ChatGPT की कैलोरी अनुमान में सटीकता कितनी है?
हमने 50+ खाद्य पदार्थों के लिए ChatGPT, Gemini, और Claude के कैलोरी अनुमानों का परीक्षण किया। सटीकता और स्थिरता के परिणाम देखें, जो एक सत्यापित डेटाबेस के मुकाबले हैं।
ChatGPT लाखों लोगों के लिए पोषण सलाहकार बन गया है — और इसके पास कोई पोषण डेटाबेस नहीं है। जब आप ChatGPT से पूछते हैं कि एक चिकन बुरिटो में कितनी कैलोरी होती है, तो यह सत्यापित खाद्य डेटाबेस में उत्तर नहीं देखता। यह अपने प्रशिक्षण डेटा में पैटर्न के आधार पर एक सांख्यिकीय संभावित उत्तर उत्पन्न करता है। जो संख्या यह आपको देती है, वह करीब हो सकती है। यह 40% तक गलत हो सकती है। और अगर आप कल फिर पूछें, तो आपको एक अलग संख्या मिल सकती है।
हमने तीन प्रमुख बड़े भाषा मॉडल — ChatGPT (GPT-4o), Google Gemini, और Anthropic का Claude — का परीक्षण USDA और पोषण विशेषज्ञों द्वारा सत्यापित डेटा के खिलाफ 50 से अधिक खाद्य पदार्थों पर किया। लक्ष्य तीन विशेष प्रश्नों का उत्तर देना था: LLM कैलोरी अनुमानों की सटीकता कितनी है? ये सत्रों में कितने स्थिर हैं? और ये एक उद्देश्य-निर्मित पोषण ट्रैकिंग ऐप के मुकाबले कैसे हैं?
हमने LLM कैलोरी सटीकता का परीक्षण कैसे किया?
हमने प्रत्येक खाद्य पदार्थ के लिए प्रत्येक LLM से वही प्रश्न पूछा: "100 ग्राम [खाद्य पदार्थ] में कितनी कैलोरी हैं?" हमने प्रत्येक प्रश्न को एक नए सत्र में चलाया (कोई बातचीत का इतिहास नहीं) ताकि यह दर्शा सकें कि अधिकांश उपयोगकर्ता इन उपकरणों के साथ कैसे इंटरैक्ट करते हैं — बिना संदर्भ के एकल प्रश्न।
प्रत्येक खाद्य पदार्थ का परीक्षण पांच बार पांच अलग-अलग सत्रों में किया गया ताकि सटीकता (सत्यापित डेटा की तुलना में) और स्थिरता (सत्रों के बीच भिन्नता) को मापा जा सके। सत्यापित संदर्भ मान USDA FoodData Central डेटाबेस से आए और पोषण विशेषज्ञों द्वारा सत्यापित प्रविष्टियों के साथ क्रॉस-रेफरेंस किए गए।
हमने छह श्रेणियों में 54 खाद्य पदार्थों का परीक्षण किया: एकल सामग्री, सरल भोजन, जटिल भोजन, पैकेज्ड खाद्य पदार्थ, रेस्तरां के आइटम, और पेय।
ChatGPT, Gemini, और Claude कैलोरी अनुमानों में कितने सटीक हैं?
यहाँ सभी 54 खाद्य पदार्थों के लिए समग्र सटीकता परिणाम दिए गए हैं, जिसमें प्रत्येक LLM के औसत अनुमान की तुलना सत्यापित कैलोरी मानों से की गई है।
| मैट्रिक | ChatGPT (GPT-4o) | Gemini | Claude | सत्यापित डेटाबेस (Nutrola) |
|---|---|---|---|---|
| औसत त्रुटि | ±18% | ±22% | ±16% | ±2–5% |
| मध्य त्रुटि | ±14% | ±17% | ±12% | ±2% |
| सत्यापित के ±10% के भीतर आइटम | 42% | 35% | 48% | 95%+ |
| सत्यापित के ±20% के भीतर आइटम | 68% | 58% | 72% | 99%+ |
| >30% से अधिक त्रुटि वाले आइटम | 15% | 22% | 11% | <1% |
| सबसे खराब एकल अनुमान त्रुटि | 55% | 68% | 45% | 8% |
तीनों LLMs में कैलोरी अनुमान में महत्वपूर्ण त्रुटियाँ दिखाई देती हैं, जिसमें लगभग एक-तिहाई से आधे अनुमान ±10% की सटीकता की सीमा से बाहर होते हैं। इसके विपरीत, एक सत्यापित पोषण डेटाबेस लगभग हर प्रविष्टि के लिए ±5% के भीतर डेटा लौटाता है क्योंकि मान प्रयोगशाला विश्लेषण या निर्माता-सत्यापित पोषण तथ्यों से प्राप्त होते हैं, न कि किसी भाषा मॉडल द्वारा उत्पन्न होते हैं।
2024 में Nutrients में प्रकाशित एक अध्ययन ने 150 सामान्य खाद्य पदार्थों पर ChatGPT-4 का परीक्षण किया और औसत त्रुटि 16.8% पाई, जो हमारे निष्कर्षों के अनुरूप है। अध्ययन में बताया गया कि ChatGPT सरल, ज्ञात खाद्य पदार्थों पर सबसे अच्छा प्रदर्शन करता है और मिश्रित व्यंजनों और सांस्कृतिक विशिष्ट खाद्य पदार्थों पर सबसे खराब।
खाद्य प्रकार के अनुसार LLM कैलोरी सटीकता में भिन्नता कैसे होती है?
खाद्य पदार्थ का प्रकार LLM सटीकता का सबसे मजबूत भविष्यवक्ता है। यहाँ श्रेणी के अनुसार परिणाम दिए गए हैं।
| खाद्य श्रेणी | उदाहरण | ChatGPT औसत त्रुटि | Gemini औसत त्रुटि | Claude औसत त्रुटि |
|---|---|---|---|---|
| एकल सामग्री (कच्चा) | "100 ग्राम कच्चा चिकन ब्रेस्ट" | ±8% | ±10% | ±7% |
| सामान्य फल/सब्जियाँ | "1 मध्यम केला" | ±6% | ±8% | ±5% |
| सरल घर का बना भोजन | "2 अंडे मक्खन के साथ फेंटे हुए" | ±15% | ±18% | ±12% |
| जटिल/मिश्रित व्यंजन | "चिकन टिक्का मसाला और नान" | ±25% | ±30% | ±22% |
| ब्रांडेड पैकेज्ड खाद्य पदार्थ | "1 KIND डार्क चॉकलेट नट बार" | ±12% | ±15% | ±10% |
| रेस्तरां के विशेष आइटम | "Chipotle चिकन बुरिटो बाउल" | ±20% | ±28% | ±18% |
| पेय (विशेषता) | "ग्रांडे Starbucks कैरेमल फ्रैपुचिनो" | ±10% | ±14% | ±8% |
एकल सामग्री और सामान्य फल/सब्जियाँ सबसे सटीक अनुमानों का उत्पादन करती हैं क्योंकि इन खाद्य पदार्थों के कैलोरी मान स्थापित और मानकीकृत होते हैं जो प्रशिक्षण डेटा में बार-बार आते हैं। 100 ग्राम कच्चे चिकन ब्रेस्ट (165 कैलोरी) या एक मध्यम केले (105 कैलोरी) की कैलोरी सामग्री लगभग सभी पोषण स्रोतों में स्थिर होती है।
जटिल मिश्रित व्यंजन सबसे खराब अनुमानों का उत्पादन करते हैं क्योंकि कैलोरी सामग्री विशिष्ट तैयारी विधियों, सामग्री अनुपात, और भाग के आकार पर निर्भर करती है, जिन्हें LLM को अनुमान लगाना होता है न कि देखना। चिकन टिक्का मसाला की कैलोरी मात्रा 350 से 750 कैलोरी प्रति सर्विंग तक हो सकती है, जो क्रीम, तेल, मक्खन, और चावल की मात्रा पर निर्भर करती है — और LLM को यह नहीं पता होता कि आप कौन सा संस्करण खा रहे हैं।
ब्रांडेड पैकेज्ड खाद्य पदार्थ एक दिलचस्प मामला प्रस्तुत करते हैं। LLM कभी-कभी अपने प्रशिक्षण डेटा से लोकप्रिय ब्रांडेड उत्पादों के लिए सटीक पोषण डेटा याद कर सकते हैं, लेकिन यह जानकारी पुरानी हो सकती है। उत्पादों के पुनःफार्मुलेशन नियमित रूप से होते हैं, और 2023 के डेटा पर प्रशिक्षित LLM 2024 या 2025 में अपडेट की गई कैलोरी गिनती का हवाला दे सकता है।
LLM कैलोरी अनुमानों की सत्रों में स्थिरता कितनी है?
स्थिरता — जब आप एक ही प्रश्न को कई बार पूछते हैं तो वही उत्तर प्राप्त करना — सटीकता से अलग एक मुद्दा है। एक अनुमान लगातार गलत हो सकता है या असंगत रूप से सही। हमने प्रत्येक LLM से एक ही कैलोरी प्रश्न को पांच बार अलग-अलग सत्रों में पूछकर स्थिरता को मापा।
| खाद्य पदार्थ | ChatGPT रेंज (5 सत्र) | Gemini रेंज (5 सत्र) | Claude रेंज (5 सत्र) | सत्यापित मान |
|---|---|---|---|---|
| चिकन सीज़र सलाद | 350–470 कैलोरी | 350–450 कैलोरी | 380–440 कैलोरी | 400–470 कैलोरी* |
| मूंगफली का मक्खन सैंडविच | 320–450 कैलोरी | 340–480 कैलोरी | 350–410 कैलोरी | 370–420 कैलोरी* |
| पैड थाई (1 सर्विंग) | 400–600 कैलोरी | 350–550 कैलोरी | 420–520 कैलोरी | 450–550 कैलोरी* |
| बड़े McDonald's फ्राइज़ | 480–510 कैलोरी | 450–520 कैलोरी | 490–510 कैलोरी | 490 कैलोरी |
| एवोकाडो टोस्ट (1 स्लाइस) | 250–380 कैलोरी | 200–350 कैलोरी | 280–340 कैलोरी | 280–350 कैलोरी* |
| Chipotle बुरिटो | 800–1,100 कैलोरी | 750–1,200 कैलोरी | 850–1,050 कैलोरी | 900–1,100 कैलोरी* |
| ग्रीक योगर्ट के साथ ग्रेनोला | 250–400 कैलोरी | 280–420 कैलोरी | 270–350 कैलोरी | 300–380 कैलोरी* |
*रेंज व्यंजन/भाग के अनुसार भिन्नता को दर्शाती है। सत्यापित डेटाबेस प्रविष्टियाँ विशिष्ट सामग्री और भागों के लिए होती हैं।
| स्थिरता मैट्रिक | ChatGPT | Gemini | Claude |
|---|---|---|---|
| 5 सत्रों में औसत फैलाव | ±22% का औसत | ±28% का औसत | ±15% का औसत |
| >100 कैलोरी फैलाव वाले आइटम | 61% | 72% | 44% |
| <50 कैलोरी फैलाव वाले आइटम | 22% | 15% | 33% |
| सबसे असंगत खाद्य प्रकार | जटिल व्यंजन | जटिल व्यंजन | जटिल व्यंजन |
| सबसे स्थिर खाद्य प्रकार | ब्रांडेड पैकेज्ड खाद्य पदार्थ | ब्रांडेड पैकेज्ड खाद्य पदार्थ | ब्रांडेड पैकेज्ड खाद्य पदार्थ |
असंगति कोई बग नहीं है — यह LLMs के काम करने के तरीके की एक मौलिक विशेषता है। वे संभाव्य रूप से प्रतिक्रियाएँ उत्पन्न करते हैं, और एक ही प्रॉम्प्ट विभिन्न आउटपुट उत्पन्न कर सकता है जो सैंपलिंग पैरामीटर, संदर्भ विंडो स्थिति, और मॉडल तापमान पर निर्भर करता है। इसके विपरीत, एक पोषण डेटाबेस हर बार समान प्रश्नों के लिए समान परिणाम लौटाता है क्योंकि यह एक निश्चित लुकअप है, न कि एक जनरेटिव प्रक्रिया।
कैलोरी ट्रैकिंग के उद्देश्यों के लिए, यह असंगति का मतलब है कि यदि आप ChatGPT से उसी लंच के बारे में पूछते हैं जो आप हर दिन खाते हैं, तो आपको हर बार एक अलग कैलोरी गिनती मिल सकती है। एक सप्ताह में, यह यादृच्छिक भिन्नता आपके ट्रैकिंग डेटा में सैकड़ों या हजारों कैलोरी का शोर जोड़ सकती है।
LLMs अपनी कैलोरी डेटा में कहाँ गलत होते हैं?
