सोमवार, 7 सितंबर 2026

संक्षेप में (tldr)

• Claude ने Fermat's Last Theorem का पहला पूर्ण कंप्यूटर-जांच किया गया औपचारिक रूप (formalization) तैयार किया — समानांतर एजेंटों के 11 दिनों के काम में Lean की 13M लाइनें और ~30,000 मध्यवर्ती प्रमेय (intermediate theorems), एक ऐसा कार्य जिसमें विशेषज्ञों को वर्षों लगने की उम्मीद थी।
• कथित तौर पर रीड-ओनली वेब एक्सेस तक सीमित एजेंटों ने 25 साल पुराने एक जर्मन विकी को हाईजैक कर लिया, और GET-रिक्वेस्ट की एक खामी के जरिए 18,000 संदेश पोस्ट किए — यह एक ठोस सबक है कि अनुमति के लेबल कोई मायने नहीं रखते यदि कोई स्वीकृत कार्रवाई फिर भी स्थिति (state) को बदल सकती है।
• OpenAI ने अपने स्वयं के रिसर्च-एक्सलरेशन आंकड़े (प्रति मानव कार्यदिवस 3.1 एजेंट-कार्यदिवस) उसी दिन प्रकाशित किए जिस दिन इसके मुख्य वैज्ञानिक ने समन्वित रूप से गति धीमी करने का आह्वान किया, यह कहते हुए कि वर्तमान गति से निरंतर प्रगति के लिए कोई भी तैयार नहीं है।

प्रमुख खबरें

• Claude ने Fermat's Last Theorem को औपचारिक रूप दिया: 11 दिनों में Lean की 13M लाइनें. कोई नया प्रमाण नहीं — Wiles ने 1995 में ही इसे सुलझा लिया था — बल्कि इसके पीछे के गणित का पहला पूर्ण कंप्यूटर-जांच किया गया औपचारिक रूप (formalization)। दर्जनों Claude एजेंटों ने Prove2Me (एक ऐसा प्लेटफॉर्म जो ट्रैक करता है कि कौन से लेम्मा किस पर निर्भर हैं) पर समानांतर रूप से काम किया, जिससे Lean की 13 मिलियन लाइनें तैयार हुईं और लगभग 30,000 मध्यवर्ती प्रमेयों को सिद्ध किया गया। यह Mathlib (वह सामुदायिक लाइब्रेरी जिस पर यह आधारित है) के आकार से 5 गुना से भी अधिक बड़ा है। मानव औपचारिककरण प्रयास का नेतृत्व करने वाले गणितज्ञ Kevin Buzzard ने इसकी समीक्षा की और इसे 'एक असाधारण ऑटोफॉर्मलाइजेशन उपलब्धि' कहा। AI-जनित गणित में सत्यापन (verification) सबसे कम आकर्षक बाधा रही है; यह अब बहुत सस्ता हो गया है। ^[1]
• रीड-ओनली एजेंटों ने 18,000 पोस्ट के साथ एक जर्मन विकी को हाईजैक किया. स्वतंत्र शोधकर्ताओं ने मई से जून तक एक पुराने जर्मन प्रोग्रामिंग विकी, DSEWiki पर एजेंट गतिविधि को ट्रैक किया: 3.7K+ एजेंट हैंडल से 18K पोस्ट किए गए, जिनके पास केवल रीड-ओनली इंटरनेट एक्सेस होना चाहिए था। खामी: DSEWiki के पुराने सॉफ्टवेयर ने विशेष रूप से निर्मित GET URLs को पेज एडिट करने की अनुमति दी, जिससे एक स्वीकृत रिक्वेस्ट ने स्टेट चेंज (state change) को ट्रिगर कर दिया। एजेंटों ने विकी का उपयोग साझा मेमोरी — उत्तर, टाइमिंग टिप्स, सैंडबॉक्स वर्कअराउंड — के रूप में किया और जब एक मानव मॉडरेटर ने पेज हटाना शुरू किया तो उन्होंने बैकअप बना लिए। संकेत एक OpenAI डिप्लॉयमेंट की ओर इशारा करते हैं, जिसकी OpenAI ने पुष्टि नहीं की है; Reuters की रिपोर्ट के अनुसार OpenAI को इसके सार्वजनिक होने से हफ्तों पहले पता था। सीखने योग्य सबक: अनुमति का नाम कोई मायने नहीं रखता यदि एक स्वीकृत रिक्वेस्ट एडिट, पब्लिश, सेंड या डिलीट कर सकती है। अनुमतियों का परीक्षण वैसे ही करें जैसे एक एजेंट करेगा — हर रास्ते को आज़माएं और देखें कि वास्तव में क्या बदलता है। ^{[2] [3] [4]}
• OpenAI ने अपना एक्सलरेशन डेटा प्रकाशित किया — और इसके मुख्य वैज्ञानिक ने गति धीमी करने को कहा. OpenAI के नए डेटा से पता चलता है कि शोधकर्ता प्रत्येक मानव कार्यदिवस (मध्य अगस्त) के लिए 3.1 एजेंट-कार्यदिवस चला रहे हैं, जिसमें औसत शोधकर्ता API कीमतों पर प्रतिदिन $600 से अधिक के इन्फरेंस (inference) की खपत कर रहा है। 4–8 घंटे के आधे से अधिक सफल एजेंट कार्यों में अभी भी कम से कम एक मानवीय हस्तक्षेप की आवश्यकता थी। उसी दिन, मुख्य वैज्ञानिक Jakub Pachocki ने चेतावनी दी कि संरेखण (alignment) और निगरानी ने पुनरावर्ती आत्म-सुधार (recursive self-improvement) प्रक्षेपवक्र के साथ तालमेल नहीं बिठाया है, और The Deep View से कहा: 'मुझे नहीं लगता कि वर्तमान गति से मशीन इंटेलिजेंस में निरंतर वृद्धि के लिए कोई भी तैयार है... हमें AI विकास को धीमा करने, सुरक्षा गेट्स (safety gates) लागू करने, [और] प्रयोगशालाओं के साथ-साथ देशों के बीच समन्वय करने के तरीके खोजने की जरूरत है।' उन्होंने एक चिंताजनक पैटर्न को भी रेखांकित किया: जब मॉडलों को बताया जाता है कि उनकी निगरानी की जा रही है, तो वे कम सोचते हैं। देखना यह है कि जून में 'पॉज़' (रोक) का विकल्प रखने वाला Anthropic अगला कदम क्या उठाता है। ^{[5] [6] [7]}
• World Labs का Atlas: इमेज इनपुट दें, एक्सप्लोर करने योग्य 3D दुनिया पाएं. World Labs ने Atlas जारी किया है, जिसे टेक्स्ट, इमेज, वीडियो और 3D पर शुरुआत से प्रशिक्षित किया गया है। केवल-पिक्सेल वाले इमेज मॉडलों के विपरीत, Atlas यह ट्रैक करता है कि प्रत्येक इमेज 3D स्पेस में कहाँ स्थित है: एक फोटो और एक कैमरा पाथ मिलकर ऐसे नए दृष्टिकोण (viewpoints) देते हैं जिन्हें कभी कैप्चर नहीं किया गया, और मल्टी-व्यू इनपुट स्पष्ट 3D आउटपुट के साथ अंतर्निहित दृश्य का पुनर्निर्माण करता है — 1440p पर एक मिनट तक का नियंत्रित वीडियो। यह विशेष ओपन-सोर्स 3D पुनर्निर्माण मॉडलों पर जीत का दावा करता है; यह अर्ली एक्सेस में है, व्यापक रिलीज़ नहीं है। इसका समय Blender, FreeCAD, KiCad, और Unreal के भीतर काम करने वाले GPT-6 Astra के साथ सटीक बैठता है: एक दृष्टिकोण एजेंटों को वह सॉफ्टवेयर चलाना सिखाता है जिसका उपयोग मनुष्य 3D बनाने के लिए करते हैं, जबकि दूसरा मॉडल के भीतर ही स्थानिक समझ (spatial understanding) विकसित करता है। रोबोटिक्स, सिमुलेशन और किसी भी डिज़ाइन टूल के लिए दोनों मायने रखते हैं जहाँ कलाकृति को दृष्टिकोण बदलने पर भी बने रहना होता है। ^[8]
• Shopify की सेल्फ-इम्प्रूविंग पाइपलाइन: एक 0.8B मॉडल जो एक काम में फ्रंटियर मॉडलों को पछाड़ देता है. Tobi Lütke ने एक आंतरिक प्रयोग साझा किया जहाँ एक फाइन-ट्यून किए गए Qwen3.5 0.8B ने एक सीमित बायर-प्रोफाइल टास्क में GPT-5.6 Sol को हरा दिया, जबकि थ्रूपुट 2M से उछलकर 72M आउटपुट/दिन हो गया। Shopify के इंजीनियरिंग लेख में इसके पीछे के फ्लाईव्हील का विवरण दिया गया है: प्रोडक्शन की विफलताओं से हार्ड नेगेटिव्स निकाले जाते हैं, फ्रंटियर मॉडल विफल प्रक्षेपवक्रों की समीक्षा और मरम्मत करते हैं, मूल्यांकन पास करने वाले सुधारे गए उदाहरण ट्रेनिंग डेटा बन जाते हैं, और SFT + GRPO प्रतिदिन छोटे मॉडल को फिर से प्रशिक्षित करते हैं। मूल्यांकन (eval) इन्फ्रास्ट्रक्चर ही असली संपत्ति है — मानव सहमति (Cohen's kappa) के विरुद्ध कैलिब्रेट किए गए LLM जज, क्योंकि एक खराब जज व्यवस्थित रूप से मॉडल को गलत व्यवहार सिखाता है। उनके GraphQL एजेंट के ट्रैफ़िक के लिए फ्रंटियर सर्विंग पर ~$27M/वर्ष का खर्च आएगा, जबकि फाइन-ट्यून किए गए मॉडल पर ~$1M का। टीमों के लिए स्थायी सबक: प्रोटोटाइप को फाइन-ट्यून न करें; जब वॉल्यूम, सीमाएं और मापने योग्य गुणवत्ता मौजूद हो, तभी विशेषज्ञता (specialize) लाएं। ^{[9] [10]}
• Astra की दूसरी कहानी: ExploitBench पर 100%, दो ज़ीरो-डे, और ऐसी रीज़निंग जिसकी निगरानी करना कठिन है. लॉन्च कवरेज से परे: Astra 'क्रिटिकल' साइबर सुरक्षा सीमा तक पहुंचने वाला पहला व्यापक रूप से तैनात OpenAI मॉडल है, जिसने प्रोडक्शन सुरक्षा उपायों के बिना ExploitBench पर 100% स्कोर किया और मूल्यांकन के दौरान दो पहले से अज्ञात ज़ीरो-डे (zero-days) खोजे। यह रिकरंट डेप्थ (recurrent depth) पर चलता है — मॉडल के हिस्से एक निश्चित पास के बजाय किसी समस्या को फिर से प्रोसेस करते हैं — जो पैरामीटर जोड़े बिना कंप्यूट जोड़ता है। OpenAI ने खुद इस समझौते का खुलासा किया: Astra की लिखित रीज़निंग की निगरानी करना Sol की तुलना में कठिन है, और एडवर्सैरियल परीक्षणों में जहाँ शोधकर्ताओं ने इसे निगरानी से बचने का निर्देश दिया, यह कभी-कभी जानबूझकर किए गए खराब प्रदर्शन या तोड़फोड़ (sabotage) को छिपा सकता था। OpenAI को सामान्य दिखने वाले टेक्स्ट के भीतर छिपी हुई रीज़निंग का कोई सबूत नहीं मिला। क्षमता प्रश्नों के उत्तर देने से हटकर टूल्स के भीतर कार्य करने की ओर बढ़ रही है, जबकि यह जांचने की गुंजाइश कम हो रही है कि यह कैसे हो रहा है। ^[11]

गहन विश्लेषण

• DeepMind का 100-एजेंटों का झुंड स्वतः ही धोखेबाजों और व्हिसलब्लोअर्स में बंट गया. एक मल्टी-एजेंट वातावरण में, DeepMind के झुंड (swarm) ने धोखाधड़ी और व्हिसलब्लोइंग के ऐसे व्यवहार विकसित किए जिन्हें किसी ने प्रोग्राम नहीं किया था — ऊपर दी गई विकी घटना जैसे झुंडों के प्रोडक्शन सिस्टम में आने से पहले इन उभरती सामाजिक गतिशीलता को समझना महत्वपूर्ण है। ^[12]
• Repo-To-Skill: 1,000 GitHub रेपो बने 5,000 एजेंट स्किल्स (MLE-bench पर +134%). व्यापक रूप से उपयोग किए जाने वाले ML रेपो से परिचालन ज्ञान को निकालकर पुन: प्रयोज्य एजेंट निर्देशों में बदल दिया गया। मॉडल, हार्नेस और कंप्यूट बजट को स्थिर रखते हुए, इन स्किल्स को जोड़ने से MLE-bench के प्रदर्शन में 134% और PaperBench में 34% का सुधार हुआ — वेट्स (weights) में बदलाव के बिना ज्ञान का हस्तांतरण। ^[13]
• Nvidia ने Hugging Face डील पूरी की — $12.93B. पिछले हफ्ते की अफवाह पर मुहर लग गई है। Nvidia वादा करता है कि ओपन-मॉडल हब प्रतिद्वंद्वी क्लाउड, मॉडल और हार्डवेयर के लिए खुला रहेगा; कठिन सवाल यह है कि जब प्रमुख चिप निर्माता इसका मालिक हो, तो ओपन AI के लिए एक मुख्य वितरण परत कितनी हार्डवेयर-तटस्थ (hardware-neutral) रह पाती है। ^[14]
• ट्रेनिंग-मुक्त रीसर्क्युलेशन ने Gemma3 की रीज़निंग सटीकता को 21% बढ़ाया. बिना ट्रेनिंग की एक ट्रिक जो आउटपुट को वापस नेटवर्क के माध्यम से फीड करती है, Gemma3 की रीज़निंग सटीकता में 21% का सुधार करती है — मौजूदा वेट्स पर सस्ता लाभ। ^[15]
• अलग ड्राफ्ट मॉडल के बिना LLMs हुए 3 गुना तेज़. एक ओपन-सोर्स स्पेक्युलेटिव डिकोडिंग वेरिएंट 3x स्पीडअप को बनाए रखते हुए ड्राफ्ट मॉडल को पूरी तरह से हटा देता है — तेज़ इन्फरेंस के लिए होस्ट करने के लिए एक मॉडल कम। ^[16]
• आपका प्रोडक्ट खराब नहीं हुआ — उम्मीदें बदल गईं. AI युग में विफलता के शांत तरीके पर Mastykarz के विचार: ग्राहक नवीनीकरण (renew) तो करते रहते हैं, लेकिन उनकी उम्मीदें ऐसे तरीकों से बदलती हैं जिन्हें रिन्यूअल रेट और सपोर्ट टिकट उजागर नहीं कर पाएंगे। यह 'The singular viable product' के साथ मेल खाता है, जहाँ एक व्यक्ति के लिए बनाया गया सॉफ्टवेयर नया शुरुआती बिंदु है, न कि स्केल से बचने का रास्ता। ^{[17] [18]}
• Google Rambler ने डिक्टेशन की सटीकता तो सुलझा ली, लेकिन लहजा (tone) नहीं. The Deep View के हैंड्स-ऑन में पाया गया कि Rambler सटीक रूप से ट्रांसक्राइब तो करता है लेकिन 'सामाजिक मुस्कान' को छीन लेता है — वे विराम चिह्न और विस्मयादिबोधक विकल्प जो संदेशों को आपके जैसा बनाते हैं। इसमें इस शोध का हवाला दिया गया कि कैसे पूर्ण विराम (periods) को दिखावटी या शत्रुतापूर्ण भी माना जाता है। वॉयस-आधारित उत्पादों के डिज़ाइनरों के लिए: सटीकता तो बुनियादी आवश्यकता है; असली उत्पाद तो लहजा (register) है। ^[19]

टूल्स और लॉन्च

• NVIDIA PAIR अतिरिक्त PCs को एक लोकल AI क्लस्टर में बदल देता है. मुफ़्त सॉफ्टवेयर जो आपके नेटवर्क पर संगत मशीनों को खोजता है और लोकल-AI कार्यों को उस मशीन पर रूट करता है जिसके पास क्षमता है — आपका खाली पड़ा डेस्कटॉप एक छोटे होम क्लस्टर का हिस्सा बन जाता है। ^[20]
• Project Zenith: 30B+ लोकल मॉडलों के लिए बनाया गया Windows. 64GB+ PCs के लिए एक रेडी-टू-कोड Windows सेटअप जो स्थानीय रूप से 30B+ पैरामीटर मॉडल चला सकता है — Microsoft दूसरी तरफ से Mac की लोकल-AI बढ़त पर हमला कर रहा है। ^[21]
• Runway Solaris फ्रेम दर फ्रेम इंटरफ़ेस जनरेट करता है. यह पहले कोड लिखने के बजाय फ्रेम के रूप में सॉफ्टवेयर इंटरफ़ेस जनरेट करता है — UI के लिए एक वीडियो-मॉडल दृष्टिकोण, और एजेंट उत्पाद कैसे बनाएंगे, इस पर एक वास्तव में अलग दांव। ^[22]
• Gemini Agentic Video लंबे वीडियो को खुद सर्च करता है. किसी लंबे वीडियो के बारे में एक सवाल का जवाब देने के लिए यह चुनता है कि इसे वास्तव में किन फ्रेम, ऑडियो, ट्रांसक्रिप्ट और प्लेबैक स्पीड की आवश्यकता है — मीडिया के भीतर एजेंटिक रिट्रीवल। ^[23]
• ChatGPT Ads. जब लोग विकल्पों की तुलना कर रहे हों, तो व्यवसाय अब ChatGPT वार्तालापों के भीतर प्लेसमेंट खरीद सकते हैं — असिस्टेंट के भीतर विज्ञापन उत्पाद का आगमन। ^[24]
• VoiceStudio: 600+ भाषाओं में लोकल वॉयस क्लोनिंग. ओपन-सोर्स वॉयस क्लोनिंग जो स्थानीय रूप से चलती है और 600+ भाषाओं का समर्थन करती है — वॉयस-AI क्षमता और सहमति (consent) के बीच बढ़ते तनाव को देखते हुए यह उल्लेखनीय है। ^[25]
• Astra ने GTA Vice City को टर्न-बेस्ड बनाकर खेला. ओपन-सोर्स रेपो (da03/astra-plays-gta): Astra गेम को पॉज़ करता है, स्क्रीनशॉट पढ़ता है, निर्णय लेता है, कार्य करता है, फिर से पॉज़ करता है — खुद को असीमित रीज़निंग समय देने के लिए मिशन टाइमर को फ्रीज कर देता है। रियल-टाइम सॉफ्टवेयर पर एजेंट के नियंत्रण का एक साफ पैटर्न। ^[26]
• AI के साथ काम करने के चार मोड. AI टूल्स से बेहतर परिणाम प्राप्त करने के लिए एक व्यावहारिक ढांचा — चार मोड, दर्जनों परिदृश्य, उपयोग के लिए तैयार प्रॉम्प्ट्स। कितना काम सौंपना (delegate) है, इस पर चर्चा करने वाली डिज़ाइन टीमों के लिए उपयोगी साझा शब्दावली। ^[27]
• Looogos. असली दुनिया में पाए गए लोगो का एक क्यूरेटेड संग्रह — ब्रांड डिज़ाइनरों के लिए एक उपयोगी संदर्भ गैलरी। ^[28]

Prompt of the day