Xiaomi MiMo V2.5-ஐ அறிமுகப்படுத்தியுள்ளது. இது ஆடியோ, படங்கள் மற்றும் வீடியோக்களை இயல்பான டோக்கன்களாக (native tokens) கையாளும் ஒரு 'open-weight' மல்டிமோடல் மாடல் ஆகும். இது 1.05 மில்லியன் டோக்கன்கள் கொண்ட 'context window'-ஐ வழங்குகிறது. இதன் விலை விவரங்களின்படி, ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு (input tokens) $0.14 மற்றும் ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு (output tokens) $0.28 என நிர்ணயிக்கப்பட்டுள்ளது. இந்த விலை அமைப்பு, நீண்ட நேரக் கூட்டங்கள் அல்லது வீடியோ ஸ்ட்ரீம்களை ஒரே ப்ராம்ப்ட்டில் (prompt) இயக்குவதை சாத்தியமாக்குகிறது.

“open-weight” ஏன் முக்கியமானது?

பெரும்பாலான மல்டிமோடல் AI-கள் தனித்தனி முன்முனைப் பகுதிகளை (front-ends) இணைக்கின்றன: ஒரு speech-to-text எஞ்சின், ஒரு image-captioning மாடல், பின்னர் அதன் மூலம் கிடைக்கும் உரையை ஒரு பெரிய மொழி மாதிரியில் (LLM) செலுத்துகின்றன. LLM-ஆல் மூலமான அலைவரிசை (raw waveform) அல்லது பிக்சல் தரவுகளைப் பார்க்க முடியாது என்பதால், குரல் தொனி, இடைவெளிகள் அல்லது சைகைகள் போன்ற நுணுக்கங்கள் விடுபடக்கூடும். Xiaomi நிறுவனம், MiMo V2.5 ஆடியோ மற்றும் வீடியோவை நேரடியாக உள்வாங்கி, அதன் கால அளவு, தொனி மற்றும் காட்சித் தகவல்களைப் பாதுகாப்பதாகக் கூறுகிறது. கோட்பாட்டளவில், இது ஒரு தொலைபேசி அழைப்பில் வரும் பெருமூச்சைத் கண்டறியவோ, ஒரு வைட்போர்டில் வரையப்படும் வரைபடத்தைப் பின்தொடரவோ அல்லது இடைநிலைத் தரவு மாற்றங்கள் (transcription) இன்றி ஒரே நேரத்தில் பேசும் நபர்களை வேறுபடுத்தி அறியவோ உதவும்.

இந்த மாடலின் எடைகள் (weights) பகிரங்கமாக வெளியிடப்படுவதால், நிறுவனங்கள் இதனைத் தங்களின் சொந்த சர்வர்களிலேயே (on-premise) பதிவிறக்கம் செய்து இயக்க முடியும். இது மூல ஊடகத் தரவுகளை (raw media) கிளவுட் API-களுக்கு அனுப்பும் வழக்கத்தைத் தவிர்க்கிறது; சுகாதாரம் மற்றும் நிதி போன்ற ஒழுங்குமுறை கட்டுப்பாடுகள் கொண்ட துறைகள் இத்தகைய நடவடிக்கைகளை எடுக்கத் தயங்குவதையோ அல்லது தடை செய்யப்படுவதையோ இது தவிர்க்க உதவும்.

முக்கிய தொழில்நுட்பத் தரவுகள்

  • Context window: 1.05 மில்லியன் டோக்கன்கள், இது பல மணிநேரக் கூட்டத்தையோ அல்லது முழு நீள ஆவணப்படத்தையோ ஒரே கோரிக்கையில் (request) ഉൾபடுத்துவதற்கு போதுமானது.
  • Pricing: ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு $0.14, ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு $0.28.
  • Modalities: ஆடியோ, படம், வீடியோ மற்றும் நிலையான உரை கையாளுதல் (text handling).

