Tencent ने DeepSeek Harness के लिए आधिकारिक प्लगइन के साथ WeKnora लॉन्च किया
और पढ़ें
Pandaily
pandaily.com

Tencent ने DeepSeek Harness के लिए आधिकारिक प्लगइन के साथ WeKnora लॉन्च किया

Tencent WeChat टीम ने WeKnora को सार्वजनिक रूप से उपलब्ध कराया है - एक कॉर्पोरेट ज्ञान प्लेटफॉर्म जो दस्तावेजों को RAG खोज स्टैक, ReAct शैली के एजेंट रनटाइम और स्व-सहायक विकी में बदलता है।

GitHub पर Tencent/WeKnora रिपॉजिटरी को 25,000 से अधिक स्टार मिले हैं, जो इस परियोजना को डेवलपर्स के लिए चीनी मूल के एजेंट ज्ञानकोशों में से एक सबसे प्रमुख बनाता है। इन डेवलपर्स को एक ऐसी प्रणाली की आवश्यकता है जो केवल चैट इंटरफ़ेस के बजाय एक ही समाधान के भीतर जानकारी निकालने, उपकरणों का उपयोग करने और दीर्घकालिक स्मृति प्रदान करे।

WeKnora के नवीनतम संस्करण क्लासिक RAG से काफी बेहतर हैं। संस्करण 0.8.0 की सामग्री Docker, E2B और Cube के बैकएंड के साथ कौशल सैंडबॉक्स, किरायेदारों के लिए कौशल कैटलॉग, प्रोफाइल, प्राथमिकताओं, तथ्यों, कार्यों और रुचियों को कवर करने वाली दीर्घकालिक क्रॉस-सेशन मेमोरी, नॉलेज ग्राफ समर्थन, MCP-उन्मुख उपकरण और विकी शैली में दस्तावेज़ प्रबंधन का वर्णन करती है। यह सिस्टम एजेंटों को कॉर्पोरेट कॉर्पोरा में खोजने, नेटवर्क नीति के अनुसार कौशल को कॉल करने और सत्रों के बीच स्थायी स्मृति बनाए रखने के लिए डिज़ाइन किया गया है, जो इसे एक बार के प्रश्न उत्तर देने वाले बॉट की तुलना में एजेंट के परिचालन स्तर के करीब लाता है।

आधिकारिक दस्तावेज़ीकरण WeChat Dialog Open Platform के माध्यम से आधिकारिक खातों और मिनी-प्रोग्राम के लिए प्लेटफॉर्म के मार्गों को भी इंगित करता है, यदि टीमों को मैसेजिंग सतहों पर समान ज्ञानकोश का उपयोग करने की आवश्यकता है।

एकीकरण तंत्र, जो कोडिंग एजेंटों के लिए महत्वपूर्ण है, वह आधिकारिक DeepSeek Harness प्लगइन है, जिसे @wxg-prc-cpg/dsh-weknora के रूप में प्रकाशित किया गया है। स्वयं DeepSeek Harness वर्कस्पेस खोज और वेब खोज प्रदान करता है, लेकिन इसमें एम्बेडिंग या ज्ञानकोश के लिए कोई अंतर्निहित मार्ग नहीं है; यह प्लगइन चार रीड-ओनली टूल - ज्ञानकोशों की सूची, हाइब्रिड खोज, पृष्ठ-दर-पृष्ठ स्क्रॉलिंग के साथ पूर्ण दस्तावेज़ पढ़ना और उद्धरण के साथ WeKnora द्वारा तैयार किए गए उत्तर - को एक तैनात WeKnora इंस्टेंस के विरुद्ध पंजीकृत करके इस अंतर को भरता है।

स्थापना dsh plugin --profile web add @wxg-prc-cpg/dsh-weknora कमांड द्वारा प्रलेखित है, जिसकी जाँच dsh 0.1.0-rc.8 और WeKnora 0.7.2 पर की गई थी, जिसमें क्रेडेंशियल्स एपीआई कुंजी के माध्यम से पारित होते हैं, और कॉर्पोरा में कोई लेखन पथ नहीं होता है।

उन टीमों के लिए जो पहले से ही एजेंट वर्कफ़्लो के लिए DeepSeek Harness का मूल्यांकन कर रही हैं, WeKnora कॉर्पोरेट सूचना निष्कर्षण का लापता हिस्सा प्रस्तुत करता है: दस्तावेज़ WeKnora में संग्रहीत होते हैं, और harness एजेंट उन्हें उपकरणों के रूप में कॉल करता है, इंडेक्सिंग और चंक प्रबंधन को WeKnora की ओर छोड़ देता है। यह ध्यान इस कहानी को DeepSeek Harness की साधारण सुविधा घोषणाओं से अलग करता है। हालांकि, ऑपरेटरों को उत्पादन के लिए इस संयोजन को तैयार मानने से पहले अपने स्वयं के कॉर्पोरा पर सैंडबॉक्स अलगाव, एपीआई कुंजी हैंडलिंग और उद्धरण की गुणवत्ता की स्वयं जांच करनी चाहिए।

समान कहानियाँ

DeepCybo ने PhysBrain 1.5 जारी किया - 28 बेंचमार्क पर 72.5 स्कोर वाली एक ओपन फिजिकल बेस मॉडल के साथ
और पढ़ें
pandaily.com

DeepCybo ने PhysBrain 1.5 जारी किया - 28 बेंचमार्क पर 72.5 स्कोर वाली एक ओपन फिजिकल बेस मॉडल के साथ

DeepCybo कंपनी ने PhysBrain 1.5 प्रस्तुत किया है, जो एक भौतिक आधार मॉडल है जो एक एकीकृत ऑटोरेग्रेसिव कोर में एम्बोडीड वर्ल्ड की समझ, एक्शन जनरेशन और भविष्य की स्थितियों की भविष्यवाणी को जोड़ता है। यह मॉडल Qwen3-VL पर आधारित है और इसे एक्शन और विज़ुअल स्टेट टोकन के साथ विस्तारित किया गया है।

विशेष रूप से, 8-बिलियन पैरामीटर का मॉडल एम्बोडीड वर्ल्ड से संबंधित 28 सार्वजनिक बेंचमार्क पर 72.5 का समग्र स्कोर प्रदर्शित करता है। इसे ओपन-सोर्स मॉडलों के बीच पहला परिणाम बताया गया है और प्रकाशित प्रोजेक्ट तालिका के अनुसार, यह GPT-6 Astra (73.3) और Gemini 3.6 Flash (73.0) जैसी प्रमुख मालिकाना प्रणालियों से लगभग एक अंक दूर है।

DeepCybo की रिपोर्ट के अनुसार, PhysBrain 1.5-8B संस्करण 28 बेंचमार्क में से 14 में पहले स्थान पर और ओपन-सोर्स मॉडलों में से 10 में दूसरे स्थान पर है। ये कार्य दृश्य-स्थानिक धारणा, मल्टी-व्यू रीजनिंग, एम्बोडीड वर्ल्ड प्लानिंग, क्षमता एन्कोडिंग और विज़ुअल ट्रेस कार्यों को कवर करते हैं।

हल्का संस्करण, PhysBrain 1.5-2B, ने समान परीक्षण सेट पर 66.6 का परिणाम दिखाया, जो रैंकिंग में मुख्य दावेदार होने के बजाय एक संगत तैनाती उपकरण के रूप में कार्य करता है। दोनों संस्करणों के वज़न, तकनीकी रिपोर्ट और मूल्यांकन सेट DeepCybo / PhysBrain 1.5 परियोजना के तहत Hugging Face और GitHub प्लेटफॉर्म पर उपलब्ध हैं।

प्रशिक्षण प्रक्रिया एक बंद भौतिक चक्र के माध्यम से लागू की गई है: अवलोकन, तर्क और एन्कोडिंग, कार्रवाई करना, और फिर दुनिया में परिवर्तनों की भविष्यवाणी करना। भाषा प्रतिक्रियाएं, स्थानिक संरचनाएं, एक्शनपीस टोकन के माध्यम से एंड-इफेक्टर के पथ, और भविष्य के RGB, डेप्थ और रोबोट मास्क के सुसंगत फ्रेम एक सामान्य लक्ष्य का उपयोग करते हैं - अगला टोकन, बिना अलग-अलग टास्क हेड्स का उपयोग किए।

प्री-ट्रेनिंग मानव इंटरैक्शन वीडियो रिकॉर्डिंग (ईगोसेंट्रिक, ईगो-एक्सोसेंट्रिक और पैनोरमिक मोड में) पर आधारित थी। अतिरिक्त फाइन-ट्यूनिंग DeepCybo के ह्यूमन-एज-ह्यूमनॉइड एक्शन ब्रिज का उपयोग करके मानव प्रदर्शन, वास्तविक रोबोट ट्रेजेक्टरी और सिमुलेशन के मिश्रण द्वारा की गई थी।

Intern W0, Motus2 या Cog-WM जैसी अन्य चीनी ओपन लाइनों की तुलना में, PhysBrain 1.5 कई बेंचमार्क पर घोषित नेतृत्व के साथ एक आधार मॉडल का रिलीज है, न कि केवल एक रोबोट के लिए नीति का प्रदर्शन। इस मॉडल का उपयोग करने वाली टीमों को मूल्यांकन पैकेज को पुन: चलाने, अपने स्वयं के मैनिपुलेटर पर एक्शनपीस ट्रांसमिशन का अध्ययन करने और 72.5 के एकत्रित स्कोर को तुलना के शुरुआती बिंदु के रूप में मानने की सलाह दी जाती है, न कि मालिकाना प्रणालियों के करीब होने को तत्काल प्रयोज्यता की क्षमता के बराबर मानने की।

लोकप्रिय