نوشته ها

توی رویداد AMD AI DevDay، این شرکت یه سرویس جدید به اسم AI Endpoint APIs معرفی کرد که روی GPUهای AMD Instinct MI350X اجرا میشه و از طریق Fireworks AI ارائه میشه. نکته‌ی مهمش اینه که این endpoint ها کاملاً سازگار با فرمت OpenAI هستن، یعنی اگه قبلاً با API اوپن‌ای‌آی کار کرده باشی، تغییر کد برای سوییچ به AMD تقریباً هیچیه. مدل‌هایی مثل Kimi K2.5 برای کارهای multimodal agent و MiniMax M2.7 (یه مدل Mixture-of-Experts بهینه‌شده برای tool use و کارهای چندمرحله‌ای) روی این پلتفرم در دسترس هستن، هر دو با پشتیبانی از fine-tuning با LoRA و امکان استفاده‌ی serverless یا deploy اختصاصی.

بخش رایگانش اینجاست: هر کسی که از طریق AMD AI Developer Program عضو بشه، در همون لحظه‌ی شروع ۲۵ میلیون توکن API رایگان دریافت می‌کنه. عضویت توی این برنامه هم رایگانه و کنارش چیزهایی مثل اعتبار ابری، دوره‌های آموزشی و دسترسی به مهندسای AMD هم میده. AMD همزمان داره ROCm رو هم برای این اکوسیستم آماده‌تر می‌کنه — پشتیبانی از روز صفر برای مدل‌های جدید، ادغام شبانه با Hugging Face، و مشارکت مستقیم توی پروژه‌هایی مثل vLLM و SGLang.

نکته‌ای که برای من جالبه اینه که این حرکت AMD رو مستقیم رقیب مدل‌های serverless شرکت‌هایی مثل Together AI یا حتی OpenRouter می‌کنه، ولی با یه مزیت اضافه: زیرساخت خود AMD پشتشه، نه صرفاً یه لایه‌ی میانی روی GPU بقیه. اگه دنبال یه راه ارزون برای تست مدل‌های open-weight قوی مثل Kimi یا MiniMax هستی، این ۲۵ میلیون توکن رایگان برای شروع بد نیست؛ فقط طبیعتاً باید حواست باشه که این یه پیشنهاد تبلیغاتی برای جذب توسعه‌دهنده‌ست، نه یه commitment بلندمدت رایگان.

اگه فکر می‌کردی سرعت انتشار مدل‌های هوش مصنوعی زیاده، گوگل همین امروز (دوم سپتامبر) دوباره ثابت کرد که می‌تونه حتی سریع‌تر هم بره. جمینای ۳.۸ فلش منتشر شد، اونم فقط سه هفته بعد از جمینای ۳.۷ فلش — و این سومین آپدیت فلش توی کمتر از شش هفته‌ست. برای مقایسه، خیلی از شرکت‌ها هنوز دارن روی همون نسخه‌ی چند ماه پیش مدلشون کار می‌کنن؛ گوگل انگار تصمیم گرفته این چرخه رو ماهانه کنه.

دو نسخه، دو هدف متفاوت

این بار گوگل به‌جای یه مدل، دو تا variant منتشر کرده. نسخه‌ی اصلی، Gemini 3.8 Flash، روی مهندسی نرم‌افزار، کارهای agentic و reasoning چندمرحله‌ای تمرکز داره و طبق ادعای گوگل روی بنچمارک DeepSWE v1.1 (که مربوط به حل مسائل مهندسی طولانی‌مدت به‌صورت end-to-end هست) از خیلی از مدل‌های فرانتیر بزرگ‌تر بهتر عمل می‌کنه — اونم با هزینه‌ی خیلی کمتر. قیمتش هم همون قیمت مقدماتی نسخه‌ی قبلیه: ۰.۷۵ دلار به ازای هر میلیون توکن ورودی و ۳.۷۵ دلار برای هر میلیون توکن خروجی.

نسخه‌ی دوم که جالب‌تره، Gemini 3.8 Flash Cyber نام داره و مخصوص امنیت سایبریه. طبق گفته‌ی گوگل، این مدل عملکرد در سطح فرانتیر توی کشف آسیب‌پذیری و patch کردن خودکار داره. یه نمونه‌ی جالب اینه که تیم Cloud Vulnerability Research خود گوگل با این مدل تونسته یه آسیب‌پذیری بحرانی رو در کمتر از دو ساعت پیدا کنه، کاری که معمولاً ماه‌ها طول می‌کشه. این نسخه از طریق یه برنامه‌ی جدید به اسم Fairwind فقط در اختیار تیم‌های امنیتی مورد اعتماد قرار می‌گیره، نه به‌صورت عمومی.

چرا این‌قدر عجله؟

اسم داخلی این مدل «Skimaki» بوده و طبق گزارش‌هایی که قبل از انتشار رسمی منتشر شده بود، مهندسای خود گوگل توی پلتفرم داخلی کدنویسیشون (Jetski) اون رو در برابر مدل‌های رقیب امتحان کردن و بیشترشون این مدل رو ترجیح دادن — به‌خاطر latency پایین‌تر، خروجی مختصرتر و کمتر hallucinate کردن. نکته‌ی جالب اینجاست که به نظر می‌رسه گوگل داره از تجربه‌ی نسخه‌های قبلی فلش درس می‌گیره: یکی از مشکلات همیشگی این خانواده از مدل‌ها verbose بودن بیش از حد بوده، و ۳.۸ دقیقاً روی کاهش همین مشکل کار کرده.

