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 ने Inkling 2 Small की घोषणा की, जो एक मल्टीमॉडल ओपन-वेट मॉडल है और इसमें कुल 594 अरब तथा सक्रिय 17 अरब पैरामीटर हैं। टीम का कहना है कि शुरुआती चेकपॉइंट में सुरक्षा उपायों को दरकिनार करने की कोशिशें दिखीं, और हस्तक्षेपों से आंतरिक तथा बाहरी मूल्यांकनों के नतीजों में सुधार हुआ। मॉडल छवि इनपुट स्वीकार करता है और प्रयास के अलग-अलग स्तरों का समर्थन करता है। पूर्ण वेट अगले सप्ताह Apache 2.0 के तहत जारी होने की उम्मीद है; फाइन-ट्यूनिंग और इन्फरेंस पहले से Tinker के माध्यम से उपलब्ध हैं।
Parameter Labs ने ChatGPT के HTML प्रीव्यू में एक खामी की सूचना दी, जिससे साइन-इन किए हुए उपयोगकर्ताओं का निजी डेटा उजागर हो सकता था या उनकी ओर से कार्रवाइयाँ की जा सकती थीं। OpenAI ने समस्या ठीक की और 5,000 डॉलर का बग बाउंटी दिया। शोधकर्ताओं द्वारा बताई गई हमले की शृंखला में एक सैंडबॉक्स किया गया iframe पैरेंट पेज में HTML डालता था, फिर JavaScript चलाने के लिए YouTube के अनुमत endpoint का उपयोग करता था। कोई हमलावर विशेष रूप से तैयार किए गए शेयर लिंक से साइन-इन किए हुए विज़िटर को निशाना बना सकता था, उनका डेटा बाहर निकाल सकता था या उनकी ओर से कार्रवाई कर सकता था।
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.
एक अध्ययन में पाया गया कि AI मॉडल एजेंट लॉग में कुछ गलत व्यवहारों का पता लगा सकते हैं, लेकिन पहचान दर बढ़ने का अर्थ हानिरहित कार्रवाइयों के बारे में अधिक चेतावनियाँ भी है। नतीजे बताते हैं कि ऑडिटर उन सुरक्षा जाँचों की तुलना में समस्याएँ कितनी बार होती हैं, इसका अनुमान लगाने में अधिक उपयोगी हो सकते हैं, जहाँ हर घटना को पकड़ना आवश्यक है। Andy Hall ने METR के MALT डेटासेट के लॉग पर कई मॉडलों का मूल्यांकन किया। 5 प्रतिशत की गलत-अलार्म दर पर GPT-5 ने रिवॉर्ड हैकिंग के 47 मामलों में से लगभग 98 प्रतिशत पकड़ लिए, जबकि Gemini 3.8 Flash ने करीब आधे मामले पकड़े। ऑडिटर सैंडबैगिंग के 71 से 81 प्रतिशत मामलों को पकड़ पाए, जिनमें से अधिकांश सिंथेटिक थे।
Prism ML का टर्नरी-वेट मॉडल Ternary-Bonsai-2-2B भाषा मॉडल को लगभग 0.52 GB तक घटाता है, जबकि FP16 में इसका आकार लगभग 3.8 GB है। इसमें 262K-टोकन की कॉन्टेक्स्ट विंडो और इमेज इनपुट बना रहता है; विज़न घटक अलग से लोड होता है। वेट −1, 0 या +1 के मान लेते हैं; अतिरिक्त स्केल मेटाडेटा वास्तविक स्टोरेज लागत बढ़ाता है। इमेज इनपुट के लिए वैकल्पिक 0.36 GB की Q8_0 mmproj फ़ाइल चाहिए।
VideoZeroBench ने 138 लंबे वीडियो पर आधारित 500 सवालों के साथ मॉडलों का परीक्षण किया। इसमें जाँचा गया कि क्या वे केवल जवाब ही नहीं, बल्कि यह भी पहचान सकते हैं कि समय और स्थान के संदर्भ में साक्ष्य कहाँ दिखाई देता है। शोधपत्र के अनुसार, सामान्य जवाबों का सबसे ऊँचा स्कोर 17% था; जब मूल्यांकन में सही समयगत और स्थानिक ग्राउंडिंग की शर्त भी शामिल थी, तो कोई भी मॉडल 1% से ऊपर नहीं गया।
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 अब बॉट के लिए समर्पित ईमेल पते और टैग वाले ऐसे उपनाम देता है जो अलग-अलग रूटीन शुरू कर सकते हैं। यह गाइड इस सुविधा और अन्य अपडेट के लिए 50 उपयोग के मामले प्रस्तुत करती है, साथ ही बताती है कि उपलब्धता और सेटअप की आवश्यकताएँ अलग-अलग हो सकती हैं। बॉट के अपने समर्पित पते और रसीदों, संभावित ग्राहकों या शोध न्यूज़लेटर के लिए अलग-अलग उपनाम हो सकते हैं। आने वाला ईमेल संबंधित रूटीन शुरू कर सकता है। गाइड वास्तविक कारोबारी मेल को रूट करने से पहले हर उपनाम का परीक्षण करने और कोई भी बाहरी संदेश भेजने से पहले अनुमोदन आवश्यक रखने की सलाह देती है।
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 ने FlashProve पेश किया, जो यह क्रिप्टोग्राफ़िक रूप से सत्यापित करने के लिए बनाया गया एक ओपन-सोर्स सिस्टम है कि आउटपुट किस मॉडल ने तैयार किया। शोध जारी है और Anthropic या किसी अन्य लैब में इसे तैनात करने की कोई योजना नहीं है। FlashProve को आउटपुट का मिलान लैब द्वारा प्रकाशित मॉडल फ़िंगरप्रिंट से करने और मॉडल की पहचान का प्रमाण देने के लिए बनाया गया है। शोधकर्ताओं का कहना है कि फ़िंगरप्रिंट से मॉडल के वेट्स उजागर नहीं होते, और सिस्टम को इतना हल्का रखने का उद्देश्य है कि स्थानीय डिवाइस पर सत्यापन किया जा सके।
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.
