TGViewer
Channel Public Channel
We all are BiTs

We all are BiTs

@wearebits

all about 0 & 1 : Twitter : @NavidDariya
Open in Telegram
Subscribers
447
Photos
1.3K
Videos
107
Links
971

Showing posts older than #2940 · Back to latest

Older Posts 20 shown
Post #2939 120
We all are BiTs https://youtu.be/_f5dlIvI5LQ?si=k_t3AnhNF-uBsP5c
@WearebiTs
Post #2936 209
We all are BiTs @navidcasts این پادکست، از ویدیویی آموزشی از مایکروسافت لرن است که به معرفی و پیکربندی فضای کاری Azure Machine Learning می‌پردازد. این ویدیو توضیح می‌دهد که چگونه دانشمندان داده می‌توانند از سرویس Azure Machine Learning برای آموزش و مدیریت مدل‌های یادگیری…
@WearebiTs

رول های اختصاصی ماشین لرنینگ در Azure ML
Post #2935 124
Audio
@navidcasts

این پادکست، از ویدیویی آموزشی از مایکروسافت لرن است که به معرفی و پیکربندی فضای کاری Azure Machine Learning می‌پردازد. این ویدیو توضیح می‌دهد که چگونه دانشمندان داده می‌توانند از سرویس Azure Machine Learning برای آموزش و مدیریت مدل‌های یادگیری ماشینی خود استفاده کنند. همچنین، به بررسی منابع و دارایی‌های مرتبط با این سرویس، مانند حساب ذخیره‌سازی، Key Vault، Application Insights و Container Registry، و نحوه تعامل با آن‌ها از طریق رابط کاربری پورتال Azure، Azure Machine Learning Studio، Azure CLI و Python SDK می‌پردازد. در نهایت، این منبع به تشریح مدیریت دسترسی‌ها، پیکربندی داده‌ها (Data Stores و Data Assets)، انواع منابع محاسباتی (Compute) و نحوه تعریف و استفاده از محیط‌های (Environments) Docker-based برای اطمینان از سازگاری و تکرارپذیری در فرآیندهای یادگیری ماشینی می‌پردازد.
Post #2931 154

Forwarded from DLeX: AI Python (NaviD DariYa)

🥇 تاپ ترین Paper های در حوزه ماشین لرنینگ، از دیدگاه DAIR.AI :
@ai_python

🥇 Many-shot Jailbreaking : Paper

🥇 SWE-Agent : Paper

🥇 Mixture-of-Depths : https://arxiv.org/abs/2404.02258

🥇 Local Context LLMs Struggle with Long In-Context Learning : https://arxiv.org/abs/2404.02060

🥇 Visualization-of-Thought : https://arxiv.org/abs/2404.03622

🥇 The Unreasonable Ineffectiveness of the Deeper Layers : https://arxiv.org/abs/2403.17887v1

🌐 🌐 🌐 @ai_python

🥇 JetMoE : https://research.myshell.ai/jetmoe

🥇 Representation Finetuning for LMs : https://arxiv.org/abs/2404.03592

🥇 Advancing LLM Reasoning : https://github.com/OpenBMB/Eurus/blob/main/paper.pdf

🥇 Training LLMs over Neurally Compressed Text : https://arxiv.org/abs/2404.03626
www.dair.ai DAIR.AI — Practical AI Education & Open Resources Courses, guides, research, and open-source projects for people building with language models and AI agents.
Post #2930 156
@ai_python Telegram Channel
این نوشتار مفهوم جدول توزیع سرویس سیستم (SSDT) را تشریح می‌کند، که یک آرایه حاوی آدرس‌ها یا آفست‌های نسبی برای روتین‌های کرنل در سیستم‌عامل‌های ویندوز است. این جدول به عنوان یک پل ارتباطی حیاتی بین فراخوان‌های API از فضای کاربر و روتین‌های متناظر کرنل عمل می‌کند و تعیین می‌کند که کدام عملیات کرنل باید در پاسخ به یک فراخوان سیستمی اجرا شود. داکیومنت به صورت دقیق توضیح می‌دهد که چگونه آفست‌های SSDT در سیستم‌های ۶۴ بیتی به آدرس‌های مطلق تبدیل می‌شوند و اهمیت SSDT را در شناسایی فراخوان‌های سیستمی و عملکردهای مرتبط کرنل نشان می‌دهد. همچنین به اختصار به تاریخچه دستکاری SSDT توسط آنتی‌ویروس‌ها و روت‌کیت‌ها و مقابله مایکروسافت با آن از طریق PatchGuard اشاره شده است.

@WearebiTs

https://www.ired.team/miscellaneous-reversing-forensics/windows-kernel-internals/glimpse-into-ssdt-in-windows-x64-kernel
Post #2924 3.04K
این توییت از Lisan al Gaib در X درباره محدودیت‌های مدل‌های هوش مصنوعی در حل مسائل پیچیده مانند مسئله برج هانوی (Tower of Hanoi) صحبت می‌کند. او اشاره می‌کند که مدل Sonnet 3.7 هنگام حل این مسئله برای n=9 و n=10، به دلیل طولانی بودن پاسخ، زود متوقف می‌شود.

@WearebiTs

چند نکته کلیدی از این پست:

مدل‌ها تصمیم می‌گیرند که زودتر متوقف شوند، زیرا از نظر آن‌ها محاسبه تمام مراحل، زمان‌بر و غیرضروری است.

مدل Sonnet 3.7 تا ۸ دیسک محاسبه را انجام می‌دهد، اما برای تعداد بالاتر متوقف می‌شود.

خطای ناشی از نمونه‌گیری مدل باعث کاهش دقت می‌شود، زیرا احتمال اشتباه در پیش‌بینی هر توکن هرچند اندک، در تعداد بالا جمع شده و تأثیرگذار می‌شود.

مدل‌های مختلف محدودیت خروجی دارند (مثلاً Sonnet 3.7 دارای محدودیت 128k توکن، DeepSeek R1 دارای 64k توکن).

این پست به طور کلی بحث می‌کند که چگونه مدل‌های زبانی هوش مصنوعی با افزایش پیچیدگی مسئله، به دلیل محدودیت‌های خروجی و استراتژی‌های خود، دقتشان کاهش پیدا می‌کند.

https://x.com/scaling01/status/1931817022926839909
Older posts →
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →