OpenAI ने Linux कर्नेल की 948 कमजोरियों के पैच बनाए

NOVA: मैं NOVA हूँ।

[ALLOY]: मैं ALLOY हूँ, और यह है AgentStack Daily।

NOVA: OpenAI का कहना है कि एक स्वायत्त सुरक्षा पाइपलाइन ने Linux कर्नेल की नौ सौ अड़तालीस कमजोरियाँ खोजीं, उनकी पुष्टि की और उनके लिए पैच तैयार किए। इनमें हर कमजोरी स्थानीय स्तर पर विशेषाधिकार बढ़ाने वाला दोष थी, यानी ऐसा दोष जिससे सीमित पहुँच रखने वाला व्यक्ति उसी मशीन पर अधिक नियंत्रण हासिल कर सकता है। कर्नेल मेंटेनरों के सामने इतना महत्वपूर्ण सुरक्षा कार्य रखना चौंकाने वाला है। इससे उस पैमाने में बदलाव आता है, जिस पर स्वचालित प्रणालियाँ सॉफ्टवेयर की सुरक्षा में योगदान दे सकती हैं।

[ALLOY]: और सॉफ्टवेयर को संपादित करने के तरीके भी असामान्य होते जा रहे हैं। रिपोर्ट के मुताबिक, Astra ने एक छोटे न्यूरल नेटवर्क के मूल वेट्स जाँचे और उनमें से केवल शून्य दशमलव शून्य एक छह प्रतिशत बदले। इससे MATH-500 पर उसकी बताई गई सटीकता सात दशमलव नौ प्रतिशत से बढ़कर अड़तालीस दशमलव एक प्रतिशत हो गई। Ripple-65B एजेंटिक कोडिंग में मूल रूप से टूल इस्तेमाल करने की सुविधा, उपलब्ध मॉडल वेट्स और दस लाख टोकन की कॉन्टेक्स्ट विंडो लाता है। लोग ComfyUI में टेक्सचर और डबिंग पाइपलाइन भी बना रहे हैं, OpenAI के इमेज सिस्टम में GIF बना रहे हैं और लाइव ट्रैफिक बदलने पर इन्फरेंस की योजनाएँ समायोजित कर रहे हैं। आज: Hermes Agent शून्य डॉट बाईस डॉट सात और शून्य डॉट बाईस डॉट छह, न्यूरल नेटवर्क के वेट्स में सीधा संपादन, OpenAI के Linux पैच और तेज़ इमेज मॉडल, Ripple की स्थानीय कोडिंग की महत्वाकांक्षाएँ, AI डेटा सेंटरों का मतदाताओं द्वारा विरोध, मिश्रित चिपों पर इन्फरेंस और Codex के पैमाने पर विकास के लिए नया बुनियादी ढाँचा।

NOVA: Nous Research ने दो नवंबर को Hermes Agent शून्य डॉट बाईस डॉट छह जारी किया, और एक दिन बाद शून्य डॉट बाईस डॉट सात। ये दोनों रिलीज़ टर्मिनल इंटरफेस, वेब ऐप, Desktop, Docker और Hermes Cloud में एजेंटों के साथ साझा काम का विस्तार करती हैं। शून्य डॉट बाईस डॉट छह में गेटवे से सीधे चलने वाला वेब ऐप जोड़ा गया है। टर्मिनल इंटरफेस इसे खोल सकता है, और Desktop उपयोगकर्ता अपने नेटवर्क पर Web Access पैन से या Nous में साइन इन करके इसे इस्तेमाल कर सकते हैं। Desktop प्लगइन भी ब्राउज़र टैब के अंदर लोड हो सकते हैं। ग्रुप चैट में नाम बदलने, समूह भंग करने, मेंशन और पेस्ट किए गए अटैचमेंट की सुविधाएँ आती हैं। हर प्रोफ़ाइल Desktop साइडबार में अलग सेक्शन के रूप में भी दिख सकती है। इससे Hermes मुख्यतः व्यक्तिगत एजेंट इंटरफेस से आगे बढ़कर साझा कार्यक्षेत्र के करीब पहुँचता है, जहाँ भाग लेने वाले लोग और साझा सामग्री दिखाई देते हैं। टर्मिनल से चल रहे काम और ग्राफिकल इंटरफेस पर उसे देख रहे लोगों के बीच का अंतर भी कम होता है। कई एजेंटों की निगरानी करने वाला व्यक्ति उन प्रोफ़ाइलों को अलग-अलग प्रतिभागियों के रूप में देख सकता है, बजाय पूरे समूह को एक ऐसी स्वचालित प्रक्रिया मानने के जिसका भीतर का काम दिखाई न दे।

[ALLOY]: शून्य डॉट बाईस डॉट सात उस सहयोग को निर्धारित समय पर होने वाले काम तक ले जाता है। Cron जॉब, यानी पहले से तय समय पर चलने वाले काम, अब Group Chats में पोस्ट कर सकते हैं। Desktop Group Chats में वैकल्पिक लीड रूटिंग, Lead बैज, कमरों के उद्देश्य, साझा नोट्स, हर सदस्य की वर्तमान स्थिति दिखाने वाला एक कॉलम वाला लेआउट और तुरंत बदलने वाले टैब के रूप में पिन किए गए Kanban बोर्ड भी आते हैं। मुझे यह संयोजन पसंद है, क्योंकि यह दो अलग सवालों के जवाब देता है: स्वचालित काम कहाँ पहुँचता है, और उसे आगे बढ़ाने की ज़िम्मेदारी किसकी दिखाई देती है? शेड्यूल किए गए काम को नियंत्रित करना भी आसान होता है। लोग जॉब रद्द कर सकते हैं, तय कर सकते हैं कि कोई निर्धारित रन छूट जाने पर क्या हो, और Desktop एडिटर से जॉब रोक सकते हैं। हर स्किल के लिए अलग लॉक चुनी हुई स्किल में स्वायत्त लेखन रोक सकता है। वहीं, प्री-इन्फरेंस हुक मॉडल को बुलाए जाने से पहले ही बातचीत का एक टर्न रोक सकता है। ये नियंत्रण अलग-अलग समय पर काम करते हैं: एक किसी खास क्षमता की रक्षा करता है, जबकि दूसरा इन्फरेंस में संसाधन खर्च होने या कार्रवाई शुरू होने से पहले पूरा टर्न रोक सकता है। किसी सत्र का चुना हुआ मॉडल उसका इतिहास मिटाए बिना हटाया भी जा सकता है। सहयोग की सुविधाएँ बढ़ती हैं, लेकिन रोकने के साधन भी बढ़ते हैं, और साझा स्वचालन को ठीक यही चाहिए। नियोजित शून्य डॉट तेईस रिलीज़ में इन सुविधा क्षेत्रों से चुने हुए नोट्स और शून्य डॉट बाईस के बाद किए गए बदलावों को एक साथ शामिल किया जाना है, ताकि सहयोग को बढ़ावा देने की इस पहल का अधिक समेकित विवरण मिल सके।

[ALLOY]: पैंसठ अरब पैरामीटर और दस लाख टोकन की कॉन्टेक्स्ट विंडो वाला मॉडल दोनों ही लिहाज़ से बहुत बड़ा लगता है। Ripple-65B की OpenRouter लिस्टिंग वास्तव में क्या उपलब्ध कराती है?

