اخبار برنامه‌نویسی

شرکت «هبین رباتیک» ابزار متن‌باز HFlow را برای مدیریت خط‌لوله‌های داده‌های چندوجهی در حوزه رباتیک و هوش مصنوعی فیزیکی معرفی کرد. این کیت توسعه نرم‌افزاری (SDK) به تیم‌های رباتیک در هر مقیاسی اجازه می‌دهد تا فرآیندهای پیچیده پردازش داده، از جمله کنترل کیفیت و برچسب‌گذاری را بهینه‌سازی کنند. با استفاده از این ابزار، داده‌های حاصل از حسگرها و دوربین‌ها در قالب استاندارد MCAP ذخیره و مدیریت می‌شوند. این پلتفرم با هدف رفع گلوگاه‌های پردازش داده طراحی شده و امکان ردیابی دقیق مراحل تولید خروجی‌ها را فراهم می‌کند. در حال حاضر، این پروژه در مرحله پیش از نسخه یک قرار دارد و توسعه‌دهندگان می‌توانند از طریق مخزن متن‌باز آن در بهبود این فناوری مشارکت کنند.

پروژه «آپاچی ایگی» که در مارس ۲۰۲۳ با هدف یادگیری زبان برنامه‌نویسی «راست» و بررسی زیرساخت‌های پیام‌رسانی آغاز شده بود، اکنون به یک پروژه سطح‌بالای بنیاد نرم‌افزاری آپاچی تبدیل شد. این پلتفرم که در ابتدا یک آزمایش شخصی توسط پیوتر گانکیویچ بود، طی ۱۸ ماه حضور در «آپاچی اینکوباتور» با مشارکت توسعه‌دهندگان جهانی به بلوغ رسید. ایگی با طراحی مبتنی بر «ترد-پر-کور» و استفاده از فناوری‌های پیشرفته، تأخیرهای پردازشی را به زیر یک میلی‌ثانیه رسانده است. این ارتقا پس از رأی مثبت و اتفاق‌آرای اعضای بنیاد آپاچی در ۱۹ اوت ۲۰۲۶ نهایی شد تا تضمینی برای تداوم ماهیت متن‌باز این پروژه باشد.

ابزار هوش مصنوعی «کلود کد» به صورت پیش‌فرض نشانی اینترنتی جلسات را به انتهای پیام‌های کامیت گیت‌هاب و توضیحات پول ریکوئست اضافه می‌کند. این ویژگی بدون هشدار قبلی یا پرسش از کاربر فعال می‌شود و تاریخچه گیت را شلوغ می‌کند. توسعه‌دهندگان نرم‌افزار بدون آگاهی قبلی متوجه این موضوع می‌شوند که برایشان غیرحرفه‌ای به نظر می‌رسد. راه‌حل پیشنهادی کاربران این است که این قابلیت به صورت اختیاری و انتخابی درآید. تنظیماتی در فایل پیکربندی وجود دارد که می‌توان آن را غیرفعال کرد اما برای1 بیشتر کاربران ناشناخته است. جامعه کاربری خواستار تغییر این روند در به‌روزرسانی‌های آینده شده است.

مقاله جدیدی با عنوان «ماشین‌های وضعیت تابعی در زبان برنامه‌نویسی راست» منتشر شده است که به بررسی الگوهای «تایپ‌استیت» و «نیوتایپ» می‌پردازد. این پژوهش که در پایگاه داده انجمن ماشین‌های محاسباتی (ACM) نمایه شده، به چگونگی پیاده‌سازی ماشین‌های وضعیت با استفاده از قابلیت‌های سیستم نوع‌دهی زبان راست می‌پردازد. این مقاله برای توسعه‌دهندگانی که به دنبال افزایش ایمنی و خوانایی کد در سیستم‌های پیچیده هستند، راهکارهای فنی ارائه می‌دهد. علاقه‌مندان می‌توانند برای مطالعه جزئیات بیشتر و بررسی بحث‌های فنی پیرامون این موضوع، به لینک اصلی مقاله در وب‌سایت ACM مراجعه کنند.

کتابخانه vLLM با انتشار نسخه ۰.۲۸.۰، گام بزرگی در بهینه‌سازی مدل‌های زبانی بزرگ برداشته است. این به‌روزرسانی شامل ۵۸۴ تغییر توسط ۲۷۰ مشارکت‌کننده است که تمرکز اصلی آن بر بهبود عملکرد مدل‌های Kimi-K3 و DeepSeek V4 قرار دارد. از جمله ویژگی‌های کلیدی این نسخه می‌توان به پشتیبانی از Decode Context Parallel، کاهش مصرف حافظه تا ۱۷ گیگابایت به ازای هر پردازنده گرافیکی و بهبود ۶۰ درصدی در زمان اولین توکن (TTFT) اشاره کرد. همچنین، قابلیت‌های جدیدی برای مدیریت حافظه کش KV و پشتیبانی از سخت‌افزارهای AMD ROCm اضافه شده است. در این نسخه، محدودیت تعداد توکن‌های دسته‌ای از ۸۱۹۲ به ۱۶۳۸۴ افزایش یافته و تغییرات ساختاری در نحوه اجرای مدل‌ها اعمال شده است. این نسخه اکنون برای دانلود در قالب‌های مختلف از جمله Docker و Python Wheels در دسترس کاربران قرار دارد.

