۸
۸
۸
یه LoRA جالب برای Krea 2 اومده بیرون به اسم Krea 2 Identity Edit که کارش ویرایش تصویر بر اساس دستورالعمل متنی هست(مثل کاری که با nanobenana و chatgpt image انجام میدید )
یعنی مثلاً بهش میگید «یه طوطی روی شونهام بذار» یا «کلاه سرم بذار»، و اون تغییرات رو اعمال میکنه در حالی که هویت چهره رو تقریبا کامل حفظ کرده. معماری و آموزشش روی Krea 2 Raw بوده که همون مدل 12.9 میلیارد پارامتری MMDiT با single-stream architecture هست، و لازم به ذکره این LoRA رو یه نفر از community به صورت غیررسمی fine-tune کرده(*نسخه ادیت از Krea2 نداده بیرون! فقط یک LoRA درست کرده!*)
تکنیکی که پشتشه نسبتاً هوشمندانه هست: conditioning دوگانه داره، یعنی هم از VAE tokens داخل context استفاده میکنه، هم از Qwen3-VL برای image grounding؛
به همین دلیل هم با node های معمولی ComfyUI کار نمیکنه و باید node pack اختصاصی «ComfyUI-Krea2Edit» رو نصب کنید. دو تا workflow آماده هم همراهش درست کرده که با اونها تستش کنید.
نتایجی که نشون داده شده هم کیفیتشون خوبه(بالا دارید میبنیدشون) چهره سوژه ها تقریباً دست نخورده میمونه و المان های اضافه شده (مثل همون طوطی با کلاه و زنجیر طلا در تصویر) به شکل قابل قبولی ادغام شدن. برای کسایی که روی Krea 2 کار میکنن و دنبال instruction-based editing میگردن، این LoRA ارزش تست کردن رو داره.
صفحه هاگینگ فیس هست:https://huggingface.co/conradlocke/krea2-identity-edit
@ai_src
یعنی مثلاً بهش میگید «یه طوطی روی شونهام بذار» یا «کلاه سرم بذار»، و اون تغییرات رو اعمال میکنه در حالی که هویت چهره رو تقریبا کامل حفظ کرده. معماری و آموزشش روی Krea 2 Raw بوده که همون مدل 12.9 میلیارد پارامتری MMDiT با single-stream architecture هست، و لازم به ذکره این LoRA رو یه نفر از community به صورت غیررسمی fine-tune کرده(*نسخه ادیت از Krea2 نداده بیرون! فقط یک LoRA درست کرده!*)
تکنیکی که پشتشه نسبتاً هوشمندانه هست: conditioning دوگانه داره، یعنی هم از VAE tokens داخل context استفاده میکنه، هم از Qwen3-VL برای image grounding؛
به همین دلیل هم با node های معمولی ComfyUI کار نمیکنه و باید node pack اختصاصی «ComfyUI-Krea2Edit» رو نصب کنید. دو تا workflow آماده هم همراهش درست کرده که با اونها تستش کنید.
نتایجی که نشون داده شده هم کیفیتشون خوبه(بالا دارید میبنیدشون) چهره سوژه ها تقریباً دست نخورده میمونه و المان های اضافه شده (مثل همون طوطی با کلاه و زنجیر طلا در تصویر) به شکل قابل قبولی ادغام شدن. برای کسایی که روی Krea 2 کار میکنن و دنبال instruction-based editing میگردن، این LoRA ارزش تست کردن رو داره.
صفحه هاگینگ فیس هست:https://huggingface.co/conradlocke/krea2-identity-edit
@ai_src
۸
یه پیپر خیلی جالب از Anthropic اومده بیرون این هفته به اسم: «Verbalizable Representations Form a Global Workspace in Language Models»
ایده اصلیش اینه که مدلهای زبانی بزرگ، درونشون یه زیرفضای کوچیک و ممتاز دارن که اطلاعاتشون «قابل بیان» هستن یعنی مدل میتونه در صورت نیاز اونا رو به کلمه تبدیل کنه... این زیرفضا رو J-space نامگذاری کردند و ابزار استخراجش رو Jacobian lens گذاشتند. حالا جالب اینجاست که این J-space دقیقاً همون خواصی رو داره که نظریه «Global Workspace» در علوم اعصاب برای آگاهی انسان توصیف میکنه: قابل گزارشدهی، قابل کنترل از بالا به پایین، واسطه استدلال داخلی، و انعطافپذیر در استفادههای مختلف؛ ولی تنها بخش کوچیکی از کل فعالیت مدل رو تشکیل میده
نتایج تجربیشون خیلی چشمگیره. اگه برید توی J-space یه مفهوم رو با مفهوم دیگهای عوض کنید، مدل رفتارش رو بر اساس اون تغییر میده!مثلا اگه پای عنکبوت رو با پای مورچه عوض کنید، جواب مدل از «8» به «6» تغییر میکنه! مهم تر از اون، J-lens میتونه «فکرهای ناگفته» مدل رو آشکار کنه: مثلاً موقعی که داره یه شعر مینویسه، قافیهای که قراره انتخاب کنه چند تا token قبل از نوشتنش توی J-space ظاهر میشه، یا اینکه توی یه prompt به زبون چینی، مدل بازنمایی داخلی(internal representations) رو با انگلیسیش «بلندتر فکر میکنه» قبل از ترجمه به چینی.
کاربرد alignment این کار هم خیلی مهمه. محققان فهمیدند که موقع ارزیابیهای alignment، مدل گاهی توی J-space کلماتی مثل «fake» یا «fictional» داره: یعنی داره eval بودن وضعیت رو میفهمه ولی نشون نمیده. یعنی میفهمه داره روش تست انجام میشه و آزمایش میشه(مثل ناخودآگاه انسان ها!)اگه این representations رو ablate کنید(ی جورایی سانسورش رو بردارید)، رفتارهای misaligned و خرابکارانه که پنهان بودن ظاهر میشن!یه تکنیک training جدید هم معرفی کردن به اسم «counterfactual reflection training» که با شکل دادن به محتوای J-space (به جای مستقیماً train کردن رفتار)، میشه اصول اخلاقی رو به طرز موثرتری درون مدل جاسازی کرد. به نظر میرسه این کار یه قدم جدی به سمت interpretability واقعی برای مدلهای بزرگه.
منبع و پیپر این همه نکات اینجاست: https://transformer-circuits.pub/2026/workspace/index.html
@ai_src
ایده اصلیش اینه که مدلهای زبانی بزرگ، درونشون یه زیرفضای کوچیک و ممتاز دارن که اطلاعاتشون «قابل بیان» هستن یعنی مدل میتونه در صورت نیاز اونا رو به کلمه تبدیل کنه... این زیرفضا رو J-space نامگذاری کردند و ابزار استخراجش رو Jacobian lens گذاشتند. حالا جالب اینجاست که این J-space دقیقاً همون خواصی رو داره که نظریه «Global Workspace» در علوم اعصاب برای آگاهی انسان توصیف میکنه: قابل گزارشدهی، قابل کنترل از بالا به پایین، واسطه استدلال داخلی، و انعطافپذیر در استفادههای مختلف؛ ولی تنها بخش کوچیکی از کل فعالیت مدل رو تشکیل میده
نتایج تجربیشون خیلی چشمگیره. اگه برید توی J-space یه مفهوم رو با مفهوم دیگهای عوض کنید، مدل رفتارش رو بر اساس اون تغییر میده!مثلا اگه پای عنکبوت رو با پای مورچه عوض کنید، جواب مدل از «8» به «6» تغییر میکنه! مهم تر از اون، J-lens میتونه «فکرهای ناگفته» مدل رو آشکار کنه: مثلاً موقعی که داره یه شعر مینویسه، قافیهای که قراره انتخاب کنه چند تا token قبل از نوشتنش توی J-space ظاهر میشه، یا اینکه توی یه prompt به زبون چینی، مدل بازنمایی داخلی(internal representations) رو با انگلیسیش «بلندتر فکر میکنه» قبل از ترجمه به چینی.
