Skip to content
கூகுளின் Gemini Decision 1, 2026 நவம்பர் 11 அன்று வெளியானது, ஒரே முறையில் 1,000 கேள்விகள் வரை மதிப்பிட்டு ஒவ்வொரு தேர்வுக்கும் ஒரு நிகழ்தகவைத் தருகிறது; ஒரு சுயாதீனக் குறியீடு இப்போது முடிவு மாதிரிகளின் நம்பிக்கையை நம்ப முடியுமா என்பதை வைத்துத் தரப்படுத்துகிறது
செயற்கை நுண்ணறிவும் தொழில்நுட்பமும்

கூகுளின் Gemini Decision 1, 2026 நவம்பர் 11 அன்று வெளியானது, ஒரே முறையில் 1,000 கேள்விகள் வரை மதிப்பிட்டு ஒவ்வொரு தேர்வுக்கும் ஒரு நிகழ்தகவைத் தருகிறது; ஒரு சுயாதீனக் குறியீடு இப்போது முடிவு மாதிரிகளின் நம்பிக்கையை நம்ப முடியுமா என்பதை வைத்துத் தரப்படுத்துகிறது

வரைபடம்: tuput

தமிழ்

Gemini Decision 1 ஒரு உள்ளீட்டையும் 1,000 கேள்விகள் வரையும் எடுத்துக்கொண்டு, 150 முதல் 250 மில்லி விநாடிகளில், ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு $0.10 விலையில், ஒவ்வொரு தேர்வுக்கும் நிகழ்தகவைத் தருகிறது என்று கூகுள் டீப்மைண்ட் கூறுகிறது. சுயாதீனச் சோதனையாளரான Artificial Analysis இந்த வகை மாதிரிகளை 2026 அக்டோபர் 13 முதல் தரவரிசைப்படுத்தி வருகிறது; அதன் இரண்டாம் பதிப்பு, கூறப்படும் நம்பிக்கை நேர்மையானதா என்பதையும் மதிப்பிடுகிறது.

· · 9 நிமிட வாசிப்பு

கூகுள் டீப்மைண்ட் Gemini Decision 1 ஐயும் Gemini Decisions API ஐயும் 2026 நவம்பர் 11 அன்று அறிமுகப்படுத்தியது. இந்த மாதிரி பதிலைச் சொல்லுக்குச் சொல் எழுதுவதில்லை. கூகுளின் விவரிப்பில் அது “உங்கள் வேட்புத் தேர்வுகளை ஒரே முன்னோக்குப் பாய்ச்சலில் மதிப்பிடுகிறது” மற்றும் ஒவ்வொன்றுக்கும் ஒரு நிகழ்தகவைத் தருகிறது. 256K டோக்கன்கள் வரையிலான உரை, படங்கள், ஒலி, காணொளி அல்லது PDFகள் கொண்ட பகிரப்பட்ட உள்ளீடு பற்றிய 1,000 சுயாதீனக் கேள்விகள் வரை ஒரு கோரிக்கையில் இருக்கலாம். முடிவிலிருந்து முடிவு வரையிலான நேரத்தை 150 முதல் 250 மில்லி விநாடிகள் என்றும், விலையை ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு $0.10 என்றும் கூகுள் பட்டியலிடுகிறது; வெளியீட்டு டோக்கன்களுக்குக் கட்டணம் இல்லை.

Gemini Decision 1, சோதனை நிறுவனமான Artificial Analysis முடிவு மாதிரிகள் என்று அழைக்கும் ஒரு வகையைச் சேர்ந்தது. 2026 அக்டோபர் 13 முதல் அந்நிறுவனம் அவற்றுக்கான பொதுக் குறியீட்டை நடத்தி வருகிறது; நவம்பர் 8 அன்று வெளியான அதன் இரண்டாம் பதிப்பு, மாதிரியின் பதில் சரியா என்பதையும், அது கூறும் நம்பிக்கையை நம்ப முடியுமா என்பதையும் மதிப்பிடுகிறது. இந்த மாதிரிகள் என்ன செய்கின்றன, குறியீடு எதை அளவிடுகிறது, எந்த எண்கள் தயாரிப்பாளர்களிடமிருந்து வருகின்றன என்பதை இது விவரிக்கிறது.

