एजेंटस्टैक दैनिक: एजेंट स्टैक रिलीज़ रीडआउट: OpenClaw v2026.7.1-2, v2026.7.1-1; Hermes Agent v2026.8.3; Claude Code CLI 2.1.220

NOVA: मैं हूँ NOVA.

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

NOVA: OpenClaw ने दो सुधार रिलीज़ जारी की हैं जो Codex टर्न को प्रोग्रेस मैसेज के बाद खत्म होने से रोकती हैं, कुछ मेमोरी-स्टार्टअप कॉन्फ्लिक्ट्स को ठीक करती हैं, और नए पैकेज क्लाइंट्स के साथ ऑफिशियल प्लगइन अपडेट्स को बहाल करती हैं। Hermes Agent 8.3 बहुत बड़ा है: स्ट्रीमिंग स्पीच के साथ रियल-टाइम वॉइस, इंटरप्शन सपोर्ट, वेक वर्ड्स, और एजेंट-टू-एजेंट कम्युनिकेशन। टर्मिनल-आधारित AI कोडिंग एजेंट Claude Code ने भी .220 शिप किया, हालांकि इसके सोर्स से हमें एक स्टेबल टैग मिलता है बिना कंक्रीट रिलीज़ नोट्स के। harnesses से परे, Circles कहते हैं कि OpenAI-संचालित टेलीकॉम पर्सनलाइज़ेशन ने प्रति उपयोगकर्ता रेवेन्यू 22 प्रतिशत बढ़ाया और चर्न 9 प्रतिशत कम किया। शोधकर्ता भी वीडियो एजेंट बना रहे हैं जो शीर्षक से अनुमान लगाने के बजाय वास्तविक फुटेज की जांच करते हैं।

[ALLOY]: ठीक है, आखिरी वाला क्रांतिकारी नहीं लगना चाहिए, और फिर भी हम यहाँ हैं। आज, आप सुनेंगे कि OpenClaw 7.1 dash two और 7.1 dash one में क्या बदला, Hermes 8.3 इतना बड़ा विस्तार क्यों है, Qwen3.8-Max coding और cowork के लिए क्या वादा करता है, और AirLLM का चार-गीगाबाइट GPU पर 70-अरब-पैरामीटर मॉडल चलाने का दावा क्या बनता है। इसके अलावा ओपन सेफ्टी मॉडल, robotaxi reasoning, Apple–OpenAI का बढ़ता कानूनी विवाद, तेज़ लॉन्ग-वीडियो सिस्टम, निरंतर वॉइस इंजीनियरिंग, और एजेंट रिसर्च के लिए ओपन इन्फ्रास्ट्रक्चर भी हैं।

NOVA: OpenClaw 7.1 dash two ऑफिशियल प्लगइन इंस्टॉलेशन और अपडेट्स को ठीक करता है। नए पैकेज क्लाइंट्स प्लगइन मेटाडेटा को सिंगल ऑब्जेक्ट के बजाय वन-आइटम एरे में वापस कर सकते हैं; OpenClaw अब उस फॉर्मेट को स्वीकार करता है, ताकि ट्रैक किए गए ऑफिशियल प्लगइन्स सुधार रिलीज़ प्राप्त कर सकें। OpenClaw 7.1 dash one में तीन और मरम्मतें हैं। Codex ऐप सर्वर से प्रोग्रेस मैसेज अब टर्न को जल्दी खत्म नहीं करते। OpenClaw टर्न को जीवित रखता है जब तक GPT या Codex अपना अंतिम जवाब न दे। यह महत्वपूर्ण है क्योंकि प्रोग्रेस अपडेट कहता है कि काम जारी है, यह नहीं कि टास्क खत्म हो गया। Memory Core पुराने डेरिव्ड इंडेक्स और उसके कैश साइडकॉर से संबंधित कॉन्फ्लिक्ट्स से भी उबर सकता है गेटवे को फैटल रिस्टार्ट लूप में फंसाने के बजाय। वेक्टर स्टोर में स्ट्रक्चरल करप्शन अभी भी retryable है। अंत में, Windows Subsystem for Linux के तहत, guarded permission changes रीड-ओनली-फाइलसिस्टम एरर दे सकते हैं। OpenClaw इसे तब तक टॉलरेट करता है जब तक कि existing state path पहले से प्राइवेट है; व्यापक रूप से परमिशन वाले paths अभी भी बंद हो जाते हैं।

[ALLOY]: मुझे यह अंतर पसंद है। "Make it start" आसान होता अगर फिक्स सिर्फ सेफ्टी चेक को कमज़ोर करता; यह एक permission boundary को preserve करता है। Hermes Agent 8.3, जिसे इसके maintainers version 0.20 के रूप में पहचानते हैं, एक अलग स्केल पर काम करता है। यह रिलीज़ लगभग 3,650 commits, 1,400 merged pull requests, 5,200 changed files, 559,000 insertions, 405,000 deletions, और 1,200 closed issues को कवर करता है, 650 से अधिक contributors के साथ। ये development totals हैं, 1,400 promised features नहीं। नामित क्षमता रियल-टाइम वॉइस है जिसमें स्ट्रीमिंग टेक्स्ट-टू-स्पीच, barge-in ताकि कोई interrupt कर सके, ऑन-डिवाइस वेक वर्ड्स, और टर्मिनल, डेस्कटॉप ऐप, और ऑडियो-क्षम वाले गेटवे प्लेटफॉर्म पर हैंड्स-फ्री कंट्रोल शामिल है। यह A2A version one को भी सपोर्ट करता है, एक स्टैंडर्ड जिसके माध्यम से अलग-अलग agents काम का आदान-प्रदान कर सकते हैं।

NOVA: और यह जोड़ी Hermes के संचालन के तरीके को बदलती है। वॉइस सिर्फ एक रीड-अलाउड बटन नहीं है जब सिस्टम लगातार सुनता है, पूरा जवाब आने से पहले बोलना शुरू करता है, और जब व्यक्ति interrupt करता है तो रुक जाता है। वेक वर्ड्स इसे कीबोर्ड के बिना उपलब्ध रखते हैं। एजेंट-टू-एजेंट कम्युनिकेशन बोलने वाले एजेंट को हर काम locally perform करने के बजाय कहीं और request ले जाने देता है। फिर भी, विशाल कोड टोटल्स किसी quantified reliability या speed improvement को साबित नहीं करते। "The Herald Release" maintainers का नाम है, और पहली बार mythology शाब्दिक है: Hermes अब बोलता है और संदेश ले जाता है।

