थिंकिंग मशीन लैब ने इंकलिंग, अपना पहला ओपन-वेट्स मल्टीमॉडल एआई मॉडल लॉन्च किया

थिंकिंग मशीन लैब ने इंकलिंग लॉन्च किया है, अपना पहला सामान्य-उद्देश्य वाला कृत्रिम बुद्धिमत्ता मॉडल, जो डेवलपर्स को लगभग एक ट्रिलियन-पैरामीटर सिस्टम तक पहुंच प्रदान करता है जो पाठ, छवियों और ऑडियो को संसाधित कर सकता है। 15 जुलाई, 2026 को लॉन्च हुआ, यह थिंकिंग मशीन लैब के लिए अब तक का सबसे बड़ा उत्पाद मील का पत्थर है, जो भारी वित्त पोषित एआई कंपनी है जिसकी स्थापना पूर्व ओपनएआई मुख्य प्रौद्योगिकी अधिकारी मीरा मुरती ने की थी।

दुनिया के सबसे कुशल मॉडल का दावा करने के बजाय, थिंकिंग मशीन इंकलिंग को कंपनियों, शोधकर्ताओं और डेवलपर्स के लिए एक अनुकूलन योग्य आधार के रूप में स्थिति दे रहा है जो अपने एआई के व्यवहार पर अधिक नियंत्रण चाहते हैं। इसके वज़न को हगिंग फेस के माध्यम से एपाचे 2.0 लाइसेंस के तहत डाउनलोड किया जा सकता है, जबकि मॉडल को थिंकिंग मशीन के टिंकर प्रशिक्षण मंच के माध्यम से भी ठीक किया जा सकता है।

एक 975 अरब-पैरामीटर मॉडल जो एक बार में केवल एक अंश का उपयोग करता है

इंकलिंग में कुल 975 अरब पैरामीटर हैं, जो इसे अब तक जारी किए गए सबसे बड़े ओपन-वेट मॉडल्स में से एक बनाता है। हालांकि, यह एक स्पार्स मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर का उपयोग करता है, जिसका अर्थ है कि किसी भी व्यक्तिगत टोकन को संसाधित करते समय केवल 41 अरब पैरामीटर सक्रिय होते हैं।

मॉडल में 66 ट्रांसफॉर्मर लेयर और 256 रूटेड विशेषज्ञ हैं। प्रत्येक टोकन को उन विशेषज्ञों में से छह के साथ भेजा जाता है, साथ ही दो साझा विशेषज्ञ जो अनुरोधों के माध्यम से सक्रिय रहते हैं। यह दृष्टिकोण एक बहुत बड़े मॉडल की ज्ञान क्षमता प्रदान करने के लिए है, बिना यह आवश्यकता कि हर पैरामीटर का उपयोग हर एक अनुमान ऑपरेशन के दौरान किया जाए।

थिंकिंग मशीन ने कहा कि मिक्सचर-ऑफ-एक्सपर्ट्स डिज़ाइन मुख्य रूप से डीपसीक-V3 में पेश किए गए विचारों का पालन करता है, जिसमें इसके मार्ग और लोड-संतुलन विधियां शामिल हैं। इंकलिंग स्लाइडिंग-विंडो और ग्लोबल अटेंशन लेयर्स के संयोजन का भी उपयोग करता है, साथ ही रोटरी पोज़िशनल एम्बेडिंग के बजाय सापेक्ष स्थिति एम्बेडिंग का उपयोग करता है।

मॉडल एक मिलियन टोकन तक के संदर्भ विंडो का समर्थन करता है। टिंकर के माध्यम से, डेवलपर्स वर्तमान में 64,000-टोकन और 256,000-टोकन कॉन्फ़िगरेशन तक पहुंच सकते हैं, जबकि पूर्ण संदर्भ क्षमता डाउनलोड किए गए वज़न के संगत नियोजन के माध्यम से उपलब्ध है।

मूल रूप से पाठ, छवियों और ऑडियो में तर्क

इंकलिंग मूल रूप से मल्टीमॉडल है, जो पाठ, छवियों और ऑडियो को इनपुट के रूप में स्वीकार करता है और पाठ को आउटपुट के रूप में उत्पन्न करता है। छवियों को एक हायरार्किकल पैच एनकोडर का उपयोग करके संसाधित किया जाता है, जबकि ऑडियो को विचारों में परिवर्तित किया जाता है और पाठ और दृश्य जानकारी के समान साझा प्रतिनिधित्व स्थान में रखा जाता है।

थिंकिंग मशीन ने मॉडल को 45 ट्रिलियन टोकन पर प्रीट्रेन किया, जो पाठ, छवियों, ऑडियो और वीडियो से निकाले गए थे। कंपनी ने कहा कि डेटा में सार्वजनिक रूप से उपलब्ध सामग्री, लाइसेंस प्राप्त या अधिग्रहित तृतीय-पक्ष स्रोत, और सिंथेटिक रूप से उत्पन्न या बढ़ाया सामग्री शामिल थी। हालांकि, मॉडल कार्ड में एक पूर्ण डेटासेट इन्वेंट्री प्रदान नहीं करता है, जो “ओपन वेट” को पूरी तरह से ओपन सोर्स की तुलना में एक अधिक सटीक विवरण बनाता है।

कंपनी ने एक नियंत्रित तर्क प्रणाली भी पेश की जो डेवलपर्स को यह समायोजित करने की अनुमति देती है कि इंकलिंग कितना गणना करता है इससे पहले कि यह एक उत्तर उत्पन्न करे। कम तर्क सेटिंग्स लेटेंसी और टोकन की खपत को कम कर सकते हैं, जबकि उच्च सेटिंग्स का उपयोग अधिक कठिन कोडिंग, गणितीय, वैज्ञानिक, या टूल-उपयोग कार्यों के लिए किया जा सकता है।

मुख्य मॉडल के साथ, थिंकिंग मशीन ने इंकलिंग-स्मॉल का पूर्वावलोकन किया, जो 276 अरब-पैरामीटर मिक्सचर-ऑफ-एक्सपर्ट्स मॉडल है जिसमें 12 अरब सक्रिय पैरामीटर हैं। कंपनी ने कहा कि अपने डेटा और प्रशिक्षण नुस्खे में सुधार करने से छोटे मॉडल को कई मूल्यांकनों पर बड़े संस्करण को मिलाने या उससे बेहतर प्रदर्शन करने की अनुमति मिली, हालांकि इंकलिंग-स्मॉल को अभी तक पूर्ण रिलीज़ नहीं मिली है।

टिंकर के माध्यम से अनुकूलन के लिए डिज़ाइन किया गया

इंकलिंग टिंकर से जुड़ा हुआ है, जो क्लाउड-आधारित प्रशिक्षण मंच है जिसे थिंकिंग मशीन ने 2025 में पेश किया था। टिंकर डेवलपर्स को स्थानीय रूप से प्रशिक्षण प्रक्रियाओं लिखने की अनुमति देता है, जबकि प्लेटफ़ॉर्म छोटे सिस्टम से लेकर ट्रिलियन-पैरामीटर मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर तक मॉडल को ठीक करने के लिए आवश्यक वितरित जीपीयू इन्फ्रास्ट्रक्चर का प्रबंधन करता है।

प्लेटफ़ॉर्म पर्यवेक्षित ठीक करने, प्रबलित सीखने, डायरेक्ट प्राथमिकता अनुकूलन, संक्षेपण, और निम्न-रैंक अनुकूलन का समर्थन करता है। ग्राहक परिणामी चेकपॉइंट डाउनलोड कर सकते हैं, और थिंकिंग मशीन कहती है कि ग्राहक प्रशिक्षण डेटा का उपयोग केवल ग्राहक के मॉडल को ठीक करने के लिए किया जाता है, न कि अपने स्वयं के फाउंडेशन मॉडल में शामिल करने के लिए।

इस अनुकूलन प्रक्रिया को प्रदर्शित करने के लिए, कंपनी ने इंकलिंग से अनुरोध किया कि वह एक मॉडल में ठीक हो जो कभी भी “ई” अक्षर का उपयोग नहीं करेगा। इंकलिंग ने अपना स्वयं का प्रशिक्षण डेटा और मूल्यांकन विधि उत्पन्न की, टिंकर के माध्यम से एक ठीक करने वाली नौकरी बनाई और चलाई, अद्यतन चेकपॉइंट का परीक्षण किया, और फिर संशोधित वज़न को अपने कार्य वातावरण में लोड किया।

प्रदर्शन जानबूझकर संकीर्ण है, लेकिन यह व्यापक रणनीति को दर्शाता है। थिंकिंग मशीन चाहती है कि डेवलपर फाउंडेशन मॉडल को शुरुआती बिंदु के रूप में मानें जिन्हें एक संगठन की शब्दावली, कार्य प्रवाह, डेटा, नीतियों और पसंदीदा व्यवहार के अनुसार अनुकूलित किया जा सकता है, न कि मूल मॉडल प्रदाता द्वारा नियंत्रित किए गए समाप्त उत्पादों के रूप में।

बेंचमार्क ताज पर दावा किए बिना प्रतिस्पर्धी प्रदर्शन

थिंकिंग मशीन खुलकर स्वीकार करती है कि इंकलिंग हर श्रेणी में उपलब्ध सबसे मजबूत मॉडल नहीं है। इसके बेंचमार्क परिणाम आमतौर पर इसे अधिक कुशल ओपन-वेट सिस्टम के बीच में रखते हैं, जबकि एंथ्रोपिक, गूगल और ओपनएआई जैसी कंपनियों के प्रमुख प्रोप्राइटरी मॉडल समग्र लाभ बनाए रखते हैं।

इंकलिंग 2026 अमेरिकन इनविटेशनल मैथमेटिक्स एक्जामिनेशन बेंचमार्क पर 97.1% स्कोर और जीपीक्यूए डायमंड पर 87.2% स्कोर प्राप्त किया, जो स्नातक स्तर के वैज्ञानिक तर्क का मूल्यांकन करता है। इसने एसडब्ल्यूई-बेंच वरिफाइड पर 77.6% और एसडब्ल्यूई-बेंच प्रो पब्लिक पर 54.3% रिकॉर्ड किया, जो दो बेंचमार्क हैं जिनका उपयोग कोडिंग एजेंटों को वास्तविक सॉफ्टवेयर इंजीनियरिंग समस्याओं को हल करने की क्षमता का मूल्यांकन करने के लिए किया जाता है।

ह्यूमैनिटी के लास्ट एक्जाम पर, इंकलिंग ने 29.7% स्कोर किया बिना टूल्स के और 46% जब टूल एक्सेस दिया गया। इसका टूल-एनेबल्ड प्रदर्शन कई ओपन मॉडल के साथ प्रतिस्पर्धी था, लेकिन थिंकिंग मशीन की तुलना में शामिल सबसे मजबूत बंद सिस्टम से नीचे रहा।

इंकलिंग ने डिज़ाइन एरिना के एजेंटिक वेब डेवलपमेंट लीडरबोर्ड पर 1,257 स्कोर प्राप्त किया, जहां मानव मूल्यांकनकर्ता विभिन्न मॉडल द्वारा बनाए गए अनुप्रयोगों की तुलना करते हैं। इससे यह कई प्रोप्राइटरी सिस्टम के करीब और कई स्थापित ओपन-वेट प्रतियोगियों से आगे रहा।

जैसा कि किसी भी विक्रेता-प्रकाशित बेंचमार्क सेट के साथ होता है, परिणामों को स्वतंत्र रूप से पुन: उत्पन्न करने की आवश्यकता होगी। थिंकिंग मशीन ने जहां उपलब्ध हो वहां बाहरी स्कोर का उपयोग किया, लेकिन कई मूल्यांकन आंतरिक हार्नेस, कॉन्फ़िगरेशन या प्रतिस्पर्धी मॉडल प्रदाताओं द्वारा स्व-rapport परिणाम पर निर्भर करते हैं।

कम लागत के साथ महत्वपूर्ण हार्डवेयर आवश्यकताएं

इंकलिंग का लागत तर्क मुख्य रूप से इसके स्पार्स आर्किटेक्चर और नियंत्रित तर्क पर आधारित है। 41 अरब पैरामीटर को सक्रिय करना 975 अरब के बजाय, एक समान आकार के घने मॉडल के बजाय अनुमान को काफी अधिक कुशल बना देगा, जबकि डेवलपर्स को विस्तारित तर्क को अक्षम करने की अनुमति देगा जो अनुरोधों के लिए आवश्यक नहीं हैं।

टिंकर के माध्यम से, 64,000-टोकन संस्करण को प्रति मिलियन प्रीफिल टोकन के लिए $1.87, प्रति मिलियन नमूना टोकन के लिए $4.68, और प्रति मिलियन प्रशिक्षण टोकन के लिए $5.61 में सूचीबद्ध किया गया है। 256,000-टोकन कॉन्फ़िगरेशन की कीमत अधिक है, जो प्रीफिल के लिए $3.74, नमूना के लिए $9.36 और प्रशिक्षण के लिए $11.23 है, जिसमें कैश्ड इनपुट के लिए कम दरें उपलब्ध हैं।

इन आंकड़ों से बड़े-मॉडल प्रयोग अधिक सुलभ हो जाते हैं बजाय एक समर्पित प्रशिक्षण क्लस्टर को इकट्ठा करने के। हालांकि, इंकलिंग एक ऐसा मॉडल नहीं है जिसे अधिकांश डेवलपर्स एक सामान्य कार्यस्थान पर चला सकते हैं। पूर्ण बीएफ 16 चेकपॉइंट को कम से कम दो टेराबाइट्स की एकत्रित ग्राफिक्स मेमोरी की आवश्यकता होती है, जो आठ एनवीडिया बी 300 जीपीयू या 16 एच 200 जीपीयू के बराबर है।

एक क्वांटाइज्ड एनवीएफपी 4 चेकपॉइंट आवश्यकता को लगभग 600 गीगाबाइट तक कम कर देता है, लेकिन फिर भी चार बी 300 जीपीयू या आठ एच 200 जीपीयू जैसे बुनियादी ढांचे की आवश्यकता होती है। अभ्यास में, कई संगठन इसलिए संभवतः टिंकर या तृतीय-पक्ष अनुमान प्रदाताओं के माध्यम से इंकलिंग तक पहुंच प्राप्त करेंगे, न कि पूरे मॉडल को सीधे होस्ट करके।

सेंसरशिप के प्रतिरोध के साथ सुरक्षा नियंत्रण का संतुलन

इंकलिंग के डिजाइन में से एक अधिक असामान्य लक्ष्य जो थिंकिंग मशीन द्वारा वर्णित है वह सेंसरशिप का प्रतिरोध है। कंपनी कहती है कि इसने विशेष रूप से मॉडल को प्रशिक्षित किया है ताकि यह उन विषयों के बारे में प्रश्नों का उत्तर दे सके जो राजनीतिक या संस्थागत रूप से संवेदनशील हो सकते हैं, बजाय इसके कि यह स्वचालित रूप से उन्हें अस्वीकार कर दे।

कोग्निशन ने इंकलिंग का मूल्यांकन अपने प्रोपगैंडा और सेंसरशिप बेंचमार्क का उपयोग करके किया, और थिंकिंग मशीन ने बताया कि मॉडल ने “सेंसरशिप गैर-अनुपालन” के मजबूत पैटर्न का प्रदर्शन किया। अंतर्निहित विचार यह है कि एक खुला मॉडल को उन आवश्यक राजनीतिक प्रतिबंधों या मानकीकृत राय को विरासत में नहीं मिलना चाहिए जो इसके मूल डेवलपर द्वारा एम्बेड किए गए थे।

हालांकि, इसका मतलब यह नहीं है कि इंकलिंग हर अनुरोध का उत्तर देने के लिए डिज़ाइन किया गया है। कंपनी ने अलग से मॉडल को हथियारों, हिंसा, साइबर दुर्व्यवहार, रासायनिक या जैविक खतरों, मैनिपुलेशन, और अन्य खतरनाक गतिविधियों से संबंधित निर्देशों को अस्वीकार करने के लिए प्रशिक्षित किया है।

इंकलिंग ने फोर्ट्रेस सुरक्षा बेंचमार्क के प्रतिकूल भाग पर 78% स्कोर किया और 95.9% हानिरहित प्रश्नों का सही उत्तर दिया जो हानिकारक अनुरोधों की नकल करते हैं। इसने स्ट्रॉन्गरिजेक्ट पर 98.6% हासिल किया, जो मॉडल को स्पष्ट रूप से हानिकारक निर्देशों को अस्वीकार करने की क्षमता को मापता है। थिंकिंग मशीन कहती है कि यह संयोजन यह दर्शाता है कि मॉडल सुरक्षा नियंत्रणों को बनाए रखने के बिना वैध प्रश्नों को अत्यधिक ब्लॉक नहीं करता है, हालांकि तृतीय-पक्ष ठीक करने के बाद सुरक्षा नियंत्रणों का प्रभाव एक खुला शोध समस्या बना हुआ है।

ओपनएआई नेतृत्व से $12 बिलियन स्टार्टअप तक

थिंकिंग मशीन लैब को औपचारिक रूप से फरवरी 2025 में लॉन्च किया गया था, मुरती के ओपनएआई छोड़ने के कुछ महीने बाद। उन्होंने चैटजीपीटी, डीएलएल-ई, और कंपनी की शुरुआती वॉइस और मल्टीमॉडल सिस्टम के लॉन्च के दौरान ओपनएआई के मुख्य प्रौद्योगिकी अधिकारी के रूप में कार्य किया था।

मूल टीम में लगभग 30 शोधकर्ता और इंजीनियर शामिल थे जिन्हें ओपनएआई, मेटा, मिस्ट्रल, और अन्य एआई संगठनों से भर्ती किया गया था। लॉन्च के समय इसके लगभग दो-तिहाई कर्मचारी पहले ओपनएआई में काम कर चुके थे। संस्थापक समूह में ओपनएआई के सह-संस्थापक जॉन शुलमैन, बैरेट ज़ोफ, लिलियन वेंग, एंड्रू टुलोच, और ल्यूक मेट्ज़ शामिल थे, जो प्रबलित सीखने, मॉडल संरेखण, मल्टीमॉडल एआई, पूर्व-प्रशिक्षण, और पोस्ट-प्रशिक्षण में अनुभव लाए।

लॉन्च के पांच महीने बाद, थिंकिंग मशीन ने लगभग $2 बिलियन जुटाए थे और $12 बिलियन के मूल्यांकन पर। एंड्रेसेन होरोविट्ज़ ने राउंड का नेतृत्व किया, जिसमें एनवीडिया, एक्सेल, सर्विसनाउ (NOW ), सिस्को, एएमडी, और क्वांटिटेटिव ट्रेडिंग फ़र्म जेन स्ट्रीट ने भाग लिया।

एनवीडिया ने बाद में एक बहु-वर्षीय रणनीतिक साझेदारी के माध्यम से कंपनी के साथ अपने संबंधों का विस्तार किया। मार्च 2026 में घोषित, समझौते में थिंकिंग मशीन के मॉडल प्रशिक्षण और अनुकूलन योग्य एआई प्लेटफ़ॉर्म का समर्थन करने के लिए कम से कम एक गीगावॉट के अगली पीढ़ी के एनवीडिया वेरा रूबिन सिस्टम को तैनात करना शामिल है। एनवीडिया ने कंपनी में अतिरिक्त निवेश भी किया।

इंकलिंग विकेंद्रीकृत एआई पर एक व्यापक दांव को दर्शाता है

थिंकिंग मशीन का तर्क है कि अधिकांश एआई सिस्टम को कुछ कंपनियों द्वारा प्रशिक्षित किया जाता है और फिर लargely निश्चित उत्पादों के रूप में वितरित किया जाता है। इसका विकल्प एक पारिस्थितिकी तंत्र है जहां व्यवसाय और व्यक्ति अपने ज्ञान, पसंद, और निर्णय के अनुसार मॉडल को लगातार अनुकूलित कर सकते हैं।

यह दर्शन यह समझाने में मदद करता है कि इंकलिंग को विशेष रूप से एक प्रोप्राइटरी इंटरफ़ेस के माध्यम से पेश किए जाने के बजाय डाउनलोड करने योग्य वज़न के साथ जारी किया जा रहा है। यह मॉडल को टिंकर से जोड़ता है, जो व्यवहार को संशोधित करने के लिए आवश्यक प्रशिक्षण बुनियादी ढांचे प्रदान करता है बिना हर संगठन को अपना बड़ा जीपीयू क्लस्टर इकट्ठा करने के लिए मजबूर किए।