இதன் மிகப்பெரிய context window தான் அனைவரின் கவனத்தையும் ஈர்க்கிறது. பாரம்பரிய LLM-கள் சில ஆயிரம் டோக்கன்களில் நின்றுவிடுகின்றன, இதனால் டெவலப்பர்கள் நீண்ட பதிவுகளைத் துண்டுகளாகப் பிரிக்கவோ அல்லது வீடியோக்களைச் சிறிய கிளிப்களாகப் பிரிக்கவோ வேண்டிய கட்டாயம் ஏற்படுகிறது. MiMo V2.5 மூலம், ஒரு நீண்ட நேரக் கூட்டத்தை துண்டுகளாகப் பிரிக்காமல் ஒரே ப்ராம்ப்ட்டில் கையாள முடியும்.

உரை எஞ்சினைப் (text engine) பற்றிய நேரடிப் பார்வை

ஆடியோ மற்றும் வீடியோ வழிமுறைகள் (pipelines) இன்னும் சுயாதீனமாகச் சோதிக்கப்படவில்லை என்றாலும், இதன் உரை மையப்பகுதி (text core) ஒரு விரைவான சோதனையில் தேர்ச்சி பெற்றுள்ளது:

  • Coding: இந்த மாடல் ஒரு பாரம்பரிய “merge intervals” சிக்கலைத் தீர்த்து, O(n log n) சிக்கல்தன்மை கொண்ட ஒரு அல்காரிதத்தை உருவாக்கியது, இதன் மூலம் அல்காரிதமிக் கட்டுப்பாடுகளைப் புரிந்துகொள்ளும் திறனை அது வெளிப்படுத்தியது.
  • Reasoning: இது ஒரு பல படிநிலை கணிதச் சிக்கலுக்கு நான்கு தெளிவான கணக்கீடுகள் மூலம் விடையளித்தது, இதன் மூலம் chain-of-thought திறனை நிரூபித்தது.
  • Structured output: ஒரு இன்வாய்ஸ் (invoice) படத்தின் விளக்கத்தைக் கொடுத்தபோது, அது வரிசைப் பொருட்கள் (line items), மொத்தத் தொகை மற்றும் தேதிகளுடன் சரியாக வடிவமைக்கப்பட்ட JSON பொருளை (object) வெளியிட்டது.

ஒரு வலுவான உரை அடிப்படை முக்கியமானது, ஏனெனில் அதே transformer architecture தான் மல்டிமோடல் பாதைகளுக்கும் அடிப்படையாக உள்ளது. மொழியியல் பகுதி தடுமாறினால், ஆடியோ அல்லது வீடியோத் தகவல்களை ஒருங்கிணைக்கும் மாடலின் திறன் மட்டுப்படுத்தப்படும்.

தனியுரிமைக்கு முன்னுரிமை அளிக்கும் பயன்பாட்டு முறைகள்

மூல ஊடகத் தரவுகளைத் தங்களின் உள்ளகத்திலேயே வைத்திருக்க வேண்டிய நிறுவனங்கள், பின்வருவனவற்றிற்காக ஒரே ஒரு சுய-வழிகாட்டுதல் (self-hosted) கட்டமைப்பைக் கற்பனை செய்து கொள்ளலாம்:

  • Meeting intelligence: பதிவுகளை மூன்றாம் தரப்பு சேவைக்கு அனுப்பாமல், கூட்டங்களின் சுருக்கம், செயல்பாட்டுத் திட்டங்களை எடுத்தல் (action-item extraction), பேசுபவரை அடையாளம் காணுதல் மற்றும் உணர்வுப் பகுப்பாய்வு (sentiment analysis) செய்தல்.
  • Call analytics: நிகழ்நேரத்தில் (real time) மன அழுத்தம், விரக்தி அல்லது இணக்கச் சார்ந்த முக்கிய வார்த்தைகளைக் கண்டறிதல்.
  • Voice interfaces: குரல் தொனியைப் புரிந்துகொண்டு, அதற்கு ஏற்ற குரல் ஏற்ற இறக்கங்களுடன் பதிலளிக்கக்கூடிய சாட்பாட்களை (chatbots) உருவாக்குதல்.
  • Video analysis: வெபினார்களின் போது சைகைகள், ஸ்லைடு மாற்றங்கள் அல்லது திரையில் வரையப்படும் வரைபடங்களை அடையாளம் காணுதல்.

மூன்று தனித்தனி விற்பனையாளர் தீர்வுகளுக்குப் பதிலாக ஒரே ஒரு மாடலைப் பயன்படுத்துவது, ஒருங்கிணைப்புச் செலவைக் குறைப்பதோடு தரவு கசிவுப் புள்ளிகளையும் (data-leakage points) குறைக்கிறது.

எச்சரிக்கைகள் மற்றும் சரிபார்க்க வேண்டியவை

ஆடியோ மற்றும் வீடியோ திறன்கள் உற்பத்தியாளரின் கூற்றுகளாகவே உள்ளன; இதுவரை எந்தச் சுயாதீன அளவீடுகளும் வெளியிடப்படவில்லை. ஆர்வமுள்ள பயனர்கள், பயன்பாட்டுப் பணிகளில் (production workloads) ஈடுபடுவதற்கு முன், முறையான தரவுத் தொகுப்புகளைக் கொண்டு தமக்கெனச் சோதனைகளைச் செய்து பார்க்க வேண்டும்.

விலை வெளிப்படையாக இருந்தாலும், அது டோக்கன் அடிப்படையில் கணக்கிடப்படுகிறது.

அடுத்து கவனிக்க வேண்டியவை

  • Benchmark releases: ஆடியோ/வீடியோ டோக்கனைசேஷன் தரம், தாமதம் (latency) மற்றும் மெமரி பயன்பாடு குறித்த மூன்றாம் தரப்பு மதிப்பீடுகள்.
  • Tooling ecosystem: MiMo V2.5-இல் நேரடியாகப் பயன்படுத்தக்கூடிய பிரபலமான ஆடியோ கோடெக்குகள் (codecs) மற்றும் வீடியோ கன்டெய்னர்களுக்கான திறந்த மூல அடாப்டர்கள் (open-source adapters).
  • Regulatory feedback: கிளவுட் API-களுடன் ஒப்பிடும்போது, சுய-வழிகாட்டுதல் (self-hosted) திறந்த எடை மாடல்களைத் தரவுப் பாதுகாப்பு ஒழுங்குமுறை அமைப்புகள் போதுமான பாதுகாப்பாகக் கருதுமா என்பது குறித்த கருத்துக்கள்.
  • Community contributions: இதன் எடைகள் பொதுப்படையாக இருப்பதால், சமூகம் இந்த மாடலை குறிப்பிட்ட துறைகளுக்காக (உதாரணமாக: மருத்துவக் குறிப்புகள், சட்ட ஆவணங்கள்) நுணுக்கமாகச் செம்மைப்படுத்த (fine-tune) வாய்ப்புள்ளது.

MiMo V2.5, உரையாடலை “மல்டிமோடல் பிணைப்பு” என்பதிலிருந்து, ஒரு நிறுவனத்தின் ஃபயர்வால் பாதுகாப்பிற்குள்ளேயே இயங்கக்கூடிய “மல்டிமோடல் மூளை” என்ற நிலைக்குக் கொண்டு செல்கிறது. இதன் ஓபன்-வெயிட் தன்மை, தனியுரிமைக்கு முக்கியத்துவம் அளிக்கும் நிறுவனங்களுக்கான தடைகளைக் குறைக்கிறது, ஆனால் வாக்குறுதி அளிக்கப்பட்ட ஆடியோ/வீடியோ துல்லியம் இன்னும் நிரூபிக்கப்பட வேண்டும். சுதந்திரமான சோதனைகள் இந்தத் தகவல்களை உறுதிப்படுத்தும் வரை, இந்த மாடலின் மிகப்பெரிய விற்பனை அம்சமாக அதன் பிரம்மாண்டமான கான்டெக்ஸ்ட் விண்டோ மற்றும் பல AI சேவைகளை ஒரே சுய-ஹோஸ்டட் ஸ்டாக்காக ஒருங்கிணைக்கும் சாத்தியக்கூறு மட்டுமே இருக்கும்.