به نظر من این ریتم انتشار بیشتر از اینکه نشونه‌ی جهش تکنولوژیک باشه، نشونه‌ی فشار رقابتیه. گوگل مدت‌هاست که توی حوزه‌ی coding agent ها عقب‌تر از رقبا دیده می‌شه، و این آپدیت‌های پشت سر هم بیشتر شبیه تلاش برای بستن اون فاصله‌ست تا یه جهش واقعی در معماری مدل. البته این حرف به این معنی نیست که مدل بد کار می‌کنه — طبق گزارش‌ها روی بنچمارک‌های تخصصی مثل Vals Finance Agent V2 و Harvey Legal Agent Benchmark هم بهتر از ۳.۷ عمل کرده و روی HLE-Verified به عدد ۵۴.۹ درصد رسیده.

یه روز یکی از سرویس‌های داخلیت باید با یه سرویس دیگه حرف بزنه. مثلاً سرویس سفارش باید به سرویس پرداخت بگه «این سفارش رو تسویه کن». اولین راهی که به ذهن خیلی‌ها می‌رسه اینه: یه endpoint باز کن، یه API key هم بذار توش، تمام. مشکل از همینجا شروع میشه، چون «داشتن یه کلید» با «امن بودن ارتباط» فاصله‌ی زیادی داره.

قبل از هر چیز بذار یه چیزی رو روشن کنم: انتخاب پروتکل (REST، GraphQL، gRPC) اصلاً چیزی نیست که امنیت رو تضمین کنه. REST یه انتخاب کاملاً خوبه، ولی خود REST بودن هیچ ربطی به امن بودن نداره. امنیت از جای دیگه‌ای میاد: از اینکه چطور احراز هویت می‌کنی، چطور تصمیم می‌گیری کی به چی دسترسی داره، چطور داده رو رمزنگاری می‌کنی، چطور ورودی‌ها رو validate می‌کنی، و چقدر دو سیستم رو از هم ایزوله نگه می‌داری. این پنج تا با هم امنیت رو می‌سازن، نه انتخاب فرمت پیام.

معماری کلی، قبل از رفتن سراغ جزئیات

یه تصویر کلی از یه معماری معقول این شکلیه: سرویس A از طریق HTTPS به یه API Gateway یا reverse proxy می‌رسه، اونجا احراز هویت، تعیین دسترسی، rate limiting و محدودیت IP اعمال میشه، بعد درخواست به سرویس B واقعی می‌رسه، و در نهایت به دیتابیس. نکته‌ی مهم اینه که هیچ‌کدوم از این لایه‌ها به تنهایی کافی نیستن — این‌ها روی هم دفاع در عمق (defense in depth) رو می‌سازن. هدف طراحی یه سیستم «غیرقابل نفوذ» نیست (چنین چیزی وجود نداره)، هدف اینه که اگه یه لایه شکست خورد، بقیه‌ی سیستم خودکار قربانی نشه.

HTTPS اجباریه، نه اختیاری

این نکته آنقدر بدیهی به نظر می‌رسه که خیلی‌ها ازش رد می‌شن، ولی هنوز هم می‌بینم سرویس‌های داخلی که فقط چون «پشت فایروال هستن» با HTTP ساده کار می‌کنن. فرقی نمی‌کنه ترافیک بین دو تا دیتاسنتر رد بشه یا بین دو تا container توی یه کلاستر — بدون TLS، هر کسی که بین راه بایسته می‌تونه credential ها و داده‌ها رو بخونه. این یعنی همیشه https://api.example.com، هیچ‌وقت http://api.example.com، حتی برای ترافیک کاملاً داخلی.

برای ارتباط سرویس به سرویس، می‌تونی از این هم جلوتر بری و از mutual TLS (mTLS) استفاده کنی. توی TLS معمولی فقط کلاینت مطمئن میشه داره با سرور درست حرف می‌زنه؛ توی mTLS هر دو طرف certificate دارن و همدیگه رو verify می‌کنن. راه‌اندازیش توی Node.js با ماژول این شکلیه:

آنتروپیک اول سپتامبر ۲۰۲۶، Claude Fable 5.1 و Claude Mythos 5.1 رو معرفی کرد؛ جانشین‌های Fable 5 و Mythos 5 که سوم ژوئن همون سال منتشر شده بودن. این دو مدل، جدیدترین اعضای رده‌ی Mythos هستن؛ رده‌ای که بالاتر از Opus قرار می‌گیره و برای کارهای بلندمدت، ایجنتیک و پرمخاطره طراحی شده.

این دو مدل دقیقاً چه فرقی با هم دارن؟

Fable 5.1 و Mythos 5.1 عملاً یه مدل واحدن، فقط با سطح safeguard متفاوت. Fable 5.1 به‌صورت عمومی در دسترس همه‌ست، ولی Mythos 5.1 فقط از طریق برنامه‌های دسترسی مورد اعتماد آنتروپیک قابل استفاده‌ست؛ safeguardهاش مخصوص کارهای امنیت سایبری و علوم زیستی طراحی شده تا افراد واجد شرایط بتونن بدون محدودیت‌های معمول کار کنن.

