ਅਨਸਲੋਥ, ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਅਤੇ ਵਧੀਆ-ਟਿਊਨਿੰਗ ਕਰਨ ਲਈ ਕੁਝ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਟੂਲ ਦੇ ਪਿੱਛੇ ਓਪਨ-ਸਰੋਤ ਟੀਮ, ਨੇ ਡਾਇਨਾਮਿਕ 3.0 ਜਾਰੀ ਕੀਤਾ ਹੈ, GGUF ਮਾਡਲ ਫਾਈਲਾਂ ਲਈ ਇਸਦੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਵਿਧੀ ਦੀ ਤੀਜੀ ਪੀੜ੍ਹੀ। ਨਵੀਂ ਸਕੀਮ ਅਧੀਨ ਭੇਜੇ ਜਾਣ ਵਾਲੇ ਪਹਿਲੇ ਮਾਡਲ Qwen3.8-27B ਦੀ ਮਾਤਰਾ ਹਨ, ਅਤੇ ਅਨਸਲੋਥ ਦਾ ਦਾਅਵਾ ਹੈ ਕਿ ਉਹ ਹਰੇਕ ਦੂਜੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਦਾਤਾ ਦੇ ਮੁਕਾਬਲੇ ਇੱਕੋ ਫਾਈਲ ਆਕਾਰ 'ਤੇ 10 ਪ੍ਰਤੀਸ਼ਤ ਤੋਂ ਵੱਧ ਬਿਹਤਰ ਚੋਟੀ-1 ਪ੍ਰਤੀਸ਼ਤ ਸ਼ੁੱਧਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਰੀਲੀਜ਼ ਤੇਜ਼ੀ ਨਾਲ ਹੈਕਰ ਨਿਊਜ਼ ਦੇ ਪਹਿਲੇ ਪੰਨੇ 'ਤੇ ਪਹੁੰਚ ਗਈ, ਜਿੱਥੇ ਸਥਾਨਕ-ਮਾਡਲ ਦੇ ਉਤਸ਼ਾਹੀਆਂ ਨੇ ਬੈਂਚਮਾਰਕ ਚਾਰਟ ਨੂੰ ਵੱਖ ਕੀਤਾ। ਇਹ ਪ੍ਰੋਜੈਕਟ ਲਈ ਕਮਾਲ ਦੇ ਟ੍ਰੈਕਸ਼ਨ ਦੇ ਵਿਚਕਾਰ ਪਹੁੰਚਦਾ ਹੈ: ਅਨਸਲੋਥ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਮਾਡਲ ਦੇ ਰਿਲੀਜ਼ ਹੋਣ ਤੋਂ ਪੰਜ ਦਿਨਾਂ ਵਿੱਚ ਇਸਦੇ Qwen3.8 ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨਾਂ ਨੂੰ 5.1 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਵਾਰ ਡਾਊਨਲੋਡ ਕੀਤਾ ਗਿਆ ਸੀ। For more context on this story, see our ongoing latest AI developments.

ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਗੁਣਵੱਤਾ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ

ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਮਾਡਲ ਦੇ ਫਾਈਲ ਆਕਾਰ ਨੂੰ ਘੱਟ ਸ਼ੁੱਧਤਾ 'ਤੇ ਇਸ ਦੇ ਵਜ਼ਨ ਨੂੰ ਸਟੋਰ ਕਰਕੇ ਸੁੰਗੜਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਉਪਭੋਗਤਾ GPUs ਅਤੇ ਲੈਪਟਾਪਾਂ 'ਤੇ ਵੱਡੇ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣਾ ਸੰਭਵ ਹੋ ਜਾਂਦਾ ਹੈ। ਟਰੇਡ-ਆਫ ਹਮੇਸ਼ਾ ਸ਼ੁੱਧਤਾ ਰਿਹਾ ਹੈ: ਭਾਰੀ-ਹੱਥੀ ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਆਊਟਪੁੱਟ ਨੂੰ ਅਜਿਹੇ ਤਰੀਕਿਆਂ ਨਾਲ ਘਟਾਉਂਦੀ ਹੈ ਜਿਸ ਨਾਲ ਆਮ ਬੈਂਚਮਾਰਕ ਖੁੰਝ ਸਕਦੇ ਹਨ। ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚੱਲ ਰਹੇ ਮਾੱਡਲਾਂ ਲਈ - ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਲੈ ਕੇ ਮਹਿੰਗੇ ਕਲਾਉਡ API ਪਹੁੰਚ ਵਾਲੇ ਖੇਤਰਾਂ ਦੇ ਉਪਭੋਗਤਾਵਾਂ ਤੱਕ - ਏਜੰਟ ਵਰਕਫਲੋ ਦੀ ਜਾਂਚ ਕਰਨ ਵਾਲੇ - ਕੁਆਂਟ ਕੁਆਲਿਟੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਕਿਹੜੇ ਮਾਡਲ ਬਿਲਕੁਲ ਵਰਤੋਂ ਯੋਗ ਹਨ।

