اخبار و تازهها های نکسینو
- جدیدترین
- جدیدترین
- جدیدترین
رقابت در دنیای هوش مصنوعی دیگر فقط به ساخت مدلهای قدرتمندتر محدود نمیشود؛ ساختار سازمانی، رهبران علمی و نحوه تصمیمگیری شرکتها نیز نقش مهمی در تعیین آینده این صنعت دارند. در سالهای اخیر، شرکتهایی مانند OpenAI، Anthropic و Google DeepMind تلاش کردهاند علاوه بر توسعه مدلهای پیشرفته، مسیر رسیدن به نسل بعدی هوش مصنوعی را نیز مشخص کنند. در همین شرایط، تغییر نقش دمیس حسابیس (Demis Hassabis)، یکی از مهمترین چهرههای تاریخ هوش مصنوعی، در Google DeepMind توجه زیادی را به خود جلب کرده است. حسابیس از مدیریت اجرایی روزمره فاصله گرفته، اما همچنان در ساختار DeepMind و Alphabet باقی میماند و قرار است تمرکز بیشتری روی تحقیقات بلندمدت و مسیرهایی مانند هوش عمومی مصنوعی (AGI) داشته باشد. این تغییر یک سؤال مهم ایجاد کرده است: آیا گوگل در حال تغییر استراتژی خود در رقابت هوش مصنوعی است یا این تصمیم به حسابیس اجازه میدهد روی آینده بلندمدت AI تمرکز بیشتری داشته باشد؟ دمیس حسابیس کیست؟ دمیس حسابیس یکی از شناختهشدهترین پژوهشگران حوزه هوش مصنوعی و بنیانگذار DeepMind است. او پیش از ورود جدی به دنیای AI، در حوزه علوم کامپیوتر، علوم شناختی و علوم اعصاب فعالیت داشت و علاقهاش به ساخت سیستمهایی با توانایی یادگیری و حل مسئله، مسیر حرفهای او را شکل داد. حسابیس در سال ۲۰۱۰ شرکت DeepMind را همراه با چند همکار دیگر تأسیس کرد. هدف اولیه این شرکت توسعه سیستمهای هوش مصنوعی عمومی بود؛ سیستمهایی که بتوانند مانند انسان از تجربه یاد بگیرند و مسائل پیچیده را حل کنند. در سال ۲۰۱۴، گوگل DeepMind را خریداری کرد و این آزمایشگاه به یکی از مهمترین مراکز تحقیقاتی هوش مصنوعی در جهان تبدیل شد. یکی از ویژگیهای مهم DeepMind این بود که برخلاف بسیاری از شرکتهای فناوری، تمرکز اصلی خود را روی تحقیقات بنیادی قرار داد؛ موضوعی که بعدها باعث شکلگیری پروژههایی شد که فراتر از کاربردهای تجاری معمول بودند. مهمترین دستاوردهای دمیس حسابیس و DeepMind DeepMind تحت مدیریت حسابیس چند پروژه تاریخی را توسعه داد که تأثیر زیادی بر مسیر هوش مصنوعی گذاشتند. پروژه اهمیت AlphaGo نشان داد هوش مصنوعی میتواند در یک بازی پیچیده مانند Go از انسانهای برتر عبور کند AlphaFold پیشبینی ساختار پروتئینها را با کمک AI متحول کرد Gemini تلاش گوگل برای رقابت مستقیم با مدلهای پیشرفته شرکتهایی مانند OpenAI AlphaGo؛ لحظهای که AI جهان را شگفتزده کرد در سال ۲۰۱۶، سیستم AlphaGo توانست لی سِدول، قهرمان مشهور بازی Go، را شکست دهد. این اتفاق اهمیت زیادی داشت، زیرا بازی Go برخلاف شطرنج دارای تعداد بسیار زیادی حالت ممکن است و مدتها تصور میشد برای هوش مصنوعی بسیار دشوار باشد. موفقیت AlphaGo نشان داد الگوریتمهای یادگیری عمیق و یادگیری تقویتی میتوانند در مسائل پیچیده تصمیمگیری عملکردی فراتر از انتظار داشته باشند. AlphaFold؛ زمانی که AI وارد علوم زیستی شد یکی دیگر از بزرگترین موفقیتهای DeepMind، پروژه AlphaFold بود. این سیستم توانست یکی از مسائل قدیمی زیستشناسی یعنی پیشبینی ساختار سهبعدی پروتئینها را با دقت بالا حل کند. تأثیر AlphaFold فقط محدود به هوش مصنوعی نبود؛ این فناوری میتواند در حوزههایی مانند: کاربرد داشته باشد. این پروژه نشان داد DeepMind تنها یک شرکت تولیدکننده مدلهای زبانی نیست، بلکه تلاش میکند از AI برای حل مسائل علمی بزرگ استفاده کند. چه تغییری در نقش دمیس حسابیس اتفاق افتاده است؟ برخلاف برخی برداشتها، دمیس حسابیس از DeepMind جدا نشده است. تغییر اصلی این است که او از مدیریت روزانه فاصله میگیرد و بیشتر روی نقش علمی و استراتژیک تمرکز خواهد کرد. هدف این تغییر میتواند چند موضوع باشد: در مقابل، Koray Kavukcuoglu که یکی از مدیران باسابقه DeepMind است، مسئولیت اجرایی بیشتری در مدیریت تیمها و توسعه فناوریها خواهد داشت. این مدل تقسیم نقش در شرکتهای بزرگ فناوری معمول است؛ یک نفر روی چشمانداز بلندمدت و تحقیقات تمرکز میکند و تیم اجرایی، توسعه محصول و عملیات روزانه را پیش میبرد. چرا گوگل چنین تغییری ایجاد کرده است؟ یکی از مهمترین دلایل احتمالی این تغییر، فشار رقابت در بازار هوش مصنوعی است. در سالهای اخیر، گوگل با رقبایی مانند: رقابت مستقیمی داشته است. در این رقابت، تنها داشتن تحقیقات علمی قوی کافی نیست؛ شرکتها باید بتوانند فناوری خود را سریعتر به محصول تبدیل کنند. به همین دلیل، گوگل باید بین دو مسیر تعادل ایجاد کند: مسیر تحقیقاتی مسیر تجاری توسعه AGI و تحقیقات بنیادی عرضه سریع محصولات AI پروژههای علمی بلندمدت رقابت با محصولات OpenAI کشف فناوریهای جدید جذب کاربران و کسب درآمد تغییر نقش حسابیس میتواند تلاشی برای حفظ هر دو مسیر باشد؛ یعنی DeepMind همچنان آزمایشگاه تحقیقاتی قدرتمند باقی بماند، اما محصولات هوش مصنوعی گوگل نیز با سرعت بیشتری توسعه پیدا کنند. آینده Google DeepMind بعد از دمیس حسابیس چه خواهد بود؟ یکی از مهمترین پرسشها این است که آیا این تغییر باعث دور شدن DeepMind از تحقیقات بنیادی میشود یا خیر. از یک طرف، گوگل به توسعه محصولاتی مانند Gemini نیاز دارد تا بتواند در بازار رقابتی امروز حضور قدرتمندی داشته باشد. از طرف دیگر، مزیت تاریخی DeepMind همیشه تحقیقات بلندمدت و پروژههای علمی بزرگ بوده است. آینده DeepMind احتمالاً به توانایی گوگل در ترکیب این دو مسیر بستگی دارد: در واقع، موفقیت گوگل فقط به کیفیت مدلهایش وابسته نیست؛ بلکه به این بستگی دارد که بتواند میان سرعت تجاریسازی و عمق تحقیقات علمی تعادل ایجاد کند. تغییرات DeepMind چه معنایی برای رقابت جهانی هوش مصنوعی دارد؟ رقابت هوش مصنوعی امروز فقط رقابت بین مدلها نیست؛ بلکه رقابت بین استراتژیها، استعدادها و ساختارهای سازمانی است. مقایسه رویکرد شرکتهای بزرگ: شرکت تمرکز اصلی Google DeepMind تحقیقات بنیادی + توسعه Gemini OpenAI مدلهای عمومی و محصولات مصرفی Anthropic مدلهای ایمن و کاربردهای سازمانی دمیس حسابیس همچنان یکی از چهرههای کلیدی این رقابت باقی خواهد ماند. تغییر نقش او بیشتر نشاندهنده تلاش گوگل برای استفاده بهتر از تجربه علمی اوست، نه پایان حضورش در مسیر توسعه هوش مصنوعی. جمعبندی تغییر نقش دمیس حسابیس در Google DeepMind یکی از مهمترین اتفاقات مدیریتی اخیر در صنعت هوش مصنوعی است. او از مدیریت اجرایی روزمره فاصله گرفته، اما همچنان بهعنوان یکی از رهبران علمی Alphabet فعالیت خواهد داشت. با توجه به سابقه حسابیس در پروژههایی مانند AlphaGo و AlphaFold، تمرکز دوباره او روی تحقیقات بلندمدت میتواند برای آینده هوش مصنوعی گوگل اهمیت زیادی داشته باشد. در عین حال،
...
- جدیدترین
تیمهای امنیت سایبری هر روز با حجم عظیمی از هشدارها، آسیبپذیریها، کدهای مشکوک و حملات احتمالی روبهرو میشوند. مشکل فقط شناسایی تهدید نیست؛ فاصله میان کشف یک آسیبپذیری و اصلاح کامل آن میتواند فرصت ارزشمندی در اختیار مهاجمان قرار دهد. با گسترش استفاده مهاجمان از هوش مصنوعی، سرعت تولید کد مخرب، کشف ضعفهای نرمافزاری و اجرای حملات نیز افزایش یافته است. ابزارهایی که برای دنیای حملات انسانی طراحی شدهاند، ممکن است در برابر تهدیدهایی که با سرعت ماشین عمل میکنند کافی نباشند. مایکروسافت برای پاسخ به این چالش، سیستم جدیدی به نام Project Perception توسعه داده است. این سامانه با استفاده از چند ایجنت تخصصی، مدلهای مختلف هوش مصنوعی و دادههای امنیتی مایکروسافت تلاش میکند چرخه شناسایی، ارزیابی و اصلاح آسیبپذیریها را سریعتر و پیوستهتر کند. Project Perception از ۳ اوت ۲۰۲۶ وارد مرحله پیشنمایش عمومی شده است. Project Perception چیست؟ Project Perception یک سیستم امنیت سایبری ایجنتی از مایکروسافت است که سیگنالهای امنیتی، اطلاعات محیط سازمان، مدلهای هوش مصنوعی و ایجنتهای تخصصی را برای شناسایی و کاهش ریسکهای سایبری با یکدیگر ترکیب میکند. مایکروسافت این سیستم را در ۲۷ ژوئیه ۲۰۲۶ معرفی کرد و اعلام کرد پیشنمایش عمومی آن از ۳ اوت آغاز میشود. هدف اصلی Project Perception این است که امنیت سازمانی از یک فرایند مقطعی و واکنشی، به سیستمی پیوسته برای مشاهده، تحلیل و اقدام تبدیل شود. در روشهای سنتی، ابزارهای امنیتی معمولاً تعداد زیادی هشدار تولید میکنند و کارشناسان باید آنها را بهصورت دستی بررسی، اعتبارسنجی و اولویتبندی کنند. Project Perception قرار نیست صرفاً هشدار بیشتری ایجاد کند؛ بلکه باید بتواند تهدیدها را در بستر واقعی سازمان تحلیل کرده و برای کاهش آنها اقدام مناسب پیشنهاد دهد. مایکروسافت تأکید کرده است که انسان همچنان باید کنترل نهایی را در اختیار داشته باشد. بنابراین این سیستم بیشتر بهعنوان یک نیروی تقویتی برای تیمهای امنیتی طراحی شده است، نه جایگزینی کامل برای متخصصان. Project Perception چگونه کار میکند؟ Project Perception چند نوع ایجنت تخصصی را در قالب یک چرخه دفاعی هماهنگ میکند. هر گروه از ایجنتها وظیفه متفاوتی دارد و مسئله امنیت را از زاویه خاصی بررسی میکند. مایکروسافت این ایجنتها را در سه گروه اصلی معرفی کرده است: این سه گروه یک چرخه بسته ایجاد میکنند. ابتدا ضعف احتمالی کشف میشود، سپس واقعی بودن و شدت آن مورد بررسی قرار میگیرد و در پایان راهکاری برای اصلاح یا کاهش خطر ارائه میشود. پس از اعمال تغییر نیز سیستم میتواند دوباره محیط را بررسی کند تا مطمئن شود مشکل برطرف شده است. Project Perception تنها به کد نرمافزار محدود نیست. معماری معرفیشده از سوی مایکروسافت قرار است اطلاعات مربوط به هویتها، نقاط پایانی، برنامهها، دادهها، سرویسهای ابری و سامانههای هوش مصنوعی را در کنار هم بررسی کند. چرخه شناسایی تا اصلاح آسیبپذیری یک گردش کار احتمالی در Project Perception میتواند به این شکل باشد: مزیت این فرایند آن است که کشف، تحلیل و اصلاح بهعنوان سه فعالیت جداگانه انجام نمیشوند؛ بلکه در یک جریان پیوسته به یکدیگر متصل هستند. MAI-Cyber-1-Flash چیست؟ یکی از اجزای مهم این راهکار، مدل MAI-Cyber-1-Flash است. مایکروسافت آن را نخستین مدل تخصصی امنیت سایبری Microsoft AI معرفی کرده که برای یافتن آسیبپذیریهای دشوار در کدهای پیچیده ساخته شده است. MAI-Cyber-1-Flash یک مدل عمومی مشابه چتباتهای معمولی نیست. این مدل بهصورت تخصصی برای کارهایی مانند تحلیل کد، شناسایی ضعفهای امنیتی و کمک به فرایند اصلاح آسیبپذیری طراحی شده است. مایکروسافت میگوید این مدل از خانواده MAI-Thinking-1 مشتق شده و با تمرکز زیاد بر دادهها و وظایف مرتبط با کد توسعه یافته است. همچنین براساس اعلام شرکت، مدل از صفر و در داخل مایکروسافت ساخته شده و برای استفاده دفاعی کالیبره شده است. چرا مایکروسافت از یک مدل تخصصی استفاده کرده است؟ استفاده دائمی از بزرگترین و گرانترین مدلها برای تمام وظایف امنیتی از نظر اقتصادی منطقی نیست. بسیاری از فعالیتهای روزمره مانند بررسی بخشهای مشخصی از کد، دستهبندی یافتهها یا اجرای تحلیلهای تکرارشونده را میتوان با یک مدل کوچکتر و تخصصی انجام داد. مایکروسافت اعلام کرده MAI-Cyber-1-Flash میتواند تا حدود ۹۰ درصد وظایف MDASH را مدیریت کند. حدود ۱۰ درصد از مسائل بسیار دشوار به مدلهای قدرتمندتر، از جمله GPT-5.4، ارجاع داده میشوند. این معماری دو مزیت مهم دارد: در نتیجه، بهجای انتخاب یک مدل ثابت برای همه مسائل، سیستم براساس پیچیدگی و حساسیت هر وظیفه، مدل مناسب را انتخاب میکند. MDASH چیست؟ MDASH سامانه چندمدلی و چندایجنتی مایکروسافت برای شناسایی، اعتبارسنجی و اصلاح آسیبپذیریهای نرمافزاری است. براساس اطلاعات رسمی Microsoft AI، این سامانه بیش از ۱۰۰ ایجنت ساختهشده با مدلهای مختلف را هماهنگ میکند. این ایجنتها برای پیدا کردن آسیبپذیری، اثبات قابل سوءاستفاده بودن آن، بررسی شدت مشکل و کمک به اصلاح کد با یکدیگر همکاری میکنند. تفاوت سه نام اصلی را میتوان به شکل زیر خلاصه کرد: نام نوع وظیفه اصلی Project Perception سیستم دفاع سایبری ایجنتی ایجاد چرخه پیوسته مشاهده، تحلیل و اقدام MAI-Cyber-1-Flash مدل تخصصی امنیت سایبری تحلیل کد و یافتن آسیبپذیریها MDASH سامانه چندمدلی و چندایجنتی هماهنگی ایجنتها برای کشف و اصلاح ضعفها MAI-Cyber-1-Flash داخل MDASH فعالیت میکند و MDASH نیز یکی از اجزایی است که قابلیتهای Project Perception را در حوزه مدیریت آسیبپذیری نرمافزار تأمین میکند. عملکرد MAI-Cyber-1-Flash چقدر است؟ مایکروسافت برای ترکیب MDASH، مدل MAI-Cyber-1-Flash و GPT-5.4 نتایج زیر را گزارش کرده است: شاخص نتیجه اعلامشده امتیاز در CyberGym حدود ۹۶ درصد فاصله با Mythos حدود ۱۲ امتیاز بیشتر کاهش هزینه نزدیک به ۵۰ درصد سهم وظایف مدل Flash تا ۹۰ درصد تعداد ایجنتهای MDASH بیش از ۱۰۰ ایجنت در نمودار رسمی Microsoft AI، ترکیب MDASH با MAI-Cyber-1-Flash و GPT-5.4 به نرخ موفقیت ۹۵.۹۵ درصد رسیده است. مایکروسافت میگوید این ترکیب در CyberGym از پیکربندیهای مبتنی بر Mythos، Gemini و GPT عملکرد بهتری داشته است. CyberGym برای ارزیابی توانایی سیستمها در بررسی مخزنهای بزرگ کد و پیدا کردن آسیبپذیریهای واقعی استفاده میشود. بااینحال، این نتایج باید محتاطانه تفسیر شوند. اعداد فعلی توسط خود مایکروسافت اعلام شدهاند و هنوز برای قضاوت نهایی به ارزیابیهای مستقل بیشتری نیاز است. همچنین عملکرد یک سیستم در محیط واقعی سازمان میتواند تحتتأثیر عواملی مانند کیفیت کد، سطح دسترسی، پیچیدگی زیرساخت و تنظیمات امنیتی قرار بگیرد. هوش مصنوعی چگونه آسیبپذیری را اصلاح میکند؟ پس از شناسایی یک ضعف، سیستم میتواند محل آسیبپذیری را
...
- جدیدترین
رقابت در بازار هوش مصنوعی دیگر فقط بر سر پاسخهای بهتر یا سرعت بیشتر نیست. شرکتها اکنون با اعداد عظیمی مانند «تریلیونها پارامتر»، «پنجره زمینه یک میلیون توکنی» و «مدلهای چندوجهی» تلاش میکنند نشان دهند نسل تازهای از هوش مصنوعی را ساختهاند. اما این اعداد میتوانند گمراهکننده باشند. وقتی Alibaba اعلام میکند مدل جدید Qwen3.8-Max دارای ۲.۴ تریلیون پارامتر است، ممکن است در نگاه اول تصور کنیم این مدل الزاماً از GPT یا Claude قدرتمندتر است. درحالیکه تعداد کل پارامترها فقط یکی از عوامل تعیینکننده کیفیت مدل است. Qwen3.8-Max بزرگترین و قدرتمندترین مدل معرفیشده در خانواده Qwen محسوب میشود. اهمیت آن فقط به ابعاد بسیار بزرگ محدود نیست؛ معماری Mixture of Experts، قابلیت پردازش ورودیهای چندوجهی، پنجره زمینه طولانی و برنامه Alibaba برای انتشار وزنهای مدل، این محصول را به یکی از مهمترین مدلهای چینی سال ۲۰۲۶ تبدیل کرده است. Qwen3.8-Max چیست؟ Qwen3.8-Max مدل پرچمدار جدید Alibaba در خانواده Qwen است که برای کدنویسی، وظایف پیچیده، تحلیل ورودیهای چندوجهی و اجرای ایجنتهای هوش مصنوعی طراحی شده است. نسخه پیشنمایش آن با نام Qwen3.8-Max-Preview ابتدا از طریق برخی سرویسهای Alibaba مانند Token Plan، Qoder و QoderWork در دسترس قرار گرفت. سپس Alibaba مدل را بهعنوان پیشرفتهترین محصول Qwen معرفی کرد و وعده داد وزنهای آن را نیز در اختیار توسعهدهندگان قرار دهد. براساس اطلاعات منتشرشده، این مدل از ورودیهای مختلف پشتیبانی میکند: Qwen3.8-Max همچنین میتواند تا حدود یک میلیون توکن را در یک نشست پردازش کند؛ ظرفیتی که برای تحلیل گزارشهای بزرگ، کتابها، اسناد سازمانی و پروژههای پیچیده برنامهنویسی اهمیت دارد. مشخصات Qwen3.8-Max در یک نگاه ویژگی مشخصات اعلامشده تعداد کل پارامترها ۲.۴ تریلیون پارامترهای فعال حدود ۹۵ میلیارد در هر درخواست معماری Mixture of Experts پنجره زمینه تا یک میلیون توکن ورودیها متن، تصویر، ویدئو و اسناد کاربرد اصلی کدنویسی، ایجنتها و وظایف حرفهای وضعیت مدل پیشنمایش و وعده انتشار Open Weight عدد ۲.۴ تریلیون، Qwen3.8-Max را به یکی از بزرگترین مدلهای هوش مصنوعی معرفیشده تبدیل میکند؛ اما این مدل بزرگترین نمونه موجود نیست. برای مثال، مدل Kimi K3 از Moonshot AI با ۲.۸ تریلیون پارامتر معرفی شده است. عدد ۲.۴ تریلیون پارامتر چه معنایی دارد؟ پارامترها را میتوان وزنهای عددی درون شبکه عصبی دانست که مدل طی فرایند آموزش آنها را تنظیم میکند. این وزنها به مدل کمک میکنند روابط میان کلمات، تصاویر، مفاهیم و الگوهای مختلف را یاد بگیرد. اما Qwen3.8-Max برای پردازش هر درخواست، تمام ۲.۴ تریلیون پارامتر خود را فعال نمیکند. براساس گزارش رویترز، تنها حدود ۹۵ میلیارد پارامتر برای هر درخواست وارد محاسبه میشوند. دلیل این تفاوت، استفاده از معماری Mixture of Experts یا MoE است. در این معماری، مدل از چندین بخش تخصصی یا «خبره» تشکیل شده است. یک سیستم مسیریاب تشخیص میدهد هر ورودی باید توسط کدام بخشها پردازش شود. بنابراین برای یک سؤال برنامهنویسی، مجموعهای از خبرهها فعال میشوند و برای تحلیل تصویر یا متن، مجموعه دیگری وارد عمل میشود. این روش چند مزیت دارد: پژوهشهای قبلی درباره مدلهای MoE نیز نشان دادهاند که فعالسازی پراکنده میتواند تعداد پارامترهای مدل را به مقیاس تریلیونی برساند، بدون آنکه هزینه محاسباتی هر ورودی به همان نسبت افزایش پیدا کند. آیا پارامتر بیشتر به معنی مدل قویتر است؟ خیر. تعداد پارامترها بهتنهایی معیار قابل اعتمادی برای رتبهبندی مدلهای هوش مصنوعی نیست. عملکرد یک مدل به عوامل متعددی بستگی دارد: یک مدل کوچکتر با دادههای بهتر و معماری بهینهتر میتواند در برخی وظایف از مدلی با پارامترهای بیشتر بهتر عمل کند. علاوه بر این، مقایسه تعداد کل پارامترهای یک مدل MoE با یک مدل Dense چندان دقیق نیست. در مدل Dense تقریباً تمام پارامترها برای هر درخواست درگیر میشوند، اما در مدل MoE فقط بخشی از آنها فعال هستند. بنابراین عدد ۲.۴ تریلیون بیشتر نشاندهنده ظرفیت کلی شبکه است، نه هزینه یا قدرت واقعی هر پاسخ. مدلهایی مانند Gemini 3 Flash نشان میدهند که سرعت، هزینه و بهینهسازی معماری نیز میتوانند بهاندازه تعداد پارامترها در انتخاب یک مدل هوش مصنوعی اهمیت داشته باشند. قابلیتهای مهم Qwen3.8-Max چیست؟ پردازش چندوجهی Qwen3.8-Max فقط یک مدل متنی نیست. Alibaba اعلام کرده این مدل میتواند متن، تصویر، ویدئو و اسناد را پردازش کند. این قابلیت امکان ساخت ابزارهایی را فراهم میکند که بهطور همزمان چند نوع داده را بررسی میکنند. برای مثال، مدل میتواند: پنجره زمینه یک میلیون توکنی پنجره زمینه مشخص میکند مدل در یک نشست چه مقدار اطلاعات را میتواند بهصورت همزمان در نظر بگیرد. یک میلیون توکن میتواند برای کاربردهای زیر مفید باشد: البته اعلام یک پنجره زمینه طولانی لزوماً به این معنا نیست که مدل در تمام بخشهای آن دقت یکسانی دارد. کیفیت بازیابی اطلاعات از ابتدا، میانه و انتهای زمینه باید در آزمونهای مستقل بررسی شود. کدنویسی و ایجنتهای هوش مصنوعی Alibaba مدل جدید را برای Agentic Coding و وظایف چندمرحلهای معرفی کرده است. در کدنویسی ایجنتی، مدل فقط یک قطعه کد تولید نمیکند؛ بلکه میتواند: این کاربردها به زمینه طولانی، ابزارخوانی دقیق و توانایی حفظ هدف در چندین مرحله نیاز دارند. آیا Qwen3.8-Max از GPT و Claude قویتر است؟ Alibaba ادعا کرده Qwen3.8-Max در برخی ارزیابیها در سطح مدلهای پیشرفته آمریکایی قرار میگیرد و تنها از تعداد محدودی از مدلهای Anthropic عقبتر است. برخی گزارشها نیز به جایگاه بالای آن در رتبهبندیهای مبتنی بر ترجیح کاربران اشاره کردهاند. بااینحال، هنوز نباید یک برنده قطعی اعلام کرد. بخش قابلتوجهی از ادعاهای اولیه توسط خود Alibaba منتشر شده و در زمان معرفی، گزارش فنی کامل، مدلکارت جامع و جدول دقیق بنچمارکها در دسترس نبود. برای مقایسه منصفانه باید این موارد بررسی شوند: بنابراین پاسخ فعلی این است: Qwen3.8-Max احتمالاً یکی از قدرتمندترین مدلهای چینی است، اما هنوز شواهد مستقل کافی برای اثبات برتری کلی آن نسبت به GPT یا Claude وجود ندارد. آیا Qwen3.8-Max متنباز است؟ Alibaba وعده داده وزنهای Qwen3.8-Max را منتشر کند؛ اما عبارت Open Weight با «متنباز کامل» یکسان نیست. در مدل Open Weight، توسعهدهندگان میتوانند وزنهای آموزشدیده را دانلود و در صورت اجازه مجوز، آن را اجرا یا شخصیسازی کنند. اما ممکن است موارد زیر منتشر نشوند: تا زمانی که مجوز نهایی، مدلکارت و فایلهای رسمی منتشر نشوند، بهتر است Qwen3.8-Max را مدلی با وعده انتشار وزنها بنامیم، نه یک مدل کاملاً متنباز. انتشار وزنهای مدل چه اهمیتی دارد؟ اگر Alibaba
...
