चित्रण: tuput
मराठी
Google DeepMind सांगते की Gemini Decision 1 एक इनपुट आणि १,००० प्रश्नांपर्यंत घेऊन १५० ते २५० मिलिसेकंदांत प्रत्येक पर्यायासाठी संभाव्यता देते, प्रति दशलक्ष इनपुट टोकन $०.१० दराने. Artificial Analysis ही स्वतंत्र चाचणी संस्था १३ ऑक्टोबर २०२६ पासून या प्रकारच्या मॉडेलांना क्रमवारी देते, आणि तिची दुसरी आवृत्ती सांगितलेला आत्मविश्वास प्रामाणिक आहे का ते गुणांकित करते.
Google DeepMind ने ११ नोव्हेंबर २०२६ रोजी Gemini Decision 1 आणि Gemini Decisions API सादर केले. हे मॉडेल उत्तर शब्दाशब्दाने लिहीत नाही. गूगलच्या वर्णनानुसार ते “तुमचे उमेदवार पर्याय एकाच फॉरवर्ड पासमध्ये गुणांकित करते” आणि प्रत्येकासाठी संभाव्यता देते. एका विनंतीत मजकूर, प्रतिमा, ऑडिओ, व्हिडिओ किंवा २५६K टोकनपर्यंतच्या PDF यांच्या सामायिक इनपुटबद्दल १,००० स्वतंत्र प्रश्नांपर्यंत असू शकतात. गूगल सुरुवातीपासून शेवटपर्यंतचा वेळ १५० ते २५० मिलिसेकंद आणि किंमत प्रति दशलक्ष इनपुट टोकन $०.१० अशी नोंदवते, आउटपुट टोकनचे बिल नाही.
Gemini Decision 1 हे चाचणी संस्था Artificial Analysis ज्याला निर्णय मॉडेल म्हणते त्या वर्गातले आहे. १३ ऑक्टोबर २०२६ पासून या संस्थेने त्यांच्यासाठी सार्वजनिक निर्देशांक चालवला आहे, आणि ८ नोव्हेंबरला प्रसिद्ध झालेली त्याची दुसरी आवृत्ती मॉडेलचे उत्तर बरोबर आहे का, तसेच त्याचा सांगितलेला आत्मविश्वास विश्वासार्ह आहे का, हेही गुणांकित करते. ही मॉडेले काय करतात, निर्देशांक काय मोजतो आणि कोणते आकडे निर्मात्यांचे आहेत ते पुढे मांडले आहे.
संभाव्यता देणारी बहुपर्यायी चाचणी
Artificial Analysis ही कल्पना ग्राहकाच्या संदेशाने समजावते: “मदत करा! माझे पेमेंट ३ दिवस अयशस्वी होत आहेत आणि उद्या माझे भाडे द्यायचे आहे.” निर्णय मॉडेलला त्याबद्दल तीन प्रश्न दिले जातात: संदेश कोणत्या चमूकडे जावा (बिलिंग, तांत्रिक किंवा खाते), तो तातडीचा आहे का (होय किंवा नाही) आणि लिहिणारा किती अस्वस्थ आहे (शांत, निराश किंवा संतप्त). ते तिन्हींची उत्तरे एकाच कॉलमध्ये देते, प्रत्येक पर्यायासाठी संभाव्यतेसह. तेच काम दिलेले भाषा मॉडेल संरचित उत्तर लिहिते, ज्यात प्रत्येक प्रश्नाचे एक उत्तर असते, संभाव्यता जोडलेली नसते. ही भाषा मॉडेले कशी बनतात आणि ती एका वेळी एक शब्द का लिहितात यासाठी मोठे भाषा मॉडेल कसे प्रशिक्षित केले जाते हे पाहा.
गूगलचा API तीन प्रकारचे प्रश्न हाताळतो. होय/नाही प्रश्न एखादी अट खरी असण्याची संभाव्यता देतो. निवड प्रश्न २ ते २५५ पर्याय घेतो आणि विजेता तसेच प्रत्येक उमेदवारासाठी सामान्यीकृत संभाव्यता देतो. गुण प्रश्न इनपुटला क्रमबद्ध रुब्रिकवर तपासतो आणि भारित गुण आणि प्रत्येक स्तरासाठी संभाव्यता देतो. प्रत्येक उत्तरासोबत ० ते १ चे आत्मविश्वास मूल्य असते, “जेणेकरून तुमचा कोड संदिग्ध प्रकरणे पर्यायी व्यवस्थेकडे किंवा मानवी तपासनीसाकडे पाठवू शकेल”, पोस्टच्या शब्दांत.