کاربرد alignment این کار هم خیلی مهمه. محققان فهمیدند که موقع ارزیابیهای alignment، مدل گاهی توی J-space کلماتی مثل «fake» یا «fictional» داره: یعنی داره eval بودن وضعیت رو میفهمه ولی نشون نمیده. یعنی میفهمه داره روش تست انجام میشه و آزمایش میشه(مثل ناخودآگاه انسان ها!)اگه این representations رو ablate کنید(ی جورایی سانسورش رو بردارید)، رفتارهای misaligned و خرابکارانه که پنهان بودن ظاهر میشن!یه تکنیک training جدید هم معرفی کردن به اسم «counterfactual reflection training» که با شکل دادن به محتوای J-space (به جای مستقیماً train کردن رفتار)، میشه اصول اخلاقی رو به طرز موثرتری درون مدل جاسازی کرد. به نظر میرسه این کار یه قدم جدی به سمت interpretability واقعی برای مدلهای بزرگه.
منبع و پیپر این همه نکات اینجاست: https://transformer-circuits.pub/2026/workspace/index.html
@ai_src
۹۶اینم یه خبر کوتاه:
Anthropic دسترسی به Fable رو تا ۱۲ جولای تمدید کرد(قبلاً تا ۷ جولای بود) یعنی پنج روز بیشتر از موعد قبلی...
هیچ توضیحی هم داده نشده که چرا.community توی Reddit هم یه جورایی بین خوشحالی و شکایت از آنتروپیک گیر کرده که آنقدر بلاتکلیف رفتار میکنه
سایت خود آنتروپیک که اینو گفته هم ایناهاش:
https://support.claude.com/en/articles/15424964-claude-fable-5-promotional-access
@ai_src
Anthropic دسترسی به Fable رو تا ۱۲ جولای تمدید کرد(قبلاً تا ۷ جولای بود) یعنی پنج روز بیشتر از موعد قبلی...
هیچ توضیحی هم داده نشده که چرا.community توی Reddit هم یه جورایی بین خوشحالی و شکایت از آنتروپیک گیر کرده که آنقدر بلاتکلیف رفتار میکنه
سایت خود آنتروپیک که اینو گفته هم ایناهاش:
https://support.claude.com/en/articles/15424964-claude-fable-5-promotional-access
@ai_src
۶۶
یه پلتفرم هست به اسم Neuronpedia که اگه توی حوزهی interpretability یا مکانیستیکاینترپ(mechanistic interp) کار میکنید، احتمالاً اسمش رو شنیدید. سازندهاش Johnny Lin هست، یه مهندس سابق Apple که قبلاً یه استارتاپ حریم خصوصی داشت، و هدفش اینه که تحقیقات interpretability رو برای همه ی محققا راحت تر و سریع تر کنه. ایده ی اصلیش اینه که فهمیدن درون مدل های زبانی به زیرساخت سنگین نیاز داره، و Neuronpedia اون زیرساخت رو به صورت open-source فراهم میکنه.
خب اما این جا اصلاً چیکار میکنه؟ محور اصلی کارش اینه که Sparse Autoencoderها (یا SAE) رو برای مدل های مختلف هاست میکنه و بهتون امکان میده روی feature های داخلی مدل ها کاوش کنید. یه SAE به زبان ساده سعی میکنه از اون فضای فشرده و پیچیده ی activation های شبکهی عصبی، feature های قابل فهم استخراج کنه، مثلاً بفهمه یه neuron خاص داره به «مفهوم دموکراسی» یا «پایتون کدنویسی» واکنش نشون میده یا نه. بیش از ۵۰ میلیون latent توی دیتابیسشه! مدلهایی مثل GPT2، Llama 3، Gemma 4 و 3، Qwen3، DeepSeek-R1 و مهم تر از همه! Qwen3.6 همه اینجان!
