برنامه‌نویسی و هوش مصنوعی

Yapay zeka kodlama ajanları üzerine bugüne kadar okuduğum en ilginç verilerden biri bu oldu: daha fazla kod, otomatik olarak daha fazla yazılım demek değil.

Harvard'dan Fiona Chen ve James Stratton'ın çalışması, 2021'den Mart 2026'ya kadar 700'den fazla yazılım şirketinde 700 binin üzerinde çalışana ait verileri ve 300 milyon iş olayını incelemiş. Kodlama ajanları devreye girdikten sonra toplam kod satırı ortalama yüzde 30, commit sayısı yüzde 20, pull request sayısı yüzde 23 artmış.

Ama asıl soru şu: iş bitiyor mu? Jira gibi araçlarda takip edilen hata, görev ve özelliklerin tamamlanma oranında istatistiksel olarak anlamlı bir değişiklik görülmemiş.

Darboğaz kod incelemede. Bir pull request'in gönderilmesinden ana kod tabanına alınmasına kadar geçen süre yüzde 49 uzamış. Değişiklik istenen pull request oranı neredeyse iki katına çıkmış, pull request başına yorum sayısı yüzde 35 artmış, kod inceleyen çalışanların oranı da yüzde 14 yükselmiş. Yani yazma tarafında kazanılan hızın önemli bir kısmı inceleme ve düzeltmede geri harcanıyor.

Şirketler bunu da yapay zekayla çözmeye çalışıyor: Mart 2026 itibarıyla incelenen şirketlerin yüzde 80'i bir tür yapay zeka kod inceleme aracı kullanıyormuş. Yine de inceleme yorumlarının sadece yüzde 23,3'ü ajanlardan geliyor ve ajanlar pull request'lerin yalnızca yüzde 10,8'ine katkı veriyor; işin büyük kısmı hâlâ insanlarda. Aktif çalışan sayısında da, en azından incelenen dönemde, anlamlı bir değişiklik bulunmamış.

Verilerin Mart 2026'da bittiğini, araçların o tarihten beri geliştiğini de not etmek lazım. Ama benim çıkardığım ders net: verimlilik için sadece kod yazma süresini değil, inceleme, hata düzeltme ve entegrasyonu da hızlandırmak gerekiyor.

Ars Technica'daki haber: https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-cod…
Çalışmanın PDF'i: https://fion.ac/jellyfish.pdf

Kaynak: DonanımHaber

به عنوان کسی که هر روز با کدنویسی سروکار دارد، سال 2025 برای من تحولات چشمگیری به همراه داشته است. ابزارهای برنامه‌نویسی مبتنی بر هوش مصنوعی دیگر فقط به تکمیل خطوط کد کمک نمی‌کنند، بلکه شروع به انجام وظایف واقعی کرده‌اند. به یاد می‌آورم که در نیمه اول سال، همه در مورد تجربه تکمیل کد با ابزارهایی مانند Cursor و Copilot صحبت می‌کردند، اما در نیمه دوم سال، رویکرد "توسعه مبتنی بر مشخصات" (Spec-driven development) ناگهان محبوب شد و انبارهایی پر از فایل‌های Markdown شدند که برای ابزارهای هوش مصنوعی (Agent) نوشته شده بودند.

مهم‌ترین احساسی که داشتم این بود که فرایند برنامه‌نویسی در حال تغییر از "کنترل انسانی" به "کنترل توسط Agent" است. قبلاً، هوش مصنوعی فقط کاراکتر بعدی را پیش‌بینی می‌کرد، اما اکنون می‌تواند از تحلیل نیازمندی‌ها تا تولید کد و اعتبارسنجی نتایج، کل فرایند را انجام دهد. نکته جالب این است که تقریباً همه ابزارهای پیشرو، همزمان در حال توسعه سه نوع رابط کاربری هستند: IDE، CLI و Cloud، و در نهایت، همه آنها به سمت "Agent" گرایش پیدا می‌کنند.

