دستاوردهای یادگیری عمیق(InTec)

تقریباً ۳ هفته‌اس دارم این پروژه رو میزنم با
Rust, Tauri v2

و هرچی دوستان بیشتری تست می‌کنند ایده‌های جالبتری بهش اضافه می‌شه.
فعلاً فقط نسخه لینوکس رو داریم و روی ورژن
v0.2.0
هستیم (شاید بعداً ویندوز و مک هم اضافه شد)


اگر دوست داشتید تست کنید توی کانال
https://t.me/per3onnel

فایل‌های باینتری برای دبیان، ردهت و آرچ وجود داره

پینوشت:
بعد از انتشار v1.0.0 بصورت open source منتشر خواهد شد

تم دیفالت Kanagawa هست و ۷ تم معروف دیگر ترمینال هم بصورت پیشفرض وجود داره (تم‌هایی که اضافه می‌کنید بین ورژن‌ها آپدیت نمی‌مونه؛ اگر فکر می‌کنید لازم هست که این مورد رو هم اضافه کنم که توی دیتابیس ذخیره بشه)

Kanagawa (default)
Argonaut
Tokyo Night
Catppuccin Mocha
Nord
Gruvbox Dark
One Dark
Night Owl

Cline Desktop (Beta)

منتشر شده؛ خوبی این مورد این هست که کاملا
open source
هست این بنظرم یکی از بزرگترین مزیت‌هاش هست (بخصوص برای من و افرادی مثل من که به شرکت‌های خصوصی با افتضاحات این چندسال اعتماد ندارند)

همچنان البته بنظرم لازم هست که یک مقدار ادیت شخصی روش بزنید اما یک نکته خیلی خوبی که داره این هست که با Tauri توسعه داده شده مثل music player ایی که من توسعه دادم (به ورژن ۱ برسه open source می‌کنم چون الان خیلی کثیف هست و فقط قراره کار کنه تو نسخه فعلی) :
https://t.me/per3onnel/654

درنهایت کار کردن با Tauri برای اون‌هایی که Rust رو بلد هستند اصلا کار سختی نیست و این پروژه هم تا جایی که من کدهای بکندش رو بررسی کردم خوب و تمیز نوشته شده که برای تمرین و یادگیری هم خیلی گزینه خوبی می‌تونه باشه.
توی Tauri یکی از فریمورک‌های معروف فرانت برای ساخت ui استفاده می‌شه و Rust بکند رو بعهده می‌گیره برای همین هم زیبایی رو داره و هم سرعت خیلی بالایی بهتون میده که خب توی این پروژه هم React برای اینکار استفاده شده.

این پروژه ارزش بررسی کردن سورس کد رو داره.

می‌دونستید کل ارائه رو می‌تونید به comic book تبدیل کنید ؟
هر مدلی که Image generation داشته باشه (مثال بالا Gemini Notebook هست)

برای کسایی که حافظه تصویری قویتری دارند این روش خیلی جواب هست.

پینوشت:
سورس دیتای تصویر بخشی از ارائه خودم هست؛ قراره ۱۲-۱۶ ساعت آموزش Axum بدم.
بطوریکه از روز بعدش بکند پروژه جدید رو روی Axum شروع به کد زدن کنند و از اونجایی که از درست کردن powerpoint نفرت دارم؛ به ذهنم رسید این کار رو بکنم (چون ۹۰٪ کد هست) برای مواقعی که کد نیست و باید توضیح بدم این بهترین گزینه هست بنظرم.

.
what is Jev ?

Bullshit
simple classifier + Pydantic that people used to practice when they start learning AI. But now that nobody use their brain anymore, people think it's a breakthrough in AI and computer science.

روی این یکی می‌تونید به خودم رفرنس بدید.

گوگل مغز یک حشره رو مپ کرده و بصورت open source هم منتشرش کرده تا اینجا یک کار تحقیقاتی هست.

بعد یک سری آدم اومدند؛ این حشره رو توی کارهای مختلف شبیه‌سازی کردند
حشره توی بازی‌های مختلف
حشره توی دنیای کریپتو
حشره توی معاملات بورسی
و ...
بعضی‌هاش واقعا نتایج جالبی داره و ایده‌های خنده‌دار هم توش بسیار بسیار زیاده.

Google Research
Github

پینوشت:‌
قدرتش توی بعضی کارها از LLMها بیشتره 😂😂

حالا که به این موضوع علاقه‌مند شدید باید بگم که؛ جاندارانی با مغز بزرگتر هم توی صف هستند برای این تحقیقات.

این داستان رو قدیما سر آموزش‌های مربوط به دیتاساینس تعریف می‌کردم.
اهمیت
train/test split

یادش بخیر

دلیل اینکه راجب حل مسئله‌ی Navier-Stokes چیزی ننوشتم این بود که گفته‌های OpenAI رو باور نداشتم.

چرا ؟

اونایی که از قبل من رو می‌شناسند می‌دونند من علاقه‌ای هم به فیزیک دارم (شاید متوجهش نشم ولی بهش علاقه دارم و دنبال می‌کنم)
مسائل زیادی اونجا بهینه‌سازی یا حل شده توی ۱ سال اخیر و با کمک AI اما توی تمام موارد نقش AI استفاده از ترکیب‌های متفاوت فرمول‌ها بوده و یک فیزیکدان پشت داستان بوده.
دلیل اصلی که هیچکدوم از شرکت‌های AI هم روش مانور نمیدن همین هست که چیزی برای اون‌ها نداره.

تکنیکی که استفاده می‌شه هم مثل روشی هست که باعث کشف Neptune شد

Urbain Le Verrier, who calculated the predicted position of Neptune.

داستان پشت Open AI هم بنظر میاد همین باشه؛‌ agent‌ها از دیتای دو نفر ریاضیدان استفاده کردند که دقیقا داشتند روی این مسئله کار می‌کردند و بسیار هم پیشرفت داشتند.
با توجه به چیزهایی که من توی ۱ سال گذشته توی کامیونیتی فیزیک دیدم؛ کاملا حرف ریاضیدان‌ها رو قبول می‌کنم.

More on Youtube

تقریبا می‌تونم بگم تمام بنچمارک‌های معروف هوش مصنوعی از رده خارج شده حساب میشه مثلا توی یکی از موارد

Artificial Analysis

رسما (توییتر) قبول کرد که بنچمارک‌هاش قدیمی شده و اکثر مواردی که داره مربوط به چالش بسیار قدیمی
needle in haystack

هست یا مواردی توی بنچمارک‌های software engineering هم من گزارشاتی خوندم که بیشتر تسک‌هاشون برای
Frontend, 3D

و پیشرفت‌های اخیر مدل‌ها رو ببینید؛‌ اکثرا دارند توی Game development, Frontend و ... تست میشوند روی یوتیوب و همه‌ی اون‌هایی که توی این تسک‌ها نتایج خوبی داشتند توی بنچمارک‌های معروف هم بسیار خوب عمل‌ می‌کنند.


توی همون تسک خوندن لاگ و پیدا کردن مشکل مجبور شدم یک سری کد بزنم که کارم رو سریعتر کنم
https://t.me/per3onnel/629

شاید باورتون نشه ولی
gemini 3.6 Flash (Fast)
بهترین نتایج رو بهم میداد

من همیشه مدل‌ها رو با کدهای خودم تست می‌کنم الان چندسال هست و بنظرم توی زمان حال شما هم باید همین کار رو انجام بدید؛ خیلی از مدل‌هایی که از نظر بنچمارک‌ها rank بالا می‌گیرند ممکنه برای کار شما اصلا مناسب نباشه و برعکس این موضوع هم هست.

چطوری بنچمارک خودتون رو بسازید (من اینطوری ساختم) :
یک کد یا تسک یا کانفیگ دارم که مشکل داره و درست کار نمی‌کنه به مدل‌های هوش مصنوعی موجود میدم و جواب‌ها رو بررسی می‌کنم ولی هیچکدوم جواب درست رو نمیده
این رو ذخیره میکنم کد/کانفیگ اشتباه رو + پرامپت رو بعنوان ورودی برای تست ذخیره می‌کنم.

وقتی بعد از چندساعت به راه حل رسیدم اون راه حل رو هم ذخیره می‌کنم (خلاصه شده و تمیز شده فقط راه حل رو بدون توضیحات)

چندماه بعد که مدل جدیدی معرفی میشه همین کار رو تکرار می‌کنم؛ امتیاز مدل رو می‌نویسم :‌
مثلا از ۳۰ تا سوال چندتارو درست جواب داده - جندتا رو جوابی که داده راهنمای خوبی برای رسیدن به راه حل و درک مشکل هست ولی جواب نهاییش درست نیست - چندتارو کاملا گمراه کننده جواب داده

و اینکه برای هیچ مدلی پرامپت ورودی رو تغییر نمیدم؛ این استاندارد پرامپت نویسی منه شاید مدل خیلی خفن باشه ولی اگر پرامپت ذخیره شده من نتونه ازش جواب بگیره احتمال اینکه موقع استفاده من بتونم از اون مدل جواب بگیرم هم خیلی پایین هست (چون من به این تکنیک پرامپت نوشتن عادت کردم)


اینکار رو بنظرم هرکسی که بیش از روزانه ۱ ساعت از LLM برای کد نویسی یا حل مشکلات فنی استفاده می‌کنه باید انجام بده؛ بخصوص اینکه ۹۰٪ یوتیوبرها برای بنچمارک دارند از تسک‌های دارای گرافیک استفاده می‌کنند چون بازدید این‌ها بیشتر هست.
من یوتیوبری رو نمیشناسم که مثلا بیاد پیاده‌سازی یک سرویس بکند (جدید نه چیزی که هزاران کد براش توی گیت‌هاب هست) یا پیاده سازی driver یا embed system رو تست کنه چون این موارد بازدید نداره ولی احتمالا شغل اکثر شمایی که عضو این کانال هستید به این موارد بستگی داره.

برای خودم واقعا شکه کننده بود که
gemini 3.6 flash (fast)
تمام کدهایی که ازش میخواستم روی توی همون بار اول درست تحویل میداد (البته من خیلی می‌شکوندم تسک رو و با جزئیات بهش می‌گفتم چطوری باید باشه) ولی این مدل حتی توی ۳۰ مدل اول DeepSWE هم نیست و انقدر هم سریع خروجی بهتون میده که سرعت برنامه‌نویسی شما رو اصلا کم نمی‌کنه.
تنها مشکلی که من دیدم:
توی پروژه بزرگتر حتما باید خودتون بعدش refactor کنید.

چون به این علاقه داشتید و share کردید (بیش از ۴۰۰ بار)‌
گفتم براتون یک آموزش دیگه هم بذارم؛

این یکی برای اون‌هایی که به deep learning علاقه‌دارند تازه شروع کردند یا می‌خوان شروع کنند و مباحث زیاد هست و پیش‌نیازها بیشتر.

Carnegie Mellon University Deep Learning

من این کانال رو چندسالی هست که خودم دنبال می‌کنم؛ همینجا بگم که بهترین لهجه انگلیسی توی این کانال نیست اما یک نگاهی به ویدئوهای اخیرشون برای دوره
Intro to deep learning Fall 2026
بندازیم (تایتل‌ها)‌

0.1 Python Fundamentals
0.2 OOP
0.3 Numpy
0.4 Pytorch
0.5 Notebooks and conda
0.6 Tensordot & Einsum
0.7 Differentiation/Calculus Part 1
0.7 Differentiation/Calculus Part 2
0.8 Git and Github
0.9 Google colab
0.10 Google cloud
0.11 Kaggle
...
0.14 Linux
0.15 Datasets
0.16 DataLoaders
0.17 Data Preprocessing
0.18 Wandb
0.19 Debugging your model
0.21 Losses
0.22 Block processing
0.23 Pipelines
0.24 Distributed training
0.25 Saving and loading model

همونطوری که می‌بینید از صفر می‌تونید شروع کنید؛ می‌خواید خیلی قوی بشید ؟
تمرین‌های دورهای قبلی رو حل کنید (خودشون هم حلش رو گذاشتن)
موضوعی هم می‌تونید توی کانال سرچ کنید و مباحث رو پیدا کنید

من هیچ دوره‌ای رو ندیدم انقدر سرفصل‌های کاملی داشته باشه؛ فقط یک دوره رو ببیند و تمرینات دوره‌های قبلی رو حل کنید
بعدش شروع کنید پروژه زدن؛ کل این دوره‌ها هم رایگان هست.

وقتی پیش نیازها تموم بشه همه‌ی ویدئوهایی که با 0. شروع میشه؛ اونوقت اصل آموزش دانشگاهی شروع میشه و هیچکس توی این آموزش سردرگم نیست که چی باید یاد بگیره یا پیش نیازی بوده که بلد نیست و ...

۱۰۰٪ پیشنهاد می‌کنم؛ من اولین بار ۷ سال پیش ویدئو‌های این دانشگاه رو دیدم و الان ۱۰۰ بار از اون موقع بهتر هست.

در ادامه پروسه‌های باگ یابی من از شرکتهای هوش مصنوعی.

الان متوجه شدم چرا خیلی از بچه‌ها میگن که فقط با Claude می‌تونند کد بزنند؛ من یک باگ جدید پیدا کردم.
Qwen, Grok, ChatGpt, GLM5.2
رو تست کردم؛ این مدل‌های پارسر ضعیفتری دارند.

اول اینکه بنظر میاد همشون کد رو هم مثل markdown باهاش برخورد می‌کنند و پارس می‌کنند چرا ؟
حجم زیادی کد بهشون دادم با پرامپت سختگیرانه (خیلی بی‌ادبی هست وگرنه میذاشتم) و همشون چون رو حالت سخت گیری هست ارورهای پارسر رو نادیده نمی‌گیرند.
این نادیده گرفتن یک تکنیکی هست که ما هم توی پروداکشن استفاده می‌کنیم؛ اینطوری هست که اگر ببینید طرف راجب چیزی صحبت می‌کنه که به اندازه کافی علم داره ازش به مدل میگیم بعضی خطاها ممکنه اشتباه پارسر یا سرویس OCR باشه و نادیده‌اش بگیر.
ولی اینجا مدل‌های بالا با پرامپتی که من دادم دیگه اینطوری نشد و کلی ایراد الکی گرفتند.

بعنوان مثال :
Bug 1: __main__.py entrypoint is broken
You have:

if name == "main":
    main()

That is wrong.
It must be:

if __name__ == "__main__":
    main()

بدتر از اون اینکه بعضی مدل‌ها حتی اینطوری می‌بیننش :

if name

من تمام مدل‌هایی که اسم بردم رو توی ۳ حالت استفاده کردم :

۱- با پرامپت سختگیرانه که بالاتر گفتم
۲- پرامپت ساده که فقط یک role بهش دادم (این مشکلات وجود نداشت)‌
۳-پرامپت سختگیرانه +‌ استفاده از محیط چت و کپی پیست کد بعد از توضیح اینکه مطلب ارسالی کد پایتون هست.

و بهترین جواب رو حالت سوم داد؛‌ اگر به اندازه کافی کانال رو دنبال کرده باشید می‌دونید که من اصلا به هیچ ابزار و agent ایی که دسترسی به سیستمم داشته باشه اعتماد ندارم و همیشه از محیط‌های چت مرورگر استفاده می‌کنم و کدهام رو اونجا بهشون میدم.

با دیدن این نتابج الان میفهمم چرا برای خیلی از شما سوال میشه که من چطوری از
Qwen, Duck.ai , ...
استفاده می‌کنم و انقدر از خروجی‌هاش راضی هستم.
بنظرم شما هم این رو تست کنید- من فقط روی ۴ مدلی که اسم بردم تست کردم.

زده من اینکار رو کردم بعدش دیگه چه کارهایی میشه کرد باهاش ؟

هیچی تلاش کردی چندتاش رو بهم وصل کنی ببینی چی میده یا اصلا چطوری باید کد بزنی برای اتصال چندتاش به هم دیگه ؟
سریعتر میشه؛ کندتر میشه ؟
حالا bottleneck کجاس ؟
اگر مدل بزرگتر باشه چی میشه ؟
اصلا چطوری میشه چندتاش رو بهم وصل کرد (کارت شبکه که نداره)
مدل P4 که روی RiscV هست چطوری کار می‌کنه ؟

اگر همه این کارها رو کردی و جواب همش رو درست متوجه شدی یک سری به این سایت بزن

Tenstorrent
برای موقعیت های شغلی که دارند رزومه بده؛ من قبلا فرستادم ولی چون معماری RISC-V بود و من بلدش نبودم رزومه‌ام رد شد.


پینوشت:
چندتا از بچه‌ها این کار رو کردند و سوال پرسیدند.

لطفا ایشون رو برای همکاری استخدام کنید

AI developer runs 28.9-million-parameter model on $10 ESP32-S3 microcontroller — uses Google's Per-Layer Embeddings technique, stores table on 16MB Flash memory

اگر انقدر دیوونه هست که جنین کدی رو توی وقت‌های خالی خودش بزنه؛ ببین توی کار چه کدهایی میزنه.

پینوشت:
خروجیش ۱ توکن در ثانیه هست مهم کاری هست که کرده و کدی که زده

Claude Leak

داستان چیه ؟ یک اتفاق تکراری دیگه.

هرکسی روی Calude چت خودش رو لینک Share براش گرفته چت بصورت کامل عمومی شده.
یک نفر هم اومده توی گوگل زده
site:claude.ai/share
و دیده بله گوگل تمام و کمال همرو ایندکس کرده.

که خب یعنی خیلی شرکت‌های دیگه هم اینکار رو کردند و البته خیلی جاهای دیگه هم دیتاهای مهم رو خوندند.
خیلی از بیزینس‌ها ابراز نگرانی کردند و گوگل نتایج رو حذف کرد و گفته میشه که کلاد هم باگ رو برطرف کرده.

ولی همه می‌دونیم که ترین دیتای خوبی برای همه مدل‌ها آماده شد.