Keegan Wang और उनके सहयोगियों ने बताया कि होम-केयर एजेंसियों के लिए कम लागत वाला शेड्यूलिंग असिस्टेंट कैसे बनाया जा सकता है। पहले उन्होंने बड़े GPT‑5.4‑nano मॉडल से सुरक्षा संबंधी वास्तविक समय के हां/नहीं वाले फैसले जुटाए। फिर उन्हीं में से 11.6 k फैसलों के आधार पर 8‑बिलियन पैरामीटर वाले छोटे Qwen3 मॉडल को फाइन-ट्यून किया। छोटा मॉडल 91.3% मामलों में बड़े मॉडल के फैसले से सहमत होता है, करीब 2.5 गुना तेज चलता है और इसकी लागत मूल मॉडल की तुलना में बहुत कम है।
यह क्यों मायने रखता है
होम-केयर एजेंसियां फैसलों की गुणवत्ता से समझौता किए बिना कम लागत वाला और तेज मॉडल इस्तेमाल कर सकती हैं।
