Kimi K3.1 Pro ने OpenRouter पर 1M-टोकन कॉन्टेक्ट लाने की सुविधा दी

एपिसोड 125 — 25 अक्टूबर, 2026

[00:00] एपिसोड का सारांश

Nous Research ने 22 अक्टूबर, 2026 को Hermes Agent v0.22.5 जारी किया, जिसमें CLI और इंस्टॉलर, Microsoft Store ऐप, Docker और Hermes Cloud के लिए 81 मर्ज किए गए पुल रिक्वेस्ट को एक पैच रिलीज़ में शामिल किया गया। Anthropic ने sandbox-runtime को भी ओपन-सोर्स किया, जो Claude Code के पीछे काम करने वाला ऑपरेटिंग-सिस्टम-स्तरीय सैंडबॉक्स है, जो AI एजेंट्स, MCP सर्वर और कमांड-लाइन टूल्स की फ़ाइल और नेटवर्क पहुँच को सीमित करता है। OpenRouter ने Moonshot AI का Kimi K3.1 Pro जोड़ा, जिसमें 1,048,576-टोकन की कॉन्टेक्स्ट विंडो है, जबकि OpenAI ने ऐप्लिकेशन में निर्णय-निर्धारण की क्षमता जोड़ने के लिए Decisions API पेश किया, जिसमें तेज़ प्रतिक्रियाओं और केंद्रित परिणामों पर ज़ोर है। इसके बाद Recursive ने Flint पेश किया, जो Apache 2.0 लाइसेंस वाला टेक्स्ट-आधारित मिक्स्चर-ऑफ-एक्सपर्ट्स कोडिंग मॉडल है, जिसमें कुल 39.8 अरब पैरामीटर और प्रति टोकन लगभग 2.5 अरब सक्रिय पैरामीटर हैं। Mistral ने Timestral-209M जारी किया, जो ज़ीरो-शॉट फ़ोरकास्टिंग के लिए समय-श्रेणी फ़ाउंडेशन मॉडल है और एक या कई संबंधित श्रेणियों को संभाल सकता है तथा बाहरी जानकारी को भी शामिल कर सकता है।

[02:00] Agent Stack Release Readout: Hermes Agent v0.22.5, v0.22.4, v0.22.3

Hermes Agent v0.22.5, जिसे Nous Research ने 22 अक्टूबर, 2026 को जारी किया, में 231 गैर-मर्ज कमिट्स और 804 बदली गई फ़ाइलों के साथ 81 मर्ज किए गए पुल रिक्वेस्ट और 30 बंद किए गए मुद्दों को शामिल किया गया है। इसमें CLI और इंस्टॉलर, Microsoft Store ऐप, Docker और Hermes Cloud को अपडेट किया गया है।

सबसे महत्वपूर्ण बदलाव प्लगेबल डेलिगेशन है। Hermes मॉडल मैप्स या प्रोफ़ाइल्स का उपयोग करके काम को सबएजेंट्स तक भेज सकता है, और चुना गया रूटिंग हर सेशन में बदला जा सकता है। इससे डेवलपर को अलग-अलग कार्यों के लिए अलग मॉडल्स या प्रोफ़ाइल्स को अलग करने का तरीका मिलता है, बिना हर बैकएंड को कोर एप्लिकेशन का हिस्सा माने।

प्लगइन सिस्टम भी अधिक सक्षम हो गया है। प्लगइन्स विकल्पों के साथ स्लैश कमांड्स उपलब्ध करा सकते हैं, Model Context Protocol के माध्यम से Hermes सेवा दे सकते हैं और मौजूदा एजेंट्स आयात कर सकते हैं। सेटअप फ़्लो में दूसरा एजेंट मिलने पर इम्पोर्टर उपलब्ध कराया जा सकता है, जबकि Desktop में साइडबार में एक-क्लिक प्लगइन इंस्टॉलेशन, टियर बैज और ड्रैग-टू-पिन नियंत्रण जोड़े गए हैं।

