Skip to content

README.md

Latest commit

 

History

History
353 lines (271 loc) · 18.4 KB

README.md

File metadata and controls

353 lines (271 loc) · 18.4 KB

ਮਿਸਟ੍ਰਾਲ ਮਾਡਲਾਂ ਨਾਲ ਬਣਾਉਣਾ

ਜਾਣੂ

ਇਸ سبق ਵਿੱਚ ਇਹ ਕਵਰ ਕੀਤਾ ਜਾਵੇਗਾ:

  • ਵੱਖ-ਵੱਖ ਮਿਸਟ੍ਰਾਲ ਮਾਡਲਾਂ ਦੀ ਖੋਜ ਕਰਨਾ
  • ਹਰ ਮਾਡਲ ਦੇ ਇਸਤੇਮਾਲ-ਕੇਸ ਅਤੇ ਸਥਿਤੀਆਂ ਨੂੰ ਸਮਝਣਾ
  • ਕੋਡ ਦੇ ਨਮੂਨੇ ਜੋ ਹਰ ਮਾਡਲ ਦੀਆਂ ਵਿਲੱਖਣ ਖੂਬੀਆਂ ਦਿਖਾਉਂਦੇ ਹਨ।

ਮਿਸਟ੍ਰਾਲ ਮਾਡਲ

ਇਸ سبق ਵਿੱਚ, ਅਸੀਂ 3 ਵੱਖ-ਵੱਖ ਮਿਸਟ੍ਰਾਲ ਮਾਡਲਾਂ ਨੂੰ ਖੋਜਾਂਗੇ:
ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ, ਮਿਸਟ੍ਰਾਲ ਸਮਾਲ ਅਤੇ ਮਿਸਟ੍ਰਾਲ ਨੇਮੋ।

ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰ ਇਕ ਮਾਡਲ ਗਿਟਹੱਬ ਮਾਡਲ ਮਾਰਕੀਟਪਲੇਸ 'ਤੇ ਮੁਫ਼ਤ ਉਪਲਬਧ ਹੈ। ਇਸ ਨੋਟਬੁੱਕ ਵਿੱਚ ਦਿੱਤਾ ਕੋਡ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਵੇਗਾ। ਗਿਟਹੱਬ ਮਾਡਲਾਂ ਨਾਲ ਏਆਈ ਮਾਡਲਾਂ ਦਾ ਪ੍ਰੋਟੋਟਾਈਪ ਬਨਾਉਣ ਲਈ ਹੋਰ ਜਾਣਕਾਰੀ ਇੱਥੇ ਹੈ।

ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ 2 (2407)

ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ 2 ਇਸ ਸਮੇਂ ਮਿਸਟ੍ਰਾਲ ਤੋਂ ਫਲੈਗਸ਼ਿਪ ਮਾਡਲ ਹੈ ਅਤੇ ਇਹਕਾਰੋਬਾਰੀ ਵਰਤੋਂ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ।

ਇਹ ਮਾਡਲ ਮੂਲ ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ ਵਿੱਚ ਅਪਗਰੇਡ ਹੈ, ਜੋ ਇਹ ਚੀਜ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ:

  • ਵੱਡਾ ਕੰਟੈਕਸਟ ਵਿਂਡੋ - 128k ਵਿਰੁੱਧ 32k
  • ਗਣਿਤ ਅਤੇ ਕੋਡਿੰਗ ਟਾਸਕਾਂ 'ਤੇ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ - 76.9% ਸਧਾਰਨ ਸਹੀਤਾ ਵਿਰੁੱਧ 60.4%
  • ਵਧੀਕ ਬਹੁਭਾਸ਼ੀ ਪ੍ਰਦਰਸ਼ਨ - ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: ਅੰਗ੍ਰੇਜ਼ੀ, ਫ੍ਰੈਂਚ, ਜਰਮਨ, ਸਪੈਨਿਸ਼, ਇਟਾਲੀਅਨ, ਪੁਰਤਗਾਲੀ, ਡੱਚ, ਰੂਸੀ, ਚੀਨੀ, ਜਾਪਾਨੀ, ਕੋਰੀਆਈ, ਅਰਬੀ ਅਤੇ ਹਿੰਦੀ।

