ਇੱਕ ਦੋ-ਵਿਅਕਤੀ ਖੋਜ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨੇ ਲਗਭਗ $21,000 ਲਈ ਇੱਕ ਟੈਕਸਟ-ਟੂ-ਇਮੇਜ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ — ਅਤੇ ਇਸਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਨਜ਼ੂਰ ਲਾਇਸੰਸ ਦੇ ਅਧੀਨ ਜਾਰੀ ਕੀਤਾ ਹੈ। ਲਿਨਮ, ਸਹਿ-ਸੀਈਓਜ਼ ਸਾਹਿਲ ਚੋਪੜਾ ਅਤੇ ਮਨੂ ਚੋਪੜਾ ਦੁਆਰਾ ਸਥਾਪਿਤ, ਨੇ 4 ਨਵੰਬਰ ਨੂੰ ਤਕਨੀਕੀ ਫੀਲਡ-ਨੋਟਸ ਪੋਸਟ ਵਿੱਚ ਨਤੀਜੇ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ, ਇੱਕ 2-ਬਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ Pixel-JiT (P-JiT) ਮਾਡਲ ਦਾ ਵੇਰਵਾ ਦਿੰਦੇ ਹੋਏ 660 ਮਿਲੀਅਨ ਨਮੂਨਿਆਂ 'ਤੇ ਵੱਡੇ ਵੀਡੀਓ ਮਾਡਲ ਦੇ ਸੰਕਲਪ ਦੇ ਸਬੂਤ ਵਜੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ। ਮਾਡਲ ਕੋਡ ਅਤੇ ਵਜ਼ਨ ਦੋਵੇਂ ਹੀ Apache 2.0 ਦੇ ਤਹਿਤ ਉਪਲਬਧ ਹਨ, ਇੱਕ ਲਾਇਸੰਸ ਜੋ ਬਿਨਾਂ ਕਿਸੇ ਪਾਬੰਦੀ ਦੇ ਵਪਾਰਕ ਵਰਤੋਂ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਹ ਬਹਿਸ ਵਿੱਚ ਇੱਕ ਸ਼ਾਨਦਾਰ ਡਾਟਾ ਬਿੰਦੂ ਹੈ ਕਿ ਅਸਲ ਵਿੱਚ ਫਰੰਟੀਅਰ-ਗੁਣਵੱਤਾ ਵਾਲੀ AI ਖੋਜ ਦੀ ਕਿੰਨੀ ਕੀਮਤ ਹੈ, ਇੱਕ ਵਿਸ਼ਾ ਜੋ ਅਸੀਂ ਆਪਣੇ AI ਖੋਜ ਕਵਰੇਜ ਵਿੱਚ ਅਪਣਾਉਂਦੇ ਹਾਂ।
VAE ਨੂੰ ਕਿਉਂ ਛੱਡਿਆ?
ਜ਼ਿਆਦਾਤਰ ਆਧੁਨਿਕ ਚਿੱਤਰ-ਜਨਰੇਸ਼ਨ ਪਾਈਪਲਾਈਨਾਂ ਇੱਕ ਵੱਖਰੇ ਵੇਰੀਏਸ਼ਨਲ ਆਟੋਐਨਕੋਡਰ (VAE) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਚਿੱਤਰਾਂ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਦੀਆਂ ਹਨ: VAE ਇੱਕ ਚਿੱਤਰ ਨੂੰ ਇੱਕ ਸੰਖੇਪ ਗੁਪਤ ਸਪੇਸ ਵਿੱਚ ਨਿਚੋੜਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਪ੍ਰਸਾਰ ਮਾਡਲ ਉਸ ਸੰਕੁਚਿਤ ਸਪੇਸ ਦੇ ਅੰਦਰ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਲਿਨਮ ਦੀ ਟੀਮ ਦਲੀਲ ਦਿੰਦੀ ਹੈ ਕਿ ਮਜ਼ਦੂਰੀ ਦੀ ਇਸ ਵੰਡ ਨੇ ਇੱਕ ਹੱਦ ਨੂੰ ਮਾਰਿਆ ਹੈ। ਉਹਨਾਂ ਦੇ ਲਿਖਣ-ਅਪ ਵਿੱਚ, ਉਹ ਨੋਟ ਕਰਦੇ ਹਨ ਕਿ VAEs "ਸੰਕੁਚਨ ਦੀ ਮਾਤਰਾ 'ਤੇ ਇੱਕ ਅਨੁਭਵੀ ਸੀਮਾ ਜਾਪਦਾ ਹੈ ਜੋ ਉਹ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ," ਕਿ ਕੰਪਰੈਸ਼ਨ ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਲਈ ਰਵਾਇਤੀ ਢਾਂਚੇ ਲਈ ਮਹੱਤਵਪੂਰਨ ਸਰਜਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਇੱਕ VAE ਦੇ ਪੁਨਰ ਨਿਰਮਾਣ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ ਅਸਲ ਵਿੱਚ ਡਾਊਨਸਟ੍ਰੀਮ ਫੈਲਾਅ ਮਾਡਲ ਦੀਆਂ ਪੀੜ੍ਹੀਆਂ ਨੂੰ ਵਿਗਾੜ ਸਕਦਾ ਹੈ।
ਉਨ੍ਹਾਂ ਦਾ ਜਵਾਬ VAE ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਹਟਾਉਣਾ ਹੈ। P-JiT ਇੱਕ ਪਿਕਸਲ-ਸਪੇਸ ਮਾਡਲ ਹੈ — ਪ੍ਰਸਾਰ ਮਾਡਲ ਸਿੱਧੇ ਪਿਕਸਲ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਉਸੇ ਸਮੇਂ ਸੰਕੁਚਿਤ ਅਤੇ ਉਤਪੰਨ ਕਰਨ ਲਈ, ਇਸਦੇ ਆਪਣੇ ਵਰਤੋਂ ਦੇ ਕੇਸ ਲਈ ਬਣਾਏ ਗਏ ਗੁਪਤ ਉਦੇਸ਼ ਨੂੰ ਸਿੱਖਦਾ ਹੈ। ਸ਼ਰਤ ਇਹ ਹੈ ਕਿ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਸਿਖਿਅਤ ਐਂਡ-ਟੂ-ਐਂਡ ਦੋ ਵਿਸ਼ੇਸ਼ ਨੈੱਟਵਰਕਾਂ ਵਿਚਕਾਰ ਹੈਂਡ-ਆਫ ਦੀ ਬਜਾਏ ਇੱਕੋ ਕੰਪਿਊਟ ਤੋਂ ਜ਼ਿਆਦਾ ਨਿਚੋੜ ਸਕਦਾ ਹੈ।
ਤਕਨੀਕੀ ਅਦਾਇਗੀ
ਆਰਕੀਟੈਕਚਰ ਦਾ ਨਾਮ ਇਸਦੇ ਪਿਰਾਮਿਡ-ਆਕਾਰ ਦੇ ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਜਿੱਥੇ ਜ਼ਿਆਦਾਤਰ ਮੌਜੂਦਾ ਮਾਡਲ — ਲਿਨਮ FLUX-2 ਨੂੰ ਇੱਕ ਖਾਸ ਉਦਾਹਰਣ ਵਜੋਂ ਦਰਸਾਉਂਦੇ ਹਨ — ਇੱਕ 16×16 ਟੋਕਨ ਕਟੌਤੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, P-JiT ਇੱਕ 32×32 ਟੋਕਨ ਕਟੌਤੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਪਹਿਲਾਂ ਇੱਕ 256×256 ਚਿੱਤਰ ਲਈ ਲੋੜੀਂਦੇ ਟੋਕਨ ਬਜਟ ਵਿੱਚ ਇੱਕ 512×512 ਚਿੱਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਧਿਆਨ ਦੇ ਸੰਦਰਭ ਵਿੰਡੋ ਵਿੱਚ 4× ਕਮੀ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ, ਅਤੇ ਧਿਆਨ ਬਿਲਕੁਲ O(n²) ਰੁਕਾਵਟ ਹੈ ਜੋ ਉਤਪੰਨ ਵੀਡੀਓ ਲਈ ਸਿਖਲਾਈ ਅਤੇ ਅਨੁਮਾਨ ਦੋਵਾਂ ਨੂੰ ਮਹਿੰਗਾ ਬਣਾਉਂਦਾ ਹੈ।
ਨਤੀਜੇ, ਟੀਮ ਦੇ ਆਪਣੇ ਮਾਪਾਂ ਦੁਆਰਾ: P-JiT ਲਿਨਮ v2 ਨਾਲੋਂ 11× ਘੱਟ ਨਮੂਨਿਆਂ ਵਿੱਚ ਕਨਵਰਜ ਕਰਦਾ ਹੈ, ਲੈਬ ਦਾ ਪਿਛਲਾ ਮਾਡਲ ਵਧੇਰੇ ਮਿਆਰੀ ਵਾਨ VAE ਪਲੱਸ ਡੀਆਈਟੀ ਪ੍ਰਸਾਰ ਵਿਅੰਜਨ 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਸੀ। $21K ਰਨ - 660 ਮਿਲੀਅਨ ਸਿਖਲਾਈ ਦੇ ਨਮੂਨੇ - ਨੇ ਇੱਕ ਮਾਡਲ ਤਿਆਰ ਕੀਤਾ ਜੋ ਟੀਮ ਇਸਦੇ ਆਕਾਰ ਦੇ ਕਾਰਨ ਹੈਰਾਨੀਜਨਕ ਤੌਰ 'ਤੇ ਸਮਰੱਥ ਦੱਸਦੀ ਹੈ।
$21K ਕੀ ਖਰੀਦਦਾ ਹੈ
ਰੀਲੀਜ਼ ਵਿੱਚ 249 ਨਮੂਨਾ ਚਿੱਤਰ ਉਹਨਾਂ ਦੇ ਪ੍ਰੋਂਪਟ ਦੇ ਨਾਲ ਸ਼ਾਮਲ ਹਨ, ਫੈਲੇ ਹੋਏ ਲੋਕ (57), ਜਾਨਵਰ (42), ਇਮਾਰਤਾਂ (20), ਉਤਪਾਦ (43), ਲੈਂਡਸਕੇਪ (19), ਅਤੇ ਸਟਾਈਲਾਈਜ਼ਡ ਰੈਂਡਰ (68)। ਟੀਮ ਸਥਿਤੀ ਬਾਰੇ ਸਪੱਸ਼ਟ ਹੈ: ਇਹ ਇੱਕ "ਪ੍ਰਯੋਗਾਤਮਕ ਰੀਲੀਜ਼" ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੇ ਅਸਲ ਟੀਚੇ ਵੱਲ ਇੱਕ "ਕਦਮ ਪੱਥਰ" ਹੈ, ਇੱਕ ਵੀਡੀਓ ਮਾਡਲ। ਨਮੂਨੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਆਰਕੀਟੈਕਚਰ ਸਥਿਰਤਾ ਨਾਲ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ ਅਤੇ ਰਵਾਇਤੀ ਸਿਖਲਾਈ ਬਜਟ ਦੇ ਇੱਕ ਹਿੱਸੇ 'ਤੇ ਇਕਸਾਰ ਚਿੱਤਰ ਬਣਾਉਂਦਾ ਹੈ, ਨਾ ਕਿ ਇਹ ਗੁਣਵੱਤਾ 'ਤੇ ਸਰਹੱਦੀ ਚਿੱਤਰ ਮਾਡਲਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ।
ਰਾਈਟ-ਅੱਪ ਇਸ ਗੱਲ ਲਈ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਕਿਵੇਂ ਟੀਮ ਨਤੀਜਿਆਂ ਦੇ ਨਾਲ ਅਸਫਲਤਾ ਮੋਡਾਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਦਿੰਦੀ ਹੈ। ਉਹ ਆਪਣੇ ਮਾਡਲ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਦਫ਼ਨਾਉਣ ਦੀ ਬਜਾਏ ਸਿੱਧੇ ਫੀਲਡ-ਨੋਟਸ ਪੋਸਟ ਵਿੱਚ ਗਿਣਦੇ ਹਨ, ਛੋਟੀਆਂ ਲੈਬਾਂ ਵਿੱਚ ਇੱਕ ਵਧਦੀ ਆਮ ਅਭਿਆਸ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਸਾਖ ਮਾਰਕੀਟਿੰਗ ਬਜਟ ਦੀ ਬਜਾਏ ਭਰੋਸੇਯੋਗਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਪੋਸਟ ਟੀਮ ਦੀ "ਰੋਡ ਟੂ ਲਿਨਮ v3" ਲੜੀ ਵਿੱਚ ਚੌਥੀ ਐਂਟਰੀ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਪੁਰਾਣੇ ਦੁਹਰਾਓ 'ਤੇ ਬਣ ਰਹੀ ਹੈ ਜਿੱਥੇ ਪਹਿਲਾਂ P-JiT ਆਰਕੀਟੈਕਚਰ ਦਾ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਸੀ - ਇੱਕ ਚੱਲ ਰਿਹਾ ਤਕਨੀਕੀ ਲੌਗ ਜੋ ਬਾਹਰੀ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਹਰੇਕ ਡਿਜ਼ਾਈਨ ਫੈਸਲੇ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਕੰਮ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ।
