20 अक्टूबर 2026 का संस्करण

किसी AI से "एक नर्स" या "एक वकील" माँगिए। आप रूप-रंग का ज़िक्र तक नहीं करते। कॉर्नेल के नेतृत्व में एक टीम ने 27 इमेज जनरेटरों के साथ यही किया और 51,300 चेहरे बनवाए।

550 लोगों की रेटिंग में, पर्याप्त रेटिंग वाली छवियों वाले सभी 23 जनरेटर आकर्षकता में असली तस्वीरों से आगे रहे। महिला के रूप में माँगे गए चेहरों में से 37% स्वचालित स्कोर पर औसत (माध्यिका) फ़ैशन मॉडल से आगे निकले। नाइजीरियाई, अश्वेत या इथियोपियाई के रूप में माँगे गए चेहरों को सबसे कम अंक मिले।

फिर 570 लोगों ने नौकरी के आवेदकों की छँटाई की। कुछ ने पहले बहुत आकर्षक AI चेहरे देखे। उसके बाद उन्होंने उन्हीं असली उम्मीदवारों को कम नियुक्ति-योग्य और कम भरोसेमंद आँका। कम लोगों को इंटरव्यू मिला: 72.5% बनाम 77.4%।

पारंपरिक फ़ोटो रीटचिंग से कुछ नहीं बदला। लेखक अभी यह नहीं बता सकते कि AI चेहरे असर क्यों डालते हैं। लेकिन कृत्रिम लोग विज्ञापनों, वेबसाइटों और स्टॉक इमेजों में भरते जा रहे हैं।

स्रोत: Generative AI Produces and Transmits Beauty Bias, https://arxiv.org/abs/2610.22553

एक गोल ट्रैक पर कई धावकों की कल्पना करें। सब एक ही जगह से शुरू करते हैं, हर एक अपनी स्थिर रफ़्तार से। क्या हर धावक किसी न किसी पल बाक़ी सबसे दूर होगा? यही अकेले धावक का अनुमान (lonely runner conjecture) है।

n + 1 धावकों के साथ, यह कम से कम 1/(n + 1) चक्कर के फ़ासले की भविष्यवाणी करता है। गिनती का एक सरल तर्क इसका सिर्फ़ आधा पक्का करता है। दशकों तक, धावक जोड़ते जाने पर इस आसान सीमा के ऊपर के सुधार घटकर शून्य हो जाते थे।

Xiyu Hu और Yifan Jing अब एक ऐसा सुधार सिद्ध करते हैं जो फीका नहीं पड़ता: धावकों की किसी भी संख्या के लिए, आसान सीमा से एक निश्चित अनुपात ऊपर। औज़ार: एक नई अतिव्यापन असमिका और उभयनिष्ठ भाजकों के बारे में तर्क।

लेखकों ने उपपत्तियाँ जाँचने और निखारने के लिए ChatGPT 6 का इस्तेमाल किया। वे लिखते हैं कि मॉडल अपने दम पर सीमा को बेहतर नहीं कर सके।

स्रोत: Near optimal gap in the Lonely Runner Conjecture, https://arxiv.org/abs/2610.23790

जलवायु मॉडल दुनिया के कुछ सबसे बड़े सुपरकंप्यूटरों पर चलते हैं। लेकिन कंप्यूटिंग का हर अतिरिक्त हिस्सा कितनी सटीकता ख़रीदता है? 24 शोधकर्ताओं की एक टीम ने 1995 से बने 159 जलवायु मॉडलों की जाँच की।

उनका जवाब हैरान करने वाली हद तक स्थिर है। कंप्यूटिंग के हर दोगुने होने पर मॉडल की त्रुटि लगभग 13.5% घटी है। आज की त्रुटि को आधा करने के लिए मोटे तौर पर 28 गुना ज़्यादा कंप्यूटिंग लगेगी।

फ़ायदे असमान हैं। पहली पीढ़ी के बाद से, वायुदाब की त्रुटियाँ 3.5 गुना और सतह के तापमान की त्रुटियाँ 2.7 गुना घटीं। वर्षा की त्रुटियाँ सिर्फ़ 7% घटीं।

AI मौसम मॉडल अब सबसे अच्छे पूर्वानुमानों की बराबरी करते हैं। फिर भी कोई भी अपनी मापी गई ऊर्जा प्रकाशित नहीं करता। प्रशिक्षण को जोड़ें, तो उनमें से एक दक्षता में दूसरे से आख़िरी स्थान पर आ जाता है। टीम माँग करती है कि सटीकता के साथ ऊर्जा भी बताई जाए।

स्रोत: Energy-Aware Earth System Science: A Community Roadmap, https://arxiv.org/abs/2610.23216

रोज़ की बारिश दर्ज करें और हर रिकॉर्ड नोट करें: ऐसा दिन जो पहले के सभी दिनों से ज़्यादा गीला हो। ज़्यादा रिकॉर्ड का मतलब ऊँची अंतिम चोटी होना चाहिए, है न? तीन भौतिकविदों ने सटीक गणित से इसकी जाँच की।

किसी भी सतत वितरण से लिए गए यादृच्छिक मानों के लिए जवाब है नहीं। रिकॉर्डों की संख्या और सबसे ऊँचे मान का आपस में कोई संबंध नहीं। एक को जानने से दूसरे के बारे में कुछ पता नहीं चलता, श्रृंखला चाहे जितनी लंबी हो।

शून्य बारिश वाले सूखे दिन जोड़ें, तो एक संबंध उभरता है। सूखे दिनों के एक क्रांतिक अनुपात से ऊपर, यह पहले बढ़ता है, फिर फीका पड़ता है। उससे नीचे, यह सिर्फ़ फीका पड़ता है। इस दहलीज़ का एक सटीक सूत्र है।

टीम ने इसे जर्मनी के मौसम केंद्रों के दैनिक बारिश रिकॉर्डों पर परखा। एक समूह दहलीज़ से ऊपर था, दूसरा नीचे। दोनों ने अनुमानित आकार का पालन किया, बिना किसी प्राचल को समायोजित किए।

स्रोत: Emergence of Correlations Between Records and Maximum in Random Time Series, https://arxiv.org/abs/2610.23217

स्टर्न-स्कलिंग एक अकेले चप्पू से नाव चलाने का एक पुराना तरीक़ा है। चप्पू नाव के पिछले सिरे पर एक खाँचे में टिका रहता है, और उसका फलक हमेशा पानी के नीचे रहता है। चलाने वाले के हाथ अनंत का चिह्न बनाते हैं।

एक फ़्रांसीसी टीम ने 4.7 मीटर की एक नाव में बलमापी, गति-सेंसर और एक वेगमापी लगाया। फिर दो अनुभवी नाविकों ने शांत पानी पर उसे ठहराव से अधिकतम रफ़्तार तक पहुँचाया।

अगल-बगल के स्ट्रोक के दौरान फलक एक पंख की तरह काम करता है। उत्थापक बल (लिफ़्ट) नाव को आगे धकेलता है। हर मोड़ पर, फलक का तेज़ी से पलटना पानी को पीछे धकेलता है। स्ट्रोक के चारों चरण नाव को आगे बढ़ाते हैं।

दक्षता 1.2 मीटर प्रति सेकंड की मध्यम रफ़्तार पर लगभग 65% के शिखर पर होती है। 2 मीटर प्रति सेकंड पर यह घटकर लगभग 25% रह जाती है। तब पतवार अपनी क्रांतिक रफ़्तार के क़रीब होती है, और लहरें मेहनत को निगल जाती हैं।

स्रोत: Hydrodynamics and propulsive efficiency of stern-sculling propulsion, https://arxiv.org/abs/2610.23444

हमारे सौरमंडल के चारों विशाल ग्रहों के वलय हैं। फिर भी किसी दूसरे तारे के परिपक्व ग्रह के चारों ओर आज तक एक भी वलय की पुष्टि नहीं हुई। क्या वे दुर्लभ हैं, या बस देखने में कठिन?

रोमन अंतरिक्ष दूरबीन में एक कोरोनाग्राफ़ है जो तारे की रोशनी रोक देता है। उसे विशाल ग्रहों को उनके द्वारा परावर्तित तारे की रोशनी से देख पाना चाहिए। मिशिगन विश्वविद्यालय की एक टीम ने मॉडल बनाया कि वलय इसमें क्या जोड़ेंगे।

वलय अपने ग्रह से दस से सौ गुना ज़्यादा चमकीले हो सकते हैं। और वे एक पहचान-चिह्न छोड़ते हैं: कक्षा के साथ चमक में दो की जगह चार उतार-चढ़ाव।

टीम ने रोमन के प्रमुख लक्ष्य एप्सिलॉन एरिडानी b का सिमुलेशन किया। बिना वलय के, वह अक्सर पहचान की सीमा से नीचे चला जाता है। शनि जैसे वलय के साथ, वह दोगुना तक चमकता है और लगभग पूरी कक्षा में दिखाई देता रहता है।

स्रोत: Detecting Exoplanetary Rings with Roman CGI Reflected Light Phase Curve Observations, https://arxiv.org/abs/2610.23835

मेन बिजली 50 या 60 हर्ट्ज़ पर चलती है, पर कभी ठीक-ठीक नहीं। इसकी आवृत्ति डगमगाती है, पूरे ग्रिड में एक ही तरह से। लैंप इसके साथ झिलमिलाते हैं, और कैमरे उस झिलमिलाहट को रिकॉर्ड कर लेते हैं।

साउथैम्पटन सोलेंट यूनिवर्सिटी के दो शोधकर्ताओं को उम्मीद थी कि AI वीडियो में यह झिलमिलाहट नहीं होगी। हैरानी की बात: जनरेटर इसे असली फ़ुटेज जितनी ही तीव्रता से पैदा करते हैं। इसका होना कुछ साबित नहीं करता।

इसलिए वे इस डगमगाहट की तुलना ग्रिड के एक स्वतंत्र रिकॉर्ड से करते हैं। उनके सिस्टम ने 93% असली ऑडियो क्लिप और 100% असली वीडियो स्वीकार किए। यह किसी ध्वनि रिकॉर्डिंग का समय एक दिन के भीतर लगभग एक सेकंड तक बता सकता है।

एक असली दृश्य के दो AI रीमेक 60 हर्ट्ज़ पर झिलमिलाए, जबकि दावा की गई जगह 50 पर चलती है। कमज़ोर कड़ी बनी रहती है: असली फ़ुटेज में बदला गया चेहरा असली गुनगुनाहट ही रखता है।

स्रोत: An Agentic ENF Framework for Forensic Video Authentication Against Generative AI, https://arxiv.org/abs/2610.22440

ग्लूऑन प्रबल बल के वाहक हैं, वही बल जो क्वार्कों को बाँधे रखता है। उन्हें पर्याप्त गर्म करें, तो वे एक प्लाज़्मा बना लेते हैं। यह कितना दबाव डालता है? भौतिकविद इसका जवाब क़दम-दर-क़दम निकालते हैं, और हर क़दम एक और बारीक सुधार होता है।

इनमें से एक क़दम, जिसे g⁶ पद कहा जाता है, बीस साल से भी ज़्यादा समय तक पहुँच से बाहर रहा। इसके लिए 65 उलझे हुए आरेख चाहिए, जिनमें से हर एक में चार लूप हैं।

हेलसिंकी, तुर्कू, चिली और बर्न की एक टीम ने आख़िरकार इसे पूरा कर लिया। उन्होंने एक नई विधि से नौ अज्ञात समाकल हल किए, और इसमें सुपरकंप्यूटरों पर लगभग दस लाख प्रोसेसर-घंटे लगे।

नतीजा: पहले के क़दम प्लाज़्मा के कंप्यूटर सिमुलेशनों से कभी ऊपर तो कभी नीचे झूलते थे। नए पद के साथ, सिद्धांत और सिमुलेशन मेल खाते हैं, उस तापमान के कुछ गुना तक जिस पर ग्लूऑन आज़ाद हो जाते हैं। अगला लक्ष्य: न्यूट्रॉन तारों के विलय के लिए क्वार्कों को जोड़ना।

स्रोत: Complete g⁶ pressure of hot Yang-Mills theory, https://arxiv.org/abs/2610.23675

भारत में रोज़मर्रा की ख़रीदारी का बड़ा हिस्सा छोटी जनरल स्टोर जैसी दुकानों में होता है, जिन्हें किराना दुकान कहते हैं। क्या कोई AI ऐसी दुकान चला सकता है? BITS पिलानी की एक टीम ने यह जानने के लिए एक सिमुलेटेड दुकान बनाई।

एक ही AI मॉडल चारों कर्मचारियों की भूमिका निभाता है: मैनेजर, कैशियर, हेल्पर और मुनीम। मैनेजर दुकान कभी नहीं देखता, सिर्फ़ कर्मचारियों की रिपोर्ट देखता है। ग्राहक और सप्लायर अंग्रेज़ी, हिंदी या हिंग्लिश बोलते हैं।

चार ओपन AI मॉडलों ने इसे 30-30 सिमुलेटेड दिनों तक चलाया। नियमों पर चलने वाले एक साधारण दुकानदार ने लगभग 1,03,000 रुपये कमाए। सबसे अच्छे मॉडल का औसत लगभग 13,700 रहा। दो ने उस दुकान से भी ज़्यादा घाटा किया जिसे कोई नहीं चला रहा था।

नाकामियों के नाम हैं। ऐसे सप्लायरों को ई-मेल जो मौजूद ही नहीं। एक भुगतान जो कभी हुआ ही नहीं। दो बार चुकाए गए ऑर्डर। एक मॉडल के 42% हिंदी ई-मेल पढ़े न जा सकने के कारण लौटा दिए गए।

स्रोत: KiranaBench: Can a Language Model Run a Neighbourhood Shop?, https://arxiv.org/abs/2610.22980

हेल्थ ऐप आपकी दिल की धड़कन, आपका ग्लूकोज़ और कभी-कभी आपका मानसिक स्वास्थ्य ट्रैक करते हैं। अमेरिका और कनाडा के विश्वविद्यालयों की एक टीम ने Google Play पर इनमें से 10,000 से ज़्यादा की जाँच की।

69% कम से कम एक ऐसी अनुमति माँगते हैं जिसे उनका विवरण उचित नहीं ठहराता। लगभग आधे बिना कोई कारण बताए आपकी लोकेशन या आपका कैमरा चाहते हैं। एक-तिहाई माइक्रोफ़ोन चाहते हैं।

टीम ने ऐप्स को टेस्ट फ़ोनों पर चलाया। जो 3,599 चले, उनमें से 93% ने कोई सहमति स्क्रीन नहीं दिखाई। कई ने फिर भी फ़ोन की विज्ञापन ID बाहर भेजी।

जब सहमति फ़ॉर्म दिखता है, तो ऐप ज़्यादातर अपनी बात पर टिके रहते हैं: 14 में से 1 ने ऐसा कुछ इकट्ठा किया जिसका उसने ज़िक्र नहीं किया था। बड़े, संसाधन-संपन्न डेवलपर भी चूके। लेखक माँग करते हैं कि किसी ऐप के स्टोर तक पहुँचने से पहले स्वचालित निजता जाँच हो।

स्रोत: Bad Diagnosis: Analyzing Consent and Data Collection Practices of Mobile Medical Apps, https://arxiv.org/abs/2610.23851