মডেল

CLEVI মডেলসমূহ সাধাৰণ বুদ্ধিমত্তা আৰু কাম স্বয়ংক্ৰিয়কৰণৰ বাবে CIP, কণ্ঠস্বৰ সৃষ্টি আৰু চিনাক্তকৰণৰ বাবে Cosa, আৰু নথি তথা ছবিৰ পৰা তথ্য আহৰণৰ বাবে Cova—এই তিনিটা পণ্য শ্ৰেণীত বিভক্ত। প্ৰতিটো পণ্য স্বাধীনভাৱে ব্যৱহাৰ কৰিব পাৰি, অথবা নথি চিনাক্তকৰণ, বিশ্লেষণ, কাম সম্পাদন আৰু কণ্ঠ নিৰ্দেশনালৈ সংযুক্ত সেৱা হিচাপে ব্যৱহাৰ কৰিব পাৰি।

CIP

CIP-য়ে সাধাৰণ বুদ্ধিমত্তা আৰু কাম স্বয়ংক্ৰিয়কৰণৰ দায়িত্ব লয়। ইয়াত গেটৱেৰ জৰিয়তে কল কৰা cip-5.5-im আৰু cip-5.5-mm, আৰু এজ ছাৰ্ভাৰ তথা অন-প্ৰিমিছত ডিপ্লয় কৰা cip-5.5-sm অন্তৰ্ভুক্ত।

cip-5.5-im আৰু cip-5.5-mm

cip-5.5-im হৈছে লক্ষ্য আৰু কামৰ পৰিসৰ স্পষ্ট থকা কামৰ বাবে উপযোগী। প্ৰদান কৰা সামগ্ৰীৰ পৰা প্ৰয়োজনীয় তথ্য উলিয়াই নিৰ্ধাৰিত ফৰ্মেটত ফলাফল প্ৰস্তুত কৰা আৰু প্ৰয়োজনীয়তা অনুসৰি কোড সংশোধন কৰা ইয়াৰ প্ৰতিনিধিত্বমূলক কাম। সৰ্বাধিক 64K আউটপুট বিশদ প্ৰতিবেদন বা একাধিক অংশৰে গঠিত ফলাফল প্ৰস্তুত কৰাত ব্যৱহাৰ কৰিব পাৰি।

• উন্নয়ন সহায়তা: ফাংচন আৰু বৈশিষ্ট্য লিখে, পৰিসৰ স্পষ্ট থকা বাগ ঠিক কৰে আৰু বিদ্যমান পেটাৰ্ণ অনুসৰি ৰূপায়ণ কৰে।
• পৰীক্ষা সৃষ্টি: প্ৰয়োজনীয়তা আৰু ৰূপায়ণৰ ভিত্তিত পৰীক্ষাৰ খচৰা আৰু যাচাইকৰণৰ উদাহৰণ প্ৰস্তুত কৰে।
• নথি প্ৰক্ৰিয়াকৰণ: সাৰাংশ, শ্ৰেণীবিভাজন, বিষয়বস্তু উলিওৱা, ফৰ্ম ৰূপান্তৰ আৰু খচৰা প্ৰস্তুতৰ কাম কৰে।
• মাল্টিমোডেল বিশ্লেষণ: স্ক্ৰীণৰ ছবি আৰু নথিৰ টেবুল・চিত্ৰ সংশ্লিষ্ট ব্যাখ্যাৰ সৈতে পৰ্যালোচনা কৰে।
• ইন্টাৰেক্টিভ কামৰ সহায়তা: কামৰ সামগ্ৰীৰ ভিত্তিত প্ৰশ্নৰ উত্তৰ দিয়ে আৰু প্ৰয়োজনীয় ফলাফল প্ৰস্তুত কৰে।
• বৃহৎ পৰিমাণৰ প্ৰক্ৰিয়াকৰণ: বহু নথিৰ পৃথক সাৰাংশ, অনুৰোধৰ শ্ৰেণীবিভাজন আৰু ডাটা ৰূপান্তৰত ব্যৱহাৰ কৰে।
• ছাবএজেণ্ট: কোড অন্বেষণ, নিৰ্দিষ্ট ফাইল পৰ্যালোচনা আৰু সামগ্ৰী সজোৱাৰ দৰে সীমা স্পষ্ট থকা উপ-কামসমূহ সম্পন্ন কৰে।

উদাহৰণস্বৰূপে, বৈশিষ্ট্যৰ প্ৰয়োজনীয়তা আৰু সম্পৰ্কিত কোড লৈ সংশোধনৰ প্ৰস্তাৱ, পৰীক্ষা আৰু পৰিৱৰ্তনৰ ব্যাখ্যা প্ৰস্তুত কৰা, অথবা গ্ৰহণ নথিসমূহ শ্ৰেণীবদ্ধ কৰি দায়িত্বপ্ৰাপ্ত ব্যক্তিৰ বাবে সাৰাংশ প্ৰস্তুত কৰা কামত ইয়াক ব্যৱহাৰ কৰা হয়।

cip-5.5-mm তথ্যৰ মাজৰ সম্পৰ্ক বুজি সমগ্ৰ কামৰ সামঞ্জস্য বজাই ৰাখিবলগীয়া কামৰ বাবে উপযোগী। উন্নয়নত ই প্ৰয়োজনীয়তা, ডিজাইন, ৰূপায়ণ আৰু পৰীক্ষাৰ সংযোগ পৰ্যালোচনা কৰে; নথি বিশ্লেষণত ই একাধিক সামগ্ৰীৰ দাবী আৰু প্ৰমাণ, পাৰ্থক্য আৰু অসামঞ্জস্য একত্ৰিত কৰে।

• জটিল বৈশিষ্ট্য ৰূপায়ণ: একাধিক মডিউলৰ চুক্তি আৰু আচৰণ বিবেচনা কৰি কোড, পৰীক্ষা আৰু নথি একেলগে সলনি কৰে।
• বৃহৎ পৰিসৰৰ কোড বিশ্লেষণ: কল সম্পৰ্ক, ডাটা প্ৰবাহ আৰু পৰিৱৰ্তনৰ প্ৰভাৱৰ পৰিসৰ পৰ্যালোচনা কৰে।
• ত্ৰুটিৰ মূল কাৰণ বিশ্লেষণ: লগ, কনফিগাৰেচন, কোড আৰু কাৰ্যকৰীকৰণৰ ফলাফল তুলনা কৰি কাৰণৰ অনুমান আৰু নিশ্চিতকৰণৰ পদ্ধতি সজাই তোলে।
• ডিজাইন আৰু সিদ্ধান্ত গ্ৰহণৰ সহায়তা: প্ৰয়োজনীয়তা আৰু সীমাবদ্ধতাসমূহ গঠনবদ্ধ কৰি ৰূপায়ণৰ বিকল্পসমূহৰ প্ৰভাৱ বিশ্লেষণ কৰে।
• একাধিক নথিৰ সমন্বিত বিশ্লেষণ: প্ৰতিবেদন আৰু কাৰিকৰী নথিৰ সাদৃশ্য, পাৰ্থক্য আৰু অসামঞ্জস্য প্ৰমাণভিত্তিকভাৱে সজাই তোলে।
• মাল্টিমোডেল একত্ৰিত পৰ্যালোচনা: পাঠ্য আৰু দৃশ্যমান সামগ্ৰী একেলগে ব্যাখ্যা কৰি সমস্যা আৰু প্ৰয়োজনীয়তা বিশ্লেষণ কৰে।
• বহু-স্তৰীয় এজেণ্ট: অনুসন্ধান, পৰিকল্পনা, সঁজুলি কাৰ্যকৰীকৰণ আৰু ফলাফল পৰ্যালোচনাৰে আগবঢ়া কামত ব্যৱহাৰ কৰে।
• বিশেষজ্ঞ নথি প্ৰস্তুত: জটিল চৰ্ত আৰু প্ৰমাণ প্ৰতিফলিত কৰা কাৰিকৰী প্ৰতিবেদন, ডিজাইন প্ৰস্তাৱ আৰু বিশদ পৰ্যালোচনা নথি প্ৰস্তুত কৰে।

উদাহৰণস্বৰূপে, একাধিক সেৱাৰ পৰা হোৱা ত্ৰুটিৰ সৈতে জড়িত ক'ড আৰু লগ একেলগে পৰ্যালোচনা কৰা, অথবা জটিল সুবিধাৰ প্ৰয়োজনীয়তা বিশ্লেষণৰ পৰা ৰূপায়ণ আৰু পৰীক্ষণৰ ফলাফল পৰ্যালোচনা কৰালৈকে চলি থকা কামত ব্যৱহাৰ কৰা হয়।

cip-5.5-sm

cip-5.5-sm-এ এজ ছাৰ্ভাৰ আৰু অন-প্ৰিমিছ পৰিৱেশত স্থানীয় ইনফাৰেন্স আৰু কাম স্বয়ংক্ৰিয়কৰণ সম্পন্ন কৰে। মডেলৰ আকাৰ 24B~40B পৰিসৰৰ ভিতৰত সামঞ্জস্য কৰিব পাৰি, সেয়ে স্থাপন কৰা সঁজুলিৰ গণনামূলক সম্পদ আৰু ক্ষেত্ৰখনৰ প্ৰয়োজনীয় কাৰ্যক্ষমতাৰ সৈতে মিলাই বিন্যাস বাছনি কৰিব পাৰি। ডাটা সৃষ্টি হোৱা স্থানৰ ওচৰতে প্ৰক্ৰিয়াকৰণ কৰা হয়, সেয়ে ইয়াক ক্ষেত্ৰ-প্ৰণালী সংযোগ আৰু অভ্যন্তৰীণ ডাটা ব্যৱহাৰৰ বাবে ব্যৱহাৰ কৰিব পাৰি। প্ৰয়োজনীয় মডেল আৰু সঁজুলিসমূহ স্থানীয়ভাৱে বিন্যাস কৰিলে বাহ্যিক সংযোগ সীমিত থকা পৰিৱেশতো ইয়াক চলাব পাৰি।

ই ক্ষেত্ৰত সৃষ্টি হোৱা তথ্যৰ ব্যাখ্যা কৰি প্ৰক্ৰিয়াকৰণৰ পদ্ধতিৰ সৈতে সংযোগ কৰাৰ ভূমিকা পালন কৰে। ই লগ আৰু অনুৰোধ শ্ৰেণীবদ্ধ কৰে, ডাটাৰ পৰা প্ৰয়োজনীয় তথ্য উলিয়ায়, আৰু সংযুক্ত অভ্যন্তৰীণ সঁজুলি আৰু স্ক্ৰিপ্টৰ জৰিয়তে পুনৰাবৃত্তিমূলক কাম সম্পন্ন কৰে।

• ক্ষেত্ৰীয় ইভেণ্ট প্ৰক্ৰিয়াকৰণ: সঁজুলিৰ লগ আৰু অৱস্থাৰ তথ্য শ্ৰেণীবদ্ধ কৰি পৰীক্ষণৰ প্ৰয়োজন হোৱা ইভেণ্টসমূহ বাছনি কৰে।
• ডাটা প্ৰি-প্ৰচেছিং: কামৰ ৰেকৰ্ডৰ পৰা গুৰুত্বপূৰ্ণ বিষয়সমূহ উলিয়াই শ্ৰেণীবদ্ধ, টেগ আৰু স্বাভাৱিকীকৰণ কৰে।
• অনুৰোধ ৰাউটিং: গ্ৰহণ কৰা অনুৰোধ সংশ্লিষ্ট প্ৰণালী বা প্ৰক্ৰিয়াকৰণৰ পদ্ধতিলৈ প্ৰেৰণ কৰে।
• স্থানীয় কামৰ এজেণ্ট: অভ্যন্তৰীণ প্ৰণালী অনুসন্ধান আৰু স্ক্ৰিপ্ট চলোৱাৰ জৰিয়তে পুনৰাবৃত্তিমূলক কাম সম্পন্ন কৰে।
• অন-প্ৰিমিছ কামৰ সহায়তা: অভ্যন্তৰীণ সামগ্ৰীৰ আধাৰত প্ৰশ্নৰ উত্তৰ দিয়ে আৰু কামৰ বিষয়বস্তু সংৰচনা কৰে।
• পৰৱৰ্তী বিশ্লেষণৰ সহায়তা: অতিৰিক্ত পৰ্যালোচনাৰ প্ৰয়োজন হোৱা সামগ্ৰী বাছনি কৰি মূল বিষয়বস্তু সংৰচনা কৰে।

উদাহৰণস্বৰূপে, ব্যৱসায়িক স্থানৰ ছাৰ্ভাৰত চলি থকা লগসমূহ শ্ৰেণীবদ্ধ কৰি সংশ্লিষ্ট ইতিহাস অনুসন্ধান কৰাৰ পিছত দায়িত্বত থকা ব্যক্তিৰ বাবে ঘটনাৰ সাৰাংশ প্ৰস্তুত কৰা প্ৰক্ৰিয়াত ব্যৱহাৰ কৰা হয়।

Cosa

Cosa হৈছে টেক্সটক কণ্ঠলৈ ৰূপান্তৰ কৰা, ইনপুট কণ্ঠক টেক্সট হিচাপে চিনাক্ত কৰা, আৰু পছন্দৰ কণ্ঠ পঞ্জীয়ন কৰি পুনৰ ব্যৱহাৰ কৰা কণ্ঠ-সেৱাসমূহৰ এটা সমষ্টি। ইয়াক সেৱাৰ নিৰ্দেশনা, বিষয়বস্তু সৃষ্টি, অভিগম্যতা সহায়তা আৰু কথোপকথনমূলক এজেণ্টৰ কণ্ঠ আন্তঃপৃষ্ঠত ব্যৱহাৰ কৰা হয়।

কণ্ঠ সৃষ্টি cosa-a আৰু cosa-b-এ, আৰু কণ্ঠ চিনাক্তকৰণ cosa-asr-এ কৰে। cosa-a আৰু cosa-b হৈছে নিজ নিজ কণ্ঠৰ তালিকা আৰু সংশ্লেষণৰ ছেটিং প্ৰদান কৰা পৃথক মডেল, আৰু একেটা সেৱা আন্তঃপৃষ্ঠৰ পৰা ইয়াৰে এটা বাছনি কৰা হয়। দুয়োটা মডেলে সাধাৰণভাৱে প্ৰদান কৰা সুবিধাসমূহ তলত দিয়া ধৰণৰ।

• পাঠৰ পৰা কণ্ঠলৈ ৰূপান্তৰ: প্ৰৱেশ কৰোৱা বাক্যসমূহ নিৰ্বাচিত কণ্ঠত সংশ্লেষণ কৰে।
• কণ্ঠ অনুকৰণ: ব্যৱহাৰৰ অনুমতি থকা ৰেফাৰেন্স ৰেকৰ্ডিঙৰ ভিত্তিত কণ্ঠ পঞ্জীয়ন কৰি নতুন বাক্য সংশ্লেষণ কৰে।
• কণ্ঠ ডিজাইন: বিচৰা কণ্ঠৰ বৈশিষ্ট্য বৰ্ণনা কৰি কণ্ঠ সৃষ্টি আৰু পঞ্জীয়ন কৰে।
• কণ্ঠ পুনৰব্যৱহাৰ: পঞ্জীয়ন কৰা কণ্ঠ পৰৱৰ্তী সংশ্লেষণত ব্যৱহাৰ কৰে।
• সংশ্লেষণ ছেটিংছ: কোৱাৰ গতি আৰু ভাষা আদি সামঞ্জস্য কৰে।
• ষ্ট্ৰিমিং বিতৰণ: পাঠ অহাৰ লগে লগে খণ্ড অনুসৰি সংশ্লেষণ কৰি অডিঅ’ ক্ৰমে প্ৰেৰণ কৰে।
• প্লেবেক নিয়ন্ত্ৰণ: স্থগিত, পুনৰাৰম্ভ, বন্ধ কৰা আৰু অতিৰিক্ত বাক্য প্ৰৱেশৰ সুবিধা দিয়ে।

ক্ৰমাগত পাঠ প্ৰৱেশ ব্যৱহাৰ কৰিলে সম্পূৰ্ণ উত্তৰ সম্পন্ন হোৱাৰ আগতেই কণ্ঠ প্লেবেক আৰম্ভ কৰিব পাৰি। CIP-এ উত্তৰ লিখি থকাৰ সময়ত Cosa-ই প্ৰস্তুত হোৱা খণ্ডসমূহৰ পৰা পঢ়ি শুনোৱা সেৱা কনফিগাৰ কৰিব পাৰি।

cosa-a

cosa-a-এ পাঠৰ পৰা কণ্ঠলৈ ৰূপান্তৰ, কণ্ঠ অনুকৰণ, কণ্ঠ ডিজাইন আৰু ষ্ট্ৰিমিং আউটপুট সমৰ্থন কৰে। কণ্ঠ, ভাষা আৰু কোৱাৰ গতি নিৰ্বাচন কৰাৰ মৌলিক সুবিধাৰ উপৰি সংশ্লেষণৰ ধাপৰ সংখ্যা, গাইডেন্সৰ তীব্ৰতা, সৃষ্টি দৈৰ্ঘ্য-সম্পৰ্কীয় ছেটিংছ আদি অতিৰিক্ত নিয়ন্ত্ৰণ বিকল্প দিয়ে। কণ্ঠ সৃষ্টি প্ৰক্ৰিয়াত ছেটিংছ সামঞ্জস্য কৰি ফলাফল পৰ্যালোচনা কৰিবলৈ, অথবা একেটা পাণ্ডুলিপিত একাধিক ছেটিংছ প্ৰয়োগ কৰি ফলাফল নিৰ্বাচন কৰিবলৈ ইয়াক ব্যৱহাৰ কৰা হয়।

• এপ, কিয়স্ক আৰু ব্যৱসায়িক ব্যৱস্থাৰ নিৰ্দেশনা আৰু জাননী সংশ্লেষণ কৰে।
• শিক্ষামূলক সামগ্ৰী আৰু ব্যৱহাৰকাৰী নিৰ্দেশিকা কণ্ঠলৈ ৰূপান্তৰ কৰে।
• ভিডিঅ’ আৰু অডিঅ’ বিষয়বস্তুৰ বাবে বৰ্ণনা প্ৰস্তুত কৰে।
• পঞ্জীয়ন কৰা কণ্ঠৰে পুনৰাবৃত্ত বিষয়বস্তু প্ৰস্তুত কৰে।
• কথোপকথনমূলক এজেণ্টৰ ষ্ট্ৰিমিং কণ্ঠ আউটপুটত ব্যৱহাৰ কৰে।
• বিশদ সংশ্লেষণ ছেটিংছ সামঞ্জস্য কৰা কণ্ঠ সৃষ্টি কামত ব্যৱহাৰ কৰে।

cosa-b

cosa-b-এ প্ৰিছেট কণ্ঠ নিৰ্বাচন, বৰ্ণনাৰ ভিত্তিত কণ্ঠ ডিজাইন, ৰেফাৰেন্স কণ্ঠৰ ভিত্তিত অনুকৰণ আৰু ষ্ট্ৰিমিং আউটপুট সমৰ্থন কৰে। নিজা কণ্ঠৰ তালিকাৰ পৰা কণ্ঠ নিৰ্বাচন কৰিব পাৰে বা সেৱাত ব্যৱহাৰৰ বাবে নতুন কণ্ঠ পঞ্জীয়ন কৰিব পাৰে।

কণ্ঠ অনুকৰণৰ বাবে ৰেফাৰেন্স ৰেকৰ্ডিং আৰু তাৰ সৈতে মিল থকা পাঠ ব্যৱহাৰ কৰা হয়। পঞ্জীয়ন প্ৰক্ৰিয়াত কণ্ঠ চিনাক্তকৰণৰ জৰিয়তে ৰেফাৰেন্স পাঠ সৃষ্টি কৰা প্ৰবাহো সমৰ্থিত, আৰু পঞ্জীয়ন কৰা কণ্ঠ পৰৱৰ্তী সংশ্লেষণত পুনৰব্যৱহাৰ কৰা হয়।

• সেৱা আৰু চৰিত্ৰৰ কণ্ঠ ব্যক্তিত্ব গঠন কৰে।
• বৰ্ণনা বা ৰেফাৰেন্স ৰেকৰ্ডিঙৰ জৰিয়তে কাষ্টম কণ্ঠ প্ৰস্তুত কৰে।
• ব্ৰেণ্ডৰ নিৰ্দেশনা, চৰিত্ৰৰ সংলাপ আৰু বিষয়বস্তুৰ বৰ্ণনা সংশ্লেষণ কৰে।
• কথোপকথনমূলক এজেণ্টৰ কণ্ঠ সঁহাৰিত ব্যৱহাৰ কৰে।
• একে কণ্ঠত পৰিৱৰ্তিত জাননী বাৰ্তা আৰু পাণ্ডুলিপি সংশ্লেষণ কৰে।

cosa-a আৰু cosa-bৰ মাজত এটা বাছনি কৰোঁতে আপুনি বিচৰা কণ্ঠ, প্ৰকৃত সংশ্লেষণৰ ফলাফল আৰু প্ৰয়োজনীয় নিয়ন্ত্ৰণৰ বিষয়সমূহৰ ওপৰত ভিত্তি কৰক।

cosa-asr

cosa-asr-এ ইনপুট কণ্ঠক পাঠলৈ ৰূপান্তৰ কৰে। ই ৰেকৰ্ডিংসমূহ নথিভুক্ত কৰে বা কণ্ঠৰ জৰিয়তে অহা অনুৰোধসমূহক পৰৱৰ্তী কাৰ্যব্যৱস্থা প্ৰণালীয়ে প্ৰক্ৰিয়া কৰিব পৰা ইনপুটলৈ ৰূপান্তৰ কৰে।

• ভইচ মেমো আৰু ৰেকৰ্ডিংসমূহ লিপিবদ্ধ কৰে।
• কণ্ঠ-ভিত্তিক প্ৰশ্ন আৰু কাৰ্য-অনুৰোধসমূহ ইনপুটলৈ ৰূপান্তৰ কৰে।
• কণ্ঠ ক্ল’নিঙৰ বাবে ৰেফাৰেন্স পাঠ সৃষ্টি কৰে।
• লিপিবদ্ধ কৰাৰ পিছত সাৰাংশ, শ্ৰেণীবিভাজন আৰু সন্ধানলৈ আগবঢ়া প্ৰক্ৰিয়াত ব্যৱহাৰ কৰে।

লিপিবদ্ধ কৰাৰ ফলাফল CIPলৈ প্ৰেৰণ কৰিলে বিষয়বস্তুৰ সাৰাংশ, অনুৰোধৰ শ্ৰেণীবিভাজন আৰু কামৰ খচৰা প্ৰস্তুত কৰালৈ আগবঢ়ে। প্ৰক্ৰিয়াকৰণৰ ফলাফল cosa-a বা cosa-b-ৰে সংশ্লেষণ কৰিলে কণ্ঠ ইনপুট আৰু আউটপুট থকা এটা কাৰ্য সেৱা সৃষ্টি হয়।

Cova

cova-1 হৈছে LLM-ভিত্তিক দৃষ্টিনিৰ্ভৰ OCR-ৰ বাবে বিশেষভাৱে নিৰ্মিত মডেল। ই নথি আৰু ছবিৰ পৰা পাঠ চিনাক্ত কৰে, লে-আউট আৰু তালিকাৰ গাঁথনি উলিয়ায়, আৰু দৃশ্যমান উপাদানসমূহৰ সংক্ষিপ্ত বিৱৰণ প্ৰদান কৰে।

মানুহে পঢ়া নথিসমূহক এজেণ্ট আৰু কাৰ্যব্যৱস্থা প্ৰণালীয়ে ব্যৱহাৰ কৰিব পৰা ৰূপলৈ ৰূপান্তৰ কৰে। মূল বিষয়বস্তু আৰু তালিকাসমূহ গাঁথনিযুক্ত বিষয়বস্তু হিচাপে উলিয়াই আনে, আৰু নথিত অন্তৰ্ভুক্ত ছবিসমূহৰ সংক্ষিপ্ত বিৱৰণ প্ৰদান কৰে। ফলত, পৰৱৰ্তী এজেণ্টে নথিৰ বিষয়বস্তু আৰু দৃশ্যমান প্ৰসংগ একেলগে বুজিব পাৰে। উলিওৱা পাঠ আৰু বিৱৰণৰ জৰিয়তে প্ৰথমে সামগ্ৰীটো বুজি লৈ, বিশদভাৱে পৰীক্ষা কৰিবলগীয়া মূল নথিসমূহহে পিছত পৰ্যালোচনা কৰা এক প্ৰবাহ গঠন কৰিলে, মূল ছবিসমূহ বাৰে বাৰে ইনপুট দিয়াৰ পৰিমাণ কমাই কনটেক্সট টোকেন সঞ্চয় কৰিব পাৰি।

• নথি ডিজিটাইজেচন: কাগজৰ নথি আৰু স্কেন কৰা সামগ্ৰীসমূহক পাঠ্য-ভিত্তিক সামগ্ৰীলৈ ৰূপান্তৰ কৰে।
• ব্যৱসায়িক নথি গ্ৰহণ: আবেদনপত্ৰ, প্ৰমাণপত্ৰ আৰু প্ৰতিবেদনসমূহৰ পৰা বিষয়বস্তু নিষ্কাশন কৰে।
• টেবুল ডেটা প্ৰক্ৰিয়াকৰণ: নথিত অন্তৰ্ভুক্ত টেবুলসমূহ পৰৱৰ্তী ডেটা প্ৰক্ৰিয়াকৰণত ব্যৱহাৰ কৰে।
• জ্ঞান অনুসন্ধানৰ পূৰ্ব-প্ৰক্ৰিয়াকৰণ: নথিৰ ছবি আৰু দৃশ্যমান সামগ্ৰীসমূহক অনুসন্ধানযোগ্য পাঠ্য আৰু গাঁথনিলৈ ৰূপান্তৰ কৰে।
• নথি পৰ্যালোচনা স্বয়ংক্ৰিয়কৰণ: নিষ্কাশিত ফলাফল CIP-লৈ প্ৰেৰণ কৰি বিষয় পৰীক্ষা, সাৰাংশ আৰু সামগ্ৰীসমূহৰ মাজত তুলনা সম্পন্ন কৰে।
• এজেণ্ট ইনপুট অনুকূলীকৰণ: দীঘলীয়া নথিৰ মূল পাঠ্য, টেবুল আৰু ছবিৰ বৰ্ণনা সজাই প্ৰয়োজনীয় তথ্যহে প্ৰেৰণ কৰে।

উদাহৰণস্বৰূপে, প্ৰতিবেদনৰ মূল পাঠ্য আৰু টেবুল নিষ্কাশন কৰাৰ লগতে সন্নিৱিষ্ট গ্ৰাফটো ত্ৰৈমাসিক বিক্ৰীৰ ধাৰা দেখুওৱা গ্ৰাফ হিচাপে বৰ্ণনা কৰে। এজেণ্টে এই বৰ্ণনাৰ জৰিয়তে গ্ৰাফটোৰ উপস্থিতি আৰু উদ্দেশ্য বুজি পায়, আৰু সঠিক সংখ্যা বা ধাৰাৰ প্ৰয়োজন হ’লে সংশ্লিষ্ট মূল ছবিখন অতিৰিক্তভাৱে পৰীক্ষা কৰে।

পণ্যসমূহ সংযোগ কৰা

পণ্য সংযোগ কৰিলে তলত দিয়া প্ৰবাহটো গঠন কৰিব পাৰি।

• নথি-ভিত্তিক কাম: Cova-ই মূল পাঠ্য, টেবুল আৰু ছবিৰ বৰ্ণনা নিষ্কাশন কৰে, CIP-ই প্ৰয়োজনীয় মূল সামগ্ৰী নিৰ্বাচিতভাৱে পৰীক্ষা কৰি বিশ্লেষণ আৰু কাম সম্পন্ন কৰে, আৰু Cosa-ই ফলাফল কণ্ঠস্বৰে প্ৰদান কৰে।
• কণ্ঠ-ভিত্তিক কাম: Cosa ASR-এ কণ্ঠ অনুৰোধক পাঠ্যলৈ ৰূপান্তৰ কৰে, আৰু CIP-এ প্ৰক্ৰিয়াকৰণ কৰা উত্তৰ cosa-a বা cosa-b-এ পঢ়ি শুনায়।
• ক্ষেত্ৰভিত্তিক স্বয়ংক্ৰিয়কৰণ: cip-5.5-sm-এ ক্ষেত্ৰৰ ডেটা শ্ৰেণীবদ্ধ কৰি স্থানীয় কাম সম্পন্ন কৰে, আৰু অতিৰিক্ত সামগ্ৰিক বিশ্লেষণৰ প্ৰয়োজন হোৱা সামগ্ৰীসমূহ cip-5.5-im বা cip-5.5-mm-লৈ প্ৰেৰণ কৰে।

গেটৱেত অনুমোদিত কল

গেটৱেৰ প্লেনে প্ৰতিটো মডেলৰ বাবে অনুমোদিত কলসমূহ নিৰ্ধাৰণ কৰে। তলৰ তালিকাখনে LLM_FREE, TTS_FREE, STT_FREE প্লেনে মুকলি কৰা পৰিসৰ দেখুৱায়, আৰু এই প্লেনসমূহ কোনো আবেদন নকৰাকৈ স্বয়ংক্ৰিয়ভাৱে প্ৰয়োগ কৰা হয়। অন্য পথৰ জৰিয়তে মুকলি কৰা মডেলসমূহ ইয়াত অন্তৰ্ভুক্ত কৰা হোৱা নাই।

cip-5.5-sm আৰু cova-1 এই প্লেন তালিকাত নাই। তালিকাৰ cip-5.5-im-chat, cip-5.5-mm-h, cosa-tts, ivy-4-embedding, ivy-4-embedding-mm, ivy-4-mm হৈছে ওপৰৰ পণ্যৰ বিৱৰণত অন্তৰ্ভুক্ত নোহোৱা মডেল ID। কল কী কোনটো পথৰ সৈতে সম্পৰ্কিত, সেয়া API কল কৰাৰ নথিপত্ৰত উল্লেখ আছে।