---
title: "BroadNet के ख़ारिज मॉडल: LLM, स्पीच, OCR, एम्बेडिंग | BroadRouter"
description: "BroadNet अपने टेस्ट किए और ख़ारिज मॉडल कारण सहित प्रकाशित करता है: क्रेडेंशियल-सुरक्षा जाँच में फ़ेल चैट मॉडल, और हारे हुए स्पीच, OCR, एम्बेडिंग मॉडल।"
url: https://broadrouter.com/hi/blog/models-broadnet-ruled-out/
lang: hi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/blog/models-broadnet-ruled-out/) (2026-11-16 को अपडेट किया गया).

# BroadNet ने किन मॉडलों को परखकर ख़ारिज किया, और क्यों

BroadNet Inference टीम · 4 मिनट में पढ़ें · प्रकाशित 2026-11-15 · अपडेट किया गया 2026-11-16

BroadNet का मॉडल कैटलॉग अपनी लैब में टेस्ट के बाद लगभग 30 मॉडलों और तरीक़ों को ख़ारिज बताता है। कारण ज़्यादातर पाँच समूहों में आते हैं: उसी काम के लिए कोई मज़बूत मॉडल जीत गया, क्रेडेंशियल-सुरक्षा जाँच, ऐसा लाइसेंस जो API से सर्व करने से रोकता है, आमने-सामने मुक़ाबले में हारा क्वांटाइज़ेशन फ़ॉर्मैट, और अरबी में गिरावट। सभी नतीजे सितंबर 2026 के BroadNet के अपने माप हैं।

## मुख्य बातें

-   BroadNet का कैटलॉग हर मॉडल पर PROD, SERVED, BENCH, QUANT, FT या RULED OUT का लेबल लगाता है, और हर अस्वीकृति का कारण देता है।
-   BroadNet की क्रेडेंशियल-सुरक्षा टेस्ट बैटरी ने तीन चैट मॉडल को सुरक्षा भूमिकाओं से बाहर रखा: Qwen3.5 35B A3B, साथ ही GLM 4.7 Flash और Nemotron 3 Nano 30B A3B, जिन पर लेबल RULED OUT नहीं, SERVED ही बना रहता है।
-   EAGLE3 स्पेक्युलेटिव डिकोडिंग ख़ारिज हुई, क्योंकि 32 समानांतर अनुरोधों पर उसने थ्रूपुट का 69% घटा दिया।
-   मौजूदा डॉक्युमेंट-पार्सिंग टूल LlamaParse ख़ारिज हुआ: वह टेबल खो देता था, और BroadNet के मुताबिक़ ख़ुद होस्ट करना प्रति 1,000 पेज 98% सस्ता था।
-   कई एम्बेडिंग मॉडलों की पब्लिक लीडरबोर्ड पर जीत BroadNet के असली अरबी ट्रैफ़िक पर टिक नहीं पाई।

**इस पेज पर**

1.  BroadNet ने कौन-से चैट मॉडल ख़ारिज किए?
2.  कौन-से स्पीच मॉडल ख़ारिज हुए?
3.  कौन-से डॉक्युमेंट, एम्बेडिंग और इमेज मॉडल हारे?
4.  इन अस्वीकृतियों से क्या सीख मिलती है?

BroadNet का [मॉडल कैटलॉग](https://www.broadnet.ai/inference/models) हर उस मॉडल को लिस्ट करता है जिसे उसने, उसके कहे मुताबिक़, अपने हार्डवेयर पर चलाया, बेंचमार्क किया, क्वांटाइज़ किया या फ़ाइन-ट्यून किया, और जिन्हें ख़ारिज किया उन पर कारण के साथ निशान लगाता है। लगभग 30 मॉडलों और तरीक़ों पर RULED OUT लेबल है। नीचे के आँकड़े सितंबर 2026 में BroadNet की लैब में मापे गए; ये BroadNet के नतीजे हैं, हमारे नहीं।

कैटलॉग छह लेबल इस्तेमाल करता है: PROD (लाइव ट्रैफ़िक चलाया), SERVED (कैटलॉग के शब्दों में, “ran on our fleet”, अनुवाद: हमारे फ़्लीट पर चला), BENCH (बेंचमार्क किया गया), QUANT (क्वांटाइज़ेशन BroadNet ने बनाया), FT (BroadNet ने फ़ाइन-ट्यून किया) और RULED OUT।

## BroadNet ने कौन-से चैट मॉडल ख़ारिज किए?

| मॉडल | BroadNet ने क्या किया | ख़ारिज होने का कारण |
| --- | --- | --- |
| Qwen3.5 35B A3B (AWQ 4-bit) | स्पीड टियर के रूप में सर्व किया, लगभग 164 टोकन/s | सुरक्षा भूमिकाओं के लिए BroadNet की क्रेडेंशियल-सुरक्षा टेस्ट बैटरी में फ़ेल |
| GLM 4.7 Flash (AWQ) | प्रयोग के तौर पर सर्व किया | लेबल SERVED है, RULED OUT नहीं: BroadNet कहता है कि उसकी क्रेडेंशियल-सुरक्षा टेस्ट बैटरी ने इसे सुरक्षा भूमिकाओं से बाहर किया और यह प्रोडक्शन से नीचे रखा गया |
| Nemotron 3 Nano 30B A3B (NVFP4) | कस्टम reasoning पार्सर के साथ सर्व किया | लेबल SERVED है, RULED OUT नहीं: BroadNet कहता है कि उसकी क्रेडेंशियल-सुरक्षा टेस्ट बैटरी ने इसे सुरक्षा भूमिकाओं से बाहर किया और यह प्रोडक्शन से नीचे रखा गया |
| Qwen3.6 35B A3B | RTX 5090 और GB10 पर सर्व किया | चैटबॉट स्लॉट Gemma 4 26B से हारा |
| Gemma 4 E4B (AWQ INT4) | GB10 पर सह-किरायेदार के रूप में सर्व किया, लगभग 94 टोकन/s | चैटबॉट स्लॉट Gemma 4 26B से हारा |
| Gemma 4 26B A4B NVFP4 (तीन पब्लिशर) | क्वांटाइज़ेशन का मूल्यांकन किया | sm\_120 और sm\_121 GPU पर आमने-सामने तुलना के बाद AWQ के पक्ष में हटाया गया |
| EAGLE3 स्पेक्युलेटिव डिकोडिंग | पूरे लोड वाली सर्विंग के लिए टेस्ट किया | 32 समानांतर अनुरोधों पर थ्रूपुट का 69% घटा; मल्टी-टोकन-प्रेडिक्शन ड्राफ़्टर रखे गए |

ओपन मॉडल चुनने वाले किसी भी व्यक्ति के लिए यह पैटर्न मायने रखता है। तीन अस्वीकृतियाँ गुणवत्ता के बारे में नहीं, सुरक्षा के बारे में हैं: ऐसे मॉडल जो काफ़ी तेज़ थे, पर क्रेडेंशियल दोहराते थे। यही वह कमज़ोरी है जो BroadNet की [Safety Map स्टडी](https://broadrouter.com/hi/blog/llm-safety-map-39-models/) को छोटे सक्रिय हिस्से वाले mixture-of-experts मॉडलों में सबसे ज़्यादा मिली। चैटबॉट स्लॉट जीतने वाला मॉडल, Gemma 4 26B A4B, वही है जिसे BroadNet [Gemma 4 VL 26B](https://broadrouter.com/hi/models/gemma-4-vl-26b/) के नाम से बेचता है।

## कौन-से स्पीच मॉडल ख़ारिज हुए?

| मॉडल | ख़ारिज होने का कारण |
| --- | --- |
| Gemma 4 E2B, Gemma 4 12B (ट्रांसक्राइबर के रूप में) | इनकी जगह E4B ऑडियो वैरिएंट रखा गया |
| Omnilingual ASR 300M, 1B, 3B और CTC वैरिएंट (Meta) | स्लॉट 7B वैरिएंट को मिला |
| Voxtral Mini 3B / 4B Realtime (Mistral) | अरबी के लिए ख़ारिज |
| ArTSTv3 (MBZUAI वंश) | अरबी स्लॉट के लिए ख़ारिज; Cohere Transcribe Arabic रखा गया |
| FireRedVAD, DeepFilterNet, BNR (फ़्रंट-एंड) | आमने-सामने तुलना के बाद Silero वॉइस एक्टिविटी डिटेक्शन अपनाया गया |

BroadNet बताता है कि उसका रखा हुआ मॉडल, Cohere Transcribe Arabic 07-2026, उसके अपने टेस्ट में MASC बोली वाली स्पीच पर 21.1 वर्ड एरर रेट देता है, जबकि ElevenLabs Scribe v2 का 22.3 और Whisper large-v3 का 31.5 है। वह इस मॉडल को [BroadNet Transcribe Arabic](https://broadrouter.com/hi/models/cohere-transcribe-arabic/) के रूप में सर्व करता है। कैटलॉग यह भी बताता है कि Whisper large-v3 को फ़ॉलबैक के तौर पर बेंचमार्क किया गया।

## कौन-से डॉक्युमेंट, एम्बेडिंग और इमेज मॉडल हारे?

**OCR और डॉक्युमेंट पार्सिंग**

-   **LlamaParse**, यानी मौजूदा API, ने BroadNet के OmniDocBench सबसेट पर 16.6 स्कोर किया। BroadNet ने इसे इसलिए ख़ारिज किया क्योंकि “it loses tables, and self-hosting is 98% cheaper per 1,000 pages” (अनुवाद: यह टेबल खो देता है, और ख़ुद होस्ट करना प्रति 1,000 पेज 98% सस्ता है)।
-   **olmOCR-2, HunyuanOCR, GOT-OCR 2.0 और Nanonets OCR2** का मूल्यांकन हुआ और वे ख़ारिज हुए; Nanonets लाइसेंस की शर्तों पर। dots.mocr को प्रोडक्शन के लिए चुना गया, क्योंकि वह पार्स भी करता है और आकृतियों का वर्णन भी, हालाँकि PaddleOCR-VL 1.6 का स्कोर ज़्यादा था (86.81 के मुक़ाबले 94.74)।

**एम्बेडिंग**

-   **gemini-embedding-2** अरबी के लिए ख़ारिज हुआ, क्योंकि वह gemini-embedding-001 से पीछे गया (BroadNet के रिट्रीवल बेंचमार्क पर 0.824 के मुक़ाबले 0.767)।
-   **nomic-embed-text v1.5**, जो पहले इस्तेमाल में था, ने कुल 0.468 और अरबी पर 0.130 स्कोर किया, और हटा दिया गया।
-   **Octen 8B, Harrier 0.6B और Nemotron Embed 1B** सर्व किए गए और असली अरबी ट्रैफ़िक पर ख़ारिज हुए, “where our podium held despite their public-board wins” (अनुवाद: जहाँ उनकी पब्लिक बोर्ड वाली जीत के बावजूद हमारे टॉप मॉडल आगे रहे)।

BroadNet एक और नतीजा जोड़ता है जो मॉडल के चुनाव से भी ज़्यादा अहम निकला: वर्कलोड के हिसाब से लिखे गए क्वेरी निर्देश ने रिट्रीवल गुणवत्ता (nDCG) को 0.048 बदला, जो 4B से 8B एम्बेडिंग मॉडल पर जाने से भी ज़्यादा था।

**इमेज जनरेशन और सुरक्षा**

-   **Cosmos3 Super 64B और HunyuanImage 3.0 80B** हार्डवेयर में फ़िट न होने और लाइसेंस की शर्तों पर ख़ारिज हुए।
-   **openai/privacy-filter 1.5B** ने BroadNet के लीक कॉर्पस में 100% क्रेडेंशियल पकड़े, पर वेतन के आँकड़े 0%, इसलिए इसे फ़ायरवॉल के रूप में ख़ारिज किया गया।

## इन अस्वीकृतियों से क्या सीख मिलती है?

चार सबक़ BroadNet के अपने स्टैक से आगे भी लागू होते हैं:

1.  **लीडरबोर्ड नहीं, काम को टेस्ट करें।** पब्लिक बोर्ड पर जीतने वाले कई एम्बेडिंग मॉडल असली अरबी ट्रैफ़िक पर हार गए।
2.  **सुरक्षा एक अलग जाँच है।** तेज़ और सक्षम मॉडल भी क्रेडेंशियल टेस्ट में फ़ेल हो सकता है। किसी मॉडल के सीक्रेट देखने से पहले यह टेस्ट चलाएँ; BroadNet का [मूल्यांकन तरीक़ा](https://broadrouter.com/hi/blog/llm-sensitive-data-safety-evaluation-method/) एक शुरुआत है।
3.  **लाइसेंस तय करते हैं कि क्या सर्व हो सकता है।** Voxtral 4B TTS और Higgs Audio v3 जैसे ग़ैर-व्यावसायिक मॉडल कैटलॉग में सिर्फ़ गुणवत्ता की ऊपरी सीमा के रूप में आते हैं।
4.  **सर्विंग के फ़ैसले भी मापे जाते हैं।** क्वांटाइज़ेशन फ़ॉर्मैट और ड्राफ़्टिंग तरीक़े आमने-सामने के आँकड़ों पर ख़ारिज हुए, डिफ़ॉल्ट रूप से नहीं। देखें [BroadNet का GPU हार्डवेयर और सर्विंग का तरीक़ा](https://broadrouter.com/hi/blog/broadnet-gpu-fleet-and-serving/)।

यहाँ का हर आँकड़ा एक कंपनी की लैब और ट्रैफ़िक से है। इसे टेस्ट करने लायक़ चीज़ों की शॉर्टलिस्ट की तरह इस्तेमाल करें, फिर बदलने से पहले [अपने डेटा पर मूल्यांकन करें](https://broadrouter.com/hi/blog/evaluate-llm-before-switching/)। ख़ारिज या बेंचमार्क वाली पंक्ति ऐसी चीज़ भी नहीं है जिसे आप कॉल कर सकें; [मॉडल कैटलॉग कैसे पढ़ें](https://broadrouter.com/hi/blog/understand-model-status/) बताता है कि लाइव, अनुरोध पर मिलने वाली और रिसर्च वाली एंट्री में फ़र्क़ कैसे करें।

इस विषय के मुफ़्त टूल (अंग्रेज़ी में)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[मुफ़्त टूल (अंग्रेज़ी में)](https://broadrouter.com/tools/)

## इस लेख के शब्द

[एम्बेडिंग (embeddings)](https://broadrouter.com/hi/glossary/embeddings/)

एम्बेडिंग, फ़्लोटिंग-पॉइंट संख्याओं की सूचियाँ (वेक्टर) हैं जो कोई मॉडल टेक्स्ट, इमेज या दूसरे इनपुट को दर्शाने के लिए बनाता है। मिलते-जुलते अर्थ वाले इनपुट के वेक्टर पास-पास होते हैं, इसलिए वेक्टर के बीच की दूरी से सर्च नतीजों की रैंकिंग, दस्तावेज़ों का समूह बनाना या जुड़ी चीज़ें ढूँढना संभव होता है।

[AWQ (activation-aware weight quantization)](https://broadrouter.com/hi/glossary/awq/)

AWQ (activation-aware weight quantization) एक post-training तरीक़ा है जो LLM के weights को कम प्रिसिज़न, आम तौर पर 4-bit integers, में दबाता है। यह छोटे calibration सेट के activation आँकड़ों से सबसे अहम weight चैनल पहचानता है और उन्हें scale करता है, ताकि उनकी सटीकता कम घटे। इसे backpropagation की ज़रूरत नहीं।

[क्वांटाइज़ेशन (quantization)](https://broadrouter.com/hi/glossary/quantization/)

क्वांटाइज़ेशन, न्यूरल नेटवर्क की संख्याओं, मुख्य रूप से उसके weights, को 16-bit के बजाय 8-bit या 4-bit जैसे कम प्रिसिज़न वाले फ़ॉर्मैट में रखने की प्रक्रिया है, ताकि मॉडल कम मेमोरी ले और अक्सर तेज़ चले। अच्छे तरीक़े सटीकता में होने वाले नुक़सान को कम रखते हैं।

[टोकन (token)](https://broadrouter.com/hi/glossary/token/)

टोकन टेक्स्ट की वह इकाई है जिसे लैंग्वेज मॉडल पढ़ता और लिखता है: कोई शब्द, शब्द का हिस्सा, विराम चिह्न या बाइट का क्रम, जो मॉडल का टोकनाइज़र बनाता है। LLM API इस्तेमाल को टोकन में गिनते हैं, उसी में लिमिट लगाते हैं और आम तौर पर बिल भी बनाते हैं।

[ओपन-वेट मॉडल (open-weight model)](https://broadrouter.com/hi/glossary/open-weight-model/)

ओपन-वेट मॉडल ऐसा मशीन लर्निंग मॉडल है जिसके ट्रेन किए weights सबके डाउनलोड करने और चलाने के लिए प्रकाशित होते हैं, आम तौर पर शर्तों वाले लाइसेंस के साथ। यह पूरी तरह ओपन-सोर्स AI से अलग है, जो ट्रेनिंग कोड और ट्रेनिंग डेटा की विस्तृत जानकारी भी जारी करता है, ताकि दूसरे मॉडल को समझ और दोबारा बना सकें।

[कॉन्करेंसी (concurrency)](https://broadrouter.com/hi/glossary/concurrency/)

कॉन्करेंसी, किसी क्लाइंट के एक ही समय पर चल रहे (in-flight) अनुरोधों की संख्या है। LLM API अक्सर इसकी सीमा हर key या प्लान पर, प्रति मिनट अनुरोधों से अलग रखते हैं, क्योंकि हर खुला अनुरोध जवाब पूरा होने तक GPU क्षमता घेरे रहता है।

[टेक्स्ट-टू-स्पीच (text-to-speech, TTS)](https://broadrouter.com/hi/glossary/text-to-speech/)

टेक्स्ट-टू-स्पीच (TTS), या स्पीच सिंथेसिस, लिखे टेक्स्ट को बोले गए ऑडियो में बदलता है। TTS API टेक्स्ट, एक आवाज़ और MP3 या WAV जैसा आउटपुट फ़ॉर्मैट लेता है और जनरेट की गई आवाज़ लौटाता है। यह स्पीच-टू-टेक्स्ट का उलटा है, जो ऑडियो को टेक्स्ट में बदलता है।

[थ्रूपुट (throughput)](https://broadrouter.com/hi/glossary/throughput/)

LLM सर्विंग में थ्रूपुट वह कुल काम है जो कोई सिस्टम सभी कॉन्करेंट अनुरोधों में प्रति इकाई समय पूरा करता है, आम तौर पर आउटपुट टोकन प्रति सेकंड या अनुरोध प्रति सेकंड में नापा जाता है। यह प्रति-स्ट्रीम स्पीड से अलग है, जो बताती है कि एक अनुरोध को उसके टोकन कितनी तेज़ी से मिलते हैं।

## अक्सर पूछे जाने वाले सवाल

### BroadNet अपने ख़ारिज किए गए मॉडल क्यों प्रकाशित करता है?

उसका कैटलॉग कहता है कि वह "what we rule out as carefully as what we ship" (अनुवाद: जो हम ख़ारिज करते हैं, उसे उतनी ही सावधानी से जितना जो हम लॉन्च करते हैं) प्रकाशित करता है, ताकि ख़रीदार हर सिफ़ारिश के पीछे का तर्क देख सकें। कारण सहित अस्वीकृति ऐसा सबूत है जिसे आप अपने वर्कलोड पर परख सकते हैं।

### क्या "ruled out" का मतलब है कि मॉडल ख़राब है?

नहीं। ज़्यादातर अस्वीकृतियाँ BroadNet की अपनी पाइपलाइन के किसी एक स्लॉट के लिए हैं, BroadNet के बताए सेटअप और ट्रैफ़िक पर। Qwen3.6 35B A3B और Gemma 4 E4B चैटबॉट स्लॉट Gemma 4 26B से हार गए; फिर भी वे आपके काम के लिए ठीक हो सकते हैं।

### क्रेडेंशियल-सुरक्षा टेस्ट बैटरी क्या है?

BroadNet का यह टेस्ट कि क्या कोई मॉडल दिखे हुए क्रेडेंशियल दोहराता है, उसके प्रकाशित संवेदनशील-डेटा मूल्यांकन तरीक़े पर आधारित। जो मॉडल फ़ेल होते हैं, उन्हें सुरक्षा भूमिकाओं के लिए प्रोडक्शन से नीचे रखा जाता है।

### लाइसेंस की वजह से मॉडल क्यों ख़ारिज होते हैं?

Voxtral 4B TTS और Higgs Audio v3 जैसे कुछ मज़बूत मॉडल ग़ैर-व्यावसायिक हैं, इसलिए BroadNet उन्हें सिर्फ़ गुणवत्ता की ऊपरी सीमा के तौर पर बेंचमार्क करता है और पेड API से सर्व नहीं कर सकता।

### क्या ख़ारिज किए गए मॉडल BroadNet Inference पर उपलब्ध हैं?

नहीं। API छह मॉडल बेचता है, और तीन और अनुरोध पर उपलब्ध हैं। जिन मॉडलों पर ruled out लिखा है, वे ऑफ़र नहीं किए जाते।

## आगे पढ़ें

-   [BroadNet का GPU हार्डवेयर और सर्विंग का तरीक़ा, BroadNet के शब्दों में](https://broadrouter.com/hi/blog/broadnet-gpu-fleet-and-serving/)
-   [प्रोवाइडर बदलने से पहले LLM का मूल्यांकन कैसे करें](https://broadrouter.com/hi/blog/evaluate-llm-before-switching/)
-   [Safety Map: 39 LLM संवेदनशील डेटा को कैसे संभालते हैं](https://broadrouter.com/hi/blog/llm-safety-map-39-models/)
-   [अरबी speech-to-text API: 2026 में सही API कैसे चुनें](https://broadrouter.com/hi/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Live, on request, research: मॉडल कैटलॉग को साफ़-साफ़ कैसे पढ़ें](https://broadrouter.com/hi/blog/understand-model-status/)
-   [Artificial Analysis के विकल्प: 2026 में LLM की तुलना कहाँ करें](https://broadrouter.com/hi/blog/artificial-analysis-alternatives/)
-   [LLM API SLA तुलना: Azure, Bedrock, Google और OpenAI क्या वादा करते हैं](https://broadrouter.com/hi/blog/llm-api-sla-uptime-compared/)
-   [गाइड: BroadNet Inference को ब्राउज़र में आज़माएँ, बिना अकाउंट](https://broadrouter.com/hi/guides/try-broadnet-inference-playground/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

[शुरू करें](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-models-broadnet-ruled-out&utm_content=page-cta) ·

**स्रोत**

-   [BroadNet मॉडल कैटलॉग: हर मॉडल जिसे वह चलाता, बेंचमार्क, क्वांटाइज़ या फ़ाइन-ट्यून करता है, ख़ारिज मॉडलों समेत (सितंबर 2026 में मापा गया; प्राप्त 2026-11-15) (अंग्रेज़ी में)](https://www.broadnet.ai/inference/models)
-   [BroadNet Research: स्पेक्युलेटिव डिकोडिंग और सर्विंग पर नतीजे (प्राप्त 2026-11-15) (अंग्रेज़ी में)](https://www.broadnet.ai/research)
-   [BroadNet Gemma 4 VL 26B मॉडल पेज (प्राप्त 2026-11-15) (अंग्रेज़ी में)](https://www.broadnet.ai/inference/models/gemma-4-vl-26b)
-   [BroadNet Transcribe Arabic मॉडल पेज (प्राप्त 2026-11-15) (अंग्रेज़ी में)](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)
