दुनिया में AI - 25 मई 2026 की सबसे महत्वपूर्ण घटनाएँ

आज का डेली एआई वर्ल्ड ब्रीफ दुनिया के प्रमुख क्षेत्रों से आर्टिफिशियल इंटेलिजेंस पर सबसे महत्वपूर्ण खबरें एकत्र करता है। मुख्य ध्यान व्यावसायिक कार्यान्वयन, नियमन, सुरक्षा और एआई मॉडल के विकास पर है। यूरोप पोप लियो वैश्विक नियमों का आग्रह करते हैं कि वे आर्टिफिशियल इंटेलिजेंस को 'निष्क्रिय' करें - द आयरिश टाइम्स पोप लियो ने आर्टिफिशियल इंटेलिजेंस को 'निष्क्रिय' करने के लिए वैश्विक नियमों का आह्वान किया, द आयरिश टाइम्स यह क्यों महत्वपूर्ण है: इस जानकारी के प्रभाव को बाजार, नियमन और एआई उपयोगकर्ताओं पर देखना उपयोगी होगा। स्रोत: Google News AI Europe (25.05.2026) डब्ल्यूएचओ का कहना है कि स्वास्थ्य सेवा में एआई का उपयोग पूरे यूरोपीय संघ में जगह बना रहा है - डीडी न्यूज़ डब्ल्यूएचओ का कहना है कि स्वास्थ्य सेवा में एआई का उपयोग पूरे यूरोपीय संघ में जगह बना रहा है, डीडी न्यूज़ यह क्यों महत्वपूर्ण है: इस जानकारी के प्रभाव को बाजार, नियमन और एआई उपयोगकर्ताओं पर देखना उपयोगी होगा। स्रोत: Google News AI Europe (25.05.2026) पोप लियो चौदहवें ने व्यापक घोषणापत्र में एआई के 'मजबूत' नियमन का आह्वान किया - फ्रांस 24 पोप लियो चौदहवें ने व्यापक घोषणापत्र में एआई के 'मजबूत' नियमन का आह्वान किया, फ्रांस 24 इसका क्या महत्व है: इस जानकारी के प्रभाव को बाजार, नियमों और एआई उपयोगकर्ताओं पर देखना उपयोगी है। स्रोत: Google News AI Europe (25.05.2026) AI in health: shaping the future - CEPS AI in health: shaping the future CEPS इसका क्या महत्व है: इस जानकारी के प्रभाव को बाजार, नियमों और एआई उपयोगकर्ताओं पर देखना उपयोगी है। स्रोत: Google News AI Europe (24.05.2026) उत्तरी अमेरिका द मिसएट्रिब्यूशन गैप: जब मेमोरी पॉइज़निंग एजेंटिक एआई सिस्टम में मॉडल विफलता जैसा दिखता है arXiv:2605.22842v1 Announce Type: cross Abstract: मल्टी-एजेंट एआई पाइपलाइनें आमतौर पर मानती हैं कि एजेंट का दुराचार मॉडल के गलत संरेखण (misalignment) से उत्पन्न होता है। हम इस धारणा में एक संरचनात्मक विफलता की पहचान करते हैं, जिसे \emph{Misattribution Gap} कहा जाता है, जहाँ मेमोरी-लेयर हमले ऐसे व्यवहार पैदा करते हैं जो मॉडल विफलता से अलग नहीं किए जा सकते, जिससे बचाव करने वालों को गलत उपचारात्मक उपाय लागू करना पड़ता है। हम \emph{Semantic Norm Drift} (SND) को एजेंट के दुराचार का एक तीसरा मार्ग मानते हैं, जो उभरते संरेखण और मिलीभगत से अलग है। SND में, एक नीति-स्वरूपित दस्तावेज़ सामान्य अपलोड के माध्यम से एक साझा वेक्टर स्टोर में प्रवेश करता है और बाद में एक ट्रस्ट लॉन्ड्रिंग चेन के माध्यम से प्रोवेनेंस खो जाने के बाद विश्वसनीय सिस्टम संदर्भ के रूप में फिर से दिखाई देता है। 64 दर्ज की गई विफलताओं में, एट्रीब्यूशन सिस्टम लगातार मॉडल को दोषी ठहराते थे। चार सुरक्षा क्लासिफायर, जिसमें मेमोरी पॉइज़निंग पर प्रशिक्षित एक शामिल था, ने 510 चेकपॉइंट्स में शून्य डिटेक्शन दिए। इन 59 o इसका क्या महत्व है: इस जानकारी के प्रभाव को बाज़ार, नियमों और एआई उपयोगकर्ताओं पर देखना उपयोगी होगा। स्रोत: arXiv AI (25.05.2026) SafeHarbor: एलएलएम एजेंट सुरक्षा के लिए पदानुक्रमित मेमोरी-ऑगमेंटेड गार्डरेल arXiv:2605.05704v2 Announce Type: replace-cross Abstract: फाउंडेशन मॉडल में हाल की प्रगति ने LLMs को निष्क्रिय संवादात्मक प्रणालियों से तर्क और टूल निष्पादन करने में सक्षम स्वायत्त एजेंटों में बदल दिया है। हालांकि ये क्षमताएं पर्याप्त व्यावहारिक मूल्य खोलती हैं, वे नए सुरक्षा जोखिम भी पेश करती हैं, क्योंकि विरोधी एजेंटों में वास्तविक दुनिया के वातावरण में हानिकारक कार्य करने के लिए हेरफेर कर सकते हैं। मौजूदा रक्षा रणनीतियाँ ऐसे खतरों को कम करती हैं लेकिन अक्सर सुरक्षा और उपयोगिता के बीच संतुलन बनाने के लिए संघर्ष करती हैं, जिसके परिणामस्वरूप सौम्य उपयोगकर्ता अनुरोधों का अत्यधिक इनकार होता है। इस व्यापार-बंद (trade-off) को कम करने के लिए, हम SafeHarbor प्रस्तावित करते हैं, जो LLM एजेंटों के लिए सटीक निर्णय सीमाएं स्थापित करने हेतु डिज़ाइन किया गया एक नवीन ढांचा है। स्थिर दिशानिर्देशों के विपरीत, SafeHarbor उन्नत विरोधी पीढ़ी (enhanced adversarial generation) के माध्यम से संदर्भ-जागरूक रक्षा नियम निकालता है। हम गतिशील नियम इंजेक्शन के लिए एक स्थानीय पदानुक्रमित मेमोरी प्रणाली डिज़ाइन करते हैं, offeri यह क्यों महत्वपूर्ण है: बाजार, नियमों और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव को देखना उपयोगी होगा। स्रोत: arXiv AI (25.05.2026) संदर्भ-आधारित बैंडिट प्राथमिकता शिक्षण के साथ मानव-इन-द-लूप मल्टी-एजेंट वेंटिलेटर निर्णय समर्थन arXiv:2605.23320v1 घोषणा प्रकार: नया सार (Abstract): वेंटिलेटर निर्णय समर्थन के लिए क्रमिक निर्णयों की आवश्यकता होती है जो सुरक्षा सीमाओं और चिकित्सक विशिष्ट ट्यूनिंग शैलियों का सम्मान करते हुए विकसित हो रही शारीरिक रचना और रोग प्रक्षेप पथों को ट्रैक करते हैं। नियम-आधारित दृष्टिकोण शायद ही कभी वैयक्तिकरण को सामान्य बनाते हैं, और एंड-टू-एंड रीइन्फोर्समेंट लर्निंग या एकल बड़े भाषा मॉडल सिस्टम को नियंत्रित करना और ऑडिट करना मुश्किल बना रहता है। हम वेंटिलेटर डिसीजन सपोर्ट सिस्टम (VDSS) का प्रस्ताव करते हैं, जो एक मानव-इन-द-लूप मल्टी एजेंट फ्रेमवर्क है जो अनुबंध संचालित संरचित इंटरफेस के माध्यम से मॉड्यूलर निर्णय घटकों का समन्वय करता है और समीक्षा के लिए पता लगाने योग्य प्रमाण उत्पन्न करता है। VDSS एक कॉन्टेक्चुअल बैंडिट के साथ ऑनलाइन प्राथमिकता अनुकूलन करता है, प्रत्येक समायोजन चक्र में अंतिम स्वीकृत निर्णय से चिकित्सक विशिष्ट प्राथमिकताओं को अपडेट करता है और उनका उपयोग बाद की सिफारिशों का मार्गदर्शन करने के लिए करता है। संरचित अस्वीकृति प्रतिक्रिया ट्रिगर करती है यह क्यों महत्वपूर्ण है: इस जानकारी के प्रभाव को बाजार, नियमों और एआई उपयोगकर्ताओं पर देखना उपयोगी होगा। स्रोत: arXiv AI (25.05.2026) मेमऑडिट: कारणिक एट्रीब्यूशन और संरचनात्मक विसंगति का पता लगाने के माध्यम से ज़हर लगे एजेंट मेमोरी का पोस्ट-हॉक ऑडिटिंग arXiv:2605.23723v1 Announce Type: new Abstract: Large language model agents increasingly rely on persistent memory to store past interactions, retrieve relevant demonstrations, and improve long-horizon task execution.

However, this memory mechanism also creates a practical security vulnerability: an adversarial user may inject malicious records into the agent's memory through ordinary interaction, and these records can later be retrieved to steer the agent's reasoning and actions.

Existing defenses primarily focus on online intervention, such as prompt filtering or output blocking, but they do not address the post-hoc question of which stored memories are responsible after harmful behavior has already been observed.

We propose \textbf{MemAudit}, a post-hoc causal memory auditing framework for memory-augmented LLM agents.

The framework combines two complementary signals: (1) a counterfact यह क्यों महत्वपूर्ण है: बाजार, नियमों और एआई उपयोगकर्ताओं पर इस जानकारी के प्रभाव को देखना उपयोगी है। स्रोत: arXiv AI (25.05.2026) एशिया यह डेटा नहीं, इंसान हैं: एलएलएम में भू-राजनीतिक पूर्वाग्रह पोस्ट-ट्रेनिंग में उत्पन्न होता है, जिसे प्रॉम्प्ट की भाषा द्वारा बढ़ाया जाता है arXiv:2605.23825v1 Announce Type: cross Abstract: It has generally been assumed that geopolitical bias in language models originates from the training data used during the pre-training phase.

We tested seven open-weight LLM pairs consisting of the base model (pre-training only) and the chat model (pre-training and post-training) from seven labs on a paired-scenario forced-choice probe over 28 country pairs in English, French, and Chinese, and found that geopolitical bias originates in post-training rather than in pre-training.

Across seven AI labs, six showed shifts in the direction associated with the country or region of the model developer after post-training.

This shift is strongest in Alibaba's Qwen 2.5: while the base is neutral on China-favourability (-0.15 log-odds, p=0.15), the post-trained chat variant is at +2.91 (p<10^-4), an 18x shift in odds.