AI FRONTIER
Signals worth understanding before they become obvious.
OpenRouter का नया मॉडल: Particle AI का Particle-1
Particle-1, Particle AI का टोकन-कुशल एजेंटिक कोडिंग मॉडल है, जिसे DeepSeek V4.1 Flash पर पोस्ट-ट्रेन किया गया है और यह टर्मिनल वर्कफ़्लो, कोडबेस बदलाव तथा डेटा इंजीनियरिंग कार्यों के लिए बनाया गया है, जो बेस मॉडल के करीब सटीकता रखते हुए रीज़निंग और टूल-कॉल टोकन काफी कम करता है।
- कीमत प्रति 1M इनपुट टोकन $0.25 और प्रति 1M आउटपुट टोकन $1.00 है, कैश रीड $0.03 प्रति 1M।
- कॉन्टेक्स्ट विंडो 1,048,576 टोकन है और यह अधिकतम 131,072 कम्प्लीशन टोकन का समर्थन करता है।
- यह फ़ंक्शन कॉलिंग के लिए tools और tool_choice स्वीकार करता है तथा response_format में JSON schema के ज़रिए स्ट्रक्चर्ड आउटपुट का समर्थन करता है।
- इनपुट के रूप में टेक्स्ट और इमेज लेता है और टेक्स्ट लौटाता है; रिलीज़ तिथि 28 अक्टूबर 2026 है।
कोडिंग एजेंट बनाने वाली टीमों के लिए Particle-1 कम प्रति-टोकन कीमत और 1M कॉन्टेक्स्ट के साथ परखने योग्य विकल्प है, पर बेस मॉडल के करीब सटीकता का दावा स्वतंत्र रूप से जाँचना ज़रूरी है।
Polymathic AI और Princeton के शोधकर्ताओं ने FlashMap जारी किया, LLM डिकोडिंग को 6.14 गुना तेज़ करने वाला फ़्लो मैप ड्राफ़्टर
Polymathic AI और Princeton के शोधकर्ताओं ने बड़े भाषा मॉडल की डिकोडिंग के लिए फ़्लो मैप ड्राफ़्टर FlashMap जारी किया है, और पेपर का सार 6.14 गुना तेज़ डिकोडिंग की रिपोर्ट करता है।
- पेपर का सार बताता है कि FlashMap LLM डिकोडिंग को 6.14 गुना तेज़ करता है।
- FlashMap को फ़्लो मैप ड्राफ़्टर के रूप में वर्णित किया गया है।
- यह कार्य Polymathic AI और Princeton के शोधकर्ताओं का है।
इन्फ़रेंस स्टैक बनाने वाली टीमों के लिए ड्राफ़्टर-आधारित डिकोडिंग तेज़ी को अपने मॉडलों पर परखना उपयोगी है, ताकि पता चले कि रिपोर्ट किया गया 6.14 गुना उनके वर्कलोड पर दोहराया जाता है या नहीं।
NVIDIA Nemotron 3.5 Transcribe और Granary v2: प्रॉम्प्ट से नियंत्रित, अनुकूलन योग्य बहुभाषी ट्रांसक्रिप्शन
NVIDIA ने ओपन-वेट मॉडल Nemotron 3.5 Transcribe जारी किया है, जो ट्रांसक्रिप्शन, वक्ता पहचान, अनुवाद और ऑडियो प्रश्नोत्तर को एक ही चेकपॉइंट में जोड़ता है, साथ ही Granary v2 डेटा पाइपलाइन और NeMo Speech फाइन-ट्यूनिंग रेसिपी भी उपलब्ध कराई गई हैं।
- मॉडल 40 भाषाओं में ट्रांसक्रिप्शन, 31 भाषाओं का अंग्रेज़ी से या अंग्रेज़ी में अनुवाद और 13 भाषाओं में वक्ता पहचान करता है, एक घंटे तक की रिकॉर्डिंग और आठ वक्ताओं तक को संभालता है।
- Hugging Face Open ASR Leaderboard के अंग्रेज़ी ट्रैक पर यह 5.33% औसत WER के साथ ओपन-वेट मॉडलों में पहले स्थान पर है।
- Artificial Analysis पर यह लगभग 4B सक्रिय पैरामीटर (कुल 30B के हाइब्रिड Mamba–Transformer MoE) के साथ 2.8% AA-WER पर ओपन-वेट मॉडलों में संयुक्त रूप से पहले स्थान पर है।
