कस्टम AI मॉडल के साथ आगे बढ़ें। मैंने Azure A100 पर 8B–30B कोडिंग मॉडल्स का सप्ताहों तक परीक्षण किया है। हमारी आर्किटेक्चर को बदल देने वाला मॉडल? 137M पैरामीटर्स-वाला मॉडल, जिसे M2 Pro Mac mini पर 3 मिनट 35 सेकंड में ट्रेन किया गया। Microsoft का FastContext बॉटलनेक दिखाता है: रिपॉजिटरी एक्सप्लोरेशन एक कोडिंग एजेंट के टोकन्स का 46.5% खा सकता है। उनके प्रकाशित प्रयोगों ने मुख्य एजेंट के उपयोग को अधिकतम 60.3% तक कम किया। मैंने DeltaCode में इस विचार को आगे बढ़ाया: → Go वैध रिपॉजिटरी कॉन्टेक्स्ट को सूचीबद्ध करता है → हमारा कस्टम 137M रैंकर सामान्य चयन संभालता है → FastContext 4B केवल अस्पष्ट READ/GLOB/GREP एक्सप्लोरेशन के लिए उपयोग होता है → कस्टम Qwen3 4B कोडिंग प्रीफ्लाइट करता है → महंगे मॉडल्स को पूरे रिपॉजिटरी के बजाय संपीड़ित साक्ष्य प्राप्त होते हैं → कंपाइलर्स और टेस्ट्स को अंतिम अधिकार प्राप्त है मेरा कस्टम रैंकर ने प्राप्त किया: • 57.97% सील्ड Recall@5 • स्टॉक मॉडल से +5.80 पॉइंट्स • Recall@1 में +14.49 पॉइंट्स • रूटेड एक्सटर्नल केसेस पर 73.33% Recall@5 • 0 एक्जीक्यूशन अधिकार दक्षता में भारी अंतर है: • 4B एक्सप्लोरर की तुलना में 96.6% कम पैरामीटर्स • 27B–30B मॉडल की तुलना में 99.5% कम • केवल 0.3225% पैरामीटर्स ही ट्रेन किए गए • इसलिए 99.68% बेस स्थिर रहा • इस एडेप्टर के लिए A100 की सभी लागत से बचा गया • जब कैसकेड स्थानीय रूप से सामान्य रिपॉजिटरी सर्चेज संभालता है, तो क्लाउड-कॉन्टेक्स्ट टोकन्स में 35–55% की कमी का अनुमान है* बड़े मॉडल्स की विफलता उनकी बुद्धिमत्ता की कमी के कारण नहीं हुई। उनकी विफलता इसलिए हुई कि हमने एक मॉडल से एक्सप्लोर, रीज़न, फॉरमेट, कोड, टूल्स संचालित करने और स्वयं की पुष्टि करने के सभी कार्य मांगे। छोटे मॉडल्स जीते, क्योंकि प्रत्येक के पास केवल एक मापने योग्य कार्य था। मैंने महंगे A100 प्रयोगों का उपयोग करके सीखा है कि प्रोडक्शन में महंगी कंप्यूटिंग कीआवश्यकता कैसे नहीं होनी चाहिए। कोडिंग एजेंट्स का भविष्य संभवतः एक विशाल LLM नहीं होगा। यह संभवतः छोटे-छोटे स्पेशलिस्ट्स की टीम होगी—प्रत्येक कोएक कार्य के लिए ट्रेन किया गया, प्रत्येक स्वतंत्र रूप से मापा गया,और कोईभीअंतिमअधिकारकेलिएविश्वसनीयनहींहै।