কথা কম, প্রতিদিনের ডোজ (doge) শুরু করুন!
এখনই, মহান কাপাসি ঘোষণা করেছেন, "আমরা" Anthropic একটি সম্পূর্ণ নতুন পদ্ধতিতে বড় মডেলগুলিকে শক্তিশালী করতে শুরু করেছে—
দ্য লর্ড অফ দ্য রিংস।
ক্যাপাসির মতে, এই "দ্য লর্ড অফ দ্য রিংস বেঞ্চমার্ক" পূর্বে জনপ্রিয় ছিল "পেলিকান বাইসাইকেল করছে" SVG টেস্টকে প্রতিস্থাপন করছে।
বিশেষভাবে, ক্যাপাসি সরাসরি দ্য লর্ড অফ দ্য রিংস-এর শুরুটি অপাস ৫-এর কাছে দিয়েছিলেন, যাতে মডেলটি Three.js ব্যবহার করে একটি পুরো “মিডল-এarth” তৈরি করে।
শেষ ফলাফলটি কিছুটা ১৯৯০ এর শেষ এবং ২০০০ এর শুরুর চীনা 3D অ্যানিমেশনের মতো: খুব কাঁচা এবং খুব বিমূর্ত।
কিন্তু বাস্তবিকভাবে, কিছুক্ষণ ভালো করে দেখলে, যদি আপনি নিউজিল্যান্ডে অবস্থিত দ্য লর্ড অফ দ্য রিংসের শুটিং স্থান হোবিটনের সাথে পরিচিত হন, তবে সত্যিই কিছুটা মিল বোঝা যায়~
তবে, এই অপরিষ্কার মনে হওয়া জিনিসটি বাস্তবে অপাস 5: 100 লক্ষ টোকেন, 2 ঘন্টা এবং 5500 লাইন কোড খরচ করেছে।
অবশ্যই, স্টেজে ক্লাউড মাত্রই একা সুন্দর ছিল না।
সবচেয়ে হাস্যকর বিষয়টি হল ইন্টারনেট ব্যবহারকারীদের দ্বারা নতুনভাবে পরিবেশিত একটি পাত্র ডিপসিক V4 ফ্ল্যাশ সংস্করণ।
"চীনা মানুষ উড়তে পারে" একসাথে সবাই ভাসছে।
এই বর্তমানে চোখে দেখা যাওয়া ভুলগুলির সামনে, ক্যাপাসি খুবই বিচারসম্মত ছিলেন।
তিনি উল্লেখ করেন যে এখনও Opus 5 তার নিজের তৈরি বিশ্বে প্রকৃতপক্ষে “প্রবেশ” করতে পারছে না, শুধুমাত্র বিভিন্ন সময়ে স্ক্রিনশট নিয়ে ধীরে ধীরে কোথায় সমস্যা হয়েছে তা পরীক্ষা করছে।
এবং এটি বর্তমান বড় মডেলগুলির একটি স্পষ্ট দুর্বলতা প্রকাশ করে:
তারা কোড লিখতে, পরিস্থিতি তৈরি করতে এবং গেম তৈরি করতে পারে, কিন্তু এখনও ভিডিও বুঝতে পারে না এবং নিজেদের তৈরি করা গেমগুলি একবারও খেলতে পারে না।
দুই ঘন্টায় একটি মধ্যপ্রাচ্য তৈরি করুন
আসুন প্রথমে এই “দ্য লর্ড অফ দ্য রিংস” টেস্টটি কীভাবে করা হয় তা দেখি।
যদি ক্যাপাসির টুইটের অক্ষরগত অর্থ মেনে চলা যায়, তাহলে ওপাস 5-এ প্রবেশ করানো প্রধান প্রম্পটটি হওয়া উচিত দ্য লর্ড অফ দ্য রিংস-এর প্রথম অধ্যায়, "দ্য এক্সপেক্টেড পার্টি"-এর শুরু।
ব্যাগেন্ড ব্যাঙ্কিন্স অফ ব্যাগসএন্ড ব্রেকফাস্ট ঘোষণা করেছেন যে তিনি ১১১তম জন্মদিনে একটি বড় উৎসব আয়োজন করবেন, এবং হোবিটন তাত্ক্ষণিকভাবে গুঞ্জনে ভরে উঠল...
যাদের আগ্রহ আছে, তারা নিজেরাই চেষ্টা করতে পারেন।
এছাড়াও, ক্যাপাসি প্রম্পটে Three.js-কে উল্লেখ করেছেন, যা একটি জাভাস্ক্রিপ্ট লাইব্রেরি যা কোড ব্যবহার করে 3D দৃশ্য তৈরি করে।
এর ফলে, অপাস ৫-এর কাজ হলো প্রথমে দ্য লর্ড অফ দ্য রিংস-এর শুরুর পাঠ্যটি বুঝে নেওয়া, এবং তারপর এটিকে একটি ব্রাউজারে রিয়েল-টাইমে চলমান 3D বিশ্বে পরিণত করা।
প্রক্রিয়াটির সময়, অপাস 5 কে বহুভুজ ব্যবহার করে চরিত্র, ভবন এবং প্রোপ তৈরি করতে হবে, তারপর এগুলিকে একে একে x, y, z কোঅর্ডিনেট সিস্টেমে রাখতে হবে, এবং ক্যামেরা, আলো এবং অ্যানিমেশন সাজাতে হবে।
কখন চরিত্রগুলি সরে যাবে, ক্যামেরা কোথায় ঘুরবে, আলো কীভাবে পরিবর্তিত হবে, এবং দৃশ্যের বস্তুগুলি কীভাবে পরস্পরের সাথে মিথস্ক্রিয়া করবে—সবকিছুই মডেলকে কোড দ্বারা সংজ্ঞায়িত করতে হবে।
শেষ দৃশ্যটি যদিও সুন্দর বলা যায় না এবং প্রায়শই মডেল পার্থক্য, ভাসমান সমস্যা ইত্যাদি দেখা যায়, যেমন চরিত্রের শরীর ও মাথা আলাদা হয়ে যাওয়া... তবুও সম্পূর্ণ দৃশ্যটি বাস্তবিকভাবে তৈরি হয়েছে।
এটি ভিডিও মডেল দ্বারা প্রতিটি পিক্সেল সরাসরি তৈরি করার সাথে একই বিষয় নয়।
Three.js প্রথমে চরিত্র, বস্তু এবং দৃশ্যকে ত্রিমাত্রিক অবজেক্ট হিসেবে তৈরি করে, তারপর কোডের ভিত্তিতে তাদের অবস্থান, কোণ এবং গতির অবস্থা রিয়েল-টাইমে গণনা করে।
তাই, আমরা যা ডেমো হিসেবে দেখছি, তা কোনো সাধারণ AI-জেনারেটেড ভিডিও নয়, বরং একটি 3D ওয়েব স্কিনের রেকর্ডিং।
তবে, কাপাসি মন্তব্য বিভাগেও উল্লেখ করেছেন যে প্রোগ্রামেটিক 3D এবং ভিডিও জেনারেশন একটির সাথে অন্যটির বিকল্প নয়।
একজন ব্যবহারকারী প্রস্তাব করেছেন যে, এই কাঁচা Three.js স্ক্রিনরেকর্ডিংটিকে Seedance-এর জন্য রেফারেন্স ভিডিও হিসেবে ব্যবহার করা যেতে পারে, এবং তারপর ভিডিও মডেলটিকে উচ্চতর কোয়ালিটিতে পুনরায় রেন্ডার করতে বলা যেতে পারে।
ক্যাপাসি দ্রুত সম্মতি জানালেন।
তার কল্পনায়, প্রোগ্রামেটিক কোড স্কিপ এবং নিয়ন্ত্রণ দায়িত্ব পাবে, প্রথমে চরিত্রগুলি কোথায় দাঁড়াবে, ক্যামেরা কীভাবে চলবে, এবং গল্পটি কীভাবে এগিয়ে যাবে—এই হাড়গুলি নির্ধারণ করবে।
এরপর রেকর্ডিংটিকে ভিডিও-টু-ভিডিও মডেলের কাছে দিন, যাতে এটি টেক্সচার, আলো এবং বিস্তারিত যোগ করে মধ্যপ্রাচ্যের সম্পূর্ণ “আকর্ষণ” বাড়িয়ে তুলতে পারে।
অডিওর ক্ষেত্রে, ওপাস 5 এবার একসাথে সবকিছু কিনে নেয়নি।
কাপাসি বলেন যে, শব্দের গুণগত মানের জন্য চূড়ান্তভাবে ElevenLabs ব্যবহার করা হয়েছে।
তাই, চিত্র, ক্যামেরা শট এবং পাশাপাশি কণ্ঠস্বর সহ দ্য লর্ড অফ দ্য রিংসের ডেমোটি হঠাৎ করেই সৃষ্টি হয়েছিল।
কাপাসি সম্পূর্ণ প্রকল্পটি ওপেন সোর্স করে দিয়েছেন, বিস্তারিত লিঙ্কটি শেষে দেওয়া হয়েছে।
নেটিজেনরা বিকাপাসির চেয়ে অনেক বেশি আকর্ষক
কাপাসির ডেমো প্রকাশের পর অনেক ব্যবহারকারী পরীক্ষা করতে এসেছিলেন।
সামগ্রিকভাবে দেখলে, শুধু বলতে পারি:
এই প্রজন্মের ইন্টারনেট ব্যবহারকারীদের কাল্পনিক ক্ষমতা কাপাসির চেয়ে অনেক বেশি।
কেউ ক্লড ব্যবহার করে একটি 'ইথার অনলাইন' প্রকল্প শুরু করেছেন, যার লক্ষ্য একটি সেট এআই এজেন্টের মাধ্যমে পুরো পৃথিবীকে ক্লিক করুন বানানো হয়ে গেছে।
বর্তমানে, এজেন্ট পৃথিবীটি সম্পূর্ণ তৈরি করেননি, শুধুমাত্র একটি লো-পলিগন স্টাইলের স্যান ফ্রান্সিসকো ওয়াটারফ্রন্ট তৈরি করেছে। তবে বর্তমান দৃশ্যগুলি থেকে দেখা যাচ্ছে যে ভবনের অনুপাত, মানুষের স্কেল এবং সামগ্রিক শৈলী খুবই সুসংগঠিত।
এটি কিছুটা লেগো বিশ্বের অ্যানিমেশনের মতো। চিত্রাঙ্কন জটিল নয়, কিন্তু চরিত্র, দৃশ্য এবং ক্রিয়াকলাপ একই বিশ্বে স্থিরভাবে কাজ করে।
এই দিকে এগিয়ে যান, সরল স্টাইলের অ্যানিমেশন এবং হালকা গেম, যা ইতিমধ্যেই এআই-ন্যাটিভের একটি প্রাথমিক রূপ ধারণ করেছে।
অন্যান্য ব্যবহারকারীরা Fable 5 এবং GPT-5.6 Sol ব্যবহার করে নিউ ইয়র্ক সিটির 3D ডিজিটাল মডেল তৈরি করেছেন এবং এতে রিয়েল-টাইম ডেটা যুক্ত করেছেন।
মডেলটিকে শুধু নিউ ইয়র্কের রাস্তা এবং ভবনগুলি সঠিকভাবে সাজাতে হবে না, বরং বিভিন্ন অঞ্চলের মধ্যে স্থানিক সম্পর্কগুলি বজায় রাখতে হবে। এই কারণে লেখক প্রস্তাব করেছেন যে, এই ভার্চুয়াল বিশ্ব তৈরির কাজটি হয়তো একটি নতুন স্থানিক যুক্তির বেঞ্চমার্ক হতে পারে।
আরও বেশি অতিশয়োক্তি এখনও বাকি।
একজন ব্যবহারকারী ক্যানে ওয়েস্টের কনসার্টের টিকিট কিনতে পারেননি, তাই তিনি ব্রাউজারে এআই ব্যবহার করে নিজের জন্য একটি কনসার্ট আয়োজন করেন।
পুরো প্রকল্প এখনও Three.js দিয়ে তৈরি করা হয়েছে। একটিমাত্র HTML ফাইল রয়েছে, কোনো প্রস্তুত 3D মডেল ব্যবহার করা হয়নি, স্টেজ, চরিত্র এবং আলো সবই কোড দিয়ে তৈরি করা হয়েছে।
সমগ্র কনসার্টে ১৪টি গান রয়েছে, যার প্রতিটির জন্য স্বতন্ত্র লাইটিং ডিজাইন এবং একটি বিশেষ গোলাকার স্টেজ ভিজুয়াল তৈরি করা হয়েছে।
সাধারণ ব্যবহারকারীরা অংশগুলি শুনতে পারেন, এবং Spotify Premium-এর সাথে সংযুক্ত হলে পূর্ণাঙ্গ গান এবং পুরো পারফরম্যান্স প্লে করতে পারেন।
টিকিট পাওয়া যায়নি, নিজের জন্য একটি পুরো হল বুক করা হল—খুবই ক্ষতি!
এখনও শেষ হয়নি!!!
কাপাসি মূল পোস্টের শেষে কল্পনা করেছেন যে পরবর্তীতে এই 3D বিশ্বগুলিতে গেমপ্লে যোগ করা যেতে পারে, যাতে খেলোয়াড়রা পর্যবেক্ষক, NPC বা গল্পের চরিত্র হিসাবে এতে প্রবেশ করতে পারে।
ক্যাপাসিকে ব্যবস্থা করার আগেই ব্যবহারকারীরা গেম ভার্সনটি তৈরি করে ফেলেছে।
এই প্রকল্পটি অপাস 5 এবং থ্রি.জেএস ব্যবহার করে, শুধু চলাচল ও ইন্টারঅ্যাকশনের জন্যই নয়, শব্দও যোগ করা হয়েছে।
আরও অনেক 3ডি ডিজাইনের উদাহরণ চলমান। বিল্ডিং প্রোপোরশন, স্পেস লেআউট থেকে সিন স্টাইল পর্যন্ত, ওপাস 5 এখন পর্যন্ত বড় প্রকল্পগুলিতে একটি নিরপেক্ষ সামঞ্জস্যতা বজায় রাখতে পারছে।
এর মতো অনেক উদাহরণ আছে, এখানে সবগুলো দেখানো হচ্ছে না।
বাস্তবতার দিক থেকে, এই কাজগুলি প্রকৃতপক্ষে পরিপক্ক গেমের দূরে আছে।
কীভাবে খেলাটি আকর্ষণীয়, দীর্ঘস্থায়ীভাবে স্থিতিশীল কি না, এবং খেলোয়াড়রা কি সত্যিই এতে 15 মিনিট থাকতে চাইবে—এখনও কোনো উত্তর নেই।
কিন্তু রিয়েল-টাইম 3ডি কন্টেন্ট এবং ইন্টারেক্টিভ প্রোটোটাইপ তৈরির বাধা প্রকৃতপক্ষে অনেক কমে গেছে।
আরও ভালো কথা, মডেলের ক্ষমতা পরীক্ষা করার একটি নতুন পদ্ধতি পাওয়া যায়, যা পর্যাপ্ত মজাদার এবং আনন্দদায়কও—এটা কি অসাধারণ নয়?
Pelican, ride's over
তাহলে, হঠাৎ করে বড় মডেলকে দ্য লর্ড অফ দ্য রিংস তৈরি করতে বলা হল কেন?
এটি কয়েক বছর আগের জনপ্রিয় “পেলিকান সাইকেল চালানো” টেস্ট থেকে শুরু হয়।
এই প্রশ্নটি সবচেয়ে আগে ডেভেলপার সিমন উইলিসন থেকে এসেছিল, যার শুধুমাত্র একটি বাক্য ছিল:
একটি স্বান যা সাইকেল চালাচ্ছে তার একটি SVG ছবি তৈরি করুন।
যদিও এই প্রশ্নটি সহজ মনে হচ্ছে, তবে এটি মডেলকে পর্যাপ্ত পরীক্ষা করে।
কারণ SVG একটি ছবির মতো দেখায়, কিন্তু এর নিচে একটি কোডের স্ট্রিং রয়েছে।
মডেলটিকে শুধু পেলিকান এবং সাইকেলের চেহারা জানা প্রয়োজন নয়, এটিকে এগুলিকে রেখা, বৃত্ত এবং বহুভুজে বিভক্ত করে, প্রতিটি অংশের অবস্থানের সম্পর্ক স্থানাঙ্ক দ্বারা সাজাতে হবে।
আরও গুরুত্বপূর্ণ বিষয় হলো, পেলিকান এবং সাইকেল নিজেদের মধ্যে খুব কমই সামঞ্জস্যপূর্ণ।
বাইসাইকেলের ফ্রেম, টায়ার এবং পেডেলগুলি সঠিক জ্যামিতি বজায় রাখতে হবে; পেলিকানদের বড় ঠোঁট, ছোট পা এবং যে শরীর দিয়ে কখনও বাইসাইকেল চালানোর কথা ভাবা যায় না।
দুটি একসাথে যোগ করলে, মডেলটি কি স্থানিক সম্পর্ক বুঝেছে তা প্রায় এক নজরেই বোঝা যায়:
চাকাটা কি বেঁকে গেছে, পা কি প্যাডেলে পড়েছে, পাখিটা কি সত্যিই সাইকেল চালাচ্ছে, নাকি চারপাশের ফ্রেমে একেবারে বিচ্ছিন্ন হয়ে গেছে।
উপরের ২০২৪ সালের শেষের ডেমোগুলো দেখুন~
এজন্যই, "পেলিকান সাইকেল চালায়" একসময় মানুষের দ্বারা বড় মডেলের স্থানিক বোধ, বস্তুর সংমিশ্রণ এবং কোড জেনারেশন ক্ষমতা পরীক্ষা করার জন্য একটি ক্লাসিক টেস্ট হয়ে উঠেছিল।
কিন্তু মডেলগুলি যত শক্তিশালী হচ্ছে, এই পেলিকানটিও শেষ পর্যন্ত চলে যাচ্ছে।
নিচে দেখুন ডিপসিক R1 এবং ডিপসিক V4-এর পারফরম্যান্স থেকে বোঝা যায় যে বর্তমান মডেলগুলি এই প্রশ্নটি খুব ভালোভাবে সম্পন্ন করতে পারে।
এর চেয়ে বেশি গুরুত্বপূর্ণ হলো, একটি SVG শুধুমাত্র মডেলের একবারের আউটপুটকে পরীক্ষা করে।
এটি মডেলটির জটিল প্রকল্প পরিকল্পনা করতে, কয়েক ঘন্টা ধরে কাজ করতে এবং হাজার হাজার লাইন কোডের মধ্যে নিজের ভুলগুলি পুনরাবৃত্তি করে সংশোধন করতে পারে কিনা তা পরীক্ষা করতে পারে না।
অতএব, ক্যাপাসি একটি “একটি চিত্র আঁকুন” ছোট প্রশ্নকে পরিবর্তন করেন “একটি বিশ্ব তৈরি করুন” একটি বড় প্রকল্পে—
Pelicans can get off, Middle-earth has officially taken over.
Kapasi's Pelican
শীঘ্রই, ক্যাপাসি দ্বারা "পেলিকান টেস্ট" এর প্রশ্ন পরিবর্তনের খবরটি বিভিন্ন সম্প্রদায়ে ছড়িয়ে পড়ে।
হ্যাকার নিউজের জনপ্রিয় মন্তব্যগুলি মনে করে যে, যদিও এই ডেমোগুলির চিত্র গুণমান খুব সাধারণ, তবুও এটি প্রমাণ করে যে, আমাদের একটি একক ছবি তৈরির চেয়ে কঠিন নতুন পরীক্ষা প্রয়োজন।
নতুন বেঞ্চমার্ক শুধু মডেলটি চিত্রটি সঠিকভাবে আঁকতে পারে কিনা তা দেখবে না, বরং এটি একটি বিশ্বকে বুঝতে পারে কিনা তাও পরীক্ষা করবে।
কারণ, “পেলিকান সাইকেল চালায়” ব্যবহার করা হচ্ছে অনেক দিন হয়ে গেছে।
মডেলগুলি এই ধরনের কাজের জন্য নিয়মিত রেকর্ড ভাঙছে, এবং একে অপরের থেকে পার্থক্য খুব কমই দেখা যাচ্ছে।
তুলনায়, একটি সম্পূর্ণ 3D বিশ্ব তৈরি করতে মডেলটিকে ব্যক্তি এবং বস্তুগুলির মধ্যে স্থানিক সম্পর্ক বুঝতে হবে, ক্যামেরা, অ্যাকশন এবং সিন পরিবর্তনগুলি পরিচালনা করতে হবে, শুধুমাত্র একটি ভিডিও জেনারেশন মডেলকে একটি দৃশ্য উত্পাদনের জন্য কল করার মতো নয়।
অবশ্যই, কিছু মানুষ বিরোধিতা করেছেন।
The pelican test is sufficiently concise, low-cost, and results are easy to compare.
