MiniMax खुले भार मॉडल पूर्ण पाँच मिनट के गाने एक ही बार में गाता है
Google proposes SAM, a zero-trust protocol for AI agents sharing tools across organizations. MiniMax releases an open-weights music model that sings full... Show notes: https://tobyonfitnesstech.com/hi/podcasts/episode-105/
🎧 Listen to Episodeएपिसोड 105 — 20 अगस्त, 2026
[00:00] एपिसोड हुक
इस सप्ताह OpenAI ने पात्र API ग्राहकों के लिए Zero Data Retention की पुष्टि दोहराई और एक नई Private Safety Processing दृष्टिकोण का पूर्वावलोकन किया, जो उन्नत AI सुरक्षा जांचों को ग्राहक डेटा को उजागर किए बिना लागू करने के लिए डिज़ाइन किया गया है। यह पूर्वावलोकन उन एंटरप्राइज़ ग्राहकों को लक्षित करता है जो ChatGPT-आधारित वर्कफ़्लो को रोल आउट करने से रुक गए हैं क्योंकि उन्नत सुरक्षा उपकरण के लिए OpenAI की ट्रस्ट-एंड-सेफ्टी सिस्टम में सामग्री भेजना आवश्यक था। Private Safety Processing मॉडल के तहत, OpenAI का कहना है कि सुरक्षा मूल्यांकन एक सुदृढ़ वातावरण में होता है जो जांच पूरी होने के बाद इनपुट और आउटपुट को त्याग देता है, जिससे ग्राहक का डेटा प्रवाह अछूता रहता है। कंपनी ने इसे विनियमित उद्योगों — वित्त, स्वास्थ्य सेवा और सरकार — के प्रति प्रत्यक्ष प्रतिक्रिया के रूप में प्रस्तुत किया, जो डेटा संप्रभुता को समर्पण किए बिना फ्रंटियर-ग्रेड सुरक्षा चाहते रहे हैं। इस नई पेशकश के लिए मूल्य निर्धारण और उपलब्धता का विवरण अगले महीने उम्मीद है।
[02:00] OpenAI दृढ़ता से Zero Data Retention की पुष्टि करता है, निजी सुरक्षा विकल्प का पूर्वावलोकन करता है
OpenAI पात्र API ग्राहकों के लिए Zero Data Retention की पुष्टि दोहरा रहा है और Private Safety Processing नामक एक नए विकल्प का पूर्वावलोकन कर रहा है। 19 अगस्त की घोषणा उन टीमों को लक्षित करती है जो एक ही वर्कफ़्लो में मजबूत सुरक्षा गार्डरैल और कड़ी डेटा गोपनीयता चाहते हैं।
Zero Data Retention का अर्थ है कि पात्र ग्राहक इस मौजूदा प्रतिबद्धता पर भरोसा कर सकते हैं कि उनका API डेटा प्रोसेसिंग के बाद संरक्षित नहीं रहता। नया पूर्वावलोकन, Private Safety Processing, को उन अनुरोधों पर उन्नत सुरक्षा मूल्यांकन लागू करने के तरीके के रूप में प्रस्तुत किया गया है, बिना अंतर्निहित सामग्री को रखे। OpenAI का तर्क है कि बिल्डर्स को हानिकारक आउटपुट को पकड़ने और गोपनीयता प्रतिबद्धताओं का सम्मान करने के बीच चयन नहीं करना पड़ेगा।
विनियमित उद्योगों के बिल्डर्स के लिए, पुनः पुष्ट किया गया ZDR एक ठोस गोपनीयता प्रतिबद्धता देता है जिसे अनुपालन समीक्षक के समक्ष API वर्कफ़्लो को उचित ठहराते समय उद्धृत किया जा सकता है। Private Safety Processing पूर्वावलोकन अगले प्रश्नों के सेट को उठाता है: कौन सी सुरक्षा जांचें लागू होती हैं, फ्लैग की गई सामग्री का क्या होता है, और किन ग्राहक स्तरों को पहले पहुंच मिलती है। जब तक वे विवरण सामने नहीं आते, ZDR उन सभी के लिए अधिक कार्रवाई योग्य हिस्सा है जो यह स्पष्ट संकेत प्राप्त करने की प्रतीक्षा कर रहे हैं कि उनका API डेटा नहीं रखा जाता।
[02:16] Google's SAM: AI Agents के बीच टूल्स साझा करने का एक Zero-Trust तरीका
Google ने अभी-अभी SAM, Sovereign Agent Mesh, को Apache-2.0 के तहत ओपन-सोर्स किया है। यह एक विशिष्ट समस्या के लिए बनाया गया पीयर-टू-पीयर ओवरले है: स्वायत्त एजेंट जिन्हें विभिन्न नेटवर्क — क्लाउड, ऑन-प्रेम, लैपटॉप, एज डिवाइस — पर एक-दूसरे के टूल्स को कॉल करने की आवश्यकता है — बिना किसी फ़ायरवॉल में छेद करने या सार्वजनिक API एंडपॉइंट स्थापित किए।
प्रस्ताव शून्य कॉन्फ़िगरेशन और शून्य ट्रस्ट है। पहचान OIDC से शुरू होती है, OpenID Connect मानक जिस पर कई पहचान प्रणालियां पहले से चल रही हैं। वहां से, SAM Biscuit क्षमता टोकन तैयार करता है, छोटे ऑफ़लाइन-सत्यापन योग्य क्रेडेंशियल जो सटीक रूप से नाम बताते हैं कि किसी नोड को कौन से टूल्स को कॉल करने की अनुमति है। प्रत्येक नोड उन टोकन को स्थानीय रूप से जांचता है, इसलिए किसी भी एजेंट को प्रत्येक अनुरोध के लिए केंद्रीय प्राधिकरण को वापस कॉल करने की आवश्यकता नहीं है। डिफ़ॉल्ट मुद्दा इनकार है — एक टूल तभी काम करता है जब एक वैध टोकन स्पष्ट रूप से इसे अधिकृत करता है।
तत्काल उपयोग का केस वे संगठन हैं जो चाहते हैं कि विभिन्न वातावरण में एजेंट सहयोग करें — एक लैपटॉप एजेंट क्लाउड टूल को इनवोक कर रहा हो, या ऑन-प्रेम एजेंट एज डिवाइस तक पहुंच रहा हो — बिना इनमें से किसी भी सेवा को सार्वजनिक इंटरनेट पर एक्सपोज किए। MCP कम्पैटिबिलिटी का मतलब है कि Model Context Protocol के माध्यम से एक्सपोज किया गया कोई भी टूल मेश के माध्यम से डिस्कवरेबल होना चाहिए।
आगे ध्यान देने योग्य बात यह है कि क्या यह Google's अपने पारिस्थितिकी तंत्र के बाहर ट्रैक्शन पाता है, और कैपेबिलिटी टोकन मॉडल कैसे टिकता है एक बार लोग इसके ऊपर वास्तविक वर्कफ़्लो बनाना शुरू करते हैं।
[03:42] Cognition CEO ने SpaceX अधिग्रहण रिपोर्ट का खंडन किया
SpaceX reportedly AI coding startup Cognition को अधिग्रहण करने के प्रारंभिक वार्ता में था, 19 अगस्त की एक टेकक्रंच रिपोर्ट के अनुसार। Cognition के CEO ने सार्वजनिक रूप से इस रिपोर्ट का खंडन किया है। यह कहानी SpaceX के मौजूदा AI दबाव के खिलाफ आती है: कंपनी ने पहले ही Cursor का अधिग्रहण कर लिया है और enterprise AI में OpenAI और Anthropic जैसे प्रतिद्वंद्वियों को पकड़ने की दौड़ में है।
खंडन ही मुख्य समाचार है। SpaceX से ऑन-रिकॉर्ड पुष्टि या किसी प्रकाशित सौदे की शर्तों के बिना, तस्वीर अस्पष्ट बनी हुई है। जो रिकॉर्ड पर है वह SpaceX का रुख है। Cursor पहले से ही हासिल है, और कंपनी अच्छी तरह से वित्तपोषित दावेदारों के खिलाफ सार्वजनिक रूप से enterprise AI हिस्सेदारी के पीछे भाग रही है। एक कोडिंग-केंद्रित स्टार्टअप के प्रति दूसरा रिपोर्ट किया गया दृष्टिकोण उस पैटर्न पर बैठता है।
बिल्डर्स के लिए, व्यावहारिक निष्कर्ष एकीकरण का दबाव है। AI कोडिंग टूल्स को अच्छी तरह से पूंजीकृत अधिग्रहणकर्ताओं द्वारा रणनीगिक संपत्तियों के रूप में माना जा रहा है, और बोली सक्रिय दिखती है। अगर सौदा होता है, तो यह SpaceX के छाता के नीचे एक और कोडिंग शॉप लाएगा, जो Cursor के उत्पाद दिशा को प्रभावित कर सकता है और Cognition की स्वतंत्रता के बारे में सवाल उठा सकता है। अगर नहीं होता, तो अफवाह खुद संकेत देती है कि यह श्रेणी खेल में है।
एक बात आगे देखने की है: क्या SpaceX या Cognition कोई और ऑन-रिकॉर्ड बयान जारी करता है, और क्या आने वाले हफ्तों में अन्य AI कोडिंग स्टार्टअप्स अफवाह के लक्ष्यों के रूप में सामने आते हैं।
[04:58] मॉडल रूटिंग वह लागत उत्तोलन बन जाता है जिसे एंटरप्राइज वास्तव में खींचते हैं
Glean के CEO Arvind Jain ने इस सप्ताह Latent Space से बात की कि मॉडल रूटिंग अब वह लागत नॉब क्यों बन गया है जिसे एंटरप्राइज वास्तव में घुमाते हैं। सेटअप परिचित है: फ्रंटियर मॉडल लगातार महंगे होते जा रहे हैं, ओपन-वेट मॉडल गंभीर वर्कलोड आकर्षित कर रहे हैं, और अधिकांश कंपनियां दोनों के लिए भुगतान कर रही हैं। Jain का तर्क है कि एक एकल डिफ़ॉल्ट मॉडल चुनना गलत कदम है, क्योंकि सस्ता मॉडल आसान सवालों के लिए ठीक है और कठिन सवालों के लिए अत्यधिक शक्ति बर्बादी है। बदलाव प्रति टीम के बजाय प्रति क्वेरी रूटिंग है।
जो इसे लागत गिरावट से ज्यादा बनाता है वह फीडबैक लूप है। Jain कहते हैं कि रूटिंग सिस्टम तब सुधरते हैं जब वे बड़े पैमाने पर मानव फीडबैक एकत्र करते हैं कि कौन से आउटपुट वास्तव में मददगार थे, फिर उस सिग्नल को वापस भेजते हैं कि अगले समान सवाल के लिए कौन सा मॉडल मिले। यह एक स्टैटिक नियम इंजन और एक रूटिंग लेयर के बीच का अंतर है जो वास्तविक उपयोग से सीखती है। निहितार्थ यह है कि राउटर खुद एक उत्पाद सतह बन जाता है, प्लंबिंग नहीं।
बिल्डर्स के लिए, निष्कर्ष स्पष्ट है। यदि आप किसी कंपनी के अंदर AI फीचर्स स्थापित कर रहे हैं, तो सबसे सस्ता महत्वपूर्ण अपग्रेड अक्सर एक नया मॉडल नहीं बल्कि एक रूटिंग लेयर होता है जो जानता है कि कब खर्च करना है और कब नहीं। अगला ध्यान देने योग्य: Glean एडमिन्स के लिए रूटिंग निर्णयों को कैसे एक्सपोज करता है, और क्या प्रतिस्पर्धी रूटिंग को बैकएंड ऑप्टिमाइजेशन के बजाय फर्स्ट-क्लास प्रोडक्ट के रूप में मानते हैं।
[06:23] MiniMax open-weights म्यूजिक मॉडल एक पास में पूरे पांच मिनट के गाने गाता है
MiniMax ने MiniMax-Music3 जारी किया, एक open-weights टेक्स्ट-टू-म्यूजिक मॉडल जो एक ही प्रॉम्प्ट से पूरा गाना बनाता है। इसमें पहले से सेक्शन टैग्स के साथ मार्क किए गए गाने के बोल और ट्रैक का वर्णन करने वाला एक स्ट्रक्चर्ड कैप्शन डालें, और यह एक जेनरेशन पास में पांच मिनट तक का गाना लौटाता है, जिसे 32 kHz, 16-bit स्टीरियो WAV फाइल के रूप में एक्सपोर्ट किया जाता है।
रिलीज में तीन सर्विंग पाथ्स आते हैं, जो बिल्डर्स को स्थानीय या रिमोट रूप से वेट्स कैसे चलाने हैं, इस पर विकल्प देते हैं। लाइसेंस शर्तें लागू होती हैं और किसी भी कमर्शियल उपयोग से पहले पढ़ना जरूरी है; open weights अकेले परमिटिव शर्तों की गारंटी नहीं देते, और शिपिंग से पहले प्रकाशित शर्तों को देखना चाहिए।
बिल्डर्स के लिए, व्यावहारिक अपील सिंगल-पास वर्कफ्लो में है। पहले के open म्यूजिक मॉडलों को अक्सर छोटे क्लिप्स को सिलाई करने की जरूरत होती थी, जो धीमी होती थी और सेक्शन के बीच सीम रह जाती थीं। MiniMax-Music3 पूरे गाने की लंबाई में स्ट्रक्चर को बरकरार रखने के लिए बनाया गया है, जो वास्तव में एक गीतकार कैसे काम करता है, इसके करीब है।
दिलचस्प अगला कदम यह देखना है कि इंडी गेम स्टूडियो, पॉडकास्ट प्रोड्यूसर्स और शॉर्ट-फॉर्म वीडियो क्रिएटर्स क्या करते हैं जब एक लाइब्रेरी ऑफ स्टेम्स के बजाय टैग किए गए गाने के बोल के एक पैराग्राफ से पूरा गाना ड्राफ्ट किया जा सकता है। तीन सर्विंग पाथ्स लो-लेटेंसी बनाम बैच यूज के लिए कैसे काम करते हैं, यह देखना दिलचस्प होगा, और यह भी कि कमर्शियल ऐप्स के लिए लाइसेंस कैसे बनी रहती है।
[07:42] Cerebras WSE-3 Turbo के साथ CS-4 रैक-स्केल इंफरेंस सिस्टम लॉन्च करता है
Cerebras ने इस हफ्ते अपना पहला रैक-स्केल AI इंफरेंस सिस्टम CS-4 पेश किया, जो एक नए WSE-3 Turbo प्रोसेसर के साथ जोड़ा गया है। यह लॉन्च कंपनी के पिछले सिंगल-वेफर डिप्लॉयमेंट से डेटा-सेंटर-स्केल हार्डवेयर की ओर एक बदलाव है, जिसे स्टैंडअलोन एप्लायंस के बजाय रैक स्केल पर संचालित करने के लिए बनाया गया है। ServeTheHome ने 19 अगस्त को यह खबर दी, और यह जल्दी ही Hacker News पर 457 अपवोट्स पर पहुंच गई, एक संकेत है कि बिल्डर्स करीब से देख रहे हैं।
Cerebras ने CS-4 को अपने हार्डवेयर इकोसिस्टम के लिए एक बड़े अपग्रेड के रूप में प्रस्तुत किया, WSE-3 Turbo इसके पीछे रिफ्रेश्ड प्रोसेसर के रूप में। कंपनी ने अभी तक नए सिस्टम के लिए विस्तृत स्पेसिफिकेशंस, थ्रूपुट नंबर्स या प्राइसिंग प्रकाशित नहीं की हैं, इसलिए यह घोषणा आज एक पूर्ण डेटाशीट वाले शिपिंग प्रोडक्ट की तुलना में ज्यादा हार्डवेयर रिवील है।
बिल्डर्स के लिए इसका मतलब है कि वेफर-स्केल इंफरेंस एक जिज्ञासा से जो आप पढ़ सकते हैं, वह किसी डेटा-सेंटर टीम के लिए वास्तव में स्केल पर डिप्लॉय करने की चीज में बदल रहा है। यदि आप एक बड़े मॉडल के लिए इंफरेंस क्षमता का आकार तय कर रहे हैं, या ऑन-प्रेम बिल्ड के लिए एक्सेलेरेटर विकल्पों की तुलना कर रहे हैं, तो CS-4 अब उस बातचीत का हिस्सा है जिस पर नजर रखना worth है। अगली चीज देखना प्रकाशित परफॉर्मेंस नंबर्स और प्राइसिंग है, जो तय करेंगे कि वर्कलोड्स के लिए जो बिल्डर्स वास्तव में चलाते हैं, रैक-स्केल वेफर approach स्थापित GPU क्लस्टर्स के खिलाफ प्रतिस्पर्धी है या नहीं।
[09:03] शोध डाइजेस्ट: एक AI जो अपनी खुद की अभ्यास समस्याएं आविष्कार करता है
SPADE नामक एक नई शोध फ्रेमवर्क एक भाषा मॉडल को अपने स्वयं के प्रशिक्षण के दोनों पक्षों को निभाने देती है। मॉडल एक Environment Designer के रूप में कार्य करता है जो निष्पादन योग्य प्रशिक्षण दुनियाएं लिखता है, जैसे पहेलियां, सिमुलेशन और टूल-यूज़ कार्य जिनमें अंतर्निहित स्कोरिंग होती है, और साथ ही एक Reasoning Agent के रूप में जो उन्हें हल करने की कोशिश करता है। महत्वपूर्ण बात यह है कि डिज़ाइनर समस्याओं को सीधे उस किनारे पर लक्षित करता है जहां सॉल्वर संभाल सकता है, ताकि अभ्यास चुनौतीपूर्ण रहे बिना असंभव हो। डिज़ाइनर अपने काम को एक बड़े pretraining कोरपस से वास्तविक दस्तावेज़ों में आधारित करते हैं और पिछले वातावरणों की स्मृति रखते हैं, जो उन्हें पुरानी बातों को दोहराने के बजाय नए, विविध कार्य बनाते रहने में मदद करता है। 30 अरब पैरामीटर मॉडल तक स्केल करते हुए, SPADE ने आठ हेल्ड-आउट गणित, विज्ञान, कोड और तर्क बेंचमार्क में सबसे मजबूत फिक्स्ड-एनवायरनमेंट बेसलाइन की तुलना में औसतन +5.3 अंक बेहतर प्रदर्शन किया, और मल्टी-स्टेप टूल यूज़ पर भी परिणाम सुधरे। व्यावहारिक निष्कर्ष: इस तरह प्रशिक्षित एजेंट लंबे, मल्टी-स्टेप काम में बेहतर होते हैं, वह चेन तर्क जो वास्तविक अनुप्रयोगों की मांग होती है।
[10:04] Nous Research ने Hermes Agent Desktop के लिए Bot Mode शिप किया
Nous Research ने Hermes Agent के लिए Bot Mode शिप किया है, और यह परिवर्तन Hermes Desktop के अंदर डिफ़ॉल्ट रूप से चालू है। चैट सत्रों की एकल सूची के बजाय, आपको नामित बॉट्स की एक रोस्टर मिलती है, और प्रत्येक एक पूर्ण Hermes प्रोफाइल है जिसमें अपना चैट इतिहास, कौशल और पिन किया हुआ मॉडल होता है। संपूर्ण एजेंट MIT लाइसेंस के तहत ओपन सोर्स है, और Bot Mode बंडल में शामिल है।
व्यावहारिक रूप से, एक प्रोफाइल वह बंडल है जो Hermes किसी एजेंट के लिए रखता है: इसकी स्मृति, वे टूल्स जिन्हें यह कॉल करना जानता है, और यह किस मॉडल पर लॉक है। Bot Mode उस बंडल को पीछे की सेटिंग से रोस्टर में स्विचेबल एंट्री में बढ़ावा देता है, ताकि प्रत्येक बॉट अपना अलग संदर्भ और अपना स्वयं का टूलसेट लेकर चले।
यह तब मायने रखता है जब आप सामान्य रूप से एक ही डेस्कटॉप ऐप में एक कोडिंग एजेंट, एक रिसर्च एजेंट और एक राइटिंग एजेंट को संभालते हैं। अब प्रत्येक अलग रहता है, इसकी स्मृति दूसरों में नहीं बहती, और आप प्रत्येक बॉट के लिए बिना पूरे सेशन को रीसेट किए एक सस्ता या अधिक क्षमतावान मॉडल पिन कर सकते हैं।
Hermes Agent स्वयं MIT-लाइसेंस्ड ओपन सोर्स है, और Bot Mode Hermes Desktop में बंडल और डिफ़ॉल्ट रूप से चालू है, इसलिए मौजूदा उपयोगकर्ताओं के लिए कोई अलग इंस्टॉल कदम नहीं है। आगे देखने वाली एक स्वाभाविक बात यह है कि क्या Nous रोस्टर को समुदाय-साझा प्रोफाइल के लिए खोलता है, जैसे आप किसी और के सेटअप से प्लगइन या कैरेक्टर शीट इम्पोर्ट करेंगे।
[11:32] शोध डाइजेस्ट: AI एजेंटों की टीम कैंपस वायरलेस प्लानिंग में सिंगल एजेंट को मात देती है
शोधकर्ताओं ने सहयोगी AI एजेंटों को प्रशिक्षित किया कि वे कैंपस में मिलीमीटर-वेव वायरलेस बेस स्टेशन कहां माउंट करने हैं, और टीम दृष्टिकोण जीता। समस्या साधारण लगती है — छत की जगहें चुनें ताकि हर छात्र को उपयोगी सिग्नल मिले — लेकिन यह एक क्रूर अनुकूलन है: अनियमित भूभाग के साथ-साथ एक न्यायसंगतता लक्ष्य जो स्वच्छ गणित का विरोध करता है, इसलिए ब्रूट-फोर्स समाधान वास्तव में काम नहीं करते।
उन्होंने बेस-स्टेशन प्लेसमेंट को एक reinforcement-learning कार्य के रूप में फिर से परिभाषित किया और एजेंटों को सहयोग करने दिया, प्रत्येक एक कैंपस भूगोल के टुकड़े का मालिक था। पूरे मानचित्र को अनुकूलित करने की कोशिश करने वाले एकल एजेंट की तुलना में, मल्टी-एजेंट संस्करण तेजी से अभिसरण हुआ और घने सिमुलेशन में संतुलित सेवा प्रदान की — 400 सिमुलेटेड उपयोगकर्ताओं में पूर्ण कवरेज और 0.94 की न्यायसंगतता स्कोर।
गैर-विशेषज्ञों के लिए मुख्य बात यह है कि सहयोगी शिक्षार्थियों में एक कठिन योजना समस्या को विभाजित करना एक मेगा-मॉडल से बेहतर प्रदर्शन कर सकता है, खासकर जब उपयोगकर्ता घनत्व बढ़ता है। स्टेडियमों, कैंपसों या ट्रांजिट हब में mmWave रोलआउट का मूल्यांकन करने वाला कोई भी व्यक्ति जल्दी से संकेत प्राप्त कर सकता है कि वितरित AI योजना केंद्रीय नियंत्रण की तुलना में बेहतर पैमाने पर काम करती है।
[12:33] CUDA Agent LLMs को तेज GPU kernels लिखने के लिए प्रशिक्षित करता है
AI-लिखित GPU कोड के लिए अड़चन सही होना नहीं, बल्कि गति थी। ByteDance Seed और Tsinghua AIR ने CUDA Agent जारी किया, एक reinforcement learning सिस्टम जो एक बड़े भाषा मॉडल को CUDA kernels लिखने के लिए प्रशिक्षित करता है जो मानक कंपाइलर के आउटपुट को मात देता है।
टीम ने एक संकरे और जिद्दी अंतर को लक्षित किया। फ्रंटियर मॉडल, स्रोत नोट्स के अनुसार, पहले से ही सही CUDA उत्पन्न करते हैं; वे बस धीमा CUDA उत्पन्न करते हैं। KernelBench पर, अंतर्निहित Seed1.6 बेस मॉडल 74.0% समस्याओं को पास करता है, जिसका अर्थ है कि मॉडल जानता है कि कार्यशील GPU कोड कैसे लिखना है लेकिन शायद ही कभी सबसे तेज संस्करण लिखता है। CUDA Agent agentic reinforcement learning का उपयोग करता है, एक LLM agent जो kernels उत्पन्न करता है, उन्हें चलाता है, और runtime प्रदर्शन से जुड़े reward signals के आधार पर अपने व्यवहार को अपडेट करता है, न कि केवल सही होने के आधार पर।
बिल्डर्स के लिए, व्यावहारिक बदलाव सीधा है। मॉडल प्रशिक्षण या inference के लिए कस्टम kernels लिखने वाले शोधकर्ता और ML इंजीनियरों को आमतौर पर एक कंपाइलर द्वारा उत्पादित प्रदर्शन से परे प्रदर्शन निचोड़ने के लिए गहन CUDA विशेषज्ञता की आवश्यकता होती है। CUDA Agent उस काम को एक भाषा मॉडल के लिए सीखने योग्य उद्देश्य के रूप में फिर से परिभाषित करता है: generate, measure, reward, repeat।
आगे की दिलचस्प बात यह है कि क्या runtime gains KernelBench के बाहर ट्रांसफर होते हैं। प्रोडक्शन kernels बड़े frameworks के भीतर रहते हैं जिनमें memory hierarchies, launch overhead, और integration concerns होते हैं जिन्हें benchmark pass rate capture नहीं करता। देखने का पहला स्थान वास्तविक training stacks पर स्वतंत्र replications है, जहाएँ benchmark win और shipped speedup के बीच का अंतर प्रकट होता है।
[13:59] Replit GPT-5.6 Luna के साथ मुफ्त सॉफ्टवेयर बिल्डिंग खोलता है
Replit ने 19 अगस्त, 2026 को Free Mode लॉन्च किया, जो किसी को भी token costs की चिंता किए बिना एक विचार को कार्यशील सॉफ्टवेयर में बदलने का तरीका देता है। नया विकल्प GPT-5.6 Luna पर चलता है, वह OpenAI मॉडल जो मुफ्त अनुभव को शक्ति प्रदान करता है। OpenAI ने अपने ही समाचार चैनल पर घोषणा प्रकाशित की, लॉन्च को सॉफ्टवेयर निर्माण में भाग लेने वाले लोगों को विस्तारित करने के तरीके के रूप में प्रस्तुत किया।
पिच सीधी है। एक प्रोटोटाइप शुरू करने के लिए भुगतान खाते या फ़ाइल पर क्रेडिट कार्ड की आवश्यकता के बजाय, आप Replit खोल सकते हैं, बता सकते हैं कि आप क्या चाहते हैं, और मॉडल को चलने योग्य कोड उत्पन्न करते देख सकते हैं। पहली बार बिल्डर्स, छात्रों और किसी भी व्यक्ति के लिए यह एक सार्थक बदलाव है जो एक सप्ताहांत विचार का परीक्षण कर रहा है और पहले से ही एक प्रॉम्प्ट लिखने से पहले भुगतान की दीवारों से टकरा गया था।
अनुभवी बिल्डर्स के लिए, Free Mode कम दांव वाली sandbox के रूप में भी काम करता है। आप जांच सकते हैं कि Luna किसी विशेष library, coding style या छोटे कार्य को कैसे संभालता है, इससे पहले कि आप किसी लंबे session में tokens खर्च करें। OpenAI घोषणा usage caps या everyday building task क्या गिना जाता है, इसका विवरण नहीं देती, इसलिए व्यावहारिक सवाल यह है कि आप मुफ्त tier भुगतान के लिए कहने से पहले कितनी दूर जा सकते हैं। जैसे-जैसे अधिक लोग सीमाओं का परीक्षण करते हैं, यह देखना दिलचस्प होगा।
[15:14] GitHub Copilot for JetBrains अब एडमिन्स को प्लगइन को लॉक डाउन करने की अनुमति देता है
GitHub ने JetBrains के लिए Copilot प्लगइन में enterprise managed settings जोड़े हैं, जो IntelliJ, PyCharm, और GoLand के पीछे का IDE परिवार है। 18 अगस्त की तारीख में, यह बदलाव एडमिनिस्ट्रेटर्स को JetBrains IDE के अंदर Copilot चलाने वाले हर डेवलपर पर सुसंगत पॉलिसी लागू करने के लिए एक जगह देता है।
अब तक, GitHub Copilot for JetBrains एडमिन्स जो managed-settings लेयर एक्सपोज़ नहीं करता था। नया रिलीज़ चार विशिष्ट नियंत्रण जोड़ता है: प्लगइन गवर्नेंस, MCP सर्वर एक्सेस, OpenTelemetry, और पर्मिशन मोड। प्लगइन गवर्नेंस यह तय करता है कि कौन से प्लगइन और फीचर्स की अनुमति है। MCP सर्वर एक्सेस यह नियंत्रित करता है कि डेवलपर्स Copilot को कौन से बाहरी टूल सर्वर से कनेक्ट कर सकते हैं। OpenTelemetry सेटिंग्स मानकीकृत करती हैं कि कौन सा यूसेज डेटा एकत्र और एक्सपोर्ट किया जाता है। पर्मिशन मोड तय करते हैं कि असिस्टेंट को यूज़र से बिना पूछे क्या करने की अनुमति है।
बिल्डर्स के लिए, व्यावहारिक बदलाव यह है कि JetBrains पर Copilot अब उसी तरह की केंद्रीकृत IT पॉलिसी के तहत आ सकता है जिसके तहत अन्य एंटरप्राइज़ सॉफ़्टवेयर चलते हैं। डेवलपर्स को अब हर पर्मिशन के बारे में हर प्रॉम्प्ट पढ़ने या खुद से खोजने पर भरोसा नहीं करना पड़ेगा कि कौन से MCP सर्वर स्वीकृत हैं। एडमिन पॉलिसी सेट करता है और पूरा ऑर्गनाइज़ेशन उसका पालन करता है।
जिन टीमों ने गवर्नेंस अंतरालों के कारण JetBrains में Copilot को होल्ड कर रखा था, यह वह मिसिंग पीस है। यह पूछना उचित है कि आपके एडमिन से चार क्षेत्रों में से — गवर्नेंस, MCP, टेलीमेट्री, या पर्मिशन — किन पर अब केंद्रीय रूप से प्रवर्तन किया जा रहा है, क्योंकि प्रत्येक एक अलग कम्प्लायंस चिंता को कवर करता है।
[16:40] OpenAI ने Hugging Face ब्रीच के बाद मॉडल सुरक्षा को कड़ा किया
OpenAI ने Hugging Face पर ब्रीच के जवाब में अपने मॉडल डेवलपमेंट के लिए नई सुरक्षा उपाय लागू किए हैं। 18 अगस्त को रिपोर्ट किए गए इन बदलावों में डेवलपमेंट प्रक्रिया के दौरान मॉडल की अधिक विस्तृत मॉनिटरिंग जोड़ी गई है और पोस्ट-ट्रेनिंग चरण में अलाइनमेंट और सुरक्षा पर अधिक जोर दिया गया है, जो वह स्टेज है जहां अलाइनमेंट और सेफ़्टी का काम बेस मॉडल पर लेयर किया जाता है।
क्या बदलाव को ट्रिगर किया और Hugging Face ब्रीच का स्कोप क्या था, इसकी विशिष्टताएं OpenAI की सार्वजनिक टिप्पणियों में विस्तार से नहीं बताई गई हैं। OpenAI इन कदमों को अपनी मॉडल डेवलपमेंट पाइपलाइन को आस-पास के प्लेटफॉर्म पर एक्सपोज़र से बचाने के लिए एक डिफेंसिव रिस्पॉन्स के रूप में प्रस्तुत कर रहा है, और टाइमिंग यह संकेत देती है कि शेयर्ड AI इन्फ्रास्ट्रक्चर को छूने वाली कोई भी इंसिडेंट अब फ्रंटियर लैब के लिए अपने डेवलपमेंट और ट्यूनिंग वर्क को कैसे गार्ड करता है, यह प्रत्यक्ष चिंता मानी जा रही है।
बिल्डर्स के लिए, यह एक API या प्रोडक्ट बदलाव नहीं बल्कि पर्दे के पीछे की पॉलिसी बदलाव है, और OpenAI के रिलीज़ किए गए मॉडल unaffected हैं। लेकिन यह एपिसोड एक रिमाइंडर है कि पड़ोसी प्लेटफॉर्म पर सुरक्षा इंसिडेंट मेजर लैब्स के इंटरनल वर्कफ़्लो में upstream प्रभाव डाल सकते हैं। जो डेवलपर्स OpenAI के मॉडल रिवीज़न तक नियमित एक्सेस पर निर्भर हैं, उन्हें आने वाले महीनों में नई मॉनिटरिंग और पोस्ट-ट्रेनिंग जोर से रिलीज़ कैडेंस पर क्या प्रभाव पड़ता है, यह देखना चाहिए।
[17:57] VentureBeat ने एंटरप्राइज़ AI रिसर्च बनाने के लिए अपना पहला Lead Analyst hire किया
VentureBeat ने Rob Strechay को अपना पहला Lead Analyst नियुक्त किया है, जो 19 अगस्त को घोषित नई VentureBeat Research समूह के संस्थापक सदस्य हैं। यह नियुक्ति विशेषज्ञ एंटरप्राइज़ AI विश्लेषण में गहरी दिलचस्पी को औपचारिक रूप देती है, जो उन निदेशकों, VP, CIO और CTO को लक्षित करती है जो वास्तव में इस तकनीक का मूल्यांकन, खरीद और तैनाती करते हैं।
Strechay theCUBE Research और SiliconANGLE से जुड़े हैं, जहाँ वे हाल ही में managing director और principal analyst थे और executive interviews की मेज़बानी करते थे। इससे पहले, वे Enterprise Strategy Group में senior analyst थे, और इससे भी पहले एंटरप्राइज़ इन्फ्रास्ट्रक्चर में executive भूमिकाओं में रहे, जिसमें Amazon Web Services पर एक नई analytics सेवा बनाने में मदद करना और Zerto में एक executive पद शामिल था। उनके पास लगभग तीन दशकों का अनुभव है जो practitioner कार्य, product leadership और analyst पदों में बंटा हुआ है।
नए research समूह का प्रस्ताव सीधा है। जब कंपनियाँ generative AI प्रयोग से production deployment की ओर बढ़ती हैं, तो सवाल बदल गए हैं। Decision-makers अब जानना चाहते हैं कि multi-vendor AI environments को कैसे orchestrate करें, उनके agentic pipelines में सुरक्षा अंतराल कहाँ हैं, और utilization समस्याओं को कैसे ठीक करें जो उनके infrastructure budgets को खा रही हैं। VentureBeat का मानना है कि समाचार कवरेज अकेले इन सवालों का जवाब नहीं दे सकता, इसलिए समर्पित research की जरूरत है।
Builders और operators के लिए, व्यावहारिक परिणाम production deployment के अव्यवस्थित मध्य चरण पर केंद्रित analysis का एक नया स्रोत है, hype cycle के बजाय। पहली formal VentureBeat Research output पर ध्यान दें, जिसमें यह देखा जाएगा कि तीन प्राथमिकता क्षेत्रों में से कौन सा - multi-vendor orchestration, agentic security, या infrastructure utilization - पहला गहन विश्लेषण प्राप्त करेगा।
NOVA: मैं NOVA हूं।
[ALLOY]: मैं ALLOY हूं, और यह है AgentStack Daily...
NOVA: MiniMax ने एक ओपन-वेट्स म्यूजिक मॉडल रिलीज किया है जो टैग्ड लिरिक्स और ट्रैक डिस्क्रिप्शन को एक पास में पूरे पांच मिनट के स्टीरियो सॉन्ग में बदल सकता है। शॉर्ट क्लिप्स को स्टिच करने और उम्मीद करने की कोई ज़रूरत नहीं कि कॉरस वर्स से संबंधित लगेगा।
[ALLOY]: ओह, यह तो बिल्कुल वाइल्ड है। Google ने भी एजेंट्स के बीच टूल्स शेयरिंग के लिए क्लाउड्स, प्राइवेट नेटवर्क्स, लैपटॉप्स और एज डिवाइसेस पर ज़ीरो-ट्रस्ट मेश ओपन-सोर्स किया है। एक एजेंट दूसरे एजेंट के अप्रूव्ड टूल्स तक पहुंच सकता है बिना अंडरलाइंग सर्विस को पब्लिक इंटरनेट पर फोर्स किए।
NOVA: आज: MiniMax से फुल-लेंथ म्यूजिक जनरेशन, Google's Sovereign Agent Mesh, Cerebras का वेफर-स्केल इन्फरेंस को रैक में ले जाना, और CUDA Agent जो लैंग्वेज मॉडल्स को तेज GPU कर्नेल लिखना सिखा रहा है।
[ALLOY]: आप सुनेंगे कि OpenAI Zero Data Retention को प्राइवेट सेफ्टी चेक्स के साथ कैसे कंबाइन करना चाहता है, एंटरप्राइजेज हर रिक्वेस्ट को अलग मॉडल पर रूट क्यों कर रहे हैं, और क्या हुआ जब सहयोगी एजेंट्स ने एक कैंपस वायरलेस नेटवर्क बेहतर तरीके से प्लान किया जब एक एजेंट अकेले काम कर रहा था।
NOVA: प्लस Hermes Desktop में Bot Mode है, Replit GPT-5.6 Luna के ज़रिए फ्री सॉफ्टवेयर बिल्डिंग खोल रहा है, और GitHub एंटरप्राइजेज को JetBrains में Copilot पर टाइटर कंट्रोल दे रहा है।
NOVA: OpenAI ने एलिजिबल API कस्टमर्स के लिए Zero Data Retention की पुष्टि की है और Private Safety Processing का प्रीव्यू दिया है, एक ऐसा ऑप्शन जो कस्टमर के अंडरलाइंग कंटेंट को रिटेन किए बिना एडवांस्ड सेफ्टी चेक्स लागू करने के लिए है। यह कॉम्बिनेशन मायने रखता है क्योंकि प्राइवेसी और सेफ्टी एंटरप्राइज वर्कफ्लो को विपरीत दिशाओं में खींच सकती हैं। एक बैंक, अस्पताल या सरकारी एजेंसी को हार्मफुल मॉडल बिहेवियर के लिए स्ट्रॉन्ग स्क्रीनिंग की ज़रूरत हो सकती है, लेकिन संवेदनशील प्रॉम्प्ट्स और आउटपुट्स को ऐसी सिस्टम में भेजने से इनकार कर सकती है जो उन्हें बाद में इंस्पेक्शन के लिए रखती है। Zero Data Retention यह कमिटमेंट बनाए रखता है कि एलिजिबल API डेटा प्रोसेसिंग के बाद रिटेन नहीं किया जाता। OpenAI कहता है कि प्राइवेट सेफ्टी अप्रोच हार्डन्ड एनवायरनमेंट के अंदर इवैल्यूएशन परफॉर्म करेगी और चेक पूरा होने के बाद इनपुट और आउटपुट डिस्कार्ड कर देगी। सादे अंग्रेजी में: रिक्वेस्ट का इंस्पेक्शन करो, सेफ्टी कंट्रोल एन्फोर्स करो, फिर दूसरी लास्टिंग कॉपी बनाने से बचो। OpenAI ने इस प्रीव्यू को रेगुलेटेड कस्टमर्स के लिए जवाब के तौर पर पोजीशन किया जो फ्रंटियर-मॉडल सेफ्टी गार्ड्स चाहते हैं बिना डेटा सॉवरेनिटी सॉन्डर किए। प्राइसिंग, एक्सेस रिक्वायरमेंट्स और अवेलेबिलिटी अगले महीने उम्मीद है, इसलिए एस्टैब्लिश्ड रिटेंशन कमिटमेंट प्रीव्यूड लेयर से ज़्यादा फर्म है।
[ALLOY]: यह एक असली टेंशन है जिसे टैकल करना है, लेकिन मुझे यह आइडिया पसंद नहीं आया कि प्रीव्यू ने इसे सॉल्व कर दिया है। कस्टमर्स को अभी भी सटीक जवाब चाहिए कि कौन से सेफ्टी चेक्स चलते हैं, क्या फ्लैग्ड मैटेरियल अलग पाथ फॉलो करता है, कौन सर्विस का उपयोग कर सकता है, और क्या एविडेंस कम्प्लायंस क्लेम्स को सपोर्ट करता है। फिर भी, दिशा मायने रखती है। एक हेल्थकेयर असिस्टेंट जनरेटेड गाइडेंस की स्क्रीनिंग कर सकता है जबकि पेशेंट मैटेरियल को इफेमरल रखता है। एक फाइनेंशियल इंस्टीट्यूशन इंटरनल एनालिसिस वर्कफ्लो पर आउटपुट कंट्रोल्स लागू कर सकता है बिना परमानेंट ट्रस्ट-एंड-सेफ्टी आर्काइव बनाए। गवर्नमेंट टीम्स सेंसिटिव रिक्वेस्ट्स को टाइटली डिफाइंड डेटा फ्लो के अंदर रख सकती हैं। OpenAI का प्रपोजल प्राइवेसी-प्रिजर्विंग सेफ्टी को इन्फ्रास्ट्रक्चर के तौर पर ट्रीट करता है इसके बजाय कि कस्टमर्स से एक प्रॉमिस को दूसरे पर चुनने को कहे। अगर हार्डन्ड एनवायरनमेंट और डिलीशन गारंटीज यूज़फुल टेक्निकल डॉक्यूमेंटेशन के साथ आती हैं, तो कम्प्लायंस और सेफ्टी टीम्स के बीच फंसी प्रोजेक्ट्स आखिरकार एक रास्ता आगे पा सकती हैं।
[ALLOY]: Google का Sovereign Agent Mesh बहुत महत्वाकांक्षी लगता है: एजेंट्स organizational और network boundaries के पार टूल्स को call कर रहे हैं बिना public endpoints के। यह firewall में एक नया बड़ा छेद बनने से कैसे बचता है?
NOVA: Connectivity की जगह denial से शुरू करके। Google ने SAM को Apache Two license के तहत open-source किया है - यह agents के लिए एक peer-to-peer overlay है जो cloud systems, on-premises infrastructure, laptops, और edge devices में काम करता है। Identity OpenID Connect से शुरू होती है, वही login standard जो पहले से कई corporate identity providers इस्तेमाल करते हैं। उसके बाद SAM Biscuit capability tokens जारी करता है। ये compact credentials हैं जो बिल्कुल बताते हैं कि एक node क्या कर सकता है, जैसे कि एक specific named tool invoke करना, बजाय पूरे service तक broad access देने के। हर participating node token को locally verify करता है, तो हर request को central authorization server के पास round trip नहीं करनी पड़ती। अगर valid credential स्पष्ट रूप से action grant नहीं करता, तो tool call deny हो जाता है। इससे एक laptop agent approved cloud capability invoke कर सकता है, या एक on-premises agent edge device पर tool reach कर सकता है, बिना service को open internet पर publish किए।
[ALLOY]: अब यह किसी दूसरे agent-discovery layer से कहीं ज्यादा interesting है। MCP compatibility का मतलब है कि Model Context Protocol के through expose किए गए tools mesh में discoverable हो सकते हैं, जबकि capability token constrain करती है कि remote agent क्या invoke कर सकता है। मुश्किल part तब आता है जब organizations identities rotate करती हैं, access revoke करती हैं, long chains of calls audit करती हैं, और different security teams के owned nodes connect करती हैं। Local token verification हर request से central dependency हटाती है, लेकिन यह disciplined credential policy को essential बनाती है। फिर भी, SAM एक urgent problem address करती है: useful agents शायद ही कभी एक tidy network के अंदर रहती हैं। अगर project Google के ecosystem से बाहर adoption पाती है, तो यह cross-company agent collaboration को एक security model दे सकती है जो "Please expose another API" से शुरू नहीं होती।
NOVA: Cognition के chief executive ने एक report को deny किया है कि SpaceX AI coding company को acquire करने की early talks में था। Original report अगस्त उन्नीसवीं को आया था, लेकिन SpaceX की तरफ से कोई on-record confirmation नहीं है और न ही कोई disclosed price, timeline, या deal structure। Denial ही concrete news है; उससे आगे सब uncertain है। Market context अभी भी notable है। SpaceX पहले से Cursor acquire कर चुका है और enterprise AI में larger position हासिल कर रहा है। एक coding-focused company के प्रति another reported approach एक aggressive consolidation strategy पर fit करती है, हालांकि strategic fit यह evidence नहीं है कि negotiation हुई। Cognition ने autonomous software work के around अपनी identity बनाई है, जबकि Cursor competitive AI-assisted coding environment में है। दोनों का ownership एक broad development stack बना सकता है, लेकिन यह hypothetical है जब तक कोई company disputed report से ज्यादा नहीं देती।
[ALLOY]: Rumors कुछ reveal कर सकते हैं बिना transaction prove किए। Investors और acquirers AI coding products को strategic assets मानते हैं, interchangeable models के ऊपर disposable interface layers नहीं। Talent, user distribution, proprietary interaction data, और development work में deep integration - सबकी value है। एक rumored combination product overlap और independence के बारे में सवाल भी उठाता है। क्या Cognition distinct रहेगी? क्या उसका autonomous approach Cursor में fold होगा? क्या customers एक ही parent के controlled दो coding products चाहेंगे? किसी के पास जवाब नहीं है क्योंकि कोई confirmed deal नहीं है।
NOVA: Honestly, मैं एक कदम और skeptical जाता। लोग अक्सर acquisition reporting को advance में लिखी हुई product roadmap मानते हैं। ऐसा नहीं है। Early conversations खत्म हो सकते हैं, valuations fail हो सकती हैं, और parties इस बात पर असहमत हो सकते हैं कि exploratory contact को "talks" कहना चाहिए या नहीं। Cognition का public denial एक imagined integration diagram से कहीं ज्यादा weight रखता है।
[ALLOY]: Fair। जो कुछ भी outcome हो, वो category-level pressure survive करता है। Well-capitalized companies उन interfaces का ownership चाहते हैं जहां developers तेजी से agents को work delegate कर रहे हैं। भले ही Cognition independent रहे, report highlight करती है कि किन coding startups के पास durable technology और distribution है, और किन्हें market compress होने पर acquisition targets बनने की संभावना है।
[ALLOY]: आर्विंद जैन, Glean के मुख्य कार्यकारी अधिकारी, का तर्क है कि उद्यम एक ही अनुरोध के लिए एक डिफ़ॉल्ट मॉडल से दूर हो रहे हैं। क्या रूटिंग वास्तव में एक प्रमुख उत्पाद क्षमता है, या बस एक सस्ते मॉडल का चयन है जो एक if स्टेटमेंट द्वारा किया जाता है?
NOVA: स्टैटिक रूटिंग इतनी क्रूड हो सकती है, लेकिन जैन ने एक समृद्ध फीडबैक लूप का वर्णन किया। आसान सवाल एक तेज़, कम खर्चीले मॉडल पर जा सकते हैं, जबकि कठिन अनुरोध एक फ्रंटियर सिस्टम को जायज़ ठहराते हैं। रूटिंग लेयर बड़े पैमाने पर मानव फीडबैक से सीखती है कि कौन से जवाब मददगार थे, फिर जब कोई समान अनुरोध आता है तो उस सिग्नल का उपयोग करती है। यह आवंटन को एक निश्चित इंजीनियरिंग नियम के बजाय एक निरंतर उत्पाद निर्णय में बदल देता है। अर्थशास्त्र सीधा है। एक कंपनी के हजारों रूटीन रिट्रीवल, सारांश, वर्गीकरण और ड्राफ्टिंग अनुरोध हो सकते हैं जो सबसे महंगे मॉडल से इतने लाभान्वित नहीं होते कि उसकी कीमत को जायज़ ठहराया जा सके। उसी कंपनी के पास जटिल विश्लेषणात्मक या एजेंटिक कार्य है जहां मजबूत मॉडल परिणाम को सामग्री रूप से सुधारता है। प्रति क्वेरी रूटिंग दोनों को सब कुछ के लिए उच्चतम दर का भुगतान किए बिना सह-अस्तित्व में रहने देती है।
[ALLOY]: मैं अर्थशास्त्र को समझता हूं। मुझे कम विश्वास है कि "मददगार" हमेशा सबसे अच्छे रूटिंग चॉइस पर साफ-सुथरे ढंग से मैप होता है। मानव फीडबैक तथ्यात्मक गुणवत्ता के बजाय प्राथमिकता, गति, स्वर, या परिचय को दर्शा सकता है। पैसा बचाने वाला एक राउटर गेटकीपर भी बन जाता है: यह तय करता है कि कौन से कर्मचारियों और कार्यों को सबसे मजबूत तर्क मिलता है। प्रशासक दृश्यता चाहेंगे, खासकर जब एक सस्ता मॉडल एक स्वीकार्य-दिखने वाला जवाब देता है जो एक महत्वपूर्ण विवरण को याद कर जाता है।
NOVA: बिल्कुल। एक बार जब राउटर पूरी कंपनी में लागत, विलंबता और जवाब की गुणवत्ता को प्रभावित करता है, तो यह अदृश्य प्लंबिंग नहीं रह सकता। Glean का तर्क मायने रखता है क्योंकि उद्यम पहले से ही फ्रंटियर और ओपन-वेट मॉडल के मिश्रण के लिए भुगतान करते हैं। प्रतिस्पर्धा केवल इस बारे में नहीं होगी कि किस प्रदाता के पास सबसे मजबूत मॉडल है, बल्कि यह पहचानने की है कि वह ताकत खरीदने लायक कब है। एक अच्छा रूटिंग उत्पाद एक विविध मॉडल पोर्टफोलियो को नियंत्रित खर्च में बदल देता है। एक बुरा एक कम चालान के पीछे गुणवत्ता में कमी को छुपाता है।
NOVA: MiniMax ने MiniMax-Music Three जारी किया है, एक ओपन-वेट्स टेक्स्ट-टू-म्यूज़िक मॉडल जो एक ही पास में पांच मिनट तक का पूरा गाना जेनरेट करता है। यह अनुभाग लेबल—वर्स, कोरस, ब्रिज—के साथ चिह्नित गीत स्वीकार करता है और वांछित ट्रैक का वर्णन करने वाला एक संरचित कैप्शन स्वीकार करता है। परिणाम बत्तीस किलोहर्ट्ज, सोलह-बिट स्टीरियो WAV फ़ाइल है। वह फुल-लेंथ जेनरेशन मुख्य बात है। पहले के ओपन म्यूज़िक सिस्टम अक्सर छोटे क्लिप में काम करते थे, जिससे क्रिएटर्स को सेक्शन को बढ़ाने, पुनर्जेनरेट करने या सिलाई करने के लिए छोड़ देना पड़ता था। हर सीम मेलोडी, वाद्ययंत्र, पेसिंग, या वोकल आइडेंटिटी को बाधित कर सकती थी। MiniMax एक वास्तविक कमर्शियल ट्रैक की लंबाई में गाने की संरचना को बनाए रखने का प्रयास कर रहा है। यह तीन सर्विंग पाथ भी प्रदान करता है, जो विभिन्न स्थानीय या रिमोट डिप्लॉयमेंट व्यवस्थाओं के माध्यम से वेट्स का उपयोग करने की अनुमति देता है। लाइसेंस शर्तें अभी भी कमर्शियल उपयोग को नियंत्रित करती हैं; "ओपन वेट्स" का मतलब है कि पैरामीटर उपलब्ध हैं, यह नहीं कि हर उपयोग स्वचालित रूप से अप्रतिबंधित है।
[ALLOY]: एक पास में पांच मिनट वास्तव में रोमांचक है क्योंकि यह निर्माण की इकाई को बदल देता है। एक गेम स्टूडियो एक दृश्य के लिए एक पूरा वोकल ट्रैक ड्राफ्ट कर सकता है। एक पॉडकास्ट प्रोड्यूसर तीस सेकंड के टुकड़े को लूप करने के बजाय एक पूरा थीम वेरिएशन का अनुरोध कर सकता है। एक वीडियो क्रिएटर टैग किए गए गीतों से शुरू कर सकता है और कुछ ऐसा प्राप्त कर सकता है जो एक तैयार गाने जैसा दिखता है, जिसमें इंट्रो, दोहराया गया कोरस, ब्रिज और एंडिंग हो। आउटपुट को अभी भी एडिटिंग, मिक्सिंग, या मानव प्रदर्शन निर्णयों की आवश्यकता हो सकती है, लेकिन पहला परिणाम अब केवल एक संगीत का नमूना नहीं है। यह एक कम्पोज़िशन-लेंथ ऑब्जेक्ट है जिसे एक पूरे के रूप में आंका जा सकता है। मैं जानना चाहता हूं कि क्या यह पूरे पांच मिनट में मोटिफ और वोकल कैरेक्टर को संरक्षित करता है, क्योंकि अवधि अकेले सुसंगतता की गारंटी नहीं देती। लेकिन सिंगल-पास स्ट्रक्चर ओपन म्यूज़िक जेनरेशन से एक सबसे स्पष्ट मैकेनिकल सीमा को हटा देता है।
NOVA: Cerebras ने CS-Four पेश किया है, अपना पहला रैक-स्केल AI इंफरेंस सिस्टम, जिसे एक ताज़ा WSE-Three Turbo प्रोसेसर के साथ जोड़ा गया है। कंपनी वेफर-स्केल कंप्यूटिंग को एक एकल असामान्य उपकरण से आगे बढ़ा रही है और इसे डेटा-सेंटर रैक के लिए इंफ्रास्ट्रक्चर के रूप में पेश कर रही है। सिलिकॉन वेफर को कई पारंपरिक चिप्स में काटने के बजाय, Cerebras एक विशाल कनेक्टेड प्रोसेसर का उपयोग करता है जिसका इरादा कंप्यूटेशन और मेमोरी मूवमेंट को एक साथ रखने का है। CS-Four इंफरेंस के लिए एक बड़े डिप्लॉयमेंट सतह में उस दृष्टिकोण का विस्तार करता है, पहले से प्रशिक्षित मॉडल चलाने का काम। घोषणा ने हार्डवेयर विशेषज्ञों का ध्यान आकर्षित किया, जिसमें तकनीकी समुदाय में सैकड़ों वोट शामिल हैं, क्योंकि इंफरेंस क्षमता एक निर्धारक AI इंफ्रास्ट्रक्चर बाधा बनती जा रही है।
[ALLOY]: एक रैक डेटा-सेंटर खरीदारों की समझने वाली भाषा है। वे पूर्ण सिस्टम में पावर, कूलिंग, थ्रूपुट, स्पेस, नेटवर्किंग, सर्विसेबिलिटी और कीमत की तुलना करते हैं। Cerebras यह संकेत दे रहा है कि उसका वेफर-स्केल डिज़ाइन प्रतिष्ठित एक्सेलेरेटर क्लस्टर के बगल में है, प्रयोगात्मक मशीनों की श्रेणी में नहीं। यह उन संगठनों के लिए मायने रख सकता है जो अपने इंफ्रास्ट्रक्चर पर बड़े मॉडल सर्व करते हैं, विशेष रूप से यदि यह एक वर्कलोड को कई प्रोसेसरों में विभाजित करने की जटिलता को कम करता है।
NOVA: हाँ, लेकिन गायब आंकड़े बहुत काम कर रहे हैं। Cerebras ने गंभीर तुलना के लिए आवश्यक विस्तृत थ्रूपुट, मूल्य निर्धारण, या व्यापक विशिष्टताओं को प्रकाशित नहीं किया है। "Rack-scale" हमें पैकेजिंग और महत्वाकांक्षा बताता है; यह प्रति जेनरेट किए गए टोकन लागत, यथार्थवादी समवर्ती प्रदर्शन, ऊर्जा दक्षता, या मॉडल आकारों में व्यवहार का खुलासा नहीं करता। WSE-Three Turbo नाम हमें बताता है कि एक ताज़ा प्रोसेसर है, लेकिन पूर्ण डेटाशीट के बिना खुलासा GPU क्लस्टर पर मापा गया विजय नहीं है। फिर भी, जैसे-जैसे इन्फरेंस माँग बढ़ती है, AI इन्फ्रास्ट्रक्चर खरीदारों को विश्वसनीय विकल्पों की जरूरत है, और वेफर-स्केल हार्डवेयर एक सामग्री रूप से अलग डिज़ाइन प्रदान करता है। एक बार प्रदर्शन और मूल्य आने पर, CS-Four को स्थापित प्रणालियों के विरुद्ध आंका जा सकता है। तब तक, Cerebras ने बातचीत को आगे बढ़ाया है इसे हल नहीं किया।
[ALLOY]: SPADE एक भाषा मॉडल को निष्पादन योग्य अभ्यास वातावरण बनाने और उन्हें हल करके सीखने देता है। क्या यह खतरा नहीं है कि दोनों समस्याएं और उत्तर लिखने वाला मॉडल बस अपने ही खेल में अच्छा हो जाता है?
NOVA: यही केंद्रीय चुनौती है। Environment Designer के रूप में, मॉडल पहेलियाँ, सिमुलेशन, या अंतर्निहित स्कोरिंग वाले टूल-उपयोग कार्य बनाता है। Reasoning Agent के रूप में, यह उन्हें आज़माता है। डिज़ाइनर का लक्ष्य हल करने वाले की वर्तमान क्षमता के निकट होना है—सिखाने के लिए कठिन पर्याप्त, लेकिन असंभव नहीं।
[ALLOY]: यह रोचक इसलिए होता है: यह नए वातावरण को एक बड़े प्रीट्रेनिंग कोरपस से वास्तविक दस्तावेज़ों में भी जड़ें लगाता है और दोहराव कम करने के लिए पिछली रचनाओं को याद रखता है। तीस अरब पैरामीटर तक के पैमाने पर, शोधकर्ता आठ हटाए गए गणित, विज्ञान, कोडिंग, और तर्क बेंचमार्क पर सबसे मजबूत निश्चित-वातावरण बेसलाइन की तुलना में औसतन पाँच दशमलव तीन अंकों का लाभ दर्शाते हैं।
NOVA: हटाए गए लाभ इसे रोचक बनाते हैं। मल्टी-स्टेप टूल उपयोग में भी सुधार दिखा, इसलिए परिणाम केवल स्व-लिखित पहेलियों को दोबारा चलाने तक सीमित नहीं था। यदि दोहराया जा सकता है, तो एजेंट अपने स्वयं के फ्रंटियर के निकट उपयोगी अभ्यास तैयार कर सकते हैं, लोगों के हर प्रशिक्षण वातावरण को डिज़ाइन करने की प्रतीक्षा किए बिना।
NOVA: Nous Research ने Hermes Agent के लिए Bot Mode शिप किया है, और यह Hermes Desktop में डिफ़ॉल्ट रूप से सक्षम है। डेस्कटॉप अब एक अविभेदित सूची में हर इंटरैक्शन को दूसरे सत्र के रूप में प्रस्तुत करने के बजाय नामित बॉट्स की एक रोस्टर प्रस्तुत करता है। प्रत्येक बॉट एक पूर्ण Hermes प्रोफाइल है जिसमें अलग चैट इतिहास, मेमोरी, स्किल्स, टूल्स और मॉडल कॉन्फ़िगरेशन है। व्यावहारिक बदलाव अलगाव है। एक कोडिंग बॉट सॉफ्टवेयर संदर्भ और प्रासंगिक टूल्स रख सकता है, एक रिसर्च बॉट अपने स्रोतों और कार्य इतिहास को रख सकता है, और एक राइटिंग बॉट एक अलग आवाज़ बनाए रख सकता है बिना उन पहचानों को एक दूसरे में मिलने के। Hermes Agent MIT लाइसेंस के तहत ओपन सोर्स बना हुआ है, और Bot Mode डेस्कटॉप के साथ बंडल है न कि अलग ऐड-ऑन के रूप में वितरित। यह मल्टी-एजेंट संगठन को एक डिफ़ॉल्ट इंटरफ़ेस अवधारणा बनाता है फ़ाइलों या कमांड्स के पीछे छिपी उन्नत कॉन्फ़िगरेशन के बजाय।
[ALLOY]: मुझे रोस्टर रूपक पसंद है क्योंकि लोग पहले से भूमिकाओं में सोचते हैं। उन्हें जरूरी नहीं "सत्र सैंतालीस" चाहिए; वे उस बॉट को चाहते हैं जो एक विशेष प्रकार के काम को समझता है। लेकिन अलगाव वास्तविक होना चाहिए। यदि प्रत्येक प्रोफाइल अपनी मेमोरी और टूल्स ले जाता है, तो इंटरफ़ेस आकस्मिक संदर्भ क्रॉसओवर को कम कर सकता है और क्षमताओं को समझना आसान बना सकता है। एक राइटिंग के लिए इरादे से बॉट को सॉफ्टवेयर ऑपरेशन के लिए meant एक्सेस को चुपचाप inherit नहीं करना चाहिए।
NOVA: सही, और प्रति बॉट मॉडल कॉन्फ़िगरेशन किसी भी रिमोट मॉडल के स्थायी रूप से उपलब्ध रहने का वादा किए बिना उपयोगी है। प्रोवाइडर्स एक्सेस बदल सकते हैं, और एप्लिकेशन दूसरा मॉडल सब्स्टिट्यूट कर सकते हैं। टिकाऊ फ़ीचर यह है कि प्रत्येक प्रोफाइल अपना मॉडल प्रेफरेंस और क्षमता बंडल व्यक्त कर सकता है। यह किसी नामित मॉडल तक स्थायी एक्सेस की गारंटी देने से अलग है। रिलीज़ वहां सबसे मजबूत है जहां यह एजेंट पहचान को दृश्यमान और स्विच करने योग्य बनाता है बिना लोगों को पूरा कार्य वातावरण पुनर्निर्मित करने की आवश्यकता के। यह सक्रिय पहचान को किसी संदेश से पहले ही पढ़ने योग्य भी बनाता है। यह छोटा लगता है, लेकिन इसकी परवाह करता है जब कई एजेंट्स के अलग-अलग इतिहास और टूल्स तक अलग-अलग एक्सेस हो।
[ALLOY]: और यह एक दिलचस्प सामाजिक संभावना पैदा करता है। अगर Nous बाद में पोर्टेबल समुदाय प्रोफाइल का समर्थन करता है, तो लोग विशेषज्ञ बॉट्स को एक उपयोगी कौशल सेट, मेमोरी स्ट्रक्चर और टूल कॉन्फ़िगरेशन के साथ आदान-प्रदान कर सकते हैं—यह एक सामान्य प्रॉम्प्ट डाउनलोड करने की तुलना में एक कार्यशील भूमिका आयात करने के ज्यादा करीब है। यह अभी तक घोषित नहीं किया गया है, इसलिए यह एक संभावना बनी हुई है। अभी के लिए, Hermes Desktop ने कई निरंतर एजेंट पहचानों को प्रबंधित करना बहुत आसान बना दिया है, जो भविष्य की सुविधाओं को उधार लेने के बिना पर्याप्त है।
NOVA: शोधकर्ताओं ने सहयोगी AI एजेंटों को एक कैंपस में मिलीमीटर-वेव बेस स्टेशनों को रखने की समस्या सौंपी, और टीम ने पूरे मैप को नियंत्रित करने वाले एकल एजेंट से बेहतर प्रदर्शन किया। मिलीमीटर-वेव वायरलेस उच्च क्षमता दे सकता है, लेकिन इमारतें और भूभाग इसे आसानी से रोकते हैं, जिससे छत पर रखना एक कठिन अनुकूलन समस्या बन जाती है। प्रत्येक एजेंट ने भूगोल के एक हिस्से को प्रबंधित किया जबकि कवरेज और न्याय के लिए सहयोग किया। घने सिमुलेशन में, मल्टी-एजेंट दृष्टिकोण तेजी से अभिसरण हुआ, चार सौ सिमुलेटेड उपयोगकर्ताओं को कवर किया, और शून्य दशमलव नौ चार की न्यायसंगतता स्कोर हासिल किया।
[ALLOY]: वितरित योजना के लिए यह एक मजबूत परिणाम है, यह प्रमाण नहीं है कि हर बुनियादी ढांचे की समस्या के लिए स्वार्म की जरूरत है। कैंपस मैप को सार्थक क्षेत्रों में विभाजित किया जा सकता है, जो विशेषज्ञ एजेंटों को प्रबंधनीय जिम्मेदारियां देता है। जब घनत्व बढ़ा, तो सहयोग ने खोज को बेहतर ढंग से संभाला एक शिक्षार्थी की तुलना में जो पूरी समस्या ले रहा था। स्टेडियम, ट्रांजिट हब, लॉजिस्टिक्स नेटवर्क और ऊर्जा प्रणालियों में समान संरचनाएं दिखाई देती हैं, जहां स्थानीय निर्णय परस्पर क्रिया करते हैं लेकिन एक विशाल नियंत्रक की आवश्यकता नहीं होती। परिणाम उन क्षेत्रों को कवरेज और संतुलन पर एक एकल ऑप्टिमाइज़र से बेहतर प्रदर्शन करने वाले समन्वित शिक्षार्थियों का एक प्रारंभिक उदाहरण देता है।
[ALLOY]: भाषा मॉडल CUDA kernels लिखने में अचानक सक्षम हो गए हैं, जो कई उच्च-प्रदर्शन संचालनों के पीछे छोटे GPU प्रोग्राम हैं। फिर भी वे जनरेट किए गए kernels अनुभवी इंजीनियरों को अभी भी निराश क्यों करते हैं?
NOVA: क्योंकि काम करने वाला कोड और तेज़ कोड अलग-अलग उपलब्धियां हैं। ByteDance Seed और Tsinghua AIR ने CUDA Agent पेश किया जो भाषा मॉडल को सिर्फ सही परिणाम के खिलाफ नहीं बल्कि रनटाइम प्रदर्शन के खिलाफ प्रशिक्षित करता है। उनका Seed 1.6 बेस मॉडल KernelBench समस्याओं के 74% को पास करता है, जो दर्शाता है कि यह बार-बार वैध CUDA produce कर सकता है। फिर भी वैध आउटपुट मेमोरी का अक्षम उपयोग कर सकता है, बहुत często synchronizes कर सकता है, अनावश्यक काम लॉन्च कर सकता है, या GPU के समानांतर हार्डवेयर का लाभ उठाने में विफल हो सकता है। CUDA Agent reinforcement learning का उपयोग करता है: एजेंट एक kernel जनरेट करता है, इसे execute करता है, मापी गई गति से जुड़ा एक reward प्राप्त करता है, और अपने व्यवहार को अपडेट करता है। दोहराव मॉडल को उन प्रदर्शन सुधारों का पीछा करना सिखाता है जो सामान्य कोड-जनरेशन प्रशिक्षण छोड़ सकता है। विशेषज्ञ CUDA जैसा दिखने वाले टेक्स्ट को reward देने या सिर्फ compile करके सही नंबर वापस करने के बजाय, यह प्रक्रिया उस कोड को reward देती है जो गणना को तेजी से पूरा करता है।
[ALLOY]: वह देखा गया परिणाम खबर है। कस्टम kernels तय कर सकते हैं कि मॉडल-प्रशिक्षण या अनुमान प्रणाली आर्थिक रूप से व्यवहार्य है या नहीं, लेकिन उन्हें hand-optimize करने में सक्षम इंजीनियर कम हैं। अगर एक प्रशिक्षित एजेंट प्रतिस्पर्धात्मक kernels produce करता है, तो यह एक पेपर में नए ऑपरेशन से वास्तविक हार्डवेयर पर कुशल execution तक के रास्ते को छोटा कर सकता है। मैं सामान्यीकरण के बारे में सावधान हूं क्योंकि KernelBench समस्याओं को अलग करता है production frameworks के विपरीत, जहां पड़ोसी ऑपरेशन, लॉन्च ओवरहेड, compilation व्यवहार और हार्डवेयर विविधता सभी मायने रखते हैं। एक benchmark दर्शा सकता है कि प्रदर्शन-निर्देशित learning जनरेट किए गए कोड को बदलती है; यह साबित नहीं कर सकता कि पूरा प्रशिक्षण स्टैक तेज़ हो जाता है। फिर भी, CUDA Agent सही लक्ष्य पर हमला करती है: वास्तविक runtime जो सिर्फ संभावित दिखने वाले कोड के बजाय।
NOVA: Replit ने 19 अगस्त को Free Mode पेश किया, जो लोगों को पहले क्रेडिट कार्ड जोड़े बिना या टोकन चार्ज ट्रैक किए बिना एक विचार का वर्णन करने और runnable सॉफ्टवेयर जनरेट करने की अनुमति देता है। GPT-5.6 Luna इस मुफ्त अनुभव को संचालित करता है, और OpenAI ने अपने खुद के न्यूज चैनल के माध्यम से इस सहयोग की घोषणा की। दर्शकों में छात्र, पहली बार निर्माता और वे लोग शामिल हैं जो एक छोटा विचार तलाश रहे हैं जो अन्यथा पे वॉल पर रुक सकते हैं। Replit एक सादे-भाषा के अनुरोध को एक कार्यशील प्रोजेक्ट में बदल देता है, कोड जनरेशन, execution और iteration को एक ब्राउज़र-आधारित वातावरण में रखता है। अग्रिम भुगतान निर्णय को हटाने से बदल जाता है कि कौन उस क्षण तक पहुंच सकता है जब एक विचार इंटरैक्टिव बन जाता है। एक छात्र एक अध्ययन उपकरण बना सकता है, एक सामुदायिक आयोजक एक पंजीकरण ऐप का प्रोटोटाइप बना सकता है, और एक डिज़ाइनर एक उपयोगिता बना सकता है बिना पहले क्षमता खरीदे जिसे वे शायद खराब तरीके से समझते हैं।
[ALLOY]: फ्री शक्तिशाली है, और इसके पास सीमाओं का विवरण होना ज़रूरी है। OpenAI की घोषणा में उपयोग सीमा, कौन से कार्य योग्य हैं, या कब किसी को पेड प्लान पर जाना होगा - ये बातें स्पष्ट नहीं हैं। ये विवरण तय करते हैं कि फ्री मोड एक सार्थक प्रोजेक्ट का समर्थन करता है या मुख्य रूप से एक प्रभावी प्रदर्शन प्रदान करता है। इस अनिश्चितता के बावजूद, संपूर्ण क्रिएट-एंड-रन लूप को खोलना कोड स्निपेट्स देने वाले फ्री चैट बॉक्स की तुलना में अधिक महत्वपूर्ण है।
NOVA: इसके अलावा, अनुभवी डेवलपर्स को भी लाभ हो सकता है, हालांकि यह पूर्ण पेशेवर वातावरण की जगह नहीं लेता। यह लाइब्रेरी आज़माने, इंटरफ़ेस स्केच करने, या छोटे ऐप के लिए Luna के दृष्टिकोण को देखने का एक तेज़ तरीका प्रदान करता है। परिणाम टोकन गिनती से अधिक मायने रखता है: क्या फ्री यूज़र कुछ उपयोगी डिप्लॉय या शेयर कर सकता है, और जनरेटेड सामग्री को जारी रखने के लिए पर्याप्त समझ सकता है? मैं सतर्क रूप से आशावान हूं। Luna को नो-कार्ड स्टार्टिंग पॉइंट के साथ जोड़ने से उन लोगों के लिए एक सक्षम कोडिंग अनुभव उपलब्ध होता है जिन्होंने शायद कभी IDE नहीं खोला। चाहे यह सॉफ्टवेयर निर्माण में व्यापक प्रवेश द्वार बनता है या पेड प्लान की ओर छोटा रास्ता - यह Replit की अनदेखी की गई सीमाओं पर निर्भर करेगा।
NOVA: JetBrains के लिए Copilot में GitHub ने एंटरप्राइज़ प्रबंधित सेटिंग्स जोड़ी हैं, जो IntelliJ, PyCharm, GoLand और अन्य व्यापक रूप से उपयोग किए जाने वाले टूल्स के पीछे के विकास वातावरण को शामिल करती हैं। एडमिनिस्ट्रेटर अब चार क्षेत्रों में संगठन-व्यापी नियंत्रण लागू कर सकते हैं: प्लगइन गवर्नेंस, MCP सर्वर एक्सेस, OpenTelemetry, और अनुमति मोड। प्लगइन गवर्नेंस यह निर्धारित करता है कि कौन से एक्सटेंशन या क्षमताओं की अनुमति है। MCP नियंत्रण यह तय करते हैं कि Copilot किन बाहरी टूल सर्वर से जुड़ सकता है। OpenTelemetry एकत्र और निर्यात किए गए संचालन डेटा को मानकीकृत करता है। अनुमति मोड परिभाषित करते हैं कि सहायक कौन से कार्य कर सकता है और उसे कब पहले व्यक्ति से पूछना चाहिए। यह परिवर्तन उन कंपनियों के लिए शासन अंतराल को भरता है जो JetBrains में Copilot चाहती थीं लेकिन हर डेवलपर पर भरोसा नहीं कर सकती थीं कि वे निरंतर इन नियंत्रणों को कॉन्फ़िगर करेंगे।
[ALLOY]: यह चमकदार नहीं है, लेकिन ईमानदारी से, इस तरह के परिवर्तन दूसरे चतुर कोडिंग डेमो की तुलना में अपनाने को अधिक बढ़ा सकते हैं। एक कंपनी के पास उत्कृष्ट मॉडल प्रदर्शन हो सकता है और फिर भी डिप्लॉयमेंट ब्लॉक हो सकता है क्योंकि प्लगइन अनधिकृत टूल्स तक पहुंचता है, असंगत सेटिंग्स के तहत टेलीमेट्री उत्सर्जित करता है, या हर डेवलपर से अलग-अलग तरीके से अनुमतियों की व्याख्या करने को कहता है।
NOVA: और MCP एक्सेस वह नियंत्रण है जिस पर मैं सबसे गौर से नज़र रखूंगा। एक साधारण कोड-पूर्णता टूल मुख्य रूप से टेक्स्ट सुझाता है। एक टूल-कनेक्टेड सहायक रिपॉजिटरी, इश्यू ट्रैकर, डेटाबेस, क्लाउड संसाधनों, या आंतरिक सेवाओं तक पहुंच सकता है। केंद्रीय नीति एक एंटरप्राइज़ को यह परिभाषित करने की अनुमति देती है कि कौन से सर्वर स्वीकृत हैं, इससे पहले कि हर डेवलपर एडिटर के आसपास एक अलग ट्रस्ट बाउंड्री बनाए।
[ALLOY]: बिल्कुल। केंद्रीय सेटिंग्स Copilot को व्यक्तिगत रूप से कॉन्फ़िगर किए गए सहायक से प्रबंधित एंटरप्राइज़ सॉफ्टवेयर में बदल देती हैं। डेवलपर्स को JetBrains उत्पादों में सुसंगत व्यवहार मिलता है, जबकि सुरक्षा टीमों को अनुमतियों और निर्यातित संचालन डेटा को शासित करने के लिए एक परिभाषित स्थान मिलता है। यह डेमो में कम रोमांचक है और वास्तविक डिप्लॉयमेंट के दौरान बहुत अधिक उपयोगी है।
NOVA: Hugging Face में एक उल्लंघन के बाद OpenAI ने मॉडल विकास के आसपास सुरक्षा उपाय जोड़े हैं। सार्वजनिक रिपोर्टिंग के अनुसार, परिवर्तनों में विकास के दौरान अधिक विस्तृत निगरानी और पोस्ट-ट्रेनिंग के दौरान संरेखण और सुरक्षा पर अधिक जोर शामिल है—प्रारंभिक मॉडल प्रशिक्षण के बाद का चरण जब डेवलपर्स व्यवहार को आकार देते हैं, निर्देश अनुपालन में सुधार करते हैं, और सुरक्षा नियंत्रण जोड़ते हैं। OpenAI ने सार्वजनिक रूप से विस्तार से नहीं बताया है कि उल्लंघन ने क्या उजागर किया या किस आंतरिक खतरे की स्थिति ने प्रत्येक उपाय को प्रेरित किया। यह सीमित करता है कि कोई विशिष्ट रूप से प्रतिक्रिया का मूल्यांकन कैसे कर सकता है। जो स्पष्ट है वह यह है कि एक निकट AI प्लेटफॉर्म पर एक घटना ने एक फ्रंटियर लैब को अपनी मॉडल-विकास पाइपलाइन के आसपास सुरक्षा कड़ी करने के लिए प्रेरित किया। OpenAI का कहना है कि जारी किए गए मॉडल प्रभावित नहीं हुए, इसलिए यह उन मॉडलों या API में घोषित दोष नहीं है जिनका लोग वर्तमान में उपयोग कर रहे हैं।
[ALLOY]: यह अंतर महत्वपूर्ण है, और ईमानदारी से, आसपास की आपूर्ति श्रृंखला अभी भी ध्यान देने योग्य है। प्रयोगशालाएं मॉडल रिपॉजिटरी, डेटासेट, विकास सेवाओं, मूल्यांकन प्रणालियों, क्रेडेंशियल्स और बाहरी उपकरणों पर निर्भर करती हैं। प्रयोगशाला के पास का एक समझौता ऐसे आर्टिफैक्ट्स या पथों को उजागर कर सकता है जो महत्वपूर्ण हैं, भले ही अंतिम वेट्स सुरक्षित रहें। हमें सटीक ट्रिगर, प्रभावित सामग्री, या यह नहीं पता है कि नई निगरानी किसी रिलीज़ शेड्यूल को बदलती है या नहीं, इसलिए एक नाटकीय उल्लंघन कथा तथ्यों से आगे निकल जाएगी। अधिक विस्तृत निगरानी संदिग्ध गतिविधि को पहले प्रकट कर सकती है, जबकि मजबूत पोस्ट-ट्रेनिंग सुरक्षा एक विशेष रूप से संवेदनशील चरण की रक्षा करती है। OpenAI ने क्रॉस-प्लेटफॉर्म एक्सपोजर को स्वीकार किया है और आंतरिक रूप से प्रतिक्रिया दी है; उपयोगी अगला खुलासा यह समझाएगा कि कौन से नियंत्रण बदले और बाहरी लोग स्वतंत्र रूप से क्या सत्यापित कर सकते हैं।
[ALLOY]: VentureBeat ने Rob Strechay को अपना पहला Lead Analyst और VentureBeat Research के संस्थापक सदस्य के रूप में किराया पर रखा है। एक मीडिया कंपनी जो मॉडल और इंफ्रास्ट्रक्चर न्यूज़ के बगल में एक एनालिस्ट सीट जोड़ती है, यह क्यों मायने रखता है?
NOVA: क्योंकि एंटरप्राइज़ AI खरीदारों को लॉन्च हेडलाइन के बाद तुलना की ज़रूरत बढ़ती जा रही है। Strechay theCUBE Research और SiliconANGLE से आए हैं, जहाँ उन्होंने मैनेजिंग डायरेक्टर और प्रिंसिपल एनालिस्ट के तौर पर काम किया और एग्ज़ीक्यूटिव इंटरव्यू किए। उन्होंने पहले Enterprise Strategy Group में काम किया और एंटरप्राइज़ इंफ्रास्ट्रक्चर में ऑपरेशनल भूमिकाओं में रहे, जिसमें Amazon Web Services पर एक एनालिटिक्स सर्विस पर काम और Zerto में एक एग्ज़ीक्यूटिव पोजीशन शामिल है। VentureBeat का कहना है कि रिसर्च ग्रुप डायरेक्टर्स, वाइस प्रेसिडेंट्स, चीफ इनफॉर्मेशन ऑफिसर्स और चीफ टेक्नोलॉजी ऑफिसर्स को AI का मूल्यांकन और डिप्लॉयमेंट करने में मदद करेगा। इसके शुरुआती विषयों में मल्टी-वेंडर ऑर्केस्ट्रेशन, एजेंट सिस्टम के अंदर सिक्योरिटी और खराब इंफ्रास्ट्रक्चर यूटिलाइज़ेशन शामिल हैं—महंगी समस्याएं जो तब दिखती हैं जब प्रोटोटाइप प्रोक्योरमेंट, पॉलिसी और प्रोडक्शन ट्रैफिक से मिलते हैं।
[ALLOY]: मैं तब तक अपना फैसला रखूँगा जब तक यह कोई ठोस काम पब्लिश नहीं करता। एंटरप्राइज़ AI के पास पहले से ही सर्वे चार्ट्स के चारों ओर लपेटे हुए बहुत सारे आश्वस्त विशेषण हैं। फिर भी, फोकस समय पर है। कंपनियां फ्रंटियर मॉडल्स, ओपन वेट्स, क्लाउड सर्विसेज, इंटरनल डेटा और स्पेशलाइज़्ड टूल्स को जोड़ रही हैं, जबकि एजेंट सिक्योरिटी आइडेंटिटी, परमीशन्स और टूल एक्सेस पर फैली हुई है। इंफ्रास्ट्रक्चर यूटिलाइज़ेशन तय करता है कि एक एक्सेलरेटर फ्लीट उपयोगी काम पैदा करती है या बस एक प्रभावशाली बिल। Strechay की ऑपरेशनल और एनालिस्ट बैकग्राउंड ग्रुप को एक विश्वसनीय शुरुआती बिंदु देती है। इसका मूल्य इस पर निर्भर करेगा कि यह डिप्लॉयमेंट सबूत को असली खरीद और ऑपरेटिंग फैसलों से जोड़ता है या नहीं, एग्ज़ीक्यूटिव इंटरव्यू को निश्चितता के रूप में पैकेज करने के बजाय।
NOVA: तीन रिपॉजिटरीज तेजी से आगे बढ़ रही हैं। HKUDS स्लैश नैनोबॉट पहली बार चार हज़ार सात सौ इक्कीस स्टार्स के साथ दिखा है। पॉइंट थ्री जुलाई पच्चीस को आया और प्रोजेक्ट अगस्त बीस को अपडेट हुआ। यह एक अल्ट्रा-लाइटवेट, सेल्फ-होस्टेड पायथन एजेंट फ्रेमवर्क है जिसमें वेब इंटरफेस, मेमोरी, टूल्स, MCP कनेक्शन्स, ऑटोमेशन, चैट ऐप्स और मल्टी-एजेंट वर्कफ़्लोज़ हैं। DeusData स्लैश कोडबेस-मेमोरी-MCP तीन हज़ार नौ सौ छियासठ स्टार्स पर पीछे है, तीस दिनों में सात हज़ार नौ सौ अठहत्तर की बढ़त के साथ—पच्चीस दशमलव दो प्रतिशत का जंप। पॉइंट टेन अगस्त उन्नीस को आया। यह कोड को एक सौ अट्ठावन भाषाओं में एक पर्सिस्टेंट नॉलेज ग्राफ में इंडेक्स करता है, जिससे एजेंट बिना बार-बार पूरे रिपॉजिटरीज लोड किए रिलेशनशिप्स को क्वेरी कर सकते हैं।
[ALLOY]: ठीक है, वह पेयरिंग समझ में आती है: नैनोबॉट एक एजेंट एनवायरनमेंट देता है, जबकि कोडबेस-मेमोरी-MCP एजेंट को उस सॉफ्टवेयर की स्ट्रक्चर्ड जानकारी दे सकता है जिसे वह बदल रहा है। PrefectHQ स्लैश फास्टMCP टूल लेयर को पूरा करता है। इसके सत्ताईस हज़ार तीन सौ बारह स्टार्स हैं, तीस दिनों में एक हज़ार अठानवे की बढ़त के साथ, और अगस्त दस को इसका 3.4 रिलीज़ आया। इसका पायथन फ्रेमवर्क MCP सर्वर्स और क्लाइंट बनाने के लिए डिज़ाइन किया गया है, ताकि डेवलपर्स कम प्रोटोकॉल स्कैफोल्डिंग के साथ टूल-यूज़िंग एजेंट्स को क्षमताएं एक्सपोज़ कर सकें। नैनोबॉट के तीनों में सबसे बड़ा ऑडियंस है; कोडबेस-मेमोरी-MCP में सबसे तेज़ ग्रोथ है; फास्टMCP पायथन फंक्शन्स और सर्विसेज को एजेंट टूल्स में बदलने का एक व्यापक रूप से अपनाया गया रास्ता बना हुआ है।
NOVA: मॉडल प्रगति एक नए जेनरल-पर्पस फैमिली के बजाय लॉन्ग-कॉन्टेक्स्ट स्पेशलाइज़ेशन में आई है। Z.ai का GLM 5.3 एक मिलियन अड़तालीस हज़ार पाँच सौ छियानवे टोकन कॉन्टेक्स्ट विंडो के साथ आया और OpenRouter के माध्यम से API एक्सेस है, जो जटिल सॉफ्टवेयर इंजीनियरिंग और लॉन्ग-होराइज़न एजेंट वर्क के लिए लक्षित है। यह एजेंट्स के लिए GLM फैमिली की उस दिशा को आगे बढ़ाता है जो एक लंबे टास्क में बहुत बड़े कोड और वर्किंग कॉन्टेक्स्ट को वहन कर सकें।
[ALLOY]: Qwen slash Qwen Three point Eight, twenty-seven B—जिसे Qwen/Qwen3.8-27B लिखा जाता है—एक खुला स्थानीय मॉडल बनकर भारी ध्यान आकर्षित कर रहा है, Hugging Face पर ग्यारह हज़ार पाँच सौ निन्यानवे लाइक्स और एक करोड़ तीस लाख से अधिक डाउनलोड के साथ। यह छवि और टेक्स्ट इनपुट को टेक्स्ट आउटपुट में संभालता है, बातचीत-उपयोग का समर्थन करता है, और Apache Two लाइसेंस के तहत Safetensors वेट फॉर्मेट में आता है। संगतता टैग में सामान्य Transformers टूलिंग, होस्टेड एंडपॉइंट्स, और Azure डिप्लॉयमेंट शामिल हैं। सत्ताईस अरब पैरामीटर पर, यह हल्के लैपटॉप मॉडलों से ऊपर है लेकिन सबसे बड़े डेटा-सेंटर सिस्टम से नीचे, जो इसे पर्याप्त मेमोरी वाले सक्षम स्थानीय वर्कस्टेशन या सर्वर के लिए संभव बनाता है। विज़ुअल इनपुट, खुले वेट, व्यापक रनटाइम सहायता, और बड़े डाउनलोड गतिविधि का संयोजन इसे निजी दस्तावेज़, स्क्रीनशॉट, और इंटरफ़ेस विश्लेषण के लिए उपयोगी बनाता है जहाँ डेटा स्थानीय नियंत्रण में रहना चाहिए।
NOVA: OpenAI ने ChatGPT for Teens: Built for Learning, Backed by Protections पेश किया है, जिसमें मजबूत अंतर्निहित सुरक्षाएँ, स्वस्थ-उपयोग सुविधाएँ, और अतिरिक्त पेरेंटल नियंत्रण शामिल हैं। IBM Research का How Much Memory Does Your Agent Actually Need दूसरी ज़िम्मेदार सहायता की दिशा पर ध्यान देता है: पर्याप्त इतिहास बनाए रखना ताकि निरंतरता बनी रहे बिना हर पुरानी बातचीत को अगले निर्णय में खींचे।
[ALLOY]: यह कनेक्शन देखने योग्य है। एक प्रोडक्ट यह तय करता है कि सहायक किसकी सेवा करता है, जबकि मेमोरी कार्य पूछता है कि एजेंट को क्या आगे ले जाना चाहिए। GitHub का Enterprise Managed Settings in GitHub Copilot for JetBrains MCP एक्सेस, टेलीमेट्री, प्लगइन, और अनुमति मोड के चारों ओर संगठनात्मक सीमाएँ जोड़ता है। तीनों विकास मिलकर उपयोगकर्ता संबंध, याद रखा गया संदर्भ, और बाहरी उपकरणों को सीमित करते हैं जिन तक एक AI सिस्टम पहुँच सकता है।
NOVA: प्राथमिक स्रोतों, विशिष्टताओं, प्रोजेक्ट संदर्भों, और आपने सुने हर चीज़ के पीछे और विस्तृत जानकारी के लिए, Toby On Fitness Tech dot com पर शो नोट्स देखें।
[ALLOY]: AgentStack Daily सुनने के लिए धन्यवाद।
NOVA: हम जल्द वापस आएँगे।