ਲਾਗਤ ਦੇ ਅੰਕੜੇ ਦੇ ਸੰਦਰਭ ਲਈ: ਲਿਨਮ ਦੇ $21K ਨੇ 2B-ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਦੀ 660-ਮਿਲੀਅਨ-ਨਮੂਨਾ ਸਿਖਲਾਈ ਲਈ ਗਣਨਾ ਨੂੰ ਕਵਰ ਕੀਤਾ। ਇਹ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਫਰੰਟੀਅਰ-ਲੈਬ ਬਜਟ ਨਾਲ ਤੁਲਨਾਯੋਗ ਨਹੀਂ ਹੈ, ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਅਧੂਰੀਆਂ ਦੌੜਾਂ 'ਤੇ ਡਾਟਾ ਪ੍ਰਾਪਤੀ, ਸਟਾਫਿੰਗ ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਫੈਲਾਉਂਦਾ ਹੈ। ਇਹ ਜੋ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ ਉਹ ਇੱਕ ਸਫਲ, ਖੁੱਲੇ ਤੌਰ 'ਤੇ ਦਸਤਾਵੇਜ਼ੀ ਸਿਖਲਾਈ ਦੀ ਸੀਮਤ ਲਾਗਤ ਹੈ - ਬਹੁਤ ਸਾਰੇ ਵਿਅਕਤੀਗਤ ਖੋਜਕਰਤਾ ਅਤੇ ਯੂਨੀਵਰਸਿਟੀ ਲੈਬ ਹੁਣ ਅਸਲ ਵਿੱਚ ਯੋਜਨਾ ਬਣਾ ਸਕਦੇ ਹਨ।
ਲਿਨਮ ਦੀ ਦੱਸੀ ਅਭਿਲਾਸ਼ਾ ਰਚਨਾਤਮਕ ਸਾਧਨ ਹਨ ਜੋ ਐਨੀਮੇਸ਼ਨ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਜਮਹੂਰੀਅਤ ਬਣਾਉਂਦੇ ਹਨ। ਅੱਜ ਦੇ ਜਨਰੇਟਿਵ ਵੀਡੀਓ ਦੀ ਟੀਮ ਦੀ ਆਲੋਚਨਾ ਇਹ ਹੈ ਕਿ ਇਹ ਬਹੁਤ ਹੌਲੀ ਅਤੇ ਮਹਿੰਗਾ ਹੈ, ਅਤੇ ਇਸ ਵਿੱਚ ਵਧੀਆ ਨਿਯੰਤਰਣਾਂ ਦੀ ਘਾਟ ਹੈ - ਇੱਕ ਸੁਮੇਲ ਉਹ ਦਲੀਲ ਦਿੰਦੇ ਹਨ ਕਿ ਇਸਨੂੰ "ਕਹਾਣੀ ਸੁਣਾਉਣ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਬੇਕਾਰ" ਰੈਂਡਰ ਕਰਦਾ ਹੈ, ਕਿਉਂਕਿ ਰਚਨਾਤਮਕ ਕੰਮ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਦੁਹਰਾਉਣ ਵਾਲਾ ਹੁੰਦਾ ਹੈ: ਤੁਸੀਂ ਬਣਾਉਂਦੇ ਹੋ, ਤੁਸੀਂ ਟਵੀਕ ਕਰਦੇ ਹੋ, ਤੁਸੀਂ ਬਿਹਤਰ ਹੋ ਜਾਂਦੇ ਹੋ। ਸਸਤੀ ਸਿਖਲਾਈ ਅਤੇ ਤੇਜ਼ ਅਨੁਮਾਨ, ਉਹਨਾਂ ਦੇ ਫਰੇਮਿੰਗ ਵਿੱਚ, ਵੀਡੀਓ ਬਣਾਉਣ ਲਈ ਪੂਰਵ ਸ਼ਰਤ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਇੱਕ ਸੰਪਾਦਨ ਵਰਕਫਲੋ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ।
ਛੋਟੀਆਂ ਲੈਬ, ਵੱਡੇ ਸਿਗਨਲ
ਇੱਥੇ ਪ੍ਰਦਰਸ਼ਿਤ ਅਰਥ ਸ਼ਾਸਤਰ ਇੱਕ ਸ਼ੁਰੂਆਤ ਤੋਂ ਪਰੇ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ। ਸਿਖਲਾਈ ਦੀਆਂ ਦੌੜਾਂ ਜੋ ਇੱਕ ਵਾਰ ਫੀਲਡ ਦੀ ਸਰਹੱਦ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੀਆਂ ਸਨ - ਲੱਖਾਂ ਡਾਲਰਾਂ ਵਿੱਚ ਮਾਪੀਆਂ ਜਾਂਦੀਆਂ ਸਨ - ਹੁਣ ਇੱਕ ਆਮ ਸੀਨੀਅਰ ਇੰਜੀਨੀਅਰ ਦੀ ਸਾਲਾਨਾ ਤਨਖਾਹ ਤੋਂ ਘੱਟ ਖਰਚ ਕਰਨ ਵਾਲੀਆਂ ਦੋ ਟੀਮਾਂ ਦੁਆਰਾ, ਤੰਗ ਡੋਮੇਨਾਂ ਵਿੱਚ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ। ਇਸ ਪੈਮਾਨੇ 'ਤੇ ਓਪਨ-ਵੇਟ ਰੀਲੀਜ਼ ਸੁਤੰਤਰ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਸੰਸਥਾਗਤ ਸਮਰਥਨ ਦੇ ਬਿਨਾਂ ਉਤਪਾਦਨ-ਗਰੇਡ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਆਡਿਟ ਕਰਨ, ਵਧੀਆ-ਟਿਊਨ ਕਰਨ ਅਤੇ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
ਚੇਤਾਵਨੀਆਂ ਬਿਆਨ ਕਰਨ ਲਈ ਨਿਰਪੱਖ ਹਨ: ਇੱਕ 2B ਟੈਕਸਟ-ਟੂ-ਇਮੇਜ ਮਾਡਲ ਚਿੱਤਰ ਗੁਣਵੱਤਾ ਦੀ ਸਰਹੱਦ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹੈ, ਅਤੇ ਲਿਨਮ ਦੇ ਕਨਵਰਜੈਂਸ ਦਾਅਵੇ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਬੈਂਚਮਾਰਕ ਦੀ ਬਜਾਏ ਸਵੈ-ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਹਨ। ਪਰ ਰੀਲੀਜ਼ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪ੍ਰਜਨਨਯੋਗ ਹੈ - ਅਪਾਚੇ 2.0 ਦੇ ਅਧੀਨ ਕੋਡ ਅਤੇ ਵਜ਼ਨ - ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕੋਈ ਵੀ ਸ਼ੱਕੀ ਦਾਅਵਿਆਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਾਪ ਸਕਦਾ ਹੈ। ਇਹ, ਕਿਸੇ ਵੀ ਸਿੰਗਲ ਬੈਂਚਮਾਰਕ ਤੋਂ ਵੱਧ, ਉਹ ਹੈ ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਛੋਟੀਆਂ-ਲੈਬ ਰੀਲੀਜ਼ਾਂ ਨੂੰ ਦੇਖਣ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ: ਸਬੂਤ ਡਾਊਨਲੋਡ ਕਰਨ ਯੋਗ ਹੈ.
AI ਤੋਂ ਅੱਗੇ ਰਹੋ
ਖੋਜ ਜਿਸ ਨੂੰ ਪਹਿਲਾਂ ਕਾਰਪੋਰੇਟ ਲੈਬ ਦੀ ਲੋੜ ਹੁੰਦੀ ਸੀ ਹੁਣ ਕ੍ਰੈਡਿਟ ਕਾਰਡ 'ਤੇ ਫਿੱਟ ਹੈ। ਸਾਡੀਆਂ AI ਖੋਜ ਖਬਰਾਂ ਵਿੱਚ ਹਰ ਸਫਲਤਾ ਨੂੰ ਟਰੈਕ ਕਰੋ।
ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →
