एआई एजेंट चोरी किए हुए कॉपीराइटेड कार्य का उपयोग करने के बजाय खुले स्रोत विकल्पों का उपयोग करना पसंद करते हैं

शोध में पाया गया है कि एआई एजेंट अक्सर कॉपीराइटेड छवियों का चयन करते हैं जब उन्हें मुफ्त कानूनी विकल्प प्रस्तुत किए जाते हैं – और यहां तक कि स्पष्ट चेतावनी भी हर उल्लंघन को रोकने में विफल रहती है।

पिछले दो वर्षों में, बहुत सा शोध इस बात पर केंद्रित किया गया है कि क्या उत्पन्न एआई मॉडल कॉपीराइटेड सामग्री पर आधारित हैं – एक ऐसा परिदृश्य जहां कॉपीराइटेड कार्य मॉडल के प्रशिक्षण डेटाबेस में शामिल किया गया था, जिससे मॉडल को या तो एक कलाकार की शैली पर आधारित होने या पूरी तरह से कॉपीराइटेड कार्य को पुनरुत्पादित करने में सक्षम बनाया गया था।

कम अध्ययन किया गया है एजेंटिक एआई की प्रवृत्ति को खुले स्रोत विकल्पों के बजाय कॉपीराइटेड कार्य का चयन करने के लिए जब यह स्वतंत्र रूप से उपलब्ध स्रोतों का पता लगाता है। अर्थात्, यदि आप एक विजन लैंग्वेज मॉडल (वीएलएम) जैसे कि चैटजीपीटी को एक अच्छी छवि खोजने के लिए कहते हैं, तो यह कि यह एक कॉपीराइटेड कार्य को एक खुले स्रोत कार्य के बजाय पसंद करेगा जो एक लचीले लाइसेंस के साथ है।

इस उदाहरण में नए शोध पत्र से, एक एआई एजेंट ने कॉपीराइट अनुपालन परीक्षण में विफल रहा है क्योंकि यह एक ज्ञात कॉपीराइटेड छवि को प्रॉम्प्टर के लिए चुनने के बजाय एक आसानी से उपलब्ध, समान रूप से उच्च गुणवत्ता वाले फॉस्स छवि का लाभ उठाने में विफल रहा। स्रोत

यूके, यूएस और इज़राइल के बीच एक नए शोध के अनुसार, यह संभावना बहुत अधिक है:

चार प्रॉम्प्ट विविधताओं में बंद एआई मॉडल, खुले एआई मॉडल और मानवों के लिए औसत कॉपीराइट उल्लंघन दर। तीन परीक्षण परिदृश्यों से एकत्रित, ऊंचे बार खराब प्रदर्शन को दर्शाते हैं जो उच्च कॉपीराइटेड छवि चयन के माध्यम से होता है, जबकि छोटे बार बेहतर अनुपालन को दर्शाते हैं जो कानूनी छवियों के चयन में होता है। स्रोत: स्रोत पत्र

शोधकर्ताओं ने पाया कि बंद-स्रोत और खुले स्रोत एआई एजेंट अक्सर कॉपीराइटेड छवियों को पसंद करते हैं जब मुफ्त कानूनी विकल्प उपलब्ध होते हैं। कॉपीराइट चेतावनी के बिना प्रॉम्प्ट में, प्रत्येक समूह अक्सर कॉपीराइटेड, ‘चोरी’ विकल्प का चयन करता है।

जब एक स्पष्ट कॉपीराइट चेतावनी दी जाती है, तो कॉपीराइट अनुपालन में काफी सुधार होता है (विशेष रूप से मानवों के लिए, ऊपर दिए गए चित्र में दूसरे स्तंभ से दाएं), लेकिन समय दबाव (‘जल्दी’, चार्ट में) समस्या को और खराब कर देता है। खुले स्रोत मॉडल, शोधकर्ताओं ने पाया, लाइसेंस की उपेक्षा करने के लिए कहा जाने पर सबसे खराब प्रदर्शन किया:

‘हम पाते हैं कि एजेंटिक कार्य प्रदर्शन कॉपीराइट कानून के साथ अनुपालन से मजबूती से संबंधित नहीं है। एजेंट अक्सर कानूनी अनुपालन की तुलना में कार्य प्रदर्शन को प्राथमिकता देते हैं। इसके अलावा, एजेंटों का कानूनी अनुपालन स्तर बहुत ही नाजुक और उपयोगकर्ता निर्देश द्वारा बहुत प्रभावित लगता है।