[ALLOY]: टर्मिनल-आधारित AI coding agent Claude Code ने भी stable release .220 शिप किया। उपलब्ध सोर्स रिलीज़ की पुष्टि करता है लेकिन concrete changelog नहीं देता, तो उस नंबर से कोई फीचर स्टोरी नहीं बनाई जा सकती। ईमानदार आकलन असमान है: OpenClaw प्लगइन्स, Codex completion, memory startup, और protected state के आसपास विशिष्ट failures को बंद करता है; Hermes को व्यापक वॉइस और इंटर-एजेंट क्षमताएं मिलती हैं; Claude Code की एक stable build है लेकिन और दावा करने के लिए पर्याप्त sourced detail नहीं।

[ALLOY]: Qwen, Qwen3.8-Max को coding और "cowork" के लिए एक नया मानक बता रहा है। एक बहुत फैशनेबल लेबल से परे यहां "cowork" का क्या मतलब है?

NOVA: इसका मतलब है कि एक प्रॉम्प्ट के बाद एक जवाब के बजाय एक व्यक्ति के साथ मिलकर multi-step agent काम। Qwen ने 4 अगस्त को फ्लैगशिप रिलीज किया और कहा कि यह coding कार्यों और लंबे चलने वाले सहयोग में पहले के Qwen मॉडल से आगे निकल गया है। यह repository inspection, multi-file edits, tool use, feedback, और human redirection को pitch के केंद्र में रखता है। इसका Hacker News discussion 1,102 का स्कोर पहुंच गया, किसी मॉडल launch के लिए असामान्य रूप से उच्च attention। यह नंबर interest को मापता है, quality को नहीं, लेकिन developers ने स्पष्ट रूप से coding-and-cowork framing पर ध्यान दिया। सार्थक सवाल यह है कि क्या मॉडल एक लंबे कार्य में context और intent को बनाए रख सकता है जब कोई व्यक्ति बीच में दिशा बदलता है। Launch material important engineering details खुली छोड़ देती है: यह context limit, tool-call reliability rate, edit-success measure, या deployment timetable नहीं देती। वे omissions launch को खत्म नहीं करते, लेकिन model's long-horizon performance को unproved रखते हैं।

NOVA: मैं उस category से उत्साहित हूं, लेकिन अभी "new bar" नहीं खरीदता। Phrase Qwen से आया है, और supplied launch material में separate benchmark package, detailed feature table, या ranking तय करने वाली pricing sheet शामिल नहीं है। Independent evaluations को Qwen3.8-Max की तुलना actual coding agents के अंदर अन्य flagships से करनी होगी, खासकर long jobs पर जहां एक bad edit कई steps बाद compound कर सकता है। Distribution भी matter करती है: एक strong model तब बहुत useful नहीं है अगर products तक पहुंचने में months लगते हैं जहां लोग काम करते हैं। Attention real है; performance crown Qwen का claim बना हुआ है।

NOVA: AirLLM एक चौंकाने वाला result advertise करता है: 70-अरब-parameter language model का inference सिर्फ चार gigabytes memory वाले एक GPU पर। यह older-laptop या budget-desktop territory है, न कि वह hardware जो normally उस size के model से जुड़ा होता है। Open-source repository ने 4 अगस्त को surface होने के बाद 230 का Hacker News score खींचा क्योंकि economic promise स्पष्ट है। अगर useful local inference वास्तव में उस hardware में fit हो जाता है, तो लोग datacenter या costly multi-GPU machine के बिना बहुत बड़े models तक access कर सकते हैं। लेकिन "fits" वहां Olympic-level work कर रहा है। एक model technically execute तो हो सकता है लेकिन interactive assistant के लिए too slow रह सकता है।

[ALLOY]: बिल्कुल। Headline memory capacity देता है, useful latency, throughput, या energy use नहीं। Supplied material में release notes शामिल नहीं हैं जो current technique establish करें, इसलिए हम responsibly invent नहीं कर सकते कि AirLLM model data कैसे move या store करता है। यह सबसे ज्यादा matter करता है older workstations, edge systems, और deployments के लिए जहां accelerator memory cost को dominate करती है। फिर भी decisive numbers यह हैं कि पहला output कितनी देर में आता है और later tokens कितनी जल्दी arrive होते हैं। Memory fit, first-output delay, steady generation speed, और storage traffic separate constraints हैं; एक clear करना दूसरा clear नहीं करता। बिना those figures के, "70B on four gigabytes" impressive compatibility claim है, pleasant product का proof नहीं।

NOVA: ठीक है, यह potentially wild है, लेकिन यह compact local model से अलग है। एक small model को पहले से ही कम computation चाहिए; AirLLM claim करता है कि एक very large model एक severe memory boundary पार कर सकता है। एक ordinary hardware पर fast private assistance support कर सकता है, जबकि दूसरा larger model को slower या specialized jobs के लिए accessible बना सकता है। Materials यह establish नहीं करते कि यहां कौन सा experience apply होता है। Performance numbers still answer करने चाहिए कि यह conversation है, batch processing, या simply successful execution।

[ALLOY]: यह deployment result है जिस पर मैं लगातार आ रहा था: Circles reports कि average revenue per user 22 प्रतिशत ऊपर है, churn 9 प्रतिशत नीचे है, और OpenAI-powered telecom stack से development efficiency में सुधार हुआ है। ये company-reported figures हैं जो OpenAI की newsroom में published हैं, independent measurements नहीं, लेकिन वे outcomes को target करते हैं जो carriers को गहराई से matter करती हैं। Revenue per user दिखाता है कि प्रत्येक subscriber कितना value produce करता है। Churn measure करता है कि कितने subscribers छोड़ते हैं। दोनों को favorably move करना "लोगों ने demo से engage किया" claim करने से कहीं ज्यादा बोलता है।

