Linuxor ?

چی شد که USB اختراع شد؟

@Linuxor ~ setiyartech

تا چند سال پیش خیلی از ابزارهای هوش مصنوعی پزشکی فقط یه نتیجه تحویل می‌دادن؛ مثلاً می‌گفتن این بیماری محتمله یا این درمان پیشنهاد میشه، ولی معلوم نبود دقیقاً بر چه اساسی به این نتیجه رسیدن. الان کم‌کم تمرکز داره میره سمت Explainable AI؛ یعنی هوش مصنوعی‌ای که علاوه بر جواب، مسیر رسیدن به اون جواب رو هم نشون میده. مثلاً به مقالات علمی استناد می‌کنه، اعتبار شواهد رو مشخص می‌کنه، تداخل داروها و مکمل‌ها رو بررسی می‌کنه و توضیح میده چرا یک گزینه از بقیه مناسب‌تره.

این موضوع برای پزشکی خیلی مهمه، چون پزشک نمی‌تونه صرفاً به خروجی یه مدل اعتماد کنه. هر تصمیم درمانی باید قابل بررسی و قابل دفاع باشه و در نهایت مسئولیتش هم با خود پزشکه. از طرف دیگه، بیماران هم بیشتر از قبل درباره بیماری‌هاشون تحقیق می‌کنن و انتظار دارن دلیل هر تصمیم درمانی رو بدونن. احتمالاً آینده هوش مصنوعی در حوزه سلامت فقط به ساخت مدل‌های قوی‌تر خلاصه نمیشه؛ مدل‌هایی برنده میشن که علاوه بر دقت بالا، شفاف باشن، منابعشون رو نشون بدن و بشه به استدلالشون اعتماد کرد.


@Linuxor

هوش مصنوعی رو می‌شه مثل یه بانک درنظر گرفت که بهتون وام فنی می‌ده (وام فنی یعنی وامی که پول نیست بجای پول دانشه) حالا این وام فنی از دید شما یه بدهی فنی هستش و باید یه روزی پسش بدید، بدهی فنی ده ها ساله توی مهندسی نرم افزار استفاده می‌شه و می‌تونه خیلی کمک کنه پیشرفت کنید و یا بر عکس اولش بهتون شتاب بده بعدش دهنتون رو سرویس کنه.


خیلیارو دیدم دیگه شل کردن و چیز جدیدی یاد نمی‌گیرن، این کار اشتباهه چون علم و دانش شما قدرت بازپرداخت این وام هست اگر علم و دانشتون رو بالا نبرید روزی خواهد رسید که توی انبوهی از پروداکت های نیمه کاره قفل شدید و دست روی هرچی می‌زارید نمی‌تونید کاملش کنید.


@Linuxor

اینجارو ببینید چی درست کردن با هوش مصنوعی، یه تخته وایت برد که با ماژیک روش مینویسید و هوش مصنوعی هم همکاری باهاتون میکنه خوراک ساخت آموزشه و کلاس های آنلاینه.

دقت کنید پروژه اوپن سورسه باید خودتون برای خودتون رانش کنید سایت نیست :

github.com/penecho/penecho

@Linuxor

یه پروژه خیلی جالب برای کسایی که می‌خوان بفهمن پشت صحنه‌ی LLMها چی می‌گذره ساخته شده. این ریپو قدم‌به‌قدم نشون می‌ده چطور یه مدل زبانی رو از صفر بسازید؛ از جمع‌آوری و آماده‌سازی داده‌ها گرفته تا ساخت کامل معماری Transformer با PyTorch و در نهایت اینکه مدل چطور شروع به تولید متن می‌کنه. حتی بخش‌هایی مثل Attention، Multi-Head Attention، بلاک‌های Transformer و کل ساختار مدل هم خودشون از صفر پیاده‌سازی شدن و با توضیحات و نمودارهای ساده توضیح داده شدن.


github.com/FareedKhan-dev/train-llm-from-scratch

@Linuxor

مدل Qwen 3.5-9B-Aggressive-Uncensored حسابی سر و صدا کرده
بیشتر از 500 هزار بار دانلود شده و بدون هیچ محدودیت یا فیلتر محافظتی، حتی روی کارت گرافیک‌هایی مثل RTX 4060 به‌صورت لوکال اجرا می‌شه.

این یکی از اون مدل‌های اوپن‌سورسه که خیلی از دولوپرها برای خلاقیت آزاد، کدنویسی و کارهای بدون محدودیت سراغش رفتن؛ خوبیش اینه پشتیبانی چندزبانه قوی داره و قابلیت چندوجهی (متن + تصویر) داره و قابلیت Chain of Thought (استدلال مرحله‌به‌مرحله) داره و نسخه‌های GGUF داره که نصب و اجرای لوکال رو راحت‌تر می‌کنه
برای اجرا هم بسته به نسخه‌ای که انتخاب می‌کنی سخت‌افزار متفاوتی نیاز داری:

نسخه Q6_K (حدود 7 گیگابایت): بهتره حداقل 12 تا 16 گیگ رم داشته باشی.