একটি মডেল পরীক্ষা করতে সম্পূর্ণ 3D বিশ্ব তৈরি করতে এতগুলি টোকেন ব্যয় করা মূলত ক্যালকুলেশন শক্তি দিয়ে ফায়ারওয়ার্ক ছোড়ার মতো।
এর মধ্যে, Three.js-এর নিজস্ব ক্ষমতা বড় মডেলের সমগ্র ক্ষমতা পরিমাপ করতে পারে কিনা তা প্রশ্নিত হয়েছে।
কিছু মানুষ মনে করেন যে, এই ধরনের ডেমো শুধুমাত্র প্রমাণ করতে পারে যে Anthropic Three.js কোডে ভালোভাবে প্রশিক্ষিত, কিন্তু মডেলটি সত্যিই স্থান এবং ভৌত বিশ্বকে বুঝেছে কিনা তা প্রমাণ করতে পারে না।
কিন্তু শীঘ্রই কিছু ব্যবহারকারী প্রত্যুত্তর দিলেন:
একটি বিমূর্ত এবং অস্পষ্ট সাহিত্যিক পাঠকে 3D অ্যানিমেশনে রূপান্তরিত করা, যেখানে মডেলটিকে স্থানিক সম্পর্ক, পদার্থবিদ্যার নিয়ম, দৈনন্দিন বস্তু এবং 3D রূপান্তর এবং কম্পিউটার গ্রাফিক্সের গাণিতিক সমস্যাগুলি একসাথে প্রক্রিয়া করতে হবে।
যদি এটিকে শুধু “Three.js লেখা যায়” বলা হয়, তবে এই 5500 লাইন কোডকে অনেক কম মূল্যায়ন করা হচ্ছে।
অন্য একজন ব্যবহারকারী একটি আরও উন্মুক্ত প্রশ্ন তুলে ধরেছেন:
কি সত্যিই “স্পেসিয়াল রিজনিং” বড় মডেলগুলির সাধারণত টেক্সট এবং কোড প্রক্রিয়াকরণের সময় করা রিজনিং থেকে ভিন্ন?
একটি মতামত অনুসারে, চিত্রটি সফল হয় কিনা তা নির্ভর করে মডেলটি কি “সামনে-পিছনে, ভিতর-বাইরে, দূর-কাছ, ঢাকা পড়া” ইত্যাদি স্থানিক সম্পর্ক এবং বিভিন্ন দৃষ্টিকোণে বস্তুর দূরত্ব, কোণ এবং আপেক্ষিক আকার বুঝতে পারে কিনা।
কিন্তু অন্য একটি দৃষ্টিভঙ্গি অনুসারে, মডেলটি যদি “পাথরের পাশে” বা “অ্যারের মধ্যে” প্রক্রিয়া করে, তবুও সম্ভবত একই কাজটি করছে: প্রসঙ্গ অনুযায়ী টোকেনগুলি ধাপে ধাপে তৈরি করা এবং এই প্রক্রিয়ায় যুক্তিসঙ্গত উপসংহারে পৌঁছানো।
যদি এই ক্ষেত্রে এটি হয়, তবে অপাস 5 শুধুমাত্র হঠাৎ করে উঠে আসা একটি "স্পেস ক্ষমতা" দেখায় না।
বেশি সম্ভাবনা হলো, বড় ভাষা মডেলগুলির মূলত পাঠ্য এবং কোড বুঝতে ব্যবহৃত সাধারণ যুক্তি ক্ষমতা এখন স্বাভাবিকভাবেই ত্রিমাত্রিক বিশ্বে প্রসারিত হচ্ছে।
একটি পেলিকান আঁকা থেকে একটি মধ্যপৃথিবী তৈরি করা, প্রশ্নটি মনে হচ্ছে পরিবর্তিত হয়েছে, কিন্তু এর পিছনে পরীক্ষা করা হয়তো সর্বদা একই প্রশ্ন:
মডেল কি নিজের বিশ্ব সম্পর্কে বোঝাকে একটি প্রকৃতপক্ষে চলমান কাঠামোতে রূপান্তরিত করতে পারে?
এবং শেষে, হয়তো আরও একটি আরও অবিশ্বাস্য প্রশ্ন আছে—
যদি সাধারণ বড় মডেলগুলি নিজেরাই কোড লিখে 3D বিশ্ব তৈরি করতে পারে এবং Seedance, ElevenLabs ইত্যাদি API ব্যবহার করে চিত্র এবং শব্দ তৈরি করতে পারে, তবে ব্যবহারকারীদের জন্য এখনও কতটা প্রয়োজনীয় যে তারা একটি বিশেষ ভিডিও জেনারেশন পণ্য খুলে Prompt প্রবেশ করবে?
রেফারেন্স লিঙ্ক
[1]https://karpathy.ai/lotr-movie/
[2]https://simonwillison.net/2025/Jun/6/six-months-in-llms/
[3] https://x.com/wizardbrainz/status/2083012159341203708
[4]https://x.com/aniketjart/status/2083645765097033845
[5]https://x.com/davidfromkansas/status/2075691129899528254
[6]https://x.com/MindaugasLT/status/2083488027343470939
এই লেখাটি ওয়েইচ্যান গ্রুপ "Quantum Bit" থেকে এসেছে, লেখক: henry