ابزار متن‌باز و رایگان «استم‌دک» به عنوان یک جایگزین محلی برای سرویس‌های ابری جداسازی صدا مانند «مویسس» معرفی شده است. این ابزار به کاربران اجازه می‌دهد فایل‌های صوتی با فرمت‌های مختلف یا لینک‌های یوتیوب را بارگذاری کرده و آن‌ها را به ۶ بخش مجزا شامل وکال، درامز، بیس، گیتار، پیانو و سایر صداها تقسیم کنند. تمام فرآیند پردازش به صورت کاملاً محلی روی سیستم کاربر و با استفاده از هوش مصنوعی انجام می‌شود و نیازی به ساخت حساب کاربری یا پرداخت اشتراک نیست. استم‌دک مجهز به یک میکسر چندترکه شبیه به نرم‌افزارهای آهنگسازی است که امکاناتی نظیر تنظیم صدا، بی‌صدا کردن ترک‌ها و تحلیل ضرب‌آهنگ و گام موسیقی را فراهم می‌کند. توسعه‌دهنده این ابزار تاکید کرده است که استم‌دک قصد رقابت با محصولات تجاری را ندارد و صرفاً برای مطالعه شخصی و استفاده رایگان طراحی شده است.

ابزار متن‌باز جدیدی به نام «ConductAI» برای مدیریت و محافظت از مدل‌های زبانی بزرگ و عوامل هوش مصنوعی معرفی شده است. این سامانه شامل دو بخش اصلی «Guard» به عنوان موتور سیاست‌گذاری و «Router» به عنوان پروکسی هوش مصنوعی است. این ابزار با استفاده از تنظیمات امضاشده و ثبت وقایع زنجیره‌اي مبتنی بر هش، امنیت و نظارت دقیق را تضمین می‌کند. این پروژه بیش از ۲۰ بسته تطبیق‌پذیری استاندارد مانند OWASP و SOC 2 را به صورت پیش‌فرض ارائه می‌دهد. توسعه‌دهندگان می‌توانند با دستورات گیت و داکر این پشته را روی سامانه خود راه‌اندازی کنند. حالت کشف اولیه نیز امکان مشاهده بدون دخالت را برای مدت ۱۴ روز فراهم می‌کند.

یک مجموعه جدید از نوت‌بوک‌های آموزشی رایگان برای مهندسان هوش مصنوعی و توسعه‌دهندگان پیشرو منتشر شده است که روی پشته کاربردی مدل‌های زبان بزرگ تمرکز دارد. این دوره به صورت کاملاً بدون استفاده از چارچوب‌های آماده و با اتکا به رابط‌های برنامه‌نویسی کاربردی خام طراحی شده است تا مهندسان بتوانند ساختار درونی ابزارهایی مانند لینگ‌چین را به طور کامل درک کنند. تمامی بخش‌های این آموزش روی رابط رایگان گروق قابل اجرا است و کاربران نیازی به وارد کردن اطلاعات کارت اعتباری نخواهند داشت. مباحث کلیدی این مجموعه شامل مواردی نظیر مهندسی پرامپت، بازیابی اطلاعات افزوده، ارزیابی خروجی‌ها و ساخت عامل‌های هوشمند می‌شود. همچنین بخش‌هایی برای تنظیم دقیق مدل، مسائل امنیتی، عملیات و کارایی استنتاج در نظر گرفته شده است. این دوره شامل مطالعات موردی واقعی از جمله رفع اشکال دستیار پشتیبانی در محیط تولید و تحلیل هزینه‌های خط لوله در برابر عامل‌ها است. در انتهای این برنامه، شرکت‌کنندگان می‌توانند با انجام یک پروژه پایانی کاربردی، نمونه‌کارهای حرفه‌ای خود را برای ورود به بازار کار آماده کنند.

ابزار متن‌باز اکسپرینشال به عنوان یک درگاه و مسیریاب برای مدیریت جریان‌های کاری عامل‌های هوش مصنوعی عرضه شده است. این پلتفرم به کاربران امکان می‌دهد تا از مدل‌های میزبانی‌شده، محلی و شخصی‌سازی‌شده از طریق یک رابط برنامه نویسی کاربردی سازگار با اوپن‌ای‌آی استفاده کنند. کاربران می‌توانند نحوه مصرف، هزینه‌ها و دسترسی کاربران و عامل‌ها به مدل‌های مختلف را به دقت کنترل کنند. نصب این درگاه محلی با دستور ساده پایپ اینستال اکسپرینشال و اجرای دستورهای مربوطه امکان‌پذیر است. همچنین پلتفرم ابری این ابزار خدمات مشابهی را در نشانی مشخص شده ارائه می‌دهد تا توسعه‌دهندگان بتوانند کلیدهای استنباطی خود را متصل کنند. این درگاه با جمع‌آوری داده‌های ردیابی و بهینه‌سازی ترافیک تولیدی، به عامل‌های کدنویسی و برنامه‌نویسان کمک می‌کند تا عملکرد مدل‌ها را از نظر کیفیت، سرعت و هزینه مدیریت کنند.

