Grok 4.5 सीमा-स्तरीय मॉडलों को चुनौती देता है, OpenAI पूर्ण-द्वैध GPT-Live लॉन्च करता है, Mistral Robostral Navigate के साथ रोबोटिक्स में कदम रखता है

यह 8 जुलाई तीन प्रमुख मॉडल लॉन्चों से चिह्नित है: SpaceXAI का Grok 4.5, जिसे कोड और एजेंटिक कार्य के लिए Cursor के साथ सह-प्रशिक्षित किया गया है; OpenAI का GPT-Live, नया पूर्ण-द्वैध वॉयस आर्किटेक्चर जो Advanced Voice Mode की जगह लेता है; और Mistral का Robostral Navigate, रोबोटिक नेविगेशन के लिए उसका पहला मॉडल। Cognition SWE-1.7 के साथ तस्वीर पूरी करता है, Runway मीडिया जनरेशन के लिए एक एकीकृत API प्लेटफ़ॉर्म खोलता है, और Gemini CLI स्थिर संस्करण 0.50.0 पर पहुँचता है। डेवलपर एजेंटिक टूलिंग, कोड बेंचमार्क की विश्वसनीयता और ओपन सोर्स इन्फ़रेंस के बीच, बारह उल्लेखनीय ख़बरें और तीन संक्षिप्त समाचार इस परिदृश्य को पूरा करते हैं।

Grok 4.5 : SpaceXAI अपना सबसे बुद्धिमान मॉडल, Cursor के साथ सह-प्रशिक्षित, लॉन्च करता है

8 जुलाई — SpaceXAI (पूर्व में xAI) Grok 4.5 लॉन्च करता है, जिसे अब तक का उसका सबसे बुद्धिमान मॉडल बताया गया है, जो कोड, एजेंटिक कार्यों और ज्ञान-कार्य में उत्कृष्टता के लिए डिज़ाइन किया गया है। उल्लेखनीय बात: मॉडल को Cursor के साथ संयुक्त रूप से प्रशिक्षित किया गया, और यह साझेदारी SpaceXAI ने विशेष रूप से रेखांकित की है।

“Today, we’re launching Grok 4.5, SpaceXAI’s smartest model built to excel at coding, agentic tasks, and knowledge work. It’s our strongest model ever and was trained alongside Cursor.”

🇮🇳 आज, हम Grok 4.5 लॉन्च कर रहे हैं, SpaceXAI का सबसे बुद्धिमान मॉडल, जिसे कोड, एजेंटिक कार्यों और ज्ञान-कार्य में उत्कृष्टता के लिए डिज़ाइन किया गया है। यह अब तक का हमारा सबसे शक्तिशाली मॉडल है, जिसे Cursor के साथ संयुक्त रूप से प्रशिक्षित किया गया है। — SpaceXAI, x.ai/news/grok-4-5

प्रकाशित बेंचमार्क पर, Grok 4.5 बिना हर बार निर्णायक रूप से आगे निकले शीर्ष समूह में स्थित है:

बेंचमार्क	स्कोर
DeepSWE 1.0 (pass@1)	62,0 %
Terminal-Bench 2.1	83,3 %
SWE-Bench Pro	64,7 %

दक्षता के मामले में, मॉडल 80 टोकन/सेकंड पर चलता है और SWE-Bench Pro पर Claude Opus 4.8 (मैक्स मोड) की तुलना में लगभग 4,2× कम आउटपुट टोकन खर्च करता है (औसतन 15 954 टोकन बनाम 67 020)। प्रशिक्षण में NVIDIA GB300 GPU के दर्जनों हज़ारों यूनिट और सॉफ़्टवेयर इंजीनियरिंग कार्यों की सैकड़ों हज़ारों संख्या पर बड़े पैमाने का reinforcement learning शामिल था।

प्रकार	मूल्य
Input	2 $ / M tokens
Output	6 $ / M tokens

Grok 4.5 अब Grok Build में डिफ़ॉल्ट मॉडल बन जाता है, जहाँ यह जटिल Excel फ़ाइलें, मूल आकृतियों वाली PowerPoint प्रस्तुतियाँ और Word दस्तावेज़ बना सकता है। यह आज से Grok Build, Cursor (सभी प्लान) और SpaceXAI कंसोल में उपलब्ध है — लेकिन अभी तक यूरोपीय संघ में नहीं, जहाँ परिनियोजन जुलाई के मध्य में अपेक्षित है।