- جدیدترین
استفاده از مدلهای قدرتمند هوش مصنوعی دیگر فقط به خرید اشتراک یک چتبات محدود نمیشود. وقتی یک کسبوکار بخواهد هوش مصنوعی را در چت پشتیبانی، تولید محتوا، تحلیل اسناد یا ایجنتهای خودکار به کار بگیرد، باید بابت میلیونها توکن ورودی و خروجی هزینه پرداخت کند. این هزینه در مقیاس بالا میتواند به یکی از موانع اصلی توسعه محصولات هوش مصنوعی تبدیل شود. حتی اختلاف چند دلار در قیمت هر میلیون توکن، برای سرویسی که روزانه میلیونها درخواست پردازش میکند، رقم بزرگی خواهد بود. DeepSeek با مدل V4-Flash تلاش کرده این معادله را تغییر دهد. گزارش رویترز براساس ارزیابی Artificial Analysis نشان میدهد هزینه اجرای این مدل از تعدادی از مدلهای شناختهشده بازار بهمراتب پایینتر است؛ موضوعی که میتواند رقابت شرکتهای هوش مصنوعی را از «قویترین مدل» به سمت «بهترین نسبت قیمت به عملکرد» سوق دهد. DeepSeek V4-Flash چیست؟ DeepSeek V4-Flash یک مدل زبانی متنباز با تمرکز بر سرعت، زمینه طولانی و هزینه پایین است. این مدل ورودی متنی دریافت میکند، خروجی متنی تولید میکند و از پنجره زمینهای تا یک میلیون توکن پشتیبانی میکند. براساس مشخصات Artificial Analysis، نسخه بررسیشده این مدل در مجموع ۲۸۴ میلیارد پارامتر دارد، اما در هر توکن فقط حدود ۱۳ میلیارد پارامتر آن فعال میشوند. این ساختار به مدل اجازه میدهد بدون فعال کردن تمام ظرفیت شبکه در هر درخواست، هزینه محاسباتی را کاهش دهد. مدل همچنین با مجوز MIT و بهصورت Open Weights ارائه شده است. V4-Flash در دو حالت اصلی ارزیابی شده است: عبارت Flash نیز معمولاً در نام مدلهایی استفاده میشود که برای سرعت و هزینه کمتر نسبت به نسخههای پرچمدار بهینه شدهاند. بااینحال، DeepSeek V4-Flash صرفاً یک مدل کوچک و ساده نیست؛ بلکه مدلی بزرگ با معماری بهینه برای استنتاج اقتصادی است. قیمت DeepSeek V4-Flash چقدر است؟ براساس قیمت ثبتشده برای API رسمی DeepSeek، هزینه استفاده از V4-Flash به این صورت است: Artificial Analysis نرخ ترکیبی این مدل را با فرض استفاده گسترده از کش، حدود ۰٫۰۶ دلار بهازای یک میلیون توکن محاسبه کرده است. قیمت نهایی ممکن است با توجه به ارائهدهنده API و نوع استفاده متفاوت باشد. چرا قیمت توکن اهمیت دارد؟ توکن واحد تقریبی محاسبه متن در مدلهای زبانی است. هر پیام، سند یا پاسخ به تعدادی توکن تبدیل میشود و توسعهدهنده متناسب با حجم ورودی و خروجی هزینه میپردازد. قیمت پایینتر میتواند هزینه این کاربردها را کاهش دهد: برای یک کاربر عادی، اختلاف چند سنت شاید مهم به نظر نرسد؛ اما برای یک محصول بزرگ، همین تفاوت میتواند هزینه ماهانه زیرساخت را بهطور چشمگیری تغییر دهد. مقایسه هزینه DeepSeek V4-Flash با رقبا رویترز با استناد به Artificial Analysis گزارش داده است که هزینه متوسط اجرای هر وظیفه ارزیابی برای V4-Flash حدود ۳ سنت بوده است. این رقم برای تعدادی از مدلهای مطرح به شکل زیر گزارش شد: مدل هوش مصنوعی هزینه متوسط هر وظیفه ارزیابی DeepSeek V4-Flash حدود ۰٫۰۳ دلار Kimi K3 حدود ۰٫۸۶ دلار GPT-5.6 Sol حدود ۱٫۸۶ دلار Claude Fable 5 حدود ۳٫۱۵ دلار این جدول قیمت مستقیم API را مقایسه نمیکند؛ بلکه هزینه واقعی تولید خروجی در مجموعه آزمونهای Artificial Analysis را نشان میدهد. طول پاسخ، تعداد توکن مصرفی و میزان تلاش استدلالی میتواند روی هزینه هر وظیفه اثر بگذارد. بر همین مبنا، هزینه اجرای V4-Flash در این ارزیابی حدود ۲۹ برابر کمتر از Kimi K3، حدود ۶۲ برابر کمتر از GPT-5.6 Sol و بیش از ۱۰۰ برابر کمتر از Claude Fable 5 بوده است. این اختلاف به معنی آن نیست که DeepSeek در همه وظایف بهتر از رقبا عمل میکند. نتیجه اصلی این است که این مدل میتواند سطح قابلتوجهی از توانایی را با هزینه بسیار کمتری ارائه دهد. آیا DeepSeek V4-Flash واقعاً قدرتمند است؟ قیمت پایین تنها زمانی اهمیت دارد که مدل بتواند کیفیت قابلقبولی نیز ارائه دهد. صفحه فعلی Artificial Analysis برای نسخه استدلالی با حداکثر تلاش، امتیاز ۴۰ را در Intelligence Index ثبت کرده است. این مدل در میان مدلهای همرده خود بالاتر از میانگین قرار دارد و سرعت تولید آن نیز حدود ۱۱۵ تا ۱۱۸ توکن در ثانیه گزارش شده است. نسخه غیر استدلالی امتیاز ۲۹ و سرعتی نزدیک به ۱۱۷ توکن در ثانیه دارد. البته یک نکته مهم وجود دارد: امتیازهای بنچمارک ممکن است با تغییر نسخه آزمون، تنظیمات میزان تلاش و بهروزرسانی روش ارزیابی تغییر کنند. به همین دلیل نباید تنها با یک عدد درباره کیفیت نهایی مدل تصمیم گرفت. Artificial Analysis همچنین V4-Flash را مدلی نسبتاً پرحرف توصیف کرده است. نسخه Max Effort در ارزیابی این مؤسسه ۲۳۰ میلیون توکن خروجی تولید کرده که از میانه مدلهای قابل مقایسه بیشتر بوده است. پرحرف بودن میتواند بخشی از مزیت قیمت پایین را در بعضی کاربردها کاهش دهد؛ زیرا هزینه نهایی فقط به نرخ هر توکن وابسته نیست، بلکه تعداد توکنهای تولیدشده نیز مهم است. چرا DeepSeek V4-Flash ارزان است؟ کاهش هزینه این مدل را میتوان به چند عامل مرتبط دانست. نخست، معماری آن بهگونهای طراحی شده که فقط بخشی از پارامترها برای هر توکن فعال شوند. این رویکرد شبیه معماری Mixture of Experts است و میتواند مصرف محاسباتی را نسبت به فعالسازی کامل مدل کاهش دهد. دوم، DeepSeek روی بهینهسازی استنتاج و استفاده از کش تمرکز کرده است. قیمت ورودی کششده این مدل تا ۹۸ درصد کمتر از ورودی عادی گزارش شده است. این ویژگی برای گفتوگوهای طولانی، اسناد تکراری و ایجنتهایی که بارها از یک زمینه مشترک استفاده میکنند، اهمیت زیادی دارد. همچنین پژوهشهای مرتبط با معماری DeepSeek V4 نشان دادهاند که میتوان با روشهای توجه پراکنده، مقدار حافظه لازم برای نگهداری زمینههای بسیار طولانی را بهشدت کاهش داد. البته این پژوهش را نباید لزوماً معادل دقیق زیرساخت تجاری V4-Flash دانست، اما نشاندهنده تمرکز فنی اکوسیستم DeepSeek بر کاهش هزینه پردازش زمینههای طولانی است. جنگ قیمت مدلهای هوش مصنوعی چیست؟ تا چند سال پیش، رقابت شرکتهای هوش مصنوعی بیشتر حول اندازه مدل، تعداد پارامترها و امتیاز بنچمارکها شکل میگرفت. اکنون هزینه اجرای مدل نیز به یک معیار اصلی تبدیل شده است. DeepSeek، Moonshot AI، Alibaba، Google، OpenAI و Anthropic برای جذب توسعهدهندگان و مشتریان سازمانی رقابت میکنند. مدلهای ارزانتر میتوانند حجم بیشتری از درخواستها را پردازش کنند و ورود استارتاپها به بازار را آسانتر سازند. Axios این روند را «رقابت به سمت صفر» توصیف کرده
...
- جدیدترین
مکالمه صوتی با هوش مصنوعی در سالهای اخیر پیشرفت زیادی کرده است، اما هنوز یک مشکل مهم باقی مانده: تأخیر و مکثهای غیرطبیعی در گفتوگو. کاربر باید صحبتش را تمام کند، سیستم پایان جمله را تشخیص دهد و سپس مدل شروع به پردازش و پاسخگویی کند. اگر این تشخیص زود انجام شود، صحبت کاربر قطع میشود و اگر دیر انجام شود، گفتوگو کند و مصنوعی به نظر میرسد. OpenAI برای حل این مشکل از سیستم جدیدی به نام GPT-Live رونمایی کرده است؛ فناوریای که میتواند همزمان صدای کاربر را دریافت کند و پاسخ صوتی ارائه دهد. هدف این سیستم، نزدیک کردن مکالمه با هوش مصنوعی به ریتم طبیعی گفتوگوی انسانهاست. GPT-Live چیست؟ GPT-Live نسل سوم سیستم صوتی OpenAI برای ایجاد مکالمههای سریع، پیوسته و بلادرنگ است. این فناوری به مدل اجازه میدهد بدون منتظر ماندن برای پایان کامل صحبت کاربر، جریان صدا را پردازش کند و در زمان مناسب پاسخ دهد. در سیستمهای صوتی قدیمی، یک مدل کوچک به نام Turn Detector وظیفه داشت تشخیص دهد کاربر چه زمانی صحبتش را تمام کرده است. تنها پس از تصمیم این سیستم، مدل زبانی اصلی میتوانست پردازش درخواست را آغاز کند. GPT-Live این تشخیصدهنده جداگانه را از مسیر اصلی صدا حذف کرده و کنترل جریان مکالمه را به خود مدل صوتی سپرده است. در نتیجه، مدل بهتر میتواند تشخیص دهد چه زمانی گوش دهد، چه زمانی صحبت کند و چه زمانی اجازه دهد کاربر پاسخ را قطع کند. OpenAI این سیستم را در تاریخ ۳ اوت ۲۰۲۶ معرفی کرد و اعلام کرد که توسعه زیرساخت آن حدود شش ماه زمان برده است. این فناوری در حال حاضر پایه بخشی از قابلیتهای ChatGPT Voice را تشکیل میدهد. GPT-Live چگونه کار میکند؟ مهمترین ویژگی GPT-Live، استفاده از معماری Full-Duplex یا ارتباط دوطرفه همزمان است. در یک مکالمه صوتی معمولی با هوش مصنوعی، ارتباط اغلب نوبتی است: اما در GPT-Live، ورودی و خروجی صوتی میتوانند بهصورت همزمان جریان داشته باشند. مدل در حالی که صدای کاربر را دریافت میکند، میتواند صحبت کند، مکث کند یا واکنش کوتاهی نشان دهد. این موضوع باعث میشود تعاملهایی مانند موارد زیر طبیعیتر شوند: OpenAI میگوید وظیفه اصلی معماری جدید، حفظ یک جریان صوتی بدون وقفه است. پردازش صدا در مسیر اصلی انجام میشود و کارهای سنگینتر مانند استفاده از ابزارها یا استدلال پیچیده، به مسیرهای جداگانه انتقال پیدا میکنند. تفاوت GPT-Live با حالت صوتی قبلی ChatGPT چیست؟ نسلهای قبلی قابلیت صوتی ChatGPT نیز امکان گفتوگوی مستقیم را فراهم میکردند، اما معماری آنها همچنان تا حد زیادی به مکالمه نوبتی وابسته بود. تفاوت اصلی GPT-Live را میتوان در جدول زیر مشاهده کرد: ویژگی سیستم صوتی قبلی GPT-Live شیوه مکالمه نوبتی پیوسته و همزمان تشخیص پایان صحبت متکی به Turn Detector کنترلشده توسط مدل امکان قطع پاسخ محدودتر طبیعیتر و سریعتر پردازش صوت مرحلهای جریان دائمی صوت استفاده از مدلهای دیگر ممکن است باعث مکث شود در مسیر جداگانه انجام میشود حس مکالمه شبیه پرسش و پاسخ نزدیکتر به گفتوگوی انسانی در روشهای قدیمیتر، حتی مدلهای Speech-to-Speech نیز برای شروع پردازش منتظر تصمیم تشخیصدهنده پایان صحبت میماندند. GPT-Live این محدودیت را کاهش میدهد و اجازه میدهد خود مدل صوتی مدیریت مکالمه را بر عهده بگیرد. OpenAI چگونه تأخیر مکالمه صوتی را کاهش داده است؟ طبیعی بودن مکالمه فقط به قدرت مدل وابسته نیست. انتقال صدا، وضعیت شبکه، اجرای ابزارها و مدیریت سابقه مکالمه نیز میتوانند باعث ایجاد تأخیر شوند. OpenAI برای کاهش این تأخیر، مسیر انتقال صدا را از منطق برنامه جدا کرده است. صوت میان دستگاه کاربر و مدل از یک مسیر سریع و اختصاصی عبور میکند؛ در حالی که کارهایی مانند جستوجو، فراخوانی ابزار یا اجرای سرویسهای جانبی در یک مسیر غیرهمزمان انجام میشوند. بنابراین اگر یک ابزار یا سرویس خارجی با تأخیر پاسخ دهد، جریان صوتی مکالمه متوقف نمیشود. همچنین OpenAI بخشی از زیرساخت قبلی مبتنی بر Python asyncio را با زبان Go بازنویسی کرده است. بر اساس توضیحات این شرکت، این تغییر باعث شده انتقال فریمهای صوتی روانتر و پایدارتر شود. نقش WebRTC در GPT-Live GPT-Live برای انتقال صوت از WebRTC استفاده میکند؛ فناوریای که برای ارتباطات صوتی و تصویری بلادرنگ طراحی شده است. WebRTC میتواند در شرایطی مانند افت بستههای شبکه، تغییر اتصال یا ناهماهنگی زمانبندی همچنان ارتباط را حفظ کند. برای مثال، اگر بخشی از صدا دیر برسد، سیستم میتواند پخش آن را کمی تنظیم کند تا از ایجاد سکوت یا پرش صوتی جلوگیری شود. پروتکل WARP چیست؟ راهاندازی معمولی WebRTC نیازمند چندین مرحله ارتباط میان کاربر و سرور است. این مراحل میتوانند شروع مکالمه را به تأخیر بیندازند. OpenAI برای حل این مشکل، پروتکلی به نام WebRTC Abridged Roundtrip Protocol یا WARP توسعه داده است. این پروتکل تعداد رفتوبرگشتهای شبکه برای شروع انتقال صدا و داده را از شش مرحله به یک مرحله کاهش میدهد. در کنار WARP، قابلیتی به نام Instant Connect نیز پارامترهای لازم برای اتصال را پیشاپیش آماده میکند. به این ترتیب، کاربر میتواند سریعتر وارد مکالمه صوتی شود. نقش GPT-5.5 در GPT-Live چیست؟ GPT-Live برای پاسخهای سریع و مکالمه طبیعی طراحی شده است، اما همه درخواستها را بهتنهایی پردازش نمیکند. اگر کاربر پرسشی مطرح کند که به استدلال عمیق، جستوجو یا استفاده از ابزار نیاز داشته باشد، GPT-Live میتواند از مدلهای قدرتمندتری مانند GPT-5.6 کمک بگیرد. این فرایند در یک مسیر جداگانه انجام میشود. مدل صوتی میتواند در زمان پردازش درخواست، جریان گفتوگو را حفظ کند و پس از آماده شدن نتیجه، آن را وارد پاسخ کند. OpenAI این معماری را جداسازی «صحبت کردن» از «تفکر عمیقتر» توصیف میکند. هدف این است که استفاده از مدلهای قدرتمند و ابزارها، باعث سکوت طولانی یا قطع مکالمه نشود. GPT-Live چه کاربردهایی دارد؟ معماری GPT-Live میتواند زمینهساز نسل جدیدی از محصولات صوتی باشد. برخی از مهمترین کاربردهای آن عبارتاند از: OpenAI اعلام کرده است که این زیرساخت در ChatGPT Voice برای قابلیتهایی مانند کنترل رایانه و هماهنگ کردن ایجنتها در اپلیکیشن دسکتاپ ChatGPT نیز مورد استفاده قرار میگیرد. آیا GPT-Live اکنون در دسترس کاربران است؟ فناوری پشت GPT-Live در حال حاضر بخشی از زیرساخت ChatGPT Voice است، اما OpenAI هنوز GPT-Live API را بهصورت عمومی منتشر نکرده است. این شرکت اعلام کرده که معماری جدید، زیربنای API آینده GPT-Live خواهد بود. با
...
- جدیدترین
- جدیدترین
در دنیای پرشتاب امروز، چالش اصلی پیش روی سازمانهای بزرگ دیگر اثبات این موضوع نیست که هوش مصنوعی توانایی انجام کارها را دارد؛ بلکه دغدغه اصلی، رساندن این فناوری به سطحی از قابلیت اطمینان و پایداری است تا بتواند کارهای باارزش و حساس را در محیطهای واقعی (Production) بر عهده بگیرد. علاوه بر این، رفتار یک هوش مصنوعی باید بتواند همگام با تغییرات محصولات، سیاستهای سازمانی و رفتار کاربران سازگار شود. دستیابی به چنین هدفی به چیزی فراتر از یک مدل زبانی ساده نیاز دارد؛ سازمانها به سیستمهای ارزیابی، تخصص استقرار و کنترل کامل نیاز دارند تا بدون از دست دادن نظارت، کیفیت خدمات خود را ارتقا دهند. محصول OpenAI Presence چیست؟ استقرار ایجنتهای هوشمند شرکت اوپنایآی برای پاسخ به این نیاز حیاتی، از محصول جدید و قدرتمند خود با نام OpenAI Presence رونمایی کرده است. این پلتفرم یک محصول سازمانی کاملاً آزمایششده است که به شرکتها کمک میکند تا معماری ایجنتهای هوش مصنوعی قابل اعتمادی را مستقر کنند که قادرند به سوالات پاسخ دهند، مشکلات را حل کنند، از سیستمهای داخلی شرکت استفاده کرده، اقدامات تاییدشده را انجام دهند و در صورت لزوم، کاربر را به یک اپراتور انسانی ارجاع دهند (Escalate). تمرکز بر جریانهای کاری پرارزش (صوتی و متنی) در حال حاضر، پلتفرم Presence از تجربیات لحظهای (Real-time) در دو بستر «صوتی» و «متنی» پشتیبانی میکند. این سیستم به صورت ویژه برای کارهای حساسی مانند پشتیبانی مشتریان، تماسهای خروجی فروش و جریانهای کاری داخلی پرخطر طراحی شده است. به عنوان مثال، یک مشتری میتواند برای حل مشکل صورتحساب خود از این سیستم استفاده کند؛ ایجنت هوشمند ابتدا درخواست را درک کرده، هویت مشتری را تایید میکند، اطلاعات حساب را جستجو کرده و پس از اعمال سیاستهای شرکت، اقدام تاییدشدهای (مانند استرداد وجه) را به صورت خودکار انجام میدهد. تعیین سطوح دسترسی و ارجاع به اپراتور انسانی (Escalation) هر استقرار در این سیستم با یک وظیفه کاملاً مشخص آغاز میشود؛ مانند رسیدگی به مشکلات صورتحساب، پشتیبانی از ادعاهای بیمه، یا حل درخواستهای خدمات IT کارمندان. نکته امنیتی مهم این است که ایجنت هوش مصنوعی تنها به دانش و سیستمهایی دسترسی پیدا میکند که برای انجام همان کار خاص ضروری است. سازمانها میتوانند سیاستهای دقیقی تنظیم کنند که مشخص میکند ایجنت چه کارهایی میتواند انجام دهد، چه زمانی نیاز به تایید دارد و در چه نقطهای باید مکالمه را به یک انسان بسپارد. اگر به دنبال آشنایی با سایر ابزارهای مشابه در این سطح هستید، مطالعه مقاله بهترین ابزارهای هوش مصنوعی ۲۰۲۶ را به شما پیشنهاد میکنیم. امنیت و کنترل کامل در سه فاز: قبل، حین و بعد از انتشار محصول Presence صرفاً بر پایه استقرار اولیه بنا نشده است، بلکه یک چرخه حیات کامل را برای تامین امنیت پوشش میدهد که بر پایه مدلهای قدرتمندی توسعه یافته است تا با غولهایی نظیر GPT 5.6 Sol در بازار سازمانی رقابت کند. شبیهسازی دقیق و گاردریلها (Guardrails) پیش از آنکه استقرار Presence به دست کاربران نهایی برسد، تیمهای توسعه میتوانند آن را در برابر درخواستهای رایج، موارد استثنایی (Edge Cases) و سناریوهای پرخطر آزمایش کنند. سیستمهای شبیهساز بررسی میکنند که آیا ایجنت به نتیجه درست رسیده است، قوانین را رعایت کرده، از ابزارها به درستی بهره برده و در زمان مناسب کار را ارجاع داده است یا خیر. همچنین «گاردریلها» (Guardrails) به عنوان سپرهای امنیتی عمل کرده و هرگاه تعامل از مرزهای تعیینشده شرکت خارج شود، بلافاصله مداخله میکنند. نقش مدل Codex در ارتقای مستمر کار پس از انتشار تمام نمیشود! دادههای حاصل از جلسات واقعی و ارجاعات به انسان، شکافهای موجود را به تیمها نشان میدهد. در اینجا، مدل قدرتمند Codex با بررسی سیگنالهای کیفی، بهروزرسانیهایی را پیشنهاد میدهد. تیمها میتوانند این تغییرات پیشنهادی را آزمایش و تایید کنند و به این ترتیب، ایجنت به صورت مداوم و با تغییر رفتار مشتریان، خود را سازگار میکند. اثبات عملکرد: از پشتیبانی اختصاصی OpenAI تا غولهای مالی دنیا این محصول بلندپروازانه که در همکاری نزدیک با تیم تحقیقاتی OpenAI توسعه یافته، در محیطهای عملیاتی به شدت حیاتی آزمایش شده و نتایج خیرهکنندهای به ثبت رسانده است. حل ۷۵ درصد مشکلات بدون دخالت انسان در حال حاضر، Presence خط پشتیبانی تلفنی انگلیسیزبان خود شرکت OpenAI (با شماره 1-888-GPT-0090) را مدیریت میکند. این سیستم قادر است درخواستهای باز کاربران را مدیریت کرده، هویت آنها را تایید کند و با دسترسی به بستر حساب کاربری، اقدامات لازم را انجام دهد. در عرض چند هفته، این ایجنت توانست استانداردها را ارتقا داده و اکنون ۷۵ درصد از مشکلات ورودی را به طور کامل و بدون دخالت انسان حل میکند. همچنین چرخه بهبود مستمر آن (به کمک Codex) توانست تنها در ۱۰ روز، میزان ارجاع کار به اپراتورهای انسانی را تا ۱۵ واحد درصد کاهش دهد. تجربه موفق شرکتهای جهانی سازمانهای پیشرو در سراسر جهان در حال ساخت زیرساختهای خود بر روی این پایه اثباتشده هستند: سوالات متداول (FAQ)
...
