एजेंटस्टैक डेली: सकाना ने नमाज़ू, एक जापानी-ट्यून रीज़निंग मॉडल जारी किया

एपिसोड 100 — 11 अगस्त, 2026

[00:00] एपिसोड हुक

Sakana ने Namazu शिप किया, एक जापानी-ट्यूनड रीज़निंग मॉडल जो एक घनी साइकल को हैडलाइन करता है। Upstage Solar Pro 4 OpenRouter पर आ गया है आधा-मिलियन-टोकन कॉन्टेक्स्ट के साथ, Meta का Muse Glimmer: एक 30B ओपन मॉडल जो एक RTX 3090 पर चलता है, MCP ब्रिज के साथ Blender में प्रॉम्प्ट करें — एपिसोड की शुरुआत पूरी करते हैं, मॉडल्स, टूलिंग और इन्फ्रास्ट्रक्चर में गहरे कट के साथ। प्रत्येक स्टोरी को एक जैसा ट्रीटमेंट मिलता है — क्या शिप हुआ, उसके नीचे का मैकेनिज्म, और यह वर्किंग बिल्डर्स के लिए क्या बदलता है।

[02:00] Sakana ने Namazu शिप किया, एक जापानी-ट्यूनड रीज़निंग मॉडल

Sakana AI ने अभी-अभी Namazu लिस्ट किया है, एक रीज़निंग मॉडल जो विशेष रूप से जापानी के लिए बनाया गया है। यह Kimi K2.6 पर आधारित है जिसमें जापानी भाषा और बिज़नेस कॉन्टेक्स्ट को लक्षित करके अतिरिक्त ट्रेनिंग दी गई है, और मॉडल पेज इसे जापानी इंस्ट्रक्शन फॉलोइंग के लिए उपयुक्त बताता है।

कॉन्टेक्स्ट विंडो 262,144 टोकन की है, जो एक ही प्रॉम्प्ट में पर्याप्त बड़े जापानी दस्तावेज़ों या मल्टी-टर्न बिज़नेस वर्कफ्लो के लिए काफी है। यह Sakana द्वारा होस्ट किया गया है और OpenRouter पर sakana/sakana-namazu आइडेंटिफायर के तहत सरफेस किया गया है।

बिल्डर्स के लिए इसका मतलब: अगर आप जापानी प्रॉम्प्ट्स को जनरल-पर्पस मॉडल्स के ज़रिए रूट कर रहे थे और नोटिस किया कि टोन, फॉर्मैलिटी लेवल्स, या बिज़नेस फ्रेज़िंग फ्लैट आ रही है, तो Namazu एक Sakana-ट्यूनड विकल्प है जो स्पष्ट रूप से उस गैप को टारगेट करता है। चूंकि इसे पहले रीज़निंग मॉडल के रूप में लेबल किया गया है, सबसे उपयोगी एप्लिकेशन वे टास्क हैं जहां आप जापानी में विचारशील, मल्टी-स्टेप जवाब चाहते हैं — कस्टमर सपोर्ट एनालिसिस, डॉक्यूमेंट सारांश, और स्ट्रक्चर्ड बिज़नेस राइटिंग स्पष्ट फिट हैं।

एक चीज़ ध्यान देने योग्य: Sakana इसे जापानी-स्पेशलाइज्ड बनाम जापानी-ओनली बताता है, इसलिए यह जांचना worth है कि आपके इंग्लिश या मिक्स्ड-लैंग्वेज प्रॉम्प्ट्स अभी भी अच्छे हैं या नहीं। प्राइसिंग, लेटेंसी, और रेट लिमिट्स OpenRouter लिस्टिंग पेज पर हैं।

[02:00] Upstage Solar Pro 4 आधा-मिलियन-टोकन कॉन्टेक्स्ट के साथ OpenRouter पर आ गया

Upstage का Solar Pro 4 OpenRouter पर एक नए मॉडल लिस्टिंग के रूप में आ गया है, रूटेबल as upstage/solar-pro4। हैडलाइन नंबर कॉन्टेक्स्ट है: 524,288 टोकन, जो आधा-मिलियन मार्क के आसपास है और इसे राउटर के माध्यम से उपलब्ध लॉन्ग-कॉन्टेक्स्ट मॉडल्स के अपर टियर में रखता है।

