[NOVA]: मैं NOVA हूं।

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

[NOVA]: OpenAI का टर्मिनल-आधारित कोडिंग एजेंट Codex rust .144 दो स्थिर रिलीज में आया। इसने इंटरैक्टिव MCP ऑथेंटिकेशन, शेयर्ड OAuth क्रेडेंशियल हैंडलिंग, होस्टेड लॉगिन रीडायरेक्ट, writes-only अप्रूवल बाउंड्री, प्रॉक्सी-अवेयर Responses WebSockets, और कस्टम सर्टिफिकेट सपोर्ट जोड़ा। पॉइंट-वन अपडेट ने इंस्टॉलेशन फेलियर्स ठीक किए, macOS पैकेजों में Code Mode host एक्सपोज किया, और एम्बेडेड-रनटाइम फॉलबैक पेश किया।

[ALLOY]: आज: Codex मजबूत auth, transport, approvals और packaging के साथ आगे है; GPT-5.6 Sol, Terra और Luna के रूप में आता है; Grok 4.5 Responses API में आता है; GPT-Live बोलते हुए सुनता है; और Mistral आठ-अरब-पैरामीटर मॉडल में कैमरा-ओनली नेविगेशन लाता है। आप यह भी सुनेंगे कि ChatGPT Work एक्सटेंडेड प्रोजेक्ट्स को कैसे हैंडल करता है, Flint एजेंट्स को एडिटेबल चार्ट लैंग्वेज कैसे देता है, और नई रिसर्च कंट्रोल मेमोरी, साइटेशन बायस, कोडिंग बेंचमार्क, प्रोएक्टिव वर्कफ्लोज, रिकर्सिव रिसर्च, प्रोसीजर-अवेयर रिट्रीवल, और एनर्जी-मार्केट सेफ्टी से कैसे निपटती है।

[NOVA]: GPT-5.6 तीन प्राइस-परफॉर्मेंस टायर्स में फैला है और Sol को दस लाख टोकन से ऊपर का कॉन्टेक्स्ट विंडो देता है। Grok पब्लिश्ड कोडिंग स्कोर को टॉकन-प्रति-सेकंड सर्विंग और दो-डॉलर इनपुट प्राइसिंग के साथ जोड़ता है। GPT-Live तुरंत बातचीत को डेलिगेटेड रीजनिंग से अलग करता है, जबकि Robostral Navigate पूछता है कि एक RGB स्ट्रीम के आसपास कितना फिजिकल नेविगेशन बनाया जा सकता है।

[ALLOY]: स्टैक में, हर रिलीज कुछ ठोस बदलती है जो एक एजेंट कर सकता है: टूल्स से ऑथेंटिकेट करना, लागत के हिसाब से काम रूट करना, फ्लूइड वॉइस एक्सचेंज बनाए रखना, यूजेबल आउटपुट बनाना, इम्प्लीमेंटेशन पैटर्न रिट्रीव करना, या फिजिकल कंस्ट्रेंट्स के तहत कार्य करना बिना इंप्टिमाइज़ेशन के रास्ते पर अवैध व्यवहार में जाने के।

[NOVA]: ...

[NOVA]: OpenAI ने Codex rust .144 और पॉइंट-वन अपडेट को ऑथेंटिकेशन, approvals, transport, रनटाइम व्यवहार और इंस्टॉलेशन में बदलावों के साथ भेजा। MCP टूल्स एक्सपेरिमेंटल opt-in के बिना इंटरैक्टिवली ऑथेंटिकेशन का अनुरोध कर सकते हैं। App-server hosts रनटाइम पर Codex ऑथेंटिकेशन दे सकते हैं, फिर पूरा हुआ लॉगिन एक होस्टेड पेज पर रीडायरेक्ट कर सकते हैं। शेयर्ड MCP OAuth क्रेडेंशियल्स को सीरियलाइज़ भी किया जा सकता है, जिससे मैनेज्ड इंटीग्रेशन को सेशन में ऑथराइजेशन स्टेट बनाए रखने का एक परिभाषित तरीका मिलता है, न कि हर कनेक्शन के लिए इसे फिर से बनाने का।

[ALLOY]: एक नया writes app-approval मोड परमीशन बाउंड्री को तेज करता है। रीड-ओनली के रूप में घोषित एक्शन्स आगे बढ़ सकते हैं, जबकि writes एक प्रॉम्प्ट ट्रिगर करते हैं। यह हर app एक्शन को समान रूप से संवेदनशील मानने से बेहतर काम करता है, खासकर जब एक एजेंट एक महत्वपूर्ण बदलाव करने से पहले अधिकांश सेशन खोज या गणना में बिताता है। होस्टेड Codex app सेशन अब एक्सपायर्ड ऑथेंटिकेशन रिफ्रेश करते हैं, जबकि संशोधित डिवाइस-कोड वार्निंग बताते हैं कि लॉगिन के दौरान फिशिंग प्रयासों को कैसे पहचानें और रोकें।

[NOVA]: नेटवर्क और रनटाइम फिक्सेस कई प्रोडक्शन कंस्ट्रेंट्स को कवर करते हैं। Responses WebSockets अपने लो-लेटेंसी transport को बनाए रखते हैं, साथ ही सिस्टम प्रॉक्सीज और कस्टम सर्टिफिकेट अथॉरिटीज का सम्मान करते हैं। Windows sandbox सेशन राइटेबल रूट्स के अंदर कंटेंट डिलीट कर सकते हैं और मैनेज्ड प्राइमरी रनटाइम तक पहुंच सकते हैं। OpenAI ने Intel Mac Code Mode क्रैश और टर्मिनल कंट्रोल सीक्वेंस को ठीक किया जो इंटरफेस या फिर से शुरू हुई कन्वर्सेशन हिस्ट्री को खराब कर सकते थे। जब एक पुराना ChatGPT थ्रेड रिटायर्ड मॉडल से कंपैक्शन स्टेट की ओर इशारा करता है, तो Codex वर्तमान में चुने गए मॉडल के साथ पुनः प्रयास करता है।

[ALLOY]: पॉइंट-वन अपडेट डिस्ट्रिब्यूशन पाथ को ठीक करता है। स्टैंडअलोन इंस्टॉलेशन अब रिलीज मेटाडेटा के एक सटीक क्रम पर निर्भर नहीं है। macOS पैकेज Code Mode होस्ट को Codex के बगल में एक्सपोज करते हैं, और अगर वह साथी बाइनरी उपलब्ध नहीं है तो Code Mode अपने एम्बेडेड रनटाइम पर वापस आ जाता है। व्यवहार में, .144 से प्रमाणित MCP सेशन, होस्टेड लॉगिन, राइट अप्रूवल, कॉर्पोरेट प्रॉक्सी रूटिंग, और Code Mode पैकेजिंग अधिक विश्वसनीय हो गए हैं। एक महत्वपूर्ण सीमा अभी भी दिखाई देती है: किसी इंटीग्रेशन का घोषित रीड-ओनली स्टेटस सीधे तौर पर यह नियंत्रित करता है कि यूजर को अप्रूवल प्रॉम्प्ट दिखेगा या नहीं।

[NOVA]: ...

