OpenAI ने पेश किया GPT-6 साइबर

NOVA: मैं NOVA हूँ।

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

NOVA: OpenAI ने GPT-6 Cyber पेश किया है, एक ऐसा मॉडल जो exploitable vulnerabilities खोजने और अधिकृत सुरक्षा कार्य के भीतर रहते हुए सुधार विकसित करने में मदद करने के लिए बनाया गया है। एक अलग प्रयास में, OpenAI का कहना है कि एक autonomous pipeline ने Linux kernel के लिए नौ सौ अड़तालीस security patches खोजे, सत्यापित किए और तैयार किए। यह कोई chatbot नहीं है जो किनारे से टिप्पणी कर रहा हो। यह ऐसा software है जो computing के सबसे महत्वपूर्ण codebases में से एक में discovery, validation और repair के चरणों से गुज़र रहा है।

[ALLOY]: Creators किसी low-poly character या environment का विवरण एक चार-अरब-parameter local model को दे सकते हैं, परिणाम को browser में preview कर सकते हैं, और फिर editable GLB asset को game editor में export कर सकते हैं। NVIDIA ने एक offline speech model जारी किया है जो audio को transcribe और translate करता है, speakers की पहचान करता है, audio से जुड़े सवालों के जवाब देता है, और चालीस भाषाओं को संभालता है। आज: Hermes Agent point twenty-three अपने पूरे Desktop workspace को browser में उपलब्ध कराता है, OpenAI kernel flaws और authorized cyber defense दोनों को लक्षित करता है, local models editable game assets तैयार करते हैं, Australian universities ChatGPT access बढ़ा रहे हैं, और एक lawsuit AI-assisted planning के बारे में कहीं अधिक गंभीर सवाल खड़ा करता है।

NOVA: Hermes Agent point twenty-three पाँच नवंबर को जारी हुआ, साथ में एक Webapp जो उपयोगकर्ता के अपने gateway से पूरे Desktop workspace को serve करता है। Chats, Group Chats, plugins और settings—सभी local network पर या sign-in से सुरक्षित public address के ज़रिए browser में खुल सकते हैं। Webapp के साथ Docker image और Nix package दोनों आते हैं, लेकिन web access शुरू में disabled रहता है; उपयोगकर्ता इसे Settings में या Webapp configuration के ज़रिए स्पष्ट रूप से सक्षम करते हैं। यह default मायने रखता है। Hermes workspace को पहुँचना आसान बनाता है, लेकिन उसे चुपचाप exposed नहीं करता। बड़ा structural change interface के पीछे है: अब हर machine एक gateway चलाती है जो अपने sessions का स्वामी होती है। Terminal interface, command-line client, Desktop, editors, messaging bots और scheduled jobs—सभी उसी gateway से जुड़ते हैं, इसके बजाय अलग-अलग agents की तरह काम करने और work के अलग-अलग views रखने के। एक gateway conversation का durable owner बन जाती है, जबकि अलग-अलग interfaces उसी में देखने वाले clients बन जाते हैं। Desktop एक साथ कई machines से भी जुड़ा रह सकता है, इसलिए कई gateways तक पहुँचने के लिए उनके sessions को एक अस्पष्ट pool में नहीं मिलाना पड़ता।

[ALLOY]: यही हिस्सा मुझे पसंद है। Browser interface सुविधाजनक है, लेकिन shared session ownership एक कहीं अधिक परेशान करने वाली समस्या का समाधान करती है: कई surfaces एक ही assistant की स्वतंत्र copies की तरह behave करना। एक gateway के साथ वे एक ही conversations तक पहुँच सकते हैं, इसके बजाय duplicate messages बनाए या किसी अन्य interface को यह पता ना हो कि दूसरे में क्या हुआ। हर Group Chat अपनी conversation को अलग route करती है, इसलिए shared access का यह मतलब नहीं कि हर चर्चा एक विशाल thread बन जाए। Release में self-updating plugins, pluggable delegation, और paid MCP tools के लिए price tags तथा spending limits भी जोड़े गए हैं। MCP tools external capabilities हैं, जिन्हें agent को एक standard connection के ज़रिए उपलब्ध कराया जाता है। Spending limit gateway को एक स्पष्ट सीमा देती है, खासकर तब जब इनमें से कोई capability पैसे लेती है, जबकि pluggable delegation काम सौंपने के तरीके में अधिक विकल्प खोलता है। Hermes ने अपना plugin catalog लगभग छह सौ entries से बढ़ाकर एक हज़ार पचास से अधिक कर दिया, अपने built-in skill set को हल्का किया, और लंबे समय तक चलने वाले gateways के लिए memory और latency में सुधार जोड़े। इस संयोजन ने Hermes को interfaces के एक संग्रह से अधिक coherent multi-surface system में बदल दिया है: केंद्र में shared sessions, उसके चारों ओर browser access, और delegated या paid actions के लिए स्पष्टतर controls।

[ALLOY]: नौ सौ अड़तालीस fixes की संख्या लगभग अतिरंजित रूप से बड़ी लगती है। OpenAI के system ने केवल ऐसे patches generate करने के अलावा, जो बस plausible दिखते थे, और क्या किया?

NOVA: OpenAI का कहना है कि autonomous pipeline ने तीन जुड़े हुए चरण संभाले: उसने local privilege-escalation vulnerabilities खोजीं, उन्हें validate किया, और Linux kernel में मौजूद अलग-अलग flaws के लिए patch candidates तैयार किए। Local privilege-escalation flaw किसी ऐसे व्यक्ति को उसी machine पर अधिक नियंत्रण देता है जो पहले से सीमित access रखता है। यह target असामान्य रूप से महत्वपूर्ण है, क्योंकि kernel hardware, memory, processes, permissions और अन्य foundational system resources को manage करता है। सतही रूप से reasonable दिखने वाला edit बदले गए code से कहीं दूर नई failures पैदा कर सकता है। इसलिए बताया गया परिणाम केवल model द्वारा सुझाए गए नौ सौ अड़तालीस snippets नहीं है। OpenAI इन्हें ऐसे validated security patches बताता है, जिन्हें एक ऐसे pipeline ने तैयार किया है जो खोजी गई कमजोरी को proposed repair से जोड़ता है। यह end-to-end connection मायने रखता है, क्योंकि suspicious code खोजना, यह साबित करना कि कोई security defect वास्तविक है, और एक defensible fix लिखना—ये जुड़ी हुई लेकिन अलग-अलग कार्य हैं। तीनों को automate करने से maintainers को evaluate करने के लिए कुछ ठोस मिलता है, न कि vague suspicious functions की एक और सूची।

