Esc to close · ⌘K / Ctrl-K opens search anywhere
कई मॉडल आपके प्रॉम्प्ट पर समानांतर में विचार-विमर्श करते हैं; एक संश्लेषित उत्तर वापस आता है। ओपन-वेट, पारदर्शी, और पुनरुत्पादनीय — panel ओपन-वेट मॉडल से बना है और प्रकाशित है, ताकि आप हमारे काम की जाँच कर सकें। इसेअपनी provider keys पर या हमारी पर चलाएं — हर variant पर BYOK।
Sangam playground आज़माएंकोड देखें
एक model id, OpenAI-संगत: bharatrouter/open-sangam — इसेmodel के रूप में सेट करें और बस हो गया।
Sangam एक तीन-चरण का ensemble है। अपने उत्तर को एक अकेले मॉडल पर दांव लगाने के बजाय, यह एक panel बुलाता है, फिर एक मजबूत मॉडल से उन्हें जोड़वाता है — जैसे एकसंगम नदियों का मिलन होता है। panel ओपन-वेट है, इसलिए हर चरण पारदर्शी और पुनरुत्पादनीय है।
आपका प्रॉम्प्ट ओपन-वेट मॉडल के एक प्रकाशित panel में फैल जाता है। हर एक स्वतंत्र रूप से उत्तर देता है — अलग ट्रेनिंग, अलग अंध-बिंदु — एक ही समय पर। हर कॉल आपकी अपनी provider keys (BYOK) पर चलता है — हर panel सदस्य ओपन-वेट है, इसलिए एक ही provider key (जैसे Groq) पूरे panel को कवर कर सकती है।
एक मजबूत "fuse with" मॉडल हर panel उत्तर को पढ़ता है और उन्हें जोड़ता है — कन्सेंसस को बनाए रखते हुए, विरोधाभासों को सामने लाते हुए, और उन अंध-बिंदुओं को भरते हुए जो कोई अकेला मॉडल नहीं पकड़ पाया।
आपको सामान्य chat.completion आकार में एक ही उत्तर वापस मिलता है — कोई नया response format संभालने की जरूरत नहीं। usage panel + synthesizer completions का योग है, साथ ही एक br_sangam पारदर्शिता ब्लॉक।
निर्माण से ही पारदर्शी: panel ओपन-वेट और प्रकाशित है, इसलिए कोई परिणाम पुनरुत्पादित होता है और आप ऑडिट कर सकते हैं कि किन मॉडलों ने उसे आकार दिया। ज़रूरत हो तो data_policy: india_onlyसे भारत-निवास उपलब्ध है। Sangam एक प्रीमियम showcase route है — लगभग एक मॉडल के 4× टोकन, साथ ही सबसे धीमे panel सदस्य की latency — इसलिए यह कभी default नहीं है; इसका उपयोग तब करें जब कोई उत्तर एक panel के लायक हो।
| Model id | Panel | निवास | किसके लिए सर्वश्रेष्ठ |
|---|---|---|---|
bharatrouter/open-sangam hero | ओपन-वेट panel gpt-oss · Qwen3 · Llama 3.1 — ओपन-वेट (अपनी keys पर चलाएं) | 🇮🇳 चाहें तो | ओपन-वेट, पुनरुत्पादनीय, BYOK-तैयार — पहले इसे आज़माएं |
bharatrouter/sangam | पूर्ण frontier gpt-5 · Gemini · Claude | 🌐 ग्लोबल | frontier panel — सर्वोच्च गुणवत्ता सीमा |
sangam: { panel, synth } | आपकी पसंद (2–6 मॉडल + एक synthesizer) | आपके मॉडल पर निर्भर | कस्टम ensembles — वही फ़ील्ड जो मनुष्य और एजेंट भेजते हैं |
तीनों के लिए वही OpenAI-संगत कॉल। Sangam playground में इंटरैक्टिव रूप से एक कस्टम panel बनाएं, या किसी भी request पर sangam ऑब्जेक्ट भेजें।
अपनी keys लाएं। हर variant BYOK है: हर panel मॉडल के लिए आप एक key लाते हैं। Open-Sangam panel पूरी तरह ओपन-वेट और Groq-routable है, इसलिए एक ही provider key (जैसे Groq) पूरे panel को कवर कर सकती है।
एक प्रमुख विकल्प: data_policy: india_only जोड़ें और हर panel + synthesizer कॉल केवल भारत-निवासी इन्फ्रास्ट्रक्चर पर रूट होता है — रचना से ही DPDP-संगत, end to end। यह एक अलग product नहीं, बस एक flag है: वही bharatrouter/open-sangam कॉल, ज़रूरत पड़ने पर भारत में पिन।
कई कन्सेंसस routers अपना panel गुप्त रखते हैं। हम नहीं रखते।Open-Sangam roster प्रकाशित है, इसलिए कोई भी किसी परिणाम को पुनरुत्पादित कर सकता है और ऑडिट कर सकता है कि किन मॉडलों ने उसे आकार दिया। तीन ओपन-वेट panelists उत्तर देते हैं; एक ओपन-वेट synthesizer उन्हें जोड़ता है। इस लूप का हर मॉडल ओपन-वेट है— अंत-से-अंत तक पारदर्शी और पुनरुत्पादनीय। ज़रूरत हो तो data_policy: india_only से भारत-निवास उपलब्ध है।
| भूमिका | मॉडल | के माध्यम से सर्व किया गया | निवास | वेट |
|---|---|---|---|---|
| Panelist | gpt-oss-20b | Krutrim Cloud | 🇮🇳 भारत-निवासी | ओपन-वेट |
| Panelist | qwen3-32b | open-weight (BYOK) | 🇮🇳 भारत-निवासी | ओपन-वेट |
| Panelist | llama-3.1-8b-instruct | open-weight (BYOK) | 🇮🇳 भारत-निवासी | ओपन-वेट |
| Synthesizer | gpt-oss-120b | Krutrim Cloud | 🇮🇳 भारत-निवासी | ओपन-वेट |
Synthesizer है gpt-oss-120bKrutrim Cloud के माध्यम से — एक बड़ा ओपन-वेट मॉडल जो जोड़ने का काम करता है। चूंकि roster निश्चित और सार्वजनिक है, वही प्रॉम्प्ट वही panel बुलाता है: डिज़ाइन से पुनरुत्पादनीय।
उदाहरणात्मक उदाहरणpanel→synthesizer प्रवाह दिखाने के लिए प्रतिनिधि शब्दावली — कोई benchmark या मापा गया परिणाम नहीं।
प्रॉम्प्ट
"एक स्टार्टअप भारतीय-भाषा के ग्राहक चैट पर एक ओपन मॉडल को fine-tune करना चाहता है लेकिन डेटा को भारत से बाहर नहीं जाने दे सकता। उन्हें कौन सा तरीका अपनाना चाहिए, और सबसे अधिक संभावना है कि वे किस एक जोखिम को नज़रअंदाज़ करेंगे?"
panel उत्तर देता है (समानांतर में):
gpt-oss-20b · Krutrim Cloudभारतीय GPU क्षमता पर इन-रीजन fine-tune करें और डेटासेट को भारत-निवासी स्टोर में रखें। LoRA का उपयोग करें ताकि आप एक छोटा adapter भेजें, पूरी मॉडल प्रति नहीं। सावधान रहें: कई "managed" fine-tuning APIs ट्रेनिंग के दौरान डेटा को किसी विदेशी रीजन में egress कर देते हैं — सिर्फ मार्केटिंग नहीं, data-flow पढ़ें।
qwen3-32b · open-weight (BYOK)बेस वेट को self-host करें और अपने ही इन्फ्रा पर ट्रेन करें ताकि कुछ भी आपके VPC से बाहर न जाए। चैट डेटा को सावधानी से क्यूरेट करें — भारतीय-भाषा ट्रांसलिटरेशन और code-mixing भोले tokenization को बर्बाद कर देते हैं। नज़रअंदाज़ किया गया जोखिम है ट्रेनिंग सेट में PII: ग्राहक चैट फ़ोन नंबरों और पतों से भरी होती हैं जिन्हें मॉडल बाद में उगल सकता है।
llama-3.1-8b-instruct · open-weight (BYOK)भारत-निवासी ओपन मॉडल पर पैरामीटर-कुशल fine-tuning (LoRA/QLoRA) व्यावहारिक रास्ता है; पूर्ण fine-tunes शायद ही कभी लागत के लायक होते हैं। पहले वास्तविक सपोर्ट ट्रांसक्रिप्ट का एक eval सेट बनाएं। चूकना आसान: DPDP सहमति — मॉडल ट्रेनिंग के लिए ग्राहक चैट का उपयोग एक अलग उद्देश्य है जिसके लिए नई सहमति और रिटेंशन सीमाओं की जरूरत हो सकती है।
Sangam उत्तर (gpt-oss-120bद्वारा संश्लेषित):
एक भारत-निवासी ओपन मॉडल का पैरामीटर-कुशल fine-tune (LoRA/QLoRA) लें, जो पूरी तरह भारत के भीतर इन्फ्रास्ट्रक्चर पर ट्रेन किया गया हो — आदर्श रूप से आपके अपने VPC में self-hosted ताकि डेटासेट कभी egress न करे; यदि आप एक managed trainer का उपयोग करते हैं, तो लिखित में सत्यापित करें कि ट्रेनिंग इन-रीजन चलती है। डेटा कार्य में पहले से निवेश करें: वास्तविक भारतीय ग्राहक ट्रांसक्रिप्ट का एक eval सेट, और code-mixed और ट्रांसलिटरेटेड टेक्स्ट के लिए tokenizer/हैंडलिंग।
panel तकनीकी आकार पर सहमत हुआ लेकिन उसने दो अलग "सबसे अधिक संभावना से नज़रअंदाज़" किए जाने वाले जोखिम चिह्नित किए, और दोनों मायने रखते हैं: (1) PII लीकेज — ग्राहक चैट में फ़ोन नंबर और पते होते हैं जिन्हें एक fine-tuned मॉडल याद रख सकता है और बाद में उगल सकता है, इसलिए ट्रेनिंग से पहले redact करें; और (2) DPDP सहमति — ट्रेनिंग के लिए सपोर्ट चैट का पुनः उपयोग एक नया उद्देश्य है जिसके लिए नई सहमति और एक रिटेंशन सीमा की जरूरत हो सकती है। अकेला निवास प्रोजेक्ट को अनुपालक नहीं बनाता; redaction और एक वैध आधार बनाते हैं।
यह किसी भी एक मॉडल से अधिक क्यों है: synthesizer ने साझा तकनीकी उत्तर रखा लेकिन panel केविभिन्न जोखिम आकलनों को एक छोड़ देने के बजाय जोड़ दिया — एक अकेले मॉडल पर भरोसा करने की विफलता का तरीका।
केवल उदाहरणात्मक शब्दावली। वास्तविक प्रति-मॉडल आउटपुट भिन्न होते हैं; यहां कुछ भी मापा गया स्कोर नहीं है।
हम ऐसे नंबर उद्धृत नहीं करेंगे जो हमने मापे नहीं। Open-Sangam के लिए प्रति-ensemblelatency और गुणवत्ता आ रही है BharatRouter के स्वतंत्रdeclared-vs-tested benchmark harness के माध्यम से — वही जिसे हम पूरे catalog में उपयोग करते हैं ताकि यह प्रकाशित कर सकें कि एक provider क्या declareकरता है उसके बगल में जो हम वास्तव में मापते हैं, वास्तविक कॉल पर औसत निकालकर।
जब तक वे नहीं आते, ऊपर के उदाहरण को उदाहरणात्मक मानें और panel roster को उस तथ्य के रूप में जिस पर आप भरोसा कर सकते हैं। जब मापे गए आँकड़े लाइव होंगे, वे यहां दिखाई देंगे — कॉल करने का model id है bharatrouter/open-sangam (/v1/models में सूचीबद्ध)।
Sangam बस एक model id है। किसी भी OpenAI-संगत क्लाइंट को BharatRouter की ओर इंगित करें औरmodel="bharatrouter/open-sangam" सेट करें — कोई SDK नहीं, कोई नया endpoint नहीं, कोई विशेष response parsing नहीं।
curl
curl https://api.bharatrouter.com/v1/chat/completions \
-H "Authorization: Bearer br-..." \
-H "Content-Type: application/json" \
-d '{
"model": "bharatrouter/open-sangam",
"messages": [
{"role": "user", "content": "How should an Indian startup keep fine-tuning data in-country?"}
]
}'Python — OpenAI SDK
from openai import OpenAI
client = OpenAI(
base_url="https://api.bharatrouter.com/v1",
api_key="br-...",
)
resp = client.chat.completions.create(
model="bharatrouter/open-sangam",
messages=[
{"role": "user",
"content": "How should an Indian startup keep fine-tuning data in-country?"},
],
)
print(resp.choices[0].message.content)
# panel + synthesizer transparency:
print(resp.br_sangam)पारदर्शिता ब्लॉक — हर response में एकbr_sangam फ़ील्ड होता है जो ठीक-ठीक दिखाता है कि किसने उत्तर दिया:
"br_sangam": {
"panel": [
{"model": "gpt-oss-20b", "provider": "krutrim", "ok": true, "ms": 1840},
{"model": "qwen3-32b", "provider": "groq", "ok": true, "ms": 1120},
{"model": "llama-3.1-8b-instruct", "provider": "groq", "ok": true, "ms": 2310}
],
"synthesizer": {"model": "gpt-oss-120b", "provider": "krutrim", "ms": 2640}
}एजेंट भी — वही सतह।Open-Sangam एक प्रथम-श्रेणी मॉडल है: यह GET /v1/models में दिखता है और MCPchat टूल के माध्यम से ठीक किसी अन्य मॉडल की तरह कॉल किया जा सकता है। जो भी एक मनुष्य कोड में कर सकता है, एक एजेंट MCP पर कर सकता है — मनुष्य + एजेंट समता, कोई विशेष रास्ता नहीं।
प्राइसिंग: Sangam की कीमत panel + synthesizer completions के योग के रूप में तय होती है — और चूंकि Open-Sangam का panel पूरी तरह ओपन-वेट है, आप इसे अपनी provider keys (BYOK) पर चलाते हैं, इसलिए panel लागत आपकी अपनी ओपन-वेट provider दर है। यह जब तक प्लेटफ़ॉर्म BYOK-beta में है तब तक मुफ़्त है। एक अकेले मॉडल के लगभग 4× टोकन और सबसे धीमे panel सदस्य की latency की अपेक्षा करें — इसका उपयोग उन उत्तरों के लिए करें जो एक panel के लायक हों, default route के रूप में नहीं।