جهش عملکرد نسبت به Fable 5

آنتروپیک Fable 5.1 رو استاندارد جدیدی برای کدنویسی، کار دانشی و حل مسئله‌ی بلندمدت معرفی کرده. توی بنچمارک Terminal-Bench-Science 0.1 (پژوهش علمی ایجنتیک)، امتیاز از ۲۴.۷ درصد برای Fable 5 به ۵۲.۶ درصد برای Fable 5.1 رسیده؛ این حتی از Opus 5 (۲۹ درصد) و GPT-5.6 Sol (۲۲.۴ درصد) هم جلوتره. توی Terminal-Bench 4.0 (کدنویسی ایجنتیک) هم از ۴۲ به ۵۵.۸ درصد رسیده (نسخه‌ی Mythos 5.1 بدون دخالت safeguardهای سایبری حتی ۶۰.۹ درصد گرفته). روی AutomationBench (گردش‌کار کسب‌وکار) جهش از ۱۷.۱ به ۳۱.۴ درصد بوده، و CursorBench 3.2.0 هم از ۷۰.۵ به ۷۳.۴ درصد رسیده. توی Humanity's Last Exam بدون ابزار از ۵۷.۸ به ۶۰.۹ درصد و با ابزار از ۶۳.۸ به ۶۵ درصد بهبود داشته. یه نکته‌ی عملی مهم: توی Claude Code به‌طور پیش‌فرض روی effort بالا (High) کار می‌کنه، ولی توی Claude Cowork و claude.ai پیش‌فرضش روی Medium ـه؛ و روی effortهای پایین‌تر، نتیجه‌ای مشابه یا بهتر از Fable 5 با هزینه‌ی بسیار کمتر می‌ده. یکی از نمونه‌های میدانی جالبی که آنتروپیک اشاره کرده، شرکت سرمایه‌گذاری Millennium ـه که می‌گه Fable 5.1 تونسته علت یه کرش بسیار نادر توی سیستم‌های داخلیشون رو پیدا کنه؛ مشکلی که چند سال بود مهندس‌های خودشون و هیچ مدل دیگه‌ای نتونسته بودن توضیحش بدن.

قیمت: ارزون‌تر شده، ولی نه توی همه‌ی حالت‌ها

قیمت پایه‌ی توکن ورودی و خروجی Fable 5.1 دقیقاً همون قیمت Fable 5 مونده: ۱۰ دلار به ازای هر میلیون توکن ورودی و ۵۰ دلار برای هر میلیون توکن خروجی. چیزی که تغییر کرده، قیمت cache read ـه که ۷۵ درصد ارزون‌تر شده و به ۰.۲۵ دلار به ازای هر میلیون توکن رسیده. طبق ادعای آنتروپیک، این تغییر برای کارهای معمولی حدود ۲۵ درصد و برای کارهای بسیار ایجنتیک (که بیشتر هزینه‌شون از cache read میاد) تا حدود ۴۵ درصد کاهش هزینه‌ی کلی به همراه داره. با این حال، Artificial Analysis که توی تست‌های پیش از انتشار همکاری داشته، به این ادعا نقد وارد کرده: طبق داده‌های اون‌ها، Fable 5.1 روی effort حداکثری (max) به‌خاطر مصرف حدود ۱.۷ برابر بیشتر توکن خروجی، می‌تونه واقعاً حدود ۲۰ درصد گرون‌تر از Fable 5 برای هر تسک تموم بشه؛ روی effort حداکثری هر تسک حدود ۳.۷۶ دلار هزینه داره، در حالی که Opus 5 با فقط ۳ امتیاز کمتر، ۲.۳۴ دلار می‌گیره. روی effort extra-high، Fable 5.1 با امتیاز ۶۵، هزینه‌اش به ۲.۷۲ دلار می‌رسه که فاصله رو کم می‌کنه ولی همچنان از Opus 5 گرون‌تره.

لاراول طبق روال هفتگی معمولش، نسخه‌ی ۱۳.۲۷.۰ رو منتشر کرده؛ یه نسخه‌ی کوچیک و کاملاً bug-fix که فقط یه تغییر توش هست. مشکل رفع‌شده مربوط به ثبت تکراری instanceهای scoped توی کانتینر سرویس لاراول بود؛ یعنی توی بعضی سناریوها، یه binding با طول عمر scoped ممکن بود بیش از یه بار توی کانتینر ثبت بشه، که این می‌تونست باعث رفتار غیرمنتظره یا overhead اضافه توی resolve کردن اون سرویس بشه. این تغییر توسط jordanhavard پیشنهاد و مرج شده و طبق سیاست همیشگی لاراول، هیچ breaking change ای همراهش نیست؛ پس آپدیت به این نسخه کاملاً بی‌دردسره.

اگه پروژه‌ات به‌صورت نرم از constraint نسخه‌ای مثل ^13.0 استفاده می‌کنه، این آپدیت رو به‌صورت خودکار توی composer update بعدیت می‌گیری؛ فقط اگه از scoped bindingها زیاد استفاده می‌کنی، بد نیست بعد از آپدیت یه نگاه به رفتار سرویس‌های حساست بندازی.

NestJS نسخه‌ی ۱۲ رو ۲۷ آگوست به‌صورت رسمی منتشر کرد؛ بزرگ‌ترین تغییری که این نسخه با خودش میاره، مهاجرت کامل پکیج‌های رسمی از CommonJS به ESM ـه. خبر خوب برای کسایی که پروژه‌ی قدیمی دارن اینه که این مهاجرت اجباری نیست؛ اپلیکیشن‌های CommonJS فعلی همچنان بدون تغییر کار می‌کنن و رفتن به سمت ESM کاملاً اختیاریه.

ESM، ولی بدون فشار

بخش فنی اصلی این نسخه همینه: پکیج‌های هسته‌ای NestJS حالا native ESM هستن. لطف Node.js مدرن اینجاست که با پشتیبانی از require(esm)، این مهاجرت خیلی کمتر از چیزی که چند سال پیش بود مخرب و پرهزینه‌ست. خود CLI هم موقع ساخت پروژه‌ی جدید ازت می‌پرسه که می‌خوای CommonJS بسازی یا ESM؛ یعنی تصمیم دست خودته، نه فریم‌ورک.

Standard Schema؛ دیگه وابسته به یه کتابخونه‌ی خاص نیستی

یکی از فیچرهای مورد انتظار این نسخه، پشتیبانی از Standard Schema توی decoratorهای route ـه؛ یعنی می‌تونی برای validation و serialization به‌جای وابستگی به یه کتابخونه‌ی خاص، از هرکدوم از Zod، Valibot یا ArkType که دوست داری استفاده کنی. برای پروژه‌هایی که قبلاً به class-validator گیر افتاده بودن، این یه آزادی عمل واقعیه.

یه CLI کاملاً بازسازی‌شده

خود Nest CLI هم زیر و رو شده؛ کل سورسش به ESM مهاجرت کرده، تست‌ها از Jest به Vitest منتقل شدن، برای هر دستور e2e test اضافه شده و کلاس‌های دستورها به‌جای آرگومان‌های untyped، حالا context objectهای تایپ‌شده می‌گیرن. دو دستور جدید هم اضافه شده: nest upgrade (با اسم مستعار update) که یه پروژه‌ی نسخه‌ی ۱۱ رو به ۱۲ آپگرید می‌کنه و بخش مکانیکی مهاجرت (مثل تنظیمات webpack توی nest-cli.json، تغییر نام GraphQL playground به graphiql، جایگزینی پکیج NATS) رو خودش انجام می‌ده و در آخر گزارشی از تغییرات و کارهای باقی‌مونده می‌ده؛ و nest deploy که مستقیم اپلیکیشن رو (با نصب خودکار @nestjs/mau در اولین اجرا) روی کلود دیپلوی می‌کنه.

ابزارهای پیش‌فرض عوض شدن

برای پروژه‌های جدید ESM، Vitest جایگزین پیش‌فرض Jest شده (پروژه‌های CommonJS همچنان با Jest می‌مونن)، oxlint به‌جای ESLint اومده، و Rspack هم بندلر پیش‌فرض مونوریپوها شده؛ فلگ‌های --webpack/--webpackPath قدیمی هم به نفع منسوخ شدن.

نود جی‌اس یه نسخه‌ی out-of-band و خیلی کوچیک به اسم ۲۶.۸.۱ منتشر کرده که تنها هدفش رفع یه باگ ساده‌ست: توی نسخه‌ی قبلی، دستور node --version به‌اشتباه یه نسخه‌ی alpha رو گزارش می‌داد، و این نسخه فقط همین مشکل رو درست می‌کنه. هیچ فیچر یا تغییر رفتاری دیگه‌ای توش نیست، پس نیازی به توجه خاصی نداره؛ فقط اگه خروجی node --version روی نسخه‌ی ۲۶.۸.۰ برات عجیب بوده، همین بروزرسانی مشکلتو حل می‌کنه.

آیا واستون سؤال شده که مثلاً ChatGPT یا Gemini چطوری با اینکه یه LLM هستن و منطقا فقط باید بتونن متن ورودی بگیرن، عکس شما رو می‌فهمن؟

مثلاً شما یه عکس به ChatGPT می‌دین و می‌پرسین «توی این عکس چی می‌بینی؟» و مدل هم شروع می‌کنه درباره‌ی عکس توضیح دادن.

اینجا یه سؤال طبیعی پیش میاد:

آیا یه ابزار جداگانه وجود داره که اول عکس رو به متن تبدیل کنه و بعد اون متن رو بده به LLM؟

مثلاً عکس رو بگیره، تشخیص بده «یه گربه روی صندلی نشسته» و بعد این جمله رو به مدل زبانی بده؟

خیر.

ماجرا این شکلی نیست.

پس عکس چطوری وارد LLM می‌شه؟

برای فهمیدن این موضوع باید یه چیز رو درباره‌ی LLMهای جدید کنار بذاریم: اینکه LLM لزوماً فقط متن می‌گیره.

مدل‌هایی مثل GPT و Gemini در نسخه‌های Multimodal می‌تونن با چند نوع ورودی مختلف کار کنن. یعنی در کنار متن، می‌تونن تصویر و حتی ورودی‌هایی مثل صدا و ویدئو رو هم پردازش کنن.

ولی خب هنوز یه سؤال مهم باقی می‌مونه.

مدل زبانی که با عدد و توکن و embedding کار می‌کنه، دقیقاً با یه عکس چه کار می‌کنه؟

اینجا پای یه بخش دیگه از مدل وسط میاد که معمولاً بهش Vision Encoder یا Image Encoder می‌گن.

Image Encoder چه کار می‌کنه؟

تصویری که شما آپلود می‌کنید، برای کامپیوتر در نهایت یه عالمه عدد مربوط به پیکسل‌هاست.

اما اینکه همین اعداد خام رو بندازیم جلوی LLM و انتظار داشته باشیم بفهمه توی عکس چه خبره، طبیعتاً جواب نمی‌ده.

پس اول تصویر وارد Image Encoder می‌شه.

Image Encoder یه مدل بیناییه که از روی تصویر سعی می‌کنه اطلاعات مهم اون رو استخراج کنه. مثلاً اینکه چه شکل‌هایی توی تصویر وجود دارن، چه الگوهایی دیده می‌شن و بخش‌های مختلف تصویر چه ارتباطی با هم دارن.

معمولاً اینجا با معماری‌هایی مثل Vision Transformer یا ViT سروکار داریم.

خروجی هم دیگه خود عکس نیست. تصویر تبدیل می‌شه به یه سری بردار عددی یا Embedding که اطلاعات تصویر رو در خودشون نگه می‌دارن.

یعنی تا اینجا تقریباً داریم:

عکس → Image Encoder → Embeddingهای تصویری

آنتروپیک یه خبر جالب راجع به Claude Code منتشر کرده که ظاهرش خیلی بهتر از باطنشه. توی توییت رسمی ClaudeDevs نوشته که از ۱۴ سپتامبر، محدودیت هفتگی استاندارد Claude Code رو برای پلن‌های Pro، Max، Team و Enterprise مبتنی بر seat، به‌طور دائمی ۲۵ درصد افزایش می‌ده. تا اینجا خبر خوبیه، ولی نصف دومش یه چیز دیگه‌ست.