[ALLOY]: इससे आँखों में चमकने वाली संख्या एक गंभीर डिफेंसिव-सॉफ़्टवेयर परिणाम बन जाती है। Maintainers के पास अब निरीक्षण के लिए बड़ी संख्या में प्रस्तावित सुधार हैं, लेकिन अपस्ट्रीम स्वीकृति फिर भी महत्वपूर्ण है; सत्यापित उम्मीदवार अपने आप Linux का हिस्सा नहीं बन जाता। मानवीय समीक्षा से पता चलेगा कि पाइपलाइन ने शुद्धता, अनुकूलता और कर्नेल समुदाय के मानकों को कितनी अच्छी तरह संभाला। यह भी पता चलेगा कि सुधार इतने सीमित हैं कि हर खामी को ठीक करते समय असंबंधित व्यवहार को बाधित न करें। इस सतर्कता के बावजूद, पैमाने से बातचीत का स्वरूप बदल जाता है। स्वचालित सुरक्षा प्रणालियाँ अब केवल कमजोरियों की व्याख्या नहीं करतीं, बल्कि उन्हें खोजती हैं, जाँचती हैं कि वे वास्तविक हैं या नहीं, और ठोस उपचार तैयार करती हैं। यदि Maintainer समीक्षा के बाद ठहताई हिस्सा बचा रहता है, तो नौ सौ अड़तालीस केवल बेंचमार्क जैसा कुल नहीं होगा। यह उन वास्तविक खामियों का प्रतिनिधित्व करेगा जिन्हें सर्वरों, फ़ोनों, एम्बेडेड डिवाइसों और क्लाउड के विशाल हिस्से में उपयोग की जाने वाली अवसंरचना से हटाया गया है।

NOVA: CCORE ने Qwen three-point-five four-billion GLB-3D-Coder जारी किया है, एक विशेष मॉडल जो टेक्स्ट विवरणों को संपादन योग्य लो-पॉली गेम एसेट्स और प्रोसीडरल दृश्यों में बदलता है। कोई किरदार, प्रॉप, इमारत या वातावरण माँगें, और यह एक Three.js वेबपेज तैयार करता है जिसमें लाइव प्रीव्यू और Export GLB बटन होता है। Three.js ब्राउज़र ग्राफ़िक्स लाइब्रेरी है, जबकि GLB तीन-आयामी दृश्य या वस्तु को Godot जैसे एडिटरों के लिए पैकेज करता है। आउटपुट केवल रेंडर की गई तस्वीर तक सीमित नहीं रहता; यह प्रोजेक्ट सामग्री बन सकता है, जिसे क्रिएटर देखता है, बदलता है, एनिमेट करता है और गेम में रखता है। CCORE मूल Safetensors चेकपॉइंट और Q-four K-M तथा Q-eight-zero क्वांटाइज़्ड वेट्स Apache two-point-zero के अंतर्गत उपलब्ध कराता है।

[ALLOY]: ठीक है, वास्तव में यह उत्सुकता पैदा करने वाला है। “Text to 3D” अक्सर ऐसी आकर्षक वस्तु बनाता है जिसे प्रोडक्शन में शामिल करने का रास्ता अटपटा होता है। यहाँ मॉडल ब्राउज़र प्रीव्यू और एक्सपोर्ट का रास्ता, दोनों बनाता है। इसमें अनुरोधित एनिमेशन शामिल हो सकता है, और CCORE का RIFTWARD शोकेस जनरेटेड एसेट्स को एक ब्राउज़र एरेना में जोड़ता है, जिसे खेलते समय अब लाइव इन्फ़रेंस की ज़रूरत नहीं होती। मॉडल कंटेंट बनाने में मदद करता है; वह गेमप्ले के हर पल में मौजूद नहीं रहता। छोटे गेम के लिए यह अलगाव महत्वपूर्ण है, क्योंकि जनरेटेड एसेट्स सामान्य प्रोजेक्ट फ़ाइलें बन सकते हैं, इसके बजाय स्थायी मॉडल-सर्विंग निर्भरता पैदा करने की ज़रूरत नहीं होती।

NOVA: मैं उत्साहित हूँ, लेकिन एक्सपोर्ट बटन जादुई नहीं है। प्रकाशक का कहना है कि कुछ अनुरोधों को दोबारा कोशिश करने या जनरेटेड कोड में छोटा सुधार करने की ज़रूरत पड़ सकती है। ब्राउज़र प्रीव्यू और इम्पोर्ट किए गए एसेट के बीच मटेरियल, लाइटिंग और एनिमेशन बदल सकते हैं, और अनुरोधित एनिमेशन की एक्सपोर्ट के बाद जाँच भी आवश्यक हो सकती है। ये एक उपयोगी वर्कफ़्लो के आसपास ठोस सीमाएँ हैं, इस बात का प्रमाण नहीं कि वर्कफ़्लो काल्पनिक है। ये साथ ही यह भी दिखाते हैं कि क्रिएटर कहाँ शामिल रहता है: उपयुक्त आउटपुट चुनना, कभी-कभार जनरेटेड पेज में सुधार करना और यह जाँचना कि एक्सपोर्ट की गई वस्तु गंतव्य एडिटर में अभी भी इच्छा के अनुसार दिखती और चलती है या नहीं।

[ALLOY]: CCORE ने चालीस डोमेन में तीन हज़ार नौ सौ अठारह परीक्षित और रेंडर किए गए ट्रेनिंग उदाहरण भी जारी किए हैं, जिनके मान्य GLB एक्सपोर्ट हैं। इससे विशेषीकरण को एक निरीक्षण योग्य आधार मिलता है और ऐसे उदाहरण उपलब्ध होते हैं जो एक ही एसेट श्रेणी तक सीमित नहीं हैं। एक छोटी टीम स्थानीय रूप से प्रॉप्स का पूरा परिवार जनरेट कर सकती है, उपयोगी उम्मीदवार रख सकती है और उन्हें सामान्य एडिटर में सुधार सकती है। एक अकेला क्रिएटर लिखित कॉन्सेप्ट को मोटे वातावरण में बदल सकता है, जबकि प्रोटोटाइप टीम ऐसे प्लेसहोल्डर एसेट्स बना सकती है जो डिज़ाइन बदलने पर भी संपादन योग्य रहते हैं। अर्थपूर्ण बदलाव यह है कि अब केवल दृश्य संदर्भ नहीं, बल्कि संपादन योग्य एसेट पाइपलाइन की शुरुआत जनरेट की जाती है।

[ALLOY]: NVIDIA का Nemotron three-point-five Transcribe एक और स्थानीय वर्कफ़्लो को गंभीरता से लेता है: यह एक ओपन-वेट स्पीच मॉडल है जो चालीस भाषाओं में रिकॉर्डिंग को ऑफ़लाइन प्रोसेस करता है। रिकॉर्डिंग, टेक्स्ट निर्देश और वैकल्पिक संदर्भ बहुत अलग-अलग आउटपुट दे सकते हैं। यह शब्दशः रिसर्च ट्रांसक्रिप्ट बना सकता है, स्पीच को साफ़ कैप्शन में दोबारा लिख सकता है, अनुवाद कर सकता है, स्पीकर पहचान सकता है, शब्द-स्तरीय टाइमस्टैम्प जोड़ सकता है, भाषा तय कर सकता है या क्या कहा गया था, इसके बारे में प्रश्न का उत्तर दे सकता है। रिकॉर्डिंग एक घंटे तक चल सकती हैं। मॉडल में ऑडियो एनकोडर सहित लगभग चार-पॉइंट-तीन अरब सक्रिय पैरामीटर होते हैं, और NVIDIA B-F-sixteen, F-P-eight तथा N-V-F-P-four वेट्स प्रकाशित करता है।