اما این تحولات، چالش‌هایی را نیز به همراه داشته‌اند. مهم‌ترین چالش، هزینه "توکن" است: با افزایش طول وظایف، افزایش تعداد فراخوانی ابزارها و تکرار اطلاعات در "زمینه" (context)، هزینه‌ها به سرعت افزایش می‌یابد. امسال، بیشتر از اینکه در مورد "نحوه نوشتن دستورالعمل" (Prompt) صحبت شود، در مورد "مهندسی زمینه" (Context Engineering) صحبت می‌شود: چگونه می‌توان تعادلی بین اثربخشی، کارایی و هزینه برقرار کرد و چگونه می‌توان نرخ دسترسی به اطلاعات ذخیره شده را افزایش داد.

برای من، نقطه عطف واقعی در سال 2025، نه این بود که کدام مدل هوش مصنوعی قوی‌تر است، بلکه این بود که کدام شرکت می‌تواند محدودیت‌ها و دانش پنهان موجود در یک پروژه را به ساختارهای معنایی (contextual structures) تبدیل کند که مدل‌های هوش مصنوعی بتوانند آنها را درک کرده و از آنها استفاده کنند. ارزش یک برنامه‌نویس، به تدریج از "نوشتن کد" به "تعریف قوانین" در حال تغییر است. این سال، واقعاً یک سال شگفت‌انگیز بود.

منبع: InfoQ

به گزارش IT之家، JetBrains در مطلبی در وبلاگ خود در تاریخ ۸ اکتبر از مدل هوش مصنوعی برنامه‌نویسی Mellum2.1 رونمایی کرد که تقویت برنامه‌نویسی عاملی را هدف اصلی آن اعلام کرده است. من به عنوان توسعه‌دهنده همیشه به این نوع مدل‌های متن‌باز که می‌توان آن‌ها را به صورت محلی اجرا کرد علاقه‌مند بوده‌ام، پس نکات اصلی را اینجا خلاصه می‌کنم.

این مدل معماری Mellum2 را حفظ کرده است: یک مدل ترکیبی از متخصصان (MoE) با ۱۲ میلیارد پارامتر که ۲.۵ میلیارد پارامتر آن فعال است و همچنان با مجوز Apache 2.0 منتشر می‌شود. مهم‌ترین تغییر در آموزش این است که مرحله یادگیری تقویتی پس از پیش‌آموزش، از یک مرحله کوتاه نهایی به بخش اصلی آموزش گسترش یافته است. داده‌هایی درباره ریاضیات، مسابقات الگوریتمی، علوم، استفاده از ابزارها و مهندسی نرم‌افزار افزوده شده و محیط‌های داخلی یادگیری تقویتی ساخته شده‌اند و در جریان آموزش میلیون‌ها سندباکس در هزاران محیط راه‌اندازی شده است. پیش از آموزش، وظایفی که آزمون‌های معیوب دارند، پاسخ‌هایشان قابل راستی‌آزمایی نیست یا سطح دشواری نامناسبی دارند کنار گذاشته می‌شوند.

طبق توضیح رسمی، این مدل می‌تواند پایگاه کد را بررسی کند، فایل‌ها را ویرایش کند و تغییراتش را بازبینی کند. بزرگ‌ترین بهبود در برنامه‌نویسی عاملی است: می‌تواند ریشه خطای آزمون‌های ناموفق را پیدا کند، اصلاحیه‌ای پیشنهاد دهد و نتیجه را تأیید کند. از نظر سرعت، معماری تغییری نکرده، اما پیش‌بینی چندتوکنی (MTP) باعث می‌شود تولید برای یک درخواست تقریباً ۱.۶ برابر سریع‌تر شود. در مقایسه با Mellum2، Qwen3.5-9B و Gemma 4 E4B با همان تنظیمات ارزیابی، توان خروجی Mellum2.1 روی یک H200 در بار سنگین نزدیک به دو برابر Qwen3.5-9B است.

این مدل در Hugging Face در دسترس است و می‌توان آن را به صورت محلی یا روی زیرساخت خودتان مستقر کرد، به طوری که شرکت‌ها بتوانند کد و داده‌هایشان را در محیط خودشان نگه دارند. JetBrains قصد دارد نسخه‌های GGUF برای llama.cpp، Ollama و LM Studio و یک مؤلفه MTP برای رمزگشایی حدسی در vLLM منتشر کند.

منتظر نسخه GGUF هستم، چون در آن صورت توسعه‌دهندگان عادی هم می‌توانند آن را روی رایانه خودشان امتحان کنند. برای شما در یک مدل کدنویسی کدام مهم‌تر است: دقت یا هزینه استقرار؟

منبع: IT之家

از یک مقاله ITmedia NEWS فهمیدم که گوگل یک پلتفرم بازی آزمایشی به نام «Playground» معرفی کرده است. این اعلام در تاریخ ۷ اکتبر ۲۰۲۶ به وقت آمریکا انجام شد و از همان روز در مرورگر وب برای کاربران ۱۸ ساله و بالاتر در آمریکا در دسترس قرار گرفته است.

استفاده از آن فقط با نوشتن دستورهای متنی انجام می‌شود. می‌توان از صفحه خالی شروع کرد، یک پرامپت شروع آماده را ویرایش کرد یا از پشتیبانی راهنمایی‌شده استفاده کرد، و بازی ساخته‌شده را همان‌جا آزمایش کرد. تغییرات فیزیک، قوانین، شخصیت‌ها و محیط با توصیف کلامی اعمال می‌شوند. طبق مقاله تجربه برنامه‌نویسی لازم نیست، اما مدل هوش مصنوعی مورد استفاده فاش نشده است.

اشتراک‌گذاری هم ممکن است. چون مبتنی بر وب است، با گوشی هوشمند یا رایانه می‌توان آن را بازی کرد. می‌توان پیوند اشتراک‌گذاری را برای دوستان و خانواده فرستاد، بازی را در گالری «Explore» منتشر کرد یا خصوصی نگه داشت. برخی ژانرها از جدول امتیازات و چندنفره پشتیبانی می‌کنند و بازی‌های منتشرشده طبق رهنمودهای جامعه گوگل بررسی ایمنی می‌شوند. قابلیت ساخت بازی بسته به عضویت Google One به‌تدریج عرضه خواهد شد.

اعلام دیگر، همکاری با Unity است. این دو شرکت قصد دارند در سال ۲۰۲۶ محصول تازه‌ای به نام «Unity Spark» عرضه کنند که مکانیک‌های کامل بازی، سه‌بعدی با کیفیت بالا و انعطاف‌پذیری زمان‌اجرای Unity را به Playground می‌افزاید. این محصول مستقیماً به Unity Asset Store نیز وصل می‌شود. هم‌اکنون در حال آزمایش است و به‌زودی بتای بسته‌ای آن آغاز خواهد شد. مدیرعامل Unity یادآور شد که حدود ۳ میلیارد نفر در ماه بازی‌های ساخته‌شده با Unity را بازی می‌کنند، اما بسیاری از آن‌ها هرگز خودشان بازی‌ای نساخته‌اند.

به نظر من، به اشتراک گذاشتن و بازی کردن بازی‌هایی که با پرامپت ساخته می‌شوند می‌تواند ورودی جالبی به برنامه‌نویسی باشد. دوست دارم بدانم شما به ابزارهایی از این دست چه نگاهی دارید.

منبع: ITmedia NEWS

Next مطلبی درباره Pi نوشته است؛ یک هارنس متن‌باز که به تازگی به نسخه 1.0.0 رسیده است. برای کسانی که این اصطلاح را نمی‌شناسند، هارنس لایه نرم‌افزاری پیرامون یک مدل هوش مصنوعی است که به آن امکان می‌دهد فایل بخواند، دستور اجرا کند یا در اینترنت جستجو کند.