गूगल स्वतःचे वापर सांगते. Gemini Notebook हा API राउटर म्हणून वापरतो, जो प्रत्येक क्वेरी एका मॉडेल स्तराकडे आणि विचार पातळीकडे पाठवतो, आणि गूगल सांगते की त्यामुळे रोजच्या क्वेरी ४०% पर्यंत कमी लेटन्सीने हाताळल्या जातात. १५० ते २५० मिलिसेकंदांचा आकडा १६K टोकनपर्यंतच्या संदर्भासाठी लागू होतो, असे पोस्ट सांगते. ते असेही सांगते की सामायिक इनपुटचे बिल प्रत्येक विनंतीला एकदाच लागते, कितीही प्रश्न विचारले तरी, आणि प्रत्येक प्रश्न फक्त स्वतःची सूचना आणि पर्यायांचा मजकूर जोडतो.
इतर निर्मात्यांकडून तीच कल्पना
Gemini Decision 1 अनेक स्पर्धकांच्या क्षेत्रात आले. Liquid AI ने ५ ऑक्टोबर २०२६ रोजी आपले d1 “आमचे पहिले निर्णय मॉडेल” म्हणून सादर केले, आता मजकूर आणि प्रतिमांना समर्थन देणारे. Liquid सांगते की ते प्रश्न एकाच फॉरवर्ड पासमध्ये वाचते, कोणतेही टोकन न बनवता संभाव्यता देते, आणि मजकूर निर्णयासाठी २०० ते ३०० मिलिसेकंद घेते. १६ नोव्हेंबरला तिने d1.2 आणि d1.2-ultra प्रसिद्ध केले, ज्यात ऑडिओ इनपुट आणि पाच नवी कामे जोडली गेली, जसे की बिलावरील मूल्य वाचणे, नोंदीतील प्रत्येक वैयक्तिक माहिती शोधणे, किंवा स्कॅन केलेल्या अर्जावरील सहीभोवती चौकट काढणे.
११ नोव्हेंबरला, गूगलच्या प्रकाशनाच्याच दिवशी, Subquadratic ने SubQ Snap 1.2 प्रसिद्ध केले. कंपनी त्याची किंमत प्रति दशलक्ष इनपुट टोकन $०.०४ सांगते, २५६K टोकनपर्यंतचे इनपुट हाताळते असे सांगते, आणि तिने LongDecisionBench प्रसिद्ध केले, म्हणजे नऊ दीर्घ-दस्तऐवज चाचण्या, ज्यांना ती खुल्या म्हणते आणि लवकरच GitHub आणि Hugging Face वर ठेवणार असल्याचे सांगते.
तोपर्यंत शैक्षणिक कामही सुरू झाले होते. डेलिप राव आणि ख्रिस कॅलिसन-बर्च यांचा २४ सप्टेंबर २०२६ रोजी प्रथम सादर झालेला शोधनिबंध दोन निर्णय मॉडेलांची, Jev आणि Perplexity चे Decider, लिखित उत्तरांचे परीक्षक म्हणून वापरलेल्या भाषा मॉडेलांशी तुलना करतो.
संभाव्यता हाच मुद्दा का
संभाव्यता तेव्हाच उपयोगी असते जेव्हा ती प्रामाणिक असते. मॉडेल ८०% म्हणते तेव्हा ते शंभरपैकी सुमारे ८० वेळा बरोबर असायला हवे. संशोधक याला कॅलिब्रेशन म्हणतात. गुओ आणि सहकाऱ्यांनी २०१७ मध्ये ICML परिषदेत नोंदवले की आधुनिक न्यूरल नेटवर्क, दशकभरापूर्वीच्या नेटवर्कांपेक्षा वेगळे, कमी कॅलिब्रेट आहेत, आणि तापमान मापन, म्हणजे एका आकड्याचे समायोजन, त्यांनी वापरलेल्या बहुतेक डेटासेटवर ही त्रुटी दूर करण्यात आश्चर्यकारकरीत्या प्रभावी ठरले. कदावथ आणि सहकाऱ्यांनी २०२२ मध्ये नोंदवले की मोठी भाषा मॉडेले बहुपर्यायी आणि खरे/खोटे प्रश्नांवर “योग्य स्वरूपात दिल्यावर” चांगली कॅलिब्रेट असतात.
Artificial Analysis व्यावहारिक वापर सांगते: निर्णय मॉडेलच्या उत्तरावर सहसा तेव्हा कृती केली जाते जेव्हा त्याचा आत्मविश्वास एका मर्यादेपलीकडे जातो, अन्यथा ते माणसाकडे किंवा अधिक सक्षम मॉडेलकडे दिले जाते. गूगल हाच नमुना वर्णन करते. “९०% खात्री” या खुणेचा अर्थ ९०% च्या जवळपास असेल तरच ही व्यवस्था चालते.
स्वतंत्र निर्देशांक काय मोजतो
Artificial Analysis ने १३ ऑक्टोबर २०२६ रोजी Decision Index v1.0 चार मूल्यमापनांसह सुरू केला, प्रत्येकाला २५% भार: AA-Omniscience-Decision (५०० खासगी प्रश्न, प्रत्येकाला चार उत्तरे आणि “मला माहीत नाही” पर्याय), HLE-MultiChoice (Humanity’s Last Exam मधील ५१३ केवळ-मजकूर बहुपर्यायी प्रश्न), When2Call (मॉडेलने उत्तर द्यावे, टूल कॉल करावा, अधिक माहिती मागावी की नकार द्यावा याची NVIDIA ची चाचणी) आणि WildGuardTest (Ai2 चा सुरक्षा वर्गीकरण संच). Jev 1.13 ५८ गुणांसह आघाडीवर होते, GLiDE आणि Microsoft-Decision-1 ५४ वर होते. खर्च प्रति दशलक्ष कामांसाठी $१७ ते $१९९ आणि मध्यक वेळ प्रति काम ०.०६ ते ०.५ सेकंद असा होता.
v1.0 च्या लेखाने असेही नोंदवले की प्रत्येक निर्णय मॉडेल अतिआत्मविश्वासी होते. जवळपास सर्व संभाव्यता पातळ्यांवर अचूकता मॉडेलने दिलेल्या संभाव्यतेपेक्षा कमी पडली, आणि Artificial Analysis ने या फरकाचे मुख्य कारण ज्ञान आणि रीझनिंग चाचण्यांत शोधले. टूल कॉलिंग आणि वर्गीकरणात बहुतेक तुलनेने चांगली कॅलिब्रेट होती. “मला माहीत नाही” पर्याय एआय हॅल्युसिनेशनवरील आमच्या स्पष्टीकरणात वर्णन केलेल्या समस्येशी जोडला जातो: चुकीचे असलेले मॉडेल अंदाज लावण्याऐवजी माहीत नाही असे किती वेळा म्हणते ते निर्देशांक मोजतो.
८ नोव्हेंबरला प्रसिद्ध झालेल्या आवृत्ती २ ने निर्देशांकाचा ४५% भाग खासगी डेटासेटवर नेला, पूर्वीच्या २५% वरून, जेणेकरून मॉडेल सार्वजनिक चाचण्यांसाठी ट्यून केली जाऊ नयेत. त्याने Decision Score जोडला. बरोबर उत्तराला ५० ते १०० आणि चुकीच्या उत्तराला ५० ते ० गुण मिळतात, आणि आत्मविश्वास प्रत्येक अर्ध्यात गुण हलवतो. एका मूल्यमापनात हा गुण ५० गुणिले (१ अधिक अचूकता वजा ब्रियर गुण) एवढा असतो, जिथे ब्रियर गुण म्हणजे दिलेली संभाव्यता आणि उत्तर बरोबर होते का यातील अंतराच्या वर्गाची सरासरी, आणि ० म्हणजे खात्रीशीर आणि नेहमी बरोबर.
या परिणामाचे एक उदाहरण संस्था देते. तिच्या नव्या AA-Paperclip चाचणीत, जो १,५०० बायोडेटा, पावत्या, बिले आणि संशोधन निबंधांचा खासगी संच आहे, Clef ३६% दस्तऐवज उत्तीर्ण करते आणि Celeris-1.1 Decision २४%, पण दोन्ही Decision Score वर बरोबरीचे आहेत कारण Celeris-1.1 Decision चा ब्रियर गुण चांगला आहे, ०.१५ विरुद्ध ०.२७.