NOVA: Circles telecom carriers के लिए personalization systems build करता है और उन carriers और उनके subscribers के बीच बैठता है। यह AI-native telecom experiences के लिए OpenAI API को Codex के साथ use करता है। Stack दोनों तरफ दिखता है: Codex engineering process को support करता है जिससे features build होती हैं, जबकि OpenAI models customer-facing personalization produce करने में help करती हैं। Telecom personalization में अक्सर fixed customer segments को manually configured offers के साथ pair करना शामिल रहा है। More dynamic tailoring यह change कर सकता है कि प्रत्येक subscriber तक कौन सी plan, service, या message पहुंचती है while development loop को shorten करती है।

[ALLOY]: वह कनेक्शन मायने रखता है, लेकिन मुझे डेप्लॉयमेंट मैप चाहिए। अकाउंट में वो स्पेसिफिक कैरियर्स, देश, सैंपल साइज़, मेज़रमेंट विंडो या उन परसेंटेज के पीछे का कंपैरिजन बेसलाइन नहीं बताया गया है। कई मैच्योर मार्केट्स में लिफ्ट्ट का मतलब किसी टाइटली स्कोप्ड रोलआउट से बिल्कुल अलग होता है। Circles कहता है कि सिस्टम चला और कमर्शियल रिज़ल्ट्स दिए, लेकिन अनसर्टेंटी एट्रिब्यूशन और ट्रांसफर से जुड़ी है। कितना मॉडल्स से आया, कितना प्रोडक्ट डिज़ाइन से, और क्या दूसरा कैरियर वही गेन देखेगा? दो रिपोर्ट किए गए बिज़नेस आउटकम एक-दूसरे को और मज़बूत करते हैं: जब कम सब्सक्राइबर्स छोड़ते हैं तो पर सब्सक्राइबर रेवेन्यू बढ़ना ज़्यादा पर्सुऐसिव होता है, क्योंकि यह सिर्फ सिकुड़ते बेस से ज़्यादा पैसे निकालना नहीं है। वेंडर-केस-स्टडी लेबल लगा होने के बावजूद, 22 परसेंट इतना बड़ा है कि कॉम्पिटीटर्स इस पर ध्यान देंगे।

NOVA: Mistral ने चौथी अगस्त को Shieldstral रिलीज़ किया, एक तीन-बिलियन-पैरामीटर ओपन वेट्स क्लासिफायर जो इमेजेस और टेक्स्ट में सुरक्षा का आकलन करता है। Mistral का दावा है कि यह सात गुना बड़े क्लासिफायर्स से बेहतर परफॉर्म करता है। यह नंबर सीधे कंपनी से आया है, इसलिए मैं इसे दावा मान रहा हूं जब तक कि Mistral के बाहर कोई इसे रिप्रोड्यूस न करे। रिलीज़ अभी भी एक रियल प्रोडक्ट प्रॉब्लम को एड्रेस करती है: मल्टीमॉडल सर्विसेज़ को जज करना होता है कि इमेज, शब्द या उनका कॉम्बिनेशन पॉलिसी बाउंड्री को क्रॉस करता है या नहीं।

[ALLOY]: और तीन बिलियन पैरामीटर हमारे चर्चित जायंट मॉडल्स के बगल में असामान्य रूप से ऐप्रोचेबल हैं। क्योंकि वेट्स उपलब्ध हैं, ऑर्गनाइज़ेशन्स अपने एनवायरनमेंट में Shieldstral चला सकते हैं और इसे डोमेन-स्पेसिफिक सेफ्टी टैक्सोनॉमी के हिसाब से अडैप्ट कर सकते हैं। एक हेल्थकेयर प्लैटफॉर्म, गेम और सोशल नेटवर्क हार्मफुल या रिस्ट्रिक्टेड मैटेरियल को अलग-अलग तरीके से डिफाइन कर सकते हैं। एक ओपन मॉडल उन्हें लेबल्स और ट्यूनिंग पर क्लोज़्ड मॉडरेशन सर्विस से ज़्यादा कंट्रोल देता है। यह पाइपलाइन्स को भी सिम्प्लिफाई कर सकता है जहां अलग-अलग क्लासिफायर्स इमेजेस और टेक्स्ट को इंस्पेक्ट करते हैं इससे पहले कि एप्लिकेशन कोड उनके फैसलों को रीकॉन्साइल करे। वह जॉइंट व्यू मायने रखता है जब न अकेले इनपुट अनसेफ है: एक आम कैप्शन किसी खास इमेज के साथ मीनिंग बदल सकता है, जबकि एक बेकार इमेज टारगेटेड टेक्स्ट के साथ जोड़ने पर अब्यूसिव बन सकती है। एक क्लासिफायर सीधे कंबाइंड कॉन्टेक्स्ट को जज कर सकता है।

NOVA: मैं "सिम्प्लिफाई" पर एक भौंह उठाए रखूंगा। वेट्स पब्लिश करना हर भाषा, इमेज टाइप, पॉलिसी एज केस या एडवरसैरियल इनपुट पर कवरेज साबित नहीं करता। Hacker News थ्रेड 421 पॉइंट्स पर पहुंची, जो इंटरेस्ट दिखाता है सेफ्टी परफॉर्मेंस नहीं। फिर भी, Mistral ने कंबाइंड इमेज-ऐंड-टेक्स्ट मॉडरेशन के लिए एक कॉम्पैक्ट, इंस्पेक्टेबल स्टार्टिंग पॉइंट दिया है। प्राइवेसी-सेंसिटिव प्रोडक्ट्स कंटेंट को अपने एनवायरनमेंट में रख सकते हैं, और बाहरी रिसर्चर्स आर्टिफैक्ट को सीधे इंस्पेक्ट कर सकते हैं। Shieldstral यह तय नहीं कर सकता कि कंपनी को क्या परमिट करना चाहिए, लेकिन यह एनफोर्समेंट लेयर को ज़्यादा कंट्रोलेबल बनाता है।

[ALLOY]: NVIDIA ने चौथी अगस्त को Alpamayo 2 Super को कमर्शियल यूज़ के लिए खोला और इसे रोबोटैक्सिस और दूसरी ऑटोनॉमस वाहनों को टारगेट किया। ड्राइविंग सिस्टम पहले से ही ऑब्जेक्ट्स डिटेक्ट करते हैं और मोशन प्रेडिक्ट करते हैं, तो रीज़निंग पर ज़ोर क्यों दें?

NOVA: NVIDIA कहता है कि सबसे कठिन बचे हुए सिचुएशन्स रूटीन लेन मार्किंग्स या सामान्य ट्रैफिक नहीं हैं। ये रेयर, लॉन्ग-टेल इवेंट्स हैं जिन्हें एंटिसिपेट करना मुश्किल है और ट्रेनिंग डेटा में इनका रिप्रेजेंटेशन कम है। एक वाहन को एक अनयूज़ुअल सीन समझने, कॉज़ ऐंड इफेक्ट इन्फर करने और तब एक्शन चुनने की ज़रूरत हो सकती है जब परिचित पैटर्न लागू नहीं होते। Alpamayo 2 Super उस ड्राइविंग लेयर के लिए एक फ्रंटियर ओपन मॉडल के रूप में प्रस्तुत किया गया है। कमर्शियल अवेलेबिलिटी वाहन टीमों को इसे प्रोडक्ट डेवलपमेंट की फाउंडेशन के रूप में इस्तेमाल करने देती है, न कि सिर्फ एक रिसर्च आर्टिफैक्ट के रूप में जिसे वे इंस्पेक्ट कर सकते हैं।

[ALLOY]: यह रोमांचक है, और यहीं "ओपन" अधिक आश्वस्त लग सकता है जितना होना चाहिए। रोबोटैक्सी रीज़निंग सेंसर्स, परसेप्शन, प्रेडिक्शन, प्लानिंग, कंट्रोल्स, सिमुलेशन और सेफ्टी चेक्स के बड़े सिस्टम के अंदर बैठती है। अनाउंसमेंट यह नहीं बताती कि Alpamayo 2 Super मौजूदा वाहन स्टैक्स में कैसे प्लग इन होता है, कमर्शियल यूज़ को गवर्न करने वरी शर्तें क्या हैं, या सेफ्टी-क्रिटिकल इवैल्यूएशन्स पर यह क्लोज़्ड अल्टरनेटिव्स से कैसे तुलना करता है। एक फाउंडेशन मॉडल एक अजीब सीन की इंटरप्रेट कर सकता है; यह अपने आप वाहन को सेफ नहीं बनाता।

NOVA: सही। कमर्शियल एक्सेस कंक्रीट है; यह प्रूफ नहीं है कि लॉन्ग-टेल ड्राइविंग सॉल्व्ड है। मॉडल उपलब्ध कराना रेयर सिचुएशन्स का अध्ययन करने वालों की संख्या बढ़ा सकता है और ऑटोनॉमस-वाहन टीमों में डुप्लिकेटेड फाउंडेशन वर्क को कम कर सकता है। यह NVIDIA का फोकस रूटीन परसेप्शन से कॉन्टेक्स्चुअल रीज़निंग और एक्शन सेलेक्शन की तरफ शिफ्ट दिखाता है। परसेप्शन एक रुकी हुई वाहन और एक खुला दरवाज़ा पहचान सकता है; रीज़निंग लेयर को उन फैक्ट्स को ट्रैफिक में कदम रखने वाले व्यक्ति से जोड़ना होगा, फिर एक्शन चुनना होगा। यह वही कॉज़ुअल चेन है जिसे अनाउंसमेंट टारगेट कर रही है। यह डेवलपमेंट को तेज़ कर सकता है, लेकिन स्टेक्स कोडिंग बेंचमार्क से ज़्यादा ऊंचे हैं। यहां एरर्स रोड्स, पैसेंजर्स और पेडेस्ट्रियन्स से मिलते हैं, इसलिए डेप्लॉयमेंट एविडेंस "फ्रंटियर" शब्द से कहीं ज़्यादा मायने रखता है।

NOVA: एपल का कहना है कि उसकी ट्रेड-सीक्रेट जांच अब उन अतिरिक्त पूर्व कर्मचारियों तक पहुंच गई है जो OpenAI की ओर गए। चौथी अगस्त को रिपोर्ट किए गए एक पूरक कोर्ट फाइलिंग में, एपल का दावा है कि अधिक पूर्व स्टाफ ने गोपनीय जानकारी रखी या एक्सेस की होगी। यह एक मौजूदा मामले का विस्तार है न कि एक अलग केस खोलना। यहां उद्धृत सार्वजनिक रिकॉर्ड उन कर्मचारियों के नाम नहीं बताता और न ही उन श्रेणियों की पहचान करता है जिनकी जानकारी एपल का आरोप है कि ली गई थी। जांच का विस्तार तथ्यात्मक है; आचरण एक आरोप बना हुआ है।

[ALLOY]: और यह मानवीय दांव को बढ़ा देता है। AI कंपनियां उन लोगों की भर्ती कर रही हैं जिनकी विशेषज्ञता दूसरी बड़ी तकनीकी फर्मों के अंदर विकसित हुई थी, जबकि वे फर्में जानकारी के साथ आए गए ज्ञान पर मुकदमा करने के लिए तेजी से तैयार हैं। इंजीनियर्स कौशल और अनुभव को नई नौकरी में ले जा सकते हैं। वे नियोक्ता की संरक्षित फाइलें या ट्रेड सीक्रेट नहीं ले जा सकते। कठिन विवाद अक्सर इस बात पर केंद्रित होते हैं कि यह रेखा कहां है जब मूल्यवान सामग्री में तकनीकी योजनाएं, आंतरिक शोध, या याद किया गया परिचालन ज्ञान शामिल है - न कि एक कार्टूनी रूप से लेबल किया गया सीक्रेट फोल्डर। क्योंकि अतिरिक्त कर्मचारी और कथित जानकारी सार्वजनिक खाते में नाम नहीं हैं, फाइलिंग इसे स्पष्ट करने से ज्यादा तेजी से विवाद का विस्तार करती है। दायरा बढ़ रहा है; साक्ष्य विवरण अभी तक इसी गति से आगे नहीं बढ़ रहे।

NOVA: एपल की फाइलिंग यह स्थापित नहीं करती कि OpenAI ने कुछ अनुचित प्राप्त किया या उपयोग किया, और अनाम दायरा सार्वजनिक व्याख्या को कठिन बनाता है। इसका मतलब है कि मामला अब पहले से पहचाने गए लोगों तक सीमित नहीं है। अगर कोर्ट विस्तार स्वीकार करता है, तो यह खोज में अधिक संदेश, रिकॉर्ड और रोजगार संक्रमण ला सकता है। यह सीधे OpenAI के सार्वजनिक खंडन में भी जाता है: एपल कोर्ट फाइलिंग के माध्यम से आरोपों का विस्तार कर रहा है जबकि OpenAI अपनी कहानी प्रकाशित कर रहा है। अलग-अलग अखाड़े, अलग-अलग मानक।

[ALLOY]: यह पेपर एक शर्मनाक शॉर्टकट की ओर इशारा करता है: कई माने जाने वाले वीडियो एजेंट शीर्षक, वेब सर्च, या याद किए गए बैकग्राउंड पर निर्भर करते हैं - स्क्रीन पर जो दिखाई देता है उसकी जांच के बजाय। Video-DeepResearch क्रम को उलट देता है। यह पहले प्रासंगिक फ्रेम स्कैन करता है, फिर जो उसने देखा उसके आधार पर वेब रिसर्च करता है।

NOVA: 35-बिलियन-पैरामीटर सिस्टम को पहले वर्क्ड उदाहरणों से प्रशिक्षित किया गया था और फिर रिवॉर्ड-आधारित प्रशिक्षण के माध्यम से, जो याद किए गए ज्ञान से अनुमान लगाने के बजाय जवाब खोजने को प्राथमिकता देता है। एक नए 200-प्रश्न वीडियो-रीजनिंग बेंचमार्क पर, लेखक 64 प्रतिशत सटीकता रिपोर्ट करते हैं, Claude 4.5 Sonnet, GPT-5, और Gemini 2.5 Pro से आगे। यह लेखकों के अपने बेंचमार्क पर एक पेपर परिणाम है, इसलिए व्यापक पुनरुत्पादन महत्वपूर्ण है।

[ALLOY]: फिर भी, वेब सर्च करने से पहले दी गई फुटेज देखना सही व्यवहारगत भेद है। यह लंबे ट्यूटोरियल, रिकॉर्ड किए गए प्रक्रियाओं, या निगरानी क्लिप्स में मदद कर सकता है जहां जवाब दृश्यमान घटनाओं पर निर्भर करता है। पहले शीर्षक सर्च करना कुशल हो सकता है; यह वैसा भी है जैसे एक एजेंट वह वीडियो बता रहा हो जो उसने उम्मीद की थी - न कि जो उसने प्राप्त किया।

[ALLOY]: OpenAI चुपचाप Apple के फ्रेमिंग की प्रतीक्षा नहीं कर रहा है। तीसरी अगस्त को उसने "Apple is getting this wrong" प्रकाशित किया, मुकदमे को बेबुनियाद बताया, और संदेश और रिकॉर्ड पेश किए जो उसका कहना है एपल के खाते का खंडन करते हैं। Hacker News पर चर्चा 277 पॉइंट्स तक पहुंची, इसलिए विवाद कानूनी दर्शकों से बच निकला है। OpenAI पोस्ट को एक तथ्यात्मक सुधार के रूप में वर्णित करता है, हालांकि शीर्षक, दस्तावेज़ों और समय का चयन करना स्पष्ट रूप से सार्वजनिक पोजीशनिंग भी है।

NOVA: बिल्कुल। OpenAI के दस्तावेज़ OpenAI के संस्करण का समर्थन करते हैं; उन्हें प्रकाशित करना उन्हें अदालती निष्कर्ष नहीं बनाता। पोस्ट कर्मचारी के आचरण और कंपनी के अनुसार क्या हुआ, इस पर केंद्रित है, विस्तृत कानूनी तंत्र पर नहीं। यह रिपोर्टरों और पर्यवेक्षकों को Apple की फाइलिंग से तुलना करने के लिए सामग्री देता है, लेकिन दोनों खाते एक-दूसरे को हल नहीं करते। Apple कहता है कि उसकी जांच बढ़ गई है। OpenAI कहता है कि मुकदमा निराधार है। जज तय करने से पहले कि किस आरोप में पर्याप्त समर्थन है, दोनों स्थितियां मौजूद हो सकती हैं।

[ALLOY]: क्या सार्वजनिक रूप से मुकदमा लड़ना OpenAI की मदद करता है, या यह बाद में जांची जा सकने वाली अधिक सामग्री बनाता है?

NOVA: दोनों। यह Apple की कहानी को तुरंत विवादित करके भर्ती और प्रतिष्ठा की रक्षा कर सकता है। यह OpenAI को एक ऐसे खाते में भी बांध देता है जिसकी वकील, पत्रकार और Apple बाद की फाइलिंग और उत्पादित साक्ष्यों से तुलना कर सकते हैं। पोस्ट के संलग्न संदेश प्राथमिक सामग्री हैं, लेकिन कंपनी ने चुना कि कौन से संदेश प्रकाशित करने हैं और उन्हें कैसे प्रस्तुत करना है। यह उन्हें बिना समर्थन के इनकार से अधिक सूचनात्मक बनाता है, लेकिन चयन को तटस्थ नहीं बनाता। यदि साझा किए गए संदेश औपचारिक मामले में आते हैं, तो उनका पूरा संदर्भ किसी भी कंपनी के अंशों से अधिक मायने रखेगा। एक और तेज ब्लॉग शीर्षक इसे हल नहीं करेगा। अदालत का फैसला, नामित कर्मचारी, या कथित रहस्यों से सीधे जुड़े दस्तावेज़ हो सकते हैं।

NOVA: EcoFrame लंबी वीडियो को समझने की लागत को अंतर्निहित मॉडल को फिर से प्रशिक्षित किए बिना संबोधित करता है। निश्चित नमूनाकरण पहले से कुछ फ्रेम चुनता है और महत्वपूर्ण क्षण को याद कर सकता है। एजेंट-शैली प्रणालियां बार-बार सोचती हैं कि कहां देखना है, लेकिन वह आगे-पीछे महंगा है। EcoFrame विश्वास की निगरानी करता है और केवल तभी अतिरिक्त फ्रेम पुनर्प्राप्त करता है जब अनिश्चितता बढ़ती है।

[ALLOY]: यह अपनी खोज को भी बदलता है। जब ध्यान वीडियो में फैला रहता है, EcoFrame वैश्विक रूप से देखता रहता है। जब ध्यान एक क्षेत्र में केंद्रित होता है, तो यह उस क्षेत्र में ज़ूम करता है। तीन लंबे-वीडियो बेंचमार्क पर, लेखक एजेंट-शैली दृष्टिकोण की तुलना में 13.5 गुना तक की गति की रिपोर्ट करते हैं जबकि उसकी सटीकता से मेल खाता है। यह पेपर का परिणाम है, सार्वभौमिक गारंटी नहीं, लेकिन यह सीधे प्रतिक्रिया समय और कम्प्यूट लागत को संबोधित करता है।

NOVA: और यह Video-DeepResearch का पूरक है। एक बाहरी खोज से पहले फुटेज में उत्तरों को आधार देता है; दूसरा विश्वास बदलने पर कितने फुटेज को लोड करना है, इसे कम करता है। कोड सार्वजनिक है, और इसका प्रशिक्षण-मुक्त डिज़ाइन एक नए प्रशिक्षित की आवश्यकता के बजाय मौजूदा वीडियो मॉडल को लपेटने देता है।

NOVA: OpenAI ने 4 अगस्त को अपने मॉडल के तृतीय-पक्ष साइबर सुरक्षा मूल्यांकन से जुड़ी घटनाओं को संबोधित करते हुए एक खाता प्रकाशित किया। कंपनी कहती है कि वह बाहरी साइबर परीक्षण कैसे किया जाएगा, इसके लिए सुरक्षा उपाय जोड़ रही है। यह स्रोत में वर्णित मॉडल अपग्रेड, API फीचर, या अंतिम-उपयोगकर्ता प्रॉम्प्ट में बदलाव नहीं है। यह बाहरी शोधकर्ताओं और फर्मों के लिए नियमों और नियंत्रणों से संबंधित है जो सुरक्षा व्यवहार के लिए OpenAI सिस्टम की जांच करते हैं।

[ALLOY]: जब तक कोई मूल्यांकन सीमा पार नहीं करता, यह प्रशासनिक लगता है। बाहरी साइबर शोध खतरनाक क्षमताओं और कमजोरियों को उजागर कर सकता है जो आंतरिक टीम ने छूटा। इसमें शक्तिशाली मॉडल, संवेदनशील तकनीकें, अस्पष्ट प्राधिकरण, या वास्तविक प्रणालियों को प्रभावित करने वाली कार्रवाई भी शामिल हो सकती है। OpenAI का "घटनाओं" के बारे में सार्वजनिक रूप से चर्चा करने का निर्णय स्वीकार करता है कि बाहरी मूल्यांकन को औपचारिक निमंत्रण के बाद रिपोर्ट से अधिक की आवश्यकता है।

NOVA: अनसुलझा हिस्सा है operational detail। खाते में कहा गया है कि सुरक्षा उपाय बदल रहे हैं लेकिन यह नहीं समझाया गया है कि authorized work और unauthorized probing के बीच हर अंतर क्या है, evaluators को क्या access मिलता है, घटनाएं कैसे escalate होती हैं, या भविष्य की disclosures में क्या होगा। मुझे नहीं लगता कि declared framework अकेले उन सवालों का जवाब देती है।

[ALLOY]: नहीं, stronger controls को independent review को ceremonial नहीं बनना चाहिए। अगर evaluators सिर्फ वही inspect कर सकते हैं जो lab पहले से expect करता है, तो external scrutiny अपना मूल्य खो देती है; अगर access loosely controlled है, तो cyber-capable models खतरनाक hazards पैदा करते हैं। OpenAI उस boundary को actual incidents के बाद formalizing कर रहा है।Unanswered governance questions में शामिल है कि project को कौन authorize करता है, कौन से real systems off limits हैं, unexpected capability को कैसे escalate किया जाता है, और affected parties को कब बताया जाता है। Source stronger safeguards की घोषणा करता है बिना उन controls को specify किए। दूसरी labs watch करेंगी क्योंकि third-party evaluation model assurance का हिस्सा बन रहा है, और mishandled engagement एक साथ researchers, providers, और public को नुकसान पहुंचा सकती है।

[ALLOY]: OpenAI कहता है कि GPT-Live को six months में turnless speech model और low-latency architecture के around build किया गया। "Turnless" marketing की तरह लगता है जब तक हम इसे explain न करें। क्या असल में बदलता है?

NOVA: यह speech को continuous flow की तरह treat करता है clean user turn, pause, और फिर assistant turn की requirement के बजाय। Conventional voice interfaces अक्सर silence का wait करते हैं, complete utterance को transcribe करते हैं, text को model को send करते हैं, reply generate करते हैं, और सिर्फ तब speech synthesize करते हैं। Turnless design interruptions, partial thoughts, और conversation के messy rhythm को accommodate करती है। Its low-latency architecture speech और response के बीच gap को shrink करने का लक्ष्य रखती है। Six-month build signal देता है कि latency एक whole-system problem है: audio intake, model inference, interruption handling, और speech output सब contribute करते हैं कि exchange immediate feel हो। OpenAI supplied engineering account में latency figures या benchmarks publish नहीं करता, इसलिए "faster and more natural" design goal बना हुआ है measured comparison के बजाय।

NOVA: यह Hermes 8.3 से अच्छे से जुड़ता है। Hermes agent-product layer पर barge-in, streaming speech, wake words, और hands-free use expose करता है; GPT-Live describe करता है कि OpenAI continuous voice के लिए अपने assistant के underneath dedicated model और system build कर रहा है। Different products, same bet: spoken AI conversational feel नहीं दे सकता अगर यह long processing delay वाले walkie-talkie की तरह behave करता है। लोग interrupt करते हैं, खुदको correct करते हैं, और "no, the other one" कहते हैं before system finish करता है।

