Skip to content
భారత్‌జెన్ పరమ్2, 2026 ఫిబ్రవరిలో విడుదలైంది, ఇంగ్లిష్‌తో పాటు 22 షెడ్యూల్డ్ భారతీయ భాషలన్నింటికీ 17 బిలియన్ పారామీటర్ల మోడల్, ప్రతి టోకెన్‌కు 2.4 బిలియన్ పారామీటర్లను వాడుతుంది
ఏఐ మరియు సాంకేతికత

భారత్‌జెన్ పరమ్2, 2026 ఫిబ్రవరిలో విడుదలైంది, ఇంగ్లిష్‌తో పాటు 22 షెడ్యూల్డ్ భారతీయ భాషలన్నింటికీ 17 బిలియన్ పారామీటర్ల మోడల్, ప్రతి టోకెన్‌కు 2.4 బిలియన్ పారామీటర్లను వాడుతుంది

చిత్రణ: tuput

తెలుగు

ఐఐటీ బాంబేలో కేంద్రంగా ఉన్న భారత్‌జెన్ కన్సార్షియం 2026 ఫిబ్రవరిలో ఇండియా ఏఐ ఇంపాక్ట్ సమ్మిట్‌లో పరమ్2ను విడుదల చేసింది. ఇది మిక్స్చర్-ఆఫ్-ఎక్స్‌పర్ట్స్ రీజనింగ్ మోడల్, సుమారు 22.5 ట్రిలియన్ టోకెన్లపై మొదటి నుంచీ ప్రీట్రైన్ చేశామని భారత్‌జెన్ చెబుతోంది, వాణిజ్యేతర పరిశోధన లైసెన్స్ కింద డౌన్‌లోడ్ కోసం వెయిట్స్ పోస్ట్ చేసింది.

· · 7 నిమిషాల పఠనం

ప్రభుత్వ నిధులతో నడిచే, ఐఐటీ బాంబేలో కేంద్రంగా ఉన్న భారత్‌జెన్ కన్సార్షియం, 2026 ఫిబ్రవరి 16 వారంలో న్యూఢిల్లీలో జరిగిన ఇండియా ఏఐ ఇంపాక్ట్ సమ్మిట్‌లో పరమ్2ను విడుదల చేసింది. ఇది 17 బిలియన్ పారామీటర్ల భాషా మోడల్, పారామీటర్లు అంటే శిక్షణలో మోడల్ నేర్చుకునే సర్దుబాటు సంఖ్యలు, వాటిలో సుమారు 2.4 బిలియన్ ఏ ఒక్క టోకెన్‌పైనైనా పనిచేస్తాయి, టోకెన్ అంటే ఒక పదం లేదా పదంలో ఒక ముక్క. మోడల్‌ను వేరొకరి మోడల్ నుంచి కాకుండా మొదటి నుంచీ ప్రీట్రైన్ చేశామని, ఇది ఇంగ్లిష్‌ను, భారతదేశ ఎనిమిదో షెడ్యూల్‌లోని 22 భాషలన్నింటినీ నిర్వహిస్తుందని కన్సార్షియం చెబుతోంది. వెయిట్స్ హగ్గింగ్ ఫేస్‌లో, ఐకోష్‌లో ఉన్నాయని కన్సార్షియం చెబుతోంది, ఐకోష్ ఇండియాఏఐ మిషన్ మోడళ్లు, డేటాసెట్ల గ్రంథాలయం.

తేదీపై మూలాలు వేర్వేరుగా ఉన్నాయి. బిజినెస్ టుడే విడుదలను ఫిబ్రవరి 16న నివేదించింది, భారత్‌జెన్ విడుదల పోస్ట్, ప్రెస్ ఇన్ఫర్మేషన్ బ్యూరో (పీఐబీ) ప్రకటన ఫిబ్రవరి 17 తేదీవి, బిజినెస్ స్టాండర్డ్ ప్రకటనను ఫిబ్రవరి 18న నివేదించింది. కింద ఇచ్చిన ప్రతి పనితీరు గణాంకం భారత్‌జెన్‌దే, పరిశీలించిన పేజీలలో ఏవీ కన్సార్షియం వెలుపలి ఎవరైనా పరమ్2పై నడిపిన పరీక్షను నివేదించలేదు.

