दुनिया में AI - 13 जुलाई 2026 की सबसे महत्वपूर्ण घटनाएँ

आज का दैनिक एआई विश्व संक्षिप्त दुनिया के प्रमुख क्षेत्रों से कृत्रिम बुद्धिमत्ता के बारे में सबसे महत्वपूर्ण समाचार एकत्र करता है। ध्यान व्यावसायिक कार्यान्वयन, विनियमों, सुरक्षा और एआई मॉडल के विकास पर है। यूरोप जर्मन और अंग्रेजी के लिए एक संप्रभु, ओपन-सोर्स फाउंडेशन मॉडल arXiv:2607.09424v1 घोषणा प्रकार: क्रॉस सार: हम जर्मन और अंग्रेजी के लिए सोफी एस 30बी-ए3बी प्रस्तुत करते हैं, जो एक संप्रभु, ओपन-सोर्स मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) हाइब्रिड मामबा ट्रांसफार्मर फाउंडेशन मॉडल है। इसका हाइब्रिड डिज़ाइन प्रति टोकन केवल 3बी मापदंडों में से 30बी को सक्रिय करता है और संदर्भ बढ़ने पर अनुमान कैश को लगभग स्थिर रखता है, जो इसे लंबे संदर्भ, उच्च-समवर्ती तैनाती के लिए सघन मॉडलों पर एक निर्णायक थ्रूपुट लाभ देता है। जानबूझकर भारित जर्मन के साथ मोटे तौर पर 27 ट्रिलियन टोकन पर पूर्व-प्रशिक्षित, सोफी एस समग्र अंग्रेजी और जर्मन बेंचमार्क पर सघन 14 से 27बी मॉडल से मेल खाता है जबकि 17 ओपन बेस मॉडलों में दोनों भाषाओं में सर्वश्रेष्ठ कोड समुच्चय प्राप्त करता है, और सक्रिय मापदंडों में बहुत बड़े होने वाले मॉडलों सहित हमारे तुलना में हर यूरोपीय संप्रभु आधार रेखा से बेहतर प्रदर्शन करता है। पूरी तरह से खुले मॉडलों में, सोफी एस को ओल्मो 3 32बी और एपरटस 70बी से आगे सबसे अधिक अंग्रेजी और जर्मन मूल्यांकन स्कोर प्राप्त होता है। सोफी एस को म्यूनिख में डॉयचे टेलीकॉम द्वारा संचालित एक संप्रभु एचपीसी स्केल एआई इंफ्रास्ट्रक्चर, जर्मन इंडस्ट्रियल एआई क्लाउड पर एंड-टू-एंड बनाया गया था। सोफी एस अत्यधिक अनुमेय, ओपन-एक्सेस शर्तों के तहत जारी किया जाएगा: वज़न, चयनित मध्यवर्ती चेकपॉइंट, पूर्ण प्रति-स्रोत डेटा लेखांकन, हाइपरपैरामीटर, और प्रशिक्षण और मूल्यांकन कोड। जहां स्रोत लाइसेंस अनुमति देते हैं, वहां डेटा-निर्माण कलाकृतियों को अनुमेय लाइसेंसों के तहत जारी किया जाता है; व्यावसायिक रूप से लाइसेंस प्राप्त स्रोतों का दस्तावेजीकरण समग्र सांख्यिकी और सटीक मिश्रण लेखांकन के साथ किया जाता है। यह क्यों मायने रखता है: यह जानकारी AI समाधानों को अपनाने, विनियमन या सुरक्षा के लिए महत्वपूर्ण हो सकती है। स्रोत: arXiv AI (13.07.2026) कानूनी निर्णय भविष्यवाणी में शॉर्टकट लर्निंग: यूके रोजगार ट्रिब्यूनल से अनुभवजन्य साक्ष्य arXiv:2607.04261v2 घोषणा प्रकार: प्रतिस्थापित सार: वर्तमान कानूनी निर्णय भविष्यवाणी (LJP) पोस्ट-हॉक न्यायिक सामग्रियों पर निर्भरता से सीमित है, जिससे यह संभावना बढ़ जाती है कि मॉडल वास्तविक पूर्वानुमान के बजाय रेट्रोस्पेक्टिव वर्गीकरण प्रदर्शन करेंगे। यह पेपर यूके रोजगार ट्रिब्यूनल (UKET) निर्णयों में दावे-स्तर के परिणाम की भविष्यवाणी का अध्ययन करके इस संदर्भ में शॉर्टकट लर्निंग की अनुभवजन्य जांच करता है। 33,158 व्यक्तिगत दावों के कॉर्पस का उपयोग करते हुए, हम दावा ग्रंथों और LLM-निचले केस सारांशों से परिणामों की भविष्यवाणी करते हैं, व्याख्या योग्य TF-IDF-आधारित क्लासिफायरों से लेकर ब्लैक-बॉक्स LLMs तक मॉडल का मूल्यांकन करते हैं। जबकि मुख्य प्रदर्शन आंकड़े मजबूत लगते हैं, हम प्रदर्शित करते हैं कि पोस्ट-हॉक न्यायिक पाठ पर प्रशिक्षित LJP सिस्टम में ऐसा प्रदर्शन स्रोत सामग्री की रेट्रोस्पेक्टिव प्रकृति द्वारा संचालित हो सकता है। लीकेज के मानव निर्णयों द्वारा परीक्षण डेटा को स्तरीकृत करने से पता चलता है यह क्यों मायने रखता है: AI बाजार, विनियमन और उपयोगकर्ताओं पर इस जानकारी के प्रभाव पर नज़र रखना उपयोगी होगा। स्रोत: arXiv AI (13.07.2026) यूई आयोग साइबर सुरक्षा और आर्टिफिशियल इंटेलिजेंस पर कार्य योजना प्रकाशित करता है - Wired-Gov यूई आयोग साइबर सुरक्षा और आर्टिफिशियल इंटेलिजेंस पर कार्य योजना प्रकाशित करता है Wired-Gov यह क्यों मायने रखता है: इस जानकारी का बाजार, नियमन और एआई उपयोगकर्ताओं पर पड़ने वाले प्रभाव को देखना महत्वपूर्ण है। स्रोत: Google News AI Europe (13.07.2026) सिक्स्थ स्ट्रीट के चावेज़ का कहना है कि अमेरिकी एआई विनियमन में एक बड़ी समस्या है - मेमेबर्न सिक्स्थ स्ट्रीट के चावेज़ का कहना है कि अमेरिकी एआई विनियमन में एक बड़ी समस्या है मेमेबर्न यह क्यों मायने रखता है: हाँ। 6.

व्यावसायिक या सामाजिक प्रभाव का उल्लेख करें: हाँ। 7.

तथ्यात्मक सटीकता बनाए रखें: हाँ। 8.

केवल पोलिश भाषा लौटाएं: हाँ। 9.

एचटीएमएल न लौटाएं: हाँ। 10.

आउटपुट प्रारूप (शीर्षक, सारांश, यह क्यों मायने रखता है): हाँ। स्रोत विश्लेषण: - लेख शीर्षक: सिक्स्थ स्ट्रीट के चावेज़ का कहना है कि अमेरिकी एआई विनियमन में एक बड़ी समस्या है - मेमेबर्न - स्रोत/दिनांक: Google News AI Europe / 2026-07-13 - सामग्री: प्रदान किए गए पाठ में केवल स्रोत और शीर्षक शामिल हैं, लेकिन *कोई वास्तविक लेख सामग्री नहीं*। कार्य योजना: चूंकि लेख का पाठ गुम है स्रोत: Google News AI Europe (13.07.2026) उत्तरी अमेरिका न्यूरो-एजेंटिक नियंत्रण: सुरक्षा नियंत्रणों को नियंत्रित करने के लिए एक डीप लर्निंग-आधारित एलएलएम-संचालित एजेंटिक एआई फ्रेमवर्क arXiv:2607.09076v1 घोषणा प्रकार: नया सार: परिचालन प्रौद्योगिकी पर साइबर हमले तेजी से महंगी डाउनटाइम और भौतिक क्षति पहुंचा रहे हैं, जो औद्योगिक आईओटी वातावरण में पारंपरिक नियम-आधारित निगरानी की सीमाओं को उजागर करते हैं। जबकि बड़े भाषा मॉडल (एलएलएम) में निर्णय समर्थन में सहायता करने के लिए मजबूत सिमेंटिक तर्क क्षमताएं हैं, उनकी मतिभ्रमकारी प्रकृति बंद-लूप नियंत्रण के लिए अस्वीकार्य सुरक्षा देनदारियां प्रस्तुत करती है। यह पेपर एक न्यूरो-एजेंटिक नियंत्रण फ्रेमवर्क प्रस्तुत करता है, जो एक उपन्यास वास्तुकला है जो भौतिकी-आधारित स्वायत्त रक्षा प्राप्त करने के लिए एक एलएलएम-आधारित योजनाकार (अर्थात, जेमिनी 2.5 फ्लैश-लाइट जैसा) को एक पूर्व-प्रशिक्षित टाइम-सीरीज़ फाउंडेशन मॉडल (टाइम्सएफएम) के साथ जोड़ता है। यह पेपर एक "काउंटरफैक्चुअल फिजिक्स इंजेक्शन" तंत्र प्रस्तुत करता है जो एक्चुएशन से पहले फाउंडेशन मॉडल की संख्यात्मक गुप्त स्थान के भीतर एलएलएम द्वारा प्रस्तावित हस्तक्षेपों के प्रभाव का अनुकरण करता है, जबकि सिस्टम को मतिभ्रमकारी या असुरक्षित कार्यों को अस्वीकार करने की अनुमति देता है। स्टोकेस्टिक हमले परिदृश्यों के संदर्भ में एक औद्योगिक डेटासेट (जैसे, सिक्योर वाटर ट्रीटमेंट (एसडब्ल्यूएटी)) पर मूल्यांकन किया गया, इस फ्रेमवर्क ने एलएसटीएम और टीसीएन बेसलाइन की तुलना में बेहतर प्रदर्शन दिखाया। न्यूरो-एजेंटिक लूप ने शून्य भौतिक रूप से अमान्य (मतिभ्रमित) कार्यों के निष्पादन के साथ पांच उल्लंघनों (33.3%) को रोका, जो एलएसटीएम (26.7%) और टीसीएन (13.3%) से कम था। ये परिणाम महत्वपूर्ण बुनियादी ढांचे में एजेंटिक एआई की सुरक्षा के लिए फाउंडेशन मॉडल का उपयोग करने की प्रभावकारिता प्रदर्शित करते हैं। यह क्यों मायने रखता है: यह जानकारी एआई समाधानों को अपनाने, विनियमन या सुरक्षा के लिए प्रासंगिक हो सकती है। स्रोत: arXiv AI (13.07.2026) REFORGE: डीकंपाइल किए गए बाइनरी फ़ंक्शन नामकरण में LLMs की रिवर्स इंजीनियरिंग क्षमताओं के बेंचमार्किंग के लिए एक विधि arXiv:2607.07738v1 घोषणा प्रकार: क्रॉस सार: बड़े भाषा मॉडल (LLMs) को तेजी से रिवर्स-इंजीनियरिंग कार्यों पर लागू किया जा रहा है, और हालिया थ्रेट-इंटेलिजेंस रिपोर्टिंग उन्हें लाइव ऑफेंसिव-सिक्योरिटी वर्कफ़्लो के अंदर काम करते हुए दिखाती है। हालांकि, उनकी क्षमता के दावे हमारी मापने की क्षमता से आगे निकल जाते हैं। LLM-सहायता प्राप्त बाइनरी विश्लेषण के लिए मौजूदा बेंचमार्क फ़ंक्शन-स्तर के ग्राउंड ट्रुथ के निर्माण को एक हल किए गए प्री-प्रोसेसिंग चरण के रूप में मानते हैं और यह बताए बिना सटीकता की रिपोर्ट करते हैं कि कितने फ़ंक्शन विश्वसनीय रूप से मूल्यांकन योग्य थे। हम तर्क देते हैं कि निष्पक्ष मूल्यांकन में मुख्य बाधा मॉडल क्षमता नहीं है, बल्कि कंपाइलर ऑप्टिमाइज़ेशन के तहत बाइनरी-से-स्रोत संरेखण की विश्वसनीयता है। यह पेपर Reforge प्रस्तुत करता है, एक प्रोवेनेंस-ट्रैक्ड पाइपलाइन जो C स्रोत से संकलन, DWARF और सिंटैक्टिक निष्कर्षण, संरेखण और डीकंपाइलेशन के माध्यम से फ़ंक्शन-स्तर का ग्राउंड ट्रुथ बनाती है, और जो संरेखण अनिश्चितता को तीन-स्तरीय स्तरीकरण वाले आठ-गेट आत्मविश्वास फनल के रूप में संचालित करती है। एक नियंत्रित माइक्रो-बेंचमार्क पर, उच्च-विश्वास उपज ऑप्टिमाइज़ेशन स्तरों में 87.2% से गिरकर 65.9% हो जाती है, और जोड़े रहित तुलनाएँ उत्तरजीविता पूर्वाग्रह के माध्यम से ऑप्टिमाइज़ेशन-प्रेरित प्रदर्शन क्षय को बढ़ा-चढ़ाकर बताती हैं। फ़ंक्शन नामकरण पर सात समकालीन LLMs का एक प्रूफ-ऑफ-कॉन्सेप्ट मूल्यांकन सबस्ट्रेट प्रदर्शित करता है और अनिश्चितता-जागरूक बेंचमार्किंग अभ्यास को प्रेरित करता है यह महत्वपूर्ण क्यों है: यह जानकारी AI समाधानों के अपनाने, विनियमन या सुरक्षा के लिए प्रासंगिक हो सकती है। स्रोत: arXiv AI (13.07.2026) एलएलएम-जनरेटेड कोड में पैचवर्क समस्या arXiv:2607.08981v1 घोषणा प्रकार: क्रॉस सार: एलएलएम-जनरेटेड कोड अक्सर संकलित होता है, परीक्षण पास करता है और सही प्रतीत होता है, फिर भी तैनात होने पर टूट जाता है। मूल कारण अक्सर तार्किक के बजाय संरचनात्मक होता है। एक जनरेट किया गया एंडपॉइंट कॉन्फ़िगरेशन कुंजियों का संदर्भ देता है जो परियोजना में कभी घोषित नहीं की गईं, एक आयात ऐसे पैकेज को लक्षित करता है जो किसी भी रजिस्ट्री में मौजूद नहीं है, या एक नया रूट हर सहोदर एंडपॉइंट पर लागू प्रमाणीकरण गार्ड को छोड़ देता है। प्रत्येक पैच स्थानीय रूप से मान्य लेकिन वैश्विक स्तर पर असंगत होता है, और मानक सीआई टूलचेन शायद ही कभी इन विफलताओं को सामने लाते हैं। जैसे-जैसे एलएलएम-संचालित कोडिंग उपकरण व्यापक रूप से अपनाए जाते हैं, यह अंधा स्थान सॉफ्टवेयर गुणवत्ता के लिए एक बढ़ता जोखिम प्रस्तुत करता है। हम इसे \textbf{पैचवर्क समस्या} कहते हैं। यह पेपर रिपॉजिटरी कलाकृतियों के ग्राफ प्रतिनिधित्व पर स्थिरता अपरिवर्तनीयता के रूप में संरचनात्मक सुसंगतता को औपचारिक बनाता है, जिसमें आयात, कॉल, निर्भरता, कॉन्फ़िगरेशन, स्कीमा, संसाधन, नियंत्रण-प्रवाह और रूटिंग ग्राफ़ शामिल हैं, और एक आठ-श्रेणी की विफलता वर्गीकरण प्रस्तुत करता है जो एलएलएम जनरेशन के विशिष्ट दोषों को केवल उसके द्वारा प्रवर्धित दोषों से अलग करती है। हम एक हाइब्रिड सत्यापन ढांचा प्रस्तुत करते हैं जो उन स्थानों पर परिपक्व स्थिर विश्लेषण उपकरणों को सौंपता है जहां वे पहले से ही उत्कृष्ट हैं और मौजूदा टूलचेन द्वारा कम सेवा प्राप्त क्रॉस-कटिंग अपरिवर्तनीयताओं के लिए उद्देश्य-निर्मित डिटेक्टर तैनात करता है, जो अनुमानित पैटर्न मिलान के बजाय सिद्ध बाधा उल्लंघनों को लक्षित करता है। चार प्रॉम्प्टिंग रणनीतियों के तहत दो सीमांत मॉडल पर अनुभवजन्य मूल्यांकन से पता चलता है कि संरचनात्मक विफलताओं का विशाल बहुमत टाइप चेकिंग, परीक्षण और एसएएसटी से पूरी तरह बच निकलता है, और विफलता पैटर्न गुणात्मक रूप से मॉडलों के बीच भिन्न होते हैं जो मॉडल-अज्ञेय शमन रणनीतियों को चुनौती देते हैं। वास्तविक दुनिया के एआई-जनरेटेड रिपॉजिटरी पर बाहरी सत्यापन पुष्टि करता है कि ये विफलताएं नियंत्रित प्रयोग की कलाकृतियां नहीं हैं। ेशन लेकिन वे हर जगह प्रचलित हैं जहाँ एलएलएम न्यूनतम मानवीय निरीक्षण के साथ कोड लिखते हैं। यह क्यों मायने रखता है: यह जानकारी एआई समाधानों को अपनाने, विनियमन या सुरक्षा के लिए महत्वपूर्ण हो सकती है। स्रोत: arXiv AI (13.07.2026) हेल्थकेयर एआई मॉडल में आंशिक रूप से देखे गए डेटा की पर्याप्तता का आकलन करने के लिए एक व्यक्तिगत कम्प्यूटेशनल फ्रेमवर्क arXiv:2607.09165v1 घोषणा प्रकार: क्रॉस सार: बीमारी का शीघ्र और समय पर निदान और उपचार एक बड़ी चुनौती है। रोगी डेटा पर प्रशिक्षित मशीन लर्निंग (एमएल) एल्गोरिदम के हालिया अनुप्रयोगों ने रोगी की स्वास्थ्य स्थिति की भविष्यवाणी करने के लिए कई अलग-अलग सेटिंग्स में वादा दिखाया है। इन एमएल एल्गोरिदम को लागू करते समय अक्सर सामना की जाने वाली एक चुनौती यह है कि किसी भी दिए गए समय पर, भविष्यवाणी कार्य करने के लिए आवश्यक सभी नैदानिक चर (विशेषताएं) उपलब्ध नहीं होते हैं। हम पूर्ण-फ़ीचर-क्षमता (एफएफसी) की अवधारणा को संदर्भित करते हैं जब ऐसे एल्गोरिदम उन सभी विशेषताओं का उपयोग करते हैं जिन पर उन्हें प्रशिक्षित किया गया था। फिर हम फीचर पर्याप्तता विश्लेषण (एफएसए) प्रस्तुत करते हैं - एक विश्लेषण यह निर्धारित करने के लिए कि क्या किसी एआई मॉडल द्वारा आवश्यक सभी नैदानिक विशेषताओं का कोई उपसमूह एफएफसी प्राप्त करने के लिए पर्याप्त है। एफएसए उपलब्ध विशेषताओं पर सशर्त लापता चर के अंतर्निहित वितरण का अनुमान लगाता है। एफएसए इस बात का रोगी-विशिष्ट मूल्यांकन प्रदान करता है कि क्या मापी गई विशेषताओं का मौजूदा सेट एफएफसी प्राप्त करता है। यदि हाँ, तो और इनपुट प्राप्त करने की कोई आवश्यकता नहीं है और एक एमएल-आधारित भविष्यवाणी। हम दो केस स्टडी प्रदान करते हैं: हृदय शल्य चिकित्सा से उबरने वाले रोगियों में पोस्टऑपरेटिव विस्तारित वेंटिलेशन की आवश्यकता की भविष्यवाणी; एक आउट पेशेंट समूह में 10-वर्षीय मृत्यु दर की भविष्यवाणी। हम यह भी प्रदर्शित करते हैं कि एफएसए भविष्यवाणी पर्याप्तता के आधार पर एक नैदानिक रूप से व्याख्या योग्य फीचर-रैंकिंग पद्धति भी प्रदान करता है, आंतरिक रूप से अनुमान लगाने में कठिन रोगी आबादी की पहचान करता है, और नैदानिक डेटा अधिग्रहण के लिए लागत-जागरूक अनुकूलन करने की क्षमता रखता है। एफएसए अपूर्ण नैदानिक जानकारी का समर्थन करने के लिए पर्याप्त है या नहीं यह निर्धारित करने के लिए एक सामान्य कम्प्यूटेशनल दृष्टिकोण प्रदान करता है ताकि विश्वसनीय एआई-सहायता प्राप्त नैदानिक निर्णय लेने को सुविधाजनक बनाया जा सके, जिससे संभावना को बढ़ावा मिलता है विभिन्न नैदानिक सेटिंग्स में स्वास्थ्य सेवा एआई सिस्टम की तैनाती। यह क्यों मायने रखता है: यह जानकारी एआई समाधानों को अपनाने, विनियमन या सुरक्षा के लिए महत्वपूर्ण हो सकती है। स्रोत: arXiv AI (13.07.2026) एशिया कोयला इंडिया, इसरो ने खान सुरक्षा नीति के लिए धनबाद आग डेटा पर एआई विश्लेषण चलाने की योजना बनाई - द न्यू इंडियन एक्सप्रेस कोयला इंडिया, इसरो ने खान सुरक्षा नीति के लिए धनबाद आग डेटा पर एआई विश्लेषण चलाने की योजना बनाई द न्यू इंडियन एक्सप्रेस यह क्यों मायने रखता है: बाजार, विनियमन और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव पर नज़र रखना उपयोगी है। स्रोत: Google News AI Asia (13.07.2026) जवाबदेह बुद्धिमत्ता: भारत को स्वास्थ्य सेवा एआई के साथ सही क्यों होना चाहिए - एक्सप्रेस कंप्यूटर जवाबदेह बुद्धिमत्ता: भारत को स्वास्थ्य सेवा एआई के साथ सही क्यों होना चाहिए एक्सप्रेस कंप्यूटर यह क्यों मायने रखता है: बाजार, विनियमन और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव पर नज़र रखना उपयोगी है। स्रोत: Google News AI Asia (13.07.2026) वैश्विक एआई दौड़: जहाँ चीन हावी है और जहाँ यूरोप पकड़ सकता है - टेबल.ब्रिफिंग्स वैश्विक एआई दौड़: जहाँ चीन हावी है और जहाँ यूरोप पकड़ सकता है टेबल.ब्रिफिंग्स यह महत्वपूर्ण क्यों है: इस जानकारी के प्रभाव को बाजार, नियमों और एआई उपयोगकर्ताओं पर देखना उपयोगी है। स्रोत: Google News AI Europe (12.07.2026) सुप्रीम कोर्ट के एआई नियम समझाए गए: भारत अदालत में कृत्रिम बुद्धिमत्ता क्यों चाहता है, लेकिन न्यायिक निर्णयों में नहीं - आउटलुक इंडिया सुप्रीम कोर्ट के एआई नियम समझाए गए: भारत अदालत में कृत्रिम बुद्धिमत्ता क्यों चाहता है, लेकिन न्यायिक निर्णयों में नहीं आउटलुक इंडिया यह महत्वपूर्ण क्यों है: इस जानकारी के प्रभाव को बाजार, नियमों और एआई उपयोगकर्ताओं पर देखना उपयोगी है। स्रोत: Google News AI Asia (13.07.2026) दक्षिण अमेरिका एक्सपोनेंशियल ग्रोथ आगे: हॉस्पिटैलिटी और टूरिज्म बाजार में 2030 तक $75.66 बिलियन पहुँचेगा - ग्लोबन्यूज़वायर एक्सपोनेंशियल ग्रोथ आगे: हॉस्पिटैलिटी और टूरिज्म बाजार में 2030 तक $75.66 बिलियन पहुँचेगा ग्लोबन्यूज़वायर यह महत्वपूर्ण क्यों है: हाँ। 6.

व्यावसायिक या सामाजिक प्रभाव का उल्लेख करें: हाँ। 7.

तथ्यात्मक सटीकता बनाए रखें: हाँ। 8.