Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-13
01
testdeveloperopen source unlock

LLMON: एक LLM-नेटिव मार्कअप भाषा, अब Granite 4.1 3B और 8B में

IBM ने दो प्रायोगिक प्रीव्यू मॉडल जारी किए, granite-4.1-3b-LLMON-preview और granite-4.1-8b-LLMON-preview, जो Granite 4.1 बेस मॉडल से व्युत्पन्न हैं और LLMON-चिह्नित टेक्स्ट पढ़ने व उत्पन्न करने के लिए प्रशिक्षित हैं, जो अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन का मुकाबला करने के लिए निर्देशों को डेटा से अलग करता है।

  • OPI बेंचमार्क पर, LLMON मॉडलों ने परीक्षण किए गए सर्वश्रेष्ठ फ्रंटियर मॉडल से 47% अधिक हमलों को टाला और सर्वश्रेष्ठ ओपन-सोर्स मॉडल से 95% अधिक।
  • LLMON छह डेलिमिटर परिभाषित करता है जो टोकनाइज़र में आरक्षित एकल टोकन के रूप में स्थापित होते हैं।
  • प्रशिक्षण में पाँच क्रमिक GRPO चरणों के बाद एक हज़ार ऑन-पॉलिसी प्रेफरेंस जोड़ों पर अंतिम DPO चरण शामिल था।
  • मॉडल एक प्रायोगिक प्रीव्यू हैं, जो अन्वेषण और मूल्यांकन के लिए तैयार हैं लेकिन उत्पादन के लिए नहीं।

RAG या टूल-कॉलिंग एजेंट बनाने वाले डेवलपर्स Granite 4.1 Instruct के समान सामान्य प्रदर्शन के साथ मज़बूत प्रॉम्प्ट-इंजेक्शन प्रतिरोध पाने के लिए LLMON प्रीव्यू अपना सकते हैं।

Hugging Face Blog
02
testcreativeincremental

TRELLIS.2 3D जनरेशन मॉडल के लिए फाइन-ट्यूनिंग गाइड: LoRA अडैप्टर और कंटेनर

Hugging Face ने TRELLIS.2 के लिए फाइन-ट्यूनिंग स्क्रिप्ट और कंटेनर जारी किए हैं, जो केवल sparse-structure flow DiT और shape flow DiT पर LoRA अडैप्टर ट्रेन करते हैं और GSO के 188 फुटवियर ऑब्जेक्ट पर तल्ले की ज्यामिति सटीकता सुधारने का लक्ष्य रखते हैं।

  • प्रयोग में GSO के 188 फुटवियर ऑब्जेक्ट उपयोग किए गए, जिसमें कुल 1,030 ऑब्जेक्ट हैं।
  • दोनों लक्षित DiT पर लगभग 9.3 मिलियन अडैप्टर पैरामीटर ट्रेन होते हैं: sparse-structure flow DiT की attention और MLP परतों में rank 8, और shape flow DiT की attention परतों में rank 16।
  • प्रीप्रोसेसिंग कंटेनर Blender से प्रति ऑब्जेक्ट 16 व्यू रेंडर करता है, और 188 ऑब्जेक्ट का पूरा रन a100-large (80 GB) जॉब पर लगभग 1 घंटा लेता है।
  • ट्रेनिंग कंटेनर ss और shape कॉन्फ़िग देता है; उदाहरणों में max_steps=3000 और i_save=500 सेट होते हैं, और अडैप्टर चेकपॉइंट Hub पर अपलोड किए जा सकते हैं।

छोटे 3D डेटासेट के लिए texture flow DiT को फ्रीज़ करके केवल आकार-संबंधी DiT पर LoRA लगाने से सीमित कंप्यूट पर ज्यामिति दोषों को लक्षित रूप से ठीक किया जा सकता है।

Hugging Face Blog
03
watchresearchcapability unlock

Google Research ने वियरेबल-आधारित CKM जोखिम प्रोफाइलिंग और व्यक्तिगत कोचिंग फ्रेमवर्क पेश किया

Google Research ने एक अनुसंधान-चरणीय मशीन लर्निंग फ्रेमवर्क पेश किया है जो निष्क्रिय वियरेबल संकेतों को बदलने योग्य हेल्थ एज में बदलता है, एक्शन-कंडीशंड वर्ल्ड मॉडल से व्यक्तिगत 12-सप्ताह की "what-if" आदत-प्रक्षेपवक्र सिम्युलेट करता है, और नियमित रक्त बायोमार्कर तक विस्तारित होकर हृदय-गुर्दा-चयापचय (CKM) स्वास्थ्य को ट...

  • 49 प्रतिभागी प्रोफाइल और 490 पेयर्ड समीक्षाओं वाले ब्लाइंड हेड-टू-हेड अध्ययन में, लाइफस्टाइल कोच ने 71.4% मूल्यांकनों में काउंटरफैक्चुअल-आधारित योजना को सर्वश्रेष्ठ समग्र योजना चुना (p < 0.001)।
  • चिकित्सकों ने 99.2% काउंटरफैक्चुअल योजनाओं को सुरक्षित व्यायाम तीव्रता सीमा के भीतर और 97.6% को फिजियोलॉजिकल दावों पर सटीक बताया।
  • मल्टीमॉडल CKM हेल्थ एज मॉडल का मूल्यांकन 819 WEAR-ME प्रतिभागियों में किया गया, जो वियरेबल संकेतों को कोलेस्ट्रॉल-टू-HDL अनुपात, eGFR और HOMA-IR के साथ जोड़ता है।
  • लेखक बताते हैं कि मूल्यांकन रेट्रोस्पेक्टिव शोध कोहोर्ट का उपयोग करके ऑफलाइन किए गए और ये मॉडल अनुसंधान प्रोटोटाइप हैं, क्लिनिकल डायग्नोस्टिक टूल नहीं।

AI बिल्डरों के लिए यह एक क्लोज्ड-लूप पैटर्न दिखाता है जिसमें वर्ल्ड मॉडल काउंटरफैक्चुअल प्रक्षेपवक्र बनाता है और भाषा मॉडल उन्हें कार्रवाई योग्य कोचिंग में बदलता है, जिसे ब्लाइंड विशेषज्ञ समीक्षा और क्लिनिकल सुरक्षा मेट्रिक्स से मान्य किया ...

Google Research
04
watchagentscapability unlock

Google Antigravity में “रिमोट एजेंट” फ़ीचर जुड़ा, AI एजेंट क्लाउड में काम करते हैं

Google Antigravity ने “रिमोट एजेंट” फ़ीचर जोड़ा है, जिसमें AI एजेंट क्लाउड में चलते हैं और काम के घंटों के बाहर भी काम करते रहते हैं।

  • फ़ीचर का नाम “रिमोट एजेंट” है, और AI एजेंट क्लाउड में चलते हैं।
  • Publickey के अनुसार, AI एजेंट काम के घंटों के बाहर भी काम करते रहते हैं।

बिल्डरों के लिए, क्लाउड में होस्ट किए गए एजेंट एकल सत्र से आगे निष्पादन बढ़ाते हैं, इसलिए बिना निगरानी वाले रन के लिए हैंडऑफ़ और मॉनिटरिंग डिज़ाइन करनी होगी।

Publickey
05
watchresearchbenchmark jump

अध्ययन: AI ने भेद्यता खोज को नौ महीने से घटाकर 90 घंटे किया

All About SECURITY द्वारा रिपोर्ट किए गए एक अध्ययन के अनुसार, AI ने भेद्यता खोज के समय को नौ महीने से घटाकर 90 घंटे कर दिया।

  • रिपोर्ट के अनुसार भेद्यता खोज का समय नौ महीने से घटकर 90 घंटे हो गया।
  • स्रोत: All About SECURITY।

AI निर्माताओं के लिए, यह रिपोर्ट की गई कमी दर्शाती है कि AI-सहायित भेद्यता खोज सुरक्षा शोध समयसीमा को काफी कम कर सकती है।

All About SECURITY