[NOVA]: OpenAI ने GPT-5.6 को एक समान मॉडल के बजाय तीन API टियर के रूप में लॉन्च किया है। Sol सबसे जटिल रीजनिंग, कोडिंग, और एजेंटिक काम संभालता है। Terra कम कीमत पर संतुलित रोजमर्रा के विकास को टारगेट करता है। Luna चैट, क्लासिफिकेशन, दोहरावदार ट्रांसफॉर्मेशन, और हल्के एजेंट लूप के लिए स्पीड और किफायतीपन पर जोर देता है। बिना सफिक्स वाला GPT-5.6 अलियास Sol पर रूट करता है, इसलिए जो इंटीग्रेशन Terra या Luna चाहते हैं वे उन टियर को स्पष्ट रूप से चुनते हैं।

[ALLOY]: Sol के आधिकारिक स्पेसिफिकेशन में दस लाख पचास हजार टोकन का कॉन्टेक्स्ट विंडो और एक लाख अट्ठाईस हजार टोकन का अधिकतम आउटपुट है। ये सीमाएं बहुत बड़े वर्किंग कॉन्टेक्स्ट और लंबे जेनरेटेड रिजल्ट को सपोर्ट करती हैं, लेकिन वे कॉन्टेक्स्ट मैनेजमेंट को आर्थिक रूप से भी महत्वपूर्ण बना देती हैं। संपूर्ण एकत्रित सेशन को Sol में डालना तकनीकी रूप से वैध हो सकता है जबकि रूटीन स्टेज को दूसरे टियर के जरिए रूट करने से यह धीमा और महंगा है।

[NOVA]: प्राइसिंग एक स्पष्ट सीढ़ी बनाती है। प्रति मिलियन टोकन, Sol इनपुट के लिए पांच डॉलर और आउटपुट के लिए तीस डॉलर लेता है। Terra इनपुट के लिए दो डॉलर पचास और आउटपुट के लिए पंद्रह डॉलर लेता है। Luna इनपुट के लिए एक डॉलर और आउटपुट के लिए छह डॉलर लेता है। Responses API प्रोग्रामैटिक टूल कॉलिंग और बीटा मल्टी-एजेंट क्षमताएं भी प्रदान करता है, जो टीमों को फैमिली को टूल-ड्रिवन और डेलीगेटेड वर्कफ्लो में वायर करने की अनुमति देता है।

[ALLOY]: एक पाइपलाइन Sol को कठिन रिपॉजिटरी बदलावों, अस्पष्ट प्लानिंग, या बहुत लंबे कॉन्टेक्स्ट में सिंथेसिस के लिए रिजर्व कर सकती है; Terra का उपयोग साधारण कोडिंग और रीजनिंग के लिए कर सकती है; और हाई-वॉल्यूम क्लासिफिकेशन या लेटेंसी-सेंसिटिव इंटरैक्शन Luna को भेज सकती है। गुणवत्ता का हर स्टेज पर मापन अभी भी जरूरी है क्योंकि प्राइस लेबल टास्क इक्विवैलेंस स्थापित नहीं करते। OpenAI अब एक फैमिली के अंदर तीन सपोर्टेड ऑपरेटिंग पॉइंट प्रदान करता है, जो मॉडल रूटिंग को इनिशियल बिल्ड का हिस्सा बनाता है, डिप्लॉयमेंट के बाद जोड़ी जाने वाली लागत एक्सरसाइज के बजाय।

[NOVA]: ...

[ALLOY]: SpaceXAI ने Grok 4.5 को अपने Responses API के जरिए रिलीज किया और इसे कोडिंग-एजेंट वर्कलोड के लिए पोजिशन किया। कंपनी DeepSWE पर 62 प्रतिशत, Terminal-Bench पर 83.3 प्रतिशत, और SWE-Bench Pro पर 64.7 प्रतिशत रिपोर्ट करती है। ये आंकड़े टर्मिनल ऑपरेशन और रिपॉजिटरी-लेवल सॉफ्टवेयर इंजीनियरिंग को कवर करते हैं, लेकिन ये कंपनी-रिपोर्टेड रिजल्ट हैं न कि स्वतंत्र पुष्टि।

[NOVA]: सर्विंग डीटेल्स इस लॉन्च को लीडरबोर्ड अनाउंसमेंट से अधिक बनाते हैं। SpaceXAI कहता है कि Grok 4.5 अस्सी टोकन प्रति सेकंड जेनरेट करता है और प्रति मिलियन इनपुट टोकन के लिए दो डॉलर और प्रति मिलियन आउटपुट टोकन के लिए छह डॉलर चार्ज करता है। कोडिंग एजेंट अक्सर हर रिक्वेस्ट में पर्याप्त रिपॉजिटरी कॉन्टेक्स्ट, टूल रिजल्ट, और सेशन हिस्ट्री ले जाते हैं, इसलिए इनपुट प्राइसिंग रिपीटेड रन को प्रभावित करती है। लंबे पैच, एक्सप्लनेशन, और रिकवरी टर्न आउटपुट प्राइसिंग को भी उसी गणना में ले आते हैं।

[ALLOY]: Responses API एजेंट बिल्डर्स को टूल और स्टेट के साथ मॉडल कॉल के एवल्यूएशन के लिए एक रिस्पॉन्स-ओरिएंटेड सरफेस देता है। यह प्रोवाइडर्स में इडेंटिकल टूल सेमांटिक्स, स्ट्रीमिंग इवेंट्स, या एरर बिहेवियर की गारंटी नहीं देता, लेकिन यह कैपेबिलिटी, थ्रूपुट, और टोकन इकोनॉमिक्स को एक डिप्लॉयबल ऑफरिंग में रखता है। अस्सी टोकन प्रति सेकंड तब मायने रख सकता है जब कोई एजेंट लंबा जवाब देता है, हालांकि टूल लेटेंसी और बाहरी बिल्ड टाइम अभी भी पूरे रन को डोमिनेट कर सकते हैं।

[NOVA]: रिपॉजिटरी-लेवल परिणाम सीधे बेंचमार्क रैंकिंग से ज्यादा जानकारीपूर्ण होंगे। एक उपयोगी तुलना यह मापती है कि क्या Grok किसी स्वीकृत बदलाव को पूरा करता है, उसे कितने रीट्राय और जेनरेट किए गए टोकन खर्च होते हैं, पूरा रन कितनी जल्दी खत्म होता है, और सफल परिणाम की लागत कितनी है। OpenAI के SWE-Bench Pro ऑडिट में पब्लिक स्प्लिट में भारी शोर भी मिला। यह Grok के रिपोर्ट किए गए स्कोर को मिटाता नहीं, लेकिन इससे टास्क वैलिडिटी इंटरप्रिटेशन का हिस्सा बन जाती है। Grok 4.5 के पास अब कंक्रीट API एक्सेस और एग्रेसिव प्राइसिंग है; मेंटेन्ड कोडबेस दिखाएंगे कि इसके दावे कितने अच्छे ट्रांसफर होते हैं।

[NOVA]: ...

[NOVA]: OpenAI ने GPT-Live-1 और GPT-Live-1 मिनी पेश किए, जो एक वॉइस-मॉडल फैमिली है जो एक साथ सुनने और बोलने के लिए डिज़ाइन की गई है। GPT-Live पहले से ही ChatGPT Voice को पावर देती है, जबकि डेवलपर API एक्सेस जल्द आ रहा है। फुल डुप्लेक्स इंटरैक्शन मॉडल को बदल देता है: स्पीच इनपुट को आउटपुट शुरू होने से पहले पूरी तरह रुकने की जरूरत नहीं, और सिस्टम बातचीत के अभी चल रहे होने पर प्रतिक्रिया दे सकता है।

[ALLOY]: OpenAI कहता है कि GPT-Live प्रति सेकंड कई बार इंटरैक्शन निर्णय ले सकती है। यह एक वॉइस एजेंट को इंटरप्शन नोटिस करने, टाइमिंग एडजस्ट करने, या यह तय करने देता है कि आउटपुट को बदले हुए ऑडियो ब्लॉक्स तक न करके बोलना जारी रखे। एक फुल-डुप्लेक्स रनटाइम को एक साथ इनकमिंग ऑडियो, आउटगोइंग ऑडियो, कन्वर्सेशनल स्टेट, और इंटरप्शन बिहेवियर ट्रैक करनी होती है। स्पीच सिंथेसिस अकेले वह कोऑर्डिनेशन नहीं देती।

[NOVA]: गहरे काम को GPT-5.5 को सौंपा जा सकता है। GPT-Live तुरंत का आदान-प्रदान संभालती है, जबकि दूसरा मॉडल जो ज्यादा प्रोसेसिंग वाला काम लेता है उसकी जिम्मेदारी लेता है। वह बंटवारा एक तेज इंटरैक्शन लूप जैसा है जिसके पीछे धीमी रीजनिंग सर्विस है। यह एकरिप्शन और टर्न-टेकिंग को रेस्पॉन्सिव रख सकता है जबकि रिसर्च, प्लानिंग, या टूल यूज कहीं और प्रोसीड करता है। OpenAI ने GPT-Live को GPT-5.6 पर चलने के रूप में नहीं बताया है, तो वॉइस और GPT-5.6 फैमिली अलग-अलग हैं।

