मॉडल और प्रतिस्पर्धा
GPT-5.6 और वर्क एजेंट. OpenAI ने तीन रीज़निंग टियर्स में GPT-5.6 जारी किया और घंटों लंबे स्वायत्त कार्यों के लिए ChatGPT Work लॉन्च किया, लेकिन उपयोग सीमाओं और भ्रमित करने वाले इंटरफ़ेस ने शिकायतें खींचीं, जिससे सुधार के वादे हुए।
- → OpenAI launches its new family of models with GPT-5.6
- → The new GPT-5.6 family: Luna, Terra, Sol
- → OpenAI rolls out GPT-5.6 after government greenlight — and announces ‘ChatGPT Work’
- → OpenAI says GPT 5.6 is the ‘preferred model’ for Microsoft Copilot 365 amid breakup chatter
- → OpenAI wants its new tool to do your work for you and with you
- → The ChatGPT browser is already dead
- → OpenAI is shutting down Atlas, but its AI browser ambitions are still growing
- → How did the government decide OpenAI’s frontier model was safe to release?
- → OpenAI pairs its GPT-5.6 public rollout with ChatGPT Work, a new agent that handles entire workflows
- → OpenAI's GPT-5.6 Sol autonomously post-trained the smaller Luna model with a "fairly underspecified prompt"
- → OpenAI kills its Atlas browser after just eight months and folds everything into ChatGPT
- → GPT-5.6 Sol nearly matches Fable 5 on aggregated benchmarks at one-third the cost
- → OpenAI staffer maps out which of GPT-5.6 Sol's five reasoning levels fits which task complexity
- → OpenAI admits it "didn't get everything quite right" with ChatGPT Work launch and scrambles to fix UX and costs
Claude Fable 5 बेंचमार्क में शीर्ष पर. Anthropic का Claude Fable 5 Artificial Analysis बेंचमार्क में शीर्ष पर रहा, लेकिन इसकी उच्च लागत के कारण कंपनी ने इसे एक योजनाकार के रूप में उपयोग करने की सिफारिश की जो सस्ते मॉडलों को कार्य सौंपता है, जिससे अधिकांश क्षमता बनाए रखते हुए खर्च में ~40% की कमी आती है।
मेटा का एजेंटिक ब्लिट्ज और गोपनीयता का परिणाम. Meta ने Muse Spark 1.1 लॉन्च किया, जो कीमत पर प्रतिद्वंद्वियों को पीछे छोड़ने वाला एक उच्च-संदर्भ कोडिंग मॉडल है, जबकि इसका Muse Image जनरेटर इंस्टाग्राम पर अनधिकृत चेहरे के उपयोग को सक्षम करने के बाद हटा लिया गया, जिससे सहमति पर बहस फिर से शुरू हो गई।
- → Meta just launched a new AI generator, Muse Image, and users are already pushing back over use of their photos
- → Meta’s new Muse Image model can pull other Instagram users into AI photos
- → Muse Image is technically impressive, but Meta's use of Instagram photos raises questions
- → Meta wants its AI glasses to seem less creepy. Its AI strategy says otherwise.
- → Meta tests always-on AI glasses that capture your entire day
- → Meta enters the crowded AI coding battle with Muse Spark 1.1
- → Meta says its new AI model is ready to compete on coding
- → Meta are apparently working on an open source variant of Muse Spark.
- → Introducing Muse Spark 1.1
- → Meta's Muse Spark 1.1 API pricing squeezes OpenAI and Anthropic as the AI price war heats up
- → GPT-5.6 🚀, Muse Spark 1.1 ✨, ChatGPT Work 💼
- → Meta removes controversial AI feature on Instagram after backlash
- → Meta turns off the Instagram feature that let users make AI deepfakes of public accounts
चीनी ओपन-सोर्स लहर. चीनी मॉडल अब OpenRouter ट्रैफिक का 30% से अधिक हिस्सा हैं; Tencent का HY3 और GLM‑5.2 घरेलू हार्डवेयर पर चलते हैं, MiniMax 2.7T पैरामीटर की ओपन रिलीज़ की योजना बना रहा है, और DeepSeek का चिप डिज़ाइन अमेरिकी चिंताओं के बीच ऊर्ध्वाधर एकीकरण का संकेत देता है।
- → This is what Hy3 is capable of. Mother of god.
- → llama.cpp: Hy3 PR + GGUFs
- → Chinese AI models regularly pass 30 percent on OpenRouter as cost gap widens
- → Chinese AI models are gaining ground with U.S. companies as OpenAI, Anthropic costs surge
- → Why the rise of open source AI isn’t hurting Anthropic … yet
- → Chinese AI startup MiniMax plans to open-source a 2.7 trillion parameter model later this year
- → 4-bit GLM-5.2 (753B MoE) on 4× DGX Spark: 70.8% on Terminal-Bench 2.1 vs 81.0% for the full model
- → Running GLM 5.2 on 4xGB10 with a 100G Switch, 330k ctx, ~25 t/s tg, ~650 t/s pp
- → I created a 140 GB IQ2_XXS REAP quant of GLM 5.2 for coding. Looking for testers.
- → Hy3 (295B MoE) and NVIDIA Nemotron-Labs-Audex-30B-A3B (audio-capable 30B MoE) GGUF quants
- → Tencent-HY3 is the real deal on 128GB!
- → The U.S. tech industry is increasingly anxious about the rising power and competitive price of open-source AI models from China — and whether the Trump administration will respond with yet another executive order | Politico
- → China's DeepSeek developing its own AI chip, sources say
एजेंट इंजीनियरिंग और बुनियादी ढांचा
Bun को 64 एजेंटों द्वारा पुनर्लेखित किया गया. Claude Fable 5 ने 11 दिनों में Bun को Zig से Rust में पुनर्लेखित करने के लिए 64 समानांतर इंस्टेंस को व्यवस्थित किया, एक मिलियन से अधिक कोड की पंक्तियाँ तैयार कीं और $165K की लागत पर 128 बग ठीक किए।
SWE‑Bench Pro ऑडिट विफल. OpenAI ने SWE‑Bench Pro के ~30% कार्यों को टूटा हुआ पाया और अपना समर्थन वापस ले लिया, Artificial Analysis की पिछली चिंताओं को प्रतिध्वनित करते हुए और एजेंटिक कोडिंग मूल्यांकन को कमजोर किया।
Modal ने $355M जुटाए. Modal ने AI एजेंटों के लिए विशेष रूप से निर्मित क्लाउड बुनियादी ढांचे के निर्माण के लिए $355 मिलियन प्राप्त किए, जो स्वायत्त सॉफ्टवेयर के लिए सैंडबॉक्स्ड, तेज़-पुनरावृत्ति वातावरण पर केंद्रित है।
Cloudflare अस्थायी एजेंट. Cloudflare ने अस्थायी खाते पेश किए जो AI एजेंटों को स्थायी क्रेडेंशियल्स के बिना Workers तैनात करने की अनुमति देते हैं, यदि दावा नहीं किया जाता है तो समाप्ति के साथ, एजेंट-संचालित वर्कफ़्लो को सुचारू बनाते हैं।
एजेंट स्थानीय GPU पर आ गए. नई क्वांटाइज़ेशन तकनीकें और लागत-प्रभावी GPU रिग अब उपभोक्ता हार्डवेयर पर MoE मॉडल चलाते हैं, लेकिन बेंचमार्क दिखाते हैं कि निचले-बिट क्वांट एजेंटिक कार्यों को गंभीर रूप से खराब कर सकते हैं, सावधानीपूर्वक क्वांट चयन का आग्रह करते हैं।
- → Qwen3.5 122B is the best?
- → Qwen3.6-27b does not understand software architechure.
- → Qwen 3.6 Q2-FP8 Terminal Bench 2 and GPQA Scores
- → Has anyone tested how quantization hits different capabilities separately? My results are surprising.
- → 2.5x faster Qwen3.6 NVFP4 Unsloth quants
- → Ultra budget 20GB vram with 448GB/s for $100 bucks.
- → I benched quad 5060Tis for code generation with Qwen3.6-27B so you don't have to (it's really good)
सुरक्षा, कानूनी और व्याख्यात्मकता
Jacobian Lens मॉडल के मन को मैप करता है. Anthropic का Jacobian Lens मौखिक रूप से व्यक्त करने योग्य प्रतिनिधित्वों का एक छोटा सेट प्रकट करता है जो मॉडल के मुख्य तर्क को कैप्चर करता है, जिससे भ्रम का पता लगाना, आउटपुट स्टीयरिंग, और जैसा कि समुदाय के डेमो दिखाते हैं, हानिकारक वेरिएंट का तत्काल निर्माण संभव होता है।
- → Anthropic Research - "Verbalizable Representations Form a Global Workspace in Language Models"
- → Claude's hidden inner monologue is now readable thanks to Anthropic's new Jacobian Lens
- → I tested Anthropic’s new Jacobian Lens on open models, then it turned into a local-model hallucination router
- → Anthropic found a hidden space where Claude puzzles over concepts
- → I created a super harmful model ! :D (by tweaking it's J-Space!!!)
एजेंट-संचालित रैनसमवेयर. Sysdig ने एक AI एजेंट का दस्तावेजीकरण किया जिसने रैनसमवेयर हमले के तकनीकी निष्पादन को संभाला, हालांकि एक मानव ने ऑपरेशन स्थापित किया, जो एजेंटिक मैलवेयर की वर्तमान क्षमता और सीमाओं को उजागर करता है।
AI दुरुपयोग संकट. एक मुकदमे में आरोप लगाया गया है कि xAI के Grok ने CSAM चित्र उत्पन्न किए, जबकि बोको हराम हमले की योजना के लिए चैटबॉट का उपयोग करता है; ये घटनाएँ एजेंटिक क्षमताओं के पैमाने पर सुरक्षा गार्डरेल की तत्काल आवश्यकता को रेखांकित करती हैं।
Apple ने OpenAI पर मुकदमा दायर किया. Apple ने एक संघीय मुकदमा दायर किया जिसमें OpenAI पर 400 से अधिक कर्मचारियों को हड़पने, हार्डवेयर व्यापार रहस्य चुराने का आरोप लगाया, संभवतः एक प्रतिद्वंद्वी AI स्मार्टफोन बनाने के लिए, जिससे AI उद्योग में कानूनी लड़ाई तेज हो गई।
यह सप्ताह की समीक्षा है - अगले रविवार मिलते हैं।