Laya Faoliyat yuritmoqda

Laya — ochiq kodli, autoregressiv bo‘lmagan AI qaror qabul qilish modeli. Model matn generatsiya qilmaydi; ModernBERT/mmBERT ikki yo‘nalishli enkoderlari asosida matn va tiplangan savollar uchun faqat bir marta forward pass bajaradi va taxminan 33 ms ichida strukturalangan natija hamda kalibrlangan ehtimollarni chiqaradi. Model ichki til marshrutizatsiyasi orqali 100+ tilni qo‘llab-quvvatlaydi. Yopiq Jev modeli bilan taqqoslaganda, Laya aniqlik (76.6% ga qarshi 72.7%), ko‘p tillilik (100+ til) va xarajat (mahalliy joylashtirish bepul) bo‘yicha ustunlikka ega.

Bir martalik forward qarori: holat matni va tiplangan savollar to‘plamini kiriting, bir marta forward pass orqali matn generatsiyasisiz strukturalangan natijalarni taxminan 33 ms ichida oling.
Uch turdagi qaror primitivi: choice nomzodlar ichidan bittasini tanlaydi va har bir variant ehtimolini beradi; score tartiblangan shkala bo‘yicha baho va taqsimotni beradi; noul ha/yo‘q savoliga javob berib, rostlik ehtimolini 0–1 oralig‘ida qaytaradi.
Tilni avtomatik marshrutlash: Router kirish skripti va tilini <0.5 ms ichida aniqlaydi hamda uni inglizcha yoki ko‘p tilli checkpoint’ga avtomatik yo‘naltiradi. Bu noto‘g‘ri model tanlanishi sababli “ishonch bilan noto‘g‘ri javob berish”ning oldini oladi.
Ishonchlilik bo‘yicha boshqaruv: RLCD orqali o‘qitilgan ehtimollar statistik ma’noga ega; chegara asosida yuqori ishonchli qarorlarni avtomatik tasdiqlash, past ishonchli qarorlarni esa operatorga yuborish mumkin.
Ichki workflow presetlari: model marshrutizatsiyasi, prompt injection’dan himoya, kontent xavfsizligi auditi va murojaatlarni saralash kabi tayyor savol shablonlari mavjud va darhol foydalanishga tayyor.
Mahalliy fine-tuning: Kaggle notebook berilgan bo‘lib, o‘z ma’lumotlaringiz bilan ma’lumot yaratish, RLCD treningi, temperatura moslashtirish va baholashni o‘z ichiga olgan to‘liq fine-tuning jarayonini qo‘llab-quvvatlaydi.

WeChat’da kuzatib, javobga “开源” deb yozing va AI ochiq kodli loyihalar guruhiga qo‘shiling
Ikki yo‘nalishli, autoregressiv bo‘lmagan arxitektura: ModernBERT-large (421M) yoki mmBERT-base (322M) ikki yo‘nalishli enkoderlari asosida kirish tokenlari kontekstning oldi va keyingi qismini bir vaqtda ko‘radi. Inferens vaqtida matn belgima-belgi generatsiya qilinmaydi; har bir nomzod variantga alohida [MASK] pozitsiyasi ajratiladi, bir martalik forward barcha variantlar logits’ini chiqaradi, Softmax orqali ehtimollar taqsimotiga normallashtiriladi. 33 ms darajasidagi kechikish manbai shudir.
RLCD reinforcement learning treningi: log-score, Brier score, ordinal probability score kabi qat’iy proper scoring qoidalari mukofot sifatida ishlatiladi. Model faqat haqiqiy posterior ehtimollarni chiqarganda yuqori ball oladi; noaniqlik paytida ishonchlilik tabiiy ravishda pasayadi va an’anaviy katta modellarning “ko‘r-ko‘rona o‘ziga ishongan” muammosi oldi olinadi.
Til marshrutizatsiyasi mexanizmi: Router forward’dan oldin sof Python yordamida Unicode belgilar to‘plami va tilni aniqlaydi, so‘ng checkpoint’ni tanlaydi. Inglizcha checkpoint lotin bo‘lmagan yozuvlarda 0.95 ishonch bilan 0 aniqlikdagi javob berishi mumkin, shuning uchun ishonchlilikning o‘zi oldindan ogohlantira olmaydi va marshrutlash qarori inferensdan avval bajarilishi kerak.
Ehtimollarni kalibrlash: tayyor checkpoint haddan tashqari ishonchli bo‘lishi mumkin; temperatura savol turi va variantlar soni bo‘yicha o‘z ma’lumotlaringizda moslashtirilishi kerak. Moslashtirishdan so‘ng o‘rtacha ECE 0.466 dan 0.081 gacha tushishi mumkin, shundan keyin ehtimollardan avtomatik tasdiqlash qarorlarida bevosita foydalanish mumkin.

O‘rnatish: pip install laya — PyPI paketi. Ikki kun ichida 0.1.0 dan 0.3.4 gacha yangilangan, shuning uchun API hali ham o‘zgarayotganini inobatga oling.
Modelni yuklash: Router(preload=True) uchta checkpoint’ni oldindan yuklaydi va sovuq ishga tushirishda tilni har safar almashtirganda modelni qayta yaratishning oldini oladi.
Holatni tayyorlash: tahlil qilinadigan matnni {"from": ..., "subject": ..., "body": ...} kabi dict ko‘rinishida tuzing; istalgan til yoki JSON tuzilmasi qo‘llab-quvvatlanadi.
Savollarni aniqlash: JSON yordamida type (choice / score / noul), instructions va criteria (variantlar yoki shkala) ko‘rsatilgan tiplangan savollar to‘plamini yozing.
Bashoratni bajarish: router.predict(state, questions) ni chaqiring. Bir martalik forward pass barcha javoblarni qaytaradi; ingliz tili laya orqali, Hindi va boshqa tillar esa avtomatik ravishda multilingual orqali ishlanadi.
Natijalarni o‘qish: res["answers"] dan choice yorlig‘i, score qiymati yoki noul ehtimolini oling; res["routing"] nima sababdan ushbu checkpoint tanlanganini tushuntiradi.
Ishonchlilik bo‘yicha boshqaruv: confidence uchun chegara belgilang, masalan 0.85. Yuqori ishonchli natijalar avtomatik qayta ishlanadi, past ishonchli natijalar esa operatorga yuboriladi. Buning uchun avval o‘z ma’lumotlaringizda temperatura moslashtirilgan bo‘lishi kerak.

Juda tez inferens: bir martalik forward pass taxminan 33 ms (T4), batch rejimida esa 7.2 ms/savolgacha tushadi. Bu yopiq TypeSafe Jev modelidan taxminan 7.8 marta tezroq.
Gallyutsinatsiya xavfi yo‘q: matn generatsiya qilinmaydi, faqat strukturalangan qaror chiqariladi; parsing zarurati va to‘qib chiqarilgan kontent muammosi mavjud emas.
Kalibrlanadigan ehtimollar: RLCD qat’iy proper scoring qoidalari asosida o‘qitilgan, shuning uchun ishonchlilik statistik ma’noga ega va avtomatik tasdiqlash/operator tekshiruvi jarayonlarini bevosita boshqarishi mumkin.
Kalibrlash aniqligi yuqori: temperatura moslashtirilgach, ECE atigi 0.081 bo‘lib, Jev’ning 0.246 ko‘rsatkichidan yaxshiroq; typed-decisions aniqligi 0.766 bo‘lib, Jev’ning 0.727 ko‘rsatkichidan yuqori.
Ko‘p tilli marshrutlash: ichki Router 100+ tilni millisekunddan kichik vaqtda aniqlaydi hamda checkpoint’ni avtomatik tanlaydi. Bu inglizcha modelning lotin bo‘lmagan yozuvlarda “ishonch bilan noto‘g‘ri javob berishi”ning oldini oladi.
To‘liq ochiq kodli va bepul: Apache-2.0 litsenziyasi, ochiq vaznlar va o‘z serveringizda joylashtirish imkoniyati mavjud. Jev’ning $0.042/million token API to‘lovi bilan taqqoslaganda, uzoq muddatli foydalanish xarajati nolga teng.
Tiplangan chiqish: choice / score / noul uchta primitivi tasniflash, baholash va ha/yo‘q qarorlarining aksariyat strukturalangan ssenariylarini qamrab oladi.

GitHub repozitoriysi: https://github.com/NandhaKishorM/laya
HuggingFace modeli: https://huggingface.co/convaiinnovations/laya

Qo‘llab-quvvatlash murojaatlarini avtomatik saralash: bo‘limni (billing/technical/sales), shoshilinchlik darajasini, foydalanuvchi noroziligi va ketish xavfini aniqlash; yuqori ishonchli murojaatlarni avtomatik yo‘naltirish, past ishonchli murojaatlarni operatorga yuborish.
Kontent xavfsizligi va moderatsiya: zaharli, bezovta qiluvchi yoki tahdidli kontentni aniqlash; noul primitivi qoidabuzarlik ehtimolini chiqaradi va hamjamiyatlar hamda UGC platformalarida real vaqt moderatsiyasi uchun mos keladi.
Prompt injection’dan himoya (Guardrails): Agent tizimi kirishida jailbreak, injection va maxfiy kalitlarning sizib chiqishi kabi hujumlarni aniqlash; 33 ms darajasidagi kechikish uni har bir so‘rov zanjiriga qo‘shish imkonini beradi.
Aqlli model marshrutizatsiyasi: gibrid katta modellar arxitekturasida so‘rov kichik modelga yoki ilg‘or modelga yuborilishi kerakligini aniqlash; juda past xarajat bilan boshqaruv qarorini bajarib, inferens xarajatlarini tejash.