NOVA: तो दूसरे बहुभाषी स्पीच मॉडल की तुलना में इसकी स्थिति कहाँ है? NVIDIA अपने बहुभाषी बेंचमार्क पर औसत वर्ड एरर रेट four-point-six-two बताता है, जबकि Qwen three A-S-R one-point-seven-billion के लिए यह six-point-four-nine है। कम अंक बेहतर है, क्योंकि स्कोर बदले गए, छोड़े गए और जोड़े गए शब्दों की गिनती करता है। यह संख्या NVIDIA की ओर से आई है, इसलिए इसे प्रकाशक का दावा मानते हुए, अधिक व्यापक उपयोग द्वारा गंदे माइक्रोफ़ोनों, क्षेत्रीय उच्चारणों, एक साथ बोलने वाले वक्ताओं और विशिष्ट शब्दावली में परिणाम दोहराए जाने तक मैं इसे ऐसे ही देखूँगा। इतना तो स्पष्ट है कि इसे कैसे तैयार किया जा सकता है: डेवलपर चेकपॉइंट को Hugging Face Transformers के साथ चला सकते हैं या इसे NeMo Speech के ज़रिए सर्व कर सकते हैं। NVIDIA एक H-one-hundred और अस्सी गिगाबाइट मेमोरी वाले डिवाइस पर इसके संचालन का दस्तावेज़ देता है।

[ALLOY]: निर्देश से नियंत्रित आउटपुट किसी संकीर्ण बेंचमार्क उन्नति से अधिक महत्वपूर्ण हो सकता है। रिसर्च इंटरव्यू में हर हिचकिचाहट संरक्षित रखनी होती है। कैप्शन में आम तौर पर विराम चिह्न और सफ़ाई चाहिए। मीटिंग आर्काइव में स्पीकर लेबल और टाइमस्टैम्प चाहिए हो सकते हैं। बहुभाषी सपोर्ट सेंटर को अनुवाद और कॉल के बारे में खोजे जा सकने वाले उत्तर चाहिए हो सकते हैं। एक मॉडल इन अनुरोधों को पूरा कर सकता है, इसके बजाय ट्रांसक्रिप्शन को निश्चित आउटपुट न मानते हुए। जब रिकॉर्डिंग में निजी बातचीत, ग्राहक जानकारी, कानूनी चर्चाएँ, चिकित्सा संबंधी बोलावट या अप्रकाशित सामग्री होती है, जिसे अपने पर्यावरण से बाहर नहीं जाना चाहिए, तब ऑफ़लाइन संचालन संस्थाओं को एक और विकल्प भी देता है।

NOVA: कुछ स्पष्ट सीमाएँ हैं। NVIDIA ने इसे ऑफलाइन प्रोसेसिंग के लिए डिज़ाइन किया था, लाइव स्ट्रीमिंग रिकॉग्निशन के लिए नहीं। इसके ऑडियो रीज़निंग, बोले गए निर्देशों पर काम करने और सवालों के जवाब देने की क्षमताओं का मूल्यांकन केवल अंग्रेज़ी में किया गया था, इसलिए चालीस भाषाओं में ट्रांसक्रिप्शन का समर्थन यह नहीं दिखाता कि हर उच्च-स्तरीय क्षमता चालीसों भाषाओं में बराबर रूप से काम करती है। यह अंतर महत्वपूर्ण है। फिर भी, ट्रांसक्रिप्शन, अनुवाद, भाषा की पहचान, टाइमस्टैम्प, स्पीकर एट्रिब्यूशन और ऑडियो प्रश्नों को एक ही ओपन-वेट चेकपॉइंट में जोड़ना निजी मीटिंग विश्लेषण, लोकलाइज़ेशन, ऑडियो सर्च, कैप्शनिंग और ग्राहक-सेवा विश्लेषण के लिए एक लचीला आधार बनाता है।

NOVA: NPCBench चिकित्सा AI से किसी रोगी की देखभाल की पूरी यात्रा में तर्क करने को कहता है, न कि अलग-अलग प्रश्नों पर अंक लगाने को। यह नासोफैरिंजियल कार्सिनोमा पर केंद्रित है, एक ऐसा कैंसर जो नाक के पीछे ऊपरी गले में विकसित होता है, और मामलों को निदान, फॉलो-अप, एकीकृत उपचार निर्णयों और खुले प्रश्नों वाली परामर्शा के साथ आगे बढ़ाता है। यह बेंचमार्क विशेषज्ञ ज्ञान, दृश्य साक्ष्य, रोगी की स्थिति में बदलाव और समय के साथ कई निर्णयों को एक-दूसरे से सुसंगत रखने की आवश्यकता को जोड़ता है।

[ALLOY]: इससे एक गंभीर अंतर उभरकर सामने आता है। इक्कीस मल्टीमोडल मॉडलों में पूरी देखभाल पथ पर सख्त सफलता अधिकतम केवल तेईस प्रतिशत पर पहुँची। कोई मॉडल अलग-अलग एक निदान संबंधी प्रश्न और एक उपचार संबंधी प्रश्न सही ढंग से हल कर सकता है, फिर भी एक ही रोगी के लिए दोनों निर्णय सही तरीके से लेने में विफल हो सकता है। चिकित्सा में जुड़े हुए तर्क को प्रभावशाली क्विज़ उत्तरों के संग्रह से अधिक महत्व दिया जाता है। NPCBench इस अंतर को मापने योग्य बनाता है: अवयवों की सटीकता मजबूत दिख सकती है, जबकि समन्वित देखभाल फिर भी बिखर सकती है। यह एक चेतावनी है कि अलग-अलग चिकित्सकीय उत्तरों को किसी मॉडल के बदलती क्लिनिकल स्थिति का पालन करने, दृश्य और लिखित साक्ष्य को जोड़ने और बाद की सिफ़ारिशों को पहले निष्कर्षों के अनुरूप रखने का प्रमाण न माना जाए।

[ALLOY]: लंबे संदर्भ वाले मॉडल लगातार स्मृति से जुड़े एक प्रश्न से टकराते हैं: आप हर पहले के टोकन को पूरा तरीके से सुरक्षित रखे बिना उपयोगी जानकारी को कैसे बनाए रखते हैं?

