Deep Cogito ने $43M सीरीज़ A फंडिंग जुटाई ताकि पोस्ट‑ट्रेनिंग इंजन बनाया जा सके जो स्वयं‑सुधार करने वाले AI को सक्षम करे

Deep Cogito ने $43 मिलियन की सीरीज़ A फंडिंग जुटाई है क्योंकि सैन फ्रांसिस्को स्थित AI लैब AI स्टैक के एक बढ़ते महत्वपूर्ण हिस्से को स्केल करने की कोशिश कर रही है: फाउंडेशन मॉडल पहले ही प्री‑ट्रेन हो चुका है, उसके बाद क्या होता है।

राउंड का नेतृत्व TQ Ventures ने किया, जिसमें Benchmark, Nexus Venture Partners, Atreides Management, South Park Commons, और क्लाउड सुरक्षा कंपनी Zscaler ने भाग लिया, जो एक ग्राहक और रणनीतिक निवेशक दोनों हैं। यह फाइनेंसिंग Deep Cogito की कुल फंडिंग को $56 मिलियन से अधिक कर देती है।

ड्रिशन अरोड़ा और ध्रुव मलराना द्वारा स्थापित, जो पहले Google के AI सर्च प्रोडक्ट्स जैसे AI Mode और AI Overviews पर काम कर चुके हैं, Deep Cogito का मानना है कि AI बुद्धिमत्ता में भविष्य की प्रगति अधिकतर बेहतर लर्निंग एल्गोरिदम और पोस्ट‑ट्रेनिंग से आएगी, न कि केवल प्री‑ट्रेनिंग रन को बड़ा बनाकर।

यह कंपनी को उन लैबों से अलग पंक्ति में रखता है जो मुख्यतः शून्य से बड़े फाउंडेशन मॉडल बनाने पर केंद्रित हैं।

Deep Cogito पोस्ट‑ट्रेनिंग पर क्यों दांव लगा रहा है

प्री‑ट्रेनिंग बड़े भाषा मॉडल को विशाल मात्रा में डेटा के संपर्क में लाकर उसकी व्यापक ज्ञान आधार प्रदान करती है। पोस्ट‑ट्रेनिंग तब मॉडल के व्यवहार, तर्क, निर्देशों का पालन, टूल्स का उपयोग और विशिष्ट कार्यों को करने के तरीके को आकार देती है।

Deep Cogito का सिद्धांत है कि यह दूसरा चरण विकसित होने की काफी अधिक संभावनाएँ रखता है।

कंपनी का शोध बड़े पैमाने पर रिइन्फोर्समेंट लर्निंग और उन विधियों पर केंद्रित है जो मॉडलों को अपनी क्षमताओं को क्रमिक रूप से सुधारने की अनुमति देती हैं। प्री‑ट्रेंड मॉडल को अधिकांशतः तैयार उत्पाद मानने के बजाय, Deep Cogito इसे एक प्रारंभिक बिंदु के रूप में देखता है, जिसकी मूल क्षमताओं को आगे विकसित किया जा सकता है।

अरोड़ा ने राउंड की घोषणा में इस अंतर को संक्षेप में कहा: “प्री‑ट्रेनिंग मॉडल को अत्यधिक ज्ञान और क्षमता प्रदान करती है। पोस्ट‑ट्रेनिंग निर्धारित करती है कि वह मॉडल वास्तव में क्या बन सकता है।”

यह विशेष रूप से प्रासंगिक है क्योंकि केवल प्री‑ट्रेनिंग को स्केल करने की आर्थिक लागत बढ़ती जा रही है। अग्रणी फाउंडेशन मॉडल को प्रशिक्षित करने के लिए विशाल डेटासेट, GPU क्लस्टर, पावर इन्फ्रास्ट्रक्चर और पूँजी की आवश्यकता होती है। एक पर्याप्त प्रभावी पोस्ट‑ट्रेनिंग प्रणाली मौजूदा मॉडल से पूरी प्रक्रिया को दोहराए बिना काफी अधिक बुद्धिमत्ता निकाल सकती है।

महंगे तर्क को बेहतर अंतर्ज्ञान में बदलना

Deep Cogito के शोध के केंद्र में Iterated Distillation and Amplification (IDA) है, एक दृष्टिकोण जिसे कंपनी ने अपने पहले Cogito मॉडल परिवार के साथ सार्वजनिक रूप से प्रस्तुत किया।

यह अवधारणा अपेक्षाकृत सरल है, हालांकि इसे बड़े पैमाने पर लागू करना आसान नहीं है।

वृद्धि चरण के दौरान, मॉडल को अतिरिक्त गणना और तकनीकें दी जाती हैं जो उसे तुरंत उत्पन्न उत्तर से अधिक मजबूत उत्तर देने में सक्षम बनाती हैं। इस सुधार को फिर मॉडल के पैरामीटरों में वापस डिस्टिल किया जाता है। यह उन्नत मॉडल अगली पुनरावृत्ति के लिए प्रारंभिक बिंदु बन जाता है।

हर बार कठिन प्रश्न मिलने पर मॉडल को लगातार लंबी तर्क प्रक्रिया करने की आवश्यकता रखने के बजाय, लक्ष्य यह है कि वह उन अधिक गणनात्मक रूप से महंगे तर्क चरणों में सीखी गई बातों को धीरे‑धीरे आंतरिकीकृत करे।

Deep Cogito इसे मॉडल की “अंतर्ज्ञान” को सुधारने के रूप में वर्णित करता है।

यह अंतर अनुमान (इन्फ़रेंस) की आर्थिकता के लिए महत्वपूर्ण हो सकता है। लंबी तर्क श्रृंखलाएँ सटीकता बढ़ा सकती हैं, लेकिन वे टोकन उपयोग, लेटेंसी और लागत को भी बढ़ाती हैं। एक मॉडल जो बेहतर तर्क पथों को आंतरिकीकृत कर चुका है, कम इन्फ़रेंस समय की गणना के साथ समान निष्कर्ष तक पहुँच सकता है।

Cogito मॉडल इस दृष्टिकोण का सार्वजनिक परीक्षण प्रदान करते हैं

Deep Cogito ने इन तकनीकों के परीक्षण के लिए अपने ओपन‑वेट मॉडल परिवार Cogito का उपयोग किया है।

इसके शुरुआती रिलीज़ 3 बिलियन से 70 बिलियन पैरामीटर तक थे, उसके बाद कंपनी ने परिवार को 70B, 109B मिश्रित‑विशेषज्ञ (MoE), 405B, और 671B MoE मॉडलों के साथ विस्तारित किया।

With Cogito v2, the company reported that its 671B model produced reasoning chains roughly 60% shorter than DeepSeek R1 0528 while remaining competitive across several evaluations. Deep Cogito also said that it spent less than $3.5 million combined training eight Cogito models ranging from 3B to 671B, although benchmark performance and training-cost comparisons do not necessarily translate directly into production economics.

कंपनी ने Cogito v2.1 671B के साथ सिस्टम को परिष्कृत करना जारी रखा, जो एक ओपन‑लाइसेंस्ड DeepSeek बेस मॉडल का उपयोग करता है जिसे Deep Cogito ने इन‑हाउस पोस्ट‑ट्रेन किया। इसका v2.1 रिसर्च रिलीज़ बताता है कि मॉडल तर्क के दौरान प्रक्रिया पर्यवेक्षण का उपयोग करता है, और प्रशिक्षण इस तरह डिज़ाइन किया गया है कि मॉडल की उत्पादक तर्क पथों की पहचान करने की क्षमता को बेहतर बनाया जा सके, न कि केवल उसे अधिक समय तक तर्क करने के लिए प्रेरित किया जाए।

यह प्रगति Deep Cogito के व्यापक तर्क के लिए महत्वपूर्ण है। कंपनी को यह साबित करने की आवश्यकता नहीं है कि वह सबसे बड़े AI लैबों से बेहतर फाउंडेशन मॉडल प्री‑ट्रेन कर सकती है। उसे यह दिखाना है कि उसका पोस्ट‑ट्रेनिंग प्रक्रिया लगातार मजबूत मौजूदा मॉडलों को अधिक सक्षम बना सकती है।

Zscaler एंटरप्राइज़ अवसर की ओर इशारा करता है

व्यवसाय का दूसरा पहलू इन पोस्ट‑ट्रेनिंग तकनीकों को सार्वजनिक रूप से जारी Cogito मॉडलों से आगे बढ़ाकर एंटरप्राइज़ AI पर लागू करना है।

सिर्फ एक सामान्य‑उद्देश्यीय फ्रंटियर मॉडल पर निर्भर रहने के बजाय, कंपनियां अपने स्वामित्व डेटा, वर्कफ़्लो, मूल्यांकन मानदंड और वांछित परिणामों के आसपास विशेष मॉडल प्रशिक्षित कर सकती हैं।

यह रिट्रिवल‑ऑगमेंटेड जेनरेशन (RAG) से काफी गहरा हो सकता है, जो आमतौर पर इन्फ़रेंस समय पर सामान्य मॉडल को बाहरी कंपनी जानकारी तक पहुंच देता है। Deep Cogito का दृष्टिकोण मॉडल को स्वयं बदलने का लक्ष्य रखता है, जिसमें डोमेन‑विशिष्ट क्षमताओं को उसके वेट्स में प्रशिक्षित किया जाता है।

Zscaler एक प्रारंभिक उदाहरण प्रदान करता है। साइबर सुरक्षा कंपनी ने Series A में भाग लेने से पहले Deep Cogito की ग्राहक के रूप में शुरुआत की थी। दोनों कंपनियों ने विशेष सुरक्षा इंटेलिजेंस के क्षेत्र में भी सहयोग किया है, जहाँ Deep Cogito का तर्क है कि सुरक्षा अनुप्रयोग उन मॉडलों से लाभ उठा सकते हैं जो संगठन के अपने सुरक्षा डेटा और परिणामों पर पोस्ट‑ट्रेन किए गए हों।

व्यापक एंटरप्राइज़ प्रस्ताव विशेषीकरण और नियंत्रण दोनों के बारे में है। Wall Street Journal की फाइनेंसिंग कवरेज बताती है कि Deep Cogito अपनी तकनीक को उन मॉडलों के आसपास स्थित कर रहा है जिन्हें व्यवसाय स्वामित्व डेटा का उपयोग करके प्रशिक्षित और अपना सकते हैं, बजाय पूरी तरह बंद फ्रंटियर सिस्टम पर निर्भर रहने के।

$43M की सीरीज़ A फंडिंग किसमें निवेश करेगी

Deep Cogito अपनी सीरीज़ A को अपने शोध और इंजीनियरिंग संगठन का विस्तार करने, बड़े‑पैमाने पर प्रशिक्षण के लिए उपलब्ध कंप्यूटिंग इन्फ्रास्ट्रक्चर को बढ़ाने, भविष्य के Cogito मॉडलों को विकसित करने, और अधिक एंटरप्राइज़ के साथ काम करने के लिए उपयोग करने की योजना बना रहा है, जो विशेष मॉडलों की तलाश में हैं।

इन्फ्रास्ट्रक्चर इस विस्तार का विशेष रूप से महत्वपूर्ण हिस्सा होने की संभावना है। Deep Cogito के अपने भर्ती सामग्री में शोधकर्ताओं का वर्णन किया गया है जो नवीन रिइन्फोर्समेंट लर्निंग एल्गोरिदम, डेटा पाइपलाइन, मूल्यांकन, और वितरित इन्फ्रास्ट्रक्चर पर काम कर रहे हैं, जबकि 400 बिलियन पैरामीटर से अधिक वाले मॉडल प्रशिक्षित कर रहे हैं।

इसलिए यह फाइनेंसिंग कंपनी को काफी अधिक क्षमता देती है यह परीक्षण करने के लिए कि उसके शुरुआती मॉडलों में दिखाए गए सुधार अधिक गणना लागू करने और पोस्ट‑ट्रेनिंग प्रक्रिया के अधिक पुनरावृत्तियों को चलाने पर भी जारी रहते हैं या नहीं।

बड़ी निहितार्थ: AI जो अपनी स्वयं की तर्क से सीखता है

Deep Cogito के कार्य का बड़ा महत्व यह संभावना है कि AI विकास मुख्यतः मानव‑जनित डेटा पर प्रशिक्षित सिस्टमों से उन मॉडलों की ओर बदल सकता है जो अधिकतर अपनी स्वयं की सुधारों को उत्पन्न, मूल्यांकित और आंतरिकीकृत करते हैं।

Iterated Distillation and Amplification जैसी विधियाँ महंगे तर्क को स्थायी क्षमता में बदलने का लक्ष्य रखती हैं। एक मॉडल अतिरिक्त गणना का उपयोग करके कठिन समस्याओं को हल कर सकता है, फिर उन लाभों को अपने वेट्स में डिस्टिल कर सकता है, जिससे अगले प्रशिक्षण चक्र के लिए एक मजबूत प्रारंभिक बिंदु बनता है।

समय के साथ, यह तर्क, मूल्यांकन, सीखना और सुधार की विकास लूप उत्पन्न कर सकता है।

इटेरेटिव पोस्ट‑ट्रेनिंग और वास्तविक पुनरावर्ती आत्म‑सुधार के बीच अभी भी एक बड़ा अंतर है। मॉडलों को विश्वसनीय मूल्यांकन, सावधानीपूर्वक डिज़ाइन किए गए उद्देश्यों, और त्रुटियों को दोहराने से बचाने के लिए सुरक्षा उपायों की आवश्यकता होती है। लेकिन इस दृष्टिकोण के सीमित संस्करण भी लगातार बड़े प्री‑ट्रेनिंग रन पर निर्भरता को कम कर सकते हैं और स्वामित्व एंटरप्राइज़ डेटा के आसपास प्रशिक्षित विशेष AI को अधिक व्यावहारिक बना सकते हैं।

यदि यह दिशा जारी रहती है, तो AI में प्रतिस्पर्धात्मक लाभ केवल इस बात पर निर्भर नहीं रहेगा कि किसके पास सबसे बड़े कंप्यूट क्लस्टर हैं, बल्कि इस बात पर अधिक निर्भर करेगा कि किसके मॉडल अपनी स्वयं की अनुभव से सीखने में सबसे बेहतर हैं।