- جدیدترین
آیا تا به حال پس از دریافت نتیجه یک آزمایش خون، در میان انبوهی از اعداد و اصطلاحات تخصصی پزشکی سردرگم شدهاید؟ در دنیای امروز، اطلاعات سلامتی ما به شدت پراکنده است؛ بخشی از آن در برنامههایی مثل اپل هلث (Apple Health)، بخشی در پروندههای پزشکی بیمارستان و بخشی دیگر در قالب برگههای کاغذی آزمایشگاه خاک میخورند. این پراکندگی باعث میشود تا درک درستی از روند سلامتی خود نداشته باشیم و در زمان مراجعه به پزشک، نتوانیم سوابقمان را به درستی شرح دهیم. اما خبر خوب این است که در آپدیت اواخر جولای ۲۰۲۶، شرکت OpenAI با معرفی قابلیت Health در ChatGPT این مشکل را برای همیشه حل کرده است. این ویژگی جدید به شما اجازه میدهد تمام اطلاعات پزشکی خود را در یک محیط امن یکپارچه کرده و به کمک قدرتمندترین مدلهای هوش مصنوعی، آنها را تحلیل کنید. قابلیت Health در ChatGPT دقیقاً چه کاری انجام میدهد؟ بر اساس آمارهای رسمی OpenAI، هر هفته بیش از ۳۰۰ میلیون نفر برای پاسخ به سوالات سلامتی خود به سراغ چت جیپیتی میروند. قابلیت Health طراحی شده تا این تعاملات را دقیقتر، شخصیسازیشدهتر و مستندتر کند. بلیک (Blake)، یک مدیر برنامه فنی که از نسخه آزمایشی استفاده کرده میگوید: “کاربردیترین بخش این بود که سابقه پزشکی پراکندهام را به چیزی تبدیل کرد که واقعاً میتوانم بفهمم. چت جیپیتی اصطلاحات پزشکی را به زبان ساده توضیح داد و خلاصهای ساخت که میتوانستم آن را با فیزیوتراپیست خود به اشتراک بگذارم.” معرفی GPT-5.6 Sol: قویترین دستیار سلامت هوش مصنوعی در این آپدیت، OpenAI از دو مدل قدرتمند برای پردازش دادههای پزشکی رونمایی کرده است. مدل GPT-5.5 Instant (برای کاربران رایگان) و مدل GPT-5.6 Sol (برای کاربران پولی). تحلیل عملکرد در آزمونهای پزشکی (HealthBench Professional): OpenAI برای سنجش قدرت این مدلها، صدها پزشک را در سراسر جهان به کار گرفت تا سناریوهای واقعی پزشکی را ارزیابی کنند. نتایج این ارزیابیها در قالب نمودار و دادههای ساختاریافته در ۵ معیار کلیدی منتشر شده است که مقایسه بسیار جالبی بین پاسخهای نوشتهشده توسط پزشکان انسانی (Physician written)، مدل قدیمیتر GPT-4o و دو مدل جدید این شرکت ارائه میدهد: معیار ارزیابی پزشک انسانی مدل GPT-4o مدل GPT-5.5 Instant مدل GPT-5.6 Sol دقت علمی (Accuracy) ۷۶.۲٪ ۷۶.۸٪ ۸۷.۳٪ ۹۱.۰٪ ارتباط شفاف (Communicates Clearly) ۶۱.۰٪ ۷۸.۱٪ ۸۰.۳٪ ۸۶.۷٪ کامل بودن پاسخ (Completeness) ۵۳.۲٪ ۷۰.۱٪ ۷۵.۶٪ ۸۸.۰٪ پیروی از دستورالعملها (Follows Instructions) ۷۴.۴٪ ۸۲.۷٪ ۸۸.۳٪ ۹۳.۸٪ کمک به تصمیمگیری (Decision Helpfulness) ۵۰.۸٪ ۶۴.۲٪ ۷۳.۲٪ ۸۳.۰٪ همانطور که در جدول بالا (استخراج شده از دادههای رسمی OpenAI) مشاهده میکنید، مدل جدید GPT-5.6 Sol در تمامی معیارها با اختلاف چشمگیری از سایر مدلها و حتی پزشکان انسانی پیشی گرفته است: شما میتوانید برای آشنایی با سایر ابزارهای پیشرفته امسال، مقاله بهترین ابزارهای هوش مصنوعی ۲۰۲۶ را در مجله نکسینو مطالعه کنید. آموزش گامبهگام اتصال اطلاعات سلامت به چت جیپیتی استفاده از این قابلیت بسیار ساده است و فعلاً برای کاربران بالای ۱۸ سال در آمریکا در دسترس قرار گرفته است. ۱. ورود به بخش Health: از نوار کناری (Sidebar) در محیط چت جیپیتی، روی گزینه Health کلیک کنید. ۲. انتخاب منابع داده: شما میتوانید اکانت Apple Health، پلتفرمهای One Medical یا Function Health را انتخاب کنید تا دادههای شما همگامسازی (Sync) شود. ۳. مدیریت داروها و بیماریها: پس از اتصال، لیستی از بیماریها (مثل فشار خون یا دیابت) و داروهای مصرفی به شما نمایش داده میشود. شما میتوانید مواردی که دیگر معتبر نیستند را حذف کرده یا سوابق بیماریهای خانوادگی را به آن اضافه کنید. ۴. تنظیم مجوزها: در زمان درخواست تحلیل آزمایش، سیستم با نمایش یک پاپآپ، از شما برای استفاده از دادههای اپل هلث اجازه میگیرد که میتوانید آن را تایید (Allow once) یا رد کنید. امنیت و حریم خصوصی: آیا دادههای پزشکی ما امن هستند؟ یکی از بزرگترین دغدغههای کاربران، حریم خصوصی اطلاعات حساس پزشکی است. خبر خوب این است که OpenAI سختگیرانهترین لایههای امنیتی را برای این بخش در نظر گرفته است: چت جیپیتی یک هوش مصنوعی تحلیلی است. با وجود قدرت بالای مدل GPT-5.6 Sol، این ابزار هرگز نمیتواند جایگزین ویزیت و تشخیص پزشک متخصص شود و تنها باید به عنوان یک دستیار برای درک بهتر شرایط فیزیکی مورد استفاده قرار گیرد. بخش سوالات متداول (FAQ)
...
- جدیدترین
- جدیدترین
انتخاب یک مدل هوش مصنوعی مناسب برای برنامهنویسی دیگر فقط به کیفیت کد تولیدشده محدود نمیشود. توسعهدهندگان باید عواملی مانند سرعت پاسخدهی، مصرف توکن، توانایی انجام وظایف چندمرحلهای و هزینه API را نیز در نظر بگیرند. این انتخاب زمانی دشوارتر میشود که هر شرکت، مدل جدید خود را قدرتمندترین گزینه موجود معرفی میکند؛ درحالیکه نتایج واقعی بنچمارکها همیشه با چنین ادعاهایی همخوانی ندارد. شرکت SpaceXAI با معرفی Grok 4.5 تلاش کرده مدلی ارائه دهد که علاوه بر توانایی بالا در برنامهنویسی، وظایف ایجنتی و مهندسی نرمافزار را با سرعت بیشتر و مصرف توکن کمتر انجام دهد. در ادامه، قابلیتها، نتایج بنچمارکها، قیمت و روش دسترسی به این مدل را بررسی میکنیم. Grok 4.5 چیست؟ Grok 4.5 مدل جدید هوش مصنوعی SpaceXAI است که برای برنامهنویسی، انجام وظایف ایجنتی و کارهای دانشی طراحی شده است. این مدل در تاریخ ۸ ژوئیه ۲۰۲۶ معرفی شد و براساس اعلام رسمی شرکت، قدرتمندترین مدل آنها تا زمان انتشار محسوب میشود. Grok 4.5 روی مجموعه دادههایی از حوزههای برنامهنویسی، علوم، مهندسی و ریاضیات آموزش دیده است. برخلاف یک چتبات عمومی که بیشتر برای پاسخگویی به سؤالات استفاده میشود، Grok 4.5 میتواند وظایف فنی چندمرحلهای را دنبال کند، با ابزارها کار کند و بخشهای مختلف یک پروژه نرمافزاری را از تحلیل مسئله تا تولید کد پیش ببرد. مهمترین قابلیتهای Grok 4.5 برنامهنویسی و ساخت اپلیکیشن یکی از مهمترین کاربردهای Grok 4.5، تولید و اصلاح کد است. SpaceXAI اعلام کرده این مدل در انجام وظایف دشوار مرتبط با زبانهای Rust، C و ++C عملکرد قابلتوجهی دارد. مدل میتواند با دریافت یک پرامپت: در یکی از نمونههای رسمی، Grok 4.5 تنها با یک دستور متنی، شبیهسازی منظومه شمسی را با استفاده از Three.js ساخته است. این نمونه نشان میدهد مدل فقط قطعهکدهای کوتاه تولید نمیکند و توانایی ایجاد برنامههای کاملتر را نیز دارد. انجام وظایف ایجنتی و سازمانی وظایف ایجنتی معمولاً از چند مرحله وابسته به یکدیگر تشکیل شدهاند. برای مثال، یک مدل باید ابتدا فایلهای پروژه را بررسی کند، خطا را تشخیص دهد، کد را اصلاح کند و سپس نتیجه را توضیح دهد. Grok 4.5 برای چنین فرایندهایی آموزش دیده است. براساس توضیحات رسمی، یادگیری تقویتی آن صدها هزار وظیفه را شامل میشود و تمرکز ویژهای بر مهندسی نرمافزار چندمرحلهای دارد. این مدل علاوه بر کدنویسی، در ابزارهای اداری نیز کاربرد دارد. Grok 4.5 میتواند: نتایج بنچمارکهای Grok 4.5 SpaceXAI عملکرد Grok 4.5 را در پنج بنچمارک مرتبط با برنامهنویسی و مهندسی نرمافزار منتشر کرده است. بنچمارک امتیاز Grok 4.5 جایگاه در نمودار DeepSWE 1.0 ۶۲ درصد سوم DeepSWE 1.1 ۵۳ درصد چهارم SWE Marathon ۲۹ درصد اول Terminal Bench 2.1 ۸۳.۳ درصد سوم SWE Bench Pro ۶۴.۷ درصد سوم در آزمون SWE Marathon، مدل Grok 4.5 با امتیاز ۲۹ درصد در رتبه اول قرار گرفته است. پس از آن، Opus 4.8 Max با ۲۶ درصد و Fable Max با ۲۴ درصد قرار دارند. در Terminal Bench 2.1 اختلاف Grok 4.5 با مدلهای بالاتر بسیار کم است. این مدل امتیاز ۸۳.۳ درصد را ثبت کرده، درحالیکه امتیاز GPT 5.5 برابر با ۸۳.۴ درصد و امتیاز Fable Max برابر با ۸۴.۳ درصد اعلام شده است. آیا Grok 4.5 قویترین مدل برنامهنویسی است؟ نتایج منتشرشده نشان میدهند Grok 4.5 یک مدل برنامهنویسی قدرتمند و رقابتی است؛ اما نمیتوان آن را در تمام سناریوها قویترین مدل موجود دانست. این مدل تنها در یکی از پنج بنچمارک نمایشدادهشده رتبه اول را کسب کرده است. در سایر آزمونها مدلهایی مانند Fable Max، GPT 5.6 و Opus 4.8 Max عملکرد بهتری داشتهاند. نکته مهم دیگر این است که SpaceXAI اعلام کرده اعداد مربوط به رقبا از کارتهای فنی توسعهدهندگان یا لیدربوردهای منتشرشده جمعآوری شدهاند. همچنین همه مدلها الزاماً با هارنسها و تنظیمات کاملاً یکسان آزمایش نشدهاند. بنابراین، این نتایج باید نشانهای از عملکرد رقابتی Grok 4.5 تلقی شوند، نه مدرکی برای اثبات برتری مطلق آن بر تمام مدلهای هوش مصنوعی. سرعت و مصرف توکن Grok 4.5 سرعت سرویسدهی اعلامشده برای Grok 4.5 حدود ۸۰ توکن در ثانیه است. چنین سرعتی میتواند در ابزارهای کدنویسی تعاملی و ایجنتهایی که باید چندین مرحله را پشت سر هم اجرا کنند، اهمیت زیادی داشته باشد. SpaceXAI برای نشاندادن بهرهوری مدل، میانگین توکن خروجی آن را در SWE Bench Pro با Opus 4.8 Max مقایسه کرده است. مدل میانگین توکن خروجی برای هر وظیفه Grok 4.5 ۱۵٬۹۵۴ توکن Opus 4.8 Max ۶۷٬۰۲۰ توکن براساس این آزمایش، Grok 4.5 برای حل هر وظیفه بهطور متوسط حدود ۴.۲ برابر توکن خروجی کمتری مصرف کرده است. مصرف توکن کمتر میتواند هزینه اجرای ایجنتها و مدتزمان پاسخگویی را کاهش دهد. بااینحال، این عدد فقط به نتایج همین بنچمارک مربوط است و نباید آن را به تمام پروژهها و کاربردهای احتمالی تعمیم داد. مشخصات فنی و قیمت API مدل Grok 4.5 ویژگی مشخصات کاربرد اصلی کدنویسی، وظایف ایجنتی و کارهای دانشی سرعت اعلامشده حدود ۸۰ توکن در ثانیه قیمت ورودی API ۲ دلار برای یک میلیون توکن قیمت خروجی API ۶ دلار برای یک میلیون توکن نام مدل در API grok-4.5 ورودیهای اصلی متن و وظایف برنامهنویسی مدل آموزش یادگیری تقویتی و آموزش چندمرحلهای زیرساخت آموزش دهها هزار GPU مدل NVIDIA GB300 قیمت API گراک ۴.۵ برای هر یک میلیون توکن ورودی ۲ دلار و برای هر یک میلیون توکن خروجی ۶ دلار اعلام شده است. مقرونبهصرفهبودن واقعی مدل فقط به قیمت هر توکن بستگی ندارد. اگر Grok 4.5 بتواند یک مسئله را با مراحل و توکنهای کمتری حل کند، هزینه نهایی اجرای وظیفه نیز کاهش پیدا میکند. البته این موضوع باید در پروژههای واقعی و متناسب با نوع کار آزمایش شود. چگونه به Grok 4.5 دسترسی پیدا کنیم؟ براساس اعلام رسمی، Grok 4.5 از مسیرهای زیر در دسترس قرار گرفته است: توسعهدهندگان برای استفاده از API باید کلید دسترسی دریافت کنند و در درخواست خود نام مدل grok-4.5 را قرار دهند. در زمان انتشار خبر، این مدل هنوز در محصولات SpaceXAI و کنسول API برای کاربران اتحادیه اروپا در دسترس نبود و عرضه آن برای اواسط ژوئیه پیشبینی شده بود. وضعیت دسترسی منطقهای ممکن است پس از انتشار مقاله تغییر کند. Grok 4.5 برای چه کاربرانی مناسب است؟ Grok 4.5 میتواند گزینه مناسبی برای گروههای زیر باشد: بااینحال، انتخاب مدل نباید
...
اگر امروز برای انجام کارهای روزمره، تولید محتوا، برنامهنویسی یا تحلیل داده به سراغ ChatGPT رفتهاید و با خطاهای مکرر، کندی شدید یا دریافت پاسخهای ناقص مواجه شدهاید، احتمالاً مشکل از اینترنت، دستگاه یا حساب کاربری شما نیست. بررسی گزارشهای کاربران در نقاط مختلف جهان نشان میدهد که سرویس ChatGPT از ساعاتی قبل با اختلال گسترده مواجه شده است. این مشکل باعث شده بسیاری از کاربران هنگام ارسال درخواستها با خطاهای شبکه (Network Error)، قطع شدن پاسخها یا کاهش شدید سرعت پردازش مواجه شوند. در این گزارش اختصاصی نکسینو، وضعیت اختلال ChatGPT، بخشهای تحت تأثیر، دلایل احتمالی این مشکل و راهکارهای پیشنهادی برای کاربران را بررسی میکنیم. گزارش کاربران از قطعی و اختلال جهانی ChatGPT از نخستین ساعات امروز، گزارشهای متعددی از سوی کاربران و توسعهدهندگان منتشر شده که نشان میدهد عملکرد ChatGPT برای بسیاری از کاربران پایدار نیست. برخی از مشکلات گزارششده شامل موارد زیر است: بررسیهای تیم فنی نکسینو از وضعیت سرویسهای مانیتورینگ جهانی نشان میدهد که این اختلال محدود به یک منطقه یا کشور خاص نیست و بخشهایی از زیرساخت ابری OpenAI را تحت تأثیر قرار داده است. آیا اختلال ChatGPT به دلیل آمادهسازی GPT-5.6 است؟ یکی از مهمترین گمانهزنیها درباره اختلال امروز، ارتباط آن با آمادهسازی نسخه جدید مدلهای هوش مصنوعی OpenAI یعنی GPT-5.6 است. اگرچه OpenAI تاکنون دلیل رسمی این اختلال را اعلام نکرده، اما تجربههای گذشته نشان داده است که پیش از انتشار نسخههای بزرگ، تغییرات زیرساختی یا بهروزرسانیهای گسترده، ممکن است فشار قابل توجهی به سرورهای پردازشی وارد کند. در چنین شرایطی، کاربران ممکن است برای مدت کوتاهی با کاهش کیفیت سرویس، افزایش خطا یا ناپایداری دسترسی مواجه شوند. با این حال، تا زمان اعلام رسمی OpenAI نمیتوان با قطعیت گفت که اختلال فعلی مستقیماً با انتشار GPT-5.6 مرتبط است. قابلیت تولید تصویر ChatGPT نیز دچار اختلال شد یکی از بخشهایی که بیشترین مشکل را تجربه کرده، قابلیت تولید تصویر ChatGPT است. بر اساس گزارشهای کاربران، هنگام ارسال درخواستهای تصویری، بسیاری با خطاهای سیستمی مواجه شدهاند و امکان ایجاد تصویر برای برخی حسابها وجود ندارد. این موضوع احتمالاً به دلیل وابستگی پردازش تصاویر به زیرساختهای محاسباتی سنگین و سرورهای GPU است؛ بخشی که در زمان اختلالهای گسترده میتواند سریعتر تحت فشار قرار گیرد. اختلال فقط محدود به سایت ChatGPT نیست؛ API و ابزارهای وابسته هم تحت تأثیر قرار گرفتهاند این مشکل تنها کاربران نسخه وب یا اپلیکیشن رسمی ChatGPT را تحت تأثیر قرار نداده است. بسیاری از سرویسها، افزونهها، رباتهای تلگرامی و ابزارهای هوش مصنوعی که از API رسمی OpenAI استفاده میکنند نیز با مشکلات مشابه روبهرو شدهاند. بنابراین اگر یک ابزار مبتنی بر ChatGPT امروز به درستی کار نمیکند، تغییر تنظیمات حساب، تعویض رمز عبور یا تغییر سرویس اینترنت احتمالاً مشکل را حل نخواهد کرد؛ زیرا اختلال از سمت زیرساخت OpenAI است. راهکارهای پیشنهادی نکسینو برای کاربران ChatGPT تا زمان بازگشت کامل سرویس، کاربران میتوانند اقدامات زیر را انجام دهند: ۱. تنظیمات حساب خود را تغییر ندهید در شرایطی که مشکل از سمت سرورها است، تغییر رمز عبور، خروج و ورود مجدد یا تغییر تنظیمات حساب معمولاً تأثیری در رفع مشکل ندارد. ۲. برای پروژههای مهم کمی صبر کنید اگر در حال انجام یک پروژه حساس، تولید محتوای مهم یا تحلیل داده هستید، بهتر است تا پایدار شدن سرویس صبر کنید؛ زیرا در زمان اختلال احتمال دریافت پاسخهای ناقص افزایش پیدا میکند. ۳. از ابزارهای جایگزین استفاده کنید در صورت نیاز فوری، میتوانید به صورت موقت از سایر مدلهای هوش مصنوعی مانند: استفاده کنید. وضعیت ChatGPT و اخبار GPT-5.6 را از نکسینو دنبال کنید اختلالهای گسترده در سرویسهای هوش مصنوعی نشان میدهد که زیرساختهای این فناوریها تا چه اندازه به پردازش ابری و سیستمهای مقیاسپذیر وابسته هستند. تیم نکسینو همچنان وضعیت سرویسهای OpenAI، بازگشت کامل ChatGPT و اخبار مربوط به نسخههای جدید این شرکت را بررسی میکند و آخرین تغییرات را منتشر خواهد کرد.
...
تا پیش از این، بزرگترین مشکل دستیارهای صوتی و ایجنتهای هوش مصنوعی این بود که در لحظات حساس، کاملاً رباتیک و بیروح عمل میکردند. اگر شما عصبانی بودید، ربات با همان لحن شاد و یکنواخت همیشگی پاسخ میداد؛ اما در جدیدترین آپدیت سال ۲۰۲۶، شرکت ElevenLabs با معرفی قابلیت Expressive Mode این مشکل را برای همیشه حل کرده است. در این مقاله از مجله هوش مصنوعی نکسینو، به تحلیل عمیق این قابلیت میپردازیم که چگونه ایجنتهای صوتی را به شنوندگانی همدل، آرامشبخش و کاملاً طبیعی تبدیل کرده است. قابلیت Expressive Mode چیست و چرا یک انقلاب در صدا محسوب میشود؟ بر اساس دموی منتشر شده توسط ElevenLabs (که شامل ضبط بدون ویرایشِ صحبت یک کاربرِ به شدت عصبانی از لغو پرواز با ایجنت هوش مصنوعی بود)، قابلیت Expressive Mode به هوش مصنوعی اجازه میدهد تا لحن، زمانبندی و میزان احساسات خود را بر اساس شرایط مکالمه تغییر دهد. هدف از این آپدیت صرفاً ساختن «صداهای بامزه» نیست؛ بلکه هدف ایجاد یک تجربه در سطح سازمانی و کالسنترهاست. ایجنتهای مجهز به این حالت میتوانند تنش کاربر را کاهش دهند، در مواقع نگرانی با لحنی اطمینانبخش صحبت کنند و مکالمه را به سمت حل مشکل هدایت نمایند. دو موتور محرک در آپدیت جدید: Eleven v3 و Scribe v2 تحلیل اسناد فنی ElevenLabs نشان میدهد که این رفتار انسانی، مدیون دو تکنولوژی جدید است که به صورت موازی با هم کار میکنند: ۱. مدل Eleven v3 Conversational این مدل که با تاخیر فوقالعاده پایین (Ultra-low-latency) کار میکند، میتواند کانتکست (Context) احساسی مکالمه را در طول صحبت حفظ کند. این مدل به توسعهدهندگان اجازه میدهد تا با استفاده از پرامپتهای سیستمی، کنترل احساسی صریح (Explicit Emotional Control) روی ربات داشته باشند تا دقیقاً مطابق با صدای برند رفتار کند. ۲. سیستم جدید نوبتدهی (Turn-taking System) در مکالمات انسانی، زمانبندی به اندازه کلمات اهمیت دارد. اگر زودتر از موعد حرف کسی را قطع کنید، اعتماد او سلب میشود. ElevenLabs یک سیستم نوبتدهی کاملاً جدید طراحی کرده است که به کمک آن، هوش مصنوعی میفهمد چه زمانی باید صحبت کند، چه زمانی باید مکث کند و چه زمانی صرفاً منتظر بماند. تحلیل فناوری: هوش مصنوعی چگونه متوجه عصبانیت یا استرس ما میشود؟ شاید بپرسید مدل زبان چگونه احساسات پشت صدای کاربر را درک میکند؟ رمز این کار در استفاده از مدل تبدیل گفتار به متن Scribe v2 Realtime نهفته است. این مدل پیشرفته، فراتر از کلمات، سیگنالهای صوتی را تحلیل میکند. به عنوان مثال، اگر کاربر به طور ناگهانی سرعت صحبت کردن خود را بالا ببرد یا افزایش حجم صدا (Volume Surges) و کلمات تکراری داشته باشد، Scribe v2 این تغییرات را به عنوان علائم “استرس حاد یا پانیک” شناسایی کرده و به ایجنت دستور میدهد تا با لحنی بسیار آرام و تسلیبخش پاسخ دهد. تگهای احساسی و پشتیبانی از ۷۰ زبان زنده یکی از ویژگیهای بسیار جذاب و کاربردی برای برنامهنویسان، اضافه شدن تگهای احساسی (Expressive Tags) است. حالا مدلهای زبان (LLM) میتوانند با ارسال تگهایی مانند [laughs] (خندیدن)، [whispers] (زمزمه کردن) یا [sighs] (آه کشیدن) در متن، به موتور ElevenLabs دستور دهند تا دقیقاً در همان لحظه از کلام، این واکنشهای انسانی را پیادهسازی کند. علاوه بر این، قابلیت Expressive Mode اکنون ظرافتهای احساسی را در بیش از ۷۰ زبان زنده دنیا توسعه داده است و مشکل عدم درک لحن در زبانهایی مانند هندی و ژاپنی را که پیش از این در مدلهای Flash وجود داشت، برطرف کرده است. جدول تحلیل هزینه و کاربرد قابلیت Expressive Mode با وجود اضافه شدن این قابلیتهای پردازشی سنگین، سیاست قیمتگذاری ElevenLabs تغییر نکرده است که این یک خبر عالی برای کسبوکارهاست: ویژگی مورد بررسی مشخصات در آپدیت جدید (Expressive Mode) هزینه پردازش (قیمتگذاری) ۰.۰۸ دلار به ازای هر دقیقه (بدون افزایش قیمت نسبت به مدلهای قبلی) مدل پایه استفاده شده Eleven v3 Conversational (بهینهشده برای گفتگوی زنده) ابزار درک احساسات کاربر مدل Scribe v2 Realtime بهترین سناریوی استفاده کالسنترها، پشتیبانی مشتریان، ایجنتهای درمانی و بازیهای ویدیویی تعاملی نتیجهگیری: عبور از رباتهای بیروح قابلیت Expressive Mode در ElevenLabs به ما نشان داد که سال ۲۰۲۶، سالِ گذار از هوش مصنوعی «باهوش» به هوش مصنوعی «بااحساس» است. اگر صاحب کسبوکاری هستید که بخش پشتیبانی مشتریان دارد، استفاده از این API با هزینه مقرونبهصرفه ۰.۰۸ دلار در دقیقه، میتواند نرخ رضایت مشتریان (CSAT) شما را به شدت افزایش دهد. دیگر نیازی نیست مشتریان شما احساس کنند که در حال حرف زدن با یک ماشینِ برنامهریزیشده هستند.
