Episode 87: GPT-5.6 Sol, Bonsai 27B, Gemini 3.5 Flash, और

एपिसोड 087 — 15 जुलाई, 2026

[00:00] एपिसोड हुक

OpenAI का GPT-5.6 Sol उन एजेंट्स के लिए डिज़ाइन किया गया है जो सॉफ्टवेयर नेविगेट कर सकते हैं, टूल्स कॉल कर सकते हैं, और तैयार डेलिवरेबल वापस कर सकते हैं, जिसमें बड़े प्रोजेक्ट्स के लिए काफी बड़ा कॉन्टेक्स्ट विंडो है। एक नए डिज़ाइन का ChatGPT डेस्कटॉप ऐप इस बदलाव को मजबूत करता है जो बातचीत, नॉलेज-वर्क क्रिएशन, और कोडिंग को एक जगह पर जोड़ता है। फ्रंटियर मॉडल्स से परे, छोटे व्यवसाय के मालिकों ने कांग्रेस को बताया कि कैसे AI घंटे बचा रहा है, बिक्री बढ़ा रहा है, और अकाउंट्स-पेएबल एजेंट जैसे कार्यशील सिस्टम तैयार कर रहा है—जबकि कानून निर्माता लागत और जोखिमों पर विचार कर रहे थे। लोकल AI ने भी एक बड़ा कदम आगे बढ़ाया: PrismML ने अपने Bonsai 27B मल्टीमॉडल मॉडल्स को लगभग 3.9 गीगाबाइट जितने छोटे फुटप्रिंट में कंप्रेस किया, और Google ने Gemma 4 E2B को Pixel TPUs पर नेटिवली चलते हुए ऑफलाइन प्लानिंग और ट्रांसक्रिप्शन के लिए दिखाया। एक रोबोटिक्स खोज एक उपयोगी सीमा जोड़ती है: Claude को सीधे, सेकंड-फ्रैक्शन मोटर कंट्रोल में कठिनाई हुई, जो सुझाव देती है कि भाषा मॉडल प्लानिंग और सुपरविज़न के लिए बेहतर हैं न कि रोबोट्स के फास्ट कंट्रोल लूप्स की जगह लेने के लिए।

[02:00] GPT-5.6 Sol एजेंट्स को तैयार काम की ओर धकेलता है

एक AI एजेंट अब पूरे रिपॉजिटरी में बदलाव ला सकता है, ब्राउज़र में परिणाम की जांच कर सकता है, और सलाह के साथ रुकने के बजाय तैयार आर्टिफैक्ट की ओर आगे बढ़ सकता है। यही GPT-5.6 Sol के लिए व्यावहारिक पिच है, OpenAI का नया कैपेबिलिटी-फर्स्ट मॉडल जो जटिल कोडिंग, कंप्यूटर यूज़, रिसर्च, और सिक्योरिटी के लिए है।

gpt-5.6 API एलियास Sol पर रूट करता है। इसके मॉडल पेज पर 1,050,000-टोकन कॉन्टेक्स्ट विंडो, 128,000 तक आउटपुट टोकन, और टेक्स्ट और इमेज इनपुट की सूची है। उपलब्ध टूल्स में वेब और फाइल सर्च, इमेज जेनरेशन, कोड इंटरप्रेटर, होस्टेड शेल, पैच एप्लिकेशन, कंप्यूटर यूज़, स्किल्स, टूल सर्च, और MCP शामिल हैं, जो मॉडल्स को बाहरी टूल्स और डेटा से कनेक्ट करने का एक स्टैंडर्ड है।

एक विशेष रूप से उपयोगी बदलाव प्रोग्रामैटिक टूल कॉलिंग है। Sol JavaScript लिख सकता है जो बाउंडेड वर्कफ्लो के अंदर टूल रिजल्ट्स एकत्र और रिड्यूस करता है। यह एक लंबे काम को बीच के हैंडऑफ्स से भरी चैट सेशन जैसा कम और प्रोग्राम जैसा अधिक बना सकता है जो एिविडेंस एकत्र करता है, प्रोसेस करता है, और उपयोगी परिणाम लौटाता है। पर्सिस्टेड रीज़निंग काम को टर्न्स में आगे ले जाती है, जबकि बीटा मल्टी-एजेंट मोड इंडिपेंडेंट टास्क्स को पैरलल सबएजेंट्स में बांट सकता है। Sol इमेजेस को उनके ओरिजनल डायमेंशन्स पर इंस्पेक्ट कर सकता है, और प्रो मोड क्वालिटी-फर्स्ट जॉब्स के लिए उपलब्ध है।

OpenAI कंप्यूटर-यूज़ परफॉर्मेंस को GPT-5.5 के 47.5 प्रतिशत से GPT-5.6 के 62.6 प्रतिशत तक बढ़ता हुआ बताता है। इसकी रिपोर्ट की गई BrowseComp स्कोर 84.4 से बढ़कर 90.4 हुई, जबकि BenchCAD 44.4 से 70.6 हुई। लॉन्च पार्टनर Lovable कम स्टेप्स, कम टूल कॉल्स, और कम स्टक रन्स की रिपोर्ट करता है; Qodo रिपोर्ट करता है कि समीक्षित प्रत्येक पुल रिक्वेस्ट के लिए लगभग तीन गुना कम टोकन और लगभग आधी लेटेंसी। ये OpenAI और पार्टनर-पब्लिश्ड आंकड़े हैं, सार्वभौमिक स्वतंत्र परिणाम नहीं।

बिल्डर्स के लिए, अवसर ब्राउज़र क्वालिटी एश्योरेंस, बड़े-डॉक्यूमेंट रिसर्च, और कम्प्लीशन के इर्दगिर्द डिज़ाइन किए गए टूल-हेवी वर्कफ्लोज़ हैं। देखें कि क्या वे रियल प्रोडक्शन कंस्ट्रेंट्स में बने रहते हैं। OpenAI Terra को बैलेंस्ड एसेंशियल टियर और Luna को फास्ट, हाई-वॉल्यूम वर्क के लिए पोजीशन करता है।

[03:10] ChatGPT बातचीत, डिलिवरेबल्स, और कोडिंग को एकजुट करता है

आप अब ChatGPT से सिर्फ एक जवाब से ज्यादा मांग सकते हैं: OpenAI चाहता है कि टीमें एक पूरा काम सौंपें और एक समीक्षेगेय डिलिवरेबल प्राप्त करें। 9 जुलाई को, OpenAI ने एक नया डेस्कटॉप ऐप पेश किया जो Chat, Work, और Codex को एक ही छत के नीचे लाता है, जबकि प्रत्येक लेन को अलग रखता है। Chat बातचीत के लिए है। Work रिसर्च और तैयार ज्ञान-कार्य कलाकृतियों को संभालता है। Codex सॉफ्टवेयर बनाने और ठीक करने के लिए समर्पित अनुभव बना हुआ है; इसे सिर्फ नाम बदलकर या हटाकर नहीं छोड़ा गया।

मौजूदा Codex उपयोगकर्ताओं के लिए, प्रोजेक्ट्स और सेटिंग्स आगे बढ़ जाती हैं। लोग Codex को डिफ़ॉल्ट व्यू के रूप में रख सकते हैं, Codex आइकन बनाए रख सकते हैं, और ChatGPT मोबाइल से Codex प्रोजेक्ट्स तक पहुंच सकते हैं। यह निरंतरता मायने रखती है क्योंकि इंटरफेस समेकन उस वर्कफ़्लोज़ की तुलना में कम दिलचस्प है जिन्हें यह समर्थन करने के लिए बनाया गया है।

Work दस्तावेज़, स्प्रेडशीट, प्रेजेंटेशन और Sites तैयार कर सकता है, न कि सिर्फ चैट रिस्पॉन्स पर रुककर। OpenAI इस बदलाव को एक जवाब मांगने से एक डिलिवरेबल सौंपने के रूप में वर्णित करता है जिसमें स्रोत, टूल्स, संशोधन और एक आउटपुट शामिल हो सकता है जिसकी कोई समीक्षा कर सकता है। उदाहरण के लिए, फाइनेंस टीमें उस व्यापक प्रक्रिया के भीतर कच्चे डेटा को मॉडल, चार्ट, मेंमो और डेक में बदल सकती हैं।

सबसे ठोस सबूत OpenAI-प्रकाशित ग्राहक खातों से आता है। OpenAI का कहना है कि Zapier ने एक लीड-रिव्यू सिस्टम बनाया जिसने बिगड़े पाइपलाइन में सात अंकों (लाखों/करोड़ों) का पता लगाया। RingCentral ने मैनुअल लॉन्च चेक्स को एक वर्कफ़्लो में बदल दिया जिसका उपयोग लगभग 50 प्रोडक्ट मैनेजर्स करते हैं। Virgin Atlantic ने प्रतिस्पर्धी रिसर्च को हफ्तों से घंटों में कम कर दिया। NVIDIA ने कॉन्फ्रेंस तैयारी को स्वचालित किया जो उसके इवेंट-पूर्व समय का लगभग 40 प्रतिशत खपत करता था।

बिल्डर्स के लिए, अवसर उन प्रक्रियाओं को लक्षित करना है जिनमें स्पष्ट इनपुट, दोहराए जाने वाले टूल उपयोग और एक ठोस अंतिम कलाकृति हो: एक लॉन्च रिव्यू, रिसर्च पैकेज, फाइनेंशियल मॉडल, प्रेजेंटेशन, या सॉफ्टवेयर मरम्मत। देखने की अगली बात यह है कि क्या टीमें विश्वसनीय रूप से इन आउटपुट्स की समीक्षा कर सकती हैं और आवर्ती कार्यों में पुन: उपयोग कर सकती हैं, न कि प्रत्येक परिणाम को एक-बारगी जवाब के रूप में मानते हुए।

[05:03] छोटे व्यवसाय AI को घंटों, बिक्री और काम करने वाले पुर्जों में बदलते हैं

एक कॉफी बैगिंग समस्या, एक पुरानी मशीन जिसके लिए आसानी से उपलब्ध पुर्जा नहीं है, और चालान में खोए घंटे: ये कुछ ठोस AI लक्ष्य थे जिनका वर्णन 14 जुलाई की एक अमेरिकी हाउस स्मॉल बिजनेस कमेटी की सुनवाई में किया गया। ये उदाहरण मायने रखते हैं क्योंकि वे रोजमर्रा के व्यवसायों को AI को संकीर्ण कार्यों पर लागू करते दिखाते हैं जहां सफलता को समय, पैसे या एक काम करने वाले उपकरण में मापा जा सकता है।

शिकागो की एक 151 साल पुरानी एपोथिकरी एक अकाउंट्स-पेएबल एजेंट बना रही है जिसका उद्देश्य कर्मचारियों को प्रति सप्ताह 20 घंटे से अधिक वापस देना है। इसके मालिक ने यह भी कहा कि कंपनी द्वारा AI अपनाने के बाद रोजगार में लगभग 20 प्रतिशत की वृद्धि हुई है। Henry's House of Coffee ने एक सेंसर-संचालित स्प्रिट्ज़र डिज़ाइन और कोड करने में मदद के लिए ChatGPT का उपयोग किया जो एक भौतिक कॉफी-बैगिंग समस्या को संबोधित करता था। डेट्रॉइट में, ठेकेदार ग्राहक के ड्राइववे से जाते समय अपने ट्रक में अनुमान पूरा करने के लिए फ्लोर प्लान को डिक्टेटेड नोट्स के साथ जोड़ते हैं।

सुनवाई में प्रत्यक्ष व्यावसायिक परिणाम भी शामिल थे। GT Coffee ने बताया कि उसकी कन्वर्जन दर 1.5 प्रतिशत से बढ़कर 2.3 प्रतिशत हो गई, जबकि औसत ऑर्डर मूल्य 38 डॉलर से बढ़कर 47 डॉलर हो गया। एक ओक्लाहोमा के लकड़हारे ने कहा कि पुराने उपकरणों के प्रतिस्थापन पुर्जे अब घंटों में डिज़ाइन और 3D-प्रिंट किए जा सकते हैं, जबकि पहले हफ्तों तक इंतज़ार करना पड़ता था। एक अन्य मामले में, AI ने एक थाई रेस्तरां के लिए होम-किचन परमिट विकल्प प्रस्तुत किया, जिससे प्रारंभिक लागत में 90 प्रतिशत से अधिक की कमी आई।

उन आंकड़ों को ध्यान से पढ़ना चाहिए: ये शपथपूर्ण गवाह के दावे हैं, स्वतंत्र रूप से लेखापरीक्षित सरकारी निष्कर्ष नहीं। फिर भी, पैटर्न बिल्डर्स के लिए उपयोगी है। इनमें से किसी भी उदाहरण में कंपनी के संचालन के हर हिस्से को हल करने पर निर्भर नहीं है। प्रत्येक एक सीमित बाधा से शुरू होता है—चालान, अनुमान, पैकेजिंग, मार्केटिंग, परमिट, या एक अनुपलब्ध घटक—और सीधे उस पर AI लागू करता है।

आगे जो आता है वह साक्ष्य है कि ये लाभ व्यक्तिगत कहानियों से आगे बने रहते हैं। सबसे मजबूत उत्पाद बेसलाइन और परिणाम की तुलना करना आसान बनाएंगे, जबकि छोटे व्यवसायों द्वारा पहले से उपयोग किए जाने वाले अव्यवस्थित उपकरणों और भौतिक प्रक्रियाओं में फिट होंगे।

[06:59] बोन्साई 27B फोन-आकार की मेमोरी में मल्टीमॉडल AI को समेटता है

एक फोन किसी उपकरण की फोटो की जांच कर सकता है, स्क्रीनशॉट पढ़ सकता है, या किसी दस्तावेज़ में मदद कर सकता है - बिना उस सामग्री को क्लाउड सेवा को भेजे। बोन्साई 27B के पीछे यही व्यावहारिक वादा है, जो एक नया PrismML रिलीज़ है जो Qwen 3.6 27B को इतने छोटे पैकेजों में संपीड़ित करता है कि वे उपभोक्ता-डिवाइस मेमोरी में फिट हो सकें।

यह कोई नया प्रीट्रेंड मॉडल नहीं है। PrismML ने मौजूदा मल्टीमॉडल मॉडल के संपीड़ित संस्करण बनाए हैं, जिसमें 1-बिट और 1.58-बिट टर्नरी वेरिएंट शामिल हैं। टर्नरी का मतलब है कि मॉडल के संग्रहीत वेट एक बहुत छोटे संभावित मानों के सेट का उपयोग करते हैं, जिससे उनके द्वारा घेरा जाने वाला मेमोरी तेजी से कम हो जाता है। PrismML लगभग 3.9 गीगाबाइट तक का फुटप्रिंट रिपोर्ट करता है और iPhone-क्लास हार्डवेयर पर ऑपरेशन का प्रदर्शन करता है।

