت وبش زیر یه حمله فرامرزی و پایدار قرار داره. مهاجما از یه سرویس DDoS اجارهای به اسم Beamed استفاده کردن که ادعا میکنه میتونه حملاتی با قدرت بیش از ۳.۵ تراب
AutoRound یه ابزار کوانتیزاسیون پیشرفته برای مدلهای زبانی بزرگ (LLM) و مدلهای ترکیبی بینایی-زبان (VLM) هست که با استفاده از روش sign-gradient descent میتونه مدلها رو تا ۲ تا ۴ بیت فشرده کنه بدون افت دقت چشمگیر. این ابزار با اکوسیستمهای معروفی مثل Transformers، vLLM و SGLang ادغام شده و از فرمتهای مختلف مثل AutoGPTQ، AutoAWQ و GGUF پشتیبانی میکنه. یه مدل ۷ میلیارد پارامتری رو میشه در حدود ۱۰ دقیقه روی یه GPU کوانتیز کرد و مدل DeepSeek-R1 با وزن ۲۰۰ گیگابایت هم با همین روش ۹۷.۹٪ دقت اصلیش
SharkMCP یه سرور MCP هست که رابط برنامهنویسی Wireshark یعنی sharkd رو به صورت مجموعهای از ابزارها در اختیار مدلهای زبانی بزرگ قرار میده. با این ابزار میتونی فایلهای PCAP و PCAPNG رو لود کنی و با زبان طبیعی تحلیلشون کنی. هر فایل PCAP یه پروسه sharkd مجزا داره و جلسهها از هم ایزوله هستن. ابزارهایی برای بررسی پکتها، آمار پروتکلها، مکالمات، جریانهای VoIP، استخراج آبجکتها و خیلی چیزهای دیگه هم در اختیارته.
حملات زنجیره تامین به npm داره بیشتر و خطرناکتر میشه. Axios با بیش از ۱۰۰ میلیون دانلود هفتگی آخرین قربانی بود. یه مفهوم ساده به اسم «dependency cooldown» میتونه جلوی بخش بزرگی از این حملات رو بگیره. ابزارهایی مثل npm، pnpm، Yarn و Dependabot الان این قابلیت رو دارن که نصب پکیجهای تازهمنتشرشده رو برای مدت مشخصی به تعویق بندازن.
دیتادگ گزارش جامع «وضعیت DevSecOps 2026» رو منتشر کرده که با تکیه بر دادههای واقعی هزاران محیط پروداکشن، تصویر دقیقی از وضع امنیت اپلیکیشنها ارائه میده. طبق این گزارش، ۸۷٪ سازمانها آسیبپذیریهای قابل سوءاستفاده در محیط پروداکشن دارن. رانتایمهای بهپایانرسیده و وابستگیهای قدیمی از مهمترین عوامل این ریسک به حساب میان. این گزارش به تیمهای مهندسی و امنیت کمک میکنه بدون اینکه سرعت توسعه رو کم کنن، ریسک رو کاهش بدن.
یه آزمایشگاه واقعی با ترافیک مختلط نشون داد که یه پول مشترک vLLM برای همه نوع درخواست، گزینه بدیه. بهترین نتیجه با پروفایل class-aware-router به دست اومد که اولین توکن، ریتم تولید توکن، و ایزولاسیون کلاینتهای کند رو با هم بهینه میکنه. توصیه اصلی اینه که قبل از هر تغییری در کرنلها، لاینهای ترافیکی رو از هم جدا کنی. ترافیک تعاملی باید روی یه پول کوچیکتر با بودجه توکن محدودتر بمونه، و کارهای سنگینتر مثل long-context و batch به یه پول جداگانه منتقل بشن.
Replit در ۱۸ ماه گذشته رشد باورنکردنی داشته و از ۲.۸ میلیون دلار درآمد سالانه به مسیر یک میلیارد دلار رسیده. مدیرعامل Replit، امجد مصعب، میگه شرکت برخلاف رقیبش Cursor که با حاشیه سود منفی ۲۳ درصد کار میکنه، بیش از یک سال است که حاشیه سود مثبت داره. او فروش شرکت رو رد نمیکنه اما تأکید میکنه که هدف اصلیشون موندن به عنوان یه شرکت مستقله. درگیری با اپل بر سر اپ استور هم یکی از داغترین بخشهای این مصاحبهست.
محققان مایکروسافت روشی ارائه دادن به اسم «Synthetic Computers at Scale» که توش محیطهای کامپیوتری واقعگرایانه با ساختار پوشهبندی و فایلهای محتوامحور شبیهسازی میشه. روی هر کامپیوتر مصنوعی، یک ایجنت هوش مصنوعی وظایف بلندمدت تعریف میکنه و ایجنت دیگهای اونها رو انجام میده — کاری که معادل حدود یک ماه کار انسانیه. این روش میتونه پایهای برای یادگیری تقویتی و خودبهبودی ایجنتهای هوش مصنوعی در سناریوهای کاری واقعی باشه.
Buildkite یه پلتفرم CI/CD سریع و مقیاسپذیره که برای تیمهای نرمافزاری طراحی شده. این سرویس ابزارهایی مثل Pipeline، Test Engine، و Package Registry رو یهجا جمع کرده تا فرآیند تحویل نرمافزار رو سریعتر و مطمئنتر کنه. Buildkite یه پلن آزمایشی ۳۰ روزه بدون نیاز به کارت اعتباری ارائه میده که همه قابلیتها توش باز هستن. پلنهای قیمتگذاری از رایگان تا Enterprise در دسترسه و برای تیمهای بزرگ گزینههای حرفهای مثل SCIM، SAML، و لاگهای حسابرسی هم داره.
آمریکا وارد یه دوره جدید از برقرسانی شده؛ مصرف برق در دو سال اخیر بیشتر از ۱۵ سال قبلش رشد کرده. این رشد عمدتاً از دیتاسنترهای هوش مصنوعی، صنایع سنگین، و حملونقل الکتریکی میاد. در عین حال سرمایهگذاری در انرژی خورشیدی و باتریها به رکورد رسیده، ولی هنوز به اندازه کافی سریع نیست که جلوی افزایش قیمت برق رو بگیره. قیمت برق خانگی از سال ۲۰۲۰ تاکنون بیش از ۴۰٪ بالا رفته و احتمال ادامه این روند هم هست.
گیتهاب از ۲۰۰۸ تا حالا روابط بین ریپوها رو عمیقاً مدل نکرده. در حالی که امروز وابستگیها از طریق فایل manifest مدیریت میشن، نه fork، ابزارهای forge هنوز این رابطه رو جدی نمیگیرن. نویسنده لیستی از ویژگیهایی میده که یه forge واقعاً به نگهدارندگان پروژههای اوپنسورس کمک میکنه؛ از تست downstream گرفته تا فید اطلاعرسانی برای وابستگان. اینا دقیقاً چیزاییه که نه کلاینتها میتونن حلشون کنن، نه هیچکدوم از رقبای GitHub در حال ساختنشون هستن.
متا یه پلتفرم یکپارچه هوش مصنوعی ساخته که بهطور خودکار مشکلات عملکردی زیرساخت رو پیدا و رفع میکنه. این سیستم با ترکیب ابزارهای استانداردشده (MCP Tools) و مهارتهای تخصصی (Skills)، دانش مهندسان ارشد رو به قابلیتهای قابلاستفاده برای مدلهای زبانی تبدیل میکنه. نتیجه؟ صدها مگاوات برق بازیابیشده و کاهش زمان بررسی دستی از حدود ۱۰ ساعت به ۳۰ دقیقه. این پلتفرم هم برای شناسایی پسرفتهای عملکردی (Defense) و هم برای پیادهسازی بهینهسازیهای پیشگیرانه (Offense) استفاده میشه.
کوبرنتیز v1.36 یه قابلیت آلفای جدید به اسم Pod-Level Resource Managers معرفی کرده که مدیریت منابع رو از سطح کانتینر به سطح Pod ارتقا میده. با این ویژگی، میشه برای کانتینرهای اصلی (مثل ML یا دیتابیس) منابع اختصاصی NUMA-aligned گرفت و سیدکارهای سبک رو از یه pool مشترک تغذیه کرد. این یعنی دیگه لازم نیست به خاطر چند تا سیدکار، کل مزایای کلاس QoS از دست بره. این قابلیت برای ورکلودهای حساس به تأخیر مثل ML، دیتابیسهای پرسرعت و سیستمهای high-frequency trading خیلی به کار میاد.
مدلهای زبانی کوچک (SLM) الان در Chrome و Edge پشت یه فلگ آزمایشی در دسترسن و میتونن مستقیماً توی مرورگر و بدون نیاز به سرور یا API key اجرا بشن. این ایده جذابیتهای واقعی داره؛ رایگانه، آفلاینه، خصوصیه و به دیتاسنتر وصل نمیشه. اما موزیلا رسماً موضع منفی گرفته و نگرانیهایی مثل انحصار مدل گوگل و شکستن استانداردها رو مطرح کرده. نویسنده هم هم خوشبینه هم نگران، و یه سری پیشنهاد برای بهتر کردن این اکوسیستم ارائه میده.
وزارت دفاع آمریکا (پنتاگون) با هفت شرکت بزرگ فناوری از جمله گوگل، مایکروسافت، آمازون، انویدیا، اوپنایآی، Reflection و اسپیسایکس توافق کرده تا از هوش مصنوعی اونها در شبکههای طبقهبندیشده نظامی استفاده کنه. هدف اصلی اینه که هوش مصنوعی بتونه در تصمیمگیریهای پیچیده میدان جنگ به سربازان کمک کنه. آنتروپیک (سازنده Claude) از این فهرست غایبه؛ دلیلش اختلاف حقوقی با دولت ترامپ بر سر نگرانیهای اخلاقی استفاده نظامی از هوش مصنوعیه. کارشناسان نسبت به وابستگی بیش از حد به هوش مصنوعی در محیطهای نظامی
یه آزمایش جالب نشون داد که وقتی یه مدل هوش مصنوعی پیشرفته نقش «هاب» یا مدیر رو برای هماهنگی مدلهای دیگه میگیره، نهتنها چهار برابر گرونتره، بلکه نتیجهاش هم بدتره. در مقابل، یه ساختار بازاری ساده که مدلها با هم رقابت میکنن، هم ارزونتر بود هم کیفیت بهتری داشت. این آزمایش روی ۱۵ تسک دستساز در حوزه کدنویسی، استدلال و سنتز انجام شد و نشون داد هر توپولوژی برای نوع خاصی از مسئله بهتره. مدلهای هوش مصنوعی برخلاف انسانها، در تخمین تواناییهای خودشون ضعیفن ولی تنوعشون در یه بازار رقابتی میتونه ا
Cognizant اعلام کرده که قراره شرکت Astreya رو بخره؛ یه ارائهدهنده خدمات مدیریتشده IT با تخصص عمیق در زیرساخت هوش مصنوعی و دیتاسنتر. Astreya با پلتفرم اختصاصی AI OpsHub خودش و سابقه ۲۵ ساله، الان سرویسدهنده ۶ تا از ۷ غول بزرگ تکنولوژی (Magnificent Seven) هست. این خرید به Cognizant کمک میکنه تو دورهای که هزینههای زیرساخت AI به ۶.۷ تریلیون دلار میرسه، جایگاه قویتری داشته باشه. انتظار میره معامله تا پایان سهماهه دوم ۲۰۲۶ نهایی بشه.