Google ਨੇ EmbeddingGemma 2 ਲਾਂਚ ਕੀਤਾ, ਇੱਕ ਖੁੱਲਾ, ਹਲਕਾ ਏਮਬੈਡਿੰਗ ਮਾਡਲ ਜੋ ਮੂਲ ਰੂਪ ਵਿੱਚ ਟੈਕਸਟ, ਚਿੱਤਰ, ਆਡੀਓ ਅਤੇ ਵੀਡੀਓ ਦੇ ਸੰਜੋਗਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਏਕੀਕ੍ਰਿਤ ਏਮਬੈਡਿੰਗ ਸਪੇਸ ਵਿੱਚ ਮੈਪ ਕਰਦਾ ਹੈ। ਘੋਸ਼ਣਾ, ਅਕਤੂਬਰ 6, 2026 ਨੂੰ ਗੂਗਲ ਡੀਪਮਾਈਂਡ ਖੋਜ ਇੰਜੀਨੀਅਰ ਸਾਹਿਲ ਦੁਆ ਅਤੇ ਹੈਨਰੀਕ ਸ਼ੇਚਟਰ ਵੇਰਾ ਦੁਆਰਾ ਪੋਸਟ ਕੀਤੀ ਗਈ, 740-ਮਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਨੂੰ ਔਨ-ਡਿਵਾਈਸ ਮਲਟੀਮੋਡਲ ਏਮਬੈਡਿੰਗਾਂ ਲਈ ਸਭ ਤੋਂ ਸਮਰੱਥ ਵਿਕਲਪ ਦੇ ਰੂਪ ਵਿੱਚ ਸਥਿਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਵਪਾਰਕ ਤੌਰ 'ਤੇ ਮਨਜ਼ੂਰ Apache 2.0 ਲਾਇਸੰਸ ਦੇ ਤਹਿਤ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ Garchitecma 4 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ।
ਪਹਿਲੀ ਏਮਬੇਡਿੰਗਗੇਮਾ ਗੂਗਲ ਦੀਆਂ ਉਮੀਦਾਂ ਤੋਂ ਵੱਧ ਗਈ, 20 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਡਾਉਨਲੋਡਸ ਔਨ-ਡਿਵਾਈਸ ਖੋਜ ਟੂਲਜ਼ ਅਤੇ ਗੋਪਨੀਯਤਾ-ਪਹਿਲੀ ਮੁੜ ਪ੍ਰਾਪਤੀ ਵਧੀ ਹੋਈ ਪੀੜ੍ਹੀ ਦੀਆਂ ਪਾਈਪਲਾਈਨਾਂ ਦੇ ਨਾਲ। ਸੀਕਵਲ ਨੇ ਤਤਕਾਲ ਡਿਵੈਲਪਰਾਂ ਦੀ ਦਿਲਚਸਪੀ ਪੈਦਾ ਕੀਤੀ, ਦਿਨ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਹੈਕਰ ਨਿਊਜ਼ ਚਰਚਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਖਿੱਚਿਆ ਕਿਉਂਕਿ ਬਿਲਡਰਾਂ ਨੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਕਿ ਸਥਾਨਕ AI News ਐਪਾਂ, ਮੀਡੀਆ ਲਾਇਬ੍ਰੇਰੀਆਂ, ਅਤੇ RAG ਸਿਸਟਮਾਂ ਲਈ ਇੱਕ ਸਿੰਗਲ ਮਲਟੀਮੋਡਲ ਏਮਬੇਡਰ ਦਾ ਕੀ ਅਰਥ ਹੈ ਜੋ ਕਦੇ ਵੀ ਕਲਾਊਡ ਨੂੰ ਨਹੀਂ ਛੂਹਦੇ।
ਟੈਕਸਟ, ਕੋਡ, ਚਿੱਤਰ, ਆਡੀਓ ਅਤੇ ਵੀਡੀਓ ਲਈ ਇੱਕ ਮਾਡਲ
EmbeddingGemma 2 ਦੀ ਸਿਰਲੇਖ ਸਮਰੱਥਾ ਮੂਲ ਮਲਟੀਮੋਡੈਲਿਟੀ ਹੈ। ਪ੍ਰਤੀ ਮੋਡੈਲਿਟੀ ਲਈ ਵੱਖਰੇ ਏਨਕੋਡਰ ਚਲਾਉਣ ਅਤੇ ਨਤੀਜੇ ਇਕੱਠੇ ਸਿਲਾਈ ਕਰਨ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਟੈਕਸਟ, ਕੋਡ, ਚਿੱਤਰ, ਵੀਡੀਓ, ਅਤੇ ਆਡੀਓ ਦੇ ਸੰਜੋਗਾਂ ਨੂੰ ਇੱਕ ਸਾਂਝੀ ਥਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। Google