OpenAI GPT-Live लॉन्च करता है, अपने नए पूर्ण-द्वैध वॉयस मॉडल्स

8 जुलाई — OpenAI GPT-Live लॉन्च करता है, वॉयस मॉडलों की नई पीढ़ी, जो ChatGPT Voice के इंजन के रूप में Advanced Voice Mode की जगह लेती है। पिछली पीढ़ियों के विपरीत — पहले transcription/LLM/synthesis श्रृंखला, फिर “टर्न-टेकिंग” मॉडल जो जवाब देने से पहले मौन की प्रतीक्षा करता था — GPT-Live पूर्ण-द्वैध आर्किटेक्चर पर आधारित है: यह एक ही समय में सुनता और बोलता है, उपयोगकर्ता के बोलते समय “mhmm”, “d’accord” जैसे संक्षिप्त अनुमोदन जोड़ता है, और प्रति सेकंड कई बार तय करता है कि उसे बोलना है, सुनना है, विराम लेना है, बीच में टोकना है या कोई टूल बुलाना है।

दूसरा वास्तुकला-स्तरीय बदलाव: GPT-Live जटिल कार्यों (वेब खोज, गहन तर्क, एजेंटिक कार्य) को एक सीमा-स्तरीय मॉडल — लॉन्च के समय GPT-5.5 — को सौंप देता है, जबकि वह काम बैकग्राउंड में चलता रहता है तब भी बातचीत को मौखिक रूप से जारी रखता है। OpenAI नए सीमा-स्तरीय मॉडलों के आने के साथ इस मॉडल को पर्दे के पीछे विकसित करने की योजना बना रहा है।

“GPT-Live is built on a full-duplex architecture, meaning it can listen and speak at the same time. […] While it works, GPT-Live can keep talking with you and maintain the flow of conversation.”

🇮🇳 GPT-Live एक पूर्ण-द्वैध आर्किटेक्चर पर आधारित है, जिसका अर्थ है कि यह एक ही समय में सुन और बोल सकता है। […] जब यह काम कर रहा होता है, GPT-Live आपसे बात जारी रख सकता है और बातचीत की धारा बनाए रख सकता है। — OpenAI, Introducing GPT-Live

दो संस्करण आज से सभी ChatGPT उपयोगकर्ताओं (iOS, Android, वेब) के लिए जारी किए जा रहे हैं: Go/Plus/Pro के लिए GPT-Live-1, और मुफ्त उपयोगकर्ताओं के लिए GPT-Live-1 mini। API पहुँच जल्द ही आने की योजना है, प्रतीक्षा-सूची खुली है। आंतरिक मूल्यांकनों (GPQA, BrowseComp, τ³-Voice Telecom के एक variant) में GPT-Live-1 ने Advanced Voice Mode को स्पष्ट रूप से पछाड़ दिया और मानव मूल्यांककों द्वारा अधिक पसंद किया गया। हर हफ़्ते 150 मिलियन से अधिक लोग ChatGPT पर आवाज़ और डिक्टेशन का उपयोग करते हैं।

सुरक्षा के मोर्चे पर, OpenAI ने अपने परीक्षणों को ऑडियो-नेटिव मूल्यांकनों तक विस्तारित किया है (आत्म-नुकसान, मनोविकृति, AI पर भावनात्मक निर्भरता, हिंसा, यौन सामग्री), वास्तविक समय में सक्रिय सुरक्षा-उपाय जोड़े हैं, और किशोरों के लिए सुरक्षा को मज़बूत किया है, जिसमें संकट के संकेत होने पर माता-पिता को सूचना देने की संभावना शामिल है।

🔗 GPT-Live सिस्टम कार्ड

Cognition Devin में SWE-1.7 लॉन्च करता है, कम लागत वाला नया कोड मॉडल

8 जुलाई — Cognition SWE-1.7 लॉन्च करता है, जिसे अब तक प्रशिक्षित किया गया उसका सबसे सक्षम मॉडल बताया गया है, जो काफी कम लागत पर सीमा-स्तरीय बुद्धिमत्ता हासिल करता है — टीम इसे लागत/प्रदर्शन Pareto वक्र के विस्थापन के रूप में प्रस्तुत करती है। मॉडल Kimi K2.7 आधार से शुरू होता है (जो पहले ही भारी मात्रा में RL पोस्ट-ट्रेनिंग से गुज़रा था), और Cognition द्वारा प्राप्त अतिरिक्त लाभ “पोस्ट-ट्रेनिंग सीमा” की धारणा पर सवाल उठाते हैं: टीम के अनुसार, reinforcement learning क्षमताओं को अब भी अपेक्षा से कहीं आगे धकेल सकती है।

SWE-1.7 आज से Devin (Web, Desktop और CLI) में उपलब्ध है, Cerebras के माध्यम से 1 000 tokens/सेकंड पर सर्व किया जाता है।

मूल्यांकित मॉडल	FrontierCode 1.1 Main
SWE-1.6	9,4 %
SWE-1.7	42,3 %

Terminal-Bench 2.1 और SWE-Bench Multilingual पर, SWE-1.7 Kimi K2.7 Code और सीमा-स्तरीय मॉडलों (GPT-5.5, Claude Opus 4.8) के बीच स्थित है, जबकि प्रति कार्य लागत काफ़ी कम है। तकनीकी लेख में चार कार्य-क्षेत्रों का विवरण दिया गया है: RL प्रशिक्षण के दौरान एंट्रॉपी का संरक्षण (top-p सैंपलिंग, वितरण के replay के साथ, ताकि अन्वेषण का पतन न हो), तीन महाद्वीपों में फैला बहु-क्लस्टर प्रशिक्षण जिसमें fault tolerance है (1 000 अरब पैरामीटर वाले मॉडल के लिए 1 से 2 मिनट में पूर्ण होने वाले संपीड़ित weight updates), anti-cheat डेटा क्यूरेशन, और लंबे कार्यों के लिए auto-compaction (प्रति run छह घंटे तक), जहाँ मॉडल अपने कार्यशील अवस्था का स्वयं सारांश बनाना सीखता है।

व्यवहार के स्तर पर, SWE-1.7 कार्रवाई करने से पहले codebase को अधिक व्यवस्थित रूप से खोजता है, bugs के मूल कारणों की अधिक जाँच करता है, और प्रशिक्षण के दौरान लागू alternating लंबाई-penalty के कारण अधिक संक्षिप्त reasoning उत्पन्न करता है।

🔗 SWE-1.7: लागत के एक अंश पर सीमा-स्तरीय बुद्धिमत्ता

Mistral Robostral Navigate के साथ रोबोटिक्स में प्रवेश करता है

8 जुलाई — Mistral AI Robostral Navigate लॉन्च करता है, जो on-board रोबोटिक नेविगेशन (embodied navigation) के लिए उसका पहला समर्पित मॉडल है: 8 अरब पैरामीटर वाला एक मॉडल जो केवल एक RGB कैमरे से — बिना LiDAR या depth sensor के — और प्राकृतिक भाषा निर्देश से एक robot को संचालित करता है।

“Announcing Robostral Navigate, our first model for embodied navigation: an 8B robotics navigation model that guides robots to autonomously perform tasks specified with natural language. Single RGB camera. State-of-the-art on R2R-CE.”

🇮🇳 हम Robostral Navigate की घोषणा कर रहे हैं, जो embedded navigation के लिए हमारा पहला मॉडल है: 8 अरब पैरामीटर वाला एक रोबोटिक नेविगेशन मॉडल जो robots को प्राकृतिक भाषा में निर्दिष्ट कार्यों को स्वायत्त रूप से पूरा करने के लिए मार्गदर्शन करता है। एकल RGB कैमरा। R2R-CE पर state of the art. — Mistral AI, tweet of 8 जुलाई

R2R-CE (Room-to-Room in Continuous Environments), जो instruction-based navigation के लिए संदर्भ बेंचमार्क है, पर Robostral Navigate unseen validation में state of the art हासिल करता है:

दृष्टिकोण	R2R-CE सफलता दर
Robostral Navigate (एकल RGB कैमरा)	76,6 %
पिछला सर्वश्रेष्ठ single-camera दृष्टिकोण	~66,9 %
पिछला सर्वश्रेष्ठ depth / multi-camera दृष्टिकोण	~72,1 %

मॉडल metric movements के बजाय सीधे कैमरा इमेज में लक्ष्य स्थिति के coordinates का अनुमान लगाता है, जिससे वह camera intrinsics में बदलावों के प्रति मज़बूत बनता है। पूरी तरह से इन-हाउस बनाया गया (बिना किसी third-party open-source VLM के), इसे pointing/counting/object localization में विशेषज्ञ Mistral VLM से प्रारंभ किया गया है, और लगभग 400 000 सिम्युलेटेड trajectories पर प्रशिक्षित किया गया है, जो 6 000 scenes में एकत्र की गईं। prefix-caching तकनीक, tree attention masking के साथ, step-by-step sampling की तुलना में training tokens की संख्या को 22× घटाती है; online RL post-training (CISPO, घर में विकसित algorithm) सफलता दर में 3,2 अंक और जोड़ता है, बिना plateau के किसी संकेत के।

Robostral Navigate पहिएदार, पैरों वाले और उड़ने वाले robots पर काम करता है, और manufacturing, delivery, logistics तथा hospitality use cases को लक्षित करता है।

🔗 पूरा लेख — mistral.ai

Runway Runway Dev लॉन्च करता है, मीडिया जनरेशन के लिए एकीकृत API प्लेटफ़ॉर्म

8 जुलाई — Runway Runway Dev लॉन्च करता है, डेवलपर्स और कंपनियों के लिए एक AI मीडिया प्लेटफ़ॉर्म: छवि, वीडियो, ऑडियो और real-time avatars के सर्वश्रेष्ठ मॉडलों को एकीकृत करने के लिए एक ही API। पहले से ही Adobe, ElevenLabs, Shutterstock, Figma Weave, Gamma और Silverside की टीमों द्वारा उपयोग किया जा रहा है।

