# शोधकर्ताओं ने सस्ता होम-केयर शेड्यूलिंग मॉडल तैयार किया

> टीम ने एक बड़े मॉडल के वास्तविक समय के फैसलों से छोटे Qwen3‑8B मॉडल को प्रशिक्षित किया। इससे सटीकता बरकरार रखते हुए विलंबता 2.5× घटी और लागत कम हुई।

Oossa · 2026-10-14 · https://oossa.com/hi/researchers-use-gpt-5-4-nano-to-train-cheaper-home-care-scheduling-model

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।

## तथ्य

- शोधपत्र 14 Oct 2026 को प्रकाशित हुआ
- 11.6 k फैसलों पर फाइन-ट्यून किया गया Qwen3‑8B, GPT‑5.4‑nano के फैसलों से 0.913 की दर से सहमत होता 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।

## स्रोत और संदर्भ

1. [Iterate on an LLM, Serve on an SLM](https://arxiv.org/abs/2610.14576) – arXiv, 2026-10-14

अंतिम अपडेट: 2026-10-14