#Quick

بعنوان یک مدل open-source ویدئوهای تولید شده توسط Wan2.1 خیلی خوبه‌ها خیلی

نتایج Gemma3 روی LMSys رو دیدید ؟

از نظر تعداد پارامتر و با توجه به اینکه مدل Reasoning نیست بنظر خیره کننده میاد.

یک مقدار زیادی طول خواهد کشید تا شخصاً تست کنم ولی حتماً اینکار رو خواهم کرد.
بخصوص اگر بر اساس این مدل Reasoning مدل‌های مختلف هم توسعه داده بشه

پ.ن : این مدل بیش از ۱۴۰ زبان رو پشتیبانی می‌کنه.

این مدل خیلی خوبه (با توجه به تعداد پارامتر و توانایی‌هاش)

قابلیت Deep Research که توسط گوگل معرفی شد ولی OpenAi زودتر کپی کرد و با قیمت (اگر اشتباه نکن) 20$ به کاربرا دسترسی داد.

حالا برای کاربرهای Gemini رایگان شده


نتایج خوبی هم داره من روی تست‌های اولیه باهاش کار کردم.

یک پست از پلتفرم X برام ارسال شد با این داستان که :
یک نفر به کمک Vibe Coding (هیچ سواد توسعه کد نداره و با cursor , ... سرویس توسعه می‌دید) یک SaS توسعه داده و اتفاقا به درآمد هم رسیده اما بعد از مدتی اتفاقات عجیب (چیزی که کاربر نوشته) براش اتفاق افتاده.

که خب میشه گفت اینا بوده؛ DDOS خورده؛ باگ خورده و Payment , ... رو دور زدند؛ سیستم و دیتابیس هک شده و یک سری تغییرات توی جداول و داده اضافه شده و ...

این دقیقا همون چیزی هست که بهش اشاره کردم؛ توی کار ماهم بچه‌های Coder (اونایی که فقط سینتکس + یک فریمورک رو یاد گرفتند) دقیقا همیشه به همین مشکلات میخورند و نمی‌دونند باید چیکار کنند (همیشه منتظر سنیور بالاسر یا ... می‌مونند) که خب اینها همون گروهی هستند که هدف جایگزینی با هوش مصنوعی خواهند بود.
اما بچه‌های Software Engineer می‌تونند پیدا کنند مشکل از کجاهاس - مانیتورینگ دارند؛ تست می‌نویسند و ... (حتی اگر تمام کد‌های تست‌هاشون رو از AI بخواهند بنویسه ولی سناریوهای خطرناک رو می‌شناسند و تست می‌کنند)

ساخت سرویس - اپلیکیشن و ... فقط کد زدن نیست؛ شما باید با خیلی مفاهیم دیگه هم آشنا باشی که این مفاهیم رو وقتی یاد میگیری که هدفت از یادگیری Software Engineer شدن باشه نه تفریح آخر هفته‌ای.

خیلی خوشحالم که این پست‌ها توی X داره دیده میشه و خیلی از شما عزیزان هم بهم پیام میدید که چطوری بریم سراغ Software Engineering برای بخش زبان برنامه‌نویسی پایتون :

https://www.tg-me.com/pyHints/759

برای ابزار و ... هم توی یک فرصت مناسب حتما یک RoadMap می‌نویسم البته پیشنهادم این هست :

Grok 3 یا Gemini Deep Research
رو باز کنید؛ یک متن درمورد خودتون و سطح سواد و چیزایی که بلد هستید بهش بدید و ازش بخواید بهتون RoadMap بده با تمرکز روی آنچه که بلد نیستید؛ اگر درست استفاده کنید RoadMap های خیلی خوبی رو معرفی می‌کنه.

هر ۱۰۰ دلار ۱۰ میلیون تومان

نگید درست می‌شه؛ تا وقتی مردم نشستند و درست نمی‌شن
مملکت هم درست نخواهد شد.

میگه؛ تو که درآمد دلاری هم داری تو حرص چی رو میخوری.