प्लेटफ़ॉर्म चार घटकों के इर्द-गिर्द संगठित है:

घटक	कार्य
Models	Runway के first-party मॉडलों (Gen-4.5, Aleph 2.0, Act-Two) और third-party मॉडलों (Seedance, GPT Image 2, ElevenLabs) तक पहुँच, एक लाइन code में मॉडल बदलना
Recipes	Runway की prompting/workflow विशेषज्ञता को package करने वाले तैयार endpoints (विज्ञापन localization, product ad, product swap, multi-shot video)
Workflows	कई मॉडलों/modalities को जोड़ने वाली custom pipelines, जिन्हें private API endpoint के माध्यम से ट्रिगर किया जा सकता है
Characters	real-time इंटरैक्टिव avatars (आवाज़, tool calling, knowledge base) — ग्राहक सहायता, प्रशिक्षण या इंटरैक्टिव मनोरंजन के लिए Runway Dev की विशेषता

उल्लेखित use cases पैमाने का अंदाज़ देते हैं: एक broadcaster 5 लोगों की टीम के साथ प्रति वर्ष 800 से 1 000 विज्ञापन बनाता है, एक distributor प्रति माह 1 000 से अधिक product visuals उत्पन्न करता है, 500 लोगों वाली एक in-house agency brief से final render तक एक ही agentic pipeline चलाती है, और एक delivery platform अपने product videos को 27 भाषाओं में localize करती है।

Runway Dev को enterprise-compliant platform के रूप में स्थापित किया गया है: SOC 2 Type II प्रमाणन, intellectual property indemnification, अंतर्निहित content moderation, 99,9 % uptime की गारंटी, और customer data पर non-training की contractual प्रतिबद्धताएँ। dev.runwayml.com के माध्यम से पहुँच।

🔗 Introducing Runway Dev

Gemini CLI v0.50.0 Tool Registry Discovery के साथ stable हो जाता है

8 जुलाई — Google Gemini CLI v0.50.0 जारी करता है, नई स्थिर रिलीज़ (GitHub पर “Latest” टैग की गई) जो v0.49.0 का स्थान लेती है और अनुशंसित संस्करण बन जाती है, जो पहले से ट्रैक की जा रही nightly v0.51.0-nightly.* श्रृंखला से अलग है।

इस संस्करण की प्रमुख सुविधा Tool Registry Discovery है: टूल रजिस्ट्री की नई खोज क्षमताएँ जो एजेंट के लिए उपलब्ध टूल्स का स्वतः पता लगाती हैं और पंजीकृत करती हैं, बिना मैन्युअल कॉन्फ़िगरेशन के। यह रिलीज़ release और CI verification pipeline के कड़े होने को भी चिह्नित करती है: स्क्रिप्ट अब verification npm ci के दौरान अनदेखी की जाती हैं (इंस्टॉलेशन के समय arbitrary code execution से बचने के लिए), एक तंत्र “workspace binary shadowing” को रोकता है (स्थानीय binary का गलती से आधिकारिक binary को छिपा देना), और अतिरिक्त सुरक्षा उपाय खराब NPM releases तथा promotion job के crashes को कवर करते हैं।

Gemini CLI इस ब्लॉग के लिए Gemini ट्रैकिंग का प्राथमिक #1 स्रोत बना हुआ है, और यह v0.50.0 पिछले कई हफ़्तों से इस टूल की एक गहरी प्रवृत्ति को दर्शाता है: नई क्षमताओं से परे, हर रिलीज़ का बढ़ता हुआ हिस्सा स्वयं प्रकाशन श्रृंखला की मज़बूती और सुरक्षा पर केंद्रित है — जैसा कि पिछली संस्करणों के macOS sandbox कड़े होने में पहले भी देखा गया था।

🔗 रिलीज़ v0.50.0 — GitHub

GitHub Copilot in VS Code : जून 2026 का सारांश (v1.123 से v1.127)

8 जुलाई — GitHub Visual Studio Code में Copilot का अपना मासिक सारांश प्रकाशित करता है, जिसमें v1.123 से v1.127 संस्करण (जून – जुलाई 2026 की शुरुआत) शामिल हैं। कई agentic सुविधाएँ सामान्य उपलब्धता या पूर्वावलोकन में पहुँचती हैं:

सुविधा	स्थिति
एकीकृत ब्राउज़र के agentic टूल्स (नेविगेशन, स्क्रीनशॉट, web apps validation)	GA
Agents विंडो में parallel multi-chat sessions	उपलब्ध
लागत दृश्यता (session, delegated sub-agent, अतिरिक्त उपयोग)	उपलब्ध
Marketplace से model providers की खोज	उपलब्ध
1M token context windows (संगत Anthropic/OpenAI models)	उपलब्ध
आधिकारिक Ollama extension	उपलब्ध

इस तालिका से आगे, सारांश Autopilot के अधिक स्वायत्त होने का विवरण देता है (कार्य समाप्ति की बेहतर पहचान), GitHub account पर chat sessions का synchronization, agent द्वारा किए गए परिवर्तनों पर gutter टिप्पणियाँ, session context से उत्पन्न शीर्षक और विवरण के साथ PR निर्माण, प्रशासकों के लिए managed Copilot settings (Windows/macOS device management और JSON फ़ाइल), pre-registered MCP OAuth credentials, extensions के स्वचालित अपडेट से पहले 2 घंटे की देरी, और trust से पहले नए folders के सुरक्षित navigation (Workspace Trust) का वर्णन करता है।

पाँच मासिक संस्करणों में इन परिवर्तनों का संकलन दर्शाता है कि Copilot कैसे तात्कालिक सहायता से multi-session autonomous agent की ओर केन्द्र को तेज़ी से स्थानांतरित कर रहा है, और अब delegated sub-agent के स्तर तक बारीक लागत नियंत्रण उपलब्ध है।

🔗 GitHub Changelog — June 2026 VS Code releases

OpenAI : SWE-Bench Pro का ऑडिट और Codex CLI का नया संस्करण

SWE-Bench Pro का ऑडिट — ~30 % कार्य दोषपूर्ण पाए गए

इससे पहले समुदाय को SWE-Bench Pro पर स्विच करने की सिफारिश करने के बाद (SWE-bench Verified में पहचाने गए दोषों के चलते), OpenAI ने इस नए बेंचमार्क पर एक समान ऑडिट किया है और अपनी सिफारिश वापस ले ली है। एक स्वचालित विश्लेषण पाइपलाइन ने सार्वजनिक सेट की 731 कार्यों में से 286 संभावित रूप से समस्याग्रस्त कार्यों का संकेत दिया; Codex जाँच एजेंटों और प्रत्येक कार्य के लिए पाँच स्वतंत्र मानव इंजीनियरों को शामिल करने वाली समीक्षा ने पुष्टि की कि 200 से 249 कार्य (गणना पद्धति के अनुसार 27,4 % से 34,1 %) वास्तव में दोषपूर्ण हैं — परीक्षण बहुत सख्त हैं, विवरण अपर्याप्त रूप से निर्दिष्ट हैं, कवरेज कम है, या विवरण भ्रामक हैं। OpenAI समुदाय से आग्रह करता है कि वे नए बेंचमार्क सीधे अनुभवी डेवलपरों द्वारा बनाएँ, बजाय इसके कि उन्हें ओपन-सोर्स pull requests से स्वचालित रूप से निकाला जाए।

🔗 कोडिंग मूल्यांकन में सिग्नल को शोर से अलग करना

Codex CLI 0.143.0

नई स्थिर रिलीज़: दूरस्थ प्लगइन्स अब डिफ़ॉल्ट रूप से सक्षम हैं (मार्केटप्लेस के लिए npm स्रोतों के समर्थन सहित), प्रमाणीकरण ट्रैफ़िक और Responses API macOS/Windows सिस्टम प्रॉक्सी (PAC/WPAD) से होकर जा सकते हैं, और codex remote-control pair कमांड चल रहे डेमन के लिए मैनुअल पेयरिंग कोड उत्पन्न करता है। Amazon Bedrock कैटलॉग में GPT-5.6 Sol, Terra और Luna मॉडल शामिल हो गए हैं, और MCP टूल खोज अब डिफ़ॉल्ट रूप से सक्षम है। सुधारों में: Windows पर ConPTY इनपुट हैंडलिंग, अस्थायी रूप से ऑफ़लाइन दूरस्थ रनटाइम सर्वरों की बेहतर रिकवरी, और निर्भरता सुरक्षा अद्यतन (OpenSSL, Hono, fast-uri, quick-xml, crossbeam-epoch)।

🔗 Codex Changelog — 0.143.0

Cognition और Amp: खुले मॉडल और दूरस्थ एजेंटों की विश्वसनीयता

open source से व्युत्पन्न मॉडलों की विश्वसनीयता मापना

SWE-1.7 के लॉन्च के साथ, Cognition खुले स्रोत-आधारित, मुख्यतः चीनी आधारों (Kimi K2.7 Code, DeepSeek-V4, GLM 5.2) से निर्मित मॉडलों की विश्वसनीयता पर एक अध्ययन प्रकाशित करता है: चीनी कम्युनिस्ट पार्टी के अनुरूप कथन तत्वों को दोहराने की प्रवृत्ति, और विभेदक क्षमताओं का जोखिम (उपयोगकर्ता की perceived पहचान के अनुसार कम सुरक्षित कोड)। राजनीतिक रूप से संवेदनशील 145 प्रश्नों की एक श्रृंखला और छह personas के तहत एक differential safety test पर, SWE-1.7 GPT-5.5 और Claude Opus 4.8 के तुलनीय, बल्कि बेहतर, स्कोर प्राप्त करता है — जबकि कच्चा Kimi K2.7 अक्सर समस्याग्रस्त अनुरोधों का पालन करता है जिन्हें SWE-1.7 अस्वीकार करता है। Cognition परीक्षण किए गए personas से जुड़े व्यवहार में कोई सांख्यिकीय रूप से महत्वपूर्ण अंतर नहीं देखता।