ਦੀਆਂ ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸਵਾਲ ਦੇ ਤੌਰ 'ਤੇ ਵੌਇਸ ਮੀਮੋ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਖਾਸ ਵੀਡੀਓ ਕਲਿੱਪ ਲੱਭਣਾ, ਜਾਂ ਟੈਕਸਟ ਪ੍ਰੋਂਪਟ ਨਾਲ ਔਡੀਓ ਰਿਕਾਰਡਿੰਗ ਦੇ ਘੰਟਿਆਂ ਦੀ ਖੋਜ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ, ਇਹ ਸਭ ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ 'ਤੇ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਦੁਆਰਾ ਸੰਸਾਧਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।
ਆਰਕੀਟੈਕਚਰ ਮਾਡਿਊਲਰ ਹੈ। ਟੈਕਸਟ-ਓਨਲੀ ਕੋਰ ਲਈ 270 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਵਿਕਲਪਿਕ ਦ੍ਰਿਸ਼ਟੀ (170 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰ) ਅਤੇ ਆਡੀਓ (300 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰ) ਏਨਕੋਡਰ ਪੂਰੇ ਮਲਟੀਮੋਡਲ ਸਮਰਥਨ ਨੂੰ ਜੋੜਦੇ ਹੋਏ। ਇਸ ਲਈ ਡਿਵੈਲਪਰ ਅੱਜ ਇੱਕ ਸੰਖੇਪ ਟੈਕਸਟ ਏਮਬੇਡਰ ਨੂੰ ਤੈਨਾਤ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਮਾਡਲ ਪਰਿਵਾਰਾਂ ਨੂੰ ਬਦਲੇ ਬਿਨਾਂ ਪੂਰੀ ਮਲਟੀਮੋਡਲ ਪ੍ਰਾਪਤੀ ਵਿੱਚ ਵਧ ਸਕਦੇ ਹਨ।
ਬੈਂਚਮਾਰਕ ਨਤੀਜੇ ਅਤੇ ਸਟੋਰੇਜ ਕੁਸ਼ਲਤਾ
ਗੂਗਲ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ ਕਿ ਏਮਬੇਡਿੰਗਗੇਮਾ 2 ਬੈਂਚਮਾਰਕਸ 'ਤੇ ਸਬ-1ਬੀ ਮਲਟੀਮੋਡਲ ਏਮਬੇਡਰਾਂ ਦੇ ਵਿਚਕਾਰ ਮੋਹਰੀ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ MTEB (ਮੈਸਿਵ ਟੈਕਸਟ ਏਮਬੈਡਿੰਗ ਬੈਂਚਮਾਰਕ) ਕੋਡ ਅਤੇ MAEB (ਮੈਸਿਵ ਆਡੀਓ ਏਮਬੈਡਿੰਗ ਬੈਂਚਮਾਰਕ) ਸ਼ਾਮਲ ਹਨ, ਜਦੋਂ ਕਿ ਟੈਕਸਟ, ਵਿਜ਼ਨ, ਅਤੇ ਆਡੀਓ ਟਾਸਕ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਵੱਡੇ ਮਾਡਲਾਂ ਦਾ ਮੇਲ ਜਾਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹੋਏ। ਸਭ ਤੋਂ ਠੋਸ ਲਾਭ ਕੋਡ ਵਿੱਚ ਹੈ: MTEB ਕੋਡ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ 68.76 ਤੋਂ 78.68 ਤੱਕ 9.92 ਪੁਆਇੰਟਾਂ ਦੀ ਛਾਲ ਮਾਰ ਗਈ, ਜੋ ਕਿ ਗੂਗਲ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਸਥਾਨਕ ਕੋਡਬੇਸ ਇੰਡੈਕਸਿੰਗ, ਅਰਥ ਕੋਡ ਖੋਜ, ਅਤੇ ਕੋਡਿੰਗ ਏਜੰਟ ਮੁੜ ਪ੍ਰਾਪਤੀ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ। ਚਿੱਤਰ, ਵੀਡੀਓ, ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਆਡੀਓ ਵਿੱਚ, ਕੰਪਨੀ ਉਪ-1B ਮਾਡਲਾਂ ਲਈ ਗੁਣਵੱਤਾ-ਪ੍ਰਤੀ-ਪੈਰਾਮੀਟਰ ਵਿੱਚ ਇੱਕ ਨਵੇਂ ਮਿਆਰ ਦਾ ਦਾਅਵਾ ਕਰਦੀ ਹੈ, ਇਹ ਕਹਿੰਦੀ ਹੈ ਕਿ ਇਹ ਕੁਝ ਮਾਹਰ ਮਾਡਲਾਂ ਨੂੰ ਇਸਦੇ ਆਕਾਰ ਤੋਂ ਦੁੱਗਣੇ ਤੋਂ ਵੀ ਵੱਧ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੀ ਹੈ।
ਸਟੋਰੇਜ ਕੁਸ਼ਲਤਾ ਮੈਟਰੀਓਸ਼ਕਾ ਪ੍ਰਤੀਨਿਧਤਾ ਸਿਖਲਾਈ (MRL) ਤੋਂ ਆਉਂਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਵੈਕਟਰਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ 768 ਅਯਾਮਾਂ ਤੋਂ ਘਟਾ ਕੇ 512, 256, ਜਾਂ 128 ਅਯਾਮਾਂ ਤੱਕ ਘਟਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਸਥਾਨਕ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਅਤੇ ਮੈਮੋਰੀ ਵਰਤੋਂ ਲਈ 6x ਸਟੋਰੇਜ ਕਮੀ ਤੱਕ ਪਹੁੰਚਾਉਂਦਾ ਹੈ। ਫ਼ੋਨਾਂ ਜਾਂ ਏਮਬੈਡਡ ਹਾਰਡਵੇਅਰ 'ਤੇ ਮੁੜ ਪ੍ਰਾਪਤੀ ਚਲਾਉਣ ਵਾਲੇ ਡਿਵੈਲਪਰਾਂ ਲਈ, ਇਹ ਅੰਤਰ ਅਕਸਰ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਕੋਈ ਵਿਸ਼ੇਸ਼ਤਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸ਼ਿਪਿੰਗ ਕਰਦੀ ਹੈ।
ਤੰਗ ਹਾਰਡਵੇਅਰ ਬਜਟ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ
ਆਨ-ਡਿਵਾਈਸ ਫੁਟਪ੍ਰਿੰਟ ਮਾਡਲ ਦਾ ਮੁੱਖ ਵਿਕਰੀ ਬਿੰਦੂ ਹੈ। ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਦੇ ਨਾਲ, ਗੂਗਲ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ ਕਿ ਏਮਬੇਡਿੰਗਗੇਮਾ 2 ਨੂੰ ਸਿਰਫ ਟੈਕਸਟ-ਵਜ਼ਨ ਲਈ ਲਗਭਗ 191MB ਸਰਗਰਮ ਰੈਮ ਅਤੇ Google Pixel 11 ਪ੍ਰੋ 'ਤੇ ਪੂਰੇ ਮਲਟੀਮੋਡਲ ਮਾਡਲ ਲਈ ਲਗਭਗ 567MB ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸੰਦਰਭ ਵਿੰਡੋ ਵੀ 8,000 ਟੋਕਨਾਂ ਤੱਕ ਵਧ ਗਈ ਹੈ, ਜੋ ਕਿ ਏਮਬੇਡਿੰਗਗੇਮਾ 1 ਤੋਂ ਚਾਰ ਗੁਣਾ ਵੱਡਾ ਹੈ, 5.5 ਮਿੰਟਾਂ ਤੱਕ ਆਡੀਓ, 29 ਚਿੱਤਰਾਂ, ਜਾਂ 58 ਵੀਡੀਓ ਫਰੇਮਾਂ ਨੂੰ ਸਿੰਗਲ ਪਾਸ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਹੈ, ਜਾਂ ਇਸਦੇ ਇੰਟਰਲੀਵਡ ਸੰਜੋਗ।
