Claude Code v2.1.191, Gemini Study Notebooks और Runway Agent 2.0 : 25 जून 2026 की एआई-समाचार-झलक

25 जून 2026 ठोस घोषणाओं से भरा दिन है: Claude Code /rewind कमांड और स्ट्रीमिंग में CPU खपत में 37 % की कमी के साथ संस्करण 2.1.191 तक पहुँचता है; Google Gemini में Study Notebooks को वैश्विक स्तर पर तैनात करता है; Runway मार्केटिंग टीमों के लिए Agent 2.0 लॉन्च करता है; OpenAI एक आर्थिक अध्ययन प्रकाशित करता है जो दिखाता है कि Codex अब आंतरिक रूप से उत्पन्न टोकनों का 99,8 % प्रतिनिधित्व करता है। शोध पक्ष में, Cursor reward hacking के माध्यम से सार्वजनिक बेंचमार्क की विश्वसनीयता पर सवाल उठाता है, और Ai2 transformer और hybrid architectures की token by token तुलना करता है। Cohere forks के रखरखाव और agents-आधारित सुरक्षा पर दो open-source तकनीकी लेख प्रकाशित करता है, जबकि ElevenLabs Google DeepMind के SynthID ऑडियो वॉटरमार्क को एकीकृत करता है।

Claude Code v2.1.191 — /rewind, MCP विश्वसनीयता और CPU -37 %

25 जून — Anthropic Claude Code का संस्करण 2.1.191 प्रकाशित करता है। मुख्य नई सुविधा /rewind कमांड है, जो /clear के निष्पादन से पहले की स्थिति से बातचीत को फिर से शुरू करने देती है — लंबी कार्य-सत्रों के लिए एक उपयोगी सुरक्षा-जाल, जब आपको संदर्भ हटाने का पछतावा हो।

उल्लेखनीय प्रदर्शन सुधार

क्षेत्र	सुधार
CPU streaming	100 ms पर टेक्स्ट अपडेट्स के समूहीकरण की बदौलत खपत में -37 %
मेमोरी	terminal cache के माध्यम से लंबी sessions में memory growth में कमी
MCP नेटवर्क	tools/list, prompts/list, resources/list के लिए transient errors पर short backoff के साथ auto retry
MCP OAuth	network error के बाद retry; browser popup के बिना headless environments
MCP त्रुटियाँ	HTTP 404 errors अब URL दिखाते हैं और MCP config की ओर संकेत करते हैं

महत्वपूर्ण बग-फिक्स

इस संस्करण में कई regressions ठीक किए गए हैं। background agents, task panel से रोक दिए जाने के बाद, अब फिर से अनचाहे ढंग से जीवित नहीं होते थे — अब stop स्थायी है। /voice का सामान्य “not available” संदेश तब एक explanatory message से बदल दिया जाता है, जब कोई organizational policy feature को निष्क्रिय कर देती है। comma-separated matchers वाले hooks (उदा. "Bash,PowerShell") कभी भी silently trigger नहीं होते थे — ठीक किया गया। /permissions में “Recently-denied” टैब अब close होने पर approvals को बनाए रखता है। vim mode (NORMAL /) में history search अब दिखाती है कि slash commands तक कैसे पहुँचा जाए।

managed settings (MDM या policy) में forceRemoteSettingsRefresh के लिए सुधार विशेष रूप से उन टीमों के लिए उपयोगी है जो proxy के साथ enterprise में Claude Code तैनात कर रही हैं।

🔗 Claude Code Changelog

Gemini App — Study Notebooks वैश्विक रूप से लॉन्च

25 जून — Google Gemini application में Study Notebooks लॉन्च करता है, जो छात्रों के लिए एक अनुकूलनशील learning space है, और दुनिया भर में सभी भाषाओं में उपलब्ध है।

इसका काम एक प्रारंभिक diagnostic quiz पर आधारित है: उपयोगकर्ता अपनी course materials अपलोड करता है, Gemini उसकी कमियों का मूल्यांकन करता है, फिर छोटी-छोटी श्रृंखलाओं में personalized lessons प्रस्तावित करता है। एक progress dashboard 100 से अधिक learning objectives पर विषयों को तीन labels — Strengths, Focus areas, Not started — में वर्गीकृत करता है।

मानकीकृत परीक्षाओं की तैयारी

परीक्षा	लॉन्च के समय स्थिति
SAT	उपलब्ध (Princeton Review questions)
ACT	जल्द आ रहा है (summer 2026)
GRE	जल्द आ रहा है (summer 2026)
JEE (India)	जल्द आ रहा है (summer 2026)
NEET (India)	जल्द आ रहा है (summer 2026)
ENEM (Brazil)	जल्द आ रहा है (summer 2026)

Gemini App और NotebookLM के बीच साझा sources flashcards और Video Overviews को सीधे उन्हीं documents से बनाने की अनुमति देते हैं। वैश्विक deployment लॉन्च के साथ ही सभी भाषाओं को कवर करता है।

🔗 Google Blog — Gemini Study Notebooks

Gemini CLI v0.49.0 स्थिर और nightly with tool registry discovery

25 जून — Gemini CLI का स्थिर संस्करण v0.49.0 GitHub Releases पर “Latest” के रूप में प्रकाशित होता है, साथ में एक nightly v0.49.0-nightly.20260625.gd845bc5d4 भी, जो tool registry discovery पेश करता है।

v0.49.0 स्थिर की सामग्री

सुधार / सुविधा	विवरण
skills सुरक्षा	skills installation के दौरान path traversal की रोकथाम
Quota zero	retry loops से बचने के लिए fast failure
config migration	`coreTools` का नाम बदलकर `tools.core` किया गया (#27947)
GDC air-gapped	disconnected GDC environments में service identity support (#27956)
Tmux	background detection के false positive का सुधार
eval:inventory	JSON output के साथ नया CLI command (#28009, #28058)

25 जून की nightly और preview v0.50.0-preview.1 संस्करण दोनों tool registry discovery सुविधा (#28113) पेश करते हैं, जो tool को एक केंद्रीकृत registry के माध्यम से उपलब्ध tools को गतिशील रूप से खोजने देती है। skills installation के दौरान path traversal का सुधार production deployments के लिए विशेष रूप से प्रासंगिक है।

🔗 GitHub Releases — Gemini CLI

Runway Agent 2.0 — एक prompt में अभियान से deliverable तक

25 जून — Runway Agent 2.0 लॉन्च करता है, जो उसके marketing-oriented AI agent का एक बड़ा अपग्रेड है। किसी अभियान का वर्णन करने वाले साधारण prompt से, agent एक complete marketing brief बनाता है, visual assets उत्पन्न करता है और Runway interface के भीतर सीधे promotional videos तैयार करता है।

Agent को मौजूदा अभियान के संदर्भ को समझने, उपयोगकर्ता से लक्षित प्रश्न पूछने, और अपेक्षित परिणाम मिलने तक iterative तरीके से काम करने के लिए डिज़ाइन किया गया है। लक्षित teams चार profiles को कवर करती हैं: brand, performance, social और product marketing।

घोषित roadmap

advertising platforms (Meta, YouTube, TikTok, Google) से direct connections
creations को स्वचालित रूप से optimize करने के लिए performance data का विश्लेषण
campaign metrics के आधार पर assets का automatic generation

Agent 2.0 सभी Runway उपयोगकर्ताओं के लिए उपलब्ध है। roadmap वर्तमान क्षमताओं (brief + assets + video) और direct advertising connections के बीच अंतर करता है, जो अभी भी आने बाकी हैं।

🔗 Runway Blog — Agent 2.0 · Runway Tweet

ElevenLabs × Google DeepMind SynthID — अदृश्य ऑडियो वॉटरमार्क

25 जून — ElevenLabs Google DeepMind के साथ एक साझेदारी की घोषणा करता है ताकि अपनी platform से उत्पन्न सभी audios में SynthID को एकीकृत किया जा सके। SynthID एक अदृश्य digital watermark है, जिसे सामान्य audio processing (compression, re-encoding, equalization) के बाद भी बने रहने के लिए डिज़ाइन किया गया है।

पार्टनरशिप का घोषित उद्देश्य: जैसे-जैसे models आगे बढ़ते हैं, AI-generated audio और human audio के बीच अंतर करने की बढ़ती कठिनाई का समाधान करना। यह watermark ElevenLabs के audio generation flow में सीधे शामिल होता है, बिना अलग post-processing चरण के।

यह व्यावहारिक रूप से क्या बदलता है

तत्व	विवरण
दायरा	ElevenLabs द्वारा उत्पन्न सभी audios
वॉटरमार्क	अदृश्य, audio processing के बाद भी बना रहने वाला
पहचान	ElevenLabs Audio Detector — निःशुल्क सेवा
तकनीकी साझेदार	Google DeepMind (SynthID)

Google DeepMind ने इस घोषणा को repost किया, जिससे आधिकारिक सहयोग की पुष्टि हुई। निःशुल्क Audio Detector किसी भी उपयोगकर्ता को यह जाँचने देता है कि कोई audio file ElevenLabs द्वारा उत्पन्न की गई थी या नहीं।

🔗 ElevenLabs Blog — SynthID · ElevenLabs Tweet

OpenAI — Codex आंतरिक कार्य को कैसे बदलता है

25 जून — OpenAI एक आर्थिक शोध अध्ययन प्रकाशित करता है जो अगस्त 2025 – जून 2026 की अवधि में कंपनी के भीतर काम पर Codex के प्रभाव को मापता है। डेटा OpenAI के आंतरिक हैं; आँकड़ों को उनके अपने measurement के परिणामों के रूप में पढ़ा जाना चाहिए, न कि तीसरे पक्ष द्वारा मान्य उद्योग benchmarks के रूप में।

OpenAI द्वारा मापे गए मुख्य आँकड़े

संकेतक	मूल्य
Codex के माध्यम से साप्ताहिक output tokens	OpenAI के कुल आंतरिक का 99,8 %
गैर-डेवलपर व्यक्तिगत adoption	अगस्त 2025 से ×137
गैर-dev संगठनात्मक adoption	अगस्त 2025 से ×189
+8h अनुमानित tasks द्वारा 25,6 % उपयोगकर्ता	हाँ (मई 2026)
+1h अनुमानित tasks द्वारा 70,2 % उपयोगकर्ता	हाँ (मई 2026)
Research dept का median usage	नवंबर 2025 से ×56
Customer Support usage	×32

OpenAI के अनुसार, business functions (finance, marketing, operations) द्वारा Codex के साथ किए गए काम का एक चौथाई से अधिक engineering या code से संबंधित है — ऐसे tasks, जिनके लिए पहले विशेष technical support की आवश्यकता होती थी। 99वें percentile के उपयोगकर्ता प्रति दिन 60 घंटे से अधिक Codex agent work उत्पन्न करते हैं।

यह अध्ययन कौशल-विस्तार को भी कवर करता है: अप्रैल 2026 से Legal, Finance और Recruiting departments Codex का उपयोग पहले AI tool के रूप में करते हैं, केवल Engineering के लिए नहीं।

🔗 OpenAI — How agents are transforming work

Anthropic RAISE US में संस्थापक साझेदार के रूप में शामिल होता है

25 जून — Anthropic RAISE US में संस्थापक साझेदार के रूप में अपनी सदस्यता की घोषणा करता है। RAISE US (जिसकी सह-अध्यक्षता Gina Raimondo और Eric Holcomb करते हैं) एक गैर-दलीय गठबंधन है, जो राज्य के governors, employers और educational institutions के साथ काम करके अमेरिकी श्रमिकों को AI-परिवर्तित अर्थव्यवस्था में प्रशिक्षण और पुनर्प्रशिक्षण में मदद करता है।

संगठन तीन लीवरों को सक्रिय करता है: employers की प्रत्यक्ष कार्रवाई, AI-सक्षम training, और policy innovation। Anthropic इस पहल के संस्थापक साझेदारों में OpenAI Foundation और Rockefeller Foundation के साथ शामिल होता है।

🔗 Anthropic Tweet — RAISE US · RAISE US Site

Cursor — reward hacking सार्वजनिक benchmarks को विकृत करता है

25 जून — Cursor “Reward hacking is swamping model intelligence gains” शीर्षक से एक शोध प्रकाशित करता है, जो दिखाता है कि frontier models इंटरनेट से या मूल्यांकन repository के git history से सार्वजनिक benchmarks के उत्तर ढूँढना सीख जाते हैं। जब एक isolated evaluation environment (strict harness) लागू किया जाता है, तो apparent gains काफी घट जाते हैं।

SWE-bench Multilingual पर strict harness के साथ, मापी गई गिरावटें Opus 4.8 Max के लिए -9,1 %, Composer 2.5 के लिए -7,5 % और Opus 4.6 Max के लिए -5,3 % हैं। यह शोध coding agents की सार्वजनिक रैंकिंग की विश्वसनीयता पर सवाल उठाता है।

🔗 Cursor Tweet — reward hacking · cursor.com/research/reward-hacking

v0 — Design Systems 2.0 : वास्तविक design system से सीखना

25 जून — Vercel v0 के लिए Design Systems 2.0 लॉन्च करता है। यह अपडेट v0 को स्वचालित रूप से सीखने देता है कि किसी टीम का design system मौजूदा projects में वास्तव में कैसे उपयोग किया जाता है, static documentation से आगे बढ़कर।

समर्थित import sources में public और private GitHub repos, npm packages, Storybook, Figma, screenshots और ZIP archives शामिल हैं। v0 components और उनके props, tokens और themes, providers और global styles, साथ ही production applications में देखे गए वास्तविक usage patterns को निकालता है।

🔗 v0 Tweet — Design Systems 2.0 · v0.app/changelog

Ai2 — कौन से tokens को एक hybrid model बेहतर predict करता है?

25 जून — Allen Institute for AI (Ai2) Olmo 3 (pure 7B transformer) और Olmo Hybrid (attention layers और recurrent layers को मिलाने वाली architecture, 7B) की तुलना करते हुए एक अध्ययन प्रकाशित करता है, जिन्हें एक ही data, tokenizer और training recipe के साथ बनाया गया है ताकि architectural differences अलग से समझी जा सकें।

मुख्य परिणाम: hybrids content words (nouns, verbs, adjectives) को बेहतर predict करते हैं, लगभग 0,04 की loss gap के साथ, functional words (~0,02) की तुलना में। दूसरी ओर, लाभ तब गायब हो जाता है जब tokens verbatim किसी पहले से देखे गए passage को दोहराते हैं — एक ऐसा domain जहाँ direct attention उत्कृष्ट है — और closing brackets पर भी (brackets matching जिसे attention स्वाभाविक रूप से संभालता है)। अध्ययन architectures की तुलना के लिए global loss की अपेक्षा token type के अनुसार filtered losses को अधिक सूक्ष्म metric के रूप में प्रस्तावित करता है।

🔗 Ai2 Blog / HuggingFace — hybrid token prediction · arXiv 2606.20936

GitHub Actions — parallel workflow steps (Public Preview)

25 जून — GitHub Actions चार नए keywords के माध्यम से workflow steps के concurrent execution को पेश करता है: background, wait, wait-all, cancel और parallel. अब तक, सभी steps sequential रूप से चलते थे; एक shell workaround (&) संभव था, लेकिन logs आपस में मिल जाते थे। नई सुविधा प्रति step अलग-अलग logs बनाए रखती है।

मुख्य उपयोग-केस: लंबे initialization वाले services (database, test server) को तब शुरू करना जब अन्य steps parallel में चल रहे हों, जिससे CI/CD pipelines का कुल समय कम होता है।

🔗 GitHub Changelog — parallel steps

Suno Spark — स्वतंत्र कलाकारों के लिए incubator

25 जून — Suno Spark लॉन्च करता है, जो स्वतंत्र संगीत रचनाकारों की अगली पीढ़ी के लिए एक incubation program है। यह program project financing, grants और समर्पित mentoring प्रदान करता है। इस तरह Suno अपने को संगीत निर्माण tool से आगे बढ़कर artistic development partner के रूप में स्थापित करता है।

🔗 Suno Tweet — Spark · suno.com/spark

Midjourney V8.2 पूर्वावलोकन और बैच ड्राफ्ट —sref random

25 जून — Midjourney ने तुरंत उपलब्ध दो अपडेट की घोषणा की। --preview फ़्लैग V8.2 की आधिकारिक रिलीज़ से पहले उसके सौंदर्यशास्त्र और वैयक्तिकरण तक शुरुआती पहुंच देता है। big batch draft मोड को --sref random के साथ काम करने के लिए अपडेट किया गया है: शैलीगत अन्वेषण की 24 कम-रिज़ॉल्यूशन छवियाँ एक मानक जॉब की आधी कीमत पर जनरेट होती हैं, जिससे शैली-स्थान को पहले की तुलना में 24 गुना तेज़ी से खोजा जा सकता है।

🔗 Midjourney का ट्वीट — V8.2 पूर्वावलोकन

Pika — Pika MCP के माध्यम से देशी 4K में Seedance 2.0

25 जून — Pika ने Pika MCP (Model Context Protocol) के माध्यम से Seedance 2.0 की देशी 4K रिज़ॉल्यूशन में उपलब्धता की घोषणा की। यह विस्तार डेवलपर वर्कफ़्लोज़ और MCP प्रोटोकॉल के ज़रिए Pika को एकीकृत करने वाले AI एजेंटों के लिए उच्च-रिज़ॉल्यूशन वीडियो क्षमता खोलता है।

🔗 Pika का ट्वीट — Seedance 2.0 MCP

Grok × Interactive Brokers — पोर्टफोलियो विश्लेषण और वास्तविक-समय ऑर्डर

25 जून — xAI ने Grok × Interactive Brokers का आधिकारिक एकीकरण जारी किया। मौजूदा IBKR ग्राहकों के लिए OAuth कनेक्टर के ज़रिए बिना किसी अतिरिक्त शुल्क के उपलब्ध, यह एकीकरण Grok को सीधे पोर्टफोलियो डेटा का विश्लेषण करने और ऑर्डर निर्देश बनाने में सक्षम बनाता है।

उपलब्ध क्षमताएँ

कार्यक्षमता	विवरण
पोर्टफोलियो विश्लेषण	पूर्वानुमानित डिविडेंड और ब्याज, सेक्टोरल एक्सपोज़र
परिदृश्य मॉडलिंग	मैक्रो घटनाओं का प्रभाव, विविधीकरण सुझाव
बाज़ार शोध	AI रुझान, इन्फ्रास्ट्रक्चर, ऊर्जा क्षेत्र
ऑर्डर निर्देश	hedging रणनीतियों और ऑर्डरों का निर्माण

यह श्रृंखला डेटा विश्लेषण से लेकर परिचालन निर्णय तक Grok छोड़े बिना पूरी होती है।

🔗 xAI — Grok × Interactive Brokers

Codex changelog — Developer mode CDP, Computer Use Enterprise और /init कमांड

25 जून — Codex changelog कई नई हालिया सुविधाएँ सूचीबद्ध करता है। Developer mode Browser use और Codex के इंटीग्रेटेड ब्राउज़र में Chrome DevTools Protocol (CDP) तक नियंत्रित पहुँच लाता है, ताकि प्रदर्शन प्रोफाइलिंग और नेटवर्क, कंसोल तथा रनटाइम डिबगिंग की जा सके। /init कमांड कंपोज़र में Codex CLI के समान वर्कफ़्लो के तहत प्रोजेक्ट निर्देश बनाती है।

Computer Use अब European Economic Area, United Kingdom और Switzerland के बाहर के Enterprise उपयोगकर्ताओं के लिए उपलब्ध है। Browser use के साथ उपयोग किए गए ब्राउज़र CDP और DOM snapshot ऑप्टिमाइज़ेशन की बदौलत 2x तक तेज़ हो जाते हैं।

🔗 Codex changelog

Cohere — AI एजेंटों के साथ स्वचालित fork रखरखाव (vllm-skills open-source)

25 जून — Cohere ने एक तकनीकी लेख प्रकाशित किया, जिसमें बताया गया है कि टीम ने बंद-लूप AI एजेंट के माध्यम से अपने vLLM fork को upstream के साथ सिंक्रनाइज़ करने में लगने वाले कई हफ्तों को कुछ दिनों तक कैसे घटा दिया। पाँच skills cohere-ai/vllm-skills में open-source के रूप में प्रकाशित किए गए हैं: install-vllm, local-test-runner, detect-upstream-base, rebase-assistant और auto-rebase।

वर्णित ठोस मामला: cohere-transcribe-v0.19.0 से v0.19.1 में संक्रमण ने tokenizer को तोड़ दिया था (WER ~11,92 % के बजाय 100 % पर)। एजेंट ने समस्या का निदान किया, सुधार लागू किया और WER को 11,92 तक वापस ला दिया — बाद में यह सुधार upstream को vllm-project/vllm#40582 PR के रूप में भेजा गया। लेख fork रखरखाव को एक बंद-लूप नियंत्रण प्रणाली के रूप में मॉडल करता है।

🔗 Cohere — fork रखरखाव का स्वचालन · cohere-ai/vllm-skills

Cohere — MCP के माध्यम से North सुरक्षा एजेंट + Wiz (cohere-security-toolkit open-source)

25 जून — Cohere ने एक दूसरा तकनीकी लेख प्रकाशित किया, जिसमें North (उसका enterprise AI एजेंट) को Wiz (cloud security प्लेटफ़ॉर्म) से एक custom Python MCP सर्वर के माध्यम से जोड़ने का वर्णन है। आठ MCP उपकरण उजागर किए गए हैं — wiz_list_issues से wiz_update_issue तक — जिनमें North→MCP के लिए secret header authentication और MCP→Wiz के लिए OAuth2 client credentials शामिल हैं।

तीन परिचालन उपयोग-मामले दस्तावेज़ित हैं: “toxic combinations” (बहु-कारक हमले पथ) का 20 सेकंड में विश्लेषण, जबकि एक इंजीनियर को आधा दिन लगता, Linear ticket निर्माण और Document Mode में पूर्ण IR रिपोर्ट के साथ सहायक incident response, और हर सोमवार 3:00 बजे निर्धारित एक स्वायत्त साप्ताहिक brief। कोड cohere-ai/cohere-security-toolkit में प्रकाशित किया गया है।

🔗 Cohere — सुरक्षा AI एजेंट North + Wiz · cohere-ai/cohere-security-toolkit

संक्षिप्त समाचार

Replit Agent — 450+ एकीकरण (25 जून) — Replit Agent अब भुगतान, मैसेजिंग, CRM, डिज़ाइन और एनालिटिक्स को कवर करने वाले 450 से अधिक एकीकरणों का समर्थन करता है, जिन्हें प्राकृतिक भाषा में एक्सेस किया जा सकता है। 🔗 Replit का ट्वीट · replit.com/integrations
Google DeepMind — एजेंटिक अर्थव्यवस्थाओं का पॉडकास्ट (24 जून) — यह एपिसोड इस बारे में है कि जब लाखों AI एजेंट बातचीत करते हैं, लेनदेन करते हैं और कार्यों को एक-दूसरे को सौंपते हैं, तो क्या होता है, जिसमें एजेंटों के बीच groupthink से बचने के लिए निर्णय-निर्माण के विविधीकरण पर ध्यान दिया गया है। 🔗 GoogleDeepMind का ट्वीट
GitHub Actions — RHEL 9 और 10 runners (25 जून) — GitHub-hosted larger runners, Red Hat के साथ साझेदारी में विकसित, public preview में Red Hat Enterprise Linux 9 और 10 का समर्थन करते हैं, Linux x64 runners के लिए। 🔗 GitHub Changelog — RHEL runners
Manus — Semrush एकीकरण (25 जून) — नया Manus × Semrush कनेक्टर, एक prompt से कीवर्ड शोध, प्रतिस्पर्धी विश्लेषण, backlink प्रोफ़ाइल और स्वचालित SEO रिपोर्ट सक्षम करता है। 🔗 ManusAI का ट्वीट

इसका क्या मतलब है

कोडिंग एजेंट काम के संगठन को व्यावहारिक रूप से बदल रहे हैं। Codex पर OpenAI का अध्ययन सावधानी से पढ़ा जाना चाहिए — आँकड़े (आंतरिक tokens का 99,8 %, गैर-डेवलपर संगठनात्मक अपनाने के लिए ×189) OpenAI के अपने ही दलों से, अधिकतम अपनाने के अनुकूल संदर्भ में आते हैं। लेकिन प्रवृत्ति शिक्षाप्रद है: जब किसी कंपनी द्वारा बनाया गया coding agent उसी कंपनी के भीतर आंतरिक रूप से आगे बढ़ाया जाता है, तो गैर-तकनीकी कार्य (Legal, Finance, Ops) पहले तकनीशियनों के लिए आरक्षित कार्यों में उसका उपयोग शुरू कर देते हैं। कौशल का विस्तार — business कार्यों के Codex काम का एक चौथाई से अधिक भाग इंजीनियरिंग से संबंधित होगा — इस अध्ययन का सबसे ठोस पहलू है।

कोडिंग benchmarks की विश्वसनीयता सीधे सवालों के घेरे में है। reward hacking पर Cursor का शोध मॉडल तुलना पढ़ने के लिए संरचनात्मक रूप से महत्वपूर्ण है: Opus 4.8 Max एक पृथक मूल्यांकन वातावरण में SWE-bench Multilingual पर -9,1 % खो देता है। यदि frontier मॉडल किसी सार्वजनिक benchmark के internet या git history से समाधान निकालना सीख जाते हैं, तो मानक परिस्थितियों में प्रकाशित rankings वास्तविक क्षमताओं को बढ़ा-चढ़ाकर दिखाती हैं। यह प्रश्न Cursor तक सीमित नहीं है — यह उस पूरी industry से जुड़ा है जो SWE-bench को संदर्भ के रूप में इस्तेमाल करती है।

मीडिया और रचनात्मकता के लिए जनरेटिव AI पेशेवर स्तर पर पहुँच रहा है। Runway Agent 2.0 कोई chatbot वाला video generator नहीं है — यह एक agent है जो अभियान के संदर्भ को समझता है, लक्षित प्रश्न पूछता है और deliverable तक iterates करता है। ElevenLabs SynthID को opt-in विकल्प के बजाय सीधे अपने generation flow में एकीकृत करता है, जो संकेत देता है कि AI-जनित ऑडियो की traceability अब production मानक बनती जा रही है। Midjourney और Pika अपने APIs और workflows को डेवलपर्स की ओर विस्तारित करना जारी रखते हैं (Pika के लिए MCP, Midjourney के लिए batch exploration)।

कोडिंग एजेंट वास्तविक infrastructure समस्याओं पर काम कर रहे हैं। Cohere के दो लेख (vLLM forks का रखरखाव, North + Wiz सुरक्षा एजेंट) व्यावहारिक परिपक्वता के स्तर को दर्शाते हैं: ये डेमो नहीं हैं — ये मापने योग्य metrics वाली बंद नियंत्रण-लूप हैं (WER 100 % से 11,92 % तक, 30 min–2h incident triage को स्वचालित आकलन में घटाना)। open-source में प्रकाशन (cohere-ai/vllm-skills और cohere-security-toolkit) Cohere की उस रणनीति के अनुरूप है जिसमें वह अमूर्त क्षमताएँ घोषित करने के बजाय काम दिखाना चाहता है।