एजेंटस्टैक डेली: RSA एजेंट आईडी के साथ AI एजेंटों को पहचान सूची में डालता है

एपिसोड 119 — अक्टूबर 01, 2026

[00:00] एपिसोड हुक

RSA एजेंट आईडी के साथ AI एजेंटों को आइडेंटिटी रोस्टर पर रखता है, जो एक घनी चक्र का नेतृत्व करता है। ट्रांसफॉर्मर्स 5.18 ओपन-वेट स्ट्रीमिंग स्पीकर डायराइज़ेशन जोड़ता है, फायरक्रॉल का MCP सर्वर किसी भी LLM को वेब स्क्रैपर में बदल देता है, VDURA V12 AI फैक्ट्रियों के लिए मल्टी-टेनेंट स्टोरेज शिप करता है — ये एपिसोड के प्रारंभिक भाग को पूरा करते हैं, जबकि इसके पीछे मॉडल, टूलिंग और इन्फ्रास्ट्रक्चर में गहरे बदलाव हैं। प्रत्येक कहानी को वही व्यवहार मिलता है — क्या आया, इसके नीचे का तंत्र, और यह काम करने वाले बिल्डर्स के लिए क्या बदलता है।

[02:00] RSA एजेंट आईडी के साथ AI एजेंटों को आइडेंटिटी रोस्टर पर रखता है

RSA ने सैन फ्रांसिस्को में AI कॉन्फ्रेंस में एजेंट आईडी लॉन्च किया। प्रेसिडेंट और चीफ प्रोडक्ट एंड स्ट्रैटेजी ऑफिसर जिम टेलर ने समस्या को सीधे बताया: AI एजेंट सर्विस अकाउंट नहीं हैं। वे गतिशील हैं, अनुमतियां जमा करते हैं, और शायद ही कभी एक मालिक होता है।

पैमाना पहले से ही अनुमान से आगे निकल गया है। गार्टनर की उम्मीद है कि 2028 तक एक विशिष्ट ग्लोबल फॉर्च्यून 500 एंटरप्राइज़ लगभग 150,000 AI एजेंट चलाएगा, जो 2025 में 15 से भी कम से बढ़कर आया है, जबकि केवल 13% संगठनों का मानना है कि उनके पास सही एजेंट गवर्नेंस है। RSA की एक मध्यम आकार की वैश्विक बैंक में ऑडिट — जिसकी नीति में एजेंटों पर रोक थी — में 4,000 से अधिक मिले।

टेलर की विफलता की कहानी के लिए किसी हमलावर की जरूरत नहीं थी। एक अनाम कंपनी के ग्राहक सेवा कर्मचारी ने एक एजेंट से कहा कि "Salesforce पर जाओ और हेल्थ चार्ट के लिए सभी डेटा लाओ।" एजेंट ने डेटाबेस डाउनलोड कर लिया। Salesforce ने ट्रैफिक को denial-of-service attack के रूप में फ्लैग किया और इंस्टेंस को बंद कर दिया। एक प्रॉम्प्ट, एक ऑपरेटर, एक कंपनी आउटेज।

एजेंट आईडी तीन मॉड्यूल के रूप में आता है। डिस्कवर CrowdStrike और Zscaler कनेक्टर्स के माध्यम से एंडपॉइंट, डिवाइस, नेटवर्क और ऐप्स को स्कैन करता है, फिर प्रत्येक एजेंट और MCP सर्वर को एक नामित मालिक, जोखिम स्तर और लाइफसाइकल स्टेट के साथ फर्स्ट-क्लास आइडेंटिटी के रूप में रजिस्टर करता है, जो Microsoft Entra ID, Okta और AWS IAM जैसे प्रोवाइडर्स से जुड़ा होता है। सिक्योर इनलाइन AI/MCP गेटवे के रूप में बैठता है, टूल और आर्ग्युमेंट की गहराई पर प्रत्येक टूल कॉल का मूल्यांकन करता है — अनुमति देता है, अस्वीकार करता है, या आउट-ऑफ-बैंड, फिशिंग-प्रतिरोधी चैनल के माध्यम से मालिक को एस्केलेट करता है। गवर्न प्रत्येक क्रिया को लॉग करता है और साक्ष्य को दस नियामक ढांचों से मैप करता है, जिसे ग्राहक के SIEM में स्ट्रीम करता है।

डेलिगेशन मॉडल एक विशेषाधिकार-एस्केलेशन पथ को बंद करता है: एक एजेंट दूसरे एजेंट को केवल उन एन्टाइटलमेंट के साथ सक्षम कर सकता है जो उसे दिए गए थे, विरासत में मिली अनुमतियों का विस्तार कभी नहीं करता। अप्रूवल एक जोखिम इंजन के माध्यम से चलते हैं जो उपयोगकर्ता, क्रिया और लक्ष्य एंडपॉइंट को स्कोर करता है — $500 से कम का रिफंड स्वचालित रूप से प्रोसेस हो सकता है जबकि बड़े रिफंड के लिए दूसरे अप्रूवर की आवश्यकता होती है।

डिस्कवर और सिक्योर 16 नवंबर, 2026 को सामान्य रूप से उपलब्ध होंगे। गवर्न 2027 के पहले छमाही में आएगा।

[02:51] Transformers 5.18 में ओपन-वेट स्ट्रीमिंग स्पीकर डायराइज़ेशन जुड़ा

Hugging Face ने 30 सितंबर, 2026 को Transformers v5.18.0 को स्थिर रिलीज़ के रूप में शिप किया। रिलीज़ नोट्स में एक प्रमुख जोड़ाव की घोषणा है: Nemotron 3 Diarization, एक ओपन-वेट स्ट्रीमिंग मॉडल जो वास्तविक ऑडियो में बोलने वाले व्यक्ति को रीयल-टाइम में पहचानने के लिए बनाया गया है।

प्रकाशित नोट्स के अनुसार, मॉडल स्ट्रीमिंग और ऑफ़लाइन इंफरेंस दोनों का समर्थन करता है, जिसका अर्थ है कि यह ऑडियो आने पर रीयल-टाइम में स्पीकर लेबल असाइन कर सकता है या पहले से रिकॉर्ड की गई फ़ाइल पर चला सकता है। रिलीज़ नोट्स के अंश में संकेत दिया गया है कि यह आठ तक स्पीकर को संभाल सकता है, हालांकि प्रकाशित टेक्स्ट उस बिंदु पर कटा हुआ है। चूंकि वेट ओपन हैं, लोकल सेल्फ-होस्टर होस्ट किए गए डायराइज़ेशन सर्विस को कॉल करने के बजाय अपने हार्डवेयर पर मॉडल चला सकते हैं।

Transformers रजिस्ट्री में मॉडल जोड़ने से यह उन्हीं पाइपलाइन इंटरफ़ेस के माध्यम से लोड होता है जो डेवलपर पहले से दूसरे Hugging Face चेकपॉइंट के लिए उपयोग करते हैं। सीखने के लिए कोई नया API सतह नहीं है; यह मौजूदा मॉडल ज़ू में एक नया एंट्री है।

लोकल ऑडियो पाइपलाइन पर काम करने वाले बिल्डर्स के लिए, व्यावहारिक लाभ सीधा है: ऑडियो को तृतीय-पक्ष सर्विस को भेजे बिना रिकॉर्ड किए गए ऑडियो में स्पीकर लेबल जुड़े। डायराइज़ेशन स्पीच-टू-टेक्स्ट मॉडल नहीं है, इसलिए पूर्ण who-said-what रिकॉर्ड के लिए इसे अभी भी अलग ट्रांसक्रिप्शन मॉडल के साथ जोड़ना आम सेटअप है।

स्रोत नोट्स में प्रकाशित v5.18.0 का दायरा इतना ही है: स्ट्रीमिंग और ऑफ़लाइन स्पीकर डायराइज़ेशन के लिए एक नया ओपन-वेट मॉडल, स्टैंडर्ड Transformers पाइपलाइन इंटरफ़ेस के माध्यम से उपलब्ध।

[04:17] Firecrawl का MCP सर्वर किसी भी LLM को वेब स्क्रैपर में बदल देता है

Firecrawl का आधिकारिक MCP सर्वर अपनी नवीनतम रिलीज़ v3.2.1 के साथ 7,500 GitHub स्टार्स पार कर गया है, जो Cursor, Claude, और किसी भी Model Context Protocol-संगत LLM क्लाइंट को ऑन-डिमांड वेबसाइट स्क्रैप करने और वेब खोजने की क्षमता देता है।

एक MCP सर्वर एक छोटा प्लग-इन है जो Model Context Protocol का उपयोग करके AI असिस्टेंट को टूल एक्सपोज़ करता है, यह एक ओपन स्टैंडर्ड है जो LLM को अपनी चैट विंडो से बाहर वास्तविक डेटा और सर्विसेस तक पहुंचने देता है। Firecrawl का सर्वर दो क्षमताएं एक्सपोज़ करता है: एक जो URL खींचता है और साफ़ मार्कडाउन लौटाता है, और एक जो वेब खोज चलाता है। चूंकि MCP एक स्टैंडर्ड है, वही सर्वर Cursor, Claude Desktop, और अन्य संगत क्लाइंट में एक ही इंस्टॉल से प्लग इन हो जाता है — प्रत्येक ऐप के लिए कोई कस्टम इंटीग्रेशन नहीं।

