Tamil Newsஞாயிற்றுக்கிழமை, 22 நவம்பர் 2026
சமீபத்தியம்
நாடு மீண்டும் வங்குரோத்து (bankruptcy) நிலையை நோக்கி நகர்வதாக முன்னாள் அமைச்சர் ராஜித சேனாரத்ன (Rajitha Senaratne) எச்சரிக்கைதம்புட்டேகமயில் (Thambuttegama) நிவாரணம் தேவைப்படும் குடும்பம் ஒன்றுக்கு வீடு: முன்னாள் ஜனாதிபதி சந்திரிகா பண்டாரநாயக்க குமாரதுங்க (Chandrika Bandaranaike Kumaratunga) சொந்த நிதியில் நிர்மாணம்புதுப்பிப்பு (Updated): புற்றுநோய் கதிர்வீச்சுச் சிகிச்சை (radiotherapy): ஐந்து வைத்தியசாலைகளுக்கான கருவிக் கொள்வனவு தாமதம் குறித்து மருத்துவர் எச்சரிக்கைபுதுப்பிப்பு (Updated): கங்குவா (Kanguva) பின்னடைவுக்குப் பிறகு சூர்யா (Suriya): மூன்றாவது ரூ.200 கோடி வசூலை (box office) நோக்கி சீன் (Scene)பாகிஸ்தான் (Pakistan) தார்பேலா (Tarbela) நீர்மின் திட்டத்தில் (hydropower project) தடுப்புச் சுவர் இடிந்ததாகத் தகவல்இலங்கைச் (Sri Lanka) சுற்றுலாவை (tourism) மேம்படுத்த சர்வதேச ஒலிபரப்பு நிறுவனங்கள் (broadcasting organisations) விருப்பம்: அமைச்சர் (Minister)நொச்சியாகமவில் (Nochchiyagama) கொலைக்கு உதவிய குற்றச்சாட்டில் 38 வயது நபர் கைதுசிங்கராஜ காட்டில் (Sinharaja Forest) அரிய பூச்சி, ஊர்வன இனங்களைச் சேகரித்த குற்றச்சாட்டில் நான்கு சீன நாட்டவர் (Chinese nationals) கைது

Inkling 2 Mini: தனியார் AI க்கு open-weight தெரிவு

நவம்பர் 20: Thinking Machines Lab, Inkling 2 Mini ஐ Apache 2.0 உரிமத்தின் கீழ் வெளியிட்டது. இந்த multimodal model உரையையும் படங்களையும் ஏற்று உரையைத் தருகிறது. அதன் model card, மீண்டும் மீண்டும் நடக்கும் கணிப்புகளை எண்ணுவதற்கு முன் மொத்தம் 26.4 பில்லியன் parameters, 3.4 பில்லியன் active எனப் பட்டியலிடுகிறது; ஒரு layers தொகுதியை loop செய்வது, ஒரு token க்கு effective active parameter எண்ணிக்கையை 5.4 பில்லியனாக ஆக்குகிறது.

விளக்கப்படம்: மடிக்கணினி; கட்டுரையின் தயாரிப்பு அல்ல. படம்: KK IN HK, CC BY-SA 4.0, Wikimedia Commons.
விளக்கப்படம்: மடிக்கணினி; கட்டுரையின் தயாரிப்பு அல்ல. படம்: KK IN HK, CC BY-SA 4.0, Wikimedia Commons.

ஏன் முக்கியம்: பதிவிறக்கக்கூடிய weights, உள்ளூரிலேயே கட்டுப்படுத்தப்படும் visual reasoning, coding, tool-use மதிப்பீடுகளுக்குக் குழுக்களுக்கு மற்றொரு தெரிவைத் தருகின்றன. effective active எண்ணிக்கை என்பது நினைவகத் தேவை அல்ல. ஒரு குறிப்பிட்ட இயந்திரத்தில் பொருந்தும் என்று கருதுவதற்கு முன் உண்மையான quantisation, context நீளம், hardware ஆகியவற்றைச் சரிபாருங்கள். படத் தரையிடல் (image-grounding) பிழைகள், tool-call சரியான தன்மை, latency, நினைவகம் ஆகியவற்றை உங்கள் தற்போதைய அடிப்படையுடன் ஒப்பிடுங்கள்.

மேலும் AI செய்திகள்