ईपीएफएल और एथ ज्यूरिख द्वारा एक ओपन-सोर्स एलएलएम क्या है

ETH Zurich और EPFL का ओपन-वेट LLM ग्रीन कम्प्यूट पर निर्मित ब्लैक-बॉक्स AI के लिए एक पारदर्शी विकल्प प्रदान करता है और सार्वजनिक रिलीज के लिए सेट करता है।

बड़े भाषा मॉडल (एलएलएम)जो तंत्रिका नेटवर्क हैं जो एक वाक्य में अगले शब्द की भविष्यवाणी करते हैं, आज की शक्ति कर रहे हैं उदार एआई। अधिकांश बंद रहते हैं, जनता द्वारा उपयोग करने योग्य हैं, फिर भी निरीक्षण या सुधार के लिए दुर्गम हैं। वेब 3 के खुलेपन और अनुमतिहीन नवाचार के सिद्धांतों के साथ पारदर्शिता की कमी।

इसलिए सभी ने नोटिस लिया जब एथ ज्यूरिख और स्विस फेडरल इंस्टीट्यूट ऑफ टेक्नोलॉजी इन लॉज़ेन (ईपीएफएल) की घोषणा की एक पूरी तरह से सार्वजनिक मॉडल, जिसे स्विट्जरलैंड के कार्बन ral न्यूट्रल “आल्प्स” सुपर कंप्यूटर पर प्रशिक्षित किया गया है और इस साल के अंत में अपाचे 2.0 के तहत रिलीज के लिए स्लेट किया गया है।

इसे आम तौर पर “स्विट्जरलैंड के ओपन एलएलएम” के रूप में जाना जाता है, “जनता के अच्छे के लिए बनाया गया एक भाषा मॉडल,” या “स्विस लार्ज लैंग्वेज मॉडल”, लेकिन अब तक सार्वजनिक विवरणों में कोई विशिष्ट ब्रांड या परियोजना का नाम साझा नहीं किया गया है।

ओपन ‘वेट एलएलएम एक ऐसा मॉडल है, जिसके पैरामीटर को डाउनलोड किया जा सकता है, ऑडिट किया जा सकता है और स्थानीय रूप से अच्छी तरह से ऑडिट किया जा सकता है, केवल एपीआई” ब्लैक – बॉक्स “सिस्टम के विपरीत।

स्विस पब्लिक एलएलएम की एनाटॉमी

• पैमाना: दो कॉन्फ़िगरेशन, 8 बिलियन और 70 बिलियन पैरामीटर, 15 ट्रिलियन टोकन पर प्रशिक्षित।
• बोली: 1,500 भाषाओं में कवरेज एक 60 /40 अंग्रेजी -नॉन -इंग्लिश डेटा सेट के लिए धन्यवाद।
• आधारभूत संरचना: 10,000 एनवीडिया ग्रेस ‘हॉपर “आल्प्स” पर चिप्स पूरी तरह से अक्षय ऊर्जा द्वारा संचालित।
• लाइसेंस: ओपन कोड और वेट, कांटा and और and शोधकर्ताओं और स्टार्टअप्स के लिए अधिकारों को समान रूप से सक्षम करना।

स्विट्जरलैंड का एलएलएम क्या है

स्विट्जरलैंड का एलएलएम एक मौलिक रूप से पारदर्शी एलएलएम की पेशकश करने के लिए खुलेपन, बहुभाषी पैमाने और हरे रंग के बुनियादी ढांचे का मिश्रण करता है।

• ओपन-बाय-डिज़ाइन आर्किटेक्चर: GPT, 4 के विपरीत, जो केवल API एक्सेस प्रदान करता है, यह स्विस LLM अपने सभी तंत्रिका-नेटवर्क पैरामीटर (वज़न), प्रशिक्षण कोड और डेटा सेट संदर्भ प्रदान करेगा। अपाचे 2.0 लाइसेंसडेवलपर्स को सशक्त बनाने के लिए सशक्त, ट्यून, ऑडिट और प्रतिबंधों के बिना तैनाती।
• दोहरे मॉडल आकार: 8 बिलियन और 70 बिलियन पैरामीटर संस्करणों में जारी किया जाएगा। पहल लगातार खुलेपन के साथ बड़े पैमाने पर उपयोग के लिए हल्के तक फैली हुई है, कुछ GPT, 4, जो 1.7 ट्रिलियन मापदंडों पर अनुमानित है, सार्वजनिक रूप से पेश नहीं करता है।
• बड़े पैमाने पर बहुभाषी पहुंच: 1,500 से अधिक भाषाओं (~ 60% अंग्रेजी, 40% गैर-अंग्रेजी) में 15 ट्रिलियन टोकन पर प्रशिक्षित, यह वास्तव में वैश्विक समावेशिता के साथ GPT, 4 के अंग्रेजी-केंद्रित प्रभुत्व को चुनौती देता है।
• ग्रीन, संप्रभु गणना: स्विस नेशनल सुपरकंप्यूटिंग सेंटर (CSCS) के कार्बन-न्यूट्रल आल्प्स क्लस्टर पर निर्मित, 10,000 NVIDIA GRACE, HOPPER SUPERCHIPS FP8 मोड में 40 से अधिक Exaflops वितरित करते हुए, यह निजी क्लाउड प्रशिक्षण में स्थिरता अनुपस्थित के साथ पैमाने को जोड़ती है।
• पारदर्शी डेटा प्रथाओं: स्विस डेटा सुरक्षा, कॉपीराइट मानदंडों और यूरोपीय संघ एआई अधिनियम पारदर्शिता के साथ अनुपालन करते हुए, मॉडल क्रॉलर का सम्मान करता है, जो प्रदर्शन का त्याग किए बिना, एक नए नैतिक मानक को रेखांकित करता है।

Web3 के लिए AI मॉडल पूरी तरह से क्या खोलता है

पूर्ण मॉडल पारदर्शिता onchain निष्कर्ष, टोकन डेटा प्रवाह और Oracle-safe defi एकीकरण के साथ कोई ब्लैक बॉक्स आवश्यक नहीं है।

1. Onchain Inference: रोलअप सीक्वेंसर के अंदर स्विस मॉडल के ट्रिम किए गए संस्करणों को चलाने से वास्तविक the समय स्मार्ट and कॉम्प्लेक्स सारांश और धोखाधड़ी प्रमाण सक्षम हो सकते हैं।
2. टोकन डेटा मार्केटप्लेस: क्योंकि प्रशिक्षण कॉर्पस पारदर्शी है, डेटा योगदानकर्ता हो सकते हैं टोकन के साथ पुरस्कृत और पूर्वाग्रह के लिए ऑडिट किया गया।
3. DEFI टूलिंग के साथ कंपोज़िबिलिटी: खुले वजन निर्धारक आउटपुट की अनुमति देते हैं देववाणी जब LLMS मूल्य मॉडल या परिसमापन बॉट फ़ीड करते हैं, तो हेरफेर जोखिम को कम कर सकते हैं।

ये डिज़ाइन लक्ष्य उच्च of इंटेंट एसईओ वाक्यांशों पर साफ -सफाई से नक्शे हैं, जिनमें शामिल हैं विकेन्द्रीकृत एआईब्लॉकचेन एआई एकीकरण और onchain अनुमान, कीवर्ड स्टफिंग के बिना लेख की खोज को बढ़ावा देना।

क्या आप जानते हैं? ओपन-वेट एलएलएम रोलअप के अंदर चल सकते हैं, स्मार्ट कॉन्ट्रैक्ट्स को वास्तविक समय में कानूनी डॉक्स या ध्वज संदिग्ध लेनदेन को संक्षेप में प्रस्तुत करने में मदद करते हैं।

एआई मार्केट टेलविंड आप अनदेखा नहीं कर सकते

• एआई बाजार है अनुमान $ 500 बिलियन को पार करने के लिए, 80% से अधिक बंद प्रदाताओं द्वारा नियंत्रित।
• ब्लॉकचेन is एई को अनुमानित है बढ़ना 2024 में $ 550 मिलियन से 2034 (22.9% सीएजीआर) तक $ 4.33 बिलियन।
• 68% उद्यम पहले से ही पायलट एआई एजेंट, और 59% अदालत में तलब करना शीर्ष चयन मानदंड के रूप में मॉडल लचीलापन और शासन, खुले वजन के लिए विश्वास का एक वोट।

विनियमन: EU AI अधिनियम संप्रभु मॉडल से मिलता है

स्विट्जरलैंड के आगामी मॉडल की तरह सार्वजनिक LLMs, यूरोपीय संघ एआई अधिनियम का पालन करने के लिए डिज़ाइन किए गए हैं, जो पारदर्शिता और नियामक संरेखण में एक स्पष्ट लाभ प्रदान करते हैं।

18 जुलाई, 2025 को, यूरोपीय आयोग जारी किए गए प्रणालीगत stound रिस्क फाउंडेशन मॉडल के लिए मार्गदर्शन। आवश्यकताओं में प्रतिकूल परीक्षण, विस्तृत प्रशिक्षण, डेटा सारांश और साइबर सुरक्षा ऑडिट, सभी प्रभावी अगस्त 2, 2025 शामिल हैं। ओपन is सोर्स परियोजनाएं जो अपने वजन और डेटा सेट प्रकाशित करती हैं, इनमें से कई पारदर्शिता जनादेश को बॉक्स से बाहर संतुष्ट कर सकती हैं, जिससे सार्वजनिक मॉडल अनुपालन बढ़त मिलते हैं।

स्विस एलएलएम बनाम जीपीटी ‘4

GPT and 4 अभी भी पैमाने और मालिकाना शोधन के कारण कच्चे प्रदर्शन में बढ़त रखता है। लेकिन स्विस मॉडल अंतर को बंद कर देता है, खासकर के लिए बहुभाषी कार्य और गैर-वाणिज्यिक अनुसंधान, जबकि ऑडिटबिलिटी प्रदान करते हुए जो मालिकाना मॉडल मौलिक रूप से नहीं कर सकते।

क्या आप जानते हैं? 2 अगस्त, 2025 से, यूरोपीय संघ में फाउंडेशन मॉडल को डेटा सारांश, ऑडिट लॉग, और प्रतिकूल परीक्षण परिणाम प्रकाशित करना होगा, आवश्यकताएं जो आगामी स्विस ओपन-सोर्स एलएलएम पहले से ही संतुष्ट हैं।

अलीबाबा क्यूवेन बनाम स्विट्जरलैंड की सार्वजनिक एलएलएम: एक क्रॉस-मॉडल तुलना

जबकि क्यूवेन मॉडल विविधता और तैनाती के प्रदर्शन पर जोर देता है, स्विट्जरलैंड का सार्वजनिक एलएलएम पूर्ण-स्टैक पारदर्शिता और बहुभाषी गहराई पर केंद्रित है।

स्विट्जरलैंड का सार्वजनिक एलएलएम ओपन-वेट एलएलएम रेस में एकमात्र गंभीर दावेदार नहीं है। अलीबाबा की Qwen श्रृंखला, Qwen3 और Qwen3, Coder, तेजी से एक उच्च प्रदर्शन, पूरी तरह से खुले-स्रोत विकल्प के रूप में उभरा है।

जबकि स्विट्जरलैंड का सार्वजनिक एलएलएम पूर्ण-स्टैक पारदर्शिता के साथ चमकता है, इसके वजन, प्रशिक्षण कोड और डेटा सेट कार्यप्रणाली को जारी करते हुए, क्यूवेन का खुलापन वजन और कोड पर केंद्रित है, जिसमें प्रशिक्षण डेटा स्रोतों के आसपास कम स्पष्टता है।

जब मॉडल विविधता की बात आती है, तो क्यूवेन एक विस्तारक सीमा प्रदान करता है, जिसमें घने मॉडल और एक परिष्कृत शामिल हैं मिश्रण-के-विशेषज्ञ (एमओई) वास्तुकला अधिक संदर्भ-जागरूक प्रसंस्करण के लिए हाइब्रिड रीजनिंग मोड के साथ 235 बिलियन मापदंडों (22 बिलियन सक्रिय) तक घमंड। इसके विपरीत, स्विट्जरलैंड का सार्वजनिक एलएलएम दो स्वच्छ, अनुसंधान-उन्मुख आकार: 8 बिलियन और 70 बिलियन की पेशकश करते हुए एक अधिक शैक्षणिक फोकस रखता है।

प्रदर्शन पर, अलीबाबा के QWEN3‑ Coder को स्वतंत्र रूप से REUTERS, Elets CIO और विकिपीडिया सहित स्रोतों द्वारा कोडिंग और गणित-गहन कार्यों में GPT-4 प्रतिद्वंद्वी करने के लिए बेंचमार्क किया गया है। स्विट्जरलैंड के सार्वजनिक एलएलएम का प्रदर्शन डेटा अभी भी सार्वजनिक रिलीज पर लंबित है।

बहुभाषी क्षमता पर, स्विट्जरलैंड का सार्वजनिक एलएलएम 1,500 से अधिक भाषाओं के लिए समर्थन के साथ बढ़त लेता है, जबकि क्यूवेन के कवरेज में 119, अभी भी पर्याप्त लेकिन अधिक चयनात्मक शामिल हैं। अंत में, इन्फ्रास्ट्रक्चर फ़ुटप्रिंट डायवर्जेंट दर्शन को दर्शाता है: स्विट्जरलैंड का पब्लिक एलएलएम सीएससीएस के कार्बन-न्यूट्रल पर चलता है आल्प्स सुपरकंप्यूटरएक संप्रभु, हरी सुविधा, जबकि Qwen मॉडल को प्रशिक्षित किया जाता है और अलीबाबा क्लाउड के माध्यम से परोसा जाता है, ऊर्जा पारदर्शिता पर गति और पैमाने को प्राथमिकता देता है।

नीचे एक साइड-बाय-साइड लुक दिया गया है कि कैसे दो ओपन-सोर्स एलएलएम पहल प्रमुख आयामों में मापते हैं:

क्या आप जानते हैं? QWEN3 – CODER 235B कुल मापदंडों के साथ MOE सेटअप का उपयोग करता है, लेकिन केवल 22 बिलियन एक ही बार में सक्रिय हैं, पूर्ण गणना लागत के बिना गति का अनुकूलन करते हैं।

बिल्डरों को क्यों देखभाल करनी चाहिए

• पूर्ण नियंत्रण: मॉडल स्टैक, वेट, कोड और डेटा सिद्धता का मालिक है। कोई विक्रेता लॉक ‘या एपीआई प्रतिबंध नहीं।
• अनुकूलनशीलता: के माध्यम से दर्जी मॉडल फ़ाइन ट्यूनिंग डोमेन-विशिष्ट कार्यों के लिए, onchain विश्लेषण, DEFI Oracle सत्यापन, कोड जनरेशन
• लागत अनुकूलन: GPU मार्केटप्लेस या रोलअप नोड्स पर तैनात; 4-बिट के लिए परिमाणीकरण 60%-80%की लागत को कम कर सकता है।
• डिजाइन द्वारा अनुपालन: पारदर्शी प्रलेखन के साथ मूल रूप से संरेखित करता है मेरे पास अधिनियम है आवश्यकताएं, कम कानूनी बाधाएं और तैनाती के लिए समय।

ओपन-सोर्स एलएलएम के साथ काम करते समय नेविगेट करने के लिए नुकसान

ओपन-सोर्स एलएलएम पारदर्शिता प्रदान करते हैं, लेकिन अस्थिरता, उच्च गणना मांगों और कानूनी अनिश्चितता जैसी बाधाओं का सामना करते हैं।

ओपन-सोर्स एलएलएम द्वारा सामना की जाने वाली प्रमुख चुनौतियों में शामिल हैं:

• प्रदर्शन और पैमाने पर अंतराल: बड़े पैमाने पर आर्किटेक्चर के बावजूद, सामुदायिक सहमति सवाल करती है कि क्या ओपन-सोर्स मॉडल जीपीटी, 4 या क्लाउड 4 जैसे बंद मॉडल की तर्क, प्रवाह और उपकरण-एकीकरण क्षमताओं से मेल खा सकते हैं।
• कार्यान्वयन और घटक अस्थिरता: एलएलएम पारिस्थितिक तंत्र अक्सर सॉफ्टवेयर विखंडन का सामना करते हैं, जिसमें संस्करण बेमेल, लापता मॉड्यूल या रनटाइम पर सामान्य दुर्घटनाएं जैसे मुद्दे होते हैं।
• एकीकरण जटिलता: उपयोगकर्ता अक्सर ओपन-सोर्स एलएलएम को तैनात करते समय निर्भरता संघर्ष, जटिल पर्यावरण सेटअप या कॉन्फ़िगरेशन त्रुटियों का सामना करते हैं।
• संसाधन तीव्रता: मॉडल प्रशिक्षण, होस्टिंग और अनुमान पर्याप्त गणना और स्मृति (जैसे, मल्टी-जीपीयू, 64 जीबी रैम) की मांग करते हैं, जिससे वे छोटी टीमों के लिए कम सुलभ हो जाते हैं।
• प्रलेखन की कमी: अनुसंधान से परिनियोजन में संक्रमण अक्सर अपूर्ण, पुराने या गलत दस्तावेज द्वारा बाधित होता है, जो गोद लेने को जटिल करता है।
• सुरक्षा और विश्वास जोखिम: खुले पारिस्थितिक तंत्र आपूर्ति-श्रृंखला के खतरों के लिए अतिसंवेदनशील हो सकते हैं (जैसे, मतिभ्रम पैकेज नामों के माध्यम से typosquatting)। आराम से शासन से बैकडोर, अनुचित अनुमतियाँ या डेटा रिसाव जैसी कमजोरियां हो सकती हैं।
• कानूनी और आईपी अस्पष्टता: वेब-क्रॉएड डेटा या मिश्रित लाइसेंस का उपयोग करने से उपयोगकर्ताओं को बौद्धिक-संपत्ति संघर्षों के लिए उजागर किया जा सकता है या उपयोग की शर्तों का उल्लंघन किया जा सकता है, पूरी तरह से ऑडिट किए गए बंद मॉडल के विपरीत।
• मतिभ्रम और विश्वसनीयता मुद्दे: खुले मॉडल प्रशंसनीय अभी तक गलत आउटपुट उत्पन्न कर सकते हैं, खासकर जब कठोर ओवरसाइट के बिना ठीक-ट्यून किया जाता है। उदाहरण के लिए, डेवलपर्स रिपोर्ट करें मतिभ्रम पैकेज संदर्भ 20% कोड स्निपेट में।
• विलंबता और स्केलिंग चुनौतियां: स्थानीय तैनाती लोड के तहत धीमी प्रतिक्रिया समय, टाइमआउट, या अस्थिरता से पीड़ित हो सकती है, प्रबंधित एपीआई सेवाओं में शायद ही कभी देखी गई समस्याएं।