इस रिलीज़ में llama.cpp के साथ संगत रनटाइम के लिए GGUF फाइलें शामिल हैं, साथ ही Apple सिलिकॉन के लिए MLX बिल्ड भी हैं। यह local-AI बिल्डर को लैबोरेटरी डेमो के बजाय लैपटॉप और फोन पर मॉडल का परीक्षण करने के लिए व्यावहारिक फॉर्मेट देता है।

मल्टीमॉडल क्षमता वह है जो आकार में कमी को विशेष रूप से उपयोगी बनाती है। यह ऑफ़लाइन टेक्स्ट चैट तक सीमित नहीं है। एक बिल्डर उपकरण फोटो की जांच करने वाला इंस्पेक्शन असिस्टेंट, नेटवर्क कनेक्शन के बिना साइनेज या स्क्रीनशॉट की व्याख्या करने वाला ट्रैवल हेल्पर, या संवेदनशील फाइलों को यूजर के लैपटॉप पर रखने वाला डॉक्यूमेंट एजेंट बना सकता है। लोकल ऑपरेशन उन कार्यस्थलों में भी महत्वपूर्ण हो सकता है जहाँ इमेज या रिकॉर्ड अपलोड करना अस्वीकार्य है।

महत्वपूर्ण चेतावनियाँ हैं। अत्यधिक संपीड़न आउटपुट गुणवत्ता को बदल सकता है, और मेमोरी में मॉडल फिट करना चिकनी अनुभव की गारंटी नहीं देता। डिवाइस की गर्मी और मेमोरी बैंडविड्थ अभी भी व्यावहारिक प्रदर्शन को प्रभावित करती हैं। PrismML की स्पीड और बेंचमार्क संख्याएँ भी वेंडर-रिपोर्टेड हैं, इसलिए उन्हें वास्तविक फोन और लैपटॉप पर स्वतंत्र रूप से पुनः उत्पादित करने की आवश्यकता है।

जो मायने रखता है वह यह नहीं है कि बोन्साई चलता है या नहीं, बल्कि यह है कि उसके उत्तर वास्तविक इमेज, स्क्रीनशॉट और दस्तावेज़ों में उपयोगी बने रहते हैं या नहीं। अगर यह गुणवत्ता बनी रहती है, तो एक मॉडल आकार जो एक बार वर्कस्टेशन का संकेत देता था, निजी, ऑफ़लाइन मल्टीमॉडल ऐप्स के लिए एक व्यावहारिक बिल्डिंग ब्लॉक बन सकता है।

[08:56] Google Pixel 10 फोन को ऑफ़लाइन AI प्लेटफॉर्म में बदल देता है

एक समर्थित Pixel 10-परिवार फोन अब एक ऑफ़लाइन AI एप्लिकेशन प्लेटफॉर्म बन सकता है, न कि केवल क्लाउड मॉडल के लिए एक स्क्रीन। Google ने Gemma 4 E2B को Tensor SDK बीटा के साथ पेश किया, जो मॉडल को Pixel के TPU पर मूल रूप से चलाने के लिए डिज़ाइन किया गया है - यह मशीन-लर्निंग वर्कलोड के लिए उपयोग किया जाने वाला समर्पित प्रोसेसर है। परिणाम एप्स के लिए एक रास्ता है जो हर इनपुट को रिमोट सर्विस को भेजे बिना फोटो, रिकॉर्डिंग और निर्देशों को समझ सकते हैं।

Google के उदाहरण उस बदलाव को ठोस बनाते हैं। इसने ऑफ़लाइन यात्रा योजना, होम ऑटोमेशन, ट्रांसक्रिप्शन, प्लांट रिकग्निशन, शॉपिंग असिस्टेंस और इक्विपमेंट डायग्नोसिस के लिए ओपन-सोर्स एप्लिकेशन दिखाए। कल्पना करें कि आप एक फोन को किसी पौधे या किसी उपकरण की ओर इशारा करते हैं और तुरंत मदद पाते हैं, भले ही कनेक्टिविटी कमज़ोर हो। या किसी संवेदनशील रिकॉर्डिंग को ट्रांसक्राइब करना जबकि वह डिवाइस पर ही रहती है। ये व्यावहारिक लाभ हैं, सिर्फ़ एक और स्मॉल-मॉडल स्कोर नहीं: कम विलंबता, विश्वसनीय नेटवर्क से दूर बेहतर संचालन, और निजी इनपुट पर अधिक नियंत्रण।

डेवलपर एक्सपीरियंस भी मायने रखता है। बिल्डर्स Tensor SDK बीटा के लिए एक्सेस का अनुरोध कर सकते हैं और Google के उदाहरणों को अडैप्ट कर सकते हैं, डिवाइस ड्राइवर और एक्सेलेरेटर इंटीग्रेशन से शुरू करने के बजाय। Google एक छोटे मॉडल, उसके सॉफ़्टवेयर रूट और अपने ही मोबाइल सिलिकॉन को सह-डिज़ाइन कर रहा है, जो Pixel एप्लिकेशन के लिए लोकल AI को काफ़ी अधिक सुलभ बा सकता है।

घोषणा के आसपास अभी भी महत्वपूर्ण सीमाएँ हैं। वर्तमान सपोर्ट Pixel 10, 10 Pro, 10 Pro XL और 10 Pro Fold तक सीमित है। Google ने Gemma 4 E2B, SDK दिशा, नेटिव Pixel TPU एक्ज़ीक्यूशन और कई डेमो स्थापित किए हैं, लेकिन उसने अभी तक यह जवाब नहीं दिया है कि ये एप्लिकेशन बैटरी लाइफ़ को कैसे प्रभावित करते हैं या वे निरंतर उपयोग में कितनी तेज़ी से रहते हैं। प्रोडक्ट उपलब्धता और डेमो रिज़ल्ट भी Google-रिपोर्टेड हैं।

बिल्डर्स के लिए, तुरंत का अवसर उन वर्कफ़्लो को दोबारा सोचना है जो वर्तमान में क्लाउड कनेक्शन मानते हैं: फ़ील्ड डायग्नोस्टिक्स, प्राइवेट नोट कैप्चर, कैमरा असिस्टेंस और हाउसहोल्ड कंट्रोल। देखने की अगली बात हैन्ड्स-ऑन टेस्टिंग है, ख़ासकर कि क्या उपयोगी परफॉर्मेंस एक छोटे डेमो से आगे बिना अस्वीकार्य हीट, बैटरी ड्रेन या स्लोडाउन के बनी रहती है।

[10:51] रिसर्च डाइजेस्ट: Claude का रोबोटिक्स टेस्ट एक स्पष्ट कंट्रोल बाउंड्री खींचता है

