مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی 🎙️ خبر ۱: شرکت NVIDIA مدل باز Nemotron 3.5 Transcribe را معرفی کرده که صدا را به چند زبان رونویسی و ترجمه می‌کند، گوینده‌ها را از هم جدا می‌کند و با دستور دادن قابل تنظیم است. 🔁 خبر ۲: GitHub قابلیت خودکارسازی Copilot را طوری به‌روز کرده که از نتیجه کارهای واقعی یاد بگیرد؛ یعنی عامل‌های کدنویسی به‌جای تکرار اشتباه، روش کارشان را خودشان بهتر می‌کنند. 💬 خبر ۳: کاربران اشتراک Pro در آمریکا می‌توانند از طریق iMessage به دستیار Dot شرکت OpenAI پیام بدهند و بدون باز کردن هیچ اپی، دستور و عکس و پیام صوتی بفرستند. 🔍 خبر ۴: یک گزارش توضیح می‌دهد آمارهایی که چت‌بات‌ها نقل می‌کنند از کجا می‌آید، چطور «آمارهای زامبی» در اینترنت پخش می‌شوند و چطور می‌شود درستی‌شان را بررسی کرد. 🌱 خبر ۵: گوگل مدل Gemini 4 Carbon را معرفی کرده که در فهرست هوش Artificial Analysis رتبه اول را گرفته و در عین حال از مدل‌های قبلی کم‌مصرف‌تر و انرژی‌کارآمدتر است. @dslanders

🧭 تیپ #34 بازیابی پویا: ایجنت خودش تصمیم می‌گیرد چه زمانی جست‌وجو کند در روش کلاسیک، هر پرسش کاربر یک جست‌وجوی اجباری در پایگاه دانش را فعال می‌کند، حتی وقتی مدل خودش پاسخ را می‌داند. در رویکرد ایجنتی، بازیابی به یک ابزار در اختیار ایجنت تبدیل می‌شود و خودش تشخیص می‌دهد چه زمانی جست‌وجو لازم است، چه عبارتی بنویسد و آیا نتایج برگشته کافی هستند یا نه 🧭. نتیجه‌اش این است که توکن و زمان کمتری هدر می‌رود و در عوض ایجنت می‌تواند چند مرحله جست‌وجو را زنجیره کند و پرس‌وجوی ناموفق را اصلاح کند. Agentic RAG: Let the Agent Decide When to Retrieve Classic RAG runs retrieval on every single turn, whether or not the model actually needs it. Agentic RAG hands retrieval to the model as a tool and lets it decide when to search, what query to write, and whether the results are good enough 🧭. The payoff is concrete: fewer wasted tokens and less latency on questions the model can already answer, plus the ability to rewrite a query, chain several searches, or fall back to another source when the first pass comes back empty. @dslanders