Skip to content
क्वांटाइज़ेशन की बदौलत 2022 में 175 अरब पैरामीटर का मॉडल एक 80 GB GPU पर चला, और 2023 में QLoRA ने 65 अरब पैरामीटर वाले मॉडल को 48 GB पर फ़ाइन-ट्यून किया
एआई और प्रौद्योगिकी

क्वांटाइज़ेशन की बदौलत 2022 में 175 अरब पैरामीटर का मॉडल एक 80 GB GPU पर चला, और 2023 में QLoRA ने 65 अरब पैरामीटर वाले मॉडल को 48 GB पर फ़ाइन-ट्यून किया

चित्रण: tuput

हिन्दी

2022 और 2023 के चार शोध-पत्रों ने बड़े भाषा मॉडल की मेमोरी ज़रूरत घटाई, 8-बिट LLM.int8 से लेकर 4-बिट GPTQ, AWQ और QLoRA तक। हर पत्र ने लेखकों के अपने आँकड़ों में क्या मापा, और आज कौन-से फ़ॉर्मैट चलन में हैं, यह यहाँ है।

· · 11 मिनट का पठन

अगस्त 2022 में टिम डेटमर्स, माइक लुईस, यूनेस बेलकाडा और ल्यूक ज़ेटलमॉयर ने भाषा मॉडल के वेट 16 की जगह 8 बिट में रखने का तरीक़ा बताया। इससे उसे चलाने की मेमोरी आधी हो गई, और उनके परीक्षणों में 175 अरब पैरामीटर तक सटीकता में कोई कमी नहीं आई। अक्टूबर 2022 में ETH ज़्यूरिख़ और IST ऑस्ट्रिया की एक टीम ने GPTQ प्रकाशित किया, जो वेट को 3 या 4 बिट तक ले गया और 175 अरब पैरामीटर वाले OPT मॉडल को एक अकेले 80 GB ग्राफ़िक्स कार्ड पर चला दिया। मई 2023 में QLoRA पत्र ने 65 अरब पैरामीटर वाले मॉडल को एक 48 GB कार्ड पर फ़ाइन-ट्यून किया, जबकि इसके लेखकों के अनुसार साधारण 16-बिट रूप में इस काम के लिए 780 GB से ज़्यादा चाहिए।

यह सब क्वांटाइज़ेशन है: मॉडल की संख्याओं को कम बिट में रखना। Hugging Face के दस्तावेज़ इसे यों बताते हैं कि वेट को कम परिशुद्धता पर रखकर मॉडल को लोड करने और इस्तेमाल करने की मेमोरी घटाई जाती है, और कोशिश रहती है कि सटीकता जितनी हो सके बनी रहे। यह लेख शोध-पत्रों को क्रम से देखता है, बताता है कि हर एक ने क्या मापा, और चिह्नित करता है कि कौन-से दावे सिर्फ़ लेखकों या हार्डवेयर बेचने वाली कंपनी से आते हैं।

वेट एक संख्या है, और बिट तय करते हैं कि उसे कितनी बारीकी से लिखा जाए

भाषा मॉडल के पैरामीटर, जिन्हें वेट भी कहते हैं, वे संख्याएँ हैं जो उसने प्रशिक्षण में सीखीं। GPT-3 में ऐसे 175 अरब हैं। दो बाइट (16 बिट) प्रति वेट के हिसाब से यह 350 GB होता है, जो AWQ पत्र का दिया आँकड़ा है। GPTQ पत्र 326 GB गिनता है, क्योंकि वह बाइनरी गीगाबाइट इस्तेमाल करता है। GPTQ के लेखक कहते हैं कि यह सबसे ऊँचे दर्जे के अकेले ग्राफ़िक्स कार्ड की क्षमता से भी ज़्यादा है, और AWQ पत्र ध्यान दिलाता है कि Nvidia के नए B200 में 192 GB है।

16-बिट की संख्या 65,536 अलग-अलग रूप ले सकती है, 8-बिट की 256 और 4-बिट की 16। यह सीधा गणित है, और पूरा सौदा यही है। NVIDIA की NVFP4 पोस्ट उन परिमाणों को गिनाती है जो 4-बिट फ़्लोटिंग-पॉइंट मान रख सकता है: 0, 0.5, 1, 1.5, 2, 3, 4 और 6, चिह्न के साथ। मैट्रिक्स का हर वेट इन्हीं कुछ बिंदुओं में से किसी एक पर पूर्णांकित करना पड़ता है, इसके बाद कि मैट्रिक्स को इस तरह स्केल किया जाए कि उसका सबसे बड़ा मान दायरे के ऊपरी सिरे पर पड़े।

यहाँ एक गढ़ा हुआ उदाहरण है, किसी पत्र से नहीं लिया गया। अगर वेट की किसी पंक्ति में 0.02 और 0.4 के आसपास के मान हों लेकिन एक मान 12 हो, तो 8 बिट में स्केल करने पर पूरे दायरे में लगभग 0.09 के क़दम बनते हैं, और 0.02 पूर्णांकित होकर शून्य हो जाता है। एक बड़ा मान बाक़ी सबके लिए ग्रिड को मोटा कर देता है। नीचे के तरीक़े इसी से निपटने के अलग-अलग रास्ते हैं।

असली फ़ॉर्मैट स्केल के स्थिरांक भी साथ रखते हैं, इसलिए “4-बिट” असल में चार से थोड़ा ज़्यादा होता है। llama.cpp की README Llama 3.1 8B की तालिका देती है: 16 बिट पर 16.0005 बिट प्रति वेट और 14.96 GiB, उसके 8-बिट फ़ॉर्मैट Q8_0 में 8.5008 बिट और 7.95 GiB, और Q4_K_M में 4.8944 बिट और 4.58 GiB, जो उसके उदाहरणों में इस्तेमाल होने वाला 4-बिट फ़ॉर्मैट है। NVIDIA का NVFP4 हर 16 मानों पर एक 8-बिट स्केल रखता है, जिसे वह 4.5 बिट प्रति मान गिनता है।

LLM.int8(): वे 0.1 प्रतिशत मान जिन्होंने 8-बिट को तोड़ा

NeurIPS 2022 में प्रस्तुत LLM.int8() पत्र एक नाकामी से शुरू होता है। इससे पहले 8-बिट के तरीक़ों का अध्ययन सिर्फ़ 35 करोड़ पैरामीटर से छोटे मॉडलों पर हुआ था, और लेखकों ने पाया कि मॉडल बड़े होने पर साधारण 8-बिट पूर्णांकन नाकाम हो जाता है। लगभग 6.7 अरब पैरामीटर से, कुछ गिनी-चुनी हिडन डायमेंशन में बाक़ी से 20 गुना तक बड़े मान होते हैं। 6.7 अरब पर वे प्रति सीक्वेंस लगभग 1,50,000 ऐसे आउटलायर बताते हैं, जो सिर्फ़ 6 फ़ीचर डायमेंशन में केंद्रित हैं। उन डायमेंशन को शून्य करने पर परप्लेक्सिटी, यानी वह स्कोर जिसमें कम बेहतर है, 600 से 1,000 प्रतिशत बिगड़ गई, हालाँकि वे फ़ीचर का करीब 0.1 प्रतिशत हैं।

इसका हल बँटवारा है। जिन डायमेंशन में परिमाण 6 या उससे ज़्यादा का मान हो, उनका गुणा 16-बिट में होता है, और बाक़ी लगभग 99.9 प्रतिशत का 8-बिट में, हर आंतरिक गुणनफल के लिए अलग स्केल के साथ। पत्र के C4 परीक्षण पर 13 अरब पैरामीटर वाले मॉडल की परप्लेक्सिटी 32-बिट में 12.45 रही, साधारण 8-बिट पूर्णांकन से 19.08, और LLM.int8() से 12.45। लेखक 175 अरब पैरामीटर तक के OPT मॉडलों में कोई गिरावट नहीं बताते और कहते हैं कि इससे OPT-175B और BLOOM को उपभोक्ता GPU वाले एक सर्वर पर इस्तेमाल किया जा सकता है। उनका सॉफ़्टवेयर Hugging Face Transformers में जोड़ा गया।

वे एक सीमा भी बताते हैं। 6.7 अरब पैरामीटर से छोटे मॉडलों पर 8-बिट तरीक़ा 16-बिट से धीमा चल सकता है, हालाँकि वे वैसे भी ज़्यादातर GPU पर समा जाते हैं, और 175 अरब पैरामीटर वाले मॉडल के बड़े मैट्रिक्स गुणनों पर यह लगभग दोगुना तेज़ है।

