PPLX অনলাইন এলএলএম পরিচয় করিয়ে দেওয়া হচ্ছে

এ ধরনের প্রথম অনলাইন এলএলএম এপিআই।

আমরা দুটি নতুন PPLX মডেল শেয়ার করতে পেরে আনন্দিত: pplx-7b-online এবং pplx-70b-online! আমাদের অনলাইন মডেলগুলো সহায়ক, হালনাগাদ ও তথ্যভিত্তিক উত্তর প্রদানে ফোকাস করে এবং pplx-api-এর মাধ্যমে সর্বসাধারণের জন্য উপলব্ধ, যা একে এ ধরনের প্রথম এপিআই করে তুলেছে। pplx-7b-online এবং pplx-70b-online আমাদের এলএলএম প্লেগ্রাউন্ড Perplexity Labs-এর মাধ্যমেও অ্যাক্সেস করা সম্ভব।

এলএলএমগুলো আমাদের তথ্য খোঁজার পদ্ধতি বদলে দিয়েছে। তবে, বর্তমানের বেশিরভাগ এলএলএম-এর দুটি সীমাবদ্ধতা রয়েছে:

তাজা তথ্য (ফ্রেশনেস): এলএলএমগুলো প্রায়ই হালনাগাদ তথ্য শেয়ার করতে হিমশিম খায়।

ভ্রান্তি (হ্যালুসিনেশন): এলএলএমগুলো ভুল বা inaccurate তথ্যও আউটপুট হিসেবে দিতে পারে।

আমাদের pplx-7b-online এবং pplx-70b-online মডেলগুলো এর প্রতিক্রিয়ায় সহায়ক, তথ্যভিত্তিক এবং হালনাগাদ তথ্য প্রদান করে বর্তমান সীমাবদ্ধতাগুলো দূর করে।

PPLX অনলাইন এলএলএম

আমাদের এলএলএম, pplx-7b-online এবং pplx-70b-online হলো অনলাইন এলএলএম কারণ এগুলো ইন্টারনেট থেকে জ্ঞান ব্যবহার করতে পারে এবং এর ফলে উত্তর তৈরি করার সময় সবচেয়ে হালনাগাদ তথ্য কাজে লাগাতে পারে। আমাদের এলএলএমগুলোকে ওয়েব থেকে জ্ঞান প্রদান করার মাধ্যমে, আমাদের মডেলগুলো সময়-সংবেদনশীল প্রশ্নের নির্ভুল উত্তর দেয়, যা এর ট্রেনিং কর্পাসের বাইরের জ্ঞানের দুয়ার উন্মোচন করে। এর মানে হলো Perplexity-এর অনলাইন এলএলএমগুলো “গত রাতে ওয়ারিয়র্সের খেলার স্কোর কত ছিল?”-এর মতো প্রশ্নগুলোর উত্তর দিতে পারে যা অফলাইন মডেলগুলোর জন্য কঠিন। উচ্চপর্যায়ে, আমাদের অনলাইন এলএলএম এভাবে কাজ করে:

1. ওপেন সোর্স মডেলগুলোর সদ্ব্যবহার: আমাদের PPLX মডেলগুলো mistral-7b এবং llama2-70b বেস মডেলের উপর তৈরি।
2. ইন-হাউস সার্চ প্রযুক্তি: আমাদের ইন-হাউস সার্চ, ইনডেক্সিং এবং ক্রলিং অবকাঠামো আমাদের এলএলএমগুলোকে সবচেয়ে প্রাসঙ্গিক, হালনাগাদ এবং মূল্যবান তথ্যের সাথে পরিপূরক করতে সাহায্য করে। আমাদের সার্চ ইনডেক্স বড়, নিয়মিত বিরতিতে হালনাগাদ করা হয় এবং উচ্চমানের, এসইও-মুক্ত সাইটগুলোকে অগ্রাধিকার দেওয়া নিশ্চিত করতে পরিশীলিত র‍্যাঙ্কিং অ্যালগরিদম ব্যবহার করে। ওয়েবসাইটের অংশবিশেষ, যেগুলোকে আমরা “স্নিপেট” বলি, সবচেয়ে হালনাগাদ তথ্যের সাথে উত্তর দেওয়া সক্ষম করতে আমাদের pplx-online মডেলগুলোতে প্রদান করা হয়।
3. ফাইন-টিউনিং: আমাদের PPLX মডেলগুলোকে তাদের উত্তরের তথ্য জানাতে স্নিপেটগুলো কার্যকরভাবে ব্যবহার করার জন্য ফাইন-টিউন করা হয়েছে। আমাদের ইন-হাউস ডেটা কন্ট্রাক্টরদের ব্যবহার করে, আমরা সহায়কতা, তথ্যসঠিকতা এবং সতেজতার মতো বিভিন্ন অক্ষে উচ্চ কার্যক্ষমতা অর্জনের জন্য সাবধানে উচ্চ মানের, বৈচিত্র্যময় এবং বড় ট্রেনিং সেট কিউরেট করি। পারফরম্যান্স ক্রমাগত উন্নত করার জন্য আমাদের মডেলগুলোকে নিয়মিত ফাইন-টিউন করা হয়।

Perplexity-এর অনলাইন এলএলএম মূল্যায়ন

Perplexity-এর লক্ষ্য হলো বিশ্বের সেরা উত্তর দেওয়ার ইঞ্জিন তৈরি করা - এমন একটি যা মানুষ তাদের জ্ঞান আবিষ্কার এবং প্রসারিত করতে বিশ্বাস করে। এটি অর্জনের জন্য, আমরা সহায়ক, তথ্যভিত্তিক এবং হালনাগাদ তথ্য প্রদানের ওপর গভীরভাবে ফোকাস করি। এই অক্ষগুলোতে আমাদের এলএলএম-এর পারফরম্যান্স বেঞ্চমার্ক করতে, আমরা উত্তর দেওয়ার ইঞ্জিনগুলোর জন্য চ্যালেঞ্জিং অথচ বাস্তবসম্মত ব্যবহারের কেসগুলো প্রতিফলিত করার জন্য মূল্যায়ন ডেটাসেট কিউরেট করেছি। প্রতিটি মূল্যায়ন সেটের প্রতিটি প্রশ্নের জন্য, ঠিকাদারদের দুটি মডেলের প্রতিক্রিয়া দেওয়া হয়েছিল এবং নিম্নলিখিত মানদণ্ডের জন্য যে প্রতিক্রিয়াটি ভালো পারফর্ম করেছে তা নির্বাচন করার নির্দেশ দেওয়া হয়েছিল:

• সহায়তা: কোন প্রতিক্রিয়াটি প্রশ্নের উত্তর দেয় এবং নির্দিষ্ট নির্দেশাবলী আরও ভালোভাবে অনুসরণ করে?
• তথ্যসঠিকতা: কোন প্রতিক্রিয়াটি হ্যালুসিনেশন ছাড়াই আরও নির্ভুল উত্তর প্রদান করে, এমনকি এমন প্রশ্নগুলির জন্যও যার খুব সুনির্দিষ্ট বা কুলুঙ্গি জ্ঞানের প্রয়োজন হয়?
• তাজা তথ্য বা ফ্রেশনেস (FreshLLMs দ্বারা অনুপ্রাণিত ): কোন প্রতিক্রিয়ায় আরও হালনাগাদ তথ্য রয়েছে? একটি মডেল এই মানদণ্ডে পারদর্শী হয় যদি এটি "তাজা" তথ্য দিয়ে প্রশ্নের উত্তর দিতে সক্ষম হয়।

উপরের তিনটি মানদণ্ড ছাড়াও, মডেলের প্রতিক্রিয়াগুলো সামগ্রিকভাবেও মূল্যায়ন করা হয়েছিল। সামগ্রিকভাবে প্রতিক্রিয়া মূল্যায়ন করার জন্য, মূল্যায়নকারীদের এমন একটি প্রতিক্রিয়া বেছে নিতে বলা হয়েছিল যা তারা একজন মানব সহকারীর কাছ থেকে পেতে পছন্দ করতেন যিনি প্রশ্নটিতে সহায়তা করছেন।

মূল্যায়ন সেট কিউরেট করা

এই মূল্যায়নের জন্য, আমরা সহায়তা, তথ্যসঠিকতা এবং সতেজতা কার্যকরভাবে মূল্যায়ন করার লক্ষ্যে প্রম্পটের একটি বৈচিত্র্যময় সেট সাবধানে কিউরেট করেছি। প্রতিটি প্রম্পট ম্যানুয়ালি নির্বাচন করা হয়েছিল, ডেটার গুণমান এবং প্রাসঙ্গিকতার উপর উচ্চ স্তরের নিয়ন্ত্রণ নিশ্চিত করে। ডেটাসেটটি উত্তর ইঞ্জিন প্রম্পটের একটি বিস্তৃত পরিসর জুড়ে রয়েছে এবং আমরা Perplexity যেটিতে উৎকর্ষ অর্জন করতে চাই তার একটি ব্যাপক ওভারভিউ অন্তর্ভুক্ত করে। আমাদের মডেল পারফরম্যান্স মূল্যায়নের জন্য উচ্চ সিগন্যাল থাকা এটি অত্যন্ত গুরুত্বপূর্ণ।

তিনটি মূল্যায়ন সেটের প্রতিটিতে ৫০টি প্রম্পট রয়েছে। এই সেটগুলোর কিছু উদাহরণের মধ্যে রয়েছে:

• সহায়তা: বিশ্বকাপে খেলা সমস্ত মার্কিন সকার খেলোয়াড়দের একটি টেবিল তৈরি করুন এবং তাদের পরিসংখ্যান যেমন গোল, অ্যাসিস্ট ইত্যাদির জন্য কলাম তৈরি করুন।
• তথ্যসঠিকতা: AISI 1015 এবং AISI 1040 স্টিলের দৃঢ়তা ব্যাখ্যা করুন।
• হালনাগাদ তথ্য: ২০২৩ সালে কোন স্বয়ংচালিত গাড়ি কোম্পানিকে সান ফ্রান্সিসকো থেকে নিষিদ্ধ করা হয়েছিল?

মডেল রেসপন্স তৈরি করা হচ্ছে

আমরা চারটি মডেল মূল্যায়ন করেছি:

pplx-7b-online: Perplexity-এর মডেল, যাতে ইন্টারনেট থেকে তথ্য অ্যাক্সেস অন্তর্ভুক্ত রয়েছে। এই মডেলটি mistral-7b ব্যবহার করে ফাইনটিউন করা হয়েছিল।

pplx-70b-online: Perplexity-এর মডেল, যাতে ইন্টারনেট থেকে তথ্য অ্যাক্সেস অন্তর্ভুক্ত রয়েছে। এই মডেলটি llama2-70b ব্যবহার করে ফাইনটিউন করা হয়েছিল।

gpt-3.5-turbo-1106: OpenAI-এর মডেল, এপিআই-এর মাধ্যমে অ্যাক্সেস করা এবং কোনো অতিরিক্ত অগমেন্টেশন ছাড়াই। মনে রাখবেন যে আমরা সর্বশেষ gpt-3.5 মডেল ব্যবহার করে এই মূল্যায়ন পরিচালনা করেছি।

llama2-70b-chat: Meta AI-এর মডেল, আমাদের pplx-api-এর মাধ্যমে অ্যাক্সেস করা এবং কোনো অতিরিক্ত অগমেন্টেশন ছাড়াই।

প্রতিটি প্রম্পটের জন্য, একই সার্চ ফলাফল এবং স্নিপেটগুলো pplx-7b-online এবং pplx-70b-online মডেলগুলোকে প্রদান করা হয়েছিল। সমস্ত প্রতিক্রিয়া একই হাইপারপ্যারামিটার এবং সিস্টেম প্রম্পট ব্যবহার করে তৈরি করা হয়েছিল।

সিস্টেম প্রম্পট

মানব মূল্যায়নের সাথে মডেলের প্রতিক্রিয়া র‍্যাংক করা

প্রতিটি জোড়ায় জোড়ায় তুলনার জন্য, আমাদের ইন-হাউস ঠিকাদারদের প্রম্পট নিজেই, মূল্যায়ন মানদণ্ড (যেমন, সহায়তা, তথ্যসঠিকতা বা সতেজতা), এবং পাশাপাশি প্রদর্শিত মডেল প্রতিক্রিয়াগুলো প্রদান করা হয়েছিল। প্রতিবার প্রতিক্রিয়ার ক্রম এলোমেলো করা হয়েছিল, এবং উৎস মডেলগুলো মূল্যায়নকারীর কাছে প্রকাশ করা হয়নি। মূল্যায়নকারীদের তাদের সামগ্রিকভাবে পছন্দসই প্রতিক্রিয়া নির্বাচন করার নির্দেশ দেওয়া হয়েছিল, সেইসাথে নির্দিষ্ট মূল্যায়ন মানদণ্ডে কোনটি ভালো পারফর্ম করে, উভয়টির জন্যই টাই অনুমোদিত। পরিশেষে, মূল্যায়নের সঠিকতা যাচাই করার জন্য মূল্যায়নকারীদের ইন্টারনেট সার্চ ব্যবহারের অনুমতি দেওয়া হয়েছিল। এই মূল্যায়ন পরিচালনা করার জন্য আমরা আমাদের নিজস্ব ইন-হাউস পছন্দ র‍্যাঙ্কিং টুল তৈরি করেছি।

মূল্যায়নের ফলাফল

প্রতিটি মডেলের জন্য প্রতি-টাস্ক ইলো স্কোর গণনা করতে আমরা মানব মূল্যায়ন থেকে সংগৃহীত জোড়ায় জোড়ায় পছন্দ র‍্যাঙ্কিং ব্যবহার করি। খেলোয়াড়দের আপেক্ষিক পারফরম্যান্স পরিমাপ করার জন্য টুর্নামেন্ট-শৈলীর প্রতিযোগিতায় খেলোয়াড়দের একটি জনসংখ্যাকে র‍্যাংক করতে ইলো স্কোর সাধারণত ব্যবহৃত হয়। যখন বড় ভাষা মডেলগুলোতে প্রয়োগ করা হয়, তখন এই স্কোরগুলো একটি পূর্বাভাস প্রদান করে যে একজন মানব মূল্যায়নকারী কতটা সম্ভাবনাময়ভাবে একটি মডেলের আউটপুটকে অন্যটির চেয়ে পছন্দ করতে পারেন।

যদিও খেলোয়াড়দের ক্ষমতার পরিবর্তনগুলো হিসেব করতে তুলনার একটি ক্রমের জন্য সাধারণত ইলো স্কোর গণনা করা হয়, আমরা সেই মডেলগুলোর পারফরম্যান্স পরিমাপ করার লক্ষ্য রাখি যাদের ক্ষমতা পরিবর্তন হতে পারে না। তদনুসারে, আমরা Duan et al দ্বারা বর্ণিত এবং lmsys তাদের Chatbot Arena-এর জন্য ব্যবহার করা বুটস্ট্র্যাপ ইলো পদ্ধতি গ্রহণ করি, যার মধ্যে তুলনার অনেক এলোমেলো পারমুটেশনের জন্য ইলো স্কোর গণনা করা জড়িত। আমাদের গণনার জন্য, আমরা ৫০০০ পারমুটেশনের ওপর ইলো স্কোর গণনা করেছি এবং ৯৫% কনফিডেন্স ইন্টারভাল গণনা করতে এই ইলো স্কোরগুলোর ডিস্ট্রিবিউশন ব্যবহার করেছি।

চিত্র ১-এ দেখানো ফলাফলগুলো দেখায় যে আমাদের PPLX মডেলগুলো Perplexity-সম্পর্কিত ব্যবহারের ক্ষেত্রে gpt-3.5-এর পারফরম্যান্সের সাথে মিল রাখতে পারে এবং এমনকি তা ছাড়িয়েও যেতে পারে। বিশেষ করে, pplx-7b-online এবং pplx-70b-online মডেলের প্রতিক্রিয়াগুলো তাদের সঠিক এবং হালনাগাদ উত্তরের জন্য মানব মূল্যায়নকারীদের দ্বারা gpt-3.5 এবং llama2-70b মডেলের প্রতিক্রিয়ার চেয়ে বেশি পছন্দ করা হয়।

তাজা তথ্য (ফ্রেশনেস), তথ্যসঠিকতা (ফ্যাকচুয়ালিটি) এবং হোলিস্টিক মানদণ্ডে, pplx-7b-online এবং pplx-70b-online, gpt-3.5 এবং llama2-70b-এর চেয়ে ভালো পারফর্ম করে।

আমরা মূল্যায়ন থেকে জোড়ায় জোড়ায় জয়ের হারও গণনা করেছি। ফলাফলগুলো, চিত্র ২-এ দেখানো হয়েছে, সম্ভবত অবাক করার মতো বিষয় নয়, ফ্রেশনেস এবং তথ্যসঠিকতার ক্ষেত্রে pplx অনলাইন মডেলের প্রতিক্রিয়াগুলো অন্যদের চেয়ে বেশি পছন্দ করা হয়।

আমাদের ফ্রেশনেস মূল্যায়ন ডেটাসেট থেকে এখানে একটি উদাহরণ দেওয়া হলো।

প্রম্পট: USA-তে কত মানুষের ড্রাইভিং লাইসেন্স আছে?

pplx-7b-online

২০২৩ সালে, মার্কিন যুক্তরাষ্ট্রে আনুমানিক ২৪৩.৪ মিলিয়ন লাইসেন্সপ্রাপ্ত ড্রাইভার রয়েছে, যার মধ্যে মার্কিন প্রাপ্তবয়স্কদের ৮৯% অন্তর্ভুক্ত। এই সংখ্যাটি ২০২২ সালের ২৩৮.৬ মিলিয়ন থেকে বৃদ্ধি পেয়েছে। লাইসেন্সপ্রাপ্ত ড্রাইভারদের শতকরা হার বিভিন্ন বয়স গ্রুপ এবং রাজ্যে ভিন্ন হয়। উদাহরণস্বরূপ, ২০১৯ সালে, মার্কিন জনসংখ্যার ৮৪.১% মানুষের ড্রাইভিং লাইসেন্স ছিল। লাইসেন্সপ্রাপ্ত ড্রাইভারদের সর্বোচ্চ শতাংশ ২৫ থেকে ৪৯ বছর বয়সীদের মধ্যে, জনসংখ্যার ৯০.১% মানুষের ড্রাইভিং লাইসেন্স রয়েছে। ক্যালিফোর্নিয়ায় ২৭ মিলিয়ন লাইসেন্সপ্রাপ্ত ড্রাইভার ছিল, যা এটিকে সর্বোচ্চ সংখ্যক লাইসেন্সপ্রাপ্ত ড্রাইভারের রাজ্যে পরিণত করেছে।

pplx-70b-online

২০২১ সালে, মার্কিন যুক্তরাষ্ট্রে প্রায় ২৩৩ মিলিয়ন মানুষের বৈধ ড্রাইভিং লাইসেন্স ছিল। ২০২৩ সালের মধ্যে, মার্কিন যুক্তরাষ্ট্রে লাইসেন্সপ্রাপ্ত ড্রাইভারের সংখ্যা ২৪৩.৪ মিলিয়নে পৌঁছানোর অনুমান করা হচ্ছে, যার মধ্যে মার্কিন প্রাপ্তবয়স্কদের ৮৯% অন্তর্ভুক্ত রয়েছে। এটি ২০২২ সালের ২৩৮.৬ মিলিয়ন থেকে বৃদ্ধি পেয়েছে।

gpt-3.5

একটি এআই ভাষা মডেল হিসেবে, আমার রিয়েল-টাইম ডেটাতে অ্যাক্সেস নেই। তবে, ২০২১ সালের হিসাব অনুযায়ী, অনুমান করা হয়েছিল যে মার্কিন যুক্তরাষ্ট্রে প্রায় ২২৭ মিলিয়ন মানুষের একটি বৈধ ড্রাইভিং লাইসেন্স ছিল। অনুগ্রহ করে মনে রাখবেন যে এই সংখ্যাটি তখন থেকে পরিবর্তিত হতে পারে, তাই সবচেয়ে নির্ভুল তথ্যের জন্য সর্বদা সর্বশেষ অফিসিয়াল পরিসংখ্যানের উল্লেখ করা সবচেয়ে ভালো।

llama2-70b

আমার রিয়েল-টাইম ডেটাতে অ্যাক্সেস নেই, তবে আমি মার্কিন যুক্তরাষ্ট্রে ড্রাইভিং লাইসেন্স আছে এমন মানুষের আনুমানিক সংখ্যা সম্পর্কে কিছু তথ্য প্রদান করতে পারি। ফেডারেল হাইওয়ে প্রশাসনের মতে, ২০২০ সালের হিসাব অনুযায়ী মার্কিন যুক্তরাষ্ট্রে প্রায় ২২৭.৮ মিলিয়ন লাইসেন্সপ্রাপ্ত ড্রাইভার ছিল। এই সংখ্যাটিতে বাণিজ্যিক এবং অ-বাণিজ্যিক উভয় ড্রাইভারই অন্তর্ভুক্ত রয়েছে। এটি উল্লেখ করার মতো বিষয় যে এই সংখ্যাটি সম্ভবত একটি কম মূল্যায়ন, কারণ এটি এমন ব্যক্তিদের হিসাব করে না যাদের ড্রাইভিং লাইসেন্স থাকতে পারে কিন্তু তারা নিয়মিত বা মোটেও ড্রাইভ করেন না। উপরন্তু, এই সংখ্যাটিতে এমন ব্যক্তিরা অন্তর্ভুক্ত নন যারা ড্রাইভিং লাইসেন্সের জন্য যোগ্য নন, যেমন যাদের বয়স ১৬ বছরের কম বা নির্দিষ্ট কিছু অক্ষমতা রয়েছে। এটি লক্ষ্য করাও গুরুত্বপূর্ণ যে লাইসেন্সপ্রাপ্ত ড্রাইভারের সংখ্যা রাজ্যভেদে পরিবর্তিত হতে পারে, কিছু রাজ্যে অন্যদের তুলনায় লাইসেন্সপ্রাপ্ত ড্রাইভারের উচ্চ শতাংশ রয়েছে।

সামগ্রিকভাবে, মূল্যায়নের ফলাফলগুলো দেখায় যে আমাদের PPLX মডেলগুলো নির্ভুল এবং হালনাগাদ প্রতিক্রিয়া প্রদানের জন্য বিশেষ করে Perplexity-সম্পর্কিত ব্যবহারের ক্ষেত্রে gpt-3.5 এবং llama2-70b-এর সাথে মিল রাখতে পারে এবং এমনকি ছাড়িয়েও যেতে পারে।

Perplexity-এর অনলাইন মডেলগুলো অ্যাক্সেস করা হচ্ছে

আমরা ঘোষণা করতে পেরে আনন্দিত যে pplx-api বেটা পর্যায় থেকে সাধারণ পাবলিক রিলিজের দিকে যাচ্ছে! এই প্রথম আমাদের pplx-7b-online এবং pplx-70b-online মডেলগুলো pplx-api-এর মাধ্যমে অ্যাক্সেস করা সম্ভব। উপরন্তু, আমাদের pplx-7b-chat এবং pplx-70b-chat মডেলগুলো আলফা থেকে বের হয়ে এসেছে, এবং এখন আমাদের সাধারণ রিলিজের সাথে অ্যাক্সেসযোগ্য।

এর মাধ্যমে, আমরা একটি নতুন ব্যবহার-ভিত্তিক মূল্যের কাঠামো প্রবর্তন করছি। আমাদের ব্যবহারকারীরা আমাদের অত্যাধুনিক অবকাঠামো ব্যবহার করবেন বলে আমরা আনন্দিত, যা বিদ্যুতের মতো দ্রুত ইনফারেন্স প্রদান করতে NVIDIA H100s ব্যবহার করে। প্রো ব্যবহারকারীরা প্রতি মাসে ৫ ডলারের পুনরাবৃত্তিমূলক pplx-api ক্রেডিট পাবেন। অন্যান্য সমস্ত ব্যবহারকারীর জন্য, ব্যবহারের উপর ভিত্তি করে মূল্য নির্ধারণ করা হবে। প্রো ব্যবহারকারী হিসেবে সাইন আপ করতে, এখানে ক্লিক করুন। বাণিজ্যিক অনুসন্ধানের জন্য api@perplexity.ai-এ যোগাযোগ করুন।

অতিরিক্ত সম্পদসমূহ:

• pplx-api দিয়ে শুরু করুন এখানে।
• Perplexity Labs দিয়ে আমাদের অনলাইন মডেলগুলো বিনামূল্যে ব্যবহার করে দেখুন।
• pplx-api ডকুমেন্টেশন-এর মাধ্যমে আমাদের এপিআই সম্পর্কে আরও জানুন।
• সেরা উত্তর ইঞ্জিন তৈরি করে এমন একটি উচ্চ-প্রভাবশালী, উচ্চ-গতির দলে কাজ করতে আগ্রহী? আমাদের সাথে যোগ দিন!
• আমাদের ক্রমবর্ধমান Discord কমিউনিটি-তে যোগ দিন!

অবদানকারীগণ:

Lauren Yang, Kevin Hu, Aarash Heydari, Gradey Wang, Dmitry Pervukhin, Nikhil Thota, Alexandr Yarats, Max Morozov, Denis Yarats