એક વાસ્તવિક રેન્ડર: system prompt + tool docs એક ઘટ્ટ 1568×728 પેજમાં પેક કરેલા

🖼️ OmniGlyph — ઇમેજ તરીકે કૉન્ટેક્સ્ટ

વિપુલ કૉન્ટેક્સ્ટને ઘટ્ટ PNG પેજ તરીકે રેન્ડર કરીને તમારું Claude બિલ 59–70% ઘટાડો — એ જ કન્ટેન્ટ, ટોકનના એક નાના અંશમાં.

મોડેલ્સ ટેક્સ્ટને ટોકન દીઠ બિલ કરે છે, પણ ઇમેજને તેના પરિમાણો પ્રમાણે બિલ કરે છે — તેમાં કેટલું ટેક્સ્ટ છે તેના આધારે નહીં.

OmniRoute પરિવારનો ભાગ · 🌐 All languages

📊 આંકડા — માપેલા, અંદાજેલા નહીં

મેટ્રિક	પરિણામ	રસીદ
એન્ડ-ટુ-એન્ડ બિલ ઘટાડો	59–70%	પ્રોડક્શન ટ્રેસ, 13,709 requests
કન્વર્ટ થયેલા બ્લોક દીઠ ટોકન્સ	10× ઓછા (28,080 chars: 14,040 → 1,460 tokens)	billing sweep
બિલિંગ-ફોર્મ્યુલા ચોકસાઈ	22 `count_tokens` પ્રોબ્સ, 2 મોડેલ × 2 ટિયર પર શૂન્ય રેસિડ્યુઅલ	`benchmarks/billing-sweep/results/`
પ્રોડક્શન કન્ફિગ પર ચોક્કસ-રીડ ચોકસાઈ	Claude Fable 5 પર 30/30 (100%)	density frontier
~300 રીડ પ્રોબ્સમાં silent confabulations	0 — દરેક ચૂક `ILEGIVEL` તરીકે abstain થાય છે	`benchmarks/density-frontier/results/`

મોડેલ સ્કોરકાર્ડ (શું તે ઘટ્ટ રેન્ડર વાંચી શકે છે? n=30 પ્રતિ આર્મ, ડિટરમિનિસ્ટિક સ્કોરિંગ):

મોડેલ	વાંચન	ચુકાદો
Claude Fable 5	100% exact	✅ પ્રોડક્શન ટાર્ગેટ
Claude Opus 4.8	4× ગ્લિફ સાઇઝ પર 77–87%	⚠️ opt-in safe mode (savings ઘટીને ~2× થાય છે)
GPT-5.5	0/60 — અને પ્રયત્નમાં તેના જવાબોને ~40× ફુલાવે છે	❌ ગેટ દ્વારા બ્લોક, પુરાવા સાથે
Gemini 2.5-flash	0/26 — અને abstain કરવાને બદલે confabulate કરે છે	❌ બ્લોક (આંશિક ટેસ્ટ, quota-limited)

ફાયદો આજે Fable-વિશિષ્ટ છે — બીજા vision encoders હજુ ઘટ્ટ ગ્લિફ્સને resolve નથી કરી શકતા. benchmark harness એક જ કમાન્ડમાં કોઈપણ નવા મોડેલને ફરીથી ટેસ્ટ કરે છે.

🤔 OmniGlyph શા માટે?

દરેક લાંબા સમય સુધી ચાલતું agent session દરેક request પર એ જ મૃત વજન ખેંચે છે: system prompt, tool docs, અને જૂનો history — દરેક turn પર ટોકન દીઠ ફરીથી બિલ થાય છે. OmniGlyph એક લોકલ પ્રોક્સી છે જે એ વિપુલ ભાગોને તમારા મશીનમાંથી નીકળતા પહેલા જ ઘટ્ટ PNG પેજમાં ફરીથી લખે છે:

