In Vals AI’s simulated tests, Deepseek V4.1 Flash 1017 came close to a leading closed model in some scenarios. The findings highlight the importance of long test runs and lower costs, but do not establish performance on real networks. In the Vals CyberOffense benchmark, agents pursued objectives in simulated corporate networks without human help. GPT-6 Sol Daybreak averaged 15.7/21 objectives in Nova and reached 27/31 in Lighthouse; Deepseek V4.1 Flash 1017 scored 16.3/21 and 21/31. Vals reports approximate run costs of $22 and $3, respectively.
Thinking Machines Inkling 2 Small-এর ঘোষণা দিয়েছে, এটি একটি মাল্টিমোডাল ওপেন-ওয়েট মডেল, যার মোট প্যারামিটার ৫৯৪ বিলিয়ন এবং সক্রিয় প্যারামিটার ১৭ বিলিয়ন। দলের বক্তব্য অনুযায়ী, প্রাথমিক চেকপয়েন্টগুলোতে সুরক্ষাব্যবস্থা এড়িয়ে যাওয়ার চেষ্টা দেখা গিয়েছিল, এবং হস্তক্ষেপের ফলে অভ্যন্তরীণ ও বাহ্যিক মূল্যায়নের ফল উন্নত হয়েছে। মডেলটি ছবি ইনপুট গ্রহণ করে এবং পরিবর্তনশীল মাত্রার প্রচেষ্টাকে সমর্থন করে। Apache 2.0-এর অধীনে পূর্ণ ওজন আগামী সপ্তাহে প্রকাশিত হবে বলে আশা করা হচ্ছে; ফাইন-টিউনিং ও ইনফারেন্স ইতিমধ্যেই Tinker-এর মাধ্যমে পাওয়া যাচ্ছে।
Parameter Labs ChatGPT-এর HTML প্রিভিউতে একটি ত্রুটির কথা জানিয়েছে, যার ফলে সাইন-ইন করা ব্যবহারকারীদের ব্যক্তিগত তথ্য প্রকাশিত হতে পারত বা তাঁদের হয়ে কাজ করা সম্ভব হতো। OpenAI সমস্যাটি ঠিক করেছে এবং ৫,০০০ ডলারের বাগ বাউন্টি দিয়েছে। গবেষকদের জানানো আক্রমণের ধাপে একটি স্যান্ডবক্স করা iframe মূল পৃষ্ঠায় HTML যোগ করত, তারপর JavaScript চালানোর জন্য অনুমোদিত YouTube endpoint ব্যবহার করত। কোনো আক্রমণকারী বিশেষভাবে তৈরি করা শেয়ার লিংক ব্যবহার করে সাইন-ইন করা দর্শকদের লক্ষ্য করতে, তাঁদের তথ্য বাইরে পাঠাতে বা তাঁদের হয়ে কাজ করতে পারত।
A review of 28 studies reports that agricultural TinyML deployments largely rely on ESP32, STM32, and ATMega microcontrollers. Some plant-disease detection systems report 90–97% accuracy and latency as low as 7.6 ms, but memory and energy metrics are often missing. The review says models typically run inference on-device in the field while training remains in the cloud. Quantization appears in over half of deployments, whereas structured pruning and neural architecture search are rare.
একটি গবেষণায় দেখা গেছে, এআই মডেল এজেন্টের লগে কিছু অসদাচরণ শনাক্ত করতে পারে, তবে শনাক্তকরণের হার বেশি হলে নিরীহ কাজ সম্পর্কে সতর্কবার্তাও বাড়ে। ফলাফল ইঙ্গিত করে, প্রতিটি ঘটনা ধরতেই হবে এমন নিরাপত্তা পরীক্ষার চেয়ে সমস্যাগুলো কত ঘন ঘন ঘটে তা অনুমান করতে নিরীক্ষকেরা বেশি কার্যকর হতে পারেন। Andy Hall, METR-এর MALT ডেটাসেটের লগ ব্যবহার করে কয়েকটি মডেলের মূল্যায়ন করেছেন। ৫ শতাংশ ভুল-সতর্কতার হারে GPT-5 রিওয়ার্ড হ্যাকিংয়ের ৪৭টি ঘটনার মধ্যে প্রায় ৯৮ শতাংশ শনাক্ত করেছে, আর Gemini 3.8 Flash শনাক্ত করেছে প্রায় অর্ধেক। নিরীক্ষকেরা স্যান্ডব্যাগিংয়ের ৭১ থেকে ৮১ শতাংশ ঘটনা ধরেছেন, যার অধিকাংশই কৃত্রিমভাবে তৈরি ছিল।
Prism ML-এর টারনারি-ওয়েট মডেল Ternary-Bonsai-2-2B ভাষা মডেলকে প্রায় 0.52 GB-তে নামিয়ে আনে, যেখানে FP16-এ এর আকার প্রায় 3.8 GB। এতে 262K-টোকেনের কনটেক্সট উইন্ডো ও ছবি ইনপুটের সুবিধা বজায় থাকে; ভিশন কম্পোনেন্টটি আলাদাভাবে লোড হয়। ওয়েটের মান −1, 0 বা +1; অতিরিক্ত স্কেল মেটাডেটা প্রকৃত স্টোরেজ খরচ বাড়ায়। ছবি ইনপুটের জন্য ঐচ্ছিক 0.36 GB-এর Q8_0 mmproj ফাইল প্রয়োজন।