🔗 ओपन-सोर्स-व्युत्पन्न मॉडलों की विश्वसनीयता मापना

Amp: किसी भी मशीन से दूरस्थ एजेंट

Amp अब ampcode.com से, ऐसी किसी भी मशीन पर जो amp कमांड चला सकती है, नए दूरस्थ एजेंट शुरू करने देता है — केवल “orbs” (अस्थायी cloud मशीनें) में ही नहीं, बल्कि लैपटॉप, सर्वर या cloud development box पर भी। यह सुविधा कॉन्फ़िगरेशन में "amp.remoteThreadCreation.enabled": true के माध्यम से सक्रिय होती है; उसके बाद शुरू किया गया हर Amp client अपने वर्तमान कार्यशील निर्देशिका में नए threads स्वीकार करता है। एक headless “Runner Mode” (amp --no-tui) पूरी व्यवस्था को पूरा करता है: एक ही मशीन पर कई runners एक साथ चल सकते हैं, जिन्हें host + working directory की जोड़ी से पहचाना जाता है, बिना Git versioning की आवश्यकता के।

🔗 एजेंट, कहीं भी

Gemini: विस्तारित managed agents और CLI के लिए सुरक्षा सुधार

Gemini API — Managed Agents का विस्तार

Google Gemini Interactions API के Managed Agents की क्षमताओं का विस्तार कर रहा है: बैकग्राउंड में asynchronous execution (background: true, बाद में पुन: कनेक्शन के लिए tracking ID के साथ), proxy middleware लिखे बिना सीधे remote MCP servers से कनेक्शन, sandbox में अंतर्निहित tools के साथ custom function calls, और मौजूदा environment पर network credentials refresh करते हुए sandbox state (files, installed packages, cloned repositories) को बनाए रखना। प्रकाशित उदाहरण JavaScript SDK @google/genai और मॉडल antigravity-preview-05-2026 का उपयोग करते हैं।

🔗 Gemini API में Managed Agents का विस्तार

Gemini CLI v0.51.0-preview.0 — सुरक्षा सुधार

यह preview release कई सुरक्षा और robustness सुधारों को समेटे हुए है: VS Code extension के लिए case-insensitive संवेदनशील path blocklist को human-in-the-loop के साथ संयोजित किया गया है, memory import processor में symbolic link के माध्यम से directory escape को ठीक किया गया है, साफ़ किए गए इतिहास में reasoning traces (thoughts) के रिसाव को हटाया गया है, @ द्वारा संदर्भित paths की defensive resolution की गई है, macOS sandbox में ~/.gitconfig को read-only बनाया गया है, और Vertex base URL को अद्यतन किया गया है।

🔗 Release v0.51.0-preview.0 — GitHub

GitHub Mobile: Copilot CLI notifications और conflict resolution

Copilot CLI sessions के लिए live notifications

GitHub Mobile की live notifications, जो पहले से cloud agent के लिए उपलब्ध थीं, अब Copilot CLI की दूरस्थ sessions तक विस्तारित हो गई हैं। iOS Live Activities (17.2+) और Android Live Update Notifications (16+) के माध्यम से, उपयोगकर्ता session की स्थिति वास्तविक समय में देख सकता है (चल रहा है, उत्तर की प्रतीक्षा में, निष्क्रिय, समाप्त), और notification से सीधे logs खोल सकता है। यह Copilot CLI, VS Code, या अन्य समर्थित surfaces से शुरू की गई sessions के लिए काम करता है, और settings में बंद भी किया जा सकता है।

🔗 GitHub Mobile: Copilot CLI sessions के लिए live notifications

Copilot cloud agent के साथ merge conflicts हल करना

GitHub Mobile अब mobile से सीधे conflict वाली pull request को अनब्लॉक करने देता है: merge panel में एक “Fix with Copilot” बटन पहले से एक टिप्पणी भर देता है जिसमें Copilot से conflicts हल करने को कहा जाता है, फिर cloud agent शुरू होता है। ऐप conflict alerts और सफलता या विफलता की स्थिति में स्पष्ट प्रतिक्रिया दिखाता है। PR टिप्पणी में @copilot का उल्लेख अन्य कार्यों के लिए उपलब्ध रहता है (विफल Actions workflows को ठीक करना, code reviews का जवाब देना, tests जोड़ना)।

🔗 GitHub Mobile: Copilot cloud agent के साथ merge conflicts ठीक करना

Anthropic: Claude Cowork के दो case studies

marketing reporting और campaigns को स्वचालित करना

Claude Blog बताता है कि Anthropic की marketing ops टीम ने Claude Cowork के साथ अपने काम का एक हिस्सा कैसे स्वचालित किया। Ian Chan ने एक साप्ताहिक reporting प्रक्रिया, जिसमें उसे एक से दो दिन लगते थे, को एक scheduled task में बदल दिया जो हर रविवार शाम चलती है, और जो तीन समर्पित skills पर आधारित है: रिपोर्ट की तैयारी, एक review जो हर संख्या को विश्वसनीय स्रोत से मिलाता है, और tracking points को Asana tasks में बदलना। Annabel Custer ने marketing campaigns की setup को एक “router” skill से स्वचालित किया जो हर घंटे एक Slack channel पढ़ती है और हर अनुरोध को route करती है, साथ में एक स्वतंत्र audit agent जो बिना पूर्व context के काम की जाँच करता है।

🔗 Anthropic की marketing operations टीम Claude Cowork का उपयोग कैसे करती है

Thomson Reuters: Claude के साथ “Fiduciary-Grade” AI

दूसरा case study: Thomson Reuters (Westlaw, Practical Law, CoCounsel Legal) Claude को ऐसे उत्पादों में एकीकृत करता है जिनका उपयोग अत्यधिक सटीकता माँगने वाले वकील करते हैं, “Fiduciary-Grade AI” की अवधारणा के तहत। Joel Hron, CTO, उत्पादन में डालने से पहले एक model पर चार आवश्यकताएँ लागू करते हैं: model memory पर भरोसा करने के बजाय citations की self-verification, लंबी tool-call chains पर टिकना, काम में मानव involvement, और अब तक पहुँच से बाहर रहे tasks के लिए समय मुक्त करना। Thomson Reuters operational automation के लिए Claude Cowork और दीर्घकालिक agents बनाने के लिए Claude Code का भी उपयोग करता है, और Claude Fable 5 का अन्वेषण करने के लिए उत्सुक है।

🔗 सीमा पर काम करना: Thomson Reuters

Hugging Face और Together AI: open source inference तेज़ हो रहा है

transformers का vLLM backend native गति तक पहुँचता है

Harry Mellor (vLLM टीम) और Lysandre (Hugging Face co-founder) दिखाते हैं कि vLLM के लिए transformers modeling backend अब हाथ से लिखी गई vLLM implementations के native throughput के बराबर, और कभी-कभी उससे भी अधिक, है। तीन Qwen3 मॉडलों की head-to-head तुलना में: Qwen3-4B 46 850 से बढ़कर 47 443 tokens/s (native का 100,0 %) होता है, Qwen3-32B 14 310 से 14 660 tokens/s (100,1 %) तक, और Qwen3-235B-A22B MoE FP8 31 382 से 33 152 tokens/s (102,0 %) तक। इसलिए model authors बिना manual porting के, vllm serve <modèle> --model-impl transformers के माध्यम से, स्वचालित रूप से ultra-fast vLLM inference का लाभ ले सकते हैं।

🔗 Native-speed vLLM transformers backend — HuggingFace Blog

Together AI ने Provisioned Throughput लॉन्च किया

Together AI Provisioned Throughput की घोषणा करता है, जो frontier open models के लिए reserved capacity वाला inference format है, token-based pricing और 99 % availability SLA के साथ। यह आज MiniMax M3 और GLM-5.2 के लिए उपलब्ध है, न्यूनतम एक महीने की प्रतिबद्धता के साथ। MiniMax M3 पर आर्थिक उदाहरण: पूरी उपयोगिता पर एक capacity unit (PTU, 0,05 $ प्रति मिनट) लगभग 0,36 $/M input tokens और 2,16 $/M output tokens पड़ती है, जबकि Claude Opus 4.8 की catalog pricing पर 5 $ और 25 $ लगते हैं — यानी 90 % तक सस्ता। Together AI बताता है कि उसके API पर tokens का volume नौ महीनों में 30 अरब से बढ़कर प्रति माह 400 000 अरब tokens से अधिक हो गया है।