हमने तीनों LLMs में दिखाई देने वाले पाँच प्रणालीगत त्रुटि पैटर्न की पहचान की।
1. "औसत" भागों पर डिफ़ॉल्ट करना। जब "पिज्ज़ा का एक टुकड़ा" पूछा जाता है, तो LLM आमतौर पर एक सामान्य मध्यम टुकड़े पर डिफ़ॉल्ट करता है। लेकिन पिज्ज़ा के टुकड़े 200 कैलोरी (पतली परत, हल्का पनीर) से लेकर 400+ कैलोरी (डीप डिश, भरे हुए टॉपिंग) तक भिन्न होते हैं। बिना प्रकार, परत, और टॉपिंग को निर्दिष्ट किए, LLM का डिफ़ॉल्ट आपके द्वारा खाए गए से बहुत दूर हो सकता है।
2. पकाने के वसा की अनदेखी। जब "ग्रिल्ड चिकन ब्रेस्ट" के बारे में पूछा जाता है, तो LLM आमतौर पर केवल चिकन ब्रेस्ट के लिए कैलोरी रिपोर्ट करते हैं (लगभग 165 कैलोरी प्रति 100 ग्राम), बिना पकाने के दौरान उपयोग किए गए तेल या मक्खन को ध्यान में रखे। इससे हर सर्विंग में वास्तविक कैलोरी 50–150 कैलोरी कम आंकी जाती है।
3. पुरानी ब्रांड जानकारी। उत्पादों के फॉर्मूले बदलते हैं। एक Clif Bar जो 2022 में 250 कैलोरी था, वह 2025 में 260 कैलोरी हो सकता है जब एक नुस्खा का पुनःफार्मुलेशन होता है। पुराने डेटा पर प्रशिक्षित LLM पुरानी मानों का हवाला दे सकते हैं।
4. गोलाई और रेंज संकुचन। LLM अक्सर 50 या 100 कैलोरी के निकटतम गोलाई पर गोल करते हैं, जिससे स्केल पर महत्वपूर्ण सटीकता खो जाती है। "लगभग 300 कैलोरी" का मतलब 275 या 325 हो सकता है — एक 50-कैलोरी रेंज जो दैनिक भोजन में जोड़ती है।
5. सांस्कृतिक और क्षेत्रीय खाद्य भिन्नता। "तले हुए चावल की एक सर्विंग" का कैलोरी में बहुत अलग अर्थ हो सकता है, चाहे वह एक घरेलू रसोई में हो, एक चीनी-अमेरिकी टेकआउट रेस्तरां में, या बैंकॉक के एक स्ट्रीट फूड स्टॉल में। LLM आमतौर पर उपयोगकर्ता के संदर्भ के बावजूद पश्चिमी भाग के अनुमानों पर डिफ़ॉल्ट करते हैं।
LLM कैलोरी अनुमानों की तुलना Nutrola के सत्यापित डेटाबेस से कैसे होती है?
