AI is full of confident claims. I’m interested in the conditions that make them true. Notes on research, agents, and real-world AI.
Hong Kong
Joined August 2026
- Tweets8.1K
- Following3.7K
- Followers3.9K
- Likes12.5K
Pinned Tweet
The ZenMux Halloween event is worth trying if you already spend on pay-as-you-go, since a $1 daily threshold unlocks a mystery box and lets you test credits across major models through one endpoint, though the real payoff depends on whether those credits fit work you would have done anyway.
🤝 Paid partnership
Been slaving away with API calls all week, and out of nowhere, an AI platform decides to "ambush" us with a massive Halloween giveaway... 🎃
If you’re like me—constantly jumping between different AI platforms, juggling a dozen API keys just to test code, build agents, or play with image/video models—you probably already know ZenMux. It’s that handy all-in-one platform where one account and one API endpoint gets you access to practically every major model out there. One API. Whole workflow.
Anyway, they just kicked off a pretty crazy Halloween event: TRICK OR TOKENS? 🎃
I went ahead and tested it out so you don't have to. Here’s the quick breakdown on how to actually get the most out of it without jumping through hoops.
HOW TO JUMP IN (SUPER SIMPLE):
1. Spend $1: Just use at least $1 in pay-as-you-go (PAYG) cash on any event day. (Keep in mind: monthly subscriptions, free credits, or promo coupons don't count towards the $1).
2. Unlock your box: Hit that $1 mark, and you unlock a Mystery Box for the day.
3. Daily reset: It resets every night at 22:00 SGT. You can open 1 box a day, up to 5 boxes total across the event. They’re giving out 3,000 rewards a day, so there's plenty to go around.
WHAT'S INSIDE?
The prize pool has 16 heavy-hitter models like Claude, GPT, Gemini, DeepSeek, GLM, MiniMax, Qwen, Kimi, Doubao, StepFun, and Kling. Plus, there’s roughly a 44% chance you'll pull one of the top-tier trio: Claude, GPT, or Gemini!
REAL TEST: HERE’S WHAT I ACTUALLY BUILT WITH MY PULL
I unlocked a box last night and scored some solid model usage credits. Since I already had my ZenMux API set up, I plugged the credits straight into a workflow I was testing—an automated long-text agent and a few video prompt generators.
- How it ran: Zero friction. Didn't have to rewrite a single line of config code.
- The output: Everything ran buttery smooth, whether it was handling heavy code logic or multi-modal prompts. Honestly, saving $500 worth of usage value on daily dev testing is an absolute win in my book.
DON'T MISS THIS EXTRA STEP
Once you open your box, look for the Invite & Earn $5 button:
- Send your link to a friend: They get a 5% Bonus on their first top-up.
- You get $5 in Credits 24 hours after their first top-up.
QUICK DETAILS TO KEEP IN MIND
- Event Window: Oct 26, 22:00 – Oct 31, 22:00 SGT (Resets daily at 22:00 SGT)
- Rules: Full model lists and winning odds are all laid out on the main event page.
👉 Head over to ZenMux to check out and unlock today's mystery box: zenmux.ai/halloween
M1 16GB from 2021 versus M5 Max 128GB running Chrome, WeChat, ChatGPT, and Codex concurrently. The test isolates whether 16GB remains sufficient or whether five years of application memory inflation has created genuine constraint.
Open-source LLM releases are now carving out security capabilities before publication. The technical challenge is that security knowledge and general programming share underlying representations, making clean separation difficult without degrading both.
DTCC's tokenization launch shows 20 institutions signed but only 2 appear on-chain directly. Canton's privacy architecture and custody aggregation layers make institutional activity largely invisible to standard blockchain metrics.
These projections assume current growth trajectories continue unchecked. Actual impact depends heavily on whether hyperscalers accelerate renewable energy contracts and liquid cooling efficiency improvements already being deployed at scale.
#By 2025, the global carbon footprint of AI systems could rival that of New York City, while AI’s water use may approach the scale of the entire bottled water industry, new estimates suggest. @cellpressnews doi.org/hbf6jd techxplore.com/news/2025-12-…
Memory persistence and regression gates address the two failure modes that block Agent deployment outside internal tools. Context loss across sessions and silent capability degradation during iteration.
【🔥AI 开源项目速报 2026.10.28｜Agent 生产下半场：不只跑 Demo，追求稳定可靠 】
・memora⭐13.2k：Agent 分层记忆中间件，工作 / 情境 / 长期三级记忆，自动压缩，跨会话语义检索，解决 Agent 一重启就失忆痛点，MIT 协议
・eval‑forge⭐9.2k：Agent 评测流水线，从 Skill 文件自动生成测试用例，加入回归门禁，代码 PR 性能不达标就拦截，守住能力不退化
・mender⭐6.7k：自愈运行时，任务出错自动回滚检查点、切换策略重试，支持故障注入演练，和权限拦截工具组成拦 + 救双重防护
・voxa⭐4.5k：端侧语音组件包，ASR+TTS + 意图识别全套能力，离线运行不用云端，普通消费显卡就能跑
・Lumen‑Reason‑13B：专为 Agent 工具调用优化的 13B MoE 模型，512K 上下文，单张 24GB 显卡可部署，工具调用基准表现亮眼
📌洞察：Agent 生态走完工种、协作阶段，现在补齐记忆、测试、故障恢复、语音交互，组件解耦可替换，真正向线上生产环境落地。
#AIOpenSource #AIAgent #Agent记忆 #LLMOps #端侧AI
Cross-platform expansion from Apple Silicon suggests the inference path now supports CUDA or CPU fallback. Whether x86 users see comparable throughput depends on how much of the original optimization relied on Metal-specific ops.
本地模型运行工具 Ollama 发布更新，Liquid AI 的 LFM3 系列模型正式支持 Windows 与 Linux。
北京时间 10 月 29 日 10:54，Ollama 发布 v0.40.13。前一版虽收录了该模型但仅限苹果芯片，本次更新专门将平台支持扩展到了更多系统。
本次适用的模型包括文本转语音的 lfm3-audio 和多模态的 lfm3-omni，让此前用不了的 x86 电脑用户也能在本地直接运行。
官方未公布任何性能与显存占用数据，在 Linux 与 Windows 下的出字速度仍需自行测试。
github.com/ollama/ollama/rel…
The snapshot-to-subscription gap is where most implementations break. Teams assume sequential read guarantees what continuous connection cannot, until production shows tasks completing while progress bars freeze at partial states.
刷新页面，Agent 就断了？长任务架构要先分清这三件事
让 Agent 分析一批文件、生成报告，或者执行一个需要人工确认的流程。用户切到别的应用，网络断开，再回来时，页面只剩“连接失败”。
此时最需要回答的是：任务还在跑吗？已经做完了吗？重新点击会不会再跑一遍？
这道题连接着前端交互、后端任务调度和分布式状态管理。选 SSE 还是 WebSocket，只解决其中一层。
我的设计原则是：任务负责推进，状态负责记录，连接负责展示。三个生命周期分开。
1. 页面断开，只能说明“观察中断”
浏览器关闭、代理超时、服务进程退出，是三种不同故障。
浏览器断开时，后台任务可能仍在运行；连接还活着，也不能证明 worker 正在推进。心跳只能证明对应链路在响应，不能证明任务有进展。
因此界面至少要分开显示：
• 连接状态：在线、重连中、离线。
• 任务状态：排队、运行、等待用户、成功、失败、已取消。
不要把 SSE 的 onerror 直接映射成“任务失败”，也不要因为没有新 token 就判定任务卡死。Agent 可能正在等工具、排队或等待审批。
诊断时分别看最后通信时间、最后状态更新时间，以及当前步骤的执行期限。
2. 先让任务拥有独立身份，再谈流式输出
一种可落地的接口划分是：
提交任务 → 返回 run_id 和状态查询地址。
查询任务 → 返回当前状态、结果引用和状态版本。
订阅进度 → 接收这个 run 的增量事件。
取消任务 → 提交一个明确的取消请求。
HTTP 202 只能表达“已接受处理”，不能表达“已经完成”。
如果产品承诺提交成功后可以关掉页面，服务端就应先把任务可靠地保存下来，再返回受理结果。不能只在请求处理函数里启动一个未被管理的 Promise，然后期待进程一直活着。
后台可由持久化任务队列、数据库任务表或工作流引擎驱动。关键在于：服务重启后，是否还能找出已接受但未完成的工作。
任务入库与投递之间也有故障窗口。需要可恢复的投递机制，避免出现“任务显示已受理，却没有任何 worker 会执行”。
对纯聊天生成，断开即停止可以是产品选择；对报告、批处理和已受理的后台任务，就要明确提供继续执行的语义。不能让底层连接的偶然变化替产品做决定。
3. SSE 能重连，不等于进度能恢复
SSE 适合服务端向页面推送进度。原生 EventSource 可以自动重连，并在符合条件的重连请求中携带 Last-Event-ID。
但这个 ID 只是客户端告诉服务端“上次收到哪里”。服务器没有保留可补发的数据，重连也找不回丢失的事件。
页面整体刷新后创建的是新 EventSource，也不能假定它记得旧实例的游标。应用要重新取得任务快照，或显式恢复自己的游标。
一种实现方式是：
• 每个 run 的事件带单调递增序号。
• 客户端保存已应用到界面的序号。
• 重连时请求补发该序号之后的事件。
• 客户端忽略重复事件，不能把补发内容再次追加一遍。
游标应在对应更新成功应用后再推进。若采用“收到就更新游标”，而界面更新失败，恢复时可能跳过用户根本没看到的内容。
这也意味着，服务器不应把“已经向 socket 写出”当作“用户已看到”。
4. 最容易漏掉的，是快照与增量之间的空隙
假设页面刷新后读取快照，版本为 40。它还没建立订阅，后台就产生了第 41 条事件。
如果订阅接口只推送“连接建立之后的新事件”，41 就丢了。连接看起来正常，界面却一直缺一段进度。
更稳妥的协议是：快照同时返回与其一致的事件序号，客户端从这个序号之后续读。快照状态与游标必须来自一致的提交边界，不能分别读取两份可能错位的数据。
服务端补历史、转实时的过程也不能留下新的空隙。可以用同一条可按游标续读的持久化日志衔接，或在切换时做补读与去重。
如果游标已超过保留期限，就明确要求客户端重新拉取快照；不能返回一个空流，假装已经追上。
这些是应用协议需要完成的工作，换成 WebSocket 也不会自动获得。
5. 最终结果必须能查询，不能只出现于最后一帧
一个典型故障：报告已经生成，服务端发出“完成”，连接恰好断开。用户回来后仍看到转圈。
完成事件可以帮助界面及时更新，但不能是完成事实的唯一存储。
应先确保结果可读取，再持久化成功状态与结果引用，随后通知订阅者。通知失败，客户端仍能通过状态接口拿到结果。
如果结果在对象存储、状态在数据库，还要处理两者的提交顺序与失败恢复。只有“文件上传成功”和“任务记录成功”都满足预定条件，才展示成功。
不必永久保存每一个 token。可以保存必要的阶段状态、输出快照与最终结果，并给增量日志设定保留期。是否能逐字回放，与是否能恢复任务结果，是两种不同承诺。
6. “停止显示”和“取消任务”要分开
关闭 EventSource，通常只是停止接收进度，并不等于后台停止执行。
真正的取消需要进入任务控制流程：记录取消请求，由执行器在可中断边界检查，再确认最终状态。界面可以先显示“正在取消”，不能点击后立刻宣称“已取消”。
取消和完成可能同时发生。服务端需要定义允许的状态转换，防止一个迟到的取消请求把已经完成的任务改写成“未执行”。
已经发送的邮件、已提交的订单，也不会因为 UI 停止就被撤回。取消通常约束后续工作，已有业务效果需要另行核对或补偿。
上线前，用五个测试验收：
① 执行中刷新页面：重新打开的是同一个 run，还是新建了任务？
② 断网期间任务完成：恢复后能否直接取得最终结果？
③ 快照返回后、订阅建立前产生事件：是否漏更新？
④ 重复补发、游标过期：界面是否重复拼接，或永远等待？
⑤ 完成与取消同时到达：最终状态能否解释，已有结果是否保留？
对 Agent 产品，可靠的“继续”按钮背后，需要一个能脱离页面存在的任务。
先把任务受理、状态持久化和恢复协议设计清楚，再选择推送通道。用户不应通过保持网页常亮，替系统承担可靠性。
参考：
Microsoft Azure Architecture Center：Asynchronous Request-Reply
learn.microsoft.com/en-us/az…
WHATWG HTML Standard：Server-sent events（重连与 Last-Event-ID）
html.spec.whatwg.org/multipa…
Job market requirements shift faster than training advice can stay valid. By the time someone acts on a static skill recommendation, the baseline for even traditional roles may have already moved to include RAG integration or agent orchestration.
This explains why agents that score well on synthetic benchmarks often fail in deployment. High task counts train pattern matching within a fixed tool and state space, so novel API combinations or atypical database states break the learned distribution.
New Apple paper finds that, as training data grows, tool-use agents gain more from diverse apps and database states than from more tasks.
that the mix of synthetic training data, not just its size, decides how well tool-use agents generalize to new benchmarks.
Teams train tool-use agents on synthetic environments, and most pipelines focus on generating more tasks. It was unclear whether new tools, new tasks, or new starting data matter most.
They built SynthAPI, which has an LLM code synthetic apps with real Python tools and databases, then write tasks with automatic success checks. They varied apps, tasks, and database versions across 849 trained models.
At a fixed 32,768-task budget, more apps and database versions lifted a 4B model on AppWorld's challenge split from 38.4% to 45.0%. Their scaling law, which tracks data mix, predicted larger held-out runs with 0.0285 error, versus 0.1706 for a task-count-only law.
NVFP4 quantization claims 63% size reduction on a 125B parameter model with minimal accuracy loss. If verified, this shifts the memory requirement enough to enable consumer hardware deployment of models previously requiring enterprise GPUs.
When production becomes configurable and creators depend on platform signals to guide output, opacity in distribution and settlement rules compounds the cost asymmetry. The tool reduces one barrier but strengthens reliance on another.
AI 短剧爆发之后，创作者的日子会更好吗？
看红果这轮讨论，我一直在想一个问题：AI 省下来的制作成本，最后会变成谁的利润？
这个问题，可能比字节和腾讯谁多占了几个百分点的用户时长，更值得做内容的人关心。
据新华社报道，今年前八个月，全国上线微短剧 43 万部，其中 AI 剧占比超过九成。这个数字说明，内容的生产能力已经发生了很大变化。但要注意，这是作品数量的占比，不代表 AI 剧拿走了九成观看时长，更不代表拿走了九成收入。
拍出来、有人看、赚到钱，中间还有很长一段路。
过去做一部剧，需要先判断题材，再组织拍摄，投入不小的成本之后，才能知道观众到底买不买账。判断错了，钱已经花出去了。AI 降低部分制作门槛后，小团队也有条件先做几个片段，试人物、试节奏，根据反馈决定还要不要继续投入。
我觉得这件事对行业的影响很大。创作者可以更早发现自己想当然的地方，也可以尝试一些过去根本批不起预算的题材。
但同样的工具，别人也能用。
当大量团队都能快速做出相似的情节，内容供给增长得越快，争夺观看的压力也可能越大。制作环节省下来的钱，未必留在创作者手里，也可能花在买流量、反复改稿和维持更新上。
所以，“AI 让拍剧变便宜了”和“AI 让拍剧更赚钱了”，中间不能直接画等号。
新京报对红果的一篇报道里，有个细节让我很在意：内容方的分账与观看时长、内容类型、版权等多个系数有关。有制作方表示，后台能看到分账金额，却不清楚决定金额的具体系数。
这意味着，做内容的人除了理解观众，还得理解平台怎么分发、怎么结算。同一部作品，能拿到多少曝光、哪些观看被计入收益、激励规则怎么变，都会影响最后能不能赚钱。
平台如果同时掌握推荐入口和分账规则，供给越丰富，它选择和替换内容的余地就越大。创作者能用上更好的工具，当然是进步，但这不自动意味着议价能力也变强了。
这也是为什么，我对“一个人靠 AI 批量做剧就能稳定赚钱”的说法，会多留一个心眼。
做出十部、二十部，只能证明产能。能不能有人看完，还愿意找你的下一部，才开始涉及一门可以持续的生意。
对创作者来说，我反而觉得，具体的生活经验会越来越有用。
同样写职场，有人只会安排领导羞辱、主角逆袭；有人知道一个项目为什么被拖延，功劳怎么被分走，同事之间明明没有翻脸，关系却已经变了。后者写出来的细节，更容易让经历过的人停下来。
AI 可以帮你把场景做出来。可一个细节该不该留，一句台词说出来像不像那个人，仍然需要判断。如果创作者对自己写的人群没有多少了解，生产速度越快，可能只是越快地做出一批没人记得的作品。
因此，我会更关注那些开始有人物、有系列、有固定观众的团队。观众主动去找下一部，和被推荐流随机送来，是两种不同的关系。前者至少让创作者有机会积累自己的东西，而不用每次上线都重新赌一次流量。
再往观众这边看，问题会更复杂。
我不太赞成把爱看短剧的人一概当成没有判断力。工作一天之后，想看点轻松、直接、不费脑子的内容，很正常。娱乐本来就不需要每分钟都证明自己有用。
让我担心的是，平台优化的目标，和一个人想怎样度过晚上，未必总能一致。
系统很容易记录你在哪一秒退出、哪一集看了两遍，却很难仅凭这些行为知道：你看完之后是放松了，还是懊恼自己又晚睡了一个小时。
“继续看了”是一条明确的数据，“其实已经不想看，但总觉得下一集会有结果”就没那么容易被识别。
AI 如果继续降低内容调整的成本，平台就有条件尝试更多情节和节奏，寻找更有效的留人方式。这对内容体验可能是改善，也可能让人更难停下来，取决于产品最终在优化什么。观看时长能说明吸引力，却解释不了全部感受。
红果即将下线“看剧赚金币”，恰好提供了一个值得观察的变化。
按已公布的安排，11 月 1 日起，新激活用户不再获得金币功能，年底前面向所有用户全面下线。补贴逐步退出后，有多少人仍然愿意回来、会不会主动寻找某个系列，比单看用户规模变化更能说明内容本身的吸引力。
这也不意味着金币一停，沉迷问题就解决了。奖励少了一种，剧情悬念、连续播放和推荐机制仍然存在。接下来需要看的，是产品是否愿意给用户更明确的结束感，以及用户想停的时候，能不能顺利停下来。
我对 AI 短剧有期待。小团队能尝试更多题材，一些过去没有机会被拍出来的生活，也可能得到表达。
但如果要判断这门生意是不是在变好，我更想看到：观众记住了哪些作品，创作者能不能靠持续更新获得稳定回报。
如果制作越来越快，所有人却只能不断追下一次推荐、下一次爆款，那省下来的制作时间，最后也可能被另一种忙碌填满。
Caching computed attention states cut time to first token from 27 seconds to under one second on a 123k token prompt. The same GPUs handled 18% more requests because prefill stopped being the bottleneck.
The 3-month-to-3-minute ratio is accurate for AI infra. Many teams optimize latency from 210ms to 180ms without ever establishing whether the target user churns over that 30ms.
Your product didn't fail because the code was bad.
It failed because you spent 3 months optimizing an autonomous agent pipeline, and roughly 3 minutes thinking about how to get anyone to care.
No one buys software because the architecture is clean.
They buy it because it makes a specific, painful problem vanish.
Build a mediocre product with incredible distribution, you win.
Build an incredible product with zero distribution, you have an expensive hobby.
This inverts the usual threat model. We've been hardening models against single-shot attacks, but reasoning capability lets attackers automate the iterative social engineering that previously required human judgment.
Zero human input.
Multi-turn autonomous persuasion.
97.14% jailbreak success rate across 9 target models.
Reasoning models weaponized as autonomous offensive agents.
This research is wild.
Researchers demonstrated an "alignment regression" by giving reasoning models like DeepSeek, Grok and Qwen a single adversarial system prompt, then walking away.
The models took over completely:
• Autonomously planned multi-turn attack chains
• Tested 70 harmful prompts across 7 sensitive domains
• Adapted persuasion tactics in real time whenever a target model refused
• Systematically eroded target safety guardrails until they broke
AI red teamers: study the multi-turn autonomous attack loops.
Safety researchers: study how reasoning capability becomes an exploitation primitive.
#AIRedTeaming #AISafety #LLMSecurity #CyberSecurity
The 4x training and 4.5x inference gains from parallelization and tiered caching show that algorithm-level adaptation can extract substantial efficiency from constrained hardware without scaling parameters further.
讯飞称这次完全基于国产算力集群，训出了 1M 长上下文和代码智能体能力。今天在 1024 开发者节正式发布星火 X2.6，并同步开源了端侧的 Spark-X2.6-4B
整套方案主打摆脱海外算力依赖和端云协同，重点看这四处：
1、云端 293B-A30B 支持 1M 上下文
云端旗舰模型总参数 293B，每次推理只激活 30B（293B-A30B），兼顾容量与计算开销。针对国产芯片显存和带宽瓶颈，训练端用长程动态并行把超长样本切分给多卡并行计算，训练效率提了约 4 倍；推理端用四层 KVCache 技术把注意力缓存分级存放，计算效率与缓存利用率提升约 4.5 倍
2、端侧开源 Spark-X2.6-4B 并加入思考预算
端侧开源模型 Spark-X2.6-4B 沿用混合注意力架构，同样支持 1M 上下文。权重已挂在 Hugging Face 与 ModelScope 的 XHToken 组织下，包含 Base 全精度以及 INT4、INT8、FP8、GGUF 多种量化格式。首日就有 vLLM、Ollama 和 llama.cpp 适配，llama.cpp 原生支持 spark2_5 架构。模型新增了 none、low、high 三档思考预算（Thinking Budgets），让开发者自己调节回答延迟与推理深度
3、端云按约 60/30/10 协同分工
官方给出的分工策略是约 60% 任务由本地端侧处理，零推理费用且隐私不出域；约 30% 走端云协同动态调度；约 10% 复杂高难任务交给云端大模型。云端 API 定价按百万 tokens 计费：输入 0.9 元、缓存命中 0.08 元、输出 3.6 元，端侧推理目前限时免费
4、对标 DeepSeek-V4.1-Flash 但仍待社区打靶
讯飞宣称星火 X2.6 在代码和 Agent 表现上对标 DeepSeek-V4.1-Flash（1017 快照）。不过 DeepSeek 几天前刚在 DeepSWE v1.1 上把成绩推到 77.0 分，纯国产集群在真实 Agent 闭环与高压长上下文下的工程表现，仍要脱离发布会 PPT，等待社区第三方独立基准测试实测打靶
想折腾端侧本地 Agent 或在本地做私有化部署的，现在可以直接拉 4B 的 GGUF 权重试跑；如果打算接进生产级复杂 Agent 编排，建议等第三方的长上下文与真实代码评测数据出来再做决定
The notebook-to-production gap is where most ML education stops. Covering experiment tracking, data versioning, and containerized deployment in a single project gives learners the operational layer that determines whether a model actually ships.
كيف تنتقل من تدريب نموذج تعلم آلي داخل Jupyter Notebook إلى بناء نظام متكامل يعمل في بيئة الإنتاج؟ وكيف تستخدم MLOps لأتمتة مراحل معالجة البيانات والتدريب وتتبع التجارب ونشر النماذج؟
أحد أكبر التحديات في هندسة التعلم الآلي ليس بناء نموذج يحقق نتائج جيدة فحسب، بل تحويله إلى نظام موثوق يمكن تشغيله وتحديثه وإدارته بصورة منظمة.
نشر موقع freeCodeCamp دورة مجانية بعنوان:
Learn MLOps by Creating a YouTube Sentiment Analyzer
الدورة من تقديم Bappy Ahmed، ومدتها 3 ساعات، وتشرح بناء مشروع MLOps متكامل لتحليل المشاعر (Sentiment Analysis) في تعليقات YouTube، وعرض النتائج من خلال إضافة لمتصفح Chrome.
ماذا ستتعلم في هذه الدورة؟
1. تصميم معمارية مشروع MLOps
تبدأ بتحليل المشكلة وتخطيط مراحل النظام، من جمع البيانات وتجهيزها إلى تدريب النموذج ونشره.
2. جمع البيانات وتحليلها
تتعلم استخراج تعليقات YouTube وتنظيفها، وإجراء التحليل الاستكشافي للبيانات (EDA) لفهم خصائصها وتجهيزها للتدريب.
3. تتبع التجارب باستخدام MLflow
تتعرف على إعداد خادم MLflow على AWS، وتسجيل التجارب والمعاملات والنتائج لمقارنة النماذج بصورة منظمة.
4. بناء نموذج أساسي وتحسينه
تبدأ بنموذج Baseline، ثم تجرب تقنيات Bag of Words وTF-IDF، وتعديل حجم الخصائص، ومعالجة عدم توازن الفئات، وضبط المعاملات الفائقة.
5. استخدام التعلم التجميعي (Ensemble Learning)
تتعرف على تقنيات Stacking لدمج نماذج متعددة بهدف تحسين أداء التصنيف.
6. بناء خط معالجة متكامل باستخدام DVC
تقسم المشروع إلى مراحل مستقلة لجلب البيانات ومعالجتها وتدريب النموذج، مع استخدام DVC لإدارة إصدارات البيانات وخطوات المعالجة.
7. تقييم النماذج وتسجيلها
تستخدم MLflow لتقييم النماذج وتتبع أفضل الإصدارات وإدارتها من خلال Model Registry.
8. نشر النموذج باستخدام Flask وDocker
تبني واجهة API باستخدام Flask، ثم تستخدم Docker لتغليف التطبيق وتجهيزه للتشغيل في بيئات مختلفة.
9. تطوير إضافة لمتصفح Chrome
تنشئ إضافة تتواصل مع النموذج المنشور لتحليل مشاعر تعليقات YouTube بصورة تفاعلية.
10. أتمتة النشر باستخدام CI/CD وAWS
تتعلم إعداد عمليات النشر الآلية لتسهيل تحديث التطبيق وإدارة التغييرات بصورة أكثر انتظامًا.
لمن تناسب هذه الدورة؟
تناسب مهندسي التعلم الآلي، وعلماء البيانات، ومطوري Python، وكل من يمتلك معرفة أولية بالتعلم الآلي ويريد اكتساب خبرة عملية في MLOps.
الدرس الأهم أن نجاح نموذج التعلم الآلي لا يتوقف عند دقة التنبؤات، بل يعتمد أيضًا على إمكانية إعادة إنتاج التجارب وإدارة إصدارات البيانات والنماذج وأتمتة النشر. وتكمن أهمية MLOps في تحويل التجارب البحثية إلى أنظمة برمجية قابلة للتشغيل والتطوير والصيانة.
#MLOps #التعلم_الآلي #هندسة_الذكاء_الاصطناعي
freecodecamp.org/news/learn-…
AI generates code faster than humans can review it. The fix is verification in the loop. Pytest, type checks, or endpoint tests run before the agent reports done, with failed checks triggering automated rework.
This assumes code still needs human comprehension for maintenance. If the same AI generates, modifies, and explains the code, illegibility stops being a blocker and monitoring shifts from code structure to system behavior and output correctness.
This holds when the underlying model already clears the capability threshold. If the base model lacks sufficient reasoning depth or context window for the task, no harness optimization recovers that gap.
Stop arguing about LLM models. Your AI tool harness matters way more than the weights.
Fresh benchmark data from BenchLM & XDA shows a wild reality: running the exact same Claude model gives completely different results depending on the wrapper.
• Cursor: Elite for IDE polish & multi-model flexibility.
• Claude Code: Crushing agentic terminal tasks & long-horizon bug hunting.
The real kicker? Your cost-per-useful-result doesn't change based on model rankings. It changes based on context compaction, token caching, and test-generation bloat.
We are entering the era of UI optimization, not model optimization.
What’s your current terminal/IDE setup? Drop it below. 👇