Pi تلاش می‌کند ساده باشد اما قابل گسترش. این ابزار با بیش از ۱۵۰۰ مدل و نسخه‌ی مختلف سازگار است؛ هم مدل‌های تجاری و هم مدل‌های با وزن باز که می‌توان آن‌ها را به صورت محلی اجرا کرد، و خود را جایگزینی برای Claude Code و Codex معرفی می‌کند که به مدل‌های Anthropic یا OpenAI وابسته نیست. توسعه‌دهندگان رسیدن به نسخه 1.0 را نشانه‌ی بلوغ می‌دانند.

این مقاله به امکانات تازه هم اشاره می‌کند: کانکتورهای MCP، حالتی به نام «codemode» و پشتیبانی از ChatGPT. از Pi Durable گفته شده که می‌تواند در برابر خرابی‌های فاجعه‌بار داخلی و خارجی مقاومت کند.

باید بگویم که حدود ۸۰ درصد متن مخصوص مشترکان است، پس فقط به آنچه به صورت عمومی قابل خواندن است می‌پردازم. در بخش نظرات، چند خواننده Pi را با OpenCode مقایسه کرده‌اند: یکی آن را بسیار سبک اما تنظیمش را دشوارتر می‌داند، به‌ویژه برای MCP، و دیگری به نسخه‌ی Oh-My-Pi اشاره می‌کند. نویسنده همچنین مطلبی درباره نصب و استفاده را وعده داده است.

آنچه توجهم را جلب می‌کند ایده‌ی جدا کردن هارنس از مدل است: می‌توان مدل را عوض کرد بی‌آنکه ابزار عوض شود. هنوز باید دید آیا سادگی Pi وقتی کاربردها پیچیده‌تر می‌شوند هم دوام می‌آورد. و شما برای برنامه‌نویسی با هوش مصنوعی، روزانه از کدام هارنس استفاده می‌کنید؟

منبع: Next

Xataka داستانی را روایت می‌کند که برنامه‌نویسی، هوش مصنوعی و کلی بحث و جنجال را در هم می‌آمیزد. تا چند روز پیش ArtCraft یک پلتفرم تولید تصویر و ویدیو با هوش مصنوعی بود. براندون توماس، عضو تیم، اعلام کرد که با وایب کدینگ جایگزین‌های متن‌باز هفت برنامه Adobe را نوشته است که با Rust ساخته شده‌اند: PhotoCraft (Photoshop)، VectorCraft (Illustrator)، FilmCraft (Premiere Pro)، LightCraft (Lightroom)، PdfCraft (Acrobat)، EffectCraft (After Effects) و DesignCraft (InDesign).

این برنامه‌ها برای ویندوز، macOS و لینوکس منتشر شده‌اند و از داخل ArtCraft هم قابل استفاده‌اند. این مقاله یادآوری می‌کند که Adobe هرگز ابزارهای خلاقانه حرفه‌ای برای لینوکس عرضه نکرده، پس این خلأ کوچک نیست.

یکی از همکاران نویسنده چند روز PhotoCraft را امتحان کرده است: کارکردهای پایه کار می‌کنند، هیچ ردی از ابزارهای هوش مصنوعی Photoshop نیست و برنامه فضای بسیار کمی اشغال می‌کند. با این حال فعلاً جای نسخه اصلی را نمی‌گیرد. خود سازندگان هم اعتراف می‌کنند که پروژه در مرحله آلفای بسیار اولیه است: حدود بیست ابزار هوش مصنوعی و مولد کم دارد، در تایپوگرافی و گردش‌کارهای حرفه‌ای عمق ندارد و با افزونه‌ها سازگار نیست.

به گفته سازندگان، روش کار clean-room است: آن‌ها بر مشخصات عمومی و رفتار قابل مشاهدهٔ برنامه‌ها تکیه کرده‌اند و از هیچ کد یا منبع اختصاصی استفاده نکرده‌اند. PhotoCraft می‌تواند فایل‌های PSD را باز کند چون Adobe آن مشخصات را منتشر کرده است. در اینترنت این گمان بی‌دلیل پخش شده که برنامه‌های Adobe دی‌کامپایل شده‌اند.

