Anthropic's S-1, LLM ଦର ହ୍ରାସ, vLLM ଟୁଲ୍ କଲ୍ ଏବଂ ଏକ ଚର୍ମ-କର୍କଟ CNN: ଗୋଟିଏ Daily Diff ରେ ଚାରୋଟି ଡେଭଲପର୍ କାହାଣୀ

ଏହି ଭିଡିଓରେ କ'ଣ ଅଛି

• Anthropic ର ଫର୍ମ S-1 ଅକ୍ଟୋବର ୨୬, ୨୦୨୬ ରେ ସକାଳ ୦୯:୦୦ ନ୍ୟୁୟର୍କ ସମୟରେ SEC EDGAR ଦ୍ୱାରା ଗ୍ରହଣ କରାଯାଇଥିଲା। ଏହା ଏକ ପ୍ରାଥମିକ ଫାଇଲିଂ: ମୂଲ୍ୟ ସୀମା, ସେୟାର ସଂଖ୍ୟା ଏବଂ କିଛି ନୂତନତମ ଆକଳନ ଖାଲି ଅଛି, ଏବଂ କମ୍ପାନୀ Nasdaq Global Select Market ରେ ANT ପ୍ରତୀକ ଅଧୀନରେ Class A ସେୟାର ତାଲିକାଭୁକ୍ତ କରିବାକୁ ଆବେଦନ କରିଛି।
• S-1 ର ସାରାଂଶ ଟେବୁଲ୍ ୨୦୨୬ ର ପ୍ରଥମ ଛଅ ମାସ ପାଇଁ ରାଜସ୍ୱ $16,286 ମିଲିୟନ୍ (୨୦୨୫ ର ସମଗ୍ର: $4,585 ମିଲିୟନ୍), କମ୍ପ୍ୟୁଟ୍ ଏବଂ ଭିତ୍ତିଭୂମି ଖର୍ଚ୍ଚ $8,945 ମିଲିୟନ୍, $693 ମିଲିୟନ୍ ର ଏକ ପରିଚାଳନା କ୍ଷତି (ପରିଚାଳନା ମାର୍ଜିନ୍ -4 ପ୍ରତିଶତ), $1,618 ମିଲିୟନ୍ ର ଏକ ସମନ୍ୱିତ (ନନ୍-GAAP) ପରିଚାଳନା ଆୟ ଯାହା $2,185 ମିଲିୟନ୍ ର ଷ୍ଟକ୍-ଆଧାରିତ କ୍ଷତିପୂରଣ ଏବଂ ଅନ୍ୟାନ୍ୟ ଆଇଟମ୍ ଯୋଗ କରେ, ଏବଂ $80,748 ମିଲିୟନ୍ ର ଏକ ନେଟ୍ କ୍ଷତି ରିପୋର୍ଟ କରିଛି। କ୍ଷତିର $72,388 ମିଲିୟନ୍ ହେଉଛି ପରିବର୍ତ୍ତନୀୟ ନୋଟ୍, ଡେରିଭେଟିଭ୍ ଦାୟିତ୍ୱ ଏବଂ SAFEs ର ଉଚିତ୍ ମୂଲ୍ୟରେ ପରିବର୍ତ୍ତନ, ଯାହା ଫାଇଲିଂ ଅନୁଯାୟୀ କମ୍ପାନୀର ଏଣ୍ଟରପ୍ରାଇଜ୍ ମୂଲ୍ୟାଙ୍କନରେ ବୃଦ୍ଧି ଦ୍ୱାରା ମୁଖ୍ୟତଃ ଚାଳିତ।
• S-1 ମଧ୍ୟ $1.5 ବିଲିୟନ୍ ର Bartz ସମାଧାନ (ଜୁଲାଇ ୨୦୨୬ ରେ କୋର୍ଟ ଦ୍ୱାରା ଅନୁମୋଦିତ), ଜୁନ୍ ୩୦, ୨୦୨୬ ରେ $112.4 ବିଲିୟନ୍ ର ନଗଦ ଏବଂ ନଗଦ ସମକକ୍ଷ, ଏବଂ Claude Code ବିନା Claude Enterprise ଉପଭୋକ୍ତାମାନେ ସେପ୍ଟେମ୍ବର ୩୦, ୨୦୨୬ ପର୍ଯ୍ୟନ୍ତ ତିନି ମାସରେ ହାରାହାରି $75 ରୁ କମ୍ ଖର୍ଚ୍ଚ କରିଥିଲେ, ଯେତେବେଳେ Claude Code ବ୍ୟବହାର କରିଥିବା Claude Enterprise ଉପଭୋକ୍ତାଙ୍କ ଶୀର୍ଷ ୫ ପ୍ରତିଶତ ପ୍ରାୟ ୨୦ ଗୁଣ ଅଧିକ ଖର୍ଚ୍ଚ କରିଥିଲେ।
• OpenAI କହିଛି ଯେ GPT-5.6 Luna ଜୁଲାଇ ୩୦, ୨୦୨୬ ରେ ୮୦ ପ୍ରତିଶତ ଶସ୍ତା ହୋଇଛି, ଏବଂ GPT-6.1 Sol କୁ ପ୍ରତି ମିଲିୟନ୍ ଟୋକେନ୍ ପାଇଁ $2 ଇନପୁଟ୍, $10 ଆଉଟପୁଟ୍ ଏବଂ $0.10 କ୍ୟାଚ୍ ଇନପୁଟ୍ ରେ ତାଲିକାଭୁକ୍ତ କରିଛି, ଯାହା GPT-6 Astra ର ମାନକ ଇନପୁଟ୍ ଏବଂ ଆଉଟପୁଟ୍ ମୂଲ୍ୟର ପାଞ୍ଚ ଭାଗରୁ ଏକ ଭାଗ। Anthropic କହିଛି ଯେ Opus 5.5 ଚଲାଇବାକୁ Opus 5 ଠାରୁ ପ୍ରାୟ ୪୦ ପ୍ରତିଶତ କମ୍ ଖର୍ଚ୍ଚ ହୁଏ; ଏହାର S-1 କହିଛି ଯେ ସେପ୍ଟେମ୍ବର ହ୍ରାସ ନିମ୍ନ ମୂଲ୍ୟ ଏବଂ ଉତ୍ତମ ଦକ୍ଷତାକୁ ଏକତ୍ର କରି ମାର୍ଜିନ୍ ବଜାୟ ରଖିଛି।
• Ubicloud (ଅକ୍ଟୋବର ୨୦, ୨୦୨୬) vLLM 0.28 ଉପରେ Kimi K2.6 ପାଇଁ ୯୨ ପ୍ରତିଶତ ଟୁଲ୍-କଲ୍ ସ୍କିମା ନିର୍ଭୁଲତା ମାପିଛି, ଅର୍ଥାତ୍ ୨୫ ଟି ଟୁଲ୍ କଲ୍ ମଧ୍ୟରୁ ୨ ଟି ବିଫଳ ହୋଇଛି, ଏବଂ constrained decoding (vLLM ର tool-strict-level flag, vLLM 0.31) Kimi ଏବଂ DeepSeek ମଡେଲ ଉପରେ ସକ୍ଷମ କରିବା ପରେ ୧୦୦ ପ୍ରତିଶତ ହୋଇଛି; vLLM ଏହାକୁ ଡିଫଲ୍ଟ ଭାବରେ ବନ୍ଦ ରଖେ କାରଣ ଉପଭୋକ୍ତାମାନେ କିଛି ମଡେଲ୍ ସହିତ ସମସ୍ୟା ରିପୋର୍ଟ କରିଥିଲେ।
• ଡକ୍ଟର ମାଗ୍ନସ୍ ଲିଞ୍ଚ (Guy's Hospital, King's College London; ଅକ୍ଟୋବର ୨୫, ୨୦୨୬) ୨୦୦ ବାୟୋପ୍ସି-ପ୍ରମାଣିତ ଲେସନ୍ ଉପରେ GPT-6 Astra, Claude Fable 5.1 ଏବଂ ଏକ ଫାଇନ୍-ଟ୍ୟୁନ୍ Inception v3 CNN କୁ ପରୀକ୍ଷା କରିଥିଲେ: CNN ୧୨୫ ଟି (୬୨ ପ୍ରତିଶତ) ପାଇଁ ସଠିକ୍ ରୋଗ ନିର୍ଣ୍ଣୟ କରିଥିଲା, ପ୍ରତ୍ୟେକ ଚାଟବଟ୍ ୪୨ ପ୍ରତିଶତ ପାଇଁ; CNN ୩୦ ଟି ମେଲାନୋମା ମଧ୍ୟରୁ ୧୩ ଟିକୁ ପ୍ରଥମ ପସନ୍ଦ ଭାବରେ ନାମିତ କରିଥିଲା ​​୮ ଏବଂ ୧୧ ବିରୁଦ୍ଧରେ। ସେ ନିଜେ ସତର୍କତା ତାଲିକାଭୁକ୍ତ କରିଛନ୍ତି, ଯେଉଁଥିରେ ଛୋଟ ସଂଖ୍ୟା ଏବଂ ପ୍ରତି ଚାଟବଟ୍ ପାଇଁ ଗୋଟିଏ ରନ୍ ଅନ୍ତର୍ଭୁକ୍ତ; ଏହା ଚିକିତ୍ସା ପରାମର୍ଶ ନୁହେଁ।

ଅନୁବାଦିତ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟ

ମୂଳ ଇଂରାଜୀ ବର୍ଣ୍ଣନାରୁ ଅନୁବାଦିତ। ଉପଲବ୍ଧ ଅଡିଓ ଏବଂ କ୍ୟାପ୍ସନ୍ଗୁଡ଼ିକ YouTube ଦ୍ୱାରା ନିୟନ୍ତ୍ରିତ।

ଅଶୀ ବିଲିୟନ୍ ଡଲାରର କ୍ଷତି କେଉଁଠାରୁ ଆସିଲା?

0:00 ଛଅ ମାସରେ ଷୋହଳ ବିଲିୟନ୍ ଡଲାରର ରାଜସ୍ୱ ଏକ କମ୍ପାନୀ ପରି ଲାଗୁଛି ଟଙ୍କା ଛପାଇବା। Anthropic ର ନିଜର ପ୍ରୋସ୍ପେକ୍ଟସ୍ ସେହି ସମାନ ଛଅ ମାସ ପାଇଁ ଅଶୀ ବିଲିୟନ୍ ଡଲାରର ନେଟ୍ କ୍ଷତି ତାଲିକାଭୁକ୍ତ କରେ। ଏହି ଭିଡିଓରେ, ଚାରୋଟି କାହାଣୀ। Anthropic ର S one ଭିତରେ କ'ଣ ଅଛି, ଏବଂ ସେହି କ୍ଷତି କେଉଁଠାରୁ ଆସିଲା? OpenAI ଏବଂ Anthropic କାହିଁକି ସେମାନଙ୍କର ମୂଲ୍ୟ ହ୍ରାସ କଲେ? ଗୋଟିଏ ସର୍ଭର ଫ୍ଲାଗ୍ ଖୋଲା ମଡେଲ୍ ଗୁଡିକୁ ଠିକ୍ କରିପାରିବ କି? ଏବଂ ଏକ ଦଶ ବର୍ଷ ପୁରୁଣା ଇମେଜ୍ ମଡେଲ୍ ଚର୍ମ କର୍କଟ ଚିହ୍ନଟ କରିବାରେ ନୂତନତମ ଚାଟବଟ୍ ଗୁଡିକୁ କିପରି

0:28 ପରାସ୍ତ କରେ? ଚର୍ମ କର୍କଟ ଅଧ୍ୟୟନଟି କାହାଣୀ ଏକରେ ଥିବା କମ୍ପାନୀର ଏକ ଉପକରଣ ସହିତ ପ୍ରସ୍ତୁତ କରାଯାଇଥିଲା। ମୁଁ ଶେଷରେ ସେଥିପ୍ରତି ଫେରିବି। ଏହା ସୋମବାର, ଅକ୍ଟୋବର ଛବିଶ, ଏବଂ ଏହା The Daily Diff। ଏକ ପ୍ରୋସ୍ପେକ୍ଟସ୍ ହେଉଛି ଏକ ଦସ୍ତାବିଜ୍ ଯାହା ଏକ କମ୍ପାନୀ ସାର୍ବଜନୀନ ଭାବରେ ସେୟାର୍ ବିକ୍ରି କରିବା ପୂର୍ବରୁ ଦାଖଲ କରେ। ଏହାକୁ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ବ୍ୟବସାୟ ପାଇଁ ରିଲିଜ୍ ନୋଟ୍ ଭାବରେ ଭାବନ୍ତୁ, ଯେଉଁଠାରେ ପ୍ରତ୍ୟେକ ଧାଡ଼ିରେ ଓକିଲଙ୍କ ଆଙ୍ଗୁଠିର ଚିହ୍ନ ଥାଏ। Claude ତିଆରି କରୁଥିବା କମ୍ପାନୀ Anthropic ଆଜି ଏହାର ପ୍ରଥମ ଦାଖଲ କଲା।

Anthropic କ'ଣ ଦାଖଲ କଲା, ଏବଂ କ'ଣ ଖାଲି ଅଛି?

0:51 କାହାଣୀ ଏକ। ସୋମବାର ସକାଳ ନଅଟା ପରେ, ନ୍ୟୁୟର୍କ ସମୟ ଅନୁଯାୟୀ, Anthropic S E C ରେ ଏକ ଫର୍ମ S one ଦାଖଲ କଲା। ଏହା Nasdaq ପ୍ରତୀକ A N T ନାମିତ କରେ। ଏହା ଏକ ପ୍ରାଥମିକ ଫାଇଲିଂ, ତେଣୁ ସେୟାର୍ ମୂଲ୍ୟ, ସେୟାର୍ ସଂଖ୍ୟା ଏବଂ ନୂତନତମ ତ୍ରୈମାସିକ ରାଜସ୍ୱ ଏପର୍ଯ୍ୟନ୍ତ ଖାଲି ଅଛି। ୨୦୨୩ ରେ ରାଜସ୍ୱ ପ୍ରାୟ ଏକଚାଳିଶ ମିଲିୟନ୍ ଡଲାର୍ ଥିଲା ଏବଂ ୨୦୨୫ ରେ ପ୍ରାୟ ଚାରି ଦଶମିକ ଛଅ ବିଲିୟନ୍ ଥିଲା। ଏହି ବର୍ଷର ପ୍ରଥମ ଛଅ ମାସରେ ଏହା କେବଳ ଷୋହଳ ବିଲିୟନ୍ ଥିଲା।

1:19 ତା'ପରେ କ୍ଷତି। ସେହି ଛଅ ମାସ ପାଇଁ ପରିଚାଳନା କ୍ଷତି ପ୍ରାୟ ସାତ ଶହ ମିଲିୟନ୍ ଡଲାର୍ ଥିଲା, ରାଜସ୍ୱର ଚାରି ପ୍ରତିଶତ। ନେଟ୍ କ୍ଷତି ଅଶୀ ବିଲିୟନ୍ ଥିଲା, ଏବଂ ଏଥିରୁ ବାସ୍ତରୀ ବିଲିୟନ୍ ଗୋଟିଏ ଧାଡ଼ି, ପରିବର୍ତ୍ତନୀୟ ନୋଟ୍ ର ଉଚିତ୍ ମୂଲ୍ୟରେ ପରିବର୍ତ୍ତନ। ସାଧାରଣ ଭାଷାରେ, ଯେହେତୁ କମ୍ପାନୀ ଅଧିକ ମୂଲ୍ୟବାନ ହୁଏ, ତାହା ଦେୟ ଥିବା ନୋଟ୍ ଗୁଡିକ ଅଧିକ ମୂଲ୍ୟବାନ ହୁଏ, ଏବଂ ଆକାଉଣ୍ଟ୍ ଗୁଡିକ ଏହାକୁ ଏକ କ୍ଷତି ଭାବରେ ରେକର୍ଡ କରନ୍ତି। ଫାଇଲିଂରେ ଏକ ଦଶମିକ ଛଅ ବିଲିୟନ୍ ର ଏକ ସମନ୍ୱିତ ପରିଚାଳନା ଲାଭ ମଧ୍ୟ ରିପୋର୍ଟ

1:44 କରାଯାଇଛି, ଯାହା ଷ୍ଟକ୍ ପେ ଏବଂ ଅନ୍ୟ କିଛି ଆଇଟମ୍ ଯୋଗ କରେ। ସେହି ଫାଇଲିଂ କପିରାଇଟ୍ ବିଲ୍ ଦେଖାଏ। ସେପ୍ଟେମ୍ବର ୨୦୨୫ ରେ Anthropic Bartz ଲେଖକଙ୍କ କ୍ଲାସ୍ ଆକ୍ସନ୍ କୁ ଏକ ଦଶମିକ ପାଞ୍ଚ ବିଲିୟନ୍ ଡଲାର୍ ରେ ସମାଧାନ କରିବାକୁ ରାଜି ହୋଇଥିଲା, ଯାହାର ଖର୍ଚ୍ଚ ଟେବୁଲରେ ଏହାର ନିଜସ୍ୱ ଧାଡ଼ି ଅଛି। ସେହି ସମାଧାନଟି ଆମର OpenAI ଚୋରି ହୋଇଥିବା ପୁସ୍ତକ କାହାଣୀରେ ଏକ ମାସ ପୂର୍ବରୁ ଆସିଥିଲା। ଏଠାରେ ଡେଭଲପର୍ ମାନଙ୍କ ପାଇଁ ଅଂଶ। ସେପ୍ଟେମ୍ବର ଶେଷ ପର୍ଯ୍ୟନ୍ତ ତିନି ମାସ ପାଇଁ, ଫାଇଲିଂ ଅନୁଯାୟୀ Claude Enterprise ଉପଭୋକ୍ତାମାନେ

2:08 ଯେଉଁମାନେ Claude Code ବ୍ୟବହାର କରିନଥିଲେ, ସେମାନେ ମାସକୁ ହାରାହାରି ପଞ୍ଚସ୍ତରୀ ଡଲାରରୁ କମ୍ ଖର୍ଚ୍ଚ କରିଥିଲେ। ଯେଉଁମାନେ ଏହାକୁ ବ୍ୟବହାର କରିଥିଲେ, ସେମାନଙ୍କର ଶୀର୍ଷ ପାଞ୍ଚ ପ୍ରତିଶତ ପ୍ରାୟ କୋଡିଏ ଗୁଣ ଅଧିକ ଖର୍ଚ୍ଚ କରିଥିଲେ। ମାଲିକାନା ଅସାଧାରଣ। ଏକ ଟ୍ରଷ୍ଟ ଏହାର ନିଜସ୍ୱ ଶ୍ରେଣୀର ସେୟାର୍ ମାଧ୍ୟମରେ ବୋର୍ଡର ଅଧିକାଂଶ ସଦସ୍ୟଙ୍କୁ ନିର୍ବାଚିତ କରେ, ଏବଂ ପ୍ରତିଷ୍ଠାତାମାନଙ୍କ ମାଲିକାନାରେ ଥିବା ଏକ କମ୍ପାନୀ ପଚାଶ ଦଶମିକ ଏକ ପ୍ରତିଶତ ଭୋଟ୍ ମୂଲ୍ୟର ଏକ ସ୍ୱତନ୍ତ୍ର ସେୟାର୍ ଧାରଣ କରେ।

OpenAI ଏବଂ Anthropic କାହିଁକି ସେମାନଙ୍କର ମୂଲ୍ୟ ହ୍ରାସ କଲେ?

2:28 କାହାଣୀ ଦୁଇ। Max Woolf, ଯିଏ minimaxir ଭାବରେ ବ୍ଲଗ୍ କରନ୍ତି, ଜୁନ୍ ମାସରୁ OpenAI ଏବଂ Anthropic ର ପ୍ରତ୍ୟେକ ମୂଲ୍ୟ ପରିବର୍ତ୍ତନକୁ ଧାଡ଼ିରେ ରଖିଥିଲେ, ଏବଂ ପୋଷ୍ଟଟି Hacker News ରେ ତିନି ଶହ ଅଶୀ ପଏଣ୍ଟ ପାର୍ କରିଥିଲା। OpenAI ର ନିଜର ପୋଷ୍ଟ କୁହେ ଯେ ଜୁଲାଇ ତିରିଶ ରେ GPT ପାଞ୍ଚ ଦଶମିକ ଛଅ Luna ଅଶୀ ପ୍ରତିଶତ ଶସ୍ତା ହୋଇଥିଲା। ସେପ୍ଟେମ୍ବର ଉଣତିରିଶ ସୁଦ୍ଧା, OpenAI GPT ଛଅ ଦଶମିକ ଏକ Sol କୁ ପ୍ରତି ମିଲିୟନ୍ ଟୋକେନ୍ ପାଇଁ ଦୁଇ ଡଲାର୍ ଇନପୁଟ୍ ଏବଂ ଦଶ ଡଲାର୍ ଆଉଟପୁଟ୍ ରେ ତାଲିକାଭୁକ୍ତ କରିଥିଲା, ଯାହା ଏହାର ଶୀର୍ଷ ମଡେଲ୍, Astra ର ମୂଲ୍ୟର ପାଞ୍ଚ ଭାଗରୁ ଏକ ଭାଗ।

2:57 Anthropic କହିଛି ଯେ Opus ପାଞ୍ଚ ଦଶମିକ ପାଞ୍ଚ ଚଲାଇବାକୁ Opus ପାଞ୍ଚ ଠାରୁ ପ୍ରାୟ ଚାଳିଶ ପ୍ରତିଶତ କମ୍ ଖର୍ଚ୍ଚ ହୁଏ, ଯାହା ଆମେ ସେପ୍ଟେମ୍ବରରେ ଆଲୋଚନା କରିଥିବା ମୂଲ୍ୟ ଯୁଦ୍ଧ। Woolf ର ନିଜର ପ୍ରତିକ୍ରିୟା ହ୍ରାସ କରିବା ଥିଲା। ସେ ତାଙ୍କର Codex ଯୋଜନାକୁ ବ୍ୟବହାର ସୀମାର ପାଞ୍ଚ ଭାଗରୁ ଏକ ଭାଗକୁ ହ୍ରାସ କରିଥିଲେ, କାରଣ ସମାନ ମଡେଲ୍ ବର୍ତ୍ତମାନ ଚାରି ଗୁଣ ଅଧିକ ସ୍ଥାନ ବିସ୍ତାର କରୁଥିଲା। ସେ ମଧ୍ୟ ଧ୍ୟାନ ଦିଅନ୍ତି ଯେ କୋଡିଂ ଏଜେଣ୍ଟମାନଙ୍କରେ, କ୍ୟାଚ୍ ରିଡ୍ ଗୁଡିକ ଅଧିକାଂଶ ଟୋକେନ୍ ବିଲ୍। Anthropic ର ଫାଇଲିଂ ଏହାର ନିଜର ହିସାବ ଦିଏ। ଏହା କୁହେ ଯେ ସେପ୍ଟେମ୍ବର ହ୍ରାସ ନିମ୍ନ ମୂଲ୍ୟ ସହିତ ଉନ୍ନତ ଦକ୍ଷତାକୁ

3:23 ମିଶାଇଥିଲା, ଏବଂ କମ୍ପ୍ୟୁଟ୍ ଦକ୍ଷତା ଏହାକୁ ଏହାର ମାର୍ଜିନ୍ ବଜାୟ ରଖିବାକୁ ଦେଇଥିଲା। ଶସ୍ତା Opus ଚାରି ଦଶମିକ ପାଞ୍ଚ ପରେ, ଏହା କୁହେ, ତ୍ରୈମାସିକ ରାଜସ୍ୱ ବୃଦ୍ଧି ଅଠଚାଳିଶ ପ୍ରତିଶତରୁ ଏକ ଶହ ବତିଶ ପ୍ରତିଶତକୁ ଯାଇଥିଲା, ଅନ୍ୟାନ୍ୟ କାରକ ସାହାଯ୍ୟ କରିଥିଲା। Woolf ର ବ୍ୟାଖ୍ୟା ହେଉଛି ଖୋଲା ଓଜନ ମଡେଲ୍। Kimi K ତିନି ଦଶମିକ ଏକ Pro, ଅକ୍ଟୋବର ତେଇଶ ରେ ମୁକ୍ତିଲାଭ କରିଥିଲା, GPT ଛଅ ଦଶମିକ ଏକ Sol ପରି ସମାନ ଦୁଇ ଡଲାର୍ ଏବଂ ଦଶ ଡଲାର୍ ରେ ତାଲିକାଭୁକ୍ତ ହୁଏ। ତେଣୁ ଆଜିର ମୂଲ୍ୟ ପୃଷ୍ଠା ବିରୁଦ୍ଧରେ ଆପଣଙ୍କର ଖର୍ଚ୍ଚ ଆକଳନକୁ ପୁନଃ ଚଲାନ୍ତୁ।

3:49 ଏଜେଣ୍ଟ କାର୍ଯ୍ୟରେ କ୍ୟାଚ୍ ଇନପୁଟ୍ ଧାଡ଼ି ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ଏବଂ OpenAI Sol ପାଇଁ ତାହାକୁ ଅଧା କରିଦେଲା। କାହାଣୀ ତିନି। Ubicloud, ଏକ କ୍ଲାଉଡ୍ କମ୍ପାନୀ, ଖୋଲା ମଡେଲ୍ ଗୁଡିକରେ ଟୁଲ୍ କଲ୍ ପାଇଁ ଏକ ସମାଧାନ

ଗୋଟିଏ ସର୍ଭର ଫ୍ଲାଗ୍ ଖୋଲା ମଡେଲ୍ ଗୁଡିକୁ ଠିକ୍ କରିପାରିବ କି?

4:00 ପ୍ରକାଶ କଲା। vLLM ଶୂନ୍ୟ ଦଶମିକ ଅଠେଇଶ ଉପରେ Kimi K ଦୁଇ ଦଶମିକ ଛଅ ସେବା କରିବାବେଳେ, କେବଳ ବୟାନବେ ପ୍ରତିଶତ ଟୁଲ୍ କଲ୍ ଟୁଲ୍ ର ସ୍କିମା ସହିତ ମେଳ ଖାଇଲା, ଅର୍ଥାତ୍ ପ୍ରତି ପଚିଶ ରେ ଦୁଇଟି ବିଫଳ ହେଲା। ସମାଧାନ ହେଉଛି constrained decoding। ସର୍ଭର ମଡେଲକୁ ଟୁଲ୍ ର JSON ସ୍କିମା ଭାଙ୍ଗିବା ଭଳି କୌଣସି ଟୋକେନ୍ ବାଛିବାକୁ ଦେଇନଥାଏ। vLLM ଶୂନ୍ୟ ଦଶମିକ ଏକତିରିଶ ରେ ଏହା ଏକ ଫ୍ଲାଗ୍ ଯାହାକୁ tool strict level କୁହାଯାଏ, ଏବଂ Ubicloud Kimi ଏବଂ DeepSeek ଉପରେ ଶହେ ପ୍ରତିଶତ ମାପିଥିଲା। vLLM ଏହାକୁ ଡିଫଲ୍ଟ ଭାବରେ ବନ୍ଦ ରଖେ କାରଣ ଉପଭୋକ୍ତାମାନେ GLM ପାଞ୍ଚ ଦଶମିକ ଏକ ଭଳି

4:33 କିଛି ମଡେଲ୍ ସହିତ ସମସ୍ୟା ରିପୋର୍ଟ କରିଥିଲେ। Ubicloud ର କହିବା କଥା ହେଉଛି ଇଞ୍ଜିନ୍ ଏବଂ ଏହାର ସେଟିଂସ୍ ଆପଣ ଦେଖୁଥିବା ଗୁଣବତ୍ତାକୁ ପରିବର୍ତ୍ତନ କରେ।

ଏକ ପୁରୁଣା ମଡେଲ୍ କିପରି ନୂତନତମ ଚାଟବଟ୍ ଗୁଡିକୁ ପରାସ୍ତ କରେ?

4:39 କାହାଣୀ ଚାରି। ଚର୍ମରୋଗ ବିଶେଷଜ୍ଞ Magnus Lynch, ଯିଏ ଲଣ୍ଡନର Guy's Hospital ରେ କାମ କରନ୍ତି, GPT ଛଅ Astra ଏବଂ Claude Fable ପାଞ୍ଚ ଦଶମିକ ଏକ କୁ ଦୁଇ ଶହ ବାୟୋପ୍ସିଡ୍ ଚର୍ମ ଲେସନ୍ ର ଏକ ପରୀକ୍ଷା ଦେଇଥିଲେ, ପ୍ରତ୍ୟେକଟି ଏକ କ୍ଲୋଜ୍ ଅପ୍ ସହିତ ଏକ ଡର୍ମୋସ୍କୋପି ଇମେଜ୍। ସେ ମଧ୍ୟ Inception v ତିନି, ଗୁଗୁଲ୍ ୨୦୧୫ ରେ ପ୍ରକାଶ କରିଥିବା ଏକ ଇମେଜ୍ ନେଟୱର୍କକୁ, ଗୋଟିଏ GPU ରେ ପ୍ରାୟ କୋଡିଏ ମିନିଟ୍ ପାଇଁ ଫାଇନ୍ ଟ୍ୟୁନ୍ କରିଥିଲେ। ଏହା ଲେସନ୍ ଗୁଡିକର ବାଷଠି ପ୍ରତିଶତ ଉପରେ ସଠିକ୍ ଥିଲା। ପ୍ରତ୍ୟେକ ଚାଟବଟ୍ ବୟାଳିଶ ପ୍ରତିଶତ ଉପରେ ସଠିକ୍ ଥିଲା। ଚାଟବଟ୍ ଗୁଡିକର ପସନ୍ଦ ଥିଲା।

5:08 GPT ଛଅ Astra ପଞ୍ଚସ୍ତରୀ ଲେସନ୍ କୁ ବାସାଲ୍ ସେଲ୍ କାର୍ସିନୋମା ବୋଲି କହିଥିଲା ଯେତେବେଳେ ପଚିଶଟି ଥିଲା। ମେଲାନୋମା ଉପରେ, ଯାହା ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ, ଛୋଟ ନେଟୱର୍କ ତିରିଶଟି ମଧ୍ୟରୁ ତେରଟିକୁ ପ୍ରଥମେ ନାମିତ କରିଥିଲା, ଆଠ ଏବଂ ଏଗାର ବିରୁଦ୍ଧରେ। Lynch ନିଜେ ସତର୍କତା ତାଲିକାଭୁକ୍ତ କରନ୍ତି। ଦୁଇ ଶହ ମାମଲା ଛୋଟ, ପ୍ରତ୍ୟେକ ଚାଟବଟ୍ ଥରେ ଚାଲିଥିଲା, ଏବଂ ନେଟୱର୍କ ଏକ ବେସଲାଇନ୍ ଯାହା ନିୟନ୍ତ୍ରିତ ଉତ୍ପାଦଗୁଡିକ ପରାସ୍ତ କରନ୍ତି। ଏହା WebGPU ମାଧ୍ୟମରେ ଏକ ଫୋନ୍ ବ୍ରାଉଜରରେ ଚାଲେ ଏବଂ କିଛି ବି ଅପଲୋଡ୍ ହୁଏ ନାହିଁ। ଏଠାରେ କିଛି ବି ଚିକିତ୍ସା ପରାମର୍ଶ ନୁହେଁ।

5:37 ଏବଂ ଆରମ୍ଭରୁ ଥ୍ରେଡ୍। Lynch ଲେଖିଛନ୍ତି ଯେ ବିଶ୍ଳେଷଣ ଏବଂ ପ୍ରଥମ ଡ୍ରାଫ୍ଟ Anthropic ର କୋଡିଂ ଉପକରଣ Claude Code ସହିତ ଉତ୍ପାଦିତ ହୋଇଥିଲା, ଏବଂ ସେ ପରୀକ୍ଷା କରିଥିବା ଦୁଇଟି ଚାଟବଟ୍ ମଧ୍ୟରୁ ଗୋଟିଏ Anthropic ର। ଯଦି ଆପଣ ଏହାକୁ ଶୁଣିବା ପରିବର୍ତ୍ତେ ପଢିବାକୁ ପସନ୍ଦ କରନ୍ତି, The Daily Diff ଡଟ୍ ଡେଭ୍ ରେ ପ୍ରତି ସକାଳେ ଏହା ଆପଣଙ୍କ ଇନବକ୍ସରେ ମାଗଣାରେ ପହଞ୍ଚେ, ନିମ୍ନରେ ଲିଙ୍କ୍। ତେଣୁ ଆଜିର ରାୟ ହେଉଛି NEEDS REVIEW।

କ'ଣ NEEDS REVIEW ଷ୍ଟାମ୍ପ୍ ପାଏ?

5:56 ମୁଁ ଏହାକୁ ସମୀକ୍ଷା କରିବି କାରଣ Anthropic ଫାଇଲିଂରେ କାଗଜରେ କ୍ଷତି ଅଛି, ଏକ ସମନ୍ୱିତ ମାପରେ ଲାଭ ଏବଂ ଅନେକ ଖାଲି ସ୍ଥାନ ଅଛି, ମୂଲ୍ୟ କାହାଣୀ ଆଂଶିକ ଭାବରେ ଜଣେ ବ୍ଲଗର୍ ର ପଠନ ଉପରେ ନିର୍ଭର କରେ, ଏବଂ ଚର୍ମ କର୍କଟ ପରୀକ୍ଷା ଦୁଇ ଶହ ମାମଲା ଥରେ ଚଲାଯାଇଥିଲା। ଏବଂ ଏହା ଆଜି ପାଇଁ diff। ମୁଁ Axrisi ରୁ Niko। ଦାୟିତ୍ୱର ସହିତ ମିଶାନ୍ତୁ।

ଉତ୍ସଗୁଡ଼ିକ

1. Anthropic, PBC Form S-1 (registration statement)U.S. Securities and Exchange Commission (EDGAR)
2. EDGAR filing index for accession 0001628280-26-067168U.S. Securities and Exchange Commission (EDGAR)
3. OpenAI and Anthropic cut their LLM prices by up to 80% within a few months. Why?Max Woolf (minimaxir.com)
4. Advancing the price-performance frontier with GPT-5.6OpenAI
5. Introducing GPT-6.1 SolOpenAI
6. Claude Opus 5.5Anthropic
7. Fixing Tool-Call Accuracy in vLLMUbicloud
8. A 10-year-old CNN outperforms frontier LLMs for skin cancer diagnosisDr Magnus Lynch (lynchlab.net)
9. Kimi K3.1 ProOpenRouter