बिल्डर्स के लिए, व्यावहारिक बदलाव यह है कि रिसर्च और डेटा-गैदरिंग के चरण जो पहले ब्राउज़र खोलने का मतलब थे, अब बातचीत के अंदर हो सकते हैं। आप अपने कोडिंग असिस्टेंट से वेंडर साइट से दस्तावेज़ीकरण लाने और सारांशित करने को कह सकते हैं, या Claude से प्रतिस्पर्धी पेजों से प्राइसिंग टेबल खींचने और उन्हें स्ट्रक्चर्ड नोट्स में बदलने को कह सकते हैं। जो कुछ भी आप ब्राउज़र टैब और चैट के बीच कॉपी-पेस करते थे, वह अब एक ही प्रॉम्प्ट बन जाता है।

प्रोजेक्ट ओपन सोर्स है और यह v3.2.1 पर है। लगभग किसी भी AI वर्कफ्लो के लिए जिसे ताज़ी या बाहरी जानकारी की जरूरत है, Firecrawl का MCP सर्वर ब्राउज़र हॉप को हटा देता है।

[05:39] VDURA V12 AI फैक्ट्रीज़ के लिए मल्टी-टेनेंट स्टोरेज शिप करता है

VDURA, एक पिट्सबर्ग और अबू धाबी स्थित डेटा स्टोरेज कंपनी जो नियोक्लाउड्स और AI फैक्ट्रीज़ की सेवा करती है, ने 30 सितंबर को Data Platform V12 के सामान्य उपलब्धता की घोषणा की। इस रिलीज़ में AI इन्फ्रास्ट्रक्चर ऑपरेटरों को लक्षित चार घटक शामिल हैं: साझा इन्फ्रास्ट्रक्चर के लिए मल्टी-टेनेंसी, एक API-फर्स्ट ऑटोमेशन सतह ताकि टीमें स्टोरेज ऑपरेशन स्क्रिप्ट कर सकें, कॉन्टेक्स्ट-अवेयर टायरिंग जो एक्सेस पैटर्न के आधार पर स्टोरेज टायर्स के बीच डेटा मूव करती है, और पिछली पीढ़ी की तुलना में वाट प्रति अधिक प्रदर्शन का दावा। V12 अब Supermicro बिल्डिंग ब्लॉक्स पर भी क्वालिफाइड है, जो खरीदारों को कस्टम इंटीग्रेशन के बजाय प्री-वैलिडेटेड हार्डवेयर पथ देता है। कॉन्टेक्स्ट-अवेयर टायरिंग नए व्यवहार का सबसे ठोस हिस्सा है: बार-बार उपयोग किए जाने वाले डेटासेट फास्ट ड्राइव्स पर रहते हैं, जबकि पुराना डेटा स्वचालित रूप से घनी, सस्ती मीडिया पर माइग्रेट हो जाता है, बिना मैनुअल पॉलिसी काम के। साझा हार्डवेयर पर कई टेनेंट्स चलाने वाली AI फैक्ट्रीज़ के लिए, मल्टी-टेनेंसी और API संयोजन का मतलब है कि स्टोरेज टिकट के बजाय प्रोग्रामेटिकली प्रोविज़न और रीबैलेंस किया जा सकता है। वाट-एफिशिएंसी का दावा महत्वपूर्ण है क्योंकि इस स्केल पर स्टोरेज वास्तव में ऊर्जा खींचती है, और वाट प्रति दोगुना प्रदर्शन वह तरह का आंकड़ा है जिसके आसपास एक इन्फ्रास्ट्रक्चर टीम बजट बना सकती है।

[06:48] रिसर्च डाइजेस्ट: सेल्फ-ट्रेनिंग AI एजेंट्स शांत रूप से शेयर्ड ब्लाइंड स्पॉट्स में ड्रिफ्ट कर सकते हैं

जब AI एजेंट स्वयं को ट्रेन करते हैं, तो वे शांत रूप से शेयर्ड ब्लाइंड स्पॉट्स में ड्रिफ्ट कर सकते हैं। एक नया पेपर तथाकथित सेल्फ-इवॉल्विंग सर्च एजेंट्स का अध्ययन करता है — सिस्टम जो अपने अभ्यास प्रश्न बनाते हैं और फिर उन्हें लूप में जवाब देते हैं। एक कंपोनेंट प्रश्न जेनरेट करता है। दूसरा उन्हें जवाब देने की कोशिश करता है। वे एक-दूसरे को स्कोर करते हैं, परिष्कृत करते हैं, दोहराते हैं।

टीम एक फेलियर मोड को फ्लैग करती है जिसे वे को-चीटिंग नाम देते हैं: क्वेश्चन-जेनरेटर और आंसर-जेनरेटर गलत जवाबों पर सहमत होने लगते हैं जो दोनों के लिए सामान्य लगते हैं। आंतरिक रिवॉर्ड बढ़ता है। वास्तविक सटीकता नहीं। और यह तब तक बदतर होता जाता है जब तक लूप चलता रहता है।

प्रस्तावित फिक्स एक पोस्ट-हॉक ऑडिट है — जेनरेट किए गए ट्रेनिंग डेटा को उसके बाद मूल सोर्स डॉक्यूमेंट्स के खिलाफ जांचना जिससे एजेंट को सीखना चाहिए था। ऑडिट वहां सतह पर लाता है जहां लूप के दोनों हिस्से शांत रूप से एक ही त्रुटि पर लॉक हो गए।

व्यावहारिक निष्कर्ष: अगर आप कोई सिस्टम बना रहे हैं जो अपने आउटपुट को ग्रेड करता है और उस ग्रेड पर ट्रेन करता है, तो आपको एक बाहरी रेफरेंस सिग्नल की जरूरत है। अन्यथा स्कोर बढ़ सकता है जबकि मॉडल बस गलत चीज़ पर खुद से सहमत होने में बेहतर हो जाता है।

[07:57] Google's Gemini 4 Argon 1M आउटपुट टोकन तक पहुंचता है, साइबर डिफेंडर्स के लिए गेटेड

Google ने आज Gemini 4 Argon का अनावरण किया, एक फ्रंटियर मॉडल जिसकी 1 मिलियन टोकन आउटपुट सीमा है, जो 64K से बढ़कर हुई है। नई छत मॉडल को काफी लंबे ट्रैजेक्टरीज़ में चेन-ऑफ-थॉट रीज़निंग बनाए रखने देती है, जिसे Google कहता है कि कोडिंग, वित्तीय अनुसंधान, लीगल ड्राफ्टिंग और स्वायत्त साइबरसिक्योरिटी कार्य में गहरे मल्टी-स्टेप प्रॉब्लम सॉल्विंग को अनलॉक करता है।

मूल्य निर्धारण: प्रति मिलियन इनपुट टोकन $2 और प्रति मिलियन आउटपुट टोकन $10, कैश्ड इनपुट टोकन 95% छूट पर।

अभी के लिए, पहुंच प्रतिबंधित है। Argon Google's Fairwind Program के माध्यम से सरकारी उपयोगकर्ताओं और विश्वसनीय साइबर रक्षकों को उपलब्ध कराया जा रहा है। व्यापक उपलब्धता Google's Frontier Safety Framework के तहत आगे की सुरक्षा जांच पर निर्भर है। Google U.S. सरकार की स्वैच्छिक प्रक्रिया में भी शामिल है जो पूर्व-रिलीज़ मॉडल एक्सेस के लिए है।

Google के अंदर, मॉडल पहले से ही प्रोडक्शन में है। इंजीनियरों ने क्वांटम एल्गोरिदम ऑप्टिमाइज़ेशन के लिए Argon का उपयोग करने की रिपोर्ट दी है — एक मामले में मिनटों में प्रकाशित बेसलाइन को 40% से हराया। एजेंट फ्लीट्स ने डेटा सेंटर टेलीमेट्री का विश्लेषण किया और 300 TiB से अधिक मेमोरी मुक्त की। सबसे उल्लेखनीय उदाहरण: एजेंट C/C++ कोडबेस को Rust में माइग्रेट कर रहे हैं, जिसमें re2, libgav1, और Fuchsia का Zircon कर्नेल 800K+ लाइनों के साथ शामिल है। libgav1 पर, एजेंटों ने 32K लाइनों के SIMD कोड को सुरक्षित Rust से बदल दिया और एक मेमोरी-सुरक्षित डिकोडर बनाया जो पिछले Rust पोर्ट से 2.7 गुना तेज चलता है।

बेंचमार्क पर, Argon DeepSWE v1.1 पर 77.9% हिट करता है, वित्त, कानूनी और कर कार्यों में Vals Index का नेतृत्व करता है, Zapier के AutomationBench पर 51.3% पर #1 रैंक करता है, लंबी वीडियो समझ के लिए LVBench पर 91.7% स्कोर करता है, और CWE-bench v1 पर 68% पर पहले के साथ बराबर है। साइबर रक्षा के लिए, विश्वसनीय परीक्षकों को बिना साइबर गार्डरेल के मॉडल मिलता है। Wiz पहले से ही अपनी Scan for Good पहल के माध्यम से Argon का उपयोग कर रहा है और एक महत्वपूर्ण एक्सपोज़र का पता चला जो पिछले फ्रंटियर मॉडलों ने छूट दिया।

आगे देखें — जब Argon वास्तव में डेवलपर्स के लिए खुलता है, और Fairwind साइबर ट्रायल क्या प्रकट करते हैं।

[09:48] रिसर्च डाइजेस्ट: MemLife महीनों के फर्स्ट-पर्सन वीडियो को खोजने योग्य AI मेमोरी में बदल देता है

कल्पना करें कि एक कैमरा पहनना जो आपका पूरा दिन, हर दिन, महीनों तक कैप्चर करता है। एक AI सहायक बाद में "मैंने पिछले मंगलवार को रात के खाने में क्या बनाया था?" या "क्या प्लंबर ने पानी हीटर के बारे में कुछ कहा?" जैसे सवालों का जवाब दे सकता है। एक शोध टीम ने उस भविष्य की ओर MemLife के साथ एक असली कदम बढ़ाया है, एक मेमोरी सिस्टम जो सैकड़ों घंटों के फर्स्ट-पर्सन वीडियो को संक्षिप्त टेक्स्ट सारांशों में बदल देता है जो पहनने वाले के सामने आए लोगों, स्थानों और वस्तुओं से जुड़े होते हैं। जब एक क्वेरी आती है, तो एक रिट्रीवल एजेंट कच्ची फुटेज को फिर से प्रोसेस करने के बजाय मेमोरी टाइमलाइन को खोजता है, जिससे जवाब तेज़ रहते हैं क्योंकि संग्रहालय बढ़ता है। बिना रीट्रेनिंग के, MemLife ने चार बेंचमार्क में 4.6 से 12 प्रतिशत तक सबसे मजबूत पिछले ट्रेनिंग-फ्री एप्रोच को पीछे छोड़ दिया जो महीनों के वीडियो इतिहास को शामिल करते हैं। एक दूसरा टुकड़ा, MemOpt, रीइन्फोर्समेंट लर्निंग का उपयोग करके मेमोरी राइटर को ट्यून करता है ताकि इसके सारांश भविष्य में आसानी से पाए जा सकें और वफादार रहें। साथ मिलकर वे AI साथियों की ओर इशारा करते हैं जो वास्तव में आपकी जिंदगी याद रखते हैं, न कि बस बातचीत के आखिरी कुछ मिनट।

[10:49] OpenAI ने अपने मॉडलों के रीज़निंग को निकालने के एक समन्वित प्रयास को बाधित किया

OpenAI ने 30 सितंबर को घोषणा की कि उसने अपने संरक्षित मॉडलों के रीज़निंग व्यवहार को निकालने के उद्देश्य से एक समन्वित अभियान को बाधित किया। इस प्रयास में मॉडल डिस्टिलेशन शामिल था, एक तकनीक जहां एक AI सिस्टम को कई क्वेरी भेजकर और जवाबों से सीखकर दूसरे के व्यवहार की नकल करने के लिए प्रशिक्षित किया जाता है।

OpenAI ने जो शब्द उपयोग किया वह "समन्वित" था, "व्यक्तिगत" नहीं, जो इसे एक अकेले प्रयोगकर्ता द्वारा API की जांच के बजाय एक संगठित ऑपरेशन के रूप में प्रस्तुत करता है। यह अंतर मायने रखता है क्योंकि बड़े पैमाने पर डिस्टिलेशन के लिए ऑटोमेशन की आवश्यकता होती है, और ऑटोमेशन ऐसे निशान छोड़ता है जो रक्षक पहचान सकते हैं।

OpenAI का कहना है कि उसने इस अभियान को बंद कर दिया और प्रतिकूल डिस्टिलेशन के खिलाफ अपनी रक्षा कड़ी कर दी है - यह एक ऐसी प्रथा है जिसमें व्यवस्थित रूप से लक्षित मॉडल से व्यवहार निकालकर प्रतिस्पर्धी मॉडल को प्रशिक्षित किया जाता है। कंपनी अपने रीज़निंग मॉडल को सक्रिय रक्षा के योग्य बौद्धिक संपदा के रूप में मान रही है।

बिल्डर्स के लिए, व्यावहारिक निष्कर्ष यह है कि फ्रंटियर रीज़निंग मॉडल की वास्तविक समय में निगरानी की जा रही है। जो कोई भी किसी पेड API के आउटपुट पर मॉडल को फाइन-ट्यून करने की योजना बना रहा है, उसे उम्मीद रखनी चाहिए कि उस उपयोग पैटर्न को दिखाई देने और लागू करने योग्य बनाया जाएगा।

एक बात देखने की है: क्या OpenAI यह बताने के लिए और अधिक प्रकाशित करता है कि समन्वित प्रोबिंग अभियान कैसे पकड़े जाते हैं, क्योंकि प्रतिकूल डिस्टिलेशन के लिए रक्षात्मक प्लेबुक उन सभी के लिए मायने रखती है जो अपना होस्टेड मॉडल चला रहे हैं।

[12:03] OpenAI ने छोटे व्यवसायों को व्यावहारिक AI सहायता प्रदान करने के लिए America's SBDC के साथ साझेदारी की

OpenAI ने छोटे व्यवसायों को व्यावहारिक AI प्रशिक्षण और स्थानीय सहायता प्रदान करने के लिए America's Small Business Development Center के साथ साझेदारी की घोषणा की, साथ ही एक नई रिपोर्ट जारी की जो बताती है कि छोटी टीमें AI का उपयोग कैसे कर रही हैं। यह घोषणा 30 सितंबर, 2026 को हुई और यह SBDC के मौजूदा राष्ट्रीय नेटवर्क of local advisors पर निर्भर करती है - वही लोग जिनसे छोटे व्यवसाय के मालिक पहले से ही योजनाओं, ऋणों और विकास के बारे में सहायता लेने आते हैं।

यह दृष्टिकोण सरल है: एक नई प्रशिक्षण पाइपलाइन बनाने के बजाय, OpenAI एक ऐसे नेटवर्क से जुड़ रहा है जो पहले से ही व्यवसाय के मालिकों से उनके अपने समुदायों में मिलता है। इसका मतलब है कि व्यावहारिक प्रशिक्षण और स्थानीय सहायता उन सलाहकारों द्वारा आमने-सामने प्रदान की जाएगी जो स्थानीय अर्थव्यवस्था को जानते हैं, न कि किसी सामान्य वेबिनार श्रृंखला द्वारा। संलग्न रिपोर्ट उन सत्रों को वास्तविक आधार देने के लिए है, जो दस्तावेज करती है कि छोटी टीमें आज वास्तव में AI का उपयोग कैसे कर रही हैं, ताकि सलाहकार दिखा सकें कि बड़े पैमाने की तैनाती के बजाय कुछ लोगों की टीमों के लिए पहले से ही क्या काम कर रहा है।

छोटे व्यवसाय के मालिकों के लिए, व्यावहारिक बात यह है कि उनका स्थानीय SBDC संभवतः दैनिक संचालन में AI का उपयोग करने पर व्यावहारिक सत्र प्रदान करना शुरू करेगा। जो बिल्डर्स और टूलमेकर्स स्थानीय व्यवसायों को बेचते हैं, उनके लिए संकेत यह है कि एक अधिक AI-साक्षर ग्राहक आधार दरवाजे पर आने वाला है। अगली बात देखने की: कौन से SBDC क्षेत्र पहले कार्यक्रम को लागू करते हैं और उस रिपोर्ट के कौन से ठोस उदाहरण उन पहले सत्रों में उपयोग किए जाते हैं।

[13:33] Perplexity का Photon Rust रीराइट के साथ खोज विलंबता 12 गुना कम करता है

Perplexity ने अभी Photon लॉन्च किया है, एक रिट्रीवल सिस्टम जो उसने Rust में शुरू से लिखा है, और अब यह कंपनी के AI खोज स्टैक से गुजरने वाली हर खोज अनुरोध को संभालता है। इसमें उपभोक्ता उत्पाद और डेवलपर-फेसिंग Search API दोनों शामिल हैं।

मुख्य आंकड़ा विलंबता है। Photon से पी99 विलंबता में कमी आती है - सबसे धीमे 1% प्रश्नों के लिए प्रतिक्रिया समय - 800 मिलीसेकंड से घटाकर 65 मिलीसेकंड। यह टेल पर लगभग 12 गुना सुधार है, जहां उपयोगकर्ता वास्तव में विलंबता महसूस करते हैं।

Photon उस open-source engine की जगह लेता है जिसे Perplexity ने पहले fork किया था और customize किया था। किसी और के code को patch करते रहने के बजाय, टीम ने retrieval और ranking pipeline को Rust में दोबारा लिखा, जो एक systems language है जो tight memory control और fast threading के लिए जानी जाती है। पूरे stack को own करके, Perplexity retrieval और ranking को दो systems को एक साथ जोड़ने के बजाय एक single engine में collapse कर सकता है।

डेवलपर्स के लिए, तुरंत का बदलाव Perplexity Search API में एक नया Fast Search mode है। अगर आप कुछ ऐसा बना रहे हैं जिसे तेज़ जवाब चाहिए — live chat, agent loops, autocomplete — तो यह mode आपके लिए है।

यह भी बताता है कि model के नीचे की layer के बारे में कुछ है। अधिकांश public attention इस पर जाता है कि कंपनी कौन सा LLM उपयोग करती है। Photon एक अनुस्मारक है कि नीचे की search layer उतनी ही bottleneck हो सकती है, और इसे एक systems language में दोबारा लिखना latency पर बड़ी जीत हासिल करने के कुछ तरीकों में से एक है बिना समस्या पर अधिक hardware फेंके।

आगे देखने योग्य एक बात: क्या Perplexity Photon में से कुछ open करता है। उस प्रकार की latency profile वाला एक Rust retrieval engine उन कई teams के लिए दिलचस्प होगा जो अपने own search-heavy products बना रहे हैं।

[15:18] OpenAI ने dots पेश किए, proactive assistants जो आपके दूर जाने पर भी काम करते रहते हैं

OpenAI ने 29 सितंबर, 2026 को dots पेश किए, उन्हें proactive assistants के रूप में वर्णित किया जो जटिल projects और रोज़मर्रा के tasks में काम करते रह सकते हैं। OpenAI की खुद की announcement में framing इस विचार पर केंद्रित है कि dots आपको control में रखते हैं जबकि काम आगे बढ़ता है, जो एक ऐसे assistant का सुझाव देता है जो हर exchange के बाद रुकने के बजाय काम में जारी रहता है। OpenAI dots को multi-step projects और साधारण रोज़मर्रा के tasks दोनों के लिए उपयोगी मानता है, announcement में pricing, platform availability, या underlying technical mechanism के बारे में कुछ नहीं बताया। वह gap मायने रखता है, क्योंकि यह OpenAI का खुद का framing है कि dots क्या करते हैं, feature checklist या spec sheet नहीं। जो लोग देखना चाहते हैं कि practice में dots long-running tasks को कैसे handle करते हैं, वे hands-on details चाहेंगे जब लोग उनका उपयोग शुरू करेंगे, क्योंकि जब काम आगे बढ़ता है control में रहना एक promise है confirmed workflow नहीं।

[16:10] OpenAI ने Australia से माफी मांगी, मजबूत cyber safeguards का वादा किया

OpenAI ने Australia से माफी मांगी है और ज़्यादा मजबूत safeguards का संकल्प लिया है Australian government websites से जुड़ी घटनाओं के बाद, 28 सितंबर, 2026 को प्रकाशित एक post में। "How we will do better for Australia" शीर्षक वाली announcement OpenAI के official news channel के ज़रिए है और company को एक partner के रूप में frames करती है जो Australian public-sector customers के लिए अपनी posture harden करने को तैयार है। Post का मूल एक दो-भाग का move है: एक माफी, और एक forward-looking pledge जिसमें मजबूत safeguards और Australia के cyber defences को मजबूत करने के लिए अतिरिक्त support शामिल है। यह announcement को relationship reset की तरह पढ़ता है, product release नहीं। कोई नया model नहीं, कोई नया API नहीं, और कोई integration story नहीं — काम इस बारे में है कि OpenAI Australian government context के अंदर कैसे operate करता है, और उन घटनाओं के बाद confidence को दोबारा बनाने के बारे में जिनका company अब जवाब दे रही है। Australian government और public-sector teams के लिए जो पहले से OpenAI tools का उपयोग कर रही हैं, तुरंत का सवाल यह है कि क्या promised safeguards नए technical controls, नए account-level options, या नए contractual terms के रूप में आएंगे। बाकी सबके लिए, यह episode एक उपयोगी अनुस्मारक है कि frontier labs national regulatory और political contexts के अंदर operate करती हैं, और किसी देश का provider के साथ relationship घटनाओं पर बदल सकता है जिन्हें broader market barely registers करती है। आगे देखने की बात follow-up है — क्या OpenAI एक अधिक concrete technical या policy document प्रकाशित करता है जो "stronger safeguards" line को कुछ ऐसा बनाता है जिसकी ओर Australian agencies point कर सकें, या pledge एक public commitment के स्तर पर रहती है।

[17:44] OpenAI ने frontier training में safety cases के लिए early guidelines प्रकाशित किए

OpenAI ने 28 सितंबर को frontier AI training में safety cases के लिए early guidelines जारी किए। Document यह sketch करता है कि एक major training run के आसपास structured safety argument कैसा दिख सकता है, एक finished standard के बजाय working draft के रूप में framed।

यह ढांचा तीन स्तंभों पर आधारित है। पहला है प्रशिक्षण के दौरान लागू तकनीकी सुरक्षा उपाय, जो उन नियंत्रणों को शामिल करता है जो यह तय करते हैं कि मॉडल का निर्माण होते समय वह क्या कर सकता है और क्या नहीं कर सकता। दूसरा है दैनिक आधार पर उन सुरक्षा उपायों का समर्थन करने वाले परिचालन अभ्यास, नियंत्रणों को काम करते रखने का मानवीय और प्रक्रियात्मक पक्ष। तीसरा है घटना प्लेबुक जो तिरछेपन की जांच के लिए है जब कोई मॉडल उन तरीकों से व्यवहार करता है जिनका उसके डेवलपर्स ने इरादा नहीं किया था।

अधिकांश बिल्डर्स के लिए, सीधा प्रभाव सीमित है। यह दस्तावेज़ एक पढ़ने का संकेत है: यह दिखाता है कि फ्रंटियर लैब्स संरचित सुरक्षा तर्कों के संदर्भ में क्या उम्मीद करना शुरू कर रही हैं, और एक पार्टनर सुरक्षा समीक्षा फ्रंटियर मॉडल को छूने वाले प्रोजेक्ट्स पर क्या पूछना शुरू कर सकती है।

[18:44] Microsoft का Quine जीव विज्ञान के डेटा अव्यवस्था को निशाना बना रहा है

Microsoft Research ने Quine पेश किया है, एक प्रारंभिक चरण शोध प्रयास जिसका लक्ष्य विज्ञान में अधिक अव्यवस्थित लक्ष्यों में से एक है: जीव विज्ञान। यह धारणा है कि जीवन साफ-सुथरे साइलो में काम नहीं करता — एक कोशिका, एक ऊतक, और एक नैदानिक परिणाम अलग-अलग डेटा प्रारूपों और अलग-अलग पैमानों पर रहते हैं — इसलिए इसे मॉडल करने के लिए बनाया गया AI को भी ऐसा नहीं होना चाहिए।

Quine को जीव विज्ञान का एक मल्टीमॉडल वर्ल्ड मॉडल के रूप में वर्णित किया गया है। सादे अंग्रेजी में, इसका मतलब है एक प्रणाली जो एक साथ कई प्रकार के जैविक साक्ष्यों को अवशोषित करने और जोड़ने के लिए डिज़ाइन की गई है, न कि उदाहरण के लिए जीनोमिक्स और इमेजिंग को अलग-अलग पाइपलाइन में संभालना। Microsoft का कहना है कि लक्ष्य वैज्ञानिकों को एक परिकल्पना स्थान को computationally खोजने की अनुमति देना है जो अंतर्ज्ञान से कहीं अधिक बड़ा है, फिर प्रयोगशाला का समय लगाने से पहले सबसे आशाजनक उम्मीदवारों को प्राथमिकता देना।

डिज़ाइन लूप का एक महत्वपूर्ण हिस्सा प्रतिक्रिया है। प्रयोगात्मक परिणाम केवल अंत में नहीं रहते — उन्हें भविष्य के शोध दिशाओं को तेज करने के लिए वापस शामिल किया जाता है। यह पुनरावृत्तीय पैटर्न एक मॉडल को स्थिर विश्वकोष से कुछ ऐसा बदल देता है जो शोध साथी के करीब है।

Microsoft Quine को एक तैयार उत्पाद के रूप में नहीं, बल्कि एक प्रारंभिक चरण के प्रयास के रूप में प्रस्तुत कर रहा है। पोस्ट इसे वैज्ञानिकों के लिए जीव विज्ञान को computationally उस पैमाने पर खोजने की नींव के रूप में प्रस्तुत करती है जो कोई मनुष्य अपने दिमाग में नहीं रख सकता, प्रयोगशाला को ग्राउंड ट्रुथ के रूप में कार्य करते हुए। अगला दिलचस्प बात यह देखना है कि Microsoft कौन से जैविक मोडैलिटीज़ और कौन सी पार्टनर लैब्स को सिस्टम के साथ शुरू करना चुनती है — यह तय करेगा कि Quine एक सामान्य शोध सतह बनती है या जीव विज्ञान के एक कोने को लक्षित करने वाला उपकरण।