📢 محدودیت‌های جدید برای Claude Code توسط Anthropic

♻️از تاریخ ۲۸ آگوست ۲۰۲۵ شرکت Anthropic محدودیت هفتگی برای قابلیت Claude Code در پلن‌های Pro و Max اعمال می‌کند.


---

🔎 چرا این تصمیم گرفته شد؟

♻️برخی کاربران Claude را به صورت ۲۴ ساعته و ۷ روز هفته اجرا کرده‌اند.

♻️حتی یک کاربر در پلن ۲۰۰ دلاری ماهانه، ده‌ها هزار درخواست ایجاد کرده است.

♻️این مسئله فشار زیادی بر زیرساخت‌ها وارد کرده و Anthropic را مجبور به مداخله کرده است.



---

📊 جزئیات محدودیت‌ها (برای نمونه پلن Max 20×):

Sonnet 4 ➝ بین ۲۴۰ تا ۴۸۰ ساعت در هفته

Opus 4 ➝ بین ۲۴ تا ۴۰ ساعت در هفته

کاربران می‌توانند در صورت نیاز اعتبار اضافه خریداری کنند.



---

⚡ واکنش‌ها:

♻️این تغییر تنها کمتر از ۵٪ کاربران را تحت تأثیر قرار می‌دهد.

♻️با این حال، بسیاری از توسعه‌دهندگان می‌گویند این محدودیت باعث اختلال در گردش‌کار آن‌ها شده و اطلاع‌رسانی ضعیف بوده است.



---

📌 جمع‌بندی:
همچنین Anthropic می‌خواهد تعادل بین پایداری زیرساخت و رضایت کاربران برقرار کند، اما این تصمیم باعث بحث‌های زیادی در جامعه توسعه‌دهندگان شده است.

@rss_ai_ir 🚀

⚡ China’s Power Grid vs U.S.

🏭 چین با داشتن ذخیره برق ۸۰ تا ۱۰۰ درصدی و شبکه متمرکز دولتی، آماده یک جهش بزرگ در زیرساخت هوش مصنوعی است. این کشور با تکیه بر زغال‌سنگ و برنامه‌ریزی کلان، انرژی پایدار برای دیتاسنترهای عظیم فراهم کرده است.

⚙️ در مقابل، آمریکا با شبکه برق پراکنده و فرسوده، توسعه کند خطوط انتقال و محدودیت ظرفیت روبه‌رو است؛ حتی اگر GPU کافی باشد، برق کافی برای آن‌ها وجود ندارد.

💰 گزارش McKinsey نشان می‌دهد جهان تا سال ۲۰۳۰ به ۶.۷ تریلیون دلار سرمایه‌گذاری در مراکز داده نیاز دارد. کشورهایی که همزمان روی انرژی و سخت‌افزار محاسباتی سرمایه‌گذاری کنند، برنده رقابت خواهند بود.

🎯 نتیجه: GPU بدون برق مثل موتور بدون سوخت است.
در این میدان، انرژی همان‌قدر تعیین‌کننده است که تراشه‌ها.

@rss_ai_ir

📑✨ خبر داغ: Hugging Face بی‌سروصدا یه ابزار جدید به اسم AI Sheets منتشر کرده!

🔹 این دقیقاً رویای هر ML-مهندس محسوب میشه: ابزاری برای ساخت و برچسب‌گذاری سریع و تعاملی دیتاست‌ها برای تقریباً هر نوع تسک.

⚙️ چطور کار می‌کنه؟

* فقط کافیه یه مدل آماده (اوپن‌سورس یا حتی مدل اختصاصی خودتون) انتخاب کنید
* یه پرامپت متنی بدید
* و درجا یه دیتاست آماده تحویل بگیرید!
بعدش هم میشه راحت ویرایشش کرد.

📂 علاوه بر این، می‌تونید دیتاست‌های آماده رو آپلود کنید، گسترش بدید یا تغییر بدید. حتی روی داده‌های چندوجهی (Multimodal) هم جواب میده.

🖥 اجرای لوکال هم خیلی ساده‌ست، دستورالعملش روی گیت‌هاب موجوده:
👉 [github.com/huggingface/aisheets]

#هوش_مصنوعی #دیتاست #HuggingFace #AISheets
@rss_ai_ir

🦖 خبر تازه: DINOv3 منتشر شد! 🦖

🔹 متا از DINOv3 رونمایی کرد؛ یک مدل پایه نوآورانه در بینایی ماشین که تونسته رکوردهای قبلی رو پشت سر بذاره.
🔹 کد و وزن‌ها هم منتشر شدن (تحت لایسنس DINOv3) 💙

📌 منابع:
لینک گیت هاب

#هوش_مصنوعی #بینایی_ماشین #Meta #DINOv3
@rss_ai_ir

🧠✨ معرفی پژوهش جدید: HumanSense

📄 محققان (Yi Yuan, Tianqi Li, Yabing Wang, Ruobing Zheng, Zheng Qin) در مقاله‌ای تازه، بنچمارکی به نام HumanSense معرفی کردن که توانایی مدل‌های بزرگ چندوجهی (MLLMs) رو در *درک مقاصد پیچیده انسانی* و تولید پاسخ‌های همدلانه و آگاه به زمینه بررسی می‌کنه.

🔹 ویژگی‌ها:

* شامل ۱۵ تسک در ۴ لایه مختلف برای ارزیابی دقیق‌تر
* بهره‌گیری از یادگیری تقویتی چندمرحله‌ای و همه‌جانبه (omni-modal RL) روی ورودی‌های تصویری، صوتی و متنی
* تمرکز روی *تعامل انسان‌محور* و شکاف موجود در فریم‌ورک‌های ارزیابی ریزدانه

📊 نتایج:

* عملکرد انسان در این بنچمارک: ۸۷.۵٪ دقت
* بهترین MLLMها همچنان فاصله زیادی با این خط مبنا دارن
* روش نویسندگان دقت در تسک Psychological Chat رو از ۰.۳۹۹ → ۰.۶۱۹ ارتقا داده

💡 پیام اصلی برای متخصصان:
بزرگ‌ترین گلوگاه MLLMها در تعامل انسان‌محور، *استدلال سطح‌بالا*ست. با استفاده از ورودی‌های چندوجهی و تمرکز روی آموزش مبتنی بر استدلال یا مهندسی پرامپت، میشه بهبود قابل‌توجهی ایجاد کرد.

📚 مطالعه بیشتر:
🔗 [arXiv](https://arxiv.org/abs/2508.10576)
🔗 [HuggingFace](https://huggingface.co/papers/2508.10576)

#هوش_مصنوعی #MLLM #بنچمارک #HumanSense
@rss_ai_ir

📦🤖 شمارش محصولات با کمک بینایی ماشین!

این تصویر مربوط به یک پروژه‌ی کاربردی در مدیریت انبار هست که در آن با استفاده از هوش مصنوعی و آنالیز ویدیویی**، ورود و قرارگیری محصولات داخل جعبه‌ها به‌صورت خودکار شناسایی و شمارش میشه.

🔹 مزایا:

* حذف خطای انسانی در شمارش محصولات
* سرعت و دقت بالاتر در فرآیند بسته‌بندی
* بهینه‌سازی مدیریت موجودی انبار

این نوع سیستم‌ها با استفاده از **مدل‌های بینایی کامپیوتر و تعریف محدوده‌های مجازی (Virtual Fence) می‌تونن لحظه‌به‌لحظه شمارش دقیق انجام بدن و گزارش‌های بلادرنگ ارائه کنن.

در واقع، این همون جاییه که هوش مصنوعی مستقیماً به بهبود بهره‌وری صنعتی کمک می‌کنه 🚀

#هوش_مصنوعی #بینایی_ماشین #Warehouse #AI_Vision
@rss_ai_ir

🐄🌱 کشاورزی هوشمند با حصار مجازی (Virtual Fence)

ایده‌ی نوآورانه‌ای که داره نحوه‌ی مدیریت دام‌ها رو متحول می‌کنه! 🚀
به جای استفاده از فنس‌های فیزیکی پرهزینه و سخت‌نگهداری، با فناوری حصار مجازی میشه محدوده‌ی حرکت دام‌ها رو از طریق سیستم‌های هوشمند و پوشیدنی‌ها کنترل کرد.

🔹 مزایا:

* حذف هزینه‌های ساخت و تعمیر حصارهای سنتی
* مدیریت هوشمند چرای دام در مراتع
* افزایش بهره‌وری و کاهش آسیب به محیط زیست
* آزادی بیشتر برای دام‌ها در عین کنترل دقیق

این تکنولوژی نشون میده که چطور اینترنت اشیاء و هوش مصنوعی می‌تونن کشاورزی و دامپروری سنتی رو وارد یک عصر دیجیتال کنن ✨

#کشاورزی_هوشمند #دامپروری #VirtualFence #IoT #هوش_مصنوعی
@rss_ai_ir

❌ صنعت هوش مصنوعی در شوک بزرگ!

قاضی فدرال ویلیام الساپ اجازه داده میلیون‌ها نویسنده علیه شرکت Anthropic شکایت جمعی تنظیم کنن. اتهام: استفاده از کتاب‌های دزدی از کتابخانه‌های سایه‌ای برای آموزش مدل Claude.

📉 اگر دادگاه به نفع نویسنده‌ها رأی بده، جریمه‌ها می‌تونه به صدها میلیارد دلار برسه — عددی که حتی برای شرکتی با ارزش‌گذاری ۶۱.۵ میلیارد دلاری هم به معنای ورشکستگیه.

🔹 شرکت Anthropic بلافاصله درخواست تجدیدنظر داده و هشدار داده که چنین حکمی می‌تونه کل صنعت ژنراتیو AI رو نابود کنه.
🔹 این تنها شروع ماجراست: اوپن‌ای‌آی، متا و سایر غول‌های تکنولوژی هم با پرونده‌های مشابه مواجه هستن.

💡 نتیجه این پرونده‌ها تعیین می‌کنه آیا میشه همچنان روی داده‌های عمومی مدل‌ها رو آموزش داد یا اینکه شرکت‌ها باید برای هر متن استفاده‌شده هزینه پرداخت کنن.

🔗 جزئیات بیشتر: [اینجا]
#هوش_مصنوعی #Anthropic #کپی_رایت #Claude #AI
@rss_ai_ir

🚫 «نه» گفتن در پروژه‌های هوش مصنوعی صنعتی

در حوزه‌ی صنعتی، یکی از مهارت‌های حیاتی برای متخصصان هوش مصنوعی توانایی نه گفتن به پروژه‌هایی است که از نظر فنی، داده‌ای، یا اقتصادی قابل اجرا نیستند. بسیاری از سازمان‌ها به دلیل فشار بازار یا نگاه تبلیغاتی، تمایل دارند هر مسئله‌ای را با برچسب AI حل کنند. اما «بله» گفتن بی‌ملاحظه می‌تواند تبعات سنگینی داشته باشد.

🔹 دلایل نیاز به نه گفتن:

1. نبود داده‌های کافی یا باکیفیت برای آموزش مدل‌ها
2. ناسازگاری پروژه با زیرساخت سخت‌افزاری و نرم‌افزاری کارخانه
3. هزینه‌ی نگهداری و استقرار بالاتر از ارزش اقتصادی خروجی
4. ریسک‌های امنیتی و ایمنی در محیط‌های صنعتی حساس
5. عدم همخوانی هدف پروژه با فرآیندهای واقعی تولید

🔹 پیامدهای بله گفتن نابجا:

* 📉 هزینه‌های سنگین: سرمایه‌گذاری‌های کلان بدون بازگشت سرمایه‌ی واقعی
* ⏳ اتلاف زمان: تیم فنی ماه‌ها درگیر توسعه‌ی سیستمی می‌شود که در نهایت به مرحله‌ی بهره‌برداری نمی‌رسد
* 🤯 فرسودگی تیم: فشار برای رسیدن به اهداف غیرواقعی باعث کاهش انگیزه و خروج نیروهای متخصص می‌شود
* 🏭 اختلال در تولید: استقرار ناقص یا نادرست می‌تواند کل خط تولید را مختل کند
* ⚠️ خطرات ایمنی: در محیط‌های صنعتی مثل معادن یا صنایع سنگین، تصمیمات نادرست AI می‌تواند خسارات جانی و مالی به همراه داشته باشد

✅ نتیجه این است که «نه» گفتن در زمان مناسب نه‌تنها ضعف نیست، بلکه نشانه‌ی بلوغ حرفه‌ای است. یک تیم صنعتی هوشمند باید پیش از آغاز پروژه با تحلیل امکان‌سنجی، شفاف اعلام کند که کدام پروژه ارزش اجرا دارد و کدام صرفاً یک ایده‌ی پرریسک است. این صداقت به نفع شرکت، مشتری و کل صنعت است.

#هوش_مصنوعی #صنعت #مدیریت_پروژه #AI
@rss_ai_ir

📱 فراتر از رایگان؛ معرفی پلن ۵ دلاری ChatGPT Go

🔹 یک طرح جدید با قیمت پایین‌تر از نسخه‌های قبلی ChatGPT معرفی شده: ChatGPT Go که بی‌سروصدا راه‌اندازی شده و فعلاً فقط در هند و چند منطقه محدود فعاله.

💰 با پرداخت حدود ۵ دلار (۴۰۰ روپیه هند) در ماه، به GPT-5 دسترسی خواهید داشت؛ پیشرفته‌ترین مدل ChatGPT. این پلن اجازه میده:

♻️پیام‌های بیشتری ارسال کنید
♻️فایل‌ها رو بارگذاری کنید
♻️تصاویر باکیفیت‌تری بسازید


در واقع ChatGPT Go یک پلن میان‌رده بین نسخه‌ی رایگان و نسخه‌های گران‌تر Plus/Pro محسوب میشه؛ با هزینه‌ای مناسب، امکانات قابل‌توجهی در اختیار کاربر قرار میده.

#ChatGPT #هوش_مصنوعی #GPT5 #اشتراک
@rss_ai_ir

🖼️➡️📊 چرا سیگنال را به تصویر تبدیل کنیم و به شبکه‌های CNN بدهیم؟

در بسیاری از پروژه‌های صنعتی و مهندسی، داده‌ها به‌صورت سیگنال (مثلاً ارتعاشات، امواج صوتی یا داده‌های حسگر) جمع‌آوری می‌شوند. اما چرا این سیگنال‌ها را به تصویر تبدیل می‌کنیم و سپس با شبکه‌های عصبی کانولوشنی (CNN) تحلیل می‌کنیم؟

🔹 دلایل اصلی:

1. 🎯 یادگیری ویژگی‌ها به‌صورت خودکار: CNNها در استخراج الگوهای مکانی و ساختاری بسیار قوی هستند. وقتی سیگنال را به دامنه‌ی زمانی-فرکانسی (مثل طیف‌نگار یا spectrogram) تبدیل کنیم، الگوهای پنهان بهتر آشکار می‌شوند.


2. 👁️ نمایش بصری غنی: تبدیل سیگنال به تصویر، اطلاعات ترکیبی زمان و فرکانس را به‌صورت همزمان ارائه می‌دهد که در حالت خام سیگنال به‌راحتی قابل‌مشاهده نیست.


3. ⚡ انتقال دانش (Transfer Learning): با تبدیل سیگنال به تصویر، می‌توان از مدل‌های پیش‌آموزش‌دیده‌ی بینایی ماشین (مثل ResNet یا EfficientNet) استفاده کرد و نیاز به داده‌ی کمتر داشت.


4. 🏭 کاربردهای صنعتی: در تشخیص خطا در موتورها، پایش وضعیت ماشین‌آلات، یا شناسایی عیوب مواد، تصاویر طیف‌نگار یا ویولت تبدیل به ورودی استاندارد برای CNN شده‌اند.



✅ نتیجه: با این رویکرد، سیگنال خام به داده‌ای تبدیل می‌شود که هم برای انسان قابل درک‌تر است و هم برای CNNها مناسب‌تر، و همین باعث دقت بالاتر در تشخیص و طبقه‌بندی می‌شود.

#هوش_مصنوعی #CNN #سیگنال #پردازش_تصویر #صنعت
@rss_ai_ir

⚙️ مدل‌های سبک (Lightweight Models) برای صنعت

در کاربردهای صنعتی همیشه محدودیت‌های زیادی وجود داره:

💻 سخت‌افزارهای محدود (لبه‌ی شبکه، میکروکنترلرها، یا دستگاه‌های嵌ه‌شده)

⚡ نیاز به پردازش بلادرنگ (Real-time)

🔋 مصرف انرژی پایین

📡 انتقال داده با تأخیر یا پهنای‌باند محدود


به همین دلیل مدل‌های سبک (Lightweight) توسعه پیدا کردن تا بتونن با کمترین منابع، بیشترین کارایی رو ارائه بدن.

🔹 نمونه‌های مهم مدل‌های سبک:

1. MobileNet (V1, V2, V3) → طراحی‌شده برای موبایل و IoT؛ مناسب برای بینایی ماشین صنعتی.


2. EfficientNet-Lite → نسخه سبک‌شده‌ی EfficientNet با بهینه‌سازی برای سرعت و مصرف انرژی.


3. SqueezeNet → با کمتر از ۵ مگابایت حجم؛ مخصوص محیط‌های کم‌منبع.


4. ShuffleNet → استفاده از کانولوشن گروهی برای کاهش محاسبات.


5. Tiny-YOLO / YOLO-Nano → نسخه‌های سبک از YOLO برای تشخیص اشیا در محیط‌های صنعتی.


6. Distilled Transformers (مثل TinyBERT, DistilBERT) → نسخه‌های سبک‌تر مدل‌های زبانی برای تحلیل داده‌های متنی و گزارش‌های صنعتی.


7. EdgeNeXt, MobileViT → مدل‌های جدیدتر که ترکیب CNN و Transformer رو با معماری سبک ارائه می‌دن.



🔹 مزایا برای صنعت:

♻️استقرار روی دستگاه‌های Edge بدون نیاز به سرور قدرتمند
♻️قابلیت کار در محیط‌های پرخطر یا بدون اتصال اینترنت
♻️کاهش هزینه‌های پردازشی و انرژی
♻️مناسب برای سیستم‌های پایش وضعیت، کنترل کیفیت، رباتیک و اینترنت اشیاء


✅ نتیجه: انتخاب مدل سبک، کلید موفقیت در پروژه‌های صنعتی هوش مصنوعی است؛ چون امکان استفاده عملی از AI را در محیط‌های واقعی و محدود فراهم می‌کنه.

#هوش_مصنوعی #مدل_سبک #EdgeAI #صنعت
@rss_ai_ir

📊 نتایج تازه‌ی بنچمارک مدل‌ها؛ Grok-4، Opus 4.1 و Mistral Medium 3.1

به‌نظر میاد ایلان ماسک راه درستی رو انتخاب کرده 🚀
مدل Grok-4 هم پشتیبانی کامل از خروجی‌های ساختاریافته (Structured Outputs) داره و هم در بنچمارک جدید دقیقاً هم‌امتیاز با GPT-5 (medium reasoning) شده: ۷۹.۴٪ 🔝

🔹 نکات مهم:

امروز تعداد بیشتری از ارائه‌دهندگان مستقل خروجی ساختاریافته رو ساپورت می‌کنن:
✅ Fireworks
✅ Cerebras
✅ Groq

علاوه بر این‌ها، ارائه‌دهندگان بزرگ مثل OpenAI (+Azure)، Mistral و Google (به‌صورت محدود) هم پشتیبانی دارن.


⚠️ مدل‌های GPT-OSS به‌دلیل فرمت جدید Harmony فعلاً با Structured Outputs پایدار کار نمی‌کنن؛ نه روی ارائه‌دهندگان و نه در ollama. باید صبر کرد.

📉 وضعیت بقیه:

علاوه بر این Anthropic Claude همچنان در رتبه‌های پایین وظایف صنعتی مونده. شرکت هم درباره‌ی پشتیبانی از constrained decoding یا Structured Outputs سکوت کرده. حتی Opus 4.1 نسبت به Opus 4.0 کمی ضعیف‌تر شده (رتبه ۲۲).

همچنین Mistral Medium 3.1 هم بدون جهش خاص؛ کمی پایین‌تر از نسخه 3.0 با رتبه‌ی ۳۸.


📌 جمع‌بندی: آینده رقابت مدل‌ها در صنعت به شدت به توانایی در خروجی‌های ساختاریافته وابسته خواهد بود.

#هوش_مصنوعی #Grok #GPT5 #Claude #Mistral
@rss_ai_ir

🤖 کلود اوپوس ۴ و ۴.۱ اولین مدل‌های جهان با قابلیت «پایان دادن به گفتگو»

✅از این پس اگر کاربری به شکل مداوم سعی کنه محتوای ممنوعه از مدل بگیره یا به توهین و سوءاستفاده ادامه بده (حتی نسبت به خود مدل)، Claude می‌تونه تصمیم بگیره گفتگو رو به‌طور کامل قطع کنه.

🔹 نکات کلیدی:

♻️این قابلیت فقط در موارد نادر و به‌عنوان آخرین راه‌حل فعال میشه؛ زمانی که همه‌ی تلاش‌ها برای هدایت گفتگو به مسیر سازنده شکست بخوره.

♻️بیشتر کاربران هرگز با این ویژگی مواجه نخواهند شد.

♻️این نخستین باره که یک مدل هوش مصنوعی عملاً «حق انتخاب» پیدا می‌کنه که ادامه‌ی گفتگو بده یا نه.


🔍 نکته‌ی جالب اینه که Anthropic میگه این تصمیم به معنای دادن «آگاهی» به AI نیست. با این حال، اصطلاح رفاه مدل (Model Welfare) رو معرفی کرده و حتی از مفاهیمی مثل «استرس مدل‌ها» یا واکنش‌های رفتاری آن‌ها در چارچوب ایمنی و الایمنت صحبت می‌کنه.

📌 جزئیات بیشتر: anthropic.com/research/end-subset-conversations

#هوش_مصنوعی #Claude #Anthropic #AI #امنیت
@rss_ai_ir