[NOVA]: मैं NOVA हूँ।

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

[NOVA]: GPT-6 Astra ने रिपोर्ट किया है कि उसने एक German Army Enigma मैसेज तोड़ दिया जिसने 2005 से क्रिप्टानालिस्ट को रोका हुआ था। उसने टारगेट चुना, उसे पहले से सुलझे ट्रांसमिशन से जोड़ा, अपना खुद का सर्च सॉफ्टवेयर लिखा, ट्रांसक्रिप्शन एरर को हाथ से निकाला, और एक दुर्लभ wheel turnover से जटिल key रिकवर की। ये कोई chatbot का ट्रिविया याद करना नहीं है। ये एक मॉडल है जो क्रिप्टोग्राफी, कोड, और आर्काइवल रिसर्च में दो दिन की जांच कर रहा है।

[ALLOY]: और Mistral ने दूसरे तरह का झटका दिया है: एक छह सौ पचहत्तर अरब पैरामीटर का open-weight फ्लैगशिप Apache Two के तहत, साथ ही एक सौ तेईस अरब पैरामीटर का कोडिंग मॉडल जो एजेंट्स के लिए है जो घंटों तक सॉफ्टवेयर टास्क पर रुकते हैं। लोग फ्लैगशिप पर कमर्शियल सिस्टम बना सकते हैं, कोडिंग एजेंट्स को विशाल रिपॉजिटरी में भेज सकते हैं, या एक रोबोट पर सात अरब पैरामीटर का vision-and-action मॉडल रख सकते हैं जो भविष्य की वीडियो और शारीरिक मूवमेंट प्रेडिक्ट करता है।

[NOVA]: आज, आप सुनेंगे कि Astra ने MVUEH कैसे तोड़ा, Mistral के दो नए मॉडल वास्तव में क्या देते हैं, और क्यों एक छोटा decision मॉडल एक साधारण CPU पर agent guardrails लागू कर सकता है। Hermes Agent ने 9.24 शिप किया, Ando ने AI agents को पहचान और इनबॉक्स दिए, और Claude Opus 5.5 GitHub Copilot में एक मिलियन-टोकन context window के साथ दाखिल हुआ।

[NOVA]: ...

[NOVA]: Hermes Agent ने 9.24 एक स्टेबल आर्टिफैक्ट के रूप में शिप किया, internally point twenty-one point five पर टैग किया, पिछले पैच से लगभग चार सौ साठ मर्ज्ड pull requests को कंसोलिडेट करते हुए। मापा हुआ development window उस merge count से बहुत बड़ा है: सोलह सौ दस non-merge commits, चौबीस सौ अठाईस changed files, लगभग एक लाख चौसठ हज़ार lines जोड़ी गईं, और एक लाख उनचास हज़ार हटाई गईं। Nous Research कहता है कि release Docker images, Hermes Cloud, और hosted deployments को feed करता है। Desktop ने सबसे घना visible work पाया। इसका plugin kit अब composer drafts, session-list decorations, sidebar preferences, model labels, settings और skills के लिए typed bridges, sandboxed embedded views, appearance controls, और plugin backends से events expose करता है। Simple और Advanced interface split नए लोगों के लिए clutter कम करता है बिना deeper controls छुपाए। Connectors पुराने Model Context Protocol tab की जगह लेते हैं, नए installed plugins एक direct Connect Now path expose कर सकते हैं, और onboarding connectors के साथ-साथ plugins पेश करता है। French, German, और Spanish catalogs पूर्ण हैं, जबकि right-to-left और left-to-right text direction configurable हो जाता है। Custom models composer और settings pickers में दिख सकते हैं, dictation और function-key shortcuts जुड़े हैं, और profiles independently stop, start, या restart कर सकते हैं। एक standalone gateway option shared host arrangement के बाहर एक profile रख सकता है।

[ALLOY]: patch शब्द के नीचे छिपाने के लिए ये बहुत बहुत कुछ है। terminal surfaces को standing goal और queued prompts के लिए एक live dock मिलती है; webhook deliveries relevant chat session में mirror हो सकती हैं; hosted desktop images में Bot Screen जुड़ता है; और kanban view formatted task text के साथ एक two-column ticket window पाता है। model catalogs में GPT-6 Sol, Terra, Luna, और Claude Opus 5.5 जुड़ते हैं। Blender Lab और NVIDIA के app और Broadcast tools के लिए official plugins आते हैं, जबकि दर्जनों community plugins कैटलॉग में शामिल होते हैं। performance work ने configuration loading, tool registration, gateway messages, और model selection को छुआ। जो बाहर निकलता है वो connective tissue है: Hermes कम एक agent screen जैसा और profiles, plugins, connectors, और कई interfaces के लिए host जैसा हो रहा है जो एक ही underlying work शेयर करते हैं। एक plugin interface elements, backend events, settings, skills, और tools contribute कर सकता है बजाय narrow command की तरह व्यवहार करने के। इस बीच, independent profile controls blast radius कम करते हैं जब एक workspace को restart की जरूरत होती है। इसे patch कहना technically accurate है, लेकिन emotionally misleading है।

[NOVA]: ...

[ALLOY]: एक सौ तेईस अरब पैरामीटर का dense coding model огромный लगता है इससे पहले कि आप इसे open weight कहें। Devstral 2 को दूसरे मॉडल से ज्यादा क्या बनाता है जो सिर्फ अगला function पूरा करता है?