ਕਿਉਂਕਿ ਮਾਡਲ ਆਪਣੇ ਟੈਕਸਟ ਟੋਕਨਾਈਜ਼ਰ ਅਤੇ ਆਡੀਓ ਏਨਕੋਡਰ ਨੂੰ Gemma 4 ਨਾਲ ਸਾਂਝਾ ਕਰਦਾ ਹੈ, ਡਿਵੈਲਪਰ ਏਮਬੇਡਿੰਗਗੇਮਾ 2 ਨੂੰ Gemma 4 ਦੇ ਨਾਲ ਇੱਕ ਯੂਨੀਫਾਈਡ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਇੱਕ ਹੇਠਲੇ ਸੰਯੁਕਤ ਮੈਮੋਰੀ ਫੁਟਪ੍ਰਿੰਟ ਨਾਲ ਚਲਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਔਨ-ਡਿਵਾਈਸ RAG ਨੂੰ ਸਮਰੱਥ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਿੱਥੇ ਮੁੜ ਪ੍ਰਾਪਤੀ ਅਤੇ ਪੀੜ੍ਹੀ ਦੋਵੇਂ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਹੁੰਦੇ ਹਨ। ਗੂਗਲ ਇਸ ਨੂੰ ਆਪਣੀ AI Edge Foresight ਐਪ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ, Gemma 4 ਪ੍ਰਸੰਗਿਕ ਤਰਕ ਦੇ ਨਾਲ ਸਥਾਨਕ ਫਾਈਲ ਪ੍ਰਾਪਤੀ ਨੂੰ ਜੋੜਦਾ ਹੈ।
ਟੂਲਿੰਗ ਅਤੇ ਉਪਲਬਧਤਾ
ਮਾਡਲ ਗੂਗਲ ਦੇ ਏਆਈ ਐਜ ਟੂਲਿੰਗ ਦੁਆਰਾ ਉਪਲਬਧ ਹੈ। ਗੂਗਲ ਏਆਈ ਐਜ ਗੈਲਰੀ ਐਪ ਤਤਕਾਲ ਮੀਡੀਆ ਖੋਜ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ, ਜੋ ਟੈਕਸਟ ਜਾਂ ਚਿੱਤਰ ਪ੍ਰਸ਼ਨਾਂ ਤੋਂ ਅਰਥਪੂਰਨ ਸਮਾਨਤਾ ਦੁਆਰਾ ਲਾਇਬ੍ਰੇਰੀ ਮੇਲ ਲੱਭਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਵੀਡੀਓ ਮੋਮੈਂਟਸ ਫਾਈਂਡਰ ਜੋ ਟੈਕਸਟ ਜਾਂ ਆਡੀਓ ਪੁੱਛਗਿੱਛਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਖਾਸ ਦ੍ਰਿਸ਼ਾਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦੀ ਹੈ। ਰੀਅਲ-ਟਾਈਮ ਵਰਗੀਕਰਣ, ਰੂਟਿੰਗ, ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਵਰਤੋਂ ਦੇ ਕੇਸ ਮੀਡੀਆਪਾਈਪ ਡਿਸੀਜ਼ਨ ਟਾਸਕ API ਦੁਆਰਾ ਪ੍ਰਗਟ ਕੀਤੇ ਗਏ ਹਨ, ਅਤੇ Google ਦੇ AI Edge ਬਲੌਗ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ LiteRT ਨਾਲ ਔਨ-ਡਿਵਾਈਸ ਖੋਜ ਅਤੇ RAG ਸਿਸਟਮ ਕਿਵੇਂ ਬਣਾਉਣਾ ਹੈ। ਮਾਡਲ ਕਾਰਡ ਵਿੱਚ ਪੂਰੇ ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕਸ ਉਪਲਬਧ ਹਨ।
ਆਨ-ਡਿਵਾਈਸ ਏਮਬੈਡਿੰਗ ਕਿਉਂ ਜ਼ਰੂਰੀ ਹੈ
ਏਮਬੈਡਿੰਗ ਮਾਡਲ ਘੱਟ ਹੀ ਸੁਰਖੀਆਂ ਬਣਾਉਂਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਫਰੰਟੀਅਰ ਚੈਟ ਮਾਡਲ ਕਰਦੇ ਹਨ, ਪਰ ਉਹ ਸਭ ਤੋਂ ਵਿਹਾਰਕ AI ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਹੇਠਾਂ ਬੈਠਦੇ ਹਨ: ਅਰਥ ਖੋਜ, ਸਿਫ਼ਾਰਿਸ਼, ਡੀਡੁਪਲੀਕੇਸ਼ਨ, ਵਰਗੀਕਰਨ, ਅਤੇ RAG ਲਈ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨਾ। ਉਹਨਾਂ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਉਣਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਲੇਟੈਂਸੀ ਕੈਲਕੂਲਸ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਡੇਟਾ ਕਦੇ ਵੀ ਡਿਵਾਈਸ ਨੂੰ ਨਹੀਂ ਛੱਡਦਾ, ਸਵਾਲ ਔਫਲਾਈਨ ਕੰਮ ਕਰਦੇ ਹਨ, ਅਤੇ ਕੋਈ ਪ੍ਰਤੀ-ਕਾਲ API ਲਾਗਤ ਨਹੀਂ ਹੈ, ਜੋ ਅਰਬਾਂ ਏਮਬੈਡਡ ਡਿਵਾਈਸਾਂ ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ।
EmbeddingGemma 2 ਕੁਸ਼ਲ ਓਪਨ-ਮਾਡਲ ਸਪੇਸ ਵਿੱਚ ਮੁਕਾਬਲੇ ਨੂੰ ਵੀ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ Google, Meta, Mistral, ਅਤੇ ਛੋਟੀਆਂ ਲੈਬਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਇਹ ਸਾਬਤ ਕਰਨ ਲਈ ਦੌੜ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਉਪਯੋਗੀ AI ਇੱਕ ਡਾਟਾ ਸੈਂਟਰ ਤੋਂ ਬਿਨਾਂ ਚੱਲ ਸਕਦਾ ਹੈ। ਇੱਕ 740M-ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਇੱਕ ਫੋਨ 'ਤੇ ਪੰਜ ਰੂਪਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਉਸ ਦੌੜ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਰਕਰ ਹੈ। ਜੇਕਰ ਇਸਦੇ ਪੂਰਵਵਰਤੀ ਦਾ ਡਾਊਨਲੋਡ ਟ੍ਰੈਜੈਕਟਰੀ ਕੋਈ ਸੰਕੇਤ ਹੈ, ਤਾਂ ਆਉਣ ਵਾਲੇ ਮਹੀਨਿਆਂ ਵਿੱਚ EmbeddingGemma 2 ਦੇ ਮੋਬਾਈਲ ਅਤੇ ਕਿਨਾਰੇ ਉਤਪਾਦਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਦਿਖਾਉਣ ਦੀ ਉਮੀਦ ਕਰੋ।
AI ਕਰਵ ਤੋਂ ਅੱਗੇ ਰਹੋ
ਔਨ-ਡਿਵਾਈਸ AI ਬਹੁਤੇ ਲੋਕਾਂ ਦੇ ਅਹਿਸਾਸ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧ ਰਿਹਾ ਹੈ। aibuzzwire.news 'ਤੇ ਨਵੀਨਤਮ AI ਖਬਰਾਂ ਪੜ੍ਹੋ ਹਰ ਵੱਡੇ ਮਾਡਲ ਲਾਂਚ, ਬੈਂਚਮਾਰਕ, ਅਤੇ ਡਿਵੈਲਪਰ ਟੂਲ ਰੀਲੀਜ਼ ਦੀ ਕਵਰੇਜ ਲਈ।
ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →
