Genshijin कोडिंग असिस्टंटने जपानी कोड प्रतिसाद साधारणपणे २८% ने कमी केले, परंतु इंग्रजी प्रतिसादांची लांबी २.५% ने वाढवली; आणि दोन्ही प्रकरणांमध्ये एकूण API बिल वाढले.

AI-द्वारे तयार केलेल्या कोडसाठी पैसे देणाऱ्या कोणालाही याचा परिणाम जाणवतो. टोकन-आधारित किंमत पद्धतीमुळे प्रॉम्प्ट किंवा आउटपुटमधील प्रत्येक अतिरिक्त शब्द खर्चात रूपांतरित होतो. एक असे साधन जे एक भाषा लहान करते आणि दुसरी वाढवते, ते खर्चाच्या गणनेमध्ये मोठी तफावत निर्माण करू शकते.

चाचणी कशी घेण्यात आली

या प्रयोगात जपानी आणि इंग्रजी भाषेतील १९२ सॉफ्टवेअर-इंजिनिअरिंग प्रॉम्प्ट्सचा समावेश होता. संशोधकांनी प्रत्येक क्वेरी मॉडेलला चार प्रतिसादांच्या कॉन्फिगरेशनमध्ये पाठवली: एक साधी बेसलाइन आणि तीन प्रकारांमध्ये Genshijin स्किलला वेगवेगळ्या सूचनांच्या संचासह (instruction sets) वापरले गेले. हे स्किल प्रॉम्प्टमध्ये अतिरिक्त मार्गदर्शन जोडून काम करते, ज्यामुळे अतिरिक्त इनपुट टोकन्स खर्च होतात.

त्यांनी आउटपुटची लांबी टोकन्समध्ये मोजली आणि एकूण API खर्च मिळवण्यासाठी इनपुट आणि आउटपुट टोकन्सचा खर्च एकत्र केला.

आकडेवारी काय सांगते

  • Genshijin सक्रिय असताना जपानी आउटपुट २७.५% ने कमी झाले.
  • त्याच परिस्थितीत इंग्रजी आउटपुट २.५% ने वाढले.
  • दोन्ही भाषांसाठी, एकूण API खर्च वाढला.

खर्चातील ही वाढ Genshijin द्वारे जोडल्या जाणाऱ्या अतिरिक्त सूचनांमुळे होते. मॉडेलने कोड तयार करण्यास सुरुवात करण्यापूर्वीच त्या सूचना टोकन्स वाढवतात. या चाचणीत, जपानी आउटपुट लहान झाल्यामुळे वाचलेले टोकन्स, आवश्यक असलेल्या अतिरिक्त इनपुट टोकन्सपेक्षा कधीही जास्त झाले नाहीत.

खर्च संतुलित (break even) करण्यासाठी, जपानी क्वेरीमध्ये सुमारे ४७९ आउटपुट टोकन्स कमी करणे आवश्यक होते, तर इंग्रजी क्वेरीमध्ये ४३५ टोकन्सची कपात करणे आवश्यक होते. मोजलेली बचत या मर्यादेपेक्षा कमी होती.

भाषेतील तफावत का?

जपानी भाषेत अनेकदा सन्मानार्थी शब्द (honorifics) आणि शब्दबंबाळ मांडणीमुळे अतिरिक्त शब्द (padding) येतात. Genshijin च्या प्रॉम्प्टमधील बदल या अतिरिक्त शब्दांना लक्ष्य करतात, अनावश्यक शब्द काढून टाकतात आणि प्रतिसाद संक्षिप्त करतात. याउलट, इंग्रजी भाषा आधीच अधिक संक्षिप्त असते, त्यामुळे तेच प्रॉम्प्ट्स नकळत काही अतिरिक्त मजकूर (boilerplate) जोडू शकतात ज्यामुळे उत्तर लांबते.

डेव्हलपर्सनी काय लक्षात ठेवले पाहिजे

  • दीर्घ जपानी स्पष्टीकरणे: जर तुम्ही नियमितपणे जपानी भाषेत तपशीलवार डिझाइन नोट्स किंवा विस्तृत कमेंट्सची मागणी करत असाल, तर Genshijin अनावश्यक भाग कमी करून आउटपुटमधील टोकन संख्या कमी करू शकते.
  • थोडक्यात क्वेरीज: संक्षिप्त प्रश्नांसाठी, "थोडक्यात उत्तर द्या" (answer concisely) अशी साधी सूचना पूर्ण Genshijin स्किलपेक्षा अधिक प्रभावी ठरते, ज्यामुळे लहान प्रतिसाद आणि कमी खर्च होतो.
  • इंग्रजी-प्रधान वर्कफ्लो: आउटपुट लांबण्याची शक्यता आहे. खर्च कमी होईल असे मानण्यापूर्वी त्याचा परिणाम तपासा.
  • स्वतः मोजून पहा: टोकनचा वापर प्रॉम्प्टची शैली, मॉडेलची आवृत्ती आणि कामाच्या जटिलतेनुसार बदलतो. जाहिरात केलेल्या टक्केवारीवर अवलंबून राहण्याऐवजी स्वतःचे बेंचमार्क चालवून पहा.

काही डॉक्युमेंटेशनमध्ये सांगितलेली ७५% कपात ही केवळ आउटपुट टोकन संख्येबद्दल आहे, एकूण बिलाबद्दल नाही. जे डेव्हलपर्स केवळ त्या आकड्यावर लक्ष केंद्रित करतात, त्यांना त्यांचे इनव्हॉइस (invoices) तेवढेच राहतील किंवा वाढतील हे पाहून आश्चर्य वाटू शकते.

पुढे काय पाहावे

निष्कर्ष (Takeaway): Genshijin जपानी कोड आउटपुट लक्षणीयरीत्या कमी करू शकते, परंतु त्याद्वारे जोडले जाणारे अतिरिक्त प्रॉम्प्ट टोकन्स कोणत्याही तात्काळ खर्चाचा फायदा काढून टाकतात—आणि ते इंग्रजी प्रतिसाद देखील वाढवू शकतात. याचा वापर निवडकपणे करा आणि तुमच्या स्वतःच्या कामावर होणारा टोकनचा परिणाम नेहमी तपासा.

स्रोत: https://dev.to/anicca_301094325e/coding-assistant-tests-japanese-28-shorter-english-3-longer-4f83