ચોક્કસ બિલિંગ મેથ, હ્યુરિસ્ટિક્સ નહીં — તે પ્રોવાઇડરના વાસ્તવિક image-token formula ની ગણતરી કરે છે (શૂન્ય રેસિડ્યુઅલ સુધી માપેલું) અને ત્યારે જ કન્વર્ટ કરે છે જ્યારે ગણિત ફાયદાકારક હોય.
ડિઝાઇન દ્વારા fail-closed — જે મોડેલ્સ ઘટ્ટ રેન્ડર વાંચી શકતા નથી તેમને gate દ્વારા બ્લોક કરાય છે, benchmark રસીદ સાથે. કોઈ ચૂપચાપ ગુણવત્તા ગુમાવવાનું નહીં.
ખાનગી અને લોકલ-ફર્સ્ટ — rewrite 127.0.0.1 પર થાય છે; ક્યાંય કંઈ વધારાનું મોકલાતું નથી.
પુનઃઉત્પાદનક્ષમ — ઉપરની દરેક સંખ્યાની benchmarks/*/results/ માં એક રસીદ છે, જે એક કમાન્ડમાં ફરીથી ચલાવી શકાય છે.

⚡ ઝડપી શરૂઆત

npx omniglyph                                     # proxy on 127.0.0.1:47821
ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude  # point Claude Code at it

બંને રીતે કામ કરે છે:

API key (ટોકન દીઠ ચૂકવણી): તમારું બિલ એન્ડ-ટુ-એન્ડ 59–70% ઘટે છે.
Subscription session: તમે ઓછું ચૂકવતા નથી, પણ usage limits ટોકનમાં ગણાય છે — તેથી તમારી limits ~2–3× સુધી ખેંચાય છે.

http://127.0.0.1:47821/ પર ડેશબોર્ડ: બચેલા ટોકન્સ, દરેક text→image કન્વર્ઝન side by side, kill switch, live model chips. Responses સામાન્ય રીતે stream થાય છે — ફક્ત request કમ્પ્રેસ થાય છે, મોડેલનું output ક્યારેય નહીં.

🔌 Claude ક્લાયન્ટ સાથે વાપર

Start the proxy in one terminal, then point the client at it.

Claude Code CLI (macOS/Linux):

npx omniglyph
ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude

Claude Code CLI (Windows PowerShell):

npx omniglyph
$env:ANTHROPIC_BASE_URL = "http://127.0.0.1:47821"
claude

Claude Desktop uses the same ANTHROPIC_BASE_URL environment variable for its bundled Claude Code runtime — start omniglyph first, then launch Claude Desktop from an environment where ANTHROPIC_BASE_URL is set to http://127.0.0.1:47821.

🖥️ ડેશબોર્ડ

પેકેજની અંદર જ એક સંપૂર્ણ લોકલ ડેશબોર્ડ આવે છે — ઓફલાઇન, single-file, ઝીરો external requests. છ પેજ, requests વહેતાં SSE પર લાઇવ અપડેટ થાય છે:

Overview — mission control: savings %, $ saved, latency p95, cache hits, errors, live feed.
Live Flow — pipeline ને node graph તરીકે: client → gate → renderer / passthrough → API, દરેક વાસ્તવિક request દીઠ એક particle સાથે.
Telemetry — એક token/$ odometer અને લાઇવ request timeline; કોઈપણ request પર ક્લિક કરો એ બરાબર જોવા માટે કે કયા ભાગો images બન્યા, અને દરેક પેજ પાછળનું source text વાંચો.
Benchmarks — benchmarks/*/results/ માંથી રેન્ડર થયેલી harness રસીદો, દરેક model·config experiment દીઠ એક row, અને UI માંથી benchmarks ચલાવો: $0 dry-runs પોતાનું output લાઇવ stream કરે છે; live runs તમારી API key વત્તા સ્પષ્ટ cost confirmation પાછળ gated રહે છે.
Sessions / History — બચેલા ટોકન્સ પ્રમાણે ટોપ sessions અને ડિસ્ક પરની દરેક event.