آره درسته، ولی من هم خانواده دارم، هم رفیق دارم، هم کلی هموطن دارم.
اینکه از در خونه بزنی بیرون؛ غم و غصه ببینی تو صورت پیر و جوان ناراحت کننده‌اس.

فرض کن توی خونت باشی بک خبر خوب بهت بدند و شخصاً خوشحال باشی ولی و کل خانوادت درگیر مشکلات و غم و غصه؛ حسش چطوری هست ؟
حس منم همینطوری هست.

اگر بهم بگن، درآمد دلاری تو بشه ضرر ولی قیمت‌ها برای همه‌ی ایران مناسب بشه. همین ثانیه استعفا میدم.
نمی‌شه توی یک جمع دائم غمگین، شاد و سالم زندگی کرد.

پ.ن :
گفتن حقوق کارگر ۴۰٪ افزایش پیدا می‌کنه، خواستم بگم حدود ۲۵٪ اش پرید و کارگر هنوز حقوقی نگرفته.

زردی من از تو / سرخی تو از من

#ai_generated

این دستگاه که می‌بینید اسمش DGX Spark هست؛ جواب شرکت Nvidia به Framework, Apple Studio پیش فروش شروع شده با قیمتی حدوداً 3500 یورو.

برای سال جدید، با شرکتی در ایران صحیت می‌کردیم روی یک سری کارهای هوش مصنوعی؛ که خب تصمیم گرفته بودند دوتا دستگاه با حداقل 96GB گرافیک تهیه کنند و نگرانی سرمایه گذاری و نشدن و ... داشتند.

یک همچین کانفیگی اگر بخواد بروز هم باشه برای هر سیستم حدوداً 8000$ درمیاد؛ که شخصاً با کمی جستجو پیشنهاد این دستگاه رو دادم.

تنها چیزی که کم داره البته فقط Memory Bandwith هست که ای کاش بالای 400GB بود ولی همین هم عالی هست (برای 90٪ البته فرقی هم نمی‌کنه)

با قیمت ۲تای این دستگاه؛ میشد یکی ازون سیستم‌ها تهیه کرد فقط.
کاملاً هم قابل حمل هست.

https://www.nvidia.com/en-us/products/workstations/dgx-spark/

دیروز عصر یک لحظه gemini از کار افتاد و بعد از reload یک گزینه کنار DeepResarch اضافه شد به اسم Canvas که خب غیر فعال بود تا وقتی داشتم کار میکردم. (این مورد روی Gemini2-flash رایگان هست)

اما امروز متوجه شدم این قابلیت هم رایگان هست؛ برای frontend بنظرم خیلی گزینه خوبی هست.
توی نسخه فعلی Html, React رو پشتیبانی می‌‌کنه.

قبلتر DGX Station رو معرفی کردم بودم (شخصا هم منتظرش هستم) یکی از دوستان پرسیده این یا اون ؟

بدون شک DGX Station به مراتب گزینه بهتری هست؛ اما برای شرکتی که میخواد انواع مدل‌ها و Guard و ... رو تست کنه یا اینکه code assistant, agent توسعه بده و یا حتی Local LLM به نیروهاش بده DGX Spark گزینه ارزونتر و مناسبتری هست.

نکته: DGX Statiion هنوز معرفی هم نشده.

https://www.nvidia.com/en-us/products/workstations/dgx-station/

نوروز مبارک 🌹🎊🎉🎉🎊🎉🌹

امیدوارم سال جدید از سالی که لحظات آخرش هست، بهتر باشه.
پر از خبرای شادی بخش برای ایران و ایرانیان.

سایه آخوند از وطن دور

Grok3
هم قابلیت ادیت عکس رو اضافه کرده.

برخلاف قابلیت تولید عکس؛ این قابلیت عکس رو دست‌نخورده باقی می‌ذاره و فقط اون ویژگی که شما درخواست دادید رو به عکس اضافه یا از عکس کم می‌کنه.

خیلی خوب شده 👌

راستی gemini چندروز پیش این قابلیت رو معرفی کرد.

اگر دارید هوش مصنوعی یاد می‌گیرید،
یک سری چیزها رو باید بلد باشید:

۱- پایتون: من تا oop خوندم و ... نداره‌.
دست بردارید ازین دوره‌های دوزاری و ویدئوها و کلاس‌های آموزشگاهی؛ یک آموزشگاه یا یک فروشنده دوره برای سود بیشتر اینکار رو می‌کنه :
دوره مقدماتی - متوسط - پیشرفته ...
اگر آینده کاری که می‌کنید براتون مهم هست؛ یک کتاب رفرنس پایتون بردارید :
Head First Python - 3rd edition

اگر تمام سرفصل‌ها و مطالبش رو بلد بودید، اون موقع شما تازه مقدمات پایتون رو یاد گرفتید.

پایتون سطح متوسط چی می‌شه ؟
Fluent Python 2nd edition

پایتون پیشرفته چطور ؟ چنین چیزی وجود نداره؛ شما نمی‌تونی بگید یک زبان برنامه‌نویسی رو کامل بلدی ولی مفاهیم اصلی software enginnering رو ندونی.
پیشرفته یعنی جزئیات عملکرد همه چیز در پایتون رو بدونی؛ کتاب نداره Document, Source code داره این بخش.

۲- باید Software Engineering بلد باشی؛ خیلی صحبت شده کتابای معرفی شده توی استوری‌های‌ کانال @pyhints

لینوکس و داکر و ... واجبات هست.

بعد از همه‌ی اینها تازه میرسیم به محاسبات ریاضی و ماتریس و ...
بعد فریمورک پایتورچ یا تنسورفلو و ابزارهای مختلف هوش مصنوعی و البته سرویس های Cloud

در نهایت برای اونهایی که بفکر یادگیری اصولی هستند، مقاله مدل‌های حوزه کاری خودتون رو بخونید (مدل‌های معروف حتی قدیمی)؛ سعی کنید با توجه به جزییات مدل و بر اساس مقاله مدل رو پیاده‌سازی کنید، بدون اینکه سورس کدهاش رو ببینید.
بعد ساختار مدلی که پیاده‌سازی کردید رو با کدهای منتشر شده مقایسه کنید، ۳ حالت داره :

۱- هیچی نفهمیدید و کاملاً اشتباه پیاده‌سازی کردید، نقطه ضعف‌هاتون رو پیدا می‌کنید در عوض.

۲- دقیقاً مطابق مقاله پیاده‌سازی کردید، اما با سورس کدهای ارائه شده توی گیت‌هاب یا ... نمی‌خونه؛ طبیعی هست، بعضی وقتا بعد از انتشار مقاله تغییرات یا بهبودهایی داده می‌شه
Inception v3
رو یادم هست وقتی پیاده‌سازی کردم، توی آپدیت بعدی که گوگل منتشر کرده دیگه با کدهای من هم‌خوانی نداشت.
این نشون میده یادگرفتید مقالات رو درست بخونید و پیاده‌سازی کنید و از اون مهمتر، می‌فهمید هر تغییر و بهبودی دقیقاً به چه دلیل انجام شده و روی چه چیزی اثرگذار هست.

۳- پیاده‌سازی شما با مقاله و گیت‌هاب می‌خونه؛ کد زدن ایده‌های جدید رو یاد میگیرید.
شاید AlexNet بعدی دنیای هوش مصنوعی از دستاوردهای شما بود.

من شخصاً با این تکنیک با شاگردام کار می‌کردم و می‌کنم، هیچوقت به بچه‌های بالای ۲۰ سال نمی‌گم برو API فلان شرکت رو بگیر و پروژه بزن.
پروژه یعنی پیاده‌سازی مقالات، Transformer, GPT, DeepSeek, ...

