आर्टिफिशियल इंटेलिजेंस की दुनिया की कल्पना एक विशाल, उच्च-दांव वाली लाइब्रेरी के रूप में करें। लंबे समय तक, लोग केवल "विशाल ग्रंथों" (Giant Tomes) को ही पढ़ सकते थे—विशाल, अविश्वसनीय रूप से बुद्धिमान विश्वकोश जिन्हें रखने के लिए पूरी टीम और एक पावर प्लांट की आवश्यकता होती थी। ये विशाल ग्रंथ लगभग किसी भी चीज़ का उत्तर दे सकते थे, लेकिन उन्हें रखने के लिए बहुत अधिक पैसा और भारी वजन की आवश्यकता थी। अभी AI के विज्ञान में बड़ा सवाल यह नहीं है कि "हम विशाल ग्रंथों को और स्मार्ट कैसे बनाएं?" बल्कि यह है कि, "क्या हम एक छोटा, जेब में रखने योग्य नोटबुक बना सकते हैं जो बिना सुपरकंप्यूटर के विशिष्ट कार्यों को करने के लिए पर्याप्त स्मार्ट हो?"

इसे समझने के लिए, आपको दो चीजों के बारे में जानना होगा। पहला, स्मॉल लैंग्वेज मॉडल्स (SLMs) हैं। इन्हें "जेब वाले नोटबुक" के रूप में सोचें। ये बड़े AI दिमागों के बहुत छोटे संस्करण हैं, जिन्हें सामान्य कंप्यूटर या यहाँ तक कि लैपटॉप पर फिट होने के लिए डिज़ाइन किया गया है। दूसरा, फाइन-ट्यूनिंग (Fine-Tuning) है। एक सामान्य उद्देश्य वाले नोटबुक की कल्पना करें जो हर चीज़ के बारे में थोड़ा बहुत जानता है और फिर उसे एक विशिष्ट विषय में क्रैश कोर्स देना, जैसे कि "ईमेल को कैसे छाँटें" या "अक्षरों को कैसे गिनें।" इसके लिए पूरे किताब को फिर से लिखने की आवश्यकता नहीं है; इसमें बस कुछ स्टिकी नोट्स जोड़ना और मुख्य अनुभागों को हाइलाइट करना शामिल है। यह शोध पत्र पूछता है: यदि हम इन छोटे नोटबुक्स को एक लक्षित क्रैश कोर्स दें, तो क्या वे स्थानीय, रोजमर्रा के कार्यों के लिए विश्वसनीय विशेषज्ञ बन सकते हैं?

शोध पत्र का मिशन: जेब वाले नोटबुक्स को स्थानीय विशेषज्ञों में बदलना

यह शोध पत्र, जिसका शीर्षक "Democratizing AI with Small Language Models" है, एक नियंत्रित प्रयोग है यह देखने के लिए कि क्या हम इस बात की चिंता करना छोड़ सकते हैं कि कमरे में सबसे बड़ा, सबसे महंगा AI किसके पास है और इसके बजाय छोटे, सस्ते मॉडल्स का उपयोग करना शुरू कर सकते हैं जिन्हें हम वास्तव में अपना और नियंत्रित कर सकते हैं। लेखक, डैनियल सर्सोसिमो (Daniel Cersosimo), तर्क देते हैं कि AI का "लोकतांत्रिकरण" (democratizing) करने का मतलब यह नहीं है कि हर किसी के पास सुपरकंप्यूटर होना चाहिए; इसका मतलब है एक विश्वसनीय, चरण-दर-चरण प्रक्रिया होना जिससे एक छोटा मॉडल चुना जा सके, उसका परीक्षण किया जा सके, और उसे एक विशिष्ट कार्य के लिए अनुकूलित किया जा सके।

इसकी जांच करने के लिए, शोधकर्ता ने नौ अलग-अलग छोटे AI मॉडल्स के लिए एक विशेष "परीक्षा" बनाई। ये मॉडल्स बहुत छोटे (133 मिलियन पैरामीटर्स) से लेकर मध्यम आकार के (3 बिलियन पैरामीटर्स) तक थे। यह परीक्षा कोई चैट सत्र नहीं था जहाँ AI इधर-उधर बड़बड़ा सके; यह एक सख्त बहुविकल्पीय टेस्ट था जिसमें 16 विभिन्न विषयों को कवर करने वाले 1,085 प्रश्न थे, जैसे कि एक शब्द में अक्षरों को गिनना, ईमेल पते निकालना, या यह तय करना कि कार वॉश बेहतर है या पैदल चलना। नियम सख्त थे: AI को ठीक एक अक्षर (A, B, C, या D) आउटपुट करना था और कुछ भी नहीं। यदि इसने कोई पूर्ण विराम (period), स्पेस, या पूरा वाक्य जोड़ा, तो इसे गलत माना जाता था। यह वास्तविक दुनिया की स्थितियों की नकल करता है जहाँ एक कंप्यूटर प्रोग्राम को काम जारी रखने के लिए एक साफ, सटीक उत्तर की आवश्यकता होती है।

प्रारंभिक परिणाम: प्रशिक्षण से पहले कौन सबसे स्मार्ट है?
किसी भी विशेष प्रशिक्षण से पहले, मॉडल्स ने परीक्षा दी। विजेता Qwen Coder 3B था, जिसने 75.67% उत्तर सही दिए। इसके बाद Qwen2.5 1.5B 67.10% के साथ आया, और कुछ अन्य 64% की सीमा में थे। सबसे छोटे मॉडल्स, जैसे कि SmolLM2 135M, संघर्ष कर रहे थे, जिनका स्कोर लगभग 30% था।

हालाँकि, शोध पत्र एक महत्वपूर्ण विवरण की ओर इशारा करता है: भले ही "विजेता" भी पूर्ण नहीं थे, लेकिन छोटे मॉडल्स नियमों (फॉर्मेटिंग) का पालन करने में आश्चर्यजनक रूप से अच्छे थे, भले ही उनके उत्तर गलत थे। यह सुझाव देता है कि छोटे मॉडल्स के पास पहले से ही एक ठोस आधार है; उन्हें बस काम के लिए विशिष्ट तर्क सीखने की आवश्यकता है।

प्रयोग: "क्रैश कोर्स" (Fine-Tuning)
इसके बाद, शोधकर्ता ने इन मॉडल्स के एक उपसमूह (subset) को पैरामीटर-एफिशिएंट फाइन-ट्यूनिंग (PEFT) नामक तकनीक का उपयोग करके एक "क्रैश कोर्स" दिया। इसे एक स्मार्ट छात्र को लेने और उसे केवल 108 अभ्यास प्रश्नों (परीक्षा का एक छोटा हिस्सा) के लिए एक विशेष ट्यूटर देने के रूप में समझें, और फिर उन्हें फिर से टेस्ट करने से पहले। यह एक बजट-अनुकूल चिप (NVIDIA L4) पर किया गया था, जो यह सिद्ध करता है कि इसे करने के लिए आपको सुपरकंप्यूटर की आवश्यकता नहीं है।

परिणाम नाटकीय थे। इस लघु प्रशिक्षण के बाद:

• Qwen Coder 3B की सटीकता 65.74% से बढ़कर 92.59% हो गई। यह एक विशाल +26.85 अंक का सुधार है।
• SmolLM2 1.7B 46.30% से बढ़कर 72.22% हो गया, जो +25.92 अंक की बढ़त है।
• Qwen2.5 1.5B में +19.44 अंक का सुधार हुआ, जो 89.81% तक पहुँच गया।

यहाँ तक कि सबसे छोटे मॉडल्स भी बेहतर हुए, हालाँकि वे एक "सीमा" (ceiling) पर पहुँच गए। SmolLM2 135M में केवल +5.55 अंक का सुधार हुआ, जो यह सुझाव देता है कि कुछ मॉडल्स बहुत छोटे होते हैं, चाहे आप उन्हें कितना भी प्रशिक्षित करें।

इसका वास्तव में क्या अर्थ है?
शोध पत्र सुझाव देता है कि हमें उपयोगी उपकरण होने के लिए अगली पीढ़ी के विशाल AI मॉडल्स का इंतजार करने की आवश्यकता नहीं है। इसके बजाय, हम एक "वर्कफ़्लो" का उपयोग कर सकते हैं:

1. एक विशिष्ट, संकीमित कार्य चुनें (जैसे डेटा छाँटना)।
2. यह देखने के लिए कि कौन सा मॉडल स्वाभाविक रूप से इसमें अच्छा है, कुछ ओपन-सोर्स मॉडल्स का परीक्षण करें।
3. एक मानक कंप्यूटर पर उस मॉडल को एक सस्ता, त्वरित प्रशिक्षण सत्र (fine-tuning) दें।
4. इसे एक "स्थानीय विशेषज्ञ" के रूप में तैनात करें।

अध्ययन स्पष्ट रूप से इस विचार के खिलाफ तर्क देता है कि हमें हर चीज़ के लिए विशाल, केंद्रीकृत AI सिस्टम पर निर्भर रहना चाहिए। यह दिखाता है कि संरचित, नियम-आधारित, और विशिष्ट वर्कलोड के लिए, एक छोटा मॉडल जिसे ठीक से ट्यून किया गया है, एक अत्यधिक व्यवहार्य और प्रभावी समाधान हो सकता है। यह आपके अपने हार्डवेयर पर चलता है, आपके डेटा को निजी रखता है, और इसकी कीमत का एक अंश खर्च करता है, जो इन विशिष्ट प्रकार के कार्यों के लिए विशाल मॉडल्स का एक व्यावहारिक विकल्प बनाता है।

चुनौती और आत्मविश्वास
लेखक सावधानी बरतते हुए कहते हैं कि यह हर समस्या के लिए जादुई समाधान नहीं है। परिणाम इस प्रकार के "बहुविकल्पीय, सख्त-फॉर्मेट" परीक्षा और सीमित कार्यों (bounded tasks) के लिए विशिष्ट हैं। वे स्वीकार करते हैं कि प्रशिक्षण परीक्षण छोटा था (केवल 108 प्रश्न), इसलिए कुछ अनिश्चितता है, लेकिन रुझान स्पष्ट है। वे यह भी नोट करते हैं कि सबसे छोटे मॉडल्स की एक कठिन सीमा होती है; आप 135-मिलियन-पैरामीटर वाले मॉडल को 3-बिलियन-पैरामीटर वाले मॉडल जितना स्मार्ट बनाने के लिए प्रशिक्षित नहीं कर सकते।

संक्षेप में, शोध पत्र सुझाव देता है कि सुलभ AI का भविष्य कमरे में सबसे बड़े दिमाग को रखने के बारे में नहीं है; बल्कि यह काम के लिए सही उपकरण रखने, उसे स्थानीय रूप से कस्टमाइज़ करने और उसे उपयोग करने वाले लोगों के स्वामित्व में रखने के बारे में है। यह "सभी के लिए AI" के विचार को महंगे एक्सेस के सपने से बदलकर विशिष्ट, संरचित जरूरतों के लिए छोटे, विशेष और किफायती सहायकों की एक व्यावहारिक वास्तविकता में बदल देता है।