--- title: बड़ा भाषा मॉडल url: https://ftrlg.com/hi/wiki/large-language-model/ lang: hi published: 2026-10-16 version: 1 summary: न्यूरल नेटवर्क, जिसे विशाल टेक्स्ट पर अगला शब्द भाँपने के लिए प्रशिक्षित किया गया है। पैमाना बढ़ने के साथ उसने अनुवाद करना, कोड लिखना और तर्क करना सीख लिया — और चैटबॉट व AI एजेंटों का आधार बन गया। cite_as: "future.log, «बड़ा भाषा मॉडल», https://ftrlg.com/hi/wiki/large-language-model/" license: CC BY 4.0 https://creativecommons.org/licenses/by/4.0/ --- # बड़ा भाषा मॉडल **बड़ा भाषा मॉडल** (अंग्रेज़ी *large language model*, LLM) — न्यूरल नेटवर्क, जिसे विशाल टेक्स्ट पर सिर्फ़ एक काम के लिए प्रशिक्षित किया जाता है: अगला शब्द भाँपना, या सटीक कहें तो टोकन — शब्द का एक टुकड़ा। मॉडल का जवाब ऐसे ही कई अनुमानों का सिलसिला है। बड़े भाषा मॉडलों पर चैटबॉट, प्रोग्रामरों के लिए AI असिस्टेंट और [स्वायत्त AI एजेंट](https://ftrlg.com/hi/wiki/autonomous-ai-agents/) बने हैं। इस टेक्नोलॉजी की सबसे बड़ी हैरानी पैमाना है। “टेक्स्ट को आगे बढ़ाओ” वाला काम 2018 से नहीं बदला, लेकिन मॉडल, डेटा और कंप्यूटिंग जितने बड़े होते गए, मॉडल उतना ज़्यादा कर पाने लगे: कुछ उदाहरणों से सवाल हल करना, अनुवाद करना, प्रोग्राम लिखना, और फिर — तर्क करना और ख़ुद काम करना।[^4][^5] इसके पीछे समझ है या नहीं, इस पर बहस अब तक जारी है। ## इतिहास - **12.06.2017** Google के शोधकर्ता Transformer आर्किटेक्चर पर पेपर “Attention Is All You Need” प्रकाशित करते हैं: यह सिर्फ़ अटेंशन मैकेनिज़्म पर बना है, रिकरेंट नेटवर्क के बिना, और पहले के मॉडलों से तेज़ी से प्रशिक्षित होता है।[^1] - **11.06.2018** [OpenAI](https://ftrlg.com/hi/models/openai/) GPT पेश करता है: ट्रांसफ़ॉर्मर को पहले टेक्स्ट के बड़े संग्रह पर बस आगे का टेक्स्ट भाँपने के लिए प्रशिक्षित किया जाता है, और फिर किसी ख़ास काम के लिए छोटे लेबल किए गए डेटासेट पर फ़ाइन-ट्यून किया जाता है।[^2] - **14.02.2019** GPT-2 — 1.5 अरब पैरामीटर, 40 GB इंटरनेट टेक्स्ट में “बस अगला शब्द भाँपने के लिए” प्रशिक्षित। दुरुपयोग के डर से OpenAI पहले पूरा मॉडल जारी नहीं करता और उसे 05.11.2019 तक हिस्सों में जारी करता है।[^3] - **23.01.2020** जैरेड कैपलन (Jared Kaplan) और OpenAI के उनके सह-लेखक स्केलिंग नियमों का वर्णन करते हैं: पैरामीटरों की संख्या, डेटा की मात्रा और कंप्यूटिंग बढ़ने के साथ मॉडल की ग़लती घात नियम (power law) के अनुसार घटती है।[^4] - **28.05.2020** GPT-3 — 175 अरब पैरामीटर। मॉडल सीधे अनुरोध में दिए कुछ उदाहरणों से, बिना फ़ाइन-ट्यूनिंग के, नए काम हल करता है।[^5] - **04.03.2022** OpenAI InstructGPT का वर्णन करता है: मॉडल को लोगों के आकलनों पर फ़ाइन-ट्यून किया जाता है — मानवीय प्रतिक्रिया से सीखना (RLHF), और लोग 1.3 अरब पैरामीटर वाले संस्करण के जवाबों को 100 गुना बड़े GPT-3 के जवाबों से ज़्यादा पसंद करते हैं।[^6] - **29.03.2022** [DeepMind](https://ftrlg.com/hi/models/google-deepmind/) Chinchilla पेश करता है: कंप्यूटिंग के उसी बजट में ज़्यादा टेक्स्ट पर प्रशिक्षित 70 अरब पैरामीटर वाला मॉडल 280 अरब वाले Gopher से बेहतर है। लेखकों का निष्कर्ष: मॉडल का आकार और प्रशिक्षण के टोकनों की संख्या बराबर अनुपात में बढ़ाई जानी चाहिए।[^7] - **30.11.2022** OpenAI ChatGPT खोलता है — GPT-3.5 सीरीज़ का मॉडल, जिसे InstructGPT वाले तरीक़े से ही फ़ाइन-ट्यून किया गया है।[^8] - **15.12.2022** [Anthropic](https://ftrlg.com/hi/models/anthropic/) Constitutional AI का वर्णन करता है — हानिकारक जवाबों पर इंसानी लेबल के बिना हानिरहित असिस्टेंट प्रशिक्षित करने का तरीक़ा: इंसान की एकमात्र निगरानी नियमों और सिद्धांतों की एक सूची है, “संविधान”। मॉडल ख़ुद अपने जवाबों की आलोचना करता है और उन्हें सुधारता है, और दो जवाबों में से कौन बेहतर है, यह दूसरा मॉडल तय करता है।[^33] - **01.02.2023** UBS के विश्लेषकों के आकलन के मुताबिक़, लॉन्च के दो महीने बाद ChatGPT के लगभग 10 करोड़ मासिक यूज़र हो गए — इससे पहले के किसी भी उपभोक्ता ऐप से तेज़।[^9] ⧗ - **14.03.2023** GPT-4: OpenAI के अनुसार, वकालत की नक़ली परीक्षा में मॉडल सबसे अच्छे 10% प्रतिभागियों के स्तर का स्कोर पाता है, जबकि GPT-3.5 — सबसे कमज़ोर 10% के स्तर का।[^10] - **14.03.2023** उसी दिन Anthropic [Claude](https://ftrlg.com/hi/models/claude/) खोलता है — असिस्टेंट, जो “मददगार, ईमानदार और हानिरहित AI सिस्टम” प्रशिक्षित करने पर कंपनी के शोध पर आधारित है — दो संस्करणों में: Claude और उससे हल्का, सस्ता और तेज़ Claude Instant; पहुँच — चैट और API के ज़रिए।[^34] - **18.07.2023** [Meta](https://ftrlg.com/hi/models/meta/) Llama 2 जारी करता है — “रिसर्च और व्यावसायिक इस्तेमाल के लिए मुफ़्त”; पहला LLaMA फ़रवरी में सिर्फ़ आवेदन करने वाले शोधकर्ताओं को दिया गया था। Llama 2 से ओपन वेट्स वाले मॉडलों की लहर शुरू होती है।[^11] - **04.03.2024** Anthropic Claude 3 परिवार जारी करता है — Haiku, Sonnet और Opus: अलग-अलग आकार के मॉडल, जिनमें से समझ, रफ़्तार और क़ीमत के संतुलन के हिसाब से चुना जाता है। कंपनी के अनुसार, ज़्यादातर आम टेस्टों पर Opus प्रतिस्पर्धियों से बेहतर है; कॉन्टेक्स्ट विंडो — 2 लाख टोकन।[^35] - **12.09.2024** OpenAI o1 जारी करता है — रीज़निंग मॉडल: रीइन्फ़ोर्समेंट लर्निंग उसे जवाब से पहले तर्क की शृंखला में “सोचना” सिखाती है, और गुणवत्ता सिर्फ़ प्रशिक्षण की कंप्यूटिंग से नहीं, बल्कि सोचने के समय से भी बढ़ती है।[^12] - **20.01.2025** [DeepSeek](https://ftrlg.com/hi/models/deepseek-ai/) R1 जारी करता है — MIT लाइसेंस के तहत ओपन वेट्स वाला रीज़निंग मॉडल; कंपनी के अनुसार, गणित, कोड और तर्क में वह o1 के स्तर पर है।[^13] - **07.10.2026** OpenAI ChatGPT में GPT-6 सभी यूज़र्स के लिए खोलता है, मुफ़्त यूज़र्स समेत।[^14] - **07.10.2026** उसी दिन Anthropic Claude Haiku 5.5 जारी करता है: कंपनी के अनुसार इसे चलाना Haiku 4.5 से औसतन लगभग 75% सस्ता है, और दस लाख इनपुट टोकन की कीमत $1 की जगह $0.10 है।[^36] ## यह कैसे काम करता है टेक्स्ट को टोकनों में काटा जाता है, और मॉडल पिछले सभी टोकनों के आधार पर अगले टोकन की संभावनाएँ देता है; जवाब ऐसे ही एक-एक टोकन वाले क़दमों से बनता है। प्रशिक्षण दो चरणों में होता है। **प्री-ट्रेनिंग** — मॉडल टेक्स्ट का विशाल संग्रह पढ़ता है और उसे आगे बढ़ाना सीखता है; यहीं उसे ज्ञान और कौशल मिलते हैं। **फ़ाइन-ट्यूनिंग** “टेक्स्ट आगे बढ़ाने वाले” को असिस्टेंट में बदलती है: मॉडल को निर्देश मानना और वैसे जवाब देना सिखाया जाता है, जैसे लोग पसंद करते हैं (RLHF), और रीज़निंग मॉडलों को — साथ ही जवाब की जाँच के साथ विचारों की लंबी शृंखला से सवाल हल करना भी (रीइन्फ़ोर्समेंट लर्निंग)।[^6][^12] मुख्य क्षमता प्री-ट्रेनिंग से आती है। GPT-4 की रिपोर्ट में OpenAI लिखता है कि मॉडल की क्षमताएँ मुख्य रूप से प्री-ट्रेनिंग से आती लगती हैं, और RLHF परीक्षाओं में नतीजा नहीं सुधारता।[^15] इसलिए मॉडलों की होड़ सबसे पहले पैमाने की होड़ है: स्केलिंग नियम लगाए गए हर डॉलर से अनुमानित फ़ायदे का वादा करते हैं, और Chinchilla ने दिखाया कि डेटा मॉडल के आकार से कम अहम नहीं है।[^4][^7] मॉडल के अंदर क्या होता है, यह लंबे समय तक ब्लैक बॉक्स बना रहा। 21.05.2024 को Anthropic ने बताया कि उसने पता लगा लिया है कि Claude Sonnet के अंदर लाखों अवधारणाएँ कैसे दर्शाई जाती हैं — उसके शब्दों में, यह प्रोडक्ट में काम कर रहे आधुनिक बड़े भाषा मॉडल के अंदर की “पहली विस्तृत झलक” है। उदाहरण के लिए, एक ही फ़ीचर गोल्डन गेट ब्रिज के अंग्रेज़ी, जापानी, चीनी, रूसी और दूसरी भाषाओं में ज़िक्र पर और उसकी तस्वीर पर सक्रिय होता है।[^37] ## डेटा | अध्ययन | क्या मापा गया | नतीजा | |---|---|---| | Epoch AI, 28.05.2024[^16] | 2010 से अग्रणी मॉडलों के प्रशिक्षण की कंप्यूटिंग; आकलन | हर साल **4–5 गुना** बढ़ रही है | | Stanford AI Index 2024, 04.2024[^17] | क्लाउड किराये की दरों पर प्रशिक्षण की कंप्यूटिंग की लागत; Epoch AI का आकलन — कंपनियाँ ख़ुद आँकड़े नहीं बतातीं | GPT-4 — लगभग **$7.8 करोड़**, Gemini Ultra — लगभग **$19.1 करोड़** | | Stanford AI Index 2025, 04.2025[^18] | उस सबसे सस्ते मॉडल से अनुरोध की क़ीमत, जो MMLU टेस्ट पर GPT-3.5 से कमज़ोर नहीं | 11.2022 से 10.2024 तक $20 से **$0.07** प्रति दस लाख टोकन — 280 गुना से ज़्यादा सस्ता | | Epoch AI, 06.06.2024[^19] | इंसानों के लिखे सार्वजनिक टेक्स्ट का भंडार; आकलन | लगभग **300 ट्रिलियन टोकन**; मौजूदा रफ़्तार पर 2026 से 2032 के बीच पूरी तरह इस्तेमाल हो जाएगा | | NBER, 09.2025[^20] | ChatGPT का इस्तेमाल कैसे होता है (सिर्फ़ निजी प्लान); दो लेखक OpenAI के कर्मचारी हैं | 07.2025 तक — हर हफ़्ते **70 करोड़** लोग, दुनिया के लगभग 10% वयस्क; 73% संदेश काम से जुड़े नहीं हैं | | Stanford AI Index 2026, 04.2026[^21] | Arena रैंकिंग में अमेरिका और चीन के सबसे अच्छे मॉडलों के बीच का फ़ासला | 03.2026 तक अमेरिका का सबसे अच्छा मॉडल — Claude Opus 4.6 — सबसे अच्छे चीनी मॉडल से **2.7%** आगे है; रिपोर्ट के आकलन में, फ़ासला “प्रभावी रूप से ख़त्म हो गया है” | > **[संपादकीय निष्कर्ष]** डेटा में दो वक्र हैं, जो अलग-अलग दिशाओं में जाते हैं। अग्रणी मॉडलों के प्रशिक्षण की कंप्यूटिंग हर साल 4–5 गुना बढ़ रही है, और एक मॉडल के प्रशिक्षण पर अब करोड़ों डॉलर लगते हैं। वहीं क्षमताओं के एक ही स्तर की क़ीमत सैकड़ों गुना गिर रही है: जो मॉडल 2022 में अग्रणी था, दो साल बाद लगभग मुफ़्त हो जाता है। इसी से आती है व्यापकता — हर हफ़्ते दसियों करोड़ लोग — और तेज़ी से बराबरी: चीनी मॉडल लगभग सबसे अच्छे अमेरिकी मॉडलों के बराबर पहुँच गए हैं। रुकावट डेटा में है: इंसानों का लिखा टेक्स्ट शायद दशक के अंत तक ही काफ़ी हो। शर्तें: प्रशिक्षण की लागत और टेक्स्ट का भंडार अप्रत्यक्ष डेटा पर आधारित आकलन हैं, और इस्तेमाल का अध्ययन OpenAI की भागीदारी से हुआ है। ## घटनाएँ ### Mata v. Avianca: ChatGPT के गढ़े हुए अदालती फ़ैसले, जून 2023 एयरलाइन Avianca के ख़िलाफ़ मुक़दमे में वादी के वकीलों ने न्यूयॉर्क की संघीय अदालत में ऐसा दस्तावेज़ जमा किया, जिसमें गढ़े हुए उद्धरणों वाले ऐसे अदालती फ़ैसलों के हवाले थे, जो थे ही नहीं — उन्हें ChatGPT ने गढ़ा था। 22.06.2023 को जज पी. केविन कैस्टल (P. Kevin Castel) ने दो वकीलों और उनकी फ़र्म पर $5,000 का जुर्माना लगाया: उन्होंने न सिर्फ़ गढ़ी हुई बातें जमा कीं, बल्कि अदालत के फ़ैसलों के अस्तित्व पर शक जताने के बाद भी उन पर अड़े रहे।[^22] ## आलोचना एमिली बेंडर (Emily Bender), टिमनिट गेब्रू (Timnit Gebru) और सह-लेखक पेपर “On the Dangers of Stochastic Parrots” (03.2021) में भाषा मॉडल को ऐसा सिस्टम कहते हैं, जो प्रशिक्षण डेटा में देखे गए भाषाई रूपों के अनुक्रमों को संभावनाओं के आधार पर “बेतरतीब ढंग से जोड़ता” है, “अर्थ के किसी भी संदर्भ के बिना” — “स्टोकेस्टिक तोता” (stochastic parrot)। उनके अनुसार, उसके टेक्स्ट का सुसंगत होना सिर्फ़ पाठक की धारणा में मौजूद है।[^23] यान लेकुन (Yann LeCun) ने 26.03.2023 को एक स्लाइड डाली — “ऑटो-रिग्रेसिव LLM का अंत तय है”: हर टोकन कुछ संभावना से जवाब को सही रास्ते से भटका देता है, ग़लती घातांकी रूप से जमा होती है, और “यह ठीक नहीं किया जा सकता (बड़े पैमाने पर नए डिज़ाइन के बिना)”।[^24] अब वे AMI Labs के संस्थापक हैं, जो असली दुनिया के सेंसरों के डेटा पर सीखने वाले “विश्व मॉडल” बना रही है।[^25] OpenAI के शोधकर्ताओं ने 04.09.2025 को मॉडलों के गढ़ने (हैलुसिनेशन) की वजह यह बताई: प्रशिक्षण और मूल्यांकन की प्रक्रियाएँ “अनिश्चितता स्वीकार करने के बजाय अनुमान लगाने को इनाम देती हैं”। 10 लोकप्रिय टेस्टों में से 9 “मुझे नहीं पता” वाले जवाब को शून्य अंक देते हैं, इसलिए मॉडल के लिए अनुमान लगाना फ़ायदेमंद है।[^26] लेखक और प्रकाशक अपने टेक्स्ट पर प्रशिक्षण को ही अदालत में चुनौती दे रहे हैं। The New York Times ने 27.12.2023 को OpenAI और Microsoft पर मुक़दमा किया; अब इसकी सुनवाई OpenAI के ख़िलाफ़ दूसरे मुक़दमों के साथ हो रही है, फ़ैसला नहीं आया है।[^27] Bartz v. Anthropic मामले में जज विलियम अलसप (William Alsup) ने 23.06.2025 को किताबों पर [Claude](https://ftrlg.com/hi/models/claude/) के प्रशिक्षण को उचित उपयोग (fair use) माना — “असाधारण रूप से रूपांतरकारी” — लेकिन किताबों की पायरेटेड प्रतियाँ रखने को नहीं।[^28] [Anthropic](https://ftrlg.com/hi/models/anthropic/) $1.5 अरब चुकाने पर राज़ी हुई — लगभग $3,000 प्रति रचना; 20.07.2026 को अदालत ने समझौते को अंतिम मंज़ूरी दी।[^29] ## आगे का विकास मॉडलों के अपने टेक्स्ट पर प्रशिक्षण इंसानी डेटा की जगह नहीं ले सकता: Nature में प्रकाशित पेपर (24.07.2024) में इल्या शुमाइलोव (Ilia Shumailov) और सह-लेखकों ने दिखाया कि बनाए गए टेक्स्ट पर बिना छाँटे प्रशिक्षण से मॉडल मूल वितरण की “पूँछें” — दुर्लभ और असामान्य — हमेशा के लिए खो देते हैं।[^30] इल्या सुत्स्केवर (Ilya Sutskever) ने 13.12.2024 को NeurIPS सम्मेलन में कहा कि “जिस प्री-ट्रेनिंग को हम जानते हैं, वह निस्संदेह ख़त्म हो जाएगी”: कंप्यूटिंग बढ़ रही है, पर डेटा नहीं, क्योंकि “हमारे पास बस एक ही इंटरनेट है”; डेटा को उन्होंने “AI का जीवाश्म ईंधन” कहा। अगले क़दमों के रूप में उन्होंने एजेंट, सिंथेटिक डेटा और जवाब के समय की कंप्यूटिंग गिनाए।[^31] ⧗ ऐसा ही हुआ: 2024 से विकास सिर्फ़ प्री-ट्रेनिंग से नहीं, बल्कि तर्क से भी आ रहा है (रीज़निंग मॉडल), और मॉडल ज़्यादा से ज़्यादा ख़ुद काम करते हैं — [स्वायत्त AI एजेंट](https://ftrlg.com/hi/wiki/autonomous-ai-agents/) के रूप में, [एजेंटिक इंजीनियरिंग](https://ftrlg.com/hi/wiki/agentic-engineering/) में और [गणित में AI](https://ftrlg.com/hi/wiki/ai-mathematics/) के रूप में। [आंद्रेज कार्पाथी](https://ftrlg.com/hi/wiki/andrej-karpathy/) ने जून 2025 में LLM को “नए तरह का कंप्यूटर” कहा, जो ऑपरेटिंग सिस्टम जैसा है: प्रॉम्प्ट अब प्रोग्राम हैं, “और ये अंग्रेज़ी में लिखे जाते हैं”।[^32] ## संकेत - 2026-10-15 — निक कैमराटा: «पॉलीसिमैंटिसिटी — एक न्यूरॉन में कई अवधारणाएँ — ज़्यादातर ग़लत पढ़ाई थी: न्यूरल नेटवर्क “पहले से साफ़” हैं, और एजेंट उन्हें न्यूरॉन-दर-न्यूरॉन समझ सकते हैं; Qwen3-32B की शुरुआती जाँच में लगभग 90% न्यूरॉन का एक ही मुख्य काम है» — Goodfire में इंटरप्रिटेबिलिटी शोधकर्ता, जिन्होंने OpenAI में न्यूरॉन की स्वचालित व्याख्या का प्रोजेक्ट शुरू किया था — निबंध “न्यूरल नेटवर्क पहले से साफ़ हैं” में (एक कार्यकारी परिकल्पना, बिना समीक्षा; साथ का पेपर अभी आना है); नील नंदा और दूसरे शोधकर्ताओं ने आपत्ति जताई (https://ftrlg.com/hi/signals/cgij8q2um/) - 2026-10-11 — आंद्रेज कार्पाथी: «लगभग 6 अरब लोग (~75% आबादी) LLM के संपर्क में शायद ही आए हैं, जबकि अंदरूनी तौर पर अग्रणी स्तर के सिस्टम तक पहुँच क़रीब 5,000 लोगों के पास है» — इस पर कि आम लोगों, पेशेवरों और प्रयोगशालाओं के बीच AI क्षमता की समझ का फ़ासला बढ़ रहा है (https://ftrlg.com/hi/signals/cc3qwtwnz/) ## यह भी देखें Transformer · चैटबॉट · रीज़निंग मॉडल · ओपन वेट्स · [स्वायत्त AI एजेंट](https://ftrlg.com/hi/wiki/autonomous-ai-agents/) · [वाइब कोडिंग](https://ftrlg.com/hi/wiki/vibe-coding/) · [गणित में AI](https://ftrlg.com/hi/wiki/ai-mathematics/) ## संदर्भ [^1]: A. Vaswani et al. Attention Is All You Need — arXiv, 12.06.2017. [arxiv.org](https://arxiv.org/abs/1706.03762) [^2]: Improving language understanding with unsupervised learning — OpenAI, 11.06.2018. [openai.com](https://openai.com/index/language-unsupervised/) [^3]: Better Language Models and Their Implications — OpenAI, 14.02.2019. [openai.com](https://openai.com/index/better-language-models/); GPT-2: 1.5B Release — OpenAI, 05.11.2019. [openai.com](https://openai.com/index/gpt-2-1-5b-release/) [^4]: J. Kaplan et al. Scaling Laws for Neural Language Models — arXiv, 23.01.2020. [arxiv.org](https://arxiv.org/abs/2001.08361) [^5]: T. Brown et al. Language Models are Few-Shot Learners — arXiv, 28.05.2020. [arxiv.org](https://arxiv.org/abs/2005.14165) [^6]: L. Ouyang et al. Training language models to follow instructions with human feedback — arXiv, 04.03.2022. [arxiv.org](https://arxiv.org/abs/2203.02155) [^7]: J. Hoffmann et al. Training Compute-Optimal Large Language Models — arXiv, 29.03.2022. [arxiv.org](https://arxiv.org/abs/2203.15556) [^8]: Introducing ChatGPT — OpenAI, 30.11.2022. [openai.com](https://openai.com/index/chatgpt/) [^9]: ChatGPT sets record for fastest-growing user base — Reuters, 02.02.2023 (पुनर्प्रकाशन)। [finance.yahoo.com](https://finance.yahoo.com/news/1-chatgpt-sets-record-fastest-051929384.html) ⧗ [^10]: GPT-4 — OpenAI, 14.03.2023. [openai.com](https://openai.com/index/gpt-4-research/) [^11]: Meta and Microsoft Introduce the Next Generation of Llama — Meta, 18.07.2023. [about.fb.com](https://about.fb.com/news/2023/07/llama-2/) [^12]: Learning to reason with LLMs — OpenAI, 12.09.2024. [openai.com](https://openai.com/index/learning-to-reason-with-llms/) [^13]: DeepSeek-R1 Release — DeepSeek, 20.01.2025. [api-docs.deepseek.com](https://api-docs.deepseek.com/news/news250120) [^14]: GPT-6 and Intelligent UI for everyone — OpenAI, 07.10.2026. [openai.com](https://openai.com/index/gpt-6-for-everyone/) [^15]: OpenAI. GPT-4 Technical Report — arXiv, 15.03.2023. [arxiv.org](https://arxiv.org/abs/2303.08774) [^16]: Training compute of frontier AI models grows by 4-5x per year — Epoch AI, 28.05.2024. [epoch.ai](https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year) [^17]: AI Index Report 2024 — Stanford HAI, 04.2024. [hai.stanford.edu](https://hai.stanford.edu/ai-index/2024-ai-index-report) [^18]: AI Index Report 2025 — Stanford HAI, 04.2025. [hai.stanford.edu](https://hai.stanford.edu/ai-index/2025-ai-index-report) [^19]: Will we run out of data? Limits of LLM scaling based on human-generated data — Epoch AI, 06.06.2024. [epoch.ai](https://epoch.ai/blog/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data) [^20]: A. Chatterji et al. How People Use ChatGPT — NBER Working Paper 34255, 09.2025. [nber.org](https://www.nber.org/papers/w34255) [^21]: AI Index Report 2026 — Stanford HAI, 04.2026. [hai.stanford.edu](https://hai.stanford.edu/ai-index/2026-ai-index-report) [^22]: Mata v. Avianca, Inc., 22-cv-1461 (PKC): Opinion and Order on Sanctions — U.S. District Court, S.D.N.Y., 22.06.2023. [courtlistener.com](https://storage.courtlistener.com/recap/gov.uscourts.nysd.575368/gov.uscourts.nysd.575368.54.0_3.pdf) [^23]: E. Bender, T. Gebru, A. McMillan-Major, S. Shmitchell. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? — FAccT ’21, ACM, 03.2021. [doi.org](https://doi.org/10.1145/3442188.3445922) [^24]: Yann LeCun: «I have claimed that Auto-Regressive LLMs are exponentially diverging diffusion processes» — X, 26.03.2023. [x.com](https://x.com/ylecun/status/1640122342570336267) [^25]: AMI Labs. [amilabs.xyz](https://amilabs.xyz) [^26]: A. Kalai, O. Nachum, S. Vempala, E. Zhang. Why Language Models Hallucinate — arXiv, 04.09.2025. [arxiv.org](https://arxiv.org/abs/2509.04664) [^27]: The New York Times Company v. Microsoft Corporation et al., 1:23-cv-11195: मुक़दमे की अर्ज़ी (complaint) — U.S. District Court, S.D.N.Y., 27.12.2023. [nytco-assets.nytimes.com](https://nytco-assets.nytimes.com/2023/12/NYT_Complaint_Dec2023.pdf) [^28]: Bartz v. Anthropic PBC, 3:24-cv-05417: Order on Fair Use — U.S. District Court, N.D. Cal., 23.06.2025. [courtlistener.com](https://storage.courtlistener.com/recap/gov.uscourts.cand.434709/gov.uscourts.cand.434709.231.0_2.pdf) [^29]: Anthropic Copyright Settlement — समझौते की आधिकारिक वेबसाइट। [anthropiccopyrightsettlement.com](https://www.anthropiccopyrightsettlement.com/) [^30]: I. Shumailov et al. AI models collapse when trained on recursively generated data — Nature, 24.07.2024. [nature.com](https://www.nature.com/articles/s41586-024-07566-y) [^31]: Ilya Sutskever. Sequence to sequence learning with neural networks: what a decade — NeurIPS, 13.12.2024 (भाषण की रिकॉर्डिंग)। [youtube.com](https://www.youtube.com/watch?v=1yvBqasHLZs) ⧗ [^32]: Andrej Karpathy: Software Is Changing (Again) — Y Combinator, 18.06.2025. [youtube.com](https://www.youtube.com/watch?v=LCEmiRjPEtQ) [^33]: Y. Bai et al. Constitutional AI: Harmlessness from AI Feedback — arXiv, 15.12.2022. [arxiv.org](https://arxiv.org/abs/2212.08073) [^34]: Introducing Claude — Anthropic, 14.03.2023. [anthropic.com](https://www.anthropic.com/news/introducing-claude) [^35]: Introducing the next generation of Claude — Anthropic, 04.03.2024. [anthropic.com](https://www.anthropic.com/news/claude-3-family) [^36]: Introducing Claude Haiku 5.5 — Anthropic, 07.10.2026. [anthropic.com](https://www.anthropic.com/claude-haiku-5-5) [^37]: Mapping the mind of a large language model — Anthropic, 21.05.2024. [anthropic.com](https://www.anthropic.com/research/mapping-mind-language-model) — future.log, «बड़ा भाषा मॉडल», https://ftrlg.com/hi/wiki/large-language-model/ · CC BY 4.0