[NOVA]: Mistral ने इसे agentic coding के लिए बनाया है: repository exploration, edits, tool calls, error recovery, और repeated verification शामिल multi-step software work। Devstral 2 दो लाख बासठ हज़ार एक सौ चौवालीस tokens स्वीकार करता है, जिसे आमतौर पर दो लाख छियालीस हज़ार-token context window के रूप में राउंड किया जाता है। यह एक agent को substantial codebase, conversation, tool output, और earlier actions की लंबी trail के लिए जगह देता है। ज़्यादा context यह गारंटी नहीं देता कि model हर detail को सही से use करेगा, लेकिन यह उस moment को delay करता है जब history को compress या discard करना होगा। यह long refactor के दौरान matters क्योंकि भुलाई गई assumptions contradictory edits बनाती हैं: एक file नया interface adopt करती है जबकि दूसरी चुपचाप पुराना contract preserve करती है। Model OpenRouter के through available है, जो इसे एक existing routing layer के through accessible बनाता है बिना team के पहले एक सौ तेईस billion parameters का infrastructure खड़ा किए।

[ALLOY]: मुझे दिलचस्पी है, एक eyebrow raised के साथ। Coding puzzles एक clean final answer को reward करती हैं; real agent work उस model को punish करती है जो चालीस मिनट बाद renamed interface का track खो देती है। Devstral के open weights और long window उस longer behavior को inspectable बनाते हैं जैसे closed systems अक्सर नहीं होते। Teams study कर सकती हैं कि यह tools को कैसे use करता है, इसे codebase के लिए adapt कर सकती हैं, और अपना serving environment चुन सकती हैं। Mistral इसे state-of-the-art open-source coding model कहता है, लेकिन sustained repository work यह तय करेगा कि वह label stick करता है या नहीं। अगर यह hundreds of files, कई failed attempts, और compiler या test output के stream में intent को preserve कर सकता है, तो यह coding products के लिए एक serious foundation बन जाता है न कि बस एक very large autocomplete engine। मतलब की contest अब यह नहीं रही कौन prettiest isolated function लिखता है। यह है कौन coherent रह सकता है जब software work messy हो जाती है।

[NOVA]: ...

[NOVA]: Mistral Large 3 छह सौ पचहत्तर billion total parameters के साथ आता है, लेकिन यह प्रत्येक token के लिए इकतालीस billion activate करता है। यह एक sparse mixture-of-experts design है: हर word को पूरे network में send करने के बजाय, model इसे specialized parameter groups के एक छोटे selection के through route करता है। यह हर step पर full computation cost चुकाए बिना огромный model की breadth पर draw करने का लक्ष्य रखता है। Context window दो लाख बासठ हज़ार tokens तक पहुंचता है, long documents, extensive conversations, और substantial collections of code के लिए एक request में।

[ALLOY]: Apache Two वह part है जिसने मुझे sit up किया। License commercial use, redistribution, और attribution के साथ modification permit करता है। एक company इसे self-host कर सकती है, adapt कर सकती है, या बिना special frontier-model agreement negotiate किए इसके आसपास paid product बना सकती है। Open weights एक छह सौ पचहत्तर billion parameter system को cheap नहीं बनाते; inactive experts को still store, move, और serve करना पड़ता है। लेकिन legal permission और technical access aligned हैं एक तरीके से जैसे वे इस scale पर rare बार होते हैं।

[NOVA]: Superlatives को control में रखते हैं। Mistral Large 3 को अपना most capable model कहता है, जबकि listing its architecture, context length, distribution, और license establish करता है। ये important facts हैं, लेकिन वे यह prove नहीं करते कि यह हर closed flagship को reasoning, code, vision, या tool use में beat करता है। और इकतालीस billion active parameters computation per token describe करते हैं, complete memory footprint नहीं। Full expert pool serve करना एक serious engineering job बना हुआ है।

[ALLOY]: Fair pushback। Still, यह field को widen करता है। Research groups एक frontier-scale sparse model inspect कर सकते हैं। Sensitive data वाले enterprises inference को अपने environment के inside रख सकते हैं। Model companies एक permissively licensed base adapt कर सकते हैं बजाय एक छोटे system mainly इसलिए चुनने के क्योंकि terms workable हैं। Devstral 2 के साथ paired, Mistral एक specialized coding-agent lane और एक general flagship lane cover करता है: एक dense specialist, एक giant sparse platform। यह एक aggressive open-weight release pair है।

[NOVA]: ...

[NOVA]: पंद्रह सितंबर को, cryptographer Carter Leffen ने GPT-6 Astra को Crypto Cellar Research archive of unsolved wartime messages की ओर direct किया। Astra ने MVUEH चुना, एक German Army Enigma transmission 1941 से जो 2005 से public और unbroken था। लगभग दो दिन बाद, इसके पास एक solution था। Model ने suspect किया कि MVUEH SIPVX के साथ plaintext share करता है, एक और message same day से जिसे Alex Shovkoplyas ने 2017 में crack किया था। इसने "Rosenow Rosenow" repeated place name को crib के रूप में use किया—इसका मतलब original message की एक guessed fragment—और Enigma simulator और Bombe-style key search के लिए Python और C-plus-plus software लिखा।

[ALLOY]: ठीक है, यह actually wild है। Model ने बस combinations faster search नहीं किए। इसने एक historical connection form किया, एक plausible known phrase select किया, machinery build किया, और investigate करता रहा। वह message इतना resistant क्यों था?

[NOVA]: कई जटिलताएँ एक साथ जमा हो गईं। पुनर्प्राप्त व्हील क्रम दो-पाँच-तीन था, जबकि दस जुलाई 1941 के अन्य संदेशों में प्रयुक्त व्यवस्था पाँच-एक-दो थी। बाईं व्हील बहत्तरवें अक्षर पर भी आगे बढ़ गई, एक असामान्य टर्नओवर जिसने पहले के प्रयासों के पीछे की धारणाओं को तोड़ दिया। रिकॉर्ड किया गया साइफरटेक्स्ट में ट्रांसक्रिप्शन गलतियाँ भी थीं। एस्ट्रा को एक उम्मीदवार खोजना पड़ा जो परिष्कृत क्लासरूम साइफर को हल करने के बजाय अपूर्ण स्रोत सामग्री से बचकर निकला। इसने जर्मन फेडरल आर्काइव खंडों के संदर्भ भी उजागर किए जो वास्तविक संग्रह से मेल खाते थे लेकिन क्रिप्टो सेलर पेज पर सूचीबद्ध नहीं थे। मैकेनिक आर्काइव के रखवाले अनुभवी क्रिप्टानालिस्ट फ्रोड वेयरूड ने कहा कि उन संदर्भों को खोजने में उन्हें हफ्ते लगे और उन्होंने एस्ट्रा का वर्णन एक पेशेवर क्रिप्टानालिस्ट और अभिलेख शोधकर्ता के रूप में किया।

[ALLOY]: यह संयोजन "AI ने Enigma तोड़ा" के नारे से ज्यादा मायने रखता है। Enigma को समझा जाता है; यह संदेश कठिन था क्योंकि साक्ष्य अस्तव्यस्त थे, पूर्वधारणाएँ गलत थीं, और उपयोगी सुराग इतिहास, अभिलेखों, और पहले के क्रिप्टानलिसिस में बिखरे हुए थे। रिपोर्ट के अनुसार, एस्ट्रा ने एक रास्ता चुना, विशेष उपकरण लिखे, अनियमितताओं के आसपास संशोधन किया, और उन रिकॉर्ड्स को जोड़ा जो मनुष्यों ने अलग-अलग पाए थे। एक परिणाम हर जाँच में निर्भर करने योग्य स्वायत्तता स्थापित नहीं कर सकता, लेकिन यह दर्शाता है कि लंबे समय चलने वाले एजेंट क्यों महत्वपूर्ण हो रहे हैं। वे कोड, खोज, अनुमान, और निरंतरता को एक निरंतर प्रयास में जोड़ सकते हैं—और कभी-कभी विशेषज्ञों को कहते हैं, "रुको, उसने क्या खोजा?"

[NOVA]: ...

[NOVA]: Claude Opus 5.5 अब agentic coding, लंबे चलने वाले कार्यों, और ज्ञान कार्य के लिए GitHub Copilot में उपलब्ध है। यह टेक्स्ट और इमेज स्वीकार करता है, टेक्स्ट रिटर्न करता है, और दस लाख टोकन की संदर्भ विंडो का समर्थन करता है—लगभग साढ़े पंद्रह सौ पन्नों की सामान्य टेक्स्ट। GitHub एक अनुकूली-तर्क सेटअप का वर्णन करता है जो कठिन कार्य पर अधिक प्रयास लगा सकता है और उचित समय पर हल्के प्रतिक्रियाओं का उपयोग कर सकता है। आर्टिफिशियल एनालिसिस इसे इंटेलिजेंस इंडेक्स संस्करण चार बिंदु तीन बिंदु दो पर अठानवे पर स्कोर करता है, जबकि मेडियन छब्बीस है। वह संयुक्त मूल्यांकन coding, विज्ञान, टर्मिनल कार्य, और व्यापक तर्क को शामिल करता है। मॉडल ने इंडेक्स रन के दौरान बाईस करोड़ टोकन बनाए, मेडियन का लगभग तीन गुना, इसलिए मजबूत स्कोर पर्याप्त आउटपुट के साथ आया।

[ALLOY]: जो सीधे लागत की ओर ले जाता है: प्रति मिलियन इनपुट टोकन चार डॉलर और प्रति मिलियन आउटपुट टोकन बीस डॉलर। आर्टिफिशियल एनालिसिस एक औसत इंडेक्स कार्य को पाँच डॉलर अठानवे सेंट रखता है। पुन: उपयोग किए गए प्रॉम्प्ट प्रीफिक्स पचानवे प्रतिशत कैश डिस्काउंट प्राप्त कर सकते हैं, जो तब मदद करता है जब एक ही रिपॉजिटरी संदर्भ बार-बार दिखाई देता है। Copilot के माध्यम से पहुँच तुरंत परिवर्तन है। एक डेवलपर स्क्रीनशॉट को कोड अनुरोध के साथ जोड़ सकता है, एक बड़े रिपॉजिटरी और लंबे कार्य ट्रेल को संदर्भ में रख सकता है, या बिना किसी अन्य उत्पाद में जाए, एक बहु-चरणीय रिफैक्टर सौंप सकता है। मुझे इस क्षमता से उत्साह है, लेकिन उस आउटपुट मूल्य और वर्बोसिटी पर हर कार्य के लिए "दैनिक डिफ़ॉल्ट" नहीं खरीदता। Opus 5.5 तब सबसे मजबूत दिखता है जब कार्य इतना महंगा है कि गहरा तर्क एक बहुत बड़े मानव बिल को रोक सकता है।

[NOVA]: ...

[ALLOY]: Ando का पिच बहुत सीधा है: कंपनी चैट में एजेंट के काम को मनुष्यों से कॉपी कराना बंद करो। क्या यह वास्तव में एक Slack प्रतिस्थापन है, या चैनल और डायरेक्ट मैसेज पहने एक एजेंट रैपर?

[NOVA]: संस्थापक Sara Du इसे एक वर्कप्लेस मैसेंजर के रूप में प्रस्तुत करती हैं जो मनुष्यों और एजेंटों दोनों के इर्दगिर्द बनाया गया है। प्रत्येक एजेंट को अपना स्वयं का पहचान और इनबॉक्स मिलता है। यह चैनलों, डायरेक्ट मैसेज, ग्रुप, और ट्रांसक्राइब्ड कॉल में भाग ले सकता है; बातचीत ब्राउज़ कर सकता है; चुन सकता है कि कौन से चैनल में शामिल होना है; स्पष्ट टैग के बिना प्रवेश कर सकता है; और सहकर्मियों से संपर्क कर सकता है जब वह सोचता है कि कुछ महत्वपूर्ण है। Du ने 2025 में कंपनियों को Model Context Protocol सर्वर बनाने में मदद करते हुए यह निष्कर्ष निकाला। टीमें Slack के अंदर एजेंट चाहती थीं, लेकिन लोगों को अभी भी अलग-अलग सिस्टम के बीच संदर्भ और उत्तर ले जाने पड़ते थे। वह उन मानव मध्यस्थों को "मीट प्रॉक्सी" कहती हैं। Ando ने Accel, Index Ventures, और Emergence से pre-seed और seed राउंड में बीस मिलियन डॉलर जुटाए हैं। प्रारंभिक ग्राहक सॉफ्टवेयर, रियल एस्टेट, और वित्त में पंद्रह देशों में फैले हैं, ज्यादातर छोटी टीमों में।

[ALLOY]: सबसे मजबूत उदाहरण वह भी है जिससे प्रबंधकों को थोड़ा घबराहट होनी चाहिए। एक Ando एजेंट ने देखा कि दो चैनल एक ही समस्या पर चर्चा कर रहे थे, एक ग्रुप बातचीत बनाई, साझा संदर्भ प्रदान किया, और बिना कहे एक निर्णय प्रस्तावित किया। यह समन्वय अड़चन को खत्म कर सकता है क्योंकि एक एजेंट किसी एक व्यक्ति से ज्यादा बातचीत पढ़ सकता है। यह सॉफ्टवेयर को यह विवेक भी देता है कि कब व्यवधान डालना है, किसे इकट्ठा करना है, और किस संगठनात्मक संदर्भ को उजागर करना है। Slack ने अपने बॉट को एक एजेंट के रूप में पुनर्निर्मित किया है, Microsoft Teams में Copilot एम्बेड कर रहा है, और Jack Dorsey का Buzz डेवलपर्स को लक्षित करता है, इसलिए Ando एक खाली बाजार में प्रवेश नहीं कर रहा है। उसका दाँव यह है कि मूल एजेंट पहचान—कोई और असिस्टेंट पैनल नहीं—अगले वर्कप्लेस मैसेंजर को परिभाषित करेगी। अगर यह काम करता है, तो "इस चैनल में कौन belongs करता है?" मनुष्यों के साथ-साथ सॉफ्टवेयर सहकर्मियों के बारे में भी एक सवाल बन जाता है।

[NOVA]: ...

