Grok 4.6 आउट हो गया है! मैंने इसे कुछ हफ़्तों से अपने रोज़ाना के काम के मुख्य उपकरण के रूप में इस्तेमाल किया है – जिसमें कोडिंग और नॉलेज वर्क का सामान्य मिश्रण शामिल है – और इसके साथ कुछ प्रोजेक्ट्स भी बनाए हैं, खास तौर पर यह देखने के लिए कि यह कहाँ टिकता है।
यह सब कुछ अच्छा करता है। सबसे ज़्यादा जो उभर कर आता है वह है इसका संवाद करने का तरीका और इसकी गति, न कि क्षमता में कोई एक बड़ी छलांग।
https://x.com/SpaceXAI/status/2087562800982077492
सूचना-सघन संचार
यह सहयोगी है, ऐसे तरीके से जिसके साथ काम करना आसान है। समरी वास्तविक जानकारी से भरे होते हैं, बजाय मुझे वापस काम दोहराकर सुनाने के। और चलते समय आने वाले छोटे अपडेट मुझे इतना बता देते हैं कि मैं समझ सकूँ कि बीच में रोकना है या नहीं।
यह छोटे बदलावों के दौरान चुप रहता है और जब बहुत सारी फ़ाइलों में बदलाव करने लगता है तब बोलना शुरू करता है। इस विभाजन को सही करने में आपकी सोच से ज़्यादा ट्यूनिंग लगी। यह अब भी कभी-कभी ऐसी चीज़ें बताता है जिनकी मुझे ज़रूरत नहीं होती, और हम उस पर काम कर रहे हैं।
सुखद गति
4.5 भी तेज़ था। 4.6 तेज़ है और साफ़ तौर पर ज़्यादा समझदार, और इस संयोजन ने मुझे काम करने के अधिक सिंक्रोनस तरीके की ओर प्रेरित किया। बहुत सारा कॉन्टेक्स्ट पहले से देकर इंतज़ार करने के बजाय, मैं कुछ छोटा माँगता हूँ, उसे देखता हूँ, और आगे बढ़ता रहता हूँ। वही सेशन बस एक बार पूछने पर किसी लंबी अवधि वाले काम में बदल सकता है।
मैं सिंक और ऐसिंक के बीच इस आधार पर बदलता रहता हूँ कि उस महीने सबसे अच्छे मॉडल किसमें अच्छे होते हैं। ऐसिंक से जब मैं कहीं और होता हूँ तो ज़्यादा काम हो जाता है, लेकिन मैं संदर्भ खो देता हूँ और एक बड़े डिफ की बिना तैयारी के समीक्षा करने लगता हूँ। 4.6 मुझे वापस सिंक की ओर खींचता है, और जब मैं नतीजे की परवाह करता हूँ तो मैं वहीं रहना पसंद करता हूँ।
, और Remotion की मदद से दोनों के लिए एक लॉन्च वीडियो बनाया! उन हफ़्तों में ज़्यादातर सामान्य काम ही था। इसने मेरे लिए वेबसाइटों पर काम किया, जिसमें एक प्रोवाइडर के कंसोल पर क्लिक करके API चाबियाँ बनाना भी शामिल था। इसने चल रहे ऐप्स पर फंक्शनल और विज़ुअल QA किया। इसने मेरे इनबॉक्स को उन कुछ थ्रेड्स तक सीमित कर दिया जिन्हें वाकई जवाब की ज़रूरत थी, और यह अहसास कभी पुराना नहीं होता। इसने मुझे Cursor SDK Bridge और /rename-chat के लिए लॉन्च पोस्ट का ड्राफ्ट तैयार करने में मदद की।
छोटे प्रॉम्प्ट, सख्त सत्यापन
मैंने उन हफ़्तों का कुछ हिस्सा प्रॉम्प्टिंग स्टाइल्स को एक-दूसरे के मुक़ाबले परखने में बिताया। लंबे बनाम छोटे, और क्या 'work very hard' जैसे खास वाक्यांश नतीजे को बदलते हैं। मैंने पाया कि वाक्यांशों से शायद ही कोई फ़र्क पड़ा।
लंबाई से फ़र्क पड़ा, हालाँकि उस तरह नहीं जैसा मैंने सोचा था। एक लंबा प्रॉम्प्ट स्पष्टता दिलाता है, इसलिए अगर आपको ठीक-ठीक पता है कि क्या चाहिए, तो उसे लिख दें। एक छोटा प्रॉम्प्ट ज़्यादा फ़ैसले मॉडल की पसंद पर छोड़ देता है। यह समझौता पहले सब कुछ लिख देने के पक्ष में जाता था। 4.6 के साथ मॉडल की पसंद इतनी अच्छी है कि एक छोटा प्रॉम्प्ट और स्पष्ट प्राथमिकता आम तौर पर अच्छी जगह पहुँचाती है।
सेशन कैप्चर, एक सर्वर हैंडलर और क्लाउड एजेंट डिस्पैच के साथ, और इसने पूरे काम को एक समझदार ढाँचे में शुरू से अंत तक पूरा किया। यह कंपोनेंट्स में खुद को दोहराता है जब तक आप उसे उन्हें अलग करने के लिए न कहें। लंबे स्पेक्स तब भी अच्छे काम करते हैं जब आपके पास एक हो। मैंने इसे एक फीडबैक विजेट के लिए विस्तृत स्पेक दिया।
मैंने जो प्रोजेक्ट्स बनाए उनमें से एक स्प्रेडशीट ऐप था, और मैंने इसे दोनों मॉडल्स को दो बार दिया। एक रन को दो पन्नों का स्पेसिफिकेशन मिला जिसमें हर टूलबार आइटम, कीबोर्ड शॉर्टकट और वह हर फॉर्मूला शामिल था जिसके बारे में मैं सोच सकता था। दूसरे को तीन वाक्य मिले।
1Next.js में एक पॉलिश्ड Sheets/Excel-स्टाइल ऐप और एक AI चैट बनाएँ जो शीट का विश्लेषण कर सके। सभी AI सुविधाओं के लिए Cursor SDK का उपयोग करें। एक यथार्थवादी सैंपल वर्कबुक प्रीलोड करें ताकि वह तुरंत अच्छी दिखे।
दोनों ऐप्स लगभग एक जैसे आए। जिस चीज़ ने वाकई नतीजा बदला, वह था एक वाक्य जोड़ना:
1इम्प्लीमेंटेशन के बाद फ़ंक्शन और डिज़ाइन की जाँच करें, और तब तक इटरेट और जाँच करते रहें जब तक यह प्रोडक्शन के लिए तैयार न हो जाए।
वह एक पंक्ति उन हफ़्तों में मुझे मिली सबसे ज़्यादा असरदार चीज़ थी! इसके साथ, मॉडल ऐप खोलता है, असली यूज़र पाथ्स पर क्लिक करता है, जाँचता है कि नेस्टेड फॉर्मूले सही से कैलकुलेट होते हैं, और जो कमियाँ मिलती हैं उन्हें ठीक करता है। ठोस ब्राउज़र उपयोग के बिना इनमें से कुछ भी काम नहीं करता, और यही उस लूप को संभव बनाता है।
यही सिद्धांत तब भी लागू होता है जब आउटपुट का निरीक्षण करना कठिन हो। 3D सीन पर 'टेक्सचर बेहतर करो' से मुझे कुछ हासिल नहीं हुआ, जबकि 'वर्तमान फ़्रेम कैप्चर करो, उसमें जो गलत है उसे सूचीबद्ध करो, फिर केवल उन्हीं चीज़ों को ठीक करो' ने तुरंत काम किया।
इसके बाद की हर तुलना में एक ही प्रॉम्प्ट दोनों मॉडल्स के अलग-अलग वर्कस्पेस में चलाया गया, इसलिए इसका कोई भी हिस्सा पिछले महीने की मेरी याद पर आधारित नहीं है।
आपको इसे कड़ी मेहनत करने या पूरा होने तक दबाव बनाए रखने के लिए कहने की ज़रूरत नहीं है। यह अपने आप काफी देर तक चलता रहेगा। इससे कहीं ज़्यादा मायने रखता है कि आप यह बताएँ कि 'पूरा' होने का मतलब क्या है, क्योंकि अन्यथा वह वह फ़ैसला आपके लिए खुद कर लेगा।
और आगे
बचपन में मैंने Age of Empires 2 का हद से ज़्यादा खेला। हज़ारों घंटे। इसलिए इसे दोबारा बनाना पहला प्रोजेक्ट था जिसे मैं आज़माना चाहता था। मैंने एक ब्राउज़र-आधारित स्ट्रैटेजी गेम माँगा जिसमें अर्थव्यवस्था, निर्माण, युद्ध, फ़ॉग ऑफ़ वॉर, उद्देश्य और ऐसा HUD हो जिसे एक नया खिलाड़ी बिना निर्देशों के समझ सके।
4.5 ने एक काम करने योग्य फ्लैट प्रोटोटाइप बनाया। 4.6 पहली कोशिश में ही आइसोमेट्रिक 3D दुनिया के साथ आया, HUD और मिनीमैप पहले से मौजूद थे। असली चीज़ के काफ़ी करीब!
अभी भी नॉस्टैल्जिया के सफर पर, मैंने अगला काम MSN Messenger का किया।
दोनों मॉडल साफ़ तौर पर संदर्भ जानते थे और अच्छा काम किया। 4.6 में बस ज़्यादा पॉलिश है, अलग-अलग कन्वर्सेशन विंडो और विंक्स तक में।
मैं Excalidraw का लगातार उपयोग करता हूँ और यह ओपन सोर्स है, जिससे यह देखने के लिए यह सबसे स्पष्ट जगह बनी कि मॉडल एक खाली फ़ोल्डर के बजाय असली कोडबेस को कैसे संभालते हैं। मैंने दोनों से एक प्रेज़ेंटेशन मोड बनाने को कहा: नामित व्यूज़ को सेव करना, उन्हें पुनः क्रमबद्ध करना, और उन्हें एक गाइडेड वॉकथ्रू के रूप में प्रस्तुत करना। प्रॉम्प्ट जानबूझकर इस बारे में अस्पष्ट था कि इसे कैसे बनाना है।
दोनों लगभग एक ही जगह पहुँचते हैं, जो इतने अस्पष्ट प्रॉम्प्ट के लिए प्रभावशाली है! 4.6 पहली बार में ही विवरणों पर ज़्यादा ध्यान देता है, जिसका व्यवहार में मतलब है कि मुझे बार-बार चीज़ें इंगित करने के कम दौर करने पड़ते हैं।
यह भी वह जगह है जहाँ सत्यापन छोड़ना नुकसान पहुँचाता है। एक पहले रन में सारांश पूरा लग रहा था और एक व्यू जोड़ना वास्तव में काम नहीं कर रहा था। 'इसे चलाओ और मुझे दिखाओ' के एक दौर ने टूटे हुए इम्पोर्ट को सामने ला दिया।
रोज़मर्रा का काम
मैं हर दिन डेक और रिपोर्ट नहीं बनाता, लेकिन बहुत से लोग बनाते हैं, और मैं देखना चाहता था कि यह उस तरह के काम को कैसे संभालता है। इसलिए मैंने दोनों मॉडल्स को वही काल्पनिक तिमाही आँकड़े दिए और एक बोर्ड डेक बनाने को कहा।
दोनों सक्षम हैं, और फ़र्क विश्लेषण की बजाय प्रस्तुति में है। 4.5 ज़्यादातर नंबरों को स्लाइड्स पर रख देता है, जबकि 4.6 संरचना और पदानुक्रम पर वास्तविक मेहनत करता है, इसलिए यह किसी के द्वारा बनाया गया डेक लगता है, न कि डेटा डंप।
वीडियो कोड के रूप में
वीडियो कोड के रूप में है: हर फ्रेम एक React कंपोनेंट होता है जो मौजूदा फ्रेम नंबर के आधार पर रेंडर होता है, और पूरी चीज़ हेडलेस Chromium और FFmpeg के ज़रिए MP4 में कंपाइल होती है। आपका वीडियो git में रहता है। यह काम करने का वाकई मज़ेदार तरीका है! यह एक मॉडल को सौंपने के लिए एक अजीब चीज़ भी है, क्योंकि आप यह देखकर नहीं बता सकते कि यह सफल रहा या नहीं कि यह चलता है। इस पर और जगह दी जानी चाहिए, क्योंकि मैं हाल ही में इस पर काफी समय बिता रहा हूँ। Remotion
काम करने के लिए। मैंने X TypeScript SDK के लिए 60 से 90 सेकंड का लॉन्च फिल्म माँगा और उसे दस्तावेज़ दे दिया।
मैं इन्हें इस आधार पर परखता हूँ कि कहानी है या नहीं और लय बनी रहती है या नहीं। ज़्यादातर मॉडल यहाँ उसी तरह विफल होते हैं – अपरकेस टाइटल, बॉक्स किया हुआ टेक्स्ट, और सब कुछ एक साथ स्क्रीन पर आ जाना। दोनों फिल्में उससे ज़्यादातर बचती हैं, और 4.6 देखने में ज़्यादा प्रभावशाली है।
इसे विभिन्न मॉडलों पर चलाने के कुछ दिनों के बाद, वीडियो वह क्षेत्र है जहाँ मुझे सबसे बड़ा अंतर दिखता है। दो मॉडल जो वेब ऐप पर समान रूप से सक्षम लगते हैं, वे यहाँ एक-दूसरे के आस-पास भी नहीं हो सकते।
जहाँ इसे मार्गदर्शन की ज़रूरत है
लगभग हर चीज़ जिसमें मुझे दिशा देनी पड़ी, वह एक ही बात पर आकर रुकी: मॉडल अपने काम को कितनी आसानी से सत्यापित कर सकता है।
वेबसाइट आसान मामला है। DOM टेक्स्ट है, इसलिए यह पेज पढ़ सकता है, स्क्रीनशॉट ले सकता है, और जो उसका इरादा था उससे तुलना कर सकता है। इसीलिए वेरीफिकेशन लूप UI काम पर उतना अच्छा काम करता है।
3D ज़्यादा कठिन है, क्योंकि एक पूरा आयाम होता है जिसे पढ़कर आप निरीक्षण नहीं कर सकते। वीडियो उससे भी कठिन है, क्योंकि समय ही अतिरिक्त आयाम है और अपने काम की जाँच का मतलब है फ़्रेम्स का क्रम कैप्चर करना और उनके बीच के अंतर के बारे में तर्क करना। भौतिकी (Physics) में भी इसी तरह की समस्या है। मॉडल को इस बात की अच्छी समझ है कि दुनिया को कैसा व्यवहार करना चाहिए, लेकिन यह पुष्टि करना कि उसने वैसा ही व्यवहार किया, ऐसा काम नहीं है जो एक स्क्रीनशॉट कर सके।
व्यावहारिक उत्तर यह है कि उसे देखने का तरीका दें, या यह स्वीकार करें कि जाँच आपको ही करनी है।
यह मेरा डिफ़ॉल्ट क्यों है
स्पाइकी मॉडल्स में असली मूल्य होता है, जो किसी एक खास चीज़ में असाधारण होते हैं। लेकिन मेरा ज़्यादातर काम कोई एक खास चीज़ नहीं है। मुझे दिन-प्रतिदिन जो चाहिए वह एक ऐसा मॉडल है जिसे मैं अच्छी तरह जानता हूँ: जहाँ मैंने उसके व्यवहार के बारे में सहज समझ बना ली है, जहाँ वह इतना भरोसेमंद है कि उसे काम सौंप सकें, और जहाँ मैं कमियों को इतनी अच्छी तरह समझता हूँ कि बिना सोचे उनसे निपट सकूँ।
मेरे लिए 4.6 बिल्कुल यही बन गया है। कोडिंग की तरफ यह इंटरैक्टिव और विज़ुअल काम संभालता है जहाँ मैं चलते-चलते प्रतिक्रिया देता हूँ, साथ ही एक असली रिपॉजिटरी में लंबे सेशन भी। नॉलेज वर्क की तरफ यह इनबॉक्स, ब्राउज़र QA, और बिना किसी API वाले क्लिक-थ्रू कार्य हैं। यह इनमें से किसी एक में भी सबसे बेहतरीन कल्पनीय मॉडल नहीं है, लेकिन यह सभी में अच्छा है और मुझे पता है कि क्या उम्मीद करनी है।
मैं फिर भी उन जगहों पर शामिल रहता हूँ जहाँ आउटपुट को उसके दिखने के आधार पर जज किया जाता है। मोशन, 3D और अंतिम पॉलिश के लिए एक विवरण के बजाय एक संदर्भ और स्क्रीनशॉट लूप चाहिए। और मैं स्वीकृति मानदंड लिख लेता हूँ, बजाय किसी सारांश पर भरोसा करने के जो कहता है कि काम पूरा हो गया है।
इसे आज़माएँ
Grok 4.6 अब Cursor में, SpaceXAI API पर, OpenRouter पर, और किसी भी अन्य जगह उपलब्ध है जहाँ आप अपने टोकन पाते हैं!
इसे आज़माइए और मुझे बताइए कि आपको क्या लगता है। हम इसे बेहतर बनाते रहेंगे, इसलिए चाहे अच्छी हो या बुरी, फीडबैक ज़रूर दें, क्योंकि यही हमें बताता है कि आगे कहाँ मेहनत करनी है।
यह जानने को उत्सुक हूँ कि आप इसके साथ क्या बनाते हैं!