Xataka همچنین به مشکلات وایب کدینگ اشاره می‌کند: کدی که هوش مصنوعی تولید می‌کند ممکن است اشکال‌زدایی آن سخت باشد و چیزهایی داشته باشد که یک برنامه‌نویس انسان هرگز نمی‌نوشت. این موضوع در برنامه‌های شخصی کمتر از پروژه‌های بزرگ جدی است. به نظر من این هشدار به‌جایی است. نویسنده به‌عنوان جایگزین رایگان از Affinity، GIMP و DaVinci Resolve نام می‌برد. آیا به برنامه‌ای که به این شیوه ساخته شده اعتماد می‌کنید؟

منبع: Xataka

تحلیل سیمون بیسون در Computer Sweden را خواندم: مایکروسافت Rust را به وضعیت داخلی Tier-1 ارتقا داده، هم‌سطح C#، TypeScript و C. این وضعیت، از جمله، به یک زنجیره‌ابزار کامل و یکپارچگی با Windows و Azure نیاز دارد.

زمینه ماجرا این است که مارک روسینوویچ، مدیر فناوری Azure، ایمنی حافظه در Rust را بخش مهمی از استراتژی امنیتی مایکروسافت خوانده، و خود مایکروسافت هم از بنیان‌گذاران Rust Foundation است. یک مقاله مهمان روی وب‌سایت Rust Foundation توضیح می‌دهد که Rust چگونه به Microsoft Visual C (MSVC) وصل می‌شود تا هم‌کاری بی‌درز میان زبان‌ها ممکن شود.

ملموس‌ترین مورد، یک بک‌اند جدید برای کامپایلر Rust به نام rustc_codegen_utc است. این بک‌اند از بک‌اند Visual C استفاده می‌کند، یعنی یک DLL به نام C2.DLL، و فایل‌های .OBJ را به لینکر MSVC می‌دهد. مزیتش این است که Rust می‌تواند از کارهای موجود مایکروسافت در امنیت و پایداری بهره ببرد و کد Rust و C با هم سازگار شوند. مایکروسافت می‌گوید این بک‌اند آماده تولید است و بیش از صد پروژه داخلی Rust از آن استفاده می‌کنند. اما فقط داخلی است و شرکت به احتمال متن‌باز شدن ابزارها اشاره کرده، بدون ارائه زمان‌بندی.

برای کسانی که بیرون از مایکروسافت هستند، وضعیت واقع‌بینانه‌تر است: پشتیبانی Rust در VS Code از طریق rust-analyzer انجام می‌شود، برای ساخت هنوز به MSVC C Build Tools نیاز است، و crate ویندوز مایکروسافت دسترسی مستقیم به API های Windows می‌دهد. توصیه مقاله این است که برای یادگیری توسعه ویندوز با Rust، از ابزارهای موجود شروع کنید.

شخصاً جالب می‌دانم که شرکتی به این بزرگی سرمایه‌گذاری می‌کند تا مجبور نباشد دو تیم جدا از کامپایلر را نگه دارد. شما Rust را برای چه کاری استفاده می‌کنید؟

منبع: Computer Sweden

در Computable خلاصه‌ای از گزارش ۲۰۲۶ «وضعیت متن‌باز در اروپا» از بنیاد لینوکس را خواندم. این پنجمین نسخه است که در Open Source Summit Europe در پراگ ارائه شد. پیام اصلی روشن است: فقط استفاده از متن‌باز کنترل نمی‌دهد. باید مشارکت کرد و در اداره‌ی آن هم سهیم شد.

