Meta MobileLLM‑R1 સમીક્ષા: પોકેટ‑સાઇઝ્ડ રીઝનર જે પોતાની ક્ષમતાથી વધુ સારું કામ કરે છે
જો 2023 ક્લાઉડ LLMનું વર્ષ હતું, તો 2025 ઓન-ડિવાઈસ ઇન્ટેલિજન્સનું વર્ષ બની રહ્યું છે. Metaનું MobileLLM‑R1 એ અત્યાર સુધીનો સૌથી સ્પષ્ટ સંકેત છે: એક કોમ્પેક્ટ, રીઝનિંગ-ટ્યુન્ડ મોડેલ જે સ્થાનિક રીતે ચલાવવા માટે ડિઝાઇન કરવામાં આવ્યું છે—બરાબર ત્યાં જ્યાં તમારો ડેટા રહે છે. આ સમીક્ષામાં, અમે તપાસ કરીએ છીએ કે MobileLLM‑R1 વાસ્તવમાં શું છે, તે કેવી રીતે કાર્ય કરે છે, તે ક્યાં ચમકે છે (અને ક્યાં ઠોકર ખાય છે), અને શું તે તમારા ફોન, લેપટોપ અથવા એજ ડિવાઇસને પાવર આપવા માટે તૈયાર છે.
વસ્તુઓને વ્યવહારિક રાખવા માટે, અમે જાહેર મોડેલ કાર્ડ, સમુદાયના પ્રારંભિક હેન્ડ્સ-ઓન પરીક્ષણો અને કામગીરી અને લક્ષિત ઉપયોગના કિસ્સાઓનો સારાંશ આપતા તકનીકી લેખો જોયા.
- MobileLLM‑R1 એ Metaનું કોમ્પેક્ટ રીઝનિંગ મોડેલ છે જે CPU/એજ ડિવાઇસ માટે ઑપ્ટિમાઇઝ કરેલું છે.
- 950M-પેરામીટર વેરિઅન્ટનો હેતુ મેમરી અથવા બેટરી બજેટને વધાર્યા વિના ચેઇન-ઓફ-થોટ-શૈલીનું તર્ક પહોંચાડવાનો છે.
- શરૂઆતના પરીક્ષણો દર્શાવે છે કે તે સ્થાનિક રીતે કન્ઝ્યુમર CPU પર ચાલે છે અને સમાન કદના મોડેલો કરતાં ગણિત અને તર્ક કાર્યોને વધુ સારી રીતે સંભાળી શકે છે, જે કેટલીકવાર સાંકડા કાર્યોમાં મોટા બેઝલાઇન્સને પડકારે છે.
- શક્તિઓ: ગોપનીયતા, ઑફલાઇન વિશ્વસનીયતા, ટૂંકા પ્રોમ્પ્ટ્સ માટે પ્રતિભાવ અને કાર્યક્ષમતા.
- નબળાઈઓ: નાની કોન્ટેક્ટ વિન્ડો, પ્રસંગોપાત તર્કની નબળાઈ અને મોટા ક્લાઉડ LLM કરતાં ધીમી મલ્ટિ-સ્ટેપ ચેઇન્સ.
અમે અહીં વ્યવહારિક અને ઉકેલ-લક્ષી અભિગમ અપનાવી રહ્યા છીએ: વાસ્તવિક ક્ષમતાઓ, સ્પષ્ટ ટ્રેડ-ઓફ્સ અને તમારે તેને અત્યારે અપનાવવું જોઈએ કે નહીં તેના પર માર્ગદર્શન.
MobileLLM‑R1 બરાબર શું છે?
MobileLLM‑R1 એ ભાગ મોડેલ પરિવાર છે, ભાગ વચન: એક કોમ્પેક્ટ LLM જે મર્યાદિત કમ્પ્યુટવાળા ઉપકરણો પર ઉપયોગી તર્ક પહોંચાડવા માટે તાલીમ પામેલું અને ઑપ્ટિમાઇઝ કરેલું છે. “R1” બ્રાન્ડિંગ એક તર્ક-ટ્યુન્ડ રેસીપી તરફ સંકેત આપે છે—જેમ કે: સંરચિત સ્ટેપ-બાય-સ્ટેપ વિચારસરણી, ગણિતની યોગ્યતા અને ઇરાદાપૂર્વકની મધ્યવર્તી તર્કની નિશાનીઓ.
- પેરામીટરનું કદ: વ્યાપકપણે ચર્ચિત ચેકપોઇન્ટ ~950M પેરામીટર્સ (MobileLLM‑R1‑950M) છે.
- ડિપ્લોયમેન્ટ લક્ષ્ય: કન્ઝ્યુમર CPUs/NPUs અને એજ ડિવાઇસ જ્યાં લેટન્સી, મેમરી અને પાવર મહત્વપૂર્ણ છે.
- ઉપયોગના કિસ્સાઓ: ઓન-ડિવાઇસ સહાયકો, ગણિત/તર્ક મદદગારો, હળવા કોડિંગ સૂચનો, સારાંશ અને ખાનગી દસ્તાવેજ Q&A.
દરખાસ્ત: ક્લાઉડ અવલંબન વિના “પર્યાપ્ત સારી” ચેઇન-ઓફ-થોટ-જેવી કામગીરી મેળવો—ગોપનીયતા-સંવેદનશીલ અથવા ઑફલાઇન-ફર્સ્ટ વર્કફ્લો માટે ઉપયોગી.
સ્પષ્ટીકરણો અને સેટઅપ: તમારે તેને ચલાવવા માટે શું જોઈએ છે
જ્યારે Metaએ ચળકતી ડેટાશીટ પ્રકાશિત કરી નથી, ત્યારે મોડેલ કાર્ડ અને સમુદાય ડેમો એક કાર્યક્ષમ ચિત્ર પ્રદાન કરે છે:
- ચેકપોઇન્ટ:
facebook/MobileLLM-R1-950M હગિંગ ફેસ હબ દ્વારા.
- હાર્ડવેર: આધુનિક કન્ઝ્યુમર CPUs પર ચાલે છે; AVX/AMX અને NPUs સાથે પ્રવેગકતા સુધરે છે જ્યાં ઉપલબ્ધ હોય. સમુદાય ડેમો દર્શાવે છે કે સ્થાનિક CPU અનુમાન શક્ય છે.
- મેમરી ફૂટપ્રિન્ટ: સબ-2B મોડેલો સામાન્ય રીતે ક્વોન્ટાઇઝ્ડ કરવામાં આવે ત્યારે થોડા GBમાં ફિટ થાય છે. આરામદાયક ડેવ એક્સપેરિમેન્ટેશન માટે 8–16 GB RAMની અપેક્ષા રાખો; આક્રમક ક્વોન્ટાઇઝેશન સાથે ચુસ્ત સેટઅપ્સ માટે 4–8 GB શક્ય છે.
- ક્વોન્ટાઇઝેશન: INT8/INT4 ક્વોન્ટાઇઝેશન CPU પર લેટન્સી ઘટાડવામાં મદદ કરે છે અને મોબાઇલ/એજ પર બેટરી લાઇફ વધારે છે.
વ્યવહારિક ટીપ: INT8 થી પ્રારંભ કરો. જો તમે બોટલનેક્ડ છો, તો INT4નું પરીક્ષણ કરો—અને લાંબી ચેઇન્સમાં તર્કની ખામી માટે ધ્યાન રાખો.
કામગીરી અને બેન્ચમાર્ક્સ: તે ક્યાં આશ્ચર્યચકિત કરે છે
શરૂઆતની કોમેન્ટ્રી ભાર મૂકે છે કે MobileLLM‑R1 તેના કદ માટે ગણિત અને સંરચિત તર્કમાં અસાધારણ રીતે મજબૂત છે, કેટલીકવાર વિશિષ્ટ કાર્યો પર મોટા મોડેલોની નજીક પહોંચે છે. સમુદાય પરીક્ષણો દર્શાવે છે:
- તર્કની ચોકસાઈ: તર્ક-ટ્યુન્ડ તાલીમ દ્વારા સક્ષમ મધ્યવર્તી પગલાં સાથે સંરચિત મલ્ટિ-સ્ટેપ જવાબો.
- લેટન્સી: ટૂંકાથી મધ્યમ પ્રોમ્પ્ટ્સ માટે CPU પર સ્વીકાર્ય; ક્વોન્ટાઇઝેશન અને નાના કોન્ટેક્ટ સાથે નોંધપાત્ર રીતે ઝડપી.
- સુસંગતતા: અમૂર્ત, ઓપન-એન્ડેડ જનરેશન કરતાં નિર્ધારિત ગણિત/તર્કમાં મજબૂત (જ્યાં મોટા મોડેલો હજી પણ પ્રભુત્વ ધરાવે છે).
તે ક્યાં પાછળ રહે છે: ખૂબ લાંબી ચેઇન્સ, સૂક્ષ્મ દુનિયાનું જ્ઞાન અને કાર્યો કે જેને વિશાળ કોન્ટેક્ટ વિન્ડો અથવા સમૃદ્ધ સામાન્ય સમજની જરૂર હોય છે.
R1 અને ચેઇન-ઓફ-થોટ: ટ્રેડ-ઓફ શું છે?
R1-શૈલીના મોડેલો સ્ટેપવાઇઝ તર્ક પર ધ્યાન કેન્દ્રિત કરે છે. તે શક્તિશાળી છે—પરંતુ તે વિચારણાઓ સાથે આવે છે:
- પારદર્શિતા વિરુદ્ધ શાબ્દિકતા: તમને અર્થઘટન કરી શકાય તેવા પગલાં મળે છે, પરંતુ લાંબા આઉટપુટ્સ લેટન્સી અને ટોકન ખર્ચમાં વધારો કરી શકે છે.
- ગાર્ડ્રેઇલ્સ: તર્કની નિશાનીઓ હજી પણ ભટકી શકે છે; ઉત્પાદનોમાં એમ્બેડ કરતી વખતે તમારે આઉટપુટ લંબાઈ કેપ્સ અથવા તર્ક અવરોધોની જરૂર પડી શકે છે.
- ગોપનીયતામાં વધારો: ઓન-ડિવાઇસ તર્કનો અર્થ એ છે કે મધ્યવર્તી પગલાં ઉપકરણ છોડતા નથી—સંવેદનશીલ વર્કફ્લો માટે એક જીત.
MobileLLM‑R1 વિરુદ્ધ અન્ય ઓન-ડિવાઇસ વિકલ્પો
ડિપ્લોયમેન્ટ અવરોધો અને કરવાના કામ વિશે વિચારો. અહીં એક વ્યવહારિક લેન્સ છે:
- Google Gemini Nano વિરુદ્ધ: Nanoને ડીપ એન્ડ્રોઇડ ઇન્ટિગ્રેશન અને ઑપ્ટિમાઇઝ્ડ કર્નલોથી ફાયદો થાય છે, પરંતુ MobileLLM‑R1 ઓપન એક્સપેરિમેન્ટેશન અને CPU-ફર્સ્ટ પોર્ટેબિલિટી માટે આકર્ષક છે.
- Apple ઓન-ડિવાઇસ મોડેલો (A-series/NPUs) વિરુદ્ધ: Appleનો સ્ટેક iOS/macOS પર વર્ટિકલ ઑપ્ટિમાઇઝેશનમાં જીતે છે. MobileLLM‑R1 ડેવલપર્સ માટે ઓપન, પોર્ટેબલ, ક્રોસ-પ્લેટફોર્મ પસંદગી તરીકે સ્પર્ધા કરે છે.
- Qualcomm/X Elite NPUs વિરુદ્ધ: જો તમે NPUsનો લાભ લઈ શકો છો, તો મોટા ક્વોન્ટાઇઝ્ડ મોડેલો ફિટ થઈ શકે છે. MobileLLM‑R1 ત્યારે ચમકે છે જ્યારે તમારે સારા CPU-ઓન્લી કામગીરીની ખાતરી આપવી જ જોઈએ.
- અન્ય નાના LLMs વિરુદ્ધ: ઘણા સબ-2B મોડેલો સારી રીતે લખે છે પરંતુ નબળી રીતે તર્ક કરે છે. MobileLLM‑R1 તેને ફ્લિપ કરે છે: પ્રથમ તર્ક, બીજી શૈલી. તે મુજબ પસંદ કરો.
નોંધ: આ સરખામણીઓ સિંગલ હેડ-ટુ-હેડ લીડરબોર્ડને બદલે સામાન્ય પ્લેટફોર્મ લાક્ષણિકતાઓ અને પ્રારંભિક સમુદાય નિરીક્ષણોને પ્રતિબિંબિત કરે છે.
વાસ્તવિક દુનિયાના ઉપયોગના કિસ્સાઓ (સેટઅપ ટીપ્સ સાથે)
- ખાનગી દસ્તાવેજ Q&A: સ્થાનિક PDF એમ્બેડ કરો, એક સરળ રીટ્રીવર સાથે ચંક કરો અને MobileLLM‑R1ને ઑફલાઇન ટૂંકા, સ્ટેપ-બાય-સ્ટેપ જવાબો જનરેટ કરવા દો.
- ટીપ: કોન્ટેક્ટ વિન્ડોઝને સાધારણ રાખો; કેન્દ્રિત પ્રોમ્પ્ટ્સ અને સંક્ષિપ્ત ચંક્સને પસંદ કરો.
- ગણિત-કેન્દ્રિત ટ્યુટરિંગ: “ક્રમાંકિત પગલાંમાં વિચારો” જેવી સૂચનાઓનો ઉપયોગ કરીને ઇરાદાપૂર્વકના પગલાંને પ્રોત્સાહિત કરો અને લેટન્સીને નિયંત્રિત કરવા માટે મહત્તમ ટોકન્સને કેપ કરો.
- હળવા કોડિંગ સહાયક: તેનો ઉપયોગ સમજૂતી અને નાના સ્નિપેટ્સ માટે કરો. મોટા રિફેક્ટર્સને ક્લાઉડ મોડેલ પર મોકલો.
- સ્માર્ટ નોટ્સ અને ઇમેઇલ ટ્રાયેજ: થ્રેડોનો સ્થાનિક રીતે સારાંશ આપો, જવાબો સૂચવો અને સંવેદનશીલ સામગ્રીને ઓન-ડિવાઇસ રાખો.
- એજ એનાલિટિક્સ: એજ પર સ્ટ્રીમ્સ પર સેનિટી ચેક્સ અથવા અસામાન્યતા સમજૂતીઓ ચલાવો, પછી ફક્ત સારાંશો જ ક્લાઉડ પર મોકલો.
ડેવલપરનો અનુભવ: પ્રોટોટાઇપથી પ્રોડક્શન સુધી
- પ્રોમ્પ્ટિંગ: સ્પષ્ટ સ્ટેપ બાઉન્ડ્રીઝ (દા.ત., “પગલું 1… પગલું 2…”) સાથેના થોડા-શોટના ઉદાહરણો આઉટપુટ્સને સ્થિર કરે છે.
- ટૂલનો ઉપયોગ: ગણિતની વિશ્વસનીયતા માટે રીટ્રીવર અથવા સરળ કેલ્ક્યુલેટર ફંક્શન સાથે જોડો. એક મૂળભૂત ઇવેલ રૂટિન પણ હેલ્યુસિનેશન્સ ઘટાડે છે.
- અવરોધો: લેટન્સીને અનુમાનિત રાખવા માટે ઇનપુટ અને આઉટપુટ બંને માટે હાર્ડ-લિમિટ ટોકન્સ. “તર્ક બજેટ” પ્રોમ્પ્ટ્સનો વિચાર કરો.
- મોનિટરિંગ: તમારા ઉત્પાદન ડોમેનને પ્રતિબિંબિત કરતા કાર્યોના ગોલ્ડન સેટ પર શુદ્ધતાને ટ્રૅક કરો, ફક્ત સામાન્ય બેન્ચમાર્ક્સ પર નહીં.
ગોપનીયતા, સુરક્ષા અને પાલન
ઓન-ડિવાઇસ અનુમાન ડિફૉલ્ટ રૂપે કાચા ઇનપુટ્સને સ્થાનિક રાખે છે—નિયંત્રિત ઉદ્યોગો અને આંતરિક એપ્લિકેશન્સ માટે સરસ. તેમ છતાં:
- લૉગ નીતિઓ: ખાતરી કરો કે લૉગ્સ સંવેદનશીલ નિશાનીઓ લીક ન કરે.
- મોડેલ અપડેટ્સ: વજન પર સહી કરો અને ચકાસો. રોલબેક પાથ પ્રદાન કરો.
- ઇવેલ સ્વચ્છતા: ઑફલાઇન હોવા છતાં પણ પ્રોમ્પ્ટ ઇન્જેક્શન સ્થિતિસ્થાપકતા માટે પરીક્ષણ કરો; સ્થાનિક એટલે રોગપ્રતિકારક શક્તિ નથી.
MobileLLM‑R1ને અત્યારે કોણે અપનાવવું જોઈએ?
- મહાન ફિટ: ગોપનીયતા-પ્રથમ સહાયકો બનાવતા સ્ટાર્ટઅપ્સ, ઓન-પ્રેમ અવરોધોવાળા સાહસો અને ઝડપી સ્થાનિક લૂપ્સની જરૂર હોય તેવા ડેવલપર્સ.
- કદાચ રાહ જુઓ: મોટી કોન્ટેક્ટ વિન્ડો, સમૃદ્ધ દુનિયાનું જ્ઞાન અથવા ટોચની ક્રિએટિવ રાઇટિંગની જરૂર હોય તેવી ટીમો.
જો તમે કન્ઝ્યુમર ફીચર મોકલી રહ્યા છો જ્યાં ઑફલાઇન વિશ્વસનીયતા અને ગોપનીયતા મહત્વપૂર્ણ છે, તો MobileLLM‑R1 આજે આકર્ષક છે.
કિંમત અને ઉપલબ્ધતા
facebook/MobileLLM-R1-950M ચેકપોઇન્ટ પ્રયોગ અને એકીકરણ વિગતો માટે હગિંગ ફેસ દ્વારા ઉપલબ્ધ છે. સમુદાય વિડિઓઝ CPUs પર ઇન્સ્ટોલેશન અને સ્થાનિક પરીક્ષણ દ્વારા ચાલે છે, જે ઝડપી શરૂઆત માટે ઉપયોગી છે.
હેન્ડ્સ-ઓન: ક્વિકસ્ટાર્ટ સ્કેચ
નીચે એક વૈચારિક પ્રવાહ છે. તમારા સ્ટેકને સમાયોજિત કરો.
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
ckpt = "facebook/MobileLLM-R1-950M"
tok = AutoTokenizer.from_pretrained(ckpt)
model = AutoModelForCausalLM.from_pretrained(
ckpt,
torch_dtype=torch.float16, # or int8/int4 via bitsandbytes/AutoGPTQ
device_map="auto"
)
prompt = "Solve 48/6 + 7*3. Show steps briefly."
inputs = tok(prompt, return_tensors="pt").to(model.device)
with torch.inference_mode:
out = model.generate(
**inputs,
max_new_tokens=160,
temperature=0.2,
do_sample=False
)
print(tok.decode(out[0], skip_special_tokens=True))
વ્યવહારિક ડિફોલ્ટ્સ:
- વધુ સ્થિર તર્ક માટે
temperature=0.2.
- લેટન્સીને કેપ કરવા માટે
max_new_tokens=128–256.
- પ્રથમ INT8 અજમાવો; જો જરૂરી હોય તો જ INT4નો વિચાર કરો.
મર્યાદાઓ અને ગોટચાસ
- તર્ક ડ્રિફ્ટ: કેલ્ક્યુલેટર/ટૂલ્સ વિના, અંકગણિત સરકી શકે છે. ટૂલ હુક્સ અથવા વેરિફિકેશન પાસ ઉમેરો.
- કોન્ટેક્ટ મર્યાદાઓ: પ્રોમ્પ્ટ્સને ચુસ્ત રાખો; નાના ચંક્સ સાથે રીટ્રીવલને પસંદ કરો.
- આઉટપુટ વર્બોસિટી: R1 ચેઇન્સ લાંબી હોઈ શકે છે. “સંક્ષિપ્ત બનો” જેવી સૂચનાઓનો ઉપયોગ કરો અને ટોકન કેપ્સ લાગુ કરો.
બોટમ લાઇન
MobileLLM‑R1 એક દુર્લભ કોમ્બો પહોંચાડે છે: સબ-2B પેકેજમાં અર્થઘટન કરી શકાય તેવું તર્ક અને પોર્ટેબલ કામગીરી. તે ઓપન-એન્ડેડ કાર્યો પર ક્લાઉડ ટાઇટન્સને પદભ્રષ્ટ કરશે નહીં, પરંતુ તે ખાનગી, ઑફલાઇન-ફર્સ્ટ અનુભવોને પાવર કરવા માટે પહેલેથી જ પૂરતું સારું છે—અને તે નવી પ્રોડક્ટ કેટેગરીઝને અનલૉક કરે છે.
