Episode 85: Codex rust-v0.144.3 उतरा, vLLM 0.25.0 Model

Episode 085 — July 13, 2026

[00:00] Episode hook

Apple ने 10 जुलाई, 2026 को OpenAI के खिलाफ मुकदमा दायर किया, जिसमें आरोप लगाया गया कि पूर्व कर्मचारियों ने OpenAI के वरिष्ठ नेतृत्व के निर्देश पर व्यापार रहस्य चुराए। OpenAI ने 13 जुलाई, 2026 को Codex rust-v0.144.2 जारी किया, जो एक बग-फिक्स रिलीज है जिसे @dylan-hurd-oai ने PR #326 के रूप में लिखा था जिसने Guardian में एक प्रॉम्प्टिंग रिग्रेशन को वापस ले लिया, CLI के स्वचालित कोड-रिव्यू चरण में; उसी दिन एक फॉलो-अप rust-v0.144.3 भी आया। निर्झर दास और मोहम्मद अल-ममून प्रवाथ का टास्क-विशिष्ट दो-एजेंट सिस्टम ICML 2026 में QANTA 2026 मल्टीमॉडल क्विज़बाउल शेयर्ड चैलेंज में पहला स्थान हासिल कर गया, 0.402 स्कोर करते हुए (arXiv 2607.09623)। युजी पांग और ज़ुडॉन्ग ली ने PAC-ACT जारी किया (arXiv 2607.09590), एक रीइन्फोर्समेंट-लर्निंग पोस्ट-ट्रेनिंग फ्रेमवर्क जो प्रीट्रेंड Action Chunking Transformer पॉलिसीज को टारगेट करता है। चोंग्यू क्वू, कैन कुई, और झेंगयी लू की SAGEAgent ग्लायोमा सर्वाइवल प्रेडिक्शन पर डायग्नोस्टिक बर्डन को 55% तक कम करती है, जबकि अहमत एर्देम पामुक, ओमर येंतुर्क, और अहमत तुंगा बायराक ने Freya-TTS पेश किया, एक 183.2M-पैरामीटर टर्किश टेक्स्ट-टू-स्पीच मॉडल।

[02:00] एजेंट स्टैक रिलीज रीडआउट: OpenAI Codex rust-v0.144.3, rust-v0.144.2

यह जोड़ी 13 जुलाई, 2026 को रिलीज हुई। OpenAI Codex CLI ने rust-v0.144.2 को 04:39:22Z पर जारी किया, उसके बाद rust-v0.144.3 06:12:19Z पर — लगभग 93 मिनट के अंतराल पर, दोनों को release/0.144 ब्रांच पर स्टैम्प किया गया और एक ही पैच्ड ट्री की ओर इशारा करते हुए।

क्या बदला: rust-v0.144.2 ने Guardian में एक प्रॉम्प्टिंग रिग्रेशन को वापस ले लिया, Codex के स्वचालित कोड-रिव्यू चरण में। रिलीज नोट्स के अनुसार, यह रीवर्ट तीन जुड़े हुए सतहों को पुनर्स्थापित करता है: Guardian की ऑटो-रिव्यू पॉलिसी, फॉर्मेट जो यह भेजता है, और टूल बिहेवियर जिस पर यह निर्भर करता है। यह परिवर्तन PR #32672 के माध्यम से आता है, जिसे @dylan-hurd-oai ने release/0.144 के खिलाफ लिखा है और शीर्षक है 'Revert "Update auto review prompting"'। rust-v0.144.3 एक वर्शन-ओनली रिलीज है — v0.144.2 के बाद कोई मर्ज्ड पुल रिक्वेस्ट नहीं, इसलिए यह बिना किसी अतिरिक्त चेंजलॉग सामग्री के एक ही ट्री को पुनः प्रकाशित करता है।

अब यह क्यों मायने रखता है: Guardian वह रिव्यू टियर है जो CI पाइपलाइन में Codex चलाने वाली टीमों के लिए सबसे अधिक दिखाई देता है। जब इसका प्रॉम्प्ट टेम्पलेट बदलता है, तो रिव्यू श्रेणियां भी बदल जाती हैं — टिप्पणी प्रकार जिनके लिए आपने अपनी टीम को पढ़ने के लिए प्रशिक्षित किया है, वे बिना चेतावनी के गायब हो सकते हैं या दिखाई दे सकते हैं, और डिफ तब ही सामने आता है जब आप फाइंडिंग्स की तुलना रन-टू-रन करते हैं। एक रीवर्ट कागज पर नो-ऑप की तरह दिखता है, लेकिन यह पुनर्गणना करता है जो कुछ भी आपके रिव्यूअर्स पिछले कुछ सप्ताहों में माप रहे थे।

दो ठोस तंत्र। पहला, PR एक पूर्ण रोलबैक है न कि आंशिक पैच — शीर्षक सीधे 'Revert' है, और चेंजलॉग पॉलिसी, रिक्वेस्ट फॉर्मेट, और टूल बिहेवियर को एक साथ नाम देता है, इसलिए पोस्ट-रीवर्ट स्टेट प्री-रिग्रेशन बेसलाइन से बिल्कुल मेल खाता है। दूसरा, रिलीज कैडेंस इस जोड़ी को एक सिंगल बिल्ड साइकिल में संपीड़ित करता है: एक ही UTC दिन पर 04:39 और 06:12 के टाइमस्टैम्प सुझाव देते हैं कि बिल्ड पाइपलाइन वर्शन-ओनली बंप को अलग फीचर डिप्लॉय के बजाय एक चेन फॉलो-अप के रूप में मानती है।

बिल्डर्स के लिए इसका क्या मतलब है: यदि आपने Guardian के आउटपुट स्कीमा को पिन किया है या उसकी रिव्यू टिप्पणियों के खिलाफ एशर्शन लिखे हैं, तो v0.144.2 को पुल करें और अपना गोल्डन टेस्ट सेट फिर से चलाएं — बिहेवियर प्री-रिग्रेशन बेसलाइन से मेल खाता है, न कि जो कुछ समय के लिए v0.144.1 और v0.144.2 के बीच शिप हुआ। जो पाइपलाइनें स्वचालित रूप से नए Codex रिलीज में अपडेट होती हैं, वे बिना किसी अतिरिक्त कॉन्फ़िगरेशन के इसे उठा लेंगी, और आगे का डिफ पूर्व बेसलाइन व्यवहार से अपरिवर्तित है जो आपकी टीम ने अंतिम बार देखा था।