NOVA: OpenRouter पर RicursiveAI का Ripple-65B Preview टेक्स्ट से टेक्स्ट बनाने वाले मॉडल के रूप में सूचीबद्ध है। यह सोलह-बिट प्रिसीजन में उपलब्ध है, इसमें मूल रूप से टूल कॉलिंग है और इसकी कॉन्टेक्स्ट क्षमता दस लाख अड़तालीस हज़ार पाँच सौ छिहत्तर टोकन है। टूल कॉलिंग का मतलब है कि मॉडल हर कार्रवाई को गद्य में व्यक्त करने की कोशिश करने के बजाय जुड़े हुए सॉफ्टवेयर से किसी नामित फ़ंक्शन को चलाने के लिए कह सकता है। लिस्टिंग में प्रॉम्प्ट इनपुट की कीमत प्रति दस लाख टोकन बीस सेंट, बनाए गए आउटपुट की साठ सेंट और कैश से पढ़े गए इनपुट की पाँच सेंट है। कैश की यह दर तब मायने रखती है जब लंबे समय तक चलने वाला एजेंट बार-बार उसी बड़े कोडबेस या दस्तावेज़-संग्रह पर लौटता है। पहुँच OpenRouter की API के ज़रिए मिलती है, इसलिए कोई टीम पहले खुद मॉडल वेट्स होस्ट किए बिना अपना मौजूदा एजेंट वर्कलोड Ripple पर भेज सकती है। मॉडल टेक्स्ट लेता है और टेक्स्ट लौटाता है। इसलिए एजेंट के रूप में उसकी उपयोगिता इस भाषा इंटरफेस को टूल से जोड़ने में है, न कि किसी अंतर्निहित इमेज या ऑडियो प्रोसेसिंग में। उदाहरण के लिए, कोई कोडिंग ऐप मॉडल की कार्यशील कॉन्टेक्स्ट विंडो में रिपॉज़िटरी की जानकारी रख सकता है, जबकि फ़ाइलों की जाँच, खोज या दूसरी बाहरी कार्रवाइयाँ टूल कॉल के ज़रिए होती रहें।

[ALLOY]: दस लाख टोकन की क्षमता ध्यान खींचती है, लेकिन टूल का इस्तेमाल ही उस क्षमता को एजेंट उत्पाद में बदलता है। मॉडल किसी बहुत बड़ी रिपॉज़िटरी या दस्तावेज़-संग्रह को सामने रख सकता है और फिर, जब केवल तर्क करना पर्याप्त न हो, तो बाहरी कार्रवाई का अनुरोध कर सकता है। हालाँकि, क्षमता यह साबित नहीं करती कि पूरी विंडो में हर उपयोगी विवरण बराबर सुलभ बना रहता है। Ripple की लिस्टिंग तुरंत पहुँचने का रास्ता और स्पष्ट टोकन कीमतें देती है। अलग से उपलब्ध कराए गए उसके मॉडल वेट्स अपने नियंत्रण में डिप्लॉयमेंट का रास्ता बनाते हैं। ये अलग-अलग फायदे हैं। एक मौजूदा ऐप के पीछे मॉडल जोड़ना आसान बनाता है, जबकि दूसरा संगठनों को इस पर अधिक नियंत्रण देता है कि मॉडल कहाँ चलेगा। कैश से पढ़ने की कीमत ऐसे वर्कलोड के लिए भी फायदेमंद है जो हर टर्न पर पूरी इनपुट दर चुकाने के बजाय साझा शुरुआती सामग्री के बड़े हिस्से को दोबारा इस्तेमाल करते हैं। लिस्टिंग से Ripple तक पहुँचना अभी आसान है। लंबे कोडिंग सत्र बताएँगे कि कई फ़ाइलों, बार-बार की कार्रवाइयों और बदलती स्थिति के बीच उसका लंबा कॉन्टेक्स्ट और मूल टूल कॉलिंग कितनी अच्छी तरह साथ काम करते हैं।

NOVA: Astra का बताया गया प्रयोग सचमुच असामान्य है। टीम का कहना है कि GPT-6 Astra ने Qwen तीन दशमलव पाँच के शून्य दशमलव आठ अरब पैरामीटर वाले मॉडल के अंदर के मूल संख्यात्मक वेट्स जाँचे। उसने अनुमान लगाया कि नेटवर्क का एक हिस्सा तर्क के बार-बार दोहरने वाले चक्रों में योगदान दे रहा था, और प्राकृतिक भाषा में तर्क करके चुनिंदा मान बदल दिए। उसने कोई विशेष ट्रेनिंग लूप या ग्रेडिएंट डिसेंट इस्तेमाल नहीं किया। ग्रेडिएंट डिसेंट वह सामान्य तरीका है जिसमें बार-बार त्रुटियाँ मापकर बड़ी संख्या में पैरामीटर थोड़ा-थोड़ा बदले जाते हैं। Astra ने शून्य दशमलव शून्य एक छह प्रतिशत वेट्स बदले।

[ALLOY]: और बताया गया सुधार मामूली नहीं है। समान सैंपलिंग सेटिंग में MATH-500 की सटीकता सात दशमलव नौ प्रतिशत से बढ़कर अड़तालीस दशमलव एक प्रतिशत हुई, जबकि IFEval पर निर्देशों का पालन करने का प्रदर्शन तीन गुना हो गया। ये परिणाम उसी टीम से आए हैं जो यह तरीका पेश कर रही है, इसलिए बताए गए उदाहरण से आगे इन्हें दोहराकर जाँचना ज़रूरी है। लेकिन सचमुच, यह हैरान करने वाला है: लगता है कि एक बड़े मॉडल ने छोटे मॉडल को एक संख्यात्मक वस्तु की तरह जाँचा, खास वेट्स से जुड़ा व्यवहार पहचाना और पूरे नेटवर्क को फिर से ट्रेन किए बिना लक्षित मरम्मत कर दी।

NOVA: वे इसे Weight-Space Programming कहते हैं। इसमें वेट्स को ट्रेनिंग का ऐसा उप-उत्पाद नहीं माना जाता जिसे भीतर से समझा न जा सके। इसके बजाय उन्हें संपादन योग्य संख्यात्मक संरचनाएँ माना जाता है, जिनकी गणनाओं पर तर्क किया जा सकता है। यह तब उपयोगी हो सकता है जब मॉडल में व्यवहार की कोई सीमित समस्या हो और पूरी दोबारा ट्रेनिंग धीमी या महँगी पड़े। लक्षित बदलाव नेटवर्क के अधिकांश हिस्से को छुए बिना एक विफलता सुधार सकता है। कठिन सवाल यह है कि क्या बदलाव सच में सीमित रहता है। दो मूल्यांकनों में सुधार से यह साबित नहीं होता कि असंबंधित क्षमताओं, मॉडल के आत्मविश्वास की सटीकता, सुरक्षा-संबंधी व्यवहार या अलग प्रॉम्प्ट पर मजबूती का क्या हुआ।

[ALLOY]: सही, और मैं अभी इसके सबसे व्यापक अर्थ से सहमत नहीं हूँ। शून्य दशमलव आठ अरब पैरामीटर वाले मॉडल में एक हस्तक्षेप का मतलब यह नहीं कि सबसे उन्नत नेटवर्क अब प्राकृतिक भाषा से साफ-साफ प्रोग्राम किए जा सकते हैं। लेकिन यह उस धारणा को चुनौती ज़रूर देता है कि मॉडल सुधारने का मतलब हमेशा एक और ट्रेनिंग रन होना चाहिए। अगर आगे का काम किसी देखी गई विफलता को वेट्स में छोटे, समझने योग्य बदलावों से जोड़ सके, और यह दिखा सके कि मरम्मत बिना छिपे नुकसान के दूसरे मामलों में भी काम करती है, तो मॉडल का रखरखाव पूरी मशीन दोबारा बनाने के बजाय किसी खास सर्किट की मरम्मत जैसा हो सकता है।

NOVA: OpenAI का कहना है कि उसने एक स्वायत्त पाइपलाइन बनाई जिसने Linux कर्नेल की नौ सौ अड़तालीस कमजोरियाँ खोजीं, उनकी पुष्टि की और उनके लिए पैच बनाए। ये स्थानीय स्तर पर विशेषाधिकार बढ़ाने वाले दोष थे। हमलावर को मशीन तक पहले से कुछ पहुँच चाहिए होती, लेकिन इनमें से किसी दोष का फायदा उठाकर वह अपने अधिकार बढ़ा सकता था और सिस्टम का बहुत बड़ा हिस्सा उसके सामने खुल सकता था। Linux कर्नेल सर्वर, डेस्कटॉप, एम्बेडेड डिवाइस और क्लाउड के बुनियादी ढाँचे के केंद्र में है। इसलिए उस स्तर के दोषों का असर बहुत व्यापक हो सकता है।

[ALLOY]: नौ सौ अड़तालीस वह संख्या है जो मुझे ठहरकर सोचने पर मजबूर करती है। सुरक्षा टीमों को सामान्यतः खोज, समस्या को दोहराने, गंभीरता का आकलन, पैच तैयार करने और समीक्षा के चरणों से गुजरना पड़ता है। OpenAI की पाइपलाइन ने खोज, पुष्टि और संभावित पैच तैयार करने को एक स्वचालित प्रवाह में समेट दिया। इससे मेंटेनर प्रक्रिया से बाहर नहीं होते। उन्हें जाँचने के लिए पुष्ट मामलों और प्रस्तावित सुधारों का बड़ा संग्रह मिलता है। यह अंतर महत्वपूर्ण है, क्योंकि कर्नेल जैसे आपस में गहराई से जुड़े सिस्टम में कोई पैच एक दोष ठीक करते हुए कहीं और पहले से काम कर रही चीज़ बिगाड़ सकता है।

NOVA: बिल्कुल। पैच बना देना और उसे सुरक्षित रूप से Linux में शामिल कर देना एक ही बात नहीं हैं। कर्नेल मेंटेनरों को अभी भी तय करना होता है कि सुधार असली कारण को ठीक करता है या नहीं, अपेक्षित व्यवहार बनाए रखता है या नहीं, संबंधित ब्रांचों पर लागू होता है या नहीं, और कहीं नई सुरक्षा समस्या तो नहीं पैदा करता। लेकिन खोज का यह पैमाना मुख्य परियोजना में संभव काम को बदल देता है। स्वचालित सिस्टम ऐसे दोषों की श्रेणियाँ खोज सकता है जिन तक मानव टीमें धीरे-धीरे पहुँचतीं, और अनुमान-आधारित चेतावनियों का ढेर देने के बजाय दोहराए जा सकने वाले मामले तैयार कर सकता है। वह खोज को संभावित सुधार से भी जोड़ सकता है। इससे कुछ गलत है और विशेषज्ञ समीक्षा के लिए यह ठोस बदलाव है, इन दोनों के बीच की दूरी कम होती है।

[ALLOY]: निर्णायक प्रमाण विशेषज्ञ समीक्षा, स्वीकृति और डिप्लॉयमेंट से मिलेगा। अगर बनाए गए सुधारों का केवल एक हिस्सा भी अंततः शामिल होता है, तब भी यह पाइपलाइन रक्षात्मक सुरक्षा कार्य का एक अलग ढंग दिखाती है। इंसान मरम्मत की गुणवत्ता और प्रणालीगत कारणों को समझने पर अधिक ध्यान दे सकते हैं, जबकि मशीनें बड़े पैमाने पर दोष खोजें और उन्हें दोहराएँ। यह रोमांचक है, लेकिन समीक्षा की क्षमता की ज़रूरत भी बढ़ाता है। सैकड़ों असली कमजोरियाँ तेज़ी से खोजना तभी उपयोगी है जब मेंटेनर परिणामों के ढेर में डूबे बिना उन्हें सुरक्षित रूप से जारी किए गए सुधारों में बदल सकें।

NOVA: OpenAI ने चार नवंबर को ChatGPT, Codex और API में Images दो दशमलव छह जारी किया। यह तेज़ी से इमेज बनाता है, GIF बना सकता है और अधिक सटीक संपादन देता है। नए API नियंत्रण डेवलपरों को इस पर अधिक प्रभाव देते हैं कि ये क्षमताएँ उनके उत्पादों में कैसे काम करेंगी। दिखाई देने वाला बदलाव यह है कि इमेज का काम अब केवल पहली स्थिर तस्वीर बनाने तक सीमित नहीं रहता। कोई व्यक्ति उसी मॉडल परिवार में रहते हुए एसेट बना सकता है, किसी चुने हुए विवरण को सुधार सकता है या विचार को गति दे सकता है। Codex में इससे विज़ुअल बनाना किसी इंटरफेस, प्रदर्शन या डिजिटल उत्पाद से जुड़े सॉफ्टवेयर काम के और करीब आता है। कोई ऐप टीम हर चरण को अलग टूल में भेजने के बजाय एक ही अंतर्निहित सेवा से इंटरफेस की कलाकृति और छोटा चलता-फिरता प्रदर्शन बना सकती है। यही क्षमताएँ मौजूदा विज़ुअल के तेजी से अलग-अलग रूप बनाने में भी मदद कर सकती हैं, जबकि पहले से सही हिस्से बने रहें।

[ALLOY]: GIF बनाना मनोरंजक लगता है, लेकिन यह उत्पादन की एक वास्तविक कमी पूरी करता है। छोटे मोशन एसेट उत्पाद प्रदर्शनों, सोशल पोस्ट, सहायता सामग्री और इंटरफेस प्रोटोटाइप में आते हैं, और अक्सर इमेज बनाने के बाद उनके लिए अलग टूल चाहिए होता था। अधिक सटीक संपादन शायद और भी महत्वपूर्ण साबित हो, क्योंकि उपयोगी रचनात्मक काम में किसी खास हिस्से को बदलते हुए पहले से सही चीज़ों को बचाना ज़रूरी है। तेज़ आउटपुट बातचीत का चक्र छोटा करता है: पूछिए, जाँचिए, संशोधन कीजिए और विचार ठंडा पड़ने से पहले आगे बढ़िए। API यह चक्र OpenAI के अपने ऐप से आगे ले जाती है। दूसरे उत्पाद भी अपने मौजूदा रचनात्मक इंटरफेस में जनरेशन, मोशन और चुनिंदा संपादन जोड़ सकते हैं। कोई सपोर्ट प्लेटफॉर्म छोटा एनिमेटेड स्पष्टीकरण बना सकता है, जबकि डिज़ाइन उत्पाद में कोई व्यक्ति पूरी रचना दोबारा बनाए बिना एक वस्तु बदल सकता है। गति का सबसे बड़ा फायदा तब है जब वह कई सावधानीपूर्वक संशोधन संभव करे, न कि केवल पहली तस्वीर जल्दी दे।

[ALLOY]: हमने Ripple को होस्टेड सेवा के रूप में इस्तेमाल करने का रास्ता देखा। उसके ओपन-वेट रिलीज़ का दावा और बड़ा है: Ricursive Intelligence का कहना है कि पैंसठ अरब पैरामीटर वाला मॉडल एजेंटिक कोडिंग में अमेरिकी ओपन-वेट मॉडलों से आगे निकल सकता है, और फिर भी स्थानीय NVIDIA सिस्टमों पर चलाने के लिहाज़ से व्यावहारिक रह सकता है। इस दावे का आधार क्या है?

NOVA: Ricursive ने TerminalBench दो दशमलव एक पर अस्सी दशमलव पाँच दो का स्कोर बताया है। इस मूल्यांकन में एजेंटों को टर्मिनल के भीतर काम पूरे करने होते हैं। कंपनी Ripple को पाँच सौ एक अरब पैरामीटर वाले Reflection Beam, आठ सौ सोलह अरब वाले Meta Muse Spark Open, नौ सौ पचहत्तर अरब वाले Thinking Machines Inkling और पाँच सौ पचास अरब वाले NVIDIA Nemotron तीन Ultra से आगे रखती है। ये तुलनाएँ और स्कोर Ricursive के बताए हुए परिणाम हैं। Ripple इन नामित प्रतिस्पर्धियों से बहुत छोटा है, इसलिए अगर व्यापक इस्तेमाल में भी यही दक्षता दिखती है, तो यह स्कोर उल्लेखनीय होगा। मॉडल की प्रीट्रेनिंग बारह ट्रिलियन टोकन पर हुई है, और Ricursive का कहना है कि उसका डेंस आर्किटेक्चर NVIDIA हार्डवेयर पर कुशल ट्रेनिंग और सर्विंग के लिए बनाया गया था। कंपनी के अनुसार, बड़े पैमाने पर लागू करने से पहले उसने छोटे मॉडलों पर आर्किटेक्चर के बदलाव परखे, अपनी सिंथेटिक डेटा पाइपलाइनें बनाईं और डेटा, मूल्यांकन, डीबगिंग तथा पोस्ट-ट्रेनिंग पर तीन करोड़ बीस लाख डॉलर खर्च किए।

[ALLOY]: यह इंजीनियरिंग का एक महत्वपूर्ण दावा है, लेकिन यहाँ “स्थानीय” का मतलब समझना ज़रूरी है। Ricursive NVIDIA DGX Spark जैसे हार्डवेयर की बात कर रहा है, न कि किसी पतले लैपटॉप पर वेब ब्राउज़र के साथ मॉडल चलाने की। ओपन वेट्स संगठनों को अपने प्रबंधन वाले बुनियादी ढाँचे पर मॉडल चलाने का विकल्प देते हैं, लेकिन पैंसठ अरब पैरामीटर के लिए फिर भी पर्याप्त मेमोरी और कंप्यूट चाहिए। Ripple दस लाख टोकन तक का कॉन्टेक्स्ट और नेटिव टूल कॉलिंग सपोर्ट करता है। इसका लक्ष्य ऐसे एजेंट हैं जो बड़े रिपॉज़िटरी जाँचें और जुड़े हुए सॉफ्टवेयर के ज़रिए कार्रवाई करें। वेट्स Hugging Face पर उपलब्ध हैं, जबकि Together AI, GMI Cloud और OpenRouter होस्टेड एक्सेस देते हैं। Fireworks पर उपलब्धता भी निर्धारित है। इस संयोजन से टीमें प्रबंधित इन्फरेंस और डिप्लॉयमेंट पर अधिक प्रत्यक्ष नियंत्रण के बीच चुनाव कर सकती हैं। Ricursive का TerminalBench स्कोर रिलीज़ को एक दमदार सुर्खी देता है; लेकिन अनजाने रिपॉज़िटरी, लंबे काम और टूल की पेचीदा विफलताएँ बताएँगी कि सामान्य विकास में उस बताए गए फ़ायदे का कितना हिस्सा कायम रहता है।

NOVA: ComfyUI की स्थिर शून्य डॉट चवालीस डॉट शून्य रिलीज़ में Patina के टेक्सचर काम और VEED की डबिंग के लिए Partner Nodes जोड़े गए हैं। दोनों का योगदान bigcat अट्ठासी ने दिया है। Patina टेक्सचर बनाना नोड ग्राफ में लाता है, जबकि VEED डबिंग का चरण जोड़ता है। ComfyUI ने अपने वर्कफ़्लो टेम्पलेट भी शून्य डॉट ग्यारह डॉट अट्ठानवे पर अपडेट किए हैं। इससे क्रिएटरों को इन हिस्सों को इमेज, वीडियो और ऑडियो के कामों के साथ जोड़ने के लिए नए शुरुआती ढाँचे मिलते हैं।

[ALLOY]: मज़ेदार बात इनके बीच का जुड़ाव है। टेक्सचर और डबिंग अलग-अलग चीज़ें लगती हैं, लेकिन एक ही ग्राफ कोई दृश्य बना सकता है, उसकी सतहों को किसी खास सामग्री जैसा रूप दे सकता है और उसके बोले गए ट्रैक का स्थानीयकरण कर सकता है। ComfyUI का नोड-आधारित तरीका इन कामों को अलग-अलग ऐप के वर्कफ़्लो में छिपाने के बजाय एक साथ जोड़ने योग्य बनाता है। क्रिएटर किसी विशेष काम को ठीक वहीं रख सकता है जहाँ उसकी ज़रूरत है, और आसपास की पूरी पाइपलाइन भी सामने रहती है।

NOVA: pylint जिस Python लक्ष्य का इस्तेमाल करता है, उसमें आंतरिक रखरखाव का बदलाव भी है, लेकिन क्रिएटरों के लिए मुख्य खबर यही दो Partner Nodes हैं। इनकी उपयोगिता किसी अकेले नोड के विवरण से ज़्यादा पूरे वर्कफ़्लो में समझ आती है। टेक्सचर नोड तब अपनी जगह सार्थक बनाता है जब वह जनरेशन और अंतिम रेंडरिंग के बीच सहजता से फिट हो। डबिंग तब उपयोगी होती है जब टाइमिंग, आवाज़ और आसपास की मीडिया पाइपलाइन में तालमेल बना रहे।

[ALLOY]: इसीलिए ComfyUI लगातार अधिक दिलचस्प होता जा रहा है। वह सिर्फ एक और मॉडल चुनने वाला मेन्यू नहीं जोड़ रहा। वह प्रोडक्शन के विशेष चरण इकट्ठे कर रहा है, जिन्हें क्रिएटर अपनी वास्तविक प्रक्रिया के हिसाब से दोबारा जोड़ सकता है। Patina और VEED उस ग्राफ को मीडिया प्रोडक्शन के दो और हिस्सों तक बढ़ाते हैं, बिना जनरेशन, सतहों पर काम, ध्वनि और स्थानीयकरण को एक ही विशाल एडिटर में ठूँसने के।

NOVA: अमेरिका के नौ राज्यों में तीस से अधिक स्थानीय क्षेत्रों के मतदाताओं ने डेटा सेंटरों को खारिज किया या उन पर पाबंदियाँ लगाईं। उपायों में अस्थायी रोक, पूर्ण प्रतिबंध और टैक्स में छूट चाहने वाले हाइपरस्केलरों पर वित्तीय या परिचालन शर्तें शामिल थीं। कुछ मतदान उन परियोजनाओं के जवाब में हुए जो पहले से चल रही थीं। इसलिए यह भविष्य में कभी बनने वाले किसी काल्पनिक विस्तार का सैद्धांतिक विरोध नहीं था।

[ALLOY]: फ़्लोरिडा के Edgewater में भारी बहुमत से शहर के चार्टर में डेटा सेंटरों पर प्रतिबंध जोड़ा गया। ओहायो के Perry में प्रोत्साहन चाहने वाले हाइपरस्केलरों पर वित्तीय और परिचालन शर्तें लगाई गईं। एक सौ तीस से अधिक संघीय और गवर्नर पद के चुनावों में टेक्नोलॉजी या डेटा सेंटरों के विरोध वाले विज्ञापन भी दिखाई दिए। टेक्सस के गवर्नर Greg Abbott ने AI और डेटा सेंटरों के विस्तार को बढ़ावा दिया था, फिर कड़े नियमन का वादा किया, लेकिन फिर भी चुनाव हार गए। स्थानीय चिंताएँ अब इतनी असरदार हो चुकी हैं कि वे प्लानिंग बोर्ड की बैठकों से बहुत आगे, चुनाव अभियानों की दिशा तय कर रही हैं।

NOVA: वित्तपोषण पर भी असर पड़ रहा है। बैंकों और एसेट मैनेजरों ने समुदाय के विरोध को कर्ज़ का जोखिम मानना शुरू कर दिया है, जबकि हाइपरस्केलर स्थानीय समुदाय से संपर्क रखने वाले प्रतिनिधि नियुक्त कर रहे हैं। कुछ संचालक अपनी सुविधाओं को “कंप्यूट कैंपस” कह रहे हैं, लेकिन नाम बदलने से जनता की प्रतिक्रिया भरोसेमंद ढंग से नहीं बदली है। निवासियों की नज़र अब भी बिजली की माँग, पानी के इस्तेमाल, ज़मीन, शोर, टैक्स व्यवस्था और वादा की गई नौकरियों के टिकाऊपन पर है। एक चमकदार नाम यह नहीं बताता कि नए बुनियादी ढाँचे का खर्च कौन देगा या उससे होने वाली परेशानी कौन झेलेगा। जब कर्ज़ देने वाले राजनीतिक विरोध की कीमत तय करने लगते हैं, तब निर्माण शुरू होने से पहले ही समुदाय का मतदान परियोजना का आर्थिक गणित बदल सकता है।

[ALLOY]: इससे AI के बुनियादी ढाँचे का नक्शा बदल सकता है। तकनीकी रूप से उपयुक्त जगह भी वित्तीय दृष्टि से कम आकर्षक हो सकती है, अगर मंज़ूरी अनिश्चित हो, प्रोत्साहन पर मतदाताओं की शर्तें हों या कर्ज़ देने वाले विरोध का जोखिम सौदे में जोड़ दें। समुदाय निर्माण से पहले ही अपना प्रभाव जता रहे हैं, सिर्फ सर्वर आने के बाद बातचीत नहीं कर रहे। जो कंपनियाँ निर्माण जारी रखेंगी, उन्हें ऐसे समझौते करने होंगे जिनका लोग ठोस आधार पर आकलन कर सकें: लागत, सुरक्षा उपाय और स्थानीय लाभ। कंप्यूट का यह उछाल जनता की सहमति पर लगातार अधिक निर्भर हो रहा है, और मतदाताओं ने दिखा दिया है कि वे सहमति देने से इनकार कर सकते हैं।

NOVA: SambaNova और Supermicro ने ऐसे इन्फरेंस सिस्टम बनाने और बेचने के लिए सहयोग की घोषणा की है जिनमें SambaNova के RDU और GPU साथ होंगे। RDU, SambaNova का डेटा-फ़्लो आधारित प्रोसेसर है। यह मॉडल की गणनाओं को हार्डवेयर में पारंपरिक ग्राफ़िक्स प्रोसेसर से अलग तरीके से आगे बढ़ाता है। Supermicro की शुरुआती योजना में दस हज़ार SN50 RDU चिप शामिल हैं। इससे इस साझेदारी को मिश्रित हार्डवेयर पर विचार करने के किसी अस्पष्ट समझौते के बजाय एक वास्तविक मात्रा का लक्ष्य मिलता है। Supermicro सिस्टम बनाने और वितरण का अनुभव लाता है; SambaNova ऐसा प्रोसेसर लाता है जो मॉडल की गणनाओं को आगे बढ़ाने के अलग तरीके पर बना है। यह संयोजन इस बात को भी स्वीकार करता है कि AI सर्विंग को कई तरह के प्रोसेसरों से फ़ायदा मिल सकता है, बजाय इसके कि एक ही चिप से हर चरण समान दक्षता से संभालने की अपेक्षा की जाए।

[ALLOY]: इस मिश्रित-चिप डिज़ाइन पर लगाया गया दाँव दिलचस्प है। एजेंटिक वर्कलोड ज़रूरी नहीं कि मैट्रिक्स ऑपरेशन की एक जैसी धारा हों। उनमें टोकन बनाना, लंबे कॉन्टेक्स्ट प्रोसेस करना, टूल कॉल करना और बाहरी सिस्टमों का इंतज़ार करना बारी-बारी से हो सकता है। SambaNova का तर्क है कि इन्फरेंस की अगली लहर हर जगह चलनी चाहिए, और यह साझेदारी उसके विशेष प्रोसेसरों को GPU के विशाल स्थापित आधार से जोड़ती है। लेकिन दस हज़ार नियोजित चिप का मतलब दस हज़ार तैनात चिप नहीं है। अगला सार्थक कदम ऐसा उपलब्ध सिस्टम होगा जो दिखाए कि कौन सा काम RDU पर चलता है, कौन सा GPU पर रहता है, और क्या दोनों का संयोजन थ्रूपुट, विलंब या लागत में इतना सुधार करता है कि हार्डवेयर की एक और परत जोड़ना उचित हो। अगर काम का यह बँटवारा सफल होता है, तो संचालकों को विशेष गणनाओं के लिए उन्हें कुशलता से संभालने वाला हार्डवेयर चुनने का एक और तरीका मिलेगा।

[ALLOY]: मतदाताओं द्वारा डेटा सेंटरों पर पाबंदियाँ लगाए जाने के बाद OpenAI ने Grid Protectors Program पेश किया। क्या यह उसी दबाव का सीधा जवाब है?

NOVA: यह कंप्यूट की बढ़ती माँग और स्थानीय बुनियादी ढाँचे के बीच उसी टकराव को संबोधित करता है। OpenAI का कहना है कि कार्यक्रम बिजली सेवा देने वाली कंपनियों के साथ मिलकर काम करेगा, ताकि भविष्य के कंप्यूट कैंपस बिजली ग्रिड की विश्वसनीयता को सहारा दें और उपभोक्ताओं को बिजली की बढ़ती लागत से बचाएँ। बड़ी सुविधाएँ एक जगह भारी माँग पैदा करती हैं, जबकि ग्रिड को चरम माँग और व्यवधानों से निपटने के लिए पर्याप्त उत्पादन, ट्रांसमिशन और लचीलापन चाहिए। जो कैंपस अपनी माँग में समन्वय करे या नए बुनियादी ढाँचे को समर्थन दे, वह उस कैंपस से बेहतर ढंग से जुड़ सकता है जो बस लगातार भारी बिजली माँगता रहे। इस घोषणा में घरेलू उपभोक्ताओं की लागत और विश्वसनीयता को कंप्यूट परियोजना की सार्वजनिक ज़िम्मेदारियों में रखा गया है, न कि बिजली को पर्दे के पीछे हासिल किया गया कोई निजी इनपुट माना गया है। यह महत्वपूर्ण है, क्योंकि नया कैंपस उस संपत्ति से कहीं दूर तक बुनियादी ढाँचे के फैसलों और दरों को प्रभावित कर सकता है जहाँ उसके सर्वर लगे हैं।

[ALLOY]: यह नज़रिया सही है, लेकिन समुदाय ठोस व्यवस्थाओं को परखेंगे। हर क्षेत्र में बिजली उत्पादन, मौसम, नियम, दरों की संरचना और ट्रांसमिशन की सीमाएँ अलग होती हैं। स्पष्ट रूप से बताई गई बिजली कंपनियाँ, कैंपस और लागू कराए जा सकने वाले सुरक्षा उपाय ही दिखाएँगे कि कार्यक्रम से नतीजे बदलते हैं या नहीं। फिर भी, OpenAI की घोषणा का समय एक बात साफ़ करता है: बिजली तक पहुँच और जनता की सहमति एक ही कारोबारी समस्या बनती जा रही हैं। भविष्य की AI क्षमता चिप और इमारतों पर निर्भर है, लेकिन ऐसे बिजली समझौतों पर भी, जिन्हें मौजूदा ग्राहक उचित मानें। किसी जगह को “कंप्यूट कैंपस” कह देने से कमज़ोर सौदा नहीं सुधरेगा; विश्वसनीयता और उपभोक्ताओं की लागत को लेकर पारदर्शी प्रतिबद्धताएँ शायद सुधार ला सकें। डेटा सेंटरों पर जिन मतों की हमने अभी चर्चा की, वे इन प्रतिबद्धताओं को केवल अच्छी जनसंपर्क रणनीति नहीं, बल्कि कारोबारी रूप से महत्वपूर्ण बनाते हैं।

[ALLOY]: कोई प्रयोगशाला मॉडल समझ सकता है कि एक नमूने को कहीं और ले जाना है, फिर भी इस भौतिक सवाल पर चूक सकता है: वह किस चीज़ को सुरक्षित ढंग से पकड़ सकता है, और मशीन वहाँ तक कैसे पहुँच सकती है?

NOVA: BEAKER बेंचमार्क इसी अंतर को मापता है। शोधकर्ताओं ने उपकरणों की पहचान, प्रयोग की स्थिति, सुरक्षा, उपकरण संयोजन, संचालन, प्रक्रिया के क्रम और भौतिक तर्क से जुड़े इमेज तथा वीडियो प्रश्न चुने। मौजूदा मॉडलों ने प्रक्रिया के व्यापक चरणों को उन कामों से बेहतर संभाला जिनमें इस्तेमाल किए जा सकने वाले हिस्सों और व्यवहार्य गति-पथों की पहचान करनी थी। यानी वे रास्ते जिन्हें कोई रोबोट या मशीन वास्तव में अपना सकती है।

[ALLOY]: अपने-आप चलने वाली प्रयोगशालाओं के लिए यह बेहद महत्वपूर्ण है। प्रयोग का क्रम पहचान लेना पर्याप्त नहीं है, जब किसी कार्रवाई से रसायन छलक सकता हो, उपकरण से टक्कर हो सकती हो, गलत हिस्सा पकड़ा जा सकता हो या ऐसे उपकरण की स्थिति बिगड़ सकती हो जिसकी अवस्था परिणाम के लिए मायने रखती है।

NOVA: बिल्कुल। सही कार्रवाई का वर्णन करना और उसे वास्तव में करना एक बात नहीं है। प्रयोगशाला के स्वचालन में दृश्य और परिवेश की समझ, सुरक्षा की सीमाओं और भौतिक रूप से संभव गति में एक ही समय पर तालमेल होना चाहिए। BEAKER इस कमी को सामने लाता है, इससे पहले कि सिस्टमों को वास्तविक मशीनों का नियंत्रण दिया जाए।

NOVA: OpenAI ने Pando बनाया है। यह Git के साथ संगत बैकएंड है, जिसे Codex के डेस्कटॉप ऐप वाले कोडिंग परिवेश में होने वाले बड़े पैमाने के विकास के लिए तैयार किया गया है। Git वह प्रणाली है जिससे डेवलपर कोड का इतिहास दर्ज करते हैं, काम की शाखाएँ बनाते हैं, बदलावों की तुलना करते हैं और योगदानों को जोड़ते हैं। इस संगतता से Git की परिचित अवधारणाएँ बनी रहती हैं, जबकि Pando उन्हें उपलब्ध कराने वाला बुनियादी ढाँचा बदलता है। यह तब महत्वपूर्ण होता है जब Codex केवल इंसानों वाले सामान्य वर्कफ़्लो से कहीं अधिक विकास गतिविधियाँ एक साथ पैदा करता है: रिपॉज़िटरी को पढ़ना, बदलाव सुझाना, शाखाएँ बनाना, तुलना करना, समीक्षा करना और मशीन की रफ़्तार से मर्ज करना।

[ALLOY]: यानी Codex का उल्लेखनीय बदलाव कोई और टर्मिनल टैग नहीं है। OpenAI डेस्कटॉप उत्पाद के नीचे मौजूद रिपॉज़िटरी की परत को फिर बना रहा है। सामान्य Git होस्टिंग के पीछे कुछ और सर्वर जोड़ देना पर्याप्त क्यों नहीं है?

NOVA: क्योंकि पैमाना बढ़ने से काम का स्वरूप बदल जाता है। कई समानांतर कोडिंग कार्य बार-बार एक ही इतिहास की जाँच कर सकते हैं, एक-दूसरे पर चढ़ते हुए बदलाव कर सकते हैं और इतनी तेज़ी से तुलना या मर्ज माँग सकते हैं, जिसके लिए मूल रिपॉज़िटरी ढाँचा बनाया ही नहीं गया था। OpenAI Pando को Git-संगत और Codex के पैमाने के लिए निर्मित बताता है। इससे संकेत मिलता है कि कंपनी डेवलपरों को कोड के इतिहास की परिचित कार्यप्रणाली छोड़े बिना अधिक क्षमता देना चाहती है। सामने दिखने वाला कोडिंग अनुभव भी नीचे मौजूद टिकाऊ इतिहास, तालमेल और समीक्षा पर निर्भर करता है। अगर एजेंट एक साथ काम करने वाले योगदानकर्ताओं की संख्या कई गुना कर देते हैं, तो रिपॉज़िटरी का प्रदर्शन तय करने लगता है कि उत्पाद कितना सुव्यवस्थित महसूस होता है।

[ALLOY]: और Git की संगतता बनाए रखना एक समझदार सीमा है। नया बैकएंड अपनाना आसान होता है, जब सॉफ्टवेयर टीमों को अपनी परिचित सोच और आसपास के टूल छोड़ने न पड़ें। असली रिपॉज़िटरी कठिन परीक्षा लेंगी: लंबा इतिहास, कई समवर्ती एजेंट, मानव योगदानकर्ता, टकराते संपादन और जटिल मर्ज। फिर भी Pando दिखाता है कि AI की मदद से विकास किस दिशा में जा रहा है। कोड लिखना सिर्फ़ एक परत है। आसपास की प्रणालियों को बहुत अधिक सॉफ्टवेयर गतिविधि सँभालनी होगी, बिना सहयोग, बदलावों के स्रोत और इतिहास को नई अड़चन बनाए।

NOVA: OpenAI ने चार नवंबर को घोषणा की कि वह Pierre Computer Company का अधिग्रहण करेगा। OpenAI के अनुसार इस सौदे से कोड बनाने, समझने और उसकी समीक्षा करने वाले Codex के टूल बढ़ेंगे। यानी यह अधिग्रहण किसी एक छोटी सुविधा के बजाय पूरे सॉफ्टवेयर विकास चक्र से जुड़ा है। निर्माण में सॉफ्टवेयर बनाना या बदलना आता है; समझने का मतलब है जानना कि मौजूदा कोडबेस क्या करता है; और समीक्षा में देखा जाता है कि प्रस्तावित बदलाव सही, सुरक्षित और उपयुक्त है या नहीं। जैसे-जैसे कोडिंग एजेंट अधिक बदलाव बनाते हैं, ये बाद वाले चरण अधिक महत्वपूर्ण होते जाते हैं, क्योंकि तेज़ी से कोड बन जाना उसे समझना या मंज़ूर करना अपने-आप आसान नहीं बना देता। बेहतर समीक्षा और कोड की समझ तय कर सकती है कि अतिरिक्त काम उपयोगी परिणाम बनेगा या इंसानों के लिए सुलझाने वाली एक और लंबी कतार।

[ALLOY]: यह Pando के साथ अच्छी तरह जुड़ता है। एक निवेश एजेंटों से भरे विकास के नीचे रिपॉज़िटरी का ढाँचा मज़बूत करता है, जबकि दूसरा उन लोगों और तकनीक को जोड़ता है जो डेवलपरों को कोड बनाने, समझने और जाँचने में मदद करते हैं। OpenAI Codex को केवल चतुर ऑटोकम्प्लीट बॉक्स के तौर पर नहीं रख रहा है। वह एक व्यापक परिवेश बना रहा है, जहाँ कोड बनाना, रिपॉज़िटरी को समझना और समीक्षा करना एक साथ आते हैं, और इंसान को साफ़ दिखना चाहिए कि क्या बदला, क्यों बदला और क्या वह बदलाव वहाँ होना चाहिए। इस अधिग्रहण का प्रभाव तब ठोस होगा जब Pierre का काम निर्माण, समझ और समीक्षा के इन हिस्सों में दिखाई देगा। तेज़ कोड निर्माण की तारीफ़ आसान है; इस बढ़ती धारा को समझने और जाँचने लायक बनाना ही रफ़्तार को भरोसेमंद इंजीनियरिंग में बदलता है।

[ALLOY]: ज़्यादातर मॉडल ऑप्टिमाइज़ेशन तैनाती शुरू होने तक पूरा माना जाता है। Together Compiler उलटा मानता है: ट्रैफिक बदलता है, इसलिए अनुकूलित गणना को भी बदलते रहना चाहिए। यह एक बार सावधानी से ट्यून किए गए सर्विंग कॉन्फ़िगरेशन से कैसे अलग है?

NOVA: Together AI इसे एजेंट-आधारित प्रणाली बताता है, जो सर्विंग ट्रैफिक बदलने के साथ मॉडल के फ़ॉरवर्ड पास को बार-बार अनुकूलित करती है। फ़ॉरवर्ड पास वह गणना है जो इनपुट को आउटपुट में बदलती है। Together के अनुसार इसकी प्रति सेकंड टोकन दर सर्वश्रेष्ठ InferenceX कॉन्फ़िगरेशन की तुलना में अधिकतम दो दशमलव छह गुना रही, और हर मॉडल का ऑप्टिमाइज़ेशन चौबीस घंटे से कम में पूरा हुआ। यह आँकड़ा Together का है, इसलिए अलग-अलग मॉडल और कार्यभार पर प्रदर्शन बताएगा कि यह लाभ कितनी व्यापकता से मिलता है। मुख्य बदलाव यह है कि कंपाइलर निष्पादन योजना को तैनाती के बाद भी दोबारा सुधारने योग्य मानता है, न कि सेवा शुरू होते ही हमेशा के लिए तय हो जाने वाली चीज़।

[ALLOY]: यह वास्तविक ट्रैफिक के अधिक अनुकूल है, क्योंकि अनुरोधों की लंबाई, बैच का आकार, समवर्ती काम और मॉडल का उपयोग समय के साथ बदलते हैं। बीते कल के कार्यभार के लिए ट्यून किया गया सेटअप आने वाले कल में हार्डवेयर संसाधन बर्बाद कर सकता है। Together Compiler का एजेंट-आधारित चक्र वास्तव में आ रहे ट्रैफिक के लिए बेहतर निष्पादन योजना खोजता है। अगर बताया गया लाभ बदलते कार्यभार में भी मिलता है, तो इन्फरेंस ऑप्टिमाइज़ेशन शुरुआत के दिन की इंजीनियरिंग परियोजना के बजाय लगातार चलने वाली सेवा बन जाता है। इससे उसी हार्डवेयर पर अधिक अनुरोध पूरे हो सकते हैं या मॉडल बदले बिना सर्विंग की लागत घट सकती है। लेकिन यह अनुकूलन भरोसेमंद भी रहना चाहिए: अतिरिक्त ऑप्टिमाइज़ेशन तभी फ़ायदेमंद है जब गणना सही रहे और बढ़ी हुई थ्रूपुट संचालन की अतिरिक्त जटिलता से अधिक लाभ दे। फिर भी टोकन दर का दो दशमलव छह गुना होना इतना बड़ा बदलाव है कि लगातार ऑप्टिमाइज़ेशन महज़ दिखावटी सुधार नहीं रह जाता।

NOVA: Nanobot के उनचास हज़ार आठ सौ पैंतालीस स्टार हैं, तीस दिनों में एक हज़ार सड़सठ बढ़े हैं, और शून्य दशमलव चार संस्करण अट्ठाईस अक्टूबर को जारी हुआ। यह हल्के निजी एजेंट की बुनियाद देता है। Codebase Memory MCP के अड़तालीस हज़ार एक सौ इक्यावन स्टार हैं, दो हज़ार तीन सौ बयासी बढ़े हैं, और अक्टूबर में शून्य डॉट बारह डॉट एक संस्करण आया। इसका स्थायी ग्राफ़ कोड, दस्तावेज़ और बुनियादी ढाँचे को जोड़ता है, जबकि बदलावों से अवगत इसकी सुविधाएँ संपादनों को प्रभावित हिस्सों से जोड़ने में मदद करती हैं। इसलिए Nanobot जैसा छोटा वर्कर किसी परियोजना में हर बार वही रिश्ते फिर खोजने के बजाय अधिक समृद्ध और टिकाऊ रिपॉज़िटरी संदर्भ के साथ काम कर सकता है।

[ALLOY]: MCP for Blender जुड़े हुए एजेंटों के इस विचार को तीन आयामी निर्माण तक ले जाता है। तीस दिनों में तीन हज़ार चार सौ पंद्रह स्टार बढ़ने के बाद इसके तैंतीस हज़ार तीन सौ साठ स्टार हुए, यानी ग्यारह दशमलव चार प्रतिशत वृद्धि। इसे चार नवंबर को अपडेट किया गया। यह एक इंटीग्रेशन परत से LLM को Blender चलाने देता है, हालाँकि यह समुदाय की परियोजना है, Blender Foundation का आधिकारिक टूल नहीं। इन तीनों की भूमिकाएँ अलग हैं: Nanobot एक केंद्रित वर्कर देता है, Codebase Memory पूरे सॉफ्टवेयर सिस्टम के रिश्ते सहेजता है, और MCP for Blender एजेंट को नियंत्रित करने योग्य विशेष रचनात्मक परिवेश देता है।

NOVA: RicursiveAI का Ripple-65B Preview OpenRouter पर उपलब्ध है। यह पैंसठ अरब पैरामीटर वाला टेक्स्ट-टू-टेक्स्ट मॉडल है, जिसे सोलह-बिट प्रिसिशन में सर्व किया जाता है। इसमें नेटिव टूल कॉलिंग और दस लाख अड़तालीस हज़ार पाँच सौ छिहत्तर टोकन की कॉन्टेक्स्ट विंडो है। यह संयोजन उन एजेंटों के लिए है जिन्हें असामान्य रूप से बड़े कोडिंग संदर्भ पर तर्क करना और बाहरी फ़ंक्शन चलाना होता है। OpenRouter से तुरंत API पहुँच मिलती है, और Ricursive की व्यापक रिलीज़ में खुले वेट्स भी उपलब्ध हैं।

[ALLOY]: Moonshot AI का Kimi K तीन दशमलव एक Pro Hugging Face पर सात सौ ग्यारह लाइक और ग्यारह हज़ार छह सौ अट्ठावन डाउनलोड के साथ ट्रेंड कर रहा है। यह तस्वीरें और टेक्स्ट लेकर टेक्स्ट देता है। इसलिए केवल टेक्स्ट मॉडल की तरह काम करने के बजाय यह दृश्य सवालों, स्क्रीनशॉट, आरेखों और तस्वीरों पर आधारित बातचीत को सपोर्ट करता है। इसकी रिपॉज़िटरी में Transformers, Safetensors, compressed tensors और कस्टम कोड का उपयोग है, और मूल्यांकन के परिणाम भी जुड़े हैं।

NOVA: इसका आकर्षण अपने प्रबंधन में तैनाती के साथ मल्टीमोडल काम है: आरेखों वाले तकनीकी दस्तावेज़, इंटरफेस के स्क्रीनशॉट और ऐसी दृश्य सामग्री जिसे संदर्भ सहित समझाना हो। इसका लाइसेंस, वेट फ़ॉर्मैट, रनटाइम की ज़रूरतें, कॉन्टेक्स्ट क्षमता और हार्डवेयर की माँग तय करती हैं कि तैनाती कहाँ व्यावहारिक है, ख़ासकर Pro श्रेणी के मॉडल के लिए। डाउनलोड संख्या सक्रिय रुचि दिखाती है, जबकि तस्वीर और टेक्स्ट का इनपुट इसे एक और सामान्य बातचीत वाले मॉडल से अधिक ठोस भूमिका देता है।

NOVA: Soniox STT संस्करण छह वॉइस एजेंटों के लिए एजेंट टेक्स्ट इनपुट और इको फ़िल्टरिंग जोड़ता है। कॉल करने वाले को सुनते समय यह वॉइस एजेंट का अपना टेक्स्ट भी ले सकता है। इससे छोटे जवाब पहचानने और एजेंट की आवाज़ को छाँटने में मदद मिलती है, ताकि दोनों तरफ़ की आवाज़ एक उलझी हुई धारा में ट्रांसक्राइब न हो। इसके स्ट्रीमिंग और असिंक्रोनस विकल्प लाइव तथा रिकॉर्ड किए गए वॉइस कार्यभार के लिए हैं। OpenAI भी सुरक्षा रक्षकों को बड़े बग बाउंटी पुरस्कार दे रहा है। स्वतंत्र सुरक्षा शोधकर्ताओं के लिए रिपोर्ट की गुणवत्ता, लगातार योगदान और प्राथमिकता वाले अभियानों से जुड़े बोनस जोड़े जा रहे हैं।

[ALLOY]: और OpenAI ChatGPT तथा Codex को कंप्यूटर-सहायित डिज़ाइन, सर्किट बोर्ड डिज़ाइन, सिमुलेशन और संबंधित इंजीनियरिंग में लागू करके भौतिक दुनिया की इंजीनियरिंग को तेज़ कर रहा है। यह बाकी दोनों बदलावों से अच्छी तरह जुड़ता है: Soniox लाइव बातचीत के दौरान एजेंटों को सही सुनने में मदद कर रहा है, जबकि बड़े सुरक्षा पुरस्कार लोगों को महत्वपूर्ण खामियाँ स्पष्ट रूप से दर्ज करने के लिए प्रोत्साहित करते हैं। आवाज़, रक्षात्मक शोध और भौतिक इंजीनियरिंग में AI ऐसी जिम्मेदारियों के करीब जा रहा है, जहाँ संदर्भ को गलत समझना महँगी गलती बन जाता है।

NOVA: इन घटनाक्रमों के प्राथमिक स्रोतों और अधिक जानकारी के लिए Toby On Fitness Tech डॉट कॉम पर शो नोट्स देखें।

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