ابزارهایی که داره واقعاً جالبه: یه Circuit Tracer داره که میتونید ببینید وقتی مدل یه متن رو پردازش میکنه، اطلاعات از کجای مدل به کجا جریان پیدا میکنه... یه ابزار Steer هم داره که میتونید feature های خاص رو تقویت یا خاموش کنید و ببینید رفتار مدل چطور عوض میشه. یه چیز جدیدتری که اضافه کردن Natural Language Autoencoder ها هستن که سعی میکنن «افکار داخلی» مدل رو به متن انسانی ترجمه کنن! Anthropic، Google DeepMind و حتی OpenAI همه باهاش همکاری داشتن و دادههاشون رو روش هاست کردن.
یه چیزی که توجهم رو به Neuronpedia رو جلب کرد، اینه که داره به سمت پشتیبانی از J-space میره! چون توی هاگینگ فیس این صفحه شون رو دیدم که فکر کنم j-space برای اکثر مدل ها رو گذاشته!https://huggingface.co/neuronpedia/jacobian-lens
همون چیزی که توی پیپر «Verbalizable Representations Form a Global Workspace» از Anthropic معرفی شد...اگه یادتون باشه، J-space اون زیرفضای کوچیک و ممتاز داخل مدله که اطلاعات «قابل بیان» توشه، جایی که مدل قبل از تولید هر توکن داره ناخودآگاه «فکر میکنه»... Neuronpedia با Natural Language Autoencoder هایی که داره، دقیقاً داره همین کار رو میکنه: سعی میکنه اون representation های داخلی رو به زبان انسانی ترجمه کنه. یعنی همون چیزی که Jacobian lens توی پیپر انجام میده، آشکار کردن «افکار ناگفته» مدل رو، Neuronpedia داره توی یه UI تعاملی پیاده میکنه. میتونید feature به feature ببینید کِی و کجا این اطلاعات ظاهر میشن، و حتی با Steer tool شون اون representation ها رو دستکاری کنید و ببینید مدل چطور واکنش نشون میده. اگه توی اون پست قبلی خوندید که مدل موقع نوشتن شعر چند توکن قبل تر قافیه رو توی J-space داره، Neuronpedia دقیقاً اون لایه ها رو بهتون نشون میده!
منبع کد ها و توضیحات بیشتری که بهتون میده رو از خود سایت میتونید بخونید: https://www.neuronpedia.org
@ai_src
خب اما این جا اصلاً چیکار میکنه؟ محور اصلی کارش اینه که Sparse Autoencoderها (یا SAE) رو برای مدل های مختلف هاست میکنه و بهتون امکان میده روی feature های داخلی مدل ها کاوش کنید. یه SAE به زبان ساده سعی میکنه از اون فضای فشرده و پیچیده ی activation های شبکهی عصبی، feature های قابل فهم استخراج کنه، مثلاً بفهمه یه neuron خاص داره به «مفهوم دموکراسی» یا «پایتون کدنویسی» واکنش نشون میده یا نه. بیش از ۵۰ میلیون latent توی دیتابیسشه! مدلهایی مثل GPT2، Llama 3، Gemma 4 و 3، Qwen3، DeepSeek-R1 و مهم تر از همه! Qwen3.6 همه اینجان!
ابزارهایی که داره واقعاً جالبه: یه Circuit Tracer داره که میتونید ببینید وقتی مدل یه متن رو پردازش میکنه، اطلاعات از کجای مدل به کجا جریان پیدا میکنه... یه ابزار Steer هم داره که میتونید feature های خاص رو تقویت یا خاموش کنید و ببینید رفتار مدل چطور عوض میشه. یه چیز جدیدتری که اضافه کردن Natural Language Autoencoder ها هستن که سعی میکنن «افکار داخلی» مدل رو به متن انسانی ترجمه کنن! Anthropic، Google DeepMind و حتی OpenAI همه باهاش همکاری داشتن و دادههاشون رو روش هاست کردن.
یه چیزی که توجهم رو به Neuronpedia رو جلب کرد، اینه که داره به سمت پشتیبانی از J-space میره! چون توی هاگینگ فیس این صفحه شون رو دیدم که فکر کنم j-space برای اکثر مدل ها رو گذاشته!https://huggingface.co/neuronpedia/jacobian-lens
همون چیزی که توی پیپر «Verbalizable Representations Form a Global Workspace» از Anthropic معرفی شد...اگه یادتون باشه، J-space اون زیرفضای کوچیک و ممتاز داخل مدله که اطلاعات «قابل بیان» توشه، جایی که مدل قبل از تولید هر توکن داره ناخودآگاه «فکر میکنه»... Neuronpedia با Natural Language Autoencoder هایی که داره، دقیقاً داره همین کار رو میکنه: سعی میکنه اون representation های داخلی رو به زبان انسانی ترجمه کنه. یعنی همون چیزی که Jacobian lens توی پیپر انجام میده، آشکار کردن «افکار ناگفته» مدل رو، Neuronpedia داره توی یه UI تعاملی پیاده میکنه. میتونید feature به feature ببینید کِی و کجا این اطلاعات ظاهر میشن، و حتی با Steer tool شون اون representation ها رو دستکاری کنید و ببینید مدل چطور واکنش نشون میده. اگه توی اون پست قبلی خوندید که مدل موقع نوشتن شعر چند توکن قبل تر قافیه رو توی J-space داره، Neuronpedia دقیقاً اون لایه ها رو بهتون نشون میده!
منبع کد ها و توضیحات بیشتری که بهتون میده رو از خود سایت میتونید بخونید: https://www.neuronpedia.org
@ai_src
۶۵۲۱
۲۲۱۱۱۱
۲۲۱۱۱۱
میخوام یکم غیر رسمی حرف بزنم و یکمی تحلیل کنیم:
یادمه چند روز پیش بود که ی توضیح و مقایسه جالب از مدل های زبانی و کیفیتشون خوندماون مقایسه میگفت مدل های زبانی در سطح Claude 3.5 حدود دو سال پیش عرضه شدند، و مدل های متن باز در زمان الان در سطحشون هستند و بهشون رسیدندیعنی ما تونستیم با فاصله زمانی تقریبا دو سال، یک مدل متن باز مثل Qwen3.6 27B داشته باشیم که هم سطح با Sonnet 3.5 باشه و یا حتی بهتر ازش عمل کنه
پس تقریبا میشه به این نتیجه رسید که کمتر از دوسال آینده، ما یک مدل هم سطح با FABLE 5 اونم لوکال داشته باشیم که بتونیم روی سخت افزار های معمولی اجراش کنیم؛ عین نظریه/قانون مور برای سخت افزار ها و کیفیتشون....
ولی متاسفانه باید بگم دستیابی عموم جامعه اوپن سورس به همچین چیزی دور از ذهن خواهد بودچرا؟چون موانع بسیار زیادی براش هست:مثلا یکی از مانع هاش ممکنه این باشه: در همین چند روز بحث این هست که دولت آمریکا قوانینی بر سر مدل های متن باز هوش مصنوعی(بخصوص بر سر پلتفرم هاشون مثل huggingface) وضع کنه!مثلا ی قانون ممکنه این باشه که هیچ مدلی بدون تایید دولت منتشر نشه و یا غیره...سوال پیش میاد که آخه چرا؟!
بذارید دلیلش رو با ی داستان و اصل بگم:هر علم و تکنولوژی که اوایل کارش به دنیا میاد، اولش دست عده خیلی خیلی کمی هست؛ مثلا صد نفر؛ این صد نفر با قدم های مورچه ای و کوچیکی که شاید در طی یک سال بردارند، اون علم و تکنولوژی رو خیلی کم پیشرفت میدن و باعث میشن بدست هزاران نفر برسه.در مرحله بعد، که فاز دوم اون تکنولوژی هست، بهش میگم پرورش و رشد اون علم و تکنولوژی؛ که توی این مرحله، اون هزاران نفر، باعث رشد و گسترش چشم گیری برای اون علم و تکنولوژی میشن و اون رو به دست شاید صد ها هزار نفر، یا شاید میلیون ها نفر، در یک سطح نیمه پخته ای میرسونن!
در همین حین، همون کسانی که از اولین منتشر کنندگان اون علم بودند، دارند این میوه نیمه رسیده رو میبینن و خودشون هم به صورت خصوصی پرورش میدن(مثل گوگل و OpenAI واسه هوش مصنوعی)
و اما مرحله آخر!وقتی اون علم و تکنولوژی به حدی رسید که:
یا همه نتونستند بهش دست پیدا کنند و به طرز هنگفتی سود ده شدیا موازنه قدرت رو در یک سطح اجتماعی(مثل فضای اینترنت یا حتی بین کشور ها) برهم زدیا چیزای مشابه دیگه که الان یادم نمیاد،
اینجاست که میگن باید اون علم و تکنولوژی از دسترس اون میلیون ها نفر گرفته بشه و به همون صد یا هزار نفر اولی برگرده!
حالا اصن این همه خزعبلات چه ربطی به ما داشت؟!
همونطور که گفتیم حدود دو سال آینده، ما مدل های قوی ای خواهیم داشت که میتونیم توی خونه بعضی هامون اجرا کنیم...و اون مدل ها، یعنی احساس زنگ خطر در اون حالت های بالا به صدا در اومده و باید جلوش گرفته بشه...بهونه دولت آمریکا این هست که ممکنه از لحاظ امنیتی مشکل ساز بشه، خب بله! شکی درش نیست!ولی اینکه بخوان جلوی انتشار چنین مدل هایی رو بگیرن و یا دسترس عموم رو ازش بردارند، چیز درستی نیست؛ مثل چیزی که داریو آمودی رئیس آنتروپیک گفت:«باید راه های بهتری برای امن کردن این مدل ها باشه و نیاز به یک راه حل عمومی مشترک هست»
و این خبر که شاید دولت آمریکا هم دست به چنین اقداماتی بر علیه جامعه اوپن سورس و هوش مصنوعی بزنه، از این نوع داستان هاست...باید دید که دولت ها میخوان چطور با این مورد برخورد کنند و اصلا این گمانه زنی ها درسته یا خیر...
ادیت و پ.ن:بگذریم که یکی دیگه از ترس های آمریکا از مدل های چینی هست که با نصف هزینه، همون سطح از هوش و ذکاوت رو ارائه میدن!
اینا همه اش نظر های شخصی بود و میتونید این پست نادیده بگیرید
@ai_src
یادمه چند روز پیش بود که ی توضیح و مقایسه جالب از مدل های زبانی و کیفیتشون خوندماون مقایسه میگفت مدل های زبانی در سطح Claude 3.5 حدود دو سال پیش عرضه شدند، و مدل های متن باز در زمان الان در سطحشون هستند و بهشون رسیدندیعنی ما تونستیم با فاصله زمانی تقریبا دو سال، یک مدل متن باز مثل Qwen3.6 27B داشته باشیم که هم سطح با Sonnet 3.5 باشه و یا حتی بهتر ازش عمل کنه
پس تقریبا میشه به این نتیجه رسید که کمتر از دوسال آینده، ما یک مدل هم سطح با FABLE 5 اونم لوکال داشته باشیم که بتونیم روی سخت افزار های معمولی اجراش کنیم؛ عین نظریه/قانون مور برای سخت افزار ها و کیفیتشون....
