കോഡിംഗിലും ചെലവ് കുറഞ്ഞ പ്രവർത്തനത്തിലും Meta-യുടെ Muse Spark 1.1 മുന്നേറുന്നു

ചിന്താശേഷിയിലും (reasoning) കാര്യക്ഷമതയിലും വലിയ മുന്നേറ്റം പ്രകടിപ്പിക്കുന്ന Muse Spark 1.1 പുറത്തിറക്കിക്കൊണ്ട്, ഉയർന്ന പ്രകടനശേഷിയുള്ള LLM-കളുടെ നിലവാരം Meta ഔദ്യോഗികമായി ഉയർത്തിയിരിക്കുകയാണ്. പ്രത്യേക കോഡിംഗ് ജോലികളിൽ നിലവിലുള്ള എതിരാളികളെ മറികടന്നുകൊണ്ട് തന്നെ കുറഞ്ഞ നിരക്കിൽ സേവനം നൽകുന്നതിലൂടെ, പ്രായോഗികവും ഡെവലപ്പർ കേന്ദ്രീകൃതവുമായ AI രംഗത്തെ ഒരു നേതാവായി മാറാനാണ് Meta ലക്ഷ്യമിടുന്നത്.

മികച്ച കോഡിംഗ് പ്രകടനവും ബുദ്ധിശക്തിയിലുള്ള വർദ്ധനവും

Artificial Analysis-ൽ നിന്നുള്ള സമീപകാല വിവരങ്ങൾ പ്രകാരം Muse Spark 1.1 അതിവേഗം വികസിച്ചുകൊണ്ടിരിക്കുകയാണ്. വെറും മൂന്ന് മാസത്തിനുള്ളിൽ, ഈ മോഡൽ Intelligence Index-ൽ എട്ട് പോയിന്റുകൾ ഉയർന്ന് നിലവിൽ 51 സ്കോറിലെത്തിയിരിക്കുന്നു. ഇത് GLM 5.2, GPT-5.4, GPT-5.6 Luna തുടങ്ങിയ പ്രമുഖ മോഡലുകൾക്ക് തുല്യമായ നിലവാരമാണ് നൽകുന്നത്.

കോഡിംഗിലും ഏജന്റ് അധിഷ്ഠിത അറിവ് ജോലികളിലുമാണ് (agent-based knowledge work) ഏറ്റവും ശ്രദ്ധേയമായ പുരോഗതി ഉണ്ടായിരിക്കുന്നത്. പ്രത്യേക കോഡിംഗ് ഇൻഡക്സിൽ (Coding Index), Muse Spark 1.1 71.3 സ്കോർ നേടി, ഇത് 68.8 സ്കോർ നേടിയ GLM 5.2-യെ ഫലപ്രദമായി മറികടക്കുന്നു. വ്യവസായ രംഗത്തെ മുൻനിരക്കാരായ GPT-5.6 Luna (71.4), GPT-5.6 Sol (77.4), Claude Fable 5 (76.5) എന്നിവയേക്കാൾ അല്പം പിന്നിലാണെങ്കിലും, ഈ മോഡലിന്റെ വേഗതയേറിയ വളർച്ച അത് മുൻനിര മോഡലുകളുമായുള്ള വ്യത്യാസം വളരെ വേഗത്തിൽ കുറച്ചുകൊണ്ടിരിക്കുന്നു എന്ന് സൂചിപ്പിക്കുന്നു.

ചെലവിലും ഹാലുസിനേഷൻ നിരക്കിലുമുള്ള വലിയ കുറവ്

ഡെവലപ്പർമാരെയും സ്ഥാപകരെയും സംബന്ധിച്ചിടത്തോളം, വിലയും പ്രകടനവും തമ്മിലുള്ള അനുപാതമാണ് (price-performance ratio) ഏറ്റവും പ്രധാനപ്പെട്ട അളവുകോൽ. ഒരു ടാസ്കിന് ഏകദേശം $0.26 മാത്രം ചെലവ് വരുന്നതിലൂടെ Muse Spark 1.1 വളരെ മികച്ച മൂല്യം വാഗ്ദാനം ചെയ്യുന്നു. ഇത് GLM-5.2 ($0.37)-യേക്കാൾ കുറഞ്ഞ നിരക്കിലും GPT-5.4 ($0.89)-യേക്കാൾ ഏകദേശം 70% കുറഞ്ഞ നിരക്കിലും ലഭ്യമാക്കുന്നു.

സാങ്കേതികമായ ഒപ്റ്റിമൈസേഷനിലൂടെയാണ് ഈ ചെലവ് കുറവ് സാധ്യമായത്. GLM-5.2-ക്ക് ആവശ്യമായ 141 മില്യൺ ഔട്ട്‌പുട്ട് ടോക്കണുകൾക്ക് പകരം Muse Spark 1.1 ഒരു ടാസ്കിന് 94 മില്യൺ ടോക്കണുകൾ മാത്രമേ ഉപയോഗിക്കുന്നുള്ളൂ. കൂടാതെ, വ്യവസായ രംഗത്തെ ഏറ്റവും വലിയ വെല്ലുവിളികളിലൊന്നായ വിശ്വാസ്യതയുടെ (reliability) പ്രശ്നം Meta പരിഹരിച്ചിട്ടുണ്ട്. മോഡലിന്റെ ഹാലുസിനേഷൻ നിരക്ക് (hallucination rate) 73%-ൽ നിന്ന് 38%-ലേക്ക് കുറച്ചു. തെറ്റായ വിവരങ്ങൾ നൽകുന്നതിന് പകരം, ഉറപ്പില്ലാത്ത ചോദ്യങ്ങൾക്ക് മറുപടി നൽകുന്നത് ഒഴിവാക്കി കൃത്യതയ്ക്ക് മുൻഗണന നൽകുന്ന രീതിയിലാണ് ഈ മോഡലിനെ പരിശീലിപ്പിച്ചിരിക്കുന്നത് എന്നത് ശ്രദ്ധേയമാണ്.

വിപുലമായ കോൺടെക്സ്റ്റ് വിപുലീകരണവും ലഭ്യതയും

ബുദ്ധിശക്തിയും ചെലവും കൂടാതെ, വലിയ തോതിലുള്ള ഡാറ്റ കൈകാര്യം ചെയ്യാനുള്ള മോഡലിന്റെ ശേഷി Meta ഗണ്യമായി വർദ്ധിപ്പിച്ചിട്ടുണ്ട്. Muse Spark 1.1-ന്റെ കോൺടെക്സ്റ്റ് വിൻഡോ (context window) നാല് മടങ്ങ് വർദ്ധിപ്പിച്ച് ഇപ്പോൾ പത്ത് ലക്ഷം (one million) ടോക്കണുകളിലേക്ക് എത്തിച്ചിരിക്കുന്നു. ഈ വിപുലീകരണം വഴി ഡെവലപ്പർമാർക്ക് മുഴുവൻ കോഡ്ബേസുകളോ വലിയ സാങ്കേതിക രേഖകളോ പ്രോംപ്റ്റിലേക്ക് നൽകാൻ സാധിക്കും, ഇത് സങ്കീർണ്ണമായ ദീർഘകാല ചിന്താപരമായ ജോലികൾക്ക് (long-form reasoning tasks) മികച്ചൊരു ഉപകരണമാക്കി ഇതിനെ മാറ്റുന്നു.

നിലവിൽ, Muse Spark 1.1 Meta-യുടെ സ്വന്തം API വഴി മാത്രമേ ലഭ്യമാകൂ. ഇത് അവരുടെ സ്വന്തം ഇൻഫ്രാസ്ട്രക്ചറിന് ചുറ്റും ഡെവലപ്പർ ഇക്കോസിസ്റ്റത്തെ ഒരുമിപ്പിക്കാനുള്ള തന്ത്രപരമായ നീക്കമാണ്.

AI രംഗത്ത് ഇതിന്റെ പ്രാധാന്യം എന്താണ്?

Muse Spark 1.1-ന്റെ പുറത്തിറങ്ങൽ, LLM രംഗത്തെ മത്സരത്തിന്റെ സ്വഭാവം "അമിതമായ വ്യാപ്തിയിൽ" (raw scale) നിന്ന് "പരിഷ്കരിച്ച കാര്യക്ഷമതയിലേക്ക്" (refined efficiency) മാറുന്നതിനെ സൂചിപ്പിക്കുന്നു. മികച്ച ടോക്കൺ മാനേജ്‌മെന്റിലൂടെയും കുറഞ്ഞ ഹാലുസിനേഷൻ നിരക്കിലൂടെയും, പരമ്പരാഗത മോഡലുകളെ അപേക്ഷിച്ച് വളരെ കുറഞ്ഞ ചെലവിൽ ഉയർന്ന നിലവാരമുള്ള കോഡിംഗ് ബുദ്ധിശക്തി നൽകാൻ ഒരു മോഡലിന് കഴിയുമെന്ന് Meta തെളിയിക്കുന്നു. വ്യവസായ രംഗത്തെ മൊത്തത്തിൽ നോക്കിയാൽ, "മൂല്യാധിഷ്ഠിത AI" (value-driven AI) എങ്ങനെയായിരിക്കണം എന്നതിന് ഇത് പുതിയൊരു മാനദണ്ഡം നിശ്ചയിക്കുന്നു.

പ്രധാന വിവരങ്ങൾ

  • കോഡിംഗ് മികവ്: Muse Spark 1.1 കോഡിംഗ് ഇൻഡക്സിൽ 71.3 സ്കോർ നേടി, ഇത് GLM-5.2 (68.8)-യെ മറികടക്കുകയും GPT-5.6 Luna-യുടെ പ്രകടനത്തിനടുത്ത് എത്തുകയും ചെയ്തു.
  • സാമ്പത്തിക കാര്യക്ഷമത: ഒരു ടാസ്കിന് $0.26 മാത്രം ചെലവ് വരുന്നതിലൂടെ, GLM-5.2, GPT-5.4 തുടങ്ങിയ എതിരാളികളേക്കാൾ ഈ മോഡൽ വളരെ ലാഭകരമാണ്.
  • സാങ്കേതിക പരിഷ്കാരങ്ങൾ: Meta കോൺടെക്സ്റ്റ് വിൻഡോ പത്ത് ലക്ഷം ടോക്കണുകളായി നാല് മടങ്ങ് വർദ്ധിപ്പിക്കുകയും ഹാലുസിനേഷൻ നിരക്ക് 73%-ൽ നിന്ന് 38%-ലേക്ക് കുറയ്ക്കുകയും ചെയ്തു.