DeepSeek-OCR कैसे 20 गुना टोकन कटौती को सक्षम करता है - आपको क्या जानना चाहिए
अद्यतन 23 अक्टू. 2025 को
8 मिनट
यह ज़ोरदार दावा है: अर्थ खोए बिना 20 गुना कम टोकन
अगर लंबे रसीदों, इनवॉइस या स्कैन किए गए PDF के कारण आपके LLM का बिल बढ़ गया है, तो 20 गुना टोकन में कमी का वादा लगभग अविश्वसनीय लगता है। फिर भी, हाल ही में DeepSeek‑OCR पाइपलाइनें विज़ुअल टेक्स्ट को भाषा मॉडल को कुछ भी सौंपने से पहले लीन, सिमेंटिक रिप्रेजेंटेशन में कंप्रेस करके ठीक यही हासिल कर रही हैं। कम टोकन इनपुट, तेज़ प्रतिक्रियाएं, नाटकीय रूप से कम लागत - और अक्सर डाउनस्ट्रीम कार्यों पर बेहतर सटीकता।
इस स्पष्टीकरण में, हम बताते हैं कि DeepSeek‑OCR उन कटौती तक कैसे पहुंचता है, यह कहां चमकता है (और कहां नहीं), और आपके डेटा को मश में बदले बिना दस्तावेज़ QA, RAG और फ़ॉर्म अंडरस्टैंडिंग जैसे वास्तविक वर्कफ़्लो में इसे कैसे जोड़ा जाए।
—
जल्दी से समझिए: DeepSeek‑OCR वास्तव में क्या है?
DeepSeek‑OCR को LLM‑युग के वर्कलोड के लिए अनुकूलित OCR‑फर्स्ट विज़न-लैंग्वेज पाइपलाइन के रूप में सोचें। रॉ टेक्स्ट या इमेज को सीधे सामान्य-उद्देश्य वाले मॉडल में डालने के बजाय, DeepSeek‑OCR:
- मजबूत लेआउट जागरूकता के साथ इमेज/PDF से टेक्स्ट का पता लगाता है और पहचानता है।
- उस टेक्स्ट को संरचित रिप्रेजेंटेशन में सामान्यीकृत और संपीड़ित करता है।
- डाउनस्ट्रीम प्रॉम्प्ट के साथ संरेखित टोकन‑कुशल आउटपुट उत्पन्न करता है।
परिणाम? आप अपने LLM के लिए सिग्नल‑टू‑शोर अनुपात में सुधार करते हुए प्रति पृष्ठ बहुत कम टोकन खर्च करते हैं।
—
दस्तावेजों पर टोकन नियंत्रण से बाहर क्यों हो जाते हैं
अधिकांश टीमें एक भोली दृष्टिकोण से शुरुआत करती हैं: PDF को टेक्स्ट में बदलें और सब कुछ प्रॉम्प्ट में डाल दें। यहीं पर लागतें बढ़ जाती हैं। यहाँ क्यों:
- लेआउट ब्लोट: हेडर, फ़ूटर, पेज नंबर, वॉटरमार्क और डुप्लिकेट सामग्री टोकन खा जाते हैं।
- रिडंडेंट सिमेंटिक्स: वही वेंडर नाम हर पेज पर दिखाई देता है; लाइन आइटम लेबल दोहराते हैं।
- कम‑मूल्य वाला टेक्स्ट: कानूनी बॉइलरप्लेट, टेबल बॉर्डर, या OCR शोर।
- अप्रासंगिक क्षेत्र: लोगो, स्टैम्प, हस्ताक्षर जो आपके प्रश्न का उत्तर नहीं देते हैं।
DeepSeek‑OCR लक्षित संपीड़न के साथ इनमें से प्रत्येक परत पर हमला करता है।
—
20 गुना टोकन कटौती के पीछे पांच लीवर
एकल ट्रिक के बजाय, DeepSeek‑OCR कई तकनीकों को जोड़ती है। सटीक स्टैक कार्यान्वयन के अनुसार अलग-अलग होता है, लेकिन ये मूल लीवर हैं जो सुई को स्थानांतरित करते हैं।
1) क्षेत्र‑जागरूक निष्कर्षण: जो आप उपयोग नहीं करेंगे उसे न पढ़ें
- विज़ुअल सेगमेंटेशन टेक्स्ट ब्लॉक, टेबल और की-वैल्यू ज़ोन को अलग करता है।
- अप्रासंगिक क्षेत्रों (लोगो, सजावटी हेडर) को फ़िल्टर किया जाता है।
- डाउनस्ट्रीम प्रॉम्प्ट केवल चयनित क्षेत्रों का अनुरोध कर सकते हैं, उदाहरण के लिए, “आइटम टेबल,” “बिलिंग एड्रेस,” “टोटल।” परिणाम: गैर‑उत्तर क्षेत्रों को छोड़कर 2–5 गुना कमी।
2) संरचना‑प्रथम सामान्यीकरण: लेआउट को अर्थ में संपीड़ित करें
- रॉ मल्टी‑लाइन टेक्स्ट के बजाय, DeepSeek‑OCR संरचित JSON या कॉम्पैक्ट स्कीमा आउटपुट करता है।
- उदाहरण: की‑वैल्यू मैप, सरणियों के रूप में टेबल पंक्तियाँ, ID के साथ पदानुक्रमित अनुभाग।
- वैकल्पिक कैनोनिकललाइजेशन (दिनांक प्रारूप, मुद्रा कोड) टोकन‑भारी भिन्नताओं को हटा देता है। परिणाम: लेआउट को संक्षेप में दर्शाकर 3–8 गुना कमी।
3) डुप्लिकेट को हटाना और कैनोनिकल एंटिटी: एक ID, कई उल्लेख
- दोहराई जाने वाली एंटिटी (कंपनी का नाम, पते, पॉलिसी पहचानकर्ता) एक ही कैनोनिकल प्रविष्टि पर मैप करते हैं।
- संदर्भ लंबे स्ट्रिंग के बजाय छोटे ID बन जाते हैं। परिणाम: दोहराए जाने वाले दस्तावेज़ों में 1.5–3 गुना कमी।
4) सामग्री‑जागरूक सारांश: तथ्यों को रखें, फ़्लफ़ को छोड़ दें
- फ़ील्ड‑स्तरीय सारांशकर्ता विस्तृत पैराग्राफ को तथ्यात्मक कथनों में संपीड़ित करते हैं।
- डोमेन‑ट्यून किए गए पैटर्न (उदाहरण के लिए, बीमा, लॉजिस्टिक्स, वित्त) अनुपालन‑महत्वपूर्ण विवरणों को संरक्षित करते हैं। परिणाम: क्रियाशीलता के आधार पर 2–6 गुना कमी।
5) टोकन‑अनुकूलित धारावाहिकरण: ऐसे प्रारूप चुनें जिन्हें LLM सस्ते में पार्स करें
- छोटे कुंजियों वाला कॉम्पैक्ट JSON, या स्कीमा‑निर्देशित टुपल्स।
- विस्तृत YAML, अत्यधिक व्हाइटस्पेस और लंबे नेस्टेड लेबल से बचें।
- स्थिर फ़ील्ड ऑर्डर बैचों में प्रॉम्प्ट ओवरहेड को कम करता है। परिणाम: शुद्ध फ़ॉर्मेटिंग अनुशासन से 1.2–2 गुना कमी।
एक साथ ढेर किए गए, ये लीवर नियमित रूप से गन्दे PDF पर 10 गुना को पार करते हैं और बहु‑पृष्ठ फ़ॉर्म, इनवॉइस और घनी रिपोर्ट पर 20 गुना तक पहुंच सकते हैं, खासकर जब टेबल हावी हों।
—
व्यवहार में पाइपलाइन कैसी दिखती है?
आइए एक व्यावहारिक, समाधान‑उन्मुख प्रवाह पर चलते हैं। आप इसे अपने इंफ्रास्ट्रक्चर में अनुकूलित कर सकते हैं चाहे आप DeepSeek‑OCR को ऑन‑प्रिम या API के माध्यम से चलाते हों।
- इनजेस्ट और सेगमेंट
- इनपुट: स्कैन किया हुआ PDF, इमेज या हाइब्रिड PDF।
- चरण: पेज डिटेक्शन → क्षेत्र प्रस्ताव → टेक्स्ट ब्लॉक और टेबल डिटेक्शन → शोर फ़िल्टरिंग।
- आउटपुट: निर्देशांक और प्रकारों (हेडर/बॉडी/फ़ूटर, पैराग्राफ/टेबल, लोगो/हस्ताक्षर) के साथ एक क्षेत्र मानचित्र।
- पहचानें और संरेखित करें
- स्पेलिंग पूर्वाग्रह सुधार के लिए भाषा मॉडल के साथ उच्च‑सटीकता OCR।
- लाइन मर्जिंग, कॉलम संरेखण और टेबल सेल एसोसिएशन।
- आउटपुट: टेक्स्ट नोड + निर्देशांक से जुड़े टेबल संरचनाएं।
- स्कीमा में सामान्यीकृत करें
- प्रति दस्तावेज़ वर्ग एक स्कीमा का चयन करें: इनवॉइस, रसीद, बिल ऑफ लैडिंग, मेडिकल नोट।
- रेजेक्स + क्लासिफायर + एज केस के लिए LLM फ़ॉलबैक के साथ फ़ील्ड निकालें।
- आउटपुट: छोटे, स्थिर कुंजियों (उदाहरण के लिए, inv_id, issue_dt, due_dt, vendor_id, items[]) के साथ कॉम्पैक्ट JSON।
- डुप्लिकेट को हटाएं और कैनोनीकृत करें
- वेंडर के नाम/पते को कैनोनिकल ID पर मैप करें।
- मुद्राओं, तारीखों, इकाइयों को सामान्यीकृत करें; बॉयलरप्लेट अनुभागों को हटाएं।
- संपीड़ित और क्रमबद्ध करें
- वैकल्पिक: लंबे नोटों के लिए सामग्री‑जागरूक सारांश।
- टोकन‑सस्ते धारावाहिकरण को लागू करें (टाइट JSON, ऑर्डर किए गए कुंजियाँ)।
- LLM इंटरफ़ेस
- एक न्यूनतम, प्रश्न‑संरेखित संदर्भ विंडो प्रदान करें।
- फ़ंक्शन/टूल स्कीमा के माध्यम से प्रॉम्प्ट के लिए प्रासंगिक केवल फ़ील्ड पुनर्प्राप्त करें।
यह वह क्षण है जब टोकन बचत चक्रवृद्धि होती है, क्योंकि आप अब मॉडल को पूरे दस्तावेज़ को फिर से समझाने के लिए भुगतान नहीं कर रहे हैं — आप केवल वही वितरित कर रहे हैं जो उसे सबसे सस्ते संभव रूप में चाहिए।
—
उदाहरण: 5‑पृष्ठ के इनवॉइस को 20 गुना कम टोकन में बदलना
बेसलाइन (भोली)
- OCR’d टेक्स्ट के 5 पृष्ठ → हेडर, फ़ूटर, टेबल, कानूनी नोट सहित ~9,000–12,000 टोकन।
- प्रॉम्प्ट पूछता है: “कुल देय, क्षेत्राधिकार द्वारा कर और कोई भी विलंब शुल्क क्या है?”
- मॉडल अप्रासंगिक पैराग्राफ पर संदर्भ बर्बाद करता है।
DeepSeek‑OCR संपीड़न के साथ
- क्षेत्र फ़िल्टरिंग हेडर/फ़ूटर वॉटरमार्क, बॉयलरप्लेट शर्तें और डुप्लिकेट वेंडर विवरण हटाता है।
- टेबल निष्कर्षण आइटम[] को 50 पंक्तियों × 6 कॉलम → 300 कॉम्पैक्ट सेल के रूप में आउटपुट करता है, न कि 1,500+ शब्द।
- कैनोनिकललाइजेशन इकाई स्ट्रिंग को सिकोड़ता है; डुप्लिकेट किए गए पते एक बार संदर्भित किए जाते हैं।
- अंतिम संदर्भ: ~450–600 टोकन।
परिणाम
- 15–20 गुना कम टोकन।
- तेज़ लेटेंसी, कम लागत और लक्षित प्रश्नों पर उच्च सटीकता क्योंकि शोर हटा दिया गया था।
—
DeepSeek‑OCR कहां चमकता है (और कहां नहीं)
ताकत
- संरचित व्यवसाय डॉक्स: इनवॉइस, रसीदें, PO, शिपिंग लेबल, बैंक स्टेटमेंट।
- बहु‑पृष्ठ स्थिरता: दोहराए गए अनुभाग अच्छी तरह से संपीड़ित होते हैं।
- टेबल‑भारी सामग्री: गद्य पर सरणियों के साथ सबसे बड़ी टोकन बचत।
- RAG पाइपलाइन: पूर्व‑सामान्यीकृत चंक्स पुनर्प्राप्ति परिशुद्धता को बढ़ावा देते हैं।
सीमाएं
- हस्तलिखित, अत्यधिक शैलीबद्ध टेक्स्ट: मान्यता गुणवत्ता सब कुछ चलाती है।
- कानूनी राय/मेडिकल नैरेटिव: भारी सारांश से बारीकियों के नुकसान का खतरा होता है; उच्च‑निष्ठा मोड पर विचार करें।
- पंक्ति‑स्पैन/कॉल‑स्पैन वाली जटिल टेबल: सावधानीपूर्वक सेल मैपिंग और QA की आवश्यकता है।
शमन
- आत्मविश्वास थ्रेसहोल्ड का उपयोग करें और अनिश्चित होने पर इमेज क्रॉप पर फ़ॉलबैक करें।
- दोहरे मोड रखें: एक कॉम्पैक्ट सिमेंटिक व्यू और एक ऑन‑डिमांड उच्च‑निष्ठा व्यू।
- ट्रैसिबिलिटी के लिए स्कीमा फ़ील्ड और विज़ुअल निर्देशांक के बीच संरेखण लॉग करें।
—
अपने LLM स्टैक के साथ DeepSeek‑OCR को कैसे एकीकृत करें
एक प्रश्न‑आधारित मार्गदर्शिका जिसका आप आज पालन कर सकते हैं।
उपयोगकर्ता क्या पूछ रहा है?
- समय से पहले कार्य वर्गों को परिभाषित करें: कुल निष्कर्षण, लाइन‑आइटम QA, इकाई मिलान।
- प्रत्येक कार्य को न्यूनतम संदर्भ में मैप करें: कुछ फ़ील्ड जो प्रश्न का उत्तर देते हैं।
हम OCR आउटपुट को कैसे संग्रहीत करते हैं?
- दोनों को स्टोर करें: (1) एक कॉम्पैक्ट सिमेंटिक JSON और (2) सत्यापन के लिए वैकल्पिक रॉ टेक्स्ट या पेज क्रॉप।
- प्रत्येक कॉल पर टोकन को कम करने के लिए छोटे कुंजियों और स्थिर ऑर्डरिंग का उपयोग करें।
हम केवल वही कैसे प्राप्त करते हैं जिसकी आवश्यकता है?
- अपने LLM कॉल को एक टूल/फ़ंक्शन स्कीमा में रैप करें ताकि मॉडल को केवल प्रासंगिक फ़ील्ड प्राप्त हों।
- उदाहरण टूल तर्क: कुल, taxes_by_region[], बकाया_बैलेंस, देय_तिथि, आइटम्स[sku, qty, unit_price]।
हम गुणवत्ता को उच्च कैसे रखते हैं?
- प्रति फ़ील्ड आत्मविश्वास स्कोर जोड़ें; मानव समीक्षा के लिए थ्रेसहोल्ड सेट करें।
- लेखा परीक्षा क्षमता के लिए पृष्ठ निर्देशांक पर वापस लिंक रखें।
- विभेदक परीक्षण चलाएं: दो स्वतंत्र निष्कर्षणकर्ताओं से कुल की तुलना करें।
—
20× मापना: क्या ट्रैक करना है
- प्रति पृष्ठ टोकन (पहले बनाम बाद): आपका मूल KPI।
- प्रति क्वेरी लेटेंसी: कटौती टोकन के साथ रैखिक होनी चाहिए, अक्सर कम पार्सिंग के कारण बेहतर होती है।
- लक्षित प्रश्नों पर सटीकता: शुद्धता से दूर न हटें।
- मानव‑इन‑द‑लूप दर: आत्मविश्वास में सुधार के साथ समय के साथ कम करने का लक्ष्य रखें।
टिप: अपने शीर्ष तीन टेम्पलेट्स में 100‑दस्तावेज़ बेंचमार्क चलाएं। प्रति वर्कफ़्लो एक बजट स्थापित करें (उदाहरण के लिए, प्रति दस्तावेज़ क्वेरी <$0.01) और जब तक आप इसे हिट नहीं कर लेते तब तक दोहराएं।
—
लागत मॉडलिंग: वित्त साइन‑ऑफ के लिए रफ गणित
- बेसलाइन: $X/1M टोकन पर 10,000 टोकन प्रति दस्तावेज़ → $0.01 प्रति 1,000 टोकन → $0.10 प्रति दस्तावेज़।
- संपीड़न के बाद: 500 टोकन → $0.005 प्रति दस्तावेज़।
- 100k दस्तावेज़/माह पर: $10,000 से $500 तक — 95% की कमी, लेटेंसी बचत और कम पुनर्प्रयास से पहले।
प्रदाता के अनुसार संख्याएं अलग-अलग होंगी, लेकिन दिशा बनी हुई है: पहले संपीड़ित करें, बाद में पूछें।
—
सामान्य कमियां (और त्वरित सुधार)
- ओवर‑सारांश: नियामक शर्तों को खोना। सुधार: अवश्य‑रखें वाक्यांशों और अनुभागों को श्वेतसूची में डालें।
- स्कीमा ड्रिफ्ट: समय के साथ कुंजियाँ बदलती हैं। सुधार: अपने स्कीमा को संस्करणित करें; अज्ञात फ़ील्ड को अस्वीकार करें।
- टेबल मिसलिग्न्मेंट: ऑफ‑बाय‑वन सेल त्रुटियां। सुधार: विज़ुअल क्रॉस‑चेक और टोटल‑रीकम्प्यूट वैलिडेटर।
- प्रॉम्प्ट ब्लोट: विस्तृत सिस्टम प्रॉम्प्ट आपकी बचत को ऑफसेट करते हैं। सुधार: टेम्पलेट न्यूनतमता और टूल स्कीमा।
—
वास्तविक‑विश्व परिदृश्य जिन्हें आप इस सप्ताह लागू कर सकते हैं
- वित्त संचालन: 20 गुना कम टोकन के साथ इनवॉइस कुल और करों को ऑटो‑वैलिडेट करें; समीक्षा के लिए विसंगतियों को चिह्नित करें।
- लॉजिस्टिक्स: बिल ऑफ लैडिंग से कंटेनर ID, पोर्ट और तारीखें निकालें; ERP के विरुद्ध मिलान करें।
- हेल्थकेयर व्यवस्थापक: दावा न्यायनिर्णयन के लिए EOB को मानकीकृत फ़ील्ड में संपीड़ित करें।
- खुदरा: वफादारी और वापसी वर्कफ़्लो के लिए रसीदों से लाइन आइटम निकालें।
—
उल्लेख करने योग्य: पाइपलाइन को चालू करने के लिए Sider.AI का उपयोग करना
यदि आप OCR, सामान्यीकरण और LLM कॉल को एक साथ जोड़ रहे हैं, तो ऑर्केस्ट्रेशन और पुनरावृत्ति गति मायने रखती है। वैसे, Sider.AI टीमों को इसे एक दोहराने योग्य वर्कफ़्लो में बदलने में मदद कर सकता है: आप विभिन्न OCR सेटिंग्स में टोकन उपयोग की तुलना कर सकते हैं, धारावाहिकरण प्रारूपों पर A/B परीक्षण चला सकते हैं, और ग्लू कोड को फिर से लिखे बिना मॉडल लागत को बेंचमार्क कर सकते हैं। इसका प्रतिफल उस 20 गुना टोकन कटौती लक्ष्य पर तेजी से अभिसरण है।
—
मुख्य बातें
- DeepSeek‑OCR की 20 गुना टोकन कटौती क्षेत्र फ़िल्टरिंग, संरचना‑प्रथम सामान्यीकरण, डुप्लिकेट को हटाने, स्मार्ट सारांश और टोकन‑अनुकूलित धारावाहिकरण को ढेर करने से आती है।
- टेबल‑भारी, बहु‑पृष्ठ व्यवसाय दस्तावेज़ों पर बचत सबसे बड़ी है।
- दोहरे दृश्य रखें: सस्ते LLM कॉल के लिए एक कॉम्पैक्ट सिमेंटिक परत और ऑडिट के लिए एक उच्च‑निष्ठा फ़ॉलबैक।
- लगातार मापें: प्रति पृष्ठ टोकन, सटीकता और लेटेंसी — और अपने स्कीमा को दोहराएं।
- स्केल के लिए ऑर्केस्ट्रेट करें: पुनर्प्राप्ति‑संरेखित प्रॉम्प्ट और टूल स्कीमा बचत को चिपकाए रखते हैं।
—
अगले चरण: एक न्यूनतम कार्यान्वयन योजना
- अपने शीर्ष तीन दस्तावेज़ प्रकारों की पहचान करें और कॉम्पैक्ट स्कीमा को परिभाषित करें।
- क्षेत्र विभाजन और टेबल निष्कर्षण के साथ DeepSeek‑OCR सेट करें।
- कैनोनिकललाइजेशन और डुप्लिकेट को हटाना जोड़ें; प्रति फ़ील्ड आत्मविश्वास लॉग करें।
- छोटे कुंजियों के साथ टाइट JSON में धारावाहिकरण करें; स्थिर ऑर्डरिंग लागू करें।
- अपने LLM प्रॉम्प्ट को फ़ंक्शन/टूल स्कीमा में रैप करें जो केवल आवश्यक फ़ील्ड का उपभोग करते हैं।
- टोकन उपयोग और सटीकता को बेंचमार्क करें; 10–20× तक पहुंचने तक दोहराएं।
FAQ
Q1:DeepSeek‑OCR व्यवहार में 20 गुना टोकन कटौती कैसे प्राप्त करता है?
क्षेत्र फ़िल्टरिंग, स्कीमा‑आधारित सामान्यीकरण, डुप्लिकेट को हटाने, सामग्री‑जागरूक सारांश और कॉम्पैक्ट धारावाहिकरण को मिलाकर। ये चरण अप्रासंगिक और रिडंडेंट टेक्स्ट को हटा देते हैं ताकि LLM को केवल टोकन‑कुशल, कार्य‑संरेखित डेटा दिखाई दे।
Q2:क्या DeepSeek‑OCR के साथ टोकन कटौती से इनवॉइस या रसीदों पर सटीकता को नुकसान होगा?
यदि आप महत्वपूर्ण फ़ील्ड को बरकरार रखते हैं और आत्मविश्वास थ्रेसहोल्ड का उपयोग करते हैं तो नहीं। कई मामलों में, सटीकता में सुधार होता है क्योंकि शोर हटा दिया जाता है और मॉडल संरचित, प्रासंगिक फ़ील्ड पर ध्यान केंद्रित करता है।
Q3:DeepSeek‑OCR टोकन संपीड़न से किस प्रकार के दस्तावेज़ों को सबसे अधिक लाभ होता है?
टेबल‑भारी, बहु‑पृष्ठ व्यवसाय दस्तावेज़ जैसे इनवॉइस, खरीद आदेश, शिपिंग दस्तावेज़ और बैंक स्टेटमेंट। रिडंडेंट हेडर और दोहराई जाने वाली एंटिटी विशेष रूप से अच्छी तरह से संपीड़ित होती हैं।
Q4:मैं प्रॉम्प्ट को उड़ाए बिना अपने LLM के साथ DeepSeek‑OCR को कैसे एकीकृत करूं?
एक कॉम्पैक्ट सिमेंटिक JSON स्टोर करें और टूल/फ़ंक्शन कॉल का उपयोग करके प्रति प्रश्न आवश्यक केवल फ़ील्ड पुनर्प्राप्त करें। टोकन को कम करने के लिए छोटे कुंजियों और स्थिर ऑर्डरिंग के साथ टाइट JSON रखें।
हाल की लेख
कैसे करें ChatPDF में महारत: घने दस्तावेज़ों से तेजी से जानकारी प्राप्त करें
तेज़ और सटीक दस्तावेज़ों के लिए सर्वश्रेष्ठ X Auto-Translation विकल्प
ईरान में Samsung AI अनुवाद उपलब्ध नहीं? व्यावहारिक समाधान
फ़ारसी अनुवाद उपकरण: तेज़ और सटीक काम के लिए एक व्यावहारिक मार्गदर्शिका
गहराई से संदर्भित अनुसंधान के लिए सर्वश्रेष्ठ Grok विकल्प
AI इमेज जेनरेटर की 15 बेहतरीन विशेषताएं जिनका आप वास्तव में उपयोग करेंगे