MiniMax M3.1 Flash का लक्ष्य है तेज़ और सस्ते AI एजेंट

एपिसोड 124 — 21 अक्टूबर, 2026

[00:00] एपिसोड का सारांश

MiniMax ने आधिकारिक रूप से M3.1 Flash लॉन्च किया है। यह एक ऐसा मॉडल है जिसे बहु-चरणीय कार्यों और टूल उपयोग से जुड़े एजेंटिक कार्यों के लिए डिज़ाइन किया गया है, जिसके अतिरिक्त इसके उपयोग कोडिंग, कंप्यूटर संचालन और साइबरसिक्योरिटी में भी किया जा सकता है। Google, Red Hat और IBM ने llm-d 1.0 भी जारी किया है। यह एक ओपन-सोर्स, Kubernetes-नेटिव स्टैक है, जो TPU और GPU केacross वितरित बड़े भाषा मॉडल इन्फ़रेंस के लिए बनाया गया है; इस रिलीज़ में बड़े AI डिप्लॉयमेंट के लिए मल्टी-टेनेंट फ्लो कंट्रोल और कैश-अवेयर रूटिंग जोड़ी गई है। SGLang ने अपने सर्विंग इकोसिस्टम को Clef, Clef Flash, PPLX-Decider v1 और v1.1 तथा EmbeddingGemma 2 के समर्थन के साथ विस्तारित किया है, साथ ही हर मॉडल के लिए कुकबुक उदाहरण भी दिए हैं। Microsoft ने Sentiment-Analysis-7B के लिए मॉडल कार्ड प्रकाशित किया है। यह 7B-पैरामीटर वाला लैंग्वेज मॉडल सेवाओं, उत्पादों या एजेंट्स को दिए गए उपयोगकर्ता संदेशों को Negative, Neutral या Positive के रूप में वर्गीकृत करता है। Mistral ने Timestral पेश किया है, जो इसका पहला प्रीट्रेन टाइम-सीरीज़ मॉडल परिवार है। यह सेंसर रीडिंग, मांग, अस्थिरता और अन्य अनुक्रमिक डेटा की पूर्वानुमान की क्षमता CPU-ओनली वर्कलोड तक बढ़ाता है।

[02:00] MiniMax M3.1 Flash तेज़ और सस्ते एजेंट्स के लिए लक्षित

MiniMax ने M3.1 Flash को एजेंटिक कार्यों, कोडिंग, कंप्यूटर संचालन और साइबरसिक्योरिटी के लिए अगली पीढ़ी का मॉडल बनाते हुए आधिकारिक रूप से लॉन्च किया है। MiniMax का कहना है कि ऑनलाइन इन्फ़रेंस लगभग तीन गुना तेज़ है और एजेंटिक कार्यों के लिए उपयोग की लागत पिछले संस्करण से 70% कम है। कंपनी के अनुसार, यह मॉडल बिक्री, मार्केटिंग, संचालन, ग्राहक सेवा, वित्त और HR में एंड-टू-एंड SaaS वर्कफ़्लो पूरे कर सकता है। यह मॉडल कोड स्वतंत्र रूप से समझ सकता है, नई सुविधाएँ विकसित कर सकता है, समस्याओं को ठीक कर सकता है, टेस्टिंग के ज़रिए अपने काम को सत्यापित कर सकता है और लंबे कार्य-क्रमों में टूल्स का उपयोग कर सकता है। कंप्यूटर संचालन के मामले में, यह OSWorld V2 पर 61.7 अंक और Agents’ Last Exam पर 29.6 अंक दर्ज करता है, जो पेशेवर कार्य और जटिल कार्यों के लिए एक बेंचमार्क है। MiniMax का कहना है कि दक्षता में हुई कुछ बढ़त अधिक सक्रिय स्पार्सिटी के कारण है, जो सक्रिय कंप्यूटेशन को कम करती है। रोज़मर्रा के उपयोग में, इसकी आउटपुट गति 200 टोकन प्रति सेकंड से अधिक और मध्यम गति 170 टोकन प्रति सेकंड से अधिक रहती है। सामान्य मूल्य निर्धारण प्रति मिलियन इनपुट टोकन के लिए $0.15, प्रति मिलियन आउटपुट टोकन के लिए $0.60 और प्रति मिलियन कैश किए गए इनपुट टोकन के लिए $0.015 है। M3.1 Flash, MiniMax API, M Plan और MiniMax Code के ज़रिए उपलब्ध है। MiniMax का कहना है कि मॉडल वेट्स बाद में जारी किए जाएंगे।

[02:23] llm-d 1.0 AI फ़्लीट के लिए कैश-अवेयर रूटिंग जोड़ता है

Google, Red Hat और IBM ने llm-d 1.0 जारी किया है। यह Kubernetes के आसपास बना एक ओपन-सोर्स स्टैक है, जो TPU और GPU केacross बड़े भाषा मॉडल इन्फ़रेंस को वितरित करने के लिए बनाया गया है।

यह रिलीज़ कई परिचालन क्षमताओं को एक ही लेयर में जोड़ती है: कैश-अवेयर और एजेंट-अवेयर रूटिंग, मल्टी-टेनेंट फ्लो कंट्रोल और बिना डाउनटाइम वाले अपग्रेड। कैश-अवेयर रूटिंग का मतलब है कि अनुरोधों को इन्फ़रेंस कैश को ध्यान में रखते हुए निर्देशित किया जा सकता है; एजेंट-अवेयर रूटिंग एजेंट वर्कलोड की समझ जोड़ती है। मल्टी-टेनेंट फ्लो कंट्रोल तब ट्रैफ़िक प्रबंधन प्रदान करता है, जब कई उपयोगकर्ता या वर्कलोड एक ही सर्विंग फ़्लीट साझा करते हैं।

यह स्टैक vLLM और SGLang को समाहित करता है, जिससे टीमों को इन दोनों इंजन और दोनों तरह के एक्सेलरेटर पर वितरित इन्फ़रेंस चलाने का एक सामान्य तरीका मिलता है। यह उन संगठनों के लिए महत्वपूर्ण है जो हर सर्विंग घटक को स्वतंत्र रूप से संभालना नहीं चाहतीं, खासकर तब, जब एजेंट एप्लिकेशनों को समन्वित अनुरोध रूटिंग की आवश्यकता हो और प्रोडक्शन अपग्रेड के दौरान सक्रिय ट्रैफ़िक में व्यवधान नहीं पड़ना चाहिए।

आगे ध्यान देने योग्य बात यह है कि जैसे-जैसे टीमें llm-d 1.0 को अपनाना शुरू करेंगी, वास्तविक प्रोडक्शन फ़्लीट में ये नियंत्रण कितने प्रभावी तरीके से काम करते हैं।

[03:20] SGLang तीन नए मॉडल फैमिलीज़ जोड़ता है

SGLang v0.5.22 अपने सर्विंग स्टैक के माध्यम से टीमों द्वारा उपयोग किए जा सकने वाले मॉडलों की संख्या बढ़ाता है। रिलीज़ नोट्स में नए मॉडल जोड़ों के रूप में Clef और Clef Flash, PPLX-Decider v1 और v1.1, तथा EmbeddingGemma 2 सूचीबद्ध हैं, और हर एक के लिए अलग cookbook एंट्री लिंक की गई है।

यह महत्वपूर्ण है क्योंकि किसी मॉडल को डिप्लॉय करने का व्यावहारिक काम केवल उसके वेट्स डाउनलोड करने से अधिक है: बिल्डर्स को उसे सर्व करने के लिए भी एक परखी हुई विधि की आवश्यकता होती है। नए एंट्रीज़ सेल्फ-होस्टेड एप्लिकेशनों और एजेंट स्टैक को मूल्यांकन के लिए अतिरिक्त दस्तावेज़ित मॉडल विकल्प मिलते हैं, जिनमें भाषा-मॉडल और विज़न-लैंग्वेज-मॉडल वर्कलोड शामिल हैं।

रिलीज़ में 245 योगदानकर्ताओं के 950 pull requests के साथ काफ़ी अधिक रखरख कार्य भी दिखाया गया है। इस अपडेट का मूल्यांकन करने वाले किसी भी व्यक्ति के लिए अगला प्रश्न यह है कि नए मॉडलों में से कौन-से उनकी सर्विंग आवश्यकताओं और वर्कलोड के अनुरूप हैं।

[04:06] Microsoft का 7B मॉडल लोकल सेंटिमेंट वर्गीकरण जोड़ता है

Microsoft का मॉडल कार्ड Sentiment-Analysis-7B को ऐसे 7B-पैरामीटर भाषा मॉडल के रूप में वर्णित करता है जिसे किसी सेवा, उत्पाद या एजेंट को संबोधित करने वाले संदेशों का सेंटिमेंट वर्गीकृत करने के लिए फ़ाइन-ट्यून किया गया है। इस मॉडल को लगभग 300 उदाहरणों के एक छोटे आंतरिक सेट पर reinforcement learning और एक LLM judge के साथ प्रशिक्षित किया गया था। यह मॉडल अपना पहला टोकन Negative, Neutral या Positive के रूप में जनरेट करता है, जिसके बाद एक संक्षिप्त व्याख्या आती है। तीन-टोकन की जनरेशन सीमा केवल लेबल लौटाती है, जबकि प्रकाशक का Transformers उदाहरण कैज़ल मॉडल को लोड करने और अधिक विस्तृत प्रतिक्रिया जनरेट करने का तरीका दिखाता है। प्रकाशक के अनुसार Sentiment-Analysis-7B की सटीकता 72.8% है, जबकि Mistral-7B-Instruct-v0.2 की सटीकता 62.0% है। प्रशिक्षण सेट का छोटा आकार और कार्ड में reinforcement learning पर दिए गए ज़ोर को उस व्यक्ति के लिए महत्वपूर्ण संदर्भ हैं जो इसे किसी एजेंट स्टैक में लोकल सेंटिमेंट कंपोनेंट के रूप में उपयोग करने पर विचार कर रहा है। प्रकाशित वर्कफ़्लो कैज़ल मॉडल को Transformers के AutoModelForCausalLM के साथ लोड करता है।

[04:57] रिसर्च डाइजेस्ट: AI-Evolved Search Designs एक मापने योग्य रिट्रीवल सुधार देते हैं

शोधकर्ताओं ने दिखाया कि एक भाषा मॉडल generative retrieval के डिज़ाइन में मदद कर सकता है। यह खोज और सिफ़ारिश का एक तरीका है, जिसमें दस्तावेज़ों के लिए केवल कीवर्ड मिलान पर निर्भर रहने के बजाय सघन सेमेंटिक लेबल जनरेट किए जाते हैं। लोकल रूप से सर्व किया गया ओपन-वेट मॉडल किसी मालिकाना AI सेवा का उपयोग किए बिना सिस्टम के निष्पादन योग्य हिस्सों में बदलाव जनरेट और उनका परीक्षण करता था, जिनमें सेंमेंटिक-लेबल निर्माण और टकराव प्रबंधन शामिल थे।

विकसित डिज़ाइन ने सामान्य वेब-सर्च, वेब-सर्च और बहुभाषी ई-कॉमर्स डेटासेट में रिट्रीवल को बेहतर बनाया। एक बेंचमार्क पर यह माप कि सही परिणाम पहले आया या नहीं, 55.8% से बढ़कर 59.3% हो गया। एक छोटा proxy decoder ने शोधकर्ताओं को बेहतर डिज़ाइन खोजते समय सिस्टम को तेज़ फ़ीडबैक दिया, ताकि पूरे जनरेटर को बार-बार प्रशिक्षित न करना पड़े।

महत्वपूर्ण सीमा यह है कि proxy ने सेंमेंटिक इंडेक्स में बदलावों के लिए सुधार का सही पूर्वानुमान किया, लेकिन जनरेटर के प्रशिक्षण उद्देश्य या पूरी पाइपलाइन में बदलावों के लिए विश्वसनीय रूप से ऐसा नहीं किया। इससे यह तरीका खोज डिज़ाइन के लिए आशाजनक है, लेकिन इसे अन्यत्र लागू करने से पहले proxy सत्यापन अनिवार्य भी बन जाता है।

[05:56] Mistral का Timestral प्रीट्रेन्ड फोरकास्टिंग को केवल CPU वर्कलोड तक लाता है

Mistral ने Timestral जारी किया है, जो चार टाइम-सीरीज फाउंडेशन मॉडल्स का एक परिवार है, जिनके आकार क्रमशः 5 मिलियन, 28 मिलियन, 123 मिलियन और 209 मिलियन पैरामीटर हैं। ये मॉडल ज़ीरो-शॉट फोरकास्टिंग प्रदान करते हैं, यानी बिना किसी विशिष्ट कार्य के प्रशिक्षण के पहले अप्रत्यक्ष आँकड़ों पर भविष्यवाणी कर सकते हैं, और Mistral Forge के माध्यम से किसी विशेष क्षेत्र के लिए फाइन-ट्यून किए जा सकते हैं।

Mistral के अनुसार, Timestral ने GIFT-Eval, TIME और fev-bench पर पाँच मेट्रिक्स में प्रीट्रेन्ड, ज़ीरो-शॉट मॉडल्स के बीच पहला स्थान प्राप्त किया। कंपनी ने बताया कि उसके परिणाम एक ही चेकपॉइंट से मिले थे और कई मॉडल्स को संयोजित नहीं किया गया था। इसके 28-मिलियन-पैरामीटर संस्करण ने लगभग एक-चौथाई पैरामीटर का उपयोग करते हुए GIFT-Eval और TIME पर Chronos-2 को पछाड़ा, जबकि 209-मिलियन-पैरामीटर मॉडल ने कम पैरामीटर के साथ TimesFM-3 और Falcon-2.0 को पछाड़ा।

ये मॉडल कई संबंधित श्रेणियों का एक साथ फोरकास्ट कर सकते हैं और पूरे क्वांटाइल सेट तैयार कर सकते हैं, जिससे टीमें केवल एक अनुमानित मान पर निर्भर रहने के बजाय अनिश्चितता व्यक्त कर सकती हैं। ये श्रेणिक इनपुट्स को भी सीधे स्वीकार करते हैं, जैसे यह कि कोई मशीन चल रही है, निष्क्रिय है या रखरखाव के तहत है, साथ ही ज्ञात-भविष्य इनपुट्स भी, जैसे उत्पादन शेड्यूल, नियोजित बंदी और मौसम पूर्वानुमान। Timestral इन इनपुट्स को लक्ष्य श्रेणी से अलग रखता है, ताकि भविष्य के लक्ष्य मान उसके फोरकास्ट में लीक न हों।

डिप्लॉयमेंट के लिए ग्राफ़िक्स प्रोसेसर की आवश्यकता नहीं होती। आठ थ्रेड्स वाले सर्वर प्रोसेसर पर, 15 मिनट के ऐतिहासिक आँकड़ों से एक दिन आगे का फोरकास्ट करने में 5-मिलियन-पैरामीटर मॉडल को 10 मिलीसेकंड और 209-मिलियन-पैरामीटर मॉडल को 140 मिलीसेकंड लगे।

इससे Timestral उद्योग सेंसर, वित्तीय प्रवाह और अन्य परिचालन डेटा से युक्त पाइपलाइनों की निगरानी के लिए एक व्यावहारिक विकल्प बन जाता है। Mistral Forge फाइन-ट्यूनिंग, क्षेत्र-विशिष्ट विस्तार, सिंथेटिक डेटा जनरेशन और क्लाइंट हार्डवेयर, जिसमें एयर-गैप्ड वातावरण शामिल हैं, पर डिप्लॉयमेंट का समर्थन करता है। असली परीक्षा यह है कि उत्पादन डेटा के समय के साथ बदलते रहने पर अनुकूलन उपयोगी प्रदर्शन बनाए रखता है या नहीं।

[07:40] Mercury 3 डिफ्यूज़न LLM को प्रोडक्शन गति तक लाता है

Inception Labs ने Mercury 3 जारी किया है, जो एक डिफ्यूज़न-आधारित भाषा मॉडल है, जिसका उद्देश्य उन अनुप्रयोगों में काम करना है जहाँ प्रतिक्रिया का समय उपयोगकर्ता अनुभव को प्रभावित करता है। कंपनी का कहना है कि यह मॉडल अपने बेंचमार्क सूट में GPT-6 Luna और Claude Haiku 5.5 से बेहतर प्रदर्शन करता है, NVIDIA GPUs पर प्रति सेकंड 1,068 टोकन जनरेट करता है और 1M-टोकन की संदर्भ विंडो का समर्थन करता है, जो Mercury 2.5 की 260K से अधिक है।

एक प्रोडक्शन वेब-एजेंट परीक्षण ढाँचे में Mercury 3 ने 50 लाइव Mind2Web नेविगेशन कार्यों में से 50% पूरे किए, जिसे Inception के अनुसार GPT-6.1-Sol से अधिक था, जबकि टोकन की मात्रा और एजेंट चरणों की संख्या समान रही। कंपनी यह भी बताती है कि Octen के स्मार्ट-ग्लास सर्च परीक्षणों में मीडियन जनरेशन समय 0.9 सेकंड और एंड-टू-एंड प्रतिक्रिया का मीडियन समय 2.2 सेकंड रहा।

Mercury 3 की कीमत प्रति मिलियन इनपुट टोकन $0.20 और प्रति मिलियन आउटपुट टोकन $0.70 है। लॉन्च मूल्य पर 50% और कैश किए गए इनपुट टोकन पर 90% की छूट दी जाती है। Inception और उसके साझेदार इसका उपयोग वॉइस और चैट सपोर्ट, ट्यूटरिंग, सर्च, डेटा इंजीनियरिंग और वेब नेविगेशन में कर रहे हैं। यह मॉडल Inception के API, OpenRouter, Basetan और Vercel के माध्यम से उपलब्ध है और OpenAI API के साथ संगत है। अगला परीक्षा यह है कि लगातार प्रोडक्शन वर्कलोड में इसकी बताई गई गति और गुणवत्ता बनी रहती हैं या नहीं।

[08:51] शोध सारांश: रोबोट भाषा को स्मृति के रूप में उपयोग करना सीखते हैं

शोधकर्ताओं ने UniWALM पेश किया, एक ऐसा मॉडल जिसे डिज़ाइन किया गया है ताकि वीडियो, क्रियाएँ और भाषा को एक साझा प्रतिनिधित्व में जोड़ा जा सके। महत्वपूर्ण परिणाम यह है कि भाषा का संयुक्त रूप से जनरेट करना रोबोटिक मैनिपुलेशन को बेहतर बनाता प्रतीत होता है और उन कार्यों में मदद करता है जिनके लिए पहले क्या हुआ था, याद रखना आवश्यक है।

अलग-अलग परिधीय अनुभव, योजना और क्रिया चरणों के माध्यम से जानकारी भेजने के बजाय, UniWALM क्रिया और पाठ्य स्मृति को एक साथ जनरेट करता है। इस जनरेट की गई भाषा का उपयोग अगले चरण में किया जाता है, जिससे रोबोट को बाहरी प्लानर या मेमोरी बैंक की ज़रूरत के बिना हल्का स्मृति लूप मिल जाता है। RMBench के स्मृति-निर्भर भाग पर सिस्टम ने 34.5% हासिल किया, बिना किसी pretrained भाषा या तर्क मॉडल का उपयोग किए।

शोधकर्ताओं ने इसे बाधित क्रिया-पथों से उबरने के लिए भी प्रशिक्षित किया और यह क्षमता inference लागत बढ़ाए बिना जोड़ दी। इसका एक ठोस परिणाम यह है कि रोबोट किसी कार्य को गति और भाषा—दोनों के माध्यम से आगे बढ़ा सकता है: वह कार्य कर सकता है, उसके बारे में एक संक्षिप्त नोट दर्ज कर सकता है और उस नोट का उपयोग अगली क्रिया को निर्देशित करने के लिए कर सकता है।

[09:50] Concut? Concat स्थानीय-प्रथम, स्क्रिप्टेबल CapCut विकल्प प्रदान करता है

Concat एक ओपन-सोर्स, स्थानीय-प्रथम, क्रॉस-प्लेटफ़ॉर्म वीडियो एडिटर है, जिसे CapCut का मुफ़्त विकल्प प्रस्तुत किया गया है। इसकी मुख्य सुविधा-निर्माताओं के लिए क्षमता JSON-RPC API और MCP के माध्यम से स्क्रिप्टेबिलिटी है; दोनों सॉफ़्टवेयर को एडिटर से संवाद करने के लिए संरचित इंटरफ़ेस प्रदान करते हैं।

यह अंतर महत्वपूर्ण है क्योंकि इससे वीडियो एडिटिंग को स्वचालित वर्कफ़्लो से जोड़ने का रास्ता खुलता है, बजाय इसके कि हर एडिट को मैन्युअल इंटरफ़ेस कार्य माना जाए। GitHub रिपॉज़िटरी में 10,199 स्टार्स दर्ज हैं, जो परियोजना में व्यापक रुचि दर्शाती है।

इसलिए, टूल और वर्कफ़्लो के लिए स्थानीय एडिटिंग आधार के रूप में Concat पर ध्यान देना उचित है। अगला उपयोगी प्रमाण इनके इंटरफ़ेस के माध्यम से उपलब्ध एडिटिंग फ़ंक्शन के ठोस उदाहरण और यह होगा कि वे फ़ंक्शन वास्तविक एडिटिंग कार्यों को कितनी विश्वसनीयता से संभालते हैं।

[10:33] Terminal X निवेश निर्णयों का ऑडिट करने के लिए GPT-6.1 Sol का उपयोग करता है

OpenAI के 20 अक्टूबर के केस स्टडी में Terminal X के Eval Agent को प्रमुखता से उठाया गया है, जो आउटपुट को 54-मानदंड रूब्रिक के अनुसार ग्रेड करता है। बताई गई व्यवस्था में, OpenAI के अनुसार, GPT-6.1 Sol ने 88.6% समय वरिष्ट निवेशक के निर्णय से मेल खाया और फंड के मैंडेट से 25% अधिक विचलन पकड़े।

इससे रूब्रिक-आधारित समीक्षा एक ठोस निर्माण पैटर्न बन जाता है: मानदर्शों को परिभाषित करें जिन्हें किसी प्रतिक्रिया को पूरा करना होगा, उन्हीं मानदर्शों के आधार पर उसका मूल्यांकन करें और जांचें कि वह नियमों या वरिष्ठ निर्णय से कहाँ और कैसे भटकती है। इसका मूल्य यह है कि मूल्यांकन अंतिम मानवीय पठन पर निर्भर रहने के बजाय एक अलग, मानदर्शों-आधारित चरण बन जाता है।

अगली बात ध्यान देने योग्य यह है कि रिपोर्ट किया गया सहमति और विचलन की पहचान अन्य मैंडेट, मॉडल और निवेश के परिणामों के प्रकारों पर भी लागू होती है या नहीं। 88.6% का परिणाम टर्मिनल X द्वारा रिपोर्ट किए गए सेटअप पर लागू होता है।

[11:22] Exa 3.0 एक बड़ा एम्बेडिंग मॉडल और $4 Lite विकल्प जोड़ता है

Exa ने अपने Search API का संस्करण 3.0 जारी किया, जिसमें एक बड़ा एम्बेडिंग मॉडल, प्रति 1,000 अनुरोधों पर $4 की कीमत वाला Exa Lite विकल्प और Dynamic Highlights शामिल हैं।

बड़ा एम्बेडिंग मॉडल उस प्रतिनिधित्व प्रणाली को बदलता है जिसका उपयोग प्रश्नों को प्रासंगिक सामग्री से मिलाने के लिए किया जाता है, जबकि Exa Lite कम लागत वाला API विकल्प उपलब्ध कराता है। Dynamic Highlights अपडेट किए गए API के माध्यम से उपलब्ध कराया गया एक और नया फीचर है।

Exa ने Perplexity, Brave और Parallel के विरुद्ध भी एक तुलना की और कहा कि उसका सिस्टम आठों बेंचमार्कों में अग्रणी रहा। चूँकि Exa ने ये परीक्षण स्वयं किए थे, इसलिए डेवलपर को इस परिणाम को स्वतंत्र सत्यापन के बजाय विक्रेता का एक मजबूत दावा मानना चाहिए।

व्यावहारिक प्रश्न यह है कि Exa 3.0 किसी टीम के अपने सर्च पर कैसा प्रदर्शन करता है और नए विकल्प बजट को कैसे प्रभावित करते हैं। स्वतंत्र बेंचमार्क परिणाम और वास्तविक कार्यभार में Dynamic Highlights का व्यवहार अगली चीज़ें हैं जिन पर ध्यान देना चाहिए।

[12:13] ChatGPT Work रेस्तरां मेन्यू की पुनर्मूल्य निर्धारण प्रक्रिया को तेज़ करता है

Schlotzsky’s और Cinnabon के एक स्वतंत्र फ्रैंचाइज़ी ने ChatGPT Work से बनाए गए वर्कफ़्लो का उपयोग करके अपने मेन्यू की पुनर्मूल्य निर्धारण प्रक्रिया में लगने वाला समय 95% तक कम कर दिया है। ऑपरेटर का अनुमान है कि इस बदलाव से $100,000 की नकदी प्रवाह मुक्त हो सकती है, जो इसे AI को केवल कंटेंट जनरेशन से आगे बढ़कर बार-बार होने वाले व्यावसायिक संचालन में जाने का एक ठोस उदाहरण बनाता है।

महत्वपूर्ण परिणाम केवल मेन्यू संपादन का तेज़ होना नहीं है। पुनर्मूल्य निर्धारण की प्रक्रिया को दोहराने योग्य वर्कफ़्लो में बदलकर, फ्रैंचाइज़ी ने रोज़मर्रा के एक परिचालन कार्य को संभावित कार्यशील पूंजी लाभ से जोड़ दिया। रिपोर्ट किया गया 95% कटौती प्रभाव का सबसे स्पष्ट प्रमाण है।

अन्य रेस्तरां समूहों और कई स्थानों वाले व्यवसायों के लिए अवसर यह है कि बार-बार होने वाली मूल्य निर्धारण संबंधी कार्रवाई को पहचाना जाए और परखा जाए कि इसी प्रकार का ChatGPT Work वर्कफ़्लो कर्मचारियों का समय बचाने के साथ-साथ नकद प्रवाह को बेहतर भी कर सकता है या नहीं। अगला परीक्षण यह है कि क्या अन्य संचालक अपने स्थानों पर समय की बचत और वित्तीय लाभ, दोनों को दोहरा सकते हैं।

[13:07] OpenAI ने जीवन विज्ञान R&D के लिए Orchestra Bio का अधिग्रहण किया

OpenAI Orchestra Bio का अधिग्रहण कर रहा है, ताकि जीवन विज्ञान के शोध एवं विकास में AI-संचालित संचालन को शामिल किया जा सके। अभिप्रेत उपयोगकर्ता दवा विकास पर काम करने वाली बायोफार्मा टीमें हैं, और लक्ष्य उन्हें विकास को तेज़ करने तथा नए उपचारों को आगे बढ़ाने में मदद करना है।

अभी महत्वपूर्ण बात यह है कि ऐलान का फोकस जीवन विज्ञान के R&D संचालन के भीतर AI को लागू करने पर है, न कि एक और सामान्य-उपयोगी चैटबॉट या सीमित रूप से परिभाषित शोध परिणाम प्रस्तुत करने पर। इससे उन टीमों के लिए यह प्रासंगिक हो जाता है जो सोच रही हैं कि AI दैनिक बायोफार्मा वर्कफ़्लो को कैसे सहायता दे सकता है।

अगला उपयोगी प्रमाण ठोस होगा: कौन-से शोध एवं विकास प्रक्रियाएं AI-संचालित बनती हैं, ये क्षमताएं उपलब्ध कैसे कराई जाती हैं, और क्या ये टीमों को तेज़ी से आगे बढ़ने में मदद करती हैं।

[13:48] OpenAI ने कम संसाधन वाली भाषाओं के लिए ChatGPT मूल्यांकन जोड़े

OpenAI कम संसाधन वाली प्रोग्रामिंग भाषाओं में ChatGPT को बेहतर बना रहा है—ऐसी भाषाएं जिनके लिए सॉफ़्टवेयर टूल्स हेतु डिजिटल उदाहरण और संसाधन कम उपलब्ध हैं। कंपनी ने सॉफ़्टवेयर इंजीनियरिंग, SQLite और COBOL माइग्रेशन को कवर करने वाले नए मूल्यांकनों की घोषणा की है।

यह बदलाव उन टीमों के लिए महत्वपूर्ण है जिनका काम सबसे अधिक प्रतिनिधित्व वाली प्रोग्रामिंग भाषाओं पर केंद्रित नहीं है। SQLite कार्यों में डेटाबेस-उन्मुख कार्य शामिल हैं, जबकि COBOL माइग्रेशन का फोकस पुरानी व्यवसायिक प्रोग्रामिंग भाषा में लिखे कोड को स्थानांतरित करने पर है। ये ऐसे ठोस क्षेत्र हैं जहां AI कोडिंग सहायक की सीमाएं वास्तविक परियोजनाओं को प्रभावित कर सकती हैं।

डेवलपर के लिए नए मूल्यांकन, सामान्य प्रोग्रामिंग प्रश्नों की तुलना में ChatGPT का आकलन करने का अधिक प्रासंगिक आधार प्रदान करते हैं। कोई टीम यह तय करने से पहले कि उसके वर्कफ़्लो में AI सहायता कहां उपयुक्त है, मॉडल को सॉफ़्टवेयर इंजीनियरिंग कार्य, SQLite परिदृश्य या COBOL माइग्रेशन में कैसे संभालता है, इसकी जांच कर सकती है।

एक बात पर ध्यान देना चाहिए: OpenAI के ChatGPT को कम संसाधन वाली भाषाओं के परिवेश में ले जाने के साथ विस्तारित मूल्यांकन प्रदर्शन के बारे में क्या खुलासा करते हैं।