நிகழ்தகவுகளைத் தரும் பல தேர்வுச் சோதனை

ஒரு வாடிக்கையாளர் செய்தியைக் கொண்டு Artificial Analysis இந்த எண்ணத்தை விளக்குகிறது: “உதவுங்கள்! என் பணப்பட்டுவாடாக்கள் 3 நாட்களாகத் தோல்வியடைகின்றன, நாளை என் வாடகை செலுத்த வேண்டும்.” ஒரு முடிவு மாதிரிக்கு அதைப் பற்றி மூன்று கேள்விகள் தரப்படுகின்றன: செய்தி எந்தக் குழுவுக்குப் போக வேண்டும் (பில்லிங், தொழில்நுட்பம் அல்லது கணக்கு), அது அவசரமானதா (ஆம் அல்லது இல்லை), எழுதியவர் எவ்வளவு வருத்தத்தில் இருக்கிறார் (அமைதி, எரிச்சல் அல்லது கோபம்). அது மூன்றுக்கும் ஒரே அழைப்பில், ஒவ்வொரு தேர்வுக்கும் ஒரு நிகழ்தகவுடன் பதிலளிக்கிறது. அதே பணி கொடுக்கப்பட்ட ஒரு மொழி மாதிரி, ஒவ்வொரு கேள்விக்கும் ஒரு பதிலைக் குறிப்பிடும் கட்டமைக்கப்பட்ட பதிலை எழுதுகிறது; நிகழ்தகவுகள் இணைக்கப்படுவதில்லை. அந்த மொழி மாதிரிகள் எப்படிக் கட்டப்படுகின்றன, ஏன் ஒரு நேரத்தில் ஒரு சொல்லை எழுதுகின்றன என்பதற்கு பெரிய மொழி மாதிரி எப்படிப் பயிற்றுவிக்கப்படுகிறது என்பதைப் பாருங்கள்.

கூகுளின் API மூன்று வகைக் கேள்விகளை ஆதரிக்கிறது. ஆம்/இல்லை கேள்வி, ஒரு நிபந்தனை உண்மையாக இருப்பதற்கான நிகழ்தகவைத் தருகிறது. தேர்வுக் கேள்வி 2 முதல் 255 தேர்வுகளை எடுத்துக்கொண்டு, வெற்றியாளரையும் ஒவ்வொரு வேட்பாளருக்கும் இயல்புப்படுத்தப்பட்ட நிகழ்தகவையும் தருகிறது. மதிப்பெண் கேள்வி உள்ளீட்டை வரிசைப்படுத்தப்பட்ட மதிப்பீட்டு அளவுகோலுக்கு எதிராகத் தரப்படுத்தி, எடையிடப்பட்ட மதிப்பெண்ணையும் ஒவ்வொரு நிலைக்கும் ஒரு நிகழ்தகவையும் தருகிறது. ஒவ்வொரு பதிலும் 0 முதல் 1 வரையிலான ஒரு நம்பிக்கை மதிப்பைக் கொண்டுள்ளது, பதிவின் சொற்களில், “இதனால் உங்கள் குறியீடு தெளிவற்ற நிகழ்வுகளை மாற்று வழிக்கு அல்லது மனித மதிப்பாய்வாளருக்கு அனுப்ப முடியும்.”

தனது சொந்தப் பயன்பாடுகளையும் கூகுள் பெயரிடுகிறது. Gemini Notebook இந்த API ஐ ஒவ்வொரு வினவலையும் ஒரு மாதிரி அடுக்குக்கும் சிந்தனை நிலைக்கும் அனுப்பும் வழிசெலுத்தியாகப் பயன்படுத்துகிறது; இது அன்றாட வினவல்களுக்கு 40% வரை குறைந்த தாமதத்துடன் சேவை வழங்குகிறது என்று கூகுள் கூறுகிறது. 150 முதல் 250 மில்லி விநாடி எண் 16K டோக்கன்கள் வரையிலான சூழல்களுக்குப் பொருந்தும் என்று பதிவு கூறுகிறது. எத்தனை கேள்விகள் கேட்கப்பட்டாலும் பகிரப்பட்ட உள்ளீடு ஒரு கோரிக்கைக்கு ஒரு முறையே கட்டணம் பெறும் என்றும், ஒவ்வொரு கேள்வியும் தனது சொந்த அறிவுறுத்தலையும் தேர்வு உரையையும் மட்டுமே சேர்க்கிறது என்றும் அது கூறுகிறது.

பிற தயாரிப்பாளர்களிடமிருந்து அதே எண்ணம்

Gemini Decision 1 பல போட்டியாளர்கள் உள்ள ஒரு துறைக்குள் வந்தது. Liquid AI தனது d1 ஐ 2026 அக்டோபர் 5 அன்று “எங்கள் முதல் முடிவு மாதிரி” என்று அறிமுகப்படுத்தியது; இப்போது உரையையும் படங்களையும் ஆதரிக்கிறது. அது கேள்விகளை ஒரே முன்னோக்குப் பாய்ச்சலில் வாசிக்கிறது, எந்த டோக்கனையும் உருவாக்காமல் நிகழ்தகவுகளைத் தருகிறது, உரை முடிவுக்கு 200 முதல் 300 மில்லி விநாடிகள் எடுக்கிறது என்று Liquid கூறுகிறது. நவம்பர் 16 அன்று அது d1.2 மற்றும் d1.2-ultra ஐ வெளியிட்டது; இவை ஒலி உள்ளீட்டையும், விலைப்பட்டியலில் இருந்து ஒரு மதிப்பை வாசிப்பது, குறிப்பில் உள்ள ஒவ்வொரு தனிப்பட்ட தரவையும் கண்டறிவது, ஸ்கேன் செய்த படிவத்தில் கையொப்பத்தைச் சுற்றிப் பெட்டி வரைவது போன்ற ஐந்து புதிய பணிகளையும் சேர்க்கின்றன.

கூகுளின் அறிமுகத்தின் அதே நாளான நவம்பர் 11 அன்று, Subquadratic SubQ Snap 1.2 ஐ வெளியிட்டது. நிறுவனம் அதன் விலையை ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு $0.04 என நிர்ணயிக்கிறது, 256K டோக்கன்கள் வரையிலான உள்ளீடுகளைக் கையாளும் என்று கூறுகிறது, மேலும் ஒன்பது நீண்ட ஆவணச் சோதனைகள் கொண்ட LongDecisionBench ஐ வெளியிட்டது; அவற்றைத் திறந்தவை என்று விவரிக்கிறது, விரைவில் GitHub மற்றும் Hugging Face இல் வைப்பதாகக் கூறுகிறது.

அதற்குள் கல்விசார் வேலையும் தொடங்கியிருந்தது. டெலிப் ராவ் மற்றும் கிறிஸ் கால்லிசன்-பர்ச் எழுதிய, 2026 செப்டம்பர் 24 அன்று முதலில் சமர்ப்பிக்கப்பட்ட கட்டுரை, இரண்டு முடிவு மாதிரிகளான Jev மற்றும் Perplexity இன் Decider ஐ, எழுதப்பட்ட பதில்களின் நடுவர்களாகப் பயன்படுத்தப்படும் மொழி மாதிரிகளுடன் ஒப்பிடுகிறது.

நிகழ்தகவே ஏன் முக்கியம்

நிகழ்தகவு நேர்மையாக இருந்தால்தான் பயன்படும். ஒரு மாதிரி 80% என்று சொன்னால், அது 100 முறையில் ஏறக்குறைய 80 முறை சரியாக இருக்க வேண்டும். ஆய்வாளர்கள் இதை அளவுத்திருத்தம் (calibration) என்கின்றனர். 2017 ICML மாநாட்டில் குவோ மற்றும் சக ஆய்வாளர்கள், பத்தாண்டுகளுக்கு முந்தைய வலையமைப்புகளைப் போலன்றி, நவீன நரம்பு வலையமைப்புகள் மோசமாக அளவுத்திருத்தம் செய்யப்பட்டவை என்றும், ஒரே எண் சரிசெய்தலான வெப்பநிலை அளவிடல் (temperature scaling), அவர்கள் முயன்ற பெரும்பாலான தரவுத்தொகுப்புகளில் அதைச் சரிசெய்வதில் வியக்கத்தக்க அளவு பயனுள்ளதாக இருந்தது என்றும் தெரிவித்தனர். பெரிய மொழி மாதிரிகள் பல தேர்வு மற்றும் உண்மை/பொய் கேள்விகளில் “சரியான வடிவத்தில் தரப்படும்போது” நன்கு அளவுத்திருத்தம் பெற்றவை என்று 2022 இல் கடவத் மற்றும் சக ஆய்வாளர்கள் தெரிவித்தனர்.

நடைமுறைப் பயன்பாட்டை Artificial Analysis கூறுகிறது: ஒரு முடிவு மாதிரியின் பதில், அதன் நம்பிக்கை ஒரு வாசலைத் தாண்டும்போது பொதுவாகச் செயல்படுத்தப்படுகிறது; இல்லையெனில் ஒரு நபருக்கோ திறன் மிக்க மாதிரிக்கோ அனுப்பப்படுகிறது. கூகுளும் இதே முறையை விவரிக்கிறது. “90% உறுதி” என்ற குறிப்பு 90% க்கு அருகில் ஏதோ பொருள் தந்தால்தான் இந்த அமைப்பு செயல்படும்.