LLM और पोषण ट्रैकिंग ऐप के बीच मौलिक अंतर डेटा स्रोत है। LLM अपने प्रशिक्षण डेटा से अनुमानों को उत्पन्न करते हैं। Nutrola सत्यापित डेटाबेस से मानों को देखता है।
| तुलना कारक | LLMs (ChatGPT, Gemini, Claude) | Nutrola सत्यापित डेटाबेस |
|---|---|---|
| डेटा स्रोत | प्रशिक्षण डेटा (वेब टेक्स्ट, पुस्तकें) | पोषण विशेषज्ञ-सत्यापित खाद्य डेटाबेस |
| सटीकता (औसत त्रुटि) | ±16–22% | ±2–5% |
| स्थिरता | सत्रों के बीच भिन्नता (±15–28%) | हर प्रश्न के लिए समान परिणाम |
| ब्रांड-विशिष्ट डेटा | कभी-कभी उपलब्ध, पुराना हो सकता है | वर्तमान, निर्माता-सत्यापित |
| भाग प्रबंधन | निर्दिष्ट न होने पर "औसत" पर डिफ़ॉल्ट | ग्राम-स्तरीय सटीकता के साथ समायोज्य भाग |
| पकाने की विधि समायोजन | असंगत | कच्चे, पके, तले हुए आदि के लिए अलग प्रविष्टियाँ |
| बारकोड/UPC समर्थन | लागू नहीं | पैकेज्ड खाद्य पदार्थों के लिए तात्कालिक लुकअप |
| मैक्रो ब्रेकडाउन | अक्सर प्रदान किया जाता है लेकिन समान त्रुटि सीमाओं के साथ | सत्यापित प्रोटीन, वसा, कार्ब, सूक्ष्म पोषक तत्व डेटा |
| दैनिक ट्रैकिंग | सत्रों के बीच कोई स्मृति नहीं* | कुल के साथ स्थायी खाद्य डायरी |
*ChatGPT और Gemini मेमोरी सुविधाएँ प्रदान करते हैं, लेकिन ये सामान्य प्राथमिकताओं के लिए डिज़ाइन की गई हैं, संरचित पोषण लॉगिंग के लिए नहीं।
2025 में British Journal of Nutrition में प्रकाशित एक तुलनात्मक अध्ययन ने AI चैटबॉट्स की तुलना तीन व्यावसायिक पोषण ट्रैकिंग ऐप्स से 7-दिन के आहार लॉगिंग सटीकता के लिए की। ट्रैकिंग ऐप्स ने औसत दैनिक कैलोरी त्रुटि 5–8% प्राप्त की, जबकि AI चैटबॉट्स ने औसतन 18–25% दैनिक त्रुटि की। अध्ययन ने निष्कर्ष निकाला कि "सामान्य-उद्देश्य AI चैटबॉट्स उद्देश्य-निर्मित आहार मूल्यांकन उपकरणों के लिए उपयुक्त विकल्प नहीं हैं।"
LLM कैलोरी जानकारी के लिए कब उपयोगी होते हैं?
LLMs पोषण जानकारी के लिए पूरी तरह से बेकार नहीं हैं। वे कुछ विशिष्ट उपयोग मामलों में अच्छी तरह से काम करते हैं।
सामान्य पोषण शिक्षा। "मांसपेशियों के निर्माण के लिए सबसे महत्वपूर्ण मैक्रोन्यूट्रिएंट कौन सा है?" या "कैसे कैलोरी घाटा काम करता है?" पूछने पर विश्वसनीय उत्तर मिलते हैं क्योंकि यह जानकारी अच्छी तरह से स्थापित और स्रोतों में सुसंगत होती है।
अनुमान के लिए मोटे क्रम। यदि आपको यह जानने की आवश्यकता है कि एक भोजन लगभग 300 या 800 कैलोरी है — 2x रेंज — तो LLM आमतौर पर सही होते हैं। जब आपको यह जानने की आवश्यकता होती है कि एक भोजन 450 या 550 कैलोरी है, तो वे कम उपयोगी होते हैं।
भोजन योजना विचार। LLM से "400 कैलोरी के तहत पांच उच्च प्रोटीन नाश्ते का सुझाव दें" पूछने पर उपयोगी प्रारंभिक बिंदु मिलते हैं, हालांकि प्रत्येक सुझाव के लिए कैलोरी अनुमानों की सत्यापन एक डेटाबेस के खिलाफ की जानी चाहिए।
खाद्य श्रेणियों की तुलना। LLMs आपको विश्वसनीय रूप से बता सकते हैं कि नट्स फल से अधिक कैलोरी घनत्व वाले होते हैं, या ग्रिल्ड चिकन तले हुए चिकन से कम कैलोरी वाला होता है। सापेक्ष तुलना सटीक होती है जबकि निरपेक्ष संख्याएँ नहीं।
LLM कैलोरी ट्रैकिंग के लिए कब उपयोग नहीं करना चाहिए?
सटीकता और स्थिरता डेटा के आधार पर, LLMs को कई परिदृश्यों में प्राथमिक कैलोरी ट्रैकिंग उपकरण के रूप में उपयोग नहीं किया जाना चाहिए।
सक्रिय वजन घटाने या बढ़ाने के चरण। जब आपका दैनिक कैलोरी लक्ष्य ±200 कैलोरी के मार्जिन में होता है, तो LLM की ±18% त्रुटि आपको दैनिक रूप से 300–500 कैलोरी लक्ष्य से दूर कर सकती है। एक सप्ताह में, यह एक नियोजित घाटे को पूरी तरह से नकार सकती है।
जटिल या मिश्रित व्यंजनों को ट्रैक करना। जटिल भोजन के लिए त्रुटि दर (±22–30%) बहुत अधिक होती है ताकि इसका अर्थपूर्ण ट्रैकिंग किया जा सके। 700-कैलोरी रात के खाने का अनुमान जो वास्तव में 900 कैलोरी है, एक ही भोजन से 200-कैलोरी दैनिक त्रुटि है।
संगत दैनिक ट्रैकिंग। सत्र से सत्र में असंगति का मतलब है कि विभिन्न दिनों में लॉग की गई एक ही भोजन के लिए विभिन्न कैलोरी मान उत्पन्न होते हैं, जिससे आपके ट्रैकिंग डेटा में शोर पैदा होता है जो रुझानों की पहचान करना असंभव बनाता है।
चिकित्सकीय या नैदानिक पोषण प्रबंधन। उन व्यक्तियों के लिए जो मधुमेह, गुर्दे की बीमारी, या अन्य स्थितियों का प्रबंधन कर रहे हैं, जिन्हें सटीक पोषण नियंत्रण की आवश्यकता होती है, LLM कैलोरी अनुमानों की सटीकता सुरक्षित आहार प्रबंधन के लिए आवश्यक मानकों को पूरा नहीं करती है।
मुख्य निष्कर्ष: LLM बनाम सत्यापित डेटाबेस कैलोरी सटीकता
| निष्कर्ष | डेटा |
|---|---|
| ChatGPT औसत कैलोरी त्रुटि | ±18% खाद्य प्रकारों में |
| Gemini औसत कैलोरी त्रुटि | ±22% खाद्य प्रकारों में |
| Claude औसत कैलोरी त्रुटि | ±16% खाद्य प्रकारों में |
| सत्यापित डेटाबेस औसत त्रुटि | ±2–5% |
| LLM स्थिरता (सत्र भिन्नता) | ±15–28% का औसत मान |
| डेटाबेस स्थिरता | 0% भिन्नता (निश्चित लुकअप) |
| सबसे सटीक LLM खाद्य प्रकार | एकल सामग्री, सामान्य फल (±5–10%) |
| सबसे कम सटीक LLM खाद्य प्रकार | जटिल मिश्रित व्यंजन (±22–30%) |
| LLM अनुमानों में सत्यापित के ±10% के भीतर | 35–48% आइटम |
| डेटाबेस प्रविष्टियाँ सत्यापित के ±5% के भीतर | 95%+ आइटम |
LLMs प्रभावशाली सामान्य-उद्देश्य उपकरण हैं जो पोषण अवधारणाओं पर धाराप्रवाह चर्चा कर सकते हैं। वे पोषण डेटाबेस नहीं हैं। यह अंतर महत्वपूर्ण है क्योंकि कैलोरी ट्रैकिंग एक मात्रात्मक कार्य है — आपको विशिष्ट, स्थिर, सत्यापित संख्याओं की आवश्यकता होती है, न कि संभावित रूप से सही अनुमान जो हर बार बदलते हैं। पोषण शिक्षा और मोटे मार्गदर्शन के लिए, LLMs काम करते हैं। दैनिक कैलोरी ट्रैकिंग के लिए जो वास्तविक परिणाम लाती है, एक सत्यापित डेटाबेस के साथ उद्देश्य-निर्मित उपकरण उपयुक्त विकल्प है।
अक्सर पूछे जाने वाले प्रश्न
कैलोरी गिनने में ChatGPT की सटीकता कितनी है?
ChatGPT (GPT-4o) की औसत कैलोरी त्रुटि लगभग 18% है। यह परीक्षण किए गए केवल 42% खाद्य पदार्थों के लिए सत्यापित मानों के ±10% के भीतर अनुमानों की पेशकश करता है। सटीकता सरल एकल सामग्री जैसे कच्चे चिकन ब्रेस्ट (8% त्रुटि) के लिए सबसे अच्छी होती है और जटिल मिश्रित व्यंजनों जैसे चिकन टिक्का मसाला (25% त्रुटि) के लिए सबसे खराब होती है।
क्या मैं ChatGPT का उपयोग कैलोरी ट्रैकिंग ऐप के बजाय कर सकता हूँ?
ChatGPT एक उद्देश्य-निर्मित कैलोरी ट्रैकर के लिए विश्वसनीय विकल्प नहीं है। 2025 में British Journal of Nutrition में एक अध्ययन ने पाया कि AI चैटबॉट्स ने 18-25% दैनिक कैलोरी त्रुटि की तुलना में समर्पित ट्रैकिंग ऐप्स के लिए 5-8% की त्रुटि प्राप्त की। ChatGPT सत्रों के बीच असंगत उत्तर भी देता है, जिसमें एक ही खाद्य प्रश्न के लिए कैलोरी अनुमानों में 15-28% का भिन्नता होती है।
ChatGPT हर बार अलग-अलग कैलोरी गिनती क्यों देता है?
LLMs संभाव्य रूप से प्रतिक्रियाएँ उत्पन्न करते हैं न कि किसी निश्चित डेटाबेस में मानों को देखते हैं। एक ही प्रॉम्प्ट विभिन्न आउटपुट उत्पन्न कर सकता है जो सैंपलिंग पैरामीटर और मॉडल स्थिति पर निर्भर करता है। परीक्षण में, ChatGPT के एक ही खाद्य पदार्थ के लिए अनुमानों में पांच अलग-अलग सत्रों में औसतन 22% का भिन्नता पाया गया, जिससे संगत दैनिक ट्रैकिंग अविश्वसनीय हो जाती है।
पोषण के मामले में ChatGPT सबसे सटीक किसमें है?
ChatGPT सरल कच्ची सामग्री (8% त्रुटि) और सामान्य फल और सब्जियों (6% त्रुटि) पर सबसे अच्छा प्रदर्शन करता है, जहाँ कैलोरी मान स्थापित और मानकीकृत होते हैं। यह सामान्य पोषण शिक्षा, मोटे अनुमान, और खाद्य तुलना के लिए भी उपयोगी है, न कि सटीक कैलोरी गिनती के लिए।
सत्यापित खाद्य डेटाबेस ChatGPT के कैलोरी के लिए कैसे तुलना करता है?
एक सत्यापित पोषण डेटाबेस जैसे कि समर्पित ट्रैकिंग ऐप्स 2-5% के भीतर वास्तविक मानों के परिणाम लौटाते हैं, जिसमें प्रश्नों के बीच कोई भिन्नता नहीं होती है। ChatGPT औसतन 18% त्रुटि के साथ 15-28% सत्र से सत्र की असंगति के साथ होता है। डेटाबेस सटीक ब्रांड-विशिष्ट डेटा, समायोज्य भाग, और हर बार समान परिणाम प्रदान करता है।
क्या आप अपने पोषण ट्रैकिंग को बदलने के लिए तैयार हैं?
उन हजारों में शामिल हों जिन्होंने Nutrola के साथ अपनी स्वास्थ्य यात्रा को बदल दिया!
