From AI-Slop to AI-Polish, tackling the elephant in the room —AI writing quality is "mid" at best. Despite LLMs crushing coding, their creative writing feels pedestrian.

We introduce:

1️⃣ Writing Quality Benchmark (WQ): First comprehensive testbed for writing quality assessment
2️⃣ Writing Quality Reward Models (WQRM): Outperforming GPT-4o & Claude with 74% accuracy on WQ
3️⃣ Test-time compute strategies yielding text preferred by experts 66% of the time

🖇 Paper: https://bit.ly/3Gs6LbR

من نمیفهمم چرا اینایی که اپلای میکنن میرن احساس میکنن باید بلاگر اپلای یا لایف استایل بشن؟!

مقاله چگونگی کارکرد اپلیکیشن تیک تاک
▪️ Monolith: Real Time Recommendation System With Collisionless Embedding Table

#علوم_پزشکی #مقاله #ایده_جذاب #ریکامندر

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دهم اردیبهشت روز خلیج فارس گرامی باد

هدف اصلی این تحقیق، توسعه ابزاری است که امکان تحلیل سریع و جامع ویژگی‌های فیزیکوشیمیایی توالی‌های پروتئینی را فراهم می‌کند. BEER به پژوهشگران این امکان را می‌دهد تا با استفاده از داده‌های توالی، بینش‌هایی درباره خواص بیوشیمیایی پروتئین‌ها کسب کنند.​ شامل ترکیب اسیدآمینه، پروفایل هیدروفوبیسیته با استفاده از مقیاس Kyte–Doolittle، نمودار بار خالص در مقابل pH با تعیین نقطه ایزوالکتریک، پیش‌بینی حلالیت، و شاخص‌هایی مانند وزن مولکولی، ضریب جذب در ۲۸۰ نانومتر، نمره GRAVY، شاخص ناپایداری و آروماتیسیته.
ا BEER ابزاری قدرتمند برای تحلیل سریع و تعاملی توالی‌های پروتئینی است که می‌تواند به پژوهشگران در زمینه‌های #بیوفیزیک، #زیست_شناسی_محاسباتی و #بیوانفورماتیک کمک کند تا بینش‌های عمیق‌تری از خواص #بیوشیمیایی پروتئین‌ها به دست آورند.​

▪️ BEER: Biochemical Estimator and Explorer of Residues -- A Comprehensive Software Suite for Protein Sequence Analysis

#پزشکی #زیست_شناسی #ژنتیک #علوم_پزشکی #مقاله #ایده_جذاب #شیمی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

لیست کانال و گروه های ما :

▪️ گروه هوش مصنوعی: یادگیری عمیق و...

https://www.tg-me.com/DeepLearningAIExperts

▪️ گروه هوش مصنوعی: پردازش زبان طبیعی
https://www.tg-me.com/NLPExperts

▪️ کانال دکتر میثم عسگری

https://www.tg-me.com/ai_person

▪️ گروه لینوکس و پایتون و سایر...
https://www.tg-me.com/PythonLinuxExperts

با اشتراک گذاشتن این پست به دیده شدن و پیشرفت هموطنان خود کمک کنید. جایی برای پرسش و پاسخ و ارتباط با پژوهشگران علوم کامپیوتر و صنعت پیدا کنند.

علی بابا یک مدل برای کسایی که GPU قدرتمندی ندارند به اسم Qwen2.5-Omni منتشر کرد
https://github.com/QwenLM/Qwen2.5-Omni

این کانال یکی دوستان کار درستم محمدعباسی هستش فردی بادرایت با سواد و فهمیده دوست داشتین کانالشو بررسی کنین راجب پایتون rust و هوش مصنوعی مطلب میزاره

ولی این نمایشگاه اینوتکس زیادی پروژه های دیگرانو به اسم خودشون اوردن نمایش میدن😄

تو این قسمت با سید محمدجواد فیض آبادی ثانی راجع به تفاوت‌های صنعت و اکادمیک و البته مدل‌های زبانی صحبت کردم.

محمدجواد دانشجوی دکتری هوش مصنوعی دانشگاه صنعتی شریف هست و قبلاً هم تیم لید بخش دیتاساینس تپسل بوده.

تو این گفتگو با هم دیگه راجع به تفاوت‌های زندگی در دانشگاه و صنعت صحبت می‌کنیم و قاعدتاً راجع به این که دکترا بخونیم یا خیر. در انتها هم با توجه به این که محمدجواد تز دکتراش در ارتباط با مدل‌های زبانی بزرگ هست، یه کم راجع به این مدل‌ها گپ می‌زنیم. من از گفتگو با سید لذت بردم. امیدوارم شما هم ببرید.