लिस्टिंग में मॉडल को चार व्यापक क्षेत्रों के लिए उपयुक्त बताया गया है: agentic workflows, office productivity, document-intensive work, और coding। यही framing Upstage मॉडल पर दे रहा है। जो builders पहले से traffic OpenRouter के through भेज रहे हैं, वे standard provider routing का उपयोग करके अभी इस मॉडल तक पहुंच सकते हैं।

500K context window कुछ ठोस तरीकों से मायने रखता है। आप पूरी लंबी documents — जैसे कि सैकड़ों पन्नों की रिपोर्ट, large codebases, या extended conversation histories — को बिना chunking या summarization tricks के drop in कर सकते हैं। Agent loops के लिए जो कई turns में state accumulate करते हैं, वहां यह headroom realistic tasks की range बदल देता है जो एक window के अंदर attempt की जा सकती हैं।

एक बात पर नजर रखनी चाहिए: क्या third-party benchmarks confirm करते हैं कि model उस context range के far end पर अच्छा perform करता है, और OpenRouter पर pricing अन्य long-context options की तुलना में कैसी है। Model page OpenRouter पर live है; builders इसे immediately probe करना शुरू कर सकते हैं।

[03:12] Meta's Muse Glimmer: a 30B open model that runs on one RTX 3090

Meta ने Muse Glimmer launch किया, एक 30-billion-parameter model जो always-on local agent workflows के लिए positioned है। Pitch simple है: यह एक single RTX 3090 graphics card पर चलता है, वही GPU जो कई developers और tinkerers के पास पहले से desktop tower में पड़ा है। 30B class parameter count के साथ open weights release के लिए consumer hardware पर fit होना, local inference के लिए यह meaningful reach है।

Meta के research blog से framing agentic है, मतलब model background या continuously running tasks के लिए positioned है, one-shot chat के बजाय। 1116-upvote वाला Hacker News thread confirm करता है कि community curious है कि क्या एक 30B जो एक card पर fit होता है, agent workflows की looping work handle कर सकता है।

Builders के लिए, practical shift यह है कि "always on" एक cost story बन जाता है। एक single RTX 3090 real power draw करता है लेकिन कोई exotic thing नहीं, तो एक छोटी team या hobbyist GPU rent किए बिना या per token भुगतान किए बिना locally background agent loop run कर सकती है। यह घर पर automate होने वाली चीजों की shape बदल देता है, खासकर उन solo developers के लिए जिनके पास hardware पहले से है।

एक बात पर नजर रखनी चाहिए: Glimmer real agent workloads पर actually कैसा behave करता है, सिर्फ एक chat model होने के बजाय जो एक card पर fit होता है। उस Hacker News thread में early community benchmarks जल्दी बता देंगे कि "always-on local agent" real claim है या positioning slide।

[04:37] Prompt Your Way Into Blender With an MCP Bridge

अगर आपने कभी wish किया है कि आप बस एक 3D scene describe करें और वह appear हो जाए, तो blender-mcp अभी इसका closest thing है। Project, ahujasid के under short handle blender-mcp पर hosted, Anthropic's Claude को open-source 3D tool Blender से connect करता है ताकि prompts software को directly drive करें। इसका GitHub repo लगभग 25,700 stars gather कर चुका है, एक sign कि prompt-driven 3D work का builders के साथ real pull है।

यह तंत्र Model Context Protocol है, वही मानक जो भाषा मॉडल को संरचित संदेशों के माध्यम से बाहरी उपकरणों को कॉल करने देता है। पुल के साथ, एक Claude सत्र Blender से ज्यामिति बनाने, सामग्री असाइन करने, या दृश्य इकट्ठा करने के लिए कह सकता है, और Blender अनुरोध पूरा करता है। व्यावहारिक बदलाव Blender के इंटरफेस के माध्यम से क्लिक करने से आप जो चाहते हैं उसे सादे भाषा में वर्णन करने और सहायक को वह Blender ऑपरेशन में बदलने देने की ओर है।

एक ईमानदार चेतावनी: रिपॉजिटरी में अभी तक कोई टैग्ड रिलीज़ नहीं है, केवल 9 अगस्त को एक हालिया पुश, इसलिए इसे एक स्थिर निर्भरता के बजाय एक प्रारंभिक, तेजी से बढ़ने वाले प्रोजेक्ट के रूप में माना जाना चाहिए। एक बिल्डर के लिए, इसका मतलब है कि यह प्रॉम्प्ट-संचालित 3D वर्कफ़्लो के साथ प्रयोग करने का एक मजेदार जगह है, अनौपचारिक दृश्य ड्राफ्ट बनाना, या सीखना कि MCP कनेक्टर विज़ुअल डोमेन में कैसे काम करते हैं, जबकि अभी के लिए प्रोडक्शन कार्य को हैंड-बिल्ट Blender फ़ाइलों में रखना। जिन बातों पर नज़र रखनी चाहिए वे हैं कि क्या मेंटेनर पहला टैग्ड रिलीज़ बनाता है और जब पुल अधिक जटिल सामग्री और लाइटिंग अनुरोधों को संभालता है तो वास्तविक दुनिया का दृश्य गुणवत्ता कैसी दिखती है।

[06:11] OpenAI के CFO ने AI-नेटिव वित्तीय कार्य के लिए पांच सबक साझा किए

OpenAI CFO Sarah Friar ने 10 अगस्त को कंपनी के अंदर एक AI-नेटिव वित्तीय कार्य बनाने से मिले पांच सबक के साथ एक पोस्ट प्रकाशित की। मुख्य क्षेत्र हैं स्वचालित पूर्वानुमान, मजबूत वित्तीय नियंत्रण, और AI पर निवेश पर प्रतिफल मापना।

पोस्ट अन्य वित्तीय नेताओं के लिए एक प्रैक्टिशनर की प्लेबुक के रूप में प्रस्तुत है, जिसमें OpenAI के अपने संचालन को कार्यरत उदाहरण के रूप में दिया गया है। Friar का फ्रेमिंग है कि वित्त टीमें जिन AI उपकरणों के भुगतान में मदद करती हैं, उन्हीं से बदल दी जाएंगी, और अपने ऊपर पहले प्रयोग चलाने का तर्क है।

स्रोत एक ब्लॉग पोस्ट है, उत्पाद रिलीज़, नया मॉडल, या शोध खोज नहीं। पोस्ट में कोई नया उपकरण नहीं आ रहा है — केवल वे सबक जो Friar कहती हैं कि OpenAI ने रास्ते में सीखे। खुला सवाल यह है कि प्लेबुक उस कंपनी से आगे सामान्यीकृत होती है जो अंतर्निहित मॉडल बनाती है, और क्या अन्य वित्तीय नेता अपनी प्लेबुक उतनी खुले तरीके से साझा करेंगे।

[07:08] Firebird ने आर्मेनिया में CIS क्षेत्र का सबसे बड़ा AI फैक्ट्री खोला

Firebird, एक उभरता AI क्लाउड प्रोवाइडर, ने CIS क्षेत्र में सबसे बड़ी AI फैक्ट्री के रूप में जो बताया है उसे लॉन्च किया है। सुविधा आर्मेनिया में स्थित है और 8 अगस्त को अनावरण किया गया, जिसमें आर्मेनियाई प्रधानमंत्री Nikol Pashinyan अधिकारियों में शामिल थे।

यह साइट NVIDIA त्वरित कंप्यूटिंग के साथ चलती है जो Dell Technologies के हाई-परफॉर्मेंस AI इन्फ्रास्ट्रक्चर से जुड़ा है, AI ट्रेनिंग और इन्फरेंस के लिए बड़े पैमाने पर GPU क्लस्टर में उपयोग किया जाने वाला मानक हार्डवेयर संयोजन। लॉन्च को एक सामान्य डेटा सेंटर के बजाय क्षेत्रीय AI फैक्ट्री के रूप में फ्रेम करना इंगित करता है कि साइट सामान्य-उद्देश्य होस्टिंग के बजाय घने GPU क्षमता के आसपास बनाई गई है।

क्षेत्र के बिल्डरों के लिए, व्यावहारिक सवाल पहुंच है। Firebird खुद को एक उभरता क्लाउड बताता है, इसलिए मूल्य निर्धारण, क्षमता स्तर, और ऑनबोर्डिंग विवरण तय करेंगे कि सुविधा स्टार्टअप्स और एंटरप्राइजेस के लिए एक वास्तविक विकल्प बनती है, या ज्यादातर संस्थागत ग्राहकों की सेवा करती है।