- Granary v2 का सार्वजनिक मैनिफ़ेस्ट 48 भाषाओं और 16 स्रोत कॉर्पस में 463,062 घंटे कवर करता है, जो Granary v1 की 25 भाषाओं से बढ़ा है।
डेवलपर प्राकृतिक भाषा के प्रॉम्प्ट से आउटपुट प्रारूप नियंत्रित कर सकते हैं और Granary v2 तथा NeMo Speech रेसिपी से क्षेत्र-विशिष्ट शब्दावली के अनुरूप ढाल सकते हैं, जिससे ओपन-वेट मॉडल पर व्यापक बहुभाषी कवरेज और विशेष सटीकता दोनों मिलती हैं।
GLM-5.3 Workers AI मॉडल में क्रॉस-रिक्वेस्ट KV कैश एक्सपोज़र, और SGLang के साथ हमारा उपचार
Cloudflare ब्लॉग रिपोर्ट करता है कि GLM-5.3 Workers AI मॉडल में क्रॉस-रिक्वेस्ट KV कैश एक्सपोज़र हुआ, और SGLang का उपयोग करके उपचार बताया गया है।
- स्रोत Cloudflare Blog है।
- समस्या GLM-5.3 Workers AI मॉडल में क्रॉस-रिक्वेस्ट KV कैश एक्सपोज़र है।
- उपचार में SGLang का उपयोग किया गया है।
Workers AI पर GLM-5.3 चलाने वाले डेवलपर्स को KV कैश आइसोलेशन की जाँच करनी चाहिए और SGLang उपचार का मूल्यांकन करना चाहिए।
OmniBrain-0: एम्बॉडिड इंटेलिजेंस के लिए एक एकीकृत एजेंटिक मॉडल
Xiaomi Embodied Intelligence Team ने OmniBrain-0 पेश किया है, एक हल्का एकीकृत एम्बॉडिड एजेंट जो साझा उच्च-स्तरीय निर्णय मॉडल के माध्यम से मैनिपुलेशन और नेविगेशन का समन्वय करता है और कार्य समझ, योजना, प्रगति ट्रैकिंग तथा फीडबैक-आधारित रिकवरी को एकीकृत करता है। इसका प्रगतिशील प्रशिक्षण ढांचा एम्बॉडिड प्रीट्रेनिंग, डोमेन-...
- पेपर OmniBrain-0 का मूल्यांकन LIBERO-Pro, LIBERO-Plus, RoboCasa365, RoboTwin 2.0 और R2R-CE Val-Unseen तथा कई वास्तविक-दुनिया मैनिपुलेशन कार्यों पर रिपोर्ट करता है।
- पेपर बताता है कि OmniBrain-0 का अनुमान और निष्पादन ओवरहेड उसके क्लोज़्ड-सोर्स टीचर की तुलना में काफी कम है।
- प्रशिक्षण ढांचा एम्बॉडिड प्रीट्रेनिंग, डोमेन-विशेषीकृत एजेंट डिस्टिलेशन और मल्टी-टीचर ऑन-पॉलिसी डिस्टिलेशन (MOPD) को जोड़ता है।
- Rubric-Guided Recursive Self-Improvement (RSI) में एक Meta-Agent निष्पादन साक्ष्य को परिष्कृत रूब्रिक, चरण-स्तरीय अनुस्मारक और सत्यापित ट्रैजेक्टरी में बदलता है।
एम्बॉडिड एजेंट बनाने वाली टीमों के लिए यह काम दर्शाता है कि कई टीचर मॉडलों के इंटरैक्शन अनुभव को एक ही कॉम्पैक्ट निर्णय मॉडल में डिस्टिल करके अनुमान ओवरहेड घटाया जा सकता है और क्रॉस-डोमेन प्रदर्शन बनाए रखा जा सकता है।
MiniMax-M3.1-Flash जारी: 428B पैरामीटर वाला नेटिव मल्टीमॉडल MoE, 1M टोकन कॉन्टेक्स्ट के साथ
MiniMax ने MiniMax-M3.1-Flash जारी किया है, जो M3 पर आधारित नेटिव मल्टीमॉडल mixture-of-experts मॉडल है और इसमें लगभग 428B कुल पैरामीटर तथा प्रति टोकन 23B सक्रिय होते हैं। यह टेक्स्ट, इमेज और वीडियो इनपुट लेकर टेक्स्ट आउटपुट देता है और इसकी कॉन्टेक्स्ट विंडो 1M टोकन तक है। M3 की तुलना में इसमें पूरे मॉडल में स्पार्स अटे...