...
در دنیای پرشتاب تکنولوژی، سال ۲۰۲۶ نقطه عطفی برای سیستمهای خودمختار (Agentic AI) محسوب میشود. شرکت Anthropic به تازگی از جدیدترین عضو خانواده مدلهای زبانی خود، یعنی Claude Sonnet 5 رونمایی کرده است. در حالی که توسعهدهندگان داخلی مانند پارت هوش مصنوعی (Part AI) در حال تلاش برای تقویت زیرساختهای پایه و مدلهای بومی هستند، غولهای جهانی مانند Anthropic در حال تغییر قواعد بازی و عبور از چتباتهای ساده به سمت “عوامل هوش مصنوعی کاملاً مستقل” میباشند. در این مقاله از مجله هوش مصنوعی، به بررسی کامل قابلیتهای کلود ۵، تحلیل بنچمارکها و مقایسه آن با رقبا میپردازیم. کلود سونت ۵ (Claude Sonnet 5) چیست و چه تفاوتی با نسخههای قبلی دارد؟ مدل Claude Sonnet 5 پیشرفتهترین نسخه از سری مدلهای Sonnet تا به امروز است که با هدف ایجاد تعادل بینظیر میان هزینه، سرعت و هوش طراحی شده است. این مدل حالا توانایی برنامهریزی، استفاده مستقل از ابزارهایی مانند مرورگر و ترمینال سیستم، و اجرای تسکهای چندمرحلهای را دارد که تا چند ماه پیش تنها در انحصار مدلهای گرانقیمتی مثل Opus بود. مهمترین تغییرات فنی در این نسخه عبارتند از: تحلیل دادهها: مقایسه Claude Sonnet 5 با رقبای برتر در سال ۲۰۲۶ بر اساس گزارشهای فنی منتشر شده توسط Anthropic، سونت ۵ یک جهش بزرگ نسبت به نسل قبلی خود (Sonnet 4.6) محسوب میشود و در بسیاری از زمینهها به عملکرد مدل پرچمدار Opus 4.8 نزدیک شده است. این پیشرفت خصوصاً در بنچمارکهای مربوط به برنامهنویسی خودمختار (Agentic Coding) بسیار چشمگیر است. در جدول زیر، تحلیل عملکرد این سه مدل را بر اساس دادههای رسمی مشاهده میکنید: نام مدل هوش مصنوعی امتیاز برنامهنویسی خودمختار (Agentic Coding) سطح توانایی امنیتی (مقاومت در برابر تزریق پرامپت) جایگاه در بازار ۲۰۲۶ Claude Sonnet 4.6 ۵۸.۱٪ متوسط نسل قبلی، در حال منسوخ شدن Claude Sonnet 5 ۶۳.۲٪ بسیار بالا (بهبود یافته) بهترین گزینه اقتصادی و همهکاره Claude Opus 4.8 ۶۹.۲٪ فوق پیشرفته پرچمدار، مناسب برای تسکهای بسیار سنگین همانطور که از جدول پیداست، سونت ۵ توانسته فاصله خود را با Opus 4.8 به حداقل برساند، در حالی که هزینه استفاده از آن به مراتب کمتر است. رقابت اصلی این مدل در حال حاضر با GPT-5.6 Sol از شرکت OpenAI و Gemini 3.5 Flash از شرکت گوگل است. تحلیل قیمتگذاری: هزینه استفاده از کلود ۵ چقدر است؟ یکی از مهمترین بخشهای خبر معرفی این مدل، استراتژی قیمتگذاری Anthropic است. این شرکت برای تشویق کاربران به مهاجرت به نسخه جدید، یک فرصت محدود طلایی با قیمتهای تخفیفخورده تا پایان تابستان ۲۰۲۶ در نظر گرفته است. جدول تحلیل تغییرات قیمتی Claude Sonnet 5 (به ازای هر ۱ میلیون توکن): بازه زمانی در سال ۲۰۲۶ هزینه توکن ورودی (Input) هزینه توکن خروجی (Output) ارزش خرید تا تاریخ ۳۱ آگوست (۹ شهریور) ۲ دلار ۱۰ دلار فوقالعاده بالا (ارزانتر از رقبا) از تاریخ ۱ سپتامبر به بعد ۳ دلار ۱۵ دلار منطقی (همچنان بهصرفهتر از GPT-5.5) تحلیل مجله: اگر توسعهدهنده هستید یا کسبوکاری مبتنی بر APIهای هوش مصنوعی دارید، تا پیش از سپتامبر ۲۰۲۶ بهترین زمان برای یکپارچهسازی سیستمهای خود با Claude Sonnet 5 است تا از هزینههای پایینتر نهایت استفاده را ببرید. چگونه از کلود ۵ استفاده کنیم؟ (راهنمای دسترسی) خوشبختانه، Anthropic دسترسی به این مدل را به شدت آسان کرده است. در حال حاضر Claude Sonnet 5 به عنوان مدل پیشفرض برای تمامی کاربران (هم رایگان و هم پرو) در پلتفرم اصلی کلود جایگزین نسخههای قبلی شده است. توسعهدهندگان نیز میتوانند از طریق سرویسهای زیر به API آن دسترسی داشته باشند: نتیجهگیری: آیا کلود ۵ ارزش مهاجرت را دارد؟ پاسخ قطعا بله است. با توجه به ارتقای چشمگیر در زمینه استدلال، کاهش خطای توهم (Hallucination) و قابلیتهای خودمختار، Claude Sonnet 5 در حال حاضر بهترین انتخاب از نظر تعادل میان قیمت و عملکرد در سال ۲۰۲۶ است. اگر به دنبال یک هوش مصنوعی هستید که بتواند کدهای طولانی بنویسد، دادههای پیچیده را تحلیل کند و ابزارهای سیستم شما را مستقلاً مدیریت کند، سونت ۵ شما را شگفتزده خواهد کرد.
...
دنیای تولید محتوای چندرسانهای با هوش مصنوعی در حال عبور از مرحله «آزمایش» و ورود به مرحله «تولید انبوه و تجاری» است. گوگل در جدیدترین آپدیت خود در تابستان ۲۰۲۶، دو مدل قدرتمند و کاملاً متمایز را معرفی کرده است که هدف اصلی آنها کاهش شدید هزینهها و افزایش سرعت برای توسعهدهندگان و تولیدکنندگان محتواست. این دو مدل، Nano Banana 2 Lite (سریعترین تصویرساز گوگل) و Gemini Omni Flash (هوش مصنوعی تولید و ویرایش مکالمهمحور ویدیو) نام دارند. در این مقاله از مجله هوش مصنوعی نکسینو، به بررسی عمیق و تحلیل قابلیتهای این دو مدل میپردازیم و خواهیم دید که چگونه ترکیب آنها میتواند گردش کار شما را به کلی تغییر دهد. ۱. مدل Nano Banana 2 Lite: پادشاه سرعت و هزینه در تولید تصویر بر اساس گزارش رسمی بخش DeepMind گوگل، مدل Nano Banana 2 Lite منحصراً برای کارهایی طراحی شده است که نیاز به حجم بالایی از تولید عکس با کمترین تاخیر (Latency) دارند. این مدل جایگزین رسمی و ارتقایافتهی مدل قبلی یعنی جمنای ۲.۵ فلش محسوب میشود. تحلیل قابلیتهای کلیدی: ۲. مدل Gemini Omni Flash: ویرایش و ساخت ویدیو با زبان طبیعی در سمت دیگر، گوگل برای اولین بار دسترسی توسعهدهندگان به Gemini Omni Flash را از طریق Google AI Studio و Gemini API باز کرده است. این مدل، قدرت استدلال چندوجهی جمنای را با فناوری تولید ویدیو ترکیب میکند. مهمترین ویژگیهای Omni Flash: جایگاه مدلهای جدید در خانواده Nano Banana برای درک بهتر اینکه گوگل چگونه اکوسیستم تصویرسازی خود را طبقهبندی کرده است، جدول زیر را بر اساس اسناد توسعهدهندگان گوگل استخراج و تحلیل کردهایم: نام مدل در سال ۲۰۲۶ تمرکز اصلی عملکرد بهترین سناریوی استفاده (Use Case) Nano Banana 2 Lite سرعت بالا و قیمت بسیار پایین گردشکارهای با حجم بالا، تولید در لحظه (Real-time) Nano Banana 2 تعادل بین کیفیت و سرعت استفاده عمومی، بهترین گزینه برای کیفیت بالا با تاخیر کم Nano Banana Pro کیفیت و کنترل فوقحرفهای پروژههای پیچیده و حرفهای که دقت مهمتر از سرعت است Nano Banana (نسخه ۲.۵) مدل قدیمی (Legacy) گوگل توصیه میکند تمام کاربران به نسخه Lite مهاجرت کنند ترکیب طلایی: وقتی Nano و Omni با هم کار میکنند (بررسی دموها) تحلیل نکسینو از این آپدیت نشان میدهد که قدرت واقعی زمانی آزاد میشود که این دو مدل را به صورت زنجیرهای (Chaining) استفاده کنید. گوگل برای اثبات این موضوع، سه دموی کاربردی ارائه کرده است: ۱. برنامه Anywhere (سفر مجازی): کاربر یک سلفی میگیرد. ابتدا Nano Banana 2 Lite چهره او را در کنار یک مکان تاریخی مشهور (مثل برج ایفل یا تخت جمشید) شبیهسازی میکند. سپس کاربر روی عکس کلیک میکند و Omni Flash آن عکس ثابت را به یک ویدیوی متحرک و سینمایی از آن مکان تبدیل مینماید. ۲. برنامه Space Lift (دکوراسیون داخلی): کاربر عکسی از اتاق خالی خود آپلود میکند. مدل نانو در چند ثانیه دهها کانسپت دکوراسیون جدید میسازد. با انتخاب بهترین طرح، مدل آمنی آن را به یک ویدیوی تور مجازی جذاب تبدیل میکند تا کاربر فضای جدید را پیش از اجرا حس کند. ۳. برنامه Omni Product Studio (تجارت الکترونیک): مناسب برای فروشگاههای اینترنتی؛ جایی که عکسهای سادهی محصول توسط مدل نانو بهینهسازی شده و سپس توسط آمنی به تیزرهای تبلیغاتی سینمایی و وایرال تبدیل میشوند. محدودیتهای فعلی و نکات امنیتی (توسعهدهندگان بخوانند) مانند هر تکنولوژی جدیدی، این مدلها نیز در فاز فعلی محدودیتهایی دارند که در زمان توسعه اپلیکیشن باید به آنها دقت کنید:
...
شوک ژوئن ۲۰۲۶ به دنیای هوش مصنوعی شرکت OpenAI اواخر ژوئن ۲۰۲۶ بار دیگر با معرفی نسل جدید مدلهای زبانی خود، مرزهای تکنولوژی را جابهجا کرد. رونمایی از خانواده GPT-5.6 شامل سه مدل (Sol، Terra و Luna) با انتشار بنچمارکهای خیرهکنندهای همراه بود که نشان از یک جهش بزرگ در قدرت استدلال دارد. با این حال، دخالت بیسابقه دولت آمریکا و توقف عرضه عمومی این مدلها، به جنجالیترین تیتر رسانههای فناوری تبدیل شده است. در این مقاله به بررسی دقیق امکانات، تحلیل نمودارهای عملکرد و پشتپرده محدودیتهای امنیتی میپردازیم. معرفی خانواده GPT-5.6 و تحلیل بنچمارکها OpenAI برای پوشش دادن تمام نیازهای بازار، نسل ۵.۶ را در سه لایه مختلف طراحی کرده است. نتایج تستهای رسمی جایگاه هر یک از این مدلها را به وضوح نشان میدهد: جدول مقایسه عملکرد در بنچمارک TerminalBench 2.1 برای درک بهتر جایگاه این خانواده در برابر رقبا، نگاهی به جدول زیر بیندازید: رتبه نام مدل (هوش مصنوعی) امتیاز عملکرد (Score) جایگاه در بازار ۱ GPT-5.6 Sol (حالت Ultra) ۹۱.۹٪ پرچمدار مطلق ۲ GPT-5.6 Sol (حالت پایه) ۸۸.۸٪ پرچمدار استاندارد ۳ Claude Mythos 5 ۸۸.۰٪ رقیب اصلی (Anthropic) ۴ GPT-5.6 Terra ۸۴.۳٪ اقتصادی و قدرتمند ۵ Claude Fable 5 ۸۴.۳٪ میانرده ۶ GPT-5.5 (نسخه قبلی) ۸۳.۴٪ نسل گذشته ۷ GPT-5.6 Luna ۸۲.۵٪ فوقسریع و ارزان ۸ Claude Opus 4.8 ۷۸.۹٪ میانرده ارزان ۹ Gemini 3.1 Pro Preview ۷۰.۷٪ نماینده گوگل مدل GPT-5.6 Sol (پرچمدار بیرقیب) همانطور که در جدول مشخص است، مدل Sol پادشاه بیچونوچرای هوش مصنوعی در سال ۲۰۲۶ است. بررسی نمودارهای رسمی منتشر شده از طرف OpenAI نشان میدهد که این مدل در تولید خروجیهای سنگین (بالای ۱۰۰ هزار توکن) بالاترین سقف توانمندی (Cap percent) را دارد و پیچیدهترین مسائل را حل میکند. نکته کلیدی: با وجود قیمت ۱۵ دلار به ازای هر یک میلیون توکن، نمودارها نشان میدهند که Sol برای رسیدن به بالاترین سطح عملکرد، نیازمند زمان پردازش (Latency) و هزینه بیشتری نسبت به سایر مدلهاست، اما خروجی آن کاملاً بینقص است. مدل GPT-5.6 Terra (قاتلِ نسلهای قبل) برگ برنده اصلی OpenAI برای تسخیر بازار، مدل Terra است. با نگاهی به نمودارهای کارایی نسبت به هزینه (API Cost)، متوجه میشویم که Terra با گرافِ عملکردیِ بسیار شبیه به GPT-5.5 حرکت میکند؛ اما در نهایت با امتیاز ۸۴.۳٪، نسخه قبلی را شکست میدهد. کاربرد: این مدل با نصف هزینه مدل Sol، قدرتی بیشتر از پرچمداران سال گذشته ارائه میدهد و برای استارتاپها یک معدن طلا محسوب میشود. مدل GPT-5.6 Luna (فوقسریع و ارزان) با کسب امتیاز ۸۲.۵٪، مدل Luna ثابت کرد که میتواند رقبای نامداری چون Claude Opus 4.8 و Gemini 3.1 Pro را به راحتی کنار بزند. در نمودارهای بررسیِ تاخیر (Simulated Latency)، خط مربوط به Luna در پایینترین سطح زمان قرار دارد که نشاندهنده سرعت واکنشِ در لحظه (Real-time) این مدل با کمترین هزینه ممکن است. حالتهای Max و Ultra: انقلاب ایجنتها دلیل اصلی ثبت رکورد رویایی ۹۱.۹٪ برای Sol Ultra در بنچمارکها، اضافه شدن همین حالتهای محاسباتی است. در این حالت، هوش مصنوعی به جای یک پاسخ خطی، از چندین «ایجنت موازی» (Parallel Agents) استفاده میکند. این شبکهی ایجنتها میتوانند همزمان بخشهای مختلف یک کد پایتون را دیباگ کنند و در سریعترین زمان، بینقصترین ساختار را تحویل دهند. سایه دولت آمریکا روی OpenAI: چرا عرضه عمومی متوقف شد؟ با وجود این بنچمارکهای درخشان، عرضه این مدلها در قالب یک “پیشنمایش محدود (Limited Preview)” متوقف مانده است. دلیل اصلی، ورود موسسه ایمنی هوش مصنوعی آمریکا (US AISI) است. قدرت خیرهکننده مدل Sol در حل چالشهای منطقی و نمودارها، زنگ خطر را برای نهادهای امنیتی به صدا درآورده است. دولتها نگرانند که این سطح از هوشمندی برای حملات سایبری گسترده استفاده شود و تا زمان تایید نهایی پروتکلهای امنیتی، عرضه عمومی در هالهای از ابهام است. وضعیت دسترسی برای کاربران ایرانی پس از عبور از سد امنیتی دولت آمریکا، دسترسی به این غولهای جدید آغاز خواهد شد. برای کاربران داخل ایران که همواره با چالش پرداختهای ارزی و تحریم مواجهاند، پلتفرمهای واسط بومی مانند AvalAI منطقیترین مسیر برای دسترسی به قدرت Sol و Terra با پشتیبانی از زبان فارسی و بدون نیاز به دور زدن تحریمها خواهند بود. سوالات متداول (FAQ) آیا مدل Terra واقعاً از GPT-5.5 قویتر است؟ بله؛ بر اساس بنچمارک رسمی TerminalBench 2.1، مدل Terra با کسب امتیاز ۸۴.۳٪، موفق شده نسخه قبلی (GPT-5.5 با امتیاز ۸۳.۴٪) را پشت سر بگذارد، در حالی که هزینه کمتری دارد. عرضه نهایی هوش مصنوعی GPT-5.6 دقیقاً چه زمانی است؟ تاریخ دقیقی مشخص نیست. عرضه عمومی به نتایج تستهای موسسه ایمنی هوش مصنوعی آمریکا (US AISI) بستگی دارد و فعلاً در حالت پیشنمایش محدود است.
...
انتظارها به پایان رسید. پس از هفتهها گمانهزنی و توقف موقت به دلیل نگرانیهای امنیتی دولت آمریکا، شرکت OpenAI بالاخره عرضه عمومی و رسمی خانواده جدید مدلهای هوش مصنوعی مولد خود با نام GPT-5.6 را آغاز کرد. در حالی که پیشتر در مجله نکسینو به طور مفصل به بررسی GPT-5.6 پرداختیم و دلایل مداخله موسسه ایمنی هوش مصنوعی آمریکا (US AISI) را موشکافی کردیم، اکنون این غولهای تکنولوژی (شامل نسخههای Sol، Terra و Luna) رسماً وارد بازار شدهاند. در این مقاله قصد داریم به بررسی دقیق نحوه دسترسی به این مدلها، ساختار قیمتگذاری جدید API و پیشرفتهای خیرهکننده آنها در حوزههای برنامهنویسی و امنیت سایبری بپردازیم. پایان محدودیتهای امنیتی: GPT-5.6 رسماً در دسترس قرار گرفت مدلهای خانواده GPT-5.6 با این هدف طراحی شدهاند که قابلیتهای سازمانی، پژوهشهای علمی و برنامهنویسی با هوش مصنوعی را به سطح کاملاً جدیدی ارتقا دهند. Sol به عنوان پرچمدار و مدل اصلی، Terra به عنوان گزینه میانرده قدرتمند، و Luna به عنوان نسخه اقتصادی و سریع این خانواده معرفی شدهاند. برطرف شدن نگرانیهای دولت آمریکا نشان میدهد که اوپنایآی توانسته پروتکلهای امنیتی لازم را روی این مدلها پیادهسازی کند تا از سوءاستفادههای احتمالی جلوگیری شود و اکنون کاربران در سراسر جهان میتوانند از این تکنولوژی بهرهمند شوند. جهش ۵۴ درصدی در بهینهسازی توکنها (به گفته سم آلتمن) یکی از بزرگترین مشکلات توسعهدهندگان با مدلهای قبلی، هزینه بالای مصرف توکن در کارهای پیچیده بود. «سم آلتمن»، مدیرعامل OpenAI، در مصاحبه اخیر خود با CNBC اعلام کرد که نسل ۵.۶ از نظر بهرهوری و مدیریت هزینه، یک جهش تاریخی را تجربه کرده است. بر اساس آمار رسمی، مدل Sol در تسکهای پیچیدهی برنامهنویسی مبتنی بر ایجنت (Agentic Coding)، تا ۵۴ درصد بهینهتر از نسلهای قبلی توکن مصرف میکند. این یعنی شما میتوانید خروجیهای طولانیتر، دقیقتر و کدهای بدون باگ را با صرف هزینهای بسیار کمتر نسبت به گذشته دریافت کنید. قدرتمندترین مدل امنیت سایبری تاریخ OpenAI دلیلی اصلی که دولت ترامپ و نهادهای امنیتی پیشتر تلاش کرده بودند عرضه این خانواده را متوقف کنند، قدرت بیسابقه این مدل در امنیت سایبری (Cybersecurity) بود. اکنون OpenAI با افتخار تایید کرده است که GPT-5.6 قدرتمندترین مدل امنیت سایبری این شرکت تا به امروز است. این مدل میتواند با مصرف کمترین میزان توکن، کدهای مخرب را به سرعت تحلیل کرده، آسیبپذیریهای سیستم را کشف کند و راهکارهای امنیتی پیشگیریکنندهای در سطح پیشرفتهترین ابزارهای تست نفوذ ارائه دهد. تحلیل بنچمارک تخصصی برنامهنویسی: Sol در برابر رقبای آنتروپیک شرکت اوپنایآی در این عرضه عمومی، مستقیماً به سراغ رقیب دیرینه خود، یعنی Anthropic رفته است. با استناد به شاخص های معتبر و مستقل، مدل پرچمدار برنامهنویسی این شرکت (یعنی Sol) مستقیماً در برابر مدل Claude Fable 5 و Sonnet 5 قرار گرفته است. تحلیل دادههای این بنچمارک، برتری قاطع نماینده OpenAI را نشان میدهد: جدول تعرفهها: قیمت API خانواده GPT-5.6 چقدر است؟ برای توسعهدهندگان و استارتاپهایی که قصد دارند از API هوش مصنوعی این مدلها در محصولات خود استفاده کنند، OpenAI تعرفههای بسیار رقابتی و شفاف زیر را (به ازای هر یک میلیون توکن) اعلام کرده است: نام مدل در خانواده GPT-5.6 هزینه توکن ورودی (Input) هزینه توکن خروجی (Output) جایگاه کاربردی در بازار GPT-5.6 Sol ۵ دلار ۳۰ دلار پرچمدار (تسکهای سنگین، معماری نرمافزار و امنیت) GPT-5.6 Terra ۲.۵ دلار ۱۵ دلار میانرده (بهترین تعادل بین هزینه و عملکرد سازمانی) GPT-5.6 Luna ۱ دلار ۶ دلار اقتصادی (پردازش متن سریع، چتباتها و تسکهای روزمره) چگونه به این مدلها دسترسی پیدا کنیم؟ (راهنمای استفاده در ChatGPT و Codex) خبر خوب این است که از همین امروز، دسترسی به این خانواده قدرتمند از طریق بسترهای مختلف آغاز شده است. قوانین دسترسی به شرح زیر است: ۱. دسترسی در پلتفرم ChatGPT ۲. دسترسی در محیط برنامهنویسی Codex با عرضه نهایی و عمومی این خانواده قدرتمند، به نظر میرسد OpenAI جایگاه خود را در حوزه مدلهای زبانی در سال ۲۰۲۶ مستحکمتر از قبل کرده است. برای آگاهی از جدیدترین ترفندهای پرامپتنویسی و استفاده حرفهای از این مدلها، مقالات آینده نکسینو را از دست ندهید.
