Anthropic में तकनीकी भर्तियों में कनिष्ठ कर्मचारियों की हिस्सेदारी 27 % से घटकर 9 % हुई, DeepSeek ने V4.1-Flash-1017 जारी किया, Claude Code ने तीन गुना तेज़ी से जवाब देना शुरू किया

Anthropic अपनी ही टीमों को अध्ययन का आधार बना रहा है: वहाँ तकनीकी भर्तियों में कनिष्ठ कर्मचारियों की हिस्सेदारी 27 % से घटकर 9 % हो गई है, कर्मचारियों द्वारा शुरू किए गए एजेंटों ने अगस्त में खुद कर्मचारियों की तुलना में छह गुना घंटे काम किया, और 91 % कर्मचारियों का मानना है कि एआई 2030 तक नोबेल पुरस्कार के योग्य खोज कर सकता है, जबकि अमेरिकियों में यह अनुपात 39 % है। DeepSeek ने MIT लाइसेंस के तहत V4.1-Flash-1017 जारी किया है, जो कीमत में बदलाव किए बिना DeepSWE v1.1 पर GPT-5.6 Sol और Claude Opus 5 से आगे है, और अपने वेब खोज API Search व Fetch सभी के लिए खोल दिए हैं। Google Research के एजेंट प्रयोगशाला के रोबोट चलाते हैं और ट्यूमर से जुड़े एक लक्ष्य के विरुद्ध नैनोमोलर प्रोटीन बाइंडर प्राप्त करने में योगदान देते हैं, Claude Code अगस्त की तुलना में तीन गुना तेज़ी से जवाब देना शुरू कर रहा है, और NVIDIA डेवलपरों के लिए अपने RTX Spark पीसी का विवरण दे रहा है।

Anthropic अपने यहाँ के रोज़गार का अध्ययन कर रहा है: तकनीकी भर्तियों में कनिष्ठ कर्मचारियों की हिस्सेदारी घटकर 9 % हुई, उसके कर्मचारियों को एआई से अमेरिकियों की तुलना में कहीं अधिक अपेक्षाएँ हैं

16 अक्टूबर — Anthropic की Economics टीम ने The Anthropic Institute की दो रिपोर्ट प्रकाशित की हैं, जो खुद कंपनी को अध्ययन का आधार बनाती हैं। पहली, « Anthropic में रोज़गार कैसे बदल रहा है » (Anthropic में रोज़गार कैसे बदल रहा है), आंतरिक आँकड़ों (कर्मचारी संख्या, एआई का उपयोग, उत्पादन, समय-सारिणियाँ, भर्ती संबंधी निर्णय) को कर्मचारियों के 17 साक्षात्कारों के साथ मिलाकर देखती है। दूसरी, « एआई को लेकर अपेक्षाओं का अंतर » (एआई को लेकर अपेक्षाओं का अंतर), अगस्त में 10 980 अमेरिकी वयस्कों के बीच किए गए Morning Consult सर्वेक्षण की तुलना 1 334 कर्मचारियों के बीच किए गए आंतरिक सर्वेक्षण से करती है; सितंबर में हुए दूसरे दौर के नतीजे भी मिलते-जुलते हैं।

Anthropic में देखा गया संकेतक	मापा गया बदलाव
तकनीकी भर्तियों में कनिष्ठ कर्मचारियों की हिस्सेदारी	27 % से 9 %
तकनीकी विभागों में कनिष्ठ कर्मचारियों की हिस्सेदारी	2025 की शुरुआत से 21 % से 14 %
कर्मचारी के हर एक घंटे पर इंटरैक्टिव एजेंटों के काम के घंटे	अगस्त 2026 में 6
प्रति इंजीनियर Commits	छह महीने पहले की दर का 5 गुना
गैर-तकनीकी कर्मचारियों के प्रति माह कोडिंग सत्र	2 (अगस्त 2025) से 90 (मई 2026)

नए कर्मचारियों की घटती हिस्सेदारी सबसे स्पष्ट निष्कर्ष है, और इसमें एआई की भूमिका स्वीकार की गई है: अप्रैल 2026 में मशीन लर्निंग के लगभग एक तिहाई प्रबंधकों और सॉफ़्टवेयर इंजीनियरिंग के पाँचवें हिस्से के प्रबंधकों ने कहा कि वे इसकी वजह से कम भर्ती कर रहे हैं। दूसरी ओर, एजेंटों का दायरा बढ़ा है: मार्च 2026 में उनके कुल कामकाजी घंटे पहली बार कर्मचारियों के घंटों से अधिक हो गए। कोडिंग एजेंट अपनाने वाले 192 इंजीनियरों में, ऐसा न करने वाले 74 इंजीनियरों की तुलना में, जोड़े गए कोड की मात्रा तेज़ी से बढ़ी, जबकि एजेंटों के कोड को बाद में हटाने या वापस लेने की दर अधिक नहीं थी।

इसका दूसरा पहलू मानवीय ध्यान है, जो अब बाधा बन गया है: इंटरैक्टिव सत्र जवाब के इंतज़ार में लगभग 80 % समय निष्क्रिय रहते हैं, और उनके पूरे आउटपुट को पढ़ने में कामकाजी सप्ताह के आधे से अधिक समय की आवश्यकता होगी। समन्वय संबंधी काम (मेटा-वर्क), जिसमें एजेंटों के लिए विनिर्देश लिखना, एक एजेंट के काम की दूसरे से समीक्षा कराना या प्रसंस्करण शृंखलाओं की निगरानी करना शामिल है, 2025 की शरद ऋतु से 2026 के वसंत के बीच 10 % से बढ़कर 22 % सत्रों तक पहुँच गया, और माध्यिका पर आने वाला कर्मचारी एक साल पहले की तुलना में बैठकों में 20 % अधिक समय बिताता है। भर्ती के दौरान मूल्यांकन में स्वायत्तता और निर्णय क्षमता पर अधिक ज़ोर दिया जाता है; Anthropic का कहना है कि वह प्रभावित हो सकने वाले पदों के लिए प्रारंभिक चेतावनी व्यवस्था (प्रारंभिक चेतावनी प्रणाली) बना रहा है और आंतरिक पुनर्नियोजन को प्राथमिकता दे रहा है।

दूसरी रिपोर्ट दिखाती है कि कर्मचारी और आम जनता इस बात पर सहमत हैं कि एआई आज क्या कर सकता है, लेकिन उसकी प्रगति की गति पर नहीं:

मापा गया जवाब, 2030 तक का अनुमान	सर्वेक्षण में शामिल अमेरिकी	Anthropic के कर्मचारी
नोबेल पुरस्कार के योग्य खोज को संभव मानने वाले	39 %	91 %
एआई द्वारा किए जा सकने वाले अपने काम का हिस्सा (औसत)	28 % (कामकाजी लोग)	75 %
जवाबों से निकाली गई सकल घरेलू उत्पाद की वृद्धि (माध्यिका)	5,4 %	17,1 %

फिर भी दोनों समूह एक ही ढंग से सोचते हैं: जितना अधिक उन्हें लगता है कि एआई उनके काम का बड़ा हिस्सा करेगा, उतनी अधिक बेरोज़गारी का वे अनुमान लगाते हैं। जिन अमेरिकी कामगारों का मानना है कि एआई उनके कम से कम 80 % काम को कर सकता है, वे 2030 में 12,2 % बेरोज़गारी का अनुमान लगाते हैं, जबकि आज यह 4,2 % है। सकल घरेलू उत्पाद की वृद्धि Anthropic द्वारा सितंबर में प्रस्तुत आर्थिक परिदृश्यों के मॉडल से निकाली गई है। अंत में, माध्यिका पर आने वाले कर्मचारी का अनुमान है कि अत्याधुनिक मॉडल बनाने का 51 % काम एआई पहले ही कर रहा है और 2030 के अंत तक यह 95 % होगा: रिपोर्ट स्पष्ट करती है कि ये सर्वेक्षण में जुटाई गई व्यक्तिगत राय हैं, कंपनी के पूर्वानुमान नहीं।

🔗 Anthropic में रोज़गार कैसे बदल रहा है · एआई को लेकर अपेक्षाओं का अंतर · परिचय लेख

खुले मॉडल: DeepSeek ने V4.1-Flash-1017 जारी किया और अपने Search व Fetch API सभी के लिए खोले, NVIDIA के साझेदार Nemotron 3.5 Super VL की पोस्ट-ट्रेनिंग कर रहे हैं

17 अक्टूबर — DeepSeek ने DeepSeek-V4.1-Flash-1017 जारी किया है, जो 10 सितंबर को लॉन्च हुए उसके 552 अरब पैरामीटर वाले MoE प्रकार के मल्टीमॉडल मॉडल V4.1-Flash का नया संस्करण है। मॉडल कार्ड इसे मामूली अद्यतन (छोटा अद्यतन) बताता है, लेकिन एजेंट संबंधी कार्यों में अंतर स्पष्ट है: DeepSWE v1.1 पर पिछले संस्करण के 74,2 % के मुकाबले 77,0 %, और Terminal-Bench 4.0 पर 31,2 के मुकाबले 42,3। वेट्स MIT लाइसेंस के तहत Hugging Face और ModelScope पर प्रकाशित किए गए हैं, और मॉडल वेबसाइट, ऐप और API पर उपलब्ध है।

Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost.

🇮🇳 पिछले संस्करण की तुलना में अधिक स्कोर, जल्दी पूरे होने वाले कार्य और छोटे आउटपुट: प्रदर्शन और लागत में परेटो सुधार। — X पर @deepseek_ai

कीमत में कोई बदलाव नहीं हुआ है। deepseek-flash नाम अब इसी संस्करण को उपलब्ध कराता है, जिसमें दस लाख टोकन का कॉन्टेक्स्ट और आउटपुट में अधिकतम 384K टोकन हैं; पुराने नाम deepseek-v4-flash और deepseek-v4-flash-vision-exp अभी भी स्वीकार किए जाते हैं, लेकिन उनके अनुरोध भी V4.1-Flash-1017 पर ही जाते हैं। मूल्य पृष्ठ पर अब भी व्यस्त घंटों में प्रति दस लाख इनपुट टोकन (कैश के बाहर) 0,30 डॉलर और आउटपुट टोकन के लिए 1,20 डॉलर दिखाए गए हैं, जबकि कम व्यस्त घंटों में कीमत आधी है, जैसा कि 13 सितंबर को था। इसलिए लागत में कमी छोटे जवाबों से आती है: संस्करण संबंधी नोट के ग्राफ़ में, जिसे केवल चित्र के रूप में पढ़ा जा सकता है, max सेटिंग DeepSWE v1.1 पर लगभग 0,2 डॉलर प्रति कार्य की लागत पर 77,0 % तक पहुँचती है और बाकी सभी बिंदुओं से ऊपर है। सबसे निकट GPT-6.1 Sol लगभग 0,65 डॉलर की लागत पर लगभग 75 % तक पहुँचता है, जबकि GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5 और Claude Fable 5 के सर्वश्रेष्ठ बिंदु लगभग 70 % से 74 % के बीच हैं और उनकी लागत लगभग 2 से 15 डॉलर प्रति कार्य है।

मूल्यांकन बेंचमार्क	V4.1-Flash-1017	V4.1-Flash	K3	GLM-5.3	GPT-5.6 Sol	Opus 5
टूल के बिना HLE	42,6	36,8	43,5	42,0†	44,5	56,3
Terminal-Bench 4.0	42,3	31,2	12,6	37,9	39,9	51,8
DeepSWE v1.1	77,0	74,2	67,5	66,9	73,0	74,0
ProgramBench	29,1	20,3	17,5	19,0	23,0	37,0
NL2Repo-Bench	68,2	65,4	58,0	58,0	56,8	75,3
Automation-Bench v1.0.6	60,5	54,8	46,7	48,8	45,8	50,3
Agents’ Last Exam	35,4	31,8	27,6	28,5	26,7	28,6
Apex Bench v1.1	72,1	64,6	47,8	56,6	54,3	65,8

† : HLE का केवल पाठ वाला उपसमुच्चय, GLM-5.3 के लिए दिया गया एकमात्र स्कोर (इस पर V4.1-Flash-1017 को 44,0 मिलता है)। स्रोत: मॉडल का Hugging Face कार्ड।