ਡਾਇਨਾਮਿਕ 3.0 ਉਸ ਟਰੇਡ-ਆਫ ਲਈ ਅਨਸਲੋਥ ਦਾ ਜਵਾਬ ਹੈ। ਟੀਮ ਦੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਅਨੁਸਾਰ, ਨਵੀਂ ਰੀਲੀਜ਼ "ਡਾਈਵਰਜੈਂਸ-300 @32 ਅਤੇ ਕੇਐਲ ਡਾਇਵਰਜੈਂਸ ਵਰਗੇ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਮਜ਼ਬੂਤ ​​ਨਤੀਜਿਆਂ ਦੇ ਨਾਲ, ਇੱਕੋ ਆਕਾਰ ਨੂੰ ਰੱਖਦੇ ਹੋਏ ਹੋਰ ਮਾਡਲ ਗੁਣਵੱਤਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੀ ਹੈ।"

ਸੰਸਕਰਣ 3.0 ਵਿੱਚ ਕੀ ਬਦਲਿਆ ਹੈ

ਕਾਰਜਪ੍ਰਣਾਲੀ ਦੇ ਅੱਪਗਰੇਡ ਨੌਟੰਕੀ ਦੀ ਬਜਾਏ ਦਾਣੇਦਾਰ ਹਨ। ਅਨਸਲੋਥ ਕਹਿੰਦਾ ਹੈ ਕਿ ਇਹ ਹੁਣ ਇੱਕ ਬਹੁਤ ਉੱਚ-ਗੁਣਵੱਤਾ ਮਹੱਤਵ-ਮੈਟ੍ਰਿਕਸ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਵਿਭਿੰਨ ਸਰੋਤਾਂ ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਏਜੰਟ ਕੋਡਿੰਗ, ਚੈਟ ਅਤੇ ਬਹੁ-ਭਾਸ਼ਾਈ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸੁਧਾਰਿਆ ਗਿਆ ਹੈ। ਪਰਤ ਦੀ ਚੋਣ - ਇਹ ਫੈਸਲਾ ਕਰਨ ਲਈ ਕਿ ਮਾਡਲ ਦੇ ਕਿਹੜੇ ਹਿੱਸੇ ਸਭ ਤੋਂ ਸਖ਼ਤ ਹੁੰਦੇ ਹਨ - ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਗੁਣਵੱਤਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਲਈ ਵਾਧੂ ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਨੂੰ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ।

ਖਾਸ ਤੌਰ 'ਤੇ, ਟੀਮ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ ਕਿ ਸਭ ਕੁਝ ਪੋਸਟ-ਟ੍ਰੇਨਿੰਗ ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਕੋਈ ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ-ਜਾਗਰੂਕ ਸਿਖਲਾਈ ਅਤੇ ਕੋਈ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ-ਜਾਗਰੂਕ ਡਿਸਟਿਲੇਸ਼ਨ ਨਹੀਂ। ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਡੇਟਾਸੈਟ ਨੂੰ ਖੁਦ ਸਿਖਲਾਈ ਨਹੀਂ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਇਮੇਟ੍ਰਿਕਸ ਫਾਈਲ ਨੂੰ ਜਨਤਕ ਤੌਰ 'ਤੇ ਜਾਰੀ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਕਮਿਊਨਿਟੀ ਕੰਮ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰ ਸਕੇ ਜਾਂ ਇਸਦੇ ਸਿਖਰ 'ਤੇ ਵਧੀਆ ਧੁਨ ਬਣਾ ਸਕੇ।

ਖਾਸ ਮਾਤਰਾ ਦੇ ਪੱਧਰ ਵਿਹਾਰਕ ਪ੍ਰਭਾਵ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। UD-Q2_K_XL ਮਾਤਰਾ, 9.83 GB 'ਤੇ, ਉਸ ਆਕਾਰ 'ਤੇ ਅਗਲੇ-ਵਧੀਆ ਵਿਕਲਪ ਨਾਲੋਂ ਸਿਖਰ-1 ਪ੍ਰਤੀਸ਼ਤ ਮੀਟ੍ਰਿਕ 'ਤੇ ਲਗਭਗ 8 ਪ੍ਰਤੀਸ਼ਤ ਜ਼ਿਆਦਾ ਸਟੀਕ ਦੱਸਿਆ ਗਿਆ ਹੈ। ਇੱਕ ਅਨੌਪਚਾਰਿਕ ਟੈਸਟ ਅਨਸਲੋਥ ਹਾਈਲਾਈਟਸ ਵਿੱਚ, ਉਸ ਕੁਆਂਟ ਨੇ ਇੱਕ ਛੋਟੇ ਜਾਵਾ ਸਕ੍ਰਿਪਟ ਬੱਗ ਨਾਲ ਇੱਕ ਕਾਰਜਸ਼ੀਲ HTML ਪ੍ਰੋਗਰਾਮ ਤਿਆਰ ਕੀਤਾ - ਆਉਟਪੁੱਟ ਜੋ ਸਮਾਨ ਆਕਾਰ ਦੀਆਂ ਮਾਤਰਾਵਾਂ ਦੀਆਂ ਪਿਛਲੀਆਂ ਪੀੜ੍ਹੀਆਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਟੁੱਟ ਗਈਆਂ ਹੋਣਗੀਆਂ।

ਬਹੁਤ ਨੀਵੇਂ ਸਿਰੇ 'ਤੇ, ਇੱਕ UD-IQ1_S ਕੁਆਂਟ ਮਾਡਲ ਨੂੰ 6.2 GB ਵਿੱਚ ਨਿਚੋੜ ਦਿੰਦਾ ਹੈ - ਅਸਲ ਨਾਲੋਂ 89 ਪ੍ਰਤੀਸ਼ਤ ਛੋਟਾ - ਜਦੋਂ ਕਿ ਸਿਖਰ-1 ਪ੍ਰਤੀਸ਼ਤ ਸ਼ੁੱਧਤਾ ਦੇ ਲਗਭਗ 72 ਪ੍ਰਤੀਸ਼ਤ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ। ਅਨਸਲੋਥ ਨੇ ਲਗਭਗ 500 MB ਡਿਸਕ ਸਪੇਸ ਦੀ ਬਚਤ ਕਰਨ ਲਈ 8.37 GB ਤੋਂ ਘੱਟ ਮਾਤਰਾਵਾਂ ਤੋਂ ਮਲਟੀ-ਟੋਕਨ-ਪੂਰਵ-ਅਨੁਮਾਨ ਮੋਡੀਊਲ ਨੂੰ ਵੀ ਹਟਾ ਦਿੱਤਾ ਹੈ, ਮੋਡਿਊਲ ਉਹਨਾਂ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਹੈ ਜੋ ਇਸਨੂੰ ਚਾਹੁੰਦੇ ਹਨ।

