एआई-एलएलएम: जोखिम नियंत्रण छवि संज्ञान और कैप्चा हल करने के लिए भविष्य का समाधान

I. परिचय

साइबर सुरक्षा और बॉट-विरोधी उपायों के क्षेत्र में, जोखिम नियंत्रण छवि स्वीकृति, विशेष रूप से चित्रात्मक CAPTCHA के हल करने में हमेशा तकनीकी लड़ाई के शीर्ष पर रहा है। प्रारंभिक सरल पाठ विकृति से जटिल छवि स्वीकृति चुनौतियों तक, CAPTCHA के विकास में एक विपरीत AI तकनीक के विकास के इतिहास के रूप में होता है।

पारंपरिक जोखिम नियंत्रण छवि स्वीकृति समाधान, जैसे कि कॉन्वॉल्यूशनल न्यूरल नेटवर्क (CNN) और वस्तु डिटेक्शन मॉडल, निश्चित, सीमित समस्या सेट के साथ निपटने में अच्छा प्रदर्शन करते हैं। हालांकि, CAPTCHA प्रणालियां लगातार अपग्रेड हो रही हैं, इन मॉडल की सीमाएं बढ़ती जा रही हैं:

1. खराब सामान्यीकरण: नए प्रश्न प्रकार या छवि अवरोध के सामने डेटा एकत्र करने, लेबल करने और पुनः ट्रेन करने में बहुत समय लगता है।
2. अपर्याप्त तर्क क्षमता: वे बहु-चरण, जटिल तार्किक तर्क के प्रकार के साथ निपटने में कठिनाई महसूस करते हैं (उदाहरण के लिए, "घूर्णन संरेखण", "तार्किक गणना")।
3. मजबूत डेटा निर्भरता: मॉडल प्रदर्शन बड़े पैमाने पर उच्च गुणवत्ता वाले लेबल किए गए डेटा पर निर्भर करता है।

LLM (बड़े भाषा मॉडल) के उदय ने इस रक्षा-केंद्रित दृष्टिकोण को तोड़ दिया। यह अब सिर्फ सरल छवि स्वीकृति तक सीमित नहीं है बल्कि बहु-नमूना विविधता, सहयोगी तर्क और जटिल छवि विश्लेषण के साथ एकजुट हो गया है। LLM की क्षमताओं के साथ समाधान के लिए एक परिप्रेक्ष्य बदल गया है: सरल छवि स्वीकृति से "निर्णय नाड़ी" वाले "रणनीतिक योजना" और "तर्क की जटिलता" के साथ, जो विविध चित्रात्मक CAPTCHA प्रकार, तेजी से अपडेट और जटिल तर्क के चुनौतियों के साथ निपट सकता है।

II. चित्रात्मक CAPTCHA के तीन साल का विकास: "विकृत" से "दृश्य जाल" तक

चित्रात्मक CAPTCHA के विकास जोखिम नियंत्रण प्रणालियों और अपराधी प्रौद्योगिकी के बीच "हथियारों की प्रतिस्पर्धा" के एक सीधा परिवर्तन है। पिछले तीन साल में, चित्रात्मक CAPTCHA के विकास ने सरल "विकृत" अवरोध से जटिल चुनौति के "दृश्य जाल" तक जाना: एक प्रवृत्ति जो सुरक्षा के क्षेत्र में अच्छी तरह से दस्तावेज़ीकृत है, जैसा कि इस CAPTCHA प्रणालियों के ऐतिहासिक समीक्षा में विस्तार से वर्णित है।

1. प्रश्न प्रकार के फैलाव: अंतहीन युद्ध तक सीमित समस्या सेट से

2022 तक, मुख्य चित्रात्मक CAPTCHA प्रश्न प्रकार सरल वस्तु चयन थे, जिनकी संख्या 10 से अधिक नहीं थी। 2025 तक, प्रश्न प्रकार की संख्या फूट गई, बीस से सैकड़ों तक तेजी से बढ़ गई, अब अंतहीन समस्या सेट की ओर बढ़ रही है:

• वस्तु अन्वेषण और चयन: छवि में विशिष्ट वस्तुओं की पहचान करना (उदाहरण के लिए, "कारें", "सड़क पर ट्रैफिक लाइट")।
• तार्किक और गणना: मात्रा, क्रम और तार्किक संबंधों के साथ तर्क (उदाहरण के लिए, "क्रम में क्लिक करें", "तार्किक गणना")।
• अंतरिक्ष परिवर्तन और संरेखण: छवि ब्लॉक को घुमाना या खिसकाना आवश्यकता के साथ संरेखण पूरा करना (उदाहरण के लिए, "घूर्णन संरेखण", "जिग्सॉ पहेली")।

2. अपडेट गति: वर्जन अपडेट से डायनामिक संघर्ष तक

जोखिम नियंत्रण प्रणालियां निश्चित वर्जन अपडेट के साथ संतुष्ट नहीं हैं, बल्कि डायनामिक विरोधी मॉडल की ओर बढ़ रही हैं। इसका अर्थ है कि CAPTCHA प्रश्न प्रकार, अवरोध और कठिनाई को वास्तविक समय ट्रैफिक, हमला तीव्रता और उपयोगकर्ता व्यवहार के आधार पर डायनामिक रूप से समायोजित किया जाता है, जिसके कारण समाधान में वास्तविक समय प्रतिक्रिया और तेजी से अनुकूलन की क्षमता की आवश्यकता होती है। इस डायनामिक दृष्टिकोण का अर्थ है कि अपडेट के साथ नहीं रहे वाले समाधान जल्दी ही अप्रचलित हो जाते हैं।

3. छवि की जटिलता: सरल अवरोध से बहुआयामी अस्पष्टता तक

छवि की जटिलता भी बहुत बढ़ गई है, जो पारंपरिक छवि स्वीकृति मॉडल के विशेषता निष्कर्षण को बाधित करने के लिए बहुआयामी अस्पष्टता तकनीकों के साथ आई है:

• जनरेटिव विरोधी: स्टेबल डिफ्यूज़न और अन्य एआईजीसी उपकरणों का उपयोग लक्ष्य वस्तु के समान पृष्ठभूमि में विरोधी वस्तुओं को जोड़ने के लिए करते हैं, या छवि को शैलीबद्ध करते हैं, जिससे पारंपरिक मॉडल के विशेषता निष्कर्षण को नुकसान पहुंचता है।
• फॉर्मेट और संपीड़न हमले: जेपीईजी जैसे नुकसान वाले संपीड़न फॉर्मेट के विशेषताओं का उपयोग करना, या नीआरएफ (न्यूरल रेडिएंस फील्ड्स) जैसी प्रौद्योगिकी का उपयोग करना छवि पर बहुआयामी विकृति और अस्पष्टता लागू करने के लिए, जिससे मॉडल की बुनियादी बल को नुकसान पहुंचता है।
• 3D अंतरिक्ष परिवर्तन: नीआरएफ के साथ छवि के 3D अंतरिक्ष में वस्तुओं के उत्पादन के लिए प्रौद्योगिकी का उपयोग करते हैं, जिससे मॉडल को 3D अंतरिक्ष समझ की आवश्यकता होती है, न कि सरल 2D समतल स्वीकृति।

जोखिम नियंत्रण में पारंपरिक एआई-संचालित छवि स्वीकृति के अनुप्रयोग के लिए एक गहरा तकनीकी विश्लेषण के लिए, आप हमारे विषय पर निर्देशित लेख पर रुख कर सकते हैं: पारंपरिक एआई की छवि स्वीकृति में भूमिका

III. LLM के आगमन: एक "सामान्य मस्तिष्क" के रूप में पूरे पाइपलाइन का पुनर्निर्माण

AI LLM, सामान्य बुद्धिमत्ता के रूप में, शक्तिशाली शून्य-शॉट समझ, जटिल तर्क और सामग्री उत्पादन क्षमता में मुख्य लाभ है। इन क्षमताओं का उपयोग वैकल्पिक जोखिम नियंत्रण छवि स्वीकृति पाइपलाइन के मूल को पुनर्निर्माण करता है।

1. शून्य-शॉट प्रश्न प्रकार समझ: 5 सेकंड में आवश्यकता विश्लेषण

LLM की बहुमाध्यमिक क्षमता (जैसे GPT-4V) वेबपेज के स्क्रीनशॉट और प्रश्न पाठ को सीधे प्राप्त कर सकती है, जो कि समस्या की आवश्यकताओं को तेजी से समझती है, छवि में महत्वपूर्ण तत्वों की पहचान करती है, और शून्य-शॉट या कम-शॉट तरीके से समाधान के चरणों की योजना बनाती है।

• दक्षता में सुधार: पारंपरिक विधियां नए प्रश्न प्रकार के लिए डेटा एकत्र करने और मॉडल के प्रशिक्षण में घंटों या भले ही दिनों की आवश्यकता होती है; LLM 5 सेकंड में 96% के सटीकता के साथ आवश्यकता विश्लेषण पूरा कर सकता है, 40 भाषाओं का समर्थन करता है।
• सामान्यता: इस क्षमता समाधान के "सामान्य मस्तिष्क" गुण प्रदान करती है, जो अंतहीन समस्या सेट के चुनौती के साथ निपट सकती है।

2. एआईजीसी डेटा फैक्टरी: 1 घंटे में 100,000 "सिमुलेटेड परीक्षण प्रश्न" बनाना

उच्च गुणवत्ता वाले शिक्षण डेटा AI मॉडल के जीवन के लिए जीवन रक्षक है। LLM और एआईजीसी उपकरणों (जैसे स्टेबल डिफ्यूज़न) के संयोजन एक कुशल "डेटा फैक्टरी" बनाता है, जो डेटा लेबलिंग के उच्च लागत और लंबे चक्र के समस्या को हल करता है।

• प्रक्रिया: LLM बैच में प्रॉम्प्ट लिखता है → स्टेबल डिफ्यूज़न छवि उत्पन्न करता है → LLM लेबल फाइल उत्पन्न करता है।
• परिणाम: 1 घंटे में 100,000 उच्च गुणवत्ता वाले "सिमुलेटेड परीक्षण प्रश्न" उत्पन्न किए जा सकते हैं, जो मॉडल अपडेट और ठंडे शुरूआत प्रक्रिया को बहुत तेज करता है।

3. प्रतिलिपि-लेबल ठंडे शुरूआत: 30 मिनट में मॉडल को "डेप्लॉयमेंट के लिए तैयार" करना

LLM के शून्य-शॉट तर्क क्षमता का उपयोग करके, नए प्रश्न प्रकार के लिए प्रारंभिक प्रतिलिपि-लेबल निर्धारित किए जा सकते हैं, और 30 मिनट में हल्के CNN मॉडल को डेप्लॉयमेंट के लिए तैयार किया जा सकता है (उदाहरण के लिए, 85% सटीकता तक पहुंचना)। इससे नए प्रश्न प्रकार के उत्तर के उत्तर काल काफी कम हो जाता है, "वर्जन अपडेट" से "डायनामिक संघर्ष" तक के स्थानांतरण को साकार करता है।

4. चेन-ऑफ-थॉट और स्क्रिप्ट उत्पादन: जटिल तर्क की स्वचालन

जटिल प्रश्न प्रकार के लिए जिनमें बहु-चरण ऑपरेशन की आवश्यकता होती है (उदाहरण के लिए, "घूर्णन + गणना + स्लाइडिंग"), LLM चेन-ऑफ-थॉट (CoT) तर्क कर सकता है, जटिल कार्यों को एटॉमिक ऑपरेशन में विभाजित करता है और निष्पादन स्क्रिप्ट के स्वचालन को उत्पन्न करता है। इस दृष्टिकोण के सैद्धांतिक आधार के अध्ययन में दृश्य-भाषा मॉडल में चेन-ऑफ-थॉट तर्क के माप और सुधार शामिल हैं।

• उदाहरण: "15 डिग्री घूर्णन, 3 वस्तुओं की गणना, 62 पिक्सेल खिसकाना" जैसे कार्यों को एक निष्पादन स्क्रिप्ट में संश्लेषित करें।
• प्रभाव: जटिल प्रश्न प्रकार के हल करने की दक्षता और सटीकता में बहुत बढ़ोतरी होती है, जैसे कि एक जटिल प्रकार की सफलता दर 42% से 89% तक बढ़ जाती है।

5. मानव-जैसा ट्रेजेक्टरी फॉरजरी: जोखिम नियंत्रण बाउंस क्षमता में सुधार

LLM केवल छवि स्वीकृति समस्याओं के हल करने में सक्षम नहीं है, बल्कि जोखिम नियंत्रण प्रणालियों के व्यवहार पैटर्न का विश्लेषण कर सकता है और वास्तविक मानव-जैसे ऑपरेशन ट्रेजेक्टरी (उदाहरण के लिए, BotScore को 0.23 से 0.87 तक बढ़ाना) जैसे बॉट बाउंस क्षमता को बढ़ाता है, जिसमें माउस गति, क्लिक और देरी शामिल हैं।

IV. क्या LLM समाधान पारंपरिक AI समाधानों को बदल देता है?

संक्षेप में, नहीं। LLM समाधान पारंपरिक छवि स्वीकृति AI मॉडल (जैसे CNN, YOLO) को पूरी तरह से बदलने के लिए नहीं है, बल्कि एक "रणनीतिक आदेश केंद्र (मस्तिष्क)" के रूप में काम करता है, जो पारंपरिक "पिक्सेल-स्तर के संचालन इकाई (हाथ और पैर)" के साथ सहयोगी वास्तु का गठन करता है।

LLM और पारंपरिक AI समाधान की तुलना

विशेषता	LLM समाधान	पारंपरिक AI/विशेषज्ञ मॉडल (CNN, YOLO)
मुख्य लाभ	सामान्य ज्ञान और तर्क: बहुभाषीय, बहुमाध्यमिक कार्यों को समझना, तार्किक तर्क करना और कार्य रणनीति उत्पन्न करना।	विशेषज्ञ अंतर्दृष्टि और कार्यान्वयन: विशिष्ट दृश्य कार्यों में उच्च अक्षमता, कम देरी वाले निर्धारण और स्थान निर्धारण प्राप्त करना।
मुख्य कार्य	प्रश्न प्रकार विश्लेषण, तार्किक तर्क, चरण योजना, रणनीति उत्पादन, स्क्रिप्ट स्वचालन।	छवि स्वीकृति, वस्तु डिटेक्शन, पिक्सेल-स्तर की तुलना, वास्तविक समय में स्थिति निर्धारण।
सामान्यीकरण	मजबूत, प्रॉम्प्ट के माध्यम से नए प्रश्न प्रकार में तेजी से अनुकूलन, पुनर्प्रशिक्षण की आवश्यकता नहीं होती।	कमजोर, प्रशिक्षण डेटा वितरण पर अत्यधिक निर्भरता; नए प्रश्न प्रकार या शैली परिवर्तन आसानी से प्रदर्शन गिरावट के कारण बन जाते हैं।
डेटा निर्भरता	उच्च गुणवत्ता वाले पाठ/बहुमाध्यमिक पूर्व-प्रशिक्षण पर निर्भरता; कम उदाहरण या सिमुलेटेड डेटा के साथ तेजी से अनुकूलन।	बड़े पैमाने पर लेबल किए गए डेटा पर निर्भरता; डेटा एकत्र करने और लेबल करने में उच्च लागत।
लागत और दक्षता	प्रति अनुमान उच्च गणना लागत, लेकिन व्यावहारिक विश्लेषण और प्रोग्रामिंग के बजाय इसके प्रक्रिया को स्वचालित करता है।	छोटा मॉडल आकार, कम अनुमान लागत, लेकिन बहुत से विशेषज्ञ मॉडल और अपडेट प्रशिक्षण के बरताव में उच्च ऑपरेशनल लागत।
सीमाएं	पिक्सेल-स्तर के उच्च अक्षमता में अक्षमता; विशेषज्ञ मॉडल की तुलना में निष्पादन दक्षता और सटीकता कम होती है।	जटिल अर्थ और तार्किक असमर्थता के समझ में अक्षमता; नए प्रश्न प्रकार बदलाव या बहु-चरण तर्क के स्वतंत्र रूप से उत्तर देने में असमर्थता।
प्रणाली की भूमिका	"रणनीतिक आदेश केंद्र (मस्तिष्क)": कार्य विश्लेषण, योजना और व्यवस्था करना।	"रणनीतिक कार्यान्वयन इकाई (हाथ और पैर)": विशिष्ट, सटीक अंतर्दृष्टि और कार्यान्वयन निर्देश पूरा करना।

व्यावहारिक दृष्टिकोण: LLM समाधान पारंपरिक AI मॉडल को बदल नहीं देता है। बल्कि, इन्हें प्रॉम्प्ट-चालित वर्कफ़्लो में बदलकर अधिक समय लेने वाले, दोहराने वाले और कम सामान्यीकरण चरणों को स्वचालित करता है। परिणामस्वरूप वास्तुकला एक हाइब्रिड दृष्टिकोण है: पारंपरिक छोटे मॉडल आधार पर, LLMs के रूप में "कोल्ड स्टार्ट के लिए आवश्यकता"। इसे तीन भागों में समझा जा सकता है:

1. क्षमता सीमाएं:

LLMs उच्च स्तर के अर्थ में अच्छा प्रदर्शन करते हैं, जबकि छोटे मॉडल पिक्सेल-स्तर के कार्यों में विशेषज्ञ हैं।

• प्रश्न-प्रकार विश्लेषण, समानार्थ लिखना, तर्क श्रृंखला और ट्रेजेक्टरी/स्क्रिप्ट उत्पादन के लिए कार्य के लिए, एक LLM एक प्रॉम्प्ट के साथ तुरंत पूरा कर सकता है - मानव नियम लिखने की तुलना में 10-100 गुना तेज।
• लेकिन पिक्सेल-स्तर के कार्य जैसे दोष स्थान निर्धारण, कोण प्रतिगमन और अक्षर सेगमेंटेशन अभी भी CNN/Transformer बैकबोन की आवश्यकता के साथ आवश्यक हैं। जब एक LLM अंत-से-अंत निर्धारण करता है, तो इसकी त्रुटि आमतौर पर 3-5 गुना अधिक होती है, और अनुमान लागत 10-100 गुना अधिक महंगी होती है छोटे मॉडल के सापेक्ष।

व्यावहारिक पाइपलाइन:
LLM "0→1" कोल्ड स्टार्ट का निपटान करता है → प्रतिलिपि-लेबल उत्पन्न करता है → हल्का CNN फिन-ट्यून किया जाता है → ऑनलाइन अनुमान मिलीसेकंड स्तर के छोटे मॉडल पर चलता है।
एलएलएम-केंद्रित अनुमान नहीं।

2. सुरक्षा और विरोधी विश्वसनीयत:

शुद्ध एलएलएम प्रणालियां दृश्य भ्रम आधारित और प्रॉम्प्ट प्रेरित जाल के लिए असुरक्षित हैं।

न्यू साउथ वेल्स विश्वविद्यालय के IllusionCAPTCHA द्वारा दृश्य भ्रम के साथ प्रॉम्प्ट के संयोजन के साथ GPT-4o और Gemini 1.5 Pro के शून्य-शॉट सफलता को 0% तक गिरा दिया जाता है, जबकि मानव पास दर 86% से अधिक रहती है।

इसका अर्थ है:
जब रक्षक एआई एलएलएम के भाषा पूर्वाग्रह पर निर्भरता के लिए विशेष रूप से डिज़ाइन किए गए CAPTCHA के साथ जाते हैं, एलएलएम-केंद्रित समाधान पूरी तरह से विफल रहता है, और पारंपरिक दृश्य मॉडल या हाइब्रिड मानव-मशीन प्रणालियां आवश्यक होती हैं।

3. लागत और डेप्लॉयमेंट:

एलएलएम टोकन पर शुल्क लेता है; उच्च आउटपुट ट्रैफिक के साथ अभी भी छोटे मॉडल पर निर्भर है।

• एक 4k QPS CAPTCHA प्लेटफॉर्म जो सभी कार्यों के लिए GPT-4V का उपयोग करता है, टोकन लागत में $20k–$30k/दिन के रूप में खर्च करता है।
• एक क्वांटाइज्ड CNN एक एकल GPU पर 4k QPS के साथ काम कर सकता है जिसकी दैनिक लागत $50 से कम होती है।

उद्योग के मानक:
एलएलएम = डेटा फैक्टरी (100k सिमुलेटेड छवि उत्पादन) → अनुशंसित ऑफलाइन
छोटा मॉडल = ऑनलाइन अनुमान (4 MB INT8 CNN ट्रैफिक का निपटान करता है)

VI. निष्कर्ष

एलएलएम के परिचय ने प्रश्न प्रकार विश्लेषण और तार्किक तर्क के जैसे उच्च मानव-निर्भर प्रक्रियाओं को स्वचालित कर दिया है, जो जोखिम नियंत्रण में बुद्धिमता को बहुत बढ़ा देता है। हालांकि, पिक्सेल-स्तर स्थान निर्धारण और मिलीसेकंड-स्तर के उत्तर के लिए पारंपरिक दृश्य मॉडल (CNN) अभी भी आवश्यक हैं। अधिकतम समाधान एलएलएम + विशेषज्ञ मॉडल सहयोगी वास्तु है, जो एलएलएम के रणनीतिक निर्णय लेने के साथ छवि विश्लेषण के उच्च-सटीक कार्यान्वयन के साथ एकजुट होता है। यह हाइब्रिड दृष्टिकोण एक तेजी से विकसित हो रही CAPTCHA प्रणाली के खिलाफ आवश्यक दक्षता और सटीकता के संतुलन की प्राप्ति के लिए एकमात्र तरीका है। प्रतिकूल अंतिम समाधान के अनुमान के लिए अपनी उच्च-सटीकता के लिए आवश्यकता होती है, CapSolver एलएलएम + विशेषज्ञ मॉडल वास्तु के लिए आवश्यक बुनियादी संरचना और विशेषज्ञ मॉडल प्रदान करता है।

---

VII. मुख्य बिंदु

• अवधारणा का बदलाव: जोखिम नियंत्रण छवि स्वीकृति पारंपरिक विशेषज्ञ एआई (CNN/YOLO) से एआई एलएलएम द्वारा संचालित एक सामान्य बुद्धिमता निर्णय लेने की दृष्टिकोण में बदल गई है।
• एलएलएम का मुख्य मूल्य: एलएलएम शून्य-शॉट समझ, जटिल तार्किक तर्क (चेन-ऑफ-थॉट) और डेटा उत्पादन के स्वचालन (एआईजीसी डेटा फैक्टरी) में अपनी शक्ति दिखाता है, जो पारंपरिक मॉडल के सामान्यीकरण और तर्क की कमजोरियों को हल करता है।
• अधिकतम वास्तुकला: सबसे प्रभावी समाधान एक हाइब्रिड एलएलएम + विशेषज्ञ मॉडल वास्तु है, जहां एलएलएम "रणनीतिक आदेश केंद्र" होता है और छोटे CNN मॉडल "रणनीतिक कार्यान्वयन इकाई" होता है जो तेजी से पिक्सेल-स्तर के कार्यान्वयन के लिए उपयोग किया जाता है।
• लागत प्रबंधन: एक हाइब्रिड दृष्टिकोण एलएलएम के उपयोग को रणनीति और कोल्ड स्टार्ट तक सीमित रखता है, जो उच्च अक्षमता के साथ टोकन-आधारित लागत के प्रबंधन के लिए आवश्यकता होती है।

VIII. अक्सर पूछे जाने वाले प्रश्न (FAQ)

जोखिम नियंत्रण में पारंपरिक छवि स्वीकृति मॉडल (CNN/YOLO) की मुख्य सीमा क्या है?

A: पारंपरिक मॉडल नए प्रश्न प्रकारों पर खराब सामान्यीकरण के कारण पीड़ित होते हैं और बहु-चरण CAPTCHA के लिए आवश्यक जटिल तार्किक क्षमता की कमी होती है।

AI LLM CAPTCHA हल करने में कैसे सुधार करता है?

A: AI LLM शून्य-शॉट समझ और जटिल तार्किक क्षमता (चेन-ऑफ-थॉट) पेश करता है, जो नए प्रश्न प्रकारों के तेजी से विश्लेषण और हल स्क्रिप्ट बनाने में सक्षम होता है।

क्या LLM समाधान पारंपरिक छवि स्वीकृति मॉडलों को पूरी तरह से बदलने के लिए है?

A: नहीं। अनुकूलतम समाधान एक संकर LLM + विशेषज्ञ मॉडल आर्किटेक्चर है, जहां LLM रणनीति प्रदान करता है और छोटे मॉडल पिक्सेल-स्तरीय कार्यान्वयन के लिए उच्च गति प्रदान करते हैं।

उच्च-आयतन जोखिम नियंत्रण परिदृश्यों में LLM के उपयोग के लिए मुख्य चुनौती क्या है?

A: उच्च अनुमान लागत ही मुख्य चुनौती है। इसे संकर आर्किटेक्चर के उपयोग से कम कर दिया जाता है, जहां LLM रणनीति के लिए जिम्मेदार होता है और कम लागत वाले छोटे मॉडल उच्च-आयतन छवि स्वीकृति कार्य के बड़े हिस्से के लिए जिम्मेदार होते हैं।