एआई मॉडल और प्लेटफ़ॉर्म
Valory ने वास्तविक दुनिया के पूर्वानुमान में बेहतर प्रदर्शन वाला ओपन-वेट Olas Predict मॉडल पेश किया
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
Valory ने Olas-Predict-Qwen3.8-27B पेश किया है। यह ओपन-वेट पूर्वानुमान मॉडल है, जिसके बारे में कंपनी का कहना है कि वास्तविक दुनिया के प्रेडिक्शन मार्केट के परीक्षण में इसका प्रदर्शन GPT-5.6 तुलनात्मक मॉडल से केवल 1.2 प्रतिशत अंक पीछे रहा। 27 अरब पैरामीटर वाले इस विशेषज्ञ मॉडल ने Valory के आंतरिक मूल्यांकन में 67.3% संतुलित सटीकता हासिल की, जबकि GPT-5.6 की सटीकता 68.5% रही। दोनों प्रणालियों को बाज़ार से जुड़े समान साक्ष्य दिए गए थे।
यह नतीजा AI विकास से जुड़े एक व्यावहारिक सवाल की ओर ध्यान खींचता है: किसी विशिष्ट कार्य में मॉडल के प्रदर्शन का कितना हिस्सा उसके व्यापक ज्ञान से आता है और कितना प्रासंगिक साक्ष्य तथा लक्षित प्रशिक्षण से? Valory का नवीनतम प्रयोग बताता है कि छोटा और अनुकूलनीय मॉडल, स्पष्ट रूप से सीमित पूर्वानुमान कार्य में प्रतिस्पर्धी प्रदर्शन कर सकता है। साथ ही, इससे यह भी पता चलता है कि बेहतर आधार मॉडल प्रदर्शन में हुए सुधार के बड़े हिस्से के लिए ज़िम्मेदार है।
Valory की पूर्वानुमान तुलना में क्या मापा गया है
घोषणा में 6,824 ऐसे प्रेडिक्शन मार्केट के नतीजे दिए गए हैं जिन पर शोध किया जा सकता था। सभी प्रणालियों में एक जैसे प्रॉम्प्ट और साक्ष्य इस्तेमाल किए गए तथा तापमान शून्य रखा गया। Valory ने तारीख की ऐसी सीमा भी लागू की जो GPT-5.6 तुलनात्मक मॉडल की बताई गई 16 फ़रवरी 2026 की ज्ञान-सीमा से जुड़ी थी। इस तुलना में यह परखा गया कि मॉडल दिए गए साक्ष्यों के आधार पर कैसे तर्क करते हैं; हर प्रणाली से अपनी जानकारी स्वयं जुटाने को नहीं कहा गया।
यह दायरा मायने रखता है। ये चुने हुए बाज़ारों पर कंपनी की ओर से बताए गए नतीजे हैं, न कि इस बात का स्वतंत्र प्रमाण कि दोनों मॉडल सामान्य तौर पर एक-दूसरे के बराबर हैं। अंतिम तुलना, पहले किए गए 10,916 नमूनों वाले प्रयोग और Valory के पहले प्रकाशित 14 अरब पैरामीटर वाले अध्ययन से भी अलग है।
संतुलित सटीकता, दोनों परिणाम-वर्गों के प्रदर्शन को बराबर महत्व देती है। इससे किसी आम परिणाम के पूरे नतीजे पर हावी होने की आशंका कम होती है। Valory ने ब्रायर स्कोर भी बताया है, जो संभाव्यता-आधारित पूर्वानुमानों का मूल्यांकन करता है और अति-आत्मविश्वास से की गई गलतियों पर दंड देता है। ब्रायर स्कोर जितना कम हो, उतना बेहतर है; पूर्वानुमानकर्ता को अच्छी तरह संतुलित अनिश्चितता के लिए भी श्रेय मिलना चाहिए, न कि सिर्फ़ अंततः सही विजेता चुनने के लिए।
| प्रणाली | ब्रायर स्कोर ↓ | संतुलित सटीकता ↑ |
|---|---|---|
| ऐतिहासिक GPT-4.1 आधार-मान | 0.3110 | 58.5% |
| Olas-Predict-R1-14B | 0.2722 | 58.9% |
| डोमेन-प्रशिक्षण से पहले Qwen3.8-27B | 0.2235 | 66.4% |
| Olas-Predict-Qwen3.8-27B | 0.2124 | 67.3% |
| GPT-5.6 तुलनात्मक मॉडल | 0.2029 | 68.5% |
तालिका में Valory की ओर से बताए गए अंतिम तुलना-समूह के नतीजे दिए गए हैं। ऐतिहासिक GPT-4.1 आधार-मान को उसी विशिष्ट आधार-मान के रूप में देखना चाहिए, न कि GPT-4.1 के लिए नए सार्वभौमिक स्कोर के तौर पर।
बेहतर आधार मॉडल से मिलता है अधिकतर सुधार
इस तुलना में नया मॉडल, Olas-Predict-R1-14B से ब्रायर त्रुटि में लगभग 22% और संतुलित सटीकता में 8.4 प्रतिशत अंक बेहतर है। लेकिन बिना प्रशिक्षण वाला शुरुआती Qwen3.8-27B मॉडल पहले ही 66.4% संतुलित सटीकता और 0.2235 का ब्रायर स्कोर हासिल करता है, जो इस सुधार के बड़े हिस्से की वजह है।
डोमेन-प्रशिक्षण से अतिरिक्त सुधार मिलता है: ब्रायर त्रुटि लगभग 5% घटती है, जबकि संतुलित सटीकता 0.9 प्रतिशत अंक बढ़ती है। अपेक्षित कैलिब्रेशन त्रुटि—जो बताए गए आत्मविश्वास और देखे गए नतीजों के बीच तालमेल का सार प्रस्तुत करती है—0.1630 से घटकर 0.1429 हो जाती है। यह लगभग 12.3% का सुधार है।
पूरे पीढ़ीगत सुधार को फ़ाइन-ट्यूनिंग का नतीजा मानने के बजाय यह अधिक उपयोगी निष्कर्ष है। बेहतर आधार मॉडल और विशिष्ट प्रशिक्षण, दोनों अलग-अलग योगदान देते हैं। ऐसा लगता है कि विशिष्ट प्रशिक्षण से मॉडल की संभाव्यताएँ व्यक्त करने की क्षमता बेहतर होती है। यह तब अहम है, जब आगे की प्रणाली को तय करना हो कि कार्रवाई करने के लिए साक्ष्य पर्याप्त मज़बूत हैं या नहीं।
पूर्वानुमान टूल साक्ष्य जुटाता है; मॉडल संभाव्यता का अनुमान लगाता है
Valory ऐसी प्रशिक्षण प्रक्रिया का वर्णन करता है जिसमें पूर्वानुमान के समीक्षा किए गए उदाहरणों और रीइन्फ़ोर्समेंट लर्निंग का उपयोग संभाव्यता-अनुमानों को बेहतर बनाने के लिए किया जाता है। एक अलग टूल बाज़ार की जानकारी और साक्ष्य जुटाकर मॉडल को देता है।
यह अलगाव इस संरचना का अहम हिस्सा है। भाषा मॉडल, पूर्वानुमान प्रणाली का एक घटक है: साक्ष्य पुनर्प्राप्ति यह तय करती है कि कौन-सी जानकारी उपलब्ध होगी, जबकि मॉडल उसकी व्याख्या करके संभाव्यता बताता है। कमज़ोर या पुराना साक्ष्य होने पर मज़बूत तर्क-क्षमता भी खराब पूर्वानुमान दे सकती है।
इस तरीके से अलग-अलग घटकों को स्वतंत्र रूप से बेहतर बनाने के अवसर भी मिलते हैं। डेवलपर पूरी एजेंट प्रणाली को दोबारा बनाए बिना साक्ष्य पुनर्प्राप्ति को बेहतर कर सकते हैं, साक्ष्य प्रस्तुत करने का तरीका बदल सकते हैं या पूर्वानुमानकर्ता को अपडेट कर सकते हैं। बताए गए स्कोर, साक्ष्य और मॉडल के व्यवहार के एक खास संयोजन का मूल्यांकन करते हैं; इसलिए इन्हें किसी अलग पुनर्प्राप्ति प्रक्रिया पर अपने-आप लागू नहीं मानना चाहिए।
Olas एजेंट की गतिविधियों को प्रशिक्षण डेटा में कैसे बदलता है
Valory, Olas का प्रमुख योगदानकर्ता है। इसका Predict पारिस्थितिकी तंत्र ऐसे एजेंटों को जोड़ता है जो बाज़ार बनाते हैं, कारोबार करते हैं, पूर्वानुमान देते हैं और नतीजों को अंतिम रूप देते हैं। व्यापारी Mech Marketplace के ज़रिए विशेषज्ञ एजेंटों से पूर्वानुमान सेवाएँ खरीद सकते हैं। घटनाओं के नतीजे तय हो जाने के बाद पूर्वानुमानों की तुलना वास्तविक नतीजों से की जा सकती है, जिससे मूल्यांकन और भविष्य के प्रशिक्षण के लिए रिकॉर्ड तैयार होते हैं।
यह फीडबैक चक्र परियोजना को विशिष्ट कार्यों से जुड़े साक्ष्यों का स्रोत देता है। किसी पूर्वानुमान को केवल इस आधार पर परखने के बजाय कि उसकी व्याख्या कितनी विश्वसनीय लगती है, प्रणाली अंततः उसके संभाव्यता-अनुमान की तुलना किसी ऐसे घटना-परिणाम से कर सकती है जिसका निपटारा हो चुका हो। लक्ष्य अब भी बाज़ार के निपटारे से तय होता है, इसलिए प्रश्नों की शब्दावली और निपटारे की गुणवत्ता अहम बनी रहती हैं।
Valory के पहले प्रकाशित काम में Olas-Predict-R1-14B को विशिष्ट कार्यों के लिए अनुकूलित करने हेतु एजेंटों के 200,000 से अधिक पूर्वानुमान रिकॉर्ड का इस्तेमाल किया गया था। बाद के बाज़ारों पर किए गए एक अलग मूल्यांकन में 2,628 बाज़ारों में 75.8% सटीकता दर्ज की गई। यह आंकड़ा एक अलग मूल्यांकन की सामान्य सटीकता है; इसकी सीधे तुलना नई घोषणा में बताई गई 67.3% संतुलित सटीकता से नहीं की जा सकती।
तैनाती के लिए ओपन वेट से क्या बदलता है
ओपन-वेट पूर्वानुमान मॉडल डेवलपरों को किसी दूरस्थ, मालिकाना सेवा पर पूरी तरह निर्भर रहने के बजाय मॉडल को अपने सर्वर पर चलाने और उसके अनुकूलन का विकल्प देता है। पूर्वानुमान कार्यप्रवाह बनाने वाले संगठन को इससे मॉडल अपडेट, सेवा देने वाले बुनियादी ढाँचे और उपलब्ध कराए गए साक्ष्यों के प्रबंधन पर अधिक नियंत्रण मिल सकता है।
27 अरब पैरामीटर वाले मॉडल के लिए अब भी उपयुक्त हार्डवेयर की आवश्यकता होती है। मेमोरी, विलंबता और थ्रूपुट का स्तर परिशुद्धता, संदर्भ की लंबाई और समवर्ती अनुरोधों पर निर्भर करता है। घोषणा में नए मॉडल के लिए तैनाती लागत के माप या सेवा-प्रदर्शन के मानक नहीं दिए गए हैं, इसलिए केवल उसके पैरामीटरों की संख्या से संचालन लागत में किसी खास लाभ की पुष्टि नहीं होती।
पूर्वानुमान की गुणवत्ता और ट्रेडिंग का प्रदर्शन भी अलग-अलग चीज़ें हैं। प्रतिफल बाज़ार कीमतों, लेनदेन लागत, निष्पादन और रणनीति के साथ-साथ पूर्वानुमानों पर भी निर्भर करता है—यह अंतर Valory के पहले मॉडल कार्ड में बताई गई सीमाओं से भी स्पष्ट होता है।
इसलिए Olas-Predict-Qwen3.8-27B का महत्व सीमित, लेकिन सार्थक है: Valory के अनुसार, उपलब्ध कराए गए साक्ष्यों के आधार पर पूर्वानुमान करने में एक विशिष्ट मॉडल उसके अत्याधुनिक तुलनात्मक मॉडल के करीब पहुँच रहा है और डोमेन-विशिष्ट प्रशिक्षण से मापने योग्य सुधार हासिल कर रहा है। अब अगला अवसर यह है कि लगातार आने वाले, जिनके परिणाम तय हो चुके हैं, पूर्वानुमानों की धारा को ऐसे सुधारों में बदला जाए जो आगे की घटनाओं और वास्तविक तैनाती में भी कारगर साबित हों।