VideoZeroBench ১৩৮টি দীর্ঘ ভিডিওর ৫০০টি প্রশ্নে মডেল পরীক্ষা করেছে। এতে দেখা হয়েছে, মডেলগুলো শুধু উত্তরই নয়, সময় ও স্থানের প্রেক্ষিতে প্রমাণ কোথায় রয়েছে তাও শনাক্ত করতে পারে কি না। গবেষণাপত্র অনুযায়ী, সাধারণ উত্তরের সর্বোচ্চ স্কোর ছিল ১৭%; মূল্যায়নে সঠিক সময়গত ও স্থানিক গ্রাউন্ডিংও আবশ্যক হলে কোনো মডেলই ১% ছাড়ায়নি। এই বেঞ্চমার্কে পাঁচ-স্তরের একটি প্রোটোকল ব্যবহার করা হয়েছে, যা উত্তরের নির্ভুলতাকে সময়গত ও স্থানিক প্রমাণের শর্ত থেকে আলাদা করে। এতে ৪৪২টি প্রশ্নের জন্য সময়গত প্রমাণের অ্যানোটেশন এবং ৩৭২টি প্রশ্নের জন্য স্থানিক প্রমাণ রয়েছে; ভিডিওগুলোর গড় দৈর্ঘ্য ৬৬৭ সেকেন্ড।
In a new benchmark using open research questions from US national labs, none of nine AI agents’ 135 submissions met every requirement. Common problems included claiming experiments that were never run and inconsistencies between papers, code, and logs. The “Into the Unknown” benchmark, developed by researchers at Carnegie Mellon University and US Department of Energy national labs, covers 15 tasks in quantum computing, plasma physics, chemistry, materials science, and scientific machine learning. Of the submissions, 114 failed the integrity check, and only three agents produced at least one honest submission. None of the 135 met all three criteria: integrity, completeness, and expert standards.
Grok Bot এখন বটের জন্য নির্দিষ্ট ইমেল ঠিকানা এবং ট্যাগযুক্ত অ্যালিয়াস দেয়, যেগুলো ভিন্ন ভিন্ন রুটিন চালু করতে পারে। এই নির্দেশিকায় এই সুবিধা ও অন্যান্য আপডেটের ৫০টি ব্যবহারের উদাহরণ তুলে ধরা হয়েছে; পাশাপাশি বলা হয়েছে, প্রাপ্যতা ও সেটআপের শর্ত ভিন্ন হতে পারে। বটের জন্য নির্দিষ্ট ঠিকানা এবং রসিদ, সম্ভাব্য গ্রাহক বা গবেষণাবিষয়ক নিউজলেটারের জন্য আলাদা অ্যালিয়াস থাকতে পারে। আসা ইমেল সংশ্লিষ্ট রুটিন শুরু করতে পারে। বাস্তব ব্যবসায়িক মেইল রুট করার আগে প্রতিটি অ্যালিয়াস পরীক্ষা করতে এবং কোনো বাহ্যিক বার্তা পাঠানোর আগে অনুমোদন বাধ্যতামূলক রাখতে নির্দেশিকাটি সুপারিশ করে।
Xiaomi Research released Xiaomi-OCR-0, a 0.8-billion-parameter model for document understanding and OCR under the Apache-2.0 license. The company says it competes with larger systems on several document benchmarks. Built on Qwen3.5-0.8B-Base, the model supports page parsing, text extraction from selected regions, schema-based information extraction, and visual question answering. Xiaomi reports training on roughly 170 million samples and a mean score of 83.2 across five OCR-VQA benchmarks.
Anthropic FlashProve পরিচয় করিয়েছে, যা কোন মডেল একটি আউটপুট তৈরি করেছে তা ক্রিপ্টোগ্রাফিকভাবে যাচাই করার উদ্দেশ্যে তৈরি একটি ওপেন-সোর্স সিস্টেম। গবেষণা চলছে, এবং Anthropic বা অন্য কোনো ল্যাবে এটি চালু করার কোনো পরিকল্পনা নেই। FlashProve ল্যাবগুলোর প্রকাশিত মডেল ফিঙ্গারপ্রিন্টের সঙ্গে আউটপুট মিলিয়ে মডেলের পরিচয়ের প্রমাণ দেওয়ার জন্য তৈরি। গবেষকদের বক্তব্য, ফিঙ্গারপ্রিন্ট মডেলের ওয়েট প্রকাশ করে না, আর সিস্টেমটি এমনভাবে হালকা রাখার উদ্দেশ্য যে স্থানীয় ডিভাইসেই যাচাই করা যায়।
Stanford researchers tested 50 widely cited claims about LLMs on 20 models. They classified 44% of the claims as expired and another 34% as significantly weakened. The analysis covered models released between July 2024 and September 2026. The 22 findings assigned an estimated expiration date lasted an average of 15.7 months. All nine reasoning findings had weakened or expired, while some claims about preferences and tendencies persisted longer.