خواهشاً راجب این دوره‌هایی که توی ۶۰ ساعت قراره شمارو پیغمبر هوش مصنوعی کنه هم از من سوال نکنید، یا اینکه من پایتون رو مقدماتی بلدم!
چیزی به اسم مقدماتی نداره پایتون (یا هر زبان دیگه‌ای) یا شما پایتون رو بلد هستید یا بلد نیستید، من تا اول oop خوندم و ... نداره عذرخواهی می‌کنم ولی این حرفا احمقانه‌اس ...

یا یک کاری رو درست انجام بده، یا وقت خودت رو تلف نکن، برو دنبال کاری که دوس داری.

خواستم یادی کنم از #توله_مجاهد

امروز با یکی از دوستان روی
Gemini2.5 Pro (Thinking)

رو تست می‌کردیم، یک چیزی رو با مدل‌های دیگه تست کرده بودم جواب نمی‌داد، اونم اینکه:

سورس کد رو بهش بدم، readme و best practices مربوط به پروژه رو هم داشته باشه.

و بهش بگم بر اساس داکیومنت ورژن 4.2 Django بعنوان مثال، و استانداردهای readme, best practices که بهت دادم.
سورس کد رو تحلیل کن و اشتباهات junior هارو براشون مشخص کن، کامنت گذاری و ...

فقط شامل تیکه کد و توضیحی برای تصحیح باشه.

این مدل تنها مدلی بود که تونست اینکار رو انجام بده؛ قطعاً نمی‌تونه جای مهندس نرم‌افزار سنیور رو بگیره ولی نتایجش برای code review خیره کننده‌اس.

یک آفر هم به شرکت دادم، برای این موضوع یک پروژه بزنم و بصورت اتومات اینکار رو انجام بده (قبل از اینکه کسی اجازه pull request داشته باشه)
منتظر تایید هستم، البته جایزه ایده رو هم می‌خوام، البته ایده از این بیشتر بود ولی همین بخش هم چیز خوبی هست.

پیشنهاد میدم اگر دسترسی دارید پرامپت بالا رو تست کن و ببینید چقدر کدها رو براتون استاندارد خواهد کرد.
حتی پیشنهاد split کردن کدها و اسم فایل و ... هم می‌تونید ازش بگیرید.

۱ ماه شده اومدم روی Debian اول از همه اینکه خیلی خیلی پیشرفت داشته Debian واقعا متعجب شدم.
پس چرا توزیع‌های بر پایه‌ی Debian اکثرا انقدر آشغال از کار در میاد ؟

اینجوری پیش رفت که ی بوت سالم برای سوییچ روی Rocky دارم ولی فعلا اصلا دلم نمی‌خواد برگردم روی Rocky با اینکه خیلی خوب پیشرفت حدود ۲ سال اخیر برام.

بگذریم:
متوجه شدم Debian روی sleep کردن مشکل شدید داره (البته همه می‌دونیم مشکل از Nvidia هست نه توزیع‌های لینوکسی)
توی این مدت خیلی وقتا باهاش کنار اومدم (مجبور بودم) مشکل اساسی این بود که سیستم از sleep در نمیاد همه چیز شروع می‌کنه به کار کردن (پمپ - فن‌‌ها - موس - کیبورد) اما فقط هیج کاری هم انجام نمیشه و هیچ خروجی display ایی وجود نداره و هیچ لاگی هم وجود نداره.
کلی دلیل می‌تونه برای این موضوع وجود داشته باشه ولی چون لاگ نداشت نمی‌تونستم حلش کنم.


خلاصه گفتم با این فرض پیش برم که nvidia ی جایی داره ی غلطی می‌کنه که نباید بکنه؛ پس هر جایی که اسکریپت به اسم sleep داشت رو بررسی کردم و رسیدم به usr/lib/systemd/system-sleep/nvidia/ البته دروغ چرا اول با همین مسیرا شروع کردم همچین بررسی کردن خاصی هم نبود 😉

ولی بعد از بازکردنش دیدم نوشته :

#!/bin/sh

case "$1" in
    post)
        /usr/bin/nvidia-sleep.sh "resume"
        ;;
esac

ازونجایی که pre نداشت تقریبا مطمئن شدم یکی از مشکلاتم همین هست؛ بجای اینکه خودم pre رو بنویسم (قبلا نوشتم و به اشتراک گذاشتم) رفتم یک نگاهی به usr/bin/nvidia-sleep.sh/ که آدرس داده که :

#!/bin/bash

if [ ! -f /proc/driver/nvidia/suspend ]; then
    exit 0
fi

RUN_DIR="/var/run/nvidia-sleep"
XORG_VT_FILE="${RUN_DIR}"/Xorg.vt_number

PATH="/bin:/usr/bin"

case "$1" in
    suspend|hibernate)
        mkdir -p "${RUN_DIR}"
        fgconsole > "${XORG_VT_FILE}"
        chvt 63
        if [[ $? -ne 0 ]]; then
            exit $?
        fi
        echo "$1" > /proc/driver/nvidia/suspend
        exit $?
        ;;
    resume)
        echo "$1" > /proc/driver/nvidia/suspend
        #
        # Check if Xorg was determined to be running at the time
        # of suspend, and whether its VT was recorded.  If so,
        # attempt to switch back to this VT.
        #
        if [[ -f "${XORG_VT_FILE}" ]]; then
            XORG_PID=$(cat "${XORG_VT_FILE}")
            rm "${XORG_VT_FILE}"
            chvt "${XORG_PID}"
        fi
        exit 0
        ;;
    *)
        exit 1
esac

که دیدم خودش تمیزکاری قبل از sleep رو هم داره همون بخش suspend رو می‌گم؛ پس فایل اول رو آپدیت کردم :

#!/bin/sh

case "$1" in
    pre)
        /usr/bin/nvidia-sleep.sh "suspend"
        ;;
    post)
        /usr/bin/nvidia-sleep.sh "resume"
        ;;
esac

خلاصه اگر مشکل این چنینی داشتید؛ مخصوصا روی سیستم‌های multi-GPU ممکن راهکار بالا مشکل شمارو هم حل کنه.

ازین به بعد این راهکارها رو روی gist.github هم می‌ذارم چون بعضی وقتا پیدا کردنش برای خودم هم خیلی سخت میشه:
Github Gist in English

#Roadmap detail

یک بحثی توی گروه شد راجب دوره و ...
بعد یک نفر به من پیام داد که تازه وارد دانشگاه شده و رشته کامپیوتر، سوالش این بود اگر خودت ۱۸ سالت باشه و قرار باشه AI یاد بگیری چطوری پیش میری ؟


حاشیه نمیرم ولی اگر من ۱۸ سالم می‌شد، اینکارو می‌کردم :

۱- بدون تعارف اول از همه اونقدر انگلیسی می‌خوندم که مقالات و کتابها رو درک کنم.

۲- لینوکس رو یاد میگرفتم؛ RHCSA, RHCE حداقلش بود

۳- مطمئن می‌شدم Network+ رو حداقل می‌فهمم.

۴- میرفتم سراغ دوره‌های Computer Science دانشگاهای برتر.
مثلاً دوره parallel computing دانشگاه stanford که مطمئنم ۹۰٪ شما ۱ ویدئوش رو هم ندیدید.

۵- دوره‌های سیستم‌ عامل و ... رو هم احتمالاً می‌خوندم.

۶- شروع میکردم یادگیری یک زبان برنامه‌نویسی اگر سختش نکنم، پایتون (یادگیری بطور کامل)

۶- ساختمان داده و الگوریتم رو برای پایتون یاد میگرفتم.

۷- الگوریتم‌های مهم رو سعی می‌کردم پیاده‌سازی کنم و درک کنم چه اتفاقی داره میوفته

۸- پایتون رو پیشرفته تر می‌خوندم، fluent python خیلی کتاب خوبی هست برای شروع این موضوع و باه fluent python تازه شروع ماجرا هست.

۹- مباحثی مثل : async, concurrent, parallel computing رو با جزئیات می‌خوندم. طوریکه خودم بتونم ی green thread پیاده‌سازی کنم (اینکار رو کردم)

۱۰- بعد از همه اینا میرفتم سراغ جبر و آمار و احتمال

۱۱- با مفاهیم ساده Machine learning شروع می‌کردم مفاهمی مثل KNN, ... اینکه چی پشتش هست و چطوری کار می‌کنه و ....

۱۲- پکیج‌های مربوطش رو یاد می‌گرفتم مثل:
Numpy, Scikit-learn, ...

۱۳- با دوره‌های پست
https://www.tg-me.com/pytens/1486
شروع میکردم یادگیری رو

۱۴- هر دوره و بعد از هر درس، اگر می‌دیدم اون مبحث مهم هست بدون استفاده از کتابخونه سعی می‌کردم یا روی کاغذ بنویسم چطوری محاسباتش انجام می‌شه یا (خودم کاغذ دوست نیستم) سری می‌شستم یک پیاده‌سازی ازش میکردم توی پایتون و با numpy, ... که مطمئن بشم درست فهمیدم چی درس داده شده.

۱۵- همین کار رو برای تمام دوره‌های پایه‌ای میکردم (۳تا دوره هست هر کدوم شاید نهایتاً ۱۰ تا پیاده‌سازی بخواد)

۱۶- کار با فریمورک‌ها رو یاد می‌گرفتم، پایتورچ درحال حاضر منابع بیشتری داره

۱۷- مقالاتی که پیاده‌سازی داره ولی خیلی مهم هست (انقلابی بوده)
رو شروع می‌کردم خوندن و پیاده‌سازی بعد با سورس کد منتشر شده مقایسه میکردم.

۱۸- همین روند رو برای مقالات و ایده‌های جدیدی که منتشر میشه دنبال میکردم.


اگر کسی این رو جدی بگیره، ۴ سال دوره لیسانس هست وقتی فارغ‌التحصیل میشه تمام این ۱۸ مورد رو تموم کرده.
چیزایی که قراره توی ارشد و دکتری بخونه رو پیاده‌سازی کرده و البته سواد برنامه‌نویسی‌اش هم حداقل از ۹۰٪ هم سن و سال ‌های خودش بالاتر خواهد بود.

من اگر به ۱۸ سالگی برگردم، این ۱۸ تا کار رو جوری انجام میدم که قبل از پایان دوره لیسانس همش رو تموم کرده باشم (من خیلی‌هاش رو بعد از دوره لیسانس شروع کردم، مثلاً AI رو سال آخر دوره لیسانس شروع کردم که دیگه دیر بود، دوره‌های stanford, ... رو بعد‌ها شروع کردم و ...)

منبع برای لینوکس این موارد رو من تایید می‌کنم؛ شخصا هم برای آزمون redhat چون ایشون رو خود redhat تایید میکرد خوندم :
sander van vugt
دوره‌های ویدئویی هم دارند و کتابهاشون هم کاملترین و بهتری مرجع برای آزمون‌های Redhat هست.

اما اگر چیزی تو مایه‌های امنحانات LPIC میخواید؛
Linux Bible

بهترین گزینه‌ای هست که می‌تونید بخونید.
لینک کتابای مربوط به آزمون Redhat :

RHCSA 9
RHCE 8

شخصا پیشنهاد می‌کنم اول با ویدئوهای Sander van vugt شروع کنید؛ تمرین کنید و ... بعد سراغ کتاب برید (وقتی جدی شد براتون و نیاز داشتید بیشتر بخونید)

به کمک سرویس LiteLLM کاملا رایگان همه دسترسیم به همه سرویس‌هایی که api داشتم (شرکت داده یا رایگان یا ...) رو یکپارچه کردم.

خیلی از دردسرهام کم شد واقعا.

بنظرم تستش کنید