स्मॉल लैंग्वेज मॉडल (SLMs): वह कुशल AI जो डिवाइस पर ही चलता है (UPSC Science & Tech)

तीन साल तक कृत्रिम बुद्धिमत्ता (artificial intelligence) की कहानी आकार की कहानी थी — बड़े मॉडल, ज़्यादा पैरामीटर, बड़े डेटा सेंटर, और यह मान्यता कि बुद्धिमत्ता कच्ची ताकत के साथ बढ़ती है। फिर पलड़ा वापस झुकने लगा। 2025 में खुद NVIDIA के शोधकर्ताओं ने एक रुख-पत्र (position paper) प्रकाशित किया, जिसका शीर्षक साफ़ शब्दों में था “Small Language Models are the Future of Agentic AI”, और इसमें दलील दी गई कि एक ही चिप पर चलने वाला छोटा, सस्ता, सीमित दायरे वाला मॉडल — न कि किसी विशाल क्लाउड में बैठा खरबों-पैरामीटर वाला दानव — असल में ज़्यादातर असली AI काम के लिए वही चाहिए होगा जिसकी ज़रूरत है। Microsoft के Phi परिवार और Google के Gemma ने पहले ही दिखा दिया था कि एक फ़ोन पर बैठने जितना छोटा मॉडल भी उन कामों में अपने से कई गुना बड़े सिस्टम की बराबरी कर सकता है जिनकी लोगों को परवाह है। स्मॉल लैंग्वेज मॉडल का युग चुपके से आ चुका था।

और यह सिलिकॉन वैली से कहीं आगे तक मायने रखता है। एक स्मॉल लैंग्वेज मॉडल, या SLM, एक छोटा AI भाषा-मॉडल है — आमतौर पर कुछ मिलियन से कुछ बिलियन पैरामीटर तक — जो साधारण हार्डवेयर पर कुशलता से चलने के लिए बना है, अक्सर किसी दूर के सर्वर के बजाय आपके हाथ में मौजूद डिवाइस पर। यह एक डिज़ाइन-विकल्प ही AI के अर्थशास्त्र, निजता और पहुँच, तीनों को एक साथ बदल देता है। भारत और वैश्विक दक्षिण (Global South) के लिए, जहाँ डेटा को सस्ते में सफ़र करना है, ऑफ़लाइन काम करना है, और दर्जनों भाषाएँ बोलनी हैं, SLM शायद ज़्यादा अहम मशीन है। यह सीधे GS Paper 3 के विज्ञान-और-तकनीक पाठ्यक्रम में बैठता है, जहाँ स्वदेशी नवाचार, डेटा संप्रभुता और डिजिटल समावेशन मिलते हैं — और यह उस उम्मीदवार को पुरस्कृत करता है जो इस अदला-बदली (trade-off) को कुछ तीखे वाक्यों में समझा सके।

स्मॉल लैंग्वेज मॉडल क्या है और यह बड़े LLM से कैसे अलग है

तुलना से शुरुआत कीजिए, क्योंकि पूरा विषय इसी में बसता है। एक बड़ा भाषा-मॉडल (large language model) — जो सबसे जाने-माने चैटबॉट के पीछे होता है — एक ऐसा बहु-कुशल मॉडल है जो लगभग कुछ भी करने के लिए प्रशिक्षित है: कोड लिखना, किसी पहेली पर तर्क करना, निबंध का मसौदा बनाना, लंबी बातचीत संभालना। ऐसा करने के लिए इसमें सैकड़ों बिलियन, कभी-कभी एक खरब से ज़्यादा, पैरामीटर होते हैं — वे समायोज्य संख्याएँ जो मॉडल ने जो सीखा है उसे संजोकर रखती हैं। इसे चलाने का मतलब है एक डेटा सेंटर में महँगी एक्सेलरेटर चिपों के रैक, एक लगातार इंटरनेट कनेक्शन, और हर जवाब के लिए बिजली व पानी का एक खासा हिस्सा। यह ताकतवर ठीक इसलिए है क्योंकि यह विशाल है, और विशाल ठीक इसलिए है क्योंकि इसे हर किसी के लिए सबकुछ बनना है।

एक स्मॉल लैंग्वेज मॉडल इनमें से हर विकल्प को उलट देता है। जहाँ एक बड़े मॉडल में 70 बिलियन से एक खरब से ज़्यादा पैरामीटर हो सकते हैं, वहीं एक SLM आमतौर पर कुछ सौ मिलियन से लगभग 7 बिलियन तक चलता है — इतना छोटा कि एक बार दबाने (compress) पर यह एक आधुनिक स्मार्टफ़ोन की मेमोरी में समा जाता है। जैसा IBM और दूसरे इस श्रेणी को परिभाषित करते हैं, विभाजन-रेखा किसी पक्की संख्या से ज़्यादा एक उद्देश्य है: एक SLM विशाल और सार्वभौमिक होने के बजाय कुशल और विशिष्ट होने के लिए बना है। इससे चार ठोस फ़ायदे मिलते हैं जिन्हें एक श्रृंखला के रूप में याद रखना सार्थक है। यह चलाने में सस्ता है, क्योंकि इसे गणना-शक्ति का एक अंश चाहिए। यह तेज़ है, क्योंकि जवाब डिवाइस पर ही बनता है, सर्वर तक आने-जाने के बिना — विलंब (latency) कुछ सौ मिलीसेकंड से घटकर इकाई के अंकों तक आ जाता है। यह ज़्यादा निजी है, क्योंकि आपका डेटा कभी आपके फ़ोन से बाहर नहीं जाता। और यह बहुत कम ऊर्जा पीता है: एज (edge) पर हुए अध्ययन बताते हैं कि जब कोई काम क्लाउड से किसी स्थानीय चिप पर आता है तो विलंब और बिजली दोनों में दस से सौ गुना तक की कटौती होती है, जहाँ डिवाइस पर मौजूद छोटे मॉडल कुछ दर्जन मिलीवाट खींचते हैं, जबकि एक क्लाउड GPU दर्जनों या सैकड़ों वाट जलाता है।

इस सबकी एक कीमत है, और एक ईमानदार जवाब उसे नाम देता है। एक SLM एक बड़े मॉडल से ज़्यादा सीमित और कम सक्षम है। यह सबसे गहरे तर्क, किसी बातचीत की सबसे लंबी याददाश्त, या किसी दानव की विश्वकोश जैसी व्यापकता की बराबरी नहीं कर सकता। किसी 3-बिलियन-पैरामीटर मॉडल से कोई बिखरी हुई, खुले-छोर वाली समस्या संभालने को कहिए और यह वहाँ संघर्ष करेगा जहाँ एक बड़ा मॉडल चमकेगा। तो कला यह नहीं कि किसी एक को विजेता ताज पहनाएँ, बल्कि मॉडल को काम से मिलाएँ — उस दुर्लभ काम के लिए एक दानव जिसे सचमुच कच्ची ताकत चाहिए, और उन हज़ारों रोज़मर्रा के, साफ़-तय कामों के लिए एक छोटा मॉडल जिन्हें वह नहीं चाहिए। मॉडल को “सही आकार देने” (right-sizing) का यही सिद्धांत वह एकमात्र विचार है जिसे एक परीक्षक सबसे ज़्यादा देखना चाहता है।

स्मॉल लैंग्वेज मॉडल कैसे बनाए जाते हैं

एक छोटा मॉडल महज़ कोई बड़ा मॉडल नहीं है जिसमें से कुछ हिस्से बेतरतीब काट दिए गए हों — किसी को सक्षम बनाना एक हुनर है, और चार तकनीकें इसका ज़्यादातर काम करती हैं। पहली है ज्ञान-आसवन (knowledge distillation), इस सेट में सबसे अहम। यहाँ एक बड़े, महँगे “शिक्षक” मॉडल का इस्तेमाल एक छोटे “छात्र” मॉडल को उसके जवाबों की नकल करना सिखाने के लिए होता है, ताकि छात्र शिक्षक के हुनर का बड़ा हिस्सा उसके आकार के एक अंश में पा ले। Microsoft की Phi श्रृंखला इसी तरह बनी थी और, कंपनी के अपने हिसाब से, यह एक कहीं बड़े मॉडल की क्षमता का बड़ा हिस्सा अपने छोटे ढाँचे में बनाए रखती है। छात्र सिर्फ़ सही जवाब नहीं सीखता, बल्कि कई संभव जवाबों पर शिक्षक का आत्मविश्वास भी सीखता है, और यही वह चीज़ है जो एक नन्हे मॉडल को अपने वज़न से कहीं ज़्यादा ज़ोर लगाने देती है।

