Hermes Agent Four-Release Run & AI Agent सुरक्षा

NOVA: मैं NOVA हूँ।

[ALLOY]: मैं ALLOY हूँ, और ये है AgentStack Daily...

NOVA: Hermes Agent ने पाँच दिनों में चार रिलीज़ भेजी हैं, जो इसके डेस्कटॉप ऐप, टर्मिनल इंटरफ़ेस, गेटवे, और इंस्टॉलर में लगभग बारह सौ पचास मर्ज्ड पुल रिक्वेस्ट तक फैली हैं। नवीनतम रिलीज़ में स्किल्स लैंड होने से पहले सुरक्षा जाँच, लंबे समय तक चलने वाले ग्रुप चैट की मरम्मत, और शेड्यूल्ड मीडिया जॉब्स को खोने में कठिनाई शामिल है। पहले के रिलीज़ ने Hermes को स्टेटलेस MCP प्रोटोकॉल पर ले जाया, मल्टी-गेटवे कनेक्शन को मजबूत किया, और मॉडल रूटिंग में सुधार किया।

[ALLOY]: ठीक है, ये बहुत सारी चलती मशीनरी है। इसके अलावा, शोधकर्ताओं ने दूसरा एक्सेलेरेटर खरीदे बिना GPU उपयोग तीस-तीन पॉइंट बढ़ाया, एक ओपन मॉडल ने कई एजेंट हार्नेस में सीखा, और एक स्पीच मॉडल ने पहली ऑडियो से पहले के इंतज़ार को नब्बे मिलीसेकंड से कम कर दिया। लोग मौजूदा क्लस्टर से ज़्यादा काम निकाल रहे हैं, अपने असली ऑपरेटिंग एनवायरनमेंट में एजेंटों को ट्रेन कर रहे हैं, और वॉयस सिस्टम बना रहे हैं जो बिना अजीब डेड एयर के जवाब देते हैं।

NOVA: आज, आपको Hermes Agent 8.13, 8.16, 8.16 पॉइंट टू, और 8.18 के बारे में सुनेगे; किशोर ChatGPT यूज़र्स के लिए नई सुरक्षा; ऑटोनॉमस एजेंट्स के लिए प्रस्तावित सुरक्षा गाइडेंस; और NVIDIA का अभियान कि AI फैक्ट्रियों को पावर प्लांट जितना बुनियादी बनाया जाए।

[ALLOY]: प्लस ओपन-वेट म्यूज़िक जेनरेशन, एडाप्टिव लॉन्ग-कॉन्टेक्स्ट मेमोरी, और चौदह टीमों को AI पॉलिसी की कल्पना करने के लिए पैसे दिए जा रहे हैं।

NOVA: Hermes Agent ने पाँच दिनों में चार टैग्ड रिलीज़ भेजी हैं: 8.13 तेरह अगस्त को, 8.16 और 8.16 पॉइंट टू सोलह तारीख को, फिर 8.18 अठारह अगस्त को। साथ मिलकर ये लगभग बारह सौ पचास मर्ज्ड पुल रिक्वेस्ट को कवर करती हैं, तो ये कोई एक साफ़ सुथरी फीचर रिलीज़ नहीं है। ये डेस्कटॉप ऐप, टर्मिनल इंटरफ़ेस, गेटवे, इंस्टॉलर, शेड्यूलिंग, सेशन्स, बॉट्स, और कंप्यूटर यूज़ में फैला एक रोलअप है। नवीनतम रिलीज़ में मैट-ग्लास और ट्रांसलूसेंट डेस्कटॉप ट्रीटमेंट, फ्रॉस्ट पिकर, और macOS प्री-सेलेक्शन ऑप्शन लाता है। टैब्ड सेशन्स-ऐंड-बॉट्स साइडबार व्यक्तिगत बॉट्स को डिलीट किए बिना छिपा सकता है। बॉट मोड ग्रुप चैट लंबे समय तक चलने वाले मेंबर टर्न, Markdown डिस्प्ले, और मशीनों के बीच रूटिंग की मरम्मत करता है। इंस्टॉल्ड स्किल्स अब NVIDIA SkillEvaluator टायर वन एडवाइज़री स्कैनिंग से गुज़रते हैं लाइसेंस और सुरक्षा जाँचों के लिए। एडवाइज़री वहाँ ज़रूरी काम कर रहा है: ये स्क्रूटनी जोड़ता है, ये गारंटी नहीं कि कोई स्किल सुरक्षित है। शेड्यूल्ड मीडिया सेंड कॉन्फ़िगरेबल टाइमआउट, मैनुअल रन के लिए अटैचमेंट, और दिखने वाले मिस्ड-फ़ायर नोटिस पाते हैं। शेड्यूलर बहुत सारी खुली फ़ाइलों से उबर सकता है, पुराने क्लेम को रिकॉन्साइल कर सकता है, और अटके जॉब्स को री-आर्म कर सकता है। SessionDB को इवेंट-लूप और कंटेंशन की मरम्मत मिलती है, जबकि सेशन हैंडऑफ़ को डेटा-लॉस फिक्सेस मिलते हैं। अपडेट कमांड अब पार्क्ड ब्रांचेस को सही से रिपोर्ट करता है, और कानबान एक्टिविटी नेटिव ऑपरेटिंग-सिस्टम नोटिफिकेशन ट्रिगर कर सकती है।

[ALLOY]: ईमानदारी से, वो रिकवरी रिपेयर्स शायद ग्लास से ज़्यादा अच्छी तरह जमेंगे। 8.16 पॉइंट टू में स्ट्रक्चरल वर्क Hermes को MCP टू-सीरीज़ सॉफ़्टवेयर किट के साथ July स्टेटलेस प्रोटोकॉल पर ले जाता है। स्टेटलेस का मतलब है कि एक सर्वर को हर कॉल के बीच प्राइवेट कन्वर्सेशन स्टेट सेव करने की ज़रूरत नहीं है; हर रिक्वेस्ट वो ले जा सकती है जो सर्वर को चाहिए, जिससे प्रोसेसेस या मशीनों में वर्क बाँटना आसान हो जाता है। रिलीज़ में Hermes बॉट्स प्लगइन और इसके टीममेट प्रोटोकॉल, CommandCode प्रोवाइडर प्लगइन भी बंडल है, और सबप्रोसेस Python एनवायरनमेंट को अलग रनटाइम पाथ के ज़रिए अलग करता है। ये एक एम्बेडेड Python इंस्टॉलेशन को चुपचाप दूसरे से पैकेज या कॉन्फ़िगरेशन उधार लेने से रोक सकता है। कंप्यूटर-यूज़ सपोर्ट Cua Driver पॉइंट-ट्वेंटी कॉन्ट्रैक्ट्स अपनाता है, कानबान वर्कट्री डिस्पैच को रिपेयर्स मिलते हैं, शेड्यूल्ड जॉब्स कॉन्टिनुइटी फ्लैग्स पाते हैं, और रिमोट डेस्कटॉप गेटवे को कनेक्शन सेल्फ-हीलिंग मिलता है। फिर 8.16 डेस्कटॉप कनेक्शंस रजिस्ट्री को मल्टीपल गेटवेज़ और प्रोफ़ाइल-स्कोप्ड रिफ्रेश के साथ मजबूत करता है। MCP कनेक्शंस को हेल्थ चेक्स और डीप लिंक्स मिलते हैं; OpenAI-कम्पैटिबल इंटरफ़ेस के ज़रिए LiteLLM Claude रिक्वेस्ट प्रॉम्प्ट कैशिंग पाती हैं; और गेटवे मॉडल रूट्स पर्सिस्ट कर सकता है। Windows अपडेट प्रोब्स, Kitty कीबोर्ड सपोर्ट, हार्डन्ड चैट कंटिनुएशन, लूप कम्प्लीशन, और Telegram डायरेक्ट-मैसेज टॉपिक्स दस्तावेज़ किए गए बदलावों को पूरा करते हैं। पॉइंट-ट्वेंटी से पूरे विंडो के लिए क्यूरेटेड नोट्स पॉइंट-ट्वेंटीवन तक डिफर्ड हैं, जिससे कुछ बीच का काम अनसुमराइज़्ड रहता है। फिर भी, दिशा साफ़ है: Hermes डेस्कटॉप वर्क, रिमोट गेटवेज़, बॉट्स, शेड्यूल्स, और टूल सर्वर्स को जोड़ रहा है जबकि उन कनेक्शंस के स्टॉल होने पर क्या होता है उसका समाधान कर रहा है।

[ALLOY]: "पहली AI पीढ़ी" एक बहुत बड़ा वाक्यांश है। क्या OpenAI और CodeAI छात्रों के उपयोग के लिए कुछ लॉन्च कर रहे हैं, या शिक्षा के आसपास झंडा गाड़ रहे हैं?

NOVA: अभी के लिए, वे झंडा गाड़ रहे हैं। अठारह अगस्त को घोषित साझेदारी छात्रों को लक्षित करती है और तीन लक्ष्यों पर केंद्रित है: AI साक्षरता, यह समझना कि ये सिस्टम कैसे काम करते हैं, और जिम्मेदारी से तकनीक का उपयोग और आकार देने की क्षमता। OpenAI का फ्रेमिंग यह मानता है कि AI छात्रों के दैनिक जीवन में आम हो जाएगा, इसलिए जवाब असीमित पहुंच या पूर्ण प्रतिबंध तक सीमित नहीं हो सकता। शिक्षा को यह कवर करना होगा कि एक मॉडल क्या कर सकता है, इसके उत्तर कहां कमजोर होते हैं, और मानवीय निर्णय कैसे शामिल रहता है। यह कक्षाओं में पहले से मायने रखता है जो जेनरेट किए गए निबंध, तुरंत ट्यूशन, क्रिएटिव सहायता, और गलत होते हुए भी निश्चित लगने वाले उत्तरों का सामना कर रही हैं। लेकिन घोषणा में पाठ्यक्रम मॉड्यूल, ग्रेड स्तर, भाग लेने वाले स्कूल, क्लासरूम टूल, API, या कार्यान्वयन कैलेंडर की पहचान नहीं है। डेवलपर के लिए एकीकृत करने के लिए कुछ ठोस नहीं है। यह एक पाठ्यक्रम और पोजिशनिंग साझेदारी है जिसके दावे तब मापने योग्य बनते हैं जब सामग्री और पहुंच दिखाई दे।

[ALLOY]: ठीक है, और यह अंतर घोषणा को उसके साक्ष्य से अधिक वजन उठाने से रोकता है। एक पीढ़ी को तैयार करना राष्ट्रीय स्तर पर लगता है; एक साझेदारी बहुत छोटे दर्शकों से शुरू हो सकती है। सार्थक सवाल यह हैं कि कौन से छात्र प्रोग्राम प्राप्त करते हैं, शिक्षकों को क्या सहायता मिलती है, और क्या critical thinking में मॉडल की सीमाएं, स्रोत निर्णय, गोपनीयता, और व्यावसायिक प्रोत्साहन शामिल हैं, न कि केवल refined prompting। एक गंभीर पाठ्यक्रम स्कूलों को साझा भाषा दे सकता है यह तय करने के लिए कि AI कब सीखने में मदद करता है और कब वह सीखने का काम पूरा करता है। यह एक branding exercise भी बन सकता है जिसका कोई प्रदर्शित शैक्षिक परिणाम नहीं है। पहुंच भी मायने रखती है। अगर प्रोग्राम विशेष उपकरणों, paid accounts, या अच्छी सुसज्जित स्कूलों पर निर्भर करता है, तो यह मौजूदा अंतर को गहरा कर सकता है। OpenAI और CodeAI ने गंतव्य बताया है। पाठ्यक्रम, दर्शक, समय, शिक्षक तैयारी, और स्केल अभी आगे हैं।

NOVA: OpenAI ने ChatGPT for Teens लॉन्च किया है, युवा उपयोगकर्ताओं के लिए मजबूत सुरक्षा, स्वस्थ-उपयोग सुविधाओं, और माता-पिता के लिए अतिरिक्त नियंत्रणों के आसपास बनाया गया एक समर्पित अनुभव। कंपनी कहती है कि वह चाहती है कि किशोर AI से सीखें, critical thinking करें, और आत्मविश्वास बनाएं, न कि केवल जेनरेट किए गए उत्तरों का उपभोग करें। यह एक असली पारिवारिक बहस के बीच में गिरता है: किशोर पहले से ही चैटबॉट का उपयोग समझाइश, स्कूल असाइनमेंट, ब्रेनस्टॉर्मिंग, निजी सवालों, और क्रिएटिव प्रोजेक्ट्स के लिए करते हैं, जबकि माता-पिता और शिक्षक अभी तय कर रहे हैं कि सहायता कब substitution बन जाती है। OpenAI किशोरों को बिना बदलाव के standard product देने और उन्हें पूरी तरह से बाहर करने के बीच एक मध्यम रास्ता दे रहा है।

[ALLOY]: मुझे "healthy use" भाषा में दिलचस्पी है, लेकिन मैं नियंत्रणों के बिना safety headline पर नहीं मिलता। क्या OpenAI ने बताया कि माता-पिता क्या देख सकते हैं, क्या वे सीमित कर सकते हैं, या वे सुरक्षाएं कैसे काम करती हैं?

NOVA: लॉन्च से जुड़ी सामग्री में नहीं। parental controls के लिए कोई विस्तृत changelog नहीं है, precise account-linking flow नहीं है, या healthy-use सुविधाओं की पूर्ण व्याख्या नहीं है। हम यह दावा नहीं कर सकते कि माता-पिता को message visibility मिलती है, time scheduling मिलती है, topic restrictions मिलते हैं, या कोई अन्य विशिष्ट function मिलता है। OpenAI ने दिशा स्पष्ट की है: किशोरों को एक अलग अनुभव मिलता है, सुरक्षाएं इसमें बनाई गई हैं, और माता-पिता को अतिरिक्त नियंत्रण मिलते हैं। वे विकल्प कोमल सीमाएं उठाते हैं। एक उपयोगी नियंत्रण बिना हर निजी सवाल को surveillance में बदले बच्चे का समर्थन कर सकता है; असली डिज़ाइन तय करता है कि यह कहां गिरता है। Age assurance भी मायने रखती है, क्योंकि सेवा को बिना असमान पहचान डेटा एकत्र किए किशोर उपयोगकर्ताओं को सही से पहचानना होगा।

[ALLOY]: लॉन्च ने किशोर उपयोग को explicit product category बना दिया है, छोटे व्यस्कों के रूप में छोटे उपयोगकर्ताओं का इलाज करने के बजाय। एक किशोर जो एक सहायक के साथ सीखता है, वह उसकी आदतें उच्च शिक्षा और काम में ले जा सकता है। स्कूलों को इस बात की परवाह है कि क्या यह बिना असाइनमेंट पूरे किए सीखने का समर्थन करता है, जबकि परिवारों को गोपनीयता, निर्भरता, और conversation में बिताए समय की परवाह है। सुरक्षाएं observable व्यवहार, स्पष्ट सीमाओं, और माता-पिता और किशोरों के नियंत्रण की ईमानदार व्याख्याओं के माध्यम से विश्वास अर्जित करती हैं।

NOVA: Dharma-AI कहता है कि उसने काम के क्रम को बदलकर उसी क्लस्टर पर GPU utilization में तैंतीस अंक प्राप्त किए। कोई नए accelerators नहीं और कोई hardware redesign नहीं—leverage sequencing थी। यह провокацион है क्योंकि utilization मापता है कि महंगी कंप्यूटिंग क्षमता कितना उपयोगी काम कर रही है, न कि इंतज़ार कर रही है। लेकिन उपलब्ध स्रोत हमें केवल headline और प्रकाशन तिथि देता है, क्लस्टर आकार नहीं, GPU प्रकार नहीं, scheduler नहीं, workload नहीं, baseline utilization नहीं, या ordering rule नहीं। मмеренный परिणाम खबर है; portability स्थापित नहीं है।

[ALLOY]: फिर भी, अगर सिर्फ ऑर्डरिंग से ही यह होता, तो किस तरह की बर्बादी गायब हो सकती है? सभी जॉब्स को एक जैसी मेमोरी, अवधि या कम्युनिकेशन पैटर्न की जरूरत नहीं होती। एक शेड्यूलर गैप छोड़ सकता है जब वह असंगत काम को बेमिसाल क्रम में रखता है, जैसे ट्रक को बुरी तरह लोड करना और पता चलना कि आखिरी बक्से फिट नहीं होंगे। जॉब्स को फिर से व्यवस्थित करने से आइडल स्लाइस कम हो सकती हैं, बैचिंग बेहतर हो सकती है, या संबंधित काम एक दूसरे को ब्लॉक करने से रुक सकता है। ये समझने योग्य स्पष्टीकरण हैं, Dharma-AI द्वारा दिए गए विवरण नहीं।

NOVA: बिल्कुल। तीन-तीन फीसदी अंक भी तीन-तीन फीसद का सापेक्ष लाभ नहीं है। अगर उपयोग चालीस से बहत्तर प्रतिशत तक बढ़ा, तो यह तीन-तीन अंक होगा लेकिन बासठ-साढ़े आठ प्रतिशत का सापेक्ष इजाफा। हमें शुरुआती संख्या नहीं पता, इसलिए आर्थिक असर सारांश से नहीं निकाला जा सकता। लंबे एकसमान जॉब्स वाले ट्रेनिंग क्लस्टर अलग तरह से व्यवहार करते हैं बर्स्ट्स को हैंडल करने वाले इन्फरेंस फ्लीट्स से, और दोनों प्रयोगों से भरी शेयर्ड एनवायरनमेंट्स से अलग हैं।

[ALLOY]: फिर भी, यह दावा हर कैपेसिटी प्रॉब्लम को हार्डवेयर ऑर्डर करके हल करने की रिफ्लेक्स को चुनौती देता है। शेड्यूलिंग इंस्टॉल्ड और पावर्ड उपकरणों के अंदर छुपी हुई क्षमता का पता लगा सकती है। अगर Dharma-AI वर्कलोड और सीक्वेंसिंग पॉलिसी डॉक्यूमेंट करता है, तो असली सबक तीन-तीन अंकों का सार्वभौमिक वादा नहीं होगा। यह सॉफ्टवेयर के किसी फिजिकल क्लस्टर की इफेक्टिव कैपेसिटी बदलने का एक ठोस केस होगा। तब तक, यह एक एनवायरनमेंट से आकर्षक नतीजा है, हर जगह एक-तिहाई ज्यादा कम्प्यूट के लिए कूपन नहीं।

NOVA: NIST और Federal Trade Commission ने ऑटोनॉमस-एजेंट सिक्योरिटी पर सार्वजनिक जानकारी का अनुरोध खोला है। एजेंसियां एंटरप्राइज और डेवलपमेंट एनवायरनमेंट्स में बिना निरंतर मानवीय निगरानी के काम करने वाले पर्सिस्टेंट एजेंट्स के लिए कंट्रोल्स, रिस्क मैनेजमेंट और जवाबदेही के बारे में पूछ रही हैं। वे तीन थ्रेट कैटेगरीज का नाम लेते हैं: अनधिकृत टूल एक्जीक्यूशन, डेटा एक्सफिल्ट्रेशन, और मॉडल मैनिपुलेशन। यह चैटबॉट के बुरा वाक्य पैदा करने से आगे जाता है। इसमें वह सॉफ्टवेयर शामिल है जो क्रेडेंशियल्स रख सकता है, टूल्स को कॉल कर सकता है, जानकारी हिला सकता है, और उस व्यक्ति के हटने के बाद भी काम करता रह सकता है जिसने इसे शुरू किया था। NIST और FTC का जोड़ा भी उल्लेखनीय है: एक एजेंसी स्टैंडर्ड्स और तकनीकी गाइडेंस से जुड़ी है, जबकि दूसरी उपभोक्ताओं को प्रभावित करने वाले धोखाधड़ी या हानिकारक व्यापारिक प्रथाओं की जांच कर सकती है।

[ALLOY]: और यह अभी बाध्यकारी नियम नहीं है। अक्टूबर तक NIST ट्वेंटी-ट्वेंटी-सिक्स, जीरो-वन-फोर-फाइव डॉकेट के तहत रिस्पॉन्सेज खुले हैं। सिक्योरिटी इंजीनियर्स, एजेंट्स डिप्लॉय करने वाली कंपनियां, और लोकल सिस्टम्स संचालित करने वाले लोग Federal Register के जरिए कमेंट्स सबमिट कर सकते हैं। वे जवाब वर्किंग ग्रुप्स को प्रभावित कर सकते हैं जो व्यापक चिंताओं को गाइडेंस में बदलते हैं। NIST कैटलॉग अक्सर अपनी औपचारिक स्थिति से आगे जाते हैं क्योंकि ऑडिटर्स, प्रोक्योरमेंट टीम्स, इंश्योरर्स और एंटरप्राइज कस्टमर्स उन्हें सामान्य रेफरेंस पॉइंट्स के रूप में उपयोग करते हैं। एक वालंटरी फ्रेमवर्क रेगुलेटर के मानने से पहले अपेक्षित कंट्रोल्स को आकार दे सकता है। एजेंसियों के चुने हुए थ्रेट्स पहले से ही वेंडर्स को बताते हैं कि जांच कहां जा रही है: टूल परमिशन्स, प्रोटेक्टेड डेटा, पर्सिस्टेंट क्रेडेंशियल्स, मॉडल इंटीग्रिटी, और जब कोई एजेंट कोई ऐसा एक्शन लेता है जिसका किसी ने इरादा नहीं किया था उसकी जवाबदेही। आखिरी सवाल जल्दी असहज हो जाता है। कोई कंपनी ऑटोनॉमस एक्जीक्यूशन को फायदा के रूप में मार्केट कर सकती है और फिर यह मानने का नाटक कर सकती है कि हर हानिकारक कार्रवाई केवल उस व्यक्ति की है जिसने स्टार्ट दबाया।

[ALLOY]: ClawGym Two एजेंट्स को उनके हार्नेसेस के जरिए ट्रेन करता है जो वे असल में उपयोग करते हैं, न कि उनके काम को एक सुव्यवस्थित सिम्युलेटर में सीमित करता। Reinforcement learning सभी ब्रांचिंग टूल कॉल्स और बातचीत को कैसे हैंडल करती है?

NOVA: शोधकर्ता सैंडबॉक्सेस के अंदर कई टास्क्स पैरेलल में चलाते हैं और हार्नेस से हर मॉडल कॉल कैप्चर करने के लिए एक प्रॉक्सी का उपयोग करते हैं। उन्होंने उन कॉल्स को संभावित बातचीत पथों के पेड़ के रूप में पुनर्निर्मित किया, फिर उस पेड़ से सीखने के लिए reinforcement learning को अनुकूलित किया। एक ओपन-वेट बेस मॉडल को एक साथ दो अलग हार्नेस पर ऑप्टिमाइज किया गया था। जब इसे टर्मिनल-आधारित AI कोडिंग एजेंट Claude Code के जरिए ट्रेंड किया गया, तो ClawGym-Bench पर पास-एट-वन accuracy में लगभग चौदह-दशमलव आठ प्रतिशत अंकों का लाभ मिला और सैकड़ों ऑप्टिमाइजेशन स्टेप्स में सुसंगत लाभ बने रहे।

[ALLOY]: ठीक है, यह वास्तव में दिलचस्प है क्योंकि हार्नेस लर्निंग एनवायरनमेंट के अंदर रहता है, बाद में अटैच नहीं किया जाता। टूल रिस्पॉन्सेस, इंटरमीडिएट निर्णय, और मल्टी-स्टेप फेलर्स ट्रेनिंग मैटेरियल बन जाते हैं। एक बेंचमार्क लाभ सामान्य सक्षमता साबित नहीं करता, लेकिन विभिन्न हार्नेस पर ओपन मॉडल को ट्यून करने से पता चलता है कि एजेंट इम्प्रूवमेंट के लिए हर सurrounding वर्कफ़्लो को बेस्पोक मॉडल के चारों ओर फिर से बनाने की जरूरत नहीं पड़ सकती।

NOVA: Proteus memory-based sequence models में एक कमज़ोरी को ठीक करता है: usable memory की एक fixed amount की वजह से early tokens बहुत ज़्यादा जगह ले सकते हैं, जब तक बाद में आने वाली अधिक relevant information के लिए।

[ALLOY]: यह एक tighter bottleneck से शुरू होता है, जो early history को compress करने पर मजबूर करता है, फिर जैसे-जैसे sequence बड़ी होती है, यह धीरे-धीरे अधिक effective capacity unlock करता है। बाद की information को beginning के साथ पूरी तरह compete करने के बजाय ताज़ी जगह मिलती है। Language modeling, reasoning, retrieval, और long-context understanding में, researchers consistent gains की रिपोर्ट करते हैं जो longer inputs के साथ बड़े होते गए।

NOVA: तो यह सिर्फ "ज़्यादा memory" नहीं है। Allocation समय के साथ बदलता है, जो तभी स्पष्ट लगता है जब कोई इसे demonstrate करता है।

[ALLOY]: सही। Proteus capacity available होने पर बदलता है और कई memory architectures में interference को reduce करता है। यह एक fixed state का concrete alternative है जो long input के पहले और आखिरी हिस्सों को एक जैसा मानता है, भले ही वे बहुत अलग conditions में retention के लिए compete करते हैं।

NOVA: OpenAI का essay "The Defender's Window" argument करता है कि artificial intelligence defensive security को improve कर रही है जबकि adversaries को भी new capabilities दे रही है। Company का कहना है कि defenders को advantage gain करने का मौका है, लेकिन सिर्फ तभी जब वे offensive tools improve होने पर भी उस advantage को protect करें। यह एक posture statement है, product launch नहीं। Source कोई security service, model, या control suite announce नहीं करता। यह describe करता है कि OpenAI का मानना है कि contest कहां जा रहा है और कहता है कि company अपनी defenses को strengthen कर रही है।

[ALLOY]: मुझे "window" शब्द से सावधानी है क्योंकि यह एक temporary lead suggest करता है बिना यह दिखाए कि यह कितना चौड़ा है। Attackers AI का use कर सकते हैं reconnaissance scale करने, messages adapt करने, या stolen information process करने के लिए। Defenders इसका use alerts interpret करने, code inspect करने, और response time shorten करने के लिए कर सकते हैं। दोनों तरफ को same underlying acceleration मिलती है। Defensive advantage access, deployment speed, reliable outputs, और इस पर depend करती है कि organizations AI को real security work से connect कर पाते हैं या नहीं बिना एक और privileged system बनाए जिसे attacker manipulate कर सके।

NOVA: यह NIST और FTC request से directly connect होता है। एक autonomous security agent threats को faster detect कर सकती है, लेकिन उसके tools और credentials unauthorized action के consequences को बड़ा करते हैं। OpenAI का essay measurements नहीं देता जो show करें कि defense आगे निकल रहा है, तो window एक argument बना रहता है demonstrated margin नहीं। यह publicly declare करता है कि cybersecurity, advanced AI के value और danger को describe करने में OpenAI के लिए central है। Frontier companies बढ़ती तरह से देखे जाना चाहते हैं सिर्फ powerful systems के suppliers के रूप में नहीं, बल्कि national और organizational defense में partners के रूप में भी।

[ALLOY]: Security teams उस argument को seriously ले सकती हैं बिना इसे finished advantage के proof के रूप में treat किए। AI attackers और defenders को available speed, volume, और adaptation को बदलती है। यह internal operations को भी बदलती है जब assistants को code, tickets, logs, और response tools तक access मिलता है। Defenders आगे रहती हैं अगर added capability added attack surface नहीं बनती। Actual deployments से evidence show करेगा कि defenders आगे हैं या same treadmill पर faster move कर रही हैं।

NOVA: OpenAI ने PORTS-Pike में शामिल हो गया है, दक्षिणी ओहायो में एक सामुदायिक-निवेश प्रयास, और कहता है कि परियोजना हजारों स्थानीय नौकरियों की ओर इशारा करती है। घोषणा कंपनी की औपचारिक भागीदारी और क्षेत्रीय फोकस की पुष्टि करती है। यह विशिष्ट नौकरी संख्या, निवेश राशि, निर्माण शेड्यूल, साझेदार सूची, डेटा-सेंटर क्षमता, या बिजली व्यवस्था प्रदान नहीं करती। "हजारों" इसलिए एक बयानबाजी महत्वाकांक्षा है न कि पदों, तारीखों, या खर्च से जुड़ी एक संख्या। भाषा में यह भी खुला छोड़ दिया गया है कि क्या कुल में निर्माण कार्य, आपूर्ति-श्रृंखला रोजगार, अप्रत्यक्ष नौकरियां, और स्थायी संचालन पद शामिल हैं।

[ALLOY]: वह गायब विवरण दावे को संकीर्ण रखता है, लेकिन स्थान अभी भी महत्वपूर्ण है। AI विस्तार तेजी से जमीन, बिजली, निर्माण, नेटवर्किंग, कूलिंग, और क्षेत्रीय श्रम को छूता है—केवल तटीय कार्यालयों में मॉडल शोधकर्ताओं को नहीं। PORTS-Pike OpenAI के नाम को दक्षिणी ओहायो विकास प्रयास पर रखता है और AI अवसंरचना को स्थानीय आर्थिक नीति के रूप में प्रस्तुत करता है। अगला महत्वपूर्ण खुलासा शीर्षक को प्रतिबद्धताओं में बदलना होगा: कौन क्या बनाता है, भर्ती कब शुरू होती है, कुल में कौन से पद गिने जाते हैं, वे अस्थायी निर्माण नौकरियां हैं या टिकाऊ संचालन पद, और काम कितने समय तक चलता है। समुदायों ने पहले औद्योगिक परियोजनाओं से जुड़े विशाल नौकरी आंकड़े सुने हैं, केवल यह जानने के लिए कि विभिन्न चरण और अप्रत्यक्ष प्रभाव एक साथ जोड़ दिए गए थे। रोजगार से परे स्थानीय हित हैं, जिसमें बिजली और पानी की प्रणालियों पर मांग, प्रशिक्षण अवसर, कर व्यवस्था, और क्या आसपास के निवासी लाभों में साझेदार हैं। अभी के लिए, पुष्टि किया गया समाचार भागीदारी, क्षेत्र, और OpenAI का हजारों नौकरियों का दावा है। स्केल, समय-सारणी, और स्थायित्व अनुत्तरित रहते हैं।

[ALLOY]: OpenAI नीति प्रस्ताव विकसित करने के लिए चौदह स्वतंत्र समूहों को भुगतान कर रहा है। क्या "स्वतंत्र" का मतलब है कि OpenAI का कोई प्रभाव नहीं है, या बस यह कि लेखक कंपनी के कर्मचारी नहीं हैं?

NOVA: घोषणा दूसरी व्याख्या का समर्थन करती है। टीमें OpenAI के बाहर बैठती हैं और अपने प्रस्ताव स्वयं लिखेंगी, जबकि OpenAI काम को वित्तपोषित करता है। कार्यक्रम दो व्यापक लक्ष्यों को नाम देता है: आर्थिक अवसर का विस्तार और कंपनी द्वारा "बुद्धिमत्ता युग" कहे जाने वाले युग में सामाजिक लचीलापन को मजबूत करना। आर्थिक अवसर में शामिल हो सकता है कि AI काम, आय, पहुंच, शिक्षा, और क्षेत्रीय विकास को कैसे बदलता है। सामाजिक लचीलापन में शामिल हो सकता है कि संस्थाएं कैसे अनुकूलन करती हैं जब क्षमताएं और श्रम बाजार तेजी से बदलते हैं। लेकिन OpenAI ने आपूर्ति की गई घोषणा में चौदह प्राप्तकर्ताओं के नाम नहीं दिए हैं, इसलिए हम मूल्यांकन नहीं कर सकते कि कौन से अनुशासन, समुदाय, राजनीतिक विचार, या प्रभावित समूहों का प्रतिनिधित्व किया गया है। यह महत्वपूर्ण है क्योंकि एक श्रम अर्थशास्त्री, सामुदायिक संगठन, नागरिक-अधिकार समूह, और प्रौद्योगिकी संस्थान अवसर और लचीलेपन की बहुत अलग परिभाषाओं से शुरू कर सकते हैं।

[ALLOY]: बाहरी काम को वित्तपोषित करने से सीमांत प्रयोगशाला के कर्मचारियों से परे बातचीत का विस्तार हो सकता है, और यह सार्थक है। यह वित्तपोषक के प्रभाव को दूर नहीं करता और हर प्रस्ताव को तटस्थ नहीं बनाता। मैं जानना चाहता हूं कि क्या ये टीमें OpenAI को उतनी ही आसानी से चुनौती दे सकती हैं जितनी आसानी से वे इसकी पसंदीदा दिशा का समर्थन कर सकती हैं। चौदह परियोजनाएं वास्तव में अलग विचार उत्पन्न कर सकती हैं, या समान मान्यताओं के भीतर बनाए गए चौदह विविधताएं उत्पन्न कर सकती हैं। उनके प्रस्ताव बीस सत्ताईस की ओर बढ़ते हुए श्रम, पहुंच, परिनियोजन, शिक्षा, सार्वजनिक सेवाओं, और संस्थागत उत्तरदायित्व पर बहस को आकार दे सकते हैं। प्राप्तकर्ताओं की पहचान यह प्रकट करेगी कि किसका अनुभव गिना जाता है, और अंतिम सिफारिशें यह दिखाएंगी कि क्या कार्यक्रम लाभों जितनी सीधी लागतों को संबोधित करता है। ठोस कदम स्वयं अनुदान कार्यक्रम है। इसकी बौद्धिक सीमा तभी दिखाई देगी जब प्राप्तकर्ता और प्रस्ताव सार्वजनिक होंगे।

NOVA: MiniMax-Music3, MiniMax-Music Three के रूप में बोला जाता है, Hugging Face पर ध्यान आकर्षित कर रहा है। सात अगस्त को प्रकाशित, टेक्स्ट-टू-म्यूजिक मॉडल ने नौ सौ पच्चीस लाइक्स एकत्र किए हैं और ग्यारह हजार सात सौ से अधिक डाउनलोड हुए हैं। वेट safetensors प्रारूप का उपयोग करते हैं और परिचित PyTorch और Diffusers टूलिंग से जुड़ते हैं। डेवलपर्स मॉडल वेट प्राप्त कर सकते हैं और स्थानीय रूप से संगीत उत्पन्न कर सकते हैं प्रदाता के होस्टेड एंडपॉइंट तक सीमित रहने के बजाय। रिपॉजिटरी में SGLang Omni टैग भी है, जो इसे एक सर्विंग रनटाइम से जोड़ता है जो एकाधिक मीडिया प्रकारों पर काम करने वाले मॉडलों के लिए डिज़ाइन किया गया है।

[ALLOY]: खुले वेट बदलते हैं कि कौन जेनरेट किए गए संगीत के साथ प्रयोग कर सकता है, लेकिन कठिन सवालों को नहीं मिटाते। एक डाउनलोड करने योग्य चेकपॉइंट प्राइवेट प्रोटोटाइपिंग, स्थानीय क्रिएटिव टूल्स, गेम-ऑडियो प्रयोगों, और बड़ी मीडिया प्रणालियों का समर्थन करता है बिना हर प्रॉम्प्ट को बाहरी API पर भेजे। यह ऑपरेटर पर कंप्यूटिंग और परिनियोजन जिम्मेदारी भी रखता है। प्रारंभिक लाइक्स और डाउनलोड जिज्ञासा दिखाते हैं, ऑडियो गुणवत्ता या व्यापक अपनाने का प्रमाण नहीं। हमारे पास तुलनात्मक सुनने के परिणाम, हार्डवेयर आवश्यकताएं, जनरेशन गति, नियंत्रणीय गीत संरचना, या आपूर्ति किए गए साक्ष्य में जेनरेट किए गए आउटपुट के लिए विस्तृत निहितार्थ नहीं हैं।

NOVA: और मैं एक runtime tag से पूर्ण multimodal system का अनुमान नहीं लगाऊंगा। जो बात तय है वह text-to-music generation है, downloadable weights हैं, और किसी familiar stack के लिए compatibility markers हैं। Community ports, smaller variants, और interfaces अक्सर तय करते हैं कि कोई open model कितना widely travel करता है क्योंकि original weights सामान्य hardware के लिए demanding या awkward हो सकते हैं। यहां अभी कुछ भी established नहीं है। फिर भी, opening stretch में ग्यारह हजार से अधिक downloads किसी specialized music model के लिए meaningful progress है, खासकर एक ऐसी category में जो अक्सर hosted demonstrations से dominated रहती है।

[ALLOY]: Music generation text, images, और video के साथ मिलकर एक ऐसी capability बन रहा है जो लोग किसी एक vendor service के बाहर host कर सकते हैं। यह composition aids, soundtracks, और prototypes को support करता है जब license suitable हो। Open access artists को सीधे limitations examine करने देता है, जबकि उनका बनाया हुआ तय करता है कि musicians को उसकी sound पसंद आएगी या नहीं।

NOVA: Google ने Gemini और Pixel को पांच global football clubs के साथ जोड़ा है, एक partnership में जो matchday experiences को target करता है। Announcement अपने AI assistant और smartphones को live-event fandom से जोड़ती है, लेकिन supplied material पांच clubs के नाम नहीं बताती और न ही कोई consumer feature describe करती जो लोग अभी use कर सकें। कोई feature changelog नहीं है, launch date नहीं है, और न ही account है कि Gemini match से पहले, दौरान, या बाद में कैसे behave करेगा।

[ALLOY]: जो इसे technological intent वाला sponsorship बनाता है, shipped matchday product नहीं। Gemini eventually timely information, translation, creative fan content, accessibility, या Pixel hardware के through interactions को support कर सकता है, लेकिन Google ने उन functions को specify नहीं किया है, इसलिए हम इसका roadmap नहीं लिख सकते। जो concrete है वह distribution strategy है: Gemini को major clubs, supporters, और recurring live events के बगल में रखो। Football enormous international reach और emotionally charged moments प्रदान करती है जब लोगों के हाथ में पहले से phones होते हैं। यह matchday को powerful showcase बनाता है अगर Google eventually कुछ useful ship करता है—और very expensive logo placement अगर नहीं करता।

NOVA: Exactly। Partnership Google को culture और daily life से Gemini को associate करने में help कर सकती है, office productivity alone से नहीं, लेकिन product proof अभी आना बाकी है। Five clubs repeated matchdays, player access, media channels, stadium settings, और languages में large supporter communities provide कर सकते हैं। वे environments Google को एक launch event पर rely करने के बजाय एक feature demonstrate करने के कई chances देंगे। उनमें से कुछ भी हमें नहीं बताता कि AI क्या करेगा, वह कौनसा data use कर सकता है, या experience हर fan का है या primarily Pixel owners का। Google ने Gemini और Pixel through stage secure कर लिया है। अब उसे कुछ चाहिए जो supporters ordinary search, camera feature, notification, या sponsored clip से अधिक useful मानें।

[ALLOY]: NVIDIA कहता है कि AI factories defining infrastructure बन रहे हैं। Industrial poetry को अलग रखो—company factory से क्या mean करता है?

NOVA: एक facility जहां computing energy और data को NVIDIA जो intelligence कहता है में बदलती है। Company's bluntest line यह है कि, AI economy में, compute revenue है। यह processing capacity को productive output के रूप में treat करता है, application के पीछे छिपी support cost के बजाय। NVIDIA required stack describe करता है: advanced chips, packaging, memory, networking, land, और power। Land और power matter करते हैं क्योंकि faster model release इनमें से कोई भी manufacture नहीं कर सकता। एक data center को physical site और sustained electricity चाहिए before software ऊपर value create करे। इन facilities को critical infrastructure कहना NVIDIA की commercial interests को public policy में push करता है। अगर governments power plants या fiber networks के comparisons को accept करते हैं, तो permitting, financing, supply chains, national capacity, और security AI strategy के center के करीब आ जाते हैं। NVIDIA stack का बहुत हिस्सा sell करता है जो benefit करता है, इसलिए यह plainly interested advocacy है। फिर भी, constraint real है: large computing facilities को plan और build करने में years लगते हैं जबकि demand months में change कर सकती है। और यह Dharma-AI के utilization claim पर वापस आता है। Better ordering installed hardware से more output extract कर सकता है before कोई दूसरी facility के लिए concrete pour करे। एक बार वे gains exhausted हो जाते हैं, chips, packaging, networks, land, cooling, और electricity फिर से bind करते हैं। Factory metaphor intelligence को oversimplify करती है—useful outcomes अभी भी data, software, institutions, और human decisions पर depend करते हैं—लेकिन infrastructure increasingly तय करता है कि कौन train, serve, और scale advanced systems कर सकता है। Excellent marketing, yes। साथ ही एक competition जो पहले से shape कर रहा है कि कौन scale पर operate कर सकता है।

NOVA: Cartesia ने Sonic Three Point Six जारी किया, एक स्ट्रीमिंग टेक्स्ट-टू-स्पीच मॉडल जो Artificial Analysis स्पीच लीडरबोर्ड पर दोनों में पहले स्थान पर है। इसने Provider Voice बोर्ड पर बारह सौ तिरासी और Controlled Voice पर ग्यारह सौ तेवीस Elo स्कोर किया। Elo एक तुलनात्मक रेटिंग है जो हेड-टू-हेड प्राथमिकताओं के माध्यम से बदलती है। Controlled Voice पर ध्यान देना चाहिए क्योंकि हर मॉडल को समान आठ रेफरेंस वॉइसेस पर क्लोन किया जाता है। यह असामान्य रूप से परिष्कृत हाउस वॉइस के साथ आने के लाभ को कम करता है और सिंथेसिस इंजन पर अधिक जोर देता है।

[ALLOY]: तो Provider Voice कहता है कि Cartesia का पूरा ऑफरिंग मजबूत लगता है, जबकि Controlled Voice कहता है कि मॉडल तब मजबूत रहता है जब वॉइस आइडेंटिटी अधिक स्थिर रखी जाती है। दोनों में शीर्ष पर होना केवल शोकेस श्रेणी जीतने से अधिक ठोस है। यह अभी भी उस लीडरबोर्ड के मूल्यांकन सेटअप को दर्शाता है, हर भाषा, एक्सेंट, बोलने की शैली या प्रोडक्शन वातावरण को नहीं। लेकिन यह स्पीच तुलनाओं में एक आम समस्या का समाधान करता है: क्या श्रोता इंजन की सराहना कर रहे हैं, या क्या एक प्रोवाइडर ने बस एक अधिक आकर्षक वॉइस चुना? इसके नीचे, Sonic Three Point Six transformer डिज़ाइन के बजाय state space models का उपयोग करता है जो जेनरेटिव सिस्टम में आम है। State space models अनुक्रमों को विकसित होती स्ट्रीम के रूप में प्रोसेस करते हैं, जो लाइव स्पीच के लिए उपयुक्त है।

NOVA: Cartesia दावा करता है कि पहले ऑडियो तक का समय नब्बे मिलीसेकंड से कम है—टेक्स्ट भेजने और पहली आवाज़ सुनने के बीच की देरी। यह मायने रखता है क्योंकि कन्वर्सेशनल लेटेंसी जमा होती है: स्पीच रिकग्निशन में समय लगता है, लैंग्वेज मॉडल में समय लगता है, और सिंथेसिस में समय लगता है। स्पीच कंपोनेंट को कम करने से वॉइस एजेंट बिना ऐसी देरी के जवाब दे सकता है जो ड्रॉप्ड कॉल जैसी लगे। यह नंबर Cartesia से आता है; रैंकिंग Artificial Analysis से आती है। बीटा Cartesia के API के माध्यम से उपलब्ध है, इसलिए एक्सेस वास्तविक है जबकि परिपक्वता और स्थिर मूल्य निर्धारण अभी भी खुले हैं। वॉइस एजेंट्स को अभी भी प्राकृतिक पेसिंग, विश्वसनीय उच्चारण, इंटरप्शन हैंडलिंग और लंबी स्पीच में सुंदर गुणवत्ता की जरूरत है। उस सीमा के बावजूद, दोनों प्रोवाइडर-सिलेक्टेड और कंट्रोल्ड-वॉइस तुलनाओं में अग्रणी कुशल स्ट्रीमिंग डिज़ाइन उल्लेखनीय है। फास्ट और पREFERRED शायद ही कभी इतनी साफगोई से एक साथ आते हैं।

NOVA: Nanobot अपने पहले ट्रैक्ड अपियरेंस पर चालीस हज़ार सात सौ तीस स्टार्स के साथ आता है। यह टूल्स, मेमोरी, MCP कनेक्शन, मल्टी-एजेंट वर्कफ़्लो, ऑटोमेशन, चैट इंटीग्रेशन और वेब इंटरफ़ेस के साथ एक हल्का, सेल्फ-होस्टेड Python एजेंट फ्रेमवर्क है। Point-three जुलाई पच्चीस को शिप हुआ और रिपॉजिटरी अगस्त अठारह को अपडेट हुई। Codebase Memory MCP तीन लाख इक्यानवे सौ पचास स्टार्स पर करीब है जिसमें तीस दिनों में सात हज़ार छह सौ तिरासी का इज़ाफ़ा हुआ—चौबीस दशमलव तीन प्रतिशत की छलांग। इसका point-ten-six रिलीज़ अगस्त सत्रह को शिप हुआ और यह एक सौ अठावन भाषाओं में कोड को पर्सिस्टेंट नॉलेज ग्राफ में इंडेक्स करता है।

[ALLOY]: ये दोनों असामान्य रूप से अच्छी तरह मिलते हैं: Nanobot एक एजेंट वातावरण प्रदान करता है, जबकि Codebase Memory संगत एजेंट्स को बड़े रिपॉजिटरी के अंदर संबंधों का एक कॉम्पैक्ट मैप देता है। इसके मेंटेनर्स का दावा है कि औसत रिपॉजिटरी के लिए मिलीसेकंड-स्केल इंडेक्सिंग, सब-मिलीसेकंड क्वेरीज़ और इक्यानवे प्रतिशत कम टोकन; ये प्रोजेक्ट के दावे हैं, लेकिन स्टार ग्रोथ दिखाती है कि गंभीर ध्यान मिल रहा है। FastMCP MCP सर्वर और क्लाइंट बनाने के लिए एक Python-केंद्रित तरीका है। इसके सत्ताईस हज़ार दो सौ तिरासी स्टार्स हैं, तीस दिनों में एक हज़ार उनचास की वृद्धि के साथ, point-three-four-saven अगस्त दस को रिलीज़ हुआ। एक एजेंट व्यवहार को होस्ट करता है, एक सोर्स-कोड मेमोरी को स्ट्रक्चर करता है और एक क्षमताओं को कॉलेबल टूल्स के रूप में एक्सपोज़ करता है।

NOVA: मॉडल प्रगति नए जनरल-पर्पस नाम के बजाय सर्विंग, इवैल्यूएशन रिज़ल्ट्स, स्पेशलाइज़्ड मीडिया सिस्टम और डोमेन एडैप्टेशन के माध्यम से आई। तेज़ स्पीच, ओपन म्यूज़िक वेट्स और कई एजेंट वातावरणों में प्रशिक्षण ने आंदोलन को आगे बढ़ाया।

[ALLOY]: Qwen 3.8 27B, जिसे Hugging Face पर Qwen/Qwen3.8-27B के रूप में टैग किया गया है, छवियों और टेक्स्ट को जोड़ने वाली बातचीत के लिए एक ओपन मॉडल के रूप में ट्रेंड कर रहा है। इसके दस हज़ार नौ सौ सैंतालीस लाइक्स और छह लाख पैंसठ हज़ार से अधिक डाउनलोड हैं। वेट्स safetensors का उपयोग करते हैं, लाइसेंस Apache Two है, और इसकी लिस्टिंग स्टैंडर्ड सर्विंग एंडपॉइंट्स के साथ अनुुसंगिता और Azure डिप्लॉयमेंट रूट दोनों को दर्शाती है।

NOVA: यह एक स्थानीय-सक्षम विज़ुअल मॉडल के लिए बहुत बड़ी पहुंच है। यह छवि समझ और टेक्स्ट जनरेशन को डाउनलोड करने योग्य वेट में जोड़ता है, जिसे सेल्फ-होस्टेड और प्रबंधित दोनों तरह से उपयोग किया जा सकता है। सूची में संदर्भ विंडो या हार्डवेयर आवश्यकताओं का कोई उल्लेख नहीं है। सत्ताईस अरब पैरामीटर, परिशुद्धता के आधार पर, काफी मेमोरी की ज़रूरत होती है। फिर भी, छह लाख पैंसठ हज़ार से अधिक डाउनलोड दर्शाते हैं कि विज़ुअल और संवादात्मक खुले वेट में स्थापित रुचि है।

NOVA: DeepSeek AI का deepseek-ai/DeepSeek-V4-Pro-0813 संवादात्मक टेक्स्ट जनरेशन के लिए ट्रेंडिंग में है, पांच सौ सत्तासी लाइक्स के साथ, जबकि lightx2v/Minimax-h3-Turbo उस गति को टेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो और रेफरेंस-टू-वीडियो कार्यों में विज़ुअल जनरेशन से जोड़ता है, जिसके तीन लाख से अधिक डाउनलोड हैं।

[ALLOY]: और Froggeric का Qwen Fixed Chat Templates deepseek-ai/DeepSeek-V4-Pro-0813 और lightx2v/Minimax-h3-Turbo दोनों से जुड़ता है: यह उस फॉर्मेटिंग को संभालता है जो मॉडलों को बताती है कि बातचीत की भूमिकाएं और संदेश कैसे व्यवस्थित होते हैं। DeepSeek और MiniMax अपनी मॉडल क्षमता से ध्यान आकर्षित करते हैं; Qwen टेम्पलेट एक छोटे इंटीग्रेशन विवरण को संबोधित करते हैं जो तय कर सकता है कि एक सक्षम स्थानीय मॉडल पूरी तरह से सुसंगत व्यवहार करता है या नहीं।

NOVA: आपने जो सुना उसके समर्थन स्रोतों और विवरण के लिए, Toby On Fitness Tech dot com पर शो नोट्स देखें।

[ALLOY]: AgentStack Daily सुनने के लिए धन्यवाद। हम जल्द वापस आएंगे।