AI & ML Research 24 Hours

अंतिम अपडेट: August 24, 2026, 8:38 PM ET

एजेंटिक वर्कफ़्लो और लॉजिक इंटीग्रेशन

डेवलपर्स बड़े भाषा मॉडल एजेंट्स में कस्टम कंट्रोल फ़्लो को इंजेक्ट करने के तरीकों की तलाश बढ़ा रहे हैं। हाल ही में किए गए एक विश्लेषण में यह खोजा गया है कि कैसे Codex एजेंटिक लूप के भीतर कस्टम लॉजिक को सीधे एम्बेड किया जाए, जिससे अन्यथा स्टोकेस्टिक प्रक्रियाओं में अधिक निर्धारित व्यवहार संभव हो सकता है अपना खुद का लॉजिक Codex एजेंटिक लूप के अंदर डालें। यह दृष्टिकोण एजेंट के निर्णय लेने की वास्तुकला को संरचित करके सरल प्रॉम्प्ट इंजीनियरिंग से आगे बढ़ता है। इसके पूरक रूप में, एक अन्य अध्ययन का तर्क है कि एआई एजेंट्स संदर्भ की कमी से ज्यादा नहीं, बल्कि खराब संदर्भ संरचना से पीड़ित होते हैं। लेख सुझाव देता है कि टाइप्ड संदर्भ आवश्यक है, जो निर्देशों, मेमोरी और टूल आउटपुट को एकल स्ट्रिंग में फ्लैट करने पर होने वाले सैमान्टिक धुंधलापन को रोकता है एआई एजेंट्स को अधिक संदर्भ की जरूरत नहीं है—उनहें टाइप्ड संदर्भ की जरूरत है। सख्त सैमान्टिक सीमाओं को बनाए रखकर, डेवलपर्स हॉल्युसिनेशन दरों को कम कर सकते हैं और जटिल मल्टी-स्टेप कार्यों में विश्वसनीयता को बेहतर बना सकते हैं।

प्रदर्शन अनुकूलन और इनफरेंस दक्षता

हार्डवेयर उपयोग स्केलेबल एआई डिप्लॉयमेंट के लिए एक महत्वपूर्ण बाधा बना हुआ है। नए बेंचमार्क दिखाते हैं कि DFlash का उपयोग करके CPU पर स्पेकुलेटिव डिकोडिंग मानक ऑटोरिग्रेसिव विधियों की तुलना में लगभग 4 गुना तेज़ टोकन जनरेशन प्राप्त कर सकती है CPU पर स्पेकुलेटिव डिकोडिंग: DFlash के साथ लगभग 4 गुना तेज़ टोकन जनरेशन। Qwen मॉडलों के साथ vLLM परीक्षणों में, इस तकनीक ने मॉडल के आउटपुट वितरण को बदले बिना 3.92 गुना थ्रूपुट प्रदान किया, जिसने असफल CPU चक्रों को उत्पादक इनफरेंस शक्ति में बदल दिया। लेटेन्सी-संवेदनशील पक्ष पर, शोधकर्ताओं ने एक LLM रनटाइम विकसित किया है जो भौतिक समयसीमाओं, जैसे कि 33ms के रोबोट नियंत्रण चक्र को संभाल सकता है। यह सिस्टम समयसीमा चूकने के जोखिम के बजाय एडमिशन को अस्वीकार करता है, पूर्वानुमेय रियल-टाइम प्रदर्शन सुनिश्चित करने के लिए उम्र के बजाय अर्थ के आधार पर KV कैश इवiction रणनीतियों का उपयोग करता है क्या एक LLM सही चीजों को भूल सकता है?।

एंटरप्राइज़ RAG आर्किटेक्चर

ट्यूटोरियल-स्तर के कार्यान्वयनों और प्रोडक्शन-ग्रेड सिस्टम के बीच का अंतर लगातार बढ़ रहा है। विशेषज्ञ उन दस सामान्य स्थानों की पहचान करते हैं जहां एंटरप्राइज़ रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) सिस्टम मुख्यधारा के ट्यूटोरियल्स की तुलना में विफल होते हैं मुख्यधारा के ट्यूटोरियल गलत समझने वाले एंटरप्राइज़ RAG के लिए 10 स्थान। ये विफलताएं अक्सर डॉक्यूमेंट इंटेलिजेंस के सूक्ष्मताओं को नजरअंदाज करने से उत्पन्न होती हैं, जिससे अनस्ट्रक्चर्ड कॉर्पोरेट डेटा पर स्केल करते समय सटीकता में काफी कमी आती है। सफल एंटरप्राइज़ डिप्लॉयमेंट के लिए साधारण वेक्टर सिमिलेरिटी सर्च से परे जाकर हिएरार्किकल डॉक्यूमेंट संरचनाओं और सैमान्टिक फ़िल्टरिंग को शामिल करना आवश्यक है। यह बदलाव आंतरिक ज्ञान भंडारों की जटिलता को संभालने के लिए आवश्यक है जहां कंटెक्स्ट विंडो सीमाएं और रिट्रीवल नॉइज़ डाउनस्ट्रीम कार्य सफलता दरों को गंभीर रूप से प्रभावित करते हैं।

उद्योग विकास और शैक्षिक निहितार्थ

OpenAI ने Kiro IDE में GPT‑5.6 को एकीकृत किया है, जिसका उद्देश्य बेहतर योजना और परीक्षण क्षमताओं के माध्यम से डेवलपर दक्षता को बढ़ाना है Kiro में GPT‑5.6 के साथ डेवलपर्स के लिए प्राइस-परफॉर्मेंस को आगे बढ़ाना। यह रिलीज़ सॉफ्टवेयर इंजीनियरिंग वर्कफ़्लो के लिए प्राइस-परफॉर्मेंस अनुकूलन पर उद्योग के ध्यान को रेखांकित करती है। वहीं, शैक्षिक संस्थations जनरेटिव एआई के एकीकरण से जूझ रहे हैं। MIT Technology Review कक्षाओं में स्मार्टर एआई उपयोग को प्रोत्साहित करने की रणनीतियों का अवलोकन करता है, यह नोट करते हुए कि छात्र अक्सर चैटबॉट्स पर सतही रूप से निर्भर रहते हैं न कि आलोचनात्मक रूप से कक्षा में स्मार्टर एआई उपयोग को कैसे प्रोत्साहित करें। इसके साथ ही, शोध संकेत देता है कि बच्चे अभी भी भाषा अधिग्रहण दक्षता में एआई को हराते हैं, जिसे सामाजिक बातचीत और एंबॉडीड लर्निंग फैक्टर्स के कारण माना जाता है जिन्हें वर्तमान मॉडल पुन: पेश नहीं कर सकते बच्चे एआई से बेहतर सीखते हैं—और हमें अभी तक पता नहीं क्यों। जैसे-जैसे एआई एजेंट्स अंतरिक्ष यात्रा लॉजिस्टिक्स जैसे नए क्षेत्रों में फैल रहे हैं, मानव अंतर्ज्ञान और एल्गोरिदमिक प्रोसेसिंग के बीच का अंतर शिक्षा और उद्योग अनुप्रयोग दोनों के लिए increasingly प्रासंगिक होता जा रहा है डाउनलोड: बच्चों द्वारा एआई से बेहतर सीखना, और अंतरिक्ष यात्रा एजेंट्स।