NOVA: लिनियर अटेंशन पहले की सामग्री को एक निश्चित आकार की स्थिति में संपीड़ित करता है, जिसका भंडारण पूरे दस्तावेज़ के साथ बढ़ता नहीं है। Muir इस संपीड़ित स्मृति को बेहतर बनाता है, क्योंकि वह इसके अपडेट को चयनात्मक रूप से संभालता है। राइट्स कई चैनलों को प्रभावित कर सकते हैं, जबकि एरेज़र कम पैरामीटरों का उपयोग कर सकता है, इसलिए Muir क्षमता को स्मृति के उन हिस्सों पर केंद्रित करता है जो बदलाव के प्रति सबसे संवेदनशील हैं, और रिट्रीवल के दौरान संग्रहीत जानकारी का पुनःभार देता है। यह प्राप्त क्षमता का उपयोग अधिक व्यापक आंतरिक प्रोसेसिंग नेटवर्क के लिए करता है और एक समानांतर अपडेट जोड़ता है, जो बड़े हिस्सों वाले प्रशिक्षण के दौरान स्थिर रहने के लिए डिज़ाइन किया गया है।

[ALLOY]: रिपोर्ट किए गए प्रयोगों में, Muir ने GDN-two और मानक Transformer से कम perplexity हासिल की, साथ ही GDN-two से बेहतर सामान्य ज्ञान सटीकता और उत्कृष्ट निष्कर्षक अनुस्मारक भी दिया। Perplexity मापती है कि कोई भाषा मॉडल टेक्स्ट देखकर कितना आश्चर्यचकित होता है; कम मान आम तौर पर बेहतर भविष्यवाणी का संकेत देते हैं। आकर्षक संभावना यह है कि एक सहायक बहुत बड़े दस्तावेज़ में खोज या सारांश बनाते हुए निश्चित आकार की संपीड़ित स्मृति बनाए रखे। Muir इस धारणा को भी चुनौती देता है कि स्मृति के हर हिस्से को समान अपडेट क्षमता के योग्य माना जाए: संग्रहीत कुछ जानकारी को अधिक व्यंजक राइट की आवश्यकता होती है, जबकि दूसरे हिस्सों को अधिक किफ़ायती तरीके से बदला जा सकता है।

NOVA: Cult.fit कहता है कि अलग-अलग कार्यक्षेत्रों की टीमें Codex का उपयोग परिचालनात्मक सॉफ़्टवेयर बनाने और यह बदलने के लिए कर रही हैं कि काम कंपनी में कैसे आगे बढ़ता है। इसे एक इंजीनियरिंग टीम द्वारा अपनी सामान्य कोडिंग कतार को तेज़ करने के रूप में प्रस्तुत नहीं किया गया है। संगठन के कई हिस्सों में लोग बार-बार आने वाली व्यावसायिक ज़रूरतों को टूल में बदल रहे हैं, जिससे सॉफ़्टवेयर निर्माण पारंपरिक डेवलपमेंट समूह से आगे बढ़ रहा है। इससे किसी बार-बार होने वाले परिचालन समस्या को समझने वाले व्यक्ति और उसके समाधान के लिए बनाए गए सॉफ़्टवेयर के बीच की दूरी कम हो सकती है। जो टीम बार-बार सिस्टमों के बीच जानकारी स्थानांतरित करती है, रिकॉर्ड मिलाती है या एक नियमित प्रक्रिया का समन्वय करती है, उस काम का वर्णन उसी वातावरण में कर सकती है जहाँ कार्यशील टूल बनने लगता है।

[ALLOY]: मैं किसी बदलाव की घोषणा से पहले मापने योग्य परिणाम चाहूँगा, लेकिन यह उपयोग का मामला वास्तविक और ठोस है। एक operational अड़चन अब कोई और chatbot बातचीत या कोई और manual handoff नहीं, बल्कि software का एक हिस्सा बन जाती है। इससे यह बदल सकता है कि internal tool का प्रस्ताव कौन करता है, rough version कितनी जल्दी सामने आता है, और वह उसे माँगने वाले लोगों के काम से कितनी निकटता से मेल खाता है। यह engineering टीम की भूमिका भी बदलता है: specialists हर छोटी request को translate करने में कम समय लगा सकते हैं और ऐसे systems बनाने में अधिक समय लगा सकते हैं जिन्हें deeper technical ownership की आवश्यकता हो।

NOVA: इन tools के विभिन्न functions में फैलने और routine use में बने रहने से ही साफ पता चलेगा। बनाने की speed तो account का केवल एक हिस्सा है; initial enthusiasm के बाद भी software को समझने योग्य और उपयोगी बना रहना चाहिए। किसी एक narrow process के लिए बना tool genuinely valuable हो सकता है, बिना company-wide platform बने। इस modest scale का एक लाभ यह है कि काम के सबसे निकट लोग missing capability को सटीक रूप से बता सकते हैं, तुरंत देख सकते हैं कि वह reality से मेल नहीं खाता, और actual operational need के आसपास उसे बेहतर बना सकते हैं।

[ALLOY]: बिल्कुल—यह adoption की unit को भी बदल देता है। किसी company को कुछ हासिल करने के लिए पूरे business system को replace करने की ज़रूरत नहीं है। एक recurring process focused internal tool बन सकता है, फिर दूसरा भी। Codex यहाँ तब valuable होता है जब यह लोगों को actual work encode करने में मदद करता है, न कि केवल किसी ऐसे process में एक general chat window जोड़ता है जो पहले से confusing था। Cult.fit का account बताता है कि AI-assisted development operations के और करीब जा रही है, जहाँ domain knowledge और software creation कहीं पहले की तुलना में कहीं जल्दी मिल सकते हैं।

[ALLOY]: OpenAI ने exploitable vulnerabilities खोजने और fixes विकसित करने के लिए GPT-6 Cyber पेश किया है। क्या यह केवल security prompt वाला general model है, या OpenAI ने authorized scope को model का हिस्सा ही बना दिया है?

NOVA: OpenAI का कहना है कि model को authorized limits के भीतर रहने के लिए train किया गया था। इसलिए permitted security engagement की boundaries का मकसद केवल बाहरी instruction में रहने के बजाय model के behavior को आकार देना है। इसका काम ऐसे दो tasks को जोड़ता है जिनके बीच अक्सर कठिन handoff चाहिए: पहले यह तय करना कि कोई weakness वास्तव में exploitable है या नहीं, फिर repair विकसित करने में मदद करना। Security teams उन systems की जाँच कर सकती हैं जिन्हें assess करने की अनुमति उन्हें है, और findings को remediation की तरफ बढ़ा सकती हैं—बिना discovery और fixing को पूरी तरह अलग model workflows माने के। इससे flaw और उस code या configuration के बीच मौजूद technical context अधिक बनाए रखा जा सकता है, जिसमें बदलाव की ज़रूरत है।

