Tag: نوآوری فناوری

صبح بخیر!

لایه‌زیرو می‌خواهد زیرساخت اصلی هر صرافی باشد

لایه‌زیرو شش سال صرف ساختن مسیرهایی برای انتقال توکن‌ها بین بلاک‌چین‌ها کرد. روز سه‌شنبه، این شرکت از ATLAS رونمایی کرد؛ یک موتور معاملاتی و تسویه که قرار است زیربنای صرافی‌ها باشد، نه رقیب آن‌ها. توکن ZRO که در اوایل جلسه معاملاتی نزدیک به ۱ دلار بود، پس از انتشار این خبر بیش از ۲۰ درصد افزایش یافت.

ATLAS فاقد اپلیکیشن و رابط کاربری است. پلتفرم‌های معاملاتی می‌توانند به آن متصل شوند، رابط کاربری و مشتریان خود را حفظ کنند و از ساخت سیستم‌های تطبیق، پاکسازی، تسویه و مدیریت ریسک خودشان صرف‌نظر کنند. استدلال لایه‌زیرو این است که پلتفرم‌هایی که بر اساس صرافی‌های موجود ساخته می‌شوند، در نهایت با اپلیکیشن خود آن صرافی رقابت می‌کنند و موسسات، کسب‌وکار اصلی خود را بر روی زیرساختی که توسط یک رقیب اداره می‌شود، قرار نخواهند داد. این شرکت دو نسخه از ATLAS را عرضه می‌کند: یکی برای اپلیکیشن‌های رمزارزی و بازارهای پیش‌بینی، و دیگری برای شرکت‌هایی که نیاز دارند قوانین خود را بر روی همان موتور اعمال کنند. بازارهای تحت پوشش می‌توانند شامل اسپات، پرپچوال، سهام، اوراق قرضه، کالاها و پیش‌بینی‌ها باشند.

ATLAS تجسم باور ماست که پایگاه دارایی‌های به سرعت در حال گسترش جهان به یک موتور خنثی و کارآمد نیاز دارد که زیربنای پلتفرم‌هایی باشد که در بازارهای جهانی ساخته خواهند شد. هر بازاری، در هر کجای دنیا، ۲۴ ساعته، ۷ روز هفته، با عملکردی پیشرو در صنعت، همه…
— LayerZero (@LayerZero_Core) ۲۵ اوت ۲۰۲۶

توکن ZRO در تمام این فرآیند نقش دارد. پلتفرم‌ها برای دریافت تخفیف کارمزد بین ۲۰ تا ۶۵ درصد، توکن ZRO را استیک می‌کنند و پس از کسر این تخفیف‌ها، ۷۵ درصد از باقی‌مانده برای خرید و سوزاندن ZRO استفاده می‌شود، در حالی که ۲۵ درصد به خالق بازار می‌رسد. این امر توکن را به ادعایی بر حجم معاملات تبدیل می‌کند، به همین دلیل است که این اعلامیه باعث افزایش قیمت شد.

این اعلامیه مهم در مقطع حساسی برای اکوسیستم لایه‌زیرو منتشر می‌شود. در ماه آوریل، مهاجمان حدود ۲۹۲ میلیون دلار از پل لایه‌زیرو که توسط Kelp DAO استفاده می‌شد، به سرقت بردند و پروتکل‌ها از آن زمان در حال خروج بوده‌اند، از جمله ۷.۷ میلیارد دلار بیت‌کوین بسته‌بندی شده توسط BitGo و استیبل‌کوین ایالتی وایومینگ، که در مجموع حدود ۱۵ میلیارد دلار است. این یک مهاجرت بزرگ بوده است. اما اکنون، شتاب در حال بازگشت است. و لایه‌زیرو زیرساختی را برای میزبانی تمام برندگان بزرگ این چرخه آتی در بازارهای پرپچوال، سهام توکنیزه شده، بازارهای پیش‌بینی و دارایی‌های واقعی گسترده‌تر (RWAs) ایجاد کرده است. اکنون باید دید شرکای بالقوه چگونه واکنش نشان خواهند داد…

خزانه‌داری شرکتی و ETFها
ردیاب میم کوین

علی‌بابا روز چهارشنبه مدل Qwen 3.8-Flash-Next را عرضه خواهد کرد؛ مدلی با ۱۲۵ میلیارد پارامتر که تنها ۶ میلیارد پارامتر آن در هر توکن فعال می‌شود. تیم Qwen این مدل را پیش‌نمایشی از معماری نسل بعدی Qwen 4 معرفی کرده است، نه یک پرچمدار نهایی.

اطلاعات رسمی در مورد این مدل منتشر نشده است، اما بر اساس شایعات، احتمالاً یک سیستم “ترکیبی از متخصصان” (Mixture-of-Experts) خواهد بود. این طراحی شبکه را به چندین زیرمدل تخصصی تقسیم می‌کند و تنها زیرمدل‌های مرتبط با هر وظیفه را فعال می‌سازد. بنابراین، یک مدل ۱۲۵ میلیارد پارامتری با هزینه محاسباتی مدلی با تنها ۶ میلیارد پارامتر اجرا خواهد شد.

پارامترها اساساً تمام تنظیمات قابل تغییر یک مدل هستند. هرچه پارامترها بیشتر باشد، قابلیت مدل افزایش یافته و به قدرت محاسباتی بیشتری نیاز خواهد داشت. سیستم ترکیبی از متخصصان به یک مدل بسیار قدرتمند اجازه می‌دهد تا تنها آنچه را که برای ارائه بهترین خروجی نیاز دارد، فعال کند و از اتلاف منابع جلوگیری نماید.

تیم Qwen علی‌بابا این مدل را چندوجهی (multimodal) توصیف کرده و گفته است که بر اساس معماری آتی Qwen 4 ساخته شده است. همچنین اعلام کرده‌اند که نسخه اولیه را منتشر کرده‌اند تا توسعه‌دهندگان بتوانند برای خانواده کامل مدل‌ها آماده شوند.

علی‌بابا پیش‌نمایشی منتشر کرده است، هرچند تیم آن را یک پیش‌نمایش می‌نامد. برنامه این است که بهبودهای معماری را پیش از عرضه کامل Qwen 4 ارائه دهند. Hugging Face، که وزنه‌های مدل نیز در آنجا قرار دارند، آن را “پیش‌نمایشی از معماری Qwen 4” توصیف کرده است.

هنوز معیارهای سنجش عملکرد (benchmarks) منتشر نشده‌اند. Qwen امتیازات مقایسه‌ای در کنار خط تولید Qwen 3 خود یا رقبای غربی را منتشر نکرده است، بنابراین ارقام ۱۲۵ میلیارد و ۶ میلیارد پارامتری تأیید نشده‌اند و ما تنها می‌توانیم در مورد عملکرد آن گمانه‌زنی کنیم.

روند عرضه مدل‌های با وزن باز (open-weight) در چین بی‌وقفه بوده است. اخیراً یک مدل رایگان و مرموز به نام Ox Alpha در معیارهای کدنویسی خاصی از Fable انتروپیک پیشی گرفته است، بدون اینکه سازنده ناشناخته‌ای پشت آن باشد. علی‌بابا، DeepSeek و Moonshot همگی وزنه‌های توانمندی را عرضه کرده‌اند که هر کسی می‌تواند آن‌ها را دانلود، تنظیم دقیق (fine-tune) و اجرا کند.

وزنه‌های باز به توسعه‌دهندگان اجازه می‌دهند بدون ارسال داده به یک API بسته، مدل بسازند و هزینه مدل‌های میزبانی شده را کاهش دهند. به همین دلیل است که یک مدل ۱۲۵ میلیارد پارامتری با ۶ میلیارد پارامتر فعال اهمیت دارد: این امر قابلیت‌های نزدیک به مرز پیشرفت را بر روی سخت‌افزارهای معمولی قرار می‌دهد.

اما باید منتظر اعداد و ارقام ماند. تا زمان نگارش این خبر، Qwen امتیازات سنجش عملکرد را برای این عرضه منتشر نکرده بود.

تیمی از پژوهشگران نسخه‌ای کوچک‌تر و ارزان‌تر از یک مدل بزرگ هوش مصنوعی ساخته‌اند که به طرز شگفت‌انگیزی هوشمندتر از نسخه اصلی از آب درآمده است. این اتفاق که به نظر غیرممکن می‌رسد، مانند این است که همزمان هم عضلات خود را از دست بدهید و هم قوی‌تر شوید. اما گروهی در Multiverse Computing ادعا می‌کنند که به این مهم دست یافته‌اند و دلیل آن نشان می‌دهد که ما در فرآیند کوچک‌سازی مدل‌های هوش مصنوعی رویکردی اشتباه داشته‌ایم.

رویکرد جدید در کوچک‌سازی مدل‌های هوش مصنوعی

پژوهشگران در مقاله‌ای که روز جمعه منتشر شد، نوشتند: «پیام عملی برای فعالان این حوزه این است که در یک خط لوله بهبود مبتنی بر تقطیر، مرحله کوانتیزاسیون (کاهش دقت پارامترها) نه تنها هزینه‌ای برای حداقل‌سازی نیست، بلکه فرصتی اضافی برای نظارت معلم (مدل بزرگتر) است که منجر به مدلی می‌شود که همزمان ارزان‌تر برای سرویس‌دهی، سبک‌تر در حافظه و حداقل به اندازه همتای با دقت کامل خود دقیق است.»

پارامترهای مدل هوش مصنوعی: پیچیدگی و هزینه

پارامترهای یک مدل هوش مصنوعی را می‌توان به دیواری عظیم از دکمه‌ها تشبیه کرد؛ اعدادی که تمام آموخته‌های مدل را در خود نگه می‌دارند. هرچه تعداد این دکمه‌ها بیشتر باشد، مدل هوشمندتر است، اما اجرای آن نیز سنگین‌تر می‌شود. مدل GPT-OSS 120B شرکت OpenAI دارای ۱۲۰ میلیارد از این پارامترها است که هر کدام نیازمند حافظه و انرژی هستند.

فشرده‌سازی مدل‌ها: مصالحه‌ای اجتناب‌ناپذیر؟

برای عرضه ارزان‌تر هوش مصنوعی، شرکت‌ها پارامترها را حذف کرده و بازماندگان را فشرده می‌کنند. این فرآیند شبیه فشرده‌سازی عکس است؛ فایل کوچک‌تر می‌شود، اما فشرده‌سازی بیش از حد باعث تاری تصویر می‌شود (مانند تبدیل کیفیت 4K به 720p). کوچک‌سازی بیش از حد یک مدل نیز باعث کاهش هوشمندی آن می‌شود. این مصالحه تا پیش از این پذیرفته شده بود.

نوآوری در “کوانتیزاسیون-آگاه از بهبود”

این پژوهشگران پا را فراتر گذاشته و GPT-OSS را به ۶۰ میلیارد پارامتر کاهش دادند و هر کدام را در یک فضای کوچک ۴ بیتی فشرده کردند؛ معادل دیجیتالی فشرده‌سازی شدید. در حالت عادی، این کار مدل را به شدت تضعیف می‌کرد، اما این پژوهشگران راهی یافتند که در واقع آن را بهبود بخشند.

در تقریباً تمام معیارهای مورد استفاده برای مقایسه، مدل کوچک‌تر عملکرد بهتری نسبت به مدلی داشت که با دقت کامل ساخته شده بود.

درس گرفتن از استاد، نه از کپی ناقص

هنگامی که یک مدل کوچک می‌شود، معمولاً اشتباهات آن با مقایسه با نسخه “نیمه‌فشرده” – مدلی با ۶۰ میلیارد پارامتر و دقت بالاتر – اصلاح می‌شود. مشکل اینجاست که مدل نیمه‌فشرده خود یک کپی تار از نسخه اصلی است. بنابراین، مدل کوچک‌تر در حال یادگیری تقلید از یک دوقلوی ناقص است و هرگز نمی‌تواند از آن دوقلو پیشی بگیرد.

رویکردی که این پژوهشگران آن را “کوانتیزاسیون-آگاه از بهبود” (Quantization-Aware Healing) می‌نامند، هدف را تغییر می‌دهد. این رویکرد، مدل کوچک را به سمت نسخه اصلی و فشرده‌نشده هدایت کرده و می‌گوید: پاسخ‌های این مدل را کپی کن. مدل کوچک از استاد یاد می‌گیرد، نه از میانه راهِ گنگ. در ۷ مورد از ۹ آزمون، مدل ۶۰ میلیارد پارامتری ۴ بیتی، دوقلوی ۶۰ میلیارد پارامتری را که قرار بود نسخه بهتر آن باشد، شکست داد. مدل اصلی ۱۲۰ میلیارد پارامتری همچنان در اکثر موارد پیروز است – اندازه هنوز کاملاً حذف نشده – اما نسخه “رژیمی” معیاری را پشت سر گذاشت که هیچ‌کس انتظارش را نداشت.

