ailin¹
Ailin¹

सामूहिक बुद्धिमत्ता: AI की अगली सीमा

अलग-अलग क्षमताओं वाले 1,01,986 मॉडल, एक साथ, एक सच्ची सामूहिक बुद्धिमत्ता के रूप में।

प्रतिस्पर्धा से सहयोग तक: सामूहिक बुद्धिमत्ता का युग

हर पल चुनना मुश्किल होता जा रहा है, और गलत चुनने का डर टीमों और कंपनियों को अक्षम कर देता है। और चुनाव कभी खत्म नहीं होता। लैब बिना रुके, एक ही साथ नए फ्रंटियर मॉडल लॉन्च करते हैं। हर रिलीज़ मूल्यांकन, टेस्टिंग और प्राइसिंग को फिर से शुरू कर देती है। हम इसे Model Fatigue कहते हैं: एक ऐसे मॉडल पर दांव लगाने की थकान जो लगातार समाप्त होता रहता है। इस बीच बाज़ार दुनिया को ऐसे आउटपुट से भर रहा है जो हर बार ज़्यादा बेहतरीन और हर बार ज़्यादा सामान्य होता जा रहा है। छानने की कीमत आप पर, आपके व्यवसाय पर डाल दी जाती है, ऐसी दुनिया में जहां सब कुछ शक की नज़र से देखना सीख गया है। हम इसे AI Slop कहते हैं। हम उस दौड़ में नहीं हैं। हमने खेल बदल दिया। इसीलिए हम मानते हैं और साबित कर चुके हैं कि AI की अगली सीमा सामूहिक है।

नारा नहीं, विज्ञान: संरचित विविधता अकेली विशेषज्ञता को हरा देती है। Condorcet ने यह सिद्ध किया। Hong and Page ने इसे मापा। हमने इसे उत्पाद बना दिया: मॉडल जो स्वतंत्र रूप से तर्क करते हैं, एक-दूसरे की जांच करते हैं, और दशकों के शोध पर आधारित विभिन्न सामूहिक रणनीतियों के ज़रिए एक ही ऑडिट योग्य जवाब पर पहुंचते हैं।

मक़सद ज़्यादा मॉडल नहीं है। मक़सद है अलग-अलग बुद्धियों का बेहतर तरीके से साथ काम करना।

यही सामूहिक बुद्धिमत्ता है। मॉडल सिर्फ एक घटक है। सामूहिकता ही बुद्धिमत्ता है। Ailin¹ वही सामूहिकता है।

Ailin¹ Collective: सबूत के पीछे का तंत्र

Ailin¹ सामूहिक बुद्धिमत्ता बनने के लिए पैदा हुआ है। रूटिंग, डिस्कवरी, ऑर्केस्ट्रेशन और सत्यापन ऐसे तंत्र हैं जो इसी की सेवा करते हैं। 1,01,986 खोजने योग्य मॉडल पहचानकर्ताओं के आधार पर, हर अनुरोध 31 दर्ज ऑर्केस्ट्रेशन रणनीतियों में से किसी एक के ज़रिए रूट किया जाता है: जब गति मायने रखती है तो एक अकेला मॉडल, और जब सटीकता मायने रखती है तो कई मॉडल तर्क करने, बहस करने और एक-दूसरे की जांच करने के लिए समन्वित किए जाते हैं। हम Collective Foundation Model को सामूहिक बुद्धिमत्ता की थीसिस के ज़रिए foundation model का विकास कहते हैं: फाउंडेशन अब हर काम के लिए प्रशिक्षित एक अकेला मॉडल नहीं रहती, बल्कि निर्णय परत के अधीन समन्वित पूल बन जाती है। यह स्वामित्व वाला आर्किटेक्चर है, जिसकी अपनी foundation model स्टैक है, और ailin परिवार परिपक्व होते हुए इसी पूल में शामिल होता है।

हर सामूहिक जवाब निर्णय को उजागर करता है: कौन से मॉडल चले, किसने उन्हें समन्वित किया, इसकी कीमत क्या थी। आपको भरोसा करने की ज़रूरत नहीं: आप खुद सत्यापित करते हैं।

Foundation Model एक मॉडल, सब कुछ के लिए प्रशिक्षित
Collective Foundation Model निर्णय परत समन्वित पूल, 1,01,986 पहचानकर्ता ailin स्टैक परिपक्व होने पर पूल में शामिल होता है
  • कौन से मॉडल चले
  • किस रणनीति ने समन्वय किया
  • सामूहिक की लागत क्या रही
सामूहिक बुद्धिमत्ता के साथ बनाएं

दुनिया के सबसे बड़े मॉडलों के मुक़ाबले मापा गया। सार्वजनिक रूप से।

हमने सामूहिक को GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro और Grok 4.3 के मुक़ाबले परखा; जज की पसंद नहीं, वस्तुनिष्ठ, मशीन-जांच योग्य जवाबों से अंकन किया। नतीजा: सामूहिक ने चारों को पीछे छोड़ा, एक ऑडिट योग्य और दोहराए जा सकने वाले प्रयोग में। रिपॉज़िटरी देखें।

⭐ GitHub पर स्टार करने वाले 219 लोगों से जुड़ें

Ailin¹ Collective: हर जवाब के पीछे का इंजन

हर अनुरोध किसी भी मॉडल को बुलाए जाने से पहले उसी रूटिंग कैस्केड से गुज़रता है, जो समूह-निर्णय पर हुए सहकर्मी-समीक्षित शोध नतीजों पर आधारित सामूहिक रणनीतियों का सहारा ले सकता है, जिनमें कोंडोर्से का ज्यूरी प्रमेय और हॉन्ग और पेज का विविधता पूर्वानुमान प्रमेय शामिल हैं। ठीक-ठीक बता दें कि आपको क्या चाहिए, और उसे तुरंत मान लिया जाता है। कुछ न कहें, तो कैस्केड तय करता है।

स्टेट-ऑफ़-द-आर्ट कोई ब्लैक बॉक्स नहीं है। यह दो लीवर हैं जिन्हें आप नियंत्रित करते हैं।

पांच अलियास पूरी रेंज को कवर करते हैं, एक तत्काल जवाब देने वाले अकेले मॉडल से लेकर पांच मॉडलों की सर्वसम्मति तक। दो स्वतंत्र फ़ील्ड सीमाएं तय करते हैं: max_cost एक ऊपरी सीमा है, quality_target एक निचली सीमा है। कोई एक तय करें, दूसरा, या दोनों। ऊपरी सीमा किसी भी मॉडल के बुलाए जाने से पहले लागू की जाती है; निचली सीमा हर रूटिंग निर्णय को उसी की ओर मोड़ती है।

ज़्यादातर प्लेटफ़ॉर्म आपको मॉडलों की एक सूची थमा देते हैं और उसे ही विकल्प कह देते हैं। Ailin¹ आपको एक स्लाइडर नहीं, दो स्वतंत्र लीवर देता है: जवाब कितना अच्छा होना चाहिए, और उसे पाने के लिए आप कितना खर्च करने को तैयार हैं।

  • खर्च की सीमा तय करें और गुणवत्ता को अपना स्तर खुद तय करने दें।

  • गुणवत्ता की न्यूनतम सीमा की ओर मार्गदर्शन करें और लागत को मांग के हिसाब से चलने दें।

  • उनके बीच एक तय गलियारा तय करें।

Ailin¹ Collective के रूटिंग अलियास: हर एक किसके लिए अनुकूलित है, सामान्य लागत, और उसे कब चुनें
अलियास किसके लिए अनुकूलित सामान्य लागत कब इस्तेमाल करें
ailin-auto संतुलित विकल्प, हर अनुरोध पर तय सामान्य डिफ़ॉल्ट। संतुलित लागत और गुणवत्ता के अलावा कोई बाध्यता नहीं।
ailin-best गुणवत्ता, लागत की कोई सीमा नहीं सबसे ज़्यादा ऐसा काम जहां सटीकता महत्वपूर्ण है और लागत सीमित करने वाली बाध्यता नहीं है।
ailin-fast लेटेंसी, एकल मॉडल कम सख्त लेटेंसी बजट वाले इंटरैक्टिव पथ।
ailin-economy लागत, सख्त ऊपरी सीमा लागू सबसे कम बड़े पैमाने पर चलने वाला बैकग्राउंड काम
ailin-consensus स्वतंत्र क्रॉस-चेकिंग के ज़रिए सटीकता ज़्यादा, और जानबूझकर चुपचाप गलत निकलना ही वह विफलता है जिसे मिटाने के लिए आप भुगतान कर रहे हैं।

हर जवाब ailin_metadata में निर्णय का उद्गम लौटाता है: strategy_used, models_used और cost_usd, ताकि रूटिंग के निर्णय पर भरोसा करने के बजाय उसे सत्यापित किया जा सके।

अनुरोध: आपका मौजूदा OpenAI क्लाइंट, बस एक लाइन बदली गई

from openai import OpenAI

client = OpenAI(
    base_url="https://api.ailin.one/v1",
    api_key="YOUR_KEY",
)

response = client.chat.completions.create(
    model="ailin-consensus",
    messages=[{"role": "user", "content": "..."}],
    extra_body={"max_cost": 0.15}
)

जवाब

{
  "ailin_metadata": {
    "strategy_used": "ailin-consensus",
    "models_used": [
      "gpt-5.5-pro",
      "claude-opus-4.8",
      "gemini-3.1-pro"
    ],
    "final_decider_model_id": "claude-opus-4.8",
    "final_decider_role": "synthesizer",
    "cost_usd": 0.0842,
    "subcalls": [
      { "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
      { "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
      { "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
    ]
  }
}

Ailin¹ Collective कैसे तय करता है: AI निर्णय परत

परतों में बंटा एक कैस्केड, जिसमें सबसे तेज़ परत सबसे पहले जांची जाती है। हर अनुरोध उतनी जल्दी हल हो जाता है जितनी जल्दी सुरक्षित रूप से मुमकिन हो, इसलिए आसान अनुरोध तेज़ी से निपट जाते हैं और मुश्किल अनुरोध गहरी परतों तक पहुंचते हैं।

कैस्केड से पहले: सेमांटिक कैश हाल के किसी अनुरोध से मिलता-जुलता लगभग-डुप्लिकेट अनुरोध तुरंत कैश किया गया जवाब लौटा देता है। ट्रायाज और नीचे की सभी छह परतें पूरी तरह छोड़ दी जाती हैं, सिर्फ़ शॉर्टकट नहीं ली जातीं, बल्कि पूरी तरह छोड़ी जाती हैं।

  1. स्पष्ट रूटिंग

    आपने खुद नाम बता दिया, चाहे कोई अलियास, कोई मॉडल, या कोई रणनीति, इसलिए यह परत अनुरोध को तुरंत हल कर देती है। यह हमेशा अपने नीचे की हर परत पर भारी पड़ती है, और अगर आपने जो नाम बताया वह असल में पूरा नहीं किया जा सकता, तो अनुरोध किसी और विकल्प पर चुपचाप फिसलने के बजाय पूरी तरह विफल हो जाता है।

  2. ट्रायाज

    एक समर्पित मॉडल कार्य के इरादे और जटिलता को पढ़ता है और किसी भी सामूहिक मॉडल के चलने से पहले एक उपयुक्त रणनीति की सिफ़ारिश करता है। यह असली विश्लेषण है, कोई लुकअप टेबल नहीं, इसलिए इसकी अपनी एक असली (छोटी) कॉल की लागत लगती है।

  3. कॉन्फ़िगरेशन आर्काइव

    5 दर्ज नतीजों के बाद अनलॉक होती है

    किसी कार्य श्रेणी के लिए कम से कम 5 नतीजे दर्ज हो जाने पर, Ailin¹ Collective उसे नए सिरे से तय करने के बजाय वही इस्तेमाल करता है जो पहले से साबित हो चुका है।

    एक अकेला ब्लैक-बॉक्स चुनाव नहीं: उस श्रेणी के लिए 6 अनुकूलन आयामों, गुणवत्ता, लागत-दक्षता, गति, संतुलन, विश्वसनीयता, प्रति-टोकन गुणवत्ता, पर आंकी गई बेहतरीन कॉन्फ़िगरेशनों का एक भंडार, ताकि दोबारा इस्तेमाल की जाने वाली रणनीति और मॉडल सेट वही हो जो असल में आपके अनुरोध के लिए मायने रखने वाले आयाम पर जीती हो।

  4. लागत / गुणवत्ता / लेटेंसी फ्रंटियर

    3 दर्ज नतीजों के बाद अनलॉक होती है

    जितना ज़रूरी इतिहास जमा होते ही यह बहु-उद्देश्यीय ट्रेड-ऑफ़ (गुणवत्ता, लागत, गति, सफलता दर) को सीधे अनुकूलित करती है, भले ही किसी सटीक कार्य-श्रेणी के लिए अभी तक कोई साबित हुआ मिलान मौजूद न हो।

  5. सीखी हुई रणनीति प्राथमिकता

    5 दर्ज नतीजों के बाद अनलॉक होती है

    एक थॉम्पसन सैंपलिंग बैंडिट रणनीतियों को समय के साथ उनके असली, मापे गए नतीजों के आधार पर महत्व देता है, और कैस्केड के अपने डिफ़ॉल्ट को बेहतर बनाता जाता है, साथ ही खुद अपनी जांच भी करता है: अगर इसकी कुल मापी गई रिवॉर्ड दर उसके अब तक दर्ज सबसे बेहतर स्नैपशॉट के 95% से नीचे गिर जाती है, तो बैंडिट अपनी पूरी सीखी हुई स्थिति को अपने आप उसी सबसे बेहतर ज्ञात स्नैपशॉट पर वापस ले आता है।

  6. फ़ॉलबैक ह्यूरिस्टिक

    अगर ऊपर की कोई भी परत अनुरोध को हल नहीं करती, तो एक निर्धारक, स्कोर आधारित ह्यूरिस्टिक कार्य के प्रकार, जटिलता और उपलब्ध मॉडल पूल के आधार पर रणनीति चुनती है। रणनीति का निर्धारण हमेशा एक निर्णय पर समाप्त होता है, जो strategy_used में दर्ज होता है।

कैस्केड के बाद: लागत-गवर्नेंस गेट परत 1 से 6 तक ने जो भी चुना हो, अगर आपने स्पष्ट रूप से रूट नहीं किया है, तो एक आखिरी जांच अब भी किसी महंगे सामूहिक चुनाव को वापस एकल मॉडल पर उतार सकती है, जब अनुमानित फ़ायदा तय मानक तक नहीं पहुंचता। सिर्फ़ एक स्पष्ट अनुरोध ही इस जांच को भी छोड़ सकता है।

परत 3 से 5 तक किसी कार्य-श्रेणी के लिए उपयोग इतिहास जमा होने के साथ स्वतंत्र रूप से अनलॉक होती हैं, लागत/गुणवत्ता/लेटेंसी फ्रंटियर के लिए 3 दर्ज नतीजों से लेकर कॉन्फ़िगरेशन आर्काइव और सीखी हुई रणनीति प्राथमिकता वाले बैंडिट के लिए 5 दर्ज नतीजों तक; तब तक परत 6 की निर्धारक, ऑडिट करने योग्य ह्यूरिस्टिक फैसला लेती है, जब भी परत 1 और 2 इसे पहले हल नहीं करतीं।