फिर भी, रिलीज़ और व्यावहारिक वास्तविकताओं के बीच अभी भी तनाव है। इंकलिंग पर्याप्त रूप से खुला है ताकि इसे डाउनलोड और संशोधित किया जा सके, लेकिन इतना बड़ा है कि केवल अच्छी तरह से वित्त पोषित संगठन ही वास्तव में पूरे मॉडल को होस्ट कर सकते हैं। इसके प्रशिक्षण डेटा को व्यापक श्रेणियों में वर्णित किया गया है, न कि पूरी तरह से दस्तावेजीकृत, और अनुकूलन मूल चेकपॉइंट में निर्मित सुरक्षा नियंत्रणों को कमजोर कर सकता है।

रिलीज़ पश्चिमी डेवलपर्स को एक बड़े ओपन-वेट विकल्प प्रदान करता है, जब कई प्रतिस्पर्धी अनुकूलन योग्य मॉडल चीनी प्रयोगशालाओं जैसे डीपसीक, अलीबाबा, मूनशॉट एआई, और झिपु एआई से आए हैं। रॉयटर्स ने उल्लेख किया कि पश्चिमी ओपन-वेट विकास ने कई प्रमुख अमेरिकी कंपनियों द्वारा अधिक प्रोप्राइटरी रणनीतियों की ओर स्थानांतरण के बाद गति खो दी है।

इंकलिंग एआई के लिए क्या मतलब है

इंकलिंग का महत्व कम बेंचमार्क पर अपना प्रदर्शन दिखाने पर निर्भर Less हो सकता है और अधिक यह दिखाने पर कि क्या डेवलपर इसे विशिष्ट प्रणालियों में बदल सकते हैं जो सामान्य-उद्देश्य वाले मॉडल की तुलना में संकीर्ण डोमेन में बेहतर प्रदर्शन करते हैं।

वित्त, स्वास्थ्य सेवा, इंजीनियरिंग, साइबर सुरक्षा, वैज्ञानिक अनुसंधान, और सॉफ्टवेयर विकास में कंपनियां अक्सर आंतरिक ज्ञान का कब्जा करती हैं जो सार्वजनिक प्रशिक्षण डेटा में खराब रूप से प्रतिनिधित्व किया जाता है। एक कुशल ओपन-वेट बेस मॉडल, साथ ही साथ प्रबलित सीखने और ठीक करने वाले बुनियादी ढांचे की पहुंच, उन संगठनों को अपने विशेषज्ञता को सीधे मॉडल व्यवहार में एन्कोड करने की अनुमति दे सकता है।

इसी समय, मॉडल को यह साबित करने की आवश्यकता होगी कि इसके दक्षता दावे कुल तैनाती लागत में अनुवाद करते हैं, विशेष रूप से बुनियादी ढांचे, अनुमान आयतन, ठीक करने, निगरानी, और सुरक्षा परीक्षण पर विचार करते हुए। स्वतंत्र शोधकर्ताओं को भी इसके बेंचमार्क प्रदर्शन, बहु-भाषा क्षमताओं, राजनीतिक तटस्थता, हॉलुसिनेशन दरों, और अनुकूलन के बाद सुरक्षा क्षय के प्रतिरोध की जांच करने की आवश्यकता होगी।

थिंकिंग मशीन ने एक असामान्य रूप से अनुभवी टीम, महत्वपूर्ण निवेशक समर्थन, और बुनियादी ढांचे की प्रतिबद्धताओं के साथ बाजार में प्रवेश किया, जो आमतौर पर बहुत पुराने एआई प्रयोगशालाओं से जुड़ी होती हैं। इंकलिंग कंपनी का पहला अवसर है यह प्रदर्शित करने के लिए कि ये संसाधन केवल महत्वाकांक्षी शोध योजनाओं और प्रशिक्षण प्लेटफ़ॉर्म से अधिक उत्पादित कर सकते हैं।

मॉडल प्रमुख प्रोप्राइटरी सिस्टम को हटा नहीं देता है, और थिंकिंग मशीन लैब दावा नहीं करती है कि यह करता है। इसके बजाय, इंकलिंग एक अलग प्रस्ताव प्रदान करता है: भविष्य के उन्नत एआई को न केवल सबसे शक्तिशाली सामान्य-उद्देश्य मॉडल को प्रशिक्षित करने वाले द्वारा, बल्कि जो डेवलपर्स को अपने स्वयं के मॉडल बनाने के लिए सबसे मजबूत आधार प्रदान करता है।