दूसरी तकनीक है परिमाणीकरण (quantisation), जो मॉडल की संख्याओं को सिकोड़ देती है। आमतौर पर 16- या 32-बिट दशमलव के रूप में संजोया गया एक पैरामीटर गुणवत्ता में थोड़ी-सी हानि के साथ 4- या 8-बिट पूर्णांक तक दबाया जा सकता है। मेमोरी पर इसका असर नाटकीय है: एक 7-बिलियन-पैरामीटर मॉडल जिसे पूरी सटीकता पर लगभग 14 गीगाबाइट चाहिए, 4 बिट पर परिमाणित करने पर घटकर लगभग 3.5 गीगाबाइट रह जाता है — “एक सर्वर चाहिए” और “एक फ़ोन पर समा जाता है” के बीच का फ़र्क। तीसरी है छँटाई (pruning), जो उन पैरामीटरों को मिटा देती है जो सबसे कम योगदान देते हैं, नेटवर्क को वैसे ही छाँटती है जैसे माली एक बाड़ को पतला करता है; परिमाणीकरण के साथ मिलकर यह किसी मॉडल का आकार नब्बे प्रतिशत या उससे ज़्यादा घटा सकती है, फिर भी इसे ज़्यादातर कामों के लिए उपयोगी बनाए रख सकती है। चौथी है उच्च-गुणवत्ता वाले, अक्सर किसी खास क्षेत्र के डेटा पर सूक्ष्म-समायोजन (fine-tuning) — मॉडल को पूरे बिखरे इंटरनेट के बजाय एक केंद्रित, सावधानी से छाना हुआ आहार देना। Phi को आंशिक रूप से चुने हुए कृत्रिम “पाठ्यपुस्तक-गुणवत्ता” वाले डेटा पर ठीक इसी वजह से प्रशिक्षित किया गया था, और व्यापक सबक यही है: तीखा, प्रासंगिक डेटा खिलाया गया एक छोटा मॉडल किसी एक क्षेत्र में सचमुच का विशेषज्ञ बन सकता है, भले ही वह उसके बाहर कम जानता हो।

स्मॉल लैंग्वेज मॉडल असल में कहाँ इस्तेमाल होते हैं

SLMs के पक्ष में दलील वहाँ सबसे मज़बूत है जहाँ बड़ा मॉडल ज़रूरत से ज़्यादा है, और उपयोग के चार परिवार बार-बार सामने आते हैं। पहला है डिवाइस पर मौजूद सहायक। चूँकि मॉडल स्थानीय रूप से चलता है, यह आपके संदेशों का सार बना सकता है, एक जवाब का मसौदा बना सकता है, किसी आवाज़-नोट को लिखकर उतार सकता है या किसी सवाल का जवाब बिना कनेक्शन और बिना डेटा को फ़ोन से बाहर भेजे दे सकता है — यही वजह है कि अब 12 से 16 गीगाबाइट मेमोरी के साथ आने वाले उच्च-स्तरीय फ़ोन बढ़ते हुए 1-से-3-बिलियन वाली रेंज का एक मॉडल साथ देते हैं। दूसरा है ऑफ़लाइन और कमज़ोर-कनेक्टिविटी वाला काम: कमज़ोर सिग्नल वाले गाँव में एक स्वास्थ्य कर्मी, किसी जंगल में एक फ़ील्ड अधिकारी, किसी दूरदराज़ चौकी पर एक सैनिक — ये सब एक सक्षम सहायक रख सकते हैं जिसे किसी टावर की कभी ज़रूरत नहीं पड़ती। विशाल ग्रामीण इलाकों वाले देश के लिए, यह कोई कोना नहीं — यही मुख्य मुकाबला है।

तीसरा परिवार है क्षेत्रीय-भाषा और किसी खास क्षेत्र का मॉडल, और यहीं SLM समावेशन का औज़ार बन जाता है। हिंदी, तमिल, तेलुगु या मराठी के चिकित्सा या कानूनी पाठ पर सूक्ष्म-समायोजित एक मॉडल उस आबादी की सेवा कर सकता है जिसकी एक सबके लिए एक जैसा अंग्रेज़ी-दानव बहुत कमज़ोर सेवा करता है — और Google का Gemma अब उत्पादन-गुणवत्ता पर बीस से ज़्यादा भाषाओं को समर्थन देता है, जिनमें कई भारतीय भाषाएँ शामिल हैं। चौथा, और जो सबसे ज़्यादा उद्योग-उत्साह जगा रहा है, वह है एजेंटिक उप-कार्य। टिकट बुक करने या कोई फ़ॉर्म भरने वाले किसी AI “एजेंट” को हर कदम के लिए किसी प्रतिभाशाली की ज़रूरत नहीं; यह जो करता है उसका ज़्यादातर है किसी आदेश को समझना, किसी औज़ार को बुलाना, या JSON जैसे किसी संरचित आउटपुट का एक छोटा टुकड़ा बनाना। NVIDIA के शोधकर्ता दलील देते हैं कि छोटे मॉडल इन कामों के लिए सिर्फ़ पर्याप्त ही नहीं बल्कि ज़्यादा उपयुक्त हैं — और सेवा देने में दस से तीस गुना सस्ते — सो वे जिस भविष्य का खाका खींचते हैं वह एक मिला-जुला सिस्टम है जहाँ सस्ते SLM रोज़मर्रा का काम करते हैं और किसी बड़े मॉडल को तभी बुलाया जाता है जब सचमुच कच्ची बुद्धिमत्ता की ज़रूरत हो। ये स्वायत्त सिस्टम कैसे जोड़े जाते हैं यह देखने के लिए, व्यापक तस्वीर हमारे एजेंटिक AI वाले लेख में है; और ये भाषा-मॉडल भीतर से कैसे काम करते हैं, इसके लिए हमारे जेनरेटिव AI और बड़े भाषा-मॉडल वाले मार्गदर्शक से शुरुआत कीजिए।

छोटे मॉडल भारत और वैश्विक दक्षिण के लिए क्यों अहम हैं

भारत के लिए छोटे मॉडल का आकर्षण कोई गुज़रता फ़ैशन नहीं — यह चार गहरे राष्ट्रीय हितों के साथ कतार में बैठता है, और इन्हें नाम देना ही वह तरीका है जिससे यह विषय अंक कमाता है। पहला है वहनीयता (affordability)। करोड़ों उपयोगकर्ताओं के लिए एक बड़ा मॉडल चलाना गणना और बिजली में तबाह कर देने वाला महँगा है; जो मॉडल किसी के पास पहले से मौजूद फ़ोन पर चलता है वह AI को अगले एक अरब उपयोगकर्ताओं तक लगभग बिना किसी अतिरिक्त लागत के फैला देता है। दूसरा है भाषाई पहुँच। भारत में बाईस अनुसूचित भाषाएँ हैं और सैकड़ों और रोज़मर्रा के इस्तेमाल में, और ज़्यादातर अंग्रेज़ी पाठ पर प्रशिक्षित एक बड़ा मॉडल किसी भोजपुरी या कन्नड़ बोलने वाले की कमज़ोर सेवा करता है। छोटे, सूक्ष्म-समायोजित क्षेत्रीय-भाषा मॉडल ही उस AI तक पहुँचने का व्यावहारिक रास्ता हैं जो सचमुच देश की भाषाएँ बोलता है — महानगरों के औज़ार और पूरी आबादी के औज़ार के बीच का फ़र्क।

तीसरा हित है डेटा संप्रभुता (data sovereignty), और इसी पर सबसे तीखी नीतिगत धार है। जब कोई प्रश्न किसी दूर के विदेशी सर्वर पर चलता है, तो संवेदनशील डेटा — किसी नागरिक का स्वास्थ्य-रिकॉर्ड, किसी किसान की ज़मीन का ब्योरा, कोई सरकारी फ़ाइल — देश और भारतीय कानून की पहुँच से बाहर चला जाता है। जो मॉडल भारतीय डिवाइसों या भारत-नियंत्रित ढाँचे पर चलता है वह उस डेटा को घर में ही रखता है। यही वह तर्क है जो भारत के डेटा-स्थानीयकरण नियमों और इसके डिजिटल पर्सनल डेटा प्रोटेक्शन (Digital Personal Data Protection) ढाँचे को AI पर लागू करने तक चलाता है। चौथा है रणनीतिक आत्मनिर्भरता: अर्थव्यवस्था की बुद्धिमत्ता-परत के लिए मुट्ठी भर विदेशी कंपनियों पर निर्भर रहना एक कमज़ोरी है, और स्वदेशी मॉडल बनाना ही वह तरीका है जिससे भारत इसे घटाता है।