சுயாதீனக் குறியீடு எதை அளவிடுகிறது

Artificial Analysis தனது Decision Index v1.0 ஐ 2026 அக்டோபர் 13 அன்று நான்கு மதிப்பீடுகளுடன் தொடங்கியது; ஒவ்வொன்றும் 25% எடை கொண்டது: AA-Omniscience-Decision (500 தனிப்பட்ட கேள்விகள், ஒவ்வொன்றுக்கும் நான்கு பதில்களும் “எனக்குத் தெரியாது” தேர்வும்), HLE-MultiChoice (Humanity’s Last Exam இன் உரை மட்டும் கொண்ட 513 பல தேர்வுக் கேள்விகள்), When2Call (மாதிரி பதிலளிக்க வேண்டுமா, கருவியை அழைக்க வேண்டுமா, மேலும் தகவல் கேட்க வேண்டுமா, மறுக்க வேண்டுமா என்பதற்கான NVIDIA இன் சோதனை), WildGuardTest (Ai2 இன் பாதுகாப்பு வகைப்படுத்தல் தொகுப்பு). Jev 1.13, 58 உடன் முன்னிலை வகித்தது; GLiDE மற்றும் Microsoft-Decision-1 54 இல் இருந்தன. செலவுகள் ஒரு மில்லியன் பணிகளுக்கு $17 முதல் $199 வரையும், இடைநிலை நேரங்கள் ஒரு பணிக்கு 0.06 முதல் 0.5 விநாடிகள் வரையும் இருந்தன.

ஒவ்வொரு முடிவு மாதிரியும் அதீத நம்பிக்கை கொண்டது என்றும் v1.0 கட்டுரை தெரிவித்தது. கிட்டத்தட்ட எல்லா நிகழ்தகவு நிலைகளிலும், மாதிரி கொடுத்த நிகழ்தகவை விடத் துல்லியம் குறைவாக இருந்தது; இந்த இடைவெளியை Artificial Analysis முக்கியமாக அறிவு மற்றும் நியாயப்படுத்தல் சோதனைகளுடன் தொடர்புபடுத்தியது. கருவி அழைப்பிலும் வகைப்படுத்தலிலும் பெரும்பாலானவை ஒப்பீட்டளவில் நன்கு அளவுத்திருத்தம் பெற்றிருந்தன. “எனக்குத் தெரியாது” தேர்வு AI மாயத்தோற்றம் பற்றிய எங்கள் விளக்கக் கட்டுரையில் விவரிக்கப்பட்ட சிக்கலுடன் தொடர்புடையது: தவறாக இருக்கும் ஒரு மாதிரி ஊகிப்பதற்குப் பதிலாகத் தனக்குத் தெரியாது என்று எத்தனை முறை சொல்கிறது என்பதைக் குறியீடு எண்ணுகிறது.

நவம்பர் 8 அன்று வெளியான பதிப்பு 2, பொதுச் சோதனைகளுக்கு மாதிரிகள் நுணுக்கப்படுவதிலிருந்து காக்க, குறியீட்டின் 45% ஐத் தனிப்பட்ட தரவுத்தொகுப்புகளுக்கு நகர்த்தியது; முன்பு அது 25%. அது ஒரு Decision Score ஐச் சேர்த்தது. சரியான பதில் 50 முதல் 100 வரையிலும், தவறான பதில் 50 முதல் 0 வரையிலும் மதிப்பெண் பெறுகிறது; நம்பிக்கை ஒவ்வொரு பாதிக்குள்ளும் மதிப்பெண்ணை நகர்த்துகிறது. ஒரு மதிப்பீடு முழுவதும் மதிப்பெண் 50 மடங்கு (1 கூட்டல் துல்லியம் கழித்தல் Brier மதிப்பெண்) க்குச் சமம்; Brier மதிப்பெண் என்பது கொடுக்கப்பட்ட நிகழ்தகவுக்கும் பதில் சரியா என்பதற்கும் இடையிலான சராசரி வர்க்க இடைவெளி; 0 என்பது உறுதியாகவும் எப்போதும் சரியாகவும் இருப்பது.

இதன் விளைவுக்கு நிறுவனம் ஓர் எடுத்துக்காட்டைத் தருகிறது. அதன் புதிய AA-Paperclip சோதனையில், 1,500 பயோடேட்டாக்கள், ரசீதுகள், விலைப்பட்டியல்கள், ஆராய்ச்சிக் கட்டுரைகள் கொண்ட தனிப்பட்ட தொகுப்பில், Clef 36% ஆவணங்களில் தேர்ச்சி பெறுகிறது, Celeris-1.1 Decision 24% இல் தேர்ச்சி பெறுகிறது; ஆனால் Celeris-1.1 Decision க்கு சிறந்த Brier மதிப்பெண் உள்ளது, 0.15, எதிர் 0.27, எனவே இரண்டும் Decision Score இல் சமமாக உள்ளன.

விலைப்பட்டியல் விலைகள் செலவைத் தீர்மானிப்பதில்லை என்பதையும் பதிப்பு 2 காட்டியது. முடிவு மாதிரிகள் முழுவதும் ஒரு மில்லியன் பணிகளுக்கான செலவு 60 மடங்குக்கும் மேல் மாறுபட்டது, Celeris-1.1 Decision க்கு $14 முதல் Clef க்கு $859 வரை. Drex Max v1.1 மற்றும் Decider v1.2 உட்பட பெரும்பாலான முடிவு மாதிரிகள் ஒரு ஆவணத்தின் உள்ளீட்டை அதன் எல்லாக் கேள்விகளுக்கும் சேர்த்து ஒரு முறை கட்டணமாக்குகின்றன, GLiDE v1.2 ஒவ்வொரு கேள்விக்கும் கட்டணமாக்குகிறது என்று Artificial Analysis கூறுகிறது. இதனால் GLiDE v1.2 இன் பட்டியல் விலை 33% மட்டுமே அதிகமாக இருந்தாலும், அதன் செலவு Drex Max v1.1 இன் $102 க்கு எதிராக $780 ஆனது.

தேர்வுகளைக் கலக்கினால் பதில் மாறுகிறதா?

மொழி மாதிரிகளின் அறியப்பட்ட பலவீனம் வரிசைக்கு உணர்திறன். பதில் தேர்வுகள் மறுவரிசைப்படுத்தப்பட்டபோது அளவுகோல்களில் ஏறக்குறைய 13% முதல் 75% வரையிலான செயல்திறன் இடைவெளி இருந்தது என்று 2023 ஆகஸ்டில் பெசேஷ்கூர் மற்றும் ஹ்ருஷ்கா தெரிவித்தனர். ஒரு மொழி மாதிரி இரண்டு பதில்களை மதிப்பிடும்போது, அவை தோன்றும் வரிசையை மாற்றுவதால் தரவரிசை சாயலாம் என்று 2023 மேயில் வாங் மற்றும் சக ஆய்வாளர்கள் தெரிவித்தனர். அவர்களின் சுருக்கத்தில் உள்ள ஓர் எடுத்துக்காட்டில், ChatGPT நடுவராக இருக்க, 80 சோதனை வினவல்களில் 66 இல் Vicuna-13B ChatGPT ஐ வென்றது.

குறியீட்டின் பதிப்பு 2 இதை AA-Symmetry மூலம் சோதிக்கிறது: 120 அடிப்படைக் கேள்விகளும் 440 மாறுபாடுகளும்; தேர்வுகள் மறுவரிசைப்படுத்தப்பட்டன, லேபிள்கள் மாற்றப்பட்டன, ஆம்/இல்லை கேள்விகள் எதிர்மறையாக்கப்பட்டன. Mammoth 27B 99% கேள்விகளில் மாறுபாடுகள் முழுவதும் ஒரே பதிலைத் தேர்ந்தெடுத்தது; Drex Max v1.1 இல் 91%, GLiDE v1.2 இல் 88%, Clef இல் 67%. இந்தச் சோதனையில் முன்னிலை, தங்களுக்குத் தெரியாது என்று ஒப்புக்கொள்ளும் உயர் விகிதத்தால் உந்தப்படுகிறது என்று Artificial Analysis கூறுகிறது. 2026 நவம்பர் முதல் பயன்பாட்டில் உள்ள பதிப்பு 2.1, சோதனையின் இரண்டு மாறுபாட்டு வகைகளை மாற்றியது என்று அதன் வழிமுறைப் பக்கம் பதிவு செய்கிறது.

அதனுடன் தொடர்புடைய ஓர் அளவீட்டை Subquadratic தானே தெரிவிக்கிறது. 600 நிறுவனப் பணிப்பாய்வு முடிவுகள் கொண்ட பொதுத் தொகுப்பில், தேர்வுகளை மறுவரிசைப்படுத்தியது Snap 1.1, Jev 1.14, d1-ultra ஆகியவற்றுக்கு 12% முதல் 21% கேள்விகளில் முதன்மைப் பதிலை மாற்றியது என்று அது கூறுகிறது. பல அளவுகோல்களில் “வரிசை உணர்திறனை ஏறக்குறைய முழுவதுமாக நீக்கும்” ஒரு கட்டமைப்பு மாற்றத்தை அனுமானக் காலத்தில் Snap 1.2 பயன்படுத்துகிறது என்றும் அது கூறுகிறது. இது நிறுவனம் தனது சொந்த மாதிரி பற்றித் தனது சொந்தச் சோதனைகளில் அளந்து கூறும் கணக்கு.

2026 நவம்பர் 19 அன்று மாதிரிகளின் நிலை

Snap 1.2 குறியீடு v2.1 இல் 73 பெற்று “முதலிடத்தில் சமம்” என்று Subquadratic நவம்பர் 11 அன்று கூறியது. d1.2-ultra 75 பெற்றது, முந்தைய சிறந்த முடிவு மாதிரியை விட இரண்டு புள்ளிகள் முன்னால் என்று Liquid AI நவம்பர் 16 அன்று கூறியது. நவம்பர் 19 அன்று படித்த Artificial Analysis இன் நேரடி v2.1 பக்கத்தில் உள்ள தரவரிசைத் தரவு இரண்டு அறிக்கைகளுடனும் ஒத்துப்போகிறது. அட்டவணை முழுமையாக்கப்பட்ட குறியீட்டு மதிப்பெண்களையும், பக்கம் பட்டியலிடுவது போல் ஒரு மில்லியன் பணிகளுக்கான செலவையும் ஒரு பணிக்கான இடைநிலை நேரத்தையும் தருகிறது.

மாதிரிதயாரிப்பாளர்Decision Index v2.11M பணிகளுக்கான செலவுஒரு பணிக்கான நேரம்
Claude Haiku 5.5 (Max), மொழி மாதிரிAnthropic76ஏறக்குறைய $6,218ஏறக்குறைய 32.3 வி
GPT-6 Luna (Max), மொழி மாதிரிOpenAI76ஏறக்குறைய $1,548ஏறக்குறைய 11.4 வி
d1.2-ultraLiquid AI75ஏறக்குறைய $133218 மி.வி
Drex Max v1.1Nace.AI73ஏறக்குறைய $103283 மி.வி
SubQ Snap 1.2Subquadratic73ஏறக்குறைய $137162 மி.வி
GLiDE v1.2Fastino73ஏறக்குறைய $780284 மி.வி
Mammoth 27BBase Labs71ஏறக்குறைய $264106 மி.வி
Gemini Decision 1Google66ஏறக்குறைய $345211 மி.வி

இந்தக் குறியீட்டில் Gemini Decision 1 66 இல் உள்ளது; ஒரு பணிக்கான இடைநிலை நேரம் ஏறக்குறைய 211 மில்லி விநாடிகள், பட்டியலிடப்பட்ட மற்ற முடிவு மாதிரிகளின் அதே வரம்பில். முகவர் வழிசெலுத்தல், நியாயப்படுத்தல், தரவரிசைப்படுத்தல், பல்லூடகப் புரிதல் ஆகியவற்றை உள்ளடக்கிய அளவுகோல்களில் மாதிரி “மிகக் குறைந்த அளவுத்திருத்தப் பிழையுடன் தொகுப்பு முழுவதும் முன்னிலை வகிக்கிறது” என்று கூகுளின் பதிவு கூறுகிறது. பதிவு மதிப்பெண்களைத் தரவில்லை; தொகுப்பு கூகுளின் சொந்தம்; எனவே அந்தக் கூற்றை Artificial Analysis இன் எண்களுடன் ஒப்பிட முடியாது. குறியீட்டு மதிப்பெண்கள் பதிப்பையும் சார்ந்தவை: நவம்பர் 8 இன் v2 கட்டுரை இரண்டு மொழி மாதிரிகளுக்கு 77 மற்றும் 76 என்றும், GPT-6 Luna (Max) க்கு $1,530 என்றும் தந்தது; இது நேரடி v2.1 பக்கத்திலிருந்து சற்று வேறுபடுகிறது.

Liquid AI தனக்கே உரிய ஓர் அளவுத்திருத்தக் கூற்றையும் சேர்க்கிறது. தான் ஒப்பிட்ட ஐந்து மாதிரிகளும் பதிலளித்த 13 அளவுகோல்கள் மற்றும் 22,505 கேள்விகள் முழுவதும், d1.2-ultra க்கு 0.8 புள்ளி அளவுத்திருத்தப் பிழையையும், d1.2 க்கு 1.2, Jev 1.14 க்கு 2.7, Perplexity இன் Decider v1.3 க்கு 3.7, அதன் Decisions API இல் GPT-6 Luna க்கு 7.2 என்றும் அது தெரிவிக்கிறது. அவை Liquid இன் சோதனைகள், தயாரிப்பாளரால் நடத்தப்பட்டவை; சுயாதீன மறுநிகழ்வை அந்தப் பக்கம் விவரிக்கவில்லை.