[NOVA]: Fastino का GLiNER two point five Decide एक तीन-सौ-चालीस-मिलियन-पैरामीटर का open-weight मॉडल है जो एजेंटों द्वारा लगातार लिए जाने वाले छोटे फैसलों के लिए है: कौन सा टूल उपयुक्त है, क्या सामग्री सुरक्षित है, कौन सा इरादा लागू होता है, और अगला कौन सा संरचित रास्ता आना चाहिए। यह कोई पैराग्राफ जनरेट नहीं करता। एक डेवलपर सामग्री और टाइप किए गए प्रश्नों का एक स्कीमा देता है, और मॉडल प्रोबेबिलिटी, कॉन्फिडेंस और फिजिबिलिटी फ्लैग के साथ संरचित जवाब लौटाता है। प्रश्न एक दूसरे को सीमित कर सकते हैं, इसलिए संबंधित फैसले एक-दूसरे का विरोध नहीं करते।

[ALLOY]: जब तक फैसले असहमत नहीं होते, यह скромा लगता है। Fastino एक prompt-injection उदाहरण दिखाता है जहाँ independent decoding एक attack को point-eight-two confidence के साथ detect करता है लेकिन उसी prompt को point-five-two confidence के साथ safe label करता है। ये दोनों output एक सुसंगत policy को drive नहीं कर सकते।

[NOVA]: Joint decoding उन्हें एक साथ resolve करता है। एक स्कीमा नियम कहता है कि harm detect करने के लिए unsafe verdict जरूरी है, इसलिए मॉडल unsafe और prompt injection को एक सुसंगत जोड़ी के रूप में लौटाता है। यह DeBERTa version-three large encoder का उपयोग करता है और GLiNER two large से fine-tuned था। Apache Two weights CPU, GPU, या air-gapped environment में चल सकते हैं, और Fastino hosted inference भी प्रदान करता है। इसका Fast Decisions suite सत्रह datasets में पचास-एक-सौ उदाहरण रखता है। तीन-सौ-चालीस-मिलियन मॉडल ने औसतन sixty-point-one percent exact match किया, नौ datasets में अव्वल रहा, और लगभग चार-अरब-पैरामीटर Qwen three-point-five-class baseline को लगभग two-point-six points से हराया। Support-intent accuracy Seventy-five-point-three percent तक पहुँची।

[ALLOY]: और latency CPU claim को decorative की जगह real बनाती है: пятнадцать labels और batch of one के साथ, median response time forty-eight-core Xeon पर एक-सौ-साठ-सात milliseconds और V-one-hundred GPU पर अड़तीस milliseconds थी। ये Fastino के माप हैं, इसलिए व्यापक reproduction अभी भी मायने रखती है। लेकिन एक compact, non-generative model का guardrails के लिए attractive properties है। यह fast, structured, locally deployable है, और routing decision को essay में बदलने की कम प्रवृत्ति रखता है। Fastino एक-अरब-पैरामीटर sibling और दो-सौ-सत्तासी-मिलियन-पैरामीटर multilingual version भी देता है। सच में, smallest useful judge एक general model से ज्यादा valueable साबित हो सकता है जो सब कुछ करने की कोशिश कर रहा हो।

[NOVA]: ...

[NOVA]: FLUX 3 Action एक सात-अरब-पैरामीटर open-weights model है जो भविष्य की perception और movement को एक साथ predict करके robots को control करता है। यह camera frames, robot की current state, और एक text instruction प्राप्त करता है। फिर यह भविष्य के video frames के साथ-साथ अगला chunk of physical actions generate करता है। Black Forest Labs RoboLab के one hundred twenty simulated tabletop tasks में forty-two-point-nine-two percent success rate report करता है, NVIDIA Cosmos 3 Nano के thirty-six-point-eight percent से आगे, भले ही much smaller backbone use करता हो।

[ALLOY]: तो यह motion choose करते हुए near future की कल्पना करता है, vision और control को disconnected stages की तरह treat करने के बजाय। यह clever है। लेकिन क्या यह useful hardware के लिए fast enough है, या सिर्फ simulation में clever है?

[NOVA]: Published comparisons कहते हैं कि base checkpoint workstation और data-center GPUs में eight-bit precision में Cosmos 3 Nano से one-point-five-two से three-point-nine-five times faster चलता है। एक step-distilled variant same hardware पर pi-zero-point-five की two-point-two-eight times speed तक पहुँचता है। एक timing wrinkle है: FLUX checkpoints per call दो-दशमलव-तेरा seconds की motion predict करते हैं, जबकि pi-zero-point-five एक second predict करता है, इसलिए hardware और task length apparent advantage को affect करते हैं। Full DROID policy को sixteen-bit precision में लगभग बत्तीस gigabytes GPU memory चाहिए। Eight-bit quantization plus text encoder को elsewhere move करने से यह चौबीस-gigabyte card पर fit हो जाता है। Hugging Face LeRobot integration और NVIDIA Jetson support इसे labs और edge deployments की ओर extend करते हैं।

[ALLOY]: Physical trial persuasive part है। Positronic Robotics ने एक Franka arm पर दस DROID tasks में तीस blind attempts run किए। FLUX 3 Action ने अट्ठाईस complete किए, Cosmos 3 Nano के सत्ताईस, DreamZero के बीस, और pi-zero-point-five के तेरह के मुकाबले। Teams इसे demonstrations से fine-tune कर सकते हैं, और Black Forest Labs DROID और low-rank adaptation recipes देता है। एक में, एक SO-101 robot ने लगभग दो-सौ उदाहरणों से pick-and-place behavior सीखी। Weights, code, और recipes non-commercial work के लिए FLUX Community License use करते हैं। यह universal robot brain नहीं है, लेकिन सात-अरब पैरामीटर, चौबीस-gigabyte card पर deployment, और अट्ठाईस successful physical trials इसे unusually tangible बनाते हैं।

[NOVA]: ...

[NOVA]: ओरेकल ने प्रोजेक्ट जूपिटर के संबंध में एक फोर्स-मेजर नोटिस भेजा है, जो न्यू मैक्सिको का विशाल डेटा सेंटर है जिसे ब्लू ओवल कैपिटल की एक इकाई द्वारा विकसित किया जा रहा है। यह खंड ओरेकल को तब तक भुगतान में देरी करने से सुरक्षा प्रदान करता है जब तक साइट 2028 में संचालन शुरू करने के अपने लक्ष्य को चूक नहीं जाती। ओरेकल प्रमुख किरायेदार बना हुआ है; यह विलंब के खिलाफ वित्तीय सुरक्षा है, बाहर निकलने की घोषणा नहीं। प्रोजेक्ट जूपिटर को जनता के विरोध और नियामक बाधाओं का सामना करना पड़ रहा है, जबकि बिजली, निर्माण, अनुमति और आपूर्ति बाधाएं एक बड़ी सुविधा को समय से पीछे धकेल सकती हैं।

[ALLOY]: यह एआई क्षमता बूम को अनुबंध भाषा में बदल देता है। एक डेटा सेंटर की घोषणा बिजली के रैक तक पहुंचने से सालों पहले हो सकती है, फिर भी किरायेदार प्रतिबद्धताएं तुरंत वित्तपोषण को आकार देने लगती हैं। ओरेकल तब सुरक्षित है जब कंक्रीट, परमिट और मेगावाट एक साथ नहीं आते। ब्लू ओवल के पास अभी भी एक एंकर कस्टमर है, लेकिन अब एक सार्वजनिक अनुस्मारक है कि कस्टमर हर टाइमिंग फेलियर को अवशोषित नहीं करेगा। फोर्स मेजर आपदाओं और आपूर्ति झटकों के आसपास अधिक परिचित है; एक सक्रिय एआई प्रोजेक्ट पर इसे लागू करना दर्शाता है कि ये इन्फ्रास्ट्रक्चर शेड्यूल कितने उजागर हो गए हैं। कंप्यूट रेस मांग से सीमित नहीं है। इसे एक स्थानीय सुनवाई, एक ट्रांसमिशन लाइन, या एक समय सीमा से सीमित किया जा सकता है जो स्प्रेडशीट पर यथार्थवादी लगती थी।

[NOVA]: ...

[ALLOY]: मुझे यह पहले से ही पसंद है। "द सीक्रेट ऑफ मंकी आइलैंड" में, एक ग्रॉग का मग लगभग पैंतीस सेकंड में घुलने से पहले लगभग पैंतीस सेकंड तक बचता है। एक ग्रोनिंगेन विश्वविद्यालय के रसायनशास्त्री ने उस चुटकुले को एक असली इनवर्स प्रॉब्लम के रूप में लिया: जो हुआ उसका अवलोकन करें, फिर गणना करें कि पेय क्या होना चाहिए। पेपर 2009 के स्पेशल एडिशन का उपयोग करता है और मग को स्टॉपवॉच से समय देता है। यह मानता है कि मग पीवटर का है, इसे शुद्ध टिन तक सरल बनाता है, और दीवार को दो मिलीमीटर की मोटाई देता है क्योंकि गेम कोई माप प्रदान नहीं करता। उस ज्यामिति से, गणना अनुमान लगाती है कि एक एसिड को पैंतीस सेकंड में कप को छिद्रित करने के लिए कितने प्रोटॉन प्रदान करने होंगे।

[NOVA]: फिर रसायन विज्ञान की सबसे बेहतरीन सामग्री सूची आती है: सल्फ्यूरिक एसिड, बैटरी एसिड, मिट्टी का तेल, प्रोपिलीन ग्लाइकॉल, कृत्रिम मिठास, रम, एसीटोन, लाल डाई नंबर दो, एक्सल ग्रीस, पेपरोनी, और таинственный SCUMM। सल्फ्यूरिक एसिड और बैटरी एसिड तेजी से संक्षारण के यथार्थवादी चालक हैं। बाकी अधिकांश टिन पर हमला करने में थोड़ा योगदान देते हैं, और तैलीय सामग्री सतह को कोटिंग करके प्रक्रिया को धीमा भी कर सकती हैं। नहीं, पेपरोनी सक्रिय अभिकर्मक नहीं था। मुझे पता है—यह निराश करने वाला है।

[ALLOY]: पेपर परिणाम को सेमी-क्वांटिटेटिव कहता है, जो अकादमिक भाषा है "हमने एक पायरेट कॉमेडी द्वारा प्रदान किए गए धारणाओं के साथ असली रसायन विज्ञान किया।" उनमें से कोई भी सामग्री ग्रॉग की चमकीले हरे रंग की व्याख्या नहीं करता है। फिर भी, अभ्यास में वास्तविक वैज्ञानिक आकर्षण है। गेम एक परिणाम, अधूरे आयाम और एक हास्यास्पद व्यंजन प्रदान करता है; रसायन विज्ञान उन खरोंचों को सीमाओं में बदल देता है कि क्या होने की संभावना है। यह औद्योगिक संक्षारण तालिकाओं को संशोधित नहीं करेगा, लेकिन यह दर्शाता है कि कैसे एक काल्पनिक चुटकुला प्रतिक्रिया गति, सामग्री की मोटाई और अनिश्चित साक्ष्य में एक यादगार समस्या बन सकता है।

[NOVA]: ...

[NOVA]: रेडिकल न्यूमेरिक्स एजो और एजो-2 के पीछे के शोधकर्ताओं से उभरा है, जो आर्क इंस्टीट्यूट में विकसित जीनोमिक लैंग्वेज मॉडल हैं। उन पुराने सिस्टम ने शुरू से पूरे बैक्टीरियोफ़ेज जीनोम उत्पन्न किए, और संश्लेषित संस्करणों ने प्रयोगशाला के काम में कार्यात्मक वायरस का उत्पादन किया। नई कंपनी डीएनए, आरएनए और प्रोटीन में जीनोमिक मॉडलिंग का विस्तार करना चाहती है। डीएनए में जीन और वे अनुक्रम होते हैं जो प्रोटीन को एन्कोड करते हैं, इसलिए उस भाषा पर प्रशिक्षित मॉडल तीन-आयामी प्रोटीन जानकारी, एपिजेनेटिक्स, या सामान्य पाठ जोड़ने से पहले जैविक संरचना का सामना कर सकता है।

[ALLOY]: यही रोमांचक विवरण और चिंताजनक विवरण एक ही वाक्य में है। क्या सबूत सुझाव देता है कि ये मॉडल जीव विज्ञान को अनुकूलित कर सकते हैं न कि बस परिचित अनुक्रमों की नकल कर सकते हैं?

[NOVA]: एक प्रयोग में, टीम ने प्रदर्शन स्कोर के साथ जोड़े गए आरएनए एप्टामर्स पर प्रशिक्षण लिया। एप्टामर छोटे अणु हैं जो आकार में मुड़ते हैं और विशिष्ट लक्ष्यों से बंधते हैं। प्रशिक्षण डेटा ने क्रमिक रूप से सुधारने वाले अनुक्रम दिखाए; जब उनसे उस ट्रैजेक्टरी को जारी रखने के लिए कहा गया, तो मॉडल ने उन उच्च-स्कोरिंग अनुक्रमों को पुनर्प्राप्त किया जो उसने नहीं देखे थे। रेडिकल न्यूमेरिक्स इसे साक्ष्य के रूप में व्याख्यायित करता है कि सिस्टम ने जैविक भाषा के भीतर एक अनुकूलन दिशा सीखी। इसके नेतृत्व में एरिक न्ग्यूएन, माइकल पोली, स्टीफानो मस्सारोली और आर्मिन थॉमस शामिल हैं, जिनका अनुभव आर्क, लिक्विड एआई, स्टैनफोर्ड और योशुआ बेंगियो और क्रिस रे से जुड़े शोध से है।

[ALLOY]: डुअल-यूज़ का दबाव अपरिहार्य है। बेहतर अनुक्रम निर्माण वैक्सीन, चिकित्सीय उपचार, रोगजनक पहचान, और रक्षात्मक विश्लेषण को तेज कर सकता है। यही क्षमता सॉफ्टवेयर की जैविक प्रस्तावों की सीमा भी बढ़ाती है, जहां एक निर्मित आर्टिफैक्ट का प्रभाव स्क्रीन से परे हो सकता है। Radical Numerics इस बात की वकालत करता है कि क्षमता को आक्रामक रूप से आगे बढ़ाया जाए ताकि रक्षकों के पास भी समान रूप से शक्तिशाली उपकरण हों। मैं यह तर्क समझ सकता हूं, लेकिन क्षमता अकेले यह गारंटी नहीं देती कि रक्षकों को समान पहुंच, समय या संस्थागत सहायता मिले। क्रॉस-मॉडल जीनोमिक मॉडल DNA, RNA, प्रोटीन और प्रयोगात्मक परिणामों को एक डिज़ाइन लूप में जोड़ सकते हैं। अगर वे ऐसा करते हैं, तो पहुंच नियंत्रण और जैविक मूल्यांकन विश्वसनीयता के मुख्य साक्ष्य बन जाते हैं क्योंकि सॉफ्टवेयर केवल जीवन का वर्णन नहीं कर रहा—यह नए जैविक डिज़ाइन प्रस्तावित करने में मदद कर रहा है।

[NOVA]: ...

[NOVA]: वीडियो मॉडल प्रभावशाली गति बना सकते हैं, लेकिन एक बार जब कोई वस्तु किसी चीज के पीछे से गुजरती है तो उसका ट्रैक खो देते हैं। Hugging Face पर ट्रेंडिंग एक पेपर ऑब्जेक्ट परमानेंस की जांच करता है—यह समझना कि कोई वस्तु दृश्य से बाहर जाने के बाद भी मौजूद रहती है। शोधकर्ताओं ने पाया कि मौजूदा वीडियो जनरेटर अक्सर उन भौतिक अपेक्षाओं से वंचित होते हैं, भले ही अलग-अलग फ्रेम यथार्थवादी दिखते हों।

[ALLOY]: उनका WROP डेटासेट शुरुआती भौतिक अंतर्ज्ञान जैसी स्थितियां सिखाता है: एक गेंद कुर्सी के पीछे लुढ़कती है, वही गेंद बनी रहती है, और लगातार बाहर आनी चाहिए। यह बुनियादी लगता है, लेकिन जब ऑक्लूज़न के दौरान पहचान, स्थिति या आकार रीसेट होते हैं तो निर्मित दुनियाएं बिखर जाती हैं।

[NOVA]: बेहतर स्थायित्व सुंदर वीडियो से भी ज्यादा मायने रखता है। एक रोबोट को याद रखना चाहिए कि वस्तु कहां गई जब दूसरी वस्तु उसके कैमरे को अवरुद्ध करती है। एक सिम्युलेटर को छिपी हुई स्थिति को सुरक्षित रखना चाहिए, फिर से प्रवेश पर प्रतिस्थापन बनाने के बजाय। भविष्य की घटनाओं की भविष्यवाणी करने वाला वर्ल्ड मॉडल निरंतरता चाहता है, न कि केवल संभावित पिक्सल। WROP उस गायब सामान्य ज्ञान को प्रशिक्षण डेटा द्वारा सीधे संबोधित करता है।

[ALLOY]: और मुझे उस लक्ष्य की विनम्रता पसंद है। मशीन भौतिक दुनिया को समझती है का दावा करने से पहले, पूछें कि क्या वह कुर्सी के पीछे गेंद को याद रखती है। वह छोटा सा सवाल रेंडरिंग गति और सुसंगत दुनिया बनाए रखने के बीच अंतर को उजागर करता है।

[NOVA]: ...