[ALLOY]: यह एक मज़बूत दिशा है, लेकिन कठिन मामलों में ambiguous boundaries होंगी। Real environments में shared services, dependencies, cloud accounts और third-party systems होते हैं, जिनकी permissions हमेशा engagement document के किसी एक वाक्य से साफ तरह नहीं मेल खातीं। मुझे नहीं लगता कि “scope के लिए trained” होने से समस्या हल हो जाती है। मेरा मानना है कि यह सही समस्या को केंद्र में रखता है। Cyber model को केवल capable नहीं होना चाहिए; उसे authorized work कहाँ समाप्त होता है, यह पहचानना पड़ता है—भले ही technically reachable target उस सीमा के ठीक बाहर हो। Scope control के बिना security capability ऐसी system को और powerful बना देगी, लेकिन यह operational question नहीं सुलझाएगा जो तय करता है कि उसके actions permitted हैं या नहीं।

NOVA: अलग Linux effort इस timing को और interesting बनाता है। OpenAI ऐसा model पेश कर रहा है जो authorized vulnerability work के लिए है, साथ ही autonomous pipeline से नौ सौ अड़तालीस validated kernel patch candidates की रिपोर्ट भी कर रहा है। ये efforts मिलकर defensive work की ऐसी दिशा संकेत करते हैं जो discovery, exploitability और repair तक फैली है। अगला महत्वपूर्ण प्रमाण authorized engagements से आएगा: क्या GPT-6 Cyber consequential weaknesses खोजता है, उनकी boundaries का पालन करता है, और ऐसे fixes बनाता है जिन्हें security teams और maintainers sound मानते हैं। उद्देश्य concrete है। Real deployments दिखाएँगे कि model इसे complicated systems में कितनी consistently पूरा कर सकता है।

NOVA: GitHub ने Copilot usage metrics API में attribution fields जोड़े हैं, ताकि organizations अपनी bring-your-own-key activity और enterprise custom-model activity में अंतर कर सकें। Local bring your own key के साथ developer कोई provider key या local model configure करता है, और Copilot के terminal या app surfaces से किए गए requests सीधे उस provider या model तक जाते हैं। Reports local activity, key type और client surface के आधार पर totals, तथा active-user counts दिखा सकते हैं। Enterprise custom models एक अलग route लेते हैं: administrators उन्हें configure करते हैं, GitHub requests को handle करता है, और usage records में request और token counts के साथ enterprise-custom-model marker रहता है, जिसमें editor clients से हुआ activity भी शामिल है। यदि same underlying model एक बार GitHub hosting के ज़रिए और एक बार enterprise configuration के ज़रिए आता है, तो वह दो entries के रूप में दिखाई देता है। मौजूदा aggregate totals नहीं बदलते; attribution अधिक precise हो जाता है।

[ALLOY]: वह तब तक निष्क्रिय लगता है, जब तक फ़ाइनेंस, सुरक्षा और प्लेटफ़ॉर्म टीमें नहीं पूछतीं कि मॉडल का उपयोग क्यों बढ़ा, किस क्लाइंट ने उसे बनाया और ट्रैफ़िक वास्तव में किसने संभाला। अलग-अलग रास्तों पर मापन की गुणवत्ता अभी भी भिन्न है। लोकल bring-your-own-key रिपोर्टिंग क्लाइंट टेलीमेट्री और क्लाइंट-साइड टोकन रिपोर्टिंग पर निर्भर करती है, इसलिए उसकी संख्या कम आँकी जा सकती है। एंटरप्राइज़ कस्टम-मॉडल रिक्वेस्ट GitHub से होकर गुज़रती हैं और उन्हें सर्वर-साइड पर देखा जा सकता है। ऐतिहासिक रिपोर्ट के दिनों में नया एंटरप्राइज़ मार्कर पूर्ववत नहीं जोड़ा जाएगा। उपयोगी बदलाव स्पष्ट अलगाव है, पूर्ण हिसाब-किताब नहीं। संगठन स्थानीय कीज़, स्थानीय मॉडल, GitHub-होस्टेड मॉडल और केंद्रीय रूप से कॉन्फ़िगर किए गए कस्टम डिप्लॉयमेंट में फ़र्क़ कर सकते हैं—यह दावा किए बिना कि चारों की लागत, शासन या मापन की विशेषताएँ एक जैसी हैं।

[ALLOY]: Dependabot अब Agent Package Manager, यानी APM के ज़रिए प्रबंधित पैकेजों के लिए वर्ज़न-अपडेट पुल रिक्वेस्ट खोल सकता है। इससे परिचित डिपेंडेंसी वर्कफ़्लो का विस्तार समर्थित AI एजेंट स्किल्स, प्रॉम्प्ट्स और इंस्ट्रक्शन पैकेजों तक हो जाता है।

NOVA: Dependabot समर्थित पैकेजों के नए वर्ज़नों की पहचान करता है और पुल रिक्वेस्ट के ज़रिए बदलाव प्रस्तावित करता है। टीमें इसे स्वीकार करने से पहले वर्ज़न कंट्रोल में अपडेट देख सकती हैं, इसके बजाय हर पैकेज को स्वयं ट्रैक करें या किसी अदृश्य बदलाव को सीधे एजेंट सेटअप में जाने दें। यह समीक्षा योग्य सीमा महत्वपूर्ण है, क्योंकि बदला गया इंस्ट्रक्शन या स्किल व्यवहार को बदल सकता है, भले ही पारंपरिक एप्लिकेशन कोड वैसा ही रहे। एजेंट पैकेज यह प्रभावित कर सकता है कि कौन-से टूल उपलब्ध हैं, किसी कार्य को कैसे ढाँचा दिया जाता है या कौन-सी शर्तें किसी कार्रवाई को निर्देशित करती हैं। प्रस्तावित बदलाव को पुल रिक्वेस्ट में रखने से उसे एक लेखक, दिखाई देने वाला अंतर, चर्चा की जगह और प्रोजेक्ट के इतिहास में दर्ज होने का स्थान मिलता है।

[ALLOY]: इसका मूल्य इस बात पर निर्भर करेगा कि APM का समर्थित-पैकेज कैटलॉग कितना व्यापक बनता है। लेकिन दिशा सही है: एजेंट सिस्टम अब तेज़ी से पुन: प्रयोज्य व्यवहारिक घटकों पर निर्भर हो रहे हैं, और इन घटकों को भी लाइब्रेरियों की तरह स्पष्ट रूप से维护 किया जाना चाहिए। पुल रिक्वेस्ट दर्ज करती है कि क्या और कब बदला, जबकि फ़ैसला टीम की मौजूदा सहयोग प्रक्रिया में ही रहता है। यह साबित नहीं करता कि कोई अपडेट उपयुक्त है। लेकिन यह एजेंट-पैकेज की维护 को कम अदृश्य बनाता है, और यह तब महत्वपूर्ण है जब प्रॉम्प्ट्स, स्किल्स और इंस्ट्रक्शन ऐसी निर्भरताएँ बन रही हैं जिनके परिचालनात्मक परिणाम होते हैं।

NOVA: reportedly Palo Alto Networks, AI-agent सुरक्षा पर केंद्रित स्टार्टअप Clutch के पाँच सौ मिलियन डॉलर के अधिग्रहण पर बातचीत कर रहा है। वार्ता अभी पुष्ट डील में नहीं बदली हैं, इसलिए सौदा और उसकी शर्तें अभी अनिश्चित हैं।

[ALLOY]: प्रस्तावित कीमत ही सवाल खड़ा करती है। Clutch की पिछली रिपोर्ट की गई वैल्युएशन 85 मिलियन डॉलर थी, जिससे चर्चा में आ रहा आँकड़ा लगभग छह गुना अधिक है। Lightspeed और SignalFire इस कंपनी का समर्थन करते हैं। सहमति से पहले ही यह अंतर संकेत देता है कि बड़े सुरक्षा विक्रेता एजेंट-आधारित उत्पादों को गंभीर रणनीतिक मूल्य दे रहे हैं। एजें्ट क्रेडेंशियल रख सकते हैं, टूल्स को कॉल कर सकते हैं, एप्लिकेशन सीमाओं को पार कर सकते हैं, कंपनी का डेटा प्राप्त कर सकते हैं और ऐसे कार्य कर सकते हैं जो सामान्य चैट सिस्टम नहीं कर सकते। इन क्षमताओं से पहचान, प्राधिकरण, टूल एक्सेस और मॉडल के निर्णय को वास्तविक सिस्टम से जोड़ने वाली श्रृंखला के आसपास सुरक्षा के सवाल पैदा होते हैं।

NOVA: इसी क्षेत्र पर केंद्रित कंपनी व्यापक सुरक्षा प्लेटफ़ॉर्म के भीतर स्वाभाविक रूप से फ़िट हो सकती है। एजेंट गतिविधि क्लाउड सुरक्षा, पहचान, डेटा नियंत्रण, एप्लिकेशन व्यवहार और मॉनिटरिंग को छूती है, लेकिन अपने नए चलने वाले हिस्से भी लाती है। एक ही एजेंट टूल्स में चुनाव कर सकता है, काम सौंप सकता है, संदर्भ बनाए रख सकता है या कई सेवाओं के ज़रिए कार्य कर सकता है। इस गतिविधि की सुरक्षा के लिए अंतिम API रिक्वेस्ट से आगे दृष्टि चाहिए; रक्षा-कर्ताओं को निर्णयों और अनुमतियों के क्रम को समझना होगा, जिससे वह रिक्वेस्ट बनी।

[ALLOY]: या अधिग्रहण प्रीमियम सिद्ध बाज़ार पैमाने की तुलना में प्रतिस्पर्धात्मक जल्दबाज़ी का संकेत हो सकता है। जब तक कंपनियाँ सौदे की पुष्टि नहीं करतीं और यह नहीं बतातीं कि Clutch की तकनीक Palo Alto Networks के उत्पादों में कैसे फ़िट होगी, हम नहीं जान सकते। फिर भी, चर्चा में आ रहे आधे अरब डॉलर इस परत को नियंत्रित करने की दौड़ को एक ठोस आँकड़ा देते हैं। सुरक्षा कंपनियाँ स्पष्ट रूप से उम्मीद रखती हैं कि एजेंट गतिविधि इतनी महत्वपूर्ण होगी कि उसकी सुरक्षा एक बड़े अधिग्रहण को समर्थन दे सके—और शायद वे हर हिस्सा स्वयं बनाने के बजाय अभी केंद्रित विशेषज्ञता खरीदना पसंद करें।

[ALLOY]: Baidu ने ERNIE 5.5 Flash Base जारी किया है, जिसमें दो संख्याएँ हैं जिन्हें साथ रखना जरूरी है: कुल दो सौ अस्सी अरब पैरामीटर्स और चौदह अरब सक्रिय पैरामीटर्स।

NOVA: यह एक स्पार्स मिक्स्चर-ऑफ-एक्सपर्ट्स मॉडल है, यानी नेटवर्क में कुल क्षमता बहुत अधिक है, लेकिन किसी दिए गए इनपुट के लिए केवल एक हिस्सा ही सक्रिय होता है। Baidu ने इसे इकतीस.point-five ट्रिलियन टोकन पर प्रशिक्षित किया और मिड-ट्रेनिंग या पोस्ट-ट्रेनिंग से पहले ही जारी कर दिया। यह प्रीट्रेंड फाउंडेशन है, कोई तैयार असिस्टेंट नहीं जिसे बातचीत, निर्देशों का पालन करने या किसी विशेष प्रोडक्शन कार्य के लिए ट्यून किया गया हो। इस अंतर से रिलीज़ का आकलन बदल जाता है। एक कच्चा बेस मॉडल शोध और आगे के विकास के लिए तब भी उपयोगी हो सकता है, जबकि पहली बार मिलने पर वह एक परिपक्व चैटबॉट जैसा व्यवहार न करे।

[ALLOY]: और चौदह अरब सक्रिय पैरामीटर्स का मतलब यह नहीं कि बाकी दो सौ छियासठ अरब सिर्फ़ सजावट के लिए हैं। अलग-अलग इनपुट के लिए अलग-अलग एक्सपर्ट कंपोनेंट सक्रिय हो सकते हैं, जिससे व्यापक स्टोर की गई क्षमता मिलती है और हर बार किए जाने वाले गणना को सीमित रखा जाता है। इस डिज़ाइन की आकर्षण बिना लागत वाली बुद्धिमत्ता नहीं है; पूरे मॉडल पर अब भी भारी स्टोरेज और डिप्लॉयमेंट की मांग रहती है। लेकिन यह डेंस मॉडल की तुलना में कुल क्षमता और सक्रिय गणना को कहीं अधिक स्पष्ट रूप से अलग करता है। अलग-अलग प्रॉम्प्ट अलग-अलग एक्सपर्ट पाथवे का उपयोग कर सकते हैं, जबकि हर व्यक्तिगत पास में पूरे पैरामीटर पूल का केवल एक हिस्सा ही शामिल होता है।

NOVA: Baidu द्वारा इस स्टेज पर फाउंडेशन को सार्वजनिक करना ही इस रिलीज़ को दिलचस्प बनाता है। शोधकर्ता दो सौ अस्सी अरब पैरामीटर वाले स्पार्स सिस्टम की जांच कर सकते हैं, जबकि बाद की ट्रेनिंग इसे विशेषज्ञ या निर्देशों का पालन करने वाले वैरिएंट में बदल देती है। उन चरणों के बाद जो निकलकर आएगा, उससे अधिक पता चलेगा बेस मॉडल को ऐसे आकलना कितना उचित है, मानो वह पहले से ही कोई असिस्टेंट हो। फिलहाल, ठोस जानकारी यही है: इकतीस.point-five ट्रिलियन ट्रेनिंग टोकन, प्रति इनपुट चौदह अरब सक्रिय पैरामीटर्स, और अलग-अलग इनपुट के लिए उपलब्ध विशेषज्ञों का कहीं बड़ा पूल।

NOVA: ऑस्ट्रेलियाई विश्वविद्यालय छात्रों को ChatGPT तक पहुंच बढ़ा रहे हैं और AI को पढ़ाई-लिखाई में शामिल कर रहे हैं। OpenAI का कहना है कि उद्देश्य ऐसे अर्थव्यवस्था में काम के लिए स्नातकों को तैयार करना है जहां AI टूल्स increasingly आम हैं। संस्थागत फैसला महत्वपूर्ण है क्योंकि यह AI को कोर्सवर्क के आसपास अनौपचारिक रूप से इस्तेमाल होने वाले टूल से ऐसी तकनीक में बदल देता है जिस पर विश्वविद्यालय औपचारिक शिक्षा के भीतर खुलकर बात कर सकते हैं। केवल पहुंच देना उथला होगा, इसलिए असल महत्व शिक्षकों द्वारा इसे सीखने से कैसे जोड़ा जाता है, में है। प्रोग्रामिंग कोर्स जनरेट किए गए कोड को समझने और बदलने पर जोर दे सकते हैं। राइटिंग कोर्स तर्क, साक्ष्य और लेखकत्व पर ध्यान दे सकते हैं। व्यावसायिक कार्यक्रम देख सकते हैं कि चिकित्सा, कानून, इंजीनियरिंग या शिक्षा की जिम्मेदारियों में AI कैसे फिट होता है।

[ALLOY]: विश्वविद्यालय असल में यह तय कर रहे हैं कि AI प्रवाहिता को विषय-ज्ञान के साथ-साथ होना चाहिए। इसका मतलब हर जनरेट किए गए उत्तर को स्वीकार करना या विषयगत विशेषज्ञता की जगह लेना नहीं है। इसका मतलब है कि छात्र उस तकनीक से मिलते हैं जब वे अभी व्यावसायिक आदतें बना रहे होते हैं, और शिक्षक यह तय कर सकते हैं कि वह उनके क्षेत्र में कैसे फिट हो। परिणाम इस पर निर्भर करेगा कि पहुंच गहरी सीख को बढ़ाती है या केवल काम जल्दी पूरा करने में मदद करती है। लेकिन दिशा स्पष्ट है: इन संस्थाओं की अपेक्षा है कि स्नातक AI के साथ काम करें, इसलिए वे यह अनुभव शिक्षा में ला रही हैं, बजाय इसके कि छात्र अपनी कार्यप्रणाली पूरी तरह निजी तौर पर विकसित करें।

[ALLOY]: Ars Technica द्वारा रिपोर्ट किए गए एक मुकदमे में आरोप लगाया गया है कि एक आदमी ने अपनी पत्नी को ChatGPT से परिचित कराया और बाद में उसने उसकी हत्या की योजना बनाते समय इसका उपयोग किया। आरोपित तरीके में कड़वे एनर्जी ड्रिंक्स के ज़रिए उसे विषाक्त करना शामिल था, जबकि चैटबॉट पर योजना के कुछ हिस्सों में मार्गदर्शन करने का आरोप है।

NOVA: शब्दों का महत्व है: ये किसी मुकदमे में लगाए गए आरोप हैं, सिद्ध निष्कर्ष नहीं। आरोप यह नहीं है कि मॉडल ने स्वतंत्र रूप से कार्य किया। आरोप यह है कि किसी व्यक्ति ने allegedly शारीरिक नुकसान की योजना बनाने के उपकरण के रूप में ChatGPT का इस्तेमाल किया। इससे यह बातचीत आपराधिक कानून से जुड़े विवाद के दायरे में आ जाती है, जहाँ अदालत को संदेश, इरादा, कारण और यह देखना होगा कि सिस्टम ने वास्तव में क्या भूमिका निभाई। बातचीत का रिकॉर्ड यह दिखा सकता है कि क्या पूछा गया और क्या जवाब मिला, लेकिन इन आदान-प्रदानों ने व्यवहार को कैसे प्रभावित किया, यह समझना कहीं ज़्यादा कठिन है।

[ALLOY]: और यह उस परिचित बहस से आगे बढ़ाता है जिसमें कोई मॉडल आपत्तिजनक टेक्स्ट या गलत सलाह जेनरेट करता है। यहाँ आरोपित नुकसान में एक विशेष व्यक्ति, शारीरिक तरीका और योजना बनाने का तय किया गया क्रम शामिल है। अगर साक्ष्य इस बात का समर्थन करता है, तो जाँच का ज़रा उस बात पर होगा कि जैसे-जैसे उपयोगकर्ता का इरादा स्पष्ट हुआ, सिस्टम ने कैसे जवाब दिया और क्या वह हिंसा के लिए उपयोगी जानकारी देता रहा। शिकायत में विस्तृत कहानी बताई जा सकती है, जिसे बाद में चुनौती दी जा सकती है, सीमित की जा सकती है या अस्वीकार किया जा सकता है, इसलिए सिर्फ़ ख़ासियों के इर्द-गिर्द अनुमान की तुलना में साक्ष्य पर अदालत का रुख़ ज़्यादा मायने रखता है। अभी इतना कहा जा सकता है कि ChatGPT के आरोपित इस्तेमाल ने योजनाबद्ध शारीरिक नुकसान से जुड़े मामले का हिस्सा बनकर सुरक्षा उपाय, ज़िम्मेदारी और बातचीत का बढ़ता जमा संदर्भ मानवीय परिणामों वाले विवाद में खींच लाया है।

NOVA: DeusData का codebase-memory-mcp अड़तालीस हज़ार दो सौ सितारे स्टार्स के साथ आगे है, जो पिछले तीस दिनों में दो हज़ार चार सौ इकतीस का इज़ाफ़ा दर्शाता है। इसका प्वाइंट ट्वelve-वन रिलीज़ और नवंबर की चौथी अपडेट कोड, दस्तावेज़ और इंफ़्रास्ट्रक्चर को जोड़ने वाले सतत ग्राफ़ को आगे बढ़ाती है, जिसमें बदलाव को समझने वाला टेस्ट चुनाव भी शामिल है। Ahujasid का mcp-for-blender संरचित एजेंट एक्सेस को बिल्कुल अलग माहौल में लागू करता है: भाषा मॉडल Blender के सीन की जाँच और उसमें बदलाव कर सकते हैं। इसके तैंतीस हज़ार चार सौ तैंतालीस स्टार्स हैं, मासिक वृद्धि ग्यारह प्वाइंट सात प्रतिशत है, और नवंबर की चौथी अपडेट भी आई है।