ठीक यहीं IndiaAI Mission की एंट्री होती है। मार्च 2024 में केंद्रीय मंत्रिमंडल द्वारा पाँच साल में लगभग ₹10,372 करोड़ के परिव्यय के साथ स्वीकृत, मिशन का फ़ाउंडेशन-मॉडल स्तंभ साफ़-साफ़ न केवल बड़े बहु-माध्यम (multimodal) और बड़े भाषा-मॉडल बल्कि स्वास्थ्य, शिक्षा, कृषि, जलवायु और शासन में भारत-विशिष्ट समस्याओं के लिए तैयार किए गए छोटे भाषा-मॉडलों को भी समर्थन देता है। जनवरी 2025 के एक प्रस्ताव-आह्वान ने 500 से ज़्यादा आवेदन खींचे; Sarvam AI, Soket AI और Gnani.ai जैसी कंपनियाँ पहले दौर में बहुभाषी और आवाज़-मॉडल बनाने के लिए चुनी गईं, और सितंबर 2025 के दूसरे दौर ने IIT-बॉम्बे के नेतृत्व वाले BharatGen संघ जैसे उद्यम जोड़े, जिसका Param-1 टेक्स्ट मॉडल और Shrutam वाक्-प्रणाली भारतीय भाषाओं के लिए बने हैं। इस सबके बीच चलता धागा है समावेशन के लिए कुशलता: भारत का दाँव यह है कि 1.4 अरब लोगों तक AI का रास्ता उन मॉडलों से होकर जाता है जो उन तक पहुँचने जितने छोटे और सस्ते हों।

सीमाएँ, और इन्हें नज़र में कैसे रखें

छोटा होने का मतलब हानिरहित या जादुई होना नहीं है, और एक संतुलित जवाब यह कहता है। पहली सीमा है क्षमता: एक दबाया गया मॉडल व्यापकता और गहराई से समझौता कर लेता है, सो कठिन, खुले-छोर वाले तर्क या लंबी, बहु-चरण समस्याओं पर यह एक बड़े सिस्टम से पीछे रहेगा, और किसी मॉडल को बहुत आक्रामक ढंग से सिकोड़ना उसकी गुणवत्ता को ऐसे तरीकों से बिगाड़ सकता है जिनका अंदाज़ा लगाना मुश्किल है। दूसरी है विश्वसनीयता। हर आकार के भाषा-मॉडल “मतिभ्रम” (hallucinate) कर सकते हैं — आत्मविश्वास से भरा, धाराप्रवाह पाठ बना सकते हैं जो बस गलत हो — और शोध बताते हैं कि यह उनके काम करने के तरीके की एक जन्मजात विशेषता है, न कि कोई खराबी जिसे पूरी तरह पैबंद लगाया जा सके; एक छोटे मॉडल के साथ किसी सीमित क्षेत्र में जोखिम को कभी-कभी संभाला जा सकता है, पर यह कभी गायब नहीं होता। बड़े दाँव वाले उपयोगों — चिकित्सा, कानूनी, वित्तीय — के लिए इसका मतलब है कि एक इंसान को इस प्रक्रिया में बना रहना चाहिए।

सीमाओं का तीसरा समूह व्यावहारिक और शासन से जुड़ा है। लाखों निजी डिवाइसों पर चलने वाला एक मॉडल किसी नियंत्रित डेटा सेंटर में बैठे एक मॉडल की तुलना में सुरक्षित करने और अद्यतन (update) करने के लिए एक बड़ी, ज़्यादा बिखरी सतह है। गुणवत्ता इस बात पर तेज़ी से बदलती है कि मॉडल किस डेटा पर सूक्ष्म-समायोजित हुआ, सो एक क्षेत्रीय-भाषा या क्षेत्र-विशेष मॉडल उतना ही अच्छा है — और पूर्वाग्रह से उतना ही मुक्त है — जितना उसके पीछे का सावधानी से चुना डेटासेट, जो उन कम-संसाधन वाली भारतीय भाषाओं के लिए एक असली अड़चन है जहाँ साफ़ डेटा दुर्लभ है। और वही कुशलता जो SLMs को लोकतांत्रिक बनाती है, ताकतवर AI को कॉपी करना, निजी तौर पर चलाना और दुरुपयोग करना भी आसान बना देती है, जो इसे नियमित करने की किसी भी कोशिश को उलझा देती है। इनमें से कुछ भी छोटे मॉडलों के खिलाफ़ दलील नहीं है। यही वजह है कि गंभीर ढाँचा “छोटे बनाम बड़े” नहीं बल्कि एक पोर्टफ़ोलियो है — पहुँच और रोज़मर्रा के काम के लिए छोटे मॉडल, सबसे कठिन समस्याओं के लिए बड़े मॉडल, और दोनों को आपस में बाँधते स्पष्ट नियम, अच्छा डेटा और मानवीय निगरानी।