داستان از کجا شروع شد

سیزدهم می، آنتروپیک یه افزایش موقت ۵۰ درصدی روی محدودیت هفتگی Claude Code اعمال کرد؛ چیزی که قرار بود موقت باشه ولی چهار بار پشت سر هم تمدید شد و عملاً تا الان به‌عنوان وضعیت عادی حس می‌شد. حالا این پنجره‌ی تبلیغاتی از ۱۴ سپتامبر بسته می‌شه و به‌جاش همون افزایش دائمی ۲۵ درصدی جایگزینش می‌شه. مشکل اینجاست که ۲۵ درصد، به‌طور واضح کمتر از ۵۰ درصدیه که همین الان فعاله؛ یعنی اگه محدودیت اصلی رو ۱۰۰ فرض کنی، الان با بوست موقت داری از ۱۵۰ استفاده می‌کنی، ولی از ۱۴ سپتامبر این عدد به ۱۲۵ می‌رسه. به زبان ساده، نسبت به مبنای اولیه ۲۵ درصد بیشتر داری، ولی نسبت به چیزی که همین الان در اختیارته، حدود ۱۷ درصد کمتر می‌گیری.

اعترافی که توی یه ریپلای جدا مخفی شده بود

جالب‌ترین بخش ماجرا نحوه‌ی اطلاع‌رسانیشه. آنتروپیک این کاهش ۱۷ درصدی رو مستقیم توی همون پست اصلی ننوشت؛ به‌جاش، این عدد رو توی یه ریپلای جداگانه اعلام کرد: «نسبت به امروز، این یعنی ۱۷ درصد کاهش توی محدودیت هفتگی Claude Code. داریم روی تغییرات هیجان‌انگیزی کار می‌کنیم که حس بیشتر گرفتن از کلاد رو بهت بده، در کنار دید و کنترل بیشتر روی مصرفت.» کاربرها به‌سرعت این ریپلای رو پیدا کردن و حتی یه Community Note به پست اصلی توییتر اضافه کردن تا بقیه هم از این کاهش پنهون باخبر بشن. طبق گزارش‌ها، آنتروپیک پست اولیه‌ی خودش رو هم حذف و با یه نسخه‌ی اصلاح‌شده جایگزین کرده بود.

این تنها محدودیتی نیست که سخت‌تر شده

آنتروپیک هیچ عدد ثابتی برای این محدودیت‌ها (مثلاً تعداد مشخص توکن یا پرامپت) منتشر نکرده و می‌گه مصرف واقعی به عواملی مثل مدل انتخابی، طول مکالمه و میزان استفاده از ابزارها بستگی داره. این تغییر هم‌زمان با اینه که رقیبش OpenAI هم اخیراً محدودیت ۵ ساعته‌ی سخت‌گیرانه‌تری رو روی ابزارهای Codex و Work خودش برگردونده؛ نشون می‌ده که کل صنعت داره به سمت سخت‌گیری بیشتر روی مصرف مدل‌های agentic حرکت می‌کنه، احتمالاً به‌خاطر هزینه‌ی بالای inference.

طبق گزارش The Information که بعداً رویترز و چند رسانه‌ی دیگه هم تأییدش کردن، انویدیا توافق کرده Hugging Face، یکی از شناخته‌شده‌ترین پلتفرم‌های اشتراک‌گذاری مدل‌های متن‌باز هوش مصنوعی، رو با حدود ۱۲.۹ میلیارد دلار بخره. با این حال تا لحظه‌ی نوشتن این خبر، نه انویدیا و نه Hugging Face رسماً این معامله رو تأیید نکردن؛ Business Insider و بلومبرگ هم گزارش دادن که مذاکرات هنوز به قرارداد امضاشده نرسیده و امکان به‌هم خوردنش هم وجود داره.

چرا Hugging Face برای انویدیا مهمه؟

Hugging Face عملاً نقش یه مرجع مرکزی برای اکوسیستم مدل‌های متن‌باز رو بازی می‌کنه؛ جایی که توسعه‌دهنده‌ها مدل، دیتاست و ابزار به اشتراک می‌ذارن و حتی می‌تونن compute اجاره کنن تا مدل‌هاشون رو اجرا کنن. برای انویدیا، یه اکوسیستم متن‌باز قوی یعنی تقاضای بیشتر برای چیپ‌هاش از طرف توسعه‌دهنده‌هایی که به زیرساخت آزمایشگاه‌های بزرگ بسته وابسته نیستن؛ چون هرکسی مدلی رو از Hugging Face دانلود کنه، معمولاً باید اون رو روی GPU (اغلب انویدیا) اجرا کنه. جنسن هوانگ، مدیرعامل انویدیا، همین هفته موقع اعلام درآمد فصلی ۹۶.۲ میلیارد دلاری شرکت (بیش از دو برابر سال قبل) هم صراحتاً روی اهمیت رشد اکوسیستم متن‌باز تأکید کرده بود.

بازگشت به کسب‌وکار ابر

یه بعد جالب دیگه‌ی این معامله اینه که چون Hugging Face از قبل امکان اجاره‌ی compute برای اجرای مدل‌ها رو به کاربراش می‌ده، مالکیت اون می‌تونه یه مسیر برگشت به کسب‌وکار cloud computing برای انویدیا باز کنه؛ کسب‌وکاری که طبق گزارش‌ها حدود یه سال پیش خودش رو ازش کنار کشیده بود. این می‌تونه راهی هم باشه برای این‌که انویدیا ظرفیت اضافه‌ی ابری‌ای که برای مشتری‌هاش تعهد داده رو، از طریق Hugging Face به بازار عرضه کنه.

