एआई मॉडल और प्लेटफ़ॉर्म
Translated ने Lara Mini नाम का 45 भाषाओं वाला शोध मॉडल जारी किया
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुLara Mini shares experts across languages rather than dedicating separate expert groups…
और देखें
- Lara Mini shares experts across languages rather than dedicating separate expert groups to each one.
- The model's efficiency advantage is strongest for a single user with long prompts and narrows under shared load.
- The release is a gated research base model without safety tuning or instruction-following capability.
Translated ने 12 नवंबर, 2026 को Lara Mini की घोषणा की और एक ऐसा शोध मॉडल जारी किया जिसे अंग्रेज़ी तथा 44 अन्य भाषाओं के कुल 6 ट्रिलियन टोकन पर शुरू से प्रशिक्षित किया गया है। इनमें यूरोपीय संघ की सभी 24 आधिकारिक भाषाएँ शामिल हैं। 7.2 अरब पैरामीटर वाली यह प्रणाली हर टोकन के लिए केवल 60 करोड़ पैरामीटर सक्रिय करती है।
मिश्रित-विशेषज्ञ संरचना हर टोकन के लिए रूट किए गए 128 विशेषज्ञों में से चार को सक्रिय करती है, जबकि एक साझा विशेषज्ञ सक्रिय रहता है। इसकी 34 परतों में 14 Gated DeltaNet रैखिक-अटेंशन परतें, 512 टोकन की विंडो वाली 13 स्लाइडिंग-विंडो अटेंशन परतें और सात वैश्विक-अटेंशन परतें शामिल हैं। इससे पूर्ण अटेंशन की तुलना में अनुमान के दौरान स्थिति-संबंधी जानकारी का विस्तार सीमित रहता है। शुरुआती प्रशिक्षण चरण के बाद, 100 अरब टोकन वाले एक अलग चरण ने संदर्भ विंडो को 4,096 से बढ़ाकर 131,072 टोकन कर दिया।
Translated ने खुले तौर पर जारी किए गए स्रोतों से डेटासेट तैयार किया और उन्हें छाँटकर तथा डुप्लिकेट हटाकर 13.8 ट्रिलियन टोकन का संग्रह बनाया; शुरुआती प्रशिक्षण के 97% टोकन किसी दस्तावेज़ को पहली बार पढ़े जाने से आए थे। अंग्रेज़ी से 2.49 ट्रिलियन टोकन, यानी 41.4%, मिले, जबकि 44 अन्य भाषाओं से 2.18 ट्रिलियन, यानी 36.4%, मिले। बाकी टोकन कोड, गणित और पर्यवेक्षित फ़ाइन-ट्यूनिंग डेटा जैसी संरचना वाले उदाहरणों से आए।
अंग्रेज़ी से प्रतिस्थापन की जाँच
एक अलग परीक्षण के लिए शोधकर्ताओं ने उसी चेकपॉइंट का इस्तेमाल करके 100 अरब टोकन वाले दो नियंत्रित एनीलिंग चरण चलाए। यह प्रशिक्षण का अंतिम चरण होता है, जिसमें लर्निंग रेट घटते-घटते शून्य हो जाती है। बहुभाषी हिस्से के 33% को अंग्रेज़ी से बदलने पर अंग्रेज़ी का हिस्सा 27% से बढ़कर 60% हो गया। तकनीकी रिपोर्ट के अनुसार, अंग्रेज़ी के विकास-समूह का औसत केवल 0.3 अंक बढ़ा, जबकि समर्थित भाषाओं के बहुभाषी औसत में 2.7 अंकों की गिरावट आई।
यह प्रयोग केवल एनीलिंग चरण पर लागू होता है; इससे मुख्य पूर्व-प्रशिक्षण चरण के दौरान बहुभाषी हिस्से के प्रभाव का मापन नहीं होता। रूटिंग के एक अलग विश्लेषण में पाया गया कि भाषाओं को अलग-अलग विशेषज्ञ समूह देने के बजाय वे विशेषज्ञ साझा करती हैं। नेटवर्क की शुरुआती परतों में मिलती-जुलती भाषाओं की रूटिंग समान दिखी और मध्यवर्ती परतों में लगभग एक जैसी थी। लेखकों ने आगाह किया कि साझा रूटिंग से साझा अर्थगत निरूपण सिद्ध नहीं होते और उनके प्रयोग यह भी साबित नहीं करते कि बहुभाषी प्रशिक्षण से सामान्य तर्क क्षमता या अंग्रेज़ी का प्रदर्शन बेहतर होता है।
बेंचमार्क स्कोर और उनकी सीमाएँ
Translated ने Lara Mini का मूल्यांकन 26 अंग्रेज़ी, बहुभाषी, गणित और कोड बेंचमार्क पर 56 अन्य खुले बेस मॉडल के मुकाबले किया। इसके लिए सभी में एक जैसे प्रॉम्प्ट, सेटिंग और उत्तर निकालने की विधि इस्तेमाल की गई। सक्रिय पैरामीटर 2 अरब तक वाले 36 मॉडलों में Lara Mini का कुल औसत 57.0 रहा, जो granite-4.0-h-tiny के 53.9 और Qwen3-1.7B के 53.8 से अधिक था। उनके रिपोर्ट किए गए पूर्व-प्रशिक्षण टोकन क्रमशः 22.5 ट्रिलियन और 36 ट्रिलियन थे, जबकि Lara Mini के शुरुआती प्रशिक्षण में 6 ट्रिलियन टोकन इस्तेमाल हुए।
Translated के परिणामों में Lara Mini अपनी श्रेणी में बहुभाषी समझ के मामले में 56.7 और गणित में 59.9 के साथ पहले स्थान पर, अंग्रेज़ी में 66.4 के साथ दूसरे स्थान पर और कोड में 45.1 के साथ पाँचवें स्थान पर रहा। कुल स्कोर में चारों क्षेत्रों के औसत को बराबर भार दिया गया है। हर मॉडल के बहुभाषी बेंचमार्क स्कोर का औसत Lara Mini की समर्थित गैर-अंग्रेज़ी भाषाओं के आधार पर निकाला गया है। इस तुलना में बेस मॉडल शामिल हैं, निर्देशों के अनुसार फ़ाइन-ट्यून किए गए सिस्टम नहीं। अलग-अलग भाषाओं में गुणवत्ता भी बदलती है; प्रशिक्षण डेटा सीमित होने के कारण अज़रबैजानी और बांग्ला समर्थित भाषाओं में सबसे कम स्कोर करने वाली भाषाओं में शामिल हैं।
Translated ने A100 GPU पर, क्वांटाइज़ेशन के बिना, एक उपयोगकर्ता के लिए Lara Mini की गति लगभग 1,100 जनित अक्षर प्रति सेकंड मापी। गति की तुलना में इससे अधिक कुल औसत वाले हर मॉडल ने कम-से-कम 1.8 गुना धीमी गति से पाठ तैयार किया। यह बढ़त एक उपयोगकर्ता और लंबे प्रॉम्प्ट के मामले में सबसे अधिक होती है और GPU को कई उपयोगकर्ताओं के साझा करने पर घट जाती है।
शोध तक पहुँच और उत्पाद योजनाएँ
जारी किया गया मॉडल पाठ को आगे जारी रखने वाला बेस मॉडल है, न कि निर्देशों का पालन करने वाला या चैट सिस्टम, और इसमें सुरक्षा के लिए कोई ट्यूनिंग नहीं की गई है। इसका मॉडल कार्ड चेतावनी देता है कि यह गलत, पक्षपातपूर्ण या आपत्तिजनक पाठ तैयार कर सकता है और अतिरिक्त प्रशिक्षण के बिना इसे सहायक के रूप में तैनात नहीं किया जाना चाहिए।
मॉडल वेट्स तक पहुँच नियंत्रित है और हर अनुरोध की समीक्षा Translated करता है। शोध और अन्य गैर-व्यावसायिक उद्देश्यों के लिए वेट्स CC BY-NC-SA 4.0 लाइसेंस के तहत उपलब्ध हैं, जबकि कोड और टोकनाइज़र Apache 2.0 लाइसेंस के तहत हैं। Translated अलग से व्यावसायिक लाइसेंस देता है और मॉडल के साथ कोई प्रशिक्षण डेटा जारी नहीं कर रहा है।
Translated के शोध पृष्ठ के अनुसार, चुने हुए उद्यम ग्राहकों को भी इसकी पहुँच मिलेगी। इसमें विशिष्ट, संप्रभु अनुप्रयोगों के लिए फ़ाइन-ट्यूनिंग को एक प्रस्तावित उपयोग बताया गया है। Lara Mini, Lara 4 का हिस्सा है—यह फ़ाउंडेशन मॉडल परिवार Lara Translate की अगली पीढ़ी को शक्ति देने के लिए बनाया गया है।
13 नवंबर, 2026 को प्रकाशित अनुवर्ती जानकारी में कहा गया कि Lara Mini अभी Lara Translate में उपलब्ध नहीं था। कंपनी की योजना इसे अगले Lara Translate ऐप में ऑफ़लाइन पाठ-अनुवाद के लिए आधार मॉडल के रूप में इस्तेमाल करने की थी। इसमें प्रोसेसिंग फ़ोन पर होगी, ताकि पाठ डिवाइस पर ही रहे। 45 भाषाओं का आँकड़ा प्रशिक्षण में शामिल भाषाओं को दर्शाता है; ऑफ़लाइन अनुवाद के लॉन्च के समय किन भाषाओं का समर्थन होगा, यह स्पष्ट नहीं किया गया था।
प्रस्तावित ऐप शोध को एक ठोस उत्पाद-परीक्षण से जोड़ता है: शोध के लिए बने सीमित चेकपॉइंट को निजी, डिवाइस पर चलने वाले अनुवाद में बदलना और साथ ही Translated के मूल्यांकन में दर्ज दक्षता तथा बहुभाषी प्रदर्शन को बनाए रखना।
