AI FRONTIER
Signals worth understanding before they become obvious.
ByteDance Seed टीम के पेपर ने DeepSeek की ‘गड़बड़ी’ का कारण फेज़ संवेदनशीलता बताया
Jiemian.com की रिपोर्ट के अनुसार, ByteDance Seed टीम के एक पेपर ने DeepSeek की ‘गड़बड़ी’ घटना का कारण फेज़ संवेदनशीलता बताया है।
- स्रोत Jiemian.com है।
- पेपर ByteDance Seed टीम का है।
- पेपर DeepSeek की ‘गड़बड़ी’ घटना को फेज़ संवेदनशीलता से जोड़ता है।
AI निर्माताओं के लिए यह पेपर संकेत देता है कि बड़े मॉडल के अस्थिर आउटपुट की जांच करते समय फेज़ संवेदनशीलता को निदान सूची में शामिल करना चाहिए।
क्या मल्टीमॉडल बड़े मॉडल को अभी भी विज़न एनकोडर चाहिए? Tencent का स्केलिंग-लॉ अध्ययन
Tencent का स्केलिंग-लॉ अध्ययन जाँचता है कि मल्टीमॉडल बड़े मॉडल को अभी भी अलग विज़न एनकोडर की आवश्यकता है या नहीं, और यह नई आर्किटेक्चर दिशा की खोज करता है।
- स्रोत 科技行者 है, और शीर्षक बताता है कि अध्ययन Tencent से आया है।
- अध्ययन स्केलिंग लॉ का उपयोग करके पूछता है कि मल्टीमॉडल बड़े मॉडल को अभी भी विज़न एनकोडर चाहिए या नहीं।
मल्टीमॉडल सिस्टम बनाने वाली टीमों के लिए यह अध्ययन संकेत देता है कि विज़न एनकोडर को एकीकृत आर्किटेक्चर से बदल पाना आर्किटेक्चर चयन मूल्यांकन में शामिल होना चाहिए।
एजेंटिक AI में सत्यापन और स्व-सुधार: नींव और सीमाएँ
यह पेपर छिपी टर्मिनल यादृच्छिकता के साथ सीमित सत्यापन की रूपरेखा प्रस्तुत करता है, जो एजेंटों के लंबे समय तक खोज, अतिरिक्त समर्थन या प्रस्ताव और सत्यापन विधियों में बदलाव से होने वाले सुधारों की तुलना करती है, और सिद्ध करता है कि स्वतंत्र बहुमत प्रवर्धन दोनों भाषाओं को संरक्षित रखता है जबकि यादृच्छिक टेप पर अस्तित्वगत ...
- पेपर सिद्ध करता है कि यादृच्छिक सत्यापनकर्ता वर्ग Σ_k^P ⊆ Σ_k^RV ⊆ Σ_{k+1}^P को संतुष्ट करते हैं, जहाँ कठोर विस्तार और गहराई पृथक्करण के लिए स्पष्ट जटिलता मान्यताएँ आवश्यक हैं।
- पेपर दिखाता है कि BPP = P होने पर समान सीमाओं वाले सटीक सहवर्ती वर्ग प्राप्त होते हैं।
- पेपर बताता है कि एक सामान्य स्वस्थ इंटरप्रेटर और निश्चित सत्यापन प्रोटोकॉल के अंतर्गत समान रूप से सीमित स्व-संशोधन उसी सत्यापन वर्ग में रहता है।
- पेपर 26 पृष्ठों और 5 आकृतियों का है तथा इसमें प्रमाण और पुनरुत्पादन कलाकृतियाँ शामिल हैं।
यह रूपरेखा स्व-सुधार के दावों को शुद्धता, स्वीकार्य प्रमाण, सत्यापन संसाधनों और चयन त्रुटि के दायित्वों से जोड़ती है, जिससे निर्माताओं को खोज लाभ और सत्यापन लाभ अलग करने का औपचारिक साधन मिलता है।
Asana ने GPT-6.1 Sol के साथ ब्राउज़र परीक्षणों में मॉडल लागत 76 गुना घटाई
Codex में GPT-6 Astra का उपयोग करके, Asana ने अपने ब्राउज़र एजेंट को परीक्षणों में 76 गुना सस्ता और 5 गुना तेज़ बनाया, ताकि ग्राहकों को अधिक सक्षम मॉडल दिए जा सकें।
- Asana ने Codex में GPT-6 Astra का उपयोग किया।
- इसका ब्राउज़र एजेंट परीक्षणों में 76 गुना सस्ता हो गया।
- उन्हीं परीक्षणों में 5 गुना गति सुधार दिखा।
ब्राउज़र एजेंट बनाने वाली टीमों के लिए, यह रिपोर्ट किया गया लागत और गति परिवर्तन बताता है कि Codex में GPT-6 Astra का उपयोग प्रति कार्य खर्च को तेज़ी से घटा सकता है।
OpenAI Decisions API पब्लिक बीटा में, टाइप्ड जवाब 10 गुना तेज़
OpenAI Decisions API पब्लिक बीटा में प्रवेश कर चुका है, और इसके टाइप्ड जवाब 10 गुना तेज़ बताए गए हैं।
- OpenAI Decisions API पब्लिक बीटा में प्रवेश कर चुका है।
- टाइप्ड जवाब 10 गुना तेज़ बताए गए हैं।
टाइप्ड आउटपुट को अपनी पाइपलाइन में जोड़ने वाले डेवलपर्स के लिए यह पब्लिक बीटा सामान्य उपलब्धता से पहले लेटेंसी परखने का मौका है।
डिकोडर को फ्रीज़ करें, एनकोडर को ठीक करें: SVD-आधारित KV-Cache संपीड़न के लिए पैरामीटर-कुशल अनुकूलन
पेपर दिखाता है कि बहुत भिन्न प्रशिक्षण-योग्य पैरामीटर संख्या वाली फाइन-ट्यूनिंग विधियों की तुलना एक साझा लर्निंग रेट पर करने से झूठा लाभ बनता है। SVD-आधारित KV-Cache संपीड़न में, प्रत्येक विधि को अपना ट्यून किया हुआ लर्निंग रेट देने पर केवल एनकोडर को ठीक करना विकल्पों के बराबर पहुंचता है, साथ ही 3 गुना कम प्रशिक्षण-योग...
- Qwen2.5-VL-3B-Instruct विज़न-लैंग्वेज मॉडल पर प्रति-विधि लर्निंग रेट ट्यूनिंग और प्रति कॉन्फ़िगरेशन तीन सीड के साथ समानता सत्यापित की गई।
- केवल एनकोडर को ठीक करने में 3 गुना कम प्रशिक्षण-योग्य पैरामीटर और 3 गुना कम ऑप्टिमाइज़र-स्टेट मेमोरी लगती है।
- यह प्रोटोकॉल एक संपीड़न अनुपात को कवर करता है और दो बैकबोन पर केवल-टेक्स्ट टेस्टबेड में दोहराया गया।
प्रशिक्षण के समय लो-रैंक KV-Cache संपीड़न जोड़ने वाले बिल्डरों के लिए केवल एनकोडर को ठीक करना कम मेमोरी वाला ड्रॉप-इन तरीका है, लेकिन भिन्न प्रशिक्षण-योग्य पैरामीटर संख्या वाली फाइन-ट्यूनिंग विधियों की तुलना में प्रति-विधि लर्निंग रेट ट्यून...
Anthropic का Claude Science ने बनाया पहला पूर्ण पराबैंगनी पूरे आकाश का नक्शा
Anthropic ने Claude Science का उपयोग करके पहला पूर्ण पराबैंगनी पूरे आकाश का नक्शा बनाया, जिससे आकाश का वह लगभग एक-तिहाई हिस्सा भरा गया जिसमें पहले कोई पराबैंगनी डेटा नहीं था। जॉन्स हॉपकिन्स विश्वविद्यालय के खगोल भौतिकीविद् और Anthropic के शोधकर्ता Brice Ménard के नेतृत्व में इस परियोजना ने Claude Science वातावरण में कई...