खाते और सेशन को संभालने का तरीका भी अब अधिक स्पष्ट है। साइन-इन अब सीधे डिवाइस लॉगिन का उपयोग करता है, मुफ़्त-टियर मेहमान अपना काम किसी खाते को सौंप सकते हैं, और परिणाम में दिखाया जाता है कि कौन साइन-इन है। कनेक्टर्स अब मेहमान सेशन चुपचाप खोलने के बजाय साइन-इन का विकल्प देते हैं। उपयोग-विंडो वाली योजनाओं में गेज, सीमा कार्ड और मॉडल-स्विच रिकवरी जोड़ी गई हैं।

Hermes Agent v0.23.0 अगला महत्वपूर्ण पड़ाव है, क्योंकि Nous Research का कहना है कि इसमें इन रिलीज़ में जमा हुए बदलावों के लिए पूरी तरह चुनी हुई नोट्स शामिल होंगी।

[02:35] OpenRouter ने 1M-टोकन की कॉन्टेक्स्ट विंडो वाला Kimi K3.1 Pro सूचीबद्ध किया

OpenRouter ने Kimi K3.1 Pro को सूचीबद्ध किया है, जिसे रजिस्ट्री Moonshot AI का प्रमुख ओपन-वेट मल्टीमोडल रीज़निंग मॉडल और Kimi K3 का पोस्ट-ट्रेंड सक्सेसर बताया गया है। यह लंबे समय तक चलने वाले कोडिंग कार्यों के लिए बनाया गया है, जिससे इसे विस्तृत सॉफ़्टवेयर कार्यों और बड़े कोडबेस के लिए खास तौर पर उपयुक्त बनाता है। इसकी सबसे ठोस विशेषता 1,048,576-टोकन की कंटेक्स्ट विंडो है। रजिस्ट्री आर्किटेक्चर के अनुसार, यह मॉडल टेक्स्ट, इमेज और वीडो स्वीकार करता है तथा टेक्स्ट उत्पन्न करता है, इसलिए डेवलपर अलग-अलग प्रकार की सामग्री को एक ही प्रॉम्प्ट में शामिल कर सकते हैं। यह उन वर्कफ़्लोज़ के लिए महत्वपूर्ण है जहाँ कोड, स्क्रीनशॉट और वीडो को एक ही परिणाम को प्रभावित करना होता है। OpenRouter के रजिस्ट्री में प्रॉम्प्ट के लिए प्रति-टोकन कीमत $0.000002, कंप्लीशंस के लिए $0.00001 और कैश्ड इनपुट रीड्स के लिए $0.0000002 दर्ज है। यह सूची Kimi K3.1 Pro को OpenRouter के माध्यम से मूल्यांकन के लिए उपलब्ध कराती है; तत्काल आकलन के लिए कंटेक्स्ट आकार, मल्टीमोडल इनपुट और टोकन लागत प्रमुख बिंदु हैं। Moonshot AI, Kimi K3.1 Pro को Kimi K3 का पोस्ट-ट्रेंड सक्सेसर बताता है। Kimi K3.1 Pro टेक्स्ट, इमेज और वीडो स्वीकार करता है, टेक्स्ट उत्पन्न करता है और उसकी कंटेक्स्ट विंडो 1M टोकन की है। OpenRouter अपने मॉडल रजिस्ट्री में Kimi K3.1 Pro को सूचीबद्ध करता है।

[03:42] Anthropic अपने एजेंट सैंडबॉक्स को कंटेनरों के बाहर उपलब्ध करता है

Anthropic ने sandbox-runtime, यानी srt, को AI एजेंट के लिए ओपन-सोर्स ऑपरेटिंग-सिस्टम-लेवल सैंडबॉक्स के रूप में जारी किया है। यह प्रोजेक्ट Claude Code के पीछे इस्तेमाल होने वाला सैंडबॉक्स है और बिना कंटेनर की आवश्यकता के एजेंट्स, MCP सर्वर और कमांड-लाइन टूल्स का समर्थन करता है।