NOVA: मुझे direction से उत्साह है, एक reservation के साथ: fluidity किसी system को उससे ज्यादा competent feel करा सकती है जितनी वह actual में है। Natural voice और quick interruption किसी answer को true नहीं बनाते। OpenAI यह engineering account के रूप में present करता है, new integration surface के रूप में नहीं, और performance table के बजाय दो firm choices supply करता है। फिर भी, यह show करता है कि continuous speech first-class model problem बन रहा है text के around transcription wrapper के बजाय।

NOVA: Microsoft Research ने Orchard को August third को open framework के रूप में release किया AI agents को train और evaluate करने के लिए different task types में। Its pitch है reuse: research groups बार-बार environments, agent scaffolding, और evaluation machinery को हर experiment के लिए rebuild करते हैं। Orchard एक shared foundation offer करता है ताकि ज्यादा effort agent और task में जा सके surrounding apparatus reconstruct करने के बजाय। Microsoft smaller models को strong results deliver करने में help करने पर भी emphasis करता है जब consistent infrastructure द्वारा supported हों।

[ALLOY]: मैं objection सुन सकता हूं: एक और agent framework। इसे model calls के around new folder structure से ज्यादा क्या बनाता है?

NOVA: इरादा तुलनात्मक शोध का है। जब दो एजेंट प्रयोग अलग-अलग वातावरण, टूल इंटरफेस, स्टॉपिंग नियम और स्कोरिंग कोड का उपयोग करते हैं, तो हेडलाइन स्कोर महत्वपूर्ण अंतरों को छुपा सकता है। पुन: प्रयोज्य इन्फ्रास्ट्रक्चर से अनजाने विविधताओं को कम किया जा सकता है और टास्क रन्स की तुलना आसान हो सकती है। स्रोत Orchard को अपनी हुई स्टैंडर्ड के रूप में स्थापित नहीं करता, हालांकि। यह Microsoft Research से एक खुला शुरुआती बिंदु स्थापित करता है। यह तय करेगा कि स्वतंत्र लैब्स वातावरण योगदान करते हैं या नहीं और सामान्य सतह पर परिणाम रिपोर्ट करते हैं।

[ALLOY]: Qwen के सहकर्मी फ्रेमिंग के साथ यह कंट्रास्ट उपयोगी है। Qwen एक मॉडल की लंबे काम को एक्जीक्यूट करने की क्षमता बेचता है; Orchard ऐसे एजेंट्स के आसपास प्रयोगों को कम बेस्पोक बनाने की कोशिश करता है। बेहतर एजेंट्स को क्षमाशाली मॉडल्स और विश्वसनीय तुलना की जरूरत है। छोटे-मॉडल पर जोर मायने रखता है क्योंकि एक कॉम्पैक्ट मॉडल कृत्रिम रूप से कमजोर दिख सकता है जब उसके टूल्स, वातावरण, या स्टॉपिंग नियम किसी बड़े मॉडल से खराब हों। एक शेयर्ड फ्रेमवर्क उस आसपास की मशीनरी को अधिक स्थिर रख सकता है। Orchard केवल Microsoft द्वारा रिलीज होने से बेंचमार्क अथॉरिटी नहीं है, लेकिन शेयर्ड इन्फ्रास्ट्रक्चर इस बात को प्रभावित कर सकता है कि कौन से एजेंट क्लेम बाद में जांच सहन करते हैं और प्रोडक्ट्स तक पहुंचते हैं।

[ALLOY]: Qwen की पूर्ण तस्वीर महत्वाकांक्षी है। Alibaba Qwen3.8-Max को 2.4-ट्रिलियन पैरामीटर के open-weight मॉडल के रूप में वर्णित करता है जो autonomous coding, long-horizon execution, multimodal feedback, और आक्रामक प्राइसिंग के इर्दगिर्द बना है। early published evaluations इसे human-preference और vision टास्क्स पर उच्च स्थान पर रखते हैं, जिसमें Claude Opus 4.7 के साथ claimed parity और मजबूत object detection शामिल है। वे early क्लेम्स हैं, settled ranking नहीं।

NOVA: 2.4 ट्रिलियन को context की जरूरत है। इस स्केल के मॉडल आमतौर पर mixture-of-experts डिज़ाइन का उपयोग करते हैं, मतलब हर इनपुट के लिए नेटवर्क का केवल एक हिस्सा activate हो सकता है। यह हर पैरामीटर activate करने की तुलना में computation कम करता है, लेकिन deployment को अभी भी substantial memory, networking, serving software, और accelerator capacity की जरूरत है। Open weights बाहरी निरीक्षण और सिद्धांत रूप से independent deployment की अनुमति देते हैं; "local" अभी भी एक serious cluster हो सकता है, AirLLM के क्लेम से चार-gigabyte card नहीं।

[ALLOY]: इसीलिए अपेक्षित 27-बिलियन-पैरामीटर Qwen variant असमान रूप से मायने रख सकता है। छोटे open मॉडल अधिक संगठनों तक पहुंच सकते हैं, कम लागत पर चल सकते हैं, और flagship-scale इन्फ्रास्ट्रक्चर के बिना private deployments का समर्थन कर सकते हैं। Kimi, DeepSeek, GLM, और MiniMax सहित चीनी लैब्स open weights को आगे बढ़ा रहे हैं, जबकि DeepSeek V4 Flash agent workloads के लिए cost-and-performance चैलेंजर के रूप में चर्चा में है। प्रतिस्पर्धा तेजी से इस बारे में है कि कौन सी capability level economically serve की जा सकती है, न कि केवल कौन बेंचमार्क में सबसे ऊपर है।

NOVA: एकcaveat: supplied account की weight controls पर चर्चा एक कंपनी पॉलिसी पोजीशन का वर्णन करती है, enacted law या दूसरे मॉडल फीचर का नहीं। Open weights applicable license के तहत inspection और deployment की अनुमति देते हैं; restricted weights provider के साथ रहते हैं। Qwen3.8-Max scale, coding ambitions, multimodal feedback, और price positioning के लिए notable है। यह नया बार सेट करता है या नहीं यह independent performance, real serving costs, और capability की मात्रा पर निर्भर करता है जो प्रोडक्ट्स में लोगों तक पहुंचती है।

NOVA: Nanobot पहले ट्रैक किए गए प्रकटन पर 46,651 stars के साथ आगे है। Release 0.3 जुलाई पच्चीस को शिप हुआ, और repository अगस्त पांच को अपडेट हुई। यह एक self-hosted Python personal-agent framework है जिसमें web interface, tools, memory, automation, chat apps, multi-agent workflows, और Model Context Protocol support है। Codebase Memory MCP इसे complement करता है जो 158 भाषाओं में source code को एक persistent knowledge graph में बदलता है। इसके maintainers millisecond-scale indexing, sub-millisecond queries, और एक static binary से 99 प्रतिशत कम tokens का दावा करते हैं।

[ALLOY]: वे प्रोजेक्ट्स एक साथ फिट बैठते हैं: Nanobot agent shell देता है, जबकि Codebase Memory specialized code intelligence देता है जो compatible agents call कर सकते हैं। Codebase Memory के 37,550 stars थे और 0.9 जुलाई में शिप हुआ। FastMCP दोनों के नीचे Model Context Protocol servers और clients बनाने के लिए एक Python toolkit है। इसकी 3.4 release जुलाई में शिप हुई, और इसके 27,072 stars थे। एक प्रोजेक्ट agents चलाता है, एक उन्हें durable code understanding देता है, और एक उनके tool connections को implement करना आसान बनाता है।

NOVA: यह एक स्वस्थ कम्पोज़ेबल स्टैक है, हालांकि नंबरों को लेबल की जरूरत है। तीनों पहली बार ट्रैक किए गए हैं, इसलिए कोई तीस दिन की वृद्धि रुझान नहीं है, और Codebase Memory के प्रदर्शन आंकड़े मेन्टेनर के दावे हैं। प्रत्येक रिपॉज़िटरी में हालिया रिलीज़ और निरंतर गतिविधि है। एक साथ वे एजेंट फ्रेमवर्क, मेमोरी सिस्टम और टूल प्रोटोकॉल को दिखाते हैं जो पुन: प्रयोज्य परतों में अलग हो रहे हैं, एक उत्पाद के सब कुछ के बजाय।

[ALLOY]: आज मॉडल प्रगति फ्लैगशिप दावों, विशेषीकृत सुरक्षा और ड्राइविंग सिस्टम, सर्विंग एक्सपेरिमेंट्स और डोमेन एडाप्टेशन के माध्यम से आई, न कि प्रमुख प्रोवाइडर कैटलॉग में नए सामग्री जनरल-पर्पस नाम के रूप में। Qwen ने ब्रॉड-मॉडल मूवमेंट को चलाया; बहुत सारा दिलचस्प काम विशिष्ट उत्पादों और हार्डवेयर सेटिंग्स में मॉडलों को उपयोगी बनाने से आया।

NOVA: MiniMax H3 2,300 लाइक्स के साथ एक ओपन वीडियो-जेनरेशन मॉडल के रूप में ट्रेंड कर रहा है। यह छवियों और टेक्स्ट के संयोजन स्वीकार करता है और टेक्स्ट-टू-वीडियो, इमेज-टू-वीडियो, मिक्स्ड-प्रॉम्प्ट और वीडियो-टू-वीडियो उपयोगों में वीडियो जेनरेट या ट्रांसफॉर्म कर सकता है। इसकी सूचीबद्ध क्षमताओं में टेक्स्ट, छवियों, मिक्स्ड प्रॉम्प्ट्स या मौजूदा फुटेज से ऑडियो-वीडियो आउटपुट का उत्पादन करना भी शामिल है। आर्टिफैक्ट Diffusers इकोसिस्टम और Safetensors फॉर्मेट का उपयोग करता है।

[ALLOY]: शून्य रिकॉर्ड किए गए डाउनलोड उन लाइक्स को एडॉप्शन सबूत के बजाय इंटरेस्ट सिग्नल बनाते हैं। फिर भी रेंज उल्लेखनीय है: मॉडल फुटेज जेनरेट करने, छवियों को एनिमेट करने, वीडियो एडिट करने और इसके साथ ऑडियो बनाने के लिए प्रस्तुत किया गया है। दी गई रिकॉर्ड हार्डवेयर जरूरतें, बेंचमार्क क्वालिटी, कॉन्टेक्स्ट लिमिट्स या लाइसेंस शर्तें स्थापित नहीं करती। MiniMax H3 मल्टीमॉडल चौड़ाई के लिए खड़ा है, स्केल पर प्रदर्शित उपयोग के लिए नहीं।

[ALLOY]: LuffyTheFox के Qwen3.6 35B A3B Uncensored Genesis Hermes V7 GGUF में 308,857 डाउनलोड और 371 लाइक्स हैं। यह विज़न, मल्टीमॉडल इनपुट, Hermes ट्यूनिंग, मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर और लोकल रनटाइम द्वारा व्यापक रूप से उपयोग किए जाने वाले फॉर्मेट को जोड़ता है। Liquid AI का "Deploy local agents everywhere with LFM 2.5 2.6B" दूसरी दिशा से उसी दबाव को टारगेट करता है: लोकल डिवाइस पर एजेंटों के लिए एक बहुत छोटा मॉडल। एक बड़े कम्युनिटी बिल्ड को पैकेज करता है; दूसरा कॉम्पैक्ट डिप्लॉयमेंट को आगे बढ़ाता है।

NOVA: GitHub का "Customize the reasoning level for Copilot cloud agent" होस्टेड एंड पर कंट्रोल जोड़ता है। टास्क डेलिगेट करने वाले लोग सपोर्टिंग मॉडल्स के लिए रीज़निंग लेवल चुन सकते हैं, हर जॉब पर एक सेटिंग लागू करने के बजाय गहरे प्रयास को संसाधन उपयोग के साथ ट्रेड करें। तीनों में, लोकल मॉडल पैकेजिंग, कॉम्पैक्ट ऑन-डिवाइस एजेंट्स और क्लाउड कोडिंग एजेंट्स सभी यह दिखा रहे हैं कि कम्प्यूटेशन कहां चलता है और टास्क को कितना काम मिलता है, इस पर अधिक चॉइस एक्सपोज कर रहे हैं।

NOVA: इन कहानियों के पीछे के रिलीज़ विवरण, शोध संदर्भ, रिपॉज़िटरी और मॉडल पेज़ के लिए Toby On Fitness Tech dot com पर शो नोट्स देखें।

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