GPTQ: प्रशिक्षण के बाद करीब चार GPU घंटे में संपीड़न

LLM.int8() 8 बिट पर रुकता है। एलियास फ्रांटार, सालेह अशकबूस, टोरस्टन होफ़लर और डैन अलिस्टार्ह का GPTQ पत्र इससे नीचे और बिना दोबारा प्रशिक्षण के निशाना लगाता है। यह वन-शॉट तरीक़ा है, यानी तैयार मॉडल को एक ही पास में अनुमानित द्वितीय-क्रम जानकारी से पूर्णांकित किया जाता है, और लेखक बताते हैं कि 175 अरब पैरामीटर वाले मॉडल को एक A100 पर करीब चार GPU घंटे में क्वांटाइज़ किया गया।

इसकी मुख्य तालिका OPT-175B पर है, जिसे WikiText2 परप्लेक्सिटी में मापा गया। 16-बिट मॉडल का स्कोर 8.34 है। 4 बिट पर GPTQ का स्कोर 8.37 है, जबकि साधारण राउंड-टू-नियरेस्ट का 10.54। 3 बिट पर राउंड-टू-नियरेस्ट ढहकर लगभग 7,300 पर पहुँच जाता है और GPTQ का स्कोर 8.68 है। लेखक सटीकता की कमी को नगण्य कहते हैं और नोट करते हैं कि बड़े मॉडल आम तौर पर क्वांटाइज़ करने में आसान दिखे, जिसमें OPT-66B अपवाद रहा।

मेमोरी का हिसाब पत्र में ही है। 3 बिट पर OPT-175B लगभग 63 GB लेता है, और 2,048 टोकन पर पिछली की और वैल्यू के कैश के लिए करीब 9 GB और, इसलिए वह एक 80 GB कार्ड में समा जाता है। लेखक कहते हैं कि 16-बिट निष्पादन के लिए ऐसे पाँच कार्ड चाहिए और LLM.int8() के लिए तीन। वे A100 पर 16-बिट से 3.25 गुना और सस्ते A6000 पर 4.5 गुना तेज़ जनरेशन भी बताते हैं, और कहते हैं कि यह बढ़त कम मेमोरी लोड करने से आती है, क्योंकि मुख्यधारा का हार्डवेयर तब तक 16-बिट को 4-बिट संख्याओं से सीधे गुणा नहीं कर सकता था।

AWQ: 1 प्रतिशत वेट को बचाओ, जिन्हें एक्टिवेशन देखकर चुना जाता है

AWQ पत्र, जिसके पहले लेखक जी लिन हैं और संबंधित लेखक MIT के सॉन्ग हान, एक अवलोकन से शुरू होता है: सारे वेट बराबर मायने नहीं रखते। सिर्फ़ करीब 1 प्रतिशत वेट को 16-बिट में रखने से बाक़ी को कम परिशुद्धता पर पूर्णांकित करने का नुक़सान बहुत घट जाता है।

कौन-सा 1 प्रतिशत, यही खोज है। इसकी तालिका 1 में 128 वेट के समूहों के साथ 3 बिट पर OPT-6.7B है, जिसे WikiText परप्लेक्सिटी में आँका गया, जहाँ 16-बिट मॉडल को 10.86 मिलता है और राउंड-टू-नियरेस्ट को 23.54। 1 प्रतिशत वेट 16-बिट में रखने पर, इस आधार पर चुनकर कि उन्हें खिलाने वाले एक्टिवेशन कितने बड़े हैं, स्कोर 11.39 आता है। उतना ही हिस्सा वेट के अपने आकार से चुनें तो 22.37 मिलता है, और बेतरतीब चुनें तो 24.23। अहम वेट मॉडल से गुज़रते डेटा से पहचाने जाते हैं, वेट से नहीं।

मिला-जुला 16-बिट और 4-बिट भंडारण हार्डवेयर के लिए असुविधाजनक है, इसलिए AWQ पूर्णांकन से पहले अहम चैनलों को ऊपर स्केल करता है, जिससे बँटवारे के बिना मिलते-जुलते स्कोर आते हैं। लेखक इसे TinyChat नाम के एक इन्फ़रेंस सिस्टम के साथ जोड़ते हैं और डेस्कटॉप, लैपटॉप और मोबाइल GPU पर Hugging Face के 16-बिट कोड के मुक़ाबले औसतन 3.2 से 3.3 गुना रफ़्तार बताते हैं। वे 64 GB वाले एक Jetson Orin पर Llama-2-70B और 8 GB वाले लैपटॉप RTX 4070 पर 30 टोकन प्रति सेकंड पर 13 अरब पैरामीटर वाला मॉडल बताते हैं। ये लेखकों के अपने मापन हैं। पत्र का 2026 का संशोधित संस्करण MLSys 2024 बेस्ट पेपर अवार्ड दर्ज करता है।

LoRA और QLoRA: जमे हुए 4-बिट मॉडल की फ़ाइन-ट्यूनिंग

फ़ाइन-ट्यूनिंग मॉडल को नए डेटा पर दोबारा प्रशिक्षित करती है, और इसमें उसे चलाने से कहीं ज़्यादा मेमोरी लगती है। जून 2021 में Microsoft के एडवर्ड हू और उनके साथियों के LoRA ने पहले से प्रशिक्षित वेट को जमा दिया और उसकी जगह जोड़े गए छोटे मैट्रिक्स को प्रशिक्षित किया। GPT-3 175B के लिए लेखक Adam ऑप्टिमाइज़र से फ़ाइन-ट्यूनिंग के मुक़ाबले प्रशिक्षित होने वाले पैरामीटर 10,000 गुना कम और GPU मेमोरी 3 गुना कम बताते हैं, उन मॉडलों पर गुणवत्ता बराबर या बेहतर रही जिन्हें उन्होंने परखा, और मॉडल चलाते समय कोई अतिरिक्त देरी नहीं जुड़ी।

QLoRA ने दोनों विचारों को जोड़ा। वह पहले से प्रशिक्षित मॉडल को 4 बिट में जमा रखता है और ग्रेडिएंट उसके भीतर से होकर LoRA एडैप्टर तक भेजता है। पत्र तीन चीज़ें जोड़ता है। NormalFloat 4, यानी NF4, उपलब्ध 16 मानों को प्रशिक्षित वेट के घंटीनुमा वितरण के हिसाब से फैलाता है, ताकि हर मान लगभग उतने ही वेट को ढके। डबल क्वांटाइज़ेशन स्केल के स्थिरांकों को भी पूर्णांकित करता है, जिससे प्रति पैरामीटर करीब 0.37 बिट बचते हैं, यानी 65 अरब पैरामीटर वाले मॉडल के लिए करीब 3 GB। पेज्ड ऑप्टिमाइज़र GPU में कमी पड़ने पर प्रशिक्षण की स्थिति को CPU मेमोरी में भेज देते हैं।

लेखक बताते हैं कि इससे 65 अरब पैरामीटर की फ़ाइन-ट्यूनिंग 780 GB से ज़्यादा से घटकर 48 GB से नीचे आ गई, और जिन कामों पर उन्होंने परखा उनमें 16-बिट फ़ाइन-ट्यूनिंग के मुक़ाबले कोई कमी नहीं हुई। उन्होंने Guanaco नाम के मॉडल जारी किए। पत्र Guanaco 65B को 41 GB और Guanaco 7B को 5 GB बताता है, जो उसके अनुसार आज के फ़ोन में समा जाता है।

आज चलन में कौन-से फ़ॉर्मैट हैं

Hugging Face का ओवरव्यू पेज, जिसे 12 नवंबर 2026 को पढ़ा गया, अपनी संगति तालिका में 22 क्वांटाइज़ेशन तरीक़े गिनाता है। तालिका में 4 बिट पर AWQ, 4 और 8 पर bitsandbytes (वह लाइब्रेरी जिससे QLoRA पत्र जुड़ा है), 4 पर NVFP4 और 8 पर दो FP8 तरीक़े हैं, साथ में llama.cpp के लिए GGUF और GPT-QModel, एक टूलकिट जिसकी अपनी README अपने फ़ॉर्मैटों में GPTQ गिनाती है।

GGUF वह फ़ाइल फ़ॉर्मैट है जो llama.cpp इस्तेमाल करता है, जो साधारण कंप्यूटरों पर मॉडल चलाने का प्रोग्राम है। इसकी विशिष्टता एक ऐसी अकेली फ़ाइल बताती है जिसमें वेट और उन्हें लोड करने के लिए ज़रूरी सब कुछ रहता है। llama.cpp की README कहती है कि क्वांटाइज़ेशन मॉडल को छोटा करता है और तेज़ भी कर सकता है, उसकी क़ीमत सटीकता में कमी हो सकती है जिसे आम तौर पर परप्लेक्सिटी या KL डाइवर्जेंस में मापा जाता है, और यह कमी इम्पॉर्टेंस मैट्रिक्स से घटाई जा सकती है, जो इस फ़ैसले के लिए इस्तेमाल होने वाली डेटा की फ़ाइल है कि कौन-से वेट ज़्यादा मायने रखते हैं।

FP8 आठ बिट रखता है लेकिन उन्हें एक छोटी फ़्लोटिंग-पॉइंट संख्या की तरह ख़र्च करता है। पाउलियस मिकिविशियस और 14 सह-लेखकों के 2022 के पत्र ने दो ढाँचे, E4M3 और E5M2, प्रस्तावित किए और 175 अरब पैरामीटर तक के प्रशिक्षण में 16-बिट के बराबर गुणवत्ता बताई। NVIDIA की 24 जून 2025 की NVFP4 पोस्ट एक 4-बिट फ़ॉर्मैट का वर्णन करती है जो 16-बिट के मुक़ाबले मेमोरी करीब 3.5 गुना घटाता है, और सात मूल्यांकनों में DeepSeek-R1-0528 पर FP8 के मुक़ाबले 1 प्रतिशत या उससे कम सटीकता-हानि बताती है। यह आँकड़ा NVIDIA का अपने फ़ॉर्मैट पर अपना परीक्षण है।

हर दावा किस पर टिका है

ऊपर का हर नतीजा किसी नामित मॉडल और नामित परीक्षण का है। GPTQ के आँकड़े OPT और BLOOM पर परप्लेक्सिटी हैं, AWQ की तालिकाओं में OPT और Llama-2 हैं, और NVFP4 का आँकड़ा एक ही मॉडल का है। परप्लेक्सिटी यह मापती है कि मॉडल पाठ का अनुमान कितना अच्छा लगाता है, और यह वही नहीं है जो उपयोगकर्ता के लिए मॉडल की उपयोगिता है। llama.cpp की README ख़ुद कहती है कि क्वांटाइज़ किया हुआ मॉडल सटीकता खो सकता है।

QLoRA का सबसे ज़्यादा उद्धृत आँकड़ा 99.3 प्रतिशत है। यह Vicuna बेंचमार्क पर ChatGPT के मुक़ाबले Guanaco 65B का स्कोर है। यह 80 प्रॉम्प्ट का परीक्षण है जिसमें GPT-4 जज बनकर दोनों उत्तरों को अंक देता है, और पत्र की तालिका में 95 प्रतिशत विश्वास-अंतराल प्लस-माइनस 4.4 अंक का है। लेखक कहते हैं कि तालिका भर में अंतराल बहुत चौड़े हैं और कई मॉडल आपस में ओवरलैप करते हैं, और वे निष्कर्ष निकालते हैं कि मौजूदा चैटबॉट बेंचमार्क चैटबॉट के प्रदर्शन को मापने के लिए भरोसेमंद नहीं हैं। इस समस्या पर AI बेंचमार्क वाला लेख है। जिन मॉडलों को निचोड़ा जा रहा है वे कैसे बने, यह बड़े भाषा मॉडल के प्रशिक्षण की व्याख्या में है।

भारतीय उपकरणों के लिए छोटे मॉडल

Sarvam AI की 14 फ़रवरी 2026 की पोस्ट, जिसमें Sarvam Edge की घोषणा है, कहती है कि उसके मॉडल उन्हीं उपकरणों पर चलने के लिए बने हैं जो लोगों के पास पहले से हैं। वह लगभग 15 करोड़ पैरामीटर वाला एक अनुवाद मॉडल गिनाती है, जो उपकरण पर करीब 334 MB का है और 10 भारतीय भाषाओं और अंग्रेज़ी को कवर करता है, और यह नहीं बताती कि वह किस क्वांटाइज़ेशन फ़ॉर्मैट का इस्तेमाल करती है, अगर करती है। फ़ोन की तरफ़ की तस्वीर फ़ोन पर छोटे मॉडलों पर नज़र में है, और व्यापक कोशिश भारत की अपनी भाषाओं में AI वाले लेख में है।

Share
Copied!

स्रोत और आगे पढ़ने के लिए

  1. Dettmers, Lewis, Belkada and Zettlemoyer: LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale (arXiv:2208.07339, NeurIPS 2022)
  2. Frantar, Ashkboos, Hoefler and Alistarh: GPTQ, Accurate Post-Training Quantization for Generative Pre-trained Transformers (arXiv:2210.17323, ICLR 2023)
  3. Lin et al.: AWQ, Activation-aware Weight Quantization for LLM Compression and Acceleration (arXiv:2306.00978, MLSys 2024)
  4. Dettmers, Pagnoni, Holtzman and Zettlemoyer: QLoRA, Efficient Finetuning of Quantized LLMs (arXiv:2305.14314, 23 May 2023)
  5. Hu et al.: LoRA, Low-Rank Adaptation of Large Language Models (arXiv:2106.09685, 17 June 2021)
  6. Micikevicius et al.: FP8 Formats for Deep Learning (arXiv:2209.05433, 12 September 2022)
  7. Hugging Face: Transformers documentation, Quantization overview
  8. ggml-org: llama.cpp quantize tool README
  9. ggml-org: GGUF file format specification
  10. NVIDIA Technical Blog: Introducing NVFP4 for Efficient and Accurate Low-Precision Inference (24 June 2025)
  11. Sarvam AI: Announcing Sarvam Edge (14 February 2026)

यह लेख AI उपकरणों की सहायता से शोधित और लिखा गया है, और सटीकता के लिए संपादित किया गया है। यह केवल सामान्य जानकारी और चर्चा के लिए है, पेशेवर सलाह नहीं। हमारे संपादकीय मानक और अस्वीकरण देखें। कोई त्रुटि मिली? हमें बताएँ।

#quantisation#llm.int8#gptq#awq#qlora#lora#gguf#on-device ai

अच्छा लगा? अगला लेख पाएँ।

एक बार में एक अच्छा लेख, सीधे आपके इनबॉक्स में। कोई स्पैम नहीं, जब चाहें अनसब्सक्राइब करें।

इसी श्रेणी में और: एआई और प्रौद्योगिकी
गूगल का कहना है कि Gemma 4 फ़ोन की 1.1 से 2.5 GB मेमोरी में आ जाता है, पर अगस्त में शुरू हुए स्वतंत्र बेंचमार्क ने फ़ोन पर चलने का समय सिर्फ़ एक आईफ़ोन का छापा
अब फ़ोन पर चलने वाले एआई के लिए कंपनियाँ पैरामीटर की गिनती, मेमोरी के आँकड़े और बेंचमार्क की तालिकाएँ छापती हैं। यह लेख बताता है कि हर पन्ना क्या कहता है, हर परीक्षण किसने चलाया, मॉडल क्या नहीं कर सकते, और उसमें से कितना भारतीय भाषाओं में काम करता है।
गूगल के आठ लेखकों ने 12 जून 2017 को ट्रांसफ़ॉर्मर पर शोधपत्र पोस्ट किया, और उसके बड़े मॉडल ने आठ GPU पर 3.5 दिन के प्रशिक्षण के बाद अंग्रेज़ी से जर्मन में 28.4 BLEU हासिल किए
आज के चैटबॉट के पीछे के डिज़ाइन की सैर, शोधपत्र की अपनी तालिकाओं और गूगल के अपने उदाहरण के साथ, जिसमें एक शब्द को नदी की ओर देखना पड़ता है। इसमें 2017 के डिज़ाइन के वे हिस्से भी हैं जिन्हें बाद के मॉडलों ने रखा, बदला या छोड़ा।
17 फरवरी 2026 को जयपुर में शुरू हुआ भारत-विस्तार किसान को 155261 पर फ़ोन करके AI सलाहकार से सवाल पूछने देता है, और आईसीएआर, मौसम विभाग, एगमार्कनेट और एग्रीस्टैक के आँकड़ों से जुड़ा है
155261 पर एक कॉल से किसान उस AI सलाहकार तक पहुँचता है, जिसे आईसीएआर की कृषि मार्गदर्शिकाओं, मौसम और मंडी के आँकड़ों से जानकारी मिलती है। शुरुआत की सरकारी विज्ञप्तियाँ, भाषाओं की योजना और अब तक प्रकाशित उपयोग के आँकड़े, तारीख़ों और स्रोतों के साथ।
← सभी लेख