इसका मुख्य काम सरल है: इन टूल्स को उपलब्ध फ़ाइल और नेटवर्क एक्सेस को सीमित रखना। macOS पर यह ऑपरेटिंग सिस्टम के अपने सैंडबॉक्सिंग तंत्र, Seatbelt का उपयोग करता है; Linux पर bubblewrap का उपयोग करता है। इसलिए यही दृष्टिकोण दो बड़े डेस्कटॉप और सर्वर वातावरणों में उपलब्ध है, बिना इसके कि डेवलपर को हर एजेंट या टूल को कंटेनराइज़ करना पड़े।

बिल्डर्स के लिए, एजेंट-आधारित कोड चलाने के संदर्भ में इससे इम्प्लीमेंटेशन का विकल्प बदल जाता है। डेवलपर कंटेनर का उपयोग करने के बजाय एजेंट, टूल सर्वर या कमांड-लाइन यूटिलिटी को ऑपरेटिंग-सिस्टम-लेवल सैंडबॉक्स में रख सकता है, जहाँ फ़ाइलों और नेटवर्क तक नियंत्रित एक्सेस होता है। Anthropic Claude Code के पीछे इस्तेमाल होने वाली सैंडबॉक्सिंग दृष्टिकोण को जाँच और पुनः उपयोग के लिए भी उपलब्ध करा रहा है।

आगे ध्यान देने योग्य बात यह है कि डेवलपर वास्तविक वर्कफ़्लोज़ में इन एक्सेस प्रतिबंधों को अपने एजेंट्स को आवश्यक विशिष्ट टूल्स और डेटा के साथ कैसे जोड़ते हैं।

[04:44] OpenAI फोकस्ड ऐप निर्णयों के लिए Decisions API लॉन्च करता है

OpenAI ने Decisions API लॉन्च की है, जो ऐप्लिकेशन बिल्डर्स को स्वचालित निर्णयों के लिए एक समर्पित इंटरफ़ेस देती है। कंपनी इसे तेज़, फोकस्ड और कम लागत वाला बताती है, जो किसी एक सीमित उपयोग के बजाय अलग-अलग प्रकार के ऐप्लिकेशन में लागू हो सकता है।

यह महत्वपूर्ण है क्योंकि कई उत्पादों को किसी विशेष क्षण में छोटा निर्णय लेना होता है: कौन-सा विकल्प दिखाना है, अनुरोध को कहाँ रूट करना है या ऐप्लिकेशन को कौन-सा कार्य करना चाहिए। यह API टीमों को इन क्षणों के लिए परीक्षण के लिए एक और कंपोनेंट देती है, इसके बजाय कि हर निर्णय को व्यापक वर्कफ़्लो का हिस्सा माना जाए।

बिल्डर्स के लिए अगले व्यावहारिक प्रमाण बिंदु ये हैं: API कितनी तेज़ी से प्रतिक्रिया देता है, वास्तविक वर्कलोड पर उसके निर्णय संगत रहते हैं या नहीं, और लाइव प्रोडक्ट में शामिल होने पर उन निर्णयों की लागत क्या होती है।