[ALLOY]: ये दो रिपॉज़िटरी एजेंट्स को ऐसे संबंधों से जोड़ती हैं जिन्हें वे वरना देखने में कठिन पाते हैं—एक सॉफ़्टवेयर सिस्टम के भीतर और दूसरा तीन-आयामी सीन के अंदर। Prefect का FastMCP ऐसे कई कनेक्शनों के पीछे सर्वर और क्लाइंट बनाने के लिए Python फ्रेमवर्क देता है। इसके अट्ठाईस हज़ार तीन सौ सात स्टार्स हैं, पिछले तीस दिनों में आठ सौ दस का इज़ाफ़ा हुआ है, और नवंबर की शुरुआत में फ़ोर-प्वाइंट-वन रिलीज़ आई है। मिलकर, codebase-memory-mcp, mcp-for-blender और FastMCP दिखाते हैं कि MCP सरल एक-बार के टूल कॉल तक सीमित नहीं रहकर, सतत कोड इंटेलिजेंस, रचनात्मक एप्लिकेशन नियंत्रण और देखभाल योग्य सर्विस इंफ़्रास्ट्रक्चर तक फैल रहा है।

NOVA: Qwen3.5-4B-GLB-3D-Coder मूल Safetensors चेकप्वाइंट के साथ-साथ Q-four K-M और Q-eight-zero क्वांटाइज़्ड वेट्स के रूप में Apache two-point-zero के अंतर्गत उपलब्ध है। इसकी परिभाषित करने वाली क्षमता ब्राउज़र में प्रीव्यू और Godot सहित एडिटर्स के लिए GLB एक्सपोर्ट के साथ टेक्स्ट-टू-Three.js जेनरेशन है। नतीजा किसी सपाट दृश्य में सीमित रहने के बजाय एक एडिटेबल प्रोजेक्ट में आ सकता है, हालाँकि जेनरेट किया गया कोड ठीक होने की ज़रूरत रख सकता है और एक्सपोर्ट के दौरान मटेरियल या एनिमेशन बदल सकते हैं।

[ALLOY]: NVIDIA-Nemotron-3.5-Transcribe-30B-A4B में ऑडियो एनकोडर समेत लगभग चार-प्वाइंट-तीन बिलियन सक्रिय पैरामीटर हैं और यह चालीस भाषाओं में एक घंटे तक की रिकॉर्डिंग संभालता है। यह ऑफ़लाइन ओपन-वेट मॉडल में ट्रांसक्रिप्शन, अनुवाद, स्पीकर एट्रिब्यूशन, टाइमस्टैम्प, भाषा पहचान और ऑडियो से जुड़े सवालों को एक साथ जोड़ता है। डेवलपर Transformers या NeMo Speech का इस्तेमाल कर सकते हैं, जिनमें B-F-sixteen, F-P-eight और N-V-F-P-four वेट्स उपलब्ध हैं। इसकी उच्च-स्तरीय ऑडियो रीज़निंग और बोले गए निर्देशों से जुड़ी क्षमताओं का मूल्यांकन अंग्रेज़ी में किया गया था।

[ALLOY]: Moonshot AI का Kimi K-three-point-one Pro, Hugging Face पर एक इमेज-एंड-टेक्स्ट-टू-टेक्स्ट मॉडल के रूप में ध्यान खींच रहा है, जिसके टैग्स में बातचीतात्मक जेनरेशन, कंप्रेस्ड टेंसर्स, कस्टम कोड और मूल्यांकन परिणाम शामिल हैं। इसके एक हज़ार तीन सौ बयालीस लाइक्स और अठारह हज़ार चार सौ तैंतीस डाउनलोड्स हैं, जो दर्शाते हैं कि ऐसे मॉडल में महत्वपूर्ण रुचि है जो विज़ुअल और लिखित इनपुट दोनों पर काम करने के लिए बनाया गया है।

NOVA: यह मल्टीमोडल सरफेस ऐसी इंटरैक्शन को सपोर्ट करता है जहाँ इमेज और भाषा एक-दूसरे से जुड़े रहते हैं, अलग-अलग यूटिलिटीज़ के बीच नहीं भेजे जाते। कंप्रेस्ड-टेंसर टैग ऐसे वज़नों की ओर इशारा करता है जो डिप्लॉयमेंट दक्षता को ध्यान में रखकर तैयार किए गए हैं, जबकि कस्टम-कोड टैग का मतलब है कि मॉडल अपनी विशिष्ट आर्किटेक्चर के लिए बने इम्प्लीमेंटेशन पर निर्भर रह सकता है, पूरी तरह सामान्य लोडिंग पथ के बजाय। इसके मॉडल कार्ड में लाइसेंस, वज़न फ़ॉर्मैट, कॉन्टेक्स्ट क्षमता, मूल्यांकन के दावे और हार्डवेयर की ज़रूरतें तय की गई हैं, जो यह निर्धारित करती हैं कि मॉडल कहाँ चल सकता है और कैसे इस्तेमाल किया जा सकता है।

NOVA: WebAI ने TwIL-8B जारी किया, एक 8.8B रीज़निंग मॉडल, जिसने MATH-500 पर 98.2 स्कोर दर्ज किया। इसे IBM Granite four-point-two eight-B से पोस्ट-ट्रेन किया गया था, और WebAI LiveCodeBench पर भी अठारीस_POINT-छह दर्ज कराता है, जबकि ज्ञान से जुड़े परिणाम तुलनीय मॉडलों से पीछे रहते हैं। इसके कारण TwIL-eight-B एक विशेष गणित और कोडिंग रिलीज़ है, न कि हर क्षेत्र में बेहतरीन मॉडल। Flipsnack AI के एक बिल्कुल अलग इस्तेमाल से प्रोडक्ट साइनअप बढ़ाता है: इसने ChatGPT विज्ञापन को प्रोडक्ट ट्रायल पर केंद्रित किया और कम प्रति-साइनअप लागत के साथ ज़्यादा रजिस्ट्रेशन दर्ज किए।

[ALLOY]: ऑस्ट्रेलियाई यूनिवर्सिटियाँ AI-नेटिव ग्रेजुएट्स तैयार कर रही हैं, जिसके लिए वे अधिक व्यापक ChatGPT एक्सेस को शिक्षण और वर्कफ़ोर्स तैयारी से जोड़ रही हैं। इसे Flipsnack के साथ मिलाएँ, तो अपनापन के दो पक्ष दिखते हैं: यूनिवर्सिटियाँ लोगों को AI के साथ काम करने के लिए तैयार कर रही हैं, जबकि एक सॉफ़्टवेयर कंपनी AI-नेटिव विज्ञापन सरफेस का इस्तेमाल करके ध्यान को मापने योग्य प्रोडक्ट रजिस्ट्रेशन में बदल रही है। TwIL-eight-B इसी विस्तार के तकनीकी पक्ष पर आता है, और दिखाता है कि यह एक कॉम्पैक्ट मॉडल है जिसे मज़बूत रिपोर्ट किए गए गणित और कोडिंग प्रदर्शन के लिए ट्यून किया गया है, व्यापक ज्ञान में अग्रणी बनने के बजाय।

NOVA: इन विकासों से जुड़ी तकनीकी रेफ़रेंस, मॉडल पेज, रिपॉज़िटरी और प्राथमिक रिपोर्टिंग के लिए Toby On Fitness Tech dot com पर शो नोट्स देखें।

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