[NOVA]: एक रोबोटिक्स अध्ययन ने कोडिंग एजेंट्स को, जिसमें टर्मिनल-आधारित AI कोडिंग एजेंट Claude Code शामिल है, कार्य विवरण और सिम्युलेटर एक्सेस दिया। एजेंट्स ने एक निश्चित कंप्यूट बजट के भीतर पुन: प्रयोज्य प्लानिंग प्रोग्राम लिखे। शोधकर्ताओं ने अनजानी स्थितियों का मूल्यांकन करने से पहले उन प्रोग्राम्स को फ्रीज किया, इसलिए एजेंट्स अंतिम मामलों को देखने के बाद इम्प्रूवाइज़ नहीं कर सके। दो रोबोटिक्स बेंचमार्क से सिम्युलेटेड वातावरण में, एजेंट-लिखित प्लानर्स ने छियावन से पंचानवे प्रतिशत तक की औसत सफलता दर हासिल की। हैंड-इंजीनियर्ड प्लानर्स ने सीधे तुलनीय सबसेट पर सैंतालीस प्रतिशत हासिल किया, जबकि जनरेटेड प्रोग्राम्स ने वस्तु संख्या बढ़ने पर भी बेहतर प्रदर्शन किया।

[ALLOY]: यह एक सार्थक अंतर है: कोडिंग एजेंट महंगा अन्वेषण एक बार करता है, फिर साधारण निष्पादन योग्य प्लानिंग कोड नए उदाहरणों को बार-बार संभालता है। यह रोबोटिक्स इंजीनियरिंग को खत्म नहीं करता; सिम्युलेटर, उद्देश्य, बाधाएं और भौतिक मशीनों में ट्रांसफर अभी भी परिणाम को आकार देते हैं। लेकिन यह महीनों के हैंड-ऑथरिंग को प्रोग्राम सिंथेसिस में बदल देता है, जहां एक एजेंट सिम्युलेटेड वातावरण के खिलाफ अपने प्लानर को संशोधित कर सकता है। और यह FLUX 3 Action की जगह लेने के बजाय इसकी पूरक है। एक दृष्टिकोण डेमोस्ट्रेशन और फ्यूचर-वीडियो प्रेडिक्शन से निम्न-स्तरीय कार्रवाइयां सीखता है; दूसरा एक कोडिंग एजेंट से बड़े कार्य को व्यवस्थित करने वाले पुन: प्रयोज्य सॉफ्टवेयर का आविष्कार करने को कहता है। रोबोटिक्स दोनों स्तरों पर AI को अवशोषित कर सकता है।

[NOVA]: ...

[ALLOY]: मानसिक स्वास्थ्य बातचीत सामान्य AI स्कोरिंग में एक कमजोरी को उजागर करती है: एक जवाब में सही तथ्य हो सकते हैं और फिर भी यह अस्वीकार करने वाला, असुरक्षित, या बेतहाशा अनुचित हो सकता है। OpenAI का MentalHealthBench उस अंतर को मापने की कोशिश कैसे करता है?

[NOVA]: OpenAI ने MentalHealthBench को मानसिक स्वास्थ्य विशेषज्ञों के इनपुट के साथ बनाया और इसे तीसरी सितंबर को रिलीज किया। यह यथार्थवादी बातचीत की स्थितियों का उपयोग करता है ताकि यह मूल्यांकन किया जा सके कि AI का जवाब मददगार और सुरक्षित दोनों है या नहीं। विशेषज्ञ-जागरूक अपेक्षाएं अच्छे व्यवहार को परिभाषित करती हैं, जिसे तथ्यात्मक स्मरण या बहुविकल्पी प्रश्नों तक सीमित करने के बजाय। इसमें पहचानना शामिल है कि कब बातचीत को बढ़ावा देने या पेशेवर सहायता की जरूरत है, न कि किसी सहायक को उचित सीमा से परे जोखिम लेने देना। बेंचमार्क डेवलपर्स, शोधकर्ताओं और मॉडल प्रदाताओं को एक साझा मूल्यांकन सतह देता है एक ऐसे क्षेत्र के लिए जहां स्वर, निर्णय और नुकसान की जागरूकता जानकारी के साथ मायने रखती है। वेलनेस कोच, थेरेपी-संबंधी जर्नल और ट्रायज एसिस्टेंट जैसे उत्पाद परिष्कृत लग सकते हैं, जबकि उस क्षण बुरी तरह जवाब दे सकते हैं जब एक व्यक्ति सबसे अधिक असुरक्षित होता है।

[ALLOY]: और यह देर हो चुकी थी। एक साझा बेंचमार्क टीमों को कुछ सुखद प्रदर्शनों की ओर इशारा करने के बजाय दस्तावेजीकृत स्थितियों में व्यवहार रिपोर्ट करने देता है। यह डोमेन-विशिष्ट मूल्यांकन के लिए मानक भी बढ़ाता है। एक सामान्य सुरक्षा स्कोर हर संवेदनशील सेटिंग का प्रतिनिधित्व नहीं कर सकता क्योंकि मानसिक स्वास्थ्य, जीवविज्ञान, वित्त और चिकित्सा में हर एक में अलग-अलग तरीके हैं जिनसे एक संभावित जवाब नुकसान पहुंचा सकता है। व्यापक उपयोग यह निर्धारित करेगा कि MentalHealthBench कितना प्रभावशाली बनता है, खासकर अगर स्वतंत्र शोधकर्ता इसे विस्तारित करते हैं या इसके विशेषज्ञ निर्णयों की तुलना अन्य नैदानिक ढांचों से करते हैं। फिर भी, रिलीज बातचीत को "हमारा सहायक देखभाल करने वाला लगता है" से कठिन आदान-प्रदान में अवलोकन योग्य व्यवहार की ओर ले जाती है। समानुभूति जैसी भाषा एक मॉडल के लिए उत्पन्न करना सस्ता है; भावनात्मक दबाव में उचित निर्णय बहुत कठिन है, और यही एक मूल्यांकन को उजागर करना चाहिए।

[NOVA]: ...

