पहले संक्षिप्त उत्तर: 13 अगस्त 2026 को Mixedbread ने Toast 1 नाम का एक मॉडल लॉन्च किया। यह कोई सामान्य मॉडल नहीं है जिससे आप चैट करें — यह एक विशेषीकृत सर्च एजेंट है जिसका एकमात्र काम आपके दस्तावेज़ों को खंगालना और साक्ष्य लेकर लौटना है। व्यवसाय मालिक का ध्यान जिस बात पर जाना चाहिए वह उत्पाद का नाम नहीं, बल्कि वह है जो इसने उजागर किया: आज आप AI के लिए जो भुगतान करते हैं उसका एक बड़ा हिस्सा सोचने के बजाय खोजने की प्रक्रिया पर जाता है, और इन दोनों को अलग करने से लागत काफ़ी घटती है और साथ ही उत्तरों की गुणवत्ता भी बेहतर होती है।
वास्तव में क्या घोषित किया गया
कंपनी की आधिकारिक घोषणा के अनुसार, Toast 1 एक सर्च एजेंट है जिसे एक ही काम के लिए प्रशिक्षित किया गया है: यह एक प्रश्न लेता है, उसे उप-प्रश्नों में बाँटता है, आपके स्रोतों से साक्ष्य इकट्ठा करता है, उनकी जाँच करता है, फिर प्रासंगिक सामग्री का एक चुना हुआ पैकेज सौंपता है। यह आपका अंतिम उत्तर नहीं लिखता — यह वह कच्ची सामग्री तैयार करता है जिस पर बाद में बड़ा मॉडल तर्क करता है।
कंपनी का कहना है कि ख़ास तौर पर सर्च की गुणवत्ता में यह अग्रणी मॉडलों के बराबर या उनसे बेहतर है, वह भी दस गुना तक कम लागत पर और बारह गुना तेज़। ये विक्रेता के आँकड़े हैं और इन्हें उसी रूप में पढ़ा जाना चाहिए, लेकिन ज़्यादा महत्वपूर्ण दावा आर्किटेक्चर से जुड़ा है: इसके लिए आपको अपना सेटअप बदलने की ज़रूरत नहीं है, और यह आपके डेटा को कहीं नई जगह ले जाए बिना उसी रिट्रीवल इंडेक्स पर चलता है जो आपके पास पहले से है।
घोषित लॉन्च मूल्य प्रति मिलियन इनपुट टोकन $0.30, प्रति मिलियन कैश्ड इनपुट टोकन $0.036 और प्रति मिलियन आउटपुट टोकन $0.72 है। व्यवहार में कंपनी एक क्वेरी की लागत लगभग $0.016 से $0.023 बताती है, जिसमें मीडियन लेटेंसी आठ सेकंड है; सबसे उच्च गुणवत्ता वाले कॉन्फ़िगरेशन में यह बढ़कर लगभग $0.05 से $0.07 हो जाती है, और मीडियन ग्यारह सेकंड।
व्यवसाय मालिक के लिए यह क्यों मायने रखता है: सर्च का अर्थशास्त्र
जब आप अपनी कंपनी के दस्तावेज़ों पर एक असिस्टेंट बनाते हैं, तो आप मान लेते हैं कि ज़्यादातर लागत उत्तर तैयार करने में है। सच इसके उलट है। मॉडल तीन उपयोगी पंक्तियाँ खोजने के लिए दर्जनों दस्तावेज़ पढ़ता है, और आप उस सब के लिए भुगतान करते हैं जो उसने पढ़ा, न कि उसके लिए जो उसने इस्तेमाल किया। इसीलिए आपका संग्रह बढ़ने के साथ बिल बढ़ता है, उत्तर धीमे होते जाते हैं, और सही उत्तर शोर में अधिकाधिक खोता जाता है।
एक विशेषीकृत सर्च एजेंट उस भारी काम को एक सस्ते, तेज़ मॉडल पर ले जाता है जिसे ठीक इसी के लिए प्रशिक्षित किया गया है, फिर एक संक्षिप्त परिणाम बड़े मॉडल को सौंपता है। बड़ा मॉडल तस्वीर में बना रहता है, लेकिन अपनी क्षमता उस पर ख़र्च करता है जो कोई और अच्छी तरह नहीं कर पाता: समझना, निष्कर्ष निकालना और निर्णय को रूप देना।
व्यावहारिक नियम: किसी पुरालेखपाल जैसे काम के लिए अग्रणी मॉडल की क़ीमत न चुकाएँ। सोचना महँगे मॉडल से ख़रीदें और खोजना सस्ते मॉडल से।
दो स्वतंत्र बेंचमार्क के आँकड़े
मार्केटिंग के दावों पर बहस हो सकती है; प्रकाशित बेंचमार्क ज़्यादा स्पष्ट होते हैं। OfficeQA Pro v2 पर, जिसे Databricks ने जटिल और यथार्थवादी उद्यम वित्तीय स्थितियों से जुड़े नब्बे प्रश्नों में उत्तरों की शुद्धता मापने के लिए जारी किया था, GPT-5.6 Sol ने Toast 1 को सबएजेंट के रूप में उपलब्ध रखकर लगभग $1.15 प्रति कार्य की लागत पर 70% शुद्धता हासिल की। तुलना के लिए, पिछला सबसे अच्छा प्रदर्शन लगभग $4 प्रति कार्य पर 60% तक पहुँचा था, जबकि वही मॉडल सर्च एजेंट के बिना केवल 33% तक ही पहुँच सका। सर्च लेयर जोड़ने से सटीकता लगभग दोगुनी हो गई और साथ ही लागत भी घट गई।
Harvey के लॉ फ़र्म ज्ञान बेंचमार्क पर, तैंतीस कार्यों के एक उपसमूह में, उत्तरों की गुणवत्ता स्थिर रही जबकि केवल सर्च में सुधार करके टोकन की खपत 80.6 मिलियन से घटकर 47 मिलियन हो गई, फिर विशेषीकृत सर्च एजेंट जोड़ने पर 23 मिलियन रह गई — काम आधे टर्न में पूरा हुआ, और लागत में 60% से अधिक की कमी आई।
साझा सबक पर ध्यान दें: मॉडल की तर्क करने की क्षमता नहीं बदली। उस तक पहुँचने वाली सामग्री की गुणवत्ता बदली। क्लाइंट परियोजनाओं में हम ठीक यही देखते हैं — जो कंपनी असिस्टेंट विफल होते हैं, उनमें बुद्धिमत्ता की कमी शायद ही कभी होती है; कमी होती है सही सामग्री मिलने की।
आपके सऊदी व्यवसाय में यह कहाँ दिखता है
- अनुबंध और समझौते। "हमारे कौन-से अनुबंध तीस दिन के नोटिस पर समाप्ति की अनुमति देते हैं?" जैसा प्रश्न खोज का प्रश्न है, तर्क का नहीं, और आज यह कानूनी विभाग के किसी कर्मचारी के घंटों खा जाता है।
- टेंडर दस्तावेज़ और RFP। बोली लगानी है या नहीं, यह तय करने से भी पहले सैकड़ों पृष्ठों से योग्यता संबंधी आवश्यकताएँ, दंड और डिलीवरी की तारीखें निकालना।
- चालान और प्रगति दावे। यह पता लगाने के लिए कि मुनाफ़ा कहाँ रिस रहा है, वर्षों के दस्तावेज़ों में किसी एक लागत मद का पीछा करना।
- मानव संसाधन संग्रह। छुट्टी नीतियाँ, भत्ते और निवास परमिट की समाप्ति तिथियाँ, जो फ़ाइलों और आपस में न जुड़े सिस्टमों में बिखरी हुई हैं।
- ग्राहक सहायता। एक असिस्टेंट जो कोई उत्तर गढ़ने के बजाय उत्पाद मैनुअल और बैठकों के विवरण के आधार पर उत्तर देता है।
इनमें से हर मामले में, आपकी असली संपत्ति मॉडल नहीं — संग्रह है। मॉडल एक हफ़्ते में बदला जा सकता है; एक सुव्यवस्थित संग्रह केवल एक बार बनता है।
ख़रीदने से पहले पूछने लायक़ तीन प्रश्न
पहला: एक प्रश्न की लागत मुझे कितनी पड़ती है, न कि मासिक सदस्यता कितने की है? अगर आपके विक्रेता के पास संख्या में उत्तर नहीं है, तो आप नहीं जानते कि बड़े पैमाने पर आपका बिल क्या बन जाएगा।
दूसरा: क्या सर्च लेयर मॉडल से अलग है? अलगाव का मतलब है कि आप कल बड़ा मॉडल बदल सकते हैं और सब कुछ दोबारा नहीं बनाना पड़ेगा, और यह विक्रेताओं की क़ीमतों में उतार-चढ़ाव के ख़िलाफ़ सबसे मज़बूत बचाव है।
तीसरा: मेरे दस्तावेज़ कहाँ रहते हैं, और क्या वे वहाँ से बाहर जाते हैं? यह तकनीकी प्रश्न से पहले गवर्नेंस का प्रश्न है, और अगर आपके संग्रह में ग्राहकों या कर्मचारियों का डेटा है, तो यह व्यक्तिगत डेटा संरक्षण कानून (PDPL) के तहत आपके दायित्वों से सीधे जुड़ा है।
Origami में हम इसे कैसे देखते हैं
हम कोई ख़ास मॉडल नहीं बेचते, और हम किसी क्लाइंट को यह सलाह नहीं देते कि वह अपना संचालन केवल इसलिए किसी एक प्रदाता से बाँध दे क्योंकि वह इस हफ़्ते ख़बरों में था। हम जो बनाते हैं वह ऐसा आर्किटेक्चर है जो मॉडल को एक बदले जा सकने वाले हिस्से के रूप में रखता है: एक व्यवस्थित ज्ञान स्रोत जिसके मालिक आप हैं, एक स्वतंत्र सर्च लेयर, स्पष्ट अनुमतियाँ जो तय करती हैं कि कौन क्या देखेगा, और लागत जो मासिक चालान के बजाय प्रति क्वेरी मापी जाती है।
अगर आपकी कंपनी किसी ऐसे बड़े संग्रह पर बैठी है जिसका उसे कभी लाभ नहीं मिला, तो अपने पास मौजूद सबसे सीमित दायरे वाले, दोहराए जाने वाले और महँगे प्रश्न से शुरू करें, और पहले और बाद में समय और लागत मापें। एक छोटा, मापा हुआ कदम उस व्यापक AI कार्यक्रम से ज़्यादा मूल्यवान है जिससे कोई संकेतक जुड़ा ही न हो।
स्रोत
- Mixedbread की ओर से Toast 1 की आधिकारिक घोषणा, 13 अगस्त 2026: mixedbread.com
- आधिकारिक मूल्य पृष्ठ: mixedbread.com/pricing
- Databricks का OfficeQA Pro v2 बेंचमार्क: databricks.com
- Harvey का लॉ फ़र्म ज्ञान बेंचमार्क: harvey.ai
सामान्य प्रश्न
सर्च एजेंट और जिस मॉडल से मैं चैट करता हूँ, उनमें क्या अंतर है?
एक सामान्य मॉडल समझने, निष्कर्ष निकालने और उत्तर तैयार करने के लिए बनाया जाता है। सर्च एजेंट को केवल एक काम के लिए प्रशिक्षित किया जाता है: प्रश्न को हिस्सों में बाँटना, आपके दस्तावेज़ों को खंगालना और केवल प्रासंगिक साक्ष्य लौटाना। आमतौर पर यह अंतिम उत्तर नहीं लिखता; यह वह सामग्री तैयार करता है जिस पर बड़ा मॉडल तर्क करता है। लाभ यह है कि भारी काम एक सस्ते और तेज़ मॉडल पर चला जाता है।
क्या इसका मतलब है कि मुझे अब बड़े मॉडलों की ज़रूरत नहीं है?
नहीं। तर्क भूमिकाओं को बाँटने का है, उन्हें बदलने का नहीं। बड़ा मॉडल समझने, निष्कर्ष निकालने और निर्णय को रूप देने के लिए ज़िम्मेदार बना रहता है, जबकि सर्च एजेंट जानकारी खोजने का काम संभालता है। प्रकाशित बेंचमार्क ने दिखाया कि यह संयोजन अकेले बड़े मॉडल से बेहतर प्रदर्शन करता है, वह भी कम लागत पर।
क्या मुझे अपने दस्तावेज़ किसी नए प्लेटफ़ॉर्म पर ले जाने होंगे?
ज़रूरी नहीं। बताया गया है कि Toast 1 बिना माइग्रेशन के आपके मौजूदा रिट्रीवल इंडेक्स पर चलता है, और यह एक सामान्य सिद्धांत है जिसकी माँग आपको खरीदे जाने वाले हर समाधान से करनी चाहिए। सर्च लेयर को मॉडल से अलग रखें ताकि बाद में आप पूरे सिस्टम को दोबारा बनाए बिना इनमें से किसी को भी बदल सकें।
बड़े संग्रह वाली किसी सऊदी कंपनी के लिए पहला व्यावहारिक कदम क्या है?
एक दोहराए जाने वाले, महँगे प्रश्न से शुरुआत करें — जैसे अनुबंधों से समाप्ति की शर्तें निकालना, या टेंडर दस्तावेज़ों से योग्यता संबंधी आवश्यकताएँ निकालना। उस एक प्रश्न के पीछे के ज्ञान स्रोत को व्यवस्थित करें, लाइव होने से पहले और बाद में समय और लागत मापें, और तय करें कि किसे क्या देखने की अनुमति है। अगर संग्रह में ग्राहकों या कर्मचारियों का डेटा है, तो किसी भी बाहरी इंटीग्रेशन से पहले व्यक्तिगत डेटा संरक्षण कानून (PDPL) के तहत अपने दायित्वों की समीक्षा करें।