आगे क्या देखना है: क्या OpenAI एक फॉलो-अप शिप करता है जो Guardian के पीछे प्रॉम्प्टिंग मॉडल को फिर से दस्तावेज करता है, या क्या टीम बदलाव को रीवर्ट करती है और लिखित पोस्टमॉर्टम के बिना आगे बढ़ती है।

[03:37] Apple ने कथित तौर पर पूर्व-कर्मचारियों द्वारा व्यापार रहस्यों की चोरी के लिए OpenAI पर मुकदमा दायर किया

Apple ने 10 जुलाई को OpenAI के खिलाफ मुकदमा दायर किया, जिसमें आरोप लगाया गया कि Apple के पूर्व कर्मचारियों ने AI प्रयोगशाला में शामिल होने से पहले व्यापार रहस्यों की चोरी की, जिसमें OpenAI के वरिष्ठ नेतृत्व द्वारा गलत आचरण का निर्देश दिया गया था। TechCrunch AI के माध्यम से सामने आई शिकायत, जिसे 9to5Mac द्वारा उठाया गया, को Hacker News पर 1640 स्कोर के साथ प्रचारित किया गया और उसी दिन एक सक्रिय चर्चा धागा अभी भी चल रहा है। दायर में एक दीर्घकालिक पूर्व Apple कर्मचारी की पहचान की गई है जो अब OpenAI के वरिष्ठ नेतृत्व में है, जिससे यह प्रस्थान सामान्य नौकरी परिवर्तनों के बजाय सुविचारित प्रतीत होते हैं।

कानूनी सिद्धांत समन्वय पर निर्भर करता है। Apple का दावा है कि भर्ती और IP हस्तांतरण OpenAI के वरिष्ठ नेतृत्व द्वारा निर्देशित था, न कि व्यक्तिगत भर्तियों द्वारा अकेले कार्य करने से उभरे। यह फ्रेमिंग महत्वपूर्ण है क्योंकि यह उन विवादों को एक एकल कथित स्कीम में बदल देती है जो रोजगार विवादों की श्रृंखला हो सकते थे। वरिष्ठ नेतृत्व की भागीदारी, जिसमें नामित दीर्घकालिक पूर्व Apple कर्मचारी शामिल है, यह भी सवाल उठाती है कि उन अधिकारियों को क्या पता था और कब, जो खोज के माध्यम से सामने आ सकता है और सक्रिय Hacker News थ्रेड में प्रकट हो सकता है।

बिल्डर्स के लिए, यह मामला एक напоминание है कि AI प्रतिभा कानूनी रूप से संवेदनशील बिंदु बन गई है। 1640-स्कोर Hacker News थ्रेड इंगित करता है कि डेवलपर्स इसे सामान्य रोजगार विवाद से अधिक मान रहे हैं, और चर्चा की गति दिखाती है कि समुदाय प्रमुख AI संगठनों के बीच आवाजाही को कितनी करीब से ट्रैक करता है। प्रतिस्पर्धी AI संगठनों के बीच भर्ती, या हाल ही में एक को छोड़ने वाले इंजीनियरों को शामिल करना, अब मेज पर दोनों तरफ वास्तविक कानूनी जोखिम लेकर आता है।

आगे क्या देखना है: खोज दस्तावेज़ जो उन विशिष्ट परियोजनाओं या प्रणालियों का नाम लेते हैं जिन्हें कथित तौर पर पूर्व कर्मचारियों ने छुआ, और क्या OpenAI प्रतिदावा या खारिज करने की याचिका दायर करता है। Hacker News थ्रेड हर नए दायर होने पर डेवलपर समुदाय की पढ़ाई को सामने लाएगा।

[05:24] टास्क-विशिष्ट टू-एजेंट सिस्टम ने QANTA 2026 में 0.402 पर शीर्ष स्थान हासिल किया

arXiv पेपर 2607.09623, जिसके लेखक Nirjhar Das और Md. Al-Mamun Provath हैं, QANTA 2026 शेयर्ड चैलेंज में उनकी सबमिशन प्रस्तुत करते हैं, जो ICML 2026 वर्कशॉप ऑन एफिशिएंट मल्टीमॉडल क्वेश्चन आंस्वरिंग में आयोजित किया गया। यह शेयर्ड टास्क मल्टीमॉडल क्विज़बाउल सिस्टम को लक्षित करता है जिन्हें पिरामिड-शैली के प्रश्नों को संसाधित करना होता है, जहां संकेत क्रमिक रूप से संबंधित छवियों के साथ प्रकट होते हैं, सभी यथार्थवादी दक्षता बाधाओं के तहत जो भारी पाइपलाइनों को दंडित करती हैं। दो अलग-अलग टास्क फॉर्मेट लीडरबोर्ड को चलाते हैं। टॉसअप प्रश्नों के लिए सिस्टम को अनिश्चितता में बजने और उत्तर देने का समय चुनना होता है। बोनस प्रश्न सटीक उत्तर चयन का मूल्यांकन करते हैं और एक बार संकेत श्रेणी स्थापित हो जाने पर मानव-अपनाने के मेट्रिक्स को पुरस्कृत करते हैं।

पेपर का हेडलाइन योगदान एक टास्क-विशिष्ट टू-एजेंट आर्किटेक्चर है जो होस्ट-ओनली इंफरेंस वातावरण में फिट बैठता है और जानबूझकर रिट्रीवल पाइपलाइन और मॉडल एन्सेम्बल दोनों से बचता है। टॉसअप एजेंट एक GPT-4o-mini-क्लास मॉडल को रैप करता है, जिसे प्रतियोगिता लॉग में GPT-4.1-mini कहा गया है, कॉन्फिडेंस-कैलिब्रेटेड उत्तर के साथ-साथ एक डोमेन-विशिष्ट संख्यात्मक तर्क नीति के साथ जो अलग-थलग मात्रात्मक संकेतों द्वारा ट्रिगर किए गए ओवरकॉन्फिडेंट पूर्वानुमानों को कम करने के लिए डिज़ाइन की गई है। बोनस एजेंट एक GPT-4o-क्लास मॉडल चलाता है, जिसे GPT-4.1 कहा गया है, लीड-इन-अवेयर रीज़निंग, स्ट्रक्चर्ड रिलेशनल रीज़निंग और मल्टीमॉडल एविडेंस इंटीग्रेशन के साथ, सटीक उत्तर स्ट्रिंग्स को प्राथमिकता देता है।

QANTA 2026 लीडरबोर्ड पर, सिस्टम ने 0.402 का शीर्ष समग्र स्कोर प्राप्त किया, जो 0.238 के टॉसअप स्कोर और 0.164 के बोनस इफेक्ट स्कोर में विघटित होता है। बिल्डर्स के लिए, यह सीधे प्रमाण है कि मामूली होस्टेड GPT-क्लास मॉडल, टास्क-विघटित तर्क नीतियों और स्पष्ट कॉन्फिडेंस कैलिब्रेशन के साथ जोड़े जाने पर, मिलान इंफरेंस बजट के तहत भारी रिट्रीवल या एन्सेम्बल बेसलाइन से बेहतर प्रदर्शन कर सकते हैं। अनुवर्ती प्रश्न जो देखना है वह यह है कि क्या यह दो-एजेंट, टास्क-विघटित डिज़ाइन पैटर्न अन्य दक्षता-सीमित एजेंट बेंचमार्क में स्थानांतरित होता है, क्योंकि जीत दर्शाती है कि स्पष्ट कैलिब्रेशन वाले छोटे होस्टेड मॉडल समान बजट के तहत भारी मल्टी-स्टेज बेसलाइन से मिल सकते हैं।

[07:10] PAC-ACT: एक्शन चंकिंग ट्रांसफॉर्मर पॉलिसी के लिए चंक-लेवल RL पोस्ट-ट्रेनिंग

PAC-ACT pretrained Action Chunking Transformer policies के लिए एक नया reinforcement learning post-training framework है, जिसे arXiv पर paper 2607.09590 में Yujie Pang और Zudong Li द्वारा release किया गया है। यह paper precision industrial contact manipulation को target करता है, जहाँ robots को pose perturbations और contact-force constraints के तहत reliable policies बनाए रखने होते हैं। Vision-language-action models व्यापक रूप से generalize करते हैं लेकिन उनमें inference latency और GPU-memory cost होता है जो real-time industrial control के लिए समस्या है, इसलिए authors vision-action chunking policies पर anchor करते हैं, जो real-time friendly हैं लेकिन आमतौर पर behavior cloning द्वारा train किए जाते हैं और contact-rich tasks में distribution shift के तहत खराब हो जाते हैं।

यह mechanism per-step level के बजाय chunk level पर optimization को restructure करता है, एक frozen pretrained ACT backbone के ऊपर ACT-transferred actor-critic architecture बनाता है। एक hybrid behavior-prior constraint online fine-tuning के दौरान pretrained action distribution को preserve करता है, जो online RL exploration को base policy की पहले से ज्ञात कार्यों से जोड़े रखता है।

Industrial precision-contact benchmarks पर, PAC-ACT task success, contact stability, और force safety में सुधार करता है जबकि chunked policies की low-latency, low-GPU-memory profile बनाए रखता है। Abstract से मुख्य आंकड़ा: Contour task पर, PAC-ACT behavior-cloned baseline की तुलना में peak contact force को значительно कम करता है और 60 newtons से ऊपर force readings के अनुपात को 46 गुना कम करता है। Sparse-reward ablations आगे दिखाते हैं कि behavior-prior constraint randomized initial poses के तहत effective exploration को सक्षम बनाता है, जहाँ vanilla RL रुक जाता है।

Builders के लिए, यह एक existing ACT deployment के ऊपर force और contact behavior को tighten करने का एक recipe है जिसमें inference stack को rewrite करने की आवश्यकता नहीं है। Behavior-prior pattern generalize करता है — कोई भी chunked policy जिसे contact, precision, या safety margins के लिए post-hoc tightening की जरूरत है, वही actor-critic overlay adopt कर सकता है। अगला देखें: क्या chunk-level actor-critic Contour से परे अन्य ACT-style backbones पर सही तरह से transfer होता है, और क्या behavior-prior recipe robotics के लिए open-source RL post-training toolkits में आता है।

[09:00] SAGEAgent Cuts Diagnostic Burden 55% on Glioma Survival Prediction

एक नया clinical agent paper glioma में multimodal survival prediction के लिए एक sequential-decision framework प्रस्तुत करता है। यह काम Chongyu Qu, Can Cui, और Zhengyi Lu द्वारा arXiv 2607.09521 पर आया है, जिसका शीर्षक SAGEAgent है, जो Sequential Acquisition Guided by Experience का संक्षिप्त रूप है। Setup सीधी लेकिन उपयोगी है: एक cancer patient's diagnostic workup एक ordered workflow है जो clinical burden में बढ़ता है, intake पर demographics से लेकर genomic profiling तक जिसके लिए specialized tissue analysis की आवश्यकता होती है। मौजूदा multimodal survival methods या तो मानते हैं कि हर modality available है या missing data को passively handle करते हैं। उनमें से कोई भी सक्रिय रूप से यह reason नहीं करता कि उस specific patient के लिए अगली modality acquire करना वास्तव में justified है या नहीं। SAGEAgent modality acquisition को एक sequential decision problem के रूप में formulate करता है। Agent एक self-evolving LLM के रूप में बनाया गया है जो प्रत्येक patient के लिए decide करता है कि कौन सी modality acquire करनी है। तीन concrete mechanisms architecture को carry करती हैं। पहला, clinical tools numerical predictions को वापस text में translate करती हैं ताकि LLM उन पर reason कर सके। दूसरा, एक episodic memory similar past cases को retrieve करती है ताकि प्रत्येक नए decision को ground किया जा सके। तीसरा, एक semantic memory accumulated experience से reusable decision patterns को accumulate करती है। यह последняя piece है जो agent को static के बजाय self-evolving बनाता है। Evaluation TCGA-LGG, TCGA-GBM, और BraTS को चार diagnostic modalities के साथ एक glioma cohort में combine करता है। मुख्य result: SAGEAgent competitive survival prediction accuracy बनाए रखता है जबकि full modality set का उपयोग करने की तुलना में average acquisition burden को 55 प्रतिशत तक कम करता है। Builder context के लिए, relevant pattern expensive data acquisition को एक fixed pipeline के बजाय एक learned policy के रूप में treat करना है। Episodic-plus-semantic memory split आपके द्वारा पहले से build किए जाने वाले retrieval pipelines पर cleanly map करता है। अगला देखें: non-glioma cohorts पर replication और 55 प्रतिशत burden reduction कैसे hold करता है जब cost model को real billing और turnaround-time data के खिलाफ recalibrate किया जाता है।

[10:50] Freya-TTS: 183M Flow-Matching DiT Beats Larger Turkish TTS Stacks

Freya-TTS Ahmet Erdem Pamuk, Ömer Yentür, और Ahmet Tunga Bayrak द्वारा बनाया गया एक compact Turkish-first text-to-speech model है, जिसे arXiv paper 2607.09530 में document किया गया है। यह काम आमतौर पर pipeline-heavy problem के लिए एक minimalist approach लेता है: phonemizer, grapheme-to-phoneme frontend, और discrete speech tokenizer को stack करने के बजाय, system raw 92-symbol Turkish character vocabulary से end-to-end speech को model करता है।

Architecture एक 183.2M-parameter non-autoregressive conditional flow-matching Diffusion Transformer है, जो AudioVAE2 की frozen continuous latent space के अंदर operate करता है — 16 kHz पर encoded और 48 kHz पर decoded। क्योंकि DiT कभी raw waveforms या discrete tokens को नहीं छूता, इसके 183M parameters text-to-latent mapping पर concentrate करते हैं rather than acoustic reconstruction।

दो mechanisms अधिकांश lift carry करती हैं। पहला, rule-free end-to-end modeling: model characters से सीधे latents predict करता है, जिसमें loop में कोई phonemizer और कोई G2P module नहीं है। दूसरा, predicted duration पर parallel denoising — पूरा latent sequence एक साथ generate होता है rather than frame-by-frame, जो inference को fast बनाता है। एक two-stage post-training recipe single-speaker voice locking और short-utterance coverage जोड़ती है ताकि conversational use को harden किया जा सके।

फ्रेया-TR-ईवल बेंचमार्क पर, फ्रेया-TTS बैंड-मैच्ड वर्ड एरर रेट 8.0% और कैरेक्टर एरर रेट 3.0% पोस्ट करता है — अपने पैरामीटर काउंट के एक अंश पर substantially larger open-source systems को मात देता है। यह कंज्यूमर GPUs पर 0.11 की रियल-टाइम फैक्टर भी हिट करता है और लैपटॉप CPU पर रियल टाइम से तेज चलता है, जो तुर्की में on-device voice synthesis को genuinely plausible बनाता है।

बिल्डर्स के लिए, takeaway आर्किटेक्चरल है: 183M-parameter flow-matching DiT much larger TTS stacks से मैच या बीट कर सकता है जब reconstruction को frozen VAE पर offload किया जाता है। Weights, training और inference code, और eval suite का open release agent developers को tokenizer-free, fast speech synthesis के लिए एक reference point देता है। आगे तुर्की के बाहर replication देखें — character-only contract वह bet है जिसे दूसरी morphologically rich languages पर hold up करना होगा।

[12:47] लॉन्ग-होराइजन-टर्मिनल-बेंच मल्टी-आवर एजेंट टास्क की जांच करता है

एक नया benchmark इस बात को expose करने की कोशिश कर रहा है कि हम real terminal work पर agent capability को कैसे मापते हैं। जिलॉन्ग ली और सहयोगियों द्वारा बनाया गया लॉन्ग-होराइजन-टर्मिनल-बेंच इस हफ्ते HuggingFace के daily papers feed पर सामने आया और तेजी से climbing है, recording के समय बाईस upvotes up है। Premise सरल और uncomfortable है: अधिकांश terminal benchmarks short problems पर agents का टेस्ट करते हैं जो मिनटों में resolve होते हैं, सिर्फ यह grade करते हैं कि final answer correct है या नहीं, और जो बीच में होता है उसे miss करते हैं।

लॉन्ग-होराइजन-टर्मिनल-बेंच forty-six terminal tasks ship करता है जो nine categories में spread हैं, ऐसे बनाए गए हैं कि कोई single-shot solution काम न करे। जो shift matters है वह dense reward-based grading है: आखिर में zero या one score करने के बजाय, benchmark intermediate progress और partial solutions को evaluate करता है, credit देता है जब एक agent state को forward ले जाता है भले ही वह finish न करे। यह अकेला ही बदलता है जो एक agent के खिलाफ train या fine-tune किया जा सकता है, क्योंकि reward signal अब sparse नहीं है और एक partly-correct attempt अब complete failure से indistinguishable नहीं है।

Mechanically, यह एक terminal benchmark है, इसलिए agent real shell environment के खिलाफ operate करता है, commands run करता है, output observe करता है, और partial credit accumulate करता है जैसे-जैसे environment state advance होती है। यह उस तरह से mirror करता है जैसे builders actually debug करते हैं: एक partly working build, एक partially passing test suite, एक build जो ज्यादातर रास्ता तय कर लेता है। Benchmark grading को उस journey भर में meaningful रखने के लिए डिज़ाइन किया गया है rather than उसे binary pass या fail में collapse करना।

Builder workflows के लिए, implication यह है कि current short-horizon numbers multi-hour jobs पर agent capability को overestimate कर सकते हैं जो actually matter हैं, जैसे staging a release, porting a module, या एक long migration run करना। ऐसे follow-up benchmarks देखें जो real engineering tasks पर dense-reward framing adopt करते हैं, और harness authors से start करें अपने existing evals के alongside long-horizon scores report करना।

[14:40] सेमांटिक पारेटो-DQN फ्रॉड कोलैप्स को बिना रीसैंपलिंग के संबोधित करता है

एक नया arXiv paper, सेमांटिक पारेटो-DQN, production fraud systems की सबसे कठिन समस्याओं में से एक के लिए एक multi-objective reinforcement learning approach प्रस्तावित करता है: extreme class imbalance जो single-objective classifiers को उन स्थिति में धकेलता है जिसे authors fraud collapse कहते हैं, majority class पर default करना और actual anomalies miss करना। Paper के लेखक क्लॉडियो लूसियो दो वाल लोप्स और लुक्का माचाडो दा सिल्वा हैं और यह arXiv 2607.09641 पर उपलब्ध है।

Core mechanism scalar rewards को एक vectorial reward से बदलता है जो तीन competing objectives को decouple करता है: financial efficacy, operational friction, और semantic discovery। इन्हें एक single weighted sum में collapse करने के बजाय, agent एक continuous Pareto frontier map करता है और missed anomalies और false positives के बीच asymmetric cost को dynamically navigate करता है। State representation वह piece है जो अधिक novel है। Heterogeneous transaction features को natural-language narratives में synthesize किया जाता है और फिर large language models द्वारा encoded किया जाता है, एक scale-invariant state produce करता है जिसके बारे में authors argue करते हैं कि यह traditional imbalanced-learning pipelines पर निर्भर deforming data resampling को bypass करता है।

