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.

2026-11-14
01
testinferenceopen source unlock

llama.cpp v1.0.0: लोकल AI इकोसिस्टम के लिए अधिक मज़बूत आधार

llama.cpp और ggml ने लाइब्रेरी संस्करण v1.0.0 जारी किया है और अब सार्वजनिक C API तथा ABI की असंगतियों को मेजर-वर्ज़न बंप से दर्शाएँगे।

  • llama.cpp v1.0.0 libllama प्रदान करता है, सार्वजनिक हेडर llama.cpp/include/ में हैं।
  • ggml v1.0.0 libggml प्रदान करता है, सार्वजनिक हेडर ggml/include/ में हैं।
  • सेमांटिक वर्ज़निंग नियम: ./include में सार्वजनिक C API में ब्रेकिंग बदलाव MAJOR बढ़ाता है, बैकवर्ड-कम्पैटिबल फ़ीचर, बैकएंड अपडेट, मॉडल समर्थन या API जोड़ MINOR बढ़ाता है, और API बदलाव रहित बग फ़िक्स PATCH बढ़ाता है।
  • वितरण चैनलों में Linux, macOS, Windows, Android और iOS के लिए प्री-रिलीज़ आर्टिफ़ैक्ट के साथ Docker, Debian, Homebrew, conda-forge, MacPorts, Winget और XCFramework शामिल हैं।

डाउनस्ट्रीम डेवलपर्स को मेजर-वर्ज़न बंप को सार्वजनिक C API और ABI में ब्रेकिंग बदलाव का संकेत मानकर अपग्रेड और पैकेजिंग की योजना बनानी चाहिए।

Hugging Face Blog
02
testresearchbenchmark jump

XYBench: सवाल के पीछे की समस्या में मदद करना

Ai2 ने Carnegie Mellon, NVIDIA और Johns Hopkins के शोधकर्ताओं के साथ XYBench जारी किया है, जो 8,000 से अधिक सवालों का बेंचमार्क है और यह जाँचता है कि AI सहायक गलतफहमियों पर आधारित अनुरोधों का कैसे जवाब देते हैं तथा मॉडल उपयोगकर्ता को गलत तरीके से उसके असली लक्ष्य की ओर ले जाते हैं या नहीं।

  • XYBench में 8,115 वास्तविक दुनिया के सवाल हैं: Stack Overflow से 1,557, Stack Exchange से 184, मैन्युअल रूप से चुने गए 102 और WikiHow गाइड से बनाए गए 6,272।
  • पेपर बताता है कि Stack Overflow पर बताई गई माँग (Y) के समाधान 75–86% जवाबों में आए, जबकि असली लक्ष्य (X) के समाधान 59–71% में आए।
  • पेपर बताता है कि Stack Overflow पर मॉडलों ने केवल 35–41% जवाबों में असली लक्ष्य पर मुख्य ध्यान दिया, और 47–57% में बताई गई माँग पर।
  • इस बेंचमार्क ने EMNLP 2026 में Best Resource Paper Award जीता और इसमें Claude Sonnet 4.6, GPT-5, Gemini 3.1 Pro, Qwen3.5-9B और DeepSeek-V4 Pro का मूल्यांकन किया गया।

बिल्डर XYBench से गलतफहमी की पहचान, असली लक्ष्य के जवाब और जवाब के जोर को अलग-अलग माप सकते हैं, क्योंकि पेपर बताता है कि उपयोगी सलाह पहचानना उसे पैदा करने से आगे है।

Hugging Face Blog
03
testagentsopen source unlock

Cloudflare ने AI एजेंट के लिए ब्राउज़र इंजन Kitesurf को ओपन सोर्स किया

Unite.AI की रिपोर्ट के अनुसार Cloudflare ने AI एजेंट के लिए बनाए गए ब्राउज़र इंजन Kitesurf को ओपन सोर्स कर दिया है।

  • रिपोर्ट का स्रोत Unite.AI है।
  • Cloudflare Kitesurf को AI एजेंट के लिए ब्राउज़र इंजन बताता है और इसे ओपन सोर्स के रूप में जारी किया गया है।

ब्राउज़र का उपयोग करने वाले एजेंट बनाने वाली टीमें ब्राउज़र नियंत्रण परत शून्य से बनाने के बजाय Cloudflare के ओपन-सोर्स इंजन से शुरुआत कर सकती हैं।

Unite.AI
04
testmodelscapability unlock

OpenRouter का नया मॉडल: inclusionAI: Ling 3.2 Flash (मुफ़्त)

Ling 3.2 Flash inclusionAI का एक हाइब्रिड रीजनिंग मॉडल है जो पाठ और छवि इनपुट स्वीकार करता है, जिसमें 1M टोकन का संदर्भ विंडो और प्रति अनुरोध 200 चित्र तक की क्षमता है।

  • Ling 3.2 Flash inclusionAI का एक हाइब्रिड रीजनिंग मॉडल है
  • पाठ और छवि इनपुट स्वीकार करता है
  • संदर्भ विंडो 1M टोकन है
  • प्रति अनुरोध 200 चित्र तक की क्षमता है

AI बिल्डर्स Ling 3.2 Flash की मल्टीमॉडल क्षमताओं और बड़े संदर्भ विंडो का उपयोग जटिल दृश्य और पाठ कार्यों को संभालने के लिए कर सकते हैं।

OpenRouter Models
05
watchagentscapability unlock

Google Research ने Antigravity /teamwork मल्टी-एजेंट सिस्टम के नतीजे साझा किए

Google Research ने Antigravity /teamwork मल्टी-एजेंट सिस्टम के हालिया नतीजे साझा किए, जो Gemini 4 Argon, Carbon और Hydrogen मॉडलों को मानव विशेषज्ञों के साथ जोड़कर गणित, रसायन विज्ञान, सिस्टम सॉफ़्टवेयर और ML इंजीनियरिंग की खुली समस्याओं को हल करते हैं, और कुछ टूल अब बाहरी उपयोगकर्ताओं के लिए उपलब्ध हैं।

  • /teamwork संदर्भ को निर्माण द्वारा विभाजित करता है, जिससे प्रत्येक विशेष एजेंट को किसी विशिष्ट चरण के लिए आवश्यक फ़ाइलें और टूल ही मिलते हैं, और समन्वयक कार्यों को नए उत्तराधिकारियों को सौंपते हैं।
  • /teamwork-LEAP ने Weil अनुमानों का पूरी तरह स्वायत्त रूप से एंड-टू-एंड, मशीन-सत्यापित औपचारिकीकरण तैयार किया, जो 28,800 सबएजेंट आह्वानों में लगभग 18 लाख पंक्तियों के Lean कोड में फैला है।

AI निर्माताओं के लिए, /teamwork का संदर्भ विभाजन और स्वतंत्र फ़ाल्सिफ़ायर डिज़ाइन लंबी अवधि के तर्क कार्यों में संदर्भ वृद्धि को नियंत्रित करने और परिणामों को स्वचालित रूप से सत्यापित करने का पुन: प्रयोज्य पैटर्न प्रदान करता है।

Google Research
06
testresearchincremental

SimReady एसेट के साथ रोबोट पिक-एंड-प्लेस सिमुलेशन बनाएं

Hugging Face ब्लॉग का एक लेख Isaac Sim 6.2 में UR17G आर्म, Robotiq 2F-140 ग्रिपर और एक पेय कैन से पिक-एंड-प्लेस सीन बनाता है, जिसमें एक एजेंट नियंत्रण कोड उत्पन्न करता है। SimReady एसेट में टकराव, द्रव्यमान, जोड़ और जोड़-ड्राइव जैसी सिमुलेशन प्रॉपर्टी पहले से परिभाषित होती हैं।

  • यह उदाहरण Isaac Sim 6.2 का उपयोग करता है और इसे रिमोट Python सर्वर सक्षम करके शुरू करता है ताकि एजेंट Python के माध्यम से सिमुलेशन से इंटरैक्ट कर सके।
  • आर्म की वैलिडेशन रिपोर्ट Robot-Body 4.0.0 प्रोफ़ाइल और ग्रिपर की रिपोर्ट Robot-Gripper 3.0.0 प्रोफ़ाइल का उपयोग करती है; दोनों PhysX ड्रिवन-जॉइंट जाँच पास होने का रिकॉर्ड दिखाती हैं।
  • क्षैतिज ग्रास्प 2 N·m ड्राइव-एफर्ट सीमा का उपयोग करता है, जिसे सिमुलेशन परीक्षणों से चुना गया है, न कि उंगली की ताकतों पर कैलिब्रेट किया गया या निर्माता द्वारा अनुशंसित।
  • सिमुलेशन की मान्यताओं में निश्चित प्रारंभिक स्थिति, विज़न का उपयोग न होना, सीमित टकराव जाँच और कैन के विरूपण तथा तरल गति का मॉडल न होना शामिल है।

रोबोटिक्स डेवलपर्स के लिए SimReady प्रोफ़ाइल वैलिडेशन पुनः प्रयोग योग्य एसेट आधार देता है, लेकिन यह स्क्रिप्टेड ग्रास्प परिणाम अनिश्चित वस्तु स्थितियों, भिन्न पेलोड या वास्तविक हार्डवेयर के प्रति मजबूती सिद्ध नहीं करता।

Hugging Face Blog