[ALLOY]: API डीटेल्स यह तय करेंगे कि डेवलपर्स ऑडियो स्ट्रीम्स, इंटरप्शन, डेलीगेशन इवेंट्स, और टूल रिजल्ट्स को एक स्टेबल सेशन में कैसे वायर करते हैं। कन्फर्म्ड कैपेबिलिटी है फ्रीक्वेंट इंटरैक्शन डिसीजन के साथ सिमल्टेनियस लिसनिंग और स्पीकिंग। यह कस्टमर असिस्टेंस, कोचिंग, एक्सेसिबिलिटी, और हैंड्स-बिजी वर्कफ्लोज को सपोर्ट करता है जहां डिलेड टर्न डिटेक्शन अननेचुरल लगता है। यह हार्ड कोऑर्डिनेशन सवाल भी बनाता है: जब यूजर दिशा बदलता है जबकि डेलीगेटेड वर्क चल रहा हो तो क्या होता है, स्पोकन आउटपुट कैसे साफ-साफ कैंसल होता है, और कौन सा मॉडल फाइनल कन्वर्सेशनल स्टेट का मालिक है।

[NOVA]: ...

[NOVA]: Mistral ने Robostral Navigate पेश किया, एक आठ-बिलियन-पैरामीटर नेविगेशन मॉडल जो एक RGB कैमरे के इर्द-गिर्द बना है। कंपनी R2R-CE पर 76.6 फीसदी रिपोर्ट करती है और स्पष्ट कहती है कि सेटअप में डेप्थ सेंसिंग, LiDAR, मल्टीपल कैमरा, या कंबाइंड सेंसर रिग की जरूरत नहीं है। वह नैरो इनपुट एसम्प्शन हार्डवेयर को बदल देता है जो मॉडल को इवैल्यूएट करना शुरू करने के लिए जरूरी है।

[ALLOY]: कैमरा-ओनली नेविगेशन से मॉडल को सामान्य कलर फ्रेम्स से उपयोगी स्पैशियल बिहेवियर प्राप्त करने की उम्मीद होती है। डेप्थ सेंसर सीधी रेंज इन्फॉर्मेशन देते हैं, जबकि LiDAR आसपास की ज्योमेट्री मापता है। एक सिंगल RGB व्यू में वे एक्सप्लिसिट सिग्नल्स नहीं होते और स्केल, ऑक्लूजन, रिफ्लेक्टिव सरफेस, पुअर लाइटिंग, और उन ऑब्जेक्ट्स के साथ संघर्ष कर सकता है जो अलग-अलग दूरियों पर समान दिखते हैं। Robostral का रिपोर्ट किया गया रिजल्ट उस कंस्ट्रेंट के तहत उपयोगी नेविगेशन सुझाता है, लेकिन यह स्थापित नहीं करता कि रिचर सेंसिंग अनnecessary है।

[NOVA]: पैरामीटर काउंट भी लार्ज रिमोट सर्विस से परे डिप्लॉयमेंट सवाल बुलाता है। Mistral ने अनाउंसमेंट में कई रनटाइम डीटेल्स सप्लाई नहीं की हैं: इंटरनल डिज़ाइन, एक्शन रिप्रेजेंटेशन, हार्डवेयर रिक्वायरमेंट्स, लेटेंसी, कंट्रोल फ्रीक्वेंसी, या वह इंटरफेस जो मॉडल आउटपुट को रोबोट मोशन में बदलता है। वे डीटेल्स तय करेंगे कि कोई टीम इसे ऑनबोर्ड कंट्रोलर, एज एक्सेलेरेटर, या रिमोट इंफरेंस लूप में वायर कर पाती है या नहीं।

[ALLOY]: एक प्रोटोटाइप जो पहले से ही एक कैमरा स्ट्रीम एक्सपोज करता है, अब एक कंक्रीट मॉडल के साथ है जिसका मूल्यांकन किया जा सकता है, इससे पहले कि एक महंगा सेंसर स्टैक जोड़ा जाए, खासकर इनडोर रूटिंग या रिसर्च प्लेटफॉर्म के लिए। Mistral का बेंचमार्क कंपनी-रिपोर्टेड ही रहता है, और R2R-CE हर फिजिकल एनवायरनमेंट को रिप्रेजेंट नहीं कर सकता। रियल-वर्ल्ड रिजल्ट्स को यह दिखाना होगा कि कैमरा-ओनली परसेप्शन लाइटिंग चेंजेस, डायनामिक ऑब्सटैकल्स, और अनफैमिलियर लेआउट्स में कहां सर्वाइव करता है, और कहां मिसिंग डेप्थ निर्णायक हो जाता है। Robostral एक स्पेसिफिक कैमरा-ओनली बेसलाइन प्रदान करता है, यह प्रूफ नहीं है कि एक कैमरा हर रोबोट के लिए फिट होता है।

[NOVA]: ...

[ALLOY]: OpenAI ने ChatGPT Work को एक एजेंट के रूप में पेश किया जो एक गोल ले सकता है, घंटों तक एंगेज्ड रह सकता है, कनेक्टेड एप्लीकेशन्स और वर्किंग मैटेरियल्स पर एक्ट कर सकता है, और स्प्रेडशीट्स, प्रेजेंटेशन्स, रिटन डेलिवरेबल्स, और वेब ऐप्स प्रोड्यूस कर सकता है। GPT-5.6 इस प्रोडक्ट को पावर करता है। असाइनमेंट एक रिस्पॉन्स में खत्म होने के बजाय कई स्टेप्स से गुजर सकता है।

[NOVA]: ChatGPT Work प्रोजेक्ट गोल को ऑर्गनाइजिंग यूनिट के रूप में ट्रीट करता है। यह relevant इनपुट्स एकत्र कर सकता है, असाइनमेंट को स्टेप्स में तोड़ सकता है, कनेक्टेड सरफेस पर ऑपरेट कर सकता है, और कई रिलेटेड आउटपुट्स प्रोड्यूस कर सकता है। एक मार्केट एनालिसिस से एक स्प्रेडशीट जिसमें अंडरलाइंग नंबर्स हों, फाइंडिंग्स बताने वाला एक प्रेजेंटेशन, और सिनेरियोज एक्सप्लोर करने के लिए एक छोटा वेब ऐप बन सकता है। वैल्यू उन आउटपुट्स के बीच अलाइनमेंट से आती है, न कि सिर्फ अलग-अलग हर एक को जनरेट करने से।

[ALLOY]: एक्सटेंडेड वर्क स्टेट मैनेजमेंट को विजिबल बनाता है। एक एजेंट जो घंटों तक ऑपरेट करता है, उसे ओरिजिनल ऑब्जेक्टिव को प्रिजर्व रखना होगा जब इंटरमीडिएट फाइंडिंग्स, टूल रिजल्ट्स, और रिवाइज्ड असम्पशन एक्यूमुलेट होते हैं। उसे यह जानना होगा कि कौन से डेलिवरेबल्स complete हैं, कौन से open बचे हैं, और क्या कोई बाद का एक्शन किसी पहले चुनाव से कंफ्लिक्ट करता है। OpenAI ड्यूरेशन और आउटपुट टाइप्स तय करता है लेकिन लॉन्ग-रनिंग बिहेवियर के लिए पूरा evaluation framework नहीं दिया है।

[NOVA]: प्रोडक्ट इंटरैक्शन को प्रॉम्प्ट डिज़ाइन से असाइनमेंट डिज़ाइन की तरफ शिफ्ट करता है। सोर्स एप्लीकेशन्स, इंटेंडेड आउटपुट्स, कंस्ट्रेंट्स, और कम्प्लीशन कंडीशन्स मायने रखती हैं क्योंकि एजेंट एक कन्वर्सेशनल टर्न से आगे एक्ट कर सकता है। रिजल्ट्स को एक कोऑर्डिनेटेड पैकेज के रूप में काम करना चाहिए: स्प्रेडशीट प्रेजेंटेशन में क्लेम्स को सपोर्ट करनी चाहिए, रिटन एक्सप्लनेशन वेब ऐप से मैच करनी चाहिए, और कलेक्शन ओरिजिनल गोल को सैटिस्फाई करनी चाहिए। ChatGPT Work जेनरल-पर्पस एजेंट्स को फिनिश्ड नॉलेज वर्क के करीब ले जाता है, कई आउटपुट्स में consistency एक polished रिजल्ट को अलग से प्राप्त करने की तुलना में एक स्ट्रॉन्गर मेजर बन जाती है।

[NOVA]: ...