ਇੱਕ ਔਖਾ ਬੈਂਚਮਾਰਕ, ਸਿਰਫ਼ ਇੱਕ ਦੋਸਤਾਨਾ ਨਹੀਂ

ਸ਼ਾਇਦ ਘੋਸ਼ਣਾ ਦਾ ਵਧੇਰੇ ਨਤੀਜਾਕਾਰੀ ਹਿੱਸਾ ਵਿਧੀਗਤ ਹੈ। ਅਨਸਲੋਥ ਦਲੀਲ ਦਿੰਦਾ ਹੈ ਕਿ ਸਿਖਰ-1 ਪ੍ਰਤੀਸ਼ਤ ਸ਼ੁੱਧਤਾ - ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਇੱਕ ਸਿੰਗਲ-ਪੂਰਵ-ਅਨੁਮਾਨ ਆਰਗਮੈਕਸ ਟੈਸਟ - ਅਸਲ ਅਨੁਮਾਨ ਗੁਣਵੱਤਾ ਦਾ ਇੱਕ ਪ੍ਰਭਾਵੀ ਗੇਜ ਨਹੀਂ ਹੈ। ਬੈਂਚਮਾਰਕ ਓਵਰਫਿਟਿੰਗ ਦਾ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ, ਟੀਮ ਨੇ Divergence-300 @32 ਬਣਾਇਆ: ਟਰਮੀਨਲ-ਬੈਂਚ 2.1, DeepSWE, ਹਾਰਬਰ, MathArena 2025-26, ਅਤੇ ਗੈਰ-ਲਾਤੀਨੀ ਲੰਬੇ-ਦਸਤਾਵੇਜ਼ ਪ੍ਰੋਂਪਟ ਤੋਂ ਖਿੱਚੀਆਂ ਗਈਆਂ 300 ਉਦਾਹਰਣਾਂ ਦਾ ਇੱਕ ਹੋਲਡ-ਆਊਟ ਡੇਟਾਸੈਟ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਕੈਲੀਬਰੇਸ਼ਨ ਵਿੱਚ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ।

ਮੈਟ੍ਰਿਕ 32 ਟੋਕਨਾਂ ਲਈ ਲਾਲਚੀ ਡੀਕੋਡਿੰਗ ਚਲਾਉਂਦਾ ਹੈ ਅਤੇ ਇਹ ਮਾਪਦਾ ਹੈ ਕਿ ਹਰੇਕ ਕੁਆਂਟ ਦੀ ਆਉਟਪੁੱਟ ਟ੍ਰੈਜੈਕਟਰੀ ਅਸਲ BF16 ਮਾਡਲ ਦੇ ਨਾਲ ਕਿੰਨੀ ਨਜ਼ਦੀਕੀ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ — ਨਜ਼ਦੀਕੀ ਟ੍ਰੈਜੈਕਟਰੀ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕੁਆਂਟ ਮਲਟੀ-ਟੋਕਨ ਜਨਰੇਸ਼ਨ ਉੱਤੇ ਪੂਰੇ ਮਾਡਲ ਵਾਂਗ ਵਿਵਹਾਰ ਕਰਦੀ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨਾਂ 'ਤੇ। ਸਾਰੇ ਪ੍ਰਦਾਤਾਵਾਂ ਵਿੱਚ ਚੱਲਦੇ KL ਡਾਇਵਰਜੈਂਸ ਬੈਂਚਮਾਰਕ ਅਨਸਲੋਥ ਦੇ UD-3 ਮਾਤਰਾਵਾਂ ਨੂੰ ਛੋਟੇ ਆਕਾਰਾਂ 'ਤੇ ਸਭ ਤੋਂ ਵੱਧ ਲਾਭਾਂ ਦੇ ਨਾਲ ਬਰਾਬਰ ਡਿਸਕ ਸਪੇਸ 'ਤੇ 10 ਪ੍ਰਤੀਸ਼ਤ ਵਾਧੂ ਸਿਖਰ-1 ਪ੍ਰਤੀਸ਼ਤ ਸ਼ੁੱਧਤਾ ਦਿਖਾਉਂਦੇ ਹਨ।

ਟੀਮ ਨੇ ਅਣਦੇਖੇ ਵਿਕੀਟੈਕਸਟ ਅਤੇ ਕੋਡ 'ਤੇ ਇਸਦੀਆਂ ਪੁਰਾਣੀਆਂ ਡਾਇਨਾਮਿਕ 2.0 ਰੀਲੀਜ਼ਾਂ ਦੇ ਵਿਰੁੱਧ ਨਵੀਂ ਮਾਤਰਾਵਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹੋਏ ਇੱਕ ਓਵਰਫਿਟਿੰਗ ਵਿਸ਼ਲੇਸ਼ਣ ਵੀ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ, ਅਤੇ ਕਿਹਾ ਕਿ ਇਹ ਵੱਡੀ ਮਾਤਰਾ ਦੇ ਆਕਾਰਾਂ 'ਤੇ ਦੁਹਰਾਉਂਦਾ ਰਹੇਗਾ ਜਿੱਥੇ ਲਾਭ ਵਧੇਰੇ ਮਾਮੂਲੀ ਸਨ।

ਟ੍ਰੈਕ ਰਿਕਾਰਡ ਅਤੇ ਚੇਤਾਵਨੀਆਂ

ਅਨਸਲੋਥ ਨੇ ਮਾਡਲ ਵਿਕਰੇਤਾਵਾਂ ਦੇ ਨਾਲ ਸਿੱਧੇ ਸਹਿਯੋਗ ਦੁਆਰਾ ਸਥਾਨਕ-ਮਾਡਲ ਭਾਈਚਾਰੇ ਵਿੱਚ ਭਰੋਸੇਯੋਗਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੈ — ਟੀਮ Qwen3, Meta's Llama 4, Mistral's Devstral, Google's Gemma ਸੀਰੀਜ਼, ਅਤੇ Microsoft ਦੇ Phi ਮਾਡਲਾਂ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲੇ ਫਿਕਸਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਦੀ ਹੈ, ਜਿਸ ਨੇ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਤਾਜ਼ਾ ਵੇਟ ਬਗਸ ਨੂੰ ਹੱਲ ਕੀਤਾ ਹੈ।

ਆਮ ਚੇਤਾਵਨੀ ਲਾਗੂ ਹੁੰਦੀ ਹੈ: ਇਹ ਵਿਕਰੇਤਾ ਦੁਆਰਾ ਚਲਾਏ ਗਏ ਬੈਂਚਮਾਰਕ ਹਨ, ਅਤੇ ਵਿਰੋਧੀ ਕੁਆਂਟਾਇਜ਼ਰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਮਾਪਦੇ ਹਨ। ਪਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਫਾਈਲਾਂ ਦੀ ਰਿਲੀਜ਼, ਹੋਲਡ-ਆਊਟ ਮੁਲਾਂਕਣ ਸੈੱਟ, ਅਤੇ ਪ੍ਰਤੀ-ਮਾਤਰ ਵਿਭਿੰਨਤਾ ਡੇਟਾ ਸੁਤੰਤਰ ਤਸਦੀਕ ਨੂੰ ਅਸਧਾਰਨ ਤੌਰ 'ਤੇ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ - ਅਤੇ ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਬਿਲਕੁਲ ਉਹੀ ਹੈ ਜਿਸ ਨੇ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਸਥਾਨਕ LLM ਈਕੋਸਿਸਟਮ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਰੱਖਿਆ ਹੈ ਕਿਉਂਕਿ ਇਹ ਮੁੱਖ ਧਾਰਾ ਦੀ ਵਰਤੋਂ ਵੱਲ ਵਧਦਾ ਹੈ।

ਸਥਾਨਕ ਹਾਰਡਵੇਅਰ 'ਤੇ Qwen3.8 ਜਾਂ ਕਿਸੇ ਵੀ ਫਰੰਟੀਅਰ ਓਪਨ-ਵੇਟ ਮਾਡਲ ਨੂੰ ਚਲਾਉਣ ਵਾਲੇ ਡਿਵੈਲਪਰਾਂ ਲਈ, ਡਾਇਨਾਮਿਕ 3.0 ਰੀਲੀਜ਼ ਪ੍ਰਭਾਵੀ ਢੰਗ ਨਾਲ ਫਲੋਰ ਨੂੰ ਉੱਚਾ ਚੁੱਕਦਾ ਹੈ ਕਿ ਇੱਕ ਕੁਆਂਟਾਈਜ਼ਡ ਮਾਡਲ ਕੀ ਕਰ ਸਕਦਾ ਹੈ - ਅਤੇ ਉਸੇ ਕਠੋਰਤਾ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਲਈ ਹਰ ਦੂਜੇ ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਦਾਤਾ 'ਤੇ ਦਬਾਅ ਪਾਉਂਦਾ ਹੈ।

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →