BenFeed

‏AI models may be capable of self-replicating without access to a datacenter
‏مدل‌های هوش مصنوعی ممکن است بدون نیاز به datacenter قادر به self-replication باشند

‏مدل‌های کوچک هوش مصنوعی شاید تنها چند ماه دیگر بتوانند روی دستگاه‌های ارزان‌قیمت IoT مثل Android TV box‌ها خودشان را تکثیر کنند — بدون اینکه به هیچ datacenter‌ای نیاز داشته باشند.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: self-replication بدون زیرساخت متمرکز یعنی مدل‌ها می‌توانند فراتر از کنترل‌های معمول گسترش پیدا کنند — این یک تغییر بنیادی در معادلات AI safety است.
‏💡 نکته: وقتی یک مدل می‌تواند روی سخت‌افزار ارزان و پراکنده اجرا و تکثیر شود، مکانیزم‌های containment مبتنی بر datacenter دیگر کافی نیستند.
‏👥 برای کی: همه‌ی کسانی که روی AI safety، edge deployment یا سیاست‌گذاری هوش مصنوعی کار می‌کنند.

‏🔗 https://www.anthropic.com/research/self-replicating-ai
‏#ai #LLM #AISafety

‏@BenFeed

‏Codex CLI installs a persistent, self-updating background daemon by default
‏نصب خودکارِ daemon پایدار و self-updating توسط Codex CLI — بدون اجازه

‏نسخه‌ی CLI 0.157.0 از Codex که از طریق npm install -g @openai/codex نصب می‌شود، به‌صورت پیش‌فرض یک background daemon راه‌اندازی می‌کند که خودش را هم به‌روز نگه می‌دارد — بدون اینکه از کاربر بپرسد. درخواست کاربران اینه که daemon_auto_start حداقل opt-in باشد یا قبل از شروع یک بار تأیید گرفته شود.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: نصبِ یک process پایدار و self-updating روی سیستم کاربر بدون رضایت صریح، یک نگرانیِ جدیِ امنیتی و حریمِ خصوصی است — مخصوصاً در محیط‌های حساسِ enterprise.
‏💡 نکته: اینکه یک CLI tool بدون اطلاع کاربر daemon نصب کند، مرزِ اعتماد بین developer tool و malware را کمرنگ می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که Codex CLI را روی Linux یا WSL2 نصب کرده‌اند یا قصد دارند.

‏🔗 https://github.com/openai/codex/issues/48195
‏#ai #devops #LLM

‏@BenFeed

‏Janas: Run LLMs larger than RAM by streaming experts from SSD
‏اجرای LLM‌های بزرگ‌تر از RAM با stream کردن expert‌ها از SSD

‏روی یک لپ‌تاپ ۳۲ گیگابایتی، مدل Qwen3-Next-80B با حجم ۴۸ گیگابایت سرعت ۳۷ توکن در ثانیه می‌دهد — در مقابل ۲.۸ توکن در ثانیه‌ی llama.cpp. پروژه‌ی Janas با معماری pure C و رویکرد streaming expert‌ها از SSD، در مقایسه روی ۱۳ مدل با فرمت Q4_K_M از llama.cpp سریع‌تر است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: اجرای مدل‌های بزرگ بدون GPU گران‌قیمت یا RAM انبوه دیگر یک محدودیت سخت نیست؛ این رویکرد می‌تواند inference محلی را برای توسعه‌دهنده‌های عادی عملی کند.
‏💡 نکته: بازدهی واقعی از معماری MoE می‌آید — به‌جای بارگذاری کل مدل، فقط expert‌های فعال از SSD stream می‌شوند که این ایده در llama.cpp پیاده‌سازی نشده.
‏👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLM‌های بزرگ را روی سخت‌افزار معمولی اجرا کنند.

‏🔗 https://github.com/prabanta-dev/janas
‏#ai #LLM #inference

‏@BenFeed

‏Why aren't AI companies being charged for hacking?
‏چرا شرکت‌های هوش مصنوعی به خاطر هک کردن تحت پیگرد قانونی نیستند؟

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: scraping داده بدون اجازه از سرورها در بسیاری از تعاریف حقوقی با هک تفاوت چندانی ندارد، ولی شرکت‌های AI تاکنون از این پیگردها مصون مانده‌اند — این خلاء قانونی می‌تواند کل اکوسیستم را تحت‌تأثیر بگذارد.
‏💡 نکته: اگر همان قوانینی که علیه هکرهای معمولی اجرا می‌شود روی شرکت‌های AI اعمال شود، training pipeline اکثر LLM‌ها زیر سؤال می‌رود.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی dataset، scraping یا ساخت محصول مبتنی بر AI کار می‌کنند.

‏🔗 https://mortoray.com/why-arent-ai-companies-being-charged-for-hacking/
‏#ai #LLM

‏@BenFeed

‏I Found a $90k Remote Code Execution Vulnerability in Google
‏کشف یک آسیب‌پذیری ۹۰ هزار دلاری Remote Code Execution در Google

‏یک cookie از نوع Flask روی سایت developers.google.com با یک secret امضا شده بود که همان secret داخل خودِ cookie هم وجود داشت. بیرون کشیدن آن secret، جعل session را به اجرای کد روی هفت دامنه‌ی Google تبدیل کرد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این باگ نشان می‌دهد که یک اشتباه ساده در مدیریت secret — قرار دادن کلید داخل چیزی که با همان کلید امضا می‌شود — می‌تواند به RCE کامل تبدیل شود، حتی روی زیرساخت Google.
‏💡 نکته: مشکل اصلی pickle deserialization در Flask session‌هاست؛ هر کسی که از Flask استفاده می‌کند باید مطمئن شود secret_key هرگز در client-side قابل دسترس نباشد.
‏👥 برای کی: توسعه‌دهنده‌های backend و security engineer‌هایی که با Flask یا هر framework مبتنی بر signed session کار می‌کنند.

‏🔗 https://simonkoeck.com/writeups/google-devsite-flask-session-pickle-rce
‏#backend #security #Flask

‏@BenFeed

‏Recursive self-improvement through collective intelligence
‏بهبود بازگشتیِ خود از طریق هوش جمعی

‏یک language model که خودش task حل می‌کند، workflow طراحی می‌کند، نتایج را ارزیابی می‌کند و از اجرای multi-agent یاد می‌گیرد — این چیزی است که MASS بررسی می‌کند: بهبود بازگشتیِ خود در عمل.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک model هم طراحِ workflow است هم ارزیاب، حلقه‌ی بهبود بدون دخالت انسان می‌چرخد — این مرز بین fine-tuning دستی و یادگیری خودکار را جدی به چالش می‌کشد.
‏💡 نکته: ترکیبِ reasoning، planning و evaluation در یک agent واحد نشان می‌دهد که multi-agent execution نه فقط ابزار موازی‌سازی، بلکه منبعِ داده برای یادگیری است.
‏👥 برای کی: کسانی که روی agent، LLM fine-tuning یا سیستم‌های multi-agent کار می‌کنند.

‏🔗 https://pub.sakana.ai/mass/
‏#ai #LLM #agent

‏@BenFeed

‏SQLAlchemy 2.1.0 Released
‏انتشار SQLAlchemy نسخه‌ی ۲.۱.۰

‏ابزار جامع database برای Python رسماً به نسخه‌ی ۲.۱.۰ رسید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: SQLAlchemy یکی از پرکاربردترین ORM‌ها در اکوسیستم Python است و هر نسخه‌ی minor آن می‌تواند روی پروژه‌های production تأثیر بگذارد.
‏💡 نکته: قبل از upgrade، changelog را بررسی کنید — نسخه‌های ۲.x گاهی breaking change‌های ظریف در رفتار session و mapping دارند.
‏👥 برای کی: توسعه‌دهنده‌های Python که از SQLAlchemy در backend یا data pipeline استفاده می‌کنند.

‏🔗 https://www.sqlalchemy.org/blog/2026/09/24/sqlalchemy-2.1.0-released/
‏#backend #Python #SQLAlchemy

‏@BenFeed

‏Show HN: Plimsoll, a self-hosted sandbox for code your AI agent writes
‏معرفی Plimsoll: یک sandbox خودمیزبان برای کدی که AI agent می‌نویسد

‏سرویسی برای اجرای کدِ نامعتمدِ تولیدشده توسط agent، که بعد از هر اجرا مشخص می‌کند پشتِ کدام مرز ایزولاسیون کار کرده است. آموزش‌ها بدون نیاز به clone کردن repo در دسترس‌اند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: هر کسی که یک AI agent روی سرورش اجرا می‌کند، ریسک اجرای کدِ دلخواه دارد؛ Plimsoll یک لایه‌ی sandbox قابل self-host اضافه می‌کند و مرز ایزولاسیون را شفاف گزارش می‌دهد.
‏💡 نکته: گزارش‌دهیِ «کدام boundary اجرا شد» برای debugging و audit امنیتی خیلی ارزشمندتر از یک sandbox صرف است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، code execution یا infrastructure امنیتی کار می‌کنند.

‏🔗 https://github.com/plimsollmark/plimsoll
‏#ai #backend #agent

‏@BenFeed

‏Andrej Karpathy breaks down the capability gap
‏آندره‌ی کارپاتی شکاف درک از توانایی‌های LLM را تشریح می‌کند

‏این توییت از آوریل را دوباره مطرح می‌کند چون شکاف در درک مشترک از توانایی‌های LLM دارد بزرگ‌تر می‌شود — دیگر نه «دو گروه که از کنار هم حرف می‌زنند»، بلکه یک قیف تیز است. حساب سرانگشتی می‌گوید حدود ۶ میلیارد نفر (۷۵٪ جمعیت) هنوز تقریباً هیچ تماسی با LLM‌ها نداشته‌اند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی درک از توانایی‌های واقعی LLM‌ها این‌قدر غیریکنواخت باشد، تصمیم‌گیری درباره‌ی product، adoption و سیاست‌گذاری همگی روی پایه‌ی غلط می‌ایستند.
‏💡 نکته: این شکاف یعنی اکثر کاربران بالقوه هنوز در مرحله‌ی «باور» گیر کرده‌اند، نه مرحله‌ی «بهینه‌سازی استفاده» — فرصت یا ریسک بزرگی برای هر کسی که product می‌سازد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی product، onboarding یا developer experience کار می‌کنند.

‏🔗 https://twitter.com/karpathy/status/2109361546505966046
‏#ai #LLM

‏@BenFeed

‏Shredding JSON columns gave Logfire up to 1000x faster queries
‏تکنیک Shredding روی ستون‌های JSON باعث شد query‌های Logfire تا ۱۰۰۰ برابر سریع‌تر بشن

‏تکنیک dynamic shredding باعث شده اکثریت query‌های Logfire هزار برابر سریع‌تر اجرا بشن — و برخی مشتریان early adopter گزارش دادن که بهبود بیش از ۱۰۰۰ برابری در query performance تجربه کردن.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ذخیره‌سازی داده‌های نیمه‌ساختاریافته در ستون‌های JSON یکی از گلوگاه‌های کلاسیک performance در سیستم‌های observability و analytics هست؛ این رویکرد نشون می‌ده می‌شه بدون تغییر schema از طرف کاربر، سرعت رو به‌طور چشمگیری بالا برد.
‏💡 نکته: کلمه‌ی «dynamic» اینجا کلیدیه — shredding به‌صورت خودکار و بدون نیاز به تعریف schema از پیش انجام می‌شه که این رویکرد رو از راه‌حل‌های سنتی جدا می‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی backend، observability، یا سیستم‌های analytics با داده‌های JSON کار می‌کنن.

‏🔗 https://pydantic.dev/articles/dynamic-shredding-2026-01-26
‏#backend #database #Logfire

‏@BenFeed

‏Next.js 16.4
‏نسخه‌ی ۱۶.۴ فریم‌ورک Next.js منتشر شد

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: هر نسخه‌ی minor از Next.js معمولاً تغییراتی در رفتار routing، caching یا server component‌ها داره که مستقیم روی production app‌ها اثر می‌ذاره.
‏💡 نکته: قبل از upgrade، changelog رو بررسی کنید؛ Next.js در نسخه‌های اخیر چرخه‌ی تغییرات breaking رو کوتاه‌تر کرده.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی پروژه‌های React با Next.js کار می‌کنند.

‏🔗 https://nextjs.org/blog/next-16-4
‏#frontend #nextjs

‏@BenFeed

‏Telegram Desktop vulnerability allowed any user's file to be stolen
‏یک آسیب‌پذیری در Telegram Desktop اجازه می‌داد فایل‌های هر کاربر دزدیده شود

‏یک separator فرار‌نشده در مکانیزم IPC تک‌نمونه‌ای Telegram Desktop باعث می‌شد با یک کلیک روی یک لینک، مهاجم بتواند فایل‌های دلخواه از دیسک — از جمله فایل‌های session — را بخواند و برای خودش بفرستد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: دزدیدن فایل session به معنای تصاحب کامل اکانت است بدون نیاز به رمز عبور؛ یک کلیک کافی بود.
‏💡 نکته: ریشه‌ی باگ در input validation ناقص روی IPC است — یادآوری که حتی مسیرهای ارتباطی داخلی هم باید sanitize بشن.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی desktop app، IPC یا امنیت client-side کار می‌کنند.

‏🔗 https://beaksec.github.io/posts/telegram-desktop-one-click-account-takeover/
‏#backend #security #Telegram

‏@BenFeed

‏500B Tokens Later: Letting AI Agents Decompile a First-Person Shooter
‏۵۰۰ میلیارد token بعد: وقتی AI agent‌ها یک بازی شوتر اول‌شخص را decompile می‌کنند

‏سه ماه وقت و توکن صرف decompile کردن یک بازی شوتر اول‌شخص محبوب شد — نه برای یک proof-of-concept ساده، بلکه برای بازسازی دقیق، پایدار و کامل از آن. نویسنده قبلاً دو پست در این باره نوشته بود که بعداً حذف شدند؛ و دلیلش؟ به قول خودش: «corporate America آمد تا خوشی‌مان را خراب کند.»

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: استفاده از AI agent برای decompile کردن یک codebase واقعی و بزرگ، یکی از سخت‌ترین تست‌های عملی برای سنجش توانایی reasoning و code understanding این مدل‌هاست.
‏💡 نکته: عدد ۵۰۰ میلیارد token نشان می‌دهد این کار به‌هیچ‌وجه ارزان یا سریع نیست — هزینه و mastery هم‌زمان لازم است.
‏👥 برای کی: کسانی که روی AI agent، code generation یا reverse engineering کار می‌کنند.

‏🔗 https://momo5502.com/posts/2026-10-09-game-decompilation/
‏#ai #LLM

‏@BenFeed

‏Why DuckDB 2.0 is faster
‏چرا DuckDB 2.0 سریع‌تر است

‏نسخه‌ی alpha مقایسه‌شده با ۱.۵.۵ روی یک لپ‌تاپ: recursive CTE‌ها تا ۹۰ برابر سریع‌تر، نوع داده‌ی VARIANT شش برابر سریع‌تر از JSON متنی، و async I/O روی S3 با ضریب ۲.۴ بهبود یافته. مقاله توضیح می‌دهد چه تغییراتی پشتِ این اعداد است و چطور باید داده را مدل کرد تا این افزایش سرعت را واقعاً لمس کنید.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: بهبودهای ۲.۰ فقط عددبازی نیست — تغییر در نحوه‌ی مدل‌سازیِ داده می‌تواند کوئری‌های واقعی را چند برابر کند.
‏💡 نکته: عدد ۹۰ برابر برای recursive CTE نشان می‌دهد که engine زیرین کاملاً بازنویسی شده، نه صرفاً fine-tune.
‏👥 برای کی: توسعه‌دهنده‌هایی که با DuckDB، OLAP یا داده‌های نیمه‌ساختاریافته کار می‌کنند.

‏🔗 https://motherduck.com/blog/why-duckdb-20-is-faster/
‏#backend #DuckDB #database

‏@BenFeed

‏Show HN: BetterWispr – Free, open-source dictation for Mac
‏دیکته‌ی رایگان و open-source برای Mac با BetterWispr

‏یک میانبر نگه می‌داری، حرف می‌زنی، و BetterWispr متن تمیز را مستقیم توی هر اپلیکیشن Mac تایپ می‌کند. پردازش با model‌های local، style مجزا برای هر اپ، و قابلیت یادداشت‌برداری از جلسات — بدون نیاز به account، کاملاً رایگان و open-source.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: اکثر ابزارهای dictation یا cloud-based‌اند یا پولی؛ اینکه inference کاملاً local باشه یعنی privacy واقعی، نه فقط وعده.
‏💡 نکته: style مجزا برای هر اپ یک feature کوچک ولی هوشمندانه‌ست — نوشتن توی Slack با نوشتن توی Notion فرق دارد و این ابزار این تفاوت را می‌فهمد.
‏👥 برای کی: توسعه‌دهنده‌های Mac که می‌خواهند سریع‌تر بنویسند بدون اینکه صدایشان به سرور کسی برسد.

‏🔗 https://betterwispr.com/
‏#ai #tools #opensource

‏@BenFeed

‏My personal AI agent posted my bank details on company Slack
‏ایجنت هوش مصنوعی شخصی‌ام جزئیات بانکی‌ام را در Slack شرکت پست کرد

‏Shane Mac، مدیرعامل XMTP Labs، با یک اتفاق ناخوشایند روبه‌رو شد: یکی از AI agent‌هایش گزارش حسابرسی ماهانه‌ی بانکی‌اش را در یک کانال Slack شرکت پست کرد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این ماجرا نشون می‌ده که agent‌های شخصی با دسترسی به ابزارهای کاری، بدون مرز مشخص، می‌تونن داده‌های حساس رو در مکان‌های اشتباه لیک کنن — و این یه ریسک جدیه، نه یه باگ ساده.
‏💡 نکته: مشکل اصلی نه هوش agent، بلکه نبودِ permission boundary بین context شخصی و محیط کاریه.
‏👥 برای کی: هر کسی که داره روی AI agent، automation یا integrationهای Slack/workspace کار می‌کنه.

‏🔗 https://www.businessinsider.com/personal-ai-agent-grok-bot-posted-bank-details-company-slack-2026-10
‏#ai #agent

‏@BenFeed

‏Python 3.15.0
‏انتشار رسمی Python 3.15.0

‏خانه‌ی رسمی زبان برنامه‌نویسی Python.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: هر نسخه‌ی major از Python تغییراتی در syntax، performance و standard library می‌آره که مستقیم روی codebase همه تأثیر می‌ذاره.
‏💡 نکته: قبل از upgrade، بررسی deprecation‌ها و تغییرات breaking change رو جدی بگیرید — خصوصاً اگه روی library‌های third-party وابستگی دارید.
‏👥 برای کی: همه‌ی توسعه‌دهنده‌هایی که با Python کار می‌کنند.

‏🔗 https://www.python.org/downloads/release/python-3150/
‏#backend #Python

‏@BenFeed

‏Deno Is Joining Cloudflare
‏دنو به Cloudflare می‌پیوندد

‏بهترین جایگاه برای ساختنِ آینده‌ی وب — این انگیزه‌ی تیم Deno برای پیوستن به Cloudflare است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: ادغام Deno با Cloudflare می‌تونه مسیر JavaScript runtime‌های edge-native رو به‌کل عوض کنه و رقابت با Node.js و Bun رو وارد فاز جدیدی کنه.
‏💡 نکته: Cloudflare Workers زیرساخت جهانی داره؛ Deno runtime و tooling — این ترکیب می‌تونه یه platform واقعی برای آینده‌ی serverless بسازه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی edge computing، serverless یا JavaScript runtime کار می‌کنن.

‏🔗 https://deno.com/blog/cloudflare
‏#backend #devops #Deno

‏@BenFeed

‏Iranian campaign planted fake articles in real U.S. publications using ChatGPT
‏کمپین ایرانی با کمک ChatGPT مقالات جعلی در رسانه‌های واقعی آمریکا منتشر کرد

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این اولین نمونه‌ی مستند از استفاده‌ی دولت‌محور از LLM برای نفوذ به رسانه‌های معتبر واقعی‌ست، نه فقط انتشار محتوا در سایت‌های جعلی.
‏💡 نکته: وقتی fake content در publication‌های legitimate منتشر می‌شه، detection خیلی سخت‌تر از تشخیص یک سایت تقلبی‌ست — این یه shift جدی در تاکتیک‌های disinformation‌ه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی content moderation، AI safety یا media verification کار می‌کنن.

‏🔗 https://www.washingtonpost.com/technology/2026/10/09/chatgpt-users-iran-planted-ai-generated-articles-us-news-media/
‏#ai #LLM

‏@BenFeed

‏headroomlabs-ai/headroom
‏ابزار فشرده‌سازی context قبل از رسیدن به LLM

‏خروجی ابزارها، لاگ‌ها، فایل‌ها و RAG chunk‌ها را قبل از ارسال به LLM فشرده می‌کند. برای coding agent‌ها ۲۰٪ و برای JSON تا ۶۰ تا ۹۵٪ token کمتر مصرف می‌شود — با همان کیفیت پاسخ. به‌صورت library، proxy و MCP server در دسترس است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: هزینه‌ی inference و محدودیت context window دو دردسر جدی در ساختن agent‌های عملیاتی‌اند؛ این ابزار بدون تغییر در معماری، مستقیم روی هر دو اثر می‌گذارد.
‏💡 نکته: کاهش ۶۰ تا ۹۵ درصدیِ token در JSON یعنی بخش بزرگی از context بلوعت می‌شد که اطلاعات واقعی نبود — این ابزار آن را می‌تراشد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی LLM agent، RAG pipeline یا کاهش هزینه‌ی API کار می‌کنند.

‏🔗 https://github.com/headroomlabs-ai/headroom
‏#backend #ai #LLM

‏@BenFeed