हालांकि चीनी AI बड़े मॉडल की उपयोग मात्रा अमेरिका से नौ सप्ताह आगे है, लेकिन उच्च-तीव्र प्रोग्रामिंग स्थितियों में वास्तविक लागत GPT Codex पैकेज से काफी अधिक है। Zhipu का 2025 में 30 अरब युआन से अधिक का नुकसान हुआ, और Kimi जैसे पैकेज की सीमाएँ हैं और शीर्ष समय पर ट्रैफ़िक सीमित है। मुख्य कारण चीन में कैलकुलेशन बुनियादी ढांचे की कमी है (डेटा केंद्र 449 vs अमेरिका में 5427), जिसके कारण Codex जैसे उच्च-लागत-दक्षता वाले पैकेज लॉन्च नहीं किए जा सकते। वर्तमान में डेवलपर्स को प्रदर्शन, कीमत और स्थिरता के तीन पहलुओं में संतुलन बनाना पड़ता है, और चीनी मॉडल केवल कुछ प्रदर्शन सूचकों में ही अंतरराष्ट्रीय शीर्ष मॉडल के करीब हैं, समग्र रूप से वे प्रशंसा के बावजूद अपनी मांग कम होने की स्थिति में हैं।

लेखक, स्रोत: साइफ्टॉक FunTalk

पिछले एक महीने में, सिलिकॉन वैली AI क्षेत्र में GPT-5.6, fable5, Grok-4.5 लगातार लॉन्च हुए।

एक समय के लिए, देशी डेवलपर्स और प्रोग्रामर्स के समूह उत्साहित हो गए, GPT-5.6 जैसे अग्रणी मॉडल्स के बारे में चर्चाएँ और समीक्षाएँ उठने लगीं।

हालांकि इस महीने किमी-केए3 जैसे नए घरेलू मॉडल भी लॉन्च हुए हैं, लेकिन सामान्य तौर पर, घरेलू बड़े मॉडल वर्तमान में प्रमुख डेवलपर समुदाय में "प्रशंसा के बावजूद अल्प प्रचलित" स्थिति में हैं।

नवीनतम डेटा के अनुसार, उपयोग के मामले में: 22 जून से 28 जून तक के डेटा के अनुसार, चीनी मॉडल का साप्ताहिक उपयोग 20.39 ट्रिलियन टोकन था, जबकि अमेरिकी मॉडल का 4.25 ट्रिलियन था, जिससे पहला मॉडल लगातार नौ सप्ताहों से अग्रणी है।

लेकिन इसके विपरीत, घरेलू AI षट्कुमार की आय के मामले में प्रदर्शन खासा खराब रहा है: खुली वित्तीय रिपोर्टों के अनुसार, Zhipu की 2025 की आय 724 मिलियन युआन थी, लेकिन नुकसान 30 अरब युआन से अधिक था; MiniMax की आय 79 मिलियन डॉलर (लगभग 570 मिलियन युआन) थी; महीने के अंधेरे जैसे अन्य चार कंपनियों ने अभी तक पूर्ण वार्षिक आय का खुलासा नहीं किया है।

हालांकि शीर्ष कंपनियाँ हैं, लेकिन आय अभी भी करोड़ों के स्तर पर ही है।

इसके विपरीत, AI के शीर्ष उद्यम Anthropic का ARR लगभग 600 अरब से 700 अरब डॉलर तक पहुंच गया है, जिसका मुख्य कारण B2B API और AI कोडिंग स्थितियाँ हैं।

यह एक तीखा प्रश्न उठाता है:

क्यों अभी तक "सस्ते" और "उच्च उपयोग मात्रा" वाले देशी मॉडल, AI Coding जैसे उच्च मूल्यवान स्थितियों में, विदेशी शीर्ष मॉडल के साथ सीधे प्रतिस्पर्धा नहीं कर पा रहे हैं?

हाल ही में, मैंने कई प्रमुख डेवलपर्स के साथ इस मुद्दे पर गहरी चर्चा के बाद एक बहुत अनियमित तथ्य का पता लगाया:

घरेलू बड़े मॉडल, किसी न किसी तरह से वास्तव में बहुत "महंगे" हैं।

इसी “महंगापन” के कारण, कुछ प्रदर्शन में क्रांतिकारी भारतीय मॉडल अपनी चमक को वास्तविक रूप से प्रदर्शित नहीं कर पा रहे हैं।

01 “सस्ती कीमत” का भ्रम

घरेलू बड़े मॉडल की बात आए, तो बहुत से लोग DeepSeek, Kimi जैसे प्रतिनिधियों को याद करते हैं, और इनसे सबसे अधिक जुड़ा हुआ टैग एक है—कम कीमत, सस्ता;

केवल टोकन की इकाई कीमत के आधार पर, भारतीय मॉडल्स GPT-5.6, Fable5 जैसे शीर्ष मॉडल्स की तुलना में वास्तव में काफी लाभदायक हैं; GLM-5.2 और DeepSeek V4 का उदाहरण लें: GLM-5.2 के लिए प्रति एक मिलियन टोकन इनपुट/आउटपुट 1.4/4.4 डॉलर है, DeepSeek-V4-Pro के लिए 0.435/0.87 डॉलर है; GPT-5.6 Sol के लिए 5/30 डॉलर है, और Claude Fable 5 के लिए 10/50 डॉलर है।

लेकिन वास्तव में, इस "सस्ती" के प्रभाव को बाहरी लोग लंबे समय तक गलत तरीके से समझते रहे हैं।

विशेष रूप से उच्च इंटेंसिटी वाले प्रोग्रामिंग स्थितियों में, देशी बड़े मॉडल की इकाई कीमत न केवल लाभदायक नहीं है, बल्कि इसकी कीमत GPT और Claude की तुलना में कई गुना अधिक है।

ली गुआंग (उपनाम) AI क्षेत्र के एक शोधकर्ता हैं, जिन्हें कार्य की आवश्यकता के कारण रोजाना AI कोडिंग के संदर्भ में दर्जनों अरब टोकन खर्च करने पड़ते हैं। ऐसे खर्च की स्थिति में, यदि वे घरेलू बड़े मॉडल, जैसे GLM-5.2, का उपयोग करते हैं, तो कुल लागत बहुत भयानक हो जाएगी।

ली गुआंग द्वारा प्रदर्शित टोकन बिल

उस दिन बातचीत के दौरान, ली गुआंग द्वारा खपत किए गए टोकन लगभग 40 अरब थे। यदि वह GLM-5.2 का उपयोग कर रहे थे, तो लागत लगभग होगी: (8639 लाख सामान्य इनपुट × 1.4 डॉलर + 33.80 अरब कैश इनपुट × 0.26 डॉलर + 1906 लाख आउटपुट और इन्फरेंस × 4.4 डॉलर) = लगभग 1084 डॉलर, 1 डॉलर = 7.2 युआन के अनुसार, लगभग 7800 युआन के बराबर।

और ली गुआंग के इतने आज़ादी से टोकन खर्च करने का कारण यह है कि उसने GPT का CodeX पैकेज शुरू कर लिया है,

यहाँ CodeX पैकेज के विस्तार को सरल तरीके से समझाया जा रहा है: सरल शब्दों में, यह प्रोग्रामिंग स्थितियों के लिए डिज़ाइन किया गया एक पैकेज है: सख्ती से कहें तो, यह वास्तव में असीमित नहीं है, बल्कि इसमें Codex को ChatGPT सब्सक्रिप्शन में शामिल किया गया है: Plus 20 डॉलर/महीना है, Pro 100 डॉलर/महीना से शुरू होता है, और इसकी सीमा Plus की लगभग 5 गुना या 20 गुना है; सीमा पूरी होने पर Credits खरीदकर उपयोग जारी रखा जा सकता है।

इसी तरह, Anthropic का Claude Code भी एक समान पैकेज प्रस्तुत करता है: Claude Pro 20 डॉलर/महीना, Max 5x और Max 20x क्रमशः 100 और 200 डॉलर/महीना; Claude वेब इंटरफेस और Claude Code एक साथ 5 घंटे का साप्ताहिक कोटा साझा करते हैं, और कोटा समाप्त होने पर API मूल्य के अनुसार आगे उपयोग किया जा सकता है।

इस पैकेज के तहत, विशाल टोकन लागत को समाप्त कर दिया गया है।

भारतीय डेवलपर्स के लिए, उच्च तीव्रता वाले AI कोडिंग स्थितियों में, दिनभर में दस अरब से लेकर सौ अरब टोकन तक का उपयोग करना एक सामान्य बात है।

छोटे लियु भी एक भारी AI कोडिंग विकासक हैं, और उनका कोडेक्स पर वास्तविक साप्ताहिक खर्च 300 युआन है, और यह यहां तक कि कंपनी के बर्म्ब के बिना है।

लेकिन यह लागत भी घरेलू मॉडल की तुलना में काफी "सस्ती" है, क्योंकि इसी 300 रुपये में GLM 5.2 के समान संख्या में टोकन खरीदे जा सकते हैं।

छोटे लियू का टोकन बिल

देशी डेवलपर्स के लिए, GPT का Codex पैकेज अभी बाजार में उपलब्ध सबसे सस्ता token है, जो ZhiPu और Kimi से कई गुना सस्ता है। यह विपरीत लग सकता है, लेकिन सच यह है कि देशी मॉडल्स उच्च-इंटेंसिटी कोडिंग स्थितियों में इसकी कीमत-प्रदर्शन दक्षता के साथ पूरी तरह से प्रतिस्पर्धा नहीं कर सकते।

यहां ध्यान देने योग्य बात यह है कि कोडेक्स वास्तविक अर्थों में असीमित प्लान नहीं है; यदि उच्चतम स्तर, 200 डॉलर के अनुसार, एक सप्ताह में लगभग 20 अरब की सीमा होती है।

लेकिन, कुछ डेवलपर्स द्वारा "मध्यस्थ" आदि के माध्यम से मॉडल का उपयोग किए जाने के कारण, कुछ मॉडल की वास्तविक लागत आधिकारिक चैनल की तुलना में काफी कम होती है, जिससे कभी-कभी कम कीमत पर अधिक टोकन खरीदे जा सकते हैं, इसलिए 300 रुपये में 120 अरब टोकन खरीदने की स्थिति बन गई।

वास्तव में, घरेलू मॉडल ने इसी तरह के पैकेज लॉन्च नहीं किए हैं, लेकिन यदि इसे ध्यान से देखा जाए, तो कोडेक की तुलना में ऐसे पैकेज में सीमाओं के मामले में बड़ी सीमाएँ हैं।

02 घरेलू मूल्य निर्धारण का दर्द

देशी बड़े मॉडल की कीमत निर्धारण की स्थिति को एक वाक्य में वर्णित किया जा सकता है:

आपको लगा कि आप बुफे के मैदान में प्रवेश कर रहे हैं, लेकिन अंत में पता चला कि व्यापारी अभी भी भार के आधार पर शुल्क ले रहे हैं।

उदाहरण के लिए, पैकेज के मामले में, देशी Kimi, GLM-5.2: Kimi Code के चार स्तर हैं: 49, 99, 199, 699 युआन, और कोटा साप्ताहिक रूप से रीसेट होते हैं; GLM Coding Plan के Lite, Pro, Max के लिए प्रत्येक 5 घंटे में लगभग 80, 400, 1600 प्रॉम्प्ट, साप्ताहिक लगभग 400, 2000, 8000 प्रॉम्प्ट, और GLM-5.2 के शीर्ष समय में 3 गुना कोटा काटा जाता है।

अली के qoder के उदाहरण के साथ, लेखक के एक B-टीयर ग्राहक समर्थन में काम करने वाले दोस्त आमी (उपनाम) के अनुसार: "qoder पहले भारत में सबसे अच्छा AI IDE था, लेकिन इसकी अपनी नई कीमत ने इसकी ताकत को खत्म कर दिया।"

पैकेज के संदर्भ में: Qoder CN व्यक्तिगत Pro और Pro+ क्रमशः 59 और 169 युआन/माह हैं, जिसमें 2000 और 6000 क्रेडिट्स शामिल हैं; टीम्स और VPC संस्करण क्रमशः 99 और 199 युआन/सीट·माह हैं, जिनमें सभी में 3000 क्रेडिट्स शामिल हैं, और VPC संस्करण 50 सीट्स से शुरू होता है।

इस साल उन्होंने लिंगमा के मूल्य निर्धारण को एकीकृत करने के बाद, जितना मुझे पता है, कम से कम बीस-तीस कंपनियाँ ने अपडेट जारी रखने से इनकार कर दिया।" आमी ने बाद में बताया।

अमी के परीक्षण के अनुसार, qoder एंटरप्राइज वर्जन 199 प्लान, उनके उपयोग के अनुसार, 3 दिन में समाप्त हो जाता है, और यदि इसे भारी डेवलपर के उपयोग के अनुसार उपयोग किया जाए, तो शायद एक दिन में ही समाप्त हो जाएगा।

इसी तरह, पैकेज के संदर्भ में, GLM-5.2 भी देशी उपयोगकर्ताओं को अलग-अलग भावनाएँ देता है।

डेवलपर शियाओ के अनुसार: "GLM-5.2 का प्लान लगभग नहीं है, भले ही प्लान हो, तो शिखर समय में भी ट्रैफिक सीमा होती है, और यह उपयोगकर्ताओं को 'पीछे से घायल' करता है।"

36氪 की रिपोर्ट के अनुसार: GLM-5.2 के पैकेज, जिन्हें पहले कॉन्सर्ट टिकट से भी अधिक कठिनाई से प्राप्त किया जाता था, हर दिन सुबह 10 बजे रीफ्रेश होते थे, और खरीद पाना पूरी तरह से आपकी प्रतिक्रिया गति पर निर्भर करता था।

जनवरी 2026 में, Zhizhu ने घोषणा की कि कैलकुलेशन क्षमता की कमी के कारण, दैनिक बिक्री मात्रा को सीधे मूल की 20% तक कम कर दिया गया है, जहां प्रतिदिन सुबह 10 बजे कुछ कोटा जारी किया जाता है और कुछ ही मिनटों में समाप्त हो जाता है।

अंततः, घरेलू मॉडल की पैकेज और कीमतों में लापरवाही मूल रूप से कम गणना क्षमता के कारण उत्पन्न असुविधा है।

2025 के चीनी इंफोर्मेशन एंड कम्युनिकेशन टेक्नोलॉजी रिसर्च इंस्टीट्यूट और इंडस्ट्री एंड इनफोर्मेशन टेक्नोलॉजी मंत्रालय के डेटा के अनुसार, चीन में 449 डेटा सेंटर हैं, जबकि संयुक्त राज्य अमेरिका में 5427 हैं। कुल कैलकुलेशन क्षमता के मामले में, चीन में 1053 EFLOPS है, जबकि संयुक्त राज्य अमेरिका में 2400 EFLOPS है।

लेकिन यहाँ मुख्य बात यह है: अमेरिका के 2,400 EFLOPS में, उच्च-अंत GPU का अनुपात बहुत अधिक है; चीन की कैलकुलेशन क्षमता में, हुआवेई टेंसें, केंवुजी आदि घरेलू चिप्स की बड़ी मात्रा है, जिनकी एकल कार्ड प्रदर्शन क्षमता H100 से एक पीढ़ी का अंतर है।

2026 मार्च से, बढ़ती हुई कैलकुलेशन आवश्यकताओं के जवाब में, Zhishu, Alibaba Cloud, Tencent Cloud और Baidu ने Token की कीमत में 5% से 460% तक की वृद्धि की।

सरल शब्दों में, घरेलू मॉडल की "कम कीमत" और "मूल्य युद्ध" पहले ही अतीत की बात बन चुकी है।

न केवल देशी मॉडल बफेट नहीं बनाना चाहते, बल्कि इसलिए क्योंकि गणना कर ली गई है: वर्तमान कैलकुलेशन लागत और हानि की स्थिति के साथ, मासिक पैकेज करना इस बात पर जुए के बराबर है कि उपयोगकर्ता इसे बर्बाद नहीं करेंगे, और भारतीय डेवलपर्स और प्रोग्रामर्स के दिनभर में दसों या सैकड़ों अरब टोकन खर्च करने के तरीके के अनुसार, ऐसा व्यापार मॉडल जल्द ही लागत रेखा को पार कर जाएगा।

और OpenAI और Anthropic के प्रोग्रामिंग पैकेज, उच्च-संपत्ति वाले उद्योग ग्राहकों को बेच रहे हैं—Cursor, GitHub Copilot जैसे बड़े ग्राहक Anthropic को एक वर्ष में 14 अरब डॉलर की आय दे सकते हैं।

उच्च कैलकुलेशन क्षमता के साथ, यह व्यावसायिक मॉडल "निश्चित मासिक शुल्क" के बदले "दीर्घकालिक ग्राहक बंधन" का उपयोग करता है, ग्राहक गुणवत्ता उच्च होती है और ARPU भी अपेक्षाकृत उच्च होता है, जिससे लागत समान रूप से वितरित होती है।

इसके विपरीत, घरेलू बाजार में अलीबाबा जैसे बड़े क्लाउड प्लेयर होने के बावजूद, समस्या यह है: अलीबाबा क्लाउड का FY2026 का समायोजित EBITA मार्जिन केवल 7.5% है, और क्लाउड इंटेलिजेंस ग्रुप हालांकि आय में तेजी से वृद्धि कर रहा है, लेकिन लाभ अधिक नहीं है।

और पारंपरिक ब облачных провайдеров могут предлагать «безлимитные облачные серверы», потому что пользователи не используют их на полную мощность круглосуточно. На одном ECS фактическое использование ЦП может составлять всего 10%, поэтому облачный провайдер может продавать одну физическую машину десяти пользователям.

लेकिन बड़े मॉडल निष्कर्षण अलग होता है: एक टोकन आने पर, GPU की गणना क्षमता को वास्तविक रूप से खर्च करना पड़ता है। यदि उपयोगकर्ता 24 घंटे लगातार इस्तेमाल करता है, तो क्लाउड प्रदाता के HBM मेमोरी, GPU कोर और बिजली का खर्च सभी अपरिवर्तनीय खर्च होते हैं, और कोई अतिरिक्त बिक्री की संभावना नहीं होती।

03 मॉडल का "गोल्डन ट्रायंगल"

मूल्य के अलावा, घरेलू डेवलपर्स के लिए Codex और Claude Code का चयन निश्चित रूप से उनकी शक्तिशाली प्रोग्रामिंग प्रदर्शन के कारण है।

हालाँकि, प्रदर्शन के मामले में, घरेलू मॉडल भी कुछ प्रचलित पूर्वाग्रहों की तरह नहीं हैं।

कई डेवलपर्स के साथ बातचीत के बाद, लेखक ने एक सामान्य दृष्टिकोण पाया: घरेलू बड़े मॉडल, विशेष रूप से GLM-5.2 जैसे सबसे नवीनतम मॉडल, अब कुछ सहायक और मामूली कार्यों, जैसे परीक्षण करना और बग ठीक करना, को संभाल सकते हैं।

लेकिन अधिक जटिल और लंबे समय तक चलने वाले असमानांतर कार्यों पर, घरेलू मॉडल अभी भी GPT, Claude जैसे शीर्ष मॉडलों के साथ बड़ा अंतर रखते हैं।

डेवलपर छोटे जांग ने इस वर्ष मार्च में एक बार देशी मॉडल का उपयोग किया था, GLM, Qwen और GPT का उपयोग करके एक ही कार्य की तुलना की, जिसमें केवल GPT ने पूरा किया और पेज की आवश्यकताओं के अनुसार परिणाम उत्पन्न किया, जो एक बहु-स्तरीय, बहु-स्तंभीय सामग्री की तुलना और परिणाम उत्पन्न करने की प्रोजेक्ट थी।

दूसरे डेवलपर शियाओ ने कहा कि अपने अनुभव के अनुसार, किमी 2.7 और डोबाओ 2.1 प्रो की प्रदर्शन क्षमता भी काफी अच्छी है, लेकिन सामान्य तौर पर यह एक स्तर कम है (दूसरी पंक्ति में आता है), हालांकि सामान्य रूप से यह क्लॉड सोनेट 4.6 से अधिक है।

वर्तमान में डेवलपर समुदाय में सामान्य सहमति यह है कि GLM-5.2 पहला ऐसा घरेलू मॉडल है जो Opus स्तर तक पहुँच गया है।

यह वास्तविक, जटिल और लंबे समय तक चलने वाले असमानांतर कार्यों के लिए उपलब्ध और स्थान रखता है।

हालांकि दुनिया के ज्ञान जैसे कई पहलुओं में यह वास्तविक Opus मॉडल से काफी पीछे है, लेकिन यह भारतीय मॉडल के लिए एक नया उच्च स्तर बनने से नहीं रोकता।

लेकिन वास्तविकता यह है: यह अभी शुरू हुआ है, कुछ "शीर्ष छात्र" को अन्य, प्रदर्शन से असंबंधित कारकों द्वारा धीमा किया गया है।

विशेष रूप से, ऐसे कारकों में कैश की दक्षता कम होना, शिखर समय पर भी ट्रैफिक सीमा लागू होना आदि शामिल हैं, जिससे डेवलपर्स का वास्तविक अनुभव बहुत खराब होता है।

इससे मॉडल तुलना में एक और आयाम उभरता है: स्थिरता।

एक लाइन पर डेवलपर्स और प्रोग्रामर्स के अनुभव में, मॉडल का चयन, अब सिर्फ प्रदर्शन की तुलना नहीं है, बल्कि—

प्रदर्शन—कीमत—स्थिरता का "स्वर्ण त्रिकोण".

इन तीन आयामों में, घरेलू मॉडल केवल पहले आयाम के कुछ सूचकों पर ही कमाल कर पाया।

हाल ही में, देशी Kimi ने अपना नवीनतम फ्लैगशिप मॉडल K3 जारी किया: यह एक 2.8 ट्रिलियन पैरामीटर, मूल बहुआयामी और 100 लाख टोकन कंटेक्स्ट वाला ओपन-वेट्स फ्लैगशिप मॉडल है, जो लंबी अवधि के प्रोग्रामिंग, ज्ञान-आधारित कार्यों और गहन तर्क पर केंद्रित है।

अनेक मूल्यांकनों में, उसका Artificial Analysis पर बुद्धिमत्ता सूचकांक 57 है और वह विश्व में तीसरे स्थान पर है; Arena फ्रंटएंड प्रोग्रामिंग लीडरबोर्ड पर 1679 अंकों के साथ शीर्ष पर है, और इतना कहा जा रहा है कि उसकी प्रदर्शन क्षमता Claude Fable 5 के बराबर हो चुकी है।

हालांकि, चमकदार स्कोर और रैंकिंग के पीछे, डेवलपर्स की सबसे बड़ी चिंता एक ही शब्द है: कीमत-प्रदर्शन अनुपात।

K3 के लॉन्च के बाद, कई डेवलपर्स ने बताया कि अभी भी Kimi बहुत महंगा है, Codex की तुलना में कोई कीमत-प्रदर्शन लाभ नहीं है, और कोटा पर्याप्त नहीं है। केवल API मूल्य पर विचार करें, K3 को "सस्ता" कहा नहीं जा सकता: प्रति मिलियन Token कैश/इनपुट/आउटपुट क्रमशः 2/20/100 युआन हैं; GPT-5.6 Sol 0.5/5/30 डॉलर है, K3 Sol से कम है, लेकिन GPT-5.6 Luna के 0.1/1/6 डॉलर की तुलना में स्पष्ट रूप से अधिक है।

और K3 का उपयोग करते समय, डेवलपर्स ने बताया कि API कनेक्शन बार-बार टूट गया, और कभी-कभी सुबह भर के लिए भी टूट गया।

वर्तमान स्थिति के अनुसार, देशी डेवलपर्स को देशी मॉडल के लिए भुगतान करने के लिए अनिच्छुक नहीं हैं, बल्कि देशी मॉडल वर्तमान में कैलकुलेशन क्षमता की कमी और उच्च लागत के कारण Codex जैसे लागत-दक्ष पैकेज का उपयोग नहीं कर सकते, और केवल दिखने में स्व-सेवा भोजन की तरह, लेकिन वास्तव में सीमित "डायंग पिंग पैकेज" (जैसे Zhipu का Coding Plan) ही खोल सकते हैं।

और पैकेज का अनुभव अस्थिर और मूल्य-प्रति-रुपया अस्पष्ट होने के कारण, उपयोगकर्ता एक बार उपयोग करने के बाद बने रहने में कठिनाई महसूस करते हैं। यह मूल रूप से, वर्तमान में कैलकुलेशन क्षमता के आधार की उच्च लागत के संदर्भ में, उपयोगकर्ता का तर्कसंगत चयन है।

ये सब केवल एक जोखिम की ओर संकेत करना चाहते हैं, न कि किसी की बहादुरी बढ़ाना या अपनी आत्मविश्वास कम करना।

वर्तमान में, भारतीय मॉडल GPT, Claude के पीछे भागने के दौरान, प्रदर्शन पर बहुत जोर देते हैं, लेकिन भारतीय बड़े मॉडल को विकास से लेकर अनुप्रयोग तक पहुँचने के लिए, प्रदर्शन के अलावा भी कई पहाड़ों को पार करना होगा।

हमें इंतजार करना होगा, जब तक घरेलू कैलकुलेशन बेसिस का बड़े पैमाने पर उत्पादन शुरू न हो जाए, जब तक तकनीक, कीमत और स्थिरता में समन्वय नहीं हो जाता, तब तक हमारा उत्पाद उपयोगकर्ताओं की उम्मीदों को पूरा नहीं कर पाएगा।