తొమ్మిది సంస్థలు, రెండు నిధుల వనరులు

కన్సార్షియంలో తొమ్మిది సంస్థలు ఉన్నాయని, దాని 2026 అక్టోబర్ 15 నాటి రెండేళ్ల సింహావలోకనం చెబుతోంది: ఐఐటీ బాంబే, ఐఐఐటీ హైదరాబాద్, ఐఐటీ మండి, ఐఐటీ కాన్పూర్, ఐఐటీ హైదరాబాద్, ఐఐఎం ఇండోర్, ఐఐఐటీ ఢిల్లీ, ఐఐటీ మద్రాస్, ఐఐటీ ఖరగ్‌పూర్. 2024 అక్టోబర్‌లో న్యూఢిల్లీలో ప్రారంభమైనప్పటి నుంచి శాస్త్ర, సాంకేతిక విభాగం దీనికి మద్దతు ఇస్తోంది. 2026 ఫిబ్రవరి 17 నాటి పీఐబీ ప్రకటన నిధులను ఇలా ఇచ్చింది: విభాగపు నేషనల్ మిషన్ ఆన్ ఇంటర్‌డిసిప్లినరీ సైబర్-ఫిజికల్ సిస్టమ్స్ నుంచి రూ. 235 కోట్లు, ఇండియాఏఐ మిషన్ నుంచి మరో రూ. 1,058 కోట్ల వ్యయం. ఆ మిషన్ గ్రాంట్లు ఎలా పనిచేస్తాయో ఇండియాఏఐ మిషన్ జీపీయూలు, మోడళ్లు, డబ్బుపై ఒక వ్యాసంలో ఉంది.

పరమ్2 కంటే ముందు పరమ్1 ఉంది, ఇది హిందీ, ఇంగ్లిష్ కోసం 2.9 బిలియన్ పారామీటర్ల మోడల్, దీన్ని భారత్‌జెన్ 2025 జూలై 16న ఒక ఆర్క్సివ్ ప్రీప్రింట్‌లో వివరించింది. పరమ్1 7.5 ట్రిలియన్ టోకెన్లపై శిక్షణ పొందిందని సింహావలోకనం చెబుతోంది. ఏడు నెలల తర్వాత, ఆ గణాంకాల నుంచి tuput లెక్క ప్రకారం, పరమ్2కు మొత్తం పారామీటర్లు దాదాపు ఆరు రెట్లు, శిక్షణ పాఠ్యం సుమారు మూడు రెట్లు, రెండు భాషలకు బదులు 23 భాషలు ఉన్నాయి.

భారత్‌జెన్ చెప్పినట్లు, కంప్యూట్ ఇండియాఏఐ మిషన్ ద్వారా వచ్చింది. దాని ముఖ్య కార్యనిర్వాహకుడు రిషి బాల్ ఫిబ్రవరి 16న బిజినెస్ టుడేతో చెప్పిన ప్రకారం, మిషన్ నుంచి ఇప్పటివరకు వాడిన జీపీయూలు పరమ్2 శిక్షణకు వెళ్లాయి, ప్రాజెక్ట్ వాటిలో సుమారు 4,000ని ఒక నెలకు పైగా వాడింది. శిక్షణకు ఎన్విడియా హెచ్100 జీపీయూలపై ఎన్విడియా నీమో సాఫ్ట్‌వేర్‌తో 24 రోజులు పట్టిందని మోడల్ కార్డ్ చెబుతోంది, శిక్షణ పైప్‌లైన్‌పై ఎన్విడియా సహకరించినట్లు బిజినెస్ స్టాండర్డ్ నివేదించింది. కార్డ్ కానీ, పోస్ట్ కానీ జీపీయూ సంఖ్యను ఇవ్వలేదు, కార్డ్ జీపీయూ గంటలుగా చూపిన 576 గంటలు 24 రోజుల గడిచిన సమయానికి సమానం, కాబట్టి ప్రచురించిన గణాంకాల నుంచి ఈ రెండు కథనాలను పోల్చలేం.

17 బిలియన్ నిల్వ, 2.4 బిలియన్ పనిలో

నిర్మాణపరంగా ఇది మిక్స్చర్-ఆఫ్-ఎక్స్‌పర్ట్స్ మోడల్. ప్రతి టోకెన్‌ను మొత్తం నెట్‌వర్క్ గుండా పంపకుండా, ఒక చిన్న రౌటర్ ప్రతి టోకెన్‌కు ఎక్స్‌పర్ట్‌లు అని పిలిచే కొన్ని ప్రత్యేక ఉప-నెట్‌వర్క్‌లను ఎంచుకుంటుంది. హగ్గింగ్ ఫేస్ కాన్ఫిగరేషన్ ఫైల్ 21 లేయర్లలో 64 రూటెడ్ ఎక్స్‌పర్ట్‌లను, ప్రతి టోకెన్‌కు 6 ఎంపిక, ఎల్లప్పుడూ నడిచే 2 షేర్డ్ ఎక్స్‌పర్ట్‌లను జాబితా చేస్తుంది, వాటిలో మొదటిది సాధారణ డెన్స్ లేయర్. అటెన్షన్ 8 కీ, వాల్యూ హెడ్‌లను పంచుకునే 32 క్వెరీ హెడ్‌లను వాడుతుంది. మిక్స్చర్-ఆఫ్-ఎక్స్‌పర్ట్స్ వివరణ ఈ డిజైన్‌ను 1991 పత్రం నుంచి Sarvam 105 బిలియన్ పారామీటర్ల మోడల్ వరకు అనుసరిస్తుంది.

ఒక ఆసుపత్రి భారత్‌జెన్ సొంత పోలిక: రోగి ఒక సాధారణ వైద్యుడిని, కొందరు సంబంధిత నిపుణులను కలుస్తాడు, భవనంలోని ప్రతి వైద్యుడినీ కాదు. మోడల్ కార్డ్ ప్రకారం, రెండు షేర్డ్ ఎక్స్‌పర్ట్‌లు భాషలన్నింటిలో స్థిరమైన ప్రాతినిధ్యాన్ని ఉంచుతాయి, ఇది కోడ్-స్విచింగ్‌కు, అంటే ఒకే వాక్యంలో హిందీ, ఇంగ్లిష్ కలపడానికి సహాయపడుతుంది, మోడల్ ఒక భాషలో నేర్చుకున్నది ఇతరాలకు బదిలీ అయ్యేలా చేస్తుంది. కంప్యూట్ ప్రతి టోకెన్‌కు సుమారు 2.4 బిలియన్ పారామీటర్లకే వెళ్తుందని భారత్‌జెన్ చెబుతోంది, కాబట్టి మోడల్ చాలా చిన్నదాని ఖర్చుతో నడుస్తుంది.

మెమరీయే ఖర్చు. ఒక భాగమే ఒకేసారి పనిచేసినా ప్రతి పారామీటర్ లోడ్ అయి ఉంటుంది, హగ్గింగ్ ఫేస్ పేజీ నిల్వ చేసిన వెయిట్స్‌లో 17,151,125,376 పారామీటర్లను లెక్కిస్తుంది, ఫైళ్లు మొత్తం 34.3 జీబీ, ఇది మోడల్‌ను బీఫ్లోట్16 అనే 16-బిట్ సంఖ్యా ఫార్మాట్‌లో లోడ్ చేయడానికి భారత్‌జెన్ పోస్ట్ ఇచ్చిన 34 జీబీ జీపీయూ మెమరీకి సరిపోతుంది.

