বড় মডেল সম্প্রদায়ে "মাস্ক পরা" টেস্টিং জনপ্রিয়।
সাম্প্রতিক সময়ে, একটি অ্যানোনিমাস মডেল যার নাম Ox Alpha, হঠাৎ করে OpenRouter-এ প্রকাশিত হয়েছে। Ox মানেই "বলি", ভারতীয় ইন্টারনেট ব্যবহারকারীরা এটিকে আরও বেশি পরিচিত নাম দিয়েছে:
"বু লাই" মডেল।
OpenRouter-এর প্রকাশিত তথ্য অনুযায়ী, Ox Alpha-এর 1 মিলিয়ন টোকেনের কনটেক্সট রয়েছে, যা টেক্সট, ইমেজ এবং ভিডিও ইনপুটকে সমর্থন করে, টুলগুলি কল করা যায়, এবং বর্তমানে এটি সম্পূর্ণরূপে বিনামূল্যে।
লঞ্চের কিছুক্ষণ পরে, ডেভেলপাররা এটিকে কোডিং এজেন্টে যুক্ত করে বাস্তব কোড রিপোজিটরিতে পরীক্ষা করেছে।
প্রাথমিক পরীক্ষার ফলাফল অনুসারে, এই অজানা উৎসের 'নিউলাই' মডেলটি বর্তমান শীর্ষস্থানীয় কোড মডেলগুলির ক্ষমতার কাছাকাছি পৌঁছেছে।
এর মধ্যে, একজন ব্যবহারকারী অনুমান করেছেন যে কোড আরেনায় একটি করিন নামের অ্যানোনিমাস মডেল পরীক্ষা করা হচ্ছে। কিমি K3.1, কেউ কেউ এটিকে Qwen এবং MiMo-এর সাথে সংযুক্ত করেন, বিভিন্ন কথা বলেন।
আগস্টের বড় মডেল সম্প্রদায় হঠাৎ করে একটি বড় অনুমান গেমে পরিণত হয়েছে।
「বু লাই」 মডেলটি উল্লেখযোগ্য পারফরম্যান্স দেখিয়েছে
অক্স অ্যালফা কোডিং দক্ষতার মাধ্যমেই প্রকৃতপক্ষে মনোযোগ আকর্ষণ করেছে।
ডেভেলপার বেন ডেভিস ডিপএসডব্লিউ থেকে ১০টি টাস্ক নিয়ে পরীক্ষা করেন, যেখানে Ox Alpha ৮টি টাস্ক সম্পন্ন করে ৮০% পাস রেট অর্জন করে। এর প্রকাশিত তুলনামূলক ফলাফল অনুযায়ী, Fable 5 Max হল ৬৫%, GLM-5.3 Max এবং Grok 4.6 xhigh উভয়ই ৬২%, এবং GPT-5.6 Sol Max হল ৫২%।
DeepSWE প্রকৃত সফটওয়্যার ইঞ্জিনিয়ারিং দক্ষতা মূল্যায়ন করে। মডেলটিকে কোড রিপোজিটরি পড়তে হবে, সমস্যা শনাক্ত করতে হবে, কোড পরিবর্তন করতে হবে, টেস্ট চালাতে হবে, এবং ত্রুটির ভিত্তিতে আরও সংশোধন করতে হবে। একক-চক্রের প্রোগ্রামিং প্রশ্নের তুলনায়, এটি কোডিং এজেন্টের প্রকৃত কাজের সাথে বেশি মিলে যায়।
তবে, 10টি কাজের নমুনা খুব ছোট। পরবর্তীতে, অন্যান্য ডেভেলপাররা অন্য একটি DeepSWE উপসেটে পরীক্ষা করেন এবং প্রায় 63% ফলাফল পান। দুটি পরীক্ষার কাজের পরিসর এবং রান কনফিগারেশন সম্পূর্ণরূপে একই নয়, তাই এখনও Ox Alpha-এর সঠিক র্যাঙ্কিং নির্ধারণ করা সম্ভব হয়নি।
তবে এই ফলাফলগুলি প্রাথমিকভাবে দেখায় যে এই অ্যানোনিমাস মডেলটি দীর্ঘ-পরিসর এনকোডিংয়ের জন্য খুব শক্তিশালী সম্ভাবনা প্রদর্শন করেছে এবং বর্তমান শীর্ষস্থানীয় মডেলগুলির ক্ষমতার কাছাকাছি পৌঁছেছে।
「বু লাই» মডেলটি কার?
"নু লাই" মডেলের পরিচয় সম্পর্কে সবচেয়ে বেশি প্রচলিত দাবি হলো যে এটি জিটসু দ্বারা এখনও প্রকাশিত হয়নি এমন GLM-5.3 Flash বা GLM-5.3-এর মাল্টিমোডাল ভার্সন।
কেউ কেউ বিশ্লেষণের জন্য একটি ব্লগ পোস্ট লিখেছেন:
1. সবচেয়ে শক্তিশালী প্রমাণ ভিডিও এনকোডার থেকে আসে। চারটি ভিন্ন ফ্রেম রেট, দৈর্ঘ্য এবং রেজোলিউশনের ভিডিওতে, Ox Alpha দ্বারা ব্যবহৃত ভিজুয়াল টোকেন GLM-5V-Turbo-এর সাথে সম্পূর্ণরূপে একই। MiMo, Qwen এবং GLM-4.6V সবগুলি পরিষ্কারভাবে ভিন্ন ফলাফল দেখায়।
2. টেক্সট টোকেনাইজারও অত্যন্ত সামঞ্জস্যপূর্ণ। গবেষকদের 25টি প্রম্পট পরীক্ষা করা হয়েছিল, যেখানে Ox Alpha এবং GLM-5.3-এর টোকেন সংখ্যা সর্বদা 75 টোকেনের ধ্রুবক পার্থক্য বজায় রাখে।
3. অন্যান্য বৈশিষ্ট্যগুলি চিপু এর দিকে ইঙ্গিত করে। Ox Alpha অডিও প্রক্রিয়াকরণ অস্বীকার করে, যা GLM-5V-এর রাউটিং পদ্ধতির সাথে মিলে যায়; উত্তরের শৈলী, Agent-এর কার্যপদক্ষেপ এবং যুক্তিসঙ্গত ইন্টারফেসও GLM-এর সাথে খুব কাছাকাছি। চিপু আগেও Pony Alpha ব্যবহার করে GLM-5-এর অ্যানোনিমাস পরীক্ষা করেছিল, যা একই অপারেশনের পূর্ববর্তী উদাহরণ।
https://ox-alpha-evidence-production.up.railway.app/
অন্যান্য ব্যবহারকারীরা কথোপকথন থেকে কিছু সূক্ষ্ম সংকেত খুঁজে পেয়েছেন।
বেন ডেভিস মনে করেন যে 99% নিশ্চিত যে এটি GLM-5.x।
এই সূচনাগুলি GLM-এর দাবিকে বিশ্বস্ত করে, কিন্তু পরিচয় নিশ্চিত করার জন্য এখনও যথেষ্ট নয়।
এখন পর্যন্ত, ওপেনরাউটার এবং জিজ্ঞাপ কোনো প্রকাশ্য প্রতিক্রিয়া দেননি।
করিনের পরিচয় আরও অস্পষ্ট
"নিউ লাই" মডেলের পরিচয় এখনও অস্পষ্ট, আবার কোড আরেনায় একটি কর্রিন নামের অ্যানোনিমাস মডেল দেখা গেছে।
প্রথমে, অনেকে এটিকে অনুমান করেছিলেন কিমি K3.1, কারণ কিমি K3-এর প্রকাশের আগে, এটিকে kivine নামে পরীক্ষা করা হয়েছিল বলে ধারণা করা হত। kivine এবং korrine এর গঠন প্রায় একই ছিল, তাই এটি সংযোগের সৃষ্টি করেছিল।
তবে, সর্বপ্রথম খবরটি ছড়িয়ে দেওয়া সূত্র পরে যোগ করেছে যে, আগে জানা গিয়েছিল Moonshot এর নতুন মডেলটি সম্ভবত adamant-ananke নামক অন্য কোডনেমের সাথে মিলে যায়। korrine এর উৎস Qwen বা অন্যান্য চীনা টিমগুলিরও হতে পারে।
কমেন্ট সেকশনে, অন্যরা এটিকে MiMo V3-এর দিকে ইঙ্গিত করছেন।
বড় মডেল প্রস্তুতকারকদের কেন "মাস্ক পরা" পছন্দ?
অ্যানোনিমাস টেস্টিং বড় মডেলের অফিসিয়াল প্রকাশের আগে একটি গুরুত্বপূর্ণ ধাপ হয়ে উঠছে।
এরেনায় প্রস্তুতকারক এবং মডেল লুকানো হলে, ব্র্যান্ডের পূর্বাপেক্ষা কমিয়ে দেওয়া যায়। ