মিনিম্যাক্স হংকং স্টক এক্সচেঞ্জে তাদের প্রথম অর্ধবার্ষিক প্রতিবেদন প্রকাশ করেছে, যেখানে আয় ২৮৩.১% বৃদ্ধি পেয়ে ২০২৫ সালের সম্পূর্ণ বছরের ১.৫ গুণ হয়েছে এবং মোট লাভ ৪৬৪.৮% বৃদ্ধি পেয়েছে। আগস্টে ARR ৮ বিলিয়ন ডলার ছাড়িয়েছে, B-টি আয়ের অনুপাত ৮০%, জুলাইয়ে Token খরচ ১ মাসের ২০ গুণ। প্রতিষ্ঠাতা ইয়ান জুনজিয়ে “সর্বনিম্ন ইনফারেন্স খরচ, সর্বোচ্চ বুদ্ধিমত্তা” প্রযুক্তির পথ প্রস্তাব করেন, যা তাদের নিজস্ব MSA আর্কিটেকচারের মাধ্যমে লক্ষ শব্দের দীর্ঘ টেক্সটের Token-এর গণনা খরচকে পারম্পরিক ফুল-অ্যাটেনশন মেকানিজমের প্রায় ১/২০-এ কমিয়েছে, যা সীমিত কম্পিউটিং ক্ষমতায় বুদ্ধিমত্তা এবং খরচের মধ্যে ভারসাম্য বজায় রাখে, এবং চীনা বড় মডেলগুলির জন্য বিশ্বব্যাপী প্রতিযোগিতায় অংশগ্রহণের জন্য একটি নতুন পথ প্রদান করে।

লেখক এবং উৎস: জিজ্ঞাসা

২৬ আগস্ট, চীনের এআই বড় মডেল নেতৃস্থানীয় কোম্পানি মিনিম্যাক্স (শি ইউ টেকনোলজি) তাদের হংকং স্টক এক্সচেঞ্জে তাদের প্রথম অর্ধবার্ষিক প্রতিবেদন প্রকাশ করেছে।

বিতরণ প্রতিবেদন অনুসারে, মিনিম্যাক্সের আয় গত বছরের একই সময়ের তুলনায় 283.1% বৃদ্ধি পেয়েছে, এবং তাদের ছয় মাসের আয় ইতিমধ্যে 2025 সালের পুরো বছরের আয়ের 1.5 গুণ হয়ে গেছে; মোট লাভ 464.8% বৃদ্ধি পেয়েছে।

ফাইন্যানশিয়াল রিপোর্ট কনফারেন্সে, মিনিম্যাক্সের প্রতিষ্ঠাতা, বোর্ডের চেয়ারম্যান, সিইও এবং সিটিও যান জুনজিয়ে প্রকাশ করেন যে আগস্টে, মিনিম্যাক্সের বার্ষিক পুনরাবৃত্তি আয় (ARR) 8 বিলিয়ন ডলার ছাড়িয়েছে, B2B আয়ের অংশ 80% পৌঁছেছে, এবং জুলাইয়ের টোকেন ব্যবহার ১ মাসের 20 গুণ।

ডেটা ছাড়াও, গতকালের পারফরম্যান্স মিটিংয়ে ইয়ান জুনজিয়ে যে বাক্যটি বলেছিলেন, তা আমার দৃষ্টি আকর্ষণ করেছিল। তিনি বলেছিলেন: “শুধুমাত্র ইউনিট স্মার্ট খরচকে ন্যূনতম করলেই স্মার্টনেসকে সর্বোচ্চ করা সম্ভব।”

দুই বছর আগে পর্যন্ত, বড় মডেলগুলির জন্য মূলত দুটি পথ ছিল: একটি হল স্কেলিং আইন অনুসরণ করে প্যারামিটার বাড়িয়ে বুদ্ধিমত্তা বাড়ানো, যার খরচ অত্যন্ত বেশি; অন্যটি হল দক্ষতা কমিয়ে সাধারণের জন্য উপলব্ধ করা, কিন্তু বুদ্ধিমত্তার মান সবসময় একটু কমই থাকত।

শিল্পটি এটিকে সাধারণত মাছ এবং ভালো বাঘের মতো দেখে, যা একসাথে পাওয়া যায় না।

মিনিম্যাক্স কেন শিল্পের “বিপরীত স্বাভাবিক” পথটি বেছে নিল? এই পথটি কি সফল হবে?