Live Flow	Benchmarks

⚙️ તે કેવી રીતે કામ કરે છે

bulky request block ──► profitability gate ──► reflow + render (1-bit 5×8 atlas)
                       (exact billing math)     ──► 1568×728 PNG pages ──► splice back, cache-friendly

બિલિંગની ગણતરી કન્વર્ટ કરતા પહેલા જ ચોક્કસ રીતે થાય છે: Anthropic ઇમેજ દીઠ ⌈w/28⌉ × ⌈h/28⌉ + 4 ટોકન્સ બિલ કરે છે (28 px patches — શૂન્ય રેસિડ્યુઅલ સુધી માપેલું). એક પૂરું પેજ 1,460 ટોકન્સ માટે 28,080 chars લઈ જાય છે ≈ 19 chars/token, ઘટ્ટ ટેક્સ્ટ માટે ~2 chars/token ની સામે. Gate ત્યારે જ કન્વર્ટ કરે છે જ્યારે ગણિત ફાયદાકારક હોય.
શું કન્વર્ટ થાય છે: સ્ટેટિક system prompt + tool docs, જૂનો collapsed history, મોટા tool outputs.
શું ક્યારેય કન્વર્ટ થતું નથી: તમારા messages, તાજેતરના turns, મોડેલનું output, sparse prose, byte-exact values (hashes/IDs ટેક્સ્ટ તરીકે સાથે ચાલે છે), અને કોઈપણ મોડેલ જે reading benchmark માં નિષ્ફળ ગયું હોય.

📚 Library ઉપયોગ (proxy વગર)

પ્રોક્સી દરેક request પર જે કંઈ કરે છે તે એક દસ્તાવેજીકૃત, importable API તરીકે પણ ઉપલબ્ધ છે:

import { renderTextToImages, transformAnthropicMessages } from "omniglyph";

// Render any text to dense 1-bit PNG pages
const { pages } = await renderTextToImages(bigToolOutput, { reflow: true });
// pages[i].png: Uint8Array · pages[i].width × pages[i].height

// Or run the full request transform yourself — gate, billing math and all
const { body, applied, reason } = await transformAnthropicMessages({
  body: requestBytes,           // the raw /v1/messages JSON body
  model: "claude-fable-5",
});

options.keepSharp(block) બ્લોક્સને ટેક્સ્ટ તરીકે pin કરે છે; options.emitRecoverable imaged બ્લોક્સના originals પરત આપે છે. ચોક્કસ બિલિંગ મેથ package root પર પણ મોકલાય છે (anthropicImageTokens, resolveAnthropicVisionTier, openAIVisionTokens) — એ જ OmniRoute વાપરે છે. Pure-JS runtime (Node અને edge/Workers). પૂરો surface: src/core/index.ts.

📤 ઑફલાઇન એક્સપોર્ટ — proxy નહીં, Claude Code નહીં

Claude Code પર નથી? કૉન્ટેક્સ્ટને લોકલી PNG પેજ તરીકે રેન્ડર કરો અને તેમને Cursor, ChatGPT, અથવા image uploads સ્વીકારતી કોઈપણ ચેટમાં પેસ્ટ કરો. કોઈ પ્રોક્સી નહીં, કોઈ API key નહીં, કોઈ account જોડેલું નહીં:

npx omniglyph export --include "*.ts" src/   # render a folder to image pages
cat big.log | npx omniglyph export --stdin   # …or pipe any text through

તમને એક ફોલ્ડર મળે છે જેમાં ચેટમાં મૂકવા માટે બધું જ છે:

OmniGlyph-export-<hash>/
  page-001.png …   the rendered image pages — attach these
  factsheet.txt    verbatim precision tokens (paths, SHAs, ids, numbers)
  prompt.txt       a paste-ready instruction that points the model at the pages
  manifest.json    metadata + the text-vs-image token report (% saved)

--git તમારો uncommitted diff રેન્ડર કરે છે, --diff <ref> એક commit range, --open ફોલ્ડર બતાવે છે (macOS). આ બધું તમારા મશીન પર જ ચાલે છે — export path ક્યારેય પ્રોક્સી શરૂ કરતું નથી અને ક્યારેય કોઈ model ને કૉલ કરતું નથી. દરેક flag માટે omniglyph export --help ચલાવો.

🧭 પ્રામાણિક ભાગ

તે lossy છે. ઇમેજમાંથી byte-exact recall સ્વભાવે અવિશ્વસનીય છે. મોકલેલા ઉકેલો: ચોક્કસ identifiers ઇમેજની બાજુમાં ટેક્સ્ટ તરીકે જાય છે, અને માપેલા પ્રોડક્શન કન્ફિગે શૂન્ય silent confabulations આપ્યા — નિષ્ફળ reads abstain કરે છે.
આજે ફક્ત Fable 5 મંજૂર છે, રસીદ સાથે. GPT-5.5 અને Gemini 2.5-flash માપી શકાય તેવી રીતે ઘટ્ટ રેન્ડર વાંચી શકતા નથી; Opus 4.8 ને 4× મોટા ગ્લિફ્સ જોઈએ. Gate આ લાગુ કરે છે.
અમને એક બિલિંગ ટ્રેપ મળ્યો અને ટાળ્યો: high-resolution image tier પેજ દીઠ 3.3× વધુ બિલ કરે છે, પણ vision encoder ને વધારાનું resolution મળતું નથી — મોટા પેજ ખરાબ વંચાય છે. માપેલું, docs/benchmarks/BENCHMARKS.md માં દસ્તાવેજીકૃત, સક્ષમ કરેલું નથી.
ભાવ બદલાય છે; ટકાઉ મેટ્રિક ટોકન ઘટાડો છે, જેને પ્રોક્સી દરેક request માટે free count_tokens કાઉન્ટરફેક્ચ્યુઅલ સામે લોગ કરે છે.

🧠 FAQ

મેં સેશનની વચ્ચે ચાલુ કર્યું અને વપરાશ ઉછળ્યો — કેમ? OmniGlyph વગર ચાલેલા સેશનનો આખો પ્રીફિક્સ Anthropic પાસે ટેક્સ્ટ તરીકે 0.1× રીડ દરે કૅશ થયેલો હોય છે; છબીઓવાળી પહેલી વિનંતી એ બધું એક જ પ્રોમ્પ્ટમાં 1.25× દરે નવી કૅશ-રાઇટ તરીકે ફરી ચૂકવાવત. પ્રોક્સી આનાથી બચાવે છે: જે સેશનને તેણે ક્યારેય છબીમાં ફેરવ્યું નથી, તેનો આ એક-વારનો ખર્ચ બ્રેક-ઇવન ગેટમાં ઉમેરાય છે અને છબીઓ પર ત્યારે જ જાય છે જ્યારે હજુ ફાયદો હોય — નહીંતર સેશન ટેક્સ્ટ જ રહે છે અને બચત તમારા આગલા નવા સેશનથી શરૂ થાય છે.

શું 59–70% end-to-end છે, કે માત્ર જે requests ને તે સ્પર્શે છે તેના પર? End-to-end — આખું બિલ. મોટા ભાગના compression tools ફક્ત જે ભાગને સ્પર્શે છે તેના પર જ savings રિપોર્ટ કરે છે, જે સંખ્યાને વધારે સારી બતાવે છે. અમારો denominator દરેક request છે: નાના requests જેને gate એ યોગ્ય રીતે અસ્પર્શ્યા છોડ્યા, બધા cache writes અને reads, અને બધા output tokens (જેને પ્રોક્સી ક્યારેય કમ્પ્રેસ કરતું નથી). Compressed-only આંકડો વધારે આવે છે અને તેને અલગથી ટાંકવામાં આવે છે, ક્યારેય headline તરીકે નહીં.

Saving કેવી રીતે માપવામાં આવે છે? એક જ request ની બંને બાજુ, એક જ ક્ષણે. દરેક /v1/messages POST માટે પ્રોક્સી અસલ uncompressed body (counterfactual) પર એક free count_tokens probe ચલાવે છે, વાસ્તવિક forward ની સાથે સમાંતરે, અને response પરથી provider એ ખરેખર બિલ કરેલો usage block વાંચે છે — બંને એક જ event row માં ઊતરે છે. Cache pricing બંને બાજુ સરખી રીતે લાગુ થાય છે, તેથી caching discount રદ થાય છે અને "savings" તરીકે બમણું ગણી શકાતું નથી. Formula src/core/baseline.ts માં છે; તમારા પોતાના events log પરથી તેને ફરીથી derive કરો.

Miss ને read error ને બદલે confabulation કેમ ગણવામાં આવે? કારણ કે model vision એ OCR નથી: પેજ patch embeddings બની જાય છે, ક્યારેય discrete characters નહીં, તેથી per-glyph confidence નથી કે જેના પર મોટેથી નિષ્ફળ થઈ શકાય — જ્યારે pixels કોઈ ગ્લિફને underdetermine કરે છે, ત્યારે language prior એ ગેપને કંઈક પ્રશંસનીય (plausible) વસ્તુથી ભરી દે છે. એ જ mechanism છે જેના કારણે OmniGlyph આ બાબતે fail-closed છે: byte-exact values હંમેશા ઇમેજની બાજુમાં ટેક્સ્ટ તરીકે ચાલે છે, ખોટું વાંચતા મોડેલ્સને gate દ્વારા બ્લોક કરાય છે, અને માપેલા પ્રોડક્શન કન્ફિગે ~300 read probes માં શૂન્ય silent confabulations આપ્યા — નિષ્ફળ reads abstain કરે છે.

Byte-exact કામ (hashes, IDs, secrets) નું શું? તાજેતરના turns અને ચોક્કસ identifiers ડિઝાઇન દ્વારા ટેક્સ્ટ જ રહે છે. જે workloads સંપૂર્ણપણે byte-exact છે તેમને non-allowlisted મોડેલ પર route કરો (દા.ત., બીજા Claude મોડેલ પરનું subagent) — allowlist ની બહારનું બધું byte-identical, અસ્પર્શ્યું પસાર થાય છે.

શું DeepSeek-OCR એ પહેલેથી જ નક્કી નહોતું કર્યું કે આ કામ કરે છે? તેણે સાબિત કર્યું કે channel કામ કરે છે — એ કામ માટે trained encoder/decoder pair સાથે. Skepticism ત્યારથી છે જ્યારે કોઈ stock પ્રોડક્શન મોડેલ ઘટ્ટ રેન્ડર વાંચી શકતું નહોતું; તે બદલાયું, અને ઉપરનું model scorecard બરાબર બતાવે છે કે આજે કોણ તેમને રસીદ સાથે વાંચે છે. benchmark harness એક જ કમાન્ડમાં કોઈપણ નવા મોડેલને ફરીથી ટેસ્ટ કરે છે — gate hype ને નહીં, data ને અનુસરે છે.

શું હું તેને Claude Code વગર વાપરી શકું — Cursor, ChatGPT, એક સાદો pipe? હા, બે રીતે. પ્રોક્સી તરીકે તે એવા કોઈપણ client સાથે કામ કરે છે જે તમને API base URL સેટ કરવા દે (ANTHROPIC_BASE_URL, અથવા OpenAI base URL) — Claude Code, તમારી પોતાની scripts, કંઈપણ HTTP. અને જે tools proxy નથી કરી શકતા, તેમના માટે ઉપરનું ઑફલાઇન એક્સપોર્ટ કૉન્ટેક્સ્ટને PNG પેજ તરીકે રેન્ડર કરે છે જેને તમે હાથથી પેસ્ટ કરો છો — omniglyph export --stdin તો સીધું Unix pipe માંથી પણ વાંચે છે.

તે ખરેખર ટેક્સ્ટને ઇમેજમાં કેવી રીતે ફેરવે છે? તે ટેક્સ્ટને reflow કરે છે અને તેને 1-bit 5×8 pixel glyph atlas વડે ઘટ્ટ 1568×728 PNG પેજ પર દોરે છે — pixel દીઠ એક bit, કોઈ anti-aliasing નહીં, તેથી model પેજને તેના પરિમાણો પ્રમાણે બિલ કરે છે, અંદર કેટલા characters છે તેના આધારે નહીં. ઉપરનું તે કેવી રીતે કામ કરે છે pipeline આપે છે; benchmarks દસ્તાવેજ geometry આપે છે અને શા માટે વધુ ઘટ્ટ હંમેશા સસ્તું નથી હોતું તે પણ.

🔬 દરેક સંખ્યાનું પુનઃઉત્પાદન કરો

pnpm install && pnpm test                                     # full suite
node benchmarks/billing-sweep/run.mjs --dry-run               # billing predictions, $0
pnpm exec tsx benchmarks/density-frontier/run.ts --dry-run    # cost table, $0
# with keys: ANTHROPIC_API_KEY / OPENAI_API_KEY / GEMINI_API_KEY (or --via-cli for a Claude Code subscription)

પૂરી પદ્ધતિ અને દરેક પરિણામ ટેબલ: docs/benchmarks/BENCHMARKS.md. કાચી પ્રતિ-જવાબ રસીદ: benchmarks/*/results/*.jsonl.

🚀 OmniRoute પરિવાર

OmniGlyph OmniRoute — ફ્રી AI gateway — ની અંદર એક native compression engine તરીકે પણ મોકલાય છે. ત્યાં તે omniglyph engine તરીકે ચાલે છે (standalone single mode અથવા બીજા engines સાથે stacked), fail-closed gates અને image-aware token accounting સાથે.

🛠️ ટેક સ્ટેક

લેયર	ટેક
ભાષા	TypeScript (strict), ESM
Runtime	Node ≥18 · Cloudflare Workers (`wrangler.toml`)
Rendering	પોતાનું 1-bit glyph atlas (Spleen/Unifont-derived, licenses `assets/` માં) → PNG
Tests	Vitest — TDD, ઉપરાંત docs-integrity અને rebrand guards
Benchmarks	`benchmarks/` harnesses (billing-sweep, density-frontier) JSONL રસીદો સાથે

પ્રોજેક્ટ લેઆઉટ

પાથ	શું
`src/`	પ્રોક્સી: transform pipeline, દરેક provider માટે ચોક્કસ બિલિંગ, renderer, hosts (Node + Cloudflare Workers)
`benchmarks/`	harnesses જેણે ઉપરની દરેક સંખ્યા બનાવી — ફરીથી ચલાવી શકાય તેવા
`docs/`	BENCHMARKS · ARCHITECTURE · ROADMAP

📧 સપોર્ટ અને કમ્યુનિટી

🐛 Issues — bugs અને feature requests
🔒 SECURITY.md — vulnerability reports
🤝 CONTRIBUTING.md — strict TDD + measurement-before-claims
📜 CHANGELOG.md · CODE_OF_CONDUCT.md

🙏 આભાર

OmniGlyph ખાસ કરીને એક પ્રોજેક્ટના ખભા પર ઊભું છે — આ સેક્શન અમારો કાયમી આભાર છે.

પ્રોજેક્ટ	તેણે OmniGlyph ને કેવી રીતે ઘડ્યું
pxpipe · teamchong	એ શોધ જેના પર આ આખો પ્રોજેક્ટ બનેલો છે. pxpipe એ રસીદ સાથે સાબિત કર્યું કે પ્રોડક્શન LLM નું vision channel ટોકન ખર્ચના એક નાના અંશમાં ઘટ્ટ ટેક્સ્ચ્યુઅલ કૉન્ટેક્સ્ટ લઈ જઈ શકે છે — અને એ કન્વર્ઝન દરેક request દીઠ ચોક્કસ બિલિંગ મેથ દ્વારા નક્કી થવું જોઈએ, vibes થી ક્યારેય નહીં. ઘટ્ટ 1-bit rendering, profitability gate, `count_tokens` counterfactual, fail-closed model allowlist, અને "measure before you claim" દસ્તાવેજીકરણ સંસ્કૃતિ — આ બધું ત્યાં જ પાયોનિયર થયું. OmniGlyph એ કોડબેઝમાંથી સીધું ઊતરી આવ્યું છે (MIT — મૂળ copyright લાઇન અમારા LICENSE માં રહે છે).
Spleen · Frederic Cambus	5×8 bitmap font family જેમાંથી અમારું ઘટ્ટ 1-bit glyph atlas ઊતરી આવ્યું છે (license `assets/` માં).
GNU Unifont · Unifoundry	એ જ atlas માં Spleen ની રેન્જ બહારના ગ્લિફ્સ માટે coverage (license `assets/` માં).

જો તમને OmniGlyph ઉપયોગી લાગે, તો upstream ને પણ star આપો — શોધ તેમની હતી. 🙏

📄 લાયસન્સ

MIT — જુઓ LICENSE.

Navigation Menu

Repository navigation

🖼️ OmniGlyph — ઇમેજ તરીકે કૉન્ટેક્સ્ટ

વિપુલ કૉન્ટેક્સ્ટને ઘટ્ટ PNG પેજ તરીકે રેન્ડર કરીને તમારું Claude બિલ 59–70% ઘટાડો — એ જ કન્ટેન્ટ, ટોકનના એક નાના અંશમાં.

📊 આંકડા — માપેલા, અંદાજેલા નહીં

🤔 OmniGlyph શા માટે?

⚡ ઝડપી શરૂઆત

🔌 Claude ક્લાયન્ટ સાથે વાપર

🖥️ ડેશબોર્ડ

⚙️ તે કેવી રીતે કામ કરે છે

📚 Library ઉપયોગ (proxy વગર)

📤 ઑફલાઇન એક્સપોર્ટ — proxy નહીં, Claude Code નહીં

🧭 પ્રામાણિક ભાગ

🧠 FAQ

🔬 દરેક સંખ્યાનું પુનઃઉત્પાદન કરો

🚀 OmniRoute પરિવાર

🛠️ ટેક સ્ટેક

પ્રોજેક્ટ લેઆઉટ

📧 સપોર્ટ અને કમ્યુનિટી

🙏 આભાર

📄 લાયસન્સ

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

🖼️ OmniGlyph — ઇમેજ તરીકે કૉન્ટેક્સ્ટ

વિપુલ કૉન્ટેક્સ્ટને ઘટ્ટ PNG પેજ તરીકે રેન્ડર કરીને તમારું Claude બિલ 59–70% ઘટાડો — એ જ કન્ટેન્ટ, ટોકનના એક નાના અંશમાં.

📊 આંકડા — માપેલા, અંદાજેલા નહીં

🤔 OmniGlyph શા માટે?

⚡ ઝડપી શરૂઆત

🔌 Claude ક્લાયન્ટ સાથે વાપર

🖥️ ડેશબોર્ડ

⚙️ તે કેવી રીતે કામ કરે છે

📚 Library ઉપયોગ (proxy વગર)

📤 ઑફલાઇન એક્સપોર્ટ — proxy નહીં, Claude Code નહીં

🧭 પ્રામાણિક ભાગ

🧠 FAQ

🔬 દરેક સંખ્યાનું પુનઃઉત્પાદન કરો

🚀 OmniRoute પરિવાર

🛠️ ટેક સ્ટેક

પ્રોજેક્ટ લેઆઉટ

📧 સપોર્ટ અને કમ્યુનિટી

🙏 આભાર

📄 લાયસન્સ