एक गोदाम मज़दूर रोबोट को सामान्य भाषा में बता सकता है कि क्या हिलाना है, लेकिन Claude को हर पहिए के मोड़ या जॉइंट मूवमेंट का टाइमिंग तय नहीं करना चाहिए। यह वह व्यावहारिक सीमा है जो Anthropic ने Claude को क्वाड्रुपेड मूवमेंट और रोबोट-मैनिपुलेशन टास्क पर टेस्ट करने के बाद पाई। सीधा लो-लेवल कंट्रोल ज़्यादातर विफल रहा क्योंकि एक भाषा मॉडल विश्वसनीय रूप से उन फ़ास्ट कंट्रोल लूप और सेफ़्टी सिस्टम की जगह नहीं ले सकता जो किसी भौतिक मशीन को स्थिर रखते हैं। रिज़ल्ट तब सुधरे जब Claude एक स्तर ऊपर काम करता: छोटे टूल्स लिखना, सरल विज़ुअल फ़ीडबैक की जाँच करना और एक प्रीट्रेंड कंट्रोलर की निगरानी करना। एक गोदाम में, इसका मतलब यह हो सकता है कि एक मज़दूर के अनुरोध को रूट और कार्यों के क्रम में बदलना, फिर प्रत्येक मूवमेंट को सर्टिफाइड नेविगेशन और मोशन कंट्रोलर को सौंपना। यह विभाजन बिल्डर्स को नैचुरल-लैंग्वेज प्लानिंग की फ़्लेक्सिबिलिटी देता है बिना मॉडल को मोटर टाइमिंग या भौतिक सेफ़्टी की ज़िम्मेदारी दिए। यह फ़ाइंडिंग एक रोबोट टेस्ट से परे मायने रखती है: यह आज उपयोगी एम्बॉडी AI के लिए एक ठोस आर्किटेक्चर प्रदान करती है। देखें कि क्या रोबोटिक्स प्रोडक्ट्स इस लेयर्ड अप्रोच को अपनाते हैं, जिसमें भाषा मॉडल प्लानिंग करते हैं और सामान्य एरर से रिकवर करते हैं जबकि सिद्ध सॉफ़्टवेयर मूवमेंट पर दृढ़ता से कंट्रोल बनाए रखता है।

[11:58] AMD 128-गीगाबाइट लोकल AI डेस्कटॉप को रिटेल में लाता है

एक डेवलपर अब Micro Center में जा सकता है और एक डेस्कटॉप खरीद सकता है जिसमें एक रिमोट ग्राफ़िक्स सर्वर पहले किराए पर लिए बिना काफ़ी बड़े AI मॉडल के साथ प्रयोग करने के लिए पर्याप्त शेयर्ड मेमोरी है। AMD का Ryzen AI Halo डेस्कटॉप 128 गीगाबाइट तक यूनिफाइड मेमोरी की कॉन्फ़िगरेशन में रिटेल में आ गया है, जो लोकल AI को स्पेशलिस्ट हार्डवेयर प्रोजेक्ट की तरह नहीं बल्कि शेल्फ़ से उपलब्ध प्रोडक्ट की तरह अधिक स्थिति दे रहा है।

महत्वपूर्ण संख्या सिर्फ़ मेमोरी कैपेसिटी नहीं है, बल्कि यह है कि वह मेमोरी कैसे ऑर्गनाइज़ की गई है। यूनिफाइड मेमोरी का मतलब है कि सेंट्रल प्रोसेसर और इंटीग्रेटेड ग्राफ़िक्स एक बड़े पूल का उपयोग करते हैं। यह अपेक्षाकृत छोटी डेडिकेटेड-मेमोरी सीलिंग से बचता है जो कई कंज़्यूमर ग्राफ़िक्स कार्ड को बड़े मॉडल लोड करने से रोकती है। AMD का कहना है कि मशीन 200 बिलियन पैरामीटर तक के मॉडल को सपोर्ट कर सकती है—वे एडजस्टेबल वैल्यू जो एक मॉडल ट्रेनिंग के दौरान सीखता है।

यह एक कैपेसिटी क्लेम है, स्पीड गारंटी नहीं। मॉडल का मेमोरी में फिट होना यह गारंटी नहीं देता कि वह जल्दी जवाब देगा, लंबे प्रॉम्प्ट को आसानी से संभालेगा, या हर वर्कलोड को अच्छी तरह से प्रदर्शित करेगा। व्यावहारिक रिज़ल्ट क्वांटाइज़ेशन पर निर्भर करेंगे, जो मॉडल को उसकी मेमोरी ज़रूरतों को कम करने के लिए कंप्रेस करता है, साथ ही कॉन्टेक्स्ट लेंथ, मेमोरी बैंडविड्थ, रनटाइम सपोर्ट और विशिष्ट टास्क पर।

फिर भी, यह नया खुदरा विकल्प उन चीजों को बदल देता है जिनका परीक्षण बिल्डर डेस्क पर कर सकते हैं। यह सहायकों के लिए एक निजी विकास मशीन के रूप में काम कर सकता है, कंपनी के अपने दस्तावेज़ों से जवाब देने वाली पुनर्प्राप्ति प्रणालियों, कोडिंग एजेंटों और टेक्स्ट को अन्य मीडिया के साथ जोड़ने वाले वर्कफ़्लो के लिए। संवेदनशील फ़ाइलें कंप्यूटर पर रह सकती हैं, और एक टीम बाद में क्लाउड स्केल के लिए भुगतान करने से पहले मूल्यांकन कर सकती है कि स्थानीय प्रदर्शन पर्याप्त है या नहीं।

उपयोगी तुलना फोन-क्लास लोकल AI से है। Bonsai और Gemma जैसे मॉडल उन कार्यों को लक्षित करते हैं जो जेब में आते हैं। Halo डेस्क-साइड स्टेज को लक्षित करता है, जहां डेवलपर्स बड़ी निजी प्रणालियों का अन्वेषण करते हैं। आगे देखने योग्य बात है उपयोगी प्रदर्शन: कौन से मॉडल और रनटाइम उस 128-गीगाबाइट क्षमता को प्रतिक्रियात्मक दैनिक उपकरणों में बदलते हैं, न कि केवल प्रयोगों में जो फिट होते हैं।

[13:54] JetBrains Copilot अब आपकी टीम के AI बैकएंड का उपयोग कर सकता है

एक डेवलपर अब JetBrains एडिटर में Copilot का उपयोग करते हुए वास्तविक AI कार्य को अपने संगठन द्वारा चुने गए मॉडल पर भेज सकता है। GitHub ने IntelliJ-आधारित उपकरणों में Copilot के लिए अपना खुद का की-ब्रिंग करने की सुविधा का विस्तार किया है, जिसमें OpenAI-संगत कस्टम एंडपॉइंट से कनेक्ट करने की क्षमता जोड़ी गई है, जिसमें निजी सेवा या स्थानीय रूप से परोसा गया मॉडल शामिल है।

यह पृथक्करण महत्वपूर्ण परिवर्तन है। Copilot वह इंटरफ़ेस बना हुआ है जो डेवलपर्स अपने एडिटर में देखते हैं, लेकिन अनुमान बैकएंड — वह सेवा जो अनुरोध प्राप्त करती है और मॉडल की प्रतिक्रिया तैयार करती है — टीम द्वारा नियंत्रित किया जा सकता है। एक संगठन Bonsai, किसी अन्य ओपन मॉडल, या संगत एंडपॉइंट के पीछे एक आंतरिक फाइन-ट्यून परोस सकता है, फिर इसे उपलब्ध करा सकता है बिना डेवलपर्स से अपना सामान्य विकास वातावरण बदलने के लिए कहे।

