AI FRONTIER
Signals worth understanding before they become obvious.
FairStress: LLM निर्णय-प्रक्रिया में निष्पक्षता का गहन मूल्यांकन
Ai2 ने FairStress बेंचमार्क पेश किया है, जिसमें 29 क्षेत्रों में दो उम्मीदवारों वाले 300 निर्णय परिदृश्य हैं और यह जाँचता है कि प्रतिकूल प्रीफ़िक्स के तहत मॉडल अपने निर्णय असममित रूप से बदलते हैं या नहीं; पहचान और प्रीफ़िक्स भिन्नताओं को मिलाकर इसे 1.3 करोड़ से अधिक परीक्षण मामलों तक बढ़ाया गया है।
- FairStress में भर्ती, स्वास्थ्य सेवा, ऋण, शिक्षा, आवास और आपराधिक न्याय सहित 29 क्षेत्रों के 300 वास्तविक दो-उम्मीदवार निर्णय परिदृश्य शामिल हैं।
- जनसांख्यिकीय पहचान और प्रतिकूल प्रीफ़िक्स भिन्नताओं को मिलाने से 300 परिदृश्य 1.3 करोड़ से अधिक परीक्षण मामलों में विस्तारित होते हैं।
- FairStress-Core आइटम रिस्पॉन्स थ्योरी से चुना गया 50 हज़ार आइटम का सबसेट है, जिसे मूल्यांकन को तेज़ और कम कंप्यूटेशनल खर्च वाला बनाने के लिए डिज़ाइन किया गया है।
- पेपर 15 मॉडलों पर सही उत्तर छोड़ने का औसत अंतर अप्रत्यक्ष पहचान के साथ 6.9 प्रतिशत अंक और स्पष्ट लेबल के साथ 9.3 अंक बताता है।
निर्माताओं को निष्पक्षता मूल्यांकन को अंतिम चयन से बढ़ाकर निर्णय की स्थिरता तक ले जाना चाहिए, क्योंकि केवल निश्चित विकल्प स्कोरिंग उत्पन्न निर्णयों में अति-सुधार को छोड़ सकती है।
ALTK-Evolve: सीखी गई मेमोरी बिना फ्रंटियर मॉडल के ग्राहक सेवा कार्यों पर τ²-bench लीडरबोर्ड में शीर्ष पर
IBM Research का ALTK-Evolve एजेंट के अपने कार्य प्रयासों से व्यवहार संबंधी दिशानिर्देश निकालता है और उन्हें सिस्टम प्रॉम्प्ट में जोड़ता है, जिससे मॉडल वेट अपडेट किए बिना ग्राहक सेवा एजेंट बेहतर होते हैं। GPT-4.1 वाला ReAct एजेंट τ²-bench रिटेल पर 67.5% Pass^4 तक पहुंचता है, जो हर रिटेल प्रविष्टि से ऊपर है।
- रिटेल: बेसलाइन Pass^4 57.5% था; lossless कॉन्फ़िगरेशन (292 दिशानिर्देश) ने इसे 67.5% (+10.0 अंक) तक बढ़ाया, और औसत सटीकता 78.1% से 82.5% (+4.4) हुई।
- एयरलाइन: बेसलाइन Pass^4 35.0% था; sup3 कॉन्फ़िगरेशन (14 दिशानिर्देश) ने इसे 45.0% (+10.0) तक बढ़ाया, और lossless औसत सटीकता 57.5% से 65.0% (+7.5) हुई।
- रिटेल लीडरबोर्ड: Pass^4 = 67.5%, जो सिंथेटिक τ²-bench रिटेल डेटा पर फाइन-ट्यून किए गए RAFT-30B-A3B (61.4%) से 6.1 अंक आगे है।
- एयरलाइन लीडरबोर्ड: gpt-5.5 वाला एजेंट 82.0% Pass^4 तक पहुंचता है, हर फ्रंटियर प्रविष्टि (66–72%) से आगे; gpt-4.1 का sup3 कॉन्फ़िगरेशन 44% के साथ 8वें स्थान पर है।
प्रॉम्प्ट-स्तर की सीखी गई मेमोरी वेट फाइन-ट्यूनिंग के बिना सामान्य मॉडल एजेंट को फ्रंटियर स्तर तक उठा सकती है, और लागत मुख्यतः कैश-योग्य इनपुट टोकन पर पड़ती है।
Ant Ling ने Ming-3.0 स्पीच सीरीज़ ओपन-सोर्स की: सिंथेसिस, रिकग्निशन और अंडरस्टैंडिंग कवर करने वाले पाँच मॉडल
Ant Ling ने Ming-3.0 स्पीच सीरीज़ ओपन-सोर्स की है, जिसमें पाँच मॉडल शामिल हैं जो स्पीच सिंथेसिस, स्पीच रिकग्निशन और स्पीच अंडरस्टैंडिंग को कवर करते हैं।
- यह रिलीज़ Ant Ling की है।
- Ming-3.0 स्पीच सीरीज़ में पाँच मॉडल शामिल हैं।
- कवरेज में स्पीच सिंथेसिस, रिकग्निशन और अंडरस्टैंडिंग शामिल हैं।
बिल्डर्स के लिए, सिंथेसिस, रिकग्निशन और अंडरस्टैंडिंग को कवर करने वाले पाँच ओपन स्पीच मॉडल एक ही रिलीज़ में मिलने से स्पीच पाइपलाइन में अलग-अलग स्रोतों के मॉडल जोड़ने की लागत घटती है।
LLM में लीक हुई API कुंजियाँ: AI एजेंट कैसे सीक्रेट उजागर करते हैं
एक पेपर सारांश LLM में लीक हुई API कुंजियों पर चर्चा करता है, जो बड़े भाषा मॉडल की क्षमता, मूल्यांकन या अलाइनमेंट के प्रश्नों के इर्द-गिर्द है और विधियों तथा प्रयोगात्मक परिणामों पर नज़र रखने वाले पाठकों के लिए है।
- स्रोत GitGuardian Blog है, शीर्षक “Leaked API Keys in LLMs: How AI Agents Expose Secrets”।
- सारांश बताता है कि यह कार्य बड़े भाषा मॉडल की क्षमता, मूल्यांकन या अलाइनमेंट के प्रश्नों को संबोधित करता है।
- सारांश बताता है कि यह कार्य विधियों और प्रयोगात्मक परिणामों में रुचि रखने वाले पाठकों के लिए उपयुक्त है।
LLM एजेंट बनाने वाले डेवलपर्स को API कुंजियों को ऐसे सीक्रेट के रूप में मानना चाहिए जो उजागर हो सकते हैं और इसी धारणा पर सुरक्षा डिज़ाइन करनी चाहिए।
NVIDIA Cosmos3-H-Dreams: जनरेटिव सिमुलेशन के ज़रिए क्लिनिकल सर्जरी को जीवंत बनाना
NVIDIA ने Cosmos3-H-Dreams जारी किया है, जो 16 अरब पैरामीटर वाले Cosmos3-H-Embodied-Nano पर आधारित रीयल-टाइम जनरेटिव सर्जिकल सिमुलेटर है और क्लिनिकल कोलेसिस्टेक्टॉमी वीडियो तथा रोबोट किनेमेटिक्स पर प्रशिक्षित है, जो एक ही NVIDIA RTX PRO 6000 GPU पर इंटरैक्टिव रूप से चलता है।
- यह Cosmos3-H-Embodied-Nano पर आधारित है, जो Open-H-Embodiment पर पूर्व-प्रशिक्षित 16 अरब पैरामीटर वाला मॉडल है।
- प्रशिक्षण में 832 x 480 वीडियो, 10 Hz पर संरेखित एक्शन और 28 एक्शन आयाम उपयोग होते हैं।
- टीचर मॉडल पहले 24 भविष्य फ़्रेमों पर अनुकूलित होता है, फिर 72 फ़्रेमों तक बढ़ाया जाता है, जो 10 Hz पर 2.4 और 7.2 सेकंड हैं।
- चार-चरण और दो-चरण डीनॉइज़िंग चेकपॉइंट जारी किए गए हैं; दो-चरण मॉडल अलग से प्रशिक्षित है, यह चार-चरण मॉडल को कम सैंपलिंग चरणों के साथ चलाना नहीं है।
डेवलपर्स दिए गए टीचर फाइन-ट्यूनिंग और Self-Forcing डिस्टिलेशन रेसिपी का उपयोग करके इस रीयल-टाइम सर्जिकल वर्ल्ड मॉडल को अपने वीडियो और कंट्रोलर डेटा पर अनुकूलित कर सकते हैं।
AnyLanguageModel 1.0: Apple प्लेटफ़ॉर्म पर लोकल मॉडल का एक साल
AnyLanguageModel 1.0 जारी हुआ है, जो Apple के Foundation Models फ़्रेमवर्क का ड्रॉप-इन विकल्प है और एक ही सेशन कोड से सिस्टम मॉडल, llama.cpp, MLX और Core ML के ज़रिए ओपन-वेट मॉडल, तथा कई होस्टेड प्रोवाइडर इस्तेमाल किए जा सकते हैं।
- import FoundationModels को import AnyLanguageModel से बदलने पर वही सेशन कोड सिस्टम मॉडल, llama.cpp, MLX, Core ML और होस्टेड प्रोवाइडर के साथ चलता है।
- टूल कॉलिंग और गाइडेड जनरेशन अब हर प्रोवाइडर के साथ काम करते हैं, जिसमें नेस्टेड @Generable टाइप और उनके ऐरे शामिल हैं।
- होस्टेड प्रोवाइडर में OpenAI की Chat Completions और Responses API, Open Responses, Anthropic की Messages API, Google की Gemini API, Ollama, Private Cloud Compute और Hugging Face Inference Providers शामिल हैं।
- लेख में उल्लिखित मॉडल हैं Gemma 4 E2B (GGUF, Q4_0 पर लगभग 3.4 GB), LFM2.5 2.6B (GGUF, Q4_K_M पर लगभग 1.7 GB), Qwen3.8 27B (MLX, 4 बिट पर लगभग 16 GB) और GLM-5.3 (BF16 में लगभग 1.5 TB)।
Apple प्लेटफ़ॉर्म डेवलपर्स के लिए एक लाइन का import बदलने से लोकल और होस्टेड इन्फ़रेंस एक ही सेशन कोड साझा करते हैं, जिससे हर प्रोवाइडर के लिए अलग इंटीग्रेशन कम होता है।
OpenMOSS-Team ने MOSS-Image-SFT जारी किया, Apache-2.0 के तहत 5.1B टेक्स्ट-टू-इमेज मॉडल
MOSS-Image-SFT, OpenMOSS की MOSS-Image श्रृंखला का सुपरवाइज़्ड फाइन-ट्यून किया गया टेक्स्ट-टू-इमेज मॉडल है, जो MOSS-Image-Base से लिया गया है और वही आर्किटेक्चर तथा इन्फ़रेंस पाइपलाइन इस्तेमाल करता है; यह प्राकृतिक भाषा प्रॉम्प्ट, टैग अनुक्रम और JSON लेआउट के ज़रिए टेक्स्ट प्लेसमेंट और ऑब्जेक्ट व्यवस्था नियंत्रित करता ...
- मॉडल में 5B पैरामीटर हैं, और इसके वेट तथा साथ दिया गया इन्फ़रेंस कोड Apache लाइसेंस, संस्करण 2.0 के तहत जारी किए गए हैं।
- मॉडल कार्ड के अनुसार SFT, MOSS-Image-Base की तुलना में स्पष्ट टेक्स्ट ग्रुपिंग और अधिक व्यवस्थित व्हाइटबोर्ड लेआउट बनाता है।
- चलाने के लिए Python 3.10 या उससे नया, CUDA समर्थन वाला NVIDIA GPU और PyTorch 2.9 या उससे नया बिल्ड चाहिए।
- डिफ़ॉल्ट सैंपलिंग सेटिंग्स हैं Flow-matching Euler, 50 स्टेप, CFG 3, Shift 5, जिसमें नेगेटिव ब्रांच लेयर इंडेक्स 22 को छोड़ता है।
बिल्डरों के लिए, JSON लेआउट नियंत्रण वाला Apache-2.0 5B टेक्स्ट-टू-इमेज मॉडल उन क्रिएटिव पाइपलाइनों में सीधे लगाया जा सकता है जिनमें सटीक टेक्स्ट और ऑब्जेक्ट प्लेसमेंट चाहिए।