आवृत्ती २ ने हेही दाखवले की किंमत यादी खर्च ठरवत नाही. निर्णय मॉडेलांमधील प्रति दशलक्ष कामांचा खर्च ६० पटींहून अधिक बदलला, Celeris-1.1 Decision साठी $१४ पासून Clef साठी $८५९ पर्यंत. Artificial Analysis सांगते की Drex Max v1.1 आणि Decider v1.2 सह बहुतेक निर्णय मॉडेले दस्तऐवजाच्या इनपुटचे बिल त्याच्या सर्व प्रश्नांसाठी एकदाच लावतात, तर GLiDE v1.2 प्रत्येक प्रश्नासाठी लावते. त्यामुळे GLiDE v1.2 चा खर्च $७८० आला, Drex Max v1.1 चा $१०२, जरी त्याची किंमत यादी फक्त ३३% जास्त होती.
पर्याय फेरमांडले तर उत्तर बदलते का
भाषा मॉडेलांची एक ज्ञात कमकुवतता म्हणजे क्रमाबद्दलची संवेदनशीलता. पेझेशकपूर आणि ह्रुश्का यांनी ऑगस्ट २०२३ मध्ये नोंदवले की उत्तर पर्यायांचा क्रम बदलल्यावर विविध बेंचमार्कवर कामगिरीत सुमारे १३% ते ७५% फरक पडला. वांग आणि सहकाऱ्यांनी मे २०२३ मध्ये नोंदवले की भाषा मॉडेल दोन उत्तरांचे परीक्षण करताना ती कोणत्या क्रमाने येतात ते बदलून क्रमवारी झुकवता येते. त्यांच्या सारांशातील एका उदाहरणात ChatGPT परीक्षक असताना Vicuna-13B ने ८० पैकी ६६ चाचणी क्वेरींमध्ये ChatGPT ला मागे टाकले.
निर्देशांकाची आवृत्ती २ हे AA-Symmetry ने तपासते: १२० मूळ प्रश्न आणि ४४० रूपे, ज्यात पर्यायांचा क्रम बदललेला, लेबले अदलाबदल केलेली आणि होय/नाही प्रश्न नकारात्मक केलेले असतात. Mammoth 27B ने ९९% प्रश्नांवर सर्व रूपांत तेच उत्तर निवडले, Drex Max v1.1 चे ९१%, GLiDE v1.2 चे ८८% आणि Clef चे ६७% यांच्या तुलनेत. Artificial Analysis सांगते की या चाचणीतील आघाडी माहीत नाही असे कबूल करण्याच्या उच्च दरामुळे आहे. तिचे पद्धतीचे पान नोंदवते की नोव्हेंबर २०२६ पासून वापरात असलेल्या आवृत्ती २.१ ने या चाचणीतील दोन रूप प्रकार बदलले.
Subquadratic स्वतःचे संबंधित मोजमाप नोंदवते. ६०० उपक्रम कार्यप्रवाह निर्णयांच्या सार्वजनिक संचावर, ती सांगते की पर्यायांचा क्रम बदलल्याने Snap 1.1, Jev 1.14 आणि d1-ultra साठी १२% ते २१% प्रश्नांवर प्रथम उत्तर बदलले. ती सांगते की Snap 1.2 अनुमानाच्या वेळी रचनात्मक बदल वापरते, जो अनेक बेंचमार्कवर “क्रमपरिवर्तन संवेदनशीलता जवळजवळ पूर्णपणे नाहीशी करतो”. हे कंपनीचे स्वतःच्या मॉडेलबद्दलचे म्हणणे आहे, तिच्या स्वतःच्या चाचण्यांवर मोजलेले.