यह स्थानीय मॉडल की बढ़ती आपूर्ति और सॉफ्टवेयर कार्य पहले से होने वाले एडिटरों के बीच एक व्यावहारिक पुल बनाता है। एक टीम जो आंतरिक कोडिंग मॉडल बना रही है, अब अनिवार्य रूप से इसके चारों ओर एक पूर्ण एडिटर एकीकरण बनाने की आवश्यकता नहीं है। वह समर्थित एंडपॉइंट फॉर्मेट के माध्यम से मॉडल को एक्सपोज़ कर सकती है और Copilot को परिचित फ्रंट एंड प्रदान करने दें।

यह परिवर्तन उन संगठनों के लिए भी मायने रखता है जिनके पास प्रॉम्प्ट और स्रोत कोड को कहां संसाधित किया जा सकता है, इसके बारे में नियम हैं। एक निजी बैकएंड उन्हें मॉडल सेवा पर अधिक विकल्प देता है। लेकिन निजी एंडपॉइंट कनेक्ट करना स्वचालित रूप से संपूर्ण वर्कफ़्लो को निजी नहीं बनाता। परिणाम अभी भी इस पर निर्भर करता है कि वह एंडपॉइंट कहां चलता है, ट्रैफ़िक उस तक कैसे पहुंचता है, क्या लॉग होता है, और Copilot को स्वयं कैसे कॉन्फ़िगर किया गया है। वास्तविक डेटा सीमा इन विवरणों पर निर्भर करती है।

बिल्डर्स के लिए, यह पक्ष में-पक्ष में मूल्यांकन को अधिक यथार्थवादी बनाता है: एडिटर वर्कफ़्लो स्थिर रखें और परीक्षण करें कि क्या स्वीकृत स्थानीय या आंतरिक मॉडल दैनिक कोडिंग सहायता संभाल सकता है। अब मुख्य प्रश्न प्रदर्शन का है। यदि स्थानीय मॉडल स्वीकार्य विलंबता के साथ पर्याप्त कोडिंग गुणवत्ता प्रदान कर सकते हैं, तो यह साधारण विकास के लिए एक लचीला मॉडल विकल्प बन सकता है। यदि नहीं, तो इसका सबसे मजबूत आकर्षण अनुपालन और नियंत्रण बना रह सकता है।

[15:48] न्यूयॉर्क कुछ हाइपरस्केल डेटा सेंटर परमिट पर रोक लगाता है

न्यूयॉर्क में एक विशाल AI डेटा सेंटर बनाना अब अधिक समय ले सकता है — क्योंकि राज्य ने हर परियोजना पर प्रतिबंध नहीं लगाया है, बल्कि कुछ पर्यावरणीय परमिट देने से पहले लागत की गणना करना चाहता है। गवर्नर कैथी होचुल ने 14 जुलाई, 2026 को घोषित कार्यकारी आदेश 62 के माध्यम से नए हाइपरस्केल डेटा सेंटरों पर राज्यव्यापी पहली मोराटोरियम शुरू की।

यह विराम उन योग्य परियोजनाओं पर लागू होता है जिन्हें विवेकाधीन पर्यावरणीय परमिट की आवश्यकता होती है, जिसका अर्थ है वे अनुमतियाँ जहाँ नियामकों को किसी परियोजना का मूल्यांकन करना होता है, न कि बस एक स्वचालित हक़ का प्रसंस्करण करना। यह एक साल तक लागू रह सकता है जब तक न्यूयॉर्क बिजली ग्रिड, पानी के उपयोग, वायु गुणवत्ता, ग्राहक उपयोगिता दरों और आसपास के समुदायों पर प्रभाव का अध्ययन करता है।

उस दायरे का महत्व है। मौजूदा डेटा सेंटर बंद नहीं किए जा रहे हैं, और नई परियोजनाएं जिन्हें प्रभावित परमिट की आवश्यकता नहीं है, वे स्वचालित रूप से अवरुद्ध नहीं हैं। तो सही निष्कर्ष यह है कि एक निश्चित अनुमोदन मार्ग पर अस्थायी विराम, न्यूयॉर्क भर में सभी डेटा-सेंटर निर्माण का अंत नहीं।

AI कंपनियों के लिए, यह बुनियादी ढांचे की नीति को उत्पाद बाधा में बदल देता है। त्वरक सुरक्षित करना बड़ी कंप्यूटिंग सुविधाओं को तैनात करने का केवल एक हिस्सा है। एक क्षेत्र को बिजली और पानी प्रदान करने में सक्षम होना चाहिए, पर्यावरणीय प्रभावों को अवशोषित करना चाहिए, और यह तय करना चाहिए कि घरों को उच्च दरों के माध्यम से कुछ लागत वहन करनी पड़ेगी या नहीं। स्थानीय समीक्षा इसलिए प्रभावित कर सकती है कि कोई सेवा कहाँ चलती है, कितनी क्षमता उपलब्ध है, और वह क्षमता कब ऑनलाइन आती है।

परियोजना निर्माताओं और व्यवसायों को अब एक और निर्भरता की श्रेणी का मॉडल बनाना होगा। क्लाउड क्षेत्र, ऊर्जा उपलब्धता, और परमिट प्रक्रिया हार्डवेयर की कमी जितनी ही निश्चित रूप से समय-सारणी और मूल्य जोखिम पैदा कर सकते हैं। एक परियोजना जो एक स्थान के इर्दगिर्द डिज़ाइन की गई है, वह अलग समय-सीमा का सामना कर सकती है यदि वह विरामित प्रक्रिया में आती है।

अगली बात देखने की यह है कि न्यूयॉर्क का अध्ययन क्या उत्पादन करता है: बुनियादी ढांचे और सामुदायिक लागतों के साक्ष्य, उसके बाद विराम को बदलने या उसके बाद आने वाले नियम। वे निर्णय तय कर सकते हैं कि कौन सी हाइपरस्केल परियोजनाएं आगे बढ़ती हैं और डेवलपर्स को क्या दायित्व पूरे करने होंगे।

[17:50] GOLD EAGLE राष्ट्रीय भेद्यता समन्वय में फ्रंटियर AI लाता है

एक नई प्रकट सॉफ्टवेयर खामी एक परिचित दौड़ शुरू कर सकती है: कई समूह एक ही समस्या के लिए स्कैन करते हैं, तात्कालिक निष्कर्ष ध्यान के लिए प्रतिस्पर्धा करते हैं, और जिन संगठनों को वास्तव में पैच की जरूरत है उन्हें विखंडित जानकारी मिल सकती है। व्हाइट हाउस चाहता है कि फ्रंटियर AI राष्ट्रीय स्तर पर उस हस्तांतरण को सुलझाने में मदद करे।

14 जुलाई को घोषित, GOLD EAGLE भेद्यता प्रवेश, स्कैनिंग सत्यापन, प्राथमिकता, और उपचार के समन्वय के लिए एक सरकारी-उद्योग साइबर सुरक्षा क्लियरिंगहाउस है। इसका घोषित लक्ष्य डुप्लिकेट स्कैनिंग को कम करना और सरकारी, वित्तीय, और महत्वपूर्ण बुनियादी ढांचा ऑपरेटरों को प्राथमिकता वाली, कार्रवाई योग्य खतरे और मरम्मत की जानकारी देना है।

