মিন্ড ল্যাব ম্যাকারন-ভি১ মডেল প্রকাশ করেছে, যা 748B প্যারামিটার এবং 4টি স্বতন্ত্র LoRA-এর মিক্সচার-অফ-LoRA আর্কিটেকচার ব্যবহার করে, SWE-bench Verified মূল্যায়নে 85.6 স্কোর অর্জন করে কোডিং ক্ষমতায় শীর্ষে পৌঁছেছে। এই এক বছরেরও কম সময়ে প্রতিষ্ঠিত চীনা ল্যাবটি 50 মিলিয়ন ডলারের বিনিয়োগ দিয়ে সিলিকন ভ্যালির 20 বিলিয়ন ডলারের টিমের সমান প্রযুক্তি অর্জন করেছে, এবং তাদের LoRA-ভিত্তিক রিইনফোর্সমেন্ট লার্নিং পথটি টিউরিং পুরস্কারবিজয়ী রিচার্ড সাটন, ডিপসিকের লিয়াং উয়েফেঙ্‌সহ শিল্পের নেতৃবৃন্দের সমর্থন পেয়েছে। মিন্ড ল্যাব একইসাথে “সামঞ্জস্যপূর্ণ শিক্ষা” এবং “গোষ্ঠীগত বুদ্ধিমত্তা”র ধারণা প্রস্তাব করেছে, যা বলে যে মডেলটি ল্যাব থেকে বেরিয়েও বাস্তব পরিবেশে অবিরতভাবে শিখতে এবং সহযোগিতা করতে পারবে। 2 সপ্তাহেরও কম সময়েই 1000 মিলিয়ন ডলার ARR-এর লক্ষ্যটি অর্জন করা হয়েছে, যা এই প্রযুক্তির পথটির বাস্তবসমস্যা সমাধানের ক্ষমতা প্রমাণিত করে।

লেখক এবং উৎস: নিউজিয়েন

গত সপ্তাহে এআই সম্প্রদায় একটি বিষয় নিয়ে আলোচনা করছিল, কিন্তু বেশিরভাগ মানুষ শুধু অর্ধেকটুকুই দেখেছিল।

জুলাই 15-এ, পূর্বের OpenAI CTO মিরা মুরাটি স্যান ফ্রান্সিসকোতে Thinking Machines Lab-এর প্রথম মডেল Inkling প্রকাশ করেন।

20 বিলিয়ন ডলারের বিনিয়োগ, 975B প্যারামিটার, 100 জনের শীর্ষস্থানীয় দল—সিলিকন ভ্যালির সবচেয়ে বেশি মনোযোগ পাওয়া AI স্টার্টআপটি এখন তার কার্ড খুলেছে।

প্রায় একই দিনে, রিচার্ড সাটন, শক্তিশালী শিক্ষার জনক এবং 2024 এর টিউরিং পুরস্কার বিজয়ী, যিনি সাতাশ বছরের কাছাকাছি, ওক ল্যাব প্রতিষ্ঠা ঘোষণা করেন।

বুড়ো আদমীর মূল কথা ছিল: "বর্তমান ডিপ লার্নিং পদ্ধতিগুলি ভঙ্গুর এবং অকার্যকর, এগুলিকে মেরামত করার প্রয়োজন নেই, বরং এগুলিকে মূল থেকে পুনরায় শুরু করা দরকার।"

শুধু সাটন এটি ভাবেন না। ডিপসিকের প্রতিষ্ঠাতা লিয়াং উয়েনফেং প্রায় একই মতামত দিয়েছেন।

তিনি AI-এর উন্নয়নকে ধাপে ধাপে সিঁড়ির মতো বর্ণনা করেছেন: ভাষা মডেল, CoT, Agent... এবং Agent-এর পরে, পরবর্তী অতিক্রম করার প্রয়োজনীয় ধাপটি হল অবিরাম শেখা।

তার মতে, পরবর্তী প্রজন্মের মডেলের মূল ক্ষমতা হলো এটির অবিরাম শেখার ক্ষমতা থাকা উচিত, নাহলে এটিকে পরবর্তী প্রজন্মের মডেল বলা যাবে না। যদি অবিরাম শেখা প্রথমেই তৈরি করা যায়, তবে সাধারণ বুদ্ধিমত্তা সহজেই অর্জন করা যাবে।

যখন একটি প্রযুক্তিগত পথ টিউরিং পুরস্কার বিজয়ী, সিলিকন ভ্যালির সবচেয়ে বেশি মনোযোগ পাওয়া এআই স্টার্টআপ এবং চীনের সবচেয়ে উদ্ভাবনী মডেলের প্রতিষ্ঠাতা তিনজনই সমর্থন করেন, তখন এটি শুধুমাত্র একটি প্রযুক্তিগত বিকল্প নয়, বরং একটি শিল্পের সমঝোতা।

বাতাসের দিক বদলে গেছে।

যখন সকলে সিলিকন ভ্যালির দিকে তাকিয়েছিল, তখন প্রশান্ত মহাসাগরের এই পাশে, একটি এক বছরেরও কম পুরনো চীনা ল্যাব একই পথে একটি অপ্রত্যাশিত উত্তর দিয়েছে।

