हुआवेई के Xiaoyi Work एआई एजेंट ने HarmonyOS कार्यों को बेहतर बनाने के लिए पहली बार openPangu-2.1-Pro मॉडल का उपयोग किया

डीपब्लू टेक्नोलॉजी ने 29 अक्टूबर को वूओकेकर लॉन्च किया - एक कॉर्पोरेट कार्य फोन जिसे हुआवेई के साथ मिलकर विकसित किया गया है। आर्टिफिशियल इंटेलिजेंस में विशेषज्ञता रखने वाली चीनी कंपनी इस गैजेट को दुनिया का पहला वर्क फोन बताती है जिसमें एक बड़ा एजेंट मॉडल है।

डीपब्लू की जानकारी के अनुसार, यह डिवाइस हुआवेई किरीन चिप्स पर काम करता है, हुआवेई हार्डवेयर का उपयोग करता है और हार्मनीओएस ऑपरेटिंग सिस्टम पर चलता है, जो डीपब्लू के मल्टीमॉडल बड़े मॉडल, इसके निर्णय लेने वाले मॉडल और एजेंट ऑर्केस्ट्रेशन सिस्टम AgentOS के साथ एकीकृत है।

हुआवेई ने हार्मनीओएस इकोसिस्टम, हार्डवेयर अनुकूलन के आधार और कॉर्पोरेट सुरक्षा की नींव प्रदान की, और अनुकूलन के लिए 12 फोन मॉडल पेश किए। यह दस लोगों की टीमों से लेकर सैकड़ों डिवाइस खरीदने वाले समूहों के लिए उपयुक्त हार्डवेयर चुनने की अनुमति देता है।

बिक्री के साथ डिवाइस का उद्देश्य

यह फोन अंतिम उपभोक्ताओं के बजाय विशेष रूप से बिक्री टीमों के लिए लक्षित है। अंतर्निहित एजेंट ग्राहकों को आकर्षित करने, स्वचालित आउटबाउंड कॉल करने और खरीदारों के इरादों का विश्लेषण करने जैसे कार्य करते हैं। लीड जनरेशन एजेंट प्रबंधक से उद्योग और कीवर्ड सेटिंग्स लेता है, फिर Xiaohongshu, WeChat और Douyin पर संभावित ग्राहकों की खोज करता है और उनके साथ संवाद शुरू करता है।

डीपब्लू ने बताया कि ग्रीनलैंड कंपनी के OPC समुदाय के साथ प्रारंभिक ग्राहक के साथ परीक्षण के दौरान, एजेंट ने आधे दिन में 200 से अधिक संभावित लीड्स को संसाधित किया, जिनमें से 50 से अधिक सार्थक बातचीत में परिणत हुए। प्रस्तुति में एक एआई एजेंट के काम का प्रदर्शन किया गया जिसने बच्चे की उम्र की पुष्टि के लिए माता-पिता को कॉल किया, एक ट्रायल क्लास की पेशकश की और WeChat के माध्यम से बाद की बातचीत का आयोजन किया।

अतिरिक्त सुविधाओं में मालिक की आवाज की नकल करने वाली आवाज में कॉल लेना और करना, विभिन्न प्लेटफार्मों पर सामग्री प्रकाशित करना, ग्राहकों को टैग करना और लीड स्क्रीनिंग शामिल है। प्रबंधन पक्ष पर, WeChat, WeCom, Feishu और Douyin में सभी कॉल, टेक्स्ट संदेश और चैट एन्क्रिप्टेड होते हैं और कंपनी के क्लाउड के साथ सिंक्रनाइज़ होते हैं। इसके अलावा, एआई वास्तविक समय में गलत वाक्यांशों को चिह्नित करके गुणवत्ता जांच करता है।

ग्राहकों के संपर्क विवरण और WeChat आईडी केवल कंपनी के बैकएंड पर संग्रहीत होते हैं, इसलिए विक्रेता छद्म नाम विवरण देखते हैं, चैट इतिहास को हटा नहीं सकते हैं और व्यक्तिगत रूप से संपर्क सहेज नहीं सकते हैं। कर्मचारी के नौकरी छोड़ने पर उपकरणों को दूर से अक्षम किया जा सकता है।

हार्डवेयर समाधान चुनने के कारण

जब उनसे पूछा गया कि एप्लिकेशन के बजाय हार्डवेयर बनाने का कारण क्या था, तो डीपब्लू ने समझाया कि बिक्री विभाग के काम का एक बड़ा हिस्सा तृतीय-पक्ष अनुप्रयोगों के भीतर होता है, जहां क्लाउड सॉफ्टवेयर सिस्टम अनुमतियों और इंटरफेस द्वारा सीमित होता है। हालांकि, फोन विक्रेता स्तर पर अनुकूलन प्रदान करता है और प्रसंस्करण के लिए कुछ डेटा डिवाइस पर ही रखता है। अध्यक्ष चेन हाईबो ने उल्लेख किया कि वास्तविक जरूरतों वाले व्यावसायिक ग्राहक बड़ी प्लेटफार्मों से अधिक समर्थन प्राप्त करने की संभावना रखते हैं।

लगातार कॉल के बारे में चिंताओं के संबंध में, कंपनी ने कहा कि सिस्टम में अंतर्निहित नियम हैं जो उच्च आवृत्ति वाले आउटबाउंड कॉल को ब्लॉक करते हैं, यदि ग्राहक स्पष्ट रूप से मना करता है तो संपर्क समाप्त कर देते हैं, और व्यक्ति को किसी भी समय नियंत्रण लेने की अनुमति देते हैं।

वूओकेकर अलग से बिक्री के लिए उपलब्ध नहीं है; कंपनियां तीन साल के एजेंट सेवा पैकेज की खरीद करती हैं, जिसमें फोन शामिल होता है। इस पैकेज की लागत 5,299 युआन या शुरुआती तौर पर 4,999 युआन है, पूरे कार्यकाल के दौरान कोई अतिरिक्त शुल्क नहीं है।

हुआवेई क्लाउड ने अपने MaaS (मॉडल एज़ ए सर्विस) प्लेटफॉर्म पर openPangu-2.0-Flash और openPangu-2.0-Pro मॉडल सेवाओं को चरणबद्ध तरीके से हटाने की योजना की घोषणा की है। मॉडल हटाने की सूचना के अनुसार, ये सेवाएं 6 नवंबर को बीजिंग समय के अनुसार बिक्री के लिए उपलब्ध नहीं होंगी और 30 नवंबर को पूरी तरह से बंद हो जाएंगी।

आईटी होम ने 3 नवंबर को हुआवेई क्लाउड की सहायता वेबसाइट पर प्रकाशित इस सूचना के बारे में बताया। इस कार्यक्रम के तहत, नए उपयोगकर्ता 6 नवंबर के बाद इन सेवाओं को खरीद या सक्रिय नहीं कर पाएंगे, हालांकि मौजूदा ग्राहक महीने के अंत तक उनका उपयोग जारी रख सकते हैं। 30 नवंबर के बाद, नए और पुराने दोनों उपयोगकर्ताओं के लिए दोनों मॉडलों तक पहुंच बंद कर दी जाएगी। सूचना में इन सेवाओं को हुआवेई क्लाउड के CN Southwest-Guiyang1 क्षेत्र में सूचीबद्ध किया गया है।

कंपनी प्रत्येक मॉडल के लिए अनुशंसित विकल्प प्रदान करती है। openPangu-2.0-Flash संस्करण 20260630 के उपयोगकर्ताओं को DeepSeek-V4.1-Flash-1017 पर जाने की सलाह दी जाती है, जबकि openPangu-2.0-Pro संस्करण 20260730 के उपयोगकर्ताओं को Zhipu के GLM-5.3 की ओर निर्देशित किया जाता है। हुआवेई क्लाउड इस बात पर जोर देती है कि मॉडल क्षमताओं, एपीआई मापदंडों, मूल्य निर्धारण और वास्तविक कार्यों में प्रदर्शन के मामले में भिन्न होते हैं, और ग्राहकों को स्विच करने से पहले दस्तावेज़ीकरण का अध्ययन करने और अपना मूल्यांकन करने की सलाह देती है।

माइग्रेशन गाइड में बताया गया है कि जो ग्राहक मानक MaaS V1 एपीआई का उपयोग कर रहे हैं, उन्हें OpenAI के साथ संगत एंडपॉइंट पर जाना होगा, जबकि जो पहले से ही API V2 या OpenAI संगत इंटरफ़ेस का उपयोग कर रहे हैं, उन्हें केवल मॉडल पैरामीटर बदलने की आवश्यकता है।

आईटी होम के अनुसार, हुआवेई क्लाउड चरणबद्ध तरीके से openPangu मॉडल की नई पीढ़ी जारी करने की योजना बना रही है, लेकिन अभी तक उनके नाम या समय सीमा का खुलासा नहीं किया है। ये दो मॉडल इस वर्ष हुआवेई के सबसे बड़े ओपन रिलीज़ में से थे: 92 बिलियन पैरामीटर वाला openPangu-2.0-Flash जून के अंत में जारी किया गया था, और Ascend NPU पर प्रशिक्षित 505 बिलियन पैरामीटर वाला sparse-मॉडल openPangu-2.0-Pro जुलाई के अंत में जारी किया गया था। सितंबर में हुआवेई ने इस श्रृंखला के लिए प्री-ट्रेनिंग, कंट्रोल्ड फाइन-ट्यूनिंग और रीइन्फोर्समेंट लर्निंग के कोड भी जारी किए थे। हालांकि, यह सेवा समाप्ति सूचना केवल होस्ट की गई MaaS सेवाओं से संबंधित है और ओपन रिलीज़ को प्रभावित नहीं करती है।

प्लेटफॉर्म पर मॉडल बदलना अक्सर होता रहता है। इसी बुलेटिन में हुआवेई क्लाउड ने 16 नवंबर को GLM-5.1 को GLM-5.3 से बदलने और इसे चरणबद्ध तरीके से हटाने की योजना बनाई है, साथ ही DeepSeek-V4-Flash उपयोगकर्ताओं को DeepSeek-V4.1-Flash पर स्थानांतरित कर रही है और 8 नवंबर को Kimi-K2.6 को हटा रही है, जिसमें कई Qwen और Wan मॉडल भी हटाने के लिए इंगित किए गए हैं।

इससे पहले सितंबर में DeepSeek-V4-Pro को और गर्मियों में DeepSeek, Qwen और GLM के कई संस्करणों को हटा दिया गया था। MaaS ग्राहकों के लिए इसका मतलब है कि openPangu-2.0 पर निर्मित वर्कलोड को कम से कम अगली पीढ़ी के openPangu के आने तक, प्लेटफॉर्म के अन्य होस्ट किए गए मॉडलों पर स्थानांतरित किया जाना चाहिए।

Xiaomi कंपनी ने Xiaomi-OCR-0 मॉडल के जारी होने की घोषणा की है, जो दस्तावेज़ों को समझने के लिए एक हल्का मॉडल है। कंपनी ने 30 अक्टूबर को बताया कि इस मॉडल के वजन और इन्फेरेंस कोड Hugging Face और GitHub प्लेटफॉर्म पर उपलब्ध हैं।

इस मॉडल में 0.8 बिलियन पैरामीटर हैं और इसे एक ही सिस्टम के भीतर तीन प्रकार के कार्यों को करने के लिए डिज़ाइन किया गया है: दस्तावेज़ पार्सिंग, प्रमुख जानकारी निकालना और OCR पर विज़ुअल प्रश्नों का उत्तर देना।

पार्सिंग कार्यक्षमता में मुख्य पाठ, तालिकाओं और गणितीय सूत्रों की पहचान करना शामिल है, जो पढ़ने के क्रम में संरचित परिणाम Markdown और LaTeX के देशी प्रारूपों के समर्थन के साथ आउटपुट करता है। प्रमुख जानकारी निकालने के लिए, मॉडल चालान, रसीदें, पहचान पत्र और व्यावसायिक फॉर्म पर ध्यान केंद्रित करता है, अनुरोधित फ़ील्ड ढूंढता है और स्वचालित वर्कफ़्लो के लिए JSON प्रारूप में परिणाम प्रदान करता है।

विज़ुअल प्रश्नों के उत्तर केवल प्रतिलेखन से परे जाते हैं, जिससे क्षेत्रों के बीच खोज करना, संख्यात्मक गणना करना और दस्तावेज़ों और ग्राफ़ के आधार पर तर्क करना संभव हो जाता है।

प्रशिक्षण और प्रशिक्षण पद्धति

Xiaomi का दावा है कि यह मॉडल Qwen3.5-0.8B-Base मॉडल पर बनाया गया है और इसे लगभग 170 मिलियन OCR और दस्तावेज़ नमूनों पर प्रशिक्षित किया गया था। डेटा लेबलिंग कई विशेषज्ञ OCR मॉडलों के आम सहमति तक पहुंचने द्वारा फ़िल्टर की गई थी, जिन्होंने टेक्स्ट, तालिका और सूत्र क्षेत्रों पर आपसी सत्यापन और मतदान किया।

जटिल तालिकाओं और सूत्रों के साथ काम करते समय, टीम ने 'भविष्यवाणी, पुन: रेंडरिंग और तुलना' लूप का उपयोग किया: उम्मीदवार परिणामों को वापस छवियों में प्रस्तुत किया गया और विस्थापित पंक्तियों या लापता वर्णों का पता लगाने के लिए पिक्सेल और संरचना स्तर पर मूल के साथ तुलना की गई। सिंथेटिक जटिल मामलों में बहुभाषी पाठ, हस्तलिखित लिखावट, स्क्रीन मोइरे प्रभाव और विकृत प्रकाश व्यवस्था शामिल थे।

प्रशिक्षण प्रक्रिया तीन चरणों में हुई: पहले दृश्य क्षेत्रों को पाठ टोकन के साथ संरेखित करने के लिए पाठ स्थिरीकरण, फिर दर्जनों अरब टोकन पर OCR का निरंतर पूर्व-प्रशिक्षण, और अंत में स्ट्रक्चरल एडिटिंग डिस्टेंस और तालिका मिलान स्कोर जैसे सत्यापन योग्य पुरस्कारों के साथ मिश्रित कार्यों के लिए सुदृढीकरण शिक्षण।

परीक्षण परिणाम

OmniDocBench v1.6 बेंचमार्क पर, मॉडल ने 96.83 का परिणाम दिखाया, जिसने समग्र रूप से दूसरा स्थान प्राप्त किया, जो लीडर से केवल 0.04 अंक पीछे था, और एक बिलियन से कम पैरामीटर वाले मॉडलों में पहला बन गया। Real5-OmniDocBench टेस्ट पर, जो स्कैनिंग, मुड़े हुए कागज, स्क्रीनशॉट, प्रकाश परिवर्तन और झुके हुए फ्रेम का अनुकरण करता है, मॉडल ने 95.24 अंक प्राप्त किए। Wild-OmniDocBench पर प्रदर्शन 87.94 रहा।

मॉडल UniMER-Test के मानक सूत्र परीक्षण पर 97.84 और तालिका संरचना मूल्यांकन के लिए PubTabNet पर 92.27 प्राप्त करता है। DocVQA, InfoVQA, ChartQA, OCRBench और TextVQA के परिणामों का औसत करने पर, यह 83.2 अंक प्राप्त करता है, जो HunyuanOCR-1.5 के 76.5 और 8B MiniCPM-V-4.5 के 82.6 से बेहतर है, हालांकि यह Qwen3.5-4B के 84.9 से पीछे है। यह ध्यान रखना महत्वपूर्ण है कि सभी प्रस्तुत आंकड़े Xiaomi के अपने डेटा हैं।

Xiaomi ने बताया कि यह तकनीक पहले से ही उनके फोन पर सुपर शियाओएआई सहायक में एकीकृत है, जहां यह सीधे स्क्रीन से क्यूआर कोड, कतार संख्या, बिल विवरण और मीटिंग समय निकाल सकता है। मॉडल के वजन के अलावा, Xiaomi डेवलपर्स को ब्राउज़र में एक डेमो संस्करण, MCP सेवा और एजेंट स्किल टूलकिट प्रदान करता है।