यह इसे एक परिनियोजन कहानी बनाता है, मॉडल बेंचमार्क नहीं। GOLD EAGLE पहले से ही पहचानी गई भेद्यताओं को प्राप्त करना और उन्हें प्राथमिकता देना और सत्यापन स्कैन का समन्वय शुरू कर चुका है। उपयोगी परीक्षण यह होगा कि क्या यह बार-बार होने वाले काम को कम करता है और रक्षकों को स्पष्ट, कार्रवाई योग्य जानकारी तेजी से पहुँचाता है।

घोषणा में मॉडल की पहचान नहीं है और न ही किसी AI विक्रेता का नाम है। यह यह भी नहीं कहता कि AI स्वायत्त रूप से राष्ट्रीय बुनियादी ढांचे को पैच करेगा। GOLD EAGLE को सरकार और उद्योग भर में समन्वय और प्राथमिकता समर्थन के रूप में वर्णित किया गया है; भाग लेने वाले मानव संगठन उपचार के लिए जिम्मेदार रहते हैं।

सुरक्षा टीमों के लिए, व्यावहारिक दबाव नीचे की ओर आ सकता है। तेज़ समन्वय तभी मदद करता है जब किसी संगठन को पता हो कि वह कौन सा सॉफ्टवेयर चलाता है, कौन प्रत्येक पैच निर्णय का स्वामी है, और कितनी जल्दी साक्ष्य किसी भेद्यता रिपोर्ट से जिम्मेदार टीम तक पहुंच सकता है। सटीक इन्वेंटरी, स्पष्ट पैच स्वामित्व, समन्वित प्रकटीकरण, और बचाव योग्य गंभीरता निर्णय - सभी को तेज़ी से संचालित करने की आवश्यकता हो सकती है।

बिल्डर्स के लिए, अवसर उन हस्तांतरण में है: संरचित भेद्यता इनटेक, प्राथमिकता निर्णयों के पीछे साक्ष्य प्रस्तुत करना, सॉफ्टवेयर इन्वेंटरी बनाए रखना, और प्रभावित ऑपरेटरों को सुधार जानकारी भेजना। जिस बात पर नज़र रखनी चाहिए वह है कि GOLD EAGLE अपने व्यापक समन्वय मिशन को परिचालन प्रक्रियाओं में कैसे बदलता है - और भागीदार संगठनों को क्या साक्ष्य प्रदान और उपभोग करने की आवश्यकता होगी।

[19:48] Anthropic ने अपने फ्लैगशिप को जोखिम, पहुंच और मूल्य के आधार पर विभाजित किया

Anthropic की सबसे क्षमाशाली पेशकश अब सबसे मजबूत मॉडल चुनने का सीधा सवाल नहीं है। यह अब एक तीन-तरफ़ा निर्णय है जिसमें शामिल है कि काम क्या है, कौन कर रहा है, इसमें कितना जोखिम है, और ग्राहक कितना भुगतान करने को तैयार है।

Fable 5 और Mythos 5 एक अंतर्निहित मॉडल साझा करते हैं, लेकिन Anthropic उन्हें अलग तरह से पैकेज करता है। Fable मुख्यधारा के उपयोग के लिए डिज़ाइन की गई व्यापक सुरक्षा जोड़ता है। Mythos साइबर और विज्ञान में काम करने वाले सत्यापित भागीदारों के लिए प्रतिबंधित है, जहां Anthropic कठोर पात्रता नियमों के तहत पहुंच की अनुमति दे रहा है। Sonnet 5 कम महंगा सामान्य डिफ़ॉल्ट है, जिसे ब्राउज़र, टर्मिनल, डीबगिंग और व्यावसायिक वर्कफ़्लो को संभालने के लिए डिज़ाइन किया गया है, जिसे Anthropic Opus एजेंट व्यवहार के करीब बताता है।

व्यावहारिक पिच कठिन, लंबे चलने वाले काम पर पर्याप्त स्वचालन है। Anthropic का कहना है कि Stripe ने 50 मिलियन लाइन के Ruby कोडबेस के माइग्रेशन के लिए Fable का उपयोग किया, जो एक दिन के काम में पूरा हुआ जो अन्यथा एक टीम को दो महीने से अधिक समय लेता। यह एक Anthropic-प्रकाशित ग्राहक दावा है, स्वतंत्र रूप से सत्यापित बेंचमार्क नहीं, लेकिन यह कंपनी द्वारा Fable को संबोधित करने वाले कार्यभार की ठोस तस्वीर देता है।

सरकारी जांच ने उपलब्धता को सीधे बदल दिया है। अमेरिकी सरकार ने जून में निर्यात नियंत्रण लागू किए, और Anthropic ने पहुंच निलंबित कर दी क्योंकि वह वास्तविक समय में राष्ट्रीयता सत्यापित नहीं कर सकी। वे नियंत्रण हटाए जाने के बाद पहुंच लौट आई। अलग से, Anthropic कहता है कि उसने घटना के बाद अपने सुरक्षा क्लासिफायर को मजबूत किया और सरकारी परीक्षण का विस्तार किया।

बिल्डर्स के लिए, यह मॉडल चयन को एक परिचालन डिज़ाइन विकल्प में बदल देता है। एक नियमित डीबगिंग एजेंट या ब्राउज़र वर्कफ़्लो लागत और विलंबता पर Sonnet के अनुकूल हो सकता है। संवेदनशील साइबर या वैज्ञानिक कार्य के लिए Mythos, ग्राहक सत्यापन, और यह स्वीकार करने की आवश्यकता हो सकती है कि पात्रता बदल सकती है। Fable उन मामलों के बीच बैठता है, व्यापक प्रतिबंधों के साथ फ्रंटियर क्षमता प्रदान करता है।

मुख्य सवाल भविष्यवाणी है: क्या संगठन पहले से जान सकते हैं कि सुरक्षा, क्लासिफायर, या पहुंच आवश्यकताएं कब किसी उत्पादन वर्कफ़्लो में बाधा डालेंगी? क्षमता मायने रखती है, लेकिन विश्वसनीय पहुंच उत्पाद विशिष्टता का हिस्सा बन रही है।

[21:40] Gemini 3.5 Flash स्क्रीन संचालित कर सकता है और सॉफ्टवेयर बना सकता है

एक AI एजेंट अब स्क्रीन देख सकता है, वहां मिले कंट्रोल का उपयोग कर सकता है, सॉफ्टवेयर बदल सकता है, और तैयार परिणाम वापस कर सकता है। Google ने Gemini 3.5 Flash को ब्राउज़र, मोबाइल और डेस्कटॉप एजेंटों के लिए नेटिव कंप्यूटर यूज़ के साथ रिलीज़ किया है, जो अपने फास्ट मॉडल को सवालों के जवाब देने से आगे सामान्य इंटरफेस संचालित करने की ओर ले जा रहा है।

सबसे उपयोगी सबूत वह है जो Google ने लोगों को बनाते हुए दिखाया। एक डेमो में, मॉडल ने पेमेंट इंटरफेस के कई वेरिएंट जेनरेट किए। दूसरे में, उसने AlphaGo पेपर से एक गेम बनाया। Google ने पैरलल एजेंटों को बड़ी फाइल कलेक्शन ऑर्गनाइज़ करते और एक एजेंट को निरंतर सॉफ्टवेयर टेस्टिंग ऑटोमेट करते हुए भी दिखाया। ये उदाहरण डिज़ाइन, इम्प्लीमेंटेशन, डेस्कटॉप वर्क और क्वालिटी एश्योरेंस को कवर करते हैं, न कि किसी एक संकीर्ण क्लिकिंग टास्क को।

नेटिव कंप्यूटर यूज़ इसलिए मायने रखता है क्योंकि कई वास्तविक वर्कफ्लो स्क्रीन और सॉफ्टवेयर में बिखरे हुए हैं जिनमें साफ इंटीग्रेशन नहीं हैं। एक एजेंट जो इंटरफेस को ऑब्ज़र्व कर सकता है और उसके ज़रिए एक्ट कर सकता है, संभवतः उन स्टेप्स को बिना हर एप्लिकेशन के लिए डेडिकेटेड टूल एक्सपोज़ किए जोड़ सकता है। यह जॉब का हिस्सा बनाकर सॉफ्टवेयर लिख या बदल भी सकता है, इसलिए आउटपुट केवल क्लिक्स का सीक्वेंस नहीं बल्कि एक पूरा आर्टिफैक्ट है।

Google के अपने बेंचमार्क रिज़ल्ट एक सार्वभौमिक विजेता घोषित करने के खिलाफ तर्क देते हैं। कंपनी रिपोर्ट करती है कि Gemini 3.5 Flash, MCP Atlas पर GPT-5.5 को हरा रहा है जबकि Terminal-Bench पर पीछे है। व्यावहारिक निष्कर्ष यह है कि मॉडल चॉइस इस बात पर निर्भर करता है कि काम सॉफ्टवेयर टूल्स, टर्मिनल टास्क या स्क्रीन इंटरैक्शन पर केंद्रित है, कोई एक ओवरऑल नंबर नहीं।

सावधानी उतनी ही ठोस है। एक स्क्रीन-ड्राइविंग एजेंट गलत टारगेट पर क्लिक कर सकता है, बदलते इंटरफेस को गलत समझ सकता है, या पेज में एम्बेडेड मैलिशियस इंस्ट्रक्शंस का पालन कर सकता है। कंस्ट्रेंड एनवायरनमेंट, विजिबल अप्रूवल, और रिवर्स किए जा सकने वाले बदलाव सुरक्षा उपाय के रूप में महत्वपूर्ण बने हुए हैं।

आगे देखने की बात यह है कि ये एजेंट डेमो के बाहर लंबी, गड़बड़ वर्कफ्लो को कितनी विश्वसनीयता से संभालते हैं। Gemini 3.5 Pro को केवल "जल्द आ रहा है" के रूप में वर्णित किया गया है, इसलिए उपलब्ध प्रोडक्ट यहां Flash है—और इसका तुरंत का अवसर सीमित कंप्यूटर वर्क है जहां पूर्णता की जांच की जा सकती है।

[23:39] Australia Links AI Expansion to Power, Water, and Creator Control

ऑस्ट्रेलिया AI विकास के लिए एक व्यावहारिक सौदा प्रस्तावित कर रहा है: अगर बड़े डेटा सेंटर ज़्यादा बिजली और पानी चाहते हैं, तो उनके ऑपरेटर्स को लागत का अधिक भार वहन करना चाहिए—और ऑस्ट्रेलियाई क्रिएटर्स को यह नियंत्रण बनाए रखना चाहिए कि उनका काम AI सिस्टम को ट्रेन करता है या नहीं।

सरकार ने तुरंत एक Office of AI स्थापित की और 15 जुलाई को प्रस्तावित राष्ट्रीय मानकों की घोषणा की। उन प्रस्तावों के तहत, बड़े डेटा सेंटर नए पावर सप्लाई को अंडरराइट करेंगे, बिजली ग्रिड से कनेक्ट होने की लागत का भुगतान करेंगे, जब आवश्यक हो मांग कम करेंगे, और पानी के उपयोग को कम करेंगे। सरकार यह भी कहती है कि ऑस्ट्रेलियाई क्रिएटिव वर्क्स का उपयोग AI ट्रेनिंग के लिए बिना क्रिएटर्स के नियंत्रण के नहीं किया जाना चाहिए।

अभी तक ये कोई मानक कानून नहीं बना है। अगस्त में National Cabinet पर विचार करने की योजना है, और कानून बनाने का लक्ष्य early 2027 है। वह टाइमिंग मायने रखती है क्योंकि कंपनियों को इसे यात्रा की दिशा के रूप में पढ़ना चाहिए, न कि वर्तमान में लागू दायित्वों की सूची के रूप में।

बिल्डर्स के लिए, उपयोगी बदलाव AI क्षमता को मापने के तरीके में है। चिप्स अभी भी महत्वपूर्ण हैं, लेकिन एक गोदाम भरा हुआ एक्सेलेरेटर जनरेशन, ग्रिड कनेक्शन, कूलिंग संसाधनों और स्थानीय स्वीकृति के बिना संचालित नहीं हो सकता। अगर ऑपरेटर्स को नई आपूर्ति को फंड करना हो और जब ग्रिड पर दबाव हो तो खपत कम करनी हो, तो लचीलापन बुनियादी ढांचे के डिज़ाइन का हिस्सा बन जाती है, वैकल्पिक दक्षता परियोजना नहीं। जब रचनात्मक नियंत्रण शामिल हो तो प्रशिक्षण-डेटा सोर्सिंग भी अधिक स्पष्ट उत्पाद और लाइसेंसिंग निर्णय बन सकती है।

ऑस्ट्रेलिया का दृष्टिकोण न्यूयॉर्क के अस्थायी परमिट पॉज़ की तुलना में किया जा सकता है। दोनों सरकारें अलग-अलग लीवर का उपयोग कर रही हैं, लेकिन दोनों एक ही दबाव का जवाब दे रही हैं: डेटा-सेंटर का तेजी से विस्तार कंप्यूटिंग हार्डवेयर से खुद को परे लागत पैदा करता है।

आगे क्या होगा यह अगस्त की विचारधारा और 2027 के लिए लक्षित विधान पर निर्भर करेगा। ध्यान देने योग्य विवरण यह हैं कि ऑस्ट्रेलिया बड़े डेटा सेंटर को कैसे परिभाषित करता है, रचनाकार नियंत्रण को व्यवहार में क्या चाहिए, और बिजली, कनेक्शन, मांग-कमी और पानी की प्रतिबद्धताओं का मूल्यांकन कैसे किया जाएगा।

[25:32] Google ने AI के साथ Pelé का खोया हुआ 1959 गोल पुनः बनाया

एक प्रसिद्ध Pelé गोल जो प्रभावी रूप से दृश्य इतिहास से गायब हो गया था अब फिर से देखा जा सकता है—लेकिन Google ने जो बनाया है वह पुनर्प्राप्त फुटेज नहीं, पुनर्निर्माण है। गोल 1959 में लगाया गया था, और कोई जीवित फिल्म ज्ञात नहीं थी। पल को पुनः बनाने के लिए, Google और Google DeepMind ने अभिलेखीय दस्तावेज़ों, स्टेडियम के ब्लूप्रिंट, प्रत्यक्षदर्शियों के बयान, इतिहासकारों, व्यावहारिक फिल्म निर्माण और जेनरेटिव AI को जोड़ा।