মাইন্ড ল্যাব, ম্যাকারন-ভি১ আনুষ্ঠানিকভাবে প্রকাশ করেছে।

মাইন্ড ল্যাব ২০২৫ সালের অক্টোবরে প্রতিষ্ঠিত হয়েছে এবং এটি মাইন্ডভার্স (মাইন্ডভার্স টেকনোলজি) এর একটি অগ্রণী গবেষণা প্রল্যাব। পুরো দলের সদস্যদের সংখ্যা তিরিশের বেশি, যারা xAI, DeepMind, DeepSeek, ByteDance Seed, MIT এবং তসিংহুয়া বিশ্ববিদ্যালয় থেকে এসেছেন। বছরের শুরুতে ৫০ মিলিয়ন মার্কিন ডলারের A-পর্যায়ের বিনিয়োগ সম্পন্ন হয়, যার নেতৃত্ব দিয়েছে Meituan, এবং Ant, Sequoia China, ZhenFund ইত্যাদি অনুসরণ করেছে।

এই সংখ্যাটি মনে রাখুন: 50 মিলিয়ন ডলার, পরেও এটি ব্যবহার করা হবে।

748B প্যারামিটার সরাসরি রিইনফোর্সমেন্ট লার্নিং

4টি LoRA প্রতিটি একটি করে কাজ নিয়ে কাজ করে

প্রথমে মডেলটি দেখুন।

ম্যাকারন-ভি১ দুটি সংস্করণে উপলব্ধ:

• ফ্ল্যাগশিপ ভার্সন Venti, 748B প্যারামিটার, 744B এর GLM-5.2 বেস এবং চারটি 1B LoRA দ্বারা গঠিত, ন্যাটিভ 2M অত্যন্ত দীর্ঘ কনটেক্সট;
• স্ট্যান্ডার্ড ভার্সন টল, 35B, Qwen-3.7-এর উপর ভিত্তি করে পুনরায় প্রশিক্ষিত, ম্যাকে চালানো যায়।

কিন্তু কী গুরুত্বপূর্ণ তা প্যারামিটারে নয়—সেই 4টি LoRA-এ।

অতীতে, LoRA ছিল ফুল-প্যারামিটার ফাইন-টিউনিংয়ের "বাজেট ভার্সন"। টাকা বাঁচায়, কিন্তু ডিসকাউন্ট পায়।

মাইন্ড ল্যাব এটিকে পুনর্ব্যাখ্যা করেছে: বেস মডেল হল সাধারণ বৈশিষ্ট্য, এবং LoRA হল ব্যক্তিগত বৈশিষ্ট্য।

এর অর্থ কী? যেমন সব iPhone একই iOS সিস্টেম ব্যবহার করে, কিন্তু আপনি যে অ্যাপগুলি ইনস্টল করেন, আপনার ইনপুট পদ্ধতির অভ্যাস, আপনার প্রায়শই ব্যবহৃত অপারেশনগুলি আপনার iPhone-কে «আপনার iPhone» হয়ে তোলে।

চ্যাট প্রাকৃতিক ও সহানুভূতিশীল হতে হবে, প্রোগ্রামিং কঠোরভাবে নির্ভুল হতে হবে, এজেন্টকে একাধিক ধাপে পরিকল্পনা করতে হবে, জেনারেটিভ UI-এর ইন্টারঅ্যাকশন ডিজাইন করতে হবে—এগুলোকে একটি প্যারামিটারে ট্রেন করলে এগুলো পরস্পরের সাথে সংঘর্ষে পড়বে।

ম্যাকারন-ভি১ এর পদ্ধতি সরল এবং কঠোর: ভাঙ্গুন।

চারটি স্বতন্ত্র LoRA, যথাক্রমে চ্যাট, এজেন্ট, প্রোগ্রামিং এবং GenUI-এর জন্য দায়ী, প্রতিটি স্বতন্ত্রভাবে প্রশিক্ষিত, মূল্যায়ন এবং রোলব্যাক করা হয়।

রানটাইমে রাউটার ডাইনামিক সুইচিং—আপনি যদি বলেন “আমার দিনের কাজের সূচি তৈরি করুন”, তাহলে Agent LoRA ব্যবহার হবে; আপনি যদি বলেন “এই কোডে বাগ আছে”, তাহলে Coding LoRA-এ সুইচ হবে। ব্যবহারকারীর জন্য সম্পূর্ণ অদৃশ্য।

এই আর্কিটেকচারের একটি ঔপচারিক নাম রয়েছে: Mixture-of-LoRA (MoL)—বিভিন্ন ক্ষমতা শেয়ার্ড বেস মডেলের উপর স্বাধীনভাবে ট্রেন করা, ফ্লেক্সিবলভাবে কম্বাইন করা এবং প্রয়োজন অনুযায়ী কল করা। একটি মডেলকে সবকিছুতে দক্ষ করার চেষ্টা নয়, বরং একটি স্পেশালিস্টদের দলকে একসাথে কাজ করতে দেওয়া।

প্রায় সমস্ত ক্ষমতায় Macaron-V1 এখনও সবচেয়ে শক্তিশালী বন্দী মডেলের মতো পারফর্ম করেনি, তবে সম্পূর্ণ মূল্যায়নে, এটি অধিকাংশ কাজে Opus 4.8, GPT-5.5 এবং Gemini 3.1 Pro-এর সাথে সমান বা তাদের ছাড়িয়ে গেছে—বিশেষ করে দৈনন্দিন জীবনের পরিস্থিতি, কোডিং ক্ষমতা এবং জেনারেটিভ UI-এর দিকে।

SWE-bench যাচাইকৃত — কোডিং দক্ষতা মূল্যায়নের মধ্যে শিল্পের সর্বাধিক প্রতিষ্ঠিত একটি, Macaron-V1-Venti 85.6 স্কোর নিয়ে প্রথম স্থানে উঠেছে, যা দ্বিতীয় স্থানীয়দের থেকে 3 পয়েন্ট এগিয়ে। DeepSeek-V4-Pro (80.6), MiniMax-M3 (80.5), Kimi-K2.6 (80.2)-কে সবাইকে পিছনে ফেলেছে।

আরও চ্যালেঞ্জিং হলো Deep-SWE, যা দীর্ঘ-পরিসরের জটিল সফটওয়্যার ইঞ্জিনিয়ারিং টাস্কের জন্য বিশেষভাবে পরীক্ষা করা হয়। Macaron-V1-Venti 58.4 পয়েন্ট পেয়েছে, যেখানে দ্বিতীয় স্থানে রয়েছে এর বেস মডেল GLM-5.2—46.2 পয়েন্ট। একই বেস মডেল, LoRA রিইনফোর্সমেন্ট লার্নিং দিয়ে ট্রেইন করার পর, সরাসরি 12 পয়েন্ট বেশি স্কোর করেছে। এটিই পোস্ট-ট্রেইনিংয়ের মাধ্যমে অর্জিত অতিরিক্ত মূল্য।

আরও গুরুত্বপূর্ণ বিষয় হল: ওপেন-ওয়েট, প্রাইভেট ডিপ্লয়মেন্টের সমর্থন। বন্ধ সোর্স মডেল যতই শক্তিশালী হোক না কেন, আপনার ডেটা অন্যের সার্ভার দিয়ে যাবে। Macaron-V1 আপনাকে মডেলটি আপনার নিজের বাড়িতে নিয়ে আসতে দেয়, একটি বাইটও ডেটা বাইরে দিতে হবে না।

অ্যান্ড্রু একটি কেস উপস্থাপন করেন যখন তিনি WAIC-এ বক্তৃতা দেন: একজন ব্যবহারকারী একটি বিক্ষিপ্ত রুবিক্স কিউবের ছবি তুলে পাঠান, মডেলটি অবস্থাটি চিনে, সমাধানের জন্য অ্যালগরিদম ব্যবহার করে এবং ইন্টারঅ্যাক্টিভ 3D রিস্টোরেশন গাইড তৈরি করে—এটির জন্য ভিজুয়াল বুঝতে পারা, অ্যালগরিদম, এজেন্ট টুল কল এবং GenUI—এই চারটি ক্ষমতা একসাথে কাজ করতে হয়।

একটি সহজেই উপেক্ষিত কিন্তু অত্যন্ত হার্ডকোর ডিজাইন: মডেল এবং হ্যারনেস একসাথে ডিজাইন করা হয়েছে।

এর অর্থ কী? বেশিরভাগ মডেল ট্রেনিং এবং বাস্তব ডিপ্লয়মেন্ট দুটি আলাদা পরিবেশে হয়—ট্রেনিংয়ের সময় যে টুলস এবং প্রসেসগুলি ব্যবহার করা হয়, তা লাইভ পরিবেশের সাথে মেলে না, যার ফলে পারফরম্যান্স কমে যায়।

ম্যাকারন-ভি১ শুরু থেকেই মডেল এবং প্রোডাকশন পরিবেশের হারনেসকে একসাথে ট্রেন এবং অপ্টিমাইজ করেছে, যাতে ট্রেনিংয়ের সময় কীভাবে টুল কল করা হয়, কীভাবে টার্মিনাল অপারেশন করা হয়, এবং কীভাবে দীর্ঘমেয়াদী টাস্ক চালানো হয়, তা লাইভকরণের পরেও একই থাকে।

সংশ্লিষ্ট REPL হারনেসটি মডেলকে কোডের মাধ্যমে টুলগুলি সংযোগ করতে, মধ্যবর্তী অবস্থা সংরক্ষণ করতে এবং কার্যকর প্রক্রিয়াগুলি পুনরায় ব্যবহার করতে সক্ষম করে—প্রতিবার শুরু থেকে শুরু করার প্রয়োজন ছাড়াই, পুনরাবৃত্তি কল এবং কনটেক্সট বর্জ্য কমিয়ে দেয়।

এটি শুধু কথা বলার মডেল নয়, এটি কাজ করার সক্ষম একটি বুদ্ধিমান এজেন্ট।

এটি কেন «বিশ্বের একমাত্র দুটি»?

