AI शब्दावली: आसान भाषा में 55 शब्द

बुनियादी बातें

यह संदर्भ संस्करण है: 55 शब्द, पहले परिभाषा, फिर ब्योरा। अगर आपको सिर्फ़ उन शब्दों का हल्का दौरा चाहिए जो आपके पहले हफ़्ते में मायने रखते हैं, तो इसके बजाय AI शब्दों का मतलब पढ़ें और जब यहां का कोई शब्द आपको भेजे, तब वापस आएं।

आर्टिफिशियल इंटेलिजेंस (AI)

आर्टिफिशियल इंटेलिजेंस ऐसा सॉफ्टवेयर है जो वे काम करता है जिनके लिए आमतौर पर इंसानी समझ चाहिए होती है, जैसे लिखना, तर्क करना, या किसी तस्वीर में क्या है यह पहचानना।

2026 में रोज़मर्रा के इस्तेमाल में, "AI" का मतलब लगभग हमेशा लार्ज लैंग्वेज मॉडल पर बने चैट सहायक होता है, न कि व्यापक अकादमिक क्षेत्र।

मशीन लर्निंग

मशीन लर्निंग सॉफ्टवेयर को नियम लिखकर प्रोग्राम करने के बजाय उदाहरण दिखाकर सिखाने की तकनीक है।

हर आधुनिक AI सहायक इसी तरह बनता है: व्यवहार प्रशिक्षण डेटा के पैटर्न से आता है, इसीलिए एक ही मॉडल आम कामों में शानदार और दुर्लभ कामों में डगमगाता हुआ हो सकता है।

मॉडल

मॉडल एक खास प्रशिक्षित AI सिस्टम है, वही चीज़ जिसे आप असल में प्रॉम्प्ट भेजते हैं।

GPT, Claude और Gemini मॉडल परिवार हैं; एक परिवार में अलग-अलग आकार, रफ़्तार और कीमत वाले अलग-अलग मॉडल होते हैं। हर काम के हिसाब से इनमें चुनाव करना ही AI को अच्छे से इस्तेमाल करने का मूल हुनर है।

LLM (लार्ज लैंग्वेज मॉडल)

LLM, यानी लार्ज लैंग्वेज मॉडल, वह मॉडल है जिसे भारी मात्रा में टेक्स्ट पर यह अंदाज़ा लगाने के लिए प्रशिक्षित किया गया है कि आगे कौन सा टेक्स्ट आना चाहिए।

यही एक तरकीब, बड़े पैमाने पर की जाए तो जवाब, ड्राफ्ट, कोड और सारांश बनाती है। "लार्ज" शब्द प्रशिक्षण डेटा और पैरामीटर की गिनती, दोनों की ओर इशारा करता है।

चैटबॉट

चैटबॉट मॉडल के चारों ओर लिपटा बातचीत का इंटरफ़ेस है, वह चीज़ जिसमें मैसेज बॉक्स होता है।

प्रोडक्ट्स की तुलना करते समय यह फ़र्क मायने रखता है: दो चैटबॉट एक ही मॉडल को लपेट सकते हैं और फिर भी अलग महसूस हो सकते हैं, और एक चैटबॉट कई मॉडल दे सकता है, जो कि Whizi के काम करने का तरीका है।

प्रॉम्प्ट

प्रॉम्प्ट वह सब कुछ है जो आप मॉडल को भेजते हैं: सवाल, निर्देश, और कोई भी टेक्स्ट या फ़ाइल जो आप शामिल करते हैं।

जवाब की गुणवत्ता प्रॉम्प्ट की गुणवत्ता के साथ बहुत नज़दीक से जुड़ी होती है। कॉन्टेक्स्ट, सीमाएं, और आपको चाहिए आउटपुट फ़ॉर्मेट, ये तीन चीज़ें हैं जिन्हें शुरुआती लोग सबसे ज़्यादा छोड़ देते हैं।

टोकन

टोकन टेक्स्ट का वह छोटा टुकड़ा है जिसे मॉडल असल में पढ़ता और लिखता है, औसतन अंग्रेज़ी के एक शब्द का लगभग तीन-चौथाई।

कीमत, रफ़्तार और कॉन्टेक्स्ट विंडो, सब कुछ टोकन में नापा जाता है, इसीलिए यह शब्द हर AI कीमत वाले पन्ने पर दिखता है। 1,000 शब्दों का दस्तावेज़ लगभग 1,300 टोकन के बराबर होता है।

कॉन्टेक्स्ट विंडो

कॉन्टेक्स्ट विंडो टेक्स्ट की वह अधिकतम मात्रा है, टोकन में नापी गई, जिसे मॉडल एक बार में ध्यान में रख सकता है।

आपका प्रॉम्प्ट, अब तक की बातचीत, जोड़े गए दस्तावेज़, और जवाब, ये सब इसे बांटते हैं। कॉन्टेक्स्ट विंडो तुलना टेबल हर बड़े मॉडल का मौजूदा आंकड़ा देती है, और समझाने वाला लेख बताता है कि यह "AI भूल गया" जैसी ज़्यादातर शिकायतों की वजह क्यों है।

पैरामीटर

पैरामीटर वे अंदरूनी आंकड़े हैं जो मॉडल ने प्रशिक्षण के दौरान सीखे, और आमतौर पर इसी से उसका आकार नापा जाता है।

अरबों में गिने जाने वाले ज़्यादा पैरामीटर का मोटे तौर पर मतलब है ज़्यादा क्षमता और ज़्यादा लागत। अकेले यह एक कमज़ोर खरीदारी पैमाना है; बेंचमार्क और आपके अपने टेस्ट पैरामीटर गिनती से बेहतर बताते हैं।

रिस्पॉन्स

रिस्पॉन्स एक प्रॉम्प्ट के लिए मॉडल का आउटपुट है, जिसे कम्पलीशन भी कहा जाता है।

रिस्पॉन्स हर बार नए सिरे से बनते हैं, इसीलिए एक ही प्रॉम्प्ट को दोबारा चलाने पर अलग शब्दों में, और कभी-कभी अलग जवाब में नतीजा मिलता है।

किसी मॉडल से बात करना

सिस्टम प्रॉम्प्ट

सिस्टम प्रॉम्प्ट वह स्थायी निर्देश है जो मॉडल को आपके मैसेज से पहले मिलता है, जो उसकी भूमिका, लहज़ा और नियम तय करता है।

हर प्रोडक्ट के पास एक होता है, भले ही आपको वह दिखे न। जब किसी चैटबॉट की "अपनी पर्सनैलिटी" होती है, तो वह आमतौर पर सिस्टम प्रॉम्प्ट में ही बसी होती है।

प्रॉम्प्ट इंजीनियरिंग

प्रॉम्प्ट इंजीनियरिंग जान-बूझकर प्रॉम्प्ट लिखने की आदत है ताकि भरोसे के साथ बेहतर आउटपुट मिले।

इस बड़े नाम के बावजूद, इसका ज़्यादातर हिस्सा सीधी स्पष्टता है: लक्ष्य बताएं, कॉन्टेक्स्ट दें, एक उदाहरण दिखाएं, फ़ॉर्मेट का नाम लें। शुरुआती गाइड उन तरीकों को बताती है जो सचमुच नतीजे बदलते हैं।

ज़ीरो-शॉट

ज़ीरो-शॉट का मतलब है मॉडल से कोई काम बिना कोई उदाहरण दिए करने को कहना।

आधुनिक मॉडल ज़्यादातर रोज़मर्रा के काम ज़ीरो-शॉट में ही संभाल लेते हैं। यह शब्द ज़्यादातर फ्यू-शॉट प्रॉम्प्टिंग के मुकाबले के तौर पर बचा रहता है।

फ्यू-शॉट

फ्यू-शॉट का मतलब है प्रॉम्प्ट में मुट्ठी भर हल किए हुए उदाहरण शामिल करना ताकि मॉडल वह पैटर्न कॉपी कर ले।