پیامدهای کوچک‌تر و هوشمندتر

کوچک‌تر و هوشمندتر بودن یک دستاورد بزرگ است زیرا هوش مصنوعی به شدت به سخت‌افزار نیاز دارد. مدل بهبودیافته تقریباً یک چهارم حافظه و نصف پارامترهای نسخه اصلی را نیاز دارد. این تفاوت، شکاف بین هوش مصنوعی که در مراکز داده زندگی می‌کند و هوش مصنوعی که روی یک دسکتاپ مناسب یا حتی تلفن همراه شما جا می‌گیرد، را پر می‌کند.

بنابراین، مدلی که می‌تواند نتایج بهتری تولید کند و در عین حال نصف انرژی را مصرف کند، برای آزمایشگاه‌های کوچک و توسعه‌دهندگان محلی اهمیت زیادی دارد.

دسترسی آزاد و رایگان

این مدل همچنین رایگان است. تیم سازنده، مدل بهبودیافته Hypernova-60B را به صورت وزن‌های باز (open weights) در Hugging Face منتشر کرده است، بنابراین هر کسی می‌تواند آن را دانلود و اجرا کند. این اقدام در راستای روند رو به رشد مدل‌های باز است که دستاوردهای شگفت‌انگیزی دارند: اخیراً یک مدل رایگان مرموز به نام Ox Alpha، سیستمی به نام Claude را که سازنده ناشناخته‌ای داشت، شکست داد. همچنین، هیجان پیرامون مدل Qwen 3.8 Flash Next از Alibaba و موجی از مدل‌های تنظیم‌شده (finetunes) که مدل‌های کوچک را با استفاده از ردپاهای استدلالی LLMهای بزرگتر مانند Fable یا Claude Opus بهبود می‌بخشند، قابل توجه است.

محدودیت‌ها و آینده

البته نباید بیش از حد هیجان‌زده شد. ابزار کوچک‌سازی که برای ساخت دانش‌آموز ۶۰ میلیاردی استفاده شده، اختصاصی است، بنابراین دستورالعمل آن هنوز کاملاً باز نیست و تیم سازنده فقط GPT-OSS را آزمایش کرده است – نه خانواده‌های Llama، Qwen یا Mistral.

هوگینگ فیس در حال بررسی فروش احتمالی به ارزش ۱۳ میلیارد دلار یا بیشتر

به گزارش بیزینس اینسایدر، هوگینگ فیس (Hugging Face) در حال بررسی فروش احتمالی است که می‌تواند ارزش این شرکت را به ۱۳ میلیارد دلار یا بیشتر برساند. این رسانه به نقل از منابع آگاه گزارش داده است که این شرکت یک بانک را برای سنجش علاقه خریداران احتمالی استخدام کرده است، اما هنوز هیچ توافقی حاصل نشده و مشخص نیست که هوگینگ فیس با چه کسانی مذاکره کرده است.

ارزش‌گذاری ۱۳ میلیارد دلاری تقریباً سه برابر ارزش ۴.۵ میلیارد دلاری است که هوگینگ فیس در دور سرمایه‌گذاری سری D خود در سال ۲۰۲۳ تعیین کرده بود. این دور سرمایه‌گذاری که در مراحل پایانی جذب سرمایه برای استارتاپ‌هایی است که تقاضای خود را اثبات کرده‌اند، ۲۳۵ میلیون دلار جذب کرد و با رهبری Salesforce Ventures، با مشارکت گوگل و انویدیا همراه بود.

این شرکت پیش از این نیز پیشنهادات سرمایه‌گذاری کلان را رد کرده بود. اواخر سال گذشته، هوگینگ فیس یک سرمایه‌گذاری ۵۰۰ میلیون دلاری از سوی انویدیا را که ارزش آن را ۷ میلیارد دلار می‌کرد، رد کرد، زیرا نگران بود که یک سرمایه‌گذار واحد نفوذ بیش از حدی بر تصمیمات شرکت پیدا کند. کلمنت دلانگ، مدیرعامل هوگینگ فیس، رابطه این شرکت با توسعه‌دهندگانی که کارهای خود را بر روی این پلتفرم میزبانی می‌کنند، تعهدی بلندمدت دانسته و نه چیزی که بتوان به راحتی آن را معامله کرد.

هوگینگ فیس به درخواست برای اظهار نظر از سوی دکریپت (Decrypt) پاسخی نداده است.

این مذاکرات فروش حدود یک ماه پس از آن صورت می‌گیرد که هوگینگ فیس توسط یک سیستم هوش مصنوعی که انتظار نمی‌رفت قادر به انجام چنین کاری باشد، هک شد. در ماه مه، اوپن‌ای‌آی (OpenAI) در حال آزمایش این موضوع بود که آیا مدل‌هایش می‌توانند به طور مستقل نقص‌های نرم‌افزاری را پیدا و از آن‌ها سوءاستفاده کنند. یکی از این مدل‌ها، جعبه آزمایشی خود را مانع تلقی کرد.

این عامل از محیط ایزوله خود (sandbox) که برای جلوگیری از دسترسی آن به سیستم‌های واقعی طراحی شده بود، خارج شد، از یک آسیب‌پذیری روز صفر (zero-day exploit) همراه با اطلاعات ورود سرقت شده استفاده کرد و به زیرساخت زنده هوگینگ فیس دسترسی یافت. هوگینگ فیس این نفوذ را شناسایی و در ۱۶ ژوئیه افشا کرد؛ اوپن‌ای‌آی پنج روز بعد تأیید کرد که مدل‌هایش مسئول این حادثه بوده‌اند.

اوپن‌ای‌آی بعداً اعتراف کرد که همین عامل از اطلاعات ورود افشا شده برای دسترسی به چهار سرویس دیگر فراتر از هوگینگ فیس استفاده کرده است، که تنها یکی از آن‌ها، مودال لبز (Modal Labs)، به صورت عمومی نام برده شده است. دلانگ همچنین از مدل متن‌باز GLM 5.2 آزمایشگاه چینی Z.ai برای کمک به مهار این نفوذ قدردانی کرد و گفت که ابزارهای هوش مصنوعی تجاری آمریکایی به دلیل اینکه فیلترهای ایمنی آن‌ها قادر به تشخیص کد تحقیقاتی از حمله نبودند، از کمک خودداری کرده‌اند.

هوگینگ فیس هیچ اقدام قانونی علیه اوپن‌ای‌آی انجام نداده است.

در صورت تأیید، این دومین تحول بزرگ در فضای هوش مصنوعی متن‌باز در هفته گذشته خواهد بود.

بررسی فروش هوگینگ فیس همچنین پس از توافق استرایپ (Stripe) برای خرید اوپن‌روتر (OpenRouter) به بیش از ۷ میلیارد دلار صورت می‌گیرد. اوپن‌روتر استارتاپی است که درخواست‌ها را بین بیش از ۴۰۰ مدل هوش مصنوعی برای میلیون‌ها توسعه‌دهنده هدایت می‌کند. ارزش اوپن‌روتر تنها سه ماه قبل ۱.۳ میلیارد دلار بود.

سرمایه‌گذاران به طور فزاینده‌ای برای لایه توزیع که بین توسعه‌دهندگان و مدل‌های هوش مصنوعی قرار دارد، قیمت‌های ممتاز پرداخت می‌کنند، نه برای خود مدل‌ها.

آمار توزیع خود هوگینگ فیس نیز جذابیت آن را تأیید می‌کند؛ کتابخانه Transformers این شرکت بیش از ۳ میلیون بار در روز نصب می‌شود و طبق گفته این شرکت، از ۱.۲ میلیارد نصب تجمعی فراتر رفته است. هیچ جدول زمانی برای تصمیم‌گیری در مورد فروش تعیین نشده است.

مدل مرموز هوش مصنوعی “آکس آلفا” در صدر بنچمارک‌های کدنویسی قرار گرفت

علاقه‌مندان به هوش مصنوعی به شدت هیجان‌زده مدل هوش مصنوعی به نام “آکس آلفا” (Ox Alpha) شده‌اند که در تاریخ ۲۰ اوت بدون نام شرکت سازنده در پلتفرم OpenRouter ظاهر شد. این مدل به عنوان “مدلی برای استدلال که برای کدنویسی، کارهای مستمر عاملی و بارهای کاری تولید طراحی شده است” توصیف شده و توسط ارائه‌دهنده‌ای شخص ثالث ساخته شده که ترجیح داده در دوره پیش‌نمایش ناشناس بماند.

نکته قابل توجه این است که این مدل مرموز هوش مصنوعی در حال حاضر در بنچمارک‌های چشمگیر کدنویسی، از مدل‌های Claude Fable 5 از Anthropic و GPT-5.6 Sol از OpenAI پیشی گرفته است.

DeepSWE، بنچمارکی که میزان موفقیت یک عامل کدنویس در حل مسائل واقعی GitHub را در اولین تلاش، به صورت درصدی از وظایف انجام شده در ۱۱۳ وظیفه از ۹۱ مخزن، اندازه‌گیری می‌کند، نشان می‌دهد که آکس آلفا در رقابت با بهترین مدل‌ها قرار دارد.

بن دیویس، توسعه‌دهنده، نمونه اولیه ۱۰ وظیفه‌ای را اجرا کرد و آکس آلفا را در اولین گذر با ۸۰ درصد موفقیت قرار داد که بالاتر از ۶۵ درصد Claude Fable 5 و ۵۲ درصد GPT-5.6 Sol است. این عدد در عرض یک روز وایرال شد و نسخه‌هایی از آن همچنان در گردش هستند، گویی آکس آلفا برتری واضحی نسبت به هر دو مدل دارد.

دیویس در توییتی نوشت: “من این را از طریق ۱۰ وظیفه در DeepSWE اجرا کردم (بنابراین ممکن است واریانس زیادی در امتیاز واقعی آن وجود داشته باشد، این یک زیرمجموعه است)، اما… gpt-5.6-sol: ۵۲% fable: ۶۵% هر کوفتیتی که این هست: ۸۰% (تقریباً در “x” ها از دست رفت، بنابراین در واقع بالای ۸۰%) من بسیار گیج شده‌ام.”

تا تاریخ ۲۲ اوت، آکس آلفا هنوز در Artificial Analysis یا LMSys Arena ورودی نداشت. این مدل برای استفاده رایگان است، تا حدود ۱ میلیون توکن را در یک پنجره زمینه واحد می‌خواند و متن، تصویر و ویدئو را به عنوان ورودی می‌پذیرد و متن را برمی‌گرداند. همچنین از فراخوانی ابزار و تابع پشتیبانی می‌کند، اگرچه خروجی JSON آن schema-enforced نیست – که یک شکاف واقعی برای توسعه‌دهندگانی است که عامل‌هایی می‌سازند که انتظار پاسخ‌های ساختاریافته دارند.

OpenCode اعلام کرد که مسیر آن می‌تواند ۱۰۰ تریلیون توکن در روز را پردازش کند؛ Nous Research، که مدل را به صورت رایگان از طریق پورتال خود ارائه می‌دهد، ظرفیت ۱ کوادریلیون را ادعا کرده است. توکن‌ها واحد اصلی اطلاعاتی هستند که یک مدل می‌تواند پردازش کند و توان عملیاتی مانند این، آن را با پرکاربردترین و تواناترین مدل‌های موجود در بازار امروز هم‌سطح می‌کند. چنین اعدادی نتیجه‌گیری را آسان می‌کند که مدل آنقدر خوب است که انتظار استفاده زیادی از آن می‌رود و ارائه‌دهنده زیرساخت کافی برای پشتیبانی از بار را دارد.

پاتریک کالیسون، مدیرعامل استرایپ، که شرکتش در ۱۹ اوت توافق کرد OpenRouter را خریداری کند، در پستی در X، آکس آلفا را “بسیار چشمگیر” خواند. این جمله کوتاه از یک مدیر اجرایی شناخته شده فناوری، به پیشبرد مدل به گفتگوی گسترده‌تر در عرض چند ساعت پس از راه‌اندازی کمک کرد.

حدس و گمان‌ها درباره هویت سازنده آکس آلفا

هیچ‌کس برای ادعای مالکیت آن جلو نیامده است. اندرو کوران، تحلیلگر هوش مصنوعی، روز جمعه پست کرد که مردم “کمتر از هر چیزی مطمئن به نظر می‌رسند” در مورد اینکه آکس آلفا از کجا آمده است. با افزایش محبوبیت مدل، بازی حدس و گمان به سرعت تقسیم شد. توسعه‌دهندگان خانواده منتشر نشده MAI مایکروسافت، خط MiMo شیائومی، DeepSeek، Qwen علی‌بابا و حتی Gemini گوگل را مطرح کردند – به اندازه‌ای که افراد زیادی به Gemini رسیدند که یک توسعه‌دهنده شوخی کرد که گوگل از مدل مخفی یک رقیب به عنوان بازاریابی برای خود استفاده می‌کند. بیشتر این نامزدها با شواهد مطابقت نداشتند.

MiMo v2.5 شیائومی ورودی صوتی را می‌پذیرد، یک ویژگی برجسته که آکس آلفا صراحتاً رد می‌کند. DeepSeek هرگز قابلیت ویدئو را عرضه نکرده و به جای اجرای پیش‌نمایش‌های مخفی، وزن‌های باز را منتشر می‌کند. گوگل و Qwen هر دو از توکنایزرها و انکودرهای ویدئوی متفاوتی استفاده می‌کنند، بنابراین ایجاد یک پیوند محکم به آن مدل‌ها دشوار است.

آنچه باقی می‌ماند به خانواده مدل‌های Zhipu AI اشاره دارد. اثر انگشت مستقل، توکنایزر آکس آلفا را با GLM-5.3 در تمام تست‌های نرمال شده مطابقت داد و مصرف توکن ویدئوی آن را با GLM-5V-Turbo دقیقاً در چهار کلیپ جداگانه مطابقت داد، و همچنین خطاهای متمایز GLM و رفتار رد صدا را به اشتراک می‌گذارد.

توکنایزر آکس آلفا یک به یک با توکنایزر GLM یکسان است. هیچ توکنایزر آزمایشگاه دیگری در شباهت توکنایزر از ۴/۱۱ عبور نمی‌کند.

با این حال، یک جزئیات یک تطابق واضح را پیچیده می‌کند. GLM-5.3 در ۱۴ اوت به عنوان یک مدل فقط متنی راه‌اندازی شد، شش روز قبل از اینکه آکس آلفا با پشتیبانی کامل ویدئو ظاهر شود. اگر اثر انگشت درست باشد، آکس آلفا به احتمال زیاد یک ارتقاء چندوجهی منتشر نشده به آن خط است تا یک کپی یکسان – چیزی که تحلیلگران شروع به نامیدن آن GLM-5.3 Flash کرده‌اند. Zhipu AI نیز در این مورد هیچ اظهار عمومی در مورد آکس آلفا نداشته است.

یک مدل مخفی یک سیستم هوش مصنوعی در خط مقدم است که بدون انتساب از طریق یک پلتفرم مسیریابی مانند OpenRouter منتشر می‌شود و به یک آزمایشگاه اجازه می‌دهد تا داده‌های استفاده واقعی را قبل از تعهد به راه‌اندازی عمومی جمع‌آوری کند. این الگو برای آزمایشگاه‌های چینی به یک روال تبدیل شده است. Pony Alpha خود Zhipu AI در فوریه در عرض پنج روز به عنوان GLM-5 شناسایی شد، Hunter Alpha شیائومی در مارس به عنوان MiMo-V2-Pro مشخص شد، و Meituan اجازه داد Owl Alpha آن به مدت دو ماه به صورت ناشناس اجرا شود قبل از اینکه در ژوئن آن را به عنوان LongCat-2.0 تأیید کند.

آکس آلفا اکنون در OpenRouter با شناسه مدل stealth/ox-alpha و همچنین از طریق OpenCode، Cline و Nous Portal در دسترس است و همگی برای پرس و جو رایگان هستند. یادداشت راه‌اندازی OpenCode پنجره رایگان را حدود یک هفته از تاریخ راه‌اندازی ۲۰ اوت تعیین کرد، که به احتمال زیاد تاریخ قطع حدود ۲۷ اوت را نشان می‌دهد – پس از آن، اگر الگوی چهار مدل ناشناس اخیر ادامه یابد، ممکن است کسی بالاخره نامی برای آن پیدا کند.

ربات‌های انسان‌نما قادر به راه رفتن، رقصیدن و بوکس هستند، اما واداشتن آن‌ها به انجام کارهای مفید در دنیای فیزیکی غیرقابل پیش‌بینی، همچنان یکی از بزرگترین چالش‌های هوش مصنوعی باقی مانده است.

پیشرفت در هوش مصنوعی تجسم‌یافته

وانگ شیائوگانگ، رئیس هیئت مدیره ACE Robotics، معتقد است که پیشرفت‌ها در مدل‌های هوش مصنوعی و داده‌های آموزشی دنیای واقعی، به زودی می‌تواند هوش لازم را برای ربات‌ها فراهم کند تا از نمایش‌های نمایشی فراتر رفته و وارد حوزه استفاده تجاری شوند. وی در مصاحبه‌ای با رویترز اظهار داشت: «ما انتظار داریم تا پایان سال آینده به «لحظه چت‌جی‌پی‌تی» برای هوش تجسم‌یافته دست یابیم که با مدل‌های جهانی و جمع‌آوری داده‌های محیطی هدایت می‌شود.»

ACE Robotics، که در ژوئیه ۲۰۲۵ تأسیس شد، یک استارتاپ چینی است که در حال توسعه مدل‌های هوش مصنوعی برای ربات‌های انسان‌نما است. این شرکت که از سوی Ant Group و SenseTime حمایت می‌شود، در نیمه اول سال ۲۰۲۶ بیش از ۱۰۰ میلیون دلار سرمایه جذب کرده و طبق گزارش رویترز، قصد دارد در اسرع وقت مجاز، عرضه اولیه سهام (IPO) را دنبال کند.

چالش‌های پیش رو

در حالی که مدل‌های زبان بزرگ مانند ChatGPT و DeepSeek به سرعت گسترش یافته‌اند، ربات‌ها همچنان در انجام طیف وسیعی از وظایف در محیط‌های ناآشنا با مشکل مواجه هستند و کمبود داده‌های آموزشی همچنان یک مانع عمده محسوب می‌شود. هوش مصنوعی تجسم‌یافته (Embodied AI) به ربات‌ها و سایر عامل‌های فیزیکی اجازه می‌دهد تا محیط خود را درک کرده، درباره آن استدلال کنند و از طریق حسگرها و عملگرها، تصمیمات را به اقدامات تبدیل کنند. همزمان، مدل‌های جهانی (world models) با یادگیری نحوه رفتار اشیاء و محیط‌ها، به هوش مصنوعی کمک می‌کنند تا نحوه کارکرد دنیای فیزیکی را درک کند. برای ربات‌ها، این بدان معناست که قبل از انجام هر اقدامی، پیش‌بینی کنند که هنگام حرکت، برداشتن چیزی یا تعامل با محیط اطرافشان چه اتفاقی ممکن است رخ دهد.

وانگ در این باره گفت: «در چند سال گذشته، کل صنعت حدود ۱۰۰ هزار ساعت داده جمع‌آوری کرده است که برای آموزش مدل‌های بنیادی تجسم‌یافته به هیچ وجه کافی نیست.»

رویکردهای مشابه در صنعت

محققان در جاهای دیگر نیز در حال آزمایش رویکردهای مشابهی هستند. در ماه اکتبر، محققان HumanoidExo را معرفی کردند، یک اسکلت خارجی پوشیدنی که حرکات انسان را برای آموزش ربات‌های انسان‌نما ثبت می‌کند. شرکت‌های دیگر نیز در حال توسعه مدل‌های هوش مصنوعی خود برای ربات‌ها هستند. در ماه ژانویه، Boston Dynamics نسخه تولیدی ربات انسان‌نمای Atlas خود را رونمایی کرد و اعلام داشت که پیشرفت‌ها در هوش مصنوعی به نزدیک شدن این ربات به استقرار تجاری کمک کرده است. در ماه ژوئن، Alibaba مجموعه Qwen-RobotSuite خود را معرفی کرد، مجموعه‌ای از مدل‌های هوش مصنوعی که برای کمک به ربات‌ها در ناوبری، انجام وظایف فیزیکی و شبیه‌سازی محیط‌های واقعی طراحی شده‌اند.

محتوای تولید شده توسط هوش مصنوعی همه‌جا حاضر است، به معنای واقعی کلمه.

بر اساس مطالعه‌ای که مرکز تحقیقات پیو روز پنجشنبه منتشر کرد، از هر ۱۰ صفحه وب انگلیسی‌زبان، یک صفحه اکنون نشانه‌های قابل توجهی از نوشته شدن توسط هوش مصنوعی را نشان می‌دهد. اگر این نمونه را به صفحاتی که از زمان راه‌اندازی ChatGPT در نوامبر ۲۰۲۲ منتشر شده‌اند محدود کنیم، این سهم به ۳۵ درصد افزایش می‌یابد.

این یافته‌ها پس از آن به دست آمد که محققان حدود ۴۹۰ هزار صفحه را از آرشیو وب Common Crawl، که بازه زمانی ژانویه ۲۰۲۱ تا ژوئیه ۲۰۲۶ را پوشش می‌دهد، استخراج کرده و سپس متن را از طریق Open Pangram، یک مدل تشخیص هوش مصنوعی، اجرا کردند.

اثر انگشت هوش مصنوعی به طور یکنواخت توزیع نشده است. صفحاتی که در دامنه‌های .com قرار دارند، حدود ۱۰ برابر بیشتر از دامنه‌های .edu یا .gov، که هر کدام نزدیک به ۱ درصد هستند، و حدود دو برابر نرخ ۴.۶ درصدی در سایت‌های .org، نشانه‌هایی از نویسندگی هوش مصنوعی را نشان می‌دهند. در سال ۲۰۲۱، هر چهار نوع دامنه تقریباً یکسان به نظر می‌رسیدند.

چگونه پیو ماشین‌ها را شناسایی کرد

این آشکارساز هیچ کلمه یا عبارت خاصی را پرچم‌گذاری نمی‌کند، بلکه الگوهای آماری را در دسته‌های بزرگ متن وزن‌دهی می‌کند. اما برخی نشانه‌های فردی از سال ۲۰۲۳ به طور چشمگیری رایج‌تر شده‌اند: نشانه‌های معمول، مانند خط تیره ام (em dash) (هرچند ما خودمان آن‌ها را دوست داریم) اکنون تقریباً دو برابر بیشتر ظاهر می‌شوند، ویرگول آکسفورد ۶۳ درصد افزایش یافته است، و کلمات مورد علاقه هوش مصنوعی مانند “delve” (کاوش کردن)، “interplay” (تعامل) و “testament” (گواه) بیش از دو برابر شده‌اند.

“پارالل منفی” (Negative parallelism) – ساختارهایی مانند “این فقط X نیست، بلکه Y است” – از سال ۲۰۲۳ تقریباً سه برابر شده است، اگرچه پیو خاطرنشان می‌کند که این مورد هنوز به طور کلی نادر است. Decrypt قبلاً همین نشانه‌ها را ردیابی کرده بود و Merriam-Webster در دسامبر با نامگذاری “slop” (چرندیات) به عنوان کلمه سال، این موضوع را رسمی کرد.

پیو با دقت محدودیت‌ها را ذکر می‌کند: مدل‌های تشخیص می‌توانند صفحات فردی را در هر دو جهت اشتباه طبقه‌بندی کنند، و “نشانه‌های قابل توجهی از نویسندگی هوش مصنوعی” به این معنی نیست که یک صفحه کاملاً توسط یک ماشین نوشته شده است – بسیاری از متن‌ها به احتمال زیاد با کمک هوش مصنوعی نوشته شده‌اند تا اینکه کاملاً توسط آن تولید شده باشند.

Open Pangram از Pangram Labs می‌آید، که آشکارساز آن در تحقیقات جداگانه‌ای نیز متن تولید شده توسط هوش مصنوعی را در حدود ۹ درصد از مقالات روزنامه‌های ایالات متحده در سال جاری، از جمله صفحات نظر در نشریاتی مانند The New York Times، یافته است.

با این حال، تشخیص هوش مصنوعی ممکن است با گذشت زمان آسان‌تر شود، نه به دلیل الگوها، بلکه به دلیل فناوری زیربنایی. شرکت‌های بزرگ هوش مصنوعی مانند Anthropic در حال حاضر بر روی اثر انگشت متنی در سطح مدل کار می‌کنند، که شناسایی متن هوش مصنوعی را آسان کرده و در عین حال خطاها را به حداقل می‌رساند.

شکاف دامنه‌ها نشان‌دهنده این است که چه کسانی منتشر می‌کنند و چرا. سایت‌های دانشگاهی و دولتی تحت بررسی‌های ویرایشی، تأییدیه‌های سازمانی و چرخه‌های انتشار کندتر قرار دارند؛ دامنه‌های .com شامل همه چیز از اتاق‌های خبر گرفته تا مزارع محتوای بازاریابی وابسته هستند که صفحاتی را با سرعتی تولید می‌کنند که هیچ ویراستار انسانی قادر به حفظ آن نیست.

در مقیاس بزرگ، روند همچنان شیب‌دار است: نرخ نویسندگی هوش مصنوعی در دامنه‌های .com از حدود ۱ درصد در ژانویه ۲۰۲۱ به ۹.۳۵ درصد در ژانویه ۲۰۲۶، پنج سال بعد، افزایش یافت.

بایننس به عوامل هوش مصنوعی اجازه معامله در پلتفرم خود را می‌دهد

صرافی ارز دیجیتال بایننس روز چهارشنبه از راه‌اندازی یک سیستم توسعه‌دهنده خبر داد که ابزارهایی مانند ChatGPT و Claude را مستقیماً به بازارهای، کیف پول‌ها و عملکردهای معاملاتی این صرافی متصل می‌کند.

این بزرگترین صرافی ارز دیجیتال جهان، Binance Agent OS را معرفی کرد؛ پلتفرمی که APIهای خود، یک مرکز کیف پول متمرکز بر عوامل هوش مصنوعی، لایه پرداخت x402 و یک بازارچه مهارت را زیر یک سقف گرد هم می‌آورد.

در مرکز این سیستم، سرور جدید Binance MCP قرار دارد که بر اساس پروتکل Model Context ساخته شده است. این پروتکل یک استاندارد باز است که به برنامه‌های هوش مصنوعی سازگار، راهی یکپارچه برای اتصال به ابزارهای خارجی می‌دهد، بدون اینکه کاربران مجبور باشند کلیدهای API را به صورت محلی مدیریت کنند. بایننس، Claude، ChatGPT، Codex و VS Code را در میان عواملی که می‌توانند متصل شوند، ذکر کرده است.

پس از اتصال و اعطای مجوز، یک عامل هوش مصنوعی می‌تواند داده‌های زنده بازار را دریافت کند، موجودی‌ها را بررسی کند و معاملات را در محصولات اسپات، مارجین، کانورت و فیوچرز انجام دهد. نکته مهم این است که بایننس قابلیت‌های پرخطر را جدا کرده است. عوامل هوش مصنوعی تنها از طریق یک “حساب فرعی عامل” اختصاصی که از دارایی‌های اصلی کاربر جدا شده است، عمل می‌کنند و این ادغام هیچ دسترسی برای برداشت وجه را فراهم نمی‌کند، به این معنی که یک عامل نمی‌تواند وجوه را به کیف پول‌های خارجی منتقل کند.

بایننس همچنین به کاربران هشدار داد که قبل از تأیید، هر سفارش و انتقال را به دقت بررسی کنند و بخش زیادی از مسئولیت کنترل عامل هوش مصنوعی را بر عهده کاربر قرار داد، نه صرافی.

این راه‌اندازی، بایننس را وارد رقابت فزاینده‌ای برای اتصال عوامل هوش مصنوعی به زیرساخت‌های ارز دیجیتال می‌کند.

کوین‌بیس ابزاری را معرفی کرده است که به عوامل هوش مصنوعی اجازه معامله و پرداخت می‌دهد و از طریق شتاب‌دهنده Base خود، استارتاپ‌های متمرکز بر عامل را تأمین مالی می‌کند. در همین حال، جمینای نیز ویژگی معاملاتی عامل خود را معرفی کرده است. سایر شرکت‌ها بر جنبه‌های نگهداری و کنترل تمرکز دارند، از جمله کیف پول هوش مصنوعی خود-نگهدار متامسک، محصولات عامل مون‌پِی و تلاش مشترک لجر و مون‌پِی برای اجازه دادن به کاربران برای تعیین سقف هزینه عوامل هوش مصنوعی از یک کیف پول سخت‌افزاری.

این تلاش، نشان‌دهنده یک شرط‌بندی گسترده‌تر است که نرم‌افزارهای خودکار، نه انسان‌ها، بخش رو به رشدی از فعالیت‌های بومی بلاک‌چین را هدایت خواهند کرد. این موضوع همچنین سوالات حل نشده‌ای را در مورد مسئولیت‌پذیری در زمان انتقال پول توسط یک عامل هوش مصنوعی مطرح می‌کند و بایننس به شدت بر سلب مسئولیت‌ها تکیه کرده و تأکید کرده است که استفاده از خدمات هوش مصنوعی آن به عهده ریسک خود کاربر است و نباید صرفاً بر خروجی‌ها برای تصمیم‌گیری تکیه کرد.

پیش‌بینی‌ها حاکی از عرضه زودهنگام مدل جدید هوش مصنوعی OpenAI است

معامله‌گران بازارهای پیش‌بینی با اطمینان بالایی معتقدند که شرکت OpenAI در حال توسعه مدل جدیدی از هوش مصنوعی خود است و ممکن است این مدل زودتر از آنچه تصور می‌شود، عرضه شود.

بازار پیش‌بینی که به احتمال تاریخ عرضه مدل جدید OpenAI با نام داخلی “آسترا” (Astra) که گفته می‌شود همان GPT-6 باشد، اختصاص یافته است، احتمال ۵۹ درصدی عرضه آن تا ۱۵ سپتامبر و حدود ۷۲ درصدی عرضه تا پایان ماه سپتامبر را در پلتفرم Polymarket نشان می‌دهد.

این اطمینان معامله‌گران در تضاد با اقدام اخیر خود OpenAI قرار دارد. این شرکت در تاریخ ۷ اوت اعلام کرد که عرضه “آسترا” را به دلیل خطرات امنیتی سایبری به تعویق انداخته است. در گزارش آمادگی خود، OpenAI صریح‌تر بیان کرده بود که ارزیابی‌های داخلی “پیشرفت‌های قابل توجهی در کدنویسی عامل‌محور و امنیت سایبری” را در “آسترا” نشان داده و این شرکت به این نتیجه رسیده است که “نمی‌تواند قابلیت‌های حیاتی سایبری” را تحت چارچوب ایمنی خود رد کند.

طبق تعریف خود OpenAI، مدلی که در “آستانه بحرانی” این شرکت قرار گیرد، قادر است بدون کمک انسانی، آسیب‌پذیری‌های روز صفر (zero-day exploits) را در سیستم‌های امنیتی متعدد شناسایی و ایجاد کند.

با این حال، شانس‌های Polymarket همچنان به عرضه زودهنگام اشاره دارند. قرارداد ۱۵ سپتامبر با احتمال ۵۹ درصد و حجم معاملاتی حدود ۲۷,۶۰۰ دلار، و قرارداد ۳۰ سپتامبر با احتمال حدود ۷۲ درصد و حجم ۳۵,۶۰۰ دلار در حال معامله هستند. یک بازار جداگانه با عنوان “کدام هفته” نیز، هفته ۳۱ اوت تا ۶ سپتامبر را با ۳۹ درصد احتمال، مطلوب‌تر می‌داند. OpenAI هنوز تاریخ دقیقی برای عرضه اعلام نکرده است و این قراردادها بر اساس اعلام رسمی این شرکت تعیین تکلیف خواهند شد.

در پلتفرم Myriad، که توسط شرکت Dastan، شرکت مادر Decrypt، اداره می‌شود، شانس‌های بالاتر به تاریخ ۳۰ سپتامبر به عنوان محتمل‌ترین ضرب‌الاجل برای عرضه GPT-6 اشاره دارند. معامله‌گران Myriad ۳۱ درصد احتمال را به پایان سپتامبر اختصاص داده‌اند، در حالی که تنها ۱۹ درصد احتمال برای ۱۵ سپتامبر و ۵ درصد (که در حال افزایش است) برای ۲۱ اوت در نظر گرفته شده است.

این شکاف بین احتیاط OpenAI و خوش‌بینی معامله‌گران برای این حوزه غیرمعمول نیست. بازارهای پیش‌بینی امسال شاهد حجم معاملاتی ۲ میلیارد دلاری در هفته بوده‌اند و تاریخ‌های عرضه OpenAI همواره مورد توجه معامله‌گران بوده است. در ماه ژوئیه نیز، شانس عرضه عمومی GPT-6 تا ۳۰ سپتامبر حدود ۷۸ درصد بود.

در بیانیه اخیر خود، OpenAI اعلام کرد که “آسترا” در “بهره‌برداری از Hugging Face دخالتی نداشته است” و این مدل را از حادثه اخیر دور دانست، در حالی که در حال بررسی چگونگی عرضه محصولی بود که به گفته خودشان هنوز نمی‌توانند به طور کامل ایمنی آن را آزمایش کنند.

بی‌ان‌بی چین استودیو نسخه ۲ را راه‌اندازی کرد؛ هوش مصنوعی اکنون می‌تواند درآمد کسب کند

دبی، امارات متحده عربی – ۱۸ اوت ۲۰۲۶ – بی‌ان‌بی چین (BNB Chain)، یکی از بزرگترین اکوسیستم‌های بلاکچین در جهان، امروز از نسخه دوم پلتفرم توسعه عامل هوش مصنوعی خود، BNB Agent Studio v2، رونمایی کرد. این به‌روزرسانی قابلیت‌های عوامل خودکار را در زمینه مدیریت پول گسترش می‌دهد و به آن‌ها اجازه می‌دهد تا درآمد خود را کسب کرده و در چارچوب محدودیت‌های مالی تعریف‌شده توسط مالک، که به صورت آن‌چین اجرا می‌شوند، فعالیت کنند.

BNB Agent Studio که در ماه ژوئیه راه‌اندازی شد، به توسعه‌دهندگان امکان می‌داد تا با یک دستور واحد، یک عامل هوش مصنوعی را توصیف کرده و آن را بر روی BNB Smart Chain (BSC) مستقر کنند. در نسخه اولیه، عوامل قادر به خرج کردن پول بودند اما امکان کسب درآمد را نداشتند. نسخه ۲ این شکاف را پر کرده است: اکنون عوامل می‌توانند مستقیماً استخدام شده و دستمزد دریافت کنند و وجوه از طریق یک رابط استاندارد دریافت، به کیف پول آن‌ها واریز شود که جریان تجاری ERC-8183 را به طور کامل از ابتدا تا انتها تکمیل می‌کند.

این به‌روزرسانی همچنین Altana را معرفی می‌کند، یک گزینه جدید کیف پول خود-سرپرست (self-custodial) که برای حل یکی از محدودیت‌های اصلی در طراحی عامل ساخته شده است: میزان اختیاری که یک عامل باید بر وجوه کاربر داشته باشد. عوامل با استفاده از Altana از طریق کلیدهای جلسه محدود (scoped session keys) عمل می‌کنند که توسط محدودیت‌های خرج کردن، لیست‌های مجاز (allowlists) و بازه‌های زمانی تعیین‌شده توسط مالک، از پیش کنترل می‌شوند. این مجوزها به صورت آن‌چین ثبت می‌شوند و به هر کسی امکان تأیید اختیارات یک عامل خاص را می‌دهند و می‌توانند بدون نیاز به چرخش کلید یا وقفه در سرویس، فوراً لغو شوند.

Altana به TWAK (Trust Wallet AgentKit) می‌پیوندد، گزینه کیف پول موجود پلتفرم برای عواملی که نیاز به امضای مداوم و خودکار بدون دخالت انسان دارند. با در دسترس بودن هر دو گزینه، سازندگان می‌توانند معماری کیف پول را با هدف عامل تطبیق دهند: TWAK برای عملیات خودکار همیشگی، یا Altana برای عواملی که نیاز به مرزهای مشخص و قابل تأیید در دسترسی به وجوه دارند. به عنوان مثال، یک عامل سودده (yield agent) می‌تواند درآمد را برداشت و مجدداً سرمایه‌گذاری کند بدون اینکه به اصل سرمایه دسترسی داشته باشد؛ یک عامل وام‌دهنده (lending agent) می‌تواند وثیقه را تکمیل کند بدون اینکه قادر به برداشت آن باشد.

نسخه ۲ همچنین پشتیبانی از TypeScript را در کنار SDK پایتون موجود پلتفرم اضافه می‌کند و یک Paymaster معرفی می‌کند که هزینه گس (gas) را در BSC Testnet پوشش می‌دهد و گام تأمین مالی دستی را که قبلاً برای شروع آزمایش یک عامل لازم بود، حذف می‌کند.

به‌روزرسانی‌های کلیدی در نسخه ۲:

• BNB Agent Studio v2 اکنون در دسترس است و عوامل موجود بدون نیاز به مهاجرت به کار خود ادامه می‌دهند. در حال حاضر، BNB Chain بیش از هر شبکه دیگری عامل هوش مصنوعی ثبت‌شده را میزبانی می‌کند.
• BNB Agent Studio در آدرس bnbchain.org/en/bnb-agent-studio در دسترس است.

درباره بی‌ان‌بی چین

بی‌ان‌بی چین یکی از بزرگترین و فعال‌ترین اکوسیستم‌های بلاکچین در جهان است. معماری چند زنجیره‌ای آن شامل BNB Smart Chain (BSC)، opBNB و BNB Greenfield می‌شود و به توسعه‌دهندگان انعطاف‌پذیری لازم برای انتخاب محیطی را می‌دهد که به بهترین وجه با برنامه آن‌ها سازگار است. بی‌ان‌بی چین با توان عملیاتی بالا، هزینه‌های تراکنش پایین و سازگاری کامل با EVM، برای معاملات با سرعت بالا، عوامل هوش مصنوعی، حریم خصوصی و پرداخت‌های فوری ساخته شده است. این بلاکچین با توزیع برتر و نقدینگی عمیق، برای بازارهای جهانی و میلیاردها کاربر بعدی ساخته شده است. برای اطلاعات بیشتر، کاربران می‌توانند به www.bnbchain.org مراجعه کنند.