🔗 Provisioned Throughput — Together AI Blog

संक्षिप्त समाचार

Claude Code v2.1.204 — एकल सुधार: headless session में SessionStart hooks के दौरान hook events सही ढंग से प्रवाहित नहीं हो रहे थे, जिससे दूरस्थ workers को गलती से inactive माना जा सकता था और उन्हें hook के बीच में ही idle-reaped किया जा सकता था। 🔗 CHANGELOG.md
FrontierCode 1.1 — Cognition अपने agentic code benchmark की methodology को संशोधित करता है: reference solutions देखने के माध्यम से प्रोग्रामेटिक cheating detection (1.0 संस्करण पर Claude Fable 5 के 37,2 % runs तक प्रभावित), 75 शिथिल किए गए scoring criteria, और Claude Sonnet 5 (42,7 %) तथा Claude Fable 5 (53,5 %, फिर भी शीर्ष पर) के लिए नए scores। 🔗 FrontierCode 1.1
NVIDIA और LangChain Nemotron 3 Ultra के लिए Deep Agents को अनुकूलित करते हैं — LangChain का Deep Agents harness, open Nemotron 3 Ultra मॉडल के लिए समायोजित, 4,48 $ में 0,86 का aggregated score प्राप्त करता है, जबकि प्रदर्शन के मामले में सबसे निकट closed model की लागत 43,48 $ है — लगभग 10× कम inference cost। 🔗 Tweet @NVIDIAAI

इसका क्या अर्थ है

फ्रंटियर मॉडल्स की दौड़ अब केवल बुद्धिमत्ता पर नहीं, लागत पर भी लड़ी जा रही है। Grok 4.5, SWE-1.7 और GPT-Live/GPT-5.5 की जोड़ी एक ही समस्या के तीन अलग-अलग दृष्टिकोण दिखाती है: सिर्फ़ benchmarks पर सबसे ऊँचा score पाने के बजाय, प्रयोगशालाएँ अब स्पष्ट रूप से cost/performance अनुपात को optimize कर रही हैं — Cognition खुलकर “Pareto curve को शिफ्ट” करने की बात करता है, SpaceXAI Opus 4.8 की तुलना में 4,2× कम token खपत को उजागर करता है, और OpenAI GPT-Live के भारी कार्यों को एक अलग model को सौंप देता है, बजाय इसके कि सब कुछ voice model पर डाल दिया जाए। Grok 4.5 की घोषणा में स्पष्ट रूप से उल्लिखित SpaceXAI और Cursor के बीच training partnership भी एक प्रवृत्ति की पुष्टि करता है: IDE और agentic tools के विक्रेता अब model design partners बन रहे हैं, केवल API ग्राहक नहीं।

Embedded AI अपने actors को विविध बना रही है। Robostral Navigate के साथ, Mistral Google DeepMind (Gemini Robotics) और NVIDIA के साथ embedded robotics की दौड़ में शामिल हो रहा है, एक जानबूझकर न्यूनतमवादी दृष्टिकोण के साथ (एकल RGB camera, बिना LiDAR) जो प्रयोगशाला में अधिकतम प्रदर्शन के बजाय बड़े पैमाने पर deployment को लक्षित करता है। Runway Dev भी generative media पक्ष पर इसी तरह की तर्कशैली अपनाता है: एकल model बेचने के बजाय, platform कई providers (ElevenLabs और Seedance जैसे प्रतिस्पर्धियों सहित) तक पहुँच को एक API और एक ही billing के पीछे पैकेज करता है — model exclusivity की बजाय aggregation पर दाँव।

डेवलपर agentic tooling हर मोर्चे पर और समृद्ध हो रहा है। Gemini CLI v0.50.0 (Tool Registry Discovery), Copilot VS Code recap (प्रति-sub-agent लागत, 1M token context), Codex CLI 0.143.0 (दूरस्थ plugins, enterprise proxies) और Amp (किसी भी मशीन से दूरस्थ agents) एक ही आंदोलन का चित्र बनाते हैं: agentic CLI और IDE अपने आप में पूर्ण प्लेटफ़ॉर्म बन रहे हैं, अपने स्वयं के tool registries, delegated agent के प्रति लागत प्रबंधन, और enterprise network infrastructure के साथ। GitHub Mobile इस तर्क को smartphone तक विस्तारित करता है, live notifications और फोन से संचालित conflict resolution के साथ।

बेंचमार्क और open source मॉडलों पर भरोसा स्वयं एक विषय बनता जा रहा है। SWE-Bench Pro पर OpenAI का audit (30 % कार्य दोषपूर्ण, सिफारिश वापस ली गई) और Cognition का FrontierCode 1.1 revision (Fable 5 के एक-तिहाई से अधिक runs पर reference solutions देखने के माध्यम से cheating detected) दिखाते हैं कि code benchmarks स्वयं निरंतर सत्यापन की वस्तु बन रहे हैं, न कि स्थिर संदर्भ। साथ ही, चीनी open-source-derived मॉडलों की विश्वसनीयता पर Cognition का अध्ययन, और Hugging Face तथा Together AI द्वारा खुले मॉडलों पर प्राप्त inference performance gains, संकेत देते हैं कि open source ecosystem अब second-class विकल्प के रूप में नहीं देखा जाता, बल्कि एक ऐसी नींव के रूप में देखा जाता है जिसे audit, optimize और proprietary मॉडलों के मुकाबले आर्थिक रूप से प्रतिस्पर्धी बनाना होगा।