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.
گوگل داره یه API هوش مصنوعی به اسم Prompt API رو مستقیم توی کروم جا میده تا صفحات وب بتونن با مدل زبانی Gemini Nano بهصورت محلی صحبت کنن. موزیلا اما بهشدت مخالفه و میگه این کار تعاملپذیری وب رو خراب میکنه و یه وابستگی خطرناک به مدل و سیاستهای خاص گوگل ایجاد میکنه. جیک آرچیبالد از موزیلا هشدار داده که توسعهدهندهها ناخودآگاه کدشون رو به رفتار همین مدل خاص وصل میکنن و این دقیقاً همون مشکل قدیمی ناسازگاری مرورگرها رو دوباره زنده میکنه. علاوه بر این، استفاده از این API نیازمند پذیرفتن شرا
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.
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!
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.
گیتهاب سالهاست که نهفقط یه هاست گیت، بلکه یه لایهی زیرساختی عظیم برای اینترنت بوده؛ از CI/CD و Pages گرفته تا توزیع پکیج و اسکن امنیتی. اما الان نشانههای فشار زیاد دیده میشه: قطعیهای مکرر، مشکلات ایندکسگذاری، و آسیبپذیریهای امنیتی پشت سر هم. مشکل اصلی اینه که حجم و نوع بار روی گیتهاب با ورود ابزارهای AI و اتوماسیون به شکل غیرخطی منفجر شده، اما معماری متمرکزش همونطور مونده. نویسنده معتقده که باید به سمت یه اکوسیستم کمتر متمرکز حرکت کنیم؛ نه بهعنوان جایگزین، بلکه بهعنوان مکمل گیتهاب
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.
xAI مدل جدید Grok 4.3 رو معرفی کرد که در شاخص هوشمندی Artificial Analysis امتیاز ۵۳ گرفته و از نسخه قبلی Grok 4.20 حدود ۴ امتیاز جلوتره. قیمت ورودی توکنها حدود ۳۷.۵٪ و قیمت خروجی ۵۸.۳٪ کاهش پیدا کرده، در نتیجه اجرای کامل بنچمارکها حدود ۲۰٪ ارزونتر شده. بزرگترین پیشرفت این مدل در تسکهای دنیای واقعی (GDPval-AA) بوده که ۳۲۱ امتیاز ELO رشد داشته. با این حال در این بخش هنوز با GPT-5.5 فاصله داره.
بیشتر سازمانها نه در مدرنسازی ساختمانها، بلکه در استانداردسازی اون در مقیاس بزرگ شکست میخورن. Schneider Electric با پلتفرم هوش مصنوعی EcoStruxure Foresight میخواد این مشکل رو حل کنه؛ سیستمی که دادههای انرژی، برق و ساختمان رو در یه محیط یکپارچه ترکیب میکنه. این پلتفرم با معماری باز، ابزارهای مبتنی بر هوش مصنوعی و قالبهای آماده، استقرار در چندین سایت رو به یه فرایند قابل تکرار تبدیل میکنه. EcoStruxure Foresight قراره در سهماهه سوم ۲۰۲۶ برای مشتریان اولیه عرضه بشه.
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.
آنتروپیک داره آخرین راند سرمایهگذاری خصوصیش رو قبل از IPO جمع میکنه و از سرمایهگذارها خواسته ظرف ۴۸ ساعت تخصیص سرمایهشون رو اعلام کنن. این راند حدود ۵۰ میلیارد دلار تخمین زده میشه و انتظار میره ظرف دو هفته بسته بشه. ارزشگذاری هدف شرکت حدود ۹۰۰ میلیارد دلاره، اما با توجه به تقاضای بالای سرمایهگذارها، ممکنه از این رقم هم فراتر بره. این یعنی آنتروپیک میتونه از رقیب اصلیش OpenAI که اخیراً با ارزشگذاری ۸۵۲ میلیارد دلار سرمایه جمع کرد، پیشی بگیره.
Auvik یه پلتفرم جدید به اسم Aurora معرفی کرده که از هوش مصنوعی عاملی (Agentic AI) برای مدیریت شبکه و عملیات IT استفاده میکنه. Aurora نهفقط مشکلات شبکه رو شناسایی میکنه، بلکه بهت میگه چیکار کنی و در نهایت خودش اقدام میکنه. این پلتفرم روی دادههای واقعی ۱۵ سال گذشته از میلیونها دستگاه مشتریان Auvik کار میکنه و جواب مستقیمی به کمبود متخصصان شبکه در بازار کاره.