বুদ্ধিমত্তা এবং খরচ, কেন দুটোই পাওয়া কঠিন?

স্কেলিং ল এর কারণে গত কয়েক বছর ধরে এআই-এর বর্ণনা চলেছে: প্যারামিটার যত বেশি, বুদ্ধিমত্তা তত বেশি।

স্কেলিং ল অনুসরণ করে, বর্তমানে মডেলের প্যারামিটার ২-৩ টির মাত্রায় পৌঁছেছে, এবং মডেলের বুদ্ধিমত্তা তার সাথে সামঞ্জস্যপূর্ণভাবে বৃদ্ধি পেয়েছে, সবাই ঘোষণা করছে যে এজিআই আসন্ন।

প্রচুর প্রচুরতার পিছনে, এই নিয়মটি একটি বিস্ফোরক বীজ বুনে দিয়েছে: যখন মডেল ট্রিলিয়ন প্যারামিটার স্কেলে পৌঁছায়, তখন উপসংহারের খরচ অবহেলা করা যায় না।

2026 সালের GTC কনফারেন্সে নভিডিয়ার সিইও হুয়াং রেনক্সুন বলেন: "প্রশিক্ষণ ব্যয়কে প্রধান খরচ চালিত কারণ হিসেবে বিবেচনা করার যুগ শেষ হয়ে গেছে। এখন উপলব্ধি হচ্ছে যে উপলব্ধি হচ্ছে বর্তমান ওয়ার্কলোড, এবং এটি দ্রুত বিস্তৃত হচ্ছে।"

যুক্তিগত খরচের বৃদ্ধি এবং এজেন্ট ওয়ার্কলোডের উত্থানের কারণে, এআই একবারের প্রশ্ন-উত্তর থেকে বহুপদক্ষেপে স্বায়ত্তশাসিত সম্পাদনের দিকে যাচ্ছে। একটি একক ব্যবহারকারীর অনুরোধের পিছনে দশগুণ বা তারও বেশি মডেল কল থাকতে পারে, যা সমগ্র শিল্পের ক্যালকুলেশন বিলকে সূচকীয়ভাবে বাড়িয়ে তুলছে।

ফলে, শিল্পটি দুটি দলে বিভক্ত হয়ে গেল:

একদিকে দ্রুত গতি এবং কম খরচ বিশিষ্ট, কিন্তু বুদ্ধিমত্তা মাঝারি ছোট মডেল।

গুগল হল এই পথের একটি প্রতিনিধি। 2026 সালের জুলাই থেকে আগস্টের মধ্যে, গুগল একসাথে Gemini 3.7 Flash, Gemini 3.6 Flash, Gemini 3.5 Flash-Lite এবং Gemini 3.5 Flash Cyber চারটি হালকা মডেল চালু করে।

3.5 Flash-Lite হল 3.5 সিরিজের সবচেয়ে দ্রুত এবং সবচেয়ে কম খরচের মডেল, যা উচ্চ থ্রুপুট ও বড় AI এজেন্ট সিস্টেমের ছোট কাজের জন্য ডিজাইন করা হয়েছে। Gemini 3.6 Flash-এর আউটপুট টোকেন ব্যবহার আগের প্রজন্মের তুলনায় 17% কমেছে।

কিন্তু এর দামও পরিষ্কার। গুগল এখনও তাদের ফ্ল্যাগশিপ মডেল জেমিনি 3.5 প্রো চালু করেননি, যা মে মাসের I/O কনফারেন্সে চালুর জন্য প্রতিশ্রুতি দেওয়া হয়েছিল, কিন্তু এখনও দেখা যায়নি।

অন্যদিকে বুদ্ধিমত্তা সম্পন্ন, কিন্তু ব্যয়বহুল এবং খরচ বাড়তে শুরু করা বড় মডেল।

দেশীয় বড় মডেল প্রস্তুতকারকরা এই পথে দ্রুত এগিয়ে যাচ্ছে। 2026 সালের জুলাইয়ে, মুন অফ দ্য ডার্ক কিমি K3 প্রকাশ করে, যার প্যারামিটার স্কেল প্রায় 2.8 ট্রিলিয়ন, যা বর্তমানে বিশ্বের সবচেয়ে বড় ওপেন-সোর্স মডেল।

আলিবাবা পরবর্তীতে Qwen3.8 Max চালু করে, যার প্যারামিটার সংখ্যা প্রায় 2.4 ট্রিলিয়ন; বাইডু উেনশিন 5.0 ও 2.4 ট্রিলিয়ন প্যারামিটারে পৌঁছায়; ডিপসিক V4-Pro-এর প্যারামিটার সংখ্যা 1.6 ট্রিলিয়ন।