मुख्य अनुभवजन्य परिणाम यह है कि Semantic Pareto-DQN शून्य-रीकॉल ट्रैप को तोड़ता है। E-Commerce धोखाधड़ी और UCI Credit डेटासेट पर मूल्यांकन किया गया, यह फ्रेमवर्क स्केलराइज्ड बेसलाइन के खिलाफ अल्पसंख्यक-वर्ग रीकॉल में श्रेष्ठ प्रदर्शन प्राप्त करता है, असंगति खोज के बदले सीमित परिचालन घर्षण का व्यापार करता है। पेपर इसे पुनर्नमूल्यांकन के विकल्प के रूप में प्रस्तुत करता है, डाउनस्ट्रीम क्लासिफायर के प्रतिस्थापन के रूप में नहीं।

भुगतान, जोखिम, या लेनदेन पाइपलाइन चलाने वाले बिल्डर्स के लिए, निहितार्थ यह है कि LLM-एन्कोडेड लेनदेन कथाएं और Pareto-सीमा अनुकूलन एक रीकॉल पुनर्प्राप्ति परत के रूप में कार्य कर सकती हैं बिना वैध लेनदेन के संश्लेषित अल्पसंख्यक ओवरसैंपलिंग या अंडरसैंपलिंग के। अगले ध्यान देने योग्य: स्ट्रीमिंग प्रोडक्शन ट्रैफिक पर पुनरुत्पादन, प्रति लेनदेन LLM एन्कोडिंग चलाने की लागत प्रोफाइल, और क्या Pareto सीमा को एक शोध कलाकृति के बजाय एक ट्यूनबल पॉलिसी के रूप में प्रदर्शित किया जा सकता है।

[16:24] 4DR360 कपल्स डिटेक्शन एंड ऑक्यूपेंसी वाया स्टेट रीजनिंग

Xiaokai Bai, Lianqing Zheng, और Runwei Guan द्वारा, arXiv 2607.09629 पर, 4DR360 पेपर स्वायत्त ड्राइविंग धारणा के लिए रडार-कैमरा फ्यूजन पर एक ताजा दृष्टिकोण अपनाता है। 3D डिटेक्शन और सिमांटिक ऑक्यूपेंसी को अलग-अलग टर्मिनल आउटपुट के रूप में व्यवहार करने के बजाय जो डिकोडर उत्पन्न करते हैं, लेखक ऑक्यूपेंसी को एक निरंतर सीन स्टेट के रूप में पुनर्परिभाषित करते हैं जो चरणों में नेटवर्क के माध्यम से प्रसारित होती है। परिणाम एक क्रॉस-मॉडल स्टेट रीजनिंग प्रतिमान है जहां डिटेक्शन और ऑक्यूपेंसी एक सामान्य मध्यवर्ती सीन रिप्रेजेंटेशन साझा करते हैं BEV फीचर्स के लिए प्रतिस्पर्धा करने के बजाय।

दो ठोस मॉड्यूल आर्किटेक्चर को संचालित करते हैं। State-guided BEV Enhancement, संक्षिप्त SBE, मॉडल की गई ऑक्यूपेंसी स्टेट पर उन्हें शर्त देकर इंट्रा-फ्रेम BEV फीचर्स को मजबूत करता है। Doppler-guided Temporal Fusion, या DTF, रडार डॉपलर संकेतों का उपयोग करके लंबे समय के क्षितिज में उस स्टेट साक्ष्य को संरक्षित करता है, जो 4D मिलीमीटर-वेव रडार के लिए एक स्वाभाविक फिट है, जो विरल स्थानिक रिटर्न के साथ वेग कैप्चर करता है। एकसाथ वे मॉडल को स्थान और समय दोनों में मोटे-से-महीन फीचर एग्रीगेशन देते हैं।

पेपर उस डेटा अड़चनी को भी संबोधित करता है जिसने रडार-कैमरा मल्टी-टास्क वर्क को बाधित किया है। लेखक ManTruckScenes का विस्तार करते हैं जिसमें सैटेलाइट-मैप-आधारित जेनरेट किया गया ऑक्यूपेंसी लेबल शामिल है और उस डेटासेट को OmniHD-Scenes के साथ एक एकीकृत क्रॉस-डेटासेट डिटेक्शन-एंड-ऑक्यूपेंसी प्रोटोकॉल में जोड़ते हैं। उनके प्रयोग सटीकता, मजबूती, एब्लेशन, और दक्षता को एक रडार-कैमरा मल्टी-टास्क मूल्यांकन फ्रेमवर्क के तहत स्कैन करते हैं। कोड और नए लेबल स्वीकृति पर रिलीज के लिए निर्धारित हैं।

बिल्डर्स के लिए, व्यावहारिक निष्कर्ष दोहरा है। पहला, पर्सिस्टेंट-स्टेट ऑक्यूपेंसी मॉडलिंग एक ही BEV बैकबोन से दो समानांतर डिकोडर चलाने के बजाय डिटेक्शन और घनी सिमांटिक भविष्यवाणी के बीच कंप्यूट साझा करने का तरीका प्रदान करती है। दूसरा, एकीकृत इवैल प्रोटोकॉल रडार-कैमरा मल्टी-टास्क वर्क के लिए डेटासेट-विशिष्ट बेंचमार्क को एक साथ जोड़ने के बजाय एक एकल मानक देता है।

अगले ध्यान देने योग्य: क्या SBE और DTF मॉड्यूल ManTruckScenes और OmniHD-Scenes से परे अन्य रडार-कैमरा स्टैक में साफ-सुथरे ढंग से ट्रांसफर होते हैं, और क्या सैटेलाइट-मैप-जेनरेटेड ऑक्यूपेंसी लेबल विविध शहरी और हाइवे शासनों में बने रहते हैं।

[18:17] Agora फंक्शन राउटर को रीजनिंग स्टेप्स के लिए नीलामी से बदलता है

Kaiji Zhou, Ales Leonardis, और Yue Feng का एक नया पेपर एक मल्टी-मॉडल एजेंट स्टैक के अंदर फंक्शन-कॉल राउटर को नीलामी से बदलने का प्रस्ताव करता है। Agora कहलाने वाला यह कार्य एक प्रोत्साहन-संगत नीलामी तंत्र पेश करता है जो कार्यों को विशेषज्ञ मॉडलों और टूल्स को गतिशील रूप से आवंटित करता है। प्रत्येक रीजनिंग स्टेप एक व्यापार योग्य आइटम बन जाता है, और एजेंट अपनी सुधारी गई दक्षता के आधार पर इस पर बोली लगाते हैं। बात यह है कि महत्वपूर्ण लॉजिक सबसे सक्षम सॉल्वर के पास बना रहे, न कि उसके पास जो फंक्शन कॉल को हैंडल करने के बारे में सबसे आत्मविश्वासी लग रहा हो।

पाँच बेंचमार्क में, Agora तुलनीय उम्मीदवार पूल से संचालित मिलान-किए गए सिंगल-मॉडल, राउटिंग और कैस्केड बेसलाइन की तुलना में सुधार करता है। यह फ्रेमवर्क एक एकल नीलामी पैरामीटर के माध्यम से नियंत्रणीय लागत-गुणवत्ता ट्रेड-ऑफ भी प्रदर्शित करता है, जिसे लेखक परिनियोजन के लिए व्यावहारिक नॉब के रूप में चिह्नित करते हैं। प्रेरणा यह है कि मौजूदा ऑर्केस्ट्रेशन घोषित फंक्शन सपोर्ट के स्तर पर मिलान करता है और कार्यात्मक रूप से समान विकल्पों के बीच प्रदर्शन परिवर्तनशीलता और लागत दक्षता को अनदेखा करता है।

हेटेरोजीनियस मॉडल पूल चलाने वाले बिल्डरों के लिए, शिफ्ट आवंटन की इकाई है। अधिकांश राउटर फंक्शन या टूल स्तर पर निर्णय लेते हैं; Agora रीज़निंग-स्टेप स्तर पर निर्णय लेता है और प्रत्येक को एक कीमत संलग्न करता है। इसका अर्थ है कि लागत-गुणवत्ता फ्रंटियर प्रति वर्कलोड ट्यून करने योग्य बन जाती है, न कि वेंडर डिफ़ॉल्ट कैस्केड में बंद। एकल नीलामी पैरामीटर लीवर है: इसे एक तरफ धकेलें और स्टैक सस्ते सुसंगत कॉल को प्राथमिकता देता है, दूसरी तरफ धकेलें और महंगे विशेषज्ञ कठिन रीज़निंग स्टेप्स को अवशोषित करते हैं।

अगला ट्रैक करने के लिए: क्या सुधारा गया कंपीटेंस सिग्नल हॉट पाथ में रहने के लिए काफी सस्ते में गणना की जा सकती है, और क्या कोई ओपन एजेंट फ्रेमवर्क नीलामी प्रिमिटिव को राउटिंग बैकएंड के रूप में शिप करता है। पेपर Zhou, Leonardis, और Feng का arXiv 2607.09600 है।

[20:01] VLMs में गिनती विफलताओं का पता रीडआउट मिसएलाइनमेंट से चलता है, मिसिंग नॉलेज से नहीं

Ahmed Oumar El-Shangiti, Abzal Nurgazy, और Hilal AlQuabeh का arXiv 2607.09544 पर एक नया पेपर दृष्टि-भाषा मॉडल की बेसिक गिनती में विफलता के कारणों पर सूक्ष्मदर्शी रखता है। टीम ने पाँच गिनती डेटासेट में चार VLMs की आंतरिक सक्रियणों पर सरल प्रोब्स को प्रशिक्षित किया, और पाया कि नॉनलीनियर प्रोब्स विश्वसनीय रूप से पहचान सकते हैं जब मॉडल गलत गिनती देने वाला है — भले ही मॉडल अक्सर आंतरिक रूप से सही गिनती एन्कोड करता है।

पहला तंत्र SVCCA है, या Singular Vector Canonical Correlation Analysis। ग्राउंड-ट्रुथ गिनती पर प्रशिक्षित प्रोब्स और मॉडल आउटपुट पर प्रशिक्षित प्रोब्स आंशिक रूप से साझा सक्रियण सबस्पेस में होते हैं, लेकिन मिसएलाइन्ड दिशाओं के साथ रीड आउट करते हैं। सादे शब्दों में, गिनती मॉडल के सिर में बैठी है, लेकिन जवाब का रास्ता कहीं और पूरी तरह इशारा कर रहा है।

दूसरा तंत्र एक कॉज़ुअल स्टीयरिंग इंटरवेंशन है। गिनती-पहचान प्रोब्स की दिशा को मजबूत करने से गिनती प्रदर्शन में मापनीय सुधार होता है, जिसे लेखक फिर मान्य करते हैं। उससे उन्होंने एक डिटेक्टर-गाइडेड सेल्फ-करेक्शन लूप प्रस्तावित किया जो केवल तभी चयनात्मक रूप से मॉडल को री-प्रॉम्प्ट करता है जब एक आंतरिक एरर डिटेक्टर फेल्योर की भविष्यवाणी करता है। यह विशुद्ध रूप से इन्फरेंस-टाइम इंटरवेंशन है — कोई पैरामीटर अपडेट नहीं, कोई फाइन-ट्यूनिंग नहीं — और यह इवैल सुइट में गिनती सटीकता को 15.6 पूर्ण प्रतिशत अंक तक बढ़ाता है।

छवियों में वस्तुओं की टैली करने वाले एजेंट शिप करने वाले बिल्डरों के लिए, यह एक शोध परिणाम है जिसकी तत्काल प्रोडक्शन प्रासंगिकता है। सक्रियण पर प्रशिक्षित एक लाइटवेट प्रोब गिनती-हेवी स्टेप्स पर विश्वसनीयता गेट के रूप में कार्य कर सकता है, फेल्योर को डाउनस्ट्रीम टूल कॉल में कैस्केड होने से पहले पकड़ना। यह VLM एरर्स की एक क्लास को नॉलेज गैप के बजाय अलाइनमेंट समस्याओं के रूप में फ्रेम करता है, इन्फरेंस-टाइम स्टीयरिंग के लिए एक नया लीवर खोलता है। वही रीड-प्रोब-देन-करेक्ट लूप किसी भी स्ट्रक्चर्ड-आउटपुट कॉल को रैप कर सकता है जहाँ मॉडल के पास संभवतः सही आंतरिक जवाब है।

अगला देखें कि क्या समान प्रोब पैटर्न सेट कम्पेरिज़न या थ्रेशोल्ड रीज़निंग जैसे नॉन-काउंटिंग स्ट्रक्चर्ड-आउटपुट टास्क्स के लिए भी मान्य है।

[21:52] vLLM 0.25.0 डेंस मॉडल्स के लिए डिफ़ॉल्ट के रूप में Model Runner V2 शिप करता है

vLLM v0.25.0 11 जुलाई को एक स्थिर रिलीज के रूप में आया, जिसमें 232 योगदानकर्ताओं से 558 कमिट्स शामिल हैं, जिनमें से 64 इस प्रोजेक्ट के लिए नए हैं। मुख्य परिवर्तन यह है कि Model Runner V2 अब सभी dense मॉडलों के लिए डिफ़ॉल्ट execution path है, जो पिछली रिलीज में आए quantized-model support पर आधारित है। यह स्विच PR #44443 के पीछे आता है और dense serving के लिए MRv2 को standard code path बनाता है।

इसके साथ तीन ठोस तंत्र आते हैं। पहला, EVS support #46535 के माध्यम से आता है, MRv2 path को एक अतिरिक्त capability surface के साथ विस्तारित करता है। दूसरा, realtime embeddings #46762 के माध्यम से आते हैं, low-latency पाइपलाइनों के लिए एक नया embedding endpoint exp करते हैं जो同一 unified runner पर चल रही हैं। तीसरा, prefix caching अब Mamba hybrid models को cover करता है, जो उन सभी के लिए एक उल्लेखनीय unlock है जो self-hosting Mamba-based आर्किटेक्चर कर रहे हैं जो पहले prefix-cache reuse से वंचित थे।

agent stacks के पीछे local inference चलाने वाले builders के लिए, व्यावहारिक प्रभाव consolidation है। Dense model serving अब एक single runner के माध्यम से route होती है जिसमें built-in quantization, hybrid prefix caching, और realtime embedding endpoint शामिल है। यदि आप MRv2 opt-in behavior की वजह से older vLLM minor pin कर रहे थे, तो यह वह रिलीज है जहां वह pin आवश्यक नहीं रहती। RAG pipelines और realtime retrieval workloads को #46762 और Mamba hybrid prefix cache से सबसे सीधा लाभ मिलता है, क्योंकि दोनों per call recomputing के बजाय consecutive requests में computed state को reuse करने पर निर्भर करते हैं।

आगे देखने वाली बात यह है कि MRv2 dense coverage से आगे कैसे विस्तारित होता है। रिलीज नोट्स specifically dense models को नए डिफ़ॉल्ट के रूप में call out करते हैं, इसलिए non-dense आर्किटेक्चर संभवतः अभी भी previous runner के माध्यम से route होते हैं। broader MRv2 coverage के लिए अगले minor पर ध्यान दें, और high-traffic production deployment को नए डिफ़ॉल्ट पर flip करने से पहले अपने own model family पर latency benchmark करें।

[23:41] VLMs का एक दशक simple-to-complex scene gap को बंद करता है

शोधकर्ताओं Shravan Murlidaran और Miguel P. Eckstein से एक नया arXiv पेपर, पेपर 2607.09654, vision-language model accuracy और error patterns पर एक दशक लंबा नज़र रखता है, और मुख्य बात यह है कि multimodal large language models ने simple scenes और complex social behavior scenes के बीच के gap को प्रभावी रूप से बंद कर दिया है। टीम एक Complex Social Behavior dataset पेश करती है, जिसमें 100 images हैं जो complex social interactions को दर्शाती हैं, और इसे MS-COCO से एक sample के साथ जोड़ती है। उन्होंने 2017 से 2025 तक नौ models का मूल्यांकन किया, चार pre-MLLM vision-language models और पांच multimodal LLMs, plus 20 human descriptions जिन्हें gold standard के खिलाफ score किया गया। Benchmark accuracy को score करता है और प्रदर्शन को पांच visual-cognitive error types में तोड़ता है: object detection, recognition, hallucination, scene understanding, और spatial dependence।

तंत्र straightforward लेकिन उपयोगी है: एक curated complex-image set जो expose करता है कि VLMs अभी भी मनुष्यों से कहां भिन्न हैं। Pre-MLLMs ने CSB पर सबसे खराब human descriptions से काफी नीचे score किया, जबकि MLLMs ने CSB और MS-COCO दोनों पर शीर्ष human descriptions के आसपास land किया, simple-versus-complex accuracy gap को erase करते हुए जो पहले exist करती थी। Error taxonomy पर, MLLMs ने tested datasets पर object detection, recognition, hallucination, और scene understanding errors को लगभग eliminate कर दिया है। बचा हुआ gap spatial dependence है: MLLMs कभी-कभी descriptions generate करते समय मनुष्यों की तुलना में अलग image regions पर depend करते हैं।

Builders के लिए जो VLMs को agent pipelines में wire कर रहे हैं जिन्हें screenshots, diagrams, या workplace photos की व्याख्या करने की आवश्यकता है, यह पेपर visual stack की reliability और जहां यह अभी भी human gaze से भिन्न है, का concrete measurement प्रदान करता है। CSB-style evaluation something है जिसे आप अपने own domain imagery के खिलाफ locally replicate कर सकते हैं production में hit होने से पहले systematic blind spots को surface करने के लिए। Watch-next: upcoming vision encoders और MLLMs spatial dependence gap को कैसे बंद करते हैं, और क्या attention-region analysis scene description accuracy के साथ-साथ standard reporting metric बनता है।

[25:30] Training-Free Logit Adaptation OOD Data पर Medical VLMs को boost करता है

Medical Vision-Language Models zero-shot settings में मजबूती से प्रदर्शन करते हैं, लेकिन large-scale pretraining द्वारा baked in वही class bias out-of-distribution data पर accuracy को नीचे खींचता है, और existing few-shot fixes typically extra trainable components को bolt on करते हैं जो extreme low-data regimes जैसे 1-shot में wobbly हो जाते हैं। Tianyou Jiang और Ziyu Zhou से एक नया पेपर — TCLA, का पूर्ण रूप Training-Free Class-wise Logit Adaptation — inference time पर उस gap को attack करता है। arXiv 2607.09562।

TCLA एक पूरी तरह से प्रशिक्षण-मुक्त, मॉडल-अज्ञेयवादी अनुकूलन विधि है जो एक छोटे सपोर्ट सेट पर चलती है। तंत्र सीधा है: VLM के वज़न को फाइन-ट्यून करने के बजाय, TCLA अनुमान पर मॉडल द्वारा पहले से उत्सर्जित लॉजिट्स को समायोजित करता है, अंतर-वर्ग विभ्रंभ को तेज करता है और पूर्वानुमानों को चिकित्सा डोमेन की ओर वापस खींचता है। कोई नए पैरामीटर नहीं, कोई फाइन-ट्यूनिंग लूप नहीं, कोई आर्किटेक्चर सर्जरी नहीं — और यही विधि बैकबोन की परवाह किए बिना प्रीट्रेंड मेडिकल VLM पर लागू होती है।

सीधे सारांश से लिया गया मुख्य परिणाम: एक्स-रे, अल्ट्रासाउंड, MRI, CT और हिस्टोपैथोलॉजी को कवर करने वाले नौ डेटासेट में, TCLA मेडिकल VLM के लिए आउट-ऑफ-डिस्ट्रिब्यूशन प्रदर्शन में लगातार सुधार करता है, और अधिकांश मामलों में मौजूदा प्रशिक्षण-आधारित अनुकूलन विधियों से बेहतर प्रदर्शन करता है। इसमें 1-शॉट व्यवस्था शामिल है जहां पिछले दृष्टिकोण अक्सर अस्थिर हो जाते हैं।

प्रीट्रेंड मेडिकल VLM के ऊपर नैदानिक या इमेजिंग वर्कफ्लो शिप करने वाले बिल्डर्स के लिए, व्यावहारिक आकर्षण डिप्लॉयमेंट आकार है: ड्रॉप-इन इन्फरेंस-टाइम लॉजिट सुधार का मतलब है कि OOD रोबस्टनेस एक छोटे सपोर्ट सेट से ट्यून की जा सकती है, फाइन-ट्यूनिंग पाइपलाइन स्थापित करने के बजाय। क्योंकि TCLA मॉडल-अज्ञेयवादी है, एक एकल अनुकूलन रैपर बैकबोन के बीच आगे-पीछे हो सकता है क्योंकि अंतर्निहित VLM बदला जाता है।

अगले वीडियो देखें: सारांश दावा करता है कि अधिकांश मामलों में प्रशिक्षण-आधारित विधियों पर जीत है, तो खुला सवाल यह है कि वे लाभ कैसे बने रहते हैं जब सपोर्ट सेट मूल्यांकन वितरण से और दूर हो जाता है — और क्या प्रोडक्शन स्केल पर इन्फरेंस-टाइम ओवरहेड सपाट रहता है।

[27:20] व्यावहारिक कतार

आज की कहानियों से: अगर आपकी टीम किसी Guardian समीक्षा आउटपुट स्कीमा को पिन करती है या उसकी ऑटो-रिव्यू टिप्पणियों के खिलाफ गोल्डन टेस्ट चलाती है, तो Codex rust-v0.144.2 को पुल करें ताकि वह व्यवहार फिर से मेल खाए जिसके खिलाफ आपके असरशन मूल रूप से लिखे गए थे। यह मामला संकेत करता है कि AI प्रयोगशालाएं प्रतिस्पर्धियों के खिलाफ समन्वित चोरी के दावे करने को तैयार हैं, सिर्फ व्यक्तिगत प्रस्थानों के खिलाफ नहीं। होस्ट किए गए एजेंट चलाने वाले बिल्डर्स के लिए, यह साक्ष्य है कि एक कार्य को अलग-अलग ट्यून की गई भूमिकाओं में विघटित करना और स्पष्ट कॉन्फिडेंस कैलिब्रेशन लागू करना एक निश्चित इन्फरेंस बजट के तहत बड़े सिंगल-मॉडल या एंसemble सेटअप से बेहतर प्रदर्शन कर सकता है। PAC-ACT एक प्रीट्रेंड ACT पॉलिसी को इन्फरेंस स्टैक को फिर से लिखे बिना ऑनलाइन RL के लक्ष्य में बदल देता है, जो उन बिल्डर्स के लिए महत्वपूर्ण है जो पहले से ही रियल-टाइम इंडस्ट्रियल सेल पर चंक्ड पॉलिसी चला रहे हैं। टूल-उपयोग करने वाले एजेंटों पर काम करने वाले बिल्डर्स के लिए, प्रासंगिक पैटर्न महंगे डेटा अधिग्रहण को एक निश्चित पाइपलाइन के बजाय एक सीखी गई पॉलिसी के रूप में मानना है। बिल्डर्स के लिए इसका क्या मतलब है: Freya-TTS एक टोकनाइज़र-मुक्त, फोनीम-मुक्त विधि दिखाता है जो सामान्य TTS फ्रंटएंड को गिराकर अपना बेंचमार्क प्रदर्शन बनाए रखती है, जो आर्किटेक्चर स्तर पर वॉइस सिंथेसिस इंटीग्रेशन को सरल बनाती है। वर्तमान शॉर्ट-होराइज़न एजेंट eval आंकड़े संभवतः उन बहु-घंटे के इंजीनियरिंग जॉब्स पर क्षमता को अतिरंजित करते हैं जो वास्तविक वर्कफ्लो में मायने रखते हैं। भुगतान या जोखिम पाइपलाइन संचालित करने वाली टीमों के लिए, यह संकेत करता है कि LLM-एन्कोडेड ट्रांज़ैक्शन कथाओं के साथ Pareto-frontier RL एक रिकॉल-रिकवरी परत के रूप में कार्य करता है जो सिंथेटिक माइनॉरिटी ओवरसैम्पलिंग से बचाती है। बिल्डर्स के लिए इसका क्या मतलब है: फ्रेमवर्क परसेप्शन टीमों को डिटेक्शन और घने शास्त्रीय पूर्वानुमान के बीच एक साझा मध्यवर्ती प्रतिनिधित्व देता है, इसके अलावा सिले-टुगेदर डेटासेट-विशिष्ट बेंचमार्क के बजाय रडार-कैमरा मल्टी-टास्क कार्य के लिए एक एकीकृत eval यार्डस्टिक। बिल्डर टेकअवे: आवंटन की इकाई फंक्शन या टूल कॉल से रीज़निंग स्टेप पर जाती है, जिसमें एक कीमत जुड़ी होती है। VLM सक्रियणों पर प्रशिक्षित एक हल्का प्रोब गिनती-भारी चरणों से पहले एक विश्वसनीयता गेट के रूप में कार्य कर सकता है, विफलताओं को पकड़कर उन्हें डाउनस्ट्रीम टूल कॉल में कैस्केड होने से रोकता है। MRv2 opt-in व्यवहार के लिए पुराने vLLM माइनर को पिन करने वाले लोकल इन्फरेंस डिप्लॉयमेंट अब अपग्रेड कर सकते हैं, क्योंकि यूनिफाइड रनर घने मॉडल के लिए डिफ़ॉल्ट है। वर्कप्लेस फोटो को समझने वाले एजेंट पाइपलाइन में VLM लगाने वाले बिल्डर्स को यह पता चलता है कि विज़ुअल स्टैक मनुष्यों से कहां मेल खाता है और कहां अभी भी भिन्न होता है। प्रीट्रेंड मेडिकल VLM के ऊपर नैदानिक या इमेजिंग वर्कफ्लो बनाने वाली टीमों के लिए, TCLA फाइन-ट्यूनिंग पाइपलाइन स्थापित किए बिना OOD रोबस्टनेस को मजबूत करने का एक तरीका प्रदान करता है।