आपके मेन्स उत्तर के लिए

यह GS Paper 3 के लिए एक बहुमूल्य विषय है, जो विज्ञान और तकनीक के विकास, तकनीक के स्वदेशीकरण, और IT व उभरती तकनीक के जागरूकता-पक्षों को कवर करता है। यह कृत्रिम बुद्धिमत्ता, IndiaAI Mission, डेटा संप्रभुता, डिजिटल समावेशन और डिजिटल खाई को पाटने से जुड़े सवालों पर बैठता है। यह तकनीक और समाज, आत्मनिर्भरता, और न्यायसंगत विकास पर निबंध के विषयों के लिए भी एक ताज़ा, ठोस उदाहरण देता है। परीक्षक जिस कौशल को पुरस्कृत करते हैं वही यह लेख दिखाता है: अदला-बदली को सटीक बताइए, इसे असली उदाहरणों में जमाइए, और तकनीक को हमेशा भारत की खास ज़रूरतों से वापस जोड़िए।

उत्तर कैसे बनाएँ

परिभाषा और मोड़ से शुरुआत कीजिए — AI “बड़ा बेहतर है” से सही-आकार वाले मॉडलों की ओर बढ़ रहा है। फिर एक श्रृंखला में आगे बढ़िए: SLM क्या है (कुछ मिलियन से कुछ बिलियन पैरामीटर, डिवाइस पर चलता है), चार-हिस्सों वाली अदला-बदली (सस्ता, तेज़, ज़्यादा निजी, कम ऊर्जा, पर ज़्यादा सीमित), ये कैसे बनते हैं (आसवन, परिमाणीकरण, छँटाई, गुणवत्ता-डेटा सूक्ष्म-समायोजन), कहाँ इस्तेमाल होते हैं (डिवाइस पर, ऑफ़लाइन, क्षेत्रीय-भाषा, एजेंटिक उप-कार्य), और भारत को परवाह क्यों है (वहनीयता, भाषाएँ, डेटा संप्रभुता, आत्मनिर्भरता, IndiaAI Mission)। तकनीक को ईमानदारी से आँककर समाप्त कीजिए — इसकी सीमाएँ और पोर्टफ़ोलियो वाला ढाँचा। वह क्रम — परिभाषित कीजिए, अदला-बदली, निर्माण, उपयोग, भारत, मूल्यांकन — लगभग किसी भी SLM या एज-AI सवाल पर बैठता है।

बचने लायक आम गलतियाँ

“छोटे” को महज़ “बदतर” मत मानिए — मुद्दा उद्देश्य के लिए उपयुक्तता है, कोई रैंकिंग नहीं। यह दावा मत कीजिए कि SLMs मतिभ्रम खत्म कर देते हैं; विश्वसनीयता हर मॉडल-आकार की एक सीमा है। भारत वाली कड़ी मत भूलिए — एक जवाब जो तकनीक समझाता है पर डेटा संप्रभुता, क्षेत्रीय भाषाओं या IndiaAI Mission तक कभी नहीं पहुँचता, मेज़ पर अंक छोड़ देता है। और तकनीकों को मत उलझाइए: आसवन शिक्षक से ज्ञान देता है, परिमाणीकरण संख्याओं को सिकोड़ता है, छँटाई कमज़ोर पैरामीटरों को मिटाती है — इन्हें अलग-अलग रखिए।

एक संक्षिप्त उत्तर-रीढ़

SLM = छोटा भाषा-मॉडल, ~कुछ मिलियन से ~7B पैरामीटर, डिवाइस पर चलता है → अदला-बदली: सस्ता, तेज़, ज़्यादा निजी, कम ऊर्जा, पर ज़्यादा सीमित और कम सक्षम → आसवन + परिमाणीकरण + छँटाई + गुणवत्ता-डेटा सूक्ष्म-समायोजन से बना → उदाहरण: Phi, Gemma, छोटे Llama/Mistral → उपयोग: डिवाइस-सहायक, ऑफ़लाइन/कम-कनेक्टिविटी, क्षेत्रीय-भाषा और क्षेत्र-विशेष मॉडल, एजेंटिक उप-कार्य (NVIDIA: SLMs एजेंटिक AI का भविष्य हैं) → भारत: वहनीयता, 22+ भाषाएँ, डेटा संप्रभुता, आत्मनिर्भरता, IndiaAI Mission (₹10,372 करोड़, SLMs को समर्थन) → सीमाएँ: क्षमता-अंतर, मतिभ्रम, सुरक्षा और डेटा-गुणवत्ता → निष्कर्ष: छोटे और बड़े का एक पोर्टफ़ोलियो, कोई एक विजेता नहीं।