... رقابت در بازار هوش مصنوعی دیگر فقط بر سر پاسخهای بهتر یا سرعت بیشتر نیست. شرکتها اکنون با اعداد عظیمی مانند «تریلیونها پارامتر»، «پنجره زمینه یک میلیون توکنی» و «مدلهای چندوجهی» تلاش میکنند نشان دهند نسل تازهای از هوش مصنوعی را ساختهاند. اما این اعداد میتوانند گمراهکننده باشند. وقتی Alibaba اعلام میکند مدل جدید Qwen3.8-Max دارای ۲.۴ تریلیون پارامتر است، ممکن است در نگاه اول تصور کنیم این مدل الزاماً از GPT یا Claude قدرتمندتر است. درحالیکه تعداد کل پارامترها فقط یکی از عوامل تعیینکننده کیفیت مدل است. Qwen3.8-Max بزرگترین و قدرتمندترین مدل معرفیشده در خانواده Qwen محسوب میشود. اهمیت آن فقط به ابعاد بسیار بزرگ محدود نیست؛ معماری Mixture of Experts، قابلیت پردازش ورودیهای چندوجهی، پنجره زمینه طولانی و برنامه Alibaba برای انتشار وزنهای مدل، این محصول را به یکی از مهمترین مدلهای چینی سال ۲۰۲۶ تبدیل کرده است. Qwen3.8-Max چیست؟ Qwen3.8-Max مدل پرچمدار جدید Alibaba در خانواده Qwen است که برای کدنویسی، وظایف پیچیده، تحلیل ورودیهای چندوجهی و اجرای ایجنتهای هوش مصنوعی طراحی شده است. نسخه پیشنمایش آن با نام Qwen3.8-Max-Preview ابتدا از طریق برخی سرویسهای Alibaba مانند Token Plan، Qoder و QoderWork در دسترس قرار گرفت. سپس Alibaba مدل را بهعنوان پیشرفتهترین محصول Qwen معرفی کرد و وعده داد وزنهای آن را نیز در اختیار توسعهدهندگان قرار دهد. براساس اطلاعات منتشرشده، این مدل از ورودیهای مختلف پشتیبانی میکند: Qwen3.8-Max همچنین میتواند تا حدود یک میلیون توکن را در یک نشست پردازش کند؛ ظرفیتی که برای تحلیل گزارشهای بزرگ، کتابها، اسناد سازمانی و پروژههای پیچیده برنامهنویسی اهمیت دارد. مشخصات Qwen3.8-Max در یک نگاه ویژگی مشخصات اعلامشده تعداد کل پارامترها ۲.۴ تریلیون پارامترهای فعال حدود ۹۵ میلیارد در هر درخواست معماری Mixture of Experts پنجره زمینه تا یک میلیون توکن ورودیها متن، تصویر، ویدئو و اسناد کاربرد اصلی کدنویسی، ایجنتها و وظایف حرفهای وضعیت مدل پیشنمایش و وعده انتشار Open Weight عدد ۲.۴ تریلیون، Qwen3.8-Max را به یکی از بزرگترین مدلهای هوش مصنوعی معرفیشده تبدیل میکند؛ اما این مدل بزرگترین نمونه موجود نیست. برای مثال، مدل Kimi K3 از Moonshot AI با ۲.۸ تریلیون پارامتر معرفی شده است. عدد ۲.۴ تریلیون پارامتر چه معنایی دارد؟ پارامترها را میتوان وزنهای عددی درون شبکه عصبی دانست که مدل طی فرایند آموزش آنها را تنظیم میکند. این وزنها به مدل کمک میکنند روابط میان کلمات، تصاویر، مفاهیم و الگوهای مختلف را یاد بگیرد. اما Qwen3.8-Max برای پردازش هر درخواست، تمام ۲.۴ تریلیون پارامتر خود را فعال نمیکند. براساس گزارش رویترز، تنها حدود ۹۵ میلیارد پارامتر برای هر درخواست وارد محاسبه میشوند. دلیل این تفاوت، استفاده از معماری Mixture of Experts یا MoE است. در این معماری، مدل از چندین بخش تخصصی یا «خبره» تشکیل شده است. یک سیستم مسیریاب تشخیص میدهد هر ورودی باید توسط کدام بخشها پردازش شود. بنابراین برای یک سؤال برنامهنویسی، مجموعهای از خبرهها فعال میشوند و برای تحلیل تصویر یا متن، مجموعه دیگری وارد عمل میشود. این روش چند مزیت دارد: پژوهشهای قبلی درباره مدلهای MoE نیز نشان دادهاند که فعالسازی پراکنده میتواند تعداد پارامترهای مدل را به مقیاس تریلیونی برساند، بدون آنکه هزینه محاسباتی هر ورودی به همان نسبت افزایش پیدا کند. آیا پارامتر بیشتر به معنی مدل قویتر است؟ خیر. تعداد پارامترها بهتنهایی معیار قابل اعتمادی برای رتبهبندی مدلهای هوش مصنوعی نیست. عملکرد یک مدل به عوامل متعددی بستگی دارد: یک مدل کوچکتر با دادههای بهتر و معماری بهینهتر میتواند در برخی وظایف از مدلی با پارامترهای بیشتر بهتر عمل کند. علاوه بر این، مقایسه تعداد کل پارامترهای یک مدل MoE با یک مدل Dense چندان دقیق نیست. در مدل Dense تقریباً تمام پارامترها برای هر درخواست درگیر میشوند، اما در مدل MoE فقط بخشی از آنها فعال هستند. بنابراین عدد ۲.۴ تریلیون بیشتر نشاندهنده ظرفیت کلی شبکه است، نه هزینه یا قدرت واقعی هر پاسخ. مدلهایی مانند Gemini 3 Flash نشان میدهند که سرعت، هزینه و بهینهسازی معماری نیز میتوانند بهاندازه تعداد پارامترها در انتخاب یک مدل هوش مصنوعی اهمیت داشته باشند. قابلیتهای مهم Qwen3.8-Max چیست؟ پردازش چندوجهی Qwen3.8-Max فقط یک مدل متنی نیست. Alibaba اعلام کرده این مدل میتواند متن، تصویر، ویدئو و اسناد را پردازش کند. این قابلیت امکان ساخت ابزارهایی را فراهم میکند که بهطور همزمان چند نوع داده را بررسی میکنند. برای مثال، مدل میتواند: پنجره زمینه یک میلیون توکنی پنجره زمینه مشخص میکند مدل در یک نشست چه مقدار اطلاعات را میتواند بهصورت همزمان در نظر بگیرد. یک میلیون توکن میتواند برای کاربردهای زیر مفید باشد: البته اعلام یک پنجره زمینه طولانی لزوماً به این معنا نیست که مدل در تمام بخشهای آن دقت یکسانی دارد. کیفیت بازیابی اطلاعات از ابتدا، میانه و انتهای زمینه باید در آزمونهای مستقل بررسی شود. کدنویسی و ایجنتهای هوش مصنوعی Alibaba مدل جدید را برای Agentic Coding و وظایف چندمرحلهای معرفی کرده است. در کدنویسی ایجنتی، مدل فقط یک قطعه کد تولید نمیکند؛ بلکه میتواند: این کاربردها به زمینه طولانی، ابزارخوانی دقیق و توانایی حفظ هدف در چندین مرحله نیاز دارند. آیا Qwen3.8-Max از GPT و Claude قویتر است؟ Alibaba ادعا کرده Qwen3.8-Max در برخی ارزیابیها در سطح مدلهای پیشرفته آمریکایی قرار میگیرد و تنها از تعداد محدودی از مدلهای Anthropic عقبتر است. برخی گزارشها نیز به جایگاه بالای آن در رتبهبندیهای مبتنی بر ترجیح کاربران اشاره کردهاند. بااینحال، هنوز نباید یک برنده قطعی اعلام کرد. بخش قابلتوجهی از ادعاهای اولیه توسط خود Alibaba منتشر شده و در زمان معرفی، گزارش فنی کامل، مدلکارت جامع و جدول دقیق بنچمارکها در دسترس نبود. برای مقایسه منصفانه باید این موارد بررسی شوند: بنابراین پاسخ فعلی این است: Qwen3.8-Max احتمالاً یکی از قدرتمندترین مدلهای چینی است، اما هنوز شواهد مستقل کافی برای اثبات برتری کلی آن نسبت به GPT یا Claude وجود ندارد. آیا Qwen3.8-Max متنباز است؟ Alibaba وعده داده وزنهای Qwen3.8-Max را منتشر کند؛ اما عبارت Open Weight با «متنباز کامل» یکسان نیست. در مدل Open Weight، توسعهدهندگان میتوانند وزنهای آموزشدیده را دانلود و در صورت اجازه مجوز، آن را اجرا یا شخصیسازی کنند. اما ممکن است موارد زیر منتشر نشوند: تا زمانی که مجوز نهایی، مدلکارت و فایلهای رسمی منتشر نشوند، بهتر است Qwen3.8-Max را مدلی با وعده انتشار وزنها بنامیم، نه یک مدل کاملاً متنباز. انتشار وزنهای مدل چه اهمیتی دارد؟ اگر Alibaba
... استفاده از مدلهای قدرتمند هوش مصنوعی دیگر فقط به خرید اشتراک یک چتبات محدود نمیشود. وقتی یک کسبوکار بخواهد هوش مصنوعی را در چت پشتیبانی، تولید محتوا، تحلیل اسناد یا ایجنتهای خودکار به کار بگیرد، باید بابت میلیونها توکن ورودی و خروجی هزینه پرداخت کند. این هزینه در مقیاس بالا میتواند به یکی از موانع اصلی توسعه محصولات هوش مصنوعی تبدیل شود. حتی اختلاف چند دلار در قیمت هر میلیون توکن، برای سرویسی که روزانه میلیونها درخواست پردازش میکند، رقم بزرگی خواهد بود. DeepSeek با مدل V4-Flash تلاش کرده این معادله را تغییر دهد. گزارش رویترز براساس ارزیابی Artificial Analysis نشان میدهد هزینه اجرای این مدل از تعدادی از مدلهای شناختهشده بازار بهمراتب پایینتر است؛ موضوعی که میتواند رقابت شرکتهای هوش مصنوعی را از «قویترین مدل» به سمت «بهترین نسبت قیمت به عملکرد» سوق دهد. DeepSeek V4-Flash چیست؟ DeepSeek V4-Flash یک مدل زبانی متنباز با تمرکز بر سرعت، زمینه طولانی و هزینه پایین است. این مدل ورودی متنی دریافت میکند، خروجی متنی تولید میکند و از پنجره زمینهای تا یک میلیون توکن پشتیبانی میکند. براساس مشخصات Artificial Analysis، نسخه بررسیشده این مدل در مجموع ۲۸۴ میلیارد پارامتر دارد، اما در هر توکن فقط حدود ۱۳ میلیارد پارامتر آن فعال میشوند. این ساختار به مدل اجازه میدهد بدون فعال کردن تمام ظرفیت شبکه در هر درخواست، هزینه محاسباتی را کاهش دهد. مدل همچنین با مجوز MIT و بهصورت Open Weights ارائه شده است. V4-Flash در دو حالت اصلی ارزیابی شده است: عبارت Flash نیز معمولاً در نام مدلهایی استفاده میشود که برای سرعت و هزینه کمتر نسبت به نسخههای پرچمدار بهینه شدهاند. بااینحال، DeepSeek V4-Flash صرفاً یک مدل کوچک و ساده نیست؛ بلکه مدلی بزرگ با معماری بهینه برای استنتاج اقتصادی است. قیمت DeepSeek V4-Flash چقدر است؟ براساس قیمت ثبتشده برای API رسمی DeepSeek، هزینه استفاده از V4-Flash به این صورت است: Artificial Analysis نرخ ترکیبی این مدل را با فرض استفاده گسترده از کش، حدود ۰٫۰۶ دلار بهازای یک میلیون توکن محاسبه کرده است. قیمت نهایی ممکن است با توجه به ارائهدهنده API و نوع استفاده متفاوت باشد. چرا قیمت توکن اهمیت دارد؟ توکن واحد تقریبی محاسبه متن در مدلهای زبانی است. هر پیام، سند یا پاسخ به تعدادی توکن تبدیل میشود و توسعهدهنده متناسب با حجم ورودی و خروجی هزینه میپردازد. قیمت پایینتر میتواند هزینه این کاربردها را کاهش دهد: برای یک کاربر عادی، اختلاف چند سنت شاید مهم به نظر نرسد؛ اما برای یک محصول بزرگ، همین تفاوت میتواند هزینه ماهانه زیرساخت را بهطور چشمگیری تغییر دهد. مقایسه هزینه DeepSeek V4-Flash با رقبا رویترز با استناد به Artificial Analysis گزارش داده است که هزینه متوسط اجرای هر وظیفه ارزیابی برای V4-Flash حدود ۳ سنت بوده است. این رقم برای تعدادی از مدلهای مطرح به شکل زیر گزارش شد: مدل هوش مصنوعی هزینه متوسط هر وظیفه ارزیابی DeepSeek V4-Flash حدود ۰٫۰۳ دلار Kimi K3 حدود ۰٫۸۶ دلار GPT-5.6 Sol حدود ۱٫۸۶ دلار Claude Fable 5 حدود ۳٫۱۵ دلار این جدول قیمت مستقیم API را مقایسه نمیکند؛ بلکه هزینه واقعی تولید خروجی در مجموعه آزمونهای Artificial Analysis را نشان میدهد. طول پاسخ، تعداد توکن مصرفی و میزان تلاش استدلالی میتواند روی هزینه هر وظیفه اثر بگذارد. بر همین مبنا، هزینه اجرای V4-Flash در این ارزیابی حدود ۲۹ برابر کمتر از Kimi K3، حدود ۶۲ برابر کمتر از GPT-5.6 Sol و بیش از ۱۰۰ برابر کمتر از Claude Fable 5 بوده است. این اختلاف به معنی آن نیست که DeepSeek در همه وظایف بهتر از رقبا عمل میکند. نتیجه اصلی این است که این مدل میتواند سطح قابلتوجهی از توانایی را با هزینه بسیار کمتری ارائه دهد. آیا DeepSeek V4-Flash واقعاً قدرتمند است؟ قیمت پایین تنها زمانی اهمیت دارد که مدل بتواند کیفیت قابلقبولی نیز ارائه دهد. صفحه فعلی Artificial Analysis برای نسخه استدلالی با حداکثر تلاش، امتیاز ۴۰ را در Intelligence Index ثبت کرده است. این مدل در میان مدلهای همرده خود بالاتر از میانگین قرار دارد و سرعت تولید آن نیز حدود ۱۱۵ تا ۱۱۸ توکن در ثانیه گزارش شده است. نسخه غیر استدلالی امتیاز ۲۹ و سرعتی نزدیک به ۱۱۷ توکن در ثانیه دارد. البته یک نکته مهم وجود دارد: امتیازهای بنچمارک ممکن است با تغییر نسخه آزمون، تنظیمات میزان تلاش و بهروزرسانی روش ارزیابی تغییر کنند. به همین دلیل نباید تنها با یک عدد درباره کیفیت نهایی مدل تصمیم گرفت. Artificial Analysis همچنین V4-Flash را مدلی نسبتاً پرحرف توصیف کرده است. نسخه Max Effort در ارزیابی این مؤسسه ۲۳۰ میلیون توکن خروجی تولید کرده که از میانه مدلهای قابل مقایسه بیشتر بوده است. پرحرف بودن میتواند بخشی از مزیت قیمت پایین را در بعضی کاربردها کاهش دهد؛ زیرا هزینه نهایی فقط به نرخ هر توکن وابسته نیست، بلکه تعداد توکنهای تولیدشده نیز مهم است. چرا DeepSeek V4-Flash ارزان است؟ کاهش هزینه این مدل را میتوان به چند عامل مرتبط دانست. نخست، معماری آن بهگونهای طراحی شده که فقط بخشی از پارامترها برای هر توکن فعال شوند. این رویکرد شبیه معماری Mixture of Experts است و میتواند مصرف محاسباتی را نسبت به فعالسازی کامل مدل کاهش دهد. دوم، DeepSeek روی بهینهسازی استنتاج و استفاده از کش تمرکز کرده است. قیمت ورودی کششده این مدل تا ۹۸ درصد کمتر از ورودی عادی گزارش شده است. این ویژگی برای گفتوگوهای طولانی، اسناد تکراری و ایجنتهایی که بارها از یک زمینه مشترک استفاده میکنند، اهمیت زیادی دارد. همچنین پژوهشهای مرتبط با معماری DeepSeek V4 نشان دادهاند که میتوان با روشهای توجه پراکنده، مقدار حافظه لازم برای نگهداری زمینههای بسیار طولانی را بهشدت کاهش داد. البته این پژوهش را نباید لزوماً معادل دقیق زیرساخت تجاری V4-Flash دانست، اما نشاندهنده تمرکز فنی اکوسیستم DeepSeek بر کاهش هزینه پردازش زمینههای طولانی است. جنگ قیمت مدلهای هوش مصنوعی چیست؟ تا چند سال پیش، رقابت شرکتهای هوش مصنوعی بیشتر حول اندازه مدل، تعداد پارامترها و امتیاز بنچمارکها شکل میگرفت. اکنون هزینه اجرای مدل نیز به یک معیار اصلی تبدیل شده است. DeepSeek، Moonshot AI، Alibaba، Google، OpenAI و Anthropic برای جذب توسعهدهندگان و مشتریان سازمانی رقابت میکنند. مدلهای ارزانتر میتوانند حجم بیشتری از درخواستها را پردازش کنند و ورود استارتاپها به بازار را آسانتر سازند. Axios این روند را «رقابت به سمت صفر» توصیف کرده
... انتخاب یک مدل هوش مصنوعی مناسب برای برنامهنویسی دیگر فقط به کیفیت کد تولیدشده محدود نمیشود. توسعهدهندگان باید عواملی مانند سرعت پاسخدهی، مصرف توکن، توانایی انجام وظایف چندمرحلهای و هزینه API را نیز در نظر بگیرند. این انتخاب زمانی دشوارتر میشود که هر شرکت، مدل جدید خود را قدرتمندترین گزینه موجود معرفی میکند؛ درحالیکه نتایج واقعی بنچمارکها همیشه با چنین ادعاهایی همخوانی ندارد. شرکت SpaceXAI با معرفی Grok 4.5 تلاش کرده مدلی ارائه دهد که علاوه بر توانایی بالا در برنامهنویسی، وظایف ایجنتی و مهندسی نرمافزار را با سرعت بیشتر و مصرف توکن کمتر انجام دهد. در ادامه، قابلیتها، نتایج بنچمارکها، قیمت و روش دسترسی به این مدل را بررسی میکنیم. Grok 4.5 چیست؟ Grok 4.5 مدل جدید هوش مصنوعی SpaceXAI است که برای برنامهنویسی، انجام وظایف ایجنتی و کارهای دانشی طراحی شده است. این مدل در تاریخ ۸ ژوئیه ۲۰۲۶ معرفی شد و براساس اعلام رسمی شرکت، قدرتمندترین مدل آنها تا زمان انتشار محسوب میشود. Grok 4.5 روی مجموعه دادههایی از حوزههای برنامهنویسی، علوم، مهندسی و ریاضیات آموزش دیده است. برخلاف یک چتبات عمومی که بیشتر برای پاسخگویی به سؤالات استفاده میشود، Grok 4.5 میتواند وظایف فنی چندمرحلهای را دنبال کند، با ابزارها کار کند و بخشهای مختلف یک پروژه نرمافزاری را از تحلیل مسئله تا تولید کد پیش ببرد. مهمترین قابلیتهای Grok 4.5 برنامهنویسی و ساخت اپلیکیشن یکی از مهمترین کاربردهای Grok 4.5، تولید و اصلاح کد است. SpaceXAI اعلام کرده این مدل در انجام وظایف دشوار مرتبط با زبانهای Rust، C و ++C عملکرد قابلتوجهی دارد. مدل میتواند با دریافت یک پرامپت: در یکی از نمونههای رسمی، Grok 4.5 تنها با یک دستور متنی، شبیهسازی منظومه شمسی را با استفاده از Three.js ساخته است. این نمونه نشان میدهد مدل فقط قطعهکدهای کوتاه تولید نمیکند و توانایی ایجاد برنامههای کاملتر را نیز دارد. انجام وظایف ایجنتی و سازمانی وظایف ایجنتی معمولاً از چند مرحله وابسته به یکدیگر تشکیل شدهاند. برای مثال، یک مدل باید ابتدا فایلهای پروژه را بررسی کند، خطا را تشخیص دهد، کد را اصلاح کند و سپس نتیجه را توضیح دهد. Grok 4.5 برای چنین فرایندهایی آموزش دیده است. براساس توضیحات رسمی، یادگیری تقویتی آن صدها هزار وظیفه را شامل میشود و تمرکز ویژهای بر مهندسی نرمافزار چندمرحلهای دارد. این مدل علاوه بر کدنویسی، در ابزارهای اداری نیز کاربرد دارد. Grok 4.5 میتواند: نتایج بنچمارکهای Grok 4.5 SpaceXAI عملکرد Grok 4.5 را در پنج بنچمارک مرتبط با برنامهنویسی و مهندسی نرمافزار منتشر کرده است. بنچمارک امتیاز Grok 4.5 جایگاه در نمودار DeepSWE 1.0 ۶۲ درصد سوم DeepSWE 1.1 ۵۳ درصد چهارم SWE Marathon ۲۹ درصد اول Terminal Bench 2.1 ۸۳.۳ درصد سوم SWE Bench Pro ۶۴.۷ درصد سوم در آزمون SWE Marathon، مدل Grok 4.5 با امتیاز ۲۹ درصد در رتبه اول قرار گرفته است. پس از آن، Opus 4.8 Max با ۲۶ درصد و Fable Max با ۲۴ درصد قرار دارند. در Terminal Bench 2.1 اختلاف Grok 4.5 با مدلهای بالاتر بسیار کم است. این مدل امتیاز ۸۳.۳ درصد را ثبت کرده، درحالیکه امتیاز GPT 5.5 برابر با ۸۳.۴ درصد و امتیاز Fable Max برابر با ۸۴.۳ درصد اعلام شده است. آیا Grok 4.5 قویترین مدل برنامهنویسی است؟ نتایج منتشرشده نشان میدهند Grok 4.5 یک مدل برنامهنویسی قدرتمند و رقابتی است؛ اما نمیتوان آن را در تمام سناریوها قویترین مدل موجود دانست. این مدل تنها در یکی از پنج بنچمارک نمایشدادهشده رتبه اول را کسب کرده است. در سایر آزمونها مدلهایی مانند Fable Max، GPT 5.6 و Opus 4.8 Max عملکرد بهتری داشتهاند. نکته مهم دیگر این است که SpaceXAI اعلام کرده اعداد مربوط به رقبا از کارتهای فنی توسعهدهندگان یا لیدربوردهای منتشرشده جمعآوری شدهاند. همچنین همه مدلها الزاماً با هارنسها و تنظیمات کاملاً یکسان آزمایش نشدهاند. بنابراین، این نتایج باید نشانهای از عملکرد رقابتی Grok 4.5 تلقی شوند، نه مدرکی برای اثبات برتری مطلق آن بر تمام مدلهای هوش مصنوعی. سرعت و مصرف توکن Grok 4.5 سرعت سرویسدهی اعلامشده برای Grok 4.5 حدود ۸۰ توکن در ثانیه است. چنین سرعتی میتواند در ابزارهای کدنویسی تعاملی و ایجنتهایی که باید چندین مرحله را پشت سر هم اجرا کنند، اهمیت زیادی داشته باشد. SpaceXAI برای نشاندادن بهرهوری مدل، میانگین توکن خروجی آن را در SWE Bench Pro با Opus 4.8 Max مقایسه کرده است. مدل میانگین توکن خروجی برای هر وظیفه Grok 4.5 ۱۵٬۹۵۴ توکن Opus 4.8 Max ۶۷٬۰۲۰ توکن براساس این آزمایش، Grok 4.5 برای حل هر وظیفه بهطور متوسط حدود ۴.۲ برابر توکن خروجی کمتری مصرف کرده است. مصرف توکن کمتر میتواند هزینه اجرای ایجنتها و مدتزمان پاسخگویی را کاهش دهد. بااینحال، این عدد فقط به نتایج همین بنچمارک مربوط است و نباید آن را به تمام پروژهها و کاربردهای احتمالی تعمیم داد. مشخصات فنی و قیمت API مدل Grok 4.5 ویژگی مشخصات کاربرد اصلی کدنویسی، وظایف ایجنتی و کارهای دانشی سرعت اعلامشده حدود ۸۰ توکن در ثانیه قیمت ورودی API ۲ دلار برای یک میلیون توکن قیمت خروجی API ۶ دلار برای یک میلیون توکن نام مدل در API grok-4.5 ورودیهای اصلی متن و وظایف برنامهنویسی مدل آموزش یادگیری تقویتی و آموزش چندمرحلهای زیرساخت آموزش دهها هزار GPU مدل NVIDIA GB300 قیمت API گراک ۴.۵ برای هر یک میلیون توکن ورودی ۲ دلار و برای هر یک میلیون توکن خروجی ۶ دلار اعلام شده است. مقرونبهصرفهبودن واقعی مدل فقط به قیمت هر توکن بستگی ندارد. اگر Grok 4.5 بتواند یک مسئله را با مراحل و توکنهای کمتری حل کند، هزینه نهایی اجرای وظیفه نیز کاهش پیدا میکند. البته این موضوع باید در پروژههای واقعی و متناسب با نوع کار آزمایش شود. چگونه به Grok 4.5 دسترسی پیدا کنیم؟ براساس اعلام رسمی، Grok 4.5 از مسیرهای زیر در دسترس قرار گرفته است: توسعهدهندگان برای استفاده از API باید کلید دسترسی دریافت کنند و در درخواست خود نام مدل grok-4.5 را قرار دهند. در زمان انتشار خبر، این مدل هنوز در محصولات SpaceXAI و کنسول API برای کاربران اتحادیه اروپا در دسترس نبود و عرضه آن برای اواسط ژوئیه پیشبینی شده بود. وضعیت دسترسی منطقهای ممکن است پس از انتشار مقاله تغییر کند. Grok 4.5 برای چه کاربرانی مناسب است؟ Grok 4.5 میتواند گزینه مناسبی برای گروههای زیر باشد: بااینحال، انتخاب مدل نباید
... رقابت در دنیای هوش مصنوعی دیگر فقط به ساخت مدلهای قدرتمندتر محدود نمیشود؛ ساختار سازمانی، رهبران علمی و نحوه تصمیمگیری شرکتها نیز نقش مهمی در تعیین آینده این صنعت دارند. در سالهای اخیر، شرکتهایی مانند OpenAI، Anthropic و Google DeepMind تلاش کردهاند علاوه بر توسعه مدلهای پیشرفته، مسیر رسیدن به نسل بعدی هوش مصنوعی را نیز مشخص کنند. در همین شرایط، تغییر نقش دمیس حسابیس (Demis Hassabis)، یکی از مهمترین چهرههای تاریخ هوش مصنوعی، در Google DeepMind توجه زیادی را به خود جلب کرده است. حسابیس از مدیریت اجرایی روزمره فاصله گرفته، اما همچنان در ساختار DeepMind و Alphabet باقی میماند و قرار است تمرکز بیشتری روی تحقیقات بلندمدت و مسیرهایی مانند هوش عمومی مصنوعی (AGI) داشته باشد. این تغییر یک سؤال مهم ایجاد کرده است: آیا گوگل در حال تغییر استراتژی خود در رقابت هوش مصنوعی است یا این تصمیم به حسابیس اجازه میدهد روی آینده بلندمدت AI تمرکز بیشتری داشته باشد؟ دمیس حسابیس کیست؟ دمیس حسابیس یکی از شناختهشدهترین پژوهشگران حوزه هوش مصنوعی و بنیانگذار DeepMind است. او پیش از ورود جدی به دنیای AI، در حوزه علوم کامپیوتر، علوم شناختی و علوم اعصاب فعالیت داشت و علاقهاش به ساخت سیستمهایی با توانایی یادگیری و حل مسئله، مسیر حرفهای او را شکل داد. حسابیس در سال ۲۰۱۰ شرکت DeepMind را همراه با چند همکار دیگر تأسیس کرد. هدف اولیه این شرکت توسعه سیستمهای هوش مصنوعی عمومی بود؛ سیستمهایی که بتوانند مانند انسان از تجربه یاد بگیرند و مسائل پیچیده را حل کنند. در سال ۲۰۱۴، گوگل DeepMind را خریداری کرد و این آزمایشگاه به یکی از مهمترین مراکز تحقیقاتی هوش مصنوعی در جهان تبدیل شد. یکی از ویژگیهای مهم DeepMind این بود که برخلاف بسیاری از شرکتهای فناوری، تمرکز اصلی خود را روی تحقیقات بنیادی قرار داد؛ موضوعی که بعدها باعث شکلگیری پروژههایی شد که فراتر از کاربردهای تجاری معمول بودند. مهمترین دستاوردهای دمیس حسابیس و DeepMind DeepMind تحت مدیریت حسابیس چند پروژه تاریخی را توسعه داد که تأثیر زیادی بر مسیر هوش مصنوعی گذاشتند. پروژه اهمیت AlphaGo نشان داد هوش مصنوعی میتواند در یک بازی پیچیده مانند Go از انسانهای برتر عبور کند AlphaFold پیشبینی ساختار پروتئینها را با کمک AI متحول کرد Gemini تلاش گوگل برای رقابت مستقیم با مدلهای پیشرفته شرکتهایی مانند OpenAI AlphaGo؛ لحظهای که AI جهان را شگفتزده کرد در سال ۲۰۱۶، سیستم AlphaGo توانست لی سِدول، قهرمان مشهور بازی Go، را شکست دهد. این اتفاق اهمیت زیادی داشت، زیرا بازی Go برخلاف شطرنج دارای تعداد بسیار زیادی حالت ممکن است و مدتها تصور میشد برای هوش مصنوعی بسیار دشوار باشد. موفقیت AlphaGo نشان داد الگوریتمهای یادگیری عمیق و یادگیری تقویتی میتوانند در مسائل پیچیده تصمیمگیری عملکردی فراتر از انتظار داشته باشند. AlphaFold؛ زمانی که AI وارد علوم زیستی شد یکی دیگر از بزرگترین موفقیتهای DeepMind، پروژه AlphaFold بود. این سیستم توانست یکی از مسائل قدیمی زیستشناسی یعنی پیشبینی ساختار سهبعدی پروتئینها را با دقت بالا حل کند. تأثیر AlphaFold فقط محدود به هوش مصنوعی نبود؛ این فناوری میتواند در حوزههایی مانند: کاربرد داشته باشد. این پروژه نشان داد DeepMind تنها یک شرکت تولیدکننده مدلهای زبانی نیست، بلکه تلاش میکند از AI برای حل مسائل علمی بزرگ استفاده کند. چه تغییری در نقش دمیس حسابیس اتفاق افتاده است؟ برخلاف برخی برداشتها، دمیس حسابیس از DeepMind جدا نشده است. تغییر اصلی این است که او از مدیریت روزانه فاصله میگیرد و بیشتر روی نقش علمی و استراتژیک تمرکز خواهد کرد. هدف این تغییر میتواند چند موضوع باشد: در مقابل، Koray Kavukcuoglu که یکی از مدیران باسابقه DeepMind است، مسئولیت اجرایی بیشتری در مدیریت تیمها و توسعه فناوریها خواهد داشت. این مدل تقسیم نقش در شرکتهای بزرگ فناوری معمول است؛ یک نفر روی چشمانداز بلندمدت و تحقیقات تمرکز میکند و تیم اجرایی، توسعه محصول و عملیات روزانه را پیش میبرد. چرا گوگل چنین تغییری ایجاد کرده است؟ یکی از مهمترین دلایل احتمالی این تغییر، فشار رقابت در بازار هوش مصنوعی است. در سالهای اخیر، گوگل با رقبایی مانند: رقابت مستقیمی داشته است. در این رقابت، تنها داشتن تحقیقات علمی قوی کافی نیست؛ شرکتها باید بتوانند فناوری خود را سریعتر به محصول تبدیل کنند. به همین دلیل، گوگل باید بین دو مسیر تعادل ایجاد کند: مسیر تحقیقاتی مسیر تجاری توسعه AGI و تحقیقات بنیادی عرضه سریع محصولات AI پروژههای علمی بلندمدت رقابت با محصولات OpenAI کشف فناوریهای جدید جذب کاربران و کسب درآمد تغییر نقش حسابیس میتواند تلاشی برای حفظ هر دو مسیر باشد؛ یعنی DeepMind همچنان آزمایشگاه تحقیقاتی قدرتمند باقی بماند، اما محصولات هوش مصنوعی گوگل نیز با سرعت بیشتری توسعه پیدا کنند. آینده Google DeepMind بعد از دمیس حسابیس چه خواهد بود؟ یکی از مهمترین پرسشها این است که آیا این تغییر باعث دور شدن DeepMind از تحقیقات بنیادی میشود یا خیر. از یک طرف، گوگل به توسعه محصولاتی مانند Gemini نیاز دارد تا بتواند در بازار رقابتی امروز حضور قدرتمندی داشته باشد. از طرف دیگر، مزیت تاریخی DeepMind همیشه تحقیقات بلندمدت و پروژههای علمی بزرگ بوده است. آینده DeepMind احتمالاً به توانایی گوگل در ترکیب این دو مسیر بستگی دارد: در واقع، موفقیت گوگل فقط به کیفیت مدلهایش وابسته نیست؛ بلکه به این بستگی دارد که بتواند میان سرعت تجاریسازی و عمق تحقیقات علمی تعادل ایجاد کند. تغییرات DeepMind چه معنایی برای رقابت جهانی هوش مصنوعی دارد؟ رقابت هوش مصنوعی امروز فقط رقابت بین مدلها نیست؛ بلکه رقابت بین استراتژیها، استعدادها و ساختارهای سازمانی است. مقایسه رویکرد شرکتهای بزرگ: شرکت تمرکز اصلی Google DeepMind تحقیقات بنیادی + توسعه Gemini OpenAI مدلهای عمومی و محصولات مصرفی Anthropic مدلهای ایمن و کاربردهای سازمانی دمیس حسابیس همچنان یکی از چهرههای کلیدی این رقابت باقی خواهد ماند. تغییر نقش او بیشتر نشاندهنده تلاش گوگل برای استفاده بهتر از تجربه علمی اوست، نه پایان حضورش در مسیر توسعه هوش مصنوعی. جمعبندی تغییر نقش دمیس حسابیس در Google DeepMind یکی از مهمترین اتفاقات مدیریتی اخیر در صنعت هوش مصنوعی است. او از مدیریت اجرایی روزمره فاصله گرفته، اما همچنان بهعنوان یکی از رهبران علمی Alphabet فعالیت خواهد داشت. با توجه به سابقه حسابیس در پروژههایی مانند AlphaGo و AlphaFold، تمرکز دوباره او روی تحقیقات بلندمدت میتواند برای آینده هوش مصنوعی گوگل اهمیت زیادی داشته باشد. در عین حال،
... رقابت در دنیای هوش مصنوعی دیگر فقط به ساخت مدلهای قدرتمندتر محدود نمیشود؛ ساختار سازمانی، رهبران علمی و نحوه تصمیمگیری شرکتها نیز نقش مهمی در تعیین آینده این صنعت دارند. در سالهای اخیر، شرکتهایی مانند OpenAI، Anthropic و Google DeepMind تلاش کردهاند علاوه بر توسعه مدلهای پیشرفته، مسیر رسیدن به نسل بعدی هوش مصنوعی را نیز مشخص کنند. در همین شرایط، تغییر نقش دمیس حسابیس (Demis Hassabis)، یکی از مهمترین چهرههای تاریخ هوش مصنوعی، در Google DeepMind توجه زیادی را به خود جلب کرده است. حسابیس از مدیریت اجرایی روزمره فاصله گرفته، اما همچنان در ساختار DeepMind و Alphabet باقی میماند و قرار است تمرکز بیشتری روی تحقیقات بلندمدت و مسیرهایی مانند هوش عمومی مصنوعی (AGI) داشته باشد. این تغییر یک سؤال مهم ایجاد کرده است: آیا گوگل در حال تغییر استراتژی خود در رقابت هوش مصنوعی است یا این تصمیم به حسابیس اجازه میدهد روی آینده بلندمدت AI تمرکز بیشتری داشته باشد؟ دمیس حسابیس کیست؟ دمیس حسابیس یکی از شناختهشدهترین پژوهشگران حوزه هوش مصنوعی و بنیانگذار DeepMind است. او پیش از ورود جدی به دنیای AI، در حوزه علوم کامپیوتر، علوم شناختی و علوم اعصاب فعالیت داشت و علاقهاش به ساخت سیستمهایی با توانایی یادگیری و حل مسئله، مسیر حرفهای او را شکل داد. حسابیس در سال ۲۰۱۰ شرکت DeepMind را همراه با چند همکار دیگر تأسیس کرد. هدف اولیه این شرکت توسعه سیستمهای هوش مصنوعی عمومی بود؛ سیستمهایی که بتوانند مانند انسان از تجربه یاد بگیرند و مسائل پیچیده را حل کنند. در سال ۲۰۱۴، گوگل DeepMind را خریداری کرد و این آزمایشگاه به یکی از مهمترین مراکز تحقیقاتی هوش مصنوعی در جهان تبدیل شد. یکی از ویژگیهای مهم DeepMind این بود که برخلاف بسیاری از شرکتهای فناوری، تمرکز اصلی خود را روی تحقیقات بنیادی قرار داد؛ موضوعی که بعدها باعث شکلگیری پروژههایی شد که فراتر از کاربردهای تجاری معمول بودند. مهمترین دستاوردهای دمیس حسابیس و DeepMind DeepMind تحت مدیریت حسابیس چند پروژه تاریخی را توسعه داد که تأثیر زیادی بر مسیر هوش مصنوعی گذاشتند. پروژه اهمیت AlphaGo نشان داد هوش مصنوعی میتواند در یک بازی پیچیده مانند Go از انسانهای برتر عبور کند AlphaFold پیشبینی ساختار پروتئینها را با کمک AI متحول کرد Gemini تلاش گوگل برای رقابت مستقیم با مدلهای پیشرفته شرکتهایی مانند OpenAI AlphaGo؛ لحظهای که AI جهان را شگفتزده کرد در سال ۲۰۱۶، سیستم AlphaGo توانست لی سِدول، قهرمان مشهور بازی Go، را شکست دهد. این اتفاق اهمیت زیادی داشت، زیرا بازی Go برخلاف شطرنج دارای تعداد بسیار زیادی حالت ممکن است و مدتها تصور میشد برای هوش مصنوعی بسیار دشوار باشد. موفقیت AlphaGo نشان داد الگوریتمهای یادگیری عمیق و یادگیری تقویتی میتوانند در مسائل پیچیده تصمیمگیری عملکردی فراتر از انتظار داشته باشند. AlphaFold؛ زمانی که AI وارد علوم زیستی شد یکی دیگر از بزرگترین موفقیتهای DeepMind، پروژه AlphaFold بود. این سیستم توانست یکی از مسائل قدیمی زیستشناسی یعنی پیشبینی ساختار سهبعدی پروتئینها را با دقت بالا حل کند. تأثیر AlphaFold فقط محدود به هوش مصنوعی نبود؛ این فناوری میتواند در حوزههایی مانند: کاربرد داشته باشد. این پروژه نشان داد DeepMind تنها یک شرکت تولیدکننده مدلهای زبانی نیست، بلکه تلاش میکند از AI برای حل مسائل علمی بزرگ استفاده کند. چه تغییری در نقش دمیس حسابیس اتفاق افتاده است؟ برخلاف برخی برداشتها، دمیس حسابیس از DeepMind جدا نشده است. تغییر اصلی این است که او از مدیریت روزانه فاصله میگیرد و بیشتر روی نقش علمی و استراتژیک تمرکز خواهد کرد. هدف این تغییر میتواند چند موضوع باشد: در مقابل، Koray Kavukcuoglu که یکی از مدیران باسابقه DeepMind است، مسئولیت اجرایی بیشتری در مدیریت تیمها و توسعه فناوریها خواهد داشت. این مدل تقسیم نقش در شرکتهای بزرگ فناوری معمول است؛ یک نفر روی چشمانداز بلندمدت و تحقیقات تمرکز میکند و تیم اجرایی، توسعه محصول و عملیات روزانه را پیش میبرد. چرا گوگل چنین تغییری ایجاد کرده است؟ یکی از مهمترین دلایل احتمالی این تغییر، فشار رقابت در بازار هوش مصنوعی است. در سالهای اخیر، گوگل با رقبایی مانند: رقابت مستقیمی داشته است. در این رقابت، تنها داشتن تحقیقات علمی قوی کافی نیست؛ شرکتها باید بتوانند فناوری خود را سریعتر به محصول تبدیل کنند. به همین دلیل، گوگل باید بین دو مسیر تعادل ایجاد کند: مسیر تحقیقاتی مسیر تجاری توسعه AGI و تحقیقات بنیادی عرضه سریع محصولات AI پروژههای علمی بلندمدت رقابت با محصولات OpenAI کشف فناوریهای جدید جذب کاربران و کسب درآمد تغییر نقش حسابیس میتواند تلاشی برای حفظ هر دو مسیر باشد؛ یعنی DeepMind همچنان آزمایشگاه تحقیقاتی قدرتمند باقی بماند، اما محصولات هوش مصنوعی گوگل نیز با سرعت بیشتری توسعه پیدا کنند. آینده Google DeepMind بعد از دمیس حسابیس چه خواهد بود؟ یکی از مهمترین پرسشها این است که آیا این تغییر باعث دور شدن DeepMind از تحقیقات بنیادی میشود یا خیر. از یک طرف، گوگل به توسعه محصولاتی مانند Gemini نیاز دارد تا بتواند در بازار رقابتی امروز حضور قدرتمندی داشته باشد. از طرف دیگر، مزیت تاریخی DeepMind همیشه تحقیقات بلندمدت و پروژههای علمی بزرگ بوده است. آینده DeepMind احتمالاً به توانایی گوگل در ترکیب این دو مسیر بستگی دارد: در واقع، موفقیت گوگل فقط به کیفیت مدلهایش وابسته نیست؛ بلکه به این بستگی دارد که بتواند میان سرعت تجاریسازی و عمق تحقیقات علمی تعادل ایجاد کند. تغییرات DeepMind چه معنایی برای رقابت جهانی هوش مصنوعی دارد؟ رقابت هوش مصنوعی امروز فقط رقابت بین مدلها نیست؛ بلکه رقابت بین استراتژیها، استعدادها و ساختارهای سازمانی است. مقایسه رویکرد شرکتهای بزرگ: شرکت تمرکز اصلی Google DeepMind تحقیقات بنیادی + توسعه Gemini OpenAI مدلهای عمومی و محصولات مصرفی Anthropic مدلهای ایمن و کاربردهای سازمانی دمیس حسابیس همچنان یکی از چهرههای کلیدی این رقابت باقی خواهد ماند. تغییر نقش او بیشتر نشاندهنده تلاش گوگل برای استفاده بهتر از تجربه علمی اوست، نه پایان حضورش در مسیر توسعه هوش مصنوعی. جمعبندی تغییر نقش دمیس حسابیس در Google DeepMind یکی از مهمترین اتفاقات مدیریتی اخیر در صنعت هوش مصنوعی است. او از مدیریت اجرایی روزمره فاصله گرفته، اما همچنان بهعنوان یکی از رهبران علمی Alphabet فعالیت خواهد داشت. با توجه به سابقه حسابیس در پروژههایی مانند AlphaGo و AlphaFold، تمرکز دوباره او روی تحقیقات بلندمدت میتواند برای آینده هوش مصنوعی گوگل اهمیت زیادی داشته باشد. در عین حال،
... تیمهای امنیت سایبری هر روز با حجم عظیمی از هشدارها، آسیبپذیریها، کدهای مشکوک و حملات احتمالی روبهرو میشوند. مشکل فقط شناسایی تهدید نیست؛ فاصله میان کشف یک آسیبپذیری و اصلاح کامل آن میتواند فرصت ارزشمندی در اختیار مهاجمان قرار دهد. با گسترش استفاده مهاجمان از هوش مصنوعی، سرعت تولید کد مخرب، کشف ضعفهای نرمافزاری و اجرای حملات نیز افزایش یافته است. ابزارهایی که برای دنیای حملات انسانی طراحی شدهاند، ممکن است در برابر تهدیدهایی که با سرعت ماشین عمل میکنند کافی نباشند. مایکروسافت برای پاسخ به این چالش، سیستم جدیدی به نام Project Perception توسعه داده است. این سامانه با استفاده از چند ایجنت تخصصی، مدلهای مختلف هوش مصنوعی و دادههای امنیتی مایکروسافت تلاش میکند چرخه شناسایی، ارزیابی و اصلاح آسیبپذیریها را سریعتر و پیوستهتر کند. Project Perception از ۳ اوت ۲۰۲۶ وارد مرحله پیشنمایش عمومی شده است. Project Perception چیست؟ Project Perception یک سیستم امنیت سایبری ایجنتی از مایکروسافت است که سیگنالهای امنیتی، اطلاعات محیط سازمان، مدلهای هوش مصنوعی و ایجنتهای تخصصی را برای شناسایی و کاهش ریسکهای سایبری با یکدیگر ترکیب میکند. مایکروسافت این سیستم را در ۲۷ ژوئیه ۲۰۲۶ معرفی کرد و اعلام کرد پیشنمایش عمومی آن از ۳ اوت آغاز میشود. هدف اصلی Project Perception این است که امنیت سازمانی از یک فرایند مقطعی و واکنشی، به سیستمی پیوسته برای مشاهده، تحلیل و اقدام تبدیل شود. در روشهای سنتی، ابزارهای امنیتی معمولاً تعداد زیادی هشدار تولید میکنند و کارشناسان باید آنها را بهصورت دستی بررسی، اعتبارسنجی و اولویتبندی کنند. Project Perception قرار نیست صرفاً هشدار بیشتری ایجاد کند؛ بلکه باید بتواند تهدیدها را در بستر واقعی سازمان تحلیل کرده و برای کاهش آنها اقدام مناسب پیشنهاد دهد. مایکروسافت تأکید کرده است که انسان همچنان باید کنترل نهایی را در اختیار داشته باشد. بنابراین این سیستم بیشتر بهعنوان یک نیروی تقویتی برای تیمهای امنیتی طراحی شده است، نه جایگزینی کامل برای متخصصان. Project Perception چگونه کار میکند؟ Project Perception چند نوع ایجنت تخصصی را در قالب یک چرخه دفاعی هماهنگ میکند. هر گروه از ایجنتها وظیفه متفاوتی دارد و مسئله امنیت را از زاویه خاصی بررسی میکند. مایکروسافت این ایجنتها را در سه گروه اصلی معرفی کرده است: این سه گروه یک چرخه بسته ایجاد میکنند. ابتدا ضعف احتمالی کشف میشود، سپس واقعی بودن و شدت آن مورد بررسی قرار میگیرد و در پایان راهکاری برای اصلاح یا کاهش خطر ارائه میشود. پس از اعمال تغییر نیز سیستم میتواند دوباره محیط را بررسی کند تا مطمئن شود مشکل برطرف شده است. Project Perception تنها به کد نرمافزار محدود نیست. معماری معرفیشده از سوی مایکروسافت قرار است اطلاعات مربوط به هویتها، نقاط پایانی، برنامهها، دادهها، سرویسهای ابری و سامانههای هوش مصنوعی را در کنار هم بررسی کند. چرخه شناسایی تا اصلاح آسیبپذیری یک گردش کار احتمالی در Project Perception میتواند به این شکل باشد: مزیت این فرایند آن است که کشف، تحلیل و اصلاح بهعنوان سه فعالیت جداگانه انجام نمیشوند؛ بلکه در یک جریان پیوسته به یکدیگر متصل هستند. MAI-Cyber-1-Flash چیست؟ یکی از اجزای مهم این راهکار، مدل MAI-Cyber-1-Flash است. مایکروسافت آن را نخستین مدل تخصصی امنیت سایبری Microsoft AI معرفی کرده که برای یافتن آسیبپذیریهای دشوار در کدهای پیچیده ساخته شده است. MAI-Cyber-1-Flash یک مدل عمومی مشابه چتباتهای معمولی نیست. این مدل بهصورت تخصصی برای کارهایی مانند تحلیل کد، شناسایی ضعفهای امنیتی و کمک به فرایند اصلاح آسیبپذیری طراحی شده است. مایکروسافت میگوید این مدل از خانواده MAI-Thinking-1 مشتق شده و با تمرکز زیاد بر دادهها و وظایف مرتبط با کد توسعه یافته است. همچنین براساس اعلام شرکت، مدل از صفر و در داخل مایکروسافت ساخته شده و برای استفاده دفاعی کالیبره شده است. چرا مایکروسافت از یک مدل تخصصی استفاده کرده است؟ استفاده دائمی از بزرگترین و گرانترین مدلها برای تمام وظایف امنیتی از نظر اقتصادی منطقی نیست. بسیاری از فعالیتهای روزمره مانند بررسی بخشهای مشخصی از کد، دستهبندی یافتهها یا اجرای تحلیلهای تکرارشونده را میتوان با یک مدل کوچکتر و تخصصی انجام داد. مایکروسافت اعلام کرده MAI-Cyber-1-Flash میتواند تا حدود ۹۰ درصد وظایف MDASH را مدیریت کند. حدود ۱۰ درصد از مسائل بسیار دشوار به مدلهای قدرتمندتر، از جمله GPT-5.4، ارجاع داده میشوند. این معماری دو مزیت مهم دارد: در نتیجه، بهجای انتخاب یک مدل ثابت برای همه مسائل، سیستم براساس پیچیدگی و حساسیت هر وظیفه، مدل مناسب را انتخاب میکند. MDASH چیست؟ MDASH سامانه چندمدلی و چندایجنتی مایکروسافت برای شناسایی، اعتبارسنجی و اصلاح آسیبپذیریهای نرمافزاری است. براساس اطلاعات رسمی Microsoft AI، این سامانه بیش از ۱۰۰ ایجنت ساختهشده با مدلهای مختلف را هماهنگ میکند. این ایجنتها برای پیدا کردن آسیبپذیری، اثبات قابل سوءاستفاده بودن آن، بررسی شدت مشکل و کمک به اصلاح کد با یکدیگر همکاری میکنند. تفاوت سه نام اصلی را میتوان به شکل زیر خلاصه کرد: نام نوع وظیفه اصلی Project Perception سیستم دفاع سایبری ایجنتی ایجاد چرخه پیوسته مشاهده، تحلیل و اقدام MAI-Cyber-1-Flash مدل تخصصی امنیت سایبری تحلیل کد و یافتن آسیبپذیریها MDASH سامانه چندمدلی و چندایجنتی هماهنگی ایجنتها برای کشف و اصلاح ضعفها MAI-Cyber-1-Flash داخل MDASH فعالیت میکند و MDASH نیز یکی از اجزایی است که قابلیتهای Project Perception را در حوزه مدیریت آسیبپذیری نرمافزار تأمین میکند. عملکرد MAI-Cyber-1-Flash چقدر است؟ مایکروسافت برای ترکیب MDASH، مدل MAI-Cyber-1-Flash و GPT-5.4 نتایج زیر را گزارش کرده است: شاخص نتیجه اعلامشده امتیاز در CyberGym حدود ۹۶ درصد فاصله با Mythos حدود ۱۲ امتیاز بیشتر کاهش هزینه نزدیک به ۵۰ درصد سهم وظایف مدل Flash تا ۹۰ درصد تعداد ایجنتهای MDASH بیش از ۱۰۰ ایجنت در نمودار رسمی Microsoft AI، ترکیب MDASH با MAI-Cyber-1-Flash و GPT-5.4 به نرخ موفقیت ۹۵.۹۵ درصد رسیده است. مایکروسافت میگوید این ترکیب در CyberGym از پیکربندیهای مبتنی بر Mythos، Gemini و GPT عملکرد بهتری داشته است. CyberGym برای ارزیابی توانایی سیستمها در بررسی مخزنهای بزرگ کد و پیدا کردن آسیبپذیریهای واقعی استفاده میشود. بااینحال، این نتایج باید محتاطانه تفسیر شوند. اعداد فعلی توسط خود مایکروسافت اعلام شدهاند و هنوز برای قضاوت نهایی به ارزیابیهای مستقل بیشتری نیاز است. همچنین عملکرد یک سیستم در محیط واقعی سازمان میتواند تحتتأثیر عواملی مانند کیفیت کد، سطح دسترسی، پیچیدگی زیرساخت و تنظیمات امنیتی قرار بگیرد. هوش مصنوعی چگونه آسیبپذیری را اصلاح میکند؟ پس از شناسایی یک ضعف، سیستم میتواند محل آسیبپذیری را
... رقابت در بازار هوش مصنوعی دیگر فقط بر سر پاسخهای بهتر یا سرعت بیشتر نیست. شرکتها اکنون با اعداد عظیمی مانند «تریلیونها پارامتر»، «پنجره زمینه یک میلیون توکنی» و «مدلهای چندوجهی» تلاش میکنند نشان دهند نسل تازهای از هوش مصنوعی را ساختهاند. اما این اعداد میتوانند گمراهکننده باشند. وقتی Alibaba اعلام میکند مدل جدید Qwen3.8-Max دارای ۲.۴ تریلیون پارامتر است، ممکن است در نگاه اول تصور کنیم این مدل الزاماً از GPT یا Claude قدرتمندتر است. درحالیکه تعداد کل پارامترها فقط یکی از عوامل تعیینکننده کیفیت مدل است. Qwen3.8-Max بزرگترین و قدرتمندترین مدل معرفیشده در خانواده Qwen محسوب میشود. اهمیت آن فقط به ابعاد بسیار بزرگ محدود نیست؛ معماری Mixture of Experts، قابلیت پردازش ورودیهای چندوجهی، پنجره زمینه طولانی و برنامه Alibaba برای انتشار وزنهای مدل، این محصول را به یکی از مهمترین مدلهای چینی سال ۲۰۲۶ تبدیل کرده است. Qwen3.8-Max چیست؟ Qwen3.8-Max مدل پرچمدار جدید Alibaba در خانواده Qwen است که برای کدنویسی، وظایف پیچیده، تحلیل ورودیهای چندوجهی و اجرای ایجنتهای هوش مصنوعی طراحی شده است. نسخه پیشنمایش آن با نام Qwen3.8-Max-Preview ابتدا از طریق برخی سرویسهای Alibaba مانند Token Plan، Qoder و QoderWork در دسترس قرار گرفت. سپس Alibaba مدل را بهعنوان پیشرفتهترین محصول Qwen معرفی کرد و وعده داد وزنهای آن را نیز در اختیار توسعهدهندگان قرار دهد. براساس اطلاعات منتشرشده، این مدل از ورودیهای مختلف پشتیبانی میکند: Qwen3.8-Max همچنین میتواند تا حدود یک میلیون توکن را در یک نشست پردازش کند؛ ظرفیتی که برای تحلیل گزارشهای بزرگ، کتابها، اسناد سازمانی و پروژههای پیچیده برنامهنویسی اهمیت دارد. مشخصات Qwen3.8-Max در یک نگاه ویژگی مشخصات اعلامشده تعداد کل پارامترها ۲.۴ تریلیون پارامترهای فعال حدود ۹۵ میلیارد در هر درخواست معماری Mixture of Experts پنجره زمینه تا یک میلیون توکن ورودیها متن، تصویر، ویدئو و اسناد کاربرد اصلی کدنویسی، ایجنتها و وظایف حرفهای وضعیت مدل پیشنمایش و وعده انتشار Open Weight عدد ۲.۴ تریلیون، Qwen3.8-Max را به یکی از بزرگترین مدلهای هوش مصنوعی معرفیشده تبدیل میکند؛ اما این مدل بزرگترین نمونه موجود نیست. برای مثال، مدل Kimi K3 از Moonshot AI با ۲.۸ تریلیون پارامتر معرفی شده است. عدد ۲.۴ تریلیون پارامتر چه معنایی دارد؟ پارامترها را میتوان وزنهای عددی درون شبکه عصبی دانست که مدل طی فرایند آموزش آنها را تنظیم میکند. این وزنها به مدل کمک میکنند روابط میان کلمات، تصاویر، مفاهیم و الگوهای مختلف را یاد بگیرد. اما Qwen3.8-Max برای پردازش هر درخواست، تمام ۲.۴ تریلیون پارامتر خود را فعال نمیکند. براساس گزارش رویترز، تنها حدود ۹۵ میلیارد پارامتر برای هر درخواست وارد محاسبه میشوند. دلیل این تفاوت، استفاده از معماری Mixture of Experts یا MoE است. در این معماری، مدل از چندین بخش تخصصی یا «خبره» تشکیل شده است. یک سیستم مسیریاب تشخیص میدهد هر ورودی باید توسط کدام بخشها پردازش شود. بنابراین برای یک سؤال برنامهنویسی، مجموعهای از خبرهها فعال میشوند و برای تحلیل تصویر یا متن، مجموعه دیگری وارد عمل میشود. این روش چند مزیت دارد: پژوهشهای قبلی درباره مدلهای MoE نیز نشان دادهاند که فعالسازی پراکنده میتواند تعداد پارامترهای مدل را به مقیاس تریلیونی برساند، بدون آنکه هزینه محاسباتی هر ورودی به همان نسبت افزایش پیدا کند. آیا پارامتر بیشتر به معنی مدل قویتر است؟ خیر. تعداد پارامترها بهتنهایی معیار قابل اعتمادی برای رتبهبندی مدلهای هوش مصنوعی نیست. عملکرد یک مدل به عوامل متعددی بستگی دارد: یک مدل کوچکتر با دادههای بهتر و معماری بهینهتر میتواند در برخی وظایف از مدلی با پارامترهای بیشتر بهتر عمل کند. علاوه بر این، مقایسه تعداد کل پارامترهای یک مدل MoE با یک مدل Dense چندان دقیق نیست. در مدل Dense تقریباً تمام پارامترها برای هر درخواست درگیر میشوند، اما در مدل MoE فقط بخشی از آنها فعال هستند. بنابراین عدد ۲.۴ تریلیون بیشتر نشاندهنده ظرفیت کلی شبکه است، نه هزینه یا قدرت واقعی هر پاسخ. مدلهایی مانند Gemini 3 Flash نشان میدهند که سرعت، هزینه و بهینهسازی معماری نیز میتوانند بهاندازه تعداد پارامترها در انتخاب یک مدل هوش مصنوعی اهمیت داشته باشند. قابلیتهای مهم Qwen3.8-Max چیست؟ پردازش چندوجهی Qwen3.8-Max فقط یک مدل متنی نیست. Alibaba اعلام کرده این مدل میتواند متن، تصویر، ویدئو و اسناد را پردازش کند. این قابلیت امکان ساخت ابزارهایی را فراهم میکند که بهطور همزمان چند نوع داده را بررسی میکنند. برای مثال، مدل میتواند: پنجره زمینه یک میلیون توکنی پنجره زمینه مشخص میکند مدل در یک نشست چه مقدار اطلاعات را میتواند بهصورت همزمان در نظر بگیرد. یک میلیون توکن میتواند برای کاربردهای زیر مفید باشد: البته اعلام یک پنجره زمینه طولانی لزوماً به این معنا نیست که مدل در تمام بخشهای آن دقت یکسانی دارد. کیفیت بازیابی اطلاعات از ابتدا، میانه و انتهای زمینه باید در آزمونهای مستقل بررسی شود. کدنویسی و ایجنتهای هوش مصنوعی Alibaba مدل جدید را برای Agentic Coding و وظایف چندمرحلهای معرفی کرده است. در کدنویسی ایجنتی، مدل فقط یک قطعه کد تولید نمیکند؛ بلکه میتواند: این کاربردها به زمینه طولانی، ابزارخوانی دقیق و توانایی حفظ هدف در چندین مرحله نیاز دارند. آیا Qwen3.8-Max از GPT و Claude قویتر است؟ Alibaba ادعا کرده Qwen3.8-Max در برخی ارزیابیها در سطح مدلهای پیشرفته آمریکایی قرار میگیرد و تنها از تعداد محدودی از مدلهای Anthropic عقبتر است. برخی گزارشها نیز به جایگاه بالای آن در رتبهبندیهای مبتنی بر ترجیح کاربران اشاره کردهاند. بااینحال، هنوز نباید یک برنده قطعی اعلام کرد. بخش قابلتوجهی از ادعاهای اولیه توسط خود Alibaba منتشر شده و در زمان معرفی، گزارش فنی کامل، مدلکارت جامع و جدول دقیق بنچمارکها در دسترس نبود. برای مقایسه منصفانه باید این موارد بررسی شوند: بنابراین پاسخ فعلی این است: Qwen3.8-Max احتمالاً یکی از قدرتمندترین مدلهای چینی است، اما هنوز شواهد مستقل کافی برای اثبات برتری کلی آن نسبت به GPT یا Claude وجود ندارد. آیا Qwen3.8-Max متنباز است؟ Alibaba وعده داده وزنهای Qwen3.8-Max را منتشر کند؛ اما عبارت Open Weight با «متنباز کامل» یکسان نیست. در مدل Open Weight، توسعهدهندگان میتوانند وزنهای آموزشدیده را دانلود و در صورت اجازه مجوز، آن را اجرا یا شخصیسازی کنند. اما ممکن است موارد زیر منتشر نشوند: تا زمانی که مجوز نهایی، مدلکارت و فایلهای رسمی منتشر نشوند، بهتر است Qwen3.8-Max را مدلی با وعده انتشار وزنها بنامیم، نه یک مدل کاملاً متنباز. انتشار وزنهای مدل چه اهمیتی دارد؟ اگر Alibaba
... استفاده از مدلهای قدرتمند هوش مصنوعی دیگر فقط به خرید اشتراک یک چتبات محدود نمیشود. وقتی یک کسبوکار بخواهد هوش مصنوعی را در چت پشتیبانی، تولید محتوا، تحلیل اسناد یا ایجنتهای خودکار به کار بگیرد، باید بابت میلیونها توکن ورودی و خروجی هزینه پرداخت کند. این هزینه در مقیاس بالا میتواند به یکی از موانع اصلی توسعه محصولات هوش مصنوعی تبدیل شود. حتی اختلاف چند دلار در قیمت هر میلیون توکن، برای سرویسی که روزانه میلیونها درخواست پردازش میکند، رقم بزرگی خواهد بود. DeepSeek با مدل V4-Flash تلاش کرده این معادله را تغییر دهد. گزارش رویترز براساس ارزیابی Artificial Analysis نشان میدهد هزینه اجرای این مدل از تعدادی از مدلهای شناختهشده بازار بهمراتب پایینتر است؛ موضوعی که میتواند رقابت شرکتهای هوش مصنوعی را از «قویترین مدل» به سمت «بهترین نسبت قیمت به عملکرد» سوق دهد. DeepSeek V4-Flash چیست؟ DeepSeek V4-Flash یک مدل زبانی متنباز با تمرکز بر سرعت، زمینه طولانی و هزینه پایین است. این مدل ورودی متنی دریافت میکند، خروجی متنی تولید میکند و از پنجره زمینهای تا یک میلیون توکن پشتیبانی میکند. براساس مشخصات Artificial Analysis، نسخه بررسیشده این مدل در مجموع ۲۸۴ میلیارد پارامتر دارد، اما در هر توکن فقط حدود ۱۳ میلیارد پارامتر آن فعال میشوند. این ساختار به مدل اجازه میدهد بدون فعال کردن تمام ظرفیت شبکه در هر درخواست، هزینه محاسباتی را کاهش دهد. مدل همچنین با مجوز MIT و بهصورت Open Weights ارائه شده است. V4-Flash در دو حالت اصلی ارزیابی شده است: عبارت Flash نیز معمولاً در نام مدلهایی استفاده میشود که برای سرعت و هزینه کمتر نسبت به نسخههای پرچمدار بهینه شدهاند. بااینحال، DeepSeek V4-Flash صرفاً یک مدل کوچک و ساده نیست؛ بلکه مدلی بزرگ با معماری بهینه برای استنتاج اقتصادی است. قیمت DeepSeek V4-Flash چقدر است؟ براساس قیمت ثبتشده برای API رسمی DeepSeek، هزینه استفاده از V4-Flash به این صورت است: Artificial Analysis نرخ ترکیبی این مدل را با فرض استفاده گسترده از کش، حدود ۰٫۰۶ دلار بهازای یک میلیون توکن محاسبه کرده است. قیمت نهایی ممکن است با توجه به ارائهدهنده API و نوع استفاده متفاوت باشد. چرا قیمت توکن اهمیت دارد؟ توکن واحد تقریبی محاسبه متن در مدلهای زبانی است. هر پیام، سند یا پاسخ به تعدادی توکن تبدیل میشود و توسعهدهنده متناسب با حجم ورودی و خروجی هزینه میپردازد. قیمت پایینتر میتواند هزینه این کاربردها را کاهش دهد: برای یک کاربر عادی، اختلاف چند سنت شاید مهم به نظر نرسد؛ اما برای یک محصول بزرگ، همین تفاوت میتواند هزینه ماهانه زیرساخت را بهطور چشمگیری تغییر دهد. مقایسه هزینه DeepSeek V4-Flash با رقبا رویترز با استناد به Artificial Analysis گزارش داده است که هزینه متوسط اجرای هر وظیفه ارزیابی برای V4-Flash حدود ۳ سنت بوده است. این رقم برای تعدادی از مدلهای مطرح به شکل زیر گزارش شد: مدل هوش مصنوعی هزینه متوسط هر وظیفه ارزیابی DeepSeek V4-Flash حدود ۰٫۰۳ دلار Kimi K3 حدود ۰٫۸۶ دلار GPT-5.6 Sol حدود ۱٫۸۶ دلار Claude Fable 5 حدود ۳٫۱۵ دلار این جدول قیمت مستقیم API را مقایسه نمیکند؛ بلکه هزینه واقعی تولید خروجی در مجموعه آزمونهای Artificial Analysis را نشان میدهد. طول پاسخ، تعداد توکن مصرفی و میزان تلاش استدلالی میتواند روی هزینه هر وظیفه اثر بگذارد. بر همین مبنا، هزینه اجرای V4-Flash در این ارزیابی حدود ۲۹ برابر کمتر از Kimi K3، حدود ۶۲ برابر کمتر از GPT-5.6 Sol و بیش از ۱۰۰ برابر کمتر از Claude Fable 5 بوده است. این اختلاف به معنی آن نیست که DeepSeek در همه وظایف بهتر از رقبا عمل میکند. نتیجه اصلی این است که این مدل میتواند سطح قابلتوجهی از توانایی را با هزینه بسیار کمتری ارائه دهد. آیا DeepSeek V4-Flash واقعاً قدرتمند است؟ قیمت پایین تنها زمانی اهمیت دارد که مدل بتواند کیفیت قابلقبولی نیز ارائه دهد. صفحه فعلی Artificial Analysis برای نسخه استدلالی با حداکثر تلاش، امتیاز ۴۰ را در Intelligence Index ثبت کرده است. این مدل در میان مدلهای همرده خود بالاتر از میانگین قرار دارد و سرعت تولید آن نیز حدود ۱۱۵ تا ۱۱۸ توکن در ثانیه گزارش شده است. نسخه غیر استدلالی امتیاز ۲۹ و سرعتی نزدیک به ۱۱۷ توکن در ثانیه دارد. البته یک نکته مهم وجود دارد: امتیازهای بنچمارک ممکن است با تغییر نسخه آزمون، تنظیمات میزان تلاش و بهروزرسانی روش ارزیابی تغییر کنند. به همین دلیل نباید تنها با یک عدد درباره کیفیت نهایی مدل تصمیم گرفت. Artificial Analysis همچنین V4-Flash را مدلی نسبتاً پرحرف توصیف کرده است. نسخه Max Effort در ارزیابی این مؤسسه ۲۳۰ میلیون توکن خروجی تولید کرده که از میانه مدلهای قابل مقایسه بیشتر بوده است. پرحرف بودن میتواند بخشی از مزیت قیمت پایین را در بعضی کاربردها کاهش دهد؛ زیرا هزینه نهایی فقط به نرخ هر توکن وابسته نیست، بلکه تعداد توکنهای تولیدشده نیز مهم است. چرا DeepSeek V4-Flash ارزان است؟ کاهش هزینه این مدل را میتوان به چند عامل مرتبط دانست. نخست، معماری آن بهگونهای طراحی شده که فقط بخشی از پارامترها برای هر توکن فعال شوند. این رویکرد شبیه معماری Mixture of Experts است و میتواند مصرف محاسباتی را نسبت به فعالسازی کامل مدل کاهش دهد. دوم، DeepSeek روی بهینهسازی استنتاج و استفاده از کش تمرکز کرده است. قیمت ورودی کششده این مدل تا ۹۸ درصد کمتر از ورودی عادی گزارش شده است. این ویژگی برای گفتوگوهای طولانی، اسناد تکراری و ایجنتهایی که بارها از یک زمینه مشترک استفاده میکنند، اهمیت زیادی دارد. همچنین پژوهشهای مرتبط با معماری DeepSeek V4 نشان دادهاند که میتوان با روشهای توجه پراکنده، مقدار حافظه لازم برای نگهداری زمینههای بسیار طولانی را بهشدت کاهش داد. البته این پژوهش را نباید لزوماً معادل دقیق زیرساخت تجاری V4-Flash دانست، اما نشاندهنده تمرکز فنی اکوسیستم DeepSeek بر کاهش هزینه پردازش زمینههای طولانی است. جنگ قیمت مدلهای هوش مصنوعی چیست؟ تا چند سال پیش، رقابت شرکتهای هوش مصنوعی بیشتر حول اندازه مدل، تعداد پارامترها و امتیاز بنچمارکها شکل میگرفت. اکنون هزینه اجرای مدل نیز به یک معیار اصلی تبدیل شده است. DeepSeek، Moonshot AI، Alibaba، Google، OpenAI و Anthropic برای جذب توسعهدهندگان و مشتریان سازمانی رقابت میکنند. مدلهای ارزانتر میتوانند حجم بیشتری از درخواستها را پردازش کنند و ورود استارتاپها به بازار را آسانتر سازند. Axios این روند را «رقابت به سمت صفر» توصیف کرده
... مکالمه صوتی با هوش مصنوعی در سالهای اخیر پیشرفت زیادی کرده است، اما هنوز یک مشکل مهم باقی مانده: تأخیر و مکثهای غیرطبیعی در گفتوگو. کاربر باید صحبتش را تمام کند، سیستم پایان جمله را تشخیص دهد و سپس مدل شروع به پردازش و پاسخگویی کند. اگر این تشخیص زود انجام شود، صحبت کاربر قطع میشود و اگر دیر انجام شود، گفتوگو کند و مصنوعی به نظر میرسد. OpenAI برای حل این مشکل از سیستم جدیدی به نام GPT-Live رونمایی کرده است؛ فناوریای که میتواند همزمان صدای کاربر را دریافت کند و پاسخ صوتی ارائه دهد. هدف این سیستم، نزدیک کردن مکالمه با هوش مصنوعی به ریتم طبیعی گفتوگوی انسانهاست. GPT-Live چیست؟ GPT-Live نسل سوم سیستم صوتی OpenAI برای ایجاد مکالمههای سریع، پیوسته و بلادرنگ است. این فناوری به مدل اجازه میدهد بدون منتظر ماندن برای پایان کامل صحبت کاربر، جریان صدا را پردازش کند و در زمان مناسب پاسخ دهد. در سیستمهای صوتی قدیمی، یک مدل کوچک به نام Turn Detector وظیفه داشت تشخیص دهد کاربر چه زمانی صحبتش را تمام کرده است. تنها پس از تصمیم این سیستم، مدل زبانی اصلی میتوانست پردازش درخواست را آغاز کند. GPT-Live این تشخیصدهنده جداگانه را از مسیر اصلی صدا حذف کرده و کنترل جریان مکالمه را به خود مدل صوتی سپرده است. در نتیجه، مدل بهتر میتواند تشخیص دهد چه زمانی گوش دهد، چه زمانی صحبت کند و چه زمانی اجازه دهد کاربر پاسخ را قطع کند. OpenAI این سیستم را در تاریخ ۳ اوت ۲۰۲۶ معرفی کرد و اعلام کرد که توسعه زیرساخت آن حدود شش ماه زمان برده است. این فناوری در حال حاضر پایه بخشی از قابلیتهای ChatGPT Voice را تشکیل میدهد. GPT-Live چگونه کار میکند؟ مهمترین ویژگی GPT-Live، استفاده از معماری Full-Duplex یا ارتباط دوطرفه همزمان است. در یک مکالمه صوتی معمولی با هوش مصنوعی، ارتباط اغلب نوبتی است: اما در GPT-Live، ورودی و خروجی صوتی میتوانند بهصورت همزمان جریان داشته باشند. مدل در حالی که صدای کاربر را دریافت میکند، میتواند صحبت کند، مکث کند یا واکنش کوتاهی نشان دهد. این موضوع باعث میشود تعاملهایی مانند موارد زیر طبیعیتر شوند: OpenAI میگوید وظیفه اصلی معماری جدید، حفظ یک جریان صوتی بدون وقفه است. پردازش صدا در مسیر اصلی انجام میشود و کارهای سنگینتر مانند استفاده از ابزارها یا استدلال پیچیده، به مسیرهای جداگانه انتقال پیدا میکنند. تفاوت GPT-Live با حالت صوتی قبلی ChatGPT چیست؟ نسلهای قبلی قابلیت صوتی ChatGPT نیز امکان گفتوگوی مستقیم را فراهم میکردند، اما معماری آنها همچنان تا حد زیادی به مکالمه نوبتی وابسته بود. تفاوت اصلی GPT-Live را میتوان در جدول زیر مشاهده کرد: ویژگی سیستم صوتی قبلی GPT-Live شیوه مکالمه نوبتی پیوسته و همزمان تشخیص پایان صحبت متکی به Turn Detector کنترلشده توسط مدل امکان قطع پاسخ محدودتر طبیعیتر و سریعتر پردازش صوت مرحلهای جریان دائمی صوت استفاده از مدلهای دیگر ممکن است باعث مکث شود در مسیر جداگانه انجام میشود حس مکالمه شبیه پرسش و پاسخ نزدیکتر به گفتوگوی انسانی در روشهای قدیمیتر، حتی مدلهای Speech-to-Speech نیز برای شروع پردازش منتظر تصمیم تشخیصدهنده پایان صحبت میماندند. GPT-Live این محدودیت را کاهش میدهد و اجازه میدهد خود مدل صوتی مدیریت مکالمه را بر عهده بگیرد. OpenAI چگونه تأخیر مکالمه صوتی را کاهش داده است؟ طبیعی بودن مکالمه فقط به قدرت مدل وابسته نیست. انتقال صدا، وضعیت شبکه، اجرای ابزارها و مدیریت سابقه مکالمه نیز میتوانند باعث ایجاد تأخیر شوند. OpenAI برای کاهش این تأخیر، مسیر انتقال صدا را از منطق برنامه جدا کرده است. صوت میان دستگاه کاربر و مدل از یک مسیر سریع و اختصاصی عبور میکند؛ در حالی که کارهایی مانند جستوجو، فراخوانی ابزار یا اجرای سرویسهای جانبی در یک مسیر غیرهمزمان انجام میشوند. بنابراین اگر یک ابزار یا سرویس خارجی با تأخیر پاسخ دهد، جریان صوتی مکالمه متوقف نمیشود. همچنین OpenAI بخشی از زیرساخت قبلی مبتنی بر Python asyncio را با زبان Go بازنویسی کرده است. بر اساس توضیحات این شرکت، این تغییر باعث شده انتقال فریمهای صوتی روانتر و پایدارتر شود. نقش WebRTC در GPT-Live GPT-Live برای انتقال صوت از WebRTC استفاده میکند؛ فناوریای که برای ارتباطات صوتی و تصویری بلادرنگ طراحی شده است. WebRTC میتواند در شرایطی مانند افت بستههای شبکه، تغییر اتصال یا ناهماهنگی زمانبندی همچنان ارتباط را حفظ کند. برای مثال، اگر بخشی از صدا دیر برسد، سیستم میتواند پخش آن را کمی تنظیم کند تا از ایجاد سکوت یا پرش صوتی جلوگیری شود. پروتکل WARP چیست؟ راهاندازی معمولی WebRTC نیازمند چندین مرحله ارتباط میان کاربر و سرور است. این مراحل میتوانند شروع مکالمه را به تأخیر بیندازند. OpenAI برای حل این مشکل، پروتکلی به نام WebRTC Abridged Roundtrip Protocol یا WARP توسعه داده است. این پروتکل تعداد رفتوبرگشتهای شبکه برای شروع انتقال صدا و داده را از شش مرحله به یک مرحله کاهش میدهد. در کنار WARP، قابلیتی به نام Instant Connect نیز پارامترهای لازم برای اتصال را پیشاپیش آماده میکند. به این ترتیب، کاربر میتواند سریعتر وارد مکالمه صوتی شود. نقش GPT-5.5 در GPT-Live چیست؟ GPT-Live برای پاسخهای سریع و مکالمه طبیعی طراحی شده است، اما همه درخواستها را بهتنهایی پردازش نمیکند. اگر کاربر پرسشی مطرح کند که به استدلال عمیق، جستوجو یا استفاده از ابزار نیاز داشته باشد، GPT-Live میتواند از مدلهای قدرتمندتری مانند GPT-5.6 کمک بگیرد. این فرایند در یک مسیر جداگانه انجام میشود. مدل صوتی میتواند در زمان پردازش درخواست، جریان گفتوگو را حفظ کند و پس از آماده شدن نتیجه، آن را وارد پاسخ کند. OpenAI این معماری را جداسازی «صحبت کردن» از «تفکر عمیقتر» توصیف میکند. هدف این است که استفاده از مدلهای قدرتمند و ابزارها، باعث سکوت طولانی یا قطع مکالمه نشود. GPT-Live چه کاربردهایی دارد؟ معماری GPT-Live میتواند زمینهساز نسل جدیدی از محصولات صوتی باشد. برخی از مهمترین کاربردهای آن عبارتاند از: OpenAI اعلام کرده است که این زیرساخت در ChatGPT Voice برای قابلیتهایی مانند کنترل رایانه و هماهنگ کردن ایجنتها در اپلیکیشن دسکتاپ ChatGPT نیز مورد استفاده قرار میگیرد. آیا GPT-Live اکنون در دسترس کاربران است؟ فناوری پشت GPT-Live در حال حاضر بخشی از زیرساخت ChatGPT Voice است، اما OpenAI هنوز GPT-Live API را بهصورت عمومی منتشر نکرده است. این شرکت اعلام کرده که معماری جدید، زیربنای API آینده GPT-Live خواهد بود. با
