AI, machine learning and LLM insights.
مخزن Apache-2.0 که بهتازگی منتشر شده است، همچنان شامل یک روال استخراج داده در پشت یک پرچم مخفی در سمت سرور است و حتی حاوی قطعهکدهای بدون ذکر منبع از OpenAI میباشد؛ این بدان معناست که توسعهدهندگان باید این ابزار را بازرسی کرده و تمامی اطلاعات ورود افشا شده را تغییر دهند.
این تامین مالی سری C به رهبری Lightspeed Venture Partners، بودجه کلینیک اصلی Neko در نیویورک را تامین خواهد کرد؛ کلینیکی که با ترکیب تصویربرداری با وضوح بالا، آزمایش خون و حسگرهای اختصاصی با هوش مصنوعی، به پزشکان اجازه میدهد تا نشانههای اولیه بیماری را پیش از ظهور علائم شناسایی کنند.
این مطالعه تنها نقشههای فعالسازی جزئی را ارائه میدهد که با وظایف خاصی همبستگی دارند، اما رابطه علیت را اثباتنشده باقی میگذارد. اگرچه این موضوع نشاندهنده حرکتی به سوی شفافیت است، اما توسعهدهندگان باید با آن به عنوان یک ابزار تشخیص اولیه برخورد کنند، نه یک تضمین ایمنی.
در این آزمایش، توسعهدهندگان به دو گروه «کمکگرفته از هوش مصنوعی» و «فقط با استفاده از مستندات» تقسیم شدند؛ گروه هوش مصنوعی در آزمون مفاهیم ۱۷٪ نمره کمتری کسب کردند و هیچ مزیت زمانی قابل توجهی نیز نشان ندادند. این موضوع نشان میدهد که قطعهکدهای سریع، شکافهای دانشی را پنهان میکنند که در آینده منجر به افزایش هزینههای نگهداری میشود.
اداره کپیرایت ایالات متحده حکم داد که تصاویر تولید شده توسط Midjourney برای یک رمان گرافیکی قابل حمایت نیستند، اما کپیرایت همچنان شامل نثر نویسنده و نحوه چیدمان پانلها میشود؛ موضوعی که بر ضرورت مستندسازی مشارکت انسانی تأکید دارد.
پرسوجوی داخلی CodeQL هرگونه جریان داده از یک منبع غیرقابل اعتماد (مانند بدنه یک Issue در GitHub) به یک SDK فراخوانیکننده مدل را علامتگذاری میکند. با ترکیب فایلهای تست مثبت و منفی همراه با یک قرارداد expected-alerts.json، میتوانید این شناسایی را به یک دروازه کنترلی در زمان بیلد تبدیل کنید.
مهاجمان با نظارت بر زمانبندی خواندن/نوشتن حافظه پنهان، میتوانند هم دادههای ورودی و هم بخشهایی از وزنهای یادگرفتهشده مدل را استنتاج کنند؛ آسیبپذیریای که حتی با استفاده از کدهای زمانثابت یا رمزنگاری مدل نیز پابرجا میماند.
In a hands-on trial, a developer spent several hours stitching together LLMs, memory layers, planners and tool integrations, only to wrestle with hallucinations, endless retries and token costs—proving true autonomy is still a manual build.
The downstream maintainer reordered two GTK calls, preventing a null-pointer dereference that caused segmentation faults for Qt-based Electron apps on Linux. The same change sits in an open upstream PR, but users get the fix now with version 42.6.0.
The Honcho team discovered that keeping a database connection open while waiting on slow LLM or embedding calls can hog the connection pool. By moving to pre-flight reads, closing the session, and reopening only for writes, they reduced latency and improved scalability.
مایکروسافت با تغییر استراتژی خود، تیمهای فروش را در مقابل OpenAI و Anthropic قرار میدهد. مایکروسافت در حال تغییر بنیادین رویکرد بازار خود است و از یک همکار نزدیک با پیشگامان هوش مصنوعی... تغییر مسیر میدهد.
The benchmark ran five agents on a single RTX 5090, tasking them with adding a Tag Manager to an admin panel without any cloud APIs. Qwen 3.6 35B-A3B completed the job autonomously, added sensible improvements, and required zero post-run patches.
درگاه Claude Apps Gateway لایه کنترل را در حساب AWS مشتری تعبیه میکند و به بخش IT یک پنل واحد برای مدیریت هویت، گزارشهای حسابرسی و هزینهها میدهد، در حالی که توسعهدهندگان میتوانند بدون افشای دادهها به خارج از سازمان، جلسات مبتنی بر Claude را راهاندازی کنند.
این دستیار وزنهای مدل را همراه با یک صفحه وب استاتیک ارائه میدهد و از یک لیست ثابت شامل هشت ابزار، رمزگشایی با محدودیت دستور زبان و RAG استفاده میکند؛ تمام این موارد تنها با ۳۰ میلیون توکن روی یک GPU واحد ۱۶ گیگابایتی آموزش دیدهاند.
The detector records raw attention scores across all heads, aggregates them layer-wide, and uses a log-MAD test to flag tokens that swallow the bulk of attention. Removing these “sink” tokens from the KV cache destabilises generation and slashes quality.
این پیشنهاد، قوانین فعلی فیلترینگ پیام را گسترش میدهد تا تمامی سرویسهایی که در آنها تبادل متن بین دو نفر صورت میگیرد را نیز شامل شود؛ این بدان معناست که ارائهدهندگان هوش مصنوعی باید پیش از آنکه مدل حتی با دستور (پرامپت) کاربر مواجه شود، آن را از اسکنرهای خودکار عبور دهند.
این سیستم خود-بازی (self-play)، یک مدل مهاجم را در برابر همزاد مدافع خود قرار میدهد و با یادگیری از هر شکست، الگوهای آسیبپذیریای را کشف میکند که انسانها هرگز به آنها فکر نمیکنند؛ سپس این یافتهها را مستقیماً وارد فرآیند آموزش GPT-5.6 میکند.
Codex Micro دارای کلیدهای Agent نورانی، میانبرهای قابل برنامهریزی، یک جویاستیک و یک دیسک استدلال (Reasoning Dial) است که همگی مستقیماً به اپلیکیشن دسکتاپ ChatGPT متصل میشوند تا به توسعهدهندگان اجازه دهند بدون ترک محیط IDE خود، چندین عامل هوش مصنوعی را نظارت و هدایت کنند.
اجرای یک ایجنت هوش مصنوعی روی Lambda ممکن است در مقیاس میلیثانیه ارزان به نظر برسد، اما هزینه واقعی ناشی از تأخیرِ «شروع سرد»، حلقههای تلاش مجدد که باعث فراخوانیهای مکرر مدل میشوند، و مصرف توکنهای ناشی از آن است که بسیار فراتر از هزینه پردازش میرود.
The two vulnerable scripts—one embedding an HMAC signing key, the other a plain-text SMTP password—demonstrate how LLMs fill in missing values when asked for a “usable example,” turning handy snippets into credential leaks across version control and production.
چهار آسیبپذیری جدید فاششده ناشی از تنظیمات پیشفرض هستند — اتصالهای شبکه عمومی، پیکربندیهای قابل خواندن برای همه، محیطهای ایزوله با دسترسیهای آزاد و نبودِ گزارشهای بازرسی — که به مهاجمان اجازه میدهد تنها در عرض چند دقیقه، از یک ورودی بیضرر در گزارشها به کنترل کامل سیستم دست یابند.
شرکت Ode با همکاری Anthropic، که توسط کریس تیلور و ادی سیگل بنیانگذاری شده است، با ترکیب ظرفیت استعدادهای Fractional AI و مدلهای Claude شرکت Anthropic و با حمایت مالی Blackstone، Hellman & Friedman و Goldman Sachs، قصد دارد اثباتهای مفهوم را به سیستمهای هوش مصنوعی در سطح عملیاتی تبدیل کند.
Inkling که با ۴۵ تریلیون توکن چندوجهی آموزش دیده است، عملکرد کدنویسی در سطح Nvidia را ارائه میدهد؛ این مدل با فعالسازی تنها بخش کوچکی از ۹۷۵ میلیارد پارامتر خود، تأخیر و هزینههای عملیاتی را برای کاربران سازمانی به شدت کاهش میدهد.
محیط خود-بازی «دوجو» به GPT-Red اجازه میدهد در نقش مهاجم عمل کند، در حالی که مدلهای مدافع روشهای دفاعی را میآموزند؛ این فرآیند ترفندهای جدیدی مانند حمله «زنجیره فکر» جعلی را آشکار میکند که مدلهای زبانی بزرگ (LLM) را فریب میدهد تا پیشفرضهای نادرست را بپذیرند.