رقمی که چند برابر ارزش قبلیه

آخرین دور تأمین مالی شناخته‌شده‌ی Hugging Face سال ۲۰۲۳ با ۲۳۵ میلیون دلار و ارزش‌گذاری ۴.۵ میلیارد دلار بود؛ با سرمایه‌گذارهایی مثل Salesforce Ventures، GV گوگل، IBM Ventures و خود انویدیا. جالبه که خود انویدیا پارسال یه پیشنهاد ۵۰۰ میلیون دلاری برای ورود جدید با ارزش‌گذاری ۷ میلیارد دلار داده بود که Hugging Face ردش کرده بود؛ حالا رقم پیشنهادی تقریباً دو برابر شده. طبق گزارش‌ها، درآمد سالانه‌ی Hugging Face چیزی حدود ۱۵۰ میلیون دلاره؛ یعنی این قیمت، پرمیوم قابل‌توجهی روی جایگاه استراتژیک شرکت توی اکوسیستم توسعه‌دهنده‌های AI می‌ذاره.

کانونیکال اولین point release نسخه‌ی LTS با اسم رمز Resolute Raccoon رو منتشر کرد؛ اوبونتو ۲۶.۰۴.۱. اگه از قبل کاربر ۲۶.۰۴ هستی و آپدیت‌هاتو منظم نصب می‌کردی، هیچ کار خاصی لازم نیست انجام بدی؛ چون هرچی توی این نسخه هست، از طریق آپدیت‌های معمولی قبلاً روی سیستمت نشسته و کافیه از مسیر Settings > About شماره نسخه رو چک کنی.

این نسخه چیه دقیقاً؟

نسخه‌های نقطه‌ای (point release) مثل ۲۶.۰۴.۱ فیچر جدیدی اضافه نمی‌کنن؛ صرفاً همه‌ی SRU‌ها (Stable Release Update) یعنی رفع باگ‌ها و پچ‌های امنیتی‌ای که از آوریل، زمان انتشار خود ۲۶.۰۴ LTS، جمع شدن رو توی یه ایمیج نصب تازه بسته‌بندی می‌کنن. این یعنی اگه بخوای اوبونتو رو روی یه سیستم جدید نصب کنی، مجبور نیستی صدها آپدیت رو بعد از نصب دانلود کنی. توی این نسخه هیچ HWE stack جدیدی (یعنی کرنل و درایورهای گرافیکی جدیدتر) نیومده؛ اون قراره با ۲۶.۰۴.۲ همراه بشه.

چیزهایی که توش هست

علاوه بر رفع باگ و آپدیت‌های امنیتی تا ۲۵ آگوست، ایمیج‌های نصب هم برای رفع چند مشکل نصب به‌روزرسانی شدن. یه تغییر عملی هم برای رمزنگاری دیسک مبتنی بر TPM اضافه شده: حالا می‌شه PIN اجباری روی سخت‌افزارهایی که فرمورشون قابل تأیید خودکار نیست رو غیرفعال کرد؛ هرچند خود مستندات اوبونتو هم صریح هشدار می‌ده که این کار محافظت در برابر دستکاری فرمور رو کم می‌کنه. ایمیج‌های Raspberry Pi، Arm64 و RISC-V هم به‌روزرسانی شدن، و کنار دسکتاپ و سرور، فلیورهای رسمی مثل Kubuntu، Xubuntu، Lubuntu، Ubuntu Studio، Ubuntu Kylin، Ubuntu Budgie، Edubuntu و Ubuntu Cinnamon هم همگی نسخه‌ی ۲۶.۰۴.۱ خودشونو گرفتن.

مسیر آپگرید از ۲۴.۰۴

کاربرهای ۲۴.۰۴ LTS (Noble Numbat) چند هفته‌ی دیگه به‌صورت خودکار از طریق Update Manager پیشنهاد آپگرید به ۲۶.۰۴.۱ رو می‌گیرن؛ این تأخیر عمدیه و به‌خاطر backport کردن چند اصلاحیه برای رفع regression توی نسخه‌ی اخیر rust-coreutils هست. اگه عجله داری، همین الان هم می‌شه با دستور do-release-upgrade -d این کارو دستی انجام داد.

یادآوری چند تغییر مهم خود ۲۶.۰۴ LTS

برای کسایی که هنوز از نسخه‌های قدیمی‌تر میان و مستقیم به ۲۶.۰۴.۱ می‌رسن، بد نیست چندتا تغییر مهم خود نسخه‌ی اصلی ۲۶.۰۴ (که آوریل با GNOME 50 و کرنل ۷.۰ اومده بود) رو یادآوری کنیم: این آخرین نسخه‌ایه که سازگاری با اسکریپت‌های سرویس System V توی systemd رو نگه داشته، پشتیبانی از cgroup نسخه‌ی ۱ کاملاً حذف شده، Netplan به نسخه‌ی ۱.۲ رسیده، SSSD به نسخه‌ی ۲.۱۲ آپدیت شده و دیگه زیر کاربر root اجرا نمی‌شه، و HAProxy هم به نسخه‌ی LTS آپ‌استریم ۳.۲ رسیده. اوبونتو ۲۶.۰۴ LTS تا ژوئن ۲۰۳۱ پشتیبانی می‌شه.

اوپن ای آی جمعه‌شب اعلام کرد که همکاریش با Cursor رو تموم می‌کنه و دسترسی مستقیم Cursor به مدل‌هاش از ۱۲ نوامبر قطع می‌شه. دلیل این تصمیم هم چیز فنی‌ای نیست؛ دو هفته پیش از این خبر، SpaceX با ۶۰ میلیارد دلار، شرکت مادر Cursor یعنی Anysphere رو خرید و اون رو زیر مجموعه‌ی تازه‌تأسیس SpaceXAI برد. حالا OpenAI می‌گه دیگه نمی‌تونه به رعایت شرایط قرارداد از طرف یه شرکت زیرمجموعه‌ی ایلان ماسک مطمئن باشه.

دلیل OpenAI: اعتماد، نه تکنولوژی

توی پستی روی وب‌سایتش، OpenAI صراحتاً نوشته که این تصمیم به «اعتماد» برمی‌گرده، نه چیز دیگه‌ای، و به تجربه‌ی خودش از شکسته شدن قرارداد توسط شرکت‌های ماسک اشاره کرده؛ از جمله ادعا می‌کنه که X (همون توییتر سابق که حالا زیرمجموعه‌ی SpaceX هست) بعد از خرید توسط ماسک، شرایط یه قرارداد قبلی با OpenAI رو نقض کرده. OpenAI بخشی از این تصمیم رو هم به مسائل امنیتی مرتبط کرده؛ با اشاره به مدل بعدیش به اسم Astra که قابلیت‌های سایبری پیشرفته‌ای داره، می‌گه الان به سطح بالاتری از پایبندی شرکای خودش به قوانین استفاده نیاز داره. پس‌زمینه‌ی این ماجرا هم به دعوای حقوقی ماسک با OpenAI برمی‌گرده؛ ماسک از ۲۰۲۴ روی تبدیل شدن OpenAI از غیرانتفاعی به انتفاعی شکایت کرده بود، ولی می ۲۰۲۶ هیئت‌منصفه به نفع OpenAI رأی داد و ماسک هم گفته قصد داره به دادگاه تجدیدنظر برسونه.

واکنش Cursor: زیاد هم مهم نیست

مایکل تروئل، مدیرعامل و هم‌بنیان‌گذار Cursor، تلاش کرده اهمیت این قطع همکاری رو کم‌رنگ نشون بده و گفته مدل‌های OpenAI فقط حدود ۵ درصد از ترافیک کاربران Cursor رو تشکیل می‌دن. طبق گفته‌ی خودش، تیم‌های دو طرف در حال مذاکره برای حل این موضوع هستن. Cursor از ابتدا استراتژیش استفاده‌ی هم‌زمان از چند تأمین‌کننده‌ی مدل بوده (OpenAI، Anthropic، گوگل و xAI)، دقیقاً به همین دلیل که به یه شرکت خاص گیر نیفته؛ همین حالا هم داره جواب می‌ده.

آنتروپیک وارد میدون میشه

تام براون، از هم‌بنیان‌گذاران آنتروپیک و مسئول compute شرکت، توی توییتی نوشته که Cursor از زمان Sonnet 3.5 یه شریک قابل‌اعتماد بوده و آنتروپیک قراره ظرفیت compute مدل‌های کلاد رو برای Cursor بیشتر هم بکنه. البته این ادعای «شریک وفادار بودن» یه‌کم طعنه‌آمیزه؛ چون خود آنتروپیک هم قبلاً چند بار دسترسی API رو از شرکای خودش قطع کرده، از جمله بلاک کردن Windsurf بعد از این‌که قرار بود توسط OpenAI خریداری بشه، و همچنین قطع دسترسی خود OpenAI به کلاد به‌خاطر استفاده‌ی غیرمجاز از اون برای بنچمارک‌گیری.

پایتون ۳.۱۵ وارد فاز release candidate شده و نسخه‌ی 3.15.0rc1 چهارم آگوست منتشر شد. از این مرحله به بعد فقط باگ‌فیکس‌های تأییدشده اجازه‌ی ورود دارن و قرار نیست تغییر ABI بیفته؛ یعنی چیزی که الان می‌بینی، تقریباً همون چیزیه که توی نسخه‌ی نهایی هم خواهی داشت. طبق برنامه، rc2 اول سپتامبر منتشر می‌شه و نسخه‌ی نهایی 3.15.0 هم اکتبر امسال بیرون میاد.

واردات تنبل (lazy imports)؛ شاید مهم‌ترین فیچر این نسخه

با کلیدواژه‌ی نرم lazy، حالا می‌تونی وارد کردن یه ماژول رو به تعویق بندازی تا وقتی که واقعاً بهش نیاز داری: lazy import json باعث می‌شه json فقط وقتی اولین‌بار استفاده بشه، واقعاً لود بشه. این دقیقاً همون کاری رو می‌کنه که خیلی از پروژه‌های بزرگ با import گذاشتن داخل توابع دستی انجام می‌دادن، ولی الان به‌صورت رسمی و تمیز توی خود زبانه. یه فلگ خط فرمان (-X lazy_imports) و متغیر محیطی هم هست که می‌تونه همه‌ی importها رو به‌صورت global تنبل کنه، و یه تابع filter هم داری که می‌تونی مشخص کنی فقط ماژول‌های خودت تنبل بشن و پکیج‌های ثالث همون‌طور فوری لود بشن. برای اپلیکیشن‌هایی که زمان استارتاپشون طولانیه، این می‌تونه واقعاً محسوس باشه.

frozendict و sentinel به builtins اضافه شدن

یه نوع جدید به اسم frozendict مستقیم به builtins اضافه شده؛ برخلاف MappingProxyType، این یه کپی immutable واقعیه، نه فقط یه view روی دیکشنری قابل‌تغییر، و اگه کلید و مقدارهاش hashable باشن خودش هم hashable می‌شه. ماژول‌هایی مثل json، pickle و copy هم همین الان ازش پشتیبانی می‌کنن. در کنارش، یه تایپ sentinel هم اضافه شده که برای ساختن مقادیر یکتا (مثل الگوی رایج _MISSING = object()) استفاده می‌شه، ولی representation خواناتر و پشتیبانی از pickle داره.