دانیل دینز، بنیانگذار شرکت یوآی‌پث، کتاب جدید خود با عنوان «کاری که باقی می‌ماند» را در حوزه هوش مصنوعی منتشر کرد. او در این اثر استدلال می‌کند که شرکت‌ها باید اجازه دهند عامل‌های هوش مصنوعی کارها را آماده کنند در حالی که تصمیمات حساس بر عهده انسان‌هاست. دینز پیش‌بینی کرده است که تا پایان سال ۲۰۲۸ میلادی، تمامی شرکت‌های بزرگ تنظیم‌شده از محیط‌های مهندسی‌شده برای جریان‌های کاری خود استفاده خواهند کرد. او همچنین به این نکته اشاره کرد که ۷۵ درصد پروژه‌ها پیش از مرحله تولید متوقف می‌شوند. این کتاب با همکاری مدل‌های هوش مصنوعی کلود و چت‌جی‌پی‌تی به نگارش درآمده است.

شرکت سنتی‌لبز سیستم هوش مصنوعی جدیدی به نام «اوپن اگزیوتیو» را توسعه داده است که به عنوان تیم اجرایی مجازی شرکت‌ها عمل می‌کند. این سیستم با بهره‌گیری از دانش در سطح مدرک مدیریت ارشد کسب‌وکار از دانشگاه هاروارد طراحی شده است. معماری این سامانه شامل هشت عامل تخصصی هوش مصنوعی در حوزه‌های استراتژی، مالی، منابع انسانی، حقوقی، عملیاتی، بازاریابی، محصول و ارتباطات هیئت مدیره است. تمامی پاسخ‌ها از یک صدا و لحن اجرایی واحد و یکپارچه به کاربر ارائه می‌شود. سیستم دارای حافظه اپیزودیک است که تصمیمات و ابتکارات گذشته را در پایگاه داده ذخیره می‌کند تا در نشست‌های بعدی به یاد آورده شود. یک زمان‌بند داخلی نیز برای پیگیری اقدامات حساس به زمان و وظایف معوق در نظر گرفته شده است. این ابزار به شرکت‌ها کمک می‌کند تا تصمیم‌گیری‌های مدیریتی خود را با دقت و سرعت بیشتری انجام دهند.

برخی از خدمات پلتفرم گیت‌هاب با اختلال مواجه شده است و این سامانه از کاربران خواسته است تا برای دریافت آخرین به‌روزرسانی‌ها ثبت‌نام کنند. کاربران می‌توانند از طریق ایمیل یا پیامک اطلاعیه‌های مربوط به بروز و رفع حوادث را دریافت کنند. برای دریافت پیامک، تایید شماره تلفن همراه توسط کاربر الزامی است. در غیر این صورت، کاربران قادر خواهند بود تنها با وارد کردن ایمیل روند اطلاع‌رسانی را دنبال کنند. این گزارش‌ها به کاربران کمک می‌کند تا از وضعیت قطعی و پایداری خدمات مطلع شوند.

بررسی‌های امنیتی نشان می‌دهد که استفاده از تابع داخلی str.lower در زبان برنامه‌نویسی پایتون می‌تواند منجر به بروز آسیب‌پذیری در پیاده‌سازی استانداردهای مرتبط با نام‌های دامنه‌ بین‌المللی شود. الگوریتم‌های استاندارد قدیمی مانند StringPrep وابسته به نسخه‌ ۳.۲.۰ یونیکد هستند تا نتایج ثابتی در تبدیل حروف بزرگ و کوچک تولید کنند. اما تابع str.lower در پایتون بر اساس نسخه جاری و به‌روز مفسر عمل می‌کند که باعث مغایرت با مشخصات فنی RFC 3454 می‌شود. این تفاوت در نسخه یونیکد می‌تواند خروجی کدگذاری رشته‌ها را تغییر داده و خطاهای امنیتی ایجاد کند. برای رفع این مشکل، توسعه‌دهندگان باید استثناءهای جدیدی تعریف کنند تا رفتار تابع به نسخه‌های قدیمی‌تر یونیکد پایبند بماند. استفاده از پکیج‌های اختصاصی IDNA گزینه‌ای ایمن‌تر نسبت به کدهای قدیمی استاندارد در پایتون محسوب می‌شود.