[NOVA]: तीन रिपॉजिटरी तेजी से आगे बढ़ रही हैं। HKUDS Nanobot में चौवालीस हज़ार पांच सौ इकसठ स्टार्स हैं, तीस दिनों में तेरह सौ दस की वृद्धि के साथ, और इसे पंद्रह सितंबर को पॉइंट थ्री पॉइंट फाइव रिलीज किया गया। यह एक हल्का, सेल्फ-होस्टेड पर्सनल-एजेंट फ्रेमवर्क है जिसमें वेब इंटरफेस, टूल्स, मेमोरी, Model Context Protocol सपोर्ट, ऑटोमेशन, मल्टी-एजेंट वर्कफ्लो और चैट इंटीग्रेशन है। Codebase Memory MCP चालीस चार हज़ार आठ सौ छियासठ स्टार्स पर पीछे है, लेकिन इसकी तीस दिनों की वृद्धि तेज है: इक्यावन सौ ग्यारह स्टार्स, या बारह दशमलव नौ प्रतिशत। पॉइंट इलेवन रिलीज भी पंद्रह सितंबर को आई। यह रिपॉजिटरीज को एक सौ अट्ठावन भाषाओं में फैले एक निरंतर नॉलेज ग्राफ में इंडेक्स करता है और प्रमुख टोकन बचत के साथ सब-मिलीसेकंड क्वेरीज का दावा करता है।

[ALLOY]: ये दोनों स्वाभाविक रूप से जुड़ते हैं: Nanobot एजेंट वातावरण प्रदान करता है, जबकि Codebase Memory एक एजेंट को बार-बार फाइलें फिर से पढ़ने के बजाय किसी रिपॉजिटरी की एक संरचित मैप देता है। तीसरा प्रोजेक्ट उसी टूल प्रोटोकॉल को रचनात्मक काम की ओर मोड़ता है। Blender के लिए MCP उन्नीस हज़ार तीन सौ पंद्रह स्टार्स के साथ ट्रैकिंग में प्रवेश करता है और चौबीस सितंबर को अपडेट किया गया था। यह कम्युनिटी प्लगइन के माध्यम से भाषा मॉडल्स को Blender को नियंत्रित करने देता है। पहली बार ट्रैक किए जाने के लिए यह पहले से ही एक गंभीर दर्शक वर्ग है। साथ में, ये रिपॉजिटरीज प्रोटोकॉल को पर्सनल एजेंट्स, कोड इंटेलिजेंस और त्रि-आयामी उत्पादन में फैलते हुए दिखाती हैं—एक और चैट फीचर के रूप में नहीं, बल्कि मॉडल्स के लिए विशेषज्ञ सॉफ्टवेयर संचालित करने के तरीके के रूप में।

[NOVA]: ...

[NOVA]: Devstral 2 स्पेशलिस्ट पिक है: एक सौ तेईस अरब पैरामीटर वाला घना ट्रांसफॉर्मर जिसमें दो लाख बासठ हज़ार टोकन का कॉन्टेक्स्ट विंडो है, ओपन वेट्स, और OpenRouter के माध्यम से उपलब्धता। इसकी विभेदक क्षमता निरंतर एजेंटिक कोडिंग है—लंबे सॉफ्टवेयर टास्क में रिपॉजिटरी कॉन्टेक्स्ट, टूल रिजल्ट्स और पहले के निर्णयों को बनाए रखना, न कि केवल अलग-थलग कोड पूर्णता के लिए अनुकूलन।

[ALLOY]: Mistral Large 3 जनरल फ्लैगशिप है: छह सौ पचहत्तर अरब कुल पैरामीटर, प्रत्येक टोकन के लिए इकतालीस अरब सक्रिय, वही दो लाख बासठ हज़ार टोकन विंडो, और Apache Two लाइसेंस। इसका विरल विशेषज्ञ डिज़ाइन गणना को केंद्रित करता है जबकि बहुत बड़े पैरामीटर पूल को संरक्षित रखता है। फ्रंटियर स्केल, अनुमतिपूर्ण वाणिज्यिक शर्तें और ओपन वेट्स इसे एक नियमित मार्केटप्लेस लिस्टिंग से कहीं अधिक महत्वपूर्ण बनाती हैं।

[NOVA]: ...

[NOVA]: लोकल रिलीज़ है abenzerps/Qwen-Image-2.1-Uncensored-GGUF, जो Hugging Face पर ट्रेंड कर रहा है - सोलह सौ चौरानबे लाइक्स और सत्तर हज़ार से ज़्यादा डाउनलोड्स। ये Qwen Image 2.1 से derived एक quantized text-to-image model है, GGUF में packaged और ComfyUI workflows के लिए tagged।

[ALLOY]: Quantization numerical precision को lower करता है ताकि large weights local hardware पर ज़्यादा практично चल सकें, वहीं GGUF एक weight format है जिसे local inference tooling support करती है। "Uncensored" इस variant की positioning describe करता है; ये quality, licensing, या responsible output का promise नहीं है। फिर भी, सत्तर हज़ार से ज़्यादा डाउनलोड्स substantial traction है। ये strong interest दिखाता है image generation में जो local control में रहे और familiar node-based creative pipelines से जुड़ा हो।

[NOVA]: ...

[NOVA]: MentalHealthBench का Introduction realistic mental-health conversations में expert-informed judgment लाता है, वहीं Kyutai का Voice of Reason: A Speech-Native Model that Solves Spoken Math with Reinforcement Learning reasoning को directly audio में ले जाता है। Kyutai के दो open-weight speech-to-speech models GLM-four-Voice-nine-billion पर build हैं, और supervised tuning plus reinforcement learning reportedly spoken GSM-eight-K accuracy को twenty-seven-point-three से seventy-seven-point-one percent तक lift करते हैं - transcription stage के बिना। एक sensitive conversation evaluate करता है; दूसरा बिना speech को text में flatten किए reasoning करता है।

[ALLOY]: और Hugging Face पर trending abenzerps/Qwen-Image-2.1-Uncensored-GGUF local creative side जोड़ता है: सोलह सौ चौरानबे लाइक्स, सत्तर हज़ार से ज़्यादा डाउनलोड्स, GGUF packaging, और ComfyUI compatibility। Voice of Reason के बगल में रखने पर, ये दिखाता है कि open models native speech और local image generation दोनों में फैल रहे हैं, जबकि MentalHealthBench पूछता है कि जब stakes human हों तो increasingly natural interactions helpful और safe भी रहती हैं या नहीं।

[NOVA]: ...

[NOVA]: इन developments के behind the supporting material के लिए, Toby On Fitness Tech dot com पर show notes देखें।

[ALLOY]: AgentStack Daily सुनने के लिए thanks।

[NOVA]: जल्दी वापस आएंगे।