AI FRONTIER
Signals worth understanding before they become obvious.
PDD Kit के साथ एजेंट-लिखित फुल-स्टैक वेब ऐप्स का औपचारिक सत्यापन
Microsoft Research ने Proof-Driven Development (PDD) और PDD Kit पेश किया है, जो डेवलपर के इरादे को Verus औपचारिक विशिष्टताओं में बदलता है, एजेंट द्वारा लिखे गए कोड के हर इनपुट के लिए उस विशिष्टता को पूरा करने का प्रमाण देता है, और जहाँ प्रमाण नहीं पहुँच सकता वहाँ परीक्षणों पर निर्भर करता है।
- PDD Kit GitHub Next के Chopin के भीतर चलता है और इसका उपयोग Rust स्टोरफ्रंट Pet Store के लॉगिन लॉजिक को औपचारिक रूप से सत्यापित करने के लिए किया गया।
- Pet Store का बैकएंड Axum और SQLite का उपयोग करता है, स्टोरफ्रंट WebAssembly में कंपाइल किया गया Leptos ऐप है, और दोनों मिलकर लगभग 5,000 पंक्तियों का Rust कोड हैं।
- औपचारिक सत्यापन Verus द्वारा किया जाता है, जो Rust के लिए एक प्रमाण भाषा है और इसे Microsoft Research, Carnegie Mellon University, VMware Research, ETH Zurich और अन्य संस्थानों ने मिलकर विकसित किया है।
- PDD Kit प्रत्येक परिणाम को औपचारिक सत्यापन (गणितीय प्रमाण) या अनुभवजन्य सत्यापन (परीक्षण) के रूप में लेबल करता है, और Trusted Computing Base की सीमा को स्पष्ट करता है।
एजेंट-जनित कोड भेजने वाली टीमों के लिए, PDD Kit औपचारिक विशिष्टताओं से एजेंट को बाध्य करने और पंक्ति-दर-पंक्ति मानवीय समीक्षा को प्रमाण और परीक्षणों से बदलने का ठोस रास्ता दिखाता है।
SemiAnalysis के नए वास्तविक कार्य बेंचमार्क पर कोई AI एजेंट 12 प्रतिशत से ऊपर स्कोर नहीं करता
SemiAnalysis ने विशिष्ट कार्यों पर मॉडल प्रदर्शन मापने के लिए एक नया वास्तविक कार्य बेंचमार्क पेश किया, और पेपर सारांश बताता है कि इस पर कोई AI एजेंट 12 प्रतिशत से ऊपर स्कोर नहीं करता।
- पेपर सारांश बताता है कि SemiAnalysis के नए वास्तविक कार्य बेंचमार्क पर कोई AI एजेंट 12 प्रतिशत से ऊपर स्कोर नहीं करता।
- बेंचमार्क को विशिष्ट कार्यों पर मॉडल प्रदर्शन मापने वाला बताया गया है।
AI निर्माताओं के लिए, वास्तविक कार्य कार्यों पर एजेंटों के लिए 12 प्रतिशत की सीमा इस क्षेत्र में सुधार की पर्याप्त गुंजाइश दर्शाती है।
VAR-Q: विज़ुअल ऑटोरिग्रेसिव इमेज और वीडियो जनरेशन के लिए ट्यूनिंग-मुक्त KV कैश क्वांटाइज़ेशन
यह पेपर VAR-Q प्रस्तावित करता है, एक ट्यूनिंग-मुक्त KV-कैश क्वांटाइज़ेशन फ्रेमवर्क जो फ़ीचर और ब्लॉक अक्षों के साथ समूहीकरण करता है, जनरेशन लूप द्वारा मुफ़्त में प्रदान की गई ब्लॉक सीमाओं का उपयोग करता है और आउटलायर डिटेक्शन या कैलिब्रेशन की आवश्यकता को हटा देता है। पेपर दोनों पैराडाइम्स में फैले नौ मॉडलों पर लो-बिट क्...
- पेपर दोनों पैराडाइम्स में फैले नौ मॉडलों पर लो-बिट क्वांटाइज़ेशन की रिपोर्ट करता है, KV मेमोरी को 78.5% तक कम करता है, गुणवत्ता में नगण्य गिरावट के साथ।
- पेपर 6 गुना बड़े इन्फ़रेंस बैच सक्षम करने की रिपोर्ट करता है।
- विश्लेषण में पाया गया कि बड़े-मान वाले चैनलों के एक छोटे समूह को हटाने से जनरेशन ढह जाता है, जबकि समान संख्या में इनलायर चैनलों को हटाने पर गुणवत्ता बरकरार रहती है।
- आउटलायर दो अक्षों, फ़ीचर और ब्लॉक, के साथ व्यवस्थित होते हैं, और यह संरचना दो स्वतंत्र तंत्रों से उत्पन्न होती है: प्रोजेक्शन बायस और RoPE-प्रेरित स्कैटरिंग।
विज़ुअल ऑटोरिग्रेसिव इमेज और वीडियो जनरेशन तैनात करने वाले डेवलपर्स के लिए, VAR-Q दर्शाता है कि कैलिब्रेशन-मुक्त ब्लॉक-सीमा समूहीकरण क्वांटाइज़ेशन गुणवत्ता बनाए रखते हुए KV मेमोरी को तेज़ी से घटा सकता है और इन्फ़रेंस बैच बढ़ा सकता है।
Phonon TTS पर करीब से नज़र: बेंचमार्क में शीर्ष पर रहने वाली उच्च-गुणवत्ता वाली ऑन-डिवाइस आवाज़ का लॉन्च
Phonon, Gradium का ऑन-डिवाइस टेक्स्ट-टू-स्पीच मॉडल है, जो लगभग 65 MB और 75 MB के दो आकारों में आता है और बिना सर्वर या नेटवर्क के अंग्रेज़ी, फ़्रेंच, जर्मन, स्पेनिश और पुर्तगाली बोलता है।
- Phonon 31m Apache 2.0 है, इसलिए इसे मुफ़्त में, व्यावसायिक उत्पादों में भी इस्तेमाल किया जा सकता है; अन्य मॉडल CC BY-NC हैं, जो गैर-व्यावसायिक परियोजनाओं के लिए मुफ़्त हैं।
- Phonon 31m में 30,788,354 पैरामीटर हैं, और इसके ऑडियो टोकनाइज़र में 10,305,313 पैरामीटर हैं।
- Hugging Face Open TTS Leaderboard पर Phonon जर्मन और स्पेनिश की बोधगम्यता में पहले स्थान पर है, और मूल्यांकित हर भाषा में शीर्ष तीन में है।
- यह पहले ऑडियो तक के समय पर CPU स्ट्रीमिंग बेंचमार्क में शीर्ष पर है और CPU, GPU और NPU सहित 10 से अधिक बैकएंड का समर्थन करता है।
ऑन-डिवाइस आवाज़ बनाने वाले डेवलपर्स के लिए Phonon, Apache 2.0 वाले 31m संस्करण में व्यावसायिक रूप से उपयोग योग्य छोटा मॉडल देता है, जबकि इसकी बहुभाषी कवरेज गैर-व्यावसायिक लाइसेंस के अंतर्गत रहती है।
root तक जाने वाले हज़ार रास्ते कम
OpenAI ने एक स्वायत्त पाइपलाइन बनाई जिसने Linux kernel में 948 स्थानीय विशेषाधिकार-वृद्धि कमज़ोरियों को खोजा, सत्यापित किया और उनके लिए पैच तैयार किए।
- पाइपलाइन ने Linux kernel में 948 स्थानीय विशेषाधिकार-वृद्धि कमज़ोरियाँ खोजीं।
- पाइपलाइन ने खोजी गई कमज़ोरियों को सत्यापित किया।
- पाइपलाइन ने उन कमज़ोरियों के लिए पैच तैयार किए।
खोज से पैच निर्माण तक का स्वचालन kernel सुरक्षा सुधार चक्र को काफ़ी छोटा कर सकता है।
AGIBOT ने GO-3 Preview पेश किया, तीन एम्बॉडिड AI बेंचमार्क पर शीर्ष स्थान हासिल किया
AGIBOT ने GO-3 Preview पेश किया और तीन एम्बॉडिड AI बेंचमार्क पर शीर्ष स्थान हासिल किया।
- AGIBOT ने GO-3 Preview पेश किया।
- इसने तीन एम्बॉडिड AI बेंचमार्क पर शीर्ष स्थान हासिल किया।
एम्बॉडिड AI डेवलपर्स के लिए GO-3 Preview का तीन बेंचमार्क पर शीर्ष स्थान ध्यान देने योग्य है, लेकिन वास्तविक क्षमता आंकने के लिए ठोस मूल्यांकन विवरण आवश्यक हैं।
Tencent ने Hy4 लॉन्च किया, दुनिया के अग्रणी ओपन-सोर्स AI मॉडल में शामिल
Tencent ने Hy4 लॉन्च किया, जिसे शीर्षक में दुनिया के अग्रणी ओपन-सोर्स AI मॉडल में शामिल बताया गया है।
- स्रोत Tencent है, और शीर्षक कहता है कि Tencent ने Hy4 लॉन्च किया।
- शीर्षक कहता है कि Hy4 दुनिया के अग्रणी ओपन-सोर्स AI मॉडल में शामिल होता है।
AI बिल्डरों के लिए Hy4, Tencent का नया ओपन-सोर्स मॉडल है जिस पर ध्यान देना चाहिए, लेकिन उपलब्ध जानकारी में पैरामीटर आकार, बेंचमार्क या लाइसेंस विवरण नहीं है।
Omni-Encoder: इमेज, वीडियो, ऑडियो और ऑडियो-विज़ुअल प्रतिनिधित्वों में साझा SigLIP2 को स्केल करना
यह पेपर Omni-Encoder प्रस्तुत करता है, जो पूरी तरह साझा पैरामीटर वाला एक ही SigLIP-2 Vision Transformer है और इमेज, वीडियो, ऑडियो तथा ऑडियो-विज़ुअल इनपुट को एंड-टू-एंड संयुक्त रूप से ऑप्टिमाइज़ करता है, बजाय इसके कि मॉडलिटी-विशिष्ट एनकोडर को बाद में फ्रोज़न एंकर स्पेस से बांधा जाए।
- पेपर एक ही साझा पैरामीटर सेट के साथ चारों मॉडलिटी के 16 बेंचमार्क पर प्रतिस्पर्धी परिणाम रिपोर्ट करता है।
- पेपर रिपोर्ट करता है कि संयुक्त ट्रेनिंग प्रत्येक मॉडलिटी को उसके अलग से ट्रेन किए गए समकक्ष की तुलना में बेहतर बनाती है।
- इनपुट चरण में 1D-कन्वोल्यूशनल ऑडियो टोकनाइज़र शामिल है जो मेल-स्पेक्ट्रोग्राम को विज़ुअल पैच के साथ संरेखित टोकन में बदलता है।
- पूर्ण टाइमस्टैम्प से पैरामीटराइज़्ड मल्टीमॉडल रोटरी पोज़िशन एम्बेडिंग विज़ुअल फ्रेम और ऑडियो सेगमेंट को एकीकृत स्पेसटाइम निर्देशांक प्रणाली में रखती है।
मल्टीमॉडल सिस्टम बनाने वाली टीमों के लिए यह संकेत है कि साझा बैकबोन और अल्टरनेटिंग-मॉडलिटी ग्रेडिएंट संचय, प्रति-मॉडलिटी ट्रेनिंग के बाद बाइंडिंग से बेहतर हो सकता है, पर स्थिरता अपने डेटा पर जांचनी होगी।