پروفایلر جدید Tachyon و ماژول profiling

ابزارهای پروفایلینگ پایتون حالا زیر یه ماژول واحد به اسم profiling جمع شدن (profiling.tracing جایگزین cProfile قدیمیه و cProfile هم به‌عنوان alias می‌مونه). نکته‌ی جالب‌تر، اضافه شدن یه statistical sampling profiler به اسم Tachyon‌ه که می‌تونه بدون ری‌استارت کردن پروسه و با overhead تقریباً صفر، به یه پروسه‌ی در حال اجرا وصل بشه و تا سقف یک میلیون هرتز نمونه‌برداری کنه؛ خروجی‌هایی مثل flamegraph تعاملی، فرمت Gecko برای Firefox Profiler، و حتی حالت زنده‌ی شبیه هم داره. برای دیباگ کردن مشکلات پرفورمنس روی سرورهای production که نمی‌شه راحت ری‌استارتشون کرد، این ابزار واقعاً به‌درد‌بخوره.

آنتروپیک یه مرورگر مبتنی بر Chromium رو مستقیم داخل Claude Cowork جا داده؛ یعنی از این به بعد وقتی یه تسک نیاز به وب داره، دیگه لازم نیست از اکستنشن Claude in Chrome استفاده کنی، خود کلاد یه پنجره‌ی مرورگر جدا توی پنل کناری Cowork باز می‌کنه و مستقیماً صفحات رو می‌بینه، لینک کلیک می‌کنه، فرم پر می‌کنه و کارو تموم می‌کنه. این مرورگر کاملاً از مرورگر روزمره‌ی خودت جداست و به تب‌ها، بوکمارک‌ها یا پسوردهات دسترسی نداره؛ یعنی هم می‌تونی هم‌زمان با کلاد کار کنی و هم مرز بین کاری که خودت می‌کنی و کاری که کلاد می‌کنه مشخص‌تره.

این قابلیت از ۲۶ آگوست روی پلن‌های Enterprise فعاله و طی همین هفته برای Pro، Max و Team هم روی مک، ویندوز و لینوکس در دسترس قرار می‌گیره؛ به‌صورت پیش‌فرض هم روشنه، ولی می‌شه از تنظیمات به همون اکستنشن Chrome برگشت. لازم به ذکره که کلاد کد هم از قبل (جولای) یه نسخه‌ی مشابه از این مرورگر داخلی گرفته بود. مثل هر ابزار agentic دیگه‌ای که مستقیم با صفحات وب کار می‌کنه، ریسک حملات prompt injection همچنان وجود داره؛ آنتروپیک میگه برای اقدامات حساس مثل خرید یا اشتراک‌گذاری اطلاعات شخصی همچنان از کاربر تأیید می‌گیره، ولی صادقانه هم اعلام کرده که این محافظت‌ها ریسک رو کم می‌کنن، نه صفر.

نود جی‌اس نسخه‌ی ۲۶.۸.۰ رو منتشر کرد؛ هم‌زمان با ۲۴.۲۰.۰ با اسم رمز Krypton که روی خط LTS قرار داره. این آپدیت از اون‌هایی نیست که یه ویژگی غول‌پیکر و تبلیغاتی داشته باشه، ولی چند تا اضافه‌ی کوچیک توش هست که واقعاً به درد کار روزمره می‌خورن؛ از zip بومی گرفته تا مدیریت خودکار منابع توی ماژول sqlite.

zip بومی توی zlib

از این به بعد دیگه لازم نیست برای ساختن یا خوندن فایل zip سراغ پکیج‌های بیرونی مثل adm-zip یا archiver بری؛ ماژول zlib همین الان سه تا کلاس جدید به اسم ZipEntry، ZipFile و ZipBuffer اضافه کرده که کار compress/decompress و ساختن آرشیو zip رو مستقیم توی خود نود انجام می‌ده. برای اسکریپت‌های ساده‌ی build یا export که فقط می‌خوان چندتا فایل رو zip کنن، این یعنی یه dependency کمتر توی package.json.

دو تا حالت رمزنگاری جدید: SIV و GCM-SIV

توی Cipher/Decipher API حالا حالت‌های SIV و GCM-SIV هم فعال شدن. این دو تا، برخلاف GCM معمولی، در برابر استفاده‌ی اشتباهی یا تکراری از نانس (nonce) مقاوم‌تر هستن؛ یعنی حتی اگه به هر دلیلی یه نانس دوبار استفاده بشه، امنیت رمزنگاری به همون سرعت GCM معمولی از بین نمی‌ره. برای پروژه‌هایی که رمزنگاری حساس دارن و نمی‌خوان ریسک اشتباه انسانی توی مدیریت نانس بهشون گرون تموم بشه، این گزینه‌ی خوبیه.

مدیریت خودکار حافظه توی ماژول sqlite

StatementSync حالا هم متد close() داره و هم Symbol.dispose()؛ یعنی می‌تونی از syntax جدید using جاوااسکریپت برای پاک‌سازی خودکار statementها استفاده کنی، بدون این‌که نگران فراموش کردن close کردن و نشتی حافظه باشی. این دقیقاً همون الگوی RAII هست که توی زبان‌هایی مثل ++C رایجه و حالا به شکل محدودی وارد نود شده.

چندتا بهبود کوچیک‌تر ولی کاربردی

کانال diagnostics_channel به اسم TracingChannel از حالت آزمایشی درومده و رسماً stable شده؛ net.BlockList از نظر performance بهینه‌تر شده؛ ماژول perf_hooks حالا امکان آزمون فرضیه‌ی آماری (statistical hypothesis testing) رو به histogram اضافه کرده؛ REPL یه syntax highlighting ساده گرفته که کار نوشتن کد توی ترمینال رو خواناتر می‌کنه؛ و util.MIMEType.parse هم یه نسخه‌ی non-throwing گرفته که به‌جای throw کردن خطا، مقدار null برمی‌گردونه.