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
ورکدی بزرگترین و محکمترین سنگر نرمافزارهای سازمانیه — بیش از ۱۰ هزار شرکت ازش استفاده میکنن، درآمدش به ۱۰ میلیارد دلار نزدیک شده، و رقبا سالهاست نتونستن بهش آسیب بزنن. اما HCM آخرین دسته بزرگ نرمافزارهای سازمانیه که هنوز یک رقیب واقعی بومی هوش مصنوعی نداشته — و این داره تغییر میکنه. تاریخچهی ورکدی نشون میده که همونطور که یه بار خودش با موج ابری شرکتهای قدیمی رو جارو کرد، حالا یه موج جدید داره میاد که میتونه همین بلا رو سرش بیاره.
AWS یه قابلیت جدید به اسم Neuron Agentic Development معرفی کرده که یه مجموعه اوپنسورس از agentها و مهارتهاست و به دستیارهای هوش مصنوعی کدنویسی کمک میکنه توسعه روی Trainium و Inferentia رو سریعتر کنن. نسخه اولیه روی توسعه کرنل با Neuron Kernel Interface (NKI) تمرکز داره و کل فرآیند از نوشتن کرنل تا پروفایلینگ و آنالیز پرفورمنس رو پوشش میده. یعنی دولوپر میتونه با زبان طبیعی از agent بخواد یه عملیات PyTorch رو به کرنل NKI تبدیل کنه، خطاهای کامپایل رو برطرف کنه یا گزارش بهینهسازی پرفورمنس بگ
تیم GLM-V مدل جدیدی به نام GLM-5V-Turbo معرفی کرده که هدفش ساختن یک مدل پایهی بومی برای ایجنتهای چندوجهی (Multimodal Agents) هست. برخلاف مدلهای معمول که پردازش تصویر رو بهعنوان یه افزونهی جانبی میبینن، اینجا درک بصری بهصورت هستهای در کنار استدلال، برنامهریزی و استفاده از ابزارها تعبیه شده. این مدل روی تسکهای کدنویسی چندوجهی، استفاده از ابزارهای بصری و اجرای وظایف ایجنتی عملکرد قویای نشون میده و در عین حال توانایی کدنویسی متنیاش رو هم حفظ کرده.
در ۲۹ آوریل ۲۰۲۶، چهار پکیج npm مرتبط با SAP با یک پیلود مخرب منتشر شدن که اطلاعات اعتباری توسعهدهندگان رو میدزدن. این پکیجها شامل @cap-js/db-service، @cap-js/sqlite، @cap-js/postgres و mbt میشن که روی هم ماهانه بیش از یک میلیون بار نصب میشن. بدافزار با یه هوک preinstall اجرا میشه، توکنهای GitHub، npm، AWS، Azure و GCP رو میدزده و حتی میتونه ریپوهای قربانی رو آلوده کنه. به نظر میرسه حسابهای ناشران این پکیجها هک شده باشن.
Anthropic یه پیشنهاد رسمی به NIST داده که برای اولین بار مسئولیت امنیت عوامل هوش مصنوعی رو به چهار لایه تقسیم میکنه: مدل، هارنس، ابزارها، و محیط. از این چهار لایه، فقط اولی به عهدهی Anthropicه؛ سه تای دیگه کاملاً گردن سازمان استفادهکنندهست. دادههای خود Anthropic هم نشون میده که نظارت انسانی در مقیاس واقعی عملاً شکست خورده — ۹۳٪ از درخواستهای تأیید دسترسی بدون خوندن تأیید میشن. این چارچوب شبیه مدل مسئولیت مشترک AWS در فضای ابریه، ولی این بار برای AI.
ساختن یک نمونه اولیه از هوش مصنوعی عاملی کار چند روزهست، اما مقیاسپذیر کردن، امنسازی و حاکمیت روی اون چالش اصلی سازمانهاست. IDC پیشبینی میکنه تا سال ۲۰۲۹ بیش از یک میلیارد ایجنت هوش مصنوعی فعال باشه. TransUnion با سرمایهگذاری ۱۴۵ میلیون دلاری پلتفرم OneTru رو ساخت و تونست ۲۰۰ میلیون دلار صرفهجویی کنه. اما بزرگترین درسی که این سازمانها یاد گرفتن اینه که امنیت باید از پایه در معماری ایجنتها تعبیه بشه، نه بعد از استقرار.