बंद मॉडलों में तालिका केवल GPT-5.6 Sol और Claude Opus 5 को शामिल करती है, उनके उत्तरवर्ती संस्करणों को नहीं। V4.1-Flash-1017 DeepSWE v1.1, Automation-Bench, Agents’ Last Exam और Apex Bench पर उनसे आगे है, लेकिन टूल के बिना HLE (जहाँ GPT-5.6 Sol भी 42,6 के मुकाबले 44,5 के साथ उससे आगे है), Terminal-Bench 4.0, ProgramBench, NL2Repo-Bench और कार्ड में दिए गए टूल वाले तीन दृश्य बेंचमार्क (Chartography, BabyVision और ZeroBench-main) पर Opus 5 से पीछे है; खुले मॉडल K3 और GLM-5.3 के सामने वह केवल टूल के बिना HLE पर K3 से पीछे रहता है (42,6 के मुकाबले 43,5)। DeepSeek इन सुधारों का श्रेय पूरी परियोजनाओं पर स्व-मूल्यांकन के साथ पुनर्बलन अधिगम (स्व-प्रतिक्रिया के साथ पुनर्बलन अधिगम) को देता है और मॉडल को DeepSeek Harness, Tencent CodeBuddy और WorkBuddy के लिए अनुकूलित करता है। स्थानीय रूप से चलाने के लिए प्रकाशन में Jinja प्रारूप का संवाद टेम्पलेट नहीं दिया गया है, बल्कि प्रॉम्प्ट प्रारूप का Python में संदर्भ कार्यान्वयन दिया गया है, और कम से कम 256K आउटपुट टोकन की सिफ़ारिश की गई है; इस संस्करण के साथ कोई नई तकनीकी रिपोर्ट नहीं आई है।

🔗 DeepSeek का संस्करण संबंधी नोट · Hugging Face पर मॉडल कार्ड

Search और Fetch: DeepSeek ने अपने वेब खोज API सभी के लिए खोले, 1 000 सफल अनुरोधों के लिए 0,75 डॉलर

17 अक्टूबर — उसी पोस्ट शृंखला में DeepSeek ने अपने API के सभी उपयोगकर्ताओं के लिए दो वेब खोज सेवाएँ खोली हैं। Search, DeepSeek के अपने खोज इंजन से जानकारी माँगता है, जो उसके अनुसार प्रतिदिन कई सौ मिलियन अनुरोध सँभालता है, और संरचित परिणाम लौटाता है: हर परिणाम में 0 से 3 तक प्रासंगिकता स्कोर, मॉडल के लिए 600 से 800 अक्षरों का सारांश, प्रकाशन की तारीख और 0 से 4 तक प्रामाणिकता का स्तर होता है। Fetch किसी पृष्ठ को प्राप्त करके Markdown में बदलता है, बशर्ते लक्षित वेबसाइट के पहुँच संबंधी नियम इसकी अनुमति दें।

पेशकश का पहलू	DeepSeek द्वारा बताया गया मान
हर API की कीमत	1 000 सफल अनुरोधों के लिए 0,75 डॉलर
प्रति खाते की सीमा	हर API पर प्रति सेकंड 5 अनुरोध
प्रति खोज परिणाम	1 से 50 (डिफ़ॉल्ट रूप से 10)
Harness, Claude Code, Codex से कॉल	31 अक्टूबर को 16 h UTC तक मुफ़्त

केवल परिणाम वाले जवाबों के लिए शुल्क लिया जाता है: विफल अनुरोध, खाली खोज और समय-सीमा पार करने वाले अनुरोध मुफ़्त हैं, और माँगे गए परिणामों की संख्या से कीमत नहीं बदलती। DeepSeek Harness, Claude Code या Codex से बुलाए जाने वाले DeepSeek API के सर्वर-साइड टूल पहले से ही इन API पर आधारित थे, और ये कॉल 31 अक्टूबर तक मुफ़्त रहेंगे; Harness v0.2.1-rc.2 अपनी वेब खोज सेटिंग में Search और Fetch को शामिल करता है।

🔗 Search और Fetch की मार्गदर्शिका · @deepseek_ai की घोषणा

Nemotron 3.5 Super VL: NVIDIA के साझेदारों की पोस्ट-ट्रेनिंग के बाद यह उनके कार्यों में अधिक महँगे बंद मॉडलों के स्तर पर पहुँचता है

16 अक्टूबर — यहाँ 15 अक्टूबर को प्रस्तुत किए गए अपने 120 अरब पैरामीटर (12 अरब सक्रिय) वाले खुले मॉडल Nemotron 3.5 Super VL के लॉन्च के अगले दिन, NVIDIA ने एक पोस्ट शृंखला प्रकाशित की जिसमें साझेदारों के 21 संदेशों का उल्लेख है; लगभग सभी संदेश लॉन्च के दिन प्रकाशित हुए थे। इनमें से कई बताते हैं कि किसी विशिष्ट कार्य के लिए पोस्ट-ट्रेनिंग के बाद मॉडल कैसा प्रदर्शन करता है। हर साझेदार ने अपने मूल्यांकन पर इसे मापा है: NVIDIA इन्हें किसी साझा मूल्यांकन पद्धति के बिना आगे प्रस्तुत कर रहा है।

उल्लिखित साझेदार	पोस्ट-ट्रेनिंग के बाद का उपयोग	साझेदार द्वारा घोषित परिणाम
AfterQuery (Hebbia के साथ)	विशेषज्ञ स्तर के ऋण संबंधी कार्य	पूरी तरह हल किए गए कार्य 47 % से 74 %, तुलना में शामिल बंद मॉडलों की लगभग 1/7 लागत पर
Trajectory	Harvey का Legal Agent Bench	Opus 4.7 के स्तर पर, प्रति दस लाख टोकन 15 के मुकाबले 1,34 डॉलर
Alex Dimakis	स्वायत्त ML शोधकर्ता	AutoResearchExam पर 28 % से 35 %, 20 गुना बड़े Qwen 3.8 Max के स्तर पर
Handshake	जीवन विज्ञान के दस्तावेज़	विशेषज्ञों के 2 000 से अधिक डेटा बिंदुओं से सटीकता दोगुनी
Multiverse Computing	मॉडल का संपीड़न	Comet 60B, आधे पैरामीटर, मूल सटीकता से 5 % से कम अंतर के साथ

पोस्ट शृंखला मॉडल के आसपास बन रहे टूल भी दिखाती है: Tinker, River API, Applied Compute के AC2 और ModelScope पर उपलब्धता (BF16 और NVFP4 वेट्स), SFT और RL चक्रों के लिए Fastino Training API का लॉन्च, और Mindbeam के Litespark इंजन के साथ दो H200 GPU पर प्रति उपयोगकर्ता प्रति सेकंड 962 टोकन की सेवा।