- NASA का GALEX उपग्रह 2003 से 2013 तक संचालित रहा और तेज़ प्रकाश से डिटेक्टर को नुकसान रोकने के लिए आकाशगंगा तल तथा चमकीले तारों के आसपास के क्षेत्रों का अवलोकन जानबूझकर टालता था।
- दक्षिण कोरिया के FIMS/SPEAR और NASA के Swift से अतिरिक्त डेटा मिलने के बावजूद पूरे आकाश का लगभग एक-तिहाई हिस्सा पराबैंगनी डेटा से पूरी तरह रहित था।
- ESA के Gaia की दृश्य प्रकाश मापों के आधार पर नक्शे ने 11.9 करोड़ से अधिक अलग-अलग तारों और लगभग 1.6 लाख बाह्य आकाशगंगाओं के पराबैंगनी उत्सर्जन अनुमान संश्लेषित किए।
- सत्यापन में अवलोकन डेटा के कुछ हिस्से छिपाए गए और AI के अनुमानों की वास्तविक मापों से तुलना की गई, जिसमें त्रुटि लगभग 10% के भीतर रही।
यह दर्शाता है कि मल्टी-एजेंट AI वर्कफ़्लो लंबे समय से टाले गए बड़े पैमाने के डेटा कैलिब्रेशन को पूरा कर सकते हैं, लेकिन नक्शे का एक-तिहाई सांख्यिकीय रूप से अनुमानित है और अवशिष्ट कलाकृतियों को पकड़ने के लिए विशेषज्ञ निगरानी की आवश्यकता पड़ी...
jialinyyzz/humanizer: 12B रीराइटिंग मॉडल, अंग्रेज़ी रीराइट का 95% Originality.ai की सबसे सख्त सेटिंग पर मानव आंका गया
jialinyyzz/humanizer एक 12B टेक्स्ट-जनरेशन मॉडल है जो AI द्वारा लिखे गए ईमेल, निबंध, रिपोर्ट और फ़ोरम पोस्ट को इस तरह फिर से लिखता है कि वे किसी व्यक्ति द्वारा लिखे गए लगें, अंग्रेज़ी और चीनी में, और लोकल रूप से चलता है। मॉडल कार्ड के अनुसार 210 अंग्रेज़ी ड्राफ़्ट के 95% रीराइट को Originality.ai ने सबसे सख्त सेटिंग पर ...
- मॉडल कार्ड की रिपोर्ट: 210 अंग्रेज़ी ड्राफ़्ट, bf16 वेट, 2026-10-02 को 210 में से 11 रीराइट को Originality.ai ने सबसे सख्त सेटिंग पर AI के रूप में फ़्लैग किया, जबकि पिछले रिलीज़ में यह संख्या 26 थी।
- humanizer-12b-Q8_0.gguf पर 420 अंग्रेज़ी रीराइट में से 376 में किसी सख्त LLM फ़ैक्ट जज को कोई तथ्यात्मक समस्या नहीं मिली; जहाँ समस्या मिली, वहाँ 10 में से 9 से अधिक सुधार एक ही शब्द या वाक्यांश के हैं।
- GGUF फ़ाइलें 2-bit की 3.9 GB (6.2 GB पीक मेमोरी) से Q8_0 की 12.7 GB (13.7 GB पीक मेमोरी) तक हैं, bf16 के मुकाबले top-1 मेल 2-bit फ़ाइल के लिए 87.4% और Q8_0 के लिए 98.4% है।
- लाइसेंस apache-2.0 है; GGUF, Safetensors और Transformers फ़ॉर्मैट उपलब्ध हैं, llama.cpp, MLX, transformers, vLLM और Ollama का समर्थन है, और ऐप Mac (Apple silicon) तथा Windows पर ऑफ़लाइन चलता है।
AI-सहायता प्राप्त टेक्स्ट प्रकाशित करने वाले बिल्डरों के लिए यह मॉडल मेमोरी के अनुसार क्वांटाइज़ेशन स्तरों वाला लोकल रीराइटिंग विकल्प देता है, लेकिन मॉडल कार्ड स्पष्ट रूप से भेजने से पहले संख्याओं, तारीखों और नामों की जाँच करने को कहता है।