در ضمن اگر خواستید این ویدئو رو بصورت تصویری ببینید، می‌تونید از لینک بالا ببینید.

https://aprd.ir/ai-station-e21-seyyed-sani/

این مخزن برای پژوهشگران، توسعه‌دهندگان و علاقه‌مندان به یادگیری ماشین که می‌خواهند با مفاهیم و پیاده‌سازی‌های مختلف RAG آشنا شوند، منبعی ارزشمند است.

https://github.com/FareedKhan-dev/all-rag-techniques

میزان مصرف #Compute_Units ها در GPU های مختلف در Google_Colab

در پلن Colab_Pro به صورت پیش فرض 100 compute unit و در پلن +Colab_pro به میزان 500 compute unit به اکانت شما اختصاص داده میشه، با توجه به انتخاب نوع gpu و یا cpu و با توجه به نرخ مصرف در ساعت، طبق جدول فوق از میزان compute unit های اکانت شما کم میشه.
در ضمن این نرخ مصرف ها برای اکانت من هست ممکنه با توجه به سیاست های گوگل متناسب با مصرف اکانت باشه و با اکانت های دیگه متفاوت باشه.
برای مشاهده میزان نرخ مصرف و تعداد compute unit باقیمانده اکانتتون میتونید گزینه view resources را از منوی Runtime انتخاب کنید.
#Colab
🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

این تحقیق نشان می‌دهد که استفاده از چارچوب RAG به طور خودکار ایمنی مدل‌های زبانی را افزایش نمی‌دهد و می‌تواند خطرات جدیدی ایجاد کند. بنابراین، توسعه‌دهندگان و محققان باید ارزیابی‌های ایمنی خاصی برای مدل‌های RAG انجام دهند و به طور فعال خطرات جدید را شناسایی و کاهش دهند.


▪️ RAG LLMs are Not Safer: A Safety Analysis of Retrieval-Augmented Generation for Large Language Models

#علوم_پزشکی #مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

روز جهانی کارگر مبارک ❤️

اگر علاقمند به یادگیری NLP هستید این مقاله مروری تکنیکهای پردازش زبان طبیعی را فهرست کرده و نقطه شروعی عالی برای همه علاقمندان پردازش زبان طبیعی و ابزارهای هوش مصنوعی ترسیم کرده است و آنها را به چشم انداز این مسیر بیشتر اشنا میکند.

🔸 Efficient Methods for Natural Language Processing: A Survey

#مقاله #مبتدی #الگوریتمها #پردازش_زبان_طبیعی #منابع #مقدماتی

🔸 مطالب بیشتر 👇

✅ @AI_DeepMind

https://huggingface.co/Qwen/Qwen2.5-Omni-3B
مدل متن باز speech to speech

🔷 Paper2Code
تبدیل خودکار مقالات علمی یادگیری ماشین به مخازن کد با استفاده از سیستم چندعاملی مبتنی بر مدل‌های زبانی

🟧 ویژگی‌ها:
• تبدیل مقالات به کد در سه مرحله: برنامه‌ریزی، تحلیل و تولید کد
• پشتیبانی از مدل‌های OpenAI و مدل‌های متن‌باز مانند DeepSeek-Coder
• ارزیابی کیفیت کد تولیدشده با استفاده از معیارهای مرجع‌محور و بدون مرجع


🔸 github.com/going-doer/Paper2Code
🔸 @RecomenderSystem2023

🔷 AI Dev Gallery
گالری تعاملی از نمونه‌های هوش مصنوعی برای توسعه‌دهندگان ویندوز
اجرای مدل‌های AI به‌صورت محلی در اپلیکیشن‌های C#

🟧 ویژگی‌ها:
• بیش از ۲۵ نمونه تعاملی با مدل‌های محلی
• پشتیبانی از APIهای Windows Copilot Runtime
• دریافت مدل‌ها از Hugging Face و GitHub
• نمایش و خروجی‌گیری مستقیم کد C# به پروژه‌های Visual Studio

🟦 مناسب برای:
• توسعه‌دهندگان ویندوز و .NET
• ادغام سریع AI در اپلیکیشن‌های دسکتاپ
• آزمایش مدل‌ها بدون نیاز به سرویس‌های ابری

🔸 github.com/microsoft/AI-Dev-Gallery
🔸 @RecomenderSystem2023