यह अंतर मायने रखता है क्योंकि यह केवल एक वीडियो मॉडल से Pelé को गोल करने के लिए कहने वाला सरल प्रॉम्प्ट नहीं था। टीम को समन करना पड़ा कि रिकॉर्ड क्या स्थापित करते हैं, गवाहों को क्या याद है, कैमरा को यथार्थपूर्ण रूप से कहां रखा जा सकता था, और कार्रवाई दृश्य रूप से निरंतर कैसे रहनी चाहिए। Veo, Gemini Omni और Nano Banana Pro सहित कई AI सिस्टम ने परियोजना में योगदान दिया, लेकिन आकर्षक हिस्सा उनके आसपास की परतदार प्रक्रिया है: स्रोत, स्थानिक साक्ष्य, मानव स्मृति, विशेषज्ञ निर्णय, फिल्म निर्माण और जनरेशन एक साथ काम कर रहे हैं।

यह संग्रहालयों, खेल अभिलेखीयों, डॉक्यूमेंट्री टीमों और शिक्षकों को उन दृश्यों के लिए उपयोगी मॉडल देता है जो कभी फिल्माए नहीं गए थे या जिनकी रिकॉर्डिंग खो गई थी। सामान्य अनुमान प्रस्तुत करने के बजाय, वे साक्ष्य-जुड़ा व्याख्या बना सकते हैं। एक ऐतिहासिक प्रदर्शनी एक लापता सार्वजनिक घटना को विज़ुअलाइज़ कर सकती है जबकि यह दिखाते हुए कि कौन से विवरण दस्तावेज़ों से आए, कौन से गवाही से आए, और कौन से अनुमान की आवश्यकता थी। एक डॉक्यूमेंट्री समान रूप से एक अनुपस्थित क्षण को समझने योग्य बना सकती है बिना यह झूठा दावा किए कि वहां एक कैमरा था।

जोखिम स्पष्ट है: ठोस जेनरेटेड इमेजरी को प्रामाणिक ऐतिहासिक फिल्म के साथ भ्रमित किया जा सकता है, विशेषकर जब इसे संदर्भ के बिना क्लिप किया जाता है और साझा किया जाता है। इसलिए प्रस्तुति उत्पाद का हिस्सा है। दर्शकों को स्पष्ट रूप से बताया जाना चाहिए कि वे पुनर्निर्माण देख रहे हैं, रिकॉर्ड, स्मृतियां, अनिश्चितता और कलात्मक विकल्पों को दृश्यमान रखते हुए।

आगे क्या आता है यह तेज इमेजरी से कम बेहतर उत्पत्ति के बारे में है: क्या भविष्य के पुनर्निर्माण दर्शकों को महत्वपूर्ण विवरणों को उनके समर्थक साक्ष्य तक ट्रेस करने देते हैं। सावधानी से किया जाए, तो जेनरेटिव वीडियो लोगों को इतिहास को चुपचाप पुनर्लेखन किए बिना अपनी कमियों का सामना करने में मदद कर सकता है।

[27:26] व्यावहारिक कतार

आज की कहानियों से: बिल्डर्स के लिए, Sol पूरे-रेपोजिटरी एडिट्स, ब्राउज़र क्वालिटी एश्योरेंस, बड़े-दस्तावेज़ रिसर्च और अन्य मल्टी-स्टेप वर्कफ्लो को एंड-टू-एंड एजेंट टास्क के रूप में अधिक व्यावहारिक बनाता है। बिल्डर्स और टीमों के लिए, इसका मतलब है कि एक वर्कस्पेस एक असाइनमेंट को एक्सप्लोरेशन से लेकर फिनिश्ड आर्टिफैक्ट या काम करने वाले सॉफ्टवेयर तक ले जा सकता है। बिल्डर्स के लिए, इसका मतलब है कि सबसे मजबूत छोटे-व्यापार के अवसर रिपीटिटिव एडमिनिस्ट्रेटिव वर्क, फिजिकल बॉटलनेक्स और अस्पष्ट रेगुलेटरी सवालों के अंदर हो सकते हैं। बिल्डर्स के लिए, यह फोन और लैपटॉप पर प्राइवेट मल्टीमॉडल प्रोटोटाइप को अधिक व्यावहारिक बनाता है, खासकर जहां कनेक्टिविटी या डेटा सेंसिटिविटी क्लाउड प्रोसेसिंग को बाहर करती है। बिल्डर्स के लिए, यह ऑफ़लाइन मोबाइल असिस्टेंट के लिए एक अधिक सीधा रास्ता बनाता है जो कैमरा, रिकॉर्डिंग और निर्देशों के साथ काम करते हैं जबकि सेंसिटिव डेटा फोन पर रहता है। रोबोटिक्स बिल्डर्स के लिए, यह लेबर का एक साफ डिवीजन सुझाता है: लैंग्वेज मॉडल ह्यूमन रिक्वेस्ट को प्लान में बदल सकते हैं, जबकि प्रोवन कंट्रोलर्स फिजिकल मूवमेंट एक्जीक्यूट करते हैं। बिल्डर्स के लिए, यह रिटेल डेस्कटॉप को प्राइवेट असिस्टेंट, रिट्रीवल सिस्टम, कोडिंग एजेंट और मल्टीमॉडल वर्कफ्लो के लिए एक व्यावहारिक प्रोटोटाइपिंग एनवायरनमेंट बनाता है। बिल्डर्स के लिए, इसका मतलब है कि लोकल और इंटरनल कोडिंग मॉडल डेवलपर्स से एक एस्टैब्लिश्ड एडिटर के अंदर मिल सकते हैं बजाय अलग इंटरफेस की जरूरत के। बिल्डर्स के लिए, क्लाउड रीजन और फिजिकल डिप्लॉयमेंट लोकेशन अब कंप्यूट उपलब्धता के साथ-साथ शेड्यूल और कॉस्ट रिस्क भी लाती हैं। सिक्योरिटी टीमों के लिए, यह सटीक सॉफ्टवेयर इन्वेंटरी, एक्सप्लिसिट पैच ओनरशिप और सेवेरिटी डिसीजन का समर्थन करने वाले एविडेंस के मूल्य को बढ़ाता है। बिल्डर्स के लिए, मॉडल चॉइस अब इस पर निर्भर नहीं है कि मॉडल टास्क पूरा कर सकता है या नहीं, बल्कि यह भी शामिल है कि वर्कफ्लो सेफगार्ड या बदलते एक्सेस रूल्स को टॉलरेट कर सकता है या नहीं। बिल्डर्स के लिए, इसका मतलब है कि एक एजेंट संभावित रूप से स्क्रीन इंटरैक्शन और सॉफ्टवेयर क्रिएशन को ब्रिज कर सकता है उन वर्कफ्लो में जहां डायरेक्ट इंटीग्रेशन मिसिंग या इंकम्प्लीट हैं। AI इन्फ्रास्ट्रक्चर बिल्डर्स के लिए, साइट सेलेक्शन तेजी से बिजली जेनरेशन को फाइनेंस करने की क्षमता, ग्रिड एक्सेस सिक्योर करने, डिमांड मैनेज करने और पानी की खपत सीमित करने की क्षमता पर निर्भर हो सकता है। बिल्डर्स के लिए, यह दिखाता है कि जेनरेटिव वीडियो आर्काइवल वर्कफ्लो का हिस्सा कैसे बन सकता है बजाय स्टैंडअलोन स्पेक्टेकल के।