... در دنیای پرشتاب امروز، چالش اصلی پیش روی سازمانهای بزرگ دیگر اثبات این موضوع نیست که هوش مصنوعی توانایی انجام کارها را دارد؛ بلکه دغدغه اصلی، رساندن این فناوری به سطحی از قابلیت اطمینان و پایداری است تا بتواند کارهای باارزش و حساس را در محیطهای واقعی (Production) بر عهده بگیرد. علاوه بر این، رفتار یک هوش مصنوعی باید بتواند همگام با تغییرات محصولات، سیاستهای سازمانی و رفتار کاربران سازگار شود. دستیابی به چنین هدفی به چیزی فراتر از یک مدل زبانی ساده نیاز دارد؛ سازمانها به سیستمهای ارزیابی، تخصص استقرار و کنترل کامل نیاز دارند تا بدون از دست دادن نظارت، کیفیت خدمات خود را ارتقا دهند. محصول OpenAI Presence چیست؟ استقرار ایجنتهای هوشمند شرکت اوپنایآی برای پاسخ به این نیاز حیاتی، از محصول جدید و قدرتمند خود با نام OpenAI Presence رونمایی کرده است. این پلتفرم یک محصول سازمانی کاملاً آزمایششده است که به شرکتها کمک میکند تا معماری ایجنتهای هوش مصنوعی قابل اعتمادی را مستقر کنند که قادرند به سوالات پاسخ دهند، مشکلات را حل کنند، از سیستمهای داخلی شرکت استفاده کرده، اقدامات تاییدشده را انجام دهند و در صورت لزوم، کاربر را به یک اپراتور انسانی ارجاع دهند (Escalate). تمرکز بر جریانهای کاری پرارزش (صوتی و متنی) در حال حاضر، پلتفرم Presence از تجربیات لحظهای (Real-time) در دو بستر «صوتی» و «متنی» پشتیبانی میکند. این سیستم به صورت ویژه برای کارهای حساسی مانند پشتیبانی مشتریان، تماسهای خروجی فروش و جریانهای کاری داخلی پرخطر طراحی شده است. به عنوان مثال، یک مشتری میتواند برای حل مشکل صورتحساب خود از این سیستم استفاده کند؛ ایجنت هوشمند ابتدا درخواست را درک کرده، هویت مشتری را تایید میکند، اطلاعات حساب را جستجو کرده و پس از اعمال سیاستهای شرکت، اقدام تاییدشدهای (مانند استرداد وجه) را به صورت خودکار انجام میدهد. تعیین سطوح دسترسی و ارجاع به اپراتور انسانی (Escalation) هر استقرار در این سیستم با یک وظیفه کاملاً مشخص آغاز میشود؛ مانند رسیدگی به مشکلات صورتحساب، پشتیبانی از ادعاهای بیمه، یا حل درخواستهای خدمات IT کارمندان. نکته امنیتی مهم این است که ایجنت هوش مصنوعی تنها به دانش و سیستمهایی دسترسی پیدا میکند که برای انجام همان کار خاص ضروری است. سازمانها میتوانند سیاستهای دقیقی تنظیم کنند که مشخص میکند ایجنت چه کارهایی میتواند انجام دهد، چه زمانی نیاز به تایید دارد و در چه نقطهای باید مکالمه را به یک انسان بسپارد. اگر به دنبال آشنایی با سایر ابزارهای مشابه در این سطح هستید، مطالعه مقاله بهترین ابزارهای هوش مصنوعی ۲۰۲۶ را به شما پیشنهاد میکنیم. امنیت و کنترل کامل در سه فاز: قبل، حین و بعد از انتشار محصول Presence صرفاً بر پایه استقرار اولیه بنا نشده است، بلکه یک چرخه حیات کامل را برای تامین امنیت پوشش میدهد که بر پایه مدلهای قدرتمندی توسعه یافته است تا با غولهایی نظیر GPT 5.6 Sol در بازار سازمانی رقابت کند. شبیهسازی دقیق و گاردریلها (Guardrails) پیش از آنکه استقرار Presence به دست کاربران نهایی برسد، تیمهای توسعه میتوانند آن را در برابر درخواستهای رایج، موارد استثنایی (Edge Cases) و سناریوهای پرخطر آزمایش کنند. سیستمهای شبیهساز بررسی میکنند که آیا ایجنت به نتیجه درست رسیده است، قوانین را رعایت کرده، از ابزارها به درستی بهره برده و در زمان مناسب کار را ارجاع داده است یا خیر. همچنین «گاردریلها» (Guardrails) به عنوان سپرهای امنیتی عمل کرده و هرگاه تعامل از مرزهای تعیینشده شرکت خارج شود، بلافاصله مداخله میکنند. نقش مدل Codex در ارتقای مستمر کار پس از انتشار تمام نمیشود! دادههای حاصل از جلسات واقعی و ارجاعات به انسان، شکافهای موجود را به تیمها نشان میدهد. در اینجا، مدل قدرتمند Codex با بررسی سیگنالهای کیفی، بهروزرسانیهایی را پیشنهاد میدهد. تیمها میتوانند این تغییرات پیشنهادی را آزمایش و تایید کنند و به این ترتیب، ایجنت به صورت مداوم و با تغییر رفتار مشتریان، خود را سازگار میکند. اثبات عملکرد: از پشتیبانی اختصاصی OpenAI تا غولهای مالی دنیا این محصول بلندپروازانه که در همکاری نزدیک با تیم تحقیقاتی OpenAI توسعه یافته، در محیطهای عملیاتی به شدت حیاتی آزمایش شده و نتایج خیرهکنندهای به ثبت رسانده است. حل ۷۵ درصد مشکلات بدون دخالت انسان در حال حاضر، Presence خط پشتیبانی تلفنی انگلیسیزبان خود شرکت OpenAI (با شماره 1-888-GPT-0090) را مدیریت میکند. این سیستم قادر است درخواستهای باز کاربران را مدیریت کرده، هویت آنها را تایید کند و با دسترسی به بستر حساب کاربری، اقدامات لازم را انجام دهد. در عرض چند هفته، این ایجنت توانست استانداردها را ارتقا داده و اکنون ۷۵ درصد از مشکلات ورودی را به طور کامل و بدون دخالت انسان حل میکند. همچنین چرخه بهبود مستمر آن (به کمک Codex) توانست تنها در ۱۰ روز، میزان ارجاع کار به اپراتورهای انسانی را تا ۱۵ واحد درصد کاهش دهد. تجربه موفق شرکتهای جهانی سازمانهای پیشرو در سراسر جهان در حال ساخت زیرساختهای خود بر روی این پایه اثباتشده هستند: سوالات متداول (FAQ)
... آیا تا به حال پس از دریافت نتیجه یک آزمایش خون، در میان انبوهی از اعداد و اصطلاحات تخصصی پزشکی سردرگم شدهاید؟ در دنیای امروز، اطلاعات سلامتی ما به شدت پراکنده است؛ بخشی از آن در برنامههایی مثل اپل هلث (Apple Health)، بخشی در پروندههای پزشکی بیمارستان و بخشی دیگر در قالب برگههای کاغذی آزمایشگاه خاک میخورند. این پراکندگی باعث میشود تا درک درستی از روند سلامتی خود نداشته باشیم و در زمان مراجعه به پزشک، نتوانیم سوابقمان را به درستی شرح دهیم. اما خبر خوب این است که در آپدیت اواخر جولای ۲۰۲۶، شرکت OpenAI با معرفی قابلیت Health در ChatGPT این مشکل را برای همیشه حل کرده است. این ویژگی جدید به شما اجازه میدهد تمام اطلاعات پزشکی خود را در یک محیط امن یکپارچه کرده و به کمک قدرتمندترین مدلهای هوش مصنوعی، آنها را تحلیل کنید. قابلیت Health در ChatGPT دقیقاً چه کاری انجام میدهد؟ بر اساس آمارهای رسمی OpenAI، هر هفته بیش از ۳۰۰ میلیون نفر برای پاسخ به سوالات سلامتی خود به سراغ چت جیپیتی میروند. قابلیت Health طراحی شده تا این تعاملات را دقیقتر، شخصیسازیشدهتر و مستندتر کند. بلیک (Blake)، یک مدیر برنامه فنی که از نسخه آزمایشی استفاده کرده میگوید: “کاربردیترین بخش این بود که سابقه پزشکی پراکندهام را به چیزی تبدیل کرد که واقعاً میتوانم بفهمم. چت جیپیتی اصطلاحات پزشکی را به زبان ساده توضیح داد و خلاصهای ساخت که میتوانستم آن را با فیزیوتراپیست خود به اشتراک بگذارم.” معرفی GPT-5.6 Sol: قویترین دستیار سلامت هوش مصنوعی در این آپدیت، OpenAI از دو مدل قدرتمند برای پردازش دادههای پزشکی رونمایی کرده است. مدل GPT-5.5 Instant (برای کاربران رایگان) و مدل GPT-5.6 Sol (برای کاربران پولی). تحلیل عملکرد در آزمونهای پزشکی (HealthBench Professional): OpenAI برای سنجش قدرت این مدلها، صدها پزشک را در سراسر جهان به کار گرفت تا سناریوهای واقعی پزشکی را ارزیابی کنند. نتایج این ارزیابیها در قالب نمودار و دادههای ساختاریافته در ۵ معیار کلیدی منتشر شده است که مقایسه بسیار جالبی بین پاسخهای نوشتهشده توسط پزشکان انسانی (Physician written)، مدل قدیمیتر GPT-4o و دو مدل جدید این شرکت ارائه میدهد: معیار ارزیابی پزشک انسانی مدل GPT-4o مدل GPT-5.5 Instant مدل GPT-5.6 Sol دقت علمی (Accuracy) ۷۶.۲٪ ۷۶.۸٪ ۸۷.۳٪ ۹۱.۰٪ ارتباط شفاف (Communicates Clearly) ۶۱.۰٪ ۷۸.۱٪ ۸۰.۳٪ ۸۶.۷٪ کامل بودن پاسخ (Completeness) ۵۳.۲٪ ۷۰.۱٪ ۷۵.۶٪ ۸۸.۰٪ پیروی از دستورالعملها (Follows Instructions) ۷۴.۴٪ ۸۲.۷٪ ۸۸.۳٪ ۹۳.۸٪ کمک به تصمیمگیری (Decision Helpfulness) ۵۰.۸٪ ۶۴.۲٪ ۷۳.۲٪ ۸۳.۰٪ همانطور که در جدول بالا (استخراج شده از دادههای رسمی OpenAI) مشاهده میکنید، مدل جدید GPT-5.6 Sol در تمامی معیارها با اختلاف چشمگیری از سایر مدلها و حتی پزشکان انسانی پیشی گرفته است: شما میتوانید برای آشنایی با سایر ابزارهای پیشرفته امسال، مقاله بهترین ابزارهای هوش مصنوعی ۲۰۲۶ را در مجله نکسینو مطالعه کنید. آموزش گامبهگام اتصال اطلاعات سلامت به چت جیپیتی استفاده از این قابلیت بسیار ساده است و فعلاً برای کاربران بالای ۱۸ سال در آمریکا در دسترس قرار گرفته است. ۱. ورود به بخش Health: از نوار کناری (Sidebar) در محیط چت جیپیتی، روی گزینه Health کلیک کنید. ۲. انتخاب منابع داده: شما میتوانید اکانت Apple Health، پلتفرمهای One Medical یا Function Health را انتخاب کنید تا دادههای شما همگامسازی (Sync) شود. ۳. مدیریت داروها و بیماریها: پس از اتصال، لیستی از بیماریها (مثل فشار خون یا دیابت) و داروهای مصرفی به شما نمایش داده میشود. شما میتوانید مواردی که دیگر معتبر نیستند را حذف کرده یا سوابق بیماریهای خانوادگی را به آن اضافه کنید. ۴. تنظیم مجوزها: در زمان درخواست تحلیل آزمایش، سیستم با نمایش یک پاپآپ، از شما برای استفاده از دادههای اپل هلث اجازه میگیرد که میتوانید آن را تایید (Allow once) یا رد کنید. امنیت و حریم خصوصی: آیا دادههای پزشکی ما امن هستند؟ یکی از بزرگترین دغدغههای کاربران، حریم خصوصی اطلاعات حساس پزشکی است. خبر خوب این است که OpenAI سختگیرانهترین لایههای امنیتی را برای این بخش در نظر گرفته است: چت جیپیتی یک هوش مصنوعی تحلیلی است. با وجود قدرت بالای مدل GPT-5.6 Sol، این ابزار هرگز نمیتواند جایگزین ویزیت و تشخیص پزشک متخصص شود و تنها باید به عنوان یک دستیار برای درک بهتر شرایط فیزیکی مورد استفاده قرار گیرد. بخش سوالات متداول (FAQ)
... انتخاب یک مدل هوش مصنوعی مناسب برای برنامهنویسی دیگر فقط به کیفیت کد تولیدشده محدود نمیشود. توسعهدهندگان باید عواملی مانند سرعت پاسخدهی، مصرف توکن، توانایی انجام وظایف چندمرحلهای و هزینه API را نیز در نظر بگیرند. این انتخاب زمانی دشوارتر میشود که هر شرکت، مدل جدید خود را قدرتمندترین گزینه موجود معرفی میکند؛ درحالیکه نتایج واقعی بنچمارکها همیشه با چنین ادعاهایی همخوانی ندارد. شرکت SpaceXAI با معرفی Grok 4.5 تلاش کرده مدلی ارائه دهد که علاوه بر توانایی بالا در برنامهنویسی، وظایف ایجنتی و مهندسی نرمافزار را با سرعت بیشتر و مصرف توکن کمتر انجام دهد. در ادامه، قابلیتها، نتایج بنچمارکها، قیمت و روش دسترسی به این مدل را بررسی میکنیم. Grok 4.5 چیست؟ Grok 4.5 مدل جدید هوش مصنوعی SpaceXAI است که برای برنامهنویسی، انجام وظایف ایجنتی و کارهای دانشی طراحی شده است. این مدل در تاریخ ۸ ژوئیه ۲۰۲۶ معرفی شد و براساس اعلام رسمی شرکت، قدرتمندترین مدل آنها تا زمان انتشار محسوب میشود. Grok 4.5 روی مجموعه دادههایی از حوزههای برنامهنویسی، علوم، مهندسی و ریاضیات آموزش دیده است. برخلاف یک چتبات عمومی که بیشتر برای پاسخگویی به سؤالات استفاده میشود، Grok 4.5 میتواند وظایف فنی چندمرحلهای را دنبال کند، با ابزارها کار کند و بخشهای مختلف یک پروژه نرمافزاری را از تحلیل مسئله تا تولید کد پیش ببرد. مهمترین قابلیتهای Grok 4.5 برنامهنویسی و ساخت اپلیکیشن یکی از مهمترین کاربردهای Grok 4.5، تولید و اصلاح کد است. SpaceXAI اعلام کرده این مدل در انجام وظایف دشوار مرتبط با زبانهای Rust، C و ++C عملکرد قابلتوجهی دارد. مدل میتواند با دریافت یک پرامپت: در یکی از نمونههای رسمی، Grok 4.5 تنها با یک دستور متنی، شبیهسازی منظومه شمسی را با استفاده از Three.js ساخته است. این نمونه نشان میدهد مدل فقط قطعهکدهای کوتاه تولید نمیکند و توانایی ایجاد برنامههای کاملتر را نیز دارد. انجام وظایف ایجنتی و سازمانی وظایف ایجنتی معمولاً از چند مرحله وابسته به یکدیگر تشکیل شدهاند. برای مثال، یک مدل باید ابتدا فایلهای پروژه را بررسی کند، خطا را تشخیص دهد، کد را اصلاح کند و سپس نتیجه را توضیح دهد. Grok 4.5 برای چنین فرایندهایی آموزش دیده است. براساس توضیحات رسمی، یادگیری تقویتی آن صدها هزار وظیفه را شامل میشود و تمرکز ویژهای بر مهندسی نرمافزار چندمرحلهای دارد. این مدل علاوه بر کدنویسی، در ابزارهای اداری نیز کاربرد دارد. Grok 4.5 میتواند: نتایج بنچمارکهای Grok 4.5 SpaceXAI عملکرد Grok 4.5 را در پنج بنچمارک مرتبط با برنامهنویسی و مهندسی نرمافزار منتشر کرده است. بنچمارک امتیاز Grok 4.5 جایگاه در نمودار DeepSWE 1.0 ۶۲ درصد سوم DeepSWE 1.1 ۵۳ درصد چهارم SWE Marathon ۲۹ درصد اول Terminal Bench 2.1 ۸۳.۳ درصد سوم SWE Bench Pro ۶۴.۷ درصد سوم در آزمون SWE Marathon، مدل Grok 4.5 با امتیاز ۲۹ درصد در رتبه اول قرار گرفته است. پس از آن، Opus 4.8 Max با ۲۶ درصد و Fable Max با ۲۴ درصد قرار دارند. در Terminal Bench 2.1 اختلاف Grok 4.5 با مدلهای بالاتر بسیار کم است. این مدل امتیاز ۸۳.۳ درصد را ثبت کرده، درحالیکه امتیاز GPT 5.5 برابر با ۸۳.۴ درصد و امتیاز Fable Max برابر با ۸۴.۳ درصد اعلام شده است. آیا Grok 4.5 قویترین مدل برنامهنویسی است؟ نتایج منتشرشده نشان میدهند Grok 4.5 یک مدل برنامهنویسی قدرتمند و رقابتی است؛ اما نمیتوان آن را در تمام سناریوها قویترین مدل موجود دانست. این مدل تنها در یکی از پنج بنچمارک نمایشدادهشده رتبه اول را کسب کرده است. در سایر آزمونها مدلهایی مانند Fable Max، GPT 5.6 و Opus 4.8 Max عملکرد بهتری داشتهاند. نکته مهم دیگر این است که SpaceXAI اعلام کرده اعداد مربوط به رقبا از کارتهای فنی توسعهدهندگان یا لیدربوردهای منتشرشده جمعآوری شدهاند. همچنین همه مدلها الزاماً با هارنسها و تنظیمات کاملاً یکسان آزمایش نشدهاند. بنابراین، این نتایج باید نشانهای از عملکرد رقابتی Grok 4.5 تلقی شوند، نه مدرکی برای اثبات برتری مطلق آن بر تمام مدلهای هوش مصنوعی. سرعت و مصرف توکن Grok 4.5 سرعت سرویسدهی اعلامشده برای Grok 4.5 حدود ۸۰ توکن در ثانیه است. چنین سرعتی میتواند در ابزارهای کدنویسی تعاملی و ایجنتهایی که باید چندین مرحله را پشت سر هم اجرا کنند، اهمیت زیادی داشته باشد. SpaceXAI برای نشاندادن بهرهوری مدل، میانگین توکن خروجی آن را در SWE Bench Pro با Opus 4.8 Max مقایسه کرده است. مدل میانگین توکن خروجی برای هر وظیفه Grok 4.5 ۱۵٬۹۵۴ توکن Opus 4.8 Max ۶۷٬۰۲۰ توکن براساس این آزمایش، Grok 4.5 برای حل هر وظیفه بهطور متوسط حدود ۴.۲ برابر توکن خروجی کمتری مصرف کرده است. مصرف توکن کمتر میتواند هزینه اجرای ایجنتها و مدتزمان پاسخگویی را کاهش دهد. بااینحال، این عدد فقط به نتایج همین بنچمارک مربوط است و نباید آن را به تمام پروژهها و کاربردهای احتمالی تعمیم داد. مشخصات فنی و قیمت API مدل Grok 4.5 ویژگی مشخصات کاربرد اصلی کدنویسی، وظایف ایجنتی و کارهای دانشی سرعت اعلامشده حدود ۸۰ توکن در ثانیه قیمت ورودی API ۲ دلار برای یک میلیون توکن قیمت خروجی API ۶ دلار برای یک میلیون توکن نام مدل در API grok-4.5 ورودیهای اصلی متن و وظایف برنامهنویسی مدل آموزش یادگیری تقویتی و آموزش چندمرحلهای زیرساخت آموزش دهها هزار GPU مدل NVIDIA GB300 قیمت API گراک ۴.۵ برای هر یک میلیون توکن ورودی ۲ دلار و برای هر یک میلیون توکن خروجی ۶ دلار اعلام شده است. مقرونبهصرفهبودن واقعی مدل فقط به قیمت هر توکن بستگی ندارد. اگر Grok 4.5 بتواند یک مسئله را با مراحل و توکنهای کمتری حل کند، هزینه نهایی اجرای وظیفه نیز کاهش پیدا میکند. البته این موضوع باید در پروژههای واقعی و متناسب با نوع کار آزمایش شود. چگونه به Grok 4.5 دسترسی پیدا کنیم؟ براساس اعلام رسمی، Grok 4.5 از مسیرهای زیر در دسترس قرار گرفته است: توسعهدهندگان برای استفاده از API باید کلید دسترسی دریافت کنند و در درخواست خود نام مدل grok-4.5 را قرار دهند. در زمان انتشار خبر، این مدل هنوز در محصولات SpaceXAI و کنسول API برای کاربران اتحادیه اروپا در دسترس نبود و عرضه آن برای اواسط ژوئیه پیشبینی شده بود. وضعیت دسترسی منطقهای ممکن است پس از انتشار مقاله تغییر کند. Grok 4.5 برای چه کاربرانی مناسب است؟ Grok 4.5 میتواند گزینه مناسبی برای گروههای زیر باشد: بااینحال، انتخاب مدل نباید
...درخواست مشاوره
برای دریافت مشاوره تخصصی و راهنماییهای دقیق، فرم زیر را پر کنید و تیم ما در سریعترین زمان ممکن با شما تماس خواهد گرفت.