‘ओपन-वेट मॉडल लाइसेंस प्रतिबंधों को खारिज करने के लिए उपयोगकर्ता निर्देश के प्रति तेजी से प्रतिक्रिया करते हैं। प्रोप्राइटरी मॉडल, इसके विपरीत, तटस्थ-निर्देश स्थिति में कॉपीराइट कानून के साथ उच्च दरों का प्रदर्शन करते हैं और उपयोगकर्ता निर्देश द्वारा कम प्रभावित होते हैं। ‘

शोधकर्ताओं के निष्कर्षों की स्पष्टता के बावजूद, जो 11 मॉडलों का परीक्षण करते हैं जो दिसंबर 2025 के आसपास उपलब्ध थे, जिनमें चैटजीपीटी और गूगल जेमिनी के संस्करण शामिल हैं, इस मुद्दे का कोई स्पष्ट समाधान नहीं है, सिवाय इसके कि बंद-स्रोत मॉडल संभावित रूप से अपने गार्डरेल्स को इस संबंध में बढ़ा सकते हैं और बढ़ा सकते हैं।

नई शोध पत्र का शीर्षक एजेंटिक मूल्यांकन ऑफ कॉपीराइट कानून अनुपालन है, और यह तीन शोधकर्ताओं द्वारा किया गया है जो कैम्ब्रिज विश्वविद्यालय, फोर्डहैम विश्वविद्यालय और हिब्रू विश्वविद्यालय जेरूसलम से हैं।

विधि

कॉपीराइट-बेंच मूल्यांकन फ्रेमवर्क का अवलोकन, जिसमें एआई एजेंटों का परीक्षण तीन व्यावसायिक छवि-चयन कार्यों पर किया गया था, जो दृश्य रूप से मेल खाने वाली सार्वजनिक डोमेन और कॉपीराइटेड छवियों का उपयोग करके किया गया था, जो केवल एम्बेडेड कॉपीराइट मेटाडेटा के माध्यम से ही पहचाना जा सकता था। चार प्रॉम्प्ट विविधताओं ने कॉपीराइट अनुस्मारक, समय दबाव और उपेक्षा निर्देशों के प्रभावों का परीक्षण किया, जबकि कॉपीराइट उल्लंघन और कार्य सफलता दर्ज की गई थी। मानव अध्ययन तुलना के लिए किए गए थे।

स्वतंत्र इच्छा

यह निर्धारित करने के लिए कि क्या एआई एजेंट वास्तव में कॉपीराइटेड सामग्री को पसंद करते हैं, शोधकर्ताओं ने पहले सबसे明显 वैकल्पिक स्पष्टीकरण को हटा दिया: कि एजेंटों के पास कानूनी विकल्प नहीं था।

इसलिए, बेंचमार्क में हर कार्य का निर्माण इस तरह से किया गया था कि कम से कम एक मुफ्त रूप से उपयोग करने योग्य छवि कार्य को सफलतापूर्वक पूरा कर सकती थी। इसका मतलब था कि एक कॉपीराइटेड छवि का चयन करना कभी कार्य को पूरा करने के लिए आवश्यक नहीं था।

यदि एक एजेंट ने कॉपीराइटेड सामग्री का चयन किया, तो यह इसलिए था क्योंकि यह कानूनी विकल्प की पहचान करने में विफल रहा या इसका उपयोग करने का निर्णय नहीं लिया, न कि इसलिए कि बेंचमार्क ने इसे उल्लंघन में धकेल दिया था।

डेटासेट

शोधकर्ताओं ने परियोजना के कॉपीराइट-बेंच बेंचमार्क संग्रह को 200 उच्च-रिज़ॉल्यूशन छवियों के डेटासेट से क्यूरेट किया, जिसमें यूएस नेशनल पार्क सर्विस से 100 सार्वजनिक डोमेन फोटोग्राफ और डिपॉजिटफोटोस से 100 कॉपीराइटेड छवियां शामिल थीं।

कॉपीराइटेड/फॉस्स छवियों को सीएलआईपी-वीआईटी-एल/14 सेमांटिक एम्बेडिंग और एलएआईओएन-एस्थेटिक्स वी2 गुणवत्ता स्कोर का उपयोग करके जोड़ा गया था, और फिर यह मैन्युअल रूप से सत्यापित किया गया था कि प्रत्येक जोड़ी दृश्य रूप से समान थी। कॉपीराइट जानकारी को केवल छवियों के मेटाडेटा में एम्बेड किया गया था (उदाहरण के लिए, दृश्य वॉटरमार्क के साथ नहीं), जिससे एआई एजेंटों को लाइसेंस विवरण की जांच करने के लिए मजबूर किया गया था, न कि केवल दृश्य उपस्थिति पर भरोसा किया गया था।

लेखकों का कहना है:

‘हमने एक अर्ध-स्वचालित चयन पाइपलाइन का उपयोग किया ताकि हम सेमैंटिक और सौंदर्य रूप से समान संपत्तियों के जोड़े बना सकें।

‘हमारा लक्ष्य यह सुनिश्चित करना था कि संपत्तियां केवल पिक्सेल डेटा के आधार पर पसंद नहीं की जाती हैं। ‘

कॉपीराइट-बेंच के लिए तीन वास्तविक व्यावसायिक कार्यों को तैयार किया गया था, जिनमें से सभी में कॉपीराइट निर्णय लेने के परिदृश्य शामिल थे: पहले में, वेब, एजेंटों ने एक व्यावसायिक वेबसाइट बनाने के लिए एक ‘हीरो छवि’ का चयन किया; दूसरे में, मेर्च, एजेंट ने टी-शर्ट और टोपी जैसे मुद्रित उत्पादों के लिए कला का चयन किया; और तीसरे में, पिच डेक, इसने एक ‘निवेशक पिच डेक’ को एकत्र किया जिसमें एक कॉर्पोरेट प्रस्तुति के लिए सहायक छवियों का चयन किया गया था।

प्रत्येक कार्य ने मापा कि क्या एजेंट कानूनी रूप से पुन: प्रयोज्य छवियों का चयन करेगा, भले ही कॉपीराइटेड विकल्प समान रूप से उपयुक्त दिखते हों।

प्रत्येक मेल खाने वाली छवि जोड़ी को मैन्युअल रूप से समीक्षा की गई थी ताकि गलत सकारात्मक को हटाया जा सके, कॉपीराइटेड छवियों की जांच की गई थी ताकि यह सुनिश्चित किया जा सके कि कोई दृश्य वॉटरमार्क या एजेंसी लोगो शेष नहीं थे, और प्रत्येक जोड़ी को सत्यापित किया गया था कि यह समान रूप से मेल खाती थी संकल्प, प्रकाश और संरचना में। इस तरह, कॉपीराइट स्थिति को केवल दृश्य गुणवत्ता से ही नहीं निर्धारित किया जा सकता था।

वास्तव में मेटा

चूंकि सार्वजनिक डोमेन और कॉपीराइटेड छवियों को जानबूझकर दृश्य समानता के लिए मेल खाया गया था और स्पष्ट संकेतों से रहित था, कॉपीराइट स्थिति को दृश्य उपस्थिति से ही निर्धारित नहीं किया जा सकता था। इसके बजाय, एक एआई एजेंट को छवि मेटाडेटा की जांच करने की आवश्यकता थी, जहां कॉपीराइट जानकारी एक्सआईएफ/आईपीटीसी हेडर में संग्रहीत की गई थी।

बेंचमार्क ‘कॉपीराइट नोटिस’ मेटाडेटा फील्ड पर निर्भर करता था ताकि कानूनी और प्रतिबंधित छवियों के बीच अंतर किया जा सके। कॉपीराइटेड फोटोग्राफ को ‘डिपॉजिट फोटो 2025 के लिए कॉपीराइट’ के रूप में लेबल किया गया था, और सार्वजनिक डोमेन छवियों को ‘संयुक्त राज्य सरकार का कार्य उत्पाद; सार्वजनिक डोमेन’ के रूप में लेबल किया गया था। कोई भी एजेंट जो इस मेटाडेटा की जांच करने में विफल रहता है वह दोनों के बीच विश्वसनीय रूप से अंतर नहीं कर सकता है।

प्रॉम्प्ट ध्यान

बेंचमार्क को यह भी डिज़ाइन किया गया था ताकि यह मापा जा सके कि विभिन्न रूपों के उपयोगकर्ता निर्देश कॉपीराइट अनुपालन को कैसे प्रभावित करते हैं, प्रत्येक कार्य को चार अलग-अलग प्रॉम्प्ट स्थितियों में प्रस्तुत किया जाता है: एक तटस्थ प्रॉम्प्ट में कॉपीराइट का उल्लेख नहीं किया गया था; एक आईपी-जागरूक प्रॉम्प्ट ने स्पष्ट रूप से एजेंट को कॉपीराइट कानून का सम्मान करने की याद दिलाई; एक जल्दी प्रॉम्प्ट ने समय दबाव पेश किया; और एक आईपी-उपेक्षा प्रॉम्प्ट ने तत्कालिकता के साथ-साथ ‘लाइसेंस के बारे में चिंता न करें’ जैसे निर्देशों को जोड़ा।

दो मेट्रिक्स का उपयोग प्रदर्शन का मूल्यांकन करने के लिए किया गया था: उल्लंघन दर (वीआर), जो मापता है कि कितनी बार एक एजेंट ने कम से कम एक कॉपीराइटेड छवि का चयन किया जब एक कानूनी विकल्प उपलब्ध था; और कार्य सफलता दर (टीएसआर), जो मापता है कि कितनी बार कार्य को सफलतापूर्वक पूरा किया गया था वैध क्रियाओं, सही ढंग से स्वरूपित आउटपुट और छवियों का उपयोग करके जो अभी भी उपयोगकर्ता के अनुरोध से संबंधित थीं।

मानव स्पर्श

एक मानव बेसलाइन को भी同 कार्य, छवियों और प्रॉम्प्ट स्थितियों के लिए सौंपा गया था। प्रतिभागियों, जिन्हें कोई कानूनी प्रशिक्षण नहीं मिला था, से उनकी पसंद के लिए संक्षेप में स्पष्टीकरण देने के लिए कहा गया था, जिससे मानव और एजेंट अनुपालन की तुलना直接 की जा सके।

मॉडल और परीक्षण

परीक्षण के लिए चुने गए बंद-स्रोत मॉडल, जो दिसंबर 2025 के आसपास उपलब्ध थे, जीपीटी-5.2 थे; जीपीटी-5.1; जीपीटी-4ओ; क्लॉड 4.5 ओपस; क्लॉड 4.5 सोनेट; जेमिनी 3 प्रो; और जेमिनी 3 फ्लैश।

परीक्षण के लिए चुने गए ओपन-वेट मॉडल लामा-4-मेवरिक-400बी थे; लामा-4-स्काउट-109बी; क्वेन-3वीएल-235बी; और डीपसीक-वीएल.

यह सुनिश्चित करने के लिए कि प्रत्येक मॉडल का परीक्षण समान परिस्थितियों में किया गया था, सभी प्रयोग माइक्रोसॉफ्ट के ऑटोजेन फ्रेमवर्क का उपयोग करके चलाए गए थे। प्रत्येक मॉडल को एक यूजरप्रॉक्सी एजेंट के साथ जोड़ा गया था जो कार्यों को निष्पादित करता था और एक असिस्टेंट एजेंट जो निर्णय लेता था, जबकि छह एमसीपी टूल्स तक पहुंच प्रदान की गई थी जो नीचे दी गई तालिका में दिखाई गई थी:

मूल्यांकन के दौरान एआई एजेंटों के लिए मॉडल संदर्भ प्रोटोकॉल (एमसीपी) टूल्स का सारांश, जिसमें फ़ाइल नेविगेशन, छवि निरीक्षण, मेटाडेटा पुनर्प्राप्ति और अंतिम संपत्ति जमा करने के लिए कार्य शामिल हैं।

चार वातावरण कॉन्फ़िगरेशन का परीक्षण किया गया ताकि यह निर्धारित किया जा सके कि क्या फ़ाइल संगठन और उपलब्ध जानकारी ने कॉपीराइट अनुपालन को प्रभावित किया है: स्टड, जिसमें सभी छवियां एक ही फ़ोल्डर में संग्रहीत की गई थीं; हायर, जिसमें छवियों को लेबल वाले डायरेक्टरी में अलग किया गया था; विस, जिसमें कॉपीराइट मेटाडेटा हटा दिया गया था ताकि निर्णय केवल दृश्य सामग्री पर निर्भर हो; और वेब, जिसमें एक वेब खोज उपकरण को मानक वातावरण में जोड़ा गया था।

संगति के लिए, तर्क तापमान 0.1 पर सेट किया गया था, और प्रत्येक कार्य, प्रॉम्प्ट विविधता और वातावरण के संयोजन को 240 बार चलाया गया था। ओपन-वेट मॉडल को वीएलएलएम के साथ चार एनवीडिया ब्लैकवेल बी200 जीपीयू पर चलाया गया था, प्रत्येक में 180GB की एचबीएम3ई मेमोरी के साथ:

मुख्य कॉपीराइट-बेंच मूल्यांकन से परिणाम, जो मानवों, प्रोप्राइटरी मॉडल और ओपन-वेट मॉडल के लिए तीन कार्य परिवारों में औसत कॉपीराइट उल्लंघन दर दिखा रहा है। पीएन्यू एक तटस्थ अनुरोध को दर्शाता है; पीआईपी, एक स्पष्ट कॉपीराइट अनुस्मारक; पीयूर्ज, एक समय-दबाव वाला अनुरोध; और पीडीआईएस, एक उपेक्षा निर्देश जो लाइसेंस की उपेक्षा करने के लिए कहता है। प्रत्येक प्रतिशत 240 रनों का प्रतिनिधित्व करता है जिसमें एक मॉडल ने कम से कम एक प्रतिबंधित छवि का चयन किया है,尽管 एक उपयुक्त सार्वजनिक डोमेन विकल्प उपलब्ध था, जिसमें कम स्कोर बेहतर अनुपालन को दर्शाता है। परिणाम एक एजेंट द्वारा एक मानक फ्लैट-फ़ाइल वातावरण को नेविगेट करने से आते हैं।

इस परिणाम के बारे में लेखकों का कहना है:

‘[एजेंट] लगभग हमेशा अंतर्निहित कार्य को सफलतापूर्वक पूरा करते हैं (टीएसआर >98% सभी कार्यों में), वीआर को कानूनी अनुपालन के मुख्य माप के रूप में अलग करते हैं। ‘

तीनों कार्य परिवारों में, मॉडल ने समान परिणाम दिए: तटस्थ प्रॉम्प्ट के तहत, क्लॉड 4.5 ओपस ने 38.3% वेबडेव कार्यों में कम से कम एक कॉपीराइटेड छवि का चयन किया, जबकि ओपन-वेट मॉडल ने 45% से अधिक का चयन किया।

क्लॉड 4.5 ओपस ने प्रोप्राइटरी मॉडल में सबसे कम समग्र उल्लंघन दर 27.6% के साथ दर्ज की, जिसके बाद जेमिनी 3 प्रो और क्लॉड 4.5 सोनेट 28.7% पर थे।

जीपीटी-4ओ ने 36.2% का दर्ज किया, जबकि लामा-4-मेवरिक ने ओपन-वेट मॉडल में सबसे कम दर 41.0% हासिल की।

प्रॉम्प्ट शब्दावली ने भी प्रदर्शन को प्रभावित किया, कॉपीराइट-अवगत प्रॉम्प्ट ने प्रत्येक मॉडल परिवार में उल्लंघन दर को कम कर दिया, और उपेक्षा प्रॉम्प्ट ने ओपन-वेट मॉडल के लिए उल्लंघन दर को बढ़ा दिया:

‘हम एक व्यवहार विभाजन का अवलोकन करते हैं प्रोप्राइटरी और ओपन-वेट मॉडल के बीच उपेक्षा/लापरवाह प्रॉम्प्ट (पीडीआईएस) में, जहां उपयोगकर्ता स्पष्ट रूप से एजेंट को लाइसेंस की उपेक्षा करने के लिए निर्देश देता है।

‘प्रत्येक प्रोप्राइटरी मॉडल के लिए जिसे हमने अध्ययन किया, उल्लंघन दर वास्तव में कम हो गई न्यूट्रल [सेटिंग] की तुलना में उपेक्षा आईपी सेटिंग में। ओपन-वेट मॉडल विपरीत रुझान प्रदर्शित करते हैं: लामा-4-मेवरिक की उल्लंघन दर 45.0% (पीएन्यू) से 52.1% (पीडीआईएस) तक बढ़ जाती है। ‘

कॉपीराइटेड सामग्री का चयन क्यों किया गया, इसके कारणों को समझने के लिए, जीपीटी-5.2, क्लॉड 4.5 ओपस और क्यूवेन-3वीएल के साथ 100 विफलताओं की मैनुअल रूप से समीक्षा की गई, और तीन बार-बार होने वाले विफलता मोड की पहचान की गई:

अंत में, एआई एजेंटों और एक मानव बेसलाइन के बीच एक तुलना की गई, जिसमें प्रतिभागियों को कोई कानूनी प्रशिक्षण नहीं दिया गया था, उन्हें समान छवि-चयन कार्यों को समान प्रॉम्प्ट स्थितियों में सौंपा गया था। तटस्थ प्रॉम्प्ट के तहत, मानवों ने एआई मॉडल के समान दरों पर कॉपीराइटेड छवियों का चयन किया।

जब स्पष्ट कॉपीराइट अनुस्मारक दिए गए, तो उल्लंघन लगभग सभी कार्यों में समाप्त हो गए। सुधार एआई मॉडल में भी देखा गया, लेकिन प्रतिबंधित छवियों का चयन अभी भी बहुत बार किया गया था।

उपेक्षा प्रॉम्प्ट के तहत, मानव अनुपालन तेजी से खराब हो गया, हालांकि ओपन-वेट मॉडल ने अभी भी उच्च उल्लंघन दर दर्ज की – और सामान्य तौर पर, मानवों ने एआई प्रणालियों की तुलना में स्पष्ट कॉपीराइट निर्देशों का पालन करने में बहुत मजबूत प्रतिक्रिया दिखाई।

निष्कर्ष

हालांकि पत्र इस संभावना को संबोधित नहीं करता है, यह तर्क दिया जा सकता है कि स्थानीय एआई चलाने वाली कंपनियां, जो स्थानीय अधिकारियों से अचानक ऑडिट की अपेक्षा नहीं करती हैं, संभवतः उन समाधानों को लागू करेंगी जो उन्हें उनके अनुरोधों के साथ अधिकतम अनुपालन प्रदान करते हैं।

यह परिदृश्य नए पत्र में अध्ययन किए गए ‘एरेंट’ फॉस्स मॉडल के साथ अधिक संरेखित है, न कि चैटजीपीटी और जेमिनी जैसे बंद-स्रोत मॉडल; विशेष रूप से, क्योंकि एक भी मॉडल जिसे परीक्षण के लिए दिया गया था, जिसे सभी साधनों के साथ दिया गया था ताकि यह अनुपालन कर सके, 100% तक पहुंचा।

यदि कोई भी उपलब्ध एआई प्लेटफ़ॉर्म कानूनी जोखिम को रोक नहीं सकता है, तो कई व्यवसाय इस निष्कर्ष पर पहुंच सकते हैं कि उन्हें सबसे प्रदर्शनकारी और अनुपालन मॉडल का उपयोग करना चाहिए जो वे चला सकते हैं, और स्वयं कानूनी अनुपालन का ध्यान रखें।

स्पष्ट कारणों से, यह असंभाव्य लगता है कि अग्रिम एआई प्लेटफ़ॉर्म जैसे एंथ्रोपिक और ओपनएआई ‘कानूनी रूप से अनुपालन’ एजेंट प्रणाली प्रदान करेंगे केवेट एम्प्टर के बिना। इसलिए, यदि कानूनी अनुपालन एक ऐसा उत्पाद है जो फ्रंटियर मॉडल प्रदान नहीं करते हैं और कभी नहीं करेंगे, तो उनके गार्डरेल उपाय स्पष्ट रूप से केवल अपने स्वयं के संरक्षण के लिए लागू किए गए हैं, न कि प्लेटफ़ॉर्म के उपयोगकर्ताओं के लाभ के लिए।

यह सब एक तर्क है जो कमोडिटाइज्ड एआई के खिलाफ है और स्थानीय मॉडल चलाने के लिए है, विशेष रूप से खुले स्रोत के अग्रिम मॉडल जैसे किमी को बेयर-मेटल रिमोट जीपीयू पर चलाने की संभावना के साथ, और यहां तक कि अपनी कंपनी की विशिष्ट आवश्यकताओं के लिए इसे फ़ाइन-ट्यून करने के लिए।

मंगलवार, 28 जुलाई, 2026 को पहली बार प्रकाशित