نسخه Q8_0 (حدود 9 گیگابایت): برای اجرای روان‌تر حدود 16 تا 24 گیگ رم پیشنهاد می‌شه.

نسخه BF16 (حدود 17 گیگابایت): بهتره 24 تا 32 گیگ رم یا سخت‌افزار قوی‌تر داشته باشی؛ برای سیستم‌های معمولی خیلی بهینه نیست.

huggingface.co/HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive

@Linuxor

محتوای بیش از 1800 سایت رو با یه نرم‌افزار دانلود کن؛ شاید این کامل‌ترین دانلودر متن‌باز باشه!

اگر همیشه برای دانلود از YouTube، Instagram، TikTok، Reddit، Udemy، Hotmart، Bilibili یا حتی فایل‌های Torrent مجبور بودی چند ابزار مختلف نصب کنی، وقتش رسیده با OmniGet آشنا بشی

انتخاب کیفیت و فرمت خروجی
دانلود گروهی و صف دانلود حرفه‌ای
دانلود بخشی از ویدیو یا استخراج فقط صدا
پخش‌کننده داخلی ویدیو و موسیقی
کتاب‌خوان داخلی برای PDF و EPUB
مبدل فایل با FFmpeg
میانبر سراسری؛ فقط لینک را کپی کن و با یک کلید دانلود را شروع کن

به نظرم یکی از کامل‌ترین پروژه‌های Open Source امسال برای مدیریت دانلود هستش و ارزش داره حداقل یه بار امتحانش کنین :


github.com/tonhowtf/omniget


@Linuxor ~ pedrambirack

می‌خوای بفهمی کامپیوترها واقعاً چطور کار می‌کنن؟

ساختن وبسایت هارو فعلاً بی‌خیال شو یه کرنل سیستم‌عامل رو از صفر با Rust بساز :

1. راه‌اندازی Rust روی سخت‌افزار واقعی (Bare-metal)
2. ساخت حالت متنی اختصاصی برای VGA
3. مدیریت وقفه‌های CPU و Paging
4. مدیریت حافظه از پایه و اصول اولیه

این یکی از مهم‌ترین مسیرهای یادگیری برای مهندس‌های سیستمه؛ یه جور مرحله‌ی عبور از دنیای برنامه‌نویسی معمولی به دنیای عمیق سیستم‌ها.

زبان فارسی هم داره و هنوز ترجمش کامل نیست :

os.phil-opp.com


@Linuxor

یه نکته جالب برای فریلنسر ها و کسایی که روی پروژه های بدون آقا بالاسر کار می‌کنن

اگه پلن هفت روزه برای انجام پروژه بچینید شیش روز استراحت میکنید و روز آخر شروع به کار میکنید اگر بازه زمانی یک روزه بچینید 23 ساعت استراحت میکنید و ساعت اخر کارو شروع میکنید، فرمولش جالب نیستش؟ همیشه دارید انتهای بازه کار رو انجام میدید پس هرچقدر بازه رو کوچیک تر کنید بیشتر به نفعتونه چون میدونید در نهایت آخر اون بازه شروع به انجامش میکنید پس بهتره بازه رو تا حد امکان کوچیک کنید مثلا یک ساعته یا کمتر. ایلان ماسک از بازه های 5 دقیقه ای استفاده می‌کرد که البته برای کار شدیده.

@Linuxor

با استفاده از این ابزار اوپن سورس هوش مصنوعی به اسم PriceGhost، ارزان‌ترین محصولات رو توی اینترنت پیدا کنید (می‌تونید باهاش یه چیزی شبیه ترب درست کنید روی سایت های خارجی مثل آمازون و... تست شده)

این ابزار، زمان تحویل، کیفیت، مشخصات، هزینه‌های پنهان و کارمزدها، وجود بیمه برای محموله و... رو حتی می‌تونه مقایسه کنه.

در نهایت، شما یک گزارش دقیق با نمودارها دریافت می‌کنید و اینکه هوش مصنوعی اگر محصول مورد نظر پیدا نشه یا موجود نباشه شروع میکنه به دادن توصیه‌هایی که کالای نزدیک به اون محصول جایگزین بشه.

github.com/clucraft/PriceGhost

@Linuxor ~ bahrameghorbani

یه کتاب کاملاً متن‌باز و رایگان درباره‌ی طراحی AI Agent ها پیدا کردم

فرمول کل کتاب: Agent = LLM + Context + Tools
۱۰ فصل، از مبانی تا production
۸۸ پروژه‌ی عملی با کد واقعی
۵ زبان (انگلیسی، چینی، تامیل، ویتنامی و…)

کاملا رایگان :

github.com/bojieli/ai-agent-book/releases


@Linuxor ~Shayi78

جالب ترین پیامک بانک هم مربوط به بلوبانکه میگه فلان تومن از حسابت پرید!

قشنگ معلومه ناراحت شده که از کلمه پرید استفاده میکنه انگار توی یه معامله شکست خوردی و اون چیزه از دستت پریده... بخدا پنیر خریدم شکست بزرگی نخوردم😁

@Linuxor

همیشه یکی از تفریحاتم چرخ زدن تو ترند های جدید گیتهاب بود تا اینکه اخیرا یه ابزار خفن برای گیتهاب پیدا کردم که لیست ترندها رو خیلی تمیز و دسته بندی شده برام لیست میکنه

github.ranbot.online


@Linuxor ~ MamJeyDev

با این برنامه اندروید اوپن سورس می‌تونید با خود اندروید برای خود اندروید برنامه بسازین!

github.com/AndroidStudio-App/NeonIDE

نکته : تازه داره توسعه پیدا می‌کنه اگر مشکل داشتید می‌تونید از جایگزین هاش به اسم های AndroidIDE یا AIDE یا ACode استفاده کنید.


@Linuxor

جالبه بدونید هیچ مدل اوپن سورس واقعی تقریبا وجود نداره مثلا Deepseek و Llama و Qwen همشون اوپن weight هستن یعنی شما یه ماشین بهتون دادن و فقط میتونید سوارش شید و به صورت خیلی جزئی هم شخصی سازیش کنید مثلا رنگ چراغاشو عوض کنید، اما اوپن سورس یعنی واقعا کارخونه ساخت ماشین رو بهتون بدن و قدرت بینهایت بالایی توی شخصی سازی کردنش دارید البته بعضی مدل های ضعیف تری هستن که اوپن سورسن مثل Pythia و OLMo ولی زیاد اسمشون شنیده نشده.


@Linuxor

مایکروسافت یه پروژه متن‌باز و رایگان به اسم SkillOpt منتشر کرده که می‌تونه مهارت‌ها (Skills) و پرامپت‌های Agentهای هوش مصنوعی رو خودش بهتر و بهتر کنه؛ تقریبا شبیه همون کاری که موقع آموزش یه مدل هوش مصنوعی انجام میشه. یعنی Agent یه کار رو انجام میده، بعد یه بخش دیگه کیفیت خروجی رو بررسی می‌کنه، دستورالعمل‌ها رو بازنویسی می‌کنه و فقط نسخه‌ای رو نگه می‌داره که واقعا عملکرد بهتری داشته باشه.

اگه تا حالا برای بهتر شدن جواب‌های AI مدام پرامپت رو تغییر دادین و نمی‌دونستین واقعا بهتر شده یا نه، SkillOpt این فرآیند رو خودکار می‌کنه. حتی تغییرهایی که نتیجه بهتری ندن رو رد می‌کنه و طبق نتایج مایکروسافت از پرامپت‌های دست‌نویس و ابزارهایی مثل TextGrad هم عملکرد بهتری داشته. نکته جذاب‌تر اینکه به هیچ مدل خاصی وابسته نیست؛ یعنی امروز با GPT کار کنین و فردا برین سراغ Claude یا Gemini، می‌تونین همون Skillها رو دوباره استفاده کنین.

github.com/microsoft/SkillOpt


@Linuxor

ساخت یک LLM از صفر!

اگر می‌خواهید بدانید واقعاً در دل مدل‌های زبانی چه می‌گذرد، این ویدیو فوق‌العاده است. طرف، از مفاهیم پایه مثل شبکه‌های عصبی و توکنایزیشن شروع می‌کند و تا معماری ترنسفورمرها پیش می‌رود. نکته جذاب اینجاست که همه چیز با کد واقعی و از صفر پیاده‌سازی شده است.

در این ویدیو به این مباحث کلیدی پرداخته شده است:
• درک عمیق چت‌بات‌ها و نحوه کارکرد آن‌ها
• بررسی شبکه‌های عصبی (Neural Networks)
• نحوه عملکرد توکنایزیشن و Embeddingها
• تشریح معماری ترنسفورمرها (Transformers)
• ارائه کانتکست تاریخی و تکامل این تکنولوژی

این ویدیو برای کسانی که می‌خواهند از سطح تئوری فراتر بروند و پیاده‌سازی واقعی یک ایجنت یا مدل زبانی را ببینند، عالی است.

کد پروژه:
github.com/w3cj/how-llms-work
ویدیوی یوتیوب (انگلیسی):
youtube.com/watch?v=YmLp8qe87A0


@Linuxor ~ MehdiAllahyari