আপনি বলতে পারেন: LoRA ফাইন-টিউনিং কী বিশেষ? এটা প্রতিটি কোণেই পাওয়া যায়।

অসাধারণ বিষয়টি দুটি শব্দে: স্কেল।

30B মডেলের জন্য LoRA রিইনফোর্সমেন্ট লার্নিং অনেক দলই করতে পারে। কিন্তু প্যারামিটারের পরিমাণ ট্রিলিয়ন লেভেলে উঠলে কঠিনতা সূচকীয়ভাবে বৃদ্ধি পায়।

মূল চ্যালেঞ্জটি হল ট্রেনিং এবং ইনফারেন্সের অসামঞ্জস্যতা। রিইনফোর্সমেন্ট লার্নিংয়ে ফিডব্যাক সংগ্রহের জন্য একসাথে ট্রেনিং এবং ইনফারেন্স করতে হয়; যখন ট্রিলিয়ন প্যারামিটারের MoE মডেলকে ডজন বিশ গিগাপিউ এ বিভক্ত করা হয়, তখন ট্রেনিং এবং ইনফারেন্সের স্বল্প পার্থক্যই গ্রেডিয়েন্টকে বিচলিত করে, ফলে ট্রেনিং কার্ভটি সরাসরি অভিসারী হয় না।

একটি উদাহরণ দিই: ৩০ জনের একটি অন্তর্বর্তী অর্কেস্ট্রা একসাথে বাজালে, একটু অসংগঠিত সুরও পুরোটা বাঁচিয়ে নেওয়া যায়। কিন্তু শত জনের একটি সিমফনিক অর্কেস্ট্রার ক্ষেত্রে, যদি একটি যন্ত্রও সুর ভুল করে, তবে পুরো প্রদর্শনী বিপর্যয়ে পরিণত হয়।

ট্রিলিয়ন প্যারামিটার স্কেলে LoRA রিইনফোর্সমেন্ট লার্নিং চালানোর জন্য বিশ্বব্যাপী শুধুমাত্র দুটি দল আছে।

একটি হল মিরা মুরাটির থিংকিং মেশিনস ল্যাব। একটি হল মাইন্ড ল্যাব।

তৃতীয় কোনো পক্ষ নেই।

2025 সালের ডিসেম্বরে, মাইন্ড ল্যাব কিমি কে 2—যার মোট প্যারামিটার 1.04 ট্রিলিয়নের অতি-বিশাল স্পার্স MoE মডেল—এ LoRA রিইনফোর্সমেন্ট লার্নিং চালানোর সফলতা অর্জন করে। এর কম্পিউটেশনাল পাওয়ার ফুল-প্যারামিটার ফাইন-টিউনিংয়ের দশমাংশেরও কম, এবং ট্রেনিং কার্ভটি স্থিতিশীলভাবে অভিসৃত হয়।

এই মাসের LongStraw, ফিক্সড GPU ক্ষমতার অধীনে রিইনফোর্সমেন্ট লার্নিং পরবর্তী ট্রেনিংকে 2M কনটেক্সটে পৌঁছেছে। Macaron-V1 হল এই সমস্ত সঞ্চয়ের একটি কেন্দ্রীয় উপস্থাপনা।

এই পথটি শুধুমাত্র Mind Lab এটি অনুসরণ করছে না। TML-এর প্রধান বিজ্ঞানী জন শুলম্যান—OpenAI-এর সহপ্রতিষ্ঠাতা এবং PPO অ্যালগরিদমের আবিষ্কারক—2025 সালে «LoRA without Regret» শীর্ষক পেপারটি প্রকাশ করেন, যেখানে পরীক্ষাগুলি প্রমাণ করে যে LoRA বেশিরভাগ পোস্ট-ট্রেনিং পরিস্থিতিতে সম্পূর্ণ ফাইন-টিউনিংয়ের সাথে সম্পূর্ণভাবে একই পারফরম্যান্স দেয়। তিনি এটিকে «লো-রিগ্রেট জোন» বলেছেন।

শিল্পটিও বাস্তব অর্থ দিয়ে ভোট দিচ্ছে। গত সপ্তাহে 15 বিলিয়ন ডলারের ডি-রাউন্ড ফান্ডিং সম্পন্ন করা Fireworks AI-এর মূল্যায়ন 175 বিলিয়ন ডলার, যা শত শত LoRA হোস্ট করতে পারে; Together AI 8 বিলিয়ন ডলারের C-রাউন্ড ফান্ডিং সম্পন্ন করেছে এবং LoRA-কে ডিফল্ট ফাইন-টিউনিং পদ্ধতি হিসেবে সেট করেছে।

সিলিকন ভ্যালি 20 বিলিয়ন ব্যয় করে ভিত্তি তৈরি করে, এটি তার দশমাংশ খরচ করে বিশালের কাঁধে দাঁড়ায়

এখানে একটি খুব আকর্ষণীয় তুলনা রয়েছে।

মাইন্ড ল্যাব এবং টিএমএল একই প্রযুক্তিগত পথ অনুসরণ করে, কিন্তু ভিত্তি কৌশল সম্পূর্ণ ভিন্ন।

TML বিভিন্ন কারণে নিজেই শূন্য থেকে বেস মডেল ট্রেনিং করার সিদ্ধান্ত নিয়েছে। Inkling, 975B প্যারামিটার, 45 ট্রিলিয়ন টোকেন—কিন্তু Murati নিজেও স্বীকার করেছেন: 'এটি বর্তমানে সবচেয়ে শক্তিশালী মডেল নয়।'

মূল্যায়ন দেখায় যে, ইন্কলিং জিএলএম, কিমি ইত্যাদি চীনা ওপেন-সোর্স মডেলের তুলনায় স্পষ্টভাবে দুর্বল। শূন্য থেকে বেস তৈরি করতে তাদের অসংখ্য শক্তি এবং কম্পিউটিং ক্ষমতা ব্যয় করতে হয়েছে।

মাইন্ড ল্যাব উল্টো দিকে যায়। এটি নিজে বেস মডেল ট্রেন করে না, বরং চীনা ওপেন-সোর্স মডেল ইকোসিস্টেমের কাঁধে দাঁড়ায়।

কিমি K2 ট্রিলিয়ন প্যারামিটার LoRA RL যাচাই করে, V1-Preview GLM-5.1 ভিত্তিক, ফর্মাল ভার্সন Venti GLM-5.2 ব্যবহার করে, Tall Qwen-3.7 ব্যবহার করে—প্রতিবার বেস মডেল আপগ্রেডে, পোস্ট-ট্রেনিংয়ের শুরুর রেখা এক স্তর উঠে যায়।

চীনা ওপেন-সোর্স মডেলগুলি এখন বিশ্বব্যাপী প্রায় SOTA স্তরে পৌঁছেছে। এই প্রায় সর্বোচ্চ স্তরের বেস মডেলগুলির উপর ভিত্তি করে LoRA রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে কীভাবে মূল ক্ষমতাগুলিকে প্রকৃত SOTA-এ নিয়ে যাওয়া যায়।

আপনাকে নিজে গম চাষ করতে হবে না, সেরা ব্রেড বানানোর জন্য।

কতটা কঠিন তুলনা?

TML: 20 বিলিয়ন ডলারের বিনিয়োগ, 100 জনের দল, নভিডিয়ার গিগাওয়াট লেভেলের কম্পিউটিং কো-অপারেশন—Inkling-এর ক্ষমতা এখনও GLM-5.2-এর চেয়ে কম।

মাইন্ড ল্যাব: তিরিশের বেশি মানুষ, ৫০ মিলিয়ন ডলারের কম ফান্ডিং—Chat, Agent, Coding সহ অনেকগুলি দিকে আরও শক্তিশালী মডেল তৈরি করা হয়েছে।

LoRA রিইনফোর্সমেন্ট লার্নিং-এর ক্ষেত্রে, মাইন্ড ল্যাব হয়তো বিশ্বের সবচেয়ে বেশি রিটার্ন অন ইনভেস্টমেন্ট টিম। কোনো অন্য নয়।

অবিরাম শিক্ষা: কেন মডেল ব্যবহার করতে করতে বুদ্ধিমান হয়ে উঠে?

প্রযুক্তি এবং তুলনার পরে, সবচেয়ে গুরুত্বপূর্ণ প্রশ্নটি হল: মাইন্ড ল্যাব কি আসলে কী খেলছে?

উত্তরটি রিচার্ড সাটন এবং অ্যালফা গোর পূর্বের প্রধান গবেষক ডেভিড সিলভারের যৌথ প্রকাশিত একটি নিবন্ধের শিরোনামে লুকিয়ে আছে—Welcome to the Era of Experience।

প্রি-ট্রেনিং হল ডেটা যুগ: মডেলটি মানুষের পূর্ববর্তী টেক্সট থেকে শেখে।

পরবর্তী যুগ হবে "অভিজ্ঞতার যুগ": এআইয়ের ক্ষমতা এখন পূর্ববর্তী ডেটার উপর নির্ভর করবে না, বরং বুদ্ধিমান এজেন্টগুলির বাস্তব পরিবেশে দীর্ঘমেয়াদী কার্যকলাপ, প্রতিক্রিয়া এবং নিরন্তর শেখার উপর নির্ভর করবে।

আজকের বড় মডেলের মৌলিক বিরোধ এখানেই— প্রশিক্ষণ শেষ হয়ে গেলে এটি জমে যায়।

একজন ব্যবহারকারী একই ভুল দশবার সংশোধন করেছেন, পরবর্তীবার মডেলকে আবার চ্যাট ইতিহাস পড়তে হবে। একটি কোডিং এজেন্ট একই কোডবেসে বারবার ব্যর্থ হচ্ছে, ব্যর্থতা কোনো নতুন ক্ষমতায় পরিণত হচ্ছে না। মডেল প্রতিদিন অসংখ্য কাজ প্রক্রিয়া করে, কিন্তু অভিজ্ঞতা সম্পূর্ণরূপে হারিয়ে যাচ্ছে।

এটি শুধুমাত্র একটি অসীমভাবে পুনরাবৃত্তি হওয়া যুক্তিসঙ্গত ইঞ্জিন, একটি বিকাশশীল বুদ্ধিমত্তা নয়।

মাইন্ড ল্যাবের উদ্দেশ্য হল এই বৃত্তাকার চক্রটি ভাঙা। তাদের লক্ষ্য হল একটি "অভিজ্ঞতা বুদ্ধিমত্তা মেশিন" তৈরি করা—যে মডেলটি ল্যাব থেকে বেরিয়ে গেলেও বাস্তব জগতে নিয়মিত শিখতে থাকে।

অভিজ্ঞতা নতুন দক্ষতায় পরিণত হয়, নতুন দক্ষতা এটিকে আরও কঠিন সমস্যা সমাধানে সক্ষম করে, আরও কঠিন সমস্যা আবার আরও সমৃদ্ধ অভিজ্ঞতা আনে।

বুদ্ধিমত্তা একবার প্রশিক্ষণের ফলাফল নয়, বরং নিরন্তর বৃদ্ধির প্রক্রিয়া হয়ে উঠেছে।

এখানে LoRA এখন একটি "খরচ বাঁচানোর টুল" নয়, বরং একটি লেখা যায়, রোলব্যাক করা যায় এবং স্বাধীনভাবে বিকশিত হওয়া স্থায়ী অবস্থা।

বেস সাধারণ জ্ঞান বহন করে, লোরা আপনার পছন্দ, আপনার কোডিং স্টাইল, আপনার ব্যবসায়িক লজিক বহন করে। এটি স্থির প্যাচ নয়, এটি মিথস্ক্রিয়ার সাথে বিকশিত স্মৃতি।

পরীক্ষার মাধ্যমে প্রমাণিত হয়েছে যে, হালকা অ্যাডাপ্টেশন মডিউলটিকে বেস মডেলের প্যারামিটারের 0.5% এর নিচে কমপ্রেস করলেও এটি স্থিতিশীল এবং বিশ্বস্ত থাকে—বেস মডেল যত বেশি শক্তিশালী, ছোট স্কেলের আপডেট তত বেশি কার্যকরী।

মাইন্ড ল্যাব এই পথে তিন বছর চলেছে। ২০২৩ সালে, প্রতিষ্ঠাতা অ্যান্ড্রু এবং GPT-1-এর লেখক কার্থিক নারসিমহান, ইয়াও শুনইয়ু একসাথে ফায়ারঅ্যাক্ট—একটি প্যারামিটার শেখার মাধ্যমে এজেন্টের ক্ষমতা বৃদ্ধির প্রথম গবেষণা প্রকাশ করেন। এজেন্টের ট্রাজেক্টরি প্যারামিটারে লেখা হওয়ার পর, একক বাস্তবায়নের সময় ৯.০ সেকেন্ড থেকে কমে ২.৭ সেকেন্ডে নেমে আসে।

একবার শেখার জন্য খরচ করুন, তারপর প্রতিবার ব্যবহারেই ফলাফল পাবেন। ফায়ারঅ্যাক্ট থেকে ম্যাকারন-ভি১ পর্যন্ত, এই যুক্তি ট্রিলিয়ন প্যারামিটারের স্কেলে বড় হয়েছে।

গ্রুপ ইন্টেলিজেন্স: তৃতীয় স্কেলিং কার্ভ

শিক্ষার ধারাবাহিকতা কেবল গল্পের অর্ধেক। ম্যাকারন-ভি১-এ প্রকাশিত দ্বিতীয় মূল ধারণা, যা আরও বেশি বিপ্লবী—সমষ্টিগত বুদ্ধিমত্তা।

প্রতিটি মডেল নিজের অভিজ্ঞতা অনুসারে শিখতে থাকে, যার ফলে বিভিন্ন উদাহরণ বিভিন্ন দিকে এগিয়ে যায়। বিভিন্ন ব্যবহারকারীর ফিডব্যাক, বিভিন্ন কাজ, এবং বিভিন্ন ডেটা বিভিন্ন ক্ষমতা গড়ে তোলে। একই ভিত্তি থেকে শুরু করে, সময়ের সাথে সাথে এগুলো “ভিন্ন ভিন্ন মানুষ”-এ পরিণত হয়।

এই বৈচিত্র্যটি কি বাগ নাকি ফিচার? পরীক্ষার ফলাফল অসাধারণ।

একই Qwen3-30B বেস থেকে শুরু করে, ট্রেনিং লক্ষ্য এবং অ্যালগরিদম সম্পূর্ণরূপে একই রাখা হয়েছে, শুধু ডেটা ক্রম এবং মাস্কিং পরিবর্তন করা হয়েছে।

AIME24-এ একটি এডাপ্টারের সঠিকতা: 36.44%। 198টি ভিন্ন এডাপ্টারের বহুসংখ্যক ভোট: 48.67%। একই এডাপ্টারকে 198 বার পুনরাবৃত্তি করলে সর্বোচ্চ: 43.78%।

বিভিন্ন "অভিজ্ঞতা" একটি মডেলের দ্বারা দেওয়া যায় না এমন পূরকতা আনে। এটি "কয়েকবার চেষ্টা করা" নয়—এটি বিভিন্ন শেখার পথের মধ্যে প্রকৃত সহযোগিতামূলক প্রভাব তৈরি করে।

অ্যান্ড্রু এটিকে WAIC-এ তৃতীয় স্কেলিং কার্ভ বলেছেন।

প্রথম নিয়ম: GPT-3-এর মতো স্কেল প্যারামিটার—বড় প্যারামিটার বেশি বুদ্ধিমত্তা আনে।

দ্বিতীয়টি: DeepSeek R1-এর স্কেল থিংকিং টোকেন—বেশি যুক্তিসঙ্গত টোকেন বেশি বুদ্ধিমত্তা আনে।

তৃতীয় নিয়ম: মডেলের সংখ্যা বাড়ানো—বেশি মডেলের মধ্যে সহযোগিতা বেশি বুদ্ধিমত্তার সীমা নিয়ে আসে।

পরীক্ষায়, মডেলের সংখ্যা কয়েকটি থেকে ২০০ এ বাড়ানো হয়েছিল, এবং লগারিদমিক অক্ষে পারফরম্যান্স রৈখিকভাবে উন্নতি পেয়েছিল। যদি এই বক্ররেখা প্রযোজ্য হয়, তাহলে পরবর্তী পদক্ষেপ হবে ২০০ থেকে ২০,০০০, ২০০ লক্ষে পৌঁছানো।

মিন্ড ল্যাব দ্বারা স্ব-উন্নয়নকৃত মিন্ট প্ল্যাটফর্ম এখন মিলিয়ন স্তরের অ্যাক্সেসযোগ্য LoRA ডিরেক্টরি তৈরি করেছে। 100 লক্ষ LoRA একই ট্রিলিয়ন প্যারামিটারের বেস মডেলটি শেয়ার করে।

দ্রষ্টব্য—এটি 100 লক্ষ ছোট মডেল নয়, এটি 100 লক্ষ ট্রিলিয়ন প্যারামিটারের বড় মডেল।

মানুষের মধ্যে ৯৯% এর বেশি জিনোম শেয়ার করা হয়, কিন্তু প্রায় একই জৈবিক ভিত্তি একই মনস্তত্ত্ব তৈরি করেনি। বুদ্ধিমত্তার বৈচিত্র্য এবং এর সহযোগিতাই মানব সভ্যতার সবচেয়ে মহান সাফল্যগুলির জন্য দায়ী।

2 সপ্তাহে 10 মিলিয়ন ডলার ARR: সবচেয়ে দ্রুত কমার্শিয়ালাইজেশন যাচাই

যেকোনো প্রযুক্তিগত রোডম্যাপ যদি বাজার কিনে না, তবে তা শুধুমাত্র পিপিটি। মাইন্ড ল্যাব ৭ই জুনে API-এর বাণিজ্যিক সংস্করণ চালু করবে।

দুই সপ্তাহে, 10 মিলিয়ন মার্কিন ডলার ARR।

এটি সম্ভবত প্রথম মডেল প্রকাশের পর থেকে মিলিয়ন ডলার ARR অর্জনের সবচেয়ে দ্রুত রেকর্ড।

ডিজিটাল গুরুত্বপূর্ণ, কিন্তু তার চেয়ে বেশি গুরুত্বপূর্ণ হলো গতি। একটি প্রযুক্তিগত পথকে ক্লায়েন্টরা এত দ্রুত বাস্তব অর্থ দিয়ে ভোট দিয়েছে, যা বোঝায় এটি একটি প্রকৃত, ব্যথাদায়ক সমস্যার সমাধান করছে।

মাইন্ড ল্যাব শুধু টোকেন বিক্রি করে না। এর মূল ব্যবসায়িক যুক্তি হল: গ্রাহকরা পায় মডেলটিকে তাদের নিজস্ব পরিস্থিতিতে অবিরাম শিক্ষা এবং পুনরায় বিকাশের ক্ষমতা।

মোবাইল ফ্রিমার তাদের পণ্যের জ্ঞান একটি বিশেষ LoRA-তে প্রশিক্ষণ দেয়, হেডফোন কোম্পানি ইন্টারেকশনের পছন্দগুলি মডেলের অবস্থায় লিখে রাখে—মূল ডেটা বেস মডেল কোম্পানিকে পুনরায় প্রশিক্ষণের জন্য দিতে হয় না, গ্রাহকরা নিজেরাই নিয়ন্ত্রণ রাখেন।