عددها نشان می‌دهند اصطکاک کجاست. برای ۹۴ درصد سازمان‌های اروپایی حاکمیت دیجیتال در استراتژی فناوری‌شان مهم است و برای ۶۱ درصد خیلی مهم است. توسعه‌دهندگان اروپایی نزدیک به ۴۰ درصد مشارکت در پروژه‌های زیرساختی مثل Kubernetes و OpenStack را انجام می‌دهند، اما بسیاری از سازمان‌ها فقط استفاده می‌کنند. ۳۱ درصد هم چارچوب رسمی برای مدیریت متن‌باز ندارند. کسانی که دارند می‌گویند بازگشت سرمایه‌شان بیش از چهار برابر است، در برابر ۳٫۶ برابر برای بقیه.

ابزارهای کدنویسی با هوش مصنوعی هم مطرح شده‌اند: ۹۴ درصد از ابزارهای کدنویسی هوش مصنوعی مولد استفاده یا آزمایش می‌کنند، سه‌چهارم معتقدند ارزش متن‌باز را بیشتر می‌کنند و ۴۸ درصد به همین دلیل متن‌باز بیشتری استفاده می‌کنند. تقریباً نیمی از آن‌ها فورک‌های داخلی نگه می‌دارند که به‌طور میانگین برای ۹٫۵ فورک در هر چرخه‌ی انتشار ۳۱۱ ساعت هزینه دارد.

چیزی که توجهم را جلب کرد این است که رده‌ی بالای Agentic AI Foundation بیشتر شرکت‌های آمریکایی مثل AWS، Anthropic، Google، Microsoft و OpenAI هستند. در سطح Gold فقط Suse و Ericsson از اروپا حضور دارند. در همین حال کمیسیون اروپا روی بسته‌ی حاکمیت فناوری حدود ۲ میلیارد یورویی کار می‌کند.

Thierry Carrez از Linux Foundation Europe می‌گوید متن‌باز به کمتر وابسته شدن کمک می‌کند، اما فقط با مشارکت فعال در ساختارهای حکمرانی باز. به‌عنوان توسعه‌دهنده با این موافقم: یک pull request گاهی تأثیرش از یک سند سیاستی بیشتر است. در شما چطور است؟

ریچارد اسپید در The Register درباره شرکتی به نام ArtCraft می‌نویسد که به مجموعه برنامه‌های Rust خود جایگزین‌هایی برای Word، Excel و PowerPoint اضافه کرده است. این شرکت آن‌ها را بازپیاده‌سازی‌های «اتاق تمیز» نرم‌افزار اختصاصی می‌نامد و می‌گوید توسعه این پروژه‌ها به‌شدت به Claude متکی بوده است. مخزن‌های GitHub این شرکت همچنین شامل پروژه‌هایی الهام‌گرفته از Photoshop، Illustrator و Premiere Pro است.

بررسی‌کننده، WordCraft را که جایگزین Word است روی یک Surface با پردازنده Arm اجرا کرد و دید که خوب کار می‌کند. شبیه Word است، اما دکمه‌ها، آیکون‌ها و تصاویر متفاوت‌اند. این پروژه در مرحله pre-alpha است؛ ArtCraft شباهت امکانات آن با Word را حدود ۶۲ درصد برآورد می‌کند و بررسی‌کننده استفاده از آن در محیط تولید را توصیه نمی‌کند. نقشه راه هم می‌پذیرد که آزمون سازگاری با فایل‌های واقعی DOCX هنوز آغاز نشده و نمودارها، SmartArt و اشیای OLE جاسازی‌شده حذف شده‌اند.

در مورد مجوز، WordCraft با مجوز دوگانه MIT یا Apache 2.0 منتشر می‌شود. فرهنگ لغت املا و هجابندی از فهرست واژگان Moby Hyphenator II از Grady Ward استفاده می‌کند که در قلمرو عمومی است. ArtCraft می‌گوید همه چیز بر پایه مشخصات عمومی و مشاهده ساخته شده و منابع آن اصیل یا دارای مجوز باز هستند. The Document Foundation، سازنده LibreOffice، از اظهارنظر خودداری کرد؛ مایکروسافت دریافت پرسش را تأیید کرد اما پاسخ بیشتری نداد و Adobe درباره پروژه‌های برنامه‌های خلاقانه اظهارنظر نکرد.

Neil Brown از decoded.legal به این روزنامه گفت که وضعیت حقوقی به حوزه قضایی بستگی دارد؛ توسعه‌دهندگان ممکن است استدلال کنند که پیاده‌سازی مستقل آن‌ها نقض حق نیست، اما با توجه به اهمیت موضوع، اختلاف می‌تواند به دادگاه کشیده شود.

آنچه برای من جالب است خود ادعا نیست، بلکه سرعت آن است: تیمی کوچک با ابزار کدنویسی مبتنی بر هوش مصنوعی می‌تواند مجموعه‌ای آشنا از برنامه‌های اداری را منتشر کند؛ ناتمام، اما به اندازه‌ای قابل استفاده که بشود آزمایشش کرد. پرسش‌های باز مربوط به کیفیت، نگهداری و جنبه حقوقی است. دوست دارم بدانم دیگران که با دستیارهای هوش مصنوعی کد می‌نویسند درباره این ادعاهای «اتاق تمیز» چه فکر می‌کنند.

منبع: The Register

در سایت یک پورتال فناوری خواندم که OpenAI همزمان با عرضه مدل‌های GPT-6 از یک قابلیت جدید ChatGPT با نام «رابط هوشمند» (Intelligent UI) رونمایی کرده است. نکته اصلی این است که پاسخ دیگر فقط متن نیست و می‌تواند متن را با عناصر بصری تعاملی درون خود گفتگو ترکیب کند.

عناصر پشتیبانی‌شده شامل تصویرسازی، نمودار، گراف، فرم و دکمه‌های تعاملی است. بر اساس مقاله‌ای که به وبلاگ OpenAI ارجاع می‌دهد، GPT-6 آموزش دیده تا تشخیص دهد چه زمانی یک عنصر تعاملی بهتر از متن است و چگونه آن را در پاسخ قرار دهد.

از جمله نمونه‌ها: تصویر یک دوچرخه هفت‌سرعته با دکمه‌هایی برای انتخاب هر قطعه و نمایش اطلاعات آن، تصاویر مهره‌های ماه‌جونگ که در مجموعه‌های قابل پیمایش دسته‌بندی شده‌اند، و ابزارهای کوچکی مانند ماشین‌حساب پس‌انداز بازنشستگی یا ابزاری برای تقسیم صورت‌حساب میان چند نفر. از نظر مدل‌ها، GPT-6 Sol برای مشترکان سطوح بالاتر در دسترس است و مشترکان Go و کاربران رایگان از Luna استفاده می‌کنند که کارآمدتر است. این مقاله همچنین به بهبود جست‌وجوی وب، پاسخ‌های جزئی سریع‌تر هنگام جمع‌آوری اطلاعات و مقاومت بیشتر در برابر تلاش برای دور زدن آموزش ایمنی اشاره کرده است.

به نظر من این گام برای توسعه‌دهندگان مهم است، زیرا گفتگو را به یک اپلیکیشن کوچک که بر حسب درخواست ساخته می‌شود نزدیک‌تر می‌کند. پرسش باز این است که آیا دکمه‌ها واقعاً بیش از یک متن خوب‌نوشته به ما کمک می‌کنند؟ خوشحال می‌شوم نظر شما را بشنوم.

منبع: پورتال فناوری

پس از پنج سال، Bootstrap بالاخره دوباره به حرکت افتاده است: مارک اتو، یکی از بنیان‌گذاران، اولین آلفای Bootstrap 6 را اعلام کرده است، به گزارش heise developer. من این خبر را جالب می‌دانم، چون این چارچوب از محیط توییتر آمده و از سال ۲۰۱۱ متن‌باز بوده است.

آمار نشان می‌دهد Bootstrap چقدر بزرگ شده است: بنا بر اعلام پروژه، بیش از ۱.۷۵ میلیارد نصب. اما در عین حال سهم بازارش در حال کاهش است. طبق W3Techs، در اوایل اوت ۲۰۲۶ حدود ۱۳.۸ درصد از همه وب‌سایت‌ها از Bootstrap استفاده می‌کردند، در حالی که این رقم در دسامبر ۲۰۲۵ برابر ۱۵.۳ درصد بود. در پروژه‌های جدید، Tailwind CSS بیشتر جا باز می‌کند.

تیم روی مرورگرهای مدرن تمرکز دارد: Chrome و Edge از نسخه ۱۳۰، Firefox از نسخه ۱۳۲ و Safari از نسخه ۱۸ به بعد. برای این منظور Bootstrap 6 از قابلیت‌هایی مانند تغییر خودکار حالت روشن و تیره، پنجره‌های گفتگوی بومی و چیدمان‌هایی استفاده می‌کند که با عناصر اطراف هم‌تراز می‌شوند، نه با پنجره. رنگ‌ها، فاصله‌ها و شعاع گوشه‌ها تا حد زیادی با متغیرهای CSS قابل کنترل‌اند، حتی در زمان اجرا. نام کلاس‌ها به Tailwind نزدیک شده است: .d-md-none می‌شود .md:d-none و .col-lg-6 می‌شود .lg:col-6. آکاردئون‌ها بدون JavaScript کار می‌کنند.

بخشی که به‌خصوص برایم قابل توجه است، بخش هوش مصنوعی است: مستندات به صورت llms.txt و llms-full.txt در دسترس است و در مخزن فایل‌های مهارت وجود دارد که قرار است به عامل‌های هوش مصنوعی، مثلاً در مهاجرت، کمک کند.

به گفته مقاله، صفحات موجود را نمی‌توان به سادگی جابه‌جا کرد. Bootstrap 5 فعلاً پشتیبانی خواهد شد و پیش از پایان پشتیبانی، به‌روزرسانی ۵.۴.۰ منتشر می‌شود. انتظار می‌رود نسخه ۷ خیلی سریع‌تر برسد. کدام‌یک از شما هنوز از Bootstrap استفاده می‌کنید و کدام‌یک به چیز دیگری مهاجرت کرده‌اید؟

منبع: heise online

این هفته خبری از XYZ توجهم را جلب کرد: دانشگاه صنعتی وروتسواف و مرکز انکولوژی، ریه و هماتولوژی سیلزیای سفلی در حال ساخت یک پلتفرم هوش مصنوعی برای مراقبت‌های سلامت هستند. نه یک چت‌بات دیگر، بلکه یک مدل پایه که پرونده‌های پزشکی، نتایج آزمایشگاه، تصاویر و مسیر درمان را به هم پیوند می‌دهد.

کار را با سرطان ریه شروع می‌کنند — DCOPiH سالانه بیش از ۱٫۴ هزار بیمار جدید را پیگیری می‌کند و داده‌های به‌خوبی مستندشده‌ای دارد. سیستم قرار است پیش از کمیسیون پزشکی کامل‌بودن مدارک را بررسی کند، کمبودها را نشان دهد و نگذارد بیمار میان آزمایش‌ها «از قلم بیفتد». تصمیم همچنان با پزشک است؛ هوش مصنوعی باید به او وقت بیشتری برای بودن کنار بیمار بدهد، نه اینکه به‌جای او فکر کند.

از نظر فنی، یادگیری فدرال برایم جالب است: داده‌ها در بیمارستان می‌مانند و فقط نتایج آموزش به مدل مشترک فرستاده می‌شود. پایهٔ کار تجربهٔ مدل لهستانی PLLuM خواهد بود، اما با زبان واقعی پزشکی و چندوجهی بودن.

نخستین نمونهٔ اولیه طی چند ماه آینده آماده می‌شود. اگر از سیلزیای سفلی فراتر برود، می‌تواند یکی از مهم‌ترین پروژه‌های هوش مصنوعی لهستان باشد که ارزش دارد بدون هیاهوی تبلیغاتی درباره‌اش صحبت کرد.

منبع: XYZ