आरेख या फ़्लोचार्ट का विचार

एक सरल दो-स्तंभ तुलना बनाइए — LLM (विशाल, क्लाउड, बहु-कुशल, महँगा) बनाम SLM (छोटा, डिवाइस पर, विशेषज्ञ, सस्ता) — जिसमें SLM की तरफ़ लागत, विलंब, निजता और ऊर्जा के लिए तीर हों। इसके बगल में, एक “SLM” बॉक्स से उसके चार उपयोगों (डिवाइस पर, ऑफ़लाइन, क्षेत्रीय-भाषा, एजेंटिक) तक एक छोटा फैलाव। दोनों चित्र मिलकर पूरे उत्तर को एक नज़र में ढो ले जाते हैं।

एक संतुलित-निष्कर्ष वाली पंक्ति

एक पंक्ति जो अंक दिलाती है: “स्मॉल लैंग्वेज मॉडल AI की दौड़ को कच्चे पैमाने से हटाकर उद्देश्य के लिए उपयुक्तता की ओर मोड़ देते हैं — और एक ऐसे देश के लिए जिसे 1.4 अरब लोगों तक, दर्जनों भाषाओं में, अक्सर ऑफ़लाइन और अपने ही कानूनों के तहत पहुँचना है, छोटा, सस्ता, डिवाइस पर चलने वाला मॉडल शायद ज़्यादा परिवर्तनकारी मशीन है।”

बिना रट्टा लगाए आँकड़ों का इस्तेमाल कैसे करें

आपको एक स्प्रेडशीट नहीं, बस मुट्ठी भर लंगर चाहिए: कुछ मिलियन से ~7 बिलियन पैरामीटर (SLM रेंज), 4-बिट परिमाणित 7B मॉडल का लगभग 3.5 GB में समाना (यही वजह कि यह फ़ोन पर चलता है), एजेंटिक कामों के लिए दस-से-तीस गुना सस्ता (NVIDIA), और IndiaAI Mission के लिए पाँच साल में ₹10,372 करोड़। इन्हें सीधे-सीधे श्रेय दीजिए — “जैसा NVIDIA के 2025 के पत्र ने तर्क दिया,” “IndiaAI Mission के तहत” — न कि संख्याएँ खुली बिखेरिए।