దేనిపై శిక్షణ పొందింది

మోడల్ కార్డ్‌లో మూడు ప్రీట్రైనింగ్ దశలు కనిపిస్తాయి. మొదటి దశ 14.05 ట్రిలియన్ టోకెన్లను కవర్ చేస్తుంది, ఇంగ్లిష్ 8.5 ట్రిలియన్, కోడ్ 1.83 ట్రిలియన్, హిందీ 998.6 బిలియన్ టోకెన్లు, ఇతర భారతీయ భాషలు కలిపి 1.5 ట్రిలియన్ టోకెన్లు. tuput లెక్క ప్రకారం, హిందీ, ఇతర భారతీయ భాషలు దానిలో సుమారు 18 శాతం. రెండో దశ ఇంగ్లిష్, కోడ్, గణితం, సూచనలు, రీజనింగ్ డేటాపై ఆధారపడుతుంది, 500 బిలియన్ టోకెన్ల మూడో దశను లాంగ్-కాంటెక్స్ట్ ప్రీట్రైనింగ్ అని పేరు పెట్టారు. భారతీయ భాషల డేటాను 22 భాషల కోసం నిర్మించిన నాణ్యత వర్గీకరణలతో ఫిల్టర్ చేశారని భారత్‌జెన్ చెబుతోంది.

సుమారు 22.5 ట్రిలియన్ టోకెన్లు కార్డ్ ముఖ్య గణాంకం, దాని మిశ్రమ మొత్తం 22.63 ట్రిలియన్‌గా ఉంది. అది జాబితా చేసిన రెండో దశ వరుసలు 7.14 ట్రిలియన్ టోకెన్లకు కూడతాయి, చెప్పిన దశ మొత్తం 8.08 ట్రిలియన్, అంటే సుమారు 0.94 ట్రిలియన్ తేడా, దాన్ని కార్డ్ వివరించలేదు. అనలిటిక్స్ ఇండియా మ్యాగజైన్ విడుదల నివేదిక 22 ట్రిలియన్ అని ఇచ్చింది.

టోకెనైజర్ అంటే పాఠ్యాన్ని టోకెన్లుగా కత్తిరించే భాగం, పరమ్2కు సొంతది ఉంది. దాని పదకోశంలో 128,000 ఎంట్రీలు ఉన్నాయని, అది బైట్ పెయిర్ ఎన్‌కోడింగ్‌తో నిర్మించి, అన్ని లక్ష్య భాషలపై శిక్షణ ఇచ్చిందని, తద్వారా భారతీయ భాషల పదాలు ప్రపంచ మోడళ్లలో కంటే తక్కువ ముక్కలుగా విడిపోతాయని భారత్‌జెన్ చెబుతోంది. పోస్ట్‌లో ఒక్కో పదానికి ముక్కల సంఖ్య గణాంకాలు లేవు. ఇతర బృందాలు కొలిచినదాన్ని భారతీయ భాషలకు టోకెనైజర్ ఫెర్టిలిటీపై ఒక వ్యాసం వివరిస్తుంది. దాని కాంటెక్స్ట్ విండో, అంటే ఒకేసారి చదవగల పాఠ్య పరిమాణం, 32,768 టోకెన్లు.

కోడ్‌లో తెలుగు వ్యాఖ్యలున్న రీజనింగ్ మోడల్

హగ్గింగ్ ఫేస్‌లో పోస్ట్ చేసిన వెర్షన్ ఒక రీజనింగ్ మోడల్. సమాధానానికి ముందు అది థింక్ ట్యాగ్‌ల మధ్య దశలవారీ ట్రేస్‌ను రాస్తుంది, రిపాజిటరీలో ట్రేస్‌ను, ఏవైనా టూల్ కాల్స్‌ను, తుది సమాధానాన్ని వేరు చేసే ఒక చిన్న పార్సర్ ఉంది. కోడ్, గణితం, టూల్ కాలింగ్ కూడా కవర్ అవుతాయని పోస్ట్ చెబుతోంది, మోడల్ కార్డ్ మూడు నమూనా అవుట్‌పుట్‌లను చూపుతుంది: బహుళ-దశల సగటు సమస్య, ప్రతి వ్యాఖ్యా తెలుగులో రాసిన పైథాన్ బైనరీ సెర్చ్, భారతీయ రాష్ట్రాల్లో భాషలు, ఆహారం, పండుగలు ఎందుకు భిన్నంగా ఉంటాయో హిందీలో ఒక సమాధానం.

22 భాషలు ఎనిమిదో షెడ్యూల్‌లోనివి, వాటిని మా వివరణ జాబితా చేస్తుంది. హిందీ, మరాఠీ, గుజరాతీ, తమిళం అత్యంత బలమైనవాటిలో ఉన్నాయని, ఒక భాషకు ఎంత శిక్షణ డేటా ఉందనే దాన్ని బట్టి నాణ్యత మారుతుందని పోస్ట్ చెబుతోంది.

స్కోర్లు, భిన్నంగా ఉన్న రెండు పట్టికలు

రెండింటిలోనూ నాలుగు ఓపెన్ మోడళ్లు పోలికగా ఉన్నాయి: Qwen1.5-MoE-A2.7B, DeepSeek-R1-Distill-Qwen-14B, DeepSeek-V2-Lite, gpt-oss-20b. స్కోర్లు జీరో-షాట్, అంటే ప్రాంప్ట్‌లో పనిచేసిన ఉదాహరణలు ఉండవు, ఓపెన్ పరీక్ష టూల్‌కిట్ అయిన ఎల్ఎమ్ ఎవాల్యుయేషన్ హార్నెస్‌తో నడిపారు, ప్రతి మోడల్‌కు థింకింగ్ ఆఫ్ చేసి. అంటే రీజనింగ్ ట్రేస్ ఏం జోడిస్తుందో ఆ సంఖ్యలు పట్టుకోవని పోస్ట్ చెబుతోంది.

ఇంగ్లిష్, గణితం, కోడ్‌పై పోస్ట్, కార్డ్ ఏకీభవిస్తాయి:

పరీక్షపరమ్2 స్కోర్ఐదు మోడళ్లలో ర్యాంక్
ఏఆర్‌సీ ఛాలెంజ్ (ఇంగ్లిష్)56.831వ
హెల్లాస్వాగ్ (ఇంగ్లిష్)77.432వ
ఎంఎమ్‌ఎల్‌యూ (ఇంగ్లిష్)57.794వ
జీఎస్ఎమ్8కె (గణితం)57.323వ
హ్యూమన్‌ఎవాల్ (కోడ్)36.591వ
ఐఎఫ్‌ఎవాల్ (సూచనలు పాటించడం)34.052వ

భారతీయ భాషల పరీక్షలపై ఈ రెండూ భిన్నంగా ఉన్నాయి. ఫిబ్రవరి 17 నాటి విడుదల పోస్ట్‌లో పరమ్2 ఐదింటిలో మొదటి స్థానంలో ఉంది: హిందీ ఎంఎమ్‌ఎల్‌యూ 59.23, హిందీ హెల్లాస్వాగ్ 49.63, ఇండిక్ బూల్‌క్యూ 75.98, ఏఆర్‌సీ ఛాలెంజ్ (ఇండిక్) 36.37, ట్రివియాక్యూఏ (ఇండిక్ బహుళ ఎంపిక) 72.95, సంస్కృతి సాంస్కృతిక జ్ఞాన పరీక్షలో 66.54తో మూడో స్థానంలో ఉంది. 2026 నవంబర్ 19న చదివిన మోడల్ కార్డ్ అదే ఆరు పరీక్షలకు ఆ క్రమంలో 64.1, 64.1, 87.7, 90.1, 84.14, 88.6 ఇస్తుంది, ఆరింటిలోనూ మొదటి స్థానం. రెండింటిలోనూ థింకింగ్ ఆఫ్‌లో ఉంది, రెండు ఇండిక్ సగటులు ప్రతి వెర్షన్‌లో 10 భాషలను కవర్ చేస్తాయి. కార్డ్ చివరిగా 2026 నవంబర్ 18న సవరించినట్లు హగ్గింగ్ ఫేస్ చూపుతోంది, మోడల్ లేదా పరీక్ష సెట్టింగ్‌లు మారాయా అనేది అది చెప్పదు. టెక్స్ట్-మోడల్స్ పేజీ ఇప్పటికీ పోస్ట్ గణాంకాలనే ఇస్తోంది, వాటిని అది ఫిబ్రవరి విడుదలగా పేర్కొంటోంది.

పరమ్2 ప్రచురిత ఫలితాలను చర్చించే ఒకే ఒక బయటి పత్రం పరీక్ష నడిపినది కాదు, ఒక సర్వే. 2026 ఆగస్టు 12 ప్రీప్రింట్‌లో (ఆగస్టు 16న సవరించారు), అవినాష్ అగర్వాల్, విధి జైన్ బహిరంగంగా నివేదించిన స్కోర్లను మాత్రమే వాడి భారతీయ ఫౌండేషన్ మోడళ్లను పోల్చారు. పరమ్2 పరిమిత ఫలితాలను నివేదిస్తుందని, అవి ఇండిక్-భాషా పరీక్షల్లో కేంద్రీకృతమై ఉన్నాయని, భారతీయ మోడళ్లకు నివేదించిన చాలా ఫలితాలు డెవలపర్ల సొంతవేనని రచయితలు రాశారు. పరమ్2 శిక్షణను తాత్కాలిక ప్రాతిపదికన పూర్తిగా స్వదేశీగా వర్గీకరించారు, ఆ వర్గీకరణలోని ప్రతి అంశాన్నీ తాము స్వతంత్రంగా ధ్రువీకరించలేదని రచయితలు చెబుతున్నారు.

సాంకేతిక నివేదికల పేజీ పరమ్1, ఆయుర్‌పరమ్, ఒక వ్యవసాయ సలహా సహాయకుడిపై పత్రాలను, రీజనింగ్ కోసం పరమ్2ను మూల్యాంకనం చేసిన సార్వభౌమ ఏఐ స్టాక్‌పై 2026 సెప్టెంబర్ వైట్ పేపర్‌ను జాబితా చేస్తుంది. 2026 నవంబర్ 19 నాటికి పరమ్2పైనే ఏదీ లేదు. విడుదలను ఉత్పత్తి వినియోగానికి ముందు మరింత ఫైన్-ట్యూనింగ్, సేఫ్టీ అలైన్‌మెంట్ అవసరమైన ప్రారంభ పోస్ట్-ట్రైనింగ్ చెక్‌పాయింట్ అని పోస్ట్ పిలుస్తోంది, ఇది డెవలపర్లు ఫైన్-ట్యూన్ చేయగల చెక్‌పాయింట్ అని బాల్ బిజినెస్ టుడేతో చెప్పారు.

ఎవరు డౌన్‌లోడ్ చేయవచ్చు, ఏ నిబంధనలపై

హగ్గింగ్ ఫేస్ రిపాజిటరీ 2026 ఫిబ్రవరి 16న సృష్టించారు, చివరిగా 2026 నవంబర్ 18న సవరించారు. నవంబర్ 19న పేజీ మొత్తం 167,875 డౌన్‌లోడ్లను, 86 లైక్‌లను చూపింది. దాని సొంత టెక్స్ట్-మోడల్స్ పేజీ పరమ్2కు 167,000 లేదా అంతకంటే ఎక్కువ డౌన్‌లోడ్లు, పరమ్ కుటుంబానికి 219,000 లేదా అంతకంటే ఎక్కువ అని చెబుతోంది. తన మోడళ్లపై నిర్మిస్తున్న భాగస్వాములుగా భారత్‌జెన్ ఆసుపత్రులను, రాష్ట్ర ప్రభుత్వాలను, ఒక మంత్రిత్వ శాఖను, ఒక వార్తా గదిని జాబితా చేసింది, వాటిలో ఏవి పరమ్2ను వాడుతున్నాయో దాని పేజీలు చెప్పవు. ఈకే-1, ధీర్‌పై tuput వ్యాసం ఇండియాఏఐ మిషన్ నుంచి వచ్చిన మరో రెండు మోడల్ విడుదలలను కవర్ చేస్తుంది.

భారత్‌జెన్ పేజీలు విడుదలను ఓపెన్ వెయిట్స్ అని పిలుస్తాయి. దాని లైసెన్స్ 2025 ఆగస్టు 7న చివరిగా నవీకరించిన భారత్‌జెన్ రీసెర్చ్ లైసెన్స్, ఇది వాణిజ్యేతర పరిశోధన, విద్యా అవసరాలకు వినియోగం, మార్పు, పంపిణీని అనుమతిస్తుంది. వాణిజ్య వినియోగానికి, మోడల్‌ను లేదా దాని ఉత్పన్నాలను బహిరంగంగా విడుదల చేయడానికి, ఫైన్-ట్యూన్ చేయడానికి లేదా డిప్లాయ్ చేయడానికి, ఉచితమైనా సరే ఏదైనా హోస్టెడ్ సర్వీస్ లేదా ఏపీఐ ద్వారా అందించడానికి భారత్‌జెన్ న్యాయ బృందం నుంచి రాతపూర్వక అనుమతి అవసరమని ఇది చెబుతోంది. వాణిజ్యేతర పరిమితికి లోబడి, వినియోగదారులు తాము సృష్టించే అవుట్‌పుట్‌లకు యజమానులు. కాబట్టి పరమ్2పై ఉత్పత్తిని నిర్మించాలనుకునే కంపెనీ ముందుగా భారత్‌జెన్‌కు రాస్తుంది.

“ఈ ఏడాది కాలంలో క్రమంగా పెద్ద మోడళ్లు” వస్తాయని ఫిబ్రవరిలో బాల్ చెప్పారు. 2026 నవంబర్ 19 నాటికి భారత్‌జెన్ టెక్స్ట్-మోడల్స్ పేజీ ఇప్పటికీ పరమ్2ను తన ప్రధాన మోడల్‌గా జాబితా చేస్తోంది, 128కె-టోకెన్ కాంటెక్స్ట్ విండో ఉన్న వేరియంట్ “త్వరలో విడుదల అవుతుంది” అని మోడల్ కార్డ్ ఇప్పటికీ చెబుతోంది.

Share
Copied!

మూలాలు మరియు మరింత చదవడానికి

  1. BharatGen: Param2, what we built and how (17 February 2026)
  2. Hugging Face: bharatgenai/Param2-17B-A2.4B-Thinking, model page and card (read 19 November 2026)
  3. Hugging Face: Param2-17B-A2.4B-Thinking, config.json
  4. Hugging Face: Param2-17B-A2.4B-Thinking, LICENSE (BharatGen Research License, 7 August 2025)
  5. PIB: The Artificial Intelligence is no longer an option but an essential component of working in every sphere of life, Dr Jitendra Singh at the BharatGen session (17 February 2026)
  6. BharatGen: Param, language models for India (text models page, read 19 November 2026)
  7. BharatGen: Two years of BharatGen (15 October 2026)
  8. BharatGen: Technical reports (read 19 November 2026)
  9. arXiv 2507.13390: PARAM-1 BharatGen 2.9B Model (16 July 2025)
  10. arXiv 2608.11891: Benchmark-Based Comparative Assessment of Publicly Benchmarked Indian Foundation Models, Agarwal and Jain (12 August 2026, revised 16 August)
  11. Business Today: BharatGen to launch 17-billion-parameter multilingual AI model at India AI Impact Summit (12 February 2026)
  12. Business Today: Most real-world use cases don't need trillion-parameter AI, BharatGen CEO Rishi Bal on Param 2 launch (16 February 2026)
  13. Analytics India Magazine: After Param2, BharatGen unveils Patram, Sooktam and Shrutam AI models at India AI Impact Summit (17 February 2026)
  14. Business Standard: BharatGen unveils Param2 17B multilingual MoE model under sovereign AI push (18 February 2026)

ఈ వ్యాసం AI సాధనాల సహాయంతో పరిశోధించి రాయబడింది మరియు కచ్చితత్వం కోసం సవరించబడింది. ఇది సాధారణ సమాచారం మరియు చర్చ కోసం మాత్రమే, వృత్తిపరమైన సలహా కాదు. మా సంపాదకీయ ప్రమాణాలు మరియు నిరాకరణ చూడండి. తప్పు కనిపించిందా? మాకు తెలియజేయండి.

#param2#bharatgen#indian language models#mixture of experts#iit bombay#india ai impact summit#indiaai mission#hugging face

నచ్చిందా? తదుపరిది పొందండి.

ఒకసారి ఒక మంచి వ్యాసం, నేరుగా మీ ఇన్‌బాక్స్‌కు. స్పామ్ లేదు, ఎప్పుడైనా ఆపవచ్చు.

ఇదే విభాగంలో మరిన్ని: ఏఐ మరియు సాంకేతికత
IndiaAI మిషన్‌కు గంటకు రూ. 65 చొప్పున 38,000కు పైగా GPUలు, నిధులు అందుకున్న 12 మోడల్ నిర్మాతలు, మిషన్ కంప్యూట్‌పై శిక్షణ పొందిన Sarvam ఓపెన్ మోడళ్లు ఉన్నాయి, 2026 ఫిబ్రవరిలో మరో 20,000 GPUలను ప్రకటించారు
కంప్యూట్ గంటకు రూ. 65 ధరకు దొరుకుతోంది, మొదటి మోడళ్లు వచ్చాయి, ఫిబ్రవరి సదస్సుకు 100కు పైగా దేశాలు వచ్చాయి. మిషన్‌లోని ప్రతి స్తంభం గురించి ప్రభుత్వ సొంత పత్రాలు ఏం చెబుతున్నాయి, Carnegie India, Takshashila, IISc తో అనుబంధం ఉన్న ఒక పరిశోధనా అధిపతి అభిప్రాయాలు.
సర్వమ్ 105 బిలియన్ పారామీటర్ల మోడల్ ప్రతి టోకెన్‌కు 10.3 బిలియన్‌తోనే లెక్కిస్తుంది; 1991 పత్రం నుంచి మిక్స్‌ట్రల్, డీప్‌సీక్ వరకు సాగిన మిక్స్చర్-ఆఫ్-ఎక్స్‌పర్ట్స్ డిజైన్ దీని వెనుక ఉంది
ఒక చిన్న రౌటర్ ప్రతి పదాన్ని 128 ఉప-నెట్‌వర్క్‌లలో కొన్నింటికే పంపుతుంది, కాబట్టి ఏ ఒక్క పదానికైనా మోడల్‌లో చాలా భాగం ఖాళీగా ఉంటుంది. ఈ డిజైన్ ఎక్కడి నుంచి వచ్చింది, మిక్స్‌ట్రల్, డీప్‌సీక్, సర్వమ్ దీన్ని ఎలా వాడతాయి, ఇది దేన్ని ఆదా చేయదు.
2026 సెప్టెంబర్ 10న విడుదలైన 552 బిలియన్ పారామీటర్ల ఓపెన్-వెయిట్ మోడల్ డీప్‌సీక్ V4.1-Flash, ప్రతి టోకెన్‌కు మెమరీ క్యాష్‌ను 890 బైట్లకు తగ్గించింది, ఇది దాని ముందటి మోడల్ క్యాష్‌లో సుమారు నాలుగో వంతు
సుదీర్ఘ సంభాషణ గురించి మోడల్‌కు ఉండే స్వల్పకాలిక జ్ఞాపకాన్ని నిలుపుకోవడం ఖరీదైనది. డీప్‌సీక్ సెప్టెంబర్ విడుదల దాన్ని డిజైన్ ద్వారానే కుదిస్తుంది, మోడల్ ఇంకా ఎక్కడ వెనుకబడి ఉందో దాని సొంత నివేదికే చెబుతోంది. ఇక్కడ యంత్రాంగం, 2024 నుంచి కాలక్రమం, బయటివారు ఏమి తనిఖీ చేశారో ఉన్నాయి.
← అన్ని వ్యాసాలు