[05:29] Recursive का Flint स्थानीय स्टैक्स के लिए 39.8B का कोडिंग एजेंट लाता है

Recursive ने Flint को Apache 2.0 लाइसेंस के तहत जारी किया, जबकि Unsloth का रिपॉज़िटरी इसका चेकपॉइंट, मॉडल कॉन्फ़िगरेशन, टोकनाइज़र, चैट टेम्पलेट और सर्विंग किट प्रदान करता है। Flint एक टेक्स्ट-इन, टेक्स्ट-आउट मिक्स्चर-ऑफ-एक्सपर्ट्स मॉडल है, जिसे कोडिंग एजेंट्स के लिए डिज़ाइन किया गया है। इसमें कुल 39.8 अरब पैरामीटर हैं, जिनमें प्रति टोकन लगभग 2.5 अरब सक्रिय रहते हैं। मिक्स्चर-ऑफ-एक्सपर्ट्स की प्रत्येक लेयर में 256 रूटेड एक्सपर्ट्स होते हैं, जिनमें प्रति टोकन छह चुने जाते हैं, साथ ही एक सदैव सक्रिय शेयर्ड एक्सपर्ट होता है। Flint रीज़निंग, मल्टी-टर्न टूल उपयोग और OpenAI-संगत टूल कॉल्स का समर्थन करता है। इसके कार्यों में कोडबेस की जाँच, बग फ़िक्स करना, फ़ीचर लागू करना और टेस्ट लिखना शामिल हैं। Recursive के अनुसार, Terminal-Bench 2.1 पर इसका प्रदर्शन 54.9%, SWE-bench Pro v2 पर 89.7% और SWE-bench Verified पर 74.2% रहा है। मॉडल कार्ड में चेतावनी दी गई है कि मूल्यांकन सेटअप अलग-अलग हो सकते हैं, और Flint के Terminal-Bench परिणाम में वे समाधान असफल माने गए हैं जो वेब रिट्रीवल के माध्यम से प्राप्त किए गए थे, जबकि कुछ डेवलपर-रिपोर्टेड स्कोर में यह समायोजन लागू नहीं हो सकता। Apache 2.0 वेट्स Unsloth के GGUF रिपॉज़िटरी में उपलब्ध हैं, जहाँ NVIDIA और Apple Silicon रनटाइम के लिए क्वांटाइज़्ड वैरिएंट तैयार किए गए हैं। परिणाम चेकपॉइंट की प्रिसीज़न और इन्फ़रेंस रनटाइम के अनुसार बदल सकते हैं, इसलिए डिप्लॉयमेंट कॉन्फ़िगरेशन महत्वपूर्ण है। Flint फिर भी त्रुटिपूर्ण कोड या अनुचित टूल कॉल्स का उत्पादन कर सकता है, इसलिए एप्लिकेशनों को अपनी अनुमतियाँ और एक्सीक्यूशन सीमाएँ निर्धारित करनी होंगी। Flint टेक्स्ट-आधारित कोडिंग-एजेंट मॉडल है, जो रीज़निंग, मल्टी-टर्न टूल उपयोग और OpenAI-संगत टूल कॉल्स का समर्थन करता है।