१९ नोव्हेंबर २०२६ रोजी मॉडेले कुठे आहेत
Subquadratic ने ११ नोव्हेंबरला सांगितले की Snap 1.2 ने निर्देशांक v2.1 वर ७३ गुण मिळवले, “पहिल्या स्थानी बरोबरीत”. Liquid AI ने १६ नोव्हेंबरला सांगितले की d1.2-ultra ने ७५ गुण मिळवले, मागील सर्वोत्तम निर्णय मॉडेलपेक्षा दोन गुण पुढे. १९ नोव्हेंबरला वाचलेला Artificial Analysis च्या चालू v2.1 पानावरील क्रमवारीचा डेटा दोन्ही वृत्तांशी सुसंगत आहे. तक्ता पूर्णांकित निर्देशांक गुण देतो, प्रति दशलक्ष कामांचा खर्च आणि प्रति काम मध्यक वेळ पानावर दिल्याप्रमाणे.
| मॉडेल | निर्माता | Decision Index v2.1 | प्रति दशलक्ष कामांचा खर्च | प्रति काम वेळ |
|---|---|---|---|---|
| Claude Haiku 5.5 (Max), भाषा मॉडेल | Anthropic | ७६ | सुमारे $६,२१८ | सुमारे ३२.३ से |
| GPT-6 Luna (Max), भाषा मॉडेल | OpenAI | ७६ | सुमारे $१,५४८ | सुमारे ११.४ से |
| d1.2-ultra | Liquid AI | ७५ | सुमारे $१३३ | २१८ मिलिसेकंद |
| Drex Max v1.1 | Nace.AI | ७३ | सुमारे $१०३ | २८३ मिलिसेकंद |
| SubQ Snap 1.2 | Subquadratic | ७३ | सुमारे $१३७ | १६२ मिलिसेकंद |
| GLiDE v1.2 | Fastino | ७३ | सुमारे $७८० | २८४ मिलिसेकंद |
| Mammoth 27B | Base Labs | ७१ | सुमारे $२६४ | १०६ मिलिसेकंद |
| Gemini Decision 1 | ६६ | सुमारे $३४५ | २११ मिलिसेकंद |
Gemini Decision 1 या निर्देशांकावर ६६ वर आहे आणि प्रति काम मध्यक वेळ सुमारे २११ मिलिसेकंद आहे, यादीतील इतर निर्णय मॉडेलांच्याच टप्प्यात. गूगलच्या पोस्टनुसार एजंट राउटिंग, रीझनिंग, रँकिंग आणि बहुविध माध्यम आकलन व्यापणाऱ्या बेंचमार्कवर मॉडेल “संपूर्ण संचात आघाडीवर आहे, सर्वांत कमी कॅलिब्रेशन त्रुटीसह”. पोस्ट गुण देत नाही, आणि संच गूगलचा स्वतःचा आहे, त्यामुळे या दाव्याची Artificial Analysis च्या आकड्यांशी तुलना करता येत नाही. निर्देशांकाचे गुण आवृत्तीवरही अवलंबून असतात: ८ नोव्हेंबरच्या v2 लेखाने दोन भाषा मॉडेलांसाठी ७७ आणि ७६ आणि GPT-6 Luna (Max) साठी $१,५३० दिले, जे चालू v2.1 पानापेक्षा थोडे वेगळे आहे.
Liquid AI स्वतःचा एक कॅलिब्रेशन दावा जोडते. तिने तुलना केलेल्या पाचही मॉडेलांनी उत्तर दिलेल्या १३ बेंचमार्कमधील २२,५०५ प्रश्नांवर, ती d1.2-ultra साठी ०.८ गुणांची कॅलिब्रेशन त्रुटी नोंदवते, d1.2 साठी १.२, Jev 1.14 साठी २.७, Perplexity च्या Decider v1.3 साठी ३.७ आणि तिच्या Decisions API वरील GPT-6 Luna साठी ७.२ यांच्या तुलनेत. त्या Liquid च्या चाचण्या आहेत, निर्मात्याने चालवलेल्या, आणि पान स्वतंत्र पुनरावृत्तीचे वर्णन करत नाही.
पुरावा काय ठरवत नाही
निर्देशांकाच्या मर्यादा त्याची स्वतःची पाने सांगतात. त्याच्या सहा मूल्यमापनांपैकी एक, EvalSafe-O*NET-AA, च्या प्रश्नांना खरे उत्तर नाही: पद्धतीचे पान सांगते की संदर्भ उत्तर GPT-6 Astra आणि Claude Fable 5.1 या दोन भाषा मॉडेलांची सरासरी आहे, आणि ते फक्त ज्या प्रश्नांवर दोन्ही सहमत आहेत तेच ठेवते. खासगी डेटासेट ट्यूनिंगपासून संरक्षण करतात, आणि त्यामुळे वाचकांना बहुतेक प्रश्न पाहता येत नाहीत. क्रमवारींना अशा तपासणीची गरज का असते याच्या व्यापक संदर्भासाठी बेंचमार्कमधील त्रुटी आणि दूषणावरील आमचे पुनरावलोकन पाहा.