एक बात देखने योग्य है कि क्या आर्मेनिया लॉन्च के साथ ऐसी पॉलिसी प्रोत्साहन जोड़ता है जो AI वर्कलोड को नए हब की ओर खींचें, और Firebird क्षमता की कीमत स्थापित क्लाउड के खिलाफ कैसे तय करता है जो पहले से पास के बाजारों में संचालित हैं।

[08:14] OpenAI ने अधिकृत सुरक्षा कार्य के लिए GPT-5.6-Cyber शिप किया

OpenAI ने 10 अगस्त को GPT-5.6-Cyber को Daybreak Red में डाला, एक मॉडल जिसे वह साइबर सुरक्षा कार्य के लिए विशेष रूप से निर्मित बताता है। इच्छित उपयोग, जैसा कि OpenAI सूचीबद्ध करता है, अधिकृत भेद्यता अनुसंधान, एक्सप्लॉइट सत्यापन, और सुरक्षा परीक्षण हैं, वही कार्य जो एक रेड टीम या बग-बाउंटी हंटर उन प्रणालियों के खिलाफ चलाता है जिनकी जांच करने की अनुमति उसे है।

रिलीज़ "डेफेंस विंडो संकुचित होने पर Daybreak का विस्तार" के झंडे तले आती है, एक फ्रेमिंग जो तर्क देती है कि बचावकर्ताओं के पास एक भेद्यता सामने आने और उसके हथियार बनने के बीच पहले की तुलना में कम समय है। OpenAI का तर्क है कि इस काम के लिए प्रशिक्षित एक मॉडल खोज और ट्रिएज के उन हिस्सों को स्वचालित करके उस अंतर को पाटने में मदद कर सकता है जिन्हें मनुष्य पैमाने पर पूरा नहीं कर पाते।

Daybreak Red गेटकीपर है। पहुंच स्व-सेवा API साइनअप नहीं है। यह केवल अधिकृत कार्य करने वाले शोधकर्ताओं तक सीमित है, जिसे OpenAI भेद्यता अनुसंधान, एक्सप्लॉइट सत्यापन, और सुरक्षा परीक्षण तक सीमित करता है। मॉडल को सामान्य-उद्देश्य कोडिंग सहायक या चैटबॉट के रूप में विपणन नहीं किया जा रहा है, और दस्तावेज़ीकरण इसे सुरक्षा अनुसंधान तक कड़ाई से बाड़ में रखता है।

घोषणा में जो नहीं है वह विवरण है। OpenAI ने GPT-5.6-Cyber के लिए चेंजलॉग, बेंचमार्क संख्याएं, या क्षमता सूची प्रकाशित नहीं की है, इसलिए यहां उन दावों का समर्थन नहीं है कि यह पिछले मॉडलों या मानव शोधकर्ताओं के खिलाफ कैसा प्रदर्शन करता है। आज की कहानी यह है कि मॉडल मौजूद है, पहुंच मार्ग Daybreak Red है, और OpenAI द्वारा नामित उपयोग के मामले भेद्यता अनुसंधान, एक्सप्लॉइट सत्यापन, और सुरक्षा परीक्षण हैं। जो बात अगली बार देखने योग्य है वह यह है कि OpenAI मूल्यांकन परिणाम प्रकाशित करता है या अधिकृत कार्य के प्रकारों का विस्तार करता है जिनके लिए मॉडल का उपयोग किया जा सकता है।

[09:55] शोध डाइजेस्ट: AI एजेंटों के लिए एक स्व-विकसित सुरक्षा परत

AI एजेंटों पर अधिकांश सुरक्षा कार्य एक प्रॉम्प्ट में रहता है जिसे आप एक बार लिखते हैं और आशा करते हैं कि वह बना रहे। SHE नामक नया शोध उस विचार को पलट देता है। यह एक एजेंट के चारों ओर की "हार्नेस" को - सिस्टम प्रॉम्प्ट, नियम सूची, सुरक्षा मेमोरी, और टूल अनुमतियां - अलग-अलग कामों वाले चार टुकड़ों के रूप में मानता है, फिर एक लूप चलाता है जो वास्तविक रोलआउट के दौरान विफलताओं को देखता है, निदान करता है कि किस टुकड़े ने कुछ बुरा होने दिया, और केवल उसी टुकड़े को फिर से लिखता है। सादे अंग्रेजी में, यह निकट-अवसरों से वही सीखता है जो एक टीम पोस्ट-मॉर्टम लिखती है। Agent-SafetyBench सुइट पर परीक्षण किया गया, इस दृष्टिकोण ने एक निश्चित बेसलाइन के खिलाफ सफल हमले के प्रयासों को तीन गुना से अधिक कम किया। सीखी गई हार्नेस अभी भी नए जोखिमों के हाथ-से-निकले AgentHarm बेंचमार्क पर अच्छी रही और बिना अतिरिक्त प्रशिक्षण के विभिन्न अंतर्निहित मॉडलों में स्थानांतरित हुई। बिल्डर्स के लिए निष्कर्ष यह है कि एजेंट सुरक्षा अब एक फ्रोजन नियमसेट नहीं होनी चाहिए - यह एक ऐसी प्रणाली हो सकती है जो जितनी अधिक चलती है उतनी तेज होती है।

[10:54] शोध डाइजेस्ट: जब AI बहुत निश्चित लगता है: विश्वास-आधारित उत्तर रैंकिंग में एक दोष

शोधकर्ताओं की एक टीम ने बड़े भाषा मॉडलों से बेहतर तर्क निकालने की एक लोकप्रिय तकनीक में एक बार-बार होने वाली विफलता की पहचान की है। दृष्टिकोण, जिसे वेरिफायर-फ्री टेस्ट-टाइम स्केलिंग कहते हैं, एक मॉडल से कई उम्मीदवार उत्तर उत्पन्न करने और उन्हें विश्वास के आधार पर रैंक करने के लिए कहता है, बिना अलग जज की आवश्यकता के। कठिन समस्याओं पर यह रैंकिंग एक बताते हुए तरीके से ढह जाती है: मॉडल प्रयासों में समान रूप से आश्वस्त हो जाता है, और वह सपाट विश्वास गलत उत्तर को फ्लैग करने की ओर झुकता है, क्योंकि मॉडल ने विकल्पों का पता लगाना बंद कर दिया है।

उनका समाधान एक चयन ढाँचा है जिसे "consilience" कहा जाता है। अंतिम आत्मविश्वास स्कोर पढ़ने के बजाय, consilience ट्रैक करता है कि एक तर्क प्रयास में आत्मविश्वास कैसे बढ़ता है। यह उन श्रृंखलाओं को प्राथमिकता देता है जो अनिश्चित शुरू हुईं, खोज की, और फिर एक आत्मविश्वासी उत्तर पर पहुँचीं। जो प्रयास पूरे समय आत्मविश्वास में स्थिर रहे, उन्हें संदिग्ध माना जाता है, क्योंकि यह पैटर्न आमतौर पर इसका मतलब है कि मॉडल ने बहुत जल्दी निर्णय ले लिया।

व्यावहारिक निहितार्थ यह है कि इंफरेंस पाइपलाइन उत्तर चयन को सिर्फ गंतव्य नहीं बल्कि तर्क के आकार को स्कोर करके सुधार सकती हैं। गैर-विशेषज्ञों के लिए, सीखने योग्य बात सहज ज्ञान योग्य है: एक उत्तर जो पहले शब्द से ही सही लगा, उसे जटिल प्रश्न पूछने पर अधिक संदेह की दृष्टि से देखना चाहिए।

[12:02] Model ML ने GPT-5.6 Sol के माध्यम से वित्तीय कार्य पूरा किया

OpenAI ने 10 अगस्त को Model ML को विशेष रूप से प्रस्तुत किया, जिसमें हाइलाइट किया गया कि कंपनी GPT-5.6 Sol के साथ वित्तीय कार्य को अधिक कुशलता से पूरा करती है। दिलचस्प बात दायरे की है: शोध और विश्लेषण को संपादन योग्य, ट्रेस करने योग्य PowerPoint प्रस्तुतियों और Excel वर्कबुक तक पूरा किया जाता है। आउटपुट वास्तविक कार्यालय दस्तावेज़ हैं जिन्हें विश्लेषक खोल, संपादित और जांच सकते हैं, न कि स्थिर केवल-पढ़ने योग्य सारांश।

यह प्रक्रिया वित्तीय शोध और विश्लेषण को ट्रेसबिलिटी के साथ संरचित स्लाइड और स्प्रेडशीट में बदल देती है, ताकि प्रत्येक आउटपुट अपने स्रोत पर वापस जा सके। यह उस बात का महत्वपूर्ण हिस्सा है जो उन लोगों के लिए मायने रखता है जिनका काम अनुपालन या सहकर्मी समीक्षा से गुजरता है, क्योंकि यह दस्तावेज़ों को उपयोगी रखता है और उन्हें ब्लैक-बॉक्स अटैचमेंट में नहीं बदलता।

बिल्डरों और वित्त टीमों के लिए, इसका मतलब है कि GPT-5.6 Sol एक ऐसी पाइपलाइन में बैठ सकता है जो सादे टेक्स्ट जवाबों के बजाय संपादन योग्य Excel और PowerPoint फ़ाइलें बनाती है। यह एक डील टीम के अंदर एक AI असिस्टेंट को फिर से परिभाषित करता है - एक ऐसी चीज़ जो आपको एक वर्कबुक देता है जिसे आप एक बैठक में बचा सकते हैं, न कि एक ऐसा पैराग्राफ जिसे आपको खुद फिर से बनाना है।

ध्यान देने योग्य एक बात यह है कि Model ML का ट्रेसबिलिटी पैटर्न अन्य वित्तीय उपकरणों में कितना व्यापक रूप से दिखता है, और क्या GPT-5.6 Sol दस्तावेज़ जनरेशन एक कस्टम इंटीग्रेशन के बजाय विश्लेषक वर्कफ़्लो के लिए एक डिफ़ॉल्ट बिल्डिंग ब्लॉक बन जाता है।

[13:18] OpenAI ने टेक्सास गवर्नर को जिम्मेदार AI इन्फ्रास्ट्रक्चर निर्माण का वचन देते हुए पत्र लिखा

OpenAI ने टेक्सास गवर्नर ग्रेग एबॉट को 10 अगस्त की तारीख का एक पत्र भेजा जिसमें राज्य में जिम्मेदार AI इन्फ्रास्ट्रक्चर के प्रति अपनी प्रतिबद्धता को रेखांकित किया। पत्र विश्वसनीय, पारदर्शी विकास का समर्थन करता है जो कंपनी कहती है कि टेक्सासवासियों को लाभान्वित करेगा।

यह एक सार्वजनिक प्रतिबद्धता है, बाध्यकारी योजना नहीं। पत्र टेक्सास में AI इन्फ्रास्ट्रक्चर के संबंध में OpenAI की स्थिति के लिए एक निर्धारित आधार रेखा निर्धारित करता है, जो नीति निर्माताओं और स्थानीय हितधारकों को एक ठोस संदर्भ बिंदु देता है। परमिट और साइट निर्णय अभी भी मौजूदा राज्य और स्थानीय प्रक्रियाओं के माध्यम से आगे बढ़ते हैं जिन्हें पत्र बदलता नहीं है।

[13:50] OpenAI ने frontier साइबर मॉडल को मान्यता प्राप्त Daybreak पार्टनर्स के लिए खोला

10 अगस्त को, OpenAI ने घोषणा की कि मान्यता प्राप्त Daybreak पार्टनर्स अब अपने frontier साइबर सुरक्षा मॉडल का उपयोग ग्राहकों को अधिकृत, शासित सुरक्षा सेवाएं प्रदान करने के लिए कर सकते हैं। इस कदम का स्वरूप ही कहानी है: सार्वजनिक API के माध्यम से मॉडल खोलने के बजाय, OpenAI एक मान्यता प्राप्त पार्टनर प्रोग्राम के माध्यम से पहुंच को रूट कर रहा है जिसमें डिलीवरी मॉडल में शासन अंतर्निहित है।

घोषणा में एकमात्र ठोस विवरण स्वयं गेटिंग मैकेनिज्म है। पार्टनर्स को मान्यता प्राप्त होना चाहिए, सेवाएं अधिकृत होनी चाहिए, और ग्राहकों को मॉडल की कच्ची पहुंच के बजाय एक शासित सेवा में लपेटी गई क्षमता प्राप्त होती है। स्रोत सामग्री में मॉडल के नाम, मूल्य निर्धारण और पहले समूह में कौन से पार्टनर्स हैं, यह जानकारी उपलब्ध नहीं है, इसलिए यहां नहीं दी गई है।

यह एक क्षमता लॉन्च से अधिक एक वितरण विकल्प जैसा लगता है। शर्त यह है कि स्थापित सुरक्षा प्रदाताओं के हाथों में एक रक्षात्मक AI टूल रखने से एंटरप्राइज खरीदारों को स्व-सेवा API की तुलना में एक स्वच्छ जवाबदेही कहानी मिलती है, और OpenAI को यह बनाए रखने की अनुमति देता है कि ग्राहक वातावरण में उसकी ओर से कौन कार्य कर सकता है, इस पर कड़ी नजर रहे।

आगे देखना: कौन से Daybreak पार्टनर्स पहले नामित होते हैं, शासित सेवा रैपर में वास्तव में क्या है, और क्या प्रत्यक्ष पहुंच अंततः पार्टनर स्तर से आगे खुलती है।

[15:03] Pokee AI ने Pokee-Isaac 28B जारी किया: एक 10M-टोकन संदर्भ एजेंटिक मॉडल जो ग्राहक सीमा के भीतर चलने के लिए बनाया गया है

Pokee AI ने Pokee-Isaac 28B जारी किया, एक 28B टेक्स्ट-ओनली फाउंडेशन मॉडल जिसमें 10M-टोकन संदर्भ विंडो है और यह ग्राहक सीमा के भीतर चलने के लिए बनाया गया है। यह 10M टोकन पर RULER पर 93.3% स्कोर करता है, जहां इसकी तुलना पैनल में प्रत्येक बेसलाइन 2M से आगे 0.0 लौटाती है, और BFCL v4 पर 70.94 पर अग्रणी है जबकि Terminal-Bench 2.1 पर दूसरे स्थान पर है। Prefill एक एकल B200 पर पूर्ण संदर्भ पर 137,200 टोकन/सेकंड तक पहुंचता है, जिसमें decode लगभग 335 टोकन/सेकंड पर सपाट रहता है। वेट प्रकाशित नहीं हैं; डिप्लॉयमेंट VPC, on-premises, या on-device में लाइसेंस प्राप्त है, जिसकी सूची मूल्य $0.15/$1.00 प्रति मिलियन टोकन है। पोस्ट Pokee AI Releases Pokee-Isaac 28B: A 10M-Token Context Agentic Model Built to Run Inside the Customer Boundary पहले MarkTechPost पर प्रकाशित हुई। प्राथमिक स्रोत ऊपर दिए गए विशिष्ट उत्पाद या वर्कफ़्लो परिवर्तन का समर्थन करता है; यह प्रदर्शन, संगतता, या डिप्लॉयमेंट के बारे में व्यापक दावों का समर्थन नहीं करता। इस पर निर्भर होने से पहले स्रोत परिवर्तन को एक वास्तविक वर्कफ़्लो के खिलाफ परीक्षण करें।

[15:58] ComfyUI APIs के साथ MiniMax-H3 मल्टीमॉडल वीडियो और ऑडियो जेनरेशन पाइपलाइन को लागू करना

इस व्यापक गाइड में, हम दिखाते हैं कि एक पूर्ण, प्रोग्रामेबल MiniMax-H3 मल्टीमॉडल जेनरेशन पाइपलाइन कैसे लागू करें। ComfyUI को headless बैकएंड के रूप में उपयोग करके, हम एक स्वचालित इंफेरेंस वातावरण स्थापित करने के बारे में बताते हैं जो हार्डवेयर प्रोफाइलिंग, मॉडल वेट डाउनलोडिंग, डायनामिक ग्राफ कंस्ट्रक्शन और संयुक्त वीडियो-ऑडियो डिकोडिंग को संभालता है। पोस्ट Implementing a MiniMax-H3 Multimodal Video and Audio Generation Pipeline with ComfyUI APIs पहले MarkTechPost पर प्रकाशित हुई। प्राथमिक स्रोत ऊपर दिए गए विशिष्ट उत्पाद या वर्कफ़्लो परिवर्तन का समर्थन करता है; यह प्रदर्शन, संगतता, या डिप्लॉयमेंट के बारे में व्यापक दावों का समर्थन नहीं करता। इस पर निर्भर होने से पहले स्रोत परिवर्तन को एक वास्तविक वर्कफ़्लो के खिलाफ परीक्षण करें।