31 रणनीतियां। हर एक शोध पर आधारित।

मॉडलों के साथ मिलकर सोचने के दर्जनों तरीके, हर एक ऑडिट योग्य। अलग-अलग समस्याओं को सामूहिक तर्क के अलग-अलग रूपों की ज़रूरत होती है।

इनमें से कोई भी मनमाने ढंग से नहीं बनाई गई। कैटलॉग की हर रणनीति समन्वय या सामूहिक निर्णय पर हुए शोध के किसी खास, नामित नतीजे से जुड़ी है, न कि विज्ञान का लबादा ओढ़े किसी आंतरिक अनुमान से।

  • consensus

    कोंडोर्से का ज्यूरी प्रमेय (1785): 3 से 5 मॉडलों के बीच बहुमत से मतदान, साथ में विविधता की एक न्यूनतम शर्त, ताकि सहमति एक जैसी नकल की गई सोच से न आए।

  • diversity-ensemble

    हॉन्ग और पेज का विविधता पूर्वानुमान प्रमेय (PNAS, 2004): एक ऐसी टीम बनाता है जिसकी बनावट ही कई आयामों पर विविधता को अधिकतम करती है।

  • debate

    मॉडल एक मॉडरेटर के साथ संरचित दौरों में बहस करते हैं।

  • swarm-explore

    समानांतर अन्वेषण, खुले अंत वाले डिज़ाइन और आर्किटेक्चर के काम के लिए ट्रायाज इसे अपने आप चुन लेती है।

  • stigmergic-refinement

    मतदान के बजाय एक साझा आर्टिफैक्ट के ज़रिए सहमति, बेहद जटिल लेखन के लिए ट्रायाज इसे अपने आप चुन लेती है।

  • expert-panel

    जवाब भेजे जाने से पहले कई भूमिकाओं में स्वतंत्र समीक्षा, सत्यापन पर ज़ोर देने वाले अनुरोधों के लिए सीधे चुनी जा सकती है।

  • tri-role-collective

    Planner, Solver, Auditor: एक निर्धारक स्टेट मशीन, न कि कोई प्रशिक्षित समन्वयक, जो संरचनात्मक रूप से रोकती है कि Auditor वही मॉडल या तर्क-चरण बने जिसने अभी-अभी Solver के तौर पर जवाब दिया था।

  • +24 और रणनीतियां

आप मॉडल नहीं चुनते। Ailin¹ सामूहिक चुनता है।

सरल कार्य पर सरलता। न होने पर गहराई। आप सीमाएं तय करते हैं, Ailin¹ सामूहिक उनके भीतर निर्णय लेता है, और एक फ़ील्ड हमेशा इसे ओवरराइड करता है। रचनात्मक कार्य डिफ़ॉल्ट रूप से एक ही मॉडल के पास जाते हैं। सत्यापन योग्य कार्य सामूहिक रूप से।

आपको कभी यह तय नहीं करना पड़ता कि किसी अनुरोध के लिए एक मॉडल चाहिए या पांच। किसी एक मॉडल को कॉल किए जाने से पहले हर अनुरोध Ailin¹ Collective से होकर गुज़रता है, यानी वही रूटिंग कैस्केड जो ailin-auto के पीछे काम करता है। आपको ठीक-ठीक पता है कि आपको क्या चाहिए? बस नाम बता दें: ailin-fast जैसा कोई अलियास, कोई खास मॉडल, या strategy: "single", और Ailin¹ Collective उसे तुरंत मान लेता है, बिना किसी मोलभाव के और बिना कोई अतिरिक्त लेटेंसी जोड़े। कुछ न कहें, तो कैस्केड खुद कार्य को पढ़ता है और उस पर सही बैठने वाला स्वरूप चुन लेता है। Ailin¹ के ज़रिए एक अकेला मॉडल चलाना कोई फ़ॉलबैक या घटिया विकल्प नहीं है। यह पूरे दर्जे का एक रास्ता है, जिसे Ailin¹ Collective लगातार और जानबूझकर चुनता है।

एकल मॉडल

शुरू से अंत तक एक सुसंगत स्वर। कम लागत, कम विलंबता, और विकल्प जितना ही सुलभ।

ailin-fast

मल्टी-मॉडल सामूहिक

समानांतर काम करते स्वतंत्र प्रस्तावक, आपको एक जवाब दिखने से पहले किसी संश्लेषक द्वारा जांचे और मिलाए जाते हैं, ताकि मतभेद आप तक पहुंचने से पहले पकड़ा जाए, न कि बाद में।

ailin-consensus

रचनात्मक कार्य और रीफ़ैक्टर का क्या?

वस्तुनिष्ठ रूप से सत्यापन योग्य कार्यों पर, जहां जवाब मशीन से जांचे जाते हैं, स्वाद का मामला नहीं, वहां सामूहिक ही जीतता है। खुले अंत वाले रचनात्मक काम पर, सोच-समझकर चुना गया एक अकेला मॉडल उतनी ही साफ़ तरह से जीतता है। ट्रायाज ठीक इसीलिए मौजूद है: कैस्केड अलग-अलग तरह के कार्यों का औसत नहीं निकालता, वह उनके बीच फ़र्क करता है। रचनात्मक काम डिफ़ॉल्ट रूप से एकल मॉडल पर जाता है। सत्यापन योग्य काम सामूहिक पर जाता है।

सत्यापन योग्य कार्य 97%

सटीकता (38 में से 37), जबकि अकेले फ्रंटियर मॉडलों के लिए यह 68 से 82% रहा। वेरिफ़ायर ने पूरे तीन राउंड में एक बार भी किसी गलत जवाब को गुज़रने नहीं दिया।

सादा और गहन के बीच चुनाव आपको यह रटकर नहीं करना पड़ता कि कब क्या इस्तेमाल करें। आप जो जानते हैं वह बता देते हैं, जो नहीं जानते वह Ailin¹ Collective भर देता है, और उसे बदलने का विकल्प हमेशा बस एक फ़ील्ड दूर रहता है।

सामूहिक बुद्धिमत्ता के साथ बनाएं ⭐ GitHub पर सामूहिक बुद्धिमत्ता को स्टार करें

हज़ारों मॉडल। मंच पर सिर्फ़ सही मॉडल आते हैं।

सामूहिक ही बढ़त है

ज़्यादा मॉडलों तक पहुंच ब्रेकथ्रू नहीं है। ब्रेकथ्रू वह है जो तब होता है जब अलग-अलग बुद्धियां साथ काम करती हैं। Ailin¹ 1,01,986 मॉडल पहचानकर्ताओं के लगातार खोजे जाने वाले तंत्र को एक सामूहिक में बदलता है, फिर केवल उसी हिस्से को सक्रिय करता है जिसकी हर रणनीति को ज़रूरत होती है।

1,01,986 खोजने योग्य मॉडल पहचानकर्ता। जो चलता है वह विविधता के लिए चुना जाता है, आकार के लिए नहीं गिना जाता।

  • हमेशा नया

    नया प्रकाशित मॉडल उसी खोज चक्र में अनुक्रमित हो जाता है जिसमें वह पहली बार दिखता है, और इसके लिए किसी रिलीज़ ट्रेन का इंतज़ार नहीं करना पड़ता।

  • पूर्ण स्पेक्ट्रम

    टेक्स्ट, दृष्टि, ऑडियो और एम्बेडिंग एक ही कैटलॉग में, एक ही एंडपॉइंट के पीछे।

जब बुद्धिमत्ता सामूहिक बनती है तो वह अधिक शक्तिशाली क्यों होती है

AI व्यक्तिगत मॉडलों के इर्द-गिर्द बनाया गया था। अगली सीमा सामूहिक है। एक व्यक्तिगत मॉडल असाधारण हो सकता है, और फिर भी वह अपना आर्किटेक्चर, इतिहास, अंधबिंदु और विफलता के तरीके साथ लेकर चलता है। सामूहिक बुद्धिमत्ता स्वतंत्र मॉडलों को अलग-अलग दृष्टिकोण देने, धारणाओं को चुनौती देने, विशेषज्ञता हासिल करने, विकल्पों की तुलना करने और जहां कार्य अनुमति दे वहां नतीजों को सत्यापित करने के लिए प्रेरित करती है। आगे जो है वह इच्छा-सूची नहीं: ये पांच तंत्र हैं जो अभी प्रोडक्शन में चल रहे हैं।

जब मायने रखे, तब एकल-मॉडल लागत

जिन कार्यों को मशीन जांच सकती है, वहां एक निर्धारक वेरिफ़ायर सही जवाब को तुरंत स्वीकार कर लेता है और बाकी सामूहिक को शॉर्ट-सर्किट कर देता है, इसलिए इन कार्यों पर लागत बाकी सामूहिक से कहीं ज़्यादा एकल मॉडल के करीब पहुंच जाती है, ठीक वहीं जहां सामूहिक की सटीकता बढ़त सबसे मज़बूत होती है।

लचीलापन

किसी एक प्रदाता की बाधा आपकी बाधा बननी ज़रूरी नहीं है। सामूहिक अपने आप घटे हुए मॉडलों और विफलताओं के इर्द-गिर्द से रूट हो जाता है, और हर जवाब अब भी निर्णय का उद्गम साथ लाता है: कौन सी रणनीति चली, कौन से मॉडल शामिल हुए, और लागत कितनी रही।

बनावट से विविधता

प्रदाता, आर्किटेक्चर और प्रशिक्षण उद्देश्य को राउंड-रॉबिन चयन के ज़रिए जानबूझकर अलग रखा जाता है, इसलिए किसी एक रन में लगातार आने वाले मॉडल कभी एक ही प्रदाता के नहीं होते। यह हॉन्ग और पेज का विविधता पूर्वानुमान प्रमेय है, जो रूटिंग परत में अंतर्निहित है, न कि यह उम्मीद कि अलग-अलग प्रशिक्षण डेटा संयोग से उपयोगी ढंग से असहमत हो जाए। यह अंधबिंदुओं को सामने लाता है; उन्हें मिटाने का वादा नहीं करता।

आपके उत्पाद का मालिक कोई एक प्रदाता नहीं

एक सामूहिक कई प्रदाताओं पर फैलता है, इसलिए किसी एक प्रदाता का रोडमैप, मूल्य निर्धारण या नीति अकेले आपके उत्पाद को परिभाषित नहीं करती।

सही विशेषज्ञ, रीयल टाइम में

सही कार्य के लिए सही विशेषज्ञ: तर्क, कोड, दृष्टि, लंबी-संदर्भ, या निम्न-विलंबता, हर अनुरोध के लिए वास्तविक समय में चुना जाता है।

अक्सर पूछे जाने वाले सवाल

सीधे जवाब, हर एक के पीछे फ़ील्ड, फ़ाइल या अंक के साथ। हम जो भी कहते हैं, उसे आप जांच सकते हैं।

एकीकरण & मूल बातें

हां। मुख्य सतह (chat/completions, responses, embeddings, models) सीधे बदलकर इस्तेमाल करने लायक है, साथ में एक अतिरिक्त ailin_metadata ब्लॉक जो निर्णय का पूरा विवरण साथ लाता है। अपने मौजूदा क्लाइंट को Ailin¹ एंडपॉइंट पर भेजें, ऑथ हेडर बदलें, और वही अनुरोध स्वरूप काम करने लगेगा।

सामूहिक बुद्धिमत्ता के लिए बनाया गया है, और यह एक ख़ास इंजीनियरिंग दावा है, कोई टैगलाइन नहीं। रूटिंग तय करती है कि अनुरोध कहां जाए; ऑर्केस्ट्रेशन एक तय क्रम चलाता है जिसे आप खुद लिखते हैं; सामूहिक बुद्धिमत्ता वह परत है जो यह परिभाषित करती है कि कई मॉडल मिलकर कैसे तर्क करते हैं, एक-दूसरे की जांच करते हैं और नतीजों को जोड़ते हैं, जिसमें रूटिंग, ऑर्केस्ट्रेशन और सत्यापन ऐसे तंत्र हैं जो इसी की सेवा करते हैं। ये तंत्र नामित शोध से जुड़े हैं: हॉन्ग और पेज का विविधता पूर्वानुमान प्रमेय (PNAS, 2004), कोंडोर्से का ज्यूरी प्रमेय (1785), और वूली एट अल. का सामूहिक बुद्धिमत्ता कारक 'c' (Science, 2010)। एक रणनीति का नाम तो सीधे इसी पर रखा गया है: सोर्स में diversity-ensemble 'Diversity Ensemble (Page Theorem)' के नाम से मौजूद है। एक अनुरोध इनमें से किसी एक रणनीति के तहत कई मॉडलों को सक्रिय करता है, फिर एक जवाब लौटाता है, साथ में यह भी बताते हुए कि वह वहां तक कैसे पहुंचा।

लाइव कैटलॉग में 1,01,986 खोजने योग्य मॉडल पहचानकर्ता हैं, जिन्हें दर्जनों प्रोवाइडर के बीच लगातार खोजा जाता है और क्षमता के हिसाब से टैग किया जाता है। यह कोई स्थिर सूची नहीं है जिसे कोई हाथ से संपादित करता हो। कोई एक अनुरोध इन सबको कभी नहीं छूता: हर सामूहिक रणनीति केवल उसी सबसेट को सक्रिय करती है जिसकी उसे ज़रूरत होती है, कभी पूरा कैटलॉग नहीं।

Ailin¹ सामूहिक & रणनीतियां

ailin-auto (संतुलित डिफ़ॉल्ट, फैसला कैस्केड पर छोड़ें), ailin-best (गुणवत्ता पहले, लागत की कोई सीमा नहीं), ailin-fast (लेटेंसी पहले, एकल मॉडल), ailin-economy (लागत पहले, सख्त ऊपरी सीमा लागू), ailin-consensus (स्वतंत्र क्रॉस-चेकिंग के ज़रिए सटीकता)। शुरुआत ailin-auto से करें। कोई दूसरा तभी चुनें जब आप कुछ ऐसा जानते हों जो राउटर नहीं जानता।

डिफ़ॉल्ट रूप से Ailin¹ तय करता है, Ailin¹ Collective के रूटिंग कैस्केड के ज़रिए: अगर आपने कुछ नाम बताया है तो पहले स्पष्ट रूटिंग, और नहीं बताया तो ट्रायाज। किसी मॉडल, अलियास या रणनीति को सीधे तय करके आप किसी भी परत को ओवरराइड कर सकते हैं, और वह चुनाव हमेशा भारी पड़ता है। ज़्यादातर इंटीग्रेशन को इसकी कभी ज़रूरत ही नहीं पड़ती।

परतों में बंटा एक कैस्केड, जिसमें सबसे तेज़ परत सबसे पहले जांची जाती है: अगर आपने नाम बता दिया तो स्पष्ट रूटिंग; फिर ट्रायाज, जो कार्य को वर्गीकृत करके उसे एक रणनीति से जोड़ता है; फिर एक कॉन्फ़िगरेशन आर्काइव, जो उसी खास कार्य श्रेणी के लिए अब तक कारगर रहे विकल्प को दोबारा इस्तेमाल करता है; फिर एक लागत/गुणवत्ता/लेटेंसी फ्रंटियर, जो इस संतुलन को सीधे अनुकूलित करता है; और आखिर में एक सीखी हुई रणनीति प्राथमिकता (एक थॉम्पसन सैंपलिंग बैंडिट), जो समय के साथ असली नतीजों के आधार पर रणनीतियों को महत्व देती है। कॉन्फ़िगरेशन आर्काइव और सीखी हुई प्राथमिकता का बैंडिट, दोनों को सक्रिय होने से पहले किसी दी गई श्रेणी के कम से कम 5 दर्ज नतीजे चाहिए, जबकि लागत/गुणवत्ता/लेटेंसी फ्रंटियर 3 नतीजों से सक्रिय हो जाता है; तब तक फैसला एक निर्धारक, ऑडिट करने योग्य फ़ॉलबैक ह्यूरिस्टिक लेती है, वही ह्यूरिस्टिक जो इसके ऊपर की हर परत को तब संभालती है जब उनमें से कोई भी अनुरोध हल नहीं कर पाती।

ऑर्केस्ट्रेशन इंजन में 31 रणनीतियां दर्ज हैं, एक अकेले रूट किए गए मॉडल से लेकर नौ एजेंट वाले उन स्वार्म तक जो किसी समस्या को समानांतर में खंगालते हैं। इनमें से 15 रूटिंग कैस्केड में अपने आप चुनी जा सकती हैं; बाकी 16 सिर्फ स्पष्ट रूप से बताने योग्य हैं, और केवल नाम बताने पर ही चलती हैं। आप इनमें से किसी को भी <strategy>:<tier> के रूप में सीधे चुन सकते हैं, जैसे consensus:large, जिससे ठीक वही तंत्र और कीमत का टियर तय हो जाता है।

खुले अंत वाले रचनात्मक लेखन और कोड रीफैक्टरिंग पर, हमारी अपनी (छोटे सैंपल वाली) रणनीति तुलनाएं दिखाती हैं कि एक मज़बूत अकेला मॉडल पूरे सामूहिक को साफ़ तौर पर पीछे छोड़ देता है। वस्तुनिष्ठ रूप से सत्यापन योग्य कार्यों पर यह तुलना पलट जाती है: एक सत्यापित सर्वसम्मति रणनीति ने 38 में से 37 (97%) अंक हासिल किए, जबकि साथ में परखे गए एकल फ्रंटियर मॉडलों को 68 से 82% मिले। Ailin¹ डिफ़ॉल्ट रूप से ऐसे अनुरोधों पर सर्वसम्मति नहीं थोपता, और किसी भी दिशा में अपने अनुमान से आपको बांधता भी नहीं: एक फ़ील्ड से आपको एक ही सुसंगत स्वर मिलता है (ailin-fast, strategy: "single"), और उसी एक फ़ील्ड से स्वतंत्र मल्टी-मॉडल सत्यापन मिलता है (expert-panel, tri-role-collective), अगर असल में आपको वही चाहिए।

लागत & जवाबदेही

हां, हर अनुरोध पर। max_cost किसी भी मॉडल को कॉल किए जाने से पहले खर्च की सख्त ऊपरी सीमा तय कर देता है; अगर चलने वाली रणनीति की अनुमानित लागत उससे ज़्यादा निकलती है, तो अनुरोध चुपचाप ज़्यादा खर्च करने के बजाय 400 strategy_budget_exceeded के साथ विफल हो जाता है। quality_target इसके साथ जुड़ी न्यूनतम सीमा है। हर जवाब असली आंकड़ा वापस बताता है: ailin_metadata.cost_usd, साथ में मद-दर-मद ब्यौरा। मल्टी-मॉडल रणनीतियों की लागत एकल मॉडल से साफ़ तौर पर ज़्यादा होती है। जिन कार्यों को मशीन जांच सकती है (संरचित निष्कर्षण, गणित, टेस्ट के साथ कोड, तथ्यात्मक QA), वहां यह अतिरिक्त लागत लगभग गायब हो जाती है: जब किसी सत्यापित रणनीति का निर्धारक शॉर्ट-सर्किट चलता है, तो हमारे नवीनतम फ्रंटियर बेंचमार्क में सामूहिक की लागत लगभग $2.98/Mtok मापी गई, जो असत्यापित सामूहिक रास्ते से लगभग 100x सस्ती है और एकल-मॉडल मूल्य निर्धारण के लगभग उसी परिमाण के दायरे में है।

हर जवाब में ailin_metadata.final_decider_model_id होता है, यानी ठीक वही मॉडल जिसने आपका जवाब बनाया, साथ में final_decider_role (primary, synthesizer, fallback, या cache) और एक पूरा subcalls[] ऐरे, जिसमें हर भागीदार अपनी लागत, लेटेंसी और नतीजे के साथ दर्ज होता है। अगर आप गुणवत्ता की कोई शिकायत किसी प्रोवाइडर तक ले जा रहे हैं, तो मायने वही पहचानकर्ता रखता है, न कि "Ailin¹ API"। अगर आपको यह समझना है कि कोई मल्टी-मॉडल निर्णय जिस तरह निकला वह क्यों निकला, तो स्थायी समन्वय ट्रेस चालू करें: GET /v1/collective/runs/:id/trace हर चरण की मिलीसेकंड-स्तर की टाइमलाइन लौटाता है, और यह इस तरह बनाया गया है कि कोई एक टेनेंट किसी दूसरे टेनेंट के रन के अस्तित्व की पुष्टि भी कभी नहीं कर सकता; किसी और के रन ID पर लुकअप वही 404 लौटाता है जो कभी न बनाए गए रन पर मिलता।

सबूत & भरोसा

वस्तुनिष्ठ रूप से सत्यापन योग्य 10 कार्यों के एक बेंचमार्क पर (जवाब मशीन से जांचे जा सकते हैं, यह स्वाद का मामला नहीं है), जिसे 38 बार चलाया गया, एक निर्धारक वेरिफ़ायर के साथ जोड़ी गई सर्वसम्मति रणनीति ने हमारे अपने मूल्यांकन में 38 में से 37 बार सही जवाब दिया, जबकि साथ में परखे गए अलग-अलग फ्रंटियर मॉडलों (GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro, Grok 4.3) को 68 से 82% मिले। पूरे तीन राउंड में वेरिफ़ायर ने एक बार भी वस्तुनिष्ठ रूप से गलत जवाब नहीं चुना। इसके बिना, बाकी सामूहिक रणनीतियां वापस उसी दायरे में आ जाती हैं जिसमें अकेले फ्लैगशिप मॉडल हैं, इसलिए यह बढ़त वेरिफ़ायर की वजह से है, अतिरिक्त मॉडलों की वजह से नहीं। पूरी तस्वीर के लिए: सबसे मजबूत अकेले मॉडल ने भी सिर्फ दूसरे राउंड में 100% स्कोर किया (15 रन), इसलिए 97% को पूरे तीन राउंड के प्रोटोकॉल पर पढ़ें, हर राउंड के वादे की तरह नहीं। रिपोर्ट किया गया स्कोर प्रकाशित कच्चे आउटपुट और मूल्यांकन चेकर से दोबारा गणना किया जा सकता है। हमारी बात मान लेने के बजाय इसे खुद चलाकर देखें।

नहीं, आपके कच्चे प्रॉम्प्ट नहीं। ट्रेनिंग-डेटा एक्सपोर्ट पाइपलाइन कभी भी प्रॉम्प्ट कॉन्टेंट को नहीं छूती: यह सिर्फ़ अनाम किया गया ऑपरेशनल मेटाडेटा एक्सपोर्ट करती है (इस्तेमाल की गई रणनीति, लागत, लेटेंसी, गुणवत्ता स्कोर), जिसमें ट्रेस ID को SHA-256 और एक गुप्त पेपर की मदद से हैश करके 16 अक्षरों तक छोटा कर दिया जाता है, और किसी भी चीज़ को स्टेज करने से पहले आपके संगठन और उपयोगकर्ता के पहचानकर्ता हटा दिए जाते हैं। अगर वह पेपर कॉन्फ़िगर नहीं किया गया है, तो एक्सपोर्ट जॉब असुरक्षित डेटा एक्सपोर्ट करने के बजाय चलने से इनकार कर देती है।

हर कॉल प्रमाणीकरण, टेनेंट आइसोलेशन, कोटा लागू करना, क्षमता के आधार पर छनी हुई रूटिंग, और रिक्वेस्ट ट्रेसिंग से होकर गुज़रती है। यह आज लाइव है, और सप्लाई-चेन व लाइसेंसिंग पक्ष भी: AGPL सेक्शन 13 अनुपालन एंडपॉइंट (/source, /license), SLSA/Sigstore रिलीज़ प्रोवेनेंस, और हर रिलीज़ के साथ आने वाला एक SPDX SBOM। अभी क्या नहीं हुआ है: औपचारिक प्रमाणन। SOC 2 और ISO 27001 प्रगति पर हैं, प्रमाणित नहीं; अगर आपकी खरीद प्रक्रिया को कोई खास सत्यापन चाहिए, तो मार्केटिंग सामग्री से अंदाज़ा लगाने के बजाय, हमारी सामग्री से भी नहीं, अपनी अकाउंट टीम से पूछें। इसके लिए भी हमारी बात मान लेने की ज़रूरत नहीं: इस पेज के आंकड़ों के पीछे का समन्वय इंजन github.com/ailinone/collective-intelligence पर सार्वजनिक है (AGPL-3.0-or-later), जिसमें बेंचमार्क स्क्रिप्ट और कच्चा डेटा भी शामिल है।

AI का सामूहिक युग पहले ही शुरू हो चुका है

सत्यापन योग्य कार्यों में हमारे सत्यापित सर्वसम्मति ने 38 में से 37 पर सही जवाब दिया, अलग-अलग फ्रंटियर मॉडलों को 68 से 82% मिले, और उसने एक बार भी गलत जवाब नहीं चुना। यह वादा नहीं है: यह एक प्रकाशित बेंचमार्क है, जिसका इंजन, स्क्रिप्ट और कच्चा डेटा किसी भी व्यक्ति की जांच के लिए खुला है। मॉडल एक घटक बन जाता है। सामूहिक ही बुद्धिमत्ता बन जाती है।

Ailin¹ Chat खोलें एक्सेस का अनुरोध करें सामूहिक बुद्धिमत्ता के साथ बनाएं ⭐ GitHub पर सामूहिक बुद्धिमत्ता को स्टार करें