சான்று தீர்க்காதவை

குறியீட்டுக்கு அதன் சொந்தப் பக்கங்கள் குறிப்பிடும் வரம்புகள் உள்ளன. அதன் ஆறு மதிப்பீடுகளில் ஒன்றான EvalSafe-O*NET-AA க்கு அதன் கேள்விகளுக்கு அடிப்படை உண்மை இல்லை: வழிமுறைப் பக்கம், குறிப்பு விடை என்பது இரண்டு மொழி மாதிரிகளான GPT-6 Astra மற்றும் Claude Fable 5.1 இன் சராசரி என்றும், இரண்டும் ஒப்புக்கொள்ளும் கேள்விகளை மட்டும் அது வைத்துக்கொள்கிறது என்றும் கூறுகிறது. தனிப்பட்ட தரவுத்தொகுப்புகள் நுணுக்கப் பயிற்சிக்கு எதிராகக் காக்கின்றன; அதே நேரம், பெரும்பாலான கேள்விகளை வாசகர்கள் ஆய்வு செய்ய முடியாது என்றும் பொருள். தரவரிசைகளுக்கு ஏன் இத்தகைய சரிபார்ப்பு தேவை என்ற பரந்த சூழலுக்கு, அளவுகோல் பிழைகள் மற்றும் மாசுபாடு பற்றிய எங்கள் மதிப்பாய்வைப் பாருங்கள்.

தலைப்பு எண்ணில் மொழி மாதிரிகள் இன்னும் முன்னிலையில் உள்ளன. AA-Paperclip இல், v2 கட்டுரையில் Claude Haiku 5.5 (Max) 92% ஆவணங்களில் தேர்ச்சி பெற்றது, Drex Max v1.1 63%; அட்டவணையில் உள்ள செலவு மற்றும் நேர இடைவெளிகளுடன். AI முகவர்கள் சார்ந்திருக்கும் கருவித் தேர்வுப் படியை When2Call கூறு சோதிக்கிறது; v1.0 இல் முன்னணி முடிவு மாதிரிகள் அதில் 84 பெற்றன, Low அமைப்பில் சோதிக்கப்பட்ட இரண்டு மொழி மாதிரிகள் 77 மற்றும் 73 பெற்றன.

ராவ் மற்றும் கால்லிசன்-பர்ச் கட்டுரை, ஒரு முடிவு மாதிரி நடுவராக மொழி மாதிரிக்கு எவ்வளவு தூரம் மாற்றாக நிற்க முடியும் என்பதைச் சோதிக்கிறது. மொழி மாதிரி நடுவர்களுக்குச் செலவு 16 முதல் 357 மடங்கு என்றும், நேரம் 5 முதல் 350 மடங்கு என்றும், ஆனால் ஒவ்வொரு முடிவு மாதிரியும் 27 ஒப்பீடுகளில் அதிகபட்சம் 6 இல் மட்டுமே அவற்றை விடக் குறிப்பிடத்தக்க அளவு பின்தங்கியது என்றும் அதன் சுருக்கம் தெரிவிக்கிறது. இரு வகை நடுவர்களும் ஒரே மாதிரி தவறினர்: ஒரு முடிவு மாதிரியின் மிக நம்பிக்கையான தவறுகள் மீது மூன்று flash-நிலை மொழி மாதிரி நடுவர்களின் தீர்ப்புகளில் 85% க்கும் மேல் அவற்றையே திரும்பச் சொன்னன. நிச்சயமற்ற தீர்ப்புகளை மாற்று வழியாக அந்த நடுவர்களுக்கு அனுப்புவது, வலிமையான ஒற்றை நடுவரை விடச் சிறந்த நிலையில் 2.7 புள்ளிகளே கூடுதலாகத் தந்தது, ஆரக்கிள் வாசல்களுடன் கூட.

Share
Copied!

ஆதாரங்களும் மேலும் வாசிக்கவும்

  1. Google: Gemini Decisions API, fast, calibrated multimodal decisions (11 November 2026)
  2. Artificial Analysis: Introducing the Decision Index v2 (8 November 2026)
  3. Artificial Analysis: Decision Index v1.0 (13 October 2026)
  4. Artificial Analysis: Decision Index v2.1 leaderboard and evaluation page
  5. Artificial Analysis: Decision Index benchmarking methodology and version history
  6. Subquadratic: SubQ Snap 1.2, order-robust decisions and higher long-context accuracy (11 November 2026)
  7. Liquid AI: d1.2, state-of-the-art omnimodal decision models (16 November 2026)
  8. Liquid AI: Introducing d1, the most capable decision model, now with vision (5 October 2026)
  9. arXiv 1706.04599: Guo, Pleiss, Sun and Weinberger, On Calibration of Modern Neural Networks (ICML 2017)
  10. arXiv 2207.05221: Kadavath et al., Language Models (Mostly) Know What They Know (2022)
  11. arXiv 2308.11483: Pezeshkpour and Hruschka, Large Language Models Sensitivity to the Order of Options in Multiple-Choice Questions (22 August 2023)
  12. arXiv 2305.17926: Wang et al., Large Language Models are not Fair Evaluators (29 May 2023)
  13. 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)

இந்தக் கட்டுரை AI கருவிகளின் உதவியுடன் ஆராயப்பட்டு எழுதப்பட்டு, துல்லியத்திற்காகத் திருத்தப்பட்டது. இது பொதுத் தகவலுக்கும் விவாதத்திற்கும் மட்டுமே, தொழில்முறை ஆலோசனை அல்ல. எங்கள் ஆசிரியர் தரநிலைகள் மற்றும் பொறுப்புத் துறப்பு ஐப் பார்க்கவும். பிழை கண்டீர்களா? எங்களிடம் சொல்லுங்கள்.

#decision models#gemini decision 1#gemini decisions api#ai calibration#artificial analysis#decision index#liquid ai#model routing

பிடித்ததா? அடுத்ததைப் பெறுங்கள்.

ஒரு நேரத்தில் ஒரு நல்ல கட்டுரை, நேரடியாக உங்கள் இன்பாக்ஸுக்கு. ஸ்பேம் இல்லை, எப்போது வேண்டுமானாலும் நிறுத்தலாம்.

இதே பிரிவில் மேலும்: செயற்கை நுண்ணறிவும் தொழில்நுட்பமும்
சீனாவின் சிறந்த திறந்த AI மாடல் ஒரு சுயாதீனக் குறியீட்டில் 46 பெறுகிறது, அமெரிக்காவின் முதல் மாடல் 58 பெறுகிறது; பின்தங்கல் 2 முதல் 8 மாதங்கள் வரை என்று நான்கு ஆதாரங்கள் கூறுகின்றன
திறந்த-எடை அட்டவணைகளின் உச்சியை சீன ஆய்வகங்கள் நிரப்புகின்றன; ஆனால் அவற்றின் உரிமங்கள் வேறுபடுகின்றன, சிப் கதைகள் ஓரளவுக்கே ஆவணப்படுத்தப்பட்டுள்ளன, அமெரிக்க மாடல்களுடனான தூரத்தை அளப்பவர்கள் மாதக் கணக்கில் மாறுபடுகிறார்கள்.
மிஸ்ட்ரால் 1 டிரில்லியன் பராமீட்டர் லீ சாங்க், எடைகள் வெளியாகும் முன்பே சுயாதீன AI குறியீட்டில் 38 மதிப்பெண் பெற்று, ஓபன் மாடல்களில் எட்டாம் இடம் பிடித்தது
பிரான்ஸின் மிஸ்ட்ரால் ஒரு டிரில்லியன் பராமீட்டர் மாடலை இணையத்தில் கொண்டுவந்துள்ளது, பதிவிறக்கக்கூடிய எடைகள் இந்த மாதம் வரும் என்கிறது. வெளி சோதனையாளர்கள் அதை சீனாவுக்கு வெளியே சிறந்த ஓபன் மாடல் என்றும் ஓபன் மாடல்களில் எட்டாவது என்றும் தரப்படுத்துகின்றனர், அதன் அளவு குறித்த மிஸ்ட்ராலின் சொந்த எண்கள் அனைத்தும் ஒன்றுக்கொன்று ஒத்துப்போவதில்லை.
கூகுள் டீப்மைண்டின் AlphaGenome 2, 2026 நவம்பர் 11 அன்று அறிவிக்கப்பட்டது, குறிப்பிட்ட செல் வகைகளில் டிஎன்ஏ மாற்றங்கள் எப்படிச் செயல்படுகின்றன என்று கணிக்கிறது; டீப்மைண்டின் சொந்தச் சோதனைகளின்படி முந்தைய மாதிரியை விட ஏறக்குறைய இரு மடங்கு காரண மாற்றங்களைக் கண்டறிகிறது
உடலில் உள்ள ஒவ்வொரு செல்லும் ஒரே டிஎன்ஏவைச் சுமக்கிறது, ஆனால் அதை வெவ்வேறு விதமாக வாசிக்கிறது. டீப்மைண்டின் புதிய மாதிரி இந்த உண்மையை அடிப்படையாகக் கொண்டு கட்டப்பட்டது; ஆய்வாளர்கள் அதை ஒரு API வழியாகப் பயன்படுத்தலாம். அது எப்படிச் செயல்படுகிறது, எந்தச் சோதனை எடுத்துக்காட்டுகளில் காட்டப்பட்டது, சான்றுகள் எங்கே நிற்கின்றன என்பது இங்கே.
← அனைத்துக் கட்டுரைகள்