मौजूदा स्टैक: on-device रूट किए हुए स्पेशलिस्ट
अगस्त 2026 तक सिस्टम कहाँ खड़ा है, मेरे स्टैक रेफ़रेंस, ऑडिट नोट्स और कैंपेन बहीखातों से चुना गया। अब भी डिप्लॉयमेंट से पहले की अवस्था में, और अब भी आगे बढ़ता हुआ।
v2.0 के बाद, “मॉडल” मेरी प्रगति की इकाई नहीं रहा। जो मैं शिप करता हूँ वह एक सिस्टम है: वार्प बुनियाद के ऊपर कैलिब्रेटेड एक्सपर्ट्स का रूट किया हुआ स्टैक, जिसे डेटा फ़्लाईव्हील खिलाता है, एक अकेली बैटरी गेट करती है, और जो on-device पर बिट-दर-बिट प्रतिबिंबित होता है। v1 में मैंने एक स्केच लिखा था, “भविष्य ऐसा दिखता है कि ढेर सारे एडवर्सेरियल XGBoost मॉडल हैं जो रूट किए जाते हैं”, और वही मोटे तौर पर वह आर्किटेक्चर निकला जो मैंने शिप किया, एक अहम संशोधन के साथ कि रूटिंग डोमेन के हिसाब से होती है, और प्रायर को मिलाने के बजाय प्रिसिज़न के हिसाब से स्टैक किया जाता है।
एक फ़ैसले की बनावट
INPUT IMAGE
│
CLRSignals (computed once)
capture signature · screenshot gate · dims
│
ROUTER — domain detector
hint > flat-UI gate > default(camera)
┌───────────────────┴───────────────────┐
domain = camera domain = screenshot
│ │
WARP BASE (patent core) SCREENSHOT EXPERT
per-tile round-trip residual DINOv2 content head
→ majority = tile-vote (warp is NOT trusted here —
→ weighted = saliency avg it false-fires on recompressed reels)
│
CAMERA FUSION head (XGBoost)
warp.weighted ⊕ DINOv2 ⊕ capture ⊕ sharpness
│
└───────────────────┬───────────────────┘
│
PRIOR STACK (compounds ↓)
capture-present → REAL (dominant: camera physics)
midjourney head → AI (fires only above a
[more specialists] high-precision threshold)
│
FINAL InferenceResult
weighted = compounded P → label · majority = warp anchor
specialists[] = every contribution, surfaced in the UIमैं हमेशा दो संख्याएँ बताता हूँ, और मैंने उनके बीच का अंतर पढ़ने लायक़ बनाया है:
majority: वार्प टाइल-वोट। शुद्ध कैमरा-भौतिकी की बुनियाद, पेटेंट का लंगर। कभी ओवरराइट नहीं होता।weighted: जमा किया हुआ स्कोर जिससे लेबल पढ़ा जाता है: वार्प → फ़्यूज़न → प्रायर।
जब ये दोनों अलग होते हैं, तो किसी स्पेशलिस्ट ने फ़ैसले को कच्ची भौतिकी से हटा दिया है, और UI ठीक-ठीक दिखाता है कि कौन-सा। यह स्टैकिंग है, मिलाना नहीं: मैंने मापा कि एक भोला फ़ीचर कंबाइनर असली इमेज पर ग़लत पॉज़िटिव को 8% से बिगाड़कर 50–92% कर देता है, जबकि हाई-प्रिसिज़न प्रायर के साथ प्रति-स्पेशलिस्ट कैलिब्रेटेड आउटपुट उसे ~0% पर थामे रखते हैं।
हर परत असल में कितनी क़ीमत की है
परत-दर-परत परम्यूटेशन ऑडिट ने मुझे हर घटक पर मापी हुई सीमाएँ लगाने दीं:
- सिर्फ़ वार्प majority: एक कमज़ोर सेंसर डिटेक्टर, भौतिकी से सीमित, हर इनपुट आकार पर AUC ≈ 0.78–0.8 (प्रस्तुति के सामने टिकाऊ, छोटे इनपुट तक कोई रेज़ोल्यूशन नॉइज़-फ़्लोर नहीं, पर सीमा से बँधा)। वह लंगर है, फ़ैसला नहीं।
- फ़्यूज़न बेस प्रायिकता: 0.94–0.97, असली कैमरों पर ~0% ग़लत पॉज़िटिव के साथ: बेस पहले से सख़्त था; मेरी बढ़त डेटा में है, वार्प की छेड़छाड़ में नहीं।
- डाउनस्केल की नाज़ुकता कैप्चर चैनल की है (पास-पास की सीढ़ी पर फ़ैसला पलटने का 86%), वार्प की नहीं (5%), इसलिए मैं मज़बूती का काम वहाँ करता हूँ जहाँ फ़ैसले पलटते हैं।
फ़्लाईव्हील: कवरेज एक ऑपरेटिंग सिस्टम की तरह
मैंने v2.0 के निष्कर्ष (“सामान्यीकरण = इन-डिस्ट्रीब्यूशन डेटा”) को इंफ़्रास्ट्रक्चर में बदल दिया:
daily scrape → ingest AS FEATURES → weekly warm-start retrain → STAGE → full battery → promote- फ़ीचर स्टोर, इमेज नहीं। मेरे सारे रीट्रेन संग्रहीत फ़ीचर वेक्टर (DINOv2 एम्बेडिंग, वार्प स्केलर, कैप्चर फ़ीचर) पढ़ते हैं; इमेज अस्थायी हैं। मैं NSFW इमेज को सीधे मिटा देता हूँ और सिर्फ़ फ़ीचर रखता हूँ: यह निजता और देनदारी का रुख़ है, सिर्फ़ सफ़ाई नहीं।
- वार्म-स्टार्ट अनिवार्य है। डिप्लॉय किए बूस्टर को नई जनरेशन पर जारी रखने से अंधे बिंदु की रिकॉल 86% → 99% हुई, और नाज़ुक निर्णय सीमाएँ सुरक्षित रहीं; स्क्रैच से स्टोर रीट्रेन पाँच अलग-अलग मौक़ों पर उन सीमाओं को दोहराने में नाकाम रहे। डिप्लॉय किया मॉडल अपने इतिहास की एक कलाकृति है।
- एक बैटरी। एंकर मामलों के एक तय सेट पर एक अकेले स्पेसिफ़िकेशन और रनर ने मेरे जमा किए चार अलग-अलग गेट कार्यान्वयनों की जगह ली। मेरा क़ानून: हर प्रमोट के बाद पूरी बैटरी, जो तब लागू किया गया जब प्रमोट-पाथ के एक बग ने मुझे चुपचाप कुछ न करने वाला डिप्लॉय थमा दिया।
- हेड ही स्केलिंग की इकाई हैं। नया स्पेशलिस्ट = साझा DINOv2 एम्बेडिंग पर एक रैखिक हेड + एक प्रायर एंट्री। मैं कोई बेस रीट्रेन नहीं करता और किसी दूसरे हेड को नहीं छूता। हर जनरेटर परिवार के लिए प्रायर के कुछ किलोबाइट।
डेटा पर एक टिप्पणी। फ़्लाईव्हील सार्वजनिक रूप से पोस्ट किया मीडिया इकट्ठा करता है ताकि सीख सके कि जनरेट की गई इमेज जंगल में कैसी दिखती हैं। इमेज अस्थायी हैं, केवल व्युत्पन्न फ़ीचर वेक्टर संग्रहीत होते हैं, कुछ भी दोबारा पेश या वापस परोसा नहीं जाता, और आउटपुट किसी इमेज के बारे में एक फ़ैसला है, किसी और के काम से बनी कोई नई रचना कभी नहीं। यही वह रेखा है जो मैं Fair Use में खींचता हूँ।
प्रोवेनेंस की ओर मोड़
v2.0 का दूसरा नतीजा: अगर पिक्सल-स्पेस अपरिवर्तनीयता सीमित है, तो मुझे वहाँ जाना चाहिए जहाँ सिग्नल मज़बूत है।
- कंटेनर प्रोवेनेंस (v2.3)। JPEG कंटेनर की बाइट-स्तर की संरचना खुद ही कच्चे कैमरा कैप्चर पर AUC 0.998 (मेटाडेटा हटाने पर 0.993) पर हस्ताक्षर करती है। A.I. डिटेक्टर नहीं, बल्कि एक भरोसे की श्रेणी। यह प्रोडक्ट के “यह कैमरे का मूल है” वाले पक्ष के रूप में कैप्चर सिग्नेचर के साथ जुड़ती है।
- कैप्चर-मौजूद हावी प्रायर के रूप में। असली रील ~83% बार सेंसर हस्ताक्षर बनाए रखती हैं; A.I. रील ~0%। फ़ीचर के बजाय प्रायर के रूप में, यह स्टैक का अकेला सबसे निर्णायक घटक है, और एक न्याय-निर्णीत फ़ील्ड केस ने मुझे इसका उपप्रमेय सिखाया: जब स्टैक सही था और मेरे UI ने कच्चा भौतिकी वोट दिखाया, तो जो मुझे दिखाना चाहिए था वह जमा किया हुआ फ़ैसला था।
मौजूदा रिसर्च का किनारा (v2.4 → v2.7)
- v2.4: शिप हुई व्यवस्था। एक दुबली, सख़्त वार्प कॉन्फ़िगरेशन, फ़्यूज़न हेड के नीचे, इमेज AUC 0.922 पर, Python↔Swift की सटीक समानता के साथ (कन्वोल्यूशन-कर्नेल और कोण-परंपरा की पेचीदगियों तक)।
- v2.6: दिशात्मक हस्ताक्षर। मेरी प्रति-टाइल दिशात्मक-प्रतिक्रिया की अवधारणा ने सबसे कठिन जंगली नेगेटिव पर 4× दोहराई गई बाहरी बढ़त (+0.13) दी, फिर शिप होने से पहले एक सच्चे-समानता कपल्ड-शिप विश्लेषण से गुज़री, और टिकी रही।
- v2.7: WarpGAN। एक pix2pix स्टूडेंट वार्प टाइल-प्रायिकता फ़ील्ड को डिस्टिल करता है (रेपो का पहला ONNX मॉडल)। GAN स्टूडेंट ने अपने शिक्षक को हरा दिया (majority 0.770 बनाम 0.755), और उसके औसत-प्रायिकता एग्रीगेशन ने वार्प की सीमा पार कर ली, जिससे मेरा अगला लीवर एपॉक नहीं, एग्रीगेशन बन गया। मैंने एनॉमली-डिटेक्शन के रास्ते (टाइलों पर वन-क्लास GANomaly) का 0.526 पर खंडन किया: क्रॉस-टाइल संदर्भ और सुपरविज़न, दोनों अनिवार्य हैं।
- जंगली-डेटा की सच्चाई। मानव-निर्णीत ग्राउंड ट्रुथ (~1,088 मीडिया) वाला एक लाइव X (Twitter) हार्नेस मेरी बैटरी को ईमानदार रखता है, उस विनम्र कर देने वाले फ़ैसले समेत जहाँ मेरा अपना एंकर “A.I. शेर” Atif Saeed की खींची 2015 की एक असली फ़ोटो निकला। उसके बाद आए ट्रुथ-फ़िक्स शिप ने पूरी बैटरी पास की, और सबसे कठिन असली एंकर पहली बार पास हुआ।
On-device
पूरा स्टैक एक MLX-Swift पैकेज में शिप होता है: मैंने DINOv2 को MLX में दोबारा लागू किया, वार्प पाइपलाइन को cv2-सटीक निष्ठा से पोर्ट किया, और फ़्यूज़न + हेड को macOS और iOS के लिए एक साझा पैकेज में रिसोर्स के रूप में बंडल किया। हर परत व्यावसायिक रूप से साफ़ है: वार्प, कैप्चर, कंटेनर और गेट मेरे हैं; DINOv2 और XGBoost Apache-2.0 हैं; MLX MIT है। फ़ैसले उपयोगकर्ता के हार्डवेयर पर निकाले जाते हैं, कोई इमेज कभी डिवाइस से बाहर जाने की ज़रूरत नहीं रखती, जो, जैसा मैं अध्याय 7 में तर्क देता हूँ, कार्यान्वयन का कोई ब्योरा नहीं बल्कि मक़सद है।
आप इस स्टैक को खुद obscur.rao.nyc पर काम में ला सकते हैं: वही रूटिंग, वही प्रायर, वही दो संख्याएँ जिनका ऊपर वर्णन है।
पर यहाँ सब कुछ सिर्फ़ मेरी अपनी बैटरी से गुज़रा है। इसमें से किसी का अभी तक ठीक डिप्लॉयमेंट से सामना नहीं हुआ, यानी असली उपयोगकर्ता, असली प्रतिद्वंद्वी, असली मात्रा, और वह इस अध्याय की समस्याओं से अलग श्रेणी की समस्या है। वही अगली भी है।