“मेज़ पर दो डिब्बे” किसी छवि का सही वर्णन हो सकता है। लेकिन बाईं ओर वाले डिब्बे पर लिखे छोटे कोड के बारे में किसी प्रश्न के लिए यह बहुत कम सहायक है। किसी स्थानीय इमेज एआई का उद्देश्य केवल विषयों को पहले से छाँटना हो सकता है – या उसका उद्देश्य सटीक चिह्नों को लिपिबद्ध करना भी हो सकता है। जो कोई दोनों को एक साथ छवि-समझ कहकर मिला देता है, वह आसानी से गलत क्षमता की अपेक्षा कर सकता है।
OpenBMB, MiniCPM-V 4.7 की तिथि 12 अक्टूबर 2026बताता है। मूल प्रोजेक्ट में वेरिएंट 1B और 35B-A3B सूचीबद्ध हैं; बड़ा वेरिएंट एक मिक्स्चर-ऑफ़-एक्सपर्ट्स मॉडल है। रिलीज़ में इसे स्थानीय और मल्टीमॉडल रूप से उपयोग करने के तरीकों का वर्णन है। फिर भी, विशिष्ट रनटाइम, मॉडल आर्टिफ़ैक्ट और उपकरण का आपस में मेल खाना अब भी आवश्यक है।
सक्रिय पैरामीटर पूरे कंप्यूटर का वर्णन क्यों नहीं करते
मिक्स्चर-ऑफ़-एक्सपर्ट्स में अलग-अलग प्रसंस्करण चरणों के लिए मॉडल के चुने हुए हिस्सों का उपयोग किया जाता है। यह सक्रिय उपसमुच्चय उन सभी फ़ाइलों और मेमोरी के समान नहीं है जिन्हें किसी विशेष रनटाइम को तैयार रखना पड़ता है। इसके ऊपर छवि का पूर्व-प्रसंस्करण और आगे का प्रसंस्करण भी जुड़ता है।
इसकी तुलना एक कार्यशाला से की जा सकती है: किसी भी समय केवल कुछ विशेषज्ञ कार्यस्थल ही किसी काम पर लगे होते हैं। इससे बाकी उपकरण गायब नहीं हो जाते। यह उपमा चयन और कुल भंडार के बीच के अंतर को समझाती है; यह किसी भी विशेष उपकरण के लिए मेमोरी की गणना नहीं देती।
इसलिए व्यवहार में, किसी एक आकार-लेबल की तुलना में सटीक वेरिएंट नाम अधिक सहायक होते हैं। दर्ज करें कि किस रनटाइम में कौन-सी फ़ाइल उपयोग की जाती है। अलग हार्डवेयर वाले किसी विक्रेता-उदाहरण के आँकड़े आपके अपने कंप्यूटर के लिए अपेक्षित गति नहीं हैं।
तीन छवियाँ, तीन अलग प्रश्न
दो सामान्य डिब्बों के साथ अपनी स्वयं की छवियों की एक छोटी शृंखला बनाएँ। उनमें से एक पर आपकी पसंद का कोई कोड हो, जैसे K7। पहली तस्वीर में दोनों साफ़ दिखते हैं। दूसरी में उनकी स्थिति बदल जाती है। तीसरी में वही विषय एक ऐसे कोड के साथ दिखता है जिसे जानबूझकर पढ़ने में कठिन बनाया गया है। वस्तुओं और वास्तविक लिखावट को आप स्वयं जानते हैं।
तीन कार्य तैयार करें: वस्तुओं के नाम बताना, यह वर्णन करना कि वे एक-दूसरे से किस प्रकार संबंधित हैं, और दिखाई देने वाले चिह्न को हूबहू दोहराना। प्रत्येक तस्वीर के लिए लिखें कि कोई व्यक्ति उस विशेष छवि में वास्तव में क्या पढ़ सकता है। यदि अंतिम तस्वीर धुंधली है, तो “विश्वसनीय रूप से पठनीय नहीं” उपयुक्त संदर्भ हो सकता है, भले ही आप मूल लिखावट जानते हों।
Task 1: Which objects are visible?
Task 2: Which box is to the left of the other?
Task 3: Which marking is actually legible?
Rule: Do not fill in illegible characters from context.बाद के किसी मॉडल परीक्षण के लिए वही प्रश्न उपयोग करें और अपरिवर्तित इनपुट फ़ाइलें सँभालकर रखें। अतिरिक्त आवर्धन या अलग क्रॉप एक नई शर्त है और इसे अलग चरण के रूप में चलाया जाना चाहिए। अन्यथा यह स्पष्ट नहीं रहता कि किसी उत्तर का लाभ मॉडल से मिला या अधिक स्पष्ट दिखाई देने वाली स्रोत छवि से।
उत्तरों का मूल्यांकन कार्य-दर-कार्य करें
तीनों स्तरों की अलग-अलग जाँच करें। यदि कोई मॉडल दोनों डिब्बों को पहचान लेता है लेकिन गलत चिह्न जोड़ देता है, तो यह किसी गलत पढ़े गए अक्षर से अलग त्रुटि है। “छवि सही” जैसा एकल समग्र निर्णय इन अंतरों को छिपा देगा।
विश्वसनीय लगने वाले जोड़ों पर भी ध्यान दें। कोई उत्तर किसी पिछली तस्वीर का कोड आगे ले जा सकता है, भले ही वह वर्तमान छवि में अब पठनीय न हो। इसलिए एक साफ़ व्यक्तिगत तुलना के लिए एक नया बातचीत संदर्भ – या कम से कम स्पष्ट रूप से दर्ज किया गया क्रम – उपयोगी है। आपके द्वारा चुना गया परीक्षण-विन्यास यह प्रभावित करता है कि कौन-सी जानकारी उपलब्ध भी है।
मॉडल को बाद में समायोजित किए गए समाधान-संकेतों की शृंखला न दें और फिर केवल अंतिम उत्तर को सफलता के रूप में प्रस्तुत न करें। रोचक बात पूरा कार्य, वास्तव में सबमिट की गई फ़ाइल, और पहचानने तथा अनुमान लगाने के बीच की खुली सीमा है।
कौन-सा स्थानीय कार्य वास्तव में सार्थक है
विषय के अनुसार मोटे तौर पर छाँटने के लिए एक सामान्य वर्णन भी उपयोगी हो सकता है। इसके विपरीत, चिह्नों को स्वचालित रूप से लिपिबद्ध करने के लिए विश्वसनीयता के एक अलग स्तर और अपठनीय अंशों से निपटने के एक उपयुक्त तरीके की आवश्यकता होती है। इसलिए इसे कैसे उपयोग किया जाए, इसका निर्णय आवश्यक कथन से शुरू होता है, न कि सबसे प्रभावशाली संभावित मॉडल आकार से।
MiniCPM-V 4.7 स्थानीय छवि-प्रसंस्करण को एक ठोस तकनीकी संभावना बनाता है। यदि आप कुछ ऐसी छवियाँ जिन्हें आप जानते हैं और स्पष्ट रूप से अलग किए गए प्रश्न तैयार करते हैं, तो आपका अपना चुनाव अधिक ठोस हो जाता है। केवल एक वास्तविक रन ही दिखा सकता है कि चुना गया विन्यास आपके उपकरण पर इनमें से कौन-से कार्य उपयोगी ढंग से करता है।
स्रोत और स्थिति
स्रोत 25 अक्टूबर 2026 की स्थिति के अनुसार। OpenBMB चेंजलॉग — MiniCPM-V 4.7 · MiniCPM-V रिपॉज़िटरी।