फ़ॉर्मेटिंग को लेकर संवेदनशील काम के लिए यह भरोसेमंदी बढ़ाने का सबसे सस्ता तरीका है: इनपुट और चाहे गए आउटपुट के दो-तीन उदाहरण, विवरण के एक पैराग्राफ से बेहतर काम करते हैं।

चेन ऑफ थॉट

चेन ऑफ थॉट यह है कि मॉडल अपना आख़िरी जवाब देने से पहले बीच के कदमों से गुज़रता है।

मॉडल से कदम-दर-कदम तर्क करने को कहने से मुश्किल समस्याओं में नापने लायक सुधार आता है, और रीज़निंग मॉडल अब डिफ़ॉल्ट रूप से इसका अपना एक अंदरूनी संस्करण चलाते हैं।

टेम्परेचर

टेम्परेचर वह सेटिंग है जो तय करती है कि मॉडल अगला हर टोकन चुनते समय कितनी बेतरतीबी जोड़े।

कम टेम्परेचर स्थिर, सतर्क आउटपुट देता है; ज़्यादा टेम्परेचर विविधता और कभी-कभार बकवास देता है। चैट प्रोडक्ट आमतौर पर आपके लिए बीच का मान चुन लेते हैं।

स्ट्रीमिंग

स्ट्रीमिंग यह है कि मॉडल अपना जवाब बनाते ही टोकन-दर-टोकन भेजता है, न कि खत्म होने पर एक साथ।

यही वजह है कि जवाब खुद-ब-खुद टाइप होते दिखते हैं, और खराब जवाब को पूरा होने का इंतज़ार करने के बजाय बीच में ही रोका जा सकता है।

रीजेनरेट

रीजेनरेट का मतलब है उसी प्रॉम्प्ट के लिए नया जवाब मांगना।

चूंकि जनरेशन संभावना पर आधारित है, रीजेनरेट सचमुच का नया प्रयास है, वही गणना दोबारा चलाना नहीं। दो प्रयासों की तुलना करना, या एक ही प्रॉम्प्ट को दो मॉडलों पर चलाना, गुणवत्ता जांचने का तेज़ तरीका है।

मॉडल कैसे बनते हैं

प्रशिक्षण

प्रशिक्षण वह प्रक्रिया है जिसमें मॉडल के पैरामीटर को डेटा के मुकाबले तब तक एडजस्ट किया जाता है जब तक उसके अंदाज़े अच्छे न हो जाएं।

यह आपके मॉडल से मिलने से पहले होता है और प्रोवाइडर को भारी कंप्यूट लागत देता है। चैट में आप जो भी टाइप करते हैं, वह उसी पल मॉडल को दोबारा प्रशिक्षित नहीं करता, हालांकि प्रोवाइडर अपनी नीति के हिसाब से बातचीत का इस्तेमाल भविष्य के संस्करणों को प्रशिक्षित करने में कर सकते हैं।

प्रशिक्षण डेटा

प्रशिक्षण डेटा वह टेक्स्ट और अन्य सामग्री है जिससे मॉडल ने सीखा।

इसकी चौड़ाई बताती है कि मॉडल क्या जानता है, इसकी कमियां व्यवस्थित अंधे कोनों की वजह बताती हैं, और इसकी तारीख सीमा नॉलेज कटऑफ तय करती है।

प्री-ट्रेनिंग

प्री-ट्रेनिंग प्रशिक्षण का पहला और सबसे बड़ा चरण है, जहां मॉडल भारी मात्रा के टेक्स्ट से भाषा और दुनिया की जानकारी सीखता है।

नतीजा सक्षम तो होता है पर कच्चा। जो कुछ भी मॉडल को एक मददगार सहायक की तरह व्यवहार करने लायक बनाता है, वह इसके बाद आता है।

फाइन-ट्यूनिंग

फाइन-ट्यूनिंग किसी पहले से प्रशिक्षित मॉडल को खास बनाने या आकार देने के लिए एक संकरे डेटासेट पर दिया गया अतिरिक्त प्रशिक्षण है।

प्रोवाइडर मददगारी और सुरक्षा के लिए फाइन-ट्यून करते हैं; कंपनियां अपने डोमेन के कामों के लिए। ज़्यादातर लोगों के लिए, अच्छी प्रॉम्प्टिंग और एक सक्षम सामान्य मॉडल, फाइन-ट्यून के लिए पैसे देने से बेहतर पड़ता है।

RLHF

RLHF, यानी रीइन्फ़ोर्समेंट लर्निंग फ्रॉम ह्यूमन फ़ीडबैक, मॉडल को उसके जवाबों की इंसानी रेटिंग के मुकाबले प्रशिक्षित करना है।

यही एक बड़ी वजह है कि आधुनिक सहायक विनम्र, व्यवस्थित और सतर्क होते हैं। ज़्यादा हो जाए तो यह वह झिझक भी पैदा करता है जिसकी वजह से कुछ मॉडल मना कर देते हैं या घुमा-फिरा कर बात करते हैं।

अलाइनमेंट

अलाइनमेंट मॉडल के व्यवहार को इंसानी मंशा और मूल्यों के मुताबिक बनाने का काम है।

व्यवहार में इसमें नुकसानदेह अनुरोध ठुकराने से लेकर निर्देशों को सटीक तरीके से मानने तक सब कुछ आता है। जब मॉडल तकनीकी तौर पर प्रभावशाली पर अनचाही कोई चीज़ करता है, तो वह अलाइनमेंट में कमी है।

इन्फरेंस

इन्फरेंस किसी प्रशिक्षित मॉडल को चलाकर जवाब बनवाना है, उसे प्रशिक्षित करने के उलट।

आप जो भी मैसेज भेजते हैं वह इन्फरेंस चलाता है, और इन्फरेंस की लागत ही वह है जिसे टोकन कीमत नापती है। चलाने में सस्ते मॉडल भी काफ़ी सक्षम हो सकते हैं; AI मॉडल कॉस्ट इंडेक्स 2,000 गुना तक की कीमत फ़ासला दिखाता है।

ट्रांसफॉर्मर

ट्रांसफॉर्मर वह न्यूरल नेटवर्क आर्किटेक्चर है जो लगभग हर आधुनिक लैंग्वेज मॉडल के पीछे है।

इसकी मुख्य कार्यविधि, अटेंशन, मॉडल को इनपुट के हर हिस्से को बाकी हर हिस्से के मुकाबले तौलने देती है। आपको कभी इसका ब्योरा जानने की ज़रूरत नहीं पड़ेगी, पर यह शब्द AI से जुड़ी लेखनी में हर जगह मिलता है।

जब चीज़ें गड़बड़ाती हैं

हैलुसिनेशन

हैलुसिनेशन यह है कि मॉडल पूरे आत्मविश्वास से कोई झूठी बात कहे।

यह ऐसी खामी नहीं जिसे अगले रिलीज़ में पैच कर दिया जाएगा; यह इसी बात से निकलती है कि जनरेशन कैसे काम करता है। इसकी आवृत्ति मॉडल और काम के हिसाब से बहुत बदलती है। किसी भी खास तथ्य, आंकड़े या उद्धरण को तब तक असत्यापित मानें जब तक आप उसे जांच न लें। AI गलत जवाब क्यों देता है इसकी कार्यविधि बताता है।

ग्राउंडिंग

ग्राउंडिंग मॉडल को उसकी याददाश्त पर टिकने देने के बजाय जवाब देने के लिए भरोसेमंद सामग्री देना है।

कॉन्ट्रैक्ट पेस्ट करना, रिपोर्ट अटैच करना, या वेब सर्च चालू करना, ये सब ग्राउंडिंग हैं। हैलुसिनेशन के खिलाफ़ यह रोज़मर्रा का सबसे असरदार बचाव है।

बायस

बायस यह है कि मॉडल अपने आउटपुट को व्यवस्थित तरीके से उन दिशाओं में झुकाए जो उसे प्रशिक्षण डेटा से विरासत में मिली हैं।

यह लोगों, जगहों और डिफ़ॉल्ट को लेकर बनी धारणाओं के रूप में दिखता है। किसी असरदार फ़ैसले के लिए, AI के आउटपुट की समीक्षा वैसे ही करें जैसे आप किसी होशियार पर बिना जांचे-परखे इंटर्न के काम की करते।

गार्डरेल

गार्डरेल वे पाबंदियां हैं जो प्रोवाइडर नुकसानदेह या नीति के खिलाफ़ आउटपुट रोकने के लिए मॉडल के चारों ओर बनाता है।

अलग-अलग प्रोवाइडर लकीरें अलग जगह खींचते हैं, और यह एक असली प्रोडक्ट फ़र्क है: एक ही अनुरोध का जवाब एक मॉडल दे सकता है और दूसरा उसे ठुकरा सकता है।

जेलब्रेक

जेलब्रेक ऐसा प्रॉम्प्ट है जिसे मॉडल को उसके गार्डरेल नज़रअंदाज़ करने के लिए बहलाने को गढ़ा गया हो।

प्रोवाइडर इन्हें लगातार पैच करते रहते हैं। आम इस्तेमाल करने वालों के लिए यह शब्द ज़्यादातर एक सुरक्षा अवधारणा के तौर पर मायने रखता है: मॉडल को जो भी बात मनवाई जा सकती है, कोई न कोई उसे मनवाने की कोशिश ज़रूर करेगा।

रेड टीमिंग

रेड टीमिंग रिलीज़ से पहले जान-बूझकर मॉडल पर हमला करके नुकसानदेह खराबियां ढूंढना है।

प्रोवाइडर अंदरूनी और बाहरी रेड टीमें चलाते हैं, और छपे हुए मॉडल कार्ड अक्सर उन्हें जो मिला उसका सार देते हैं। यह AI की दुनिया में पेनिट्रेशन टेस्टिंग जैसा ही है।

नॉलेज कटऑफ

नॉलेज कटऑफ वह तारीख है जिसके बाद मॉडल का प्रशिक्षण डेटा खत्म हो जाता है।

उसके बाद की कोई बात पूछें तो मॉडल या तो अपनी अनजानता मान लेता है, या अगर कर सकता है तो वेब खंगालता है, या हैलुसिनेट करता है। जिस मॉडल का आप इस्तेमाल कर रहे हैं उसका कटऑफ जानना गलतियों की एक पूरी श्रेणी से बचाता है।

रिट्रीवल और आपका डेटा

RAG (रिट्रीवल ऑगमेंटेड जनरेशन)

RAG, यानी रिट्रीवल ऑगमेंटेड जनरेशन, पहले जुड़े हुए दस्तावेज़ ढूंढना और फिर मॉडल से उन्हीं के आधार पर जवाब दिलवाना है।

"अपने नॉलेज बेस से बात करें" वाले प्रोडक्ट अंदर से इसी तरह काम करते हैं, और इसीलिए वे स्रोत का हवाला दे पाते हैं। RAG हैलुसिनेशन घटाता है पर जो कुछ वह ढूंढता है, उसी की गुणवत्ता विरासत में लेता है।

एम्बेडिंग

एम्बेडिंग किसी टेक्स्ट के टुकड़े के मतलब को दर्शाती आंकड़ों की एक सूची है।

मिलते-जुलते मतलब वाले टेक्स्ट को पास-पास के आंकड़े मिलते हैं, जिससे सॉफ्टवेयर गणित के ज़रिए जुड़े हुए हिस्से ढूंढ पाता है। सिमेंटिक सर्च और RAG के पीछे यही मशीनरी है।

वेक्टर डेटाबेस

वेक्टर डेटाबेस एम्बेडिंग को स्टोर करने और सबसे नज़दीकी वालों को तेज़ी से ढूंढने के लिए बनाया गया डेटाबेस है।

अगर कोई प्रोडक्ट कहता है कि उसने AI सर्च के लिए आपके दस्तावेज़ "इंडेक्स" कर लिए हैं, तो हर टुकड़े की एक एम्बेडिंग इन्हीं में से किसी एक में बैठी होती है।

सिमेंटिक सर्च

सिमेंटिक सर्च कीवर्ड मिलाने के बजाय मतलब के आधार पर टेक्स्ट ढूंढना है।

"पैसों की दिक्कत" खोजने पर कैश फ़्लो पर दबाव वाला हिस्सा सामने आ सकता है, भले ही कोई शब्द न मिले। यह एम्बेडिंग को काम पर लगाना ही है।

चंकिंग

चंकिंग लंबे दस्तावेज़ों को इतने छोटे टुकड़ों में बांटना है कि उन्हें अच्छी तरह एम्बेड और रिट्रीव किया जा सके।

यह सुनने में प्लंबिंग जैसा लगता है, और है भी, लेकिन खराब चंकिंग एक आम वजह है कि दस्तावेज़-चैट टूल फ़ाइल के गलत हिस्से से जवाब दे देते हैं।

वेब सर्च (AI में)

AI में वेब सर्च का मतलब है मॉडल का जवाब देने से पहले मौजूदा पन्ने खंगालना, प्रशिक्षण की याददाश्त पर टिकने के बजाय।

यह रफ़्तार की जगह ताज़गी लेता है और जवाबों के साथ ऐसे हवाले देता है जिन्हें आप खोल सकते हैं। मॉडल के नॉलेज कटऑफ के बाद की किसी भी बात के लिए, यही जवाब और अंदाज़े के बीच का फ़र्क है।

नॉलेज बेस

नॉलेज बेस दस्तावेज़ों का वह छांटा हुआ सेट है जो कोई कंपनी अपने AI को जवाब देने के लिए देती है।

जैसा अंदर, वैसा बाहर: पुरानी पड़ चुकी विकी पर टिका सहायक पूरे आत्मविश्वास से पुराने जवाब देता है, हवाले सहित।

इस शब्दावली के तीन शब्द एक ही सवाल के मुकाबले वाले जवाबों के नाम हैं, यानी मॉडल को आपके काम में बेहतर कैसे बनाया जाए, और इन्हें आपस में मिला देना प्रोडक्ट मीटिंगों में सबसे आम शब्दजाल वाली गलती है। साथ-साथ रखकर देखें:

तरीका	क्या बदलता है	लागत और रफ़्तार	कब जीतता है
बेहतर प्रॉम्प्टिंग (ज़ीरो-शॉट, फ्यू-शॉट)	सिर्फ़ वह टेक्स्ट जो आप भेजते हैं	मुफ़्त, मिनटों में हो जाता है	लगभग हमेशा पहला कदम; दो-तीन हल किए उदाहरण ज़्यादातर फ़ॉर्मेटिंग समस्याएं ठीक कर देते हैं
RAG	मॉडल जवाब देने से पहले क्या पढ़ता है	बनाने में मध्यम, दोबारा प्रशिक्षण नहीं चाहिए	ऐसे जवाब जिन्हें मौजूदा रहना है या आपकी अपनी फ़ाइलों का हवाला देना है
फाइन-ट्यूनिंग	मॉडल के अपने पैरामीटर	धीमा और महंगा, फिर स्थिर	बड़े पैमाने पर स्थिर स्टाइल और फ़ॉर्मेट की ज़रूरतें, किसी अकेले व्यक्ति के लिए लगभग कभी नहीं

टेक्स्ट से आगे

मल्टीमॉडल

मल्टीमॉडल का मतलब है ऐसा मॉडल जो एक से ज़्यादा माध्यमों में काम करे, जैसे टेक्स्ट के साथ इमेज, ऑडियो या वीडियो।

इसी वजह से आप किसी एरर का स्क्रीनशॉट लेकर पूछ सकते हैं कि गड़बड़ी क्या है। मल्टीमॉडल AI गाइड बताती है कि आज असल में क्या काम करता है।

विज़न मॉडल

विज़न मॉडल ऐसा मॉडल है जो तस्वीरें समझ सकता है: फ़ोटो, स्क्रीनशॉट, चार्ट और दस्तावेज़।

पढ़ना और बनाना एक जैसा नहीं है; कोई मॉडल आपका डायग्राम बिल्कुल सही बता सकता है और फिर भी खुद एक बनाने में नाकाम रह सकता है।

इमेज जनरेशन

इमेज जनरेशन टेक्स्ट के विवरण से नई तस्वीरें बनाना है।

गुणवत्ता, स्टाइल की रेंज, और तस्वीरों के अंदर टेक्स्ट दिखाने की क्षमता, जनरेटर के बीच बहुत बदलती है, इसीलिए गंभीर इस्तेमाल करने वाले कई की तुलना करते हैं। इमेज जनरेटर राउंडअप इस क्षेत्र पर अपडेट रहता है।

डिफ्यूज़न मॉडल

डिफ्यूज़न मॉडल शोर से शुरू करके उसे विवरण की दिशा में कदम-दर-कदम निखारते हुए तस्वीरें बनाता है।

यह आधुनिक इमेज जनरेटर के पीछे की मुख्य तकनीक है। यह शब्द ज़्यादातर इसलिए मायने रखता है ताकि किसी प्रोडक्ट के नाम में "डिफ्यूज़न" देखकर आपको पता चल जाए कि वह प्रोडक्ट क्या करता है।

स्पीच टू टेक्स्ट

स्पीच टू टेक्स्ट बोले गए ऑडियो को लिखे हुए शब्दों में बदलना है।

आधुनिक ट्रांसक्रिप्शन इतनी सटीक है कि मीटिंग, वॉइस नोट्स और इंटरव्यू सर्च करने लायक बन जाते हैं, और चैट ऐप में वॉइस इनपुट इसी तरह काम करता है।

टेक्स्ट टू स्पीच

टेक्स्ट टू स्पीच लिखे हुए शब्दों से बोला गया ऑडियो बनाना है।

मौजूदा सिस्टम स्वाभाविक और भावभरी आवाज़ें बनाते हैं, जो पढ़कर सुनाने वाले फ़ीचर और AI वॉइस बातचीत को चलाती हैं।

इकोसिस्टम

API

API वह प्रोग्रामेटिक दरवाज़ा है जिससे डेवलपर अपने ही सॉफ्टवेयर से मॉडल को प्रॉम्प्ट भेजते हैं।

API की कीमत प्रति टोकन होती है, और हर AI प्रोडक्ट की प्रति-जवाब लागत आखिरकार यहीं से निकलती है।

ओपन वेट्स

ओपन वेट्स का मतलब है कि मॉडल के प्रशिक्षित पैरामीटर हर किसी के डाउनलोड और चलाने के लिए छाप दिए गए हैं।

इससे सेल्फ़-होस्टिंग मुमकिन होती है और दूसरे प्रोवाइडर अपने ही इन्फ़्रास्ट्रक्चर पर मॉडल चला पाते हैं। DeepSeek और Llama इसकी मशहूर मिसालें हैं।

ओपन सोर्स मॉडल

ओपन सोर्स मॉडल, मोटे तौर पर, ऐसा मॉडल है जिसे सार्वजनिक इस्तेमाल और बदलाव के लिए जारी किया गया है, हालांकि लाइसेंस बहुत अलग-अलग होते हैं।

व्यावहारिक सवाल हमेशा यही दो होते हैं: क्या आप इसे कमर्शियल इस्तेमाल कर सकते हैं, और आपके लिए इसे कौन होस्ट कर रहा है। ओपन वेट्स इकोसिस्टम तब सबसे ज़्यादा मायने रखता है जब प्राइवेसी या लागत होस्टेड फ़्लैगशिप मॉडल को रास्ते से हटा देती है।

बेंचमार्क

बेंचमार्क मॉडलों को अंक देने और उनकी तुलना करने के लिए इस्तेमाल होने वाला मानक टेस्ट है।

पहली झलक के लिए काम का, पर मार्केटिंग में अक्सर इसे ज़रूरत से ज़्यादा तानकर दिखाया जाता है। कोई मॉडल बेंचमार्क में सबसे ऊपर होकर भी आपके असली काम में हार सकता है, इसीलिए अपनी तीन कामों वाली तुलना खुद चलाना चार्ट पढ़ने से बेहतर है।

एजेंट

एजेंट ऐसा AI सिस्टम है जो सिर्फ़ एक बार जवाब देने के बजाय किसी लक्ष्य की ओर कदमों में काम करता है।

बुकिंग करना, रिसर्च करना, कोड लिखना और टिकट भरना, यह सब एजेंट का इलाका है। यह क्षमता असली है और तेज़ी से सुधर रही है; और उतनी ही ज़रूरी यह भी है कि मायने रखने से पहले एजेंट ने जो किया उसकी समीक्षा हो।

टूल यूज़

टूल यूज़, या फ़ंक्शन कॉलिंग, मॉडल का सर्च, कैलकुलेटर, कोड या आपके कैलेंडर जैसी बाहरी क्षमताओं को बुलाना है।

इसी से चैट सहायक दुनिया पर सिर्फ़ बताने के बजाय असर डाल पाते हैं, और यही एजेंट के पीछे की कार्यविधि है।

रीज़निंग मॉडल

रीज़निंग मॉडल वह है जो जवाब देने से पहले किसी समस्या पर अंदर ही अंदर सोचने में अतिरिक्त कंप्यूट खर्च करता है।

यह सौदा है मुश्किल समस्याओं में सटीकता के बदले समय और लागत का। आसान सवालों में यह अतिरिक्त सोच कुछ हासिल नहीं कराती, जो हर काम के हिसाब से मॉडल बदलने की एक और वजह है।

लेटेंसी

लेटेंसी यह है कि प्रॉम्प्ट भेजने और जवाब आने या स्ट्रीम होना शुरू होने के बीच आप कितनी देर इंतज़ार करते हैं।

यह मॉडल के आकार, लोड, और मॉडल रीज़निंग मॉडल है या नहीं, इसके हिसाब से बदलती है। इंटरैक्टिव काम के लिए, एक तेज़ ठीक-ठाक मॉडल अक्सर धीमे शानदार मॉडल से बेहतर पड़ता है।

रेट लिमिट

रेट लिमिट वह सीमा है जो प्रोवाइडर तय करता है कि आप एक समय सीमा में कितने अनुरोध या टोकन इस्तेमाल कर सकते हैं।

इस सीमा तक पहुंचना ही आमतौर पर वह वजह है जिसकी वजह से चैट प्रोडक्ट आपसे इंतज़ार करने या अपग्रेड करने को कहता है। सब्सक्रिप्शन प्लान पर मैसेज की सीमाएं दरअसल रेट लिमिट ही हैं, बस ज़्यादा दोस्ताना नाम के साथ।

शब्दावली को काम का बनाए रखना

इस क्षेत्र में शब्द तेज़ी से पुराने पड़ते हैं। यह पन्ना एक संदर्भ के तौर पर बनाए रखा जाता है: इस्तेमाल बदलने पर एंट्री दोबारा लिखी जाती हैं, और जुड़ी हुई गहराई वाली गाइड वह ब्योरा रखती हैं जो किसी परिभाषा में नहीं समाता।

अगर बाहर कहीं आपको मिला कोई शब्द यहां नहीं है, तो सबसे तेज़ रास्ता यह है कि जिस वाक्य में आपको वह मिला, उसे किसी सक्षम मॉडल में पेस्ट करें और उससे उसी संदर्भ में परिभाषा मांगें। Whizi में आप एक साथ दो मॉडलों से पूछ सकते हैं और देख सकते हैं कि वे कब असहमत होते हैं, जो नए शब्दजाल के लिए हैरानी की बात नहीं कि कितनी बार होता है।