ਇਹ ਫੀਚਰਾਂ ਨਾਲ, ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ

  • ਰਿਟਰੀਵਲ ਆੱਗਮੈਂਟਿਡ ਜਨਰੇਸ਼ਨ (RAG) - ਵੱਡੇ ਕੰਟੈਕਸਟ ਵਿਂਡੋ ਕਾਰਨ
  • ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ - ਇਸ ਮਾਡਲ ਵਿੱਚ ਮੂਲ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਹੁੰਦੀ ਹੈ ਜੋ ਬਾਹਰੀ ਟੂਲਾਂ ਅਤੇ ਏਪੀਆਈਜ਼ ਨਾਲ ਇਕੀਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਹ ਕਾਲਾਂ ਇੱਕ ਨਾਲ ਇਕ ਜਾਂ ਲੜੀਵਾਰ ਕ੍ਰਮ ਵਿੱਚ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ।
  • ਕੋਡ ਜਨਰੇਸ਼ਨ - ਇਹ ਮਾਡਲ ਪਾਇਥਨ, ਜਾਵਾ, ਟਾਈਪਸਕ੍ਰਿਪਟ ਅਤੇ C++ ਜਨਰੇਸ਼ਨ ਵਿੱਚ ਉਤਕ੍ਰਿਸ਼ਟ ਹੈ।

ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ 2 ਨਾਲ RAG ਦਾ ਉਦਾਹਰਨ

ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ 2 ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ ਤਾਂ ਜੋ ਕاليਲੇਖ ਨਾਲ RAG ਪੈਟਰਨ ਚਲਾਈ ਜਾ ਸਕੇ। ਸਵਾਲ ਕੋਰੀਆਈ ਵਿੱਚ ਲਿਖਿਆ ਹੈ ਅਤੇ ਲੇਖਕ ਦੀ ਕਾਲਜ ਤੋਂ ਪਹਿਲਾਂ ਦੀਆਂ ਗਤਿਵਿਧੀਆਂ ਬਾਰੇ ਪੁੱਛਦਾ ਹੈ।

ਇਹ ਕੋਹੀਅਰ ਐਮਬੈਡਿੰਗ्स ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਟੈਕਸਟ ਦਸਤਾਵੇਜ਼ ਅਤੇ ਸਵਾਲ ਦੇ ਐਮਬੈਡਿੰਗ ਬਣਾਉਣ ਲਈ। ਇਸ ਉਦਾਹਰਨ ਲਈ, ਫੈਸ ਪਾਇਥਨ ਪੈਕੇਜ ਨੂੰ ਵੈਕਟਰ ਸਟੋਰ ਦੇ ਤੌਰ ਤੇ ਵਰਤਦਾ ਹੈ।

ਮਿਸਟ੍ਰਾਲ ਮਾਡਲ ਨੂੰ ਭੇਜਿਆ ਗਿਆ ਪ੍ਰੰਪਟ ਦੋਹਾਂ ਸਵਾਲਾਂ ਅਤੇ ਸਵਾਲ ਨਾਲ ਮਿਲਦੇ-ਜੁਲਦੇ ਰਿਕਵਾਇਰਡ ਟੁਕੜਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਮਾਡਲ ਫਿਰ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਜਵਾਬ ਦਿੰਦਾ ਹੈ।

pip install faiss-cpu
import requests
import numpy as np
import faiss
import os

from azure.ai.inference import ChatCompletionsClient
from azure.ai.inference.models import SystemMessage, UserMessage
from azure.core.credentials import AzureKeyCredential
from azure.ai.inference import EmbeddingsClient

endpoint = "https://models.inference.ai.azure.com"
model_name = "Mistral-large"
token = os.environ["GITHUB_TOKEN"]

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
)

response = requests.get('https://raw.githubusercontent.com/run-llama/llama_index/main/docs/docs/examples/data/paul_graham/paul_graham_essay.txt')
text = response.text

chunk_size = 2048
chunks = [text[i:i + chunk_size] for i in range(0, len(text), chunk_size)]
len(chunks)

embed_model_name = "cohere-embed-v3-multilingual" 

embed_client = EmbeddingsClient(
        endpoint=endpoint,
        credential=AzureKeyCredential(token)
)

embed_response = embed_client.embed(
    input=chunks,
    model=embed_model_name
)



text_embeddings = []
for item in embed_response.data:
    length = len(item.embedding)
    text_embeddings.append(item.embedding)
text_embeddings = np.array(text_embeddings)


d = text_embeddings.shape[1]
index = faiss.IndexFlatL2(d)
index.add(text_embeddings)

question = "저자가 대학에 오기 전에 주로 했던 두 가지 일은 무엇이었나요?"

question_embedding = embed_client.embed(
    input=[question],
    model=embed_model_name
)

question_embeddings = np.array(question_embedding.data[0].embedding)


D, I = index.search(question_embeddings.reshape(1, -1), k=2) # ਦੂਰੀ, ਸੂਚਕांक
retrieved_chunks = [chunks[i] for i in I.tolist()[0]]

prompt = f"""
Context information is below.
---------------------
{retrieved_chunks}
---------------------
Given the context information and not prior knowledge, answer the query.
Query: {question}
Answer:
"""


chat_response = client.complete(
    messages=[
        SystemMessage(content="You are a helpful assistant."),
        UserMessage(content=prompt),
    ],
    temperature=1.0,
    top_p=1.0,
    max_tokens=1000,
    model=model_name
)

print(chat_response.choices[0].message.content)

ਮਿਸਟ੍ਰਾਲ ਸਮਾਲ

ਮਿਸਟ੍ਰਾਲ ਸਮਾਲ ਮਿਸਟ੍ਰਾਲ ਪਰਿਵਾਰ ਵਿੱਚ ਹੋਰ ਇੱਕ ਮਾਡਲ ਹੈ ਜੋ ਪ੍ਰੀਮੀਅਰ/ਐਂਟਰਪਰਾਈਜ਼ ਵਰਗ ਵਿੱਚ ਹੈ। ਨਾਮ ਦੇ ਅਨੁਸਾਰ, ਇਹ ਇੱਕ ਛੋਟਾ ਭਾਸ਼ਾ ਮਾਡਲ (SLM) ਹੈ। ਮਿਸਟ੍ਰਾਲ ਸਮਾਲ ਵਰਤਣ ਦੇ ਫਾਇਦੇ ਹਨ:

  • ਮਿਸਟ੍ਰਾਲ LLMs ਜਿਵੇਂ ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ ਅਤੇ ਨੇਮੋ ਨਾਲੋਂ ਖਰਚ ਬਚਾ ਕੇ - 80% ਕੀਮਤ ਕਮੀ
  • ਘੱਟ ਲੇਟੈਂਸੀ - ਮਿਸਟ੍ਰਾਲ ਦੇ LLMs ਨਾਲੋਂ ਤੇਜ਼ ਜਵਾਬ
  • ਲਚੀਲਾਪਣ - ਵੱਖ-ਵੱਖ ਪਰਿਵਾਰਾਂ ਵਿੱਚ ਘੱਟ ਸਰੋਤ ਸੀਮਾਵਾਂ ਨਾਲ ਡਿਪਲੋਏ ਹੋ ਸਕਦਾ ਹੈ।

ਮਿਸਟ੍ਰਾਲ ਸਮਾਲ ਬਿਹਤਰ ਹੈ:

  • ਟੈਕਸਟ ਅਧਾਰਿਤ ਟਾਸਕਾਂ ਲਈ ਜਿਵੇਂ ਕਿ ਸੰਖੇਪ, ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅਨੁਵਾਦ।
  • ਉਹਨਾਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਜਿੱਥੇ ਬਾਰੰਬਾਰ ਬੇਨਤੀਆਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਇਸ ਦੀ ਕੀਮਤ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਕਾਰਨ
  • ਘੱਟ ਲੇਟੈਂਸੀ ਕੋਡ ਟਾਸਕਾਂ ਲਈ ਜਿਵੇਂ ਸਮੀਖਿਆ ਅਤੇ ਕੋਡ ਸੁਝਾਅ।

ਮਿਸਟ੍ਰਾਲ ਸਮਾਲ ਅਤੇ ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ ਦੀ ਤੁਲਨਾ

ਮਿਸਟ੍ਰਾਲ ਸਮਾਲ ਅਤੇ ਲਾਰਜ ਵਿਚ ਲੇਟੈਂਸੀ ਦੇ ਫਰਕ ਨੂੰ ਵੇਖਾਉਣ ਲਈ, ਹੇਠਾਂ ਦਿੱਤੇ ਸੈੱਲ ਚਲਾਓ।

ਤੁਹਾਨੂੰ 3-5 ਸਕਿੰਟਾਂ ਦੇ ਜਵਾਬ ਸਮੇਂ ਵਿੱਚ ਫਰਕ ਦਿਖਾਈ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸੇ ਪ੍ਰੰਪਟ 'ਤੇ ਜਵਾਬ ਦੀ ਲੰਬਾਈ ਅਤੇ ਅੰਦਾਜ਼ ਨੂੰ ਵੀ ਨੋਟ ਕਰੋ।

import os 
endpoint = "https://models.inference.ai.azure.com"
model_name = "Mistral-small"
token = os.environ["GITHUB_TOKEN"]

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
)

response = client.complete(
    messages=[
        SystemMessage(content="You are a helpful coding assistant."),
        UserMessage(content="Can you write a Python function to the fizz buzz test?"),
    ],
    temperature=1.0,
    top_p=1.0,
    max_tokens=1000,
    model=model_name
)

print(response.choices[0].message.content)
import os
from azure.ai.inference import ChatCompletionsClient
from azure.ai.inference.models import SystemMessage, UserMessage
from azure.core.credentials import AzureKeyCredential

endpoint = "https://models.inference.ai.azure.com"
model_name = "Mistral-large"
token = os.environ["GITHUB_TOKEN"]

client = ChatCompletionsClient(
    endpoint=endpoint,
    credential=AzureKeyCredential(token),
)

response = client.complete(
    messages=[
        SystemMessage(content="You are a helpful coding assistant."),
        UserMessage(content="Can you write a Python function to the fizz buzz test?"),
    ],
    temperature=1.0,
    top_p=1.0,
    max_tokens=1000,
    model=model_name
)

print(response.choices[0].message.content)

ਮਿਸਟ੍ਰਾਲ ਨੇਮੋ

ਇਸ سبق ਵਿੱਚ ਚਰਚਾ ਕੀਤੇ ਹੋਰ ਦੋ ਮਾਡਲਾਂ ਨਾਲੋਂ, ਮਿਸਟ੍ਰਾਲ ਨੇਮੋ ਇੱਕਲੌਤਾ ਮੁਫ਼ਤ ਮਾਡਲ ਹੈ ਜਿਸਦੀ ਲਾਇਸੈਂਸ Apache2 ਹੈ।

ਇਹ ਮਿਸਟ੍ਰਾਲ ਦੇ ਪਹਿਲਾਂ ਦੇ ਖੁਲੇ ਸਰੋਤ LLM, ਮਿਸਟ੍ਰਾਲ 7B ਦਾ ਅਪਗਰੇਡ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ।

ਨੇਮੋ ਮਾਡਲ ਦੀਆਂ ਹੋਰ ਖੂਬੀਆਂ ਹਨ:

  • ਵਧੀਕ ਪ੍ਰਭਾਵਸ਼ੀਲ ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ: ਇਸ ਮਾਡਲ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਂਦੇ tiktoken ਦੀ ਥਾਂ Tekken tokenizer ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਕੋਡ ਤੇ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦਿੰਦਾ ਹੈ।

  • ਫਾਈਨਟਿਊਨਿੰਗ: ਬੇਸ ਮਾਡਲ ਫਾਈਨਟਿਊਨਿੰਗ ਲਈ ਉਪਲਬਧ ਹੈ। ਇਹ ਉਨ੍ਹਾਂ ਵਰਤੋਂ-ਕੇਸਾਂ ਲਈ ਵਧੀਕ ਲਚੀਲਾਪਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਫਾਈਨਟਿਊਨਿੰਗ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

  • ਮੂਲ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ - ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ ਵਾਂਗ, ਇਸ ਮਾਡਲ ਨੂੰ ਵੀ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ 'ਤੇ ਤਰਬੀਅਤ ਦਿੱਤੀ ਗਈ ਹੈ। ਇਹ ਇਸ ਨੂੰ ਪਹਿਲੇ ਖੁਲੇ ਸਰੋਤ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵੱਖਰਾ ਬਣਾਉਂਦਾ ਹੈ।

ਟੋਕਨਾਈਜ਼ਰਾਂ ਦੀ ਤੁਲਨਾ

ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਮਿਸਟ੍ਰਾਲ ਨੇਮੋ ਟੋਕਨਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ ਨਾਲੋਂ ਕਿਵੇਂ ਸੰਭਾਲਦਾ ਹੈ।

ਦੋਹਾਂ ਨਮੂਨਿਆਂ ਦੇ ਪ੍ਰੰਪਟ ਇੱਕੋ ਜਿਹੇ ਹਨ ਪਰ ਤੁਹਾਨੂੰ ਵੇਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਨੇਮੋ ਮਿਸਟ੍ਰਾਲ ਲਾਰਜ ਨਾਲੋਂ ਘੱਟ ਟੋਕਨ ਵਾਪਸ ਕਰਦਾ ਹੈ।

pip install mistral-common
# ਲੋੜੀਂਦੇ ਪੈਕੇਜਾਂ ਨੂੰ ਇੰਪੋਰਟ ਕਰੋ:
from mistral_common.protocol.instruct.messages import (
    UserMessage,
)
from mistral_common.protocol.instruct.request import ChatCompletionRequest
from mistral_common.protocol.instruct.tool_calls import (
    Function,
    Tool,
)
from mistral_common.tokens.tokenizers.mistral import MistralTokenizer

# ਮਿਸਟ੍ਰਾਲ ਟੋਕਨਾਈਜ਼ਰ ਲੋਡ ਕਰੋ

model_name = "open-mistral-nemo"

tokenizer = MistralTokenizer.from_model(model_name)

# ਸੁਨੇਹਿਆਂ ਦੀ ਸੂਚੀ ਨੂੰ ਟੋਕਨਾਈਜ਼ ਕਰੋ
tokenized = tokenizer.encode_chat_completion(
    ChatCompletionRequest(
        tools=[
            Tool(
                function=Function(
                    name="get_current_weather",
                    description="Get the current weather",
                    parameters={
                        "type": "object",
                        "properties": {
                            "location": {
                                "type": "string",
                                "description": "The city and state, e.g. San Francisco, CA",
                            },
                            "format": {
                                "type": "string",
                                "enum": ["celsius", "fahrenheit"],
                                "description": "The temperature unit to use. Infer this from the user's location.",
                            },
                        },
                        "required": ["location", "format"],
                    },
                )
            )
        ],
        messages=[
            UserMessage(content="What's the weather like today in Paris"),
        ],
        model=model_name,
    )
)
tokens, text = tokenized.tokens, tokenized.text

# ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਕਰੋ
print(len(tokens))
# ਜਰੂਰੀ ਪੈਕੇਜ ਆਯਾਤ ਕਰੋ:
from mistral_common.protocol.instruct.messages import (
    UserMessage,
)
from mistral_common.protocol.instruct.request import ChatCompletionRequest
from mistral_common.protocol.instruct.tool_calls import (
    Function,
    Tool,
)
from mistral_common.tokens.tokenizers.mistral import MistralTokenizer

# ਮਿਸਟਰਲ ਟੋਕਨਾਈਜ਼ਰ ਲੋਡ ਕਰੋ

model_name = "mistral-large-latest"

tokenizer = MistralTokenizer.from_model(model_name)

# ਸੁਨੇਹਿਆਂ ਦੀ ਸੂਚੀ ਨੂੰ ਟੋਕਨਾਈਜ਼ ਕਰੋ
tokenized = tokenizer.encode_chat_completion(
    ChatCompletionRequest(
        tools=[
            Tool(
                function=Function(
                    name="get_current_weather",
                    description="Get the current weather",
                    parameters={
                        "type": "object",
                        "properties": {
                            "location": {
                                "type": "string",
                                "description": "The city and state, e.g. San Francisco, CA",
                            },
                            "format": {
                                "type": "string",
                                "enum": ["celsius", "fahrenheit"],
                                "description": "The temperature unit to use. Infer this from the user's location.",
                            },
                        },
                        "required": ["location", "format"],
                    },
                )
            )
        ],
        messages=[
            UserMessage(content="What's the weather like today in Paris"),
        ],
        model=model_name,
    )
)
tokens, text = tokenized.tokens, tokenized.text

# ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਕਰੋ
print(len(tokens))

ਸਿੱਖਣ ਇੱਥੇ ਨਹੀਂ ਮਰਦਾ, ਯਾਤਰਾ ਜਾਰੀ ਰੱਖੋ

ਇਸ سبق ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸਾਡੇ ਜਨਰੇਟਿਵ ਏਆਈ ਸਿੱਖਿਆ ਸਮੱਗਰੀ ਨੂੰ ਵੇਖੋ ਤਾਂ ਜੋ ਆਪਣੀ ਜਨਰੇਟਿਵ ਏਆਈ ਜਾਣਕਾਰੀ ਨੂੰ ਹੋਰ ਵਧਾਇਆ ਜਾ ਸਕੇ!

ਇਤਰਾਜ਼: ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਆਟੋਮੈਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮਰਥਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸਦੀ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਉਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਸਰਵਸੱਤਾ ਪ੍ਰਦਾਨ ਕਰਨ ਵਾਲਾ ਸਰੋਤ ਮੰਨੀ ਜਾਏ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ਾਵਰ ਮਾਨਵੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਉਤਪੰਨ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀ ਜਾਂ ਭ੍ਰਮ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।