ولی متاسفانه باید بگم دستیابی عموم جامعه اوپن سورس به همچین چیزی دور از ذهن خواهد بودچرا؟چون موانع بسیار زیادی براش هست:مثلا یکی از مانع هاش ممکنه این باشه: در همین چند روز بحث این هست که دولت آمریکا قوانینی بر سر مدل های متن باز هوش مصنوعی(بخصوص بر سر پلتفرم هاشون مثل huggingface) وضع کنه!مثلا ی قانون ممکنه این باشه که هیچ مدلی بدون تایید دولت منتشر نشه و یا غیره...سوال پیش میاد که آخه چرا؟!
بذارید دلیلش رو با ی داستان و اصل بگم:هر علم و تکنولوژی که اوایل کارش به دنیا میاد، اولش دست عده خیلی خیلی کمی هست؛ مثلا صد نفر؛ این صد نفر با قدم های مورچه ای و کوچیکی که شاید در طی یک سال بردارند، اون علم و تکنولوژی رو خیلی کم پیشرفت میدن و باعث میشن بدست هزاران نفر برسه.در مرحله بعد، که فاز دوم اون تکنولوژی هست، بهش میگم پرورش و رشد اون علم و تکنولوژی؛ که توی این مرحله، اون هزاران نفر، باعث رشد و گسترش چشم گیری برای اون علم و تکنولوژی میشن و اون رو به دست شاید صد ها هزار نفر، یا شاید میلیون ها نفر، در یک سطح نیمه پخته ای میرسونن!
در همین حین، همون کسانی که از اولین منتشر کنندگان اون علم بودند، دارند این میوه نیمه رسیده رو میبینن و خودشون هم به صورت خصوصی پرورش میدن(مثل گوگل و OpenAI واسه هوش مصنوعی)
و اما مرحله آخر!وقتی اون علم و تکنولوژی به حدی رسید که:
یا همه نتونستند بهش دست پیدا کنند و به طرز هنگفتی سود ده شدیا موازنه قدرت رو در یک سطح اجتماعی(مثل فضای اینترنت یا حتی بین کشور ها) برهم زدیا چیزای مشابه دیگه که الان یادم نمیاد،
اینجاست که میگن باید اون علم و تکنولوژی از دسترس اون میلیون ها نفر گرفته بشه و به همون صد یا هزار نفر اولی برگرده!
حالا اصن این همه خزعبلات چه ربطی به ما داشت؟!
همونطور که گفتیم حدود دو سال آینده، ما مدل های قوی ای خواهیم داشت که میتونیم توی خونه بعضی هامون اجرا کنیم...و اون مدل ها، یعنی احساس زنگ خطر در اون حالت های بالا به صدا در اومده و باید جلوش گرفته بشه...بهونه دولت آمریکا این هست که ممکنه از لحاظ امنیتی مشکل ساز بشه، خب بله! شکی درش نیست!ولی اینکه بخوان جلوی انتشار چنین مدل هایی رو بگیرن و یا دسترس عموم رو ازش بردارند، چیز درستی نیست؛ مثل چیزی که داریو آمودی رئیس آنتروپیک گفت:«باید راه های بهتری برای امن کردن این مدل ها باشه و نیاز به یک راه حل عمومی مشترک هست»
و این خبر که شاید دولت آمریکا هم دست به چنین اقداماتی بر علیه جامعه اوپن سورس و هوش مصنوعی بزنه، از این نوع داستان هاست...باید دید که دولت ها میخوان چطور با این مورد برخورد کنند و اصلا این گمانه زنی ها درسته یا خیر...
ادیت و پ.ن:بگذریم که یکی دیگه از ترس های آمریکا از مدل های چینی هست که با نصف هزینه، همون سطح از هوش و ذکاوت رو ارائه میدن!
اینا همه اش نظر های شخصی بود و میتونید این پست نادیده بگیرید
@ai_src
۲۲۱۱۱۱