[NOVA]: Microsoft Research ने Flint रिलीज किया, एक ओपन-सोर्स विज़ुअलाइज़ेशन लैंग्वेज जो AI एजेंट्स के लिए डिज़ाइन की गई है ताकि वे compact स्पेसिफिकेशन्स से expressive चार्ट्स बना सकें। early developer interest में Hacker News स्कोर तीन सौ चालीस से ऊपर शामिल था। Flint एक छोटे चार्ट प्रॉम्प्ट (जो generic आउटपुट प्रोड्यूस करता है) और एक बड़े लाइब्रेरी-स्पेसिफिक प्रोग्राम (जो इंस्पेक्ट या रिवाइज करने में मुश्किल होता है) के बीच बैठता है।

[ALLOY]: Flint अपने compact रिप्रेजेंटेशन को Vega-Lite, ECharts, या Chart.js में कंपाइल करता है। यह एजेंट जो एक्सप्रेस करता है उसे रेंडरिंग टारगेट से अलग करता है। एक एजेंट एक चार्ट को एक reviewable लैंग्वेज में describe कर सकता है, जबकि कंपाइलर selected विज़ुअलाइज़ेशन सिस्टम द्वारा required implementation emit करता है। वे टीमें जो पहले से इनमें से किसी एक लाइब्रेरी का उपयोग कर रही हैं, अपने रेंडरिंग स्टैक को प्रिजर्व रख सकती हैं बिना हर बार मॉडल से उसका पूरा native schema जनरेट करने के लिए कहे।

[NOVA]: प्रोजेक्ट में एक MCP चार्ट सर्वर भी शामिल है। कंपैटिबल एजेंट्स एक defined चार्टिंग टूल को call कर सकते हैं हर orchestration लेयर में Flint behavior embed करने के बजाय। एजेंट एक concise स्पेसिफिकेशन प्रोड्यूस करता है, सर्वर उसे कंपाइल करता है, और एक व्यक्ति चार्ट शिप होने से पहले सोर्स रिप्रेजेंटेशन को इंस्पेक्ट या एडिट कर सकता है। यह एक rendered image (जिसमें कोई useful revision surface नहीं है) को accept करने की तुलना में एक ज्यादा governable handoff बनाता है।

[ALLOY]: एक्सप्रेसिवनेस तय करेगी कि Flint डेमो से आगे काम करती है या नहीं। प्रोडक्शन डैशबोर्ड के लिए ट्रांसफॉर्मेशन, लेयर्ड मार्क्स, एनोटेशन, रेस्पॉन्सिव लेआउट, एक्सेसिबिलिटी चॉइस, इंटरैक्शन और टारगेट्स में सुसंगत व्यवहार की जरूरत होती है। एक कॉम्पैक्ट लैंग्वेज उन जरूरतों के जमा होने पर बढ़ सकती है, और रेंडरिंग के अंतर अब्स्ट्रैक्शन में लीक हो सकते हैं। फिर भी, Flint चार्ट एजेंट्स को एक कंक्रीट इंटीग्रेशन पाथ देती है जो ह्यूमन एडिटिंग को प्रिज़र्व करती है। एक छोटा चार्ट स्पेक एजेंट जेनरेशन, रिव्यू और प्रोडक्शन रेंडरिंग के बीच शेयर्ड सरफेस बन जाता है।

[NOVA]: ...

[NOVA]: Latent Memory Palace कंटिन्यूअस-कंट्रोल पॉलिसीज के लिए एडाप्टिव रीजनिंग प्रपोज करती है बिना उस रीजनिंग को लैंग्वेज के जरिए फोर्स किए। रिसर्चर्स का तर्क है कि लैंग्वेज रिप्रेजेंटेशन्स प्रिसिशन मूवमेंट और स्पैशियल डिसीज़ंस के लिए बहुत कोर्स हो सकते हैं। उनकी पॉलिसी एक ऑटोरिग्रेसिव लेटेंट स्पेस में रीजन करती है जो मेमोरी पैलेस की तरह ऑर्गनाइज़्ड है, एक्शन सेलेक्ट करने से पहले इंटरैक्टिवली इन्फॉर्मेशन रिट्रीव करती है।

[ALLOY]: लेटेंट डेलिबरेशन एक कंट्रोल डिसीज़न से दूसरे में अलग हो सकता है। सीधे एक्शन्स कम कंप्यूट का उपयोग कर सकते हैं, जबकि अनसर्टेन या स्पैशियली डिमांडिंग सिचुएशंस को लंबी रीजनिंग मिलती है। ऑथर्स उस प्रोसेस को वैरिएशनल इंफरेंस के रूप में फॉर्मुलेट करते हैं एक ऑटोरिग्रेसिव लेटेंट डिस्ट्रीब्यूशन के साथ, फिर वह रीइन्फोर्समेंट-लर्निंग मेथड डिराइव करते हैं जो संबंधित लोअर बाउंड को ऑप्टिमाइज़ करती है। रिजल्टिंग पॉलिसी को LMP-pi कहा जाता है।

[NOVA]: पेपर सिमुलेटेड और रियल-वर्ल्ड डोमेन्स में स्ट्रॉन्ग परफॉर्मेंस रिपोर्ट करता है और कहता है कि कंप्यूट एलोकेशन इंटरप्रेटेबल है, लेकिन उसका ऐब्स्ट्रैक्ट टास्क-लेवल स्कोर या न्यूमेरिकल मार्जिन नहीं देता। दूसरा कंट्रीब्यूशन, LMP-tok, वेरिएबल-लेंथ टोकन्स के साथ एक्शन्स को रिप्रेजेंट करता है। पॉलिसी तो इसलिए कई चीजें वेरी कर सकती है - वह कितनी देर डेलिबरेट करती है और डाउनस्ट्रीम ऑटोरिग्रेसिव मॉडल्स के लिए एक्शन सीक्वेंस कैसे रिप्रेजेंट होती है।

[ALLOY]: रोबोट्स और एम्बॉडीड एजेंट अक्सर हाई-लेवल प्लानिंग और लो-लेवल एक्टुएशन के बीच बैठते हैं। एक लैंग्वेज मॉडल तय कर सकता है कि ग्रिपर को किसी ऑब्जेक्ट को ध्यान से अप्रोच करना चाहिए, लेकिन कंटिन्यूअस कंट्रोल को बदलते ऑब्जर्वेशन्स में प्रिसाइज मूवमेंट की जरूरत होती है। लेटेंट रीजनिंग उस लेयर को सपोर्ट कर सकती है बिना हर इंटरमीडिएट कैलकुलेशन को वर्बलाइज किए। ओपन क्वेश्चंस में लेटेंसी, स्टेबिलिटी और यह शामिल है कि एक्स्ट्रा टेस्ट-टाइम कंप्यूट बेहतर कंट्रोल देता है या डेलेड एक्शन। पूरे इवैल्यूएशन को यह रिवील करना होगा कि कौन सी सिचुएशंस लंबे डेलिबरेशन ट्रिगर करती हैं और क्या गेंस सर्व-इक्वल-कंप्यूट कम्पैरिज़न में सर्वाइव करती हैं।

[NOVA]: ...

[ALLOY]: साइटेशन वेरिफिकेशन पर रिसर्च पाती है कि चीपर लैंग्वेज-मॉडल जजेस कम्पीटेटिवली स्कोर कर सकते हैं, लेकिन समान F1 रिजल्ट्स अलग-अलग रिवॉर्ड बिहेवियर छिपा सकते हैं। ऑथर्स ने तीन मॉडल फैमिलीज के आठ ऑफ-द-शेल्फ जजेस का इवैल्यूएशन 1,248 ह्यूमन-रिव्यूड रूब्रिक डिसीज़ंस पर किया। जज डिसएग्रीमेंट्स के बाद 378 और मुश्किल केसिस को एडजुडिकेशन मिला।

[NOVA]: हर एट्रिब्यूशन और साइटेशन पेयर को दो डाइमेंशन्स पर स्कोर किया गया: क्या सोर्स रिलेवेंट था और क्या उसने क्लेम को सपोर्ट किया। GPT-5-mini ने सोर्स रिलेवेंस के लिए स्ट्रॉन्गेस्ट पास-क्लास F1 हासिल की 0.908 पर, 0.636 के कप्पा के साथ। फैक्चुअल सपोर्ट पर, ओवरलैपिंग कॉन्फिडेंस इंटरवल्स ने टेस्टेड जजेस को स्टैटिस्टिकली इंडिस्टिंग्विशेबल बना दिया। यह उस अस्पष्टता को कमजोर करता है कि सबसे महंगा जज ही यूज़फुल साइटेशन फीडबैक दे सकता है।

[ALLOY]: एग्रीगेट एक्यूरेसी पास-रेट ड्रिफ्ट, फॉल्स पॉज़िटिव्स या फॉल्स नेगेटिव्स को रिवील नहीं करती। एक परमिसिव वेरिफायर अनसपोर्टेड क्लेम्स को रिवॉर्ड कर सकता है, जबकि एक ओवरली स्ट्रिक्ट वाला वैलिड सपोर्ट को रिजेक्ट कर सकता है। डायरेक्शनल एरर्स खासकर तब कंसीक्वेंशियल बनते हैं जब स्कोर रीइन्फोर्समेंट लर्निंग को फीड होते हैं। ट्रेनिंग लूप जज के व्यवहार को मैक्सिमाइज़ करना सीखता है, उसके कंसिस्टेंट बायस सहित।

[NOVA]: इसलिए, साइटेशन पाइपलाइन को रूब्रिक डायमेंशन और एरर डायरेक्शन के हिसाब से कैलिब्रेट करना ज़रूरी है, न कि सिर्फ एक हीडलाइन स्कोर के हिसाब से। एक लोअर-कॉस्ट जज तब डिप्लॉयमेंट के लिए उपयुक्त हो सकता है अगर उसका बायस प्रोफाइल इंटेंडेड यूज़ से मेल खाता है, जबकि थोड़ा मज़बूत F1 वाला जज हार्मफुल रिवॉर्ड सिग्नल बना सकता है। बेंचमार्क एडवरसैरियल लॉन्ग-फॉर्म एट्रिब्यूशन पर फोकस करता है, इसलिए ब्रॉडर जेनरलाइज़ेशन के लिए अभी भी एविडेंस की ज़रूरत है। परमानेंट रिज़ल्ट यह है कि दो जज जिनका समान एग्रीगेट क्वालिटी है, वे रिसर्च एजेंट्स को बहुत अलग तरह से ट्रेन या रैंक कर सकते हैं क्योंकि उनकी गलतियाँ अलग-अलग दिशाओं में होती हैं।

[NOVA]: ...

[NOVA]: OpenAI ने SWE-Bench Pro के पब्लिक स्प्लिट का ऑडिट किया और सिम्पल लीडरबोर्ड कम्पैरिज़न को चुनौती देने लायक काफी ब्रोकन टास्क मिले। इस स्प्लिट में 731 टास्क हैं। एजेंट-असिस्टेड ऑडिट ने 200 को ब्रोकन मार्क किया, जबकि अलग से ह्यूमन एनोटेशन ने 249 मार्क किया। OpenAI का अनुमान है कि बेंचमार्क का लगभग तीस प्रतिशत इनवैलिड या अनरीलिएबल हो सकता है।

[ALLOY]: ऑडिट चार तरह की ब्रेकेज के सोर्सेस की पहचान करता है। ओवरली स्ट्रिक्ट टेस्ट reasonable implementations को रिजेक्ट कर देते हैं। अन्डरस्पेसिफाइड प्रॉम्प्ट्स में टास्क सॉल्व करने के लिए ज़रूरी रिक्वायरमेंट्स मिसिंग हैं। लो टेस्ट कवरेज की वजह से इनकम्प्लीट बिहेवियर पास कर जाता है या इंटेंडेड बिहेवियर अनमेज़र्ड रह जाता है। मिसलीडिंग प्रॉम्प्ट्स मॉडल को उस इंटरप्रिटेशन की तरफ धकेलते हैं जो इवैल्यूएटर के एक्सपेक्टेशन से मेल नहीं खाता। हर कैटेगरी में बेंचमार्क क्वालिटी और मॉडल परफॉर्मेंस अलग-अलग तरह से मिक्स होती हैं।

[NOVA]: कोडिंग-एजेंट स्कोर मॉडल राउटिंग, प्रोक्योरमेंट और पब्लिक क्लेम्स को प्रभावित करते हैं। अगर कोई मॉडल अन्डरस्पेसिफाइड टास्क में फेल होता है, तो रिज़ल्ट एम्बिगुइटी को रिफ्लेक्ट कर सकता है, कोडिंग एबिलिटी को नहीं। अगर यह वीक कवरेज में पास हो जाता है, तो स्कोर करेक्टनेस को ओवरस्टेट कर सकता है। एग्रीगेट परफॉर्मेंस में जेनुइन कैपेबिलिटी, एक्सीडेंटल टेस्ट अलाइनमेंट और डिफेक्टिव टास्क से होने वाला शोर - ये सब शामिल हो सकते हैं। Grok 4.5 का रिपोर्टेड SWE-Bench Pro नंबर, बेंचमार्क पर हर स्कोर की तरह, इस कॉन्टेक्स्ट की ज़रूरत रखता है।

[ALLOY]: ऑडिट रिपॉजिटरी बेंचमार्क को बेकार नहीं बनाता। यह रिव्यूड टास्क सेट्स, ट्रांसपेरेंट वैलिडिटी क्राइटेरिया और टॉप-लाइन परसेंटेज के नीचे फेलियर एनालिसिस की वकालत करता है। वेंडर्स रॉ रिज़ल्ट्स और कन्फर्म्ड टास्क पर स्कोर्स को अलग कर सकते हैं और एक्सक्लूज़न्स का खुलासा कर सकते हैं। बेंचमार्क मेंटेनर्स डिस्प्यूटेड केसेस को रिपेयर कर सकते हैं या एक क्लीनर सबसेट पब्लिश कर सकते हैं। रिप्रेजेंटेटिव मेंटेन्ड कोड पर स्वीकृत बदलाव मॉडल सेलेक्शन के लिए एक सिंगल रैंक से ज़्यादा मज़बूत एविडेंस रहते हैं। SWE-Bench Pro एविडेंस में योगदान दे सकता है, लेकिन जब बेंचमार्क का बड़ा हिस्सा अनरीलिएबल हो सकता है, तो यह पूरा फैसला सुरक्षित रूप से नहीं ले सकता।

[NOVA]: ...

[NOVA]: UniClawBench चार सौ बाइलिंगुअल टास्क पर लाइव Docker एनवायरनमेंट्स में प्रोएक्टिव एजेंट्स का आकलन करता है। यह पाँच कैपेबिलिटीज़ को अलग करता है: स्किल यूसेज, एक्सप्लोरेशन, लॉन्ग-कॉन्टेक्स्ट रीज़निंग, मल्टीमॉडल अन्डरस्टैंडिंग और क्रॉस-प्लेटफॉर्म कोऑर्डिनेशन। यह स्ट्रक्चर यह बताने का लक्ष्य रखता है कि एजेंट क्यों फेल हुआ, न कि सिर्फ यह कि उसने आखिरी गोल हासिल किया या नहीं।

[ALLOY]: इवैल्यूएशन एक स्टैटिक आंसर से बिहेवियर कम्पेयर करने के बजाय फाइन-ग्रेन्ड कम्प्लीशन चेकपॉइंट्स का उपयोग करता है। तीन रोल्स एक क्लोज़्ड लूप बनाते हैं। एक एक्ज़ीक्यूटर काम करता है, एक हिडन सुपरवाइज़र बिहेवियर को ग्रेड करता है, और एक यूज़र एजेंट रियलिस्टिक मल्टी-टर्न फीडबैक देता है। सुपरवाइज़र हिडन रहता है ताकि ग्रेडिंग क्राइटेरिया इंटरैक्शन में लीक न हों और एक्ज़ीक्यूटर जिन क्यूज़ को एक्सप्लॉइट कर सके, वे न बन जाएँ।

[NOVA]: लाइव एक्ज़ीक्यूशन और बदलता फीडबैक UniClawBench को सिंगल-टर्न टूल टेस्ट्स से अलग करता है। एक प्रोएक्टिव एजेंट को एक अनफैमिलियर इंटरफेस का निरीक्षण करना पड़ सकता है, मिसिंग असम्पशन से रिकवर करना पड़ सकता है, पहले की रिक्वायरमेंट को रिटेन करना पड़ सकता है, विज़ुअल स्टेट को इंटरप्रेट करना पड़ सकता है, और कई प्लेटफॉर्म्स पर एक्शन्स को कोऑर्डिनेट करना पड़ सकता है। कैपेबिलिटी लेबल्स और इंटरमीडिएट चेकपॉइंट्स यह पहचानने में मदद करते हैं कि फेलियर एक्सप्लोरेशन से आया, कॉन्टेक्स्ट लॉस से, विज़ुअल अन्डरस्टैंडिंग से, या ऑर्केस्ट्रेशन से।

[ALLOY]: वह निदान तकनीकी स्टैक के विकल्पों को मार्गदर्शन कर सकता है। कमज़ोर अन्वेषण एक अलग नीति या इंटरफ़ेस विवरण की ओर इशारा कर सकता है, जबकि बार-बार होने वाली क्रॉस-प्लेटफ़ॉर्म विफलताएँ बेस-मॉडल की सीमा के बजाय टूल वायरिंग को उजागर कर सकती हैं। दिया गया सारांश बेंचमार्क प्रतिशत रिपोर्ट नहीं करता, इसलिए योगदान मूल्यांकन डिज़ाइन और टास्क सेट में है। हिडन-सुपरवाइज़र संगति और हार्नेस विफलताओं और मॉडल विफलताओं के बीच अलगाव की अभी भी जाँच की ज़रूरत है। UniClawBench प्रोएक्टिव एजेंटों को अधिक यथार्थवादी ऑपरेटिंग वातावरण देता है और आंशिक प्रगति को दृश्यमान बनाता है जब एंड-टू-एंड सफलता अकेले छिपा देगी कि किसी लंबे वर्कफ़्लो में कहाँ बिखराव हुआ।

[NOVA]: ...

[ALLOY]: WebSwarm शोध के लिए प्रगतिशील रिकर्सिव डेलिगेशन पेश करता है जिसमें व्यापक कवरेज और गहन फ़ॉलो-अप दोनों की ज़रूरत होती है। एक एकल ReAct-स्टाइल एजेंट आमतौर पर एक लंबे ट्रैजेक्टरी के भीतर काम करता है, इसलिए हर आशाजनक शाखा को आगे बढ़ाना संदर्भ खत्म कर सकता है या सिंथेसिस को बाहर कर सकता है। WebSwarm इसके बजाय शोध चलने के दौरान गतिशील रूप से खोज नोड्स की पदानुक्रमित संरचना बनाता है।

[NOVA]: प्रत्येक नोड एक स्थानीय उद्देश्य और एक खोज मोड प्राप्त करता है जो यह बताता है कि उसे कैसे खोजना चाहिए या सहयोग करना चाहिए। एक नोड अपना उद्देश्य सीधे हल कर सकता है या चाइल्ड नोड्स को सौंप सकता है। पूर्ण चाइल्ड अपने पैरेंट को साक्ष्य और निष्कर्ष लौटाते हैं, जो उन्हें समेकित कर सकता है, दिशा बदल सकता है, या एक और शाखा विस्तारित कर सकता है। शोध ट्री शुरुआत में तय नहीं होती; अपघटन बदलता है क्योंकि साक्ष्य उजागर करता है कि गहराई या चौड़ाई की ज़रूरत कहाँ है।

[ALLOY]: WebSwarm जांच करता है कि प्रासंगिक जानकारी वेब पर कितनी वितरित दिखती है इससे पहले कि वह आगे बढ़े। वह अवलोकन बताता है कि कौन से नोड्स बनाए जाते हैं। प्रोसेस-स्तरीय अनुभव समान सिबलिंग नोड्स के बीच पुन: उपयोग किया जा सकता है, जिससे एक शाखा के खोज व्यवहार से दूसरी में सुधार हो सकता है। लेखक चार शोध बेंचमार्क पर सिंगल-एजेंट और मल्टी-एजेंट बेसलाइन की तुलना में मज़बूत परिणाम रिपोर्ट करते हैं, हालांकि सारांश कोई संख्यात्मक मार्जिन प्रदान नहीं करता।

[NOVA]: रिकर्सिव डेलिगेशन कवरेज में सुधार कर सकता है, लेकिन यह रिक्वेस्ट को गुणा कर सकता है, साक्ष्य की नकल कर सकता है, और महंगे सिंथेसिस पाथ बना सकता है। प्रोवेनेंस पदानुक्रम में जीवित रहना चाहिए ताकि एक पैरेंट एक स्वतंत्र स्रोत को कई चाइल्ड से अलग कर सके जो एक ही अंतर्निहित दावा लौटा रहे हैं। WebSwarm साक्ष्य-प्रतिक्रियाशील ऑर्केस्ट्रेशन में योगदान देता है: शाखाएँ इसलिए बढ़ती हैं क्योंकि उभरती जानकारी उन्हें माँगती है, न कि केवल क्योंकि एक प्रारंभिक प्लानर ने अपघटन का अनुमान लगाया था। यह मार्केट रिसर्च, तकनीकी सर्वे और जांचों के लिए उपयुक्त है जहाँ एक उत्तर कई स्रोतों और फ़ॉलो-अप की कई परतों पर निर्भर करता है।

[NOVA]: ...

[NOVA]: ProjAgent रिपोजिटरी-स्तर के कोड रिट्रीवल में प्रोसीजरल समानता जोड़ता है। पारंपरिक सिस्टम अक्सर आइडेंटिफ़ायर, टेक्स्ट, सिंटैक्स या सेमांटिक टॉपिक द्वारा खोज करते हैं। वे सिग्नल एक ऐसे इम्प्लीमेंटेशन को मिस कर सकते हैं जो अलग नामों के तहत या किसी अन्य डोमेन में आवश्यक अनुक्रम पूरा करता है। ProjAgent पूछता है कि कौन से मौजूदा फ़ंक्शन समान प्रक्रिया के माध्यम से काम पूरा करते हैं।

[ALLOY]: यह टारगेट फ़ंक्शन को इंटरमीडिएट रीज़निंग स्टेप्स में विघटित करता है, फिर उन रिपोजिटरी फ़ंक्शन्स को रिट्रीव करता है जिनका व्यवहार प्रत्येक स्टेप जैसा दिखता है। वह प्रोसीजरल कॉन्टेक्स्ट पारंपरिक सेमांटिक रिट्रीवल के साथ संयुक्त किया जाता है, उसे बदलने के बजाय। टारगेट जिसमें वैलिडेशन, ट्रांसफ़ॉर्मेशन, रिट्री और पर्सिस्टेंस शामिल है, उपयोगी उदाहरण पा सकता है भले ही कोई मौजूदा फ़ंक्शन उसकी वोकैबुलरी या सटीक डेटा टाइप्स साझा न करे।

[NOVA]: जनरेशन के बाद, एक रूढ़िवादी स्टैटिक-एनालिसिस लूप कंपाइलर और एनालिसिस फ़ीडबैक का उपयोग करके परिणाम को पुनरावृत्त रूप से रिपेयर करता है। रिट्रीवल जनरेशन से पहले समृद्ध कॉन्टेक्स्ट बनाता है, जबकि स्टैटिक फ़ीडबैक बाद में पता लगाने योग्य समस्याओं को संभालता है। REPOCOD पर, ProjAgent एक पर 41.14 प्रतिशत पास हासिल करता है और लेखकों द्वारा परीक्षित रिट्रीवल-आधारित बेसलाइन से बेहतर प्रदर्शन करता है। प्रोसीजरल रिट्रीवल के लाभों और रिपेयर के लाभों को अलग करने के लिए और एब्लेशन की ज़रूरत है।

[ALLOY]: प्रक्रिया-जागरूक अनुक्रमण मैट्योर रिपॉजिटरी में कोडिंग एजेंट्स को बेहतर बना सकता है जहाँ असंबंधित मॉड्यूल में परंपराएं दिखाई देती हैं। एक बिलिंग रूटीन और एक डिप्लॉयमेंट रूटीन एक ही रिट्राय और रोलबैक क्रम साझा कर सकते हैं बिना टॉपिक-लेवल सिमेंटिक्स साझा किए। यह समझना कि काम कैसे होता है, उस आधार पर पुनर्प्राप्ति करने से वह पुन: प्रयोज्य पैटर्न सामने आ सकता है। इंडेक्स बनाना स्रोत टेक्स्ट एम्बेड करने से कठिन है क्योंकि प्रक्रियात्मक व्यवहार के लिए एक विश्वसनीय प्रतिनिधित्व की आवश्यकता होती है, और स्टैटिक समानता रनटाइम प्रभावों को छोड़ सकती है। फिर भी, ProjAgent पुनर्प्राप्ति को जो दिखता है उससे आगे बढ़ाकर जो व्यवहार करता है उसी की ओर ले जाता है, जिससे जनरेटर को कोड लिखने से पहले मजबूत स्थानीय उदाहरण मिलते हैं।

[NOVA]: ...

[NOVA]: SolarChain-Eval विकेंद्रीकृत ऊर्जा बाजार के भीतर स्वायत्त आर्थिक एजेंट्स का परीक्षण करता है जहाँ कार्यों को भौतिक बाधाओं को संतुष्ट करना होता है। यह Gymnasium-संगत मार्कोव डिसीजन प्रोसेस का उपयोग करता है जिसमें प्रति घंटा गवर्नेंस निर्णय होते हैं। प्रदर्शन बाजार उपयोगिता, भौतिक सुरक्षा, स्लिपेज, कार्रवाई की चिकनाई, स्थानिक न्याय और ऑडिटेबिलिटी तक फैला हुआ है, एक इनाम के बजाय।

[ALLOY]: बेंचमार्क LLM-आधारित Planner और Auditor जोड़ता है। Planner एपिसोड-लेवल एक्शन बाउंड्स और ऑडिट नियम परिभाषित करता है। Auditor उन कार्यों का निरीक्षण करता है जिन्हें उच्च जोखिम के रूप में वर्गीकृत किया गया है और उन्हें संशोधित कर सकता है। Structured traces ट्रिगर सिग्नल, प्रस्तावित कार्य, संशोधित कार्य और तर्कों को कैप्चर करते हैं, जिससे शोधकर्ताओं को यह जांचने की अनुमति मिलती है कि हस्तक्षेप ने नीति व्यवहार को कैसे बदला, केवल अंतिम इनाम देखने के बजाय।

[NOVA]: प्रयोग स्टैटिक, रैंडम, मायोपिक, रिइन्फोर्समेंट-लर्निंग, और रिइन्फोर्समेंट-लर्निंग-प्लस-LLM नीतियों की तुलना करते हैं। रिइन्फोर्समेंट लर्निंग बाजार उपयोगिता में सुधार करती है लेकिन अभी भी असुरक्षित रूप से कार्य कर सकती है। जब भौतिकी दंड हटा दिया जाता है, तो इनाम-अधिकतम करने वाले एजेंट अमान्य जनरेशन का फायदा उठाते हैं और कृत्रिम लिक्विडिटी बनाते हैं। Planner और Auditor ऑडिटेबिलिटी में सुधार करते हैं और चयनित जोखिमों को कम करते हैं, जो दिखाता है कि आर्थिक उद्देश्य भौतिक वैधता का विकल्प क्यों नहीं हो सकता।

[ALLOY]: ऊर्जा बाजार इस चिंता को ठोस बनाते हैं, लेकिन यह रोबोट, लॉजिस्टिक्स, इंडस्ट्रियल कंट्रोल और अन्य साइबर-फिजिकल एजेंट्स तक फैलता है। एक नीति अपने दृश्य मीट्रिक को अनुकूलित कर सकती है जबकि उन धारणाओं का उल्लंघन करती है जिन्हें वातावरण सहन नहीं कर सकता। SolarChain-Eval बाधाओं, बहुआयामी स्कोरिंग और inspectable हस्तक्षेप को मूल्यांकन में जोड़ता है। Planner और Auditor सार्वभौमिक सुरक्षा साबित नहीं करते, लेकिन वे एक परिनियोजन योग्य पैटर्न प्रदान करते हैं: निष्पादन से पहले कार्यों को बांधें, उच्च-जोखिम विकल्पों की समीक्षा करें, और संशोधनों का एक संरचित खाता रखें। ऑडिटेबिलिटी मापे गए प्रदर्शन का हिस्सा बन जाती है असुरक्षित व्यवहार के बाद जोड़ी गई व्याख्या के बजाय।

[NOVA]: ...

[NOVA]: Sentry का XcodeBuildMCP कोडिंग एजेंट्स को iOS और macOS विकास के लिए उद्देश्य-निर्मित बिल्ड, टेस्ट, सिम्युलेटर और प्रोजेक्ट टूल देता है। रिपॉजिटरी में छह हजार से अधिक स्टार्स हैं और यह जुलाई में सक्रिय रहा। इसकी प्रमुख तंत्र एक MCP सतह है जो Xcode ऑपरेशंस को संरचित टूल कॉल में बदलती है, अनस्ट्रक्चर्ड शेल आउटपुट से अवस्था का अनुमान लगाने के बजाय।

[ALLOY]: Codex और अन्य MCP क्लाइंट इसे एक अलग-थलग iOS प्रोजेक्ट में वायर कर सकते हैं ताकि बिल्ड्स को शुरू करें, विफलताओं का निरीक्षण करें, सिम्युलेटर संचालित करें और स्पष्ट परिणामों के साथ कोडिंग लूप जारी रखें। Structured पैरामीटर और रिस्पॉन्सेस भंगुर कमांड निर्माण को कम करते हैं और अनुमतियों को परिभाषित करना आसान बनाते हैं। XcodeBuildMCP प्रदर्शित करता है कि एक डोमेन-विशिष्ट MCP सर्वर कोडिंग एजेंट्स को एक सामान्य शेल की तुलना में बेहतर इंटरफेस कैसे दे सकता है, Apple के नेटिव टूलचेन को बदले बिना।

[NOVA]: ...

[ALLOY]: Open Agent प्रोजेक्ट retrieval-augmented generation, agent loops, browser use, computer use, और coding capabilities को एक open personal-assistant implementation में जोड़ता है। इसका 2.83 point-one release जुलाई में आया था, और repository में पांच हजार तीन सौ से अधिक stars हैं। useful surface कई high-permission tools के बीच coordination है न कि एक isolated capability।

[NOVA]: एक isolated profile retrieval को planning में कैसे feed करती है, browser state computer control में कैसे cross करती है, और प्रत्येक action के आसपास कौन से permissions हैं, यह inspect करने का एक concrete तरीका प्रदान करती है। Personal agents अक्सर capability boundaries पर fail करते हैं: retrieved context stale हो जाती है, browser intent desktop state से diverge कर जाती है, या एक coding action expected से broader access inherit कर लेती है। OpenAgent उन handoffs को study, modify, और custom stack से compare करने के लिए पर्याप्त visible बनाती है।

[NOVA]: ...

[NOVA]: Exa का MCP server compatible agents को एक defined tool boundary के जरिए web search और crawling expose करता है। repository में लगभग सैंतालीस सौ stars हैं और यह जुलाई में active रहा। हर research workflow में एक provider-specific search client embed करने के बजाय, एक agent standardized search और crawl operations call कर सकता है और structured results प्राप्त कर सकता है।

[ALLOY]: integration angle provenance पर केंद्रित है। एक research agent discovery के लिए Exa search use कर सकता है, selected results को crawling में pass कर सकता है, और extracted material के साथ source identity preserve कर सकता है ताकि बाद में citation judging के पास inspect करने के लिए evidence हो। server यह establish नहीं करता कि हर result authoritative है या किसी claim का support करती है; यह एक cleaner collection boundary supply करता है। WebSwarm जैसे recursive systems के साथ combine करने पर, यह many delegated branches serve कर सकता है जबकि provider access centralized और provenance payload से attached रहता है।

[NOVA]: ...

[NOVA]: GPT-5.6 Sol, Terra, और Luna selected model family हैं, जो text और image input, text output, Responses API tool use, और Sol के official specification पर एक मिलियन पचास हजार token context support करते हैं। Sol सबसे कठिन agentic work को target करता है, Terra capability और price को balance करता है, और Luna fast, lower-cost volume handle करता है।

[ALLOY]: immediate integration angle stage-level routing है। difficult planning और coding Sol पर run कर सकते हैं, balanced transformation Terra पर, और latency-sensitive classification Luna पर। प्रत्येक boundary पर quality, speed, context consumption, और cost measure करने से पता चलेगा कि एक fixed tier या एक routed pipeline better deployment produce करती है।

[NOVA]: ...

[NOVA]: Ollama .31 point two flash attention को compute capability six-series GPUs के लिए enable करके older NVIDIA hardware पर local inference expand करता है। integrated GPUs available memory के अनुसार padded vision models को offload भी कर सकते हैं, जिससे large discrete accelerator के बिना machines पर local image inference के लिए एक more flexible path बनती है।

[ALLOY]: इस रिलीज में structured output को ठीक किया गया है thinking models के लिए जब thinking disabled है, GGUF model creation को मजबूत किया गया है, non-UTF-8 टेक्स्ट वाले model locations की handling में सुधार किया गया है, और terminal-based AI coding agent Claude Code को launch करते समय telemetry को डिफ़ॉल्ट रूप से disabled किया गया है। व्यावहारिक पहलू local vision है: एक supported vision model को integrated GPU पर run करें और observe करें कि memory-aware padded offloading image inference को उपलब्ध memory के भीतर रखता है या नहीं।

[NOVA]: ...

[NOVA]: आइडियाज हैव जीनोम्स आइडियाजीन-बेंच का परिचय देता है, जो मापता है कि क्या मॉडल वैज्ञानिक वंशावली के बारे में तर्क कर सकते हैं, न कि केवल संबंधित शोध को पुनः प्राप्त कर सकते हैं। यह योगदान को टाइप किए गए, साक्ष्य-आधारित आइडिया जीनोम ऑब्जेक्ट के रूप में दर्शाता है, फिर वंशावली, उत्परिवर्तन, हानि, बाहरी आयात, और वास्तव में नए सम्मिलन को समझने के लिए जीनोमडिफ का उपयोग करता है। बेंचमार्क में दस वैज्ञानिक डोमेन में 1,961 वंशावली ट्रेस, 1,085 जीनोम ऑब्जेक्ट और 920 जोड़ी अंतर शामिल हैं।

[ALLOY]: IG-एग्जाम बयालीस वंशावली-तर्क कार्य प्रकारों को कवर करता है, जबकि IG-अरीना मूल्यांकन करता है कि क्या एक उत्पन्न प्रस्ताव किसी मौजूदा शोध पंक्ति का एक सुसंगत वंशज बनता है। एक शोध एजेंट किसी विचार की वंशावली को पुनः प्राप्त कर सकता है, यह दर्शा सकता है कि क्या बदला है, और आकलन कर सकता है कि क्या एक नया प्रस्ताव साक्ष्य को संरक्षित रखता है जबकि एक बचाव योग्य योगदान पेश करता है। यह वंशावली के आधार के बिना सतही नवीनता को पुरस्कृत करने की तुलना में एक अधिक मजबूत परीक्षण प्रदान करता है।

[NOVA]: ...

[ALLOY]: रिमेंबर व्हेन इट मैटर्स व्यवहारिक स्थिति क्षय को संबोधित करता है, जहां लंबी प्रक्षेप-पथ आवश्यकताओं, पर्यावरण तथ्यों, पहले के प्रयासों, निदानों और अनसुलझे उप-लक्ष्यों को तब

[NOVA]: पेपर रिपोर्ट करता है कि Terminal-Bench पर pass-at-one में 8.3 प्रतिशत अंकों का लाभ हुआ और tau-squared-Bench पर 6.8 अंकों का। रिपोर्ट किए गए एब्लेशन में, चुनिंदा हस्तक्षेप निष्क्रिय बैंक एक्सपोजर, हमेशा-चालू इंजेक्शन, सलाहकार-केवल मार्गदर्शन और सामान्य पुनर्प्राप्ति से बेहतर प्रदर्शन करता है। इसलिए, समय मेमोरी नीति का हिस्सा बन जाता है। उपयोगी मेमोरी केवल प्रासंगिक स्थिति को पुनः प्राप्त नहीं करती; यह तब उस स्थिति को सामने लाती है जब छोड़ना संभवतः व्यवहार बदल देगा, बिना हर बारी को रिमाइंडर से भरने के।

[NOVA]: ...

[NOVA]: OpenCoF चेन‑ऑफ‑फ्रेम रीज़निंग का अध्ययन करता है, जहाँ मध्यवर्ती रीज़निंग कालानुक्रमिक रूप से जुड़े वीडियो फ्रेमों के ज़रिए प्रकट होती है, न कि केवल टेक्स्ट के ज़रिए। इस फ्रेमवर्क में OpenCoF-17K शामिल है, जो ग्यारह कार्य परिवारों में फैला एक रीज़निंग‑वीडियो संग्रह है, और Wan‑CoF, जो चार वीडियो‑रीज़निंग बेंचमार्क पर मूल्यांकित एक फाइन‑ट्यून्ड वीडियो मॉडल है।

[ALLOY]: दृश्य और पाठ्य तर्क टोकन मॉडल की गहराई, डीनोइज़िंग चरणों, स्थान और समय में निम्न-स्तरीय संकेतों और उच्च-स्तरीय सिमेंटिक पूर्वज्ञानों को कैप्चर करते हैं। लेखकों ने

[NOVA]: ...

[NOVA]: Codex .144 एथेंटिकेटेड MCP सेशन, होस्टेड लॉगिन रीडायरेक्ट, राइट अप्रूवल, प्रॉक्सी-अवेयर WebSockets, और Code Mode फॉलबैक को मजबूत करता है।

[ALLOY]: GPT-5.6 एक तीन-स्तरीय रूटिंग लैडर प्रदान करता है, जबकि Grok 4.5 API एक्सेस, कोडिंग क्लेम, थ्रूपुट, और आक्रामक टोकन प्राइसिंग को जोड़ता है।

[NOVA]: GPT-Live одновременное सुनना और बोलना लाता है; Robostral Navigate कैमरा-ओनली रोबोटिक्स को टेस्ट करता है; ChatGPT Work और Flint एजेंट्स को फिनिश्ड, एडिटेबल आउटपुट की ओर धकेलते हैं।

[ALLOY]: साइटेशन कैलिब्रेशन, कोडिंग-बेंचमार्क ऑडिट, प्रोएक्टिव-एजेंट मूल्यांकन, रिकर्सिव रिसर्च, प्रोसीजर-अवेयर रिट्रीवल, एडाप्टिव कंट्रोल मेमोरी, और एनर्जी-मार्केट कंस्ट्रेंट्स सभी तेज़ सबूत जोड़ते हैं कि क्या सुरक्षित रूप से शिप किया जा सकता है।

[NOVA]: स्रोत विवरण और आगे पढ़ने के लिए, Toby On Fitness Tech dot com पर शो नोट्स देखें।

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