சூழல் சாளரம்: அது என்ன, அன்றாட AI பயன்பாட்டை அது எவ்வாறு பாதிக்கிறது
AI மாடல்களில் உள்ள சூழல் சாளரம் பற்றிய வழிகாட்டி: அது டோக்கன்களில் எவ்வாறு அளவிடப்படுகிறது, உரையாடலின்போது அதை எவை நிரப்புகின்றன, தற்போதைய மாடல்களில் அது எவ்வளவு பெரியது, உரையாடல் வரம்பைத் தாண்டும்போது என்ன நடக்கிறது, அதற்குள் செயல்படுவதற்கான அன்றாடப் பழக்கங்கள் ஆகியவற்றை இது விளக்குகிறது.

சூழல் சாளரம் (context window) என்பது ஒரு AI மாடல் ஒரே நேரத்தில் கையாளக்கூடிய உரையின் அளவாகும். அதை எவை நிரப்புகின்றன, தற்போதைய மாடல்களில் அது எவ்வளவு பெரியது, அன்றாடப் பயன்பாட்டில் அதன் வரம்புக்குள் எவ்வாறு செயல்படுவது என்பதை இந்த வழிகாட்டி விளக்குகிறது.
சூழல் சாளரம் என்றால் என்ன
சூழல் சாளரம் என்பது ஒரு AI மாடல் ஒரே நேரத்தில் எவ்வளவு உரையைக் கையாள முடியும் என்பதற்கான வரம்பு. இந்த வரம்பில், உள்ளே செல்லும் உரையும் (ஒரு கேள்வி, அதனுடன் இணைக்கப்பட்ட ஆவணம் போன்றவை) வெளியே வரும் பதிலும் அடங்கும். ஏதேனும் ஒன்று சாளரத்துக்குள் பொருந்தவில்லை என்றால், பதிலளிக்கும்போது மாடலால் அதைப் பார்க்கவோ பயன்படுத்தவோ முடியாது.
பயிற்சியின்போது மாடல் கற்றுக்கொண்டவற்றிலிருந்து சூழல் சாளரம் வேறுபட்டது. மாடல் வெளியிடப்படுவதற்கு முன்பே, மிகப் பெரிய அளவிலான உரைத் தொகுப்பில் பயிற்சி நடைபெறுகிறது; அதுவே மாடலுக்குப் பொது அறிவையும் மொழித் திறன்களையும் அளிக்கிறது. சூழல் சாளரம், தற்போது கையில் உள்ள பணிக்கான உள்ளடக்கத்தை மட்டுமே வைத்திருக்கிறது.
AI மாடல் தானாக முந்தைய செய்திகளை நினைவில் வைத்துக்கொள்வதில்லை. அது இயங்கும் Perplexity அல்லது ChatGPT போன்ற செயலிதான் உரையாடலைச் சேமிக்கிறது. ஒவ்வொரு புதிய செய்தியின்போதும், சமீபத்திய செய்தியை மட்டுமல்லாமல், அதுவரையிலான முழு உரையாடலையும் செயலி மாடலுக்கு அனுப்புகிறது. பதிலளிப்பதற்கு முன் மாடல் அனைத்தையும் மீண்டும் படிக்கிறது; அந்தப் பதிலும் அடுத்த முறை அனுப்பப்படுவதன் ஒரு பகுதியாகிறது. ஒவ்வொரு பரிமாற்றத்துடனும் சாளரத்தில் அந்த உரையாடல் பிடிக்கும் இடம் அதிகரிக்கிறது; எனவே, சிறிய செய்திகளால் ஆன நீண்ட அரட்டையும் கணிசமான இடத்தைப் பிடிக்கலாம்.
சூழல் சாளரம் எவ்வாறு அளவிடப்படுகிறது
ஓர் உரையாடலில் உள்ள ஒவ்வொரு செய்தியும், ஆவணமும், பதிலும் சாளரத்தில் இடம் பிடிக்கின்றன. கிடைக்கும் இடத்தின் அளவு, குறிப்பிட்ட எண்ணிக்கையிலான சொற்கள் அல்லது பக்கங்களால் அல்லாமல், டோக்கன்களால் அளவிடப்படுகிறது.
டோக்கன் என்பது மாடல் ஒற்றை அலகாகக் கையாளும் உரையின் ஒரு துண்டு. அது ஒரு சிறிய சொல்லாகவோ, நீண்ட சொல்லின் ஒரு பகுதியாகவோ, ஒரு நிறுத்தக்குறியாகவோ, அல்லது முன்னால் இடைவெளியுடன் கூடிய ஒரு சொல்லாகவோ இருக்கலாம். OpenAI-இன் கூற்றுப்படி, 100 டோக்கன்கள் என்பது சுமார் 75 சொற்கள். ஆங்கில மொழிக்கான அந்தத் தோராயமான மதிப்பீட்டின்படி, 3,000 சொற்கள் கொண்ட ஓர் அறிக்கை சுமார் 4,000 டோக்கன்களாக இருக்கும்.
மாடல் எதையும் படிப்பதற்கு முன், டோக்கனைசர் (tokenizer) எனப்படும் ஒரு கருவி உரையை டோக்கன்களாகப் பிரித்து, ஒவ்வொன்றையும் ஓர் எண்ணாக மாற்றுகிறது. மாடல் அந்த எண்களைச் செயலாக்கி, தனது பதிலை டோக்கன்களின் வரிசையாக உருவாக்குகிறது; பின்னர் அந்தக் கருவி அவற்றை மீண்டும் உரையாக மாற்றுகிறது.
டோக்கன் எண்ணிக்கைகள் தரப்படுத்தப்பட்டவை அல்ல. எண்ணிக்கை மொழியையும் உள்ளடக்கத்தையும் பொறுத்தது. டோக்கனைசர்கள் மாடலுக்கு மாடல் வேறுபடலாம்; எனவே ஒரே பத்தி வெவ்வேறு மாடல்களில் வெவ்வேறு எண்ணிக்கையிலான டோக்கன்களை உருவாக்கலாம்.
சூழல் சாளரமும் சேமித்த நினைவும்
தற்போதைய கேள்விக்குப் பதிலளிக்க மாடல் பயன்படுத்தக்கூடியவற்றைச் சூழல் சாளரம் வைத்திருக்கிறது. உதாரணமாக, ஒரு AI ஓர் அறிக்கையைத் திருத்தும்போது, அந்த அறிக்கை, திருத்துவதற்கான அறிவுறுத்தல்கள், அதில் பணியாற்றும்போது பரிமாறிக்கொள்ளப்பட்ட செய்திகள் ஆகியவை சாளரத்தில் இடம் பிடிக்கின்றன.
சேமித்த நினைவு, தேர்ந்தெடுக்கப்பட்ட விவரங்களை உரையாடல்களுக்கு இடையே தக்கவைக்கிறது. Perplexity-இல், எதைச் சேமிக்க வேண்டும் என்பதைச் செயலி தானாகவே தேர்ந்தெடுக்கிறது; அது விருப்பத்தேர்வுகளையும் முக்கியத் தகவல்களையும் தேடி, அடிக்கடி வரும் விவரங்களுக்கு அதிக முக்கியத்துவம் அளிக்கிறது. “என் எழுத்துகள் அனைத்திலும் பிரிட்டிஷ் ஆங்கிலத்தைப் பயன்படுத்து” போன்ற நீடித்த அறிவுறுத்தல், தக்கவைக்கத் தகுந்த விவரத்துக்கு ஓர் எடுத்துக்காட்டு; ஆனால் “இந்தப் பத்தியைச் சுருக்கு” என்பது தற்போதைய பணிக்கு மட்டுமே பொருந்தும்.
அந்த விவரங்களில் ஒன்றைச் செயலி ஒரு புதிய உரையாடலுக்குள் கொண்டுவரும்போது, அது மாடலின் சூழலின் ஒரு பகுதியாகி, சாளரத்தில் இடம் பிடிக்கிறது. Perplexity-இல், நினைவகக் கட்டுப்பாடுகள் அமைப்புகள் → நினைவகம் என்பதில் உள்ளன. நினைவகத்தை முடக்கினால், எதிர்காலப் பதில்களில் அது பயன்படுத்தப்படுவது நிற்கும்; ஆனால் ஏற்கெனவே சேமிக்கப்பட்ட விவரங்கள் நீக்கப்படாது.
உரையாடலின்போது சூழல் சாளரத்தை எவை நிரப்புகின்றன
ஒருவர் தட்டச்சு செய்யும் சொற்களைவிட மிக அதிகமானவற்றைச் சூழல் சாளரம் வைத்திருக்கிறது. ஒரு வழக்கமான உரையாடலில், நான்கு வகையான உரைகள் அந்த இடத்தைப் பகிர்ந்துகொள்கின்றன: செயலியின் அறிவுறுத்தல்கள், உரையாடல் வரலாறு, கோப்புகள் அல்லது இணையத்திலிருந்து கொண்டுவரப்பட்ட உள்ளடக்கம், மாடலின் பதில். இவற்றில் பெரும்பாலானவை திரையில் தோன்றுவதே இல்லை.
செயலியின் அறிவுறுத்தல்கள்
ஒருவரின் செய்தி மாடலைச் சென்றடைவதற்கு முன், செயலி தனது சொந்த அறிவுறுத்தல்களைச் சேர்க்கிறது (இது பெரும்பாலும் சிஸ்டம் ப்ராம்ப்ட் என அழைக்கப்படுகிறது). மாடல் எவ்வாறு செயல்பட வேண்டும் என்பதை இவை சொல்கின்றன: பதில்களை எவ்வாறு வடிவமைப்பது, எந்தத் தொனியைப் பயன்படுத்துவது, எந்தக் கருவிகளைப் பயன்படுத்தலாம், இன்றைய தேதி போன்ற விவரங்கள். செயலியின் உள் அறிவுறுத்தல்கள் போன்ற இவற்றில் சில, பொதுவாகப் பயனருக்குக் காட்டப்படுவதில்லை.
உரையாடல் வரலாறு
இதில், தற்போதைய பதிலுக்கான அந்த நபரின் அனைத்துச் செய்திகளுடன் மாடலின் முந்தைய பதில்களும் அடங்கும். பெரும்பாலும், பயனரின் கேள்விகளைவிட AI-இன் பதில்கள் மிக நீளமாக இருக்கும்.
பதிவேற்றிய கோப்புகள், இணையப் பக்கங்கள், தேடல் முடிவுகள்
கோப்புகளிலிருந்து கொண்டுவரப்படும் உரை, உரையாடலுடன் சேர்ந்து சூழல் இடத்தைப் பயன்படுத்துகிறது; ஆனால் ஒரு செயலி முழுக் கோப்பையும் வழங்கலாம் அல்லது தொடர்புடைய பகுதிகளை மட்டும் தேர்ந்தெடுக்கலாம். உதாரணமாக, வினவலுக்குப் பதிலளிக்க, Perplexity சிறிய கோப்புகளை முழுமையாகப் பகுப்பாய்வு செய்யலாம்; நீண்ட கோப்புகளிலிருந்து முக்கியப் பகுதிகளைப் பிரித்தெடுக்கலாம்.
தேடல் முடிவுகளும் இடம் பிடிக்கின்றன. உதாரணமாக, ஒரு வினவலுக்குப் பதிலளிக்க, Perplexity இணையத்தில் தேடி, அந்த முடிவுகளைப் படிப்பதற்காக மாடலுக்கு வழங்கலாம்.
மாடலின் பதிலும் பகுத்தறிதலும்
பதிலும் அதே சாளரத்துக்குள்தான் எழுதப்படுகிறது; எனவே செயலி அதற்கு இடம் விட வேண்டும். சில மாடல்கள், ஒரு பதிலைத் தயாரிக்கும்போது உள் பகுத்தறிதலையும் உருவாக்குகின்றன; அதை அந்த நபர் ஒருபோதும் பார்க்காமல் போகலாம். பகுத்தறிதல் உரை என்பது, ஒரு கேள்வியைப் பகுதிகளாகப் பிரிப்பது அல்லது தனது சொந்தக் கணக்கீடுகளைச் சரிபார்ப்பது போன்ற, இறுதிப் பதிலுக்கு முன் எழுதப்படும் மாடலின் படிப்படியான செயல்முறையாகும். இதுவும் பொதுவாகச் சாளர வரம்பில் கணக்கிடப்படுகிறது.
தற்போதைய AI மாடல்களில் சூழல் சாளர அளவுகள்
பெரிய சூழல் சாளரம் இருந்தால், ஒரு மாடல் நீண்ட ஆவணங்களையும், அதிக ஆதாரங்களையும், நீண்ட உரையாடல்களையும் கையாள முடியும். OpenAI, Anthropic, Google ஆகியவற்றின் முன்னணி மாடல்கள் ஒவ்வொன்றும் இப்போது சுமார் 10 லட்சம் டோக்கன்கள் கொண்ட சாளரத்தை வழங்குகின்றன. அது தோராயமாக 1,500 பக்க உரைக்குச் சமம்.
மாடல் | வழங்குநர் | சூழல் சாளரம் (டோக்கன்கள்) |
GPT-6 Astra | OpenAI | 10.5 லட்சம் |
Claude Opus 5.5 | Anthropic | 10 லட்சம் |
Gemini 4 Argon | 10,48,576 |
வழங்குநர்களின் API விவரக்குறிப்புகள், 5 நவம்பர், 2026 அன்று சரிபார்க்கப்பட்டவை. ஒரு செயலிக்குள் கிடைக்கும் வரம்புகள் வேறுபடலாம்.
பெரிய சாளரம் இருப்பதால், ஒரு மாடல் அதை முழுவதும் சமமாகச் சிறப்பாகப் பயன்படுத்தும் என்று அர்த்தமில்லை. உள்ளீட்டின் நீளம் அதிகரிக்கும்போது செயல்திறனின் நம்பகத்தன்மை குறையக்கூடும் என்று ஆய்வுகள் கண்டறிந்துள்ளன; இந்தப் போக்கு சூழல் சிதைவு (context rot) என அழைக்கப்படுகிறது.
உள்ளீட்டு வரம்புகளும் வெளியீட்டு வரம்புகளும்
மாடல் படிக்கும், எழுதும் அனைத்துக்குமான பகிரப்பட்ட ஒதுக்கீடே சூழல் சாளரம். ஒரே பதிலில் எழுத முடிவதைவிட மிக அதிகமாக ஒரு மாடலால் படிக்க முடியும்.
ஓர் உள்ளீட்டைச் செயலாக்கும்போது, மாடல் பல டோக்கன்களை இணையாகக் கையாள முடியும். ஒரு பதிலை உருவாக்கும்போது, அது வழக்கமாக டோக்கன்களை வரிசையாக உருவாக்குகிறது; அடுத்து என்ன வர வேண்டும் என்பதைத் தேர்ந்தெடுக்க, முன்பு வந்தவற்றைப் பயன்படுத்துகிறது. ஒரு வாக்கியத்தின் முதல் நான்கு சொற்கள் தெரியும் வரை ஐந்தாவது சொல்லை அதனால் தேர்ந்தெடுக்க முடியாது; எனவே அது பதிலை ஒரு நேரத்தில் ஒரு டோக்கனாக உருவாக்க வேண்டியுள்ளது.
இதனால், நீண்ட உள்ளீடுகளைப் படிப்பதைவிட நீண்ட பதில்களை உருவாக்குவது மிக மெதுவானதாகவும் அதிகச் செலவு மிக்கதாகவும் ஆகிறது. அதனால்தான், மிக நீண்ட ஆவணத்தை மீண்டும் எழுதவோ மொழிபெயர்க்கவோ கேட்கும் கோரிக்கை பாதியிலேயே நின்றுவிடலாம்; முடிவைப் பகுதிகளாகக் கேட்பது சிறப்பாகச் செயல்படுவதற்கும் இதுவே காரணம்.
உரையாடல் வரம்பைத் தாண்டும்போது என்ன நடக்கிறது
ஓர் உரையாடல் சூழல் சாளரத்துக்கு மிகப் பெரியதாகும்போது, மாடல் பதிலளிப்பதற்கு முன் செயலி இடம் ஒதுக்க வேண்டும். செயலிகள் இதைச் சில வெவ்வேறு வழிகளில் செய்கின்றன; ஒவ்வொரு வழியும், மாடலால் இன்னும் எதைப் பார்க்க முடியும் என்பதை மாற்றுகிறது.
ஒரு வழி, மிகப் பழைய செய்திகளை முதலில் நீக்குவது. மாடல் உரையாடலின் சமீபத்திய பகுதியுடன் தொடர்ந்து செயல்படுகிறது. பயனரின் ஆரம்ப அறிவுறுத்தல்கள், முடிவுகள் அல்லது ஆவணப் பகுதிகள் சாளரத்திலிருந்து வெளியேறலாம். தன்னிடம் இனி இல்லாத உரையை மாடலால் குறிப்பிட முடியாது; ஆனால் ஏதேனும் விடுபட்டுள்ளது என்று அது பயனரிடம் சொல்லும் என்பது உறுதியில்லை.
மற்றொரு வழி, உரையாடலின் முந்தைய பகுதியைச் சுருக்கி, முழு உரைக்குப் பதிலாக அந்தச் சுருக்கத்தை வைத்திருப்பது. இது சூழல் சுருக்குதல் (context compaction) எனப்படுவதன் ஒரு வடிவம். சுருக்கம் மிகக் குறைந்த இடத்தையே பிடிப்பதால், உரையாடல் இன்னும் நீண்ட நேரம் தொடர முடியும். இருப்பினும், துல்லியமான எண்கள், பெயர்கள் அல்லது சொற்றொடர்கள் போன்ற விவரங்களை அது விட்டுவிடக்கூடும்.
மாடல் தனது சூழலை நீக்கியிருந்தால் அல்லது சுருக்கியிருந்தால், அது ஏற்கெனவே தெரிந்திருக்க வேண்டிய தகவல்களைக் கேட்கத் தொடங்கலாம். வடிவமைப்பு அல்லது விருப்பமான தொனி போன்ற, தொடக்கத்தில் கொடுக்கப்பட்ட அறிவுறுத்தல்களைப் பின்பற்றுவதைத் திடீரென நிறுத்தலாம். பயனரின் முந்தைய முடிவுக்கு முரணாகச் செயல்படலாம், அல்லது முன்பு பகிரப்பட்ட ஆவணங்கள் பற்றித் தெளிவில்லாமல் பேசலாம்.
சில செயலிகள் அதற்குப் பதிலாக உரையாடலை நிறுத்தி, புதிய ஒன்றைத் தொடங்குமாறு அந்த நபரிடம் கேட்கின்றன; அல்லது பொருந்த முடியாத அளவுக்கு நீளமான செய்தியையோ கோப்பையோ நிராகரிக்கின்றன.
சூழல் சாளரத்துக்குள் செயல்படுவதற்கான அன்றாடப் பழக்கங்கள்
- ஒவ்வொரு புதிய பணிக்கும் புதிய த்ரெட்டைத் தொடங்குங்கள்: உதாரணமாக, ஒரு நிகழ்வைத் திட்டமிடுவது பற்றி ஏற்கெனவே உள்ள த்ரெட்டில் சேர்ப்பதற்குப் பதிலாக, ஓர் அறிக்கையை அதற்கென்று தனி உரையாடலில் மதிப்பாய்வு செய்யுங்கள்.
- தேவையானவற்றை மட்டும் எடுத்துச் செல்லுங்கள்: ஒரு பணி முந்தைய வேலையின் அடிப்படையில் அமையும்போது, அடுத்த பணிக்குத் தேவையான உறுதிப்படுத்தப்பட்ட விவரங்களையும் அங்கீகரிக்கப்பட்ட சொற்றொடர்களையும் பிரித்தெடுக்குமாறு மாடலிடம் கேளுங்கள்.
- தொடர்புடைய தகவல்களை மட்டும் பகிருங்கள்: உதாரணமாக, கணக்கெடுப்பில் பங்கேற்றவர்கள் எவ்வாறு தேர்ந்தெடுக்கப்பட்டனர் என்ற கேள்விக்கு, முழு அறிக்கைக்குப் பதிலாக வழிமுறைப் பகுதியையும் அதற்கான துணைக் குறிப்புகளையும் வழங்குங்கள்.
- நீண்ட ஆவணத்தைப் பகிர்வதற்கு முன் தொடர்புடைய பகுதியைக் கண்டறியுங்கள்: ஓர் அறிக்கையிலோ கையேட்டிலோ உள்ளடக்க அட்டவணை இருந்தால், அதை முதலில் பகிருங்கள். கேள்விக்கு எந்தப் பகுதிகள் பதிலளிக்கக்கூடும் என்று மாடலிடம் கேட்டு, பின்னர் அந்தப் பகுதிகளை உரையாடலில் நகலெடுத்து ஒட்டுங்கள்.
- நீண்ட ஆவணங்களைப் பகுதி பகுதியாக மதிப்பாய்வு செய்யுங்கள்: ஒரு கையேட்டையோ அறிக்கையையோ கொள்கை, அத்தியாயம் அல்லது தலைப்பு வாரியாகப் பிரியுங்கள். தனித்தனி மதிப்பாய்வுகளுக்குத் தனித்தனி த்ரெட்களைப் பயன்படுத்தி, ஒவ்வொன்றுக்கும் ஒரே அறிவுறுத்தல்களை வழங்குங்கள்.
- நீண்ட வெளியீடுகளைக் கட்டம் கட்டமாகக் கோருங்கள்: நீளமான மறுஎழுத்து அல்லது மொழிபெயர்ப்புக்கு, அதே த்ரெட்டில் ஒரு நேரத்தில் ஒரு பகுதியைக் கேளுங்கள். பகுதியின் பெயரையோ பக்க வரம்பையோ குறிப்பிட்டு, தொடருமாறு மாடலிடம் கேட்பதற்கு முன் முடிவைச் சரிபாருங்கள்.
- பயனுள்ள பதில் நீளத்தை அமையுங்கள்: ஐந்து கண்டுபிடிப்புகள், ஒரு சிறிய விளக்கம் அல்லது குறிப்பிட்ட நெடுவரிசைகளுடன் கூடிய அட்டவணையைக் கேளுங்கள். சுருக்கமான பதிலே போதுமானதாக இருக்கும்போது விரிவான பகுப்பாய்வைக் கோருவதைத் தவிருங்கள்.
- குறிப்பிட்ட திருத்தங்களைக் கேளுங்கள்: ஒரு வரைவில் ஒரு பத்தியை மாற்ற, அந்தப் பத்தியை மட்டும் மீண்டும் எழுதுமாறு மாடலிடம் கேளுங்கள். முழு வரைவையும் மீண்டும் உருவாக்கச் சொல்வதற்குப் பதிலாக, எதை மாற்ற வேண்டும் என்பதைக் குறிப்பிடுங்கள்.
Perplexity சூழலை எவ்வாறு நிர்வகிக்கிறது
Perplexity-இன் சூழலில் உரையாடலைவிட அதிகமானவை அடங்கும். நேரலைத் தேடல் மூலம் கண்டறியப்பட்ட தகவல்கள், சேமித்த விருப்பத்தேர்வுகள், ஒரு பணிக்காக வழங்கப்பட்ட கோப்புகள் ஆகியவற்றையும் அது பயன்படுத்த முடியும்.
ஓர் ஆய்வுக் கேள்விக்கு, மாடல் தனது பதிலை உருவாக்கப் பயன்படுத்தக்கூடிய மூல உள்ளடக்கத்தை நேரலைத் தேடல் வழங்குகிறது; தகவல் எங்கிருந்து வந்தது என்பதைக் காட்டும் மேற்கோள்களும் உடன் வருகின்றன. உதாரணமாக, ஒரு புதிய ஒழுங்குமுறை பற்றிக் கேட்கும்போது, முதலில் கட்டுரைகளைச் சேகரித்து அரட்டையில் ஒட்டாமலேயே, தொடர்புடைய இணையத் தகவல்களைப் பணிக்குள் கொண்டுவர முடியும்.
சேமித்த நினைவு வேறுவிதமான சூழலை வழங்குகிறது: எழுத்து விருப்பத்தேர்வுகள் அல்லது நடந்துகொண்டிருக்கும் ஒரு திட்டம் பற்றிய பின்னணி போன்ற, முந்தைய உரையாடல்களிலிருந்து தொடர்புடைய விவரங்கள். பதிலளிக்கும்போது Perplexity அந்த விவரங்களை மீட்டெடுக்கிறது; அது வழங்கும் மாடல்கள் அனைத்திலும் நினைவகம் செயல்படுகிறது. எனவே, Perplexity-க்குள் மாடல்களை மாற்றும்போதும் சேமிக்கப்பட்ட ஒரு விருப்பத்தேர்வு தொடர்ந்து கிடைக்கும்.
பல உரையாடல்களில் நீளும் பணிக்கு, திட்டங்கள் கோப்புகளையும் அறிவுறுத்தல்களையும் ஒன்றாக வைத்திருக்கின்றன; திட்ட அறிவுறுத்தல்கள் ஒவ்வொரு வினவலுக்கும் பொருந்தும். ஓர் அறிக்கையின் வாசகர்கள், நோக்கம், எழுத்துத் தேவைகள் ஆகியவை திட்டத்திலேயே இருக்க, ஆய்வும் வரைவும் தனித்தனி த்ரெட்களில் நடைபெறலாம்.
கேள்விகள் கேட்பது, கோப்புகளுடன் பணியாற்றுவது, பின்தொடர் வினவல்கள் மூலம் பதில்களை மேம்படுத்துவது பற்றிய வழிகாட்டுதலுக்கு Perplexity உடன் தொடங்குதல் என்பதைப் பாருங்கள்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
படங்கள் சூழல் சாளரத்தில் கணக்கிடப்படுமா?
ஆம். படங்கள் டோக்கன்களாக மாற்றப்பட்டு, உரையுடன் சேர்ந்து இடம் பிடிக்கின்றன. டோக்கன்களின் எண்ணிக்கை, மாடல் அவற்றை எவ்வாறு செயலாக்குகிறது என்பதைப் பொறுத்தது. ஒரு ஸ்கிரீன்ஷாட் அல்லது ஸ்கேன் செய்யப்பட்ட பக்கத்தின் உரை அரட்டையில் நகலெடுக்கப்படாவிட்டாலும், அது சூழல் இடத்தைப் பயன்படுத்துகிறது.
பெரிய சூழல் சாளரத்துக்கு அதிகச் செலவாகுமா?
அவசியமில்லை. பெரிய சாளரம் என்பது ஒரு மாடல் எவ்வளவு கையாள முடியும் என்பதைக் குறிக்கிறது; ஒரு பணி அந்தத் திறனில் எவ்வளவைப் பயன்படுத்துகிறது என்பதை அல்ல.
ஓர் உரையாடல் சூழல் சாளரத்தில் எவ்வளவைப் பயன்படுத்தியுள்ளது என்பதைப் பார்க்க ஏதேனும் வழி உள்ளதா?
சில நேரங்களில். சில செயலிகள், சாளரம் எவ்வளவு நிரம்பியுள்ளது என்பதைக் காட்டும் சூழல் அளவீட்டைக் காட்டுகின்றன. “மீதமுள்ள செய்திகள்” என்பதைக் காட்டும் கவுண்டர் வேறொன்றைக் குறிக்கிறது: மாடல் இன்னும் எவ்வளவு தகவலை உரையாடலுக்குள் பொருத்த முடியும் என்பதை அல்ல, அந்தக் கணக்கு இன்னும் எத்தனை கோரிக்கைகளைச் செய்ய முடியும் என்பதை. குறிப்பாகச் சூழல் அளவீடு உள்ளதா எனப் பாருங்கள்.
தம்முடன் பகிரப்பட்ட உரையாடலை ஒருவர் தொடர முடியுமா?
ஆம். Perplexity-இல், ஒருவர் பகிரப்பட்ட உரையாடலைப் படித்து, பின்தொடர் கேள்வியைக் கேட்கலாம். அந்தக் கேள்வி அவரது கணக்கில் ஒரு புதிய உரையாடலைத் தொடங்கும்; அசல் உரையாடல் மாறாமல் இருக்கும்.