Meta MobileLLM‑R1 ግምገማ፡ ከክብደቱ በላይ የሚመዝነው የኪስ መጠን ያለው ምክንያት
2023 የክላውድ LLM የነበረ ከሆነ፣ 2025 በመሣሪያ ላይ ያለ ኢንተለጀንስ በፍጥነት እየሆነ ነው። የ Meta MobileLLM‑R1 እስካሁን በጣም ግልጽ ምልክት ነው፡ በአካባቢው ለመሮጥ የተነደፈ የታመቀ፣ የማመዛዘን ችሎታ የተስተካከለ ሞዴል—ልክ የእርስዎ ውሂብ በሚኖርበት ቦታ። በዚህ ግምገማ ውስጥ፣ MobileLLM‑R1 ምን እንደሆነ፣ እንዴት እንደሚሰራ፣ የት እንደሚበራ (እና እንደሚደናቀፍ) እና ስልክዎን፣ ላፕቶፕዎን ወይም የዳር መሣሪያዎን ለማጎልበት ዝግጁ መሆኑን እንመረምራለን።
ሁኔታዎችን ለማረጋጋት፣ የህዝብ ሞዴል ካርዱን፣ ቀደምት የሙከራ ውጤቶችን ከማህበረሰቡ እና አፈጻጸምን እና የታለሙ የአጠቃቀም ጉዳዮችን የሚያጠቃልሉ ቴክኒካዊ ጽሑፎችን ተመልክተናል።
- MobileLLM‑R1 ለ CPUs/ዳር መሣሪያዎች የተመቻቸ የታመቀ የማመዛዘን ሞዴል የ Meta ነው።
- የ950M‑መለኪያ ልዩነት ማህደረ ትውስታን ወይም የባትሪ በጀቶችን ሳያስወጣ የሰንሰለት‑የአስተሳሰብ‑ቅጥ ማመዛዘንን ለማቅረብ ያለመ ነው።
- የመጀመሪያ ሙከራዎች እንደሚያሳዩት በአካባቢው የሸማቾች ሲፒዩዎች ላይ እንደሚሰራ እና ከትላልቅ ሞዴሎች በተሻለ የሂሳብ እና ሎጂክ ስራዎችን መወጣት ይችላል፣ አልፎ አልፎ በትናንሽ ስራዎች ውስጥ ትላልቅ መነሻዎችን ይፈታተናል።
- ጥንካሬዎች፡ ግላዊነት፣ ከመስመር ውጭ አስተማማኝነት፣ ለአጫጭር ጥያቄዎች ምላሽ ሰጪነት እና ቅልጥፍና።
- ድክመቶች፡ አነስተኛ የዐውደ-ጽሑፍ መስኮቶች፣ አልፎ አልፎ የማመዛዘን ድክመት እና ከትላልቅ የክላውድ LLMዎች ይልቅ ቀርፋፋ ባለብዙ‑ደረጃ ሰንሰለቶች።
እዚህ ተግባራዊ እና መፍትሄን ያማከለ አካሄድ እየወሰድን ነው፡ እውነተኛ ችሎታዎች፣ ግልጽ የንግድ ልውውጦች እና አሁን መቀበል አለቦት የሚል መመሪያ።
MobileLLM‑R1 በትክክል ምንድን ነው?
MobileLLM‑R1 በከፊል የሞዴል ቤተሰብ፣ በከፊል ተስፋ ነው፡ በተወሰነ ስሌት ባላቸው መሣሪያዎች ላይ ጠቃሚ ምክንያት ለመስጠት የሰለጠነ እና የተመቻቸ የታመቀ LLM። የ«R1» የምርት ስም የማመዛዘን ችሎታ የተስተካከለ የምግብ አሰራርን ያመለክታል—ያስቡ፡ የተዋቀረ ደረጃ‑በ‑ደረጃ አስተሳሰብ፣ የሂሳብ ብቃት እና ሆን ተብሎ የሚደረግ መካከለኛ የማመዛዘን ፍለጋ።
- የመለኪያ መጠን፡ በስፋት የተወያየበት የፍተሻ ቦታ ~950M መለኪያዎች (MobileLLM‑R1‑950M) ነው።
- የማሰማሪያ ዒላማ፡ የሸማቾች ሲፒዩዎች/ኤንፒዩዎች እና ድብቅነት፣ ማህደረ ትውስታ እና ሃይል አስፈላጊ የሆኑባቸው የዳር መሣሪያዎች።
- የአጠቃቀም ጉዳዮች፡ በመሣሪያ ላይ ያሉ ረዳቶች፣ የሂሳብ/ሎጂክ ረዳቶች፣ ቀለል ያሉ የኮድ አወጣጥ ጥቆማዎች፣ ማጠቃለያ እና የግል የሰነድ ጥያቄ እና መልስ።
አቀራረብ፡ ለግላዊነት‑ተኮር ወይም ከመስመር ውጭ‑የመጀመሪያ የስራ ፍሰቶች ጠቃሚ የሆነውን የ«በቂ» የሰንሰለት‑የአስተሳሰብ‑መሰል አፈጻጸምን ያለ ክላውድ ጥገኝነት ያግኙ።
ዝርዝሮች እና ማዋቀር፡ ለማሄድ የሚያስፈልጉዎት ነገሮች
Meta የሚያብረቀርቅ የውሂብ ሉህ ባያትምም፣ የሞዴል ካርዱ እና የማህበረሰብ ማሳያዎች የሚሰራ ምስል ይሰጣሉ፡
- የፍተሻ ነጥብ፡
facebook/MobileLLM-R1-950M በ Hugging Face Hub በኩል።
- ሃርድዌር፡ በዘመናዊ የሸማቾች ሲፒዩዎች ላይ ይሰራል፤ ማጣደፍ በ AVX/AMX እና NPUs ይሻሻላል በሚገኝበት ቦታ። የማህበረሰብ ማሳያዎች የአካባቢ ሲፒዩ ማጣቀሻ የሚቻል መሆኑን ያሳያሉ።
- የማህደረ ትውስታ አሻራ፡ ንዑስ‑2B ሞዴሎች በተለምዶ በቁጥር ሲቀመጡ በጥቂት ጊጋባይት ውስጥ ይጣጣማሉ። ምቹ የልማት ሙከራ ለማድረግ 8–16 ጊባ ራም ይጠብቁ፤ ጠበቅ ያለ የቁጥር አወቃቀር ላላቸው ጥብቅ አወቃቀሮች 4–8 ጊባ ይቻላል።
- ቁጥራዊነት፡ INT8/INT4 ቁጥራዊነት በሲፒዩ ላይ መዘግየትን ለመቀነስ እና በሞባይል/ዳር ላይ የባትሪ ዕድሜን ለማራዘም ይረዳል።
ተግባራዊ ምክር፡ በ INT8 ይጀምሩ። ከተደናቀፉ፣ INT4ን ይሞክሩ—እና በረጅም ሰንሰለቶች ውስጥ የማመዛዘን መበላሸትን ይመልከቱ።
አፈጻጸም እና መለኪያዎች፡ የሚገርምበት
የመጀመሪያ አስተያየት MobileLLM‑R1 ለመጠኑ ያልተለመደ የሂሳብ እና የተዋቀረ ምክንያት ላይ ጠንካራ መሆኑን ያጎላል፣ አንዳንዴም በተወሰኑ ተግባራት ላይ ትላልቅ ሞዴሎችን ተረከዝ ላይ ይነካል። የማህበረሰብ ሙከራዎች ያሳያሉ፡
- የማመዛዘን ታማኝነት፡ የማመዛዘን‑የተስተካከለ ስልጠና የነቁ መካከለኛ እርምጃዎች ያላቸው የተዋቀሩ ባለብዙ‑ደረጃ መልሶች።
- ድብቅነት፡ ለአጫጭር እስከ መካከለኛ ጥያቄዎች በሲፒዩ ላይ ተቀባይነት ያለው፤ በቁጥር አወቃቀር እና በአነስተኛ አውድ በፍጥነት የሚታይ።
- ወጥነት፡ በዲተርሚኒስቲክ ሂሳብ/ሎጂክ ላይ ከአብስትራክት፣ ክፍት‑ፍጻሜ ትውልድ የበለጠ ጠንካራ (ትላልቅ ሞዴሎች አሁንም የበላይ በሆኑበት)።
የት ወደ ኋላ እንደሚቀር፡ በጣም ረጅም ሰንሰለቶች፣ ጥቃቅን የአለም እውቀት እና ሰፊ የዐውደ-ጽሑፍ መስኮቶች ወይም የበለፀገ የጋራ አስተሳሰብ የሚፈልጉ ተግባራት።
R1 እና ሰንሰለት‑የአስተሳሰብ፡ የንግድ ልውውጡ ምንድን ነው?
R1‑ቅጥ ሞዴሎች ወደ ደረጃዊ ምክንያታዊነት ያዘነብላሉ። ያ ኃይለኛ ነው—ግን ከግምት ውስጥ የሚገቡ ነገሮች አሉት፡
- ግልጽነት ከቃላት ብዛት ጋር፡ ሊተረጎሙ የሚችሉ ደረጃዎችን ያገኛሉ፣ ነገር ግን ረዘም ያሉ ውጤቶች ድብቅነትን እና የቶከን ወጪዎችን ሊጨምሩ ይችላሉ።
- የጥበቃ ሀዲዶች፡ የማመዛዘን ፍለጋዎች አሁንም ሊንከራተቱ ይችላሉ፤ በምርቶች ውስጥ ሲካተቱ የውጤት ርዝመት ቆቦች ወይም የማመዛዘን ገደቦች ሊያስፈልጉዎት ይችላሉ።
- የግላዊነት መጨመር፡ በመሣሪያ ላይ ያለ ምክንያት ማለት መካከለኛ ደረጃዎች መሣሪያውን አይለቁም—ለስሜታዊ የስራ ፍሰቶች ትልቅ ድል ነው።
MobileLLM‑R1 ከሌሎች በመሣሪያ ላይ ካሉ አማራጮች ጋር
የማሰማሪያ ገደቦችን እና የሚሰራውን ስራ ያስቡ። እዚህ አንድ ተግባራዊ መነፅር አለ፡
- ከ Google Gemini Nano ጋር ሲነጻጸር፡ ናኖ በጥልቅ የ Android ውህደት እና በተመቻቹ ከርነሎች ይጠቀማል፣ ነገር ግን MobileLLM‑R1 ለክፍት ሙከራ እና ሲፒዩ‑የመጀመሪያ ተንቀሳቃሽነት ማራኪ ነው።
- ከ Apple በመሣሪያ ላይ ካሉ ሞዴሎች ጋር ሲነጻጸር (A‑series/NPUs)፡ የአፕል ቁልል በ iOS/macOS ላይ በአቀባዊ ማመቻቸት ያሸንፋል። MobileLLM‑R1 ለገንቢዎች እንደ ክፍት፣ ተንቀሳቃሽ፣ ተሻጋሪ መድረክ ምርጫ ይወዳደራል።
- ከ Qualcomm/X Elite NPUs ጋር ሲነጻጸር፡ NPUsን መጠቀም ከቻሉ፣ ትላልቅ የቁጥር ሞዴሎች ሊገጣጠሙ ይችላሉ። MobileLLM‑R1 ጥሩ የሲፒዩ‑ብቻ አፈጻጸምን ማረጋገጥ ሲኖርብዎት ያበራል።
- ከሌሎች ትናንሽ LLMዎች ጋር ሲነጻጸር፡ ብዙ ንዑስ‑2B ሞዴሎች በደንብ ይጽፋሉ ነገር ግን በደንብ አያስቡም። MobileLLM‑R1 ያንን ይገለብጣል፡ በመጀመሪያ ምክንያት፣ በሁለተኛ ደረጃ ቅጥ። በዚህ መሰረት ይምረጡ።
ማስታወሻ፡ እነዚህ ንጽጽሮች ነጠላ የጭንቅላት‑ወደ‑ጭንቅላት የመሪዎች ሰሌዳ ሳይሆን የተለመዱ የመድረክ ባህሪያትን እና ቀደምት የማህበረሰብ ምልከታዎችን ያንፀባርቃሉ።
እውነተኛ‑ዓለም የአጠቃቀም ጉዳዮች (ከማዋቀር ምክሮች ጋር)
- የግል የሰነድ ጥያቄ እና መልስ፡ የአካባቢ ፒዲኤፎችን ይክተቱ፣ በቀላል መልሶ ማግኛ በክፍል ይከፋፍሉ እና MobileLLM‑R1 ከመስመር ውጭ አጭር፣ ደረጃ‑በ‑ደረጃ መልሶችን እንዲያመነጭ ያድርጉ።
- ምክር፡ የዐውደ-ጽሑፍ መስኮቶችን ልከኛ ያድርጉ፤ ትኩረት የተሰጣቸው ጥያቄዎችን እና አጭር ክፍሎችን ይምረጡ።
- በሂሳብ ላይ ያተኮረ ትምህርት፡ «በተቆጠሩ ደረጃዎች አስቡ» የሚሉ መመሪያዎችን በመጠቀም ሆን ተብሎ የሚደረጉ እርምጃዎችን ያበረታቱ እና ድብቅነትን ለመቆጣጠር ከፍተኛውን ቶከኖች ይገድቡ።
- ቀላል የኮድ ረዳት፡ ለማብራሪያ እና ለአነስተኛ ቅንጥቦች ይጠቀሙበት። ትላልቅ ድጋሚ መዋቅሮችን ወደ ክላውድ ሞዴል ያውርዱ።
- ስማርት ማስታወሻዎች እና የኢሜል ምርመራ፡ ክርዎችን በአገር ውስጥ ያጠቃልሉ፣ ምላሾችን ይጠቁሙ እና ሚስጥራዊነት ያለው ይዘትን በመሣሪያ ላይ ያስቀምጡ።
- የዳር ትንታኔዎች፡ የንጽህና ፍተሻዎችን ወይም ያልተለመዱ ማብራሪያዎችን በዳር ላይ በዥረቶች ላይ ያካሂዱ፣ ከዚያ ማጠቃለያዎችን ብቻ ወደ ክላውድ ይላኩ።
የገንቢ ልምድ፡ ከፕሮቶታይፕ እስከ ምርት
- ጥያቄዎችን መጠየቅ፡ ጥቂት‑ተኩስ ምሳሌዎች ግልጽ የሆኑ የደረጃ ወሰኖች (ለምሳሌ፣ «ደረጃ 1… ደረጃ 2…») ውጤቶችን የማረጋጋት አዝማሚያ አላቸው።
- የመሳሪያ አጠቃቀም፡ ለሂሳብ አስተማማኝነት ከመልሶ ማግኛ ወይም ቀላል ካልኩሌተር ተግባር ጋር ያጣምሩ። መሰረታዊ የኢቫል ስራ እንኳን ቅዠቶችን ይቀንሳል።
- ገደቦች፡ ድብቅነትን ሊተነበይ የሚችል ለማድረግ ለግቤት እና ለውጤት ሁለቱም የሃርድ‑ገደብ ቶከኖች። «የማመዛዘን በጀት» ጥያቄዎችን ያስቡ።
- ክትትል፡ የእርስዎን የምርት ጎራ የሚያንፀባርቁ በተከታታይ የወርቅ ተግባራት ላይ ትክክለኛነትን ይከታተሉ፣ አጠቃላይ መለኪያዎች ብቻ አይደሉም።
ግላዊነት፣ ደህንነት እና ተገዢነት
በመሣሪያ ላይ ያለው መደምደሚያ ጥሬ ግብዓቶችን በነባሪ በአካባቢው ያስቀምጣል—ለተቆጣጠሩ ኢንዱስትሪዎች እና የውስጥ መተግበሪያዎች በጣም ጥሩ። አሁንም፡
- የምዝግብ ማስታወሻ ፖሊሲዎች፡ የምዝግብ ማስታወሻዎች ስሜታዊ ፍለጋዎችን እንደማያፈሱ ያረጋግጡ።
- የሞዴል ዝመናዎች፡ ይመዝገቡ እና ክብደቶችን ያረጋግጡ። የኋላ መመለሻ መንገዶችን ያቅርቡ።
- ኢቫል ንጽህና፡ ከመስመር ውጭም ቢሆን ለጥያቄ መርፌ የመቋቋም ችሎታ ይሞክሩ፤ አካባቢያዊ ማለት ያለመከሰስ ማለት አይደለም።
MobileLLM‑R1ን አሁን መቀበል ያለበት ማን ነው?
- ትልቅ ብቃት፡ የግላዊነት‑የመጀመሪያ ረዳቶችን የሚገነቡ ጀማሪዎች፣ በግቢው ላይ ገደቦች ያሉባቸው ኢንተርፕራይዞች እና ፈጣን የአካባቢ ሉፕ የሚያስፈልጋቸው ገንቢዎች።
- ምናልባት ይጠብቁ፡ ትልቅ የዐውደ-ጽሑፍ መስኮቶች፣ የበለፀገ የአለም እውቀት ወይም ከፍተኛ‑ደረጃ የፈጠራ ጽሑፍ የሚጠይቁ ቡድኖች።
ከመስመር ውጭ አስተማማኝነት እና ግላዊነት አስፈላጊ የሆነ የሸማቾች ባህሪ እየላኩ ከሆነ፣ MobileLLM‑R1 ዛሬ አስገዳጅ ነው።
ዋጋ እና ተገኝነት
የfacebook/MobileLLM-R1-950M የፍተሻ ነጥብ ለሙከራ እና ለማዋሃድ ዝርዝሮች በ Hugging Face በኩል ይገኛል። የማህበረሰብ ቪዲዮዎች በሲፒዩዎች ላይ ጭነት እና የአካባቢ ሙከራን ይራመዳሉ፣ ይህም ለፈጣን ጅምር ጠቃሚ ነው።
ተግባራዊ፡ ፈጣን ጅምር ንድፍ
ከዚህ በታች ጽንሰ-ሐሳባዊ ፍሰት አለ። ከቁልልዎ ጋር ያስተካክሉ።
ከ transformers አስመጣ AutoModelForCausalLM, AutoTokenizer
ቶርች አስመጣ
ckpt = "facebook/MobileLLM-R1-950M"
tok = AutoTokenizer.from_pretrained(ckpt)
ሞዴል = AutoModelForCausalLM.from_pretrained(
ckpt,
torch_dtype=torch.float16, # or int8/int4 via bitsandbytes/AutoGPTQ
device_map="auto"
)
ጥያቄ = "48/6 + 7*3 ን ፍታ። ደረጃዎቹን በአጭሩ አሳይ።"
ግቤቶች = tok(ጥያቄ, return_tensors="pt").to(model.device)
በ torch.inference_mode:
ውጪ = model.generate(
**ግቤቶች,
max_new_tokens=160,
ሙቀት=0.2,
do_sample=ሐሰት
)
አትም(tok.decode(ውጪ[0], skip_special_tokens=እውነት))
ተግባራዊ ነባሪዎች፡
- የበለጠ ጽኑ ምክንያት ለማግኘት
ሙቀት=0.2።
- ድብቅነትን ለመገደብ
max_new_tokens=128–256።
- በመጀመሪያ INT8ን ይሞክሩ፤ አስፈላጊ ከሆነ ብቻ INT4ን ያስቡ።
ገደቦች እና ማስጠንቀቂያዎች
- የማመዛዘን መንሸራተት፡ ያለ ካልኩሌተሮች/መሳሪያዎች፣ ስሌት ሊንሸራተት ይችላል። የመሳሪያ መንጠቆዎችን ወይም የማረጋገጫ ማለፊያዎችን ያክሉ።
- የዐውደ-ጽሑፍ ገደቦች፡ ጥያቄዎችን ጥብቅ ያድርጉ፤ ከአነስተኛ ክፍሎች ጋር ማግኛን ይምረጡ።
- የውጤት የቃላት ብዛት፡ R1 ሰንሰለቶች ረጅም ሊሆኑ ይችላሉ። «አጭር ሁን» የሚሉ መመሪያዎችን ተጠቀም እና የቶከን ቆቦችን አስገድድ።
የታችኛው መስመር
MobileLLM‑R1 ብርቅዬ ጥምርን ያቀርባል፡ በንዑስ‑2B ጥቅል ውስጥ ሊተረጎም የሚችል ምክንያት እና ተንቀሳቃሽ አፈጻጸም። በክፍት‑ፍጻሜ ተግባራት ላይ የክላውድ ግዙፎችን አያስወርድም፣ ነገር ግን የግል፣ ከመስመር ውጭ‑የመጀመሪያ ልምዶችን ለማጎልበት ቀድሞውንም በቂ ነው—እና ያ አዳዲስ የምርት ምድቦችን ይከፍታል።
