ભારતના AI મોડેલે Gemini અને ChatGPTને પણ પછાડ્યા, જાણો શું છે 'સર્વમ વિઝન' અને 'બુલબુલ'
જ્યારે પણ AI મોડેલ્સની ચર્ચા થાય છે, ત્યારે અમેરિકા અને ચીનના મોડેલોના નામ આવે છે. પરંતુ હવે, બેંગલુરુ સ્થિત સ
જ્યારે પણ AI મોડેલ્સની ચર્ચા થાય છે, ત્યારે અમેરિકા અને ચીનના મોડેલોના નામ આવે છે. પરંતુ હવે, બેંગલુરુ સ્થિત સ્ટાર્ટઅપ સર્વમ AI એ બધાને આશ્ચર્યચકિત કરી દીધા છે, વિશ્વભરના લોકપ્રિય મોડેલોને પણ પાછળ છોડી દીધા છે.
સર્વમ વિઝન AI એ ઓપ્ટિકલ કેરેક્ટર રેકગ્નિશન (OCR) માં અસાધારણ પ્રદર્શન દર્શાવ્યું છે. કેટલાક બેન્ચમાર્ક પર, સ્વદેશી AI એ ChatGPT, Google Gemini અને Anthropic Cloud જેવા મોટા અને લોકપ્રિય AI મોડેલોને પાછળ છોડી દીધા છે. તેના પ્રદર્શનની માત્ર વપરાશકર્તાઓ દ્વારા જ નહીં પરંતુ ઘણા નિષ્ણાતો દ્વારા પણ પ્રશંસા કરવામાં આવી છે.
સર્વમ AI ના સહ-સ્થાપક પ્રત્યુષ કુમારે તાજેતરમાં X પ્લેટફોર્મ (અગાઉ ટ્વિટર) પર પોસ્ટ કરી, કંપનીના ઇન-હાઉસ AI મોડેલોની સિદ્ધિઓ શેર કરી.
સ્થાપકની પોસ્ટ મુજબ, સર્વમ વિઝને OmniDocBench v1.5 (માત્ર અંગ્રેજી સબસેટ) પર 93.28 ટકા ચોકસાઈ પ્રાપ્ત કરી, જે Gemini અને ChatGPT જેવા મોડેલોને પાછળ છોડી દે છે.
OmniDocBench v1.5 બેન્ચમાર્ક એ પરીક્ષણ કરે છે કે AI સિસ્ટમ્સ વાસ્તવિક-વિશ્વના દસ્તાવેજો કેટલી સારી રીતે વાંચે છે અને સમજે છે. સર્વમ વિઝને એકંદરે 93.28 ટકા સ્કોર કર્યો, જેમાં જટિલ ડિઝાઇન, તકનીકી કોષ્ટકો અને ગણિતના સૂત્રોનો સમાવેશ થાય છે - તે ક્ષેત્રો જ્યાં પ્રમાણભૂત OCR સિસ્ટમ્સ સામાન્ય રીતે નિષ્ફળ જાય છે.
AI ટૂલના પ્રદર્શને તેને વૈશ્વિક ખ્યાતિ અપાવી છે. સર્વમને અગાઉ ફક્ત ભારતીય ભાષા મોડેલો પર ધ્યાન કેન્દ્રિત કરવા બદલ ટીકાનો સામનો કરવો પડ્યો હતો. હવે, તે ટીકાઓ પ્રશંસામાં ફેરવાઈ ગઈ છે.
ટેક કોમેન્ટેટર ડીડી દાસે X પર એક પોસ્ટમાં જણાવ્યું હતું કે ભારતીય ભાષાઓ માટે સર્વમના OCR અને ભાષણ મોડેલો ખૂબ જ મજબૂત છે અને આ AI વૈશ્વિક AI દ્વારા ઘણીવાર અવગણવામાં આવતા અંતરને દૂર કરે છે. તેમણે વધુમાં જણાવ્યું હતું કે એક વર્ષ પહેલા સર્વમ AI વિશે જે લખ્યું હતું તે ખોટું હતું.
ઘણા વપરાશકર્તાઓ સર્વમ AI ની પ્રશંસા કરી રહ્યા છે
વપરાશકર્તાઓ સર્વમની પણ પ્રશંસા કરી રહ્યા છે. એક યુઝરે પોતાનો અનુભવ શેર કરતાં લખ્યું, "મેં થોડા દિવસ પહેલા જ તેનો ઉપયોગ કર્યો હતો અને તે અદ્ભુત છે."
OCR ઉપરાંત, સર્વમે તેનું નવું AI વોઇસ મોડેલ, બુલબુલ V3 લોન્ચ કર્યું છે. આ એક ટેક્સ્ટ-ટુ-સ્પીચ AI મોડેલ છે. સર્વમે એક બ્લોગ પોસ્ટમાં જણાવ્યું હતું કે, "અમે બુલબુલ V3 લોન્ચ કરી રહ્યા છીએ. આ કંપનીનું સૌથી સક્ષમ ટેક્સ્ટ-ટુ-સ્પીચ મોડેલ છે. તે ભારતીય ભાષાઓ માટે કુદરતી, અભિવ્યક્ત અને પ્રોડક્શન રેડી વોઈસ ડિઝાઈન કરવામાં આવ્યું છે. બુલબુલ ટૂલમાં 11 ભારતીય ભાષાઓ અને 35થી વધુ વોઇસ કમાન્ડ માટે સપોર્ટ સામેલ છે. કંપનીએ જણાવ્યું છે કે આગામી દિવસોમાં વધુ ભાષા સપોર્ટ ઉમેરવામાં આવશે.