मुख्य आकड्यावर भाषा मॉडेले अजूनही आघाडीवर आहेत. AA-Paperclip वर Claude Haiku 5.5 (Max) ने v2 लेखात ९२% दस्तऐवज उत्तीर्ण केले, Drex Max v1.1 च्या ६३% विरुद्ध, तक्त्यातील खर्च आणि वेळेच्या फरकांसह. When2Call घटक एआय एजंट ज्यावर अवलंबून असतात ती टूल निवडण्याची पायरी तपासतो, आणि v1.0 मध्ये आघाडीच्या निर्णय मॉडेलांनी त्यावर ८४ गुण मिळवले, तर Low सेटिंगमध्ये तपासलेल्या दोन भाषा मॉडेलांनी ७७ आणि ७३.
Rao आणि Callison-Burch यांचा शोधनिबंध निर्णय मॉडेल परीक्षक म्हणून भाषा मॉडेलाची जागा किती घेऊ शकते ते तपासतो. त्याचा सारांश नोंदवतो की भाषा मॉडेल परीक्षकांना १६ ते ३५७ पट जास्त खर्च आला आणि ५ ते ३५० पट जास्त वेळ लागला, तरीही प्रत्येक निर्णय मॉडेल २७ पैकी जास्तीत जास्त ६ तुलनांमध्येच त्यांच्यापेक्षा लक्षणीयरीत्या मागे पडले. दोन्ही प्रकारच्या परीक्षकांनी सारख्याच चुका केल्या: तीन फ्लॅश-स्तरीय भाषा मॉडेल परीक्षकांच्या निर्णय मॉडेलच्या सर्वांत आत्मविश्वासपूर्ण चुकांवरील ८५% हून अधिक निकालांनी त्याच चुका पुन्हा केल्या. अनिश्चित निकाल पर्यायी व्यवस्था म्हणून त्या परीक्षकांकडे पाठवल्याने, ओरॅकल मर्यादा वापरूनही, सर्वांत सक्षम एकट्या परीक्षकापेक्षा जास्तीत जास्त २.७ गुणांचा फायदा झाला.
स्रोत आणि पुढील वाचन
- Google: Gemini Decisions API, fast, calibrated multimodal decisions (11 November 2026)
- Artificial Analysis: Introducing the Decision Index v2 (8 November 2026)
- Artificial Analysis: Decision Index v1.0 (13 October 2026)
- Artificial Analysis: Decision Index v2.1 leaderboard and evaluation page
- Artificial Analysis: Decision Index benchmarking methodology and version history
- Subquadratic: SubQ Snap 1.2, order-robust decisions and higher long-context accuracy (11 November 2026)
- Liquid AI: d1.2, state-of-the-art omnimodal decision models (16 November 2026)
- Liquid AI: Introducing d1, the most capable decision model, now with vision (5 October 2026)
- arXiv 1706.04599: Guo, Pleiss, Sun and Weinberger, On Calibration of Modern Neural Networks (ICML 2017)
- arXiv 2207.05221: Kadavath et al., Language Models (Mostly) Know What They Know (2022)
- arXiv 2308.11483: Pezeshkpour and Hruschka, Large Language Models Sensitivity to the Order of Options in Multiple-Choice Questions (22 August 2023)
- arXiv 2305.17926: Wang et al., Large Language Models are not Fair Evaluators (29 May 2023)
- arXiv 2609.29769: Rao and Callison-Burch, Decision Models vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places (24 September 2026)
हा लेख AI साधनांच्या मदतीने संशोधित आणि लिहिला गेला असून अचूकतेसाठी संपादित केला आहे. हा केवळ सर्वसाधारण माहिती आणि चर्चेसाठी आहे, व्यावसायिक सल्ला नाही. आमचे संपादकीय मानक आणि अस्वीकरण पाहा. चूक आढळली? आम्हाला कळवा.
आवडलं? पुढचा लेख मिळवा.
एका वेळी एक चांगला लेख, थेट तुमच्या इनबॉक्समध्ये. स्पॅम नाही, हवं तेव्हा थांबवा.