# जनरेशन से पहले ऑर्केस्ट्रेशन

> जाँचे-परखे हिस्सों का दोबारा इस्तेमाल और हर अनुरोध को सबसे छोटे सक्षम मॉडल तक भेजना AI की ऊर्जा कैसे घटा सकता है, और अब तक के सबूत क्या कहते हैं।

Source: https://greenai.guide/hi/लेख/जनरेशन-से-पहले-ऑर्केस्ट्रेशन/  
Updated: 2026-11-19

## संक्षेप में

हर जवाब, कोड की हर पंक्ति या हर इमेज को एक बड़े मॉडल से शुरू से बनवाना AI इस्तेमाल करने का सबसे महँगा तरीक़ा है। ऑर्केस्ट्रेशन (orchestration) में AI योजना बनाता है और हिस्से चुनता है, फिर नतीजा जाँचे-परखे हिस्सों से जोड़ा जाता है और हर क़दम उस सबसे सस्ते मॉडल को भेजा जाता है जो उसे कर सके। सबसे सस्ता token वह है जो कभी बनाया ही न जाए।

## मुख्य बातें

- जनरेटिव AI में महँगा क़दम जनरेशन है; पहले से मौजूद, जाँचे-परखे हिस्सों को चुनना और दोबारा इस्तेमाल करना कहीं सस्ता है।
- रूटिंग (routing) हर अनुरोध को उस सबसे छोटे मॉडल तक भेजती है जो उसे सँभाल सके, और प्रकाशित routers गुणवत्ता में थोड़े से नुक़सान के साथ लागत काफ़ी घटाते हैं।
- रिट्रीवल (retrieval) किसी दस्तावेज़ या codebase का सिर्फ़ काम का हिस्सा देता है, इसलिए मॉडल कम tokens पढ़ता है।
- जाँचे-परखे हिस्सों का दोबारा इस्तेमाल सुरक्षा और रखरखाव में भी मदद करता है: एक सुधार हर उस जगह पहुँचता है जहाँ वह हिस्सा इस्तेमाल हुआ है।
- रूटिंग में एक पेच है: बहुत छोटा मॉडल नाकाम हो सकता है और बड़े मॉडल पर महँगी दोबारा कोशिश करवा सकता है।

AI के पर्यावरणीय पदचिह्न (footprint) पर ज़्यादातर चर्चा यह पूछती है कि जनरेशन को सस्ता कैसे बनाया जाए: छोटे
मॉडल, तेज़ चिप, साफ़ बिजली। एक अलग सवाल यह है कि जनरेशन की ज़रूरत आख़िर कितनी है। ऑर्केस्ट्रेशन इसका जवाब
जनरेशन को डिफ़ॉल्ट नहीं, बल्कि आख़िरी उपाय मानकर देता है।

## "जनरेशन से पहले ऑर्केस्ट्रेशन" का क्या मतलब है? {#what-does-orchestration-over-generation-mean}

**इसका मतलब है AI से काम की योजना बनवाना और हिस्से चुनवाना, फिर नतीजे को ज़्यादातर उन चीज़ों से बनाना जो पहले
से मौजूद हैं और जाँची जा चुकी हैं।** बड़े मॉडल से कुछ नया तभी बनवाया जाता है जब कोई उपयुक्त चीज़ मौजूद न हो।

लोग जनरेटिव AI से जो माँगते हैं, उसका बड़ा हिस्सा नया नहीं होता। सॉफ़्टवेयर एक जैसे पैटर्न से भरा है: लॉग-इन
स्क्रीन, फ़ाइल अपलोड, तारीख़ों को सँभालना, डेटा की जाँच। अनुबंध मानक धाराएँ दोहराते हैं। रिपोर्टें मानक खंड
दोहराती हैं। इनमें से हर एक को हर बार नए सिरे से बनाने पर ऊर्जा की लागत दोहराई जाती है और थोड़े-थोड़े अलग
संस्करण बनते हैं, जिनमें से हर एक की जाँच करनी पड़ती है।

ऑर्केस्ट्रेटेड सिस्टम एक अच्छी तरह चलने वाली इंजीनियरिंग टीम की तरह काम करता है:

1. एक योजनाकार तय करता है कि काम के लिए क्या चाहिए।
2. एक सस्ता classifier या खोज कोई मौजूदा, जाँचा-परखा हिस्सा ढूँढती है जो फ़िट हो।
3. सिर्फ़ वाक़ई नए हिस्से बनाए जाते हैं, उस सबसे छोटे मॉडल से जो उन्हें बना सके।
4. नए बने हिस्सों को जाँचा जाता है और लाइब्रेरी में जोड़ा जाता है, ताकि अगला अनुरोध उनका दोबारा इस्तेमाल कर सके।

लाइब्रेरी एक cache की तरह काम करती है। गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग के लोगों के 2026 के एक UK
ग्रीन AI सैंडपिट (गहन चर्चा कार्यशाला) ने इस पैटर्न पर "सबसे सस्ता token वह है जो कभी बनाया ही न जाए" शीर्षक
के तहत चर्चा की।

## दोबारा इस्तेमाल से ऊर्जा क्यों बचेगी? {#why-would-reuse-save-energy}

**क्योंकि किसी हिस्से को ढूँढकर ढालने की लागत उसे बनाने की लागत का बहुत छोटा अंश है, और जाँचे-परखे हिस्सों पर
कम दोबारा काम करना पड़ता है।** Tokens, और इसलिए inference की ज़्यादातर ऊर्जा, जनरेशन पर ही ख़र्च होते हैं।

AI से लिखवाए गए आउटपुट की ऊर्जा लागत मामूली नहीं है। King's College London के एक अध्ययन (Cheung और साथी, 2025),
जो GreenCode परियोजना का एक साझेदार शोध-पत्र है, ने प्रोग्रामिंग के कामों को हाथ से हल करने की तुलना AI सहायक से
हल करने से की। कामों का औसत लेने पर, जो प्रोग्रामिंग प्रतियोगिता के सवाल थे, AI की मदद से कोड बनाने का कार्बन
पदचिह्न हाथ से करने के तरीक़े का 32.72 गुना था, और काम जितने जटिल होते गए, यह अंतर उतना बढ़ता गया। दोबारा
इस्तेमाल ठीक इसी लागत पर चोट करता है।

ऊर्जा के अलावा भी फ़ायदे हैं:

- **गुणवत्ता।** जाँचा-परखा हिस्सा एक बार परखा जाता है और कई बार भरोसे से इस्तेमाल हो सकता है।
- **सुरक्षा।** अगर कोई हिस्सा दोषपूर्ण निकले, तो आप जानते हैं कि वह कहाँ-कहाँ इस्तेमाल हुआ है, और एक सुधार उन
  सभी जगहों तक पहुँचता है।
- **रखरखाव।** साझा हिस्सों से बना codebase लगभग-एक-जैसी नक़लों से भरे codebase से छोटा और समझने में आसान होता है।

## मॉडल रूटिंग क्या है? {#what-is-model-routing}

**रूटिंग हर अनुरोध को उसके लिए सबसे उपयुक्त मॉडल तक भेजती है, आम तौर पर उस सबसे छोटे मॉडल तक जिसके अच्छा
जवाब देने की संभावना हो।** आसान अनुरोध छोटे, सस्ते मॉडलों को जाते हैं; कठिन अनुरोध आगे बढ़ाए जाते हैं।

प्रकाशित शोध इसकी संभावना दिखाता है:

- **FrugalGPT** (Chen, Zaharia और Zou, 2023) ने मॉडलों को सस्ते से महँगे की कड़ी में जोड़ा, और जवाब काफ़ी अच्छा
  माने जाने पर रुक गया; इसने 98% तक कम लागत पर GPT-4 के बराबर प्रदर्शन की बात बताई।
- **RouteLLM** (Ong और साथी, 2024) ने मानवीय पसंद के डेटा पर routers को प्रशिक्षित किया ताकि वे तय कर सकें कि
  किस अनुरोध को मज़बूत मॉडल चाहिए, और कुछ मामलों में गुणवत्ता खोए बिना लागत आधी से भी ज़्यादा घटाने की बात बताई।
- **Hybrid LLM** (Ding और साथी, 2024) ने अनुमानित कठिनाई के अनुसार queries को एक छोटे और एक बड़े मॉडल के बीच
  भेजा, और जवाबों की गुणवत्ता में बिना गिरावट के बड़े मॉडल को 40% तक कम calls किए।

ये अध्ययन सीधे ऊर्जा नहीं, बल्कि लागत मापते हैं, पर एक ही प्रदाता और हार्डवेयर के लिए बड़े मॉडलों पर कम tokens
का आम तौर पर मतलब कम ऊर्जा है। देखें [सही मॉडल चुनना](/hi/अच्छी-प्रथाएँ/काम-के-हिसाब-से-सही-मॉडल-चुनें/)।

## रिट्रीवल क्या है, और यह क्यों मदद करता है? {#what-is-retrieval-and-why-does-it-help}

**रिट्रीवल काम की जानकारी ढूँढता है और मॉडल को सिर्फ़ वही देता है, बजाय इसके कि मॉडल सब कुछ पढ़े या याद करे।**
Retrieval-augmented generation (RAG), जिसे Lewis और साथियों ने 2020 में पेश किया, एक खोज के क़दम को generator
के साथ जोड़ता है।

ऊर्जा के लिहाज़ से असली बात tokens की संख्या है। पूरे दस्तावेज़ों या codebases को मॉडल की context window से
गुज़ारने पर हर अनुरोध में ऊर्जा लगती है। GreenCode, ऊर्जा-कुशल सॉफ़्टवेयर पर एक यूरोपीय (ITEA) शोध परियोजना,
codebase के एक index से रिट्रीवल का इस्तेमाल करती है ताकि "tokens की संख्या repository को नहीं, काम को दर्शाए",
साथ ही छोटे fine-tuned मॉडल और सबसे छोटे सक्षम हिस्से तक रूटिंग का भी।

## GreenCode का काम क्या दिखाता है? {#what-does-the-greencode-work-show}

**यह कि AI इस्तेमाल करने की लागत गिननी होगी, और यह कि agent किस तरह काम करता है, यह उतना ही मायने रखता है
जितना यह कि वह कौन-सा मॉडल इस्तेमाल करता है।** दो साझेदार शोध-पत्र इसे दिखाते हैं:

- **EnergyBench** (Ionescu, Jensen और Thomsen, 2025) AI से बने कोड को सही होने और चलने पर लगने वाली ऊर्जा, दोनों
  पर अंक देता है। इसमें पाया गया कि prompt के शब्द कुछ मामलों में बने कोड की ऊर्जा दक्षता 91.9% तक सुधार सकते
  हैं, पर अक्सर सटीकता की क़ीमत पर। ग्रीन कोड के लिए prompt देना अपने-आप में भरोसेमंद उपाय नहीं है।
- **GreenCode Constitution** (Kapenekakis और साथी, 2026) ने एक coding agent को लिखित सिद्धांत दिए, पहले
  सही होना, फिर ऊर्जा के 37 anti-patterns, और उससे हर बदलाव से पहले और बाद में ऊर्जा मपवाई। llama.cpp पर, जो
  पहले से ही बहुत अच्छी तरह ट्यून किया गया inference engine है, इसने GPU ऊर्जा 4.7% घटाई। ऊर्जा की बचत गति के
  फ़ायदे से ज़्यादा थी, जो याद दिलाता है कि तेज़ हमेशा ज़्यादा ग्रीन नहीं होता, इसलिए ऊर्जा को सीधे मापना होगा।

GreenCode की अपनी पाइपलाइन ऑर्केस्ट्रेशन के सिद्धांत को लागू करती है: यह छोटे काम-विशेष मॉडल, रिट्रीवल और
रूटिंग को तरजीह देती है, और पहले से एक आकलन चलाती है ताकि ऐसा काम न चलाया जाए जिसकी inference लागत वसूल न हो।

## क्या ग़लत हो सकता है? {#what-can-go-wrong}

**रूटिंग और दोबारा इस्तेमाल तभी ऊर्जा बचाते हैं जब वे सही चुनाव करें।** मुख्य जोखिम:

- **छोटा आकार चुनना।** बहुत छोटा मॉडल नाकाम हो सकता है, और बड़े मॉडल पर दोबारा कोशिश सीधे वहीं जाने से ज़्यादा
  महँगी पड़ती है। agentic सिस्टम में, जहाँ एक नाकामी आगे के कई क़दम बिगाड़ सकती है, यह और ज़्यादा मायने रखता है।
  सीमा (threshold) तय करना एक असली डिज़ाइन समस्या है।
- **पुरानी पड़ चुकी लाइब्रेरी।** हिस्सों के मालिक, टेस्ट और अपडेट होने चाहिए, वरना दोबारा इस्तेमाल पुरानी ग़लतियाँ
  फैलाता है।
- **छिपी लागतें।** classifier, index और रिट्रीवल का क़दम, सभी ऊर्जा लेते हैं। ये आम तौर पर जनरेशन से कहीं सस्ते
  होते हैं, पर इन्हें भी मापना चाहिए।
- **रिबाउंड।** सस्ता AI और ज़्यादा AI को न्योता देता है। देखें [दक्षता काफ़ी नहीं है](/hi/लेख/दक्षता-ही-पर्याप्तता-नहीं-है-ai-में-रिबाउंड-प्रभाव/)।

## आगे क्या करें {#what-to-do-next}

- कुछ भी बनवाने से पहले खोजें: क्या कोई जाँचा-परखा हिस्सा, टेम्पलेट या पहले का जवाब पहले से मौजूद है?
- अनुरोधों को कठिनाई के अनुसार भेजें; डिफ़ॉल्ट रूप से छोटा मॉडल इस्तेमाल करें और ज़रूरत पर आगे बढ़ाएँ। देखें [AI का कुशल इस्तेमाल](/hi/अच्छी-प्रथाएँ/ai-का-कुशल-उपयोग-रोज़-की-आदतें/)।
- पूरे दस्तावेज़ चिपकाने के बजाय prompts छोटे रखने के लिए रिट्रीवल इस्तेमाल करें।
- जाँचे-परखे आउटपुट की एक लाइब्रेरी रखें, टेस्ट और एक मालिक के साथ, और काम करते-करते उसमें जोड़ते रहें।
- ऊर्जा या tokens को प्रति अनुरोध नहीं, बल्कि प्रति पूरा हुआ काम मापें, दोबारा कोशिशों समेत।
- अगर आप कई क़दमों वाले agents चलाते हैं, तो [agentic AI और tokens की बर्बादी](/hi/लेख/एजेंटिक-ai-और-टोकन-की-बर्बादी/) पढ़ें।

## अक्सर पूछे जाने वाले सवाल

### AI में ऑर्केस्ट्रेशन क्या है?

किसी काम को पूरा करने के लिए कई मॉडलों, टूल्स और सहेजे गए हिस्सों के बीच तालमेल बिठाना, न कि एक बड़े मॉडल से पूरा जवाब बनवाना। एक योजनाकार (planner) तय करता है कि क्या चाहिए; ज़्यादातर काम सस्ते हिस्से करते हैं।

### मॉडल रूटिंग क्या है?

हर अनुरोध को उसके लिए सबसे उपयुक्त मॉडल तक भेजना, आम तौर पर उस सबसे छोटे और सस्ते मॉडल तक जो अच्छा जवाब दे सके, और ज़रूरत पड़ने पर ही बड़े मॉडल तक ले जाना।

### क्या रूटिंग से गुणवत्ता घटती है?

प्रकाशित रूटिंग सिस्टम सबसे मज़बूत मॉडल की ज़्यादातर गुणवत्ता बनाए रखते हुए लागत में बड़ी बचत बताते हैं, पर नतीजा काम पर और इस पर निर्भर करता है कि router कठिनाई को कितनी अच्छी तरह आँकता है।

## स्रोत

- [FrugalGPT: how to use large language models while reducing cost and improving performance](https://arxiv.org/abs/2305.05176), Chen, Zaharia and Zou, Transactions on Machine Learning Research (2023)
- [RouteLLM: learning to route LLMs with preference data](https://arxiv.org/abs/2406.18665), Ong et al., ICLR 2025 (2024)
- [Hybrid LLM: cost-efficient and quality-aware query routing](https://arxiv.org/abs/2404.14618), Ding et al., ICLR (2024)
- [Retrieval-augmented generation for knowledge-intensive NLP tasks](https://arxiv.org/abs/2005.11401), Lewis et al., NeurIPS (2020)
- [Green optimised generative AI](https://greencode.ai/feature/green-optimised-generative-ai/), GreenCode (2026)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (2026)
- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [EnergyBench: holistic benchmark for correct and energy-efficient LLM-generated code](https://doi.org/10.1109/flta67013.2025.11336593), Ionescu, Jensen and Thomsen, FLTA 2025 (2025)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