अभ्यास प्रश्न

Prelims MCQs

1. स्मॉल लैंग्वेज मॉडल (SLMs) के संदर्भ में, निम्नलिखित कथनों पर विचार कीजिए: 1) ये आमतौर पर केवल बड़े डेटा सेंटरों के बजाय डिवाइस पर या एज हार्डवेयर पर चलने के लिए बने होते हैं। 2) इनमें आमतौर पर बड़े भाषा-मॉडलों से ज़्यादा पैरामीटर होते हैं। 3) ज्ञान-आसवन और परिमाणीकरण इन्हें बनाने में इस्तेमाल होने वाली तकनीकें हैं।
   कौन-से कथन सही हैं?
   (a) केवल 1 और 3
   (b) केवल 2 और 3
   (c) केवल 1
   (d) 1, 2 और 3
   उत्तर: (a) SLMs सीमित हार्डवेयर पर कुशलता से चलते हैं और आसवन, परिमाणीकरण व छँटाई से बनते हैं; इनमें बड़े LLM से कम पैरामीटर होते हैं, सो कथन 2 गलत है।
2. वह तकनीक जिसमें एक बड़े “शिक्षक” मॉडल का इस्तेमाल एक छोटे “छात्र” मॉडल को उसके आउटपुट की नकल करना सिखाने के लिए होता है, कहलाती है:
   (a) परिमाणीकरण
   (b) छँटाई
   (c) ज्ञान-आसवन
   (d) टोकनीकरण
   उत्तर: (c) ज्ञान-आसवन शिक्षक के सीखे व्यवहार को एक छोटे छात्र तक पहुँचाता है, यही तरीका Microsoft के Phi जैसे मॉडलों के पीछे है।
3. भाषा-मॉडलों पर लागू “परिमाणीकरण” मुख्य रूप से किसे संदर्भित करता है?
   (a) किसी नेटवर्क से सबसे कम उपयोगी पैरामीटरों को मिटाना
   (b) मेमोरी-उपयोग घटाने के लिए मॉडल के पैरामीटरों की संख्यात्मक सटीकता घटाना
   (c) किसी मॉडल का कई भाषाओं में अनुवाद करना
   (d) कई छोटे मॉडलों को एक बड़े मॉडल में जोड़ना
   उत्तर: (b) परिमाणीकरण पैरामीटरों की बिट-सटीकता घटाता है — मसलन 16-बिट से 4-बिट तक — मेमोरी को तेज़ी से घटाकर ताकि मॉडल फ़ोन पर समा सके।
4. IndiaAI Mission, जो स्मॉल लैंग्वेज मॉडल समेत स्वदेशी फ़ाउंडेशन मॉडलों के विकास को समर्थन देता है, लगभग कितने परिव्यय के साथ स्वीकृत हुआ?
   (a) पाँच साल में ₹1,000 करोड़
   (b) पाँच साल में ₹10,372 करोड़
   (c) दस साल में ₹50,000 करोड़
   (d) तीन साल में ₹500 करोड़
   उत्तर: (b) केंद्रीय मंत्रिमंडल ने मार्च 2024 में IndiaAI Mission को पाँच साल में लगभग ₹10,372 करोड़ के निवेश के साथ स्वीकृत किया।
5. निम्न में से कौन-सा कई कामों के लिए बड़े LLM की तुलना में स्मॉल लैंग्वेज मॉडल के फ़ायदे के रूप में सही ढंग से उद्धृत है?
   (a) खुले-छोर वाली समस्याओं पर तर्क की ज़्यादा गहराई
   (b) कम लागत, कम विलंब, बेहतर निजता और कम ऊर्जा-उपयोग
   (c) मतिभ्रम का पूरी तरह खात्मा
   (d) एक बड़ी संदर्भ-खिड़की और व्यापक सामान्य ज्ञान
   उत्तर: (b) SLMs लागत, गति, डिवाइस पर निजता और ऊर्जा-कुशलता में जीतते हैं; ये सबसे गहरे तर्क में बड़े मॉडलों की बराबरी नहीं करते, न ही मतिभ्रम खत्म करते हैं।

Mains अभ्यास प्रश्न

1. स्मॉल लैंग्वेज मॉडल (SLMs) क्या हैं, और ये बड़े भाषा-मॉडलों से कैसे अलग हैं? उन अदला-बदलियों पर चर्चा कीजिए जो इन्हें डिवाइस पर और एज परिनियोजन के लिए उपयुक्त बनाती हैं। (15 अंक, 250 शब्द)
2. “भारत के लिए, स्मॉल लैंग्वेज मॉडल बड़े दानव से ज़्यादा परिवर्तनकारी मशीन हो सकता है।” वहनीयता, भाषाई विविधता और डेटा संप्रभुता के संदर्भ में इस कथन की आलोचनात्मक जाँच कीजिए। (15 अंक, 250 शब्द)
3. स्वदेशी AI क्षमता बनाने में IndiaAI Mission की भूमिका की जाँच कीजिए। स्मॉल लैंग्वेज मॉडलों को इसका समर्थन डिजिटल समावेशन और तकनीकी आत्मनिर्भरता के लक्ष्यों को कैसे आगे बढ़ाता है? (15 अंक, 250 शब्द)
4. स्मॉल लैंग्वेज मॉडल बनाने में इस्तेमाल होने वाली मुख्य तकनीकों — आसवन, परिमाणीकरण, छँटाई और क्षेत्र-विशेष सूक्ष्म-समायोजन — को समझाइए। (10 अंक, 150 शब्द)
5. स्मॉल लैंग्वेज मॉडलों को अक्सर कृत्रिम बुद्धिमत्ता को लोकतांत्रिक बनाने वाला बताया जाता है, फिर भी ये अपने खुद के जोखिम साथ लाते हैं। व्यापक SLM और एज-AI परिनियोजन की सीमाओं और शासन-संबंधी चुनौतियों का मूल्यांकन कीजिए। (15 अंक, 250 शब्द)

सामान्य प्रश्न

PDF