🔗 @NVIDIAAI की पोस्ट शृंखला

प्रयोगशाला में एजेंट: Google Research ने उन्हें पिपेटिंग रोबोट सौंपे और ट्यूमर से जुड़े एक लक्ष्य के लिए नैनोमोलर बाइंडर प्राप्त किए

16 अक्टूबर — Google Research ने तीन शोध कार्य प्रस्तुत किए हैं जो एआई एजेंटों को प्रयोगशाला में वास्तविक प्रयोगों की मेज़ (wet lab) तक पहुँचाते हैं: वे अब केवल अणुओं की डिज़ाइन तैयार नहीं करते, बल्कि वैज्ञानिकों के निर्देशन में प्रयोग शुरू करते हैं, परिणाम पढ़ते हैं और अपनी विधि सुधारते हैं।

पहला घटक, VERID (VERified Infrastructure for Discovery Laboratories), रोबोटिक पिपेटिंग स्टेशन का एक डिजिटल ट्विन है, जिसे ओपन सोर्स फ़्रेमवर्क PyLabRobot पर बनाया गया है। यह रोबोटिक भुजा, हर वेल में मौजूद तरल की मात्रा, अभिकर्मकों और उपलब्ध पिपेट टिपों की वास्तविक समय में निगरानी करता है, हर प्रोटोकॉल का कुछ सेकंड में सिमुलेशन कराता है और भौतिक रूप से असंभव कमांड रोकता है। बताए गए एक मामले में, सिमुलेटर एक बहुत संकरे पात्र से आठ चैनलों के ज़रिए तरल खींचने से इनकार करता है: एजेंट दोबारा योजना बनाता है, फिर एक फ़ैक्टोरियल प्रयोग योजना तैयार करता है जो टिपों से बचे संदूषण के कारण पैदा हुए व्यवस्थित विचलन को अलग करके पहचानती है।

एजेंटों के साथ किया गया प्रयोग	Google Research द्वारा बताया गया परिणाम
α-थ्रोम्बिन के लिए एप्टामर, तीन चक्र	98,5 % विशिष्टता पर, पहले 0 %, फिर 26,0 %, फिर 42,1 % पुष्ट बाइंडर
मायोग्लोबिन के लिए एप्टामर	विशिष्टता 75,0 % से गिरकर 19,1 % हुई, फिर 72,4 % तक लौटी; चक्र 3 में 33,5 % बाइंडर
FAP के लिए नए सिरे से बनाए गए प्रोटीन बाइंडर	एक अंक वाली नैनोमोलर बंधन एफ़िनिटी, संरचना का पूर्वानुमान 8,6 गुना तेज़
समान गणनात्मक संसाधनों पर मानव-एजेंट सहयोग	अकेले वैज्ञानिक की तुलना में in silico सफलता दर लगभग दोगुनी

मायोग्लोबिन का मामला बंद चक्र में सीखने को दर्शाता है: दूसरे चक्र में एजेंट ऐसे G-quadruplex मोटिफ़ पर दाँव लगाते हैं जो हर चीज़ से बंध जाते हैं, प्रयोगशाला के डेटा में विशिष्टता का पतन देखते हैं और अपने डिज़ाइन नियम स्वयं दोबारा लिखते हैं। ठोस ट्यूमर में अधिक मात्रा में अभिव्यक्त होने वाले रिसेप्टर FAP के लिए, पाइपलाइन संरचना के पूर्वानुमान के दौरान केवल बंधन स्थल को रखती है। Google अपने सुरक्षा उपायों का विवरण देता है—गैर-संक्रामक जैविक प्रणालियाँ, हर अनुक्रम की जैवसुरक्षा जाँच, निष्पादन से पहले अनिवार्य सिमुलेशन और मानव निगरानी—लेकिन यह नहीं बताता कि एजेंटों को कौन-सा मॉडल चलाता है।

🔗 Google Research का ब्लॉग लेख · VERID (PDF) · एप्टामर सैंडबॉक्स (PDF) · एपिटोप का उच्छेदन (PDF)

कोड एजेंट: Claude Code तीन गुना तेज़ी से उत्तर देना शुरू करता है, 2.1.302 में fork उप-एजेंटों का विस्तार, Replit अपने ग्राहकों के क्लाउड में पहुँचता है

16 अक्टूबर — @ClaudeDevs ने घोषणा की है कि Claude अब पहले उत्तर देना शुरू करता है। Claude Code में, हर संवाद चरण पर मॉडल को भेजी जाने वाली बातचीत अब gzip में संपीड़ित की जाती है ताकि वह जल्दी पहुँचे, और अनुरोध टाइप करना शुरू करते ही क्लाउड सत्र शुरू हो जाते हैं। घोषणा के साथ दी गई तालिका अगस्त से अक्टूबर के बीच पहले टोकन तक की प्रतीक्षा को मापती है:

मापा गया इंटरफ़ेस	अगस्त 2026	अक्टूबर 2026	घोषित बढ़त
Claude Code, स्थानीय सत्र	4,07 s	1,33 s	3 गुना
Claude Code, क्लाउड सत्र	16,99 s	6,00 s	2,8 गुना
Claude, चैट और Cowork	3,36 s	2,17 s	1,5 गुना
Claude API, मॉडल के समय सहित (माध्यिका)	1,53 s	1,01 s	1,5 गुना

पहली तीन पंक्तियाँ मॉडल के गणना समय को शामिल नहीं करतीं और 90वें पर्सेंटाइल पर आधारित हैं। संपीड़न पूरी तरह नया नहीं है: Claude Code 2.1.300 ने 14 अक्टूबर को ही api.anthropic.com की ओर जाने वाले बड़े अनुरोधों पर इसे लागू कर दिया था, और इसे बंद करने के लिए CLAUDE_CODE_GZIP_REQUEST_BODIES=0 वेरिएबल दिया था। क्लाउड सत्रों को पहले शुरू करने के लिए कोई संस्करण संख्या नहीं बताई गई है।

🔗 @ClaudeDevs की घोषणा

Claude Code 2.1.302: टर्मिनल के बाहर fork उप-एजेंट डिफ़ॉल्ट रूप से सक्रिय, ऑटो मोड के क्लासिफ़ायर मॉडल का विकल्प, 43 सुधार

16 अक्टूबर — 2.1.301 के अगले दिन, Claude Code 2.1.302 में 63 प्रविष्टियाँ आईं, जिनमें 43 सुधार हैं। यह टर्मिनल तक सीमित एक व्यवहार को दूसरे इंटरफ़ेस तक फैलाता है: fork उप-एजेंट अब claude -p, Agent SDK, डेस्कटॉप ऐप और VS Code में डिफ़ॉल्ट रूप से सक्रिय हैं—इन्हें बंद करने के लिए CLAUDE_CODE_FORK_SUBAGENT=0 है—और डेस्कटॉप ऐप तथा VS Code मुख्य बातचीत के उप-एजेंटों को हमेशा पृष्ठभूमि में शुरू करते हैं।

संबंधित क्षेत्र	2.1.302 में किया गया बदलाव
ऑटो मोड	`CLAUDE_CODE_AUTO_MODE_MODEL` क्लाइंट की ओर चलने वाले क्लासिफ़ायर का मॉडल चुनता है
कमांड `/config`	निष्क्रियता के दौरान संपीड़न बंद करने या फिर सक्रिय करने के लिए Idle compaction पंक्ति
तृतीय-पक्ष प्रदाता	मोड निर्दिष्ट न होने पर, टेलीमेट्री बंद होने या नई स्थापना होने की स्थिति में `claude -p` और Agent SDK, `default` मोड में शुरू होते हैं
प्रॉम्प्ट और एजेंट हुक	हर इवेंट पर अधिकतम 12 समवर्ती निष्पादन
Read टूल	128 Mo से बड़ी छवियों को मेमोरी में लोड करने के बजाय अस्वीकार किया जाता है

अन्य सुधारों में, आंशिक रूप से विफल हुई निर्धारित रूटीन अब शुरुआत से दोबारा नहीं चलती, जिससे पहले एक ही रिपोर्ट दो बार प्रकाशित हो सकती थी, और exFAT या FAT32 डिस्क अब Windows में लिखने की प्रक्रिया को नहीं रोकतीं।

🔗 Claude Code 2.1.302 के रिलीज़ नोट्स

Replit Bring Your Own Cloud: ग्राहक के Azure, Google Cloud या AWS परिवेश में प्लेटफ़ॉर्म, और Power मोड में Claude Haiku 5.5

16 अक्टूबर — Replit ने Bring Your Own Cloud (BYOC) लॉन्च किया है, जो Replit के पूरे प्लेटफ़ॉर्म या उसके कुछ हिस्से को Microsoft Azure, Google Cloud या Amazon Web Services पर किसी कंपनी के क्लाउड परिवेश (tenant) में चलाता है। डेवलपरों के लिए कुछ नहीं बदलता: प्रकाशन अब भी उसी Publish बटन से होता है।

परिनियोजन विकल्प	ग्राहक के परिवेश में क्या चलता है	उपलब्धता का चरण
Full BYOC	पूरा प्लेटफ़ॉर्म, Agent का संचालन ढाँचा और प्रकाशित ऐप्लिकेशन	निजी पूर्वावलोकन
BYOC for Published Apps	केवल प्रकाशित ऐप्लिकेशन; विकास Replit के पास रहता है	शुरुआती पहुँच
Image Exports	ग्राहक की टीम द्वारा परिनियोजित एक Docker इमेज, एक Terraform फ़ाइल और एक SBOM	शुरुआती पहुँच

टनल केवल बाहर की ओर कनेक्शन बनाती हैं और इनमें दोहरा mTLS एन्क्रिप्शन होता है। ग्राहक द्वारा प्रबंधित कुंजियाँ (CMEK) केवल पूर्ण भौतिक अलगाव वाले अनुबंधों में मिलती हैं। दस्तावेज़ सीमाएँ स्पष्ट करते हैं: नियंत्रण स्तर Replit के पास रहता है, Full BYOC न तो नेटवर्क से पूरी तरह अलग स्थापना (air-gapped) है और न ही पूरी तरह स्व-होस्ट किया गया Replit, तथा मॉडलों का इन्फ़रेंस Replit ही संभालता है। कोई कीमत प्रकाशित नहीं की गई है। उसी दिन की बदलाव सूची में Core और Pro योजनाओं के Power मोड चयनकर्ता में Claude Haiku 5.5 भी जोड़ा गया है, जहाँ Claude Sonnet 5.5, 2 अक्टूबर को आया था।

🔗 Replit का ब्लॉग लेख · BYOC के दस्तावेज़ · 16 अक्टूबर की बदलाव सूची

RTX Spark: NVIDIA ने डेवलपरों के लिए अपने पीसी का विवरण दिया, JetBrains के Junie Local और Core Ultra X9 388H के मुकाबले घोषित बढ़त के साथ

16 अक्टूबर — RTX Spark लैपटॉप के जारी होने के दिन, NVIDIA ने अपने तकनीकी ब्लॉग पर बताया कि यह मशीन डेवलपरों को क्या देती है: एक ही पीसी पर कोड लिखना, परीक्षण करना और परिनियोजन करना, ऐसे कोड एजेंटों के साथ जो 128 Go तक की यूनिफ़ाइड मेमोरी पर स्थानीय रूप से चलते हैं। NVIDIA ने इनके लॉन्च सॉफ़्टवेयर 13 अक्टूबर को प्रस्तुत किए थे। लैपटॉप उपलब्ध हैं और नवंबर में छोटे डेस्कटॉप कंप्यूटर आएँगे, जिन्हें लगातार चलने वाले एजेंटों के लिए उपयुक्त बताया गया है।

कार्यभार	NVIDIA द्वारा इस्तेमाल किया गया परीक्षण	Core Ultra X9 388H के मुकाबले घोषित बढ़त
कोड एजेंट	Qwen3.8-27B के साथ AA-AgentPerf-local	4,6 गुना
फ़ाइन-ट्यूनिंग (LoRA)	Llama-3.1-8B पर Unsloth	2,7 गुना
संकलन	Linux कर्नेल, Phoronix Test Suite	1,8 गुना

ये माप NVIDIA के हैं और Intel की Panther Lake 12Xe चिप के मुकाबले लिए गए हैं। सॉफ़्टवेयर की ओर, Microsoft के साथ बनाया गया Windows Developer Config प्रमुख विकास फ़्रेमवर्क स्थापित करता है, सूचनाएँ बंद करता है और टर्मिनल को बेहतर बनाता है; Windows on Arm पर 2 000 से अधिक Conda पैकेज इस्तेमाल के लिए तैयार हैं और सबसे अधिक इस्तेमाल होने वाले 15 000 Python पैकेजों में से 97 % से अधिक का Arm संस्करण उपलब्ध है। JetBrains ने Junie Local के लिए नेटिव समर्थन शुरू किया है, जो अपनी संदर्भ विंडो को GPU की मेमोरी के अनुसार समायोजित करता है। GitHub Copilot, llama.cpp के साथ Windows ML के ज़रिए स्थानीय रूप से चलता है, और AI for Media SDK—वीडियो सुपर-रिज़ॉल्यूशन, बीच के फ़्रेम बनाना और TrueHDR—PyPI पर Python पैकेज के रूप में आ रहे हैं।

🔗 NVIDIA के तकनीकी ब्लॉग का लेख

संक्षिप्त समाचार

कोड एजेंट और टूल

16 अक्टूबर के Devin रिलीज़ नोट्स — 14 अक्टूबर के नोट्स, जिन्हें 15 अक्टूबर को कवर किया गया था, के बाद Cognition ने 19 मदें प्रकाशित की हैं: GitLab की मर्ज रिक्वेस्ट में /devin कमांड, Devin Review में Bitbucket Cloud की मर्ज स्थिति, पाँच कोड होस्टिंग प्लेटफ़ॉर्म पर पुल रिक्वेस्ट की खोज, इश्यू और लेबल के लिए अंतर्निहित टूल, और एक Enterprise सेटिंग जो पहले से इंस्टॉल किए गए सर्वर बंद किए बिना पुराने MCP मार्केटप्लेस को छिपाती है। 🔗 स्रोत
Copilot CLI 1.0.100-1 — पिछले दिन कवर किए गए 1.0.100-0 के ढाई घंटे बाद आया यह दूसरा पूर्वावलोकन संस्करण, एकीकृत सत्र ब्राउज़र को /sessions, /session और /resume का डिफ़ॉल्ट दृश्य बनाता है और वॉइस डिक्टेशन से भाषा संकेतक हटाता है; 14 अक्टूबर के 1.0.98 के बाद से अब भी कोई स्थिर रिलीज़ नहीं आई है। 🔗 स्रोत
Gemini CLI, 17 अक्टूबर का नाइटली संस्करण — मार्च और अप्रैल के टिकटों का निपटारा करने वाले चार सुधार: स्वचालित अपडेट अब वास्तव में चलाए गए बाइनरी की जाँच करता है, जबकि पहले PATH में कई इंस्टॉलेशन मौजूद होने पर यह बार-बार सफलता की झूठी सूचना देता था, keybindings.json अब keys ऐरे स्वीकार करता है, और बंद करने के संकेत ACP, systemd या कंटेनर के भीतर चाइल्ड प्रोसेस तक पहुँचते हैं। 🔗 स्रोत
Antigravity CLI 1.4.0 और Antigravity ऐप 2.24.0 — 15 और 14 अक्टूबर की छूटी खबरें: CLI अपनी स्थिति टर्मिनल टैब में दिखाती है (OSC 7501 अनुक्रम) और वास्तविक लोडिंग नियमों के अनुसार agy plugin validate को फिर से तैयार करती है; ऐप, 13 अक्टूबर को कवर किए गए 2.23.0 के बाद, अपने साइड पैनल को नया रूप देता है, /compact जोड़ता है और हर स्वचालन के लिए Flash Lite, Flash या Pro चुनने देता है। 🔗 स्रोत
DeepSeek Harness 0.2.1-rc.1 और rc.2 — 0.2.1 शृंखला के पहले दो रिलीज़ कैंडिडेट: rc.1 में alpha.1 से alpha.5 तक के पूर्वावलोकन संस्करणों के बदलाव शामिल हैं, rc.2 में V4.1-Flash-1017 तथा Search और Fetch API का समर्थन जुड़ता है; रिपॉज़िटरी में 17 अगस्त से अब तक 31 रिलीज़ हैं, सभी पूर्वावलोकन संस्करण हैं। 🔗 स्रोत
bun lint — 15 अक्टूबर की छूटी खबर: Bun, जिसे Anthropic ने 2025 के अंत में खरीद लिया था, अपनी अगली रिलीज़ के लिए ESLint के साथ संगत एक लिंटर की घोषणा करता है, जिसमें 1 000 से अधिक अंतर्निहित नियम हैं और जो eslint तथा oxlint कॉन्फ़िगरेशन पढ़ता है; इसके ESLint से 26 गुना तेज़ होने का दावा है, मापी गई पाँच रिपॉज़िटरी में यह अंतर 11 से 43 गुना है, और इसकी रिलीज़ की तारीख अभी तय नहीं है। 🔗 स्रोत

कंपनियों और डेवलपरों के बीच OpenAI

Itaú और ia.i — OpenAI के एक केस अध्ययन के अनुसार, ब्राज़ील का यह बैंक टेक्स्ट या आवाज़ के ज़रिए बातचीत करने वाला अपना इंटरफ़ेस ia.i लगभग 300 000 ग्राहकों को उपलब्ध करा रहा है और 2026 के अंत तक अपने सभी ग्राहकों तक पहुँचने का लक्ष्य रखता है; GPT-5.x मॉडल Customer DNA को संचालित करते हैं (लगभग 70 मिलियन ग्राहक), और कई प्रदाताओं वाला उसका IARA प्लेटफ़ॉर्म 90 मिलियन से अधिक दस्तावेज़ों पर काम करने वाला एक कानूनी समाधान चलाता है। 🔗 स्रोत
Benefit Street Partners और Codex — ऋण में विशेषज्ञता रखने वाली इस निवेश प्रबंधन कंपनी में प्रबंधक अनंत कुमार ने एक दिन में ऋण मूल्यांकनों पर नज़र रखने वाले टूल का पहला संस्करण (कुल 10 से 12 घंटे का विकास कार्य) और GPT-6 Astra के साथ रिफ़ैक्टर किया गया ऋण अनुबंध विश्लेषक बनाया; निवेश समिति के जिन सवालों पर कई दिन या हफ़्ते लगते थे, उनका समाधान अब एक दिन में हो जाता है। 🔗 स्रोत
ChatGPT Enterprise और Edu — व्यवस्थापक द्वारा प्रबंधित सिंक्रोनाइज़्ड कनेक्टर हटाकर उनकी जगह Google Drive, SharePoint और Microsoft Teams के रियल-टाइम ऐप लाए जा रहे हैं, साथ में सामग्री के नए नियंत्रण भी हैं, और Admin Console का External access पेज Sign in with ChatGPT, कनेक्टेड ऐप और Ads डेटा की पहुँच का प्रबंधन एक जगह लाता है। 🔗 स्रोत
प्रदाताओं के बीच स्विच करना — 14 अक्टूबर की छूटी खबर: OpenAI Developers ब्लॉग बताता है कि OpenAI की सीधी API और Amazon Bedrock या Azure OpenAI पर उपलब्ध उसके मॉडलों के बीच कैसे स्विच करें: केवल अस्थायी त्रुटि या समयसीमा को खतरे में डालने वाली दर सीमा आने पर, अमान्य अनुरोध, अस्वीकृति या कोटा समाप्त होने पर कभी नहीं; Codex के लिए दिया गया एक प्रॉम्प्ट ऐसी स्विचिंग जोड़ता है, जो डिफ़ॉल्ट रूप से बंद रहती है। 🔗 स्रोत
Codex से बनाए गए हार्डवेयर प्रोजेक्ट — OpenAI Developers मतों के आधार पर क्रमबद्ध 20 प्रोजेक्ट की एक सामुदायिक गैलरी प्रस्तुत करता है, जिसमें नए प्रोजेक्ट जमा किए जा सकते हैं: AI के इस्तेमाल का डैशबोर्ड बने एक पुराने Kindle से लेकर एक DEFCON बैज तक, जिसके रचयिता के अनुसार उसका सर्किट Astra ने डिज़ाइन किया, KiCad में रूटिंग से लेकर JLCPCB पर ऑर्डर देने तक। 🔗 स्रोत

API, मॉडल और वेब खोज

Perplexity की Agent API — सोलह पुराने मॉडल (सात Claude 4.x, पाँच Gemini 3.x, चार Grok 4.x) दस्तावेज़ों, कैलकुलेटर और उदाहरणों से हटाए जा रहे हैं, हालाँकि यह प्रविष्टि यह नहीं कहती कि उनके पहचानकर्ताओं से किए गए अनुरोधों का उत्तर मिलना बंद हो जाएगा; GPT-6 Astra (प्रति मिलियन इनपुट टोकन 10 डॉलर, आउटपुट के लिए 50 डॉलर) और DeepSeek V4 Pro (1,32 और 3,96 डॉलर) इसमें शामिल होते हैं। 🔗 स्रोत
OpenRouter पर pplx-decider-v1.2 — 16 अक्टूबर को अपने वेट के साथ प्रकाशित Perplexity के दोनों निर्णय मॉडल उसी दिन OpenRouter पर आते हैं, जहाँ प्रति मिलियन इनपुट टोकन की कीमत 0,02 डॉलर (27B) और 0,01 डॉलर (4B) है, आउटपुट मुफ़्त है और कॉन्टेक्स्ट 262K है, जैसा 7 अक्टूबर को v1.1 के साथ था। 🔗 स्रोत
Embed 5 Fast बनाम EmbeddingGemma 2 — Cohere का दावा है कि 163 डेटासेट में से 95 % से अधिक पर वह Google के मॉडल से आगे है, लेकिन यह उसके अपने मूल्यांकन तरीके RCP-nDCG@10 पर आधारित है; मानक nDCG@10 में उसका ViDoRe v3 ग्राफ़ 47,6 के मुकाबले 59,3 दिखाता है, डेटासेट की सूची दिए बिना, और एक सशुल्क API मॉडल की तुलना 740M पैरामीटर वाले खुले मॉडल से करता है। 🔗 स्रोत
SpaceXSI का TypeScript SDK 0.2.4 — बिना किसी घोषणा के, यह responses.create() का guidelines पैरामीटर, मॉडल के आउटपुट के लिए श्रेणीवार निर्देश (किसी श्रेणी को अस्वीकार करना, आत्म-हानि की स्थिति में सहायता देना), वीडियो प्रारूप 21:9 और 5:2 तथा grok-voice-3.0 और grok-voice-2.0 पहचानकर्ता जोड़ता है, और Live Search को web_search तथा x_search के पक्ष में अप्रचलित चिह्नित करता है। 🔗 स्रोत
AI Mode और AI Overviews — 15 अक्टूबर की छूटी खबर: Google अपने जनरेट किए गए उत्तरों में अधिक अंतर्निहित लिंक जोड़ता है और उन्हें ऊपर रखता है, पसंदीदा स्रोतों (Preferred Sources) को प्रमुखता देने वाले अपने समाचार कैरोसेल को और देशों तथा भाषाओं तक फैलाता है, जिनका उपयोग साल की शुरुआत से सात गुने से अधिक हो चुका है, और आधिकारिक पेजों के लिए एक अलग खंड का परीक्षण करता है। 🔗 स्रोत

खुले मॉडल और सामुदायिक शोध

FLUX 3 Image Klein — मॉडल जारी होने के दो दिन बाद Black Forest Labs अपने वर्कफ़्लो सुधारता है (ComfyUI v0.41.3, अपडेट किया गया Hugging Face Space), 2K में अपनी प्रॉम्प्ट अपसैंपलिंग की सलाह देता है और इसके बिना काम करने के लिए सुझाया गया सिस्टम प्रॉम्प्ट GitHub पर प्रकाशित करता है। 🔗 स्रोत
Hub पर लेखक के आधार पर फ़िल्टर — Hugging Face के Models और Datasets पेज अब हर प्रोफ़ाइल पर दिए गए एक नए बटन से उपयोगकर्ता या संगठन के आधार पर फ़िल्टर किए जा सकते हैं; कार्य, आकार, लाइब्रेरी या लाइसेंस के फ़िल्टर जोड़ने पर एक कार्ड याद दिलाता है कि किस खाते को देखा जा रहा है। 🔗 स्रोत
Ammu-1.0-OffOnTopic-Guardrail — कल्याण केएस MIT लाइसेंस के तहत 150M से 17M पैरामीटर वाले चार क्लासिफ़ायर प्रकाशित करते हैं, जो जाँचते हैं कि कोई अनुरोध सिस्टम प्रॉम्प्ट द्वारा तय दायरे से बाहर है या नहीं; लेखक के अनुसार, सबसे बड़ा मॉडल 91,56 का Macro-F1 हासिल करता है, जबकि DeepSeek V4 Flash 0731 का स्कोर 81,95 और GPT-6 Luna का 79,12 है। 🔗 स्रोत
मेमोरी का एक क्लासिफ़ायर जिसे तैनात नहीं किया गया — जावद ताघिया बताते हैं कि AtMem की मेमोरी में क्या लिखना है, यह तय करने के लिए फ़ाइन-ट्यून किए गए एनकोडर को प्रोडक्शन में क्यों नहीं उतारा गया: सीलबंद परीक्षण में प्रदर्शन 18,4 % से 73,8 % तक पहुँचा, लेकिन प्रोडक्शन जैसे हालात में दोबारा चलाए गए 100 काल्पनिक अवलोकनों पर केवल 16 सही निर्णय मिले, जबकि नियतात्मक नियमों से 30 मिले, और यह 15 से 230 गुना धीमा था। 🔗 स्रोत
SPICY-KV — यूगे वाई (ElithiaTechnologies) के अनुसार, RoPE से पहले कीज़ को समूहों में बाँटने वाली यह विधि DeepSeek-R1-Distill-Qwen के KV कैश को 28,6 गुना संकुचित करती है और RULER पर 100,0 % (1.5B) तथा 91,7 % (7B) रिकॉल बनाए रखती है, जबकि RoPE के बाद विलय करने पर यह 0,0 % तक गिर जाता है; ये लेखक के अपने माप हैं, जिनकी सहकर्मी समीक्षा नहीं हुई है। 🔗 स्रोत

इसका क्या अर्थ है

Anthropic की रिपोर्ट रोज़गार से जुड़े सवाल का केंद्र बदल देती है। एक अग्रणी प्रयोगशाला में कर्मचारियों द्वारा शुरू किए गए इंटरैक्टिव एजेंट पहले ही उनसे छह गुना अधिक घंटे काम करते हैं, और अब जिस चीज़ की कमी पड़ रही है, वह है मानवीय ध्यान: दोबारा पढ़ना, आवश्यकताएँ स्पष्ट करना, निगरानी करना। इसका असर सबसे पहले नए लोगों पर पड़ता है, जिनकी तकनीकी भर्तियों में हिस्सेदारी 27 % के मुकाबले 9 % है, जबकि साक्षात्कारों में स्वायत्तता और निर्णय क्षमता को अधिक महत्व दिया जाता है। Google Research प्रयोगशाला में भी इसी कार्य विभाजन का वर्णन करता है: वैज्ञानिक रणनीति तय करता है, एजेंट उसे लागू करता है, और यह जोड़ी कंप्यूटर सिमुलेशन में अकेले वैज्ञानिक के मुकाबले लगभग दोगुने उम्मीदवार खोजती है। अपेक्षाओं का अंतर अभी बना हुआ है: Anthropic के 91 % कर्मचारी मानते हैं कि AI 2030 तक नोबेल पुरस्कार के योग्य खोज करने में सक्षम होगी, जबकि अमेरिकियों में यह अनुपात 39 % है, और उनके उत्तर सकल घरेलू उत्पाद की तीन गुना अधिक वृद्धि का संकेत देते हैं (5,4 % के मुकाबले 17,1 %)।

गति में सुधार भी उसी सीमा से टकराता है। Claude Code स्थानीय तौर पर पहले टोकन से पहले का इंतज़ार 4,07 से घटाकर 1,33 सेकंड करता है और टर्मिनल के बाहर fork उप-एजेंटों को डिफ़ॉल्ट रूप से सक्रिय करता है, लेकिन Anthropic का अध्ययन दिखाता है कि मशीन अब मुख्य अड़चन नहीं है: इंटरैक्टिव सत्र किसी उत्तर की प्रतीक्षा में लगभग 80 % समय निष्क्रिय रहते हैं, और उनकी सारी सामग्री पढ़ने में कार्य-सप्ताह के आधे से अधिक समय की ज़रूरत होगी। विलंब घटाने से मशीन के सामने बैठे उपयोगकर्ता का इंतज़ार कम होता है, इंसान की प्रतीक्षा कर रहे सत्रों का नहीं।

खुले मॉडलों के मामले में अब प्रति टोकन कीमत से अधिक महत्व प्रति कार्य लागत का है। DeepSeek अपनी दरें नहीं बदलता, लेकिन V4.1-Flash-1017 छोटे आउटपुट देता है और लगभग 0,2 डॉलर प्रति कार्य पर DeepSWE v1.1 में 77,0 % का दावा करता है, जबकि उसके ग्राफ़ का सबसे अच्छा बंद मॉडल, GPT-6.1 Sol, लगभग तीन गुना लागत पर करीब 75 % तक ही पहुँचता है; हालाँकि उसकी स्कोर तालिका केवल GPT-5.6 Sol और Opus 5 की तुलना करती है, उनके उत्तरवर्ती मॉडलों की नहीं। NVIDIA के साझेदार भी विशिष्ट कार्यों पर यही बात कहते हैं: पोस्ट-ट्रेनिंग के बाद Nemotron 3.5 Super VL, Harvey के Legal Agent Bench पर Opus 4.7 के स्तर पर है, और इसकी कीमत प्रति मिलियन टोकन 15 डॉलर के मुकाबले 1,34 डॉलर है। अब DeepSeek अपने एजेंटों की वेब खोज भी बेचता है, 1 000 अनुरोधों के लिए 0,75 डॉलर की दर पर: मॉडल, टूल और हार्नेस एक ही प्रदाता से मिलते हैं।

अंत में, एजेंट वास्तविक परिवेश के करीब आ रहे हैं, और हर कोई अपने सुरक्षा उपाय तय कर रहा है। Google Research किसी अभिकर्मक को छूने से पहले हर प्रोटोकॉल को एक डिजिटल ट्विन में दोहराता है, साथ में जैवसुरक्षा जाँच और मानवीय निगरानी होती है। Replit अपना प्लेटफ़ॉर्म और अपने Agent का हार्नेस ग्राहक के क्लाउड में स्थापित करता है, लेकिन कंट्रोल प्लेन और इनफ़रेंस अपने पास रखता है। NVIDIA, RTX Spark के साथ, डेवलपर के कंप्यूटर पर चलने वाले कोड एजेंटों पर दाँव लगा रहा है, Junie Local से लेकर Copilot तक, ऐसे डेस्कटॉप कंप्यूटरों के आने की प्रतीक्षा में जो लगातार काम करने वाले एजेंटों के लिए बनाए गए हों।