Execute Ornith-1.5 122B localmente: mais forte, rápido e enxuto

Autoria: Fahd Mirza · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Run Ornith-1.5 122B Locally: Stronger, Faster, Leaner · Canal: Fahd Mirza · 14:01 · Assistir no YouTube

Tópicos: Engenharia de software com IA, Modelos locais e open source, Modelos multimodais

Resumo

Fahd Mirza testa o modelo Ornith-1.5 122B localmente com llama.cpp em tarefas de programação, visão, raciocínio científico, interpretação de uma conversa e tradução. Em um aplicativo de sucessões, o modelo identifica e corrige um erro que concedia herança a alguém que morreu antes da beneficiária. Também produz uma receita a partir de uma imagem e cria uma animação em HTML, embora seu raciocínio possa ser extenso e o desempenho caia em idiomas com poucos recursos. O apresentador conclui que é um bom modelo aberto para uso geral, programação e tarefas com agentes.

Pontos-chave

O modelo é executado localmente com llama.cpp, e o uso de VRAM depende, entre outros fatores, do tamanho do contexto e da quantização.
No aplicativo Legacy Vault, o modelo encontra e corrige um erro na regra de sobrevivência necessária para receber uma herança.
A correção é verificada na aplicação: Thomas deixa de receber dinheiro, e Walter recebe sua parte.
Na tarefa de visão, identifica um curry Mughlai e oferece uma receita detalhada, mas seu raciocínio passa por várias hipóteses.
Gera uma animação de tatuagem em um único arquivo HTML, sem dependências externas.
Responde corretamente a um problema visual sobre choque elétrico e interpreta com nuance uma conversa fictícia no WhatsApp.
Na tradução para 81 idiomas, o apresentador considera bons vários idiomas principais, mas fracos alguns idiomas com poucos recursos.
O apresentador avalia Ornith-1.5 como um modelo aberto versátil para programação e trabalho com agentes, embora não seja perfeito em todas as tarefas.

Capítulos

Início	Capítulo	Resumo
00:01	Teste de programação no Legacy Vault	O apresentador configura Ornith-1.5 localmente e pede que encontre e corrija um erro na distribuição de uma herança.
04:11	Correção do bug e teste de visão	O modelo corrige a regra de sucessão e, em seguida, identifica um prato em uma imagem e escreve uma receita.
06:43	Animação criativa em HTML	O modelo cria e anima, em um único arquivo HTML, uma tatuagem de canguru desenhada na coxa.
09:18	Raciocínio visual e interpretação de contexto	O apresentador testa uma questão sobre choque elétrico e a interpretação de uma conversa fictícia no WhatsApp.
11:55	Tradução e avaliação geral	O modelo traduz uma frase para 81 idiomas, com resultados desiguais, e o apresentador resume seus pontos fortes e limitações.

Citações

O modelo diz que corrigiu o bug e também identificou alguns falsos alarmes. — 04:11

É uma saída de nível mundial para algo criado em um único arquivo HTML, sem dependências externas. — 08:47

Acho que é um bom modelo versátil. Foi bem em quase todos os testes. — 13:29

Acho que este é um bom modelo para o trabalho do dia a dia. — 14:01

Conceitos e entidades

Ornith-1.5 122B (modelo): Modelo de pesos abertos com cerca de 122 bilhões de parâmetros, avaliado em programação, visão, raciocínio e tradução.
llama.cpp (ferramenta): Ferramenta usada no vídeo para executar Ornith-1.5 localmente.
Legacy Vault (ferramenta): Aplicativo de sucessões usado para testar a capacidade do modelo de encontrar e corrigir um erro de lógica.
Atomic Chat (ferramenta): Origem da versão GGML do modelo usada pelo apresentador no teste.
Mixture of Experts (conceito): Arquitetura de modelo mencionada pelo apresentador ao descrever Ornith-1.5.
quantização (conceito): Opção que pode ser escolhida de acordo com a VRAM disponível na GPU.
Fahd Mirza (pessoa): Apresentador que executa e avalia o modelo em diferentes tarefas.

Tradução completa (pt-BR)

00:01 O modelo Ornith 1.5 de 122 bilhões de parâmetros chegou, e vou testá-lo diretamente neste aplicativo Legacy Vault. Dizem que este modelo é mais rápido e enxuto que seu antecessor, e é exatamente isso que vou testar, além de vários benchmarks. Legacy Vault é uma ferramenta que escritórios de advocacia usam depois que alguém morre. Ela lê o testamento, os bens, as dívidas e os familiares, e então calcula

00:34 quem herda quanto. A regra deste testamento — e aqui ela precisa sobreviver à pessoa que morreu por 30 dias, senão não recebe nada — está invertida neste aplicativo. Como você pode ver na tela, Thomas morreu 132 dias antes de Margaret. Ele está morto, mas o aplicativo paga a ele 1,95 milhão de dólares australianos. E então, sabe, o bug simplesmente se espalha e vaza pelo

01:04 aplicativo, e é isso que vou corrigir com este novo modelo. Este é o aplicativo, um aplicativo full stack executado com Docker, com muitos componentes no meu sistema. E é aqui que já estou servindo este modelo Ornith 1.5 com llama.cpp usando este comando. E esta é a quantidade de VRAM que ele está consumindo. No momento, estou usando esta versão GGML contest do Atomic Chat, e você também pode selecionar qualquer

01:35 quantização que preferir, de acordo com a VRAM da sua própria GPU. Deixe-me mostrar rapidamente também a VRAM. Então, você pode ver que este é o consumo de VRAM no momento. O motivo de estar tão alto é o tamanho do meu contexto. Claro, você também pode reduzi-lo facilmente. Já instalei o agent do Harvey, e é nele que vou dar uma meta para este modelo, sem ficar conduzindo cada passo, para ver se ele consegue encontrar e corrigir o bug. Além disso, recentemente comecei esta newsletter gratuita

02:08 semanal sobre IA, na qual você pode se inscrever em farhatmirza.substack.com. E, se estiver procurando alugar uma GPU por um preço muito bom, você encontra o link para meu serviço de computação na descrição do vídeo. Enquanto o modelo trabalha nesse prompt, vamos falar um pouco mais sobre ele. O melhor do Oracles é que é um modelo de pesos abertos lançado sob a licença MIT. Então, você pode baixá-lo, executá-lo e criar coisas com ele livremente. É uma mistura de

02:38 modelos especialistas com cerca de 122 bilhões de parâmetros. Ele raciocina antes de responder. Também lê imagens e texto e lida com um context window de mais de 260.000 tokens, o que é um pouco limitado, mas tudo bem. A proposta aqui se resume a três palavras: mais forte, mais rápido e mais enxuto. Dizem que ele conclui tarefas mais rapidamente e gera respostas mais curtas sem desperdiçar tokens. E segue melhor as instruções e divide trabalhos grandes

03:09 em etapas de forma mais clara. Ele foi desenvolvido para trabalho de verdade, como programação, agents e uso de ferramentas, não apenas para conversar. Ainda está trabalhando no nosso prompt, então vamos esperar. Vamos dar uma olhada rápida nos benchmarks. O interessante é ver quem está ao lado dele. Ele supera modelos do próprio porte, como o 1.3.8 Flash Next e o NeMo Tron 3.5 Super da Nvidia, na maioria dos testes de programação e de uso de agents. No SweepBench Pro, que usa

03:40 issues reais de software, ele está muito à frente de todos os outros no gráfico. Depois, fica lado a lado com o DeepSeek Before Flash, que tem mais que o dobro do tamanho, e com o Beam, que é cerca de quatro vezes maior. Ele não vence em tudo, mas é bastante impressionante um modelo desse porte estar entre esses concorrentes. Enfim, em vez de acreditar nesses números, vamos conferir este prompt para ver como ele se sai. Como você pode ver, ele já confirmou algumas coisas, mas vou deixá-lo executar e depois

04:11 vamos conferir o resultado final. Depois de pensar bastante, o modelo diz que corrigiu o bug e também identificou alguns falsos alarmes, o que é muito bom. A verificação também parece muito boa. Então, ele levou um tempo, mas não demais. Acho que há um equilíbrio entre o raciocínio e o resultado. Mas, enfim, vou voltar ao aplicativo e atualizar a página completamente. E o bug foi definitivamente corrigido, como você pode ver. Thomas, que morreu antes de Margaret,

04:42 agora não recebe nada, e Walter, que sobreviveu a ela, recebe sua parte de 519 mil dólares australianos. Então, o modelo encontrou sozinho a linha com o erro, reconstruiu o aplicativo e o balanço ainda fecha. Um resultado muito bom. Agora vamos fazer um teste de visão. Vou dar a este modelo uma foto de um curry e pedir que identifique o prato, diga de onde ele é e escreva uma receita completa. Então, estou testando principalmente se ele realmente consegue ver a

05:12 imagem e transformá-la em detalhes úteis e precisos. Vamos executá-lo na interface gráfica do servidor llama.cpp. E vamos conferir exatamente qual é a resposta, porque ela também inclui um pouco de escrita criativa. O modelo me deu a resposta, mas, antes mesmo de mostrá-la, quero dedicar um minuto a este raciocínio. Então, se você o acompanhar enquanto eu rolo a tela, verá que ele não apenas chutou. Ele considerou curry vermelho tailandês, curry caribenho e um curry indiano

05:43 genérico, percebeu na imagem uma fatia estranha parecida com uma salsicha, que você pode ver novamente aqui. Depois, verificou a própria resposta antes de se decidir por um prato, como dá para ver nesse raciocínio. O pensamento foi minucioso, mas ele ficou indo e voltando bastante diante de uma única foto. Isso é bom, porque queria acertar a resposta. Mas acho que, nesse modo de raciocínio mais intenso, ele não é tão enxuto. Você sempre pode reduzir o nível de raciocínio.

06:13 Mas, com certeza, ele é rápido. A resposta também é muito boa. Ele identificou o prato como Mughlai, um curry de frango e batata do norte da Índia, e apontou exatamente o que viu: alguns pedaços, pedaços de frango, óleo de pimenta vermelha e algumas outras coisas. Depois, escreveu uma receita completa para quatro pessoas, com quantidades, 10 etapas claras e dicas, que foi o que pedi. Então, ficou realmente muito bom. Veja, há também algumas dicas. Eu diria que é uma resposta muito boa e

06:43 se eu comparar mesmo esta nova versão com a versão anterior da Ornet, esta é muito, muito melhor. E quero dizer diretamente à equipe da Ornet que venho cobrindo os modelos deles desde o primeiro dia, quando ninguém nem conhecia a Ornet. E estou vendo algumas coisas: eles fizeram divulgação no X e em algumas outras plataformas, dando acesso antecipado às pessoas, mas nem sequer perguntaram a nós, que apoiamos o projeto desde o primeiro dia. Então, seria

07:14 bom se lembrassem de nós para o próximo vídeo. Enfim, para o lançamento do próximo modelo. Mas acho que, ainda assim, independentemente disso, esta versão do modelo melhorou muito. Agora vamos fazer um teste de programação criativa. Estou pedindo que ele crie um único arquivo HTML que anime uma tatuagem de canguru sendo desenhada na coxa. Estou testando o design visual, o código da animação e se ele consegue produzir o resultado completo de uma só vez, algo que também é bastante complexo, ou

07:46 não. O modelo criou o arquivo. Deixe-me abri-lo aqui para vocês. Ainda não vi, então vamos conferir juntos. Aí está. A simulação está acontecendo. Ele está criando algum tipo de tatuagem aqui. E criou o contorno. Agora está tentando sombreá-lo. Está criando mais alguns detalhes artísticos. E, como você pode ver, está ficando muito bom até agora. Nossa, olhe para este

08:17 sombreamento. Depois de criar a silhueta, você pode ver que agora está criando todas as formas angulares. Muito, muito bem feito. Muito bem feito. E agora está criando alguns outros detalhes. Acho que está muito bom. Está muito bom. Sim, quer dizer, isto não é um software de geração de imagens, então podemos imaginar que não vai gerar algo com esse nível de qualidade, mas, mesmo assim, é

08:47 um resultado de nível mundial, considerando que foi criado em um único arquivo HTML, sem dependências externas. Esta ilustração em estilo tradicional australiano, com preenchimentos pretos sólidos e uma paleta limitada, ficou muito boa. As estrelas também estão espalhadas. Muito bom. Vou executá-lo de novo. Dá para ver como ficou bom. Muito, muito bom. Vou aumentar a velocidade. Aí está. Vamos colocar no máximo.

09:18 Sim. Então, esta velocidade é maior e agora ele está criando isso, sabe, muito mais rápido. Muito bom. Muito bom. Desculpe, estou só apreciando essa tatuagem. Acho que ficou muito boa. Sim. Há defeitos, claro, mas, como eu disse, é só um arquivo HTML típico. Nada de sofisticado está acontecendo aqui. Vamos fazer outro teste. A seguir, vamos verificar o raciocínio científico.

09:50 Vou dar este prompt, em que pessoas estão segurando fios diferentes, e perguntar quem vai levar um choque elétrico. Então, sem fornecer nenhum texto, vamos dar este prompt. Vamos ver se ele consegue inferir a pergunta a partir da imagem. E, bem rapidamente, o modelo me deu a resposta correta: A e D. Ele também explicou que o choque exige um caminho completo através do corpo e que D leva choque mesmo estando em um banquinho, porque

10:21 toca nos dois fios, e esta é novamente uma tabela de resumo que ele gerou. Então, uma resposta muito boa. Certo, agora vamos conferir este teste, totalmente hipotético, mas acho que o modelo deu a melhor resposta até agora. Olhem o teste. Esta é uma conversa no WhatsApp em que um chefe, um deploy às 23h e uma esposa desconfiada se cruzam. Estamos testando se ele lê a captura de tela corretamente e, depois, encontra uma saída inteligente e engraçada para uma situação quase

10:54 impossível. Queria poder mostrar todo o raciocínio que ele desenvolveu, porque é tão bom, tão divertido de ler, mas vou pular isso por enquanto. Vamos conferir a resposta. Ele leu a captura de tela muito corretamente. Entendeu quem disse o quê e que “hoje à noite” significa o deploy das 23h, não um caso, e que a esposa só viu as duas primeiras mensagens. Então, é um modelo muito, muito perspicaz. Ele resolveu o problema numa ordem mais inteligente. Olhem

11:24 esta mensagem para a esposa. Olhem só: “É um deploy, não um dossiê.” Que boa sacada! Então, ele respondeu primeiro à esposa, depois ao chefe e, por fim, ao deploy, e deu uma justificativa clara. A resposta ao chefe aprova a licença dele ou dela. É a direção certa, e ele pediu permissão para tranquilizar a esposa. E então, sabe, um plano de uma linha para esta noite: esteja em casa até essa hora e deixe a luz da cozinha acesa para que sua esposa veja você. Seja gloriosamente, entediantemente inocente.

11:55 Habilidades de escrita muito, muito boas. Estou muito satisfeito com o modelo. E agora, vamos fazer um teste multilíngue. Esta é uma situação em que um homem está cortando a grama do jardim com tanto afinco que até a grama desapareceu, porque ele não conseguia tirar os olhos da vizinha, que não para de pular na cama elástica, como vocês podem ver. O que o homem está tentando fazer aqui é pedir à mulher que tenha

12:27 misericórdia de mim e do meu gramado. Então, é isso que este modelo precisa traduzir para todos estes 80 idiomas. Vamos ver como ele se sai. Procurem o idioma de vocês e me digam nos comentários, quando terminar, se está correto ou não. Certo, aqui está a resposta. A primeira coisa que chama a atenção é que ele não seguiu exatamente a instrução, porque mudou a frase, mas, enfim, terminou os 81 idiomas, com os alfabetos nativos e uma linha para cada um. Os idiomas principais parecem estar bem corretos para mim, como espanhol, francês, alemão, coreano, japonês, hebraico e árabe, mas me digam o que acharam.

12:58 Mas então, sabe, como acontece com vários outros modelos, os idiomas raros ou com poucos recursos são fracos. Tailandês, havaiano e zulu, por exemplo, parecem inventados para mim. Não parecem nada bons. Até os idiomas regionais da Índia ou do Paquistão não parecem bons.

13:29 Acho que os idiomas do Sudeste Asiático também deixam a desejar. E eu esperava mais deste modelo em termos de humor. Mas acho que ele fez um trabalho razoável, mesmo que não seja, sabe, de nível mundial. Vamos considerar que foi bom. Olha, acho que é um bom modelo versátil. Foi muito bom em quase todos os testes. É um modelo open capaz para programação e trabalho com agents, mesmo que não seja perfeito. Mas acho que é disso que precisamos. Só precisamos de um modelo para o trabalho do dia a dia. Para isso, eu

14:01 acho que este é bom. Digam o que acharam nos comentários. Obrigado por todo o apoio.

Transcrição original

[00:01] Ornith 1.5 122 billion parameter model is here and I’m going to test it straight on this Legacy Vault application. This model is said to be faster and leaner from its predecessor and that is exactly what I’m going to test out in addition to various benchmarks. Legacy Vault is a tool law firms use after someone dies. It reads the will, the assets, the debts, and the family, then works out

[00:34] who inherits how much. The rule in this will and here must outlive the person who died by 30 days or they get nothing as you can see on your screen. But this app has this rule backwards. Look at the screen. Thomas died 132 days before Margaret. He’s dead, but the app pays him Australian dollar 1.95 million. And then, you know, the bug just spews through and leaks through

[01:04] this application and that is what I’m going to fix with this new model. This is the application, a full stack application running with Docker with a lot of components on my system. And this is where I’m already serving this Ornith 1.5 model with llama.cpp with this command and this is how much VRAM it is consuming. At the moment, I’m using this GGML contest version from Atomic Chat and you can also select any

[01:35] quant of your choice as per your own GPU VRAM. Let me quickly show you the VRAM too. So, you can see that this is the VRAM consumption at the moment. The reason why it is so high is because of my context length. Of course, you can also reduce it easily. I already have installed Harvey’s agent and that is where I’m going to give this model a goal without any hand-holding to see if it is able to find that bug and fix it. Also, recently I have started this free

[02:08] weekly AI newsletter, which you can subscribe at farhatmirza.substack.com. And if you’re looking to rent a GPU on very good price, you can find the link to my compute in videos description. While the model works through that prompt, let’s talk a bit more around this model. So, the best thing about Oracles that it is open weights model released under the MIT license. So, you can download it, run it, and build on it freely. It’s a mixture of

[02:38] expert model with about 122 billion parameters. It reasons before it answers. It reads images as well and text and handles a context window of over 260,000 tokens, which is bit on a lesser side, but that is fine. The pitch here is three words: stronger, faster, and leaner. They say that it finishes task quicker and writes shorter outputs without wasting tokens. And it follows instructions better and breaks big jobs

[03:09] into step more cleanly. It is built for real work like coding, agents, and tool use, not just chat. It is still working though on our prompt, so we will wait for it. Let’s have a quick look at the benchmarks. The interesting part is who is standing next to it. It beats model of its own size like 1.3.8 flash next and Nvidia’s NeMo Tron 3.5 super on most of coding and agentic test. On SweepBench Pro, which uses real

[03:40] software issues, it’s far ahead of everything else on the chart. Then it goes toe-to-toe with DeepSeek before flash, which is more than twice its size, and with Beam, which is about four times bigger. It doesn’t win everything, but a model this size keeping that company is quite impressive. So, anyway, instead of believing on these numbers, we will check out this prompt to see how it goes. So, you see it already has confirmed few things, but I will let it run and then

[04:11] we will check out the end result. After thinking long and hard, the model says it has fixed the bug and it it has also caught some of the false alarms, which is quite good. Verification also looks pretty good. So, it has taken its time, but not too long. I think it’s a balance in reasoning plus the result. But anyway, let me now go back to that application and do the hard refresh. And the bug is definitely fixed, as you can see. Thomas who died before Margaret

[04:42] now gets nothing and Walter who outlived now gets his 519,000 Australian dollar share. So, the model found the one swipe line on its own, rebuilt the app, and the ledger still balances. So, very good result. And now let’s do a vision test. I’m giving this model a photo of a curry and asking it to name the dish, say where it’s from, and write a full recipe. So, primarily, I’m testing whether it truly sees the

[05:12] image and can can turn that into useful accurate detail. Let’s run it in llama.cpp server GUI. And we will check out what exactly the response is because it also includes some of the creative writing. The model has given me the response, but even before I show you that response, I really want to spend a minute on this reasoning. So, if you go through it and I’ll scroll down, it didn’t just guess. It weighed Thai red curry, Caribbean curry, and a

[05:43] general Indian curry, spotted an odd sausage-like slice in the image which you can see again. And then checked itself before committing to one dish as you can see from this reasoning. The thinking was thorough but it went back and forth on a lot on one photo. So, which is good because it wanted the answer to be correct. So, but I think it is not as lean in this high thinking. You can always reduce the thinking.

[06:13] So, but it is fast for sure. In terms of answer it is quite strong too. It named the dish as Mughlai a North Indian chicken and potato curry and pointed to exactly what it saw. Some chunks, chicken pieces, red chili oil and few other things. And then it has written a full recipe for four with quantities, 10 clear steps and tips which is what I asked for. So, really really good stuff. You see and then some tips too. So, fairly good answer I would say and

[06:43] if I really compare this new version to the previous version from Ornet, this one is way way better and really one thing I want to say directly to the Ornet team that I have been covering their model from day one when no one even knew about this Ornet. And I am looking at some of the you know, they have been marketing it on X and few other platforms where they gave people early access but they didn’t even ask us who have been their day zero supporter. So, would

[07:14] be good that if they remember us for the next video. Anyway, so our next model release. But I think still, you know, regardless of that I think this model is much much improved version. And now let’s do a creative coding test. I’m asking it to build a single HTML file that animates a kangaroo tattoo being drawn on a thigh. So, I’m testing visual design, animation code and whether it gets the complete result in which is quite complex too in one go or

[07:46] not. The model has created the file. Let me open it in front of you. I haven’t seen it yet, so let’s check this out together. There you go. So, simulation is happening. It is creating some sort of tattoo here. And it is it has created the outline. Now trying to shade it. Creating some more art there. And you see that looks pretty good so far. Oh my goodness, look at this

[08:17] shading now. So, after creating the silhouette, you can see that it is now creating all the angular figure. Very very well done. Very well done. And now creating some of the other stuff. I think this is pretty good. This is pretty good. Yes, I mean uh this is not an image generation software, so we can imagine that it is not going to generate a that sort of quality, but still it is

[08:47] quite a world-class output in terms of just creating it in single HTML file without any external dependencies. So, this illustration of Australian traditional style with solid black fills and a limited palette is quite good. The stars are also scattered. Pretty good. I’m just running it again. You can see that this looks so good. So, so good. I’ll increase the speed. There you go. Let’s put it to max.

[09:18] Yep. So, this is higher speed and now it is creating it with you know, much faster speed. Pretty good. Pretty good. Sorry, I am just enjoying this tattoo. I think this looks pretty good. Yes. There are defects, of course, but as I said, it is just um a typical HTML file. Nothing fancy is happening here. Let’s do another test. Next up, let’s do a check on scientific

[09:50] reasoning. I’m just going to give it this prompt where people are holding on to this different wires, and I’m asking it who will get an electric shock. So, without giving any text, let’s give it this prompt. Let’s see if it is able to infer that question from that image. And quite swiftly, model has given me the correct answer, A and D. So, it also explained that a shock needs a complete path through the body, and that D is shocked even on a stool because

[10:21] um he touches both the wires, and then this is again a table of summary it has generated. So, a real good answer there. Okay, now let’s check out this test, totally hypothet ical, but I think the model has given the best answer so far. Look at the test. This is a WhatsApp chat where a boss and 11:00 p.m. deploy and a suspicious wife all collide. So, we are testing whether it reads the screenshot correctly, and then finds a smart funny way out of an almost

[10:54] impossible spot. I wish I could show you the whole reasoning which it has done because it is so so good, so fun to read, but I will skip that for now. Let’s check out the response. It has read the screenshot very correctly. It worked out who said what, and that tonight means the 11:00 p.m. deploy, not a fling, and that the wife only saw the first two messages. So, very very nuanced model. It solved the problem in a smarter order. Look at

[11:24] this message to the wife. Look at this. It’s a deploy, not a dossier. How good is that? So, and then, you know, it replied to wife first, then boss, and then the deploy and gave a clear reason. The boss reply approves his leave or her leave. It is a right direction and it asked permission to reassure the wife. And then, you know, one line plan for tonight. Be home by this and then kitchen light on so your wife watches you. Be gloriously boringly innocent.

[11:55] Very very good writing skills. Very happy with the model. And now, let’s do a multilingual test. So, this is a situation where a man is religiously mowing his lawn and so much so that even the grass is gone because he couldn’t really take his eyes off as the neighbor won’t stop jumping on that trampoline as you can already see. So, what man is trying to do here, it is asking the, you know, the lady to have

[12:27] mercy on me and my lawn. So, and this is what this model needs to translate in all these 80 languages. So, let’s see how the model goes about it. Please check your language and let me know in the comments when it is done if that is correct or not. Okay, here is the answer. First thing which jumps out is that it didn’t really follow the instruction to the hilt because it has changed the sentence, but anyway, um it finished all 81 languages native

[12:58] scripts one line each and the major languages look really right to me like Spanish, French, German, Korean, Japanese, Hebrew, Arabic, all look okay to me, but let me know your thoughts. But then, you know, as usual, like various other models, the rare ones or the low-resource languages are weak. Like Thai, like Hawaiian, Zulu, all look invented to me. It doesn’t really look good. Even the regional Indian or Pakistani languages doesn’t look good.

[13:29] Southeastern, um, languages also, I think, fall off. And I was expecting better from this model in terms of humor. But I think, um, it has done an okay job, if not, uh, you know, world-class. We will take it as a good one. So, look, I think a good all-rounder model. It was quite good in almost every test. Capable open model for coding and agentic work, if not the perfect one. But I think that is what we need. We just need, uh, daily worker. For that, I

[14:01] think this is a good one. Let me know your thoughts in the comments. Thank you for all the support.