- मॉडल कार्ड के अनुसार कुल पैरामीटर लगभग 428B हैं, प्रति टोकन 23B सक्रिय होते हैं और पूरे मॉडल में MiniMax Sparse Attention (MSA) लगाया गया है।
- मॉडल कार्ड BankerToolBench पर 76.2, DeepSWE v1.1 पर 73.7%, OSWorld V2 पर 61.7, Agents' Last Exam पर 29.6 और CyberGym पर 82.2 रिपोर्ट करता है।
- तीन मुख्य बदलाव: पहली तीन फुल-अटेंशन लेयर को स्पार्स अटेंशन से बदला गया, राउटेड MoE एक्सपर्ट और अटेंशन पाथ को ट्रेनिंग के दौरान क्वांटाइज़ किया गया, और DSpark स्पेक्युलेटिव डिकोडिंग के साथ एक ड्राफ्ट हेड शामिल है।
- लाइसेंस minimax-community है, और सर्विंग के लिए SGLang, vLLM या TokenSpeed की सिफारिश की गई है, जबकि Transformers आदि इंटीग्रेशन अभी जारी हैं।
बिल्डर्स के लिए 1M टोकन कॉन्टेक्स्ट के साथ स्पार्स अटेंशन और क्वांटाइज़ेशन-अवेयर ट्रेनिंग लंबे कॉन्टेक्स्ट वाले एजेंट वर्कलोड की मेमोरी और इन्फरेंस लागत घटा सकते हैं, लेकिन 428B कुल पैरामीटर के कारण मल्टी-GPU डिप्लॉयमेंट ज़रूरी है और बेंचमा...
LOTUS: लो-रैंक मल्टीलिनियर डीकंपोज़िशन से LLM हैलुसिनेशन डिटेक्शन
पेपर LOTUS (Low-rank Order-statistic TUcker-based Subspace learning) प्रस्तावित करता है, एक मल्टीलिनियर लो-रैंक डीकंपोज़िशन फ्रेमवर्क जो LLM हिडन स्टेट्स से संक्षिप्त प्रतिनिधित्व निकालता है और लेबल किए गए डेटा पर निर्भरता घटाता है, फिर एक हल्का हैलुसिनेशन क्लासिफायर प्रशिक्षित करता है।
- पहले वेरिएबल-लंबाई टोकन प्रतिनिधित्व को पूरक सांख्यिकीय डिस्क्रिप्टर से सारांशित किया जाता है जो पीक एक्टिवेशन, एक्टिवेशन वितरण और क्रॉस-लेयर बदलाव पकड़ते हैं।
- फिर लो-रैंक मल्टीलिनियर डीकंपोज़िशन LLM हिडन-स्टेट संरचना का संक्षिप्त प्रतिनिधित्व निकालता है, जिससे हल्का हैलुसिनेशन क्लासिफायर प्रशिक्षित होता है।
- पेपर कई LLM और प्रश्न-उत्तर बेंचमार्क पर हाल के स्टेट-ऑफ-द-आर्ट बेसलाइन की तुलना में बेहतर हैलुसिनेशन डिटेक्शन की रिपोर्ट करता है।
- पेपर 26 पेज और 3 चित्रों का है तथा कोड लिंक देता है।
बिल्डर्स के लिए यह दृष्टिकोण सुझाता है कि चुने हुए एक्टिवेशन या पूलिंग कम्प्रेशन के बजाय लेयर, फीचर मोड और टोकन में फैली हिडन-स्टेट संरचना से संकेत निकाले जाएं, जिससे कम लेबल डेटा में हल्के डिटेक्टर प्रशिक्षित हो सकें।