শাওয়েন টেকনোলজি, এআই হার্ডওয়্যার স্টার্টআপ ওডিসি, এবং একটি শীর্ষস্থানীয় মোবাইল ফোন প্রস্তুতকারক ইতিমধ্যেই সহযোগিতার তালিকায় রয়েছেন।

API কল স্ট্রাকচারও সমস্যাটি ব্যাখ্যা করে: 20% চ্যাট, 30% এজেন্ট ওয়ার্কফ্লো, 30% কোড জেনারেশন, বাকিগুলি GenUI থেকে—পরিস্থিতির বণ্টন সমতুল, একটি একক বিস্ফোরক দ্বারা সমর্থিত মিথ্যা প্রবৃদ্ধি নয়।

প্রিমিয়াম সংস্করণ: 6 ডলার/মিলিয়ন টোকেন, স্ট্যান্ডার্ড সংস্করণ: 4 ডলার, এক্সট্রিম সংস্করণ: 2 ডলার।

মাইন্ড ল্যাব দ্বারা প্রদত্ত দৃষ্টিভঙ্গি শুধু একটি বাক্য: টোকেন ব্যবহার করতে পারলে, আপনি টোকেন ট্রেন করতে পারবেন।

মডেল ট্রেনিং করা শেষ পর্যন্ত মডেল কল করার মতো সহজ হওয়া উচিত। বিক্রয়ের আগের বহু প্রচারের প্রয়োজন নেই, কাস্টমাইজড মানব সম্পদেরও প্রয়োজন নেই। স্থায়ীভাবে শেখা নিজেই হলো স্কেলযোগ্য মডেল ক্ষমতা।

দরজাটি খুলে গেল

রিচার্ড সাটন টরন্টোতে "অভিজ্ঞতার যুগ" ঘোষণা করেন। লিয়াং উয়েনফেং মনে করেন যে পরবর্তী প্রজন্মের মডেল বলতে পারবেন শুধুমাত্র যদি আপনার নিয়মিত শেখার ক্ষমতা থাকে। মিরা মুরাটি সান ফ্রান্সিসকোতে ট্রিলিয়ন প্যারামিটার LoRA রিইনফোর্সমেন্ট লার্নিং ইনফ্রাস্ট্রাকচার তৈরি করেন। Fireworks AI-এর মূল্য 175 বিলিয়ন ডলার।

সবাই একই দিকে বেট করছে: মডেলটি ডিপ্লয় করার পরেও শিখতে থাকবে। লোরা হল এই বিষয়টিকে ট্রিলিয়ন প্যারামিটার স্কেলে সম্ভব করে তোলার মূল প্রযুক্তি।

মাইন্ড ল্যাব এই প্রতিযোগিতার সবচেয়ে তরুণ প্রতিযোগী। কিন্তু শুরুর অবস্থানটি সম্ভবত সবচেয়ে দক্ষ—এটি কোনও ভিত্তি তৈরি করেনি, চীনের ওপেন-সোর্স ইকোসিস্টেমের উপর দাঁড়িয়ে, তিরিশের বেশি লোক এবং 5000 ডলারেরও কম বিনিয়োগ দিয়ে, সিলিকন ভ্যালির শত বিলিয়ন ডলারের টিমের সমান পর্যায়ের প্রযুক্তিগত ক্ষমতা অর্জন করেছে।

এর পিছনে একটি সরল কিন্তু গভীর বিচার রয়েছে:

বৃহৎ মডেলের প্রতিযোগিতার চূড়ান্ত ফলাফল নির্ভর করে না কে সবচেয়ে বড় বেস ট্রেন করেছে, বরং কে মডেলকে ধারাবাহিকভাবে বুদ্ধিমান করে তুলতে পারে।

প্রি-ট্রেনিং একবারের ইনফ্রাস্ট্রাকচার। নিয়মিত শেখা হল সত্যিকারের প্রতিরক্ষা ব্যবস্থা।

মাইন্ড ল্যাব যা তৈরি করতে চায়, তা হল একটি অভিজ্ঞতা-ভিত্তিক মেশিন—যে মডেল ল্যাব থেকে বেরিয়ে যাওয়ার পরও বাস্তব জগতে নিয়মিত শিখতে থাকে, ব্যবহারের সাথে সাথে আরও বুদ্ধিমান হয়ে ওঠে। যখন এই ধরনের পর্যাপ্ত বুদ্ধিমান সহযোগিতা শুরু করবে, তখন একটি উচ্চতর বুদ্ধির দিকে নতুন পথ খুলে যাবে।

মুরাটি সান ফ্রান্সিসকোতে ২০ বিলিয়ন ডলার এবং ১০০ জনের দল নিয়ে এই দরজাটি ঠেলছে।

এবং প্রথমে দরজাটি একটু খুলে দেয় প্রশান্ত মহাসাগরের এই পাশে, চীনা ওপেন-সোর্স ইকোসিস্টেমের কাঁধে দাঁড়িয়ে থাকা একটি যুব ল্যাব।