প্যারামিটার সাইজের কারণে বুদ্ধিমত্তার উন্নতি চোখে দেখা যায়। Kimi K3 একাধিক Agent র‍্যাঙ্কিংয়ে Claude Fable 5 এবং GPT-5.6 Sol কে ছাড়িয়ে গেছে। Qwen3.8 Max কে “সবচেয়ে বড় প্যারামিটার সাইজ এবং সর্বোচ্চ পারফরম্যান্স সম্পন্ন ওপেন-সোর্স মডেলগুলির মধ্যে একটি” হিসাবে বর্ণনা করা হয়েছে।

কিন্তু খরচও বেড়ে গেছে।

কিমি কে3-এর API মূল্যনির্ধারণ, ক্যাশ নয় এমন ইনপুট প্রতি মিলিয়ন টোকেন 6.5 যুযান থেকে 20 যুযানে বৃদ্ধি পেয়েছে, আউটপুট 27 যুযান থেকে 100 যুযানে বৃদ্ধি পেয়েছে, যা যথাক্রমে 208% এবং 270% বৃদ্ধি। অফিসিয়াল সুপারিশ করা হয়েছে যে 64টি বা তার বেশি অ্যাক্সিলারেটর কার্ড নিয়ে সুপার নোড ডিপ্লয়মেন্ট করা হোক।

দুই দিন পরেই, মুন অফ দ্য ডার্ক ঘোষণা করেছে যে এন্ড-ইউজারদের জন্য নতুন সাবস্ক্রিপশন স্থগিত করা হয়েছে এবং সমস্ত ক্যালকুলেশন ক্ষমতা বিদ্যমান ইউজারদের নিরাপত্তা নিশ্চিত করতে ব্যবহার করা হবে।

যত বেশি বুদ্ধিমত্তা এগিয়ে যায়, মডেলের প্যারামিটার তত বড় হয়, তত বেশি খরচ হয়, ডিপ্লয়মেন্টের বাধা তত বেশি বাড়ে, ক্যালকুলেশন ক্ষমতা তত বেশি সীমিত হয়... এটি একটি অপরিহার্য বৃত্তে পরিণত হয়েছে।

মিনিম্যাক্স, কোনো সিদ্ধান্ত নেওয়া হয় না

খরচ এবং বুদ্ধিমত্তার মধ্যে একটি বাছাইয়ের সমস্যার জন্য MiniMax-এর পছন্দ: আমি দুটোই চাই।

যান জুনজিয়ে ফাইন্যানশিয়াল রিপোর্ট কনফারেন্সে মিনিম্যাক্সের সম্পূর্ণ লজিকটি পরিষ্কারভাবে ব্যাখ্যা করেছেন:

প্রতিটি কোম্পানির জন্য ক্যালকুলেশন ক্ষমতা সীমিত। আমরা “ইনফারেন্স খরচ কমান, বুদ্ধিমত্তা বাড়ান” এর মাধ্যমে “সবার জন্য বুদ্ধিমত্তা” অর্জন করতে চাই। এটিই আমাদের দীর্ঘদিন ধরে অনুসরণ করা প্রযুক্তিগত পথ এবং প্রতিষ্ঠার মূল উদ্দেশ্য।

“মিনিমাইজ দ্য ইনফারেন্স কস্ট, ম্যাক্সিমাইজ দ্য ইন্টেলিজেন্স” অর্থ হল “অনুমানের খরচ কমানো, বুদ্ধিমত্তা বাড়ানো”। মিনিম্যাক্স খরচ কমানো এবং বুদ্ধিমত্তা বাড়ানোকে একই বর্ণনামূলক কাঠামোতে রেখেছে।

কেন এই দুটি বিষয়কে একসাথে বলা যায়? কারণ MiniMax-এর “রিজনিং” বোঝার ধারণা ভিন্ন:

প্রথমত, যুক্তিবাদ পরবর্তী প্রজন্মের বুদ্ধিমত্তা তৈরির উৎপাদন সামগ্রী।

পূর্বে ধারণা ছিল যে রিজনিং হল “মডেল ব্যবহার করা” এবং ট্রেনিং হল “মডেল তৈরি করা”। কিন্তু এখন, সিনথেটিক ডেটা, রিইনফোর্সমেন্ট লার্নিংয়ের রোলআউট, মডেল মূল্যায়ন ও যাচাইকরণ, এজেন্ট এবং পরিবেশের মধ্যে ইন্টারঅ্যাকশন ইত্যাদি মূল ধাপগুলি মূলত রিজনিং লোড চালায়।

পোস্ট-ট্রেনিং পর্যায়ের অনুপাত মোট ট্রেনিং কম্পিউটিং ক্ষমতার মধ্যে বাড়ছে। ইনফারেন্স এখন শুধুমাত্র ট্রেনিং শেষের পরে আসা একটি কাজ নয়, বরং ট্রেনিংয়ের সম্পূর্ণ প্রক্রিয়াজুড়ে একটি খরচ।

সুতরাং, যুক্তিসঙ্গত দক্ষতা শুধুমাত্র API-এর মূল্যনির্ধারণের সীমানা নির্ধারণ করে না, বরং পরবর্তী প্রজন্মের মডেলকে কতটা প্রশিক্ষণ দেওয়া যাবে তা নির্ধারণ করে।

দ্বিতীয়ত, যুক্তিসঙ্গত খরচ অপ্টিমাইজেশন বুদ্ধিমত্তার পুনরাবৃত্তির জন্য প্রয়োজনীয়।

ক্যালকুলেশন ক্ষমতার ভৌত সীমাবদ্ধতা রয়েছে, কিন্তু মডেলের আকার নিরন্তর বৃদ্ধি পাচ্ছে। যদি উপস্থাপনার খরচ কমানো যায় না, তবে পরবর্তীতে খরচ বুদ্ধিমত্তার উন্নতির গলা চেপে ধরবে।

সীমিত ক্যালকুলেশন বাজেটের মধ্যে, প্রতিটি টাকাকে কতটা কার্যকর বুদ্ধিমত্তার আউটপুটে রূপান্তরিত করা যায়, তা মডেলের পুনরাবৃত্তির পরিসর নির্ধারণ করে।

তৃতীয়ত, সর্বনিম্ন ইউনিট স্মার্ট খরচ দিয়ে সর্বোচ্চ স্মার্টনেস অর্জন করা—এই দুটি একই লক্ষ্যের দুটি পাশ।

শিল্পটি আগে থেকেই "স্মার্ট-ফার্স্ট" এবং "খরচ-ফার্স্ট" কে দুটি ভিন্ন পথ হিসাবে বিবেচনা করত। কিন্তু যদি রিজনিং খরচ কমানো যায় না, তবে যতই উচ্চ স্মার্টনেস থাকুক না কেন, তা বাস্তবায়িত হবে না।

সহজ কথায়, মিনিম্যাক্সের কৌশল হলো খরচ অপ্টিমাইজেশন এবং বুদ্ধিমত্তা আপগ্রেডকে একই বিষয় হিসেবে বিবেচনা করা। মডেল ডিজাইনের প্রথম দিন থেকেই রিজনিং দক্ষতাকে কেন্দ্রীয় সূচক হিসেবে গ্রহণ করা হয়েছে এবং এটি সম্পূর্ণ গবেষণা-উন্নয়ন চক্রজুড়ে বজায় রাখা হয়েছে।

যান জুনজিয়ের কথায়: “MiniMax কখনও বুদ্ধিমত্তা এবং খরচের মধ্যে কোনো সমঝোতা করে না। উচ্চতর স্তরের বুদ্ধিমত্তা অর্জনই লক্ষ্য, এবং যুক্তিসঙ্গত খরচ এবং দক্ষতা নিয়মিত উন্নত করে উচ্চতর মূল্য প্রদান করাই পদ্ধতি।”

মিনিম্যাক্স সর্বদা এই মূল উদ্দেশ্যকে অনুসরণ করে একটি প্রযুক্তিগত ভিত্তি গড়ে তুলেছে।

সবচেয়ে গুরুত্বপূর্ণ হল এর নিজস্ব ডেভেলপ করা MSA (স্পার্স অ্যাটেনশন) আর্কিটেকচার। সহজ কথায়, এটি লক্ষ শব্দের দীর্ঘ টেক্সটের প্রতি টোকেন গণনা খরচকে প্রচলিত ফুল অ্যাটেনশন মেকানিজমের প্রায় 1/20 এ কমিয়ে দেয়, অর্থাৎ M3-এ 1M কনটেক্সটে প্রতি টোকেনের গণনা পরিমাণ আগের প্রজন্মের 1/20।

এই ব্রেকথ্রুর মূল বিষয় হল: মোট প্যারামিটার সংখ্যা মডেলের জ্ঞানের ক্ষমতার সীমা নির্ধারণ করে, কিন্তু সক্রিয় প্যারামিটার সংখ্যা একটি টোকেনের জন্য উপসংহার খরচ নির্ধারণ করে। এই দুটি বিষয়কে পৃথক করা যায়: প্যারামিটারের আকার বৃদ্ধি পেলেও উপসংহার খরচ অবশ্যই সমানুপাতিকভাবে বৃদ্ধি পায় না।

সুতরাং M3 মূল্য অপরিবর্তিত রেখে বুদ্ধিমত্তা বাড়াতে পারে, M3 Pro প্রায় 3T প্যারামিটার স্কেলে শক্তিশালী শিক্ষা এবং দীর্ঘ-সময়ের কাজ প্রশিক্ষণ এগিয়ে নিতে পারে।

অবকাঠামো স্তরে, MiniMax-এর ETTR (প্রাসঙ্গিক প্রশিক্ষণ সময়ের অনুপাত) 97% পৌঁছায়, যা এটিকে দেশের প্রথম স্বাধীন বড় মডেল কোম্পানির মধ্যে একটি করে তোলে যা ব্যাপক, দীর্ঘমেয়াদী স্থিতিশীল ক্যালকুলেশন ক্ষমতা ব্যবস্থা গড়ে তুলেছে।

স্বায়ত্তশাসিত ক্লাস্টার, ক্লাউড প্রোভাইডার এবং TokenFactory-এর সহযোগিতায় ক্ষমতা সরবরাহ নেটওয়ার্ক গঠন করা হয়েছে, যা বর্তমান এবং পরিকল্পিত ক্ষমতা 3T স্তরের টেক্সট এবং ভিডিও মডেলের নিরন্তর পুনরায় বিকাশকে সমর্থন করতে পারে।

শেষ কথাঃ ক্যালকুলেশন পাওয়ারে অগ্রাধিকার না থাকলে দেশীয় মডেলগুলি কীভাবে অনুসরণ করবে?

যখনই চীন এবং মার্কিন যুক্তরাষ্ট্রের বড় মডেলের মধ্যে পার্থক্যের কথা উঠে আসে, হার্ডওয়্যার সবসময় আলোচনার অংশ হয়ে ওঠে।

পূর্বে সবাই ধরে নিয়েছিল যে যার আরও উন্নত চিপ প্রক্রিয়া এবং বেশি ক্যালকুলেশন ক্ষমতা আছে, সেই ব্যক্তিই আরও ভালো মডেল তৈরি করতে পারবে। এই যুক্তি অনুসারে, চীনা AI মনে হয় সর্বদা মার্কিন AI-এর থেকে কয়েক মাস থেকে ছয় মাসের পিছনে থাকবে।

কি শুধু এটাই একমাত্র উপায়?

মিনিম্যাক্স একটি নতুন পথ প্রস্তাব করেছে: ইনফারেন্স খরচ কমান, বুদ্ধিমত্তা বাড়ান।

একই ক্ষমতায় বুদ্ধিমত্তার সীমানা বাড়ানোর জন্য প্রতি ইউনিট বুদ্ধিমত্তার খরচ কমানো হচ্ছে। কারণ আজকের পোস্ট-ট্রেনিং, সিনথেটিক ডেটা এবং রিইনফোর্সমেন্ট লার্নিং মূলত ইনফারেন্স লোড চালাচ্ছে। ইনফারেন্সের দক্ষতা যত বেশি, একই ক্ষমতায় তত বেশি পরীক্ষা করা যায়, এবং বুদ্ধিমত্তার ছাদও তত উঁচু হয়।

যে ব্যক্তি কম খরচে বেশি বুদ্ধিমত্তা উৎপাদন করতে পারে, সে সীমিত ক্যালকুলেশন ক্ষমতার মধ্যে আরও বেশি সীমানা পার করতে পারবে এবং বেশি বুদ্ধিমত্তাকে আরও ব্যাপক জীবনের মধ্যে প্রবেশ করাতে পারবে।

এটি হয়তো স্থানীয় বড় মডেলগুলির বিশ্বব্যাপী প্রতিযোগিতায় অংশগ্রহণের সময় সবচেয়ে বেশি সম্ভাবনাময় পথ। এবং MiniMax ইতিমধ্যে এটি পরীক্ষা করেছে।