ACL2024: Yuntian Lifei SPACE इञ्जिनस्य अनावरणं, बृहत् मॉडल तर्कः नूतनपदे प्रवेशं कर्तुं शक्नोति
2024-08-14
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
अगस्तमासस्य ११ दिनाङ्कात् १६ दिनाङ्कपर्यन्तं थाईलैण्ड्देशस्य बैंकॉक्-नगरे कम्प्यूटेशनल् लिंग्विस्ट्स्-सङ्घस्य (ACL) ६२ तमे वार्षिकसभा अभवत् ।
युन्टियन लाइफी इत्यस्य बृहत् मॉडल् दलस्य "जनरेशन मीट्स वेरिफिकेशन: एक्सेलरेटिंग लार्ज लैङ्ग्वेज मॉडल इन्फरेन्स विथ स्मार्ट पैरालेल् ऑटो-करेक्ट डिकोडिंग" इति पत्रं ACL24 निष्कर्षाणां दीर्घपत्ररूपेण स्वीकृतम् एतत् युन्टियन लाइफी इत्यस्य विशालस्य प्रतिरूपस्य केषाञ्चन शोधपरिणामानां चरणबद्धं प्रदर्शनम् अस्ति ।
एसीएल वार्षिकसम्मेलनं कम्प्यूटेशनल् भाषाविज्ञानस्य प्राकृतिकभाषाप्रक्रियाकरणस्य च क्षेत्रे प्रथमक्रमाङ्कस्य शैक्षणिकसम्मेलनम् अस्ति चीन कम्प्यूटर फेडरेशनस्य (CCF) सूची ।
युन्टियन लाइफी इत्यस्य चयनितपत्रे SPACE इञ्जिनं प्रस्तावितं - बृहत् मॉडल् अनुमानस्य हानिरहितत्वरणं प्राप्तुं अभिनवसमाधानम् । विभिन्नप्रकारस्य बृहत्प्रतिरूपेषु परीक्षणस्य परिणामाः तत् दर्शयन्तिSPACE इञ्जिनस्य उपयोगानन्तरं HumanEval परीक्षणसमूहे मॉडलस्य अनुमानवेगः २७०%-४००% वर्धितः ।, अनुमानपरिणामानां गुणवत्ता अपरिवर्तिता एव तिष्ठति, तथा च "द्रुतगणना" "सटीकगणना" च प्राप्तुं शक्नोति ।
Yuntian Lifei बृहत् मॉडल दलस्य चयनितपत्राणि
मुख्यधारा तर्कसमाधानस्य कृते “आवश्यकता इच्छा च” प्राप्तुं कठिनम् अस्ति ।
SPACE इतिसमार्ट्पुअरलेलएकःउतो- ९.गorrect Dङकोडिंग् इत्यस्य संक्षिप्तनामस्य अर्थः "बुद्धिमान् समानान्तरस्वचालितदोषशुद्धिकरणविकोडनम्" इति ।
अस्याः तर्कयोजनायाः द्वौ प्रमुखौ लक्षणौ स्तः प्रथमं, सा स्वीकरोतिअर्ध-आटोरेग्रेसिवतर्कप्रतिरूपं, यत् तर्कस्य महतीं त्वरिततां करोति द्वितीयं योजयितुं;सत्यापनएषा पद्धतिः तर्कस्य सटीकता सुनिश्चित्य तर्कवेगं सुधारयितुं शक्नोति ।
"सेमी-ऑटोरेग्रेसिव" इति किम्?
बृहत् भाषाप्रतिरूपस्य APP उद्घाट्य वयं संवादपेटिकायां "बृहत् मॉडलं किम्?" parameters." अस्य उत्तरस्य प्रक्रिया द्रष्टुं शक्यते अतीव सरलं प्रतीयते। परन्तु वस्तुतः बृहत् मॉडल् पर्दापृष्ठे बहुविधं "ऑटोरेग्रेसिव्" चक्रं अनुभवन्ति ।
प्रथमं, बृहत् मॉडल् प्रथमं आउटपुट् इत्यस्य प्रथमशब्दस्य पूर्वानुमानं करिष्यति - वयं यत् सामग्रीं निवेशयामः तस्य आधारेण "बृहत्", ततः "बृहत्" इति शब्दं पुनः इनपुट् अन्ते आनयिष्यति, तथा च अग्रिमः शब्दः किं निर्गमः भवेत् इति पूर्वानुमानं करिष्यति शब्द "बृहत्" . अवश्यं, एषा "भविष्यवाणी" पतलीवायुतः बहिः "अन्धः अनुमानः" नास्ति, परन्तु पूर्वप्रशिक्षणप्रक्रियायां दृष्टानां दत्तांशस्य आधारेण प्रतिरूपं व्यापकं निर्णयं करिष्यति तथा च उच्चतमसंभावनायुक्तं शब्दं अग्रिमनिर्गमशब्दरूपेण चयनं करिष्यति .
अस्मिन् सन्दर्भे द्वितीयः आउटपुट् शब्दः "module" अस्ति । यावत् सम्पूर्णं वाक्यं न समाप्तं भवति तावत् एतत् चक्रं निरन्तरं भवति ।
इयं प्रक्रिया "autoregression" इति ।
सम्प्रति बृहत् आदर्शानुमानस्य कृते प्रयुक्तं मुख्यधारासमाधानं स्वप्रतिगमनम् अस्ति ।भवेत् तत् ChatGPT, मुक्तस्रोत Llama, अथवा बहवः बृहत् घरेलुमाडलाः, ते मुख्यतया स्वप्रतिगमनानुमानसमाधानस्य उपयोगं कुर्वन्ति ।
स्वप्रतिगमन योजना का योजनाबद्ध आरेख
स्वप्रतिगमनयोजनायाः लाभहानिः अपि अतीव स्पष्टाः सन्ति । लाभः अस्ति यत् एतेन उत्पन्ना सामग्री समीचीना, सार्थकता, सन्दर्भसङ्गता च भवति इति सुनिश्चितं भवति । दोषाः उच्चगणनाव्ययः दीर्घकालीनः अनुमानविलम्बः च अस्ति ।
एतासां समस्यानां निवारणाय उद्योगेन प्रस्ताविताः समाधानाः सन्ति"अर्ध-आटोरेग्रेसिव"।तथा"अनुमानं विकोडनम्" ।。
"अर्ध-स्वयं-अवरोधक" "स्वयं-अवरोधक" "अस्व-अति-अवरोधक" इत्येतयोः मध्ये सम्झौता अस्ति । पूर्वोक्तम्, २."आटोरेग्रेसिव" इति ।अग्रिमशब्दस्य पूर्वानुमानार्थं जनितशब्दानां उपयोगं करोति;"अन-आटोरेग्रेसिव"।"autoregressive" इत्यस्य विपरीतम्, एकदा एव सम्पूर्णं वाक्यं पूर्वानुमानं करोति ।"अन-आटोरेग्रेसिव"।समाधानं तर्कस्य कार्यक्षमतां वर्धयितुं शक्नोति, परन्तु उत्पादनस्य सटीकता बहु न्यूनीभवति । "अर्ध-स्वयं-अवरोधक" समाधानं बृहत्-प्रतिरूप-तर्कस्य गति-सटीकता-आवश्यकतानां सन्तुलनार्थं "स्वयं-अवरोधक" तथा "अ-स्वयं-अवरोधक" इत्येतयोः लाभ-हानियोः व्यापकरूपेण विचारं करोति
परन्तु "अर्ध-स्वयं-आक्रामक" समाधानस्य उपयोगेन नूतनाः समस्याः उत्पन्नाः - प्रथमं, अधिकांशं बृहत् मॉडल् उपयोक्तुं न शक्यते, द्वितीयं च, सटीकता उद्योगस्य आवश्यकतां पूरयितुं न शक्नोतिमुख्यधारायां बृहत् मॉडल् autoregressive inference mode इत्यस्य अनुसारं निर्मितं भवति यदि भवान् semi-autoregressive solution इत्यस्य उपयोगं कर्तुम् इच्छति तर्हि बृहत् मॉडल् इत्यस्य पुनः प्रशिक्षणं शुद्धतः एव करणीयम् । बृहत् मॉडलस्य प्रशिक्षणार्थं बहु विद्युत्, कम्प्यूटिंगशक्तिः, जनशक्तिः च आवश्यकी भवति यत् अन्ततः प्रशिक्षितं विशालं मॉडलं प्रायः कोऽपि न पातयित्वा अनुमानयोजनां परिवर्तयितुं पुनः आरभेत
अन्यः विकल्पः "अनुमानात्मकविकोडनम्" अस्ति ।एषा योजना आधारिता अस्ति"मसौदा - प्रमाणीकरण"।प्रक्रियाकार्यस्य कृते प्रथमं भवद्भिः अपेक्षाकृतं अल्पसंख्याकानां मापदण्डानां सह सहायकप्रतिरूपस्य परिचयः करणीयः यत् लघुप्रतिरूपं प्रथमं अभ्यर्थिनः उत्तराणि "मसौदां" निर्माति, ततः बृहत्प्रतिरूपं अभ्यर्थिनः उत्तराणि सम्यक् सन्ति वा न वा इति सत्यापयति धन्यवादः यत् लघुप्रतिमानाः बृहत्प्रतिमानानाम् अपेक्षया तर्ककरणे द्रुततराः भवन्ति, तथा च बृहत्प्रतिमानाः एकस्मिन् समये बहुविधाः अभ्यर्थी उत्तराणि सत्यापयितुं शक्नुवन्ति, एषा डिकोडिंगपद्धतिः न केवलं उत्पादनपरिणामानां सटीकताम् सुनिश्चितं कर्तुं शक्नोति, अपितु तर्कस्य गतिं अपि कर्तुं शक्नोति
परन्तु अस्य समाधानस्य दोषाः अपि सन्ति । प्रथमं प्रथमं अतीव "विश्वसनीयं" लघुप्रतिरूपं निर्मातव्यं, उत्तरस्य शीघ्रं समीचीनतया च "मसौदां" कर्तुं शक्नुवन्तु, यत् स्वयं कठिनम् अस्ति द्वितीयं, द्वयोः आदर्शयोः मध्ये "एकः पाठः, समानः पटलः, समानः प्रणाली च" भवितुमर्हति केवलं शब्दविभाजकानाम्, शब्दसूचीनां च दृष्ट्या उच्चस्तरीयं स्थिरतां प्राप्तुं शक्यते
SPACE inference engine - लघु परिवर्तनं, बृहत् गति-अप
यतो हि अनेकाः समाधानाः "आवश्यकताः इच्छाः च" प्राप्तुं न शक्नुवन्ति, किं कोऽपि समाधानः अस्ति यः केवलं तेषां लाभं धारयितुं शक्नोति, तेषां दोषान् च परिहरितुं शक्नोति? SPACE "अर्ध-स्वचालित-निरीक्षित-सूक्ष्म-ट्यूनिङ्ग" तथा "स्वचालित-सुधार-विकोडनम्" इत्येतयोः समाधानयोः संयोजनं करोति यत् बृहत् मॉडल् एकस्मिन् अनुमाने बहुविधं परिणामं जनयितुं सक्षमं करोति, तथा च उत्पन्नपरिणामानां गुणवत्तां सुनिश्चित्य एकत्रैव परिणामसत्यापनं सम्पूर्णं करोति तस्मिन् एव काले, २.इदं अनुमानयन्त्रं कस्यापि बृहत् मॉडलस्य कृते उपयुक्तम् अस्ति. मॉडलस्य सूक्ष्म-समायोजनस्य अनुकूलनस्य च माध्यमेन यदा कोऽपि बृहत् मॉडलः एतत् अनुमान-इञ्जिनं स्वीकुर्वति तदा न केवलं अतिरिक्त-सहायक-प्रतिरूपस्य प्रशिक्षणस्य आवश्यकता नास्ति, अपितु अनुमान-दक्षतायां सुधारं करोति, GPU इत्यादीनां समानान्तर-गणना-संसाधनानाम् पूर्ण-उपयोगं करोति, तथा च उच्चगणनाशक्तिप्रयोगं प्राप्नोति।
स्वप्रतिगमनयोजनायाः (वामभागे) SPACE योजनायाः (दक्षिणे) च मध्ये अन्तरः
यथा उपरि उक्तं, अधिकांशस्य बृहत्भाषाप्रतिमानस्य स्वकीयाः "स्वयं-अवरोधक" गुणाः सन्ति, ते "अर्ध-स्वयं-अवरोधक" समाधानं प्रत्यक्षतया प्रयोक्तुं न शक्नुवन्ति । अस्मिन् विषये SPACE "सेमी-ऑटोरेग्रेसिव सुपरवाइज्ड फाइन-ट्यूनिङ्ग" इत्यस्य पद्धतिं स्वीकुर्वति, पर्यवेक्षितप्रशिक्षणस्य माध्यमेन, मॉडल् विशेषस्य [MASK] चिह्नस्य सम्मुखीभवने सम्भाव्य उम्मीदवारशब्दानां श्रृङ्खलां प्रस्तावितुं शिक्षते (यथा उपरि चित्रे दर्शितम्) . एतेन आदर्शस्य तर्कस्य समये "अनुमानस्य" सदृशानि कार्याणि कर्तुं समर्थं भवति तथा च अनेकाः अधिकसंभावनाः सम्यक् अभ्यर्थीशब्दाः निर्गच्छन्ति, अतः अर्ध-स्वयं-आक्रामक-तर्कस्य क्षमता भवति
सरलतया वक्तुं शक्यते यत् "अर्ध-स्वचालित-निरीक्षित-सूक्ष्म-ट्यूनिङ्ग" योजनायाः समर्थनेन, बृहत् प्रतिरूपं तर्कस्य समये स्वयमेव "अनुमानं" कर्तुं शक्नोति तथा च बहुशब्दान् निर्गन्तुं शक्नोति ये अभ्यर्थी उत्तररूपेण सम्यक् भवितुम् अर्हन्ति
परन्तु परीक्षायाः इव मसौदे बहुधा सामग्रीसूची कर्तुं शक्यते, परन्तु परीक्षापत्रे सम्यक् उत्तराणि पूरितव्यानि। कथं सम्यक् इति सुनिश्चितं कर्तव्यम्?एतत् परिणामानां सत्यापनम् आवश्यकम्, "स्वचालितशुद्धिविकोचन" च एतत् करोति ।
विशेषतः तर्कस्य समये वयं तर्कस्य पूर्वपदे बृहत्प्रतिरूपेण उत्पन्नान् अभ्यर्थीशब्दान् अपि प्रतिरूपे निवेशयामः, येन प्रतिरूपं स्वयमेव परीक्षितुं निर्धारयितुं च शक्नोति यत् एते अभ्यर्थी उत्तराणि सम्यक् सन्ति वा इति।
निर्णयस्य पद्धतिः अपि अतीव सरलः अस्ति यदि आदर्शेन उत्पन्नः शब्दः पूर्ववर्ती अभ्यर्थी उत्तरेण सह मेलनं करोति तर्हि अभ्यर्थी शब्दः सम्यक् इति मन्यते । समीक्षां कर्तुं पारम्परिक-स्व-प्रतिगमन-तर्क-विषये यदि कश्चन शब्दः सम्यक् अस्ति तर्हि अग्रिम-शब्दस्य अनुमानं कर्तुं शब्दस्य पुनः भाषा-प्रतिरूपे प्रवेशस्य आवश्यकता वर्तते ।
परन्तु अत्र SPACE इत्यत्र एतत् आवश्यकं नास्ति। यतो हि अस्माभिः पूर्वमेव अभ्यर्थीशब्दः आदर्शे निवेशितः, अभ्यर्थीशब्दः च सम्यक् इति सत्यापितः, अतः अस्मिन् समये सम्यक् अभ्यर्थीशब्दात् नूतनं उत्तरं प्राप्तुं शक्नुमः, अतः उत्तरं पुनः प्रविष्टुं आवश्यकता रक्षिता भवति आदर्शे ततः प्रवर्तते। अतः अस्य तन्त्रस्य लाभः अस्ति यत् यदा कश्चन अभ्यर्थी शब्दः सम्यक् इति सत्यापितः भवति तदा अग्रिमम् उत्तरं जनयितुं तस्य प्रतिरूपे पुनः पोषणस्य आवश्यकता नास्ति, अतः तर्कसमयः न्यूनीकरोति
उपमारूपेण पारम्परिकं स्वप्रतिगमनात्मकतर्कस्य तुलना ४×१०० मीटर्-रिले-दौडेन सह कर्तुं शक्यते : नियमितस्पर्धायां चतुर्णां क्रीडकानां सम्पूर्णं दौडं पूर्णं कर्तुं एकैकं लाठीं ग्रहीतुं आवश्यकता भवति तथा शब्दशः तर्कस्य आवश्यकता भवति। SPACE इत्यस्य योजनायां चत्वारः क्रीडकाः युगपत् धावितुं आरब्धवन्तः यदा प्रथमः क्रीडकः १०० मीटर् धावित्वा अन्त्यबिन्दुं प्राप्तवान् तदा अन्ये क्रीडकाः अपि स्वस्वस्य १०० मीटर् मञ्चस्य अन्त्यबिन्दुं प्राप्तवन्तः परन्तु प्रथमस्य क्रीडकस्य अन्तिमरेखां प्राप्तस्य सत्यापनस्य आवश्यकता भवति यदि सत्यापनम् उत्तीर्णं भवति तर्हि द्वितीयस्य क्रीडकस्य स्कोरस्य पुष्टिः कर्तुं शक्यते, ततः द्वितीयस्य क्रीडकस्य सत्यापनम् इत्यादि
यदि कश्चन क्रीडकः सत्यापनम् उत्तीर्णः न भवति तर्हि तस्य १०० मीटर् आरम्भरेखायां पुनः आगत्य दौडं पूर्णं कर्तुं पुनः आरम्भः करणीयः । उत्तमसन्दर्भे यदि चतुर्णां क्रीडकानां प्रत्येकं सत्यापनम् उत्तीर्णं कर्तुं शक्नोति, तर्हि अस्य समूहस्य केवलं नियमितक्रीडायां १/४ समयं व्यतीतुं आवश्यकं भवति, अतः दुर्गते सति त्वरणप्रभावः भवति प्रत्येकं क्रीडकः सत्यापनम् उत्तीर्णं कर्तुं असफलः भवति, तदा आवश्यकः समयः नियमितस्पर्धायाः समानः भविष्यति । सत्यापनम् उत्तीर्णं कर्तुं शक्नोति वा इति मुख्यतया अभ्यर्थिनः उत्तराणां सटीकतायां निर्भरं भवति।
तस्मिन् एव काले SPACE मॉडलस्य अनुमानप्रक्रियायाः समये वयं अभ्यर्थी उत्तरस्य अद्यतनसंस्करणं जनयितुं बृहत् मॉडलस्य मार्गदर्शनार्थं इनपुट् मध्ये विशेषं [MASK] परिचयकं अपि सम्मिलितं कुर्मः अस्मिन् तन्त्रे तर्कप्रतिरूपस्य प्रत्येकं दौरं न केवलं पूर्वपरिक्रमे उत्पन्नानां अभ्यर्थीशब्दानां सटीकताम् सत्यापयति, अपितु निम्नलिखिततर्कस्य कृते नूतनान् अभ्यर्थीशब्दान् अपि प्रदाति
एतत् डिजाइनं अभिप्रेतम् अस्तिअभ्यर्थीशब्दानां सटीकता वर्धयन्तु, यतः प्रत्येकं नूतनं उत्तरं दृश्यते तदा अद्यतनीकरणद्वारा मूलप्रत्याशीशब्दाः अधिकसटीकाः भविष्यन्ति। एषा प्रक्रिया मौसमपूर्वसूचना इव अस्ति : वयं प्रतिदिनं आगामिसप्ताहस्य मौसमस्य स्थितिविषये भविष्यवाणीं कुर्मः, यथा यथा समयः गच्छति तथा तथा भविष्ये विशिष्टदिनस्य मौसमस्य पूर्वानुमानस्य सटीकता क्रमेण वर्धते यतो हि वयं कालान्तरे अधिकानि संवेदकदत्तांशसञ्चयं कुर्मः, येन अधिकसटीकं मौसमपूर्वसूचनाः प्रदातुं शक्नुमः ।
पारम्परिकसत्यापनं सुधारणविधिः उपरि उल्लिखिता "अनुमानात्मकविकोडनम्" अस्ति, यस्य अर्थः अस्ति यत् भवन्तः प्रथमं विश्वसनीयं लघुप्रतिरूपं प्रशिक्षितुं शक्नुवन्ति ततः तस्य सत्यापनार्थं बृहत्प्रतिरूपस्य उपयोगं कुर्वन्ति लघुप्रतिरूपस्य जननगुणवत्ता अन्तिमपरिणामं बहु प्रभावितं करोति
परन्तु SPACE इत्यनेन एकं नूतनं समाधानं प्रस्तावितं यत् लघुप्रतिमानानाम् उपयोगं विना जननस्य सत्यापनस्य च उद्देश्यं प्राप्तुं शक्नोति, सत्यापनकार्यं जननकार्यं च युगपत् कर्तुं शक्यते एवं तर्कस्य कार्यक्षमतायाः, सटीकतायां च महती उन्नतिः कर्तुं शक्यते ।
प्रारम्भिकं उदाहरणं प्रति गच्छामः यदा वयं "What is a large model?", SPACE inference mode इत्यत्र प्रविशामः, तदा बृहत् मॉडल् प्रथमं "Large models have tens of millions of parameters" इति शब्दान् एकस्मिन् समये जनयिष्यति, तथा च स्वयमेव एकस्मिन् एव समये तान् सम्यक् करिष्यति विशालं प्रतिरूपं, त्वरणस्य उद्देश्यं साधयन्।
अन्ते SPACE इत्यस्य प्रभावं अवलोकयामः ।
वयं 6 अरबतः 70 अरबपर्यन्तं भिन्नपैरामीटर्-आकारस्य मुख्यधारा-बृहत्-भाषा-प्रतिमानानाम् आच्छादनं कृत्वा, मुक्त-स्रोत-बृहत्-भाषा-प्रतिमानानाम् एकसङ्ख्यायां प्रयोगान् कृतवन्तःयथा अधोलिखितसारणीतः दृश्यते, बृहत्तरमापदण्डयुक्तेषु मॉडलेषु SPACE इत्यस्य अधिकस्पष्टः त्वरणप्रभावः भवति ।。
तदतिरिक्तं, SPACE इत्यस्य उपयोगः अन्यैः अनुमानत्वरणप्रौद्योगिकीभिः सह अपि कर्तुं शक्यते, यथा निरन्तरं बैचिंग्, फ्लैश एटेन्शन, केवी कैश, क्वाण्टाइजेशन इत्यादयः, येन द्रुततरं अनुमानवेगः आनेतुं शक्यते
एतस्य दृष्टिकोणस्य सत्यापनार्थं वयं मुख्यधारा-अनुमान-रूपरेखा TGI-इत्यत्र SPACE-इत्येतत् कार्यान्वितवान् प्रयोगैः सिद्धं जातं यत् अन्यैः अनुमान-त्वरण-प्रौद्योगिकीभिः सह संयोजितं चेत् SPACE-द्वारा आनीतः त्वरण-प्रभावः अपि उत्कृष्टः भवति
बृहत् आदर्शाः सहस्रेषु उद्योगेषु प्रविष्टाः सन्ति, "तर्कः" च महत्त्वपूर्णः अस्ति
प्रशिक्षणं अनुमानं च बृहत्प्रतिमानानाम् जीवनचक्रस्य मूलपदद्वयं भवति प्रशिक्षणेन "बृहत्प्रतिरूपस्य निर्माणं शुद्धतः" इति समस्यायाः समाधानं भवति, यदा तु अनुमानेन सहस्राणि उद्योगेषु बृहत्प्रतिमानं कथं प्रयोक्तव्यम् इति समस्यायाः समाधानं भवति
यदि गतवर्षं बृहत् आदर्शानां विस्फोटस्य प्रथमं वर्षं इति परिभाषितं भवति तर्हि अस्मिन् वर्षे बृहत् आदर्शानुप्रयोगानाम् कार्यान्वयनस्य प्रथमं वर्षम् अस्ति अतः बृहत्प्रतिमानानाम् तर्कक्षमतायां वर्धमानं ध्यानं प्राप्तम् अस्ति।
युन्टियन लाइफे इत्यनेन बृहत् मॉडल्-प्रयोगस्य त्वरिततायै बहवः प्रयत्नाः कृताः । कम्प्यूटिंगशक्तिस्य दृष्ट्या गतवर्षे कम्पनी DeepEdge10 इति विशालं मॉडल् एज इन्फेरेन्स चिप् प्रक्षेपितवती, अद्यैव च IPU-X6000 त्वरक कार्डं प्रक्षेपितवती, यत् भाषा, दृष्टि, बहु- मोडालिटी।
एल्गोरिदम् इत्यस्य दृष्ट्या युन्टियन लाइफी इत्यनेन SPACE अनुमानं इञ्जिनं प्रस्तावितं, यत् बृहत् मॉडल् अनुमानस्य गतिं बहुधा सुधारयति । अनुप्रयोगस्य दृष्ट्या युन्टियन लाइफई इत्यस्य स्वविकसितं बृहत्-परिमाणस्य मॉडल् युन्टियन तियानशुः स्मार्ट-सरकारी-कार्याणि, नगर-शासनं, स्मार्ट-सुरक्षा, स्मार्ट-परिवहनम्, स्मार्ट-व्यापारः, स्मार्ट-शिक्षा इत्यादिषु, उद्योगस्य अन्वेषणं, निर्माणं च इत्यादिषु अनेकेषु उद्योगेषु प्रयुक्तम् अस्ति बेन्चमार्क।
भविष्ये युन्टियन लाइफी निरन्तरं परिश्रमं करिष्यति तथा च बृहत् मॉडल-सम्बद्धानां प्रौद्योगिकीनां अनुसन्धानं विकासं, अनुप्रयोगं, प्रचारं च कर्तुं अधिकं योगदानं दास्यति।