ልብ ሊባል የሚገባው፡ በብዙ ሞዴሎች ላይ የ AI ባህሪያትን ፕሮቶታይፕ ካደረጉ፣ የ Sider.AI ባለብዙ‑ሞዴል የስራ ቦታ ጥያቄዎችን A/B እንዲያደርጉ፣ ድብቅነትን ከአካባቢው ጋር በክላውድ እንዲያወዳድሩ እና ለቡድኖች ውጤቶችን እንዲመዘግቡ ያግዝዎታል። ምን በመሣሪያ ላይ እንደሚሰራ እና በክላውድ ውስጥ ምን እንደሚሰራ ለመወሰን MobileLLM‑R1ን ከትላልቅ LLMዎች ጎን ሲያስተካክሉ ይህ በጣም ጠቃሚ ነው።
ቁልፍ መውሰጃዎች
- ለመጠኑ በተዋቀረ ምክንያት ላይ ጠንካራ፤ ለግል፣ ከመስመር ውጭ ተግባራት ተስማሚ።
- በ Hugging Face በኩል ቀላል የአካባቢ ሙከራ፤ የማህበረሰብ ማሳያዎች የሲፒዩ አዋጭነትን ያሳያሉ።
- የቶከን በጀቶችን ያስቡ እና በሂሳብ ላይ ትክክለኛነትን ለማግኘት ከመሠረታዊ መሣሪያዎች ጋር ያጣምሩ።
- ለረዳቶች፣ ለትምህርት እና ለመመርመር በጣም ጥሩ፤ ለረጅም ጊዜ‑የፈጠራ ስራዎች ያን ያህል ተስማሚ አይደለም።
FAQ
Q1: Meta MobileLLM‑R1 ምንድን ነው እና ለምን አስፈላጊ ነው?
MobileLLM‑R1 ለበይነ‑መሣሪያ AI የተነደፈ የታመቀ፣ የማመዛዘን‑ችሎታ‑የተስተካከለ ሞዴል ነው። የሰንሰለት‑የአስተሳሰብ‑ቅጥ አፈጻጸምን ወደ ሲፒዩዎች እና የዳር ሃርድዌር ስለሚያመጣ፣ የግል፣ ከመስመር ውጭ ረዳቶችን እና በሂሳብ‑ማዕከል ተግባራትን ስለሚያስችል አስፈላጊ ነው።
Q2: MobileLLM‑R1 በላፕቶፕዬ ወይም በስልኬ ላይ መሮጥ ይችላል?
አዎ፣ የመጀመሪያ ሙከራዎች MobileLLM‑R1‑950M መዘግየትን ለመቆጣጠር ከቁጥር ጋር በአካባቢው በሸማቾች ሲፒዩዎች ላይ መሮጥ እንደሚችል ያሳያሉ። በ NPUs ወይም በተመቻቹ ከርነሎች ባላቸው መሣሪያዎች ላይ የተሻለ አፈጻጸም ይጠብቁ።
Q3: MobileLLM‑R1 ከ Google Gemini Nano ወይም ከአፕል በይነ‑መሣሪያ ሞዴሎች ጋር እንዴት ይነጻጸራል?
Gemini Nano እና የአፕል ቁልሎች ከጠበቀ የ OS/ሃርድዌር ውህደት ይጠቀማሉ። MobileLLM‑R1 ተሻጋሪ የፕላትፎርም ገንቢዎችን እና ሲፒዩ‑የመጀመሪያ ትግበራዎችን ማራኪ በማድረግ በተንቀሳቃሽነት እና በክፍት መዳረሻ ጎልቶ ይታያል።
Q4: MobileLLM‑R1 ለኮድ አወጣጥ ወይም ለሂሳብ ጥሩ ነው?
በተለይም ለመጠኑ በሂሳብ እና በተዋቀረ ምክንያት ላይ ጠንካራ ነው፣ እና ለኮድ እንደ ቀላል ገላጭ ወይም ረዳት ሆኖ ይሰራል። ለትላልቅ ድጋሚ መዋቅሮች ወይም ሰፊ የዐውደ-ጽሑፍ ተግባራት ከትልቅ ክላውድ ሞዴል ጋር ያጣምሩት።
Q5: MobileLLM‑R1ን የት ማውረድ እና ማሳያዎችን ማየት እችላለሁ?
MobileLLM‑R1‑950M የፍተሻ ነጥብን በ Hugging Face ላይ ማግኘት እና ለማዋቀር እና ለሙከራ መመሪያ የማህበረሰብ ሲፒዩ ማሳያዎችን መመልከት ይችላሉ።