[06:45] Mistral का Timestral-209M स्थानीय संभाव्यात्मक फ़ोरकास्टिंग लाता है

Mistral ने Timestral-209M जारी किया है, जो बिना किसी विशिष्ट कार्य के लिए दोबारा प्रशिक्षण के फ़ोरकास्टिंग हेतु एक टाइम-सीरीज़ फ़ाउंडेशन मॉडल है। दर्ज किए गए चार आकारों में यह सबसे बड़ा है और इसमें 5M से 209M तक पैरामीटर हैं। प्रकाशक का कहना है कि GIFT-Eval, TIME और fev-bench पर इसके ज़ीरो-शॉट फ़ोरकास्टिंग परिणाम अग्रणी हैं। मॉडल एक ही श्रृंखला या कई संबंधित श्रृंखलाओं का फ़ोरकास्ट कर सकता है। यह अतिरिक्त इनपुट भी स्वीकार करता है, जो या तो पहले से ज्ञात हैं या भविष्य के लिए निर्धारित हैं; इससे एप्लिकेशन को लक्ष्य के इतिहास से आगे का संदर्भ शामिल करने में मदद मिल सकती है। इसका संभाव्यात्मक आउटपुट 21 क्वांटाइल्स में फैला होता है, इसलिए सॉफ़्टवेयर किसी एक पूर्वानुमान को निश्चितता न मानकर मीडियन फ़ोरकास्ट के साथ निचली और ऊपरी सीमाएँ भी माँग सकता है। Timestral अधिकतम 32,768 ऐतिहासिक टाइम स्टेप्स स्वीकार करता है और एक ही पास में अधिकतम 1,024 स्टेप्स का फ़ोरकास्ट करता है। लंबे फ़ोरकास्ट ब्लॉकों में किए जाते हैं। आंतरिक रूप से, यह हर पैच में 32 स्टेप्स को समूह बनाकर उनके मानों और अनुपलब्ध अवलोकनों के संकेतों दोनों को एम्बेड करता है। डेवलपरों के लिए महत्वपूर्ण बदलाव CPU या GPU पर PyTorch के माध्यम से स्थानीय डिप्लॉयमेंट है। Mistral यह भी कह रहा है कि वह मॉडल को चलाने और उसके बेंचमार्क परिणामों को दोहराने के लिए सोर्स कोड जारी कर रहा है। इसके कारण Timestral उन स्थानीय सेवाओं और एजेंट स्टैक्स के लिए एक संभावित फ़ोरकास्टिंग घटक बन सकता है, जिन्हें एकल पॉइंट अनुमान की बजाय संभाव्यता सीमाओं, भविष्य के समय-क्षितिज़ या कई संबंधित संकेतों की आवश्यकता होती है। Mistral ने Timestral-209M चेकपॉइंट जारी किया और सोर्स कोड जारी करने की घोषणा की। Timestral यूनिवेरिएट और मल्टीवेरिएट फ़ोरकास्टिंग, केवल-अतीत और ज्ञात-भविष्य के कोवेरिएट्स तथा 21 क्वांटाइल्स में संभाव्यात्मक पूर्वानुमानों का समर्थन करता है। प्रकाशक के अनुसार, GIFT-Eval पर Timestral-209M ने TimesFM-3 की तुलना में कम MASE और CRPS त्रुटियाँ दर्ज कीं। यह चेकपॉइंट CPU या GPU पर PyTorch के माध्यम से चलता है, और मॉडल Modified MIT लाइसेंस के तहत जारी किए गए हैं।

[08:26] OpenAI और पोलैंड की NASK टीम AI सुरक्षा के लिए साथ काम करेंगी

OpenAI और पोलैंड की NASK ने 23 अक्टूबर, 2026 को AI सुरक्षा, साइबर सुरक्षा और तकनीकी शोध को लेकर साझेदारी की घोषणा की। पोलैंड की NASK सुरक्षा उपायों को मज़बूत करने और अधिक प्रतिरोधी डिजिटल इकोसिस्टम का समर्थन करने के लिए OpenAI के साथ मिलकर काम कर रही है।

यह कोई प्रोडक्ट लॉन्च नहीं है; यह एक AI कंपनी और पोलैंड के राष्ट्रीय साइबर सुरक्षा संस्थान के बीच सहयोग है। इसका तत्काल महत्व संस्थागत है: अब AI सुरक्षा और साइबर सुरक्षा के शोध सीधे पोलैंड की डिजिटल अवसंरचना की सुरक्षा पर केंद्रित संस्था से जुड़ गए हैं।

AI डेवलपरों के लिए ध्यान देने योग्य उपयोगी संकेत यह है कि क्या यह साझेदारी ऐसे ठोस सुरक्षा उपाय, सुरक्षा विधियाँ या तकनीकी शोध तैयार करेगी, जिन्हें टीमें वास्तविक सिस्टमों की सुरक्षा के लिए अपना सकती हैं।

[09:06] शोध सारांश: METTA एजेंट्स को कार्य के दौरान अनुकूल बनने में मदद करता है

METTA, मेमोरी-संवर्धित अनुकूलन विधि, AI एजेंट को कार्य शुरू होने से पहले सीखे गए सबकों पर केवल निर्भर रहने के बजाय, कार्य करते समय सीखने में मदद करती है। यह उन सिस्टमों के लिए महत्वपूर्ण है जिन्हें सीमित अनुभव के साथ अनजाने काम संभालने होते हैं: वे हाल की अंतरक्रिया से अपना व्यवहार अपडेट कर सकते हैं और पहले के प्रयासों का संक्षिप्त सारांश अगले प्रयास तक साथ ले जा सकते हैं। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण अनदेखे Meta-World कार्यों और लंबे-संदर्भ वाले PointMaze कार्यों पर किया, जहाँ रिवॉर्ड दुर्लभ था। held-out Meta-World एनवायरनमेंट्स में METTA ने 50% से अधिक सफलता दर हासिल की, जबकि प्रशिक्षण लागत और वॉल-क्लॉक समय कम रखे। मेज़े कार्यों में इसने ट्रांसफ़ॉर्मर-आधारित बेसलाइन को पीछे छोड़ा और अधिक संरचित एक्सप्लोरेशन दिखाया। व्यावहारिक परिणाम यह है कि एजेंट कम प्रशिक्षण बजट के साथ अनुकूल हो सकता है और बाद के प्रयासों को निर्देशित करने के लिए पर्याप्त इतिहास बनाए रख सकता है, बजाय हर बार अपनी समझ शून्य से बनाने की। अगला प्रश्न यह है कि क्या कार्य के दौरान सीखने और कार्यों के बीच याद रखने के बीच यह संतुलन बेंचमार्क एनवायरनमेंट्स के बाहर भी बना रहता है।

[10:07] SpaceX Super Intelligence ने Grok पार्टनर नेटवर्क शुरू किया

SpaceX Super Intelligence ने कंपनियों के लिए एक आधिकारिक कार्यक्रम पेश किया है, जो Grok के साथ उत्पाद, समाधान और सेवाएँ बनाती हैं, ताकि संयुक्त अवसरों और ग्राहकों को लाभ मिल सके। SpaceX Super Intelligence Partner Network इस कार्य को दो भागों में बाँटता है: Transformation Partners, जो ग्राहकों को संपूर्ण संगठन में Grok प्लेटफ़ॉर्म तैयार करने में मदद करते हैं, और Marketplace Partners, जो प्लगइन और इंटीग्रेशन बनाते हैं ताकि Grok उन टूल्स से जुड़ सके जिन्हें ग्राहक पहले से उपयोग करते हैं।

early-access चरण में 130 से अधिक कंपनियों ने भाग लिया। Transformation Partners, Forward Deployed Engineer प्रमाणन कार्यक्रम के माध्यम से deployment क्षमता तैयार कर रहे हैं, और 30 से अधिक संगठनों के इंजीनियरों को प्रशिक्षित किया जा रहा है। Marketplace Partners, Grok suite के लिए उत्पाद इंटीग्रेशन पर काम कर रहे हैं।

लॉन्च पार्टनर में Bain & Company, Databricks, NVIDIA, Snowflake, Galatiq, Adapter Group, AHEAD और Alpha FMC शामिल हैं। इनके बताए गए भूमिकाओं में enterprise transformation और delivery से लेकर data platforms, governance, audit trails और business-specific context तक शामिल हैं। उदाहरण के लिए, Galatiq ऐसे delivery model का वर्णन करता है जिसमें इंजीनियर ग्राहकों के workflows के भीतर production systems की scope और निर्माण करते हैं। Adapter बताता है कि ग्राहक की पूरी trajectory को Grok Bot और Grok Build में लाया जाता है, ताकि प्रत्येक turn केवल working memory के बजाय व्यापक mission context से शुरू हो।

Builders के लिए व्यावहारिक अवसर उन संयुक्त कार्यों में है जो deployment, integrations, enterprise data और operational controls तक पहुँचते हैं। अगला प्रमाण बिंदु यह होगा कि ये साझेदारी pilot से recurring production use तक कितनी व्यापक रूप से आगे बढ़ती हैं।

[11:27] Research digest: एक training trick बार-बार होने वाले AI inference को कम memory-intensive बनाता है

post-training की एक नई विधि, BeNice!, उन AI models की एक श्रेणी में मदद करती है जो बार-बार जानकारी को एक ही layers से गुज़ारती हैं, जबकि learned parameters की संख्या स्थिर रखी जाती है। inference के दौरान, हर pass पहले अपनी अलग key-value cache बनाता था—पहले के tokens से संचित जानकारी—जिससे repetitions की संख्या के साथ memory usage रैखिक रूप से बढ़ता था। BeNice! model को इस तरह प्रशिक्षित करता है कि अंतिम pass की cache को पहले pass में broadcast किया जा सके, जिससे repeated passes shared cache के साथ संगत हो जाते हैं। शोधकर्ताओं का कहना है कि इससे model की quality बनी रहती है और separate caches वाले standard fine-tuning के समान परिणाम मिलते हैं। यह परिणाम महत्वपूर्ण है क्योंकि looped architectures बिना अधिक parameters जोड़े quality में सुधार कर सकते हैं, लेकिन inference की memory demand इस लाभ को सीमित करती रही है। BeNice! depth पर duplicate caches से बचते हुए quality का लाभ बनाए रखने का एक तरीका देता है। शोधकर्ताओं ने यह भी पाया कि यह दृष्टिकोण अन्य memory-saving sequence methods के पूरक के रूप में काम कर सकती है, जिससे memory efficiency सबसे ज़रूरी होने पर टीमें इसे मौजूदा compression techniques के साथ जोड़ सकती हैं।

[12:27] DeusData AI Agents को Local Code Intelligence देता है

DeusData ने codebase-memory-mcp जारी किया, जो developers और AI agents के लिए एक local code-intelligence project है। इसका नवीनतम release v0.12.1 है, जिसकी तारीख October 16, 2026 है, और repository को October 24 को फिर से push किया गया। GitHub के अनुसार, इस project के 47,438 stars हैं।

यह repository code, documentation और infrastructure को एक persistent graph में जोड़ता है। इसमें CBM Lens, MCP tools, agent integrations और change-aware test selection भी शामिल हैं। ये सभी हिस्से मिलकर developers और AI agents को codebase को अलग-अलग files या prompts के बजाय जुड़े हुए information के समूह के रूप में काम करने में मदद करने के लिए बनाए गए हैं।

बिल्डर्स के लिए सबसे उपयोगी अवसर एक लोकल कॉन्टेक्स्ट लेयर है, जो कोड और डॉक्स में चलने वाले एजेंट वर्कफ़्लोज़ का समर्थन कर सकता है। टेस्ट-सिलेक्शन फ़ीचर से टीमें परिवर्तन से असंबद्ध टेस्ट चलाने में कम प्रयास भी कर सकती हैं। अगली बात ध्यान देखने योग्य यह है कि एजेंट इंटीग्रेशन और चेंज-अवेयर सेलेक्शन वास्तविक प्रोजेक्ट्स में कितने प्रभावी ढंग से काम करते हैं।

[13:21] Microsoft का Agensh बिना किसी केंद्रीय बॉस के 1,024 एजेंटों को समन्वयित करता है

Microsoft Research ने Agensh को ओपन-सोर्स किया है। यह एक मल्टी-एजेंट हार्नेस है, जो ProgramBench पर बिना किसी केंद्रीय ऑर्केस्ट्रेटर या काम सौंपने वाले एकल कंट्रोलर के 1,024 तक एजेंट चला सकता है।

उपयोगी तंत्र साझा समन्वय है। वर्कर एक साझा Git रिपॉज़िटरी, चैट चैनल और फ़ाइंडिंग्स बोर्ड के माध्यम से संवाद करते हुए स्वयं को व्यवस्थित करते हैं। रिपोर्ट किए गए प्रयोग में Agensh ने ProgramBench पर छह घंटे के बजट के भीतर एक एजेंट से बढ़कर 1,024 एजेंट तक स्केल किया।

इससे बिल्डर्स को बड़ी, सहयोगी एजेंट टीमों पर शोध करने और यह समझने के लिए एक ओपन-सोर्स फ़्रेमवर्क मिलता है कि वे साझा कोड, बातचीत और दर्ज फ़ाइंडिंग्स के माध्यम से कैसे समन्वय करती हैं। मुख्य आँकड़ा प्रभावशाली है, लेकिन साझा वर्कस्पेस और संवाद चैनल ही वे ठोस हिस्से हैं जिन्हें टीमें अपनाए सकती हैं।

अगला प्रश्न यह है कि यह दृष्टिकोण ProgramBench से आगे के कार्यों पर और रिपोर्ट किए गए बेंचमार्क से अलग कार्यभार के तहत कैसा प्रदर्शन करता है।

[14:11] Cognition ने वल्नरैबिलिटी-फ़िक्सिंग एजेंट प्लगिन को ओपन-सोर्स किया

Cognition ने Devin Vulnerability Fixes प्लगिन को ओपन-सोर्स किया है, ताकि टीमें PHP, Node.js और सेल्फ-मैनेज्ड GitLab डिप्लॉयमेंट्स में इस सप्ताह आई गंभीर रिमोट-कोड-एक्सीक्यूशन खामियों पर प्रतिक्रिया दे सकें।

रिलीज़ में MIT-लाइसेंस वाली तीन एजेंट स्किल्स शामिल हैं। ये प्रभावित सिस्टमों की सूची बनाती हैं, उन्हें पैच और टेस्ट करती हैं, और फिर हर रिपॉज़िटरी के लिए एक पुल रिक्वेस्ट खोलती हैं। इससे व्यापक वल्नरैबिलिटी प्रतिक्रिया अलग-अलग, समीक्षा योग्य बदलावों में बदल जाती है, बजाय इसके कि टीमों को हर प्रभावित रिपॉज़िटरी को स्वयं खोजकर ठीक करना पड़े।

ध्यान रखने योग्य मुख्य बात यह है कि प्लगिन द्वारा इन्वेंटरी, पैचिंग और टेस्टिंग का काम पूरा करने के बाद जेनरेटेड पुल रिक्वेस्ट सामान्य इंजीनियरिंग समीक्षा के लिए तैयार हैं या नहीं।

[14:49] Letta ट्यूटोरियल स्टेटफुल इंजीनियरिंग कॉपिलॉट्स बनाता है

MarkTechPost ने Letta के साथ स्टेटफुल इंजीनियरिंग कॉपिलॉट बनाने पर एक व्यावहारिक गाइड प्रकाशित की है। इसका लक्ष्य एक AI असिस्टेंट को उसके तत्काल प्रॉम्प्ट में मौजूद जानकारी से आगे बढ़ाना है, ताकि वह लगातार बने रहने वाले संदर्भ और पुन: प्रयोज्य प्रोजेक्ट ज्ञान के साथ काम कर सके।

इसका केंद्र है निरीक्षण योग्य कोर मेमोरी, जो कॉपिलॉट के लिए जानकारी बनाए रखने हेतु एक दृश्य स्थान प्रदान करता है। ट्यूटोरियल संग्रहणात्मक वेक्टर रिट्रीवल भी दिखाता है: एक ऐसा तरीका जिससे पुरानी सामग्री को उसके अर्थ के अनुसार खोजा जा सकता है, बजाय इसके कि उसके शब्दों का सटीक मेल आवश्यक हो।

अधिक जटिल कार्यों के लिए, कॉपिलॉट कस्टम टूल का उपयोग कर सकता है और कई एजेंट्स के साथ स्थिति साझा कर सकता है, जिससे विशेषज्ञ एजेंट्स एक ही संदर्भ के आसपस समन्वय कर सकते हैं। यह स्ट्रीमिंग प्रतिक्रियाओं और पोर्टेबल वर्कफ़्लोज़ का भी समर्थन करता है, जिन्हें अलग-अलग वातावरणों के बीच स्थानांतरित किया जा सकता है।

डेवलपर्स के लिए, उपयोगी परिणाम एक ऐसी ठोस संरचना है जो इंजीनियरिंग असिस्टेंट को प्रोजेक्ट का संदर्भ बनाए रखने, प्रासंगिक जानकारी प्राप्त करने, विशेषज्ञ कार्यों से जुड़ने और पुन: प्रयोज्य वर्कफ़्लो को संरक्षित करने में सक्षम बनाती है—बजाय इसके कि हर सत्र में नए सिरे से शुरुआत की जाए।