નોંધનીય: જો તમે બહુવિધ મોડેલોમાં AI સુવિધાઓનું પ્રોટોટાઇપ કરો છો, તો Sider.AIનું મલ્ટિ-મોડેલ વર્કસ્પેસ તમને A/B પ્રોમ્પ્ટ્સમાં મદદ કરી શકે છે, સ્થાનિક વિ. ક્લાઉડ લેટન્સીની તુલના કરી શકે છે અને ટીમો માટે પરિણામો દસ્તાવેજ કરી શકે છે. જ્યારે તમે મોટા LLMs સાથે MobileLLM‑R1ને ટ્યુન કરી રહ્યાં હોવ ત્યારે તે કામમાં આવે છે જેથી એ નક્કી કરી શકાય કે ઓન-ડિવાઇસ વિરુદ્ધ ક્લાઉડમાં શું ચાલે છે.
મુખ્ય બાબતો
- તેના કદ માટે સંરચિત તર્ક પર મજબૂત; ખાનગી, ઑફલાઇન કાર્યો માટે આદર્શ.
- હગિંગ ફેસ દ્વારા સરળ સ્થાનિક પરીક્ષણ; સમુદાય ડેમો CPU શક્યતા દર્શાવે છે.
- ટોકન બજેટ્સનું ધ્યાન રાખો અને ગણિત પર ચોકસાઈ માટે મૂળભૂત ટૂલ્સ સાથે જોડો.
- સહાયકો, ટ્યુટરિંગ અને ટ્રાયેજ માટે સરસ; લાંબા ગાળાની સર્જનાત્મકતા માટે ઓછું આદર્શ.
FAQ
Q1:Meta MobileLLM‑R1 શું છે અને તે શા માટે મહત્વપૂર્ણ છે?
MobileLLM‑R1 એ કોમ્પેક્ટ, તર્ક-ટ્યુન્ડ મોડેલ છે જે ઓન-ડિવાઇસ AI માટે ડિઝાઇન કરવામાં આવ્યું છે. તે મહત્વપૂર્ણ છે કારણ કે તે CPU અને એજ હાર્ડવેર પર ચેઇન-ઓફ-થોટ-શૈલીની કામગીરી લાવે છે, જે ખાનગી, ઑફલાઇન સહાયકો અને ગણિત-કેન્દ્રિત કાર્યોને સક્ષમ કરે છે.
Q2:શું MobileLLM‑R1 મારા લેપટોપ અથવા ફોન પર ચાલી શકે છે?
હા, શરૂઆતના પરીક્ષણો દર્શાવે છે કે MobileLLM‑R1‑950M લેટન્સીને નિયંત્રણમાં રાખવા માટે ક્વોન્ટાઇઝેશન સાથે કન્ઝ્યુમર CPUs પર સ્થાનિક રીતે ચાલી શકે છે. NPUs અથવા ઑપ્ટિમાઇઝ્ડ કર્નલોવાળા ઉપકરણો પર વધુ સારી કામગીરીની અપેક્ષા રાખો.
Q3:Google Gemini Nano અથવા Appleના ઓન-ડિવાઇસ મોડેલો સાથે MobileLLM‑R1ની સરખામણી કેવી રીતે થાય છે?
Gemini Nano અને Appleના સ્ટેક્સને ચુસ્ત OS/હાર્ડવેર એકીકરણથી ફાયદો થાય છે. MobileLLM‑R1 પોર્ટેબિલિટી અને ઓપન એક્સેસ માટે અલગ છે, જે તેને ક્રોસ-પ્લેટફોર્મ ડેવ્સ અને CPU-ફર્સ્ટ ડિપ્લોયમેન્ટ્સ માટે આકર્ષક બનાવે છે.
Q4:શું MobileLLM‑R1 કોડિંગ અથવા ગણિત માટે સારું છે?
તે તેના કદ માટે ગણિત અને સંરચિત તર્કમાં ખાસ કરીને મજબૂત છે અને કોડ માટે હળવા સમજાવનાર અથવા સહાયક તરીકે કામ કરે છે. મોટા રિફેક્ટર્સ અથવા વિશાળ કોન્ટેક્ટ કાર્યો માટે, તેને મોટા ક્લાઉડ મોડેલ સાથે જોડો.
Q5:હું MobileLLM‑R1 ક્યાંથી ડાઉનલોડ કરી શકું અને ડેમો ક્યાં જોઈ શકું?
તમે હગિંગ ફેસ પર MobileLLM‑R1‑950M ચેકપોઇન્ટ શોધી શકો છો અને સેટઅપ અને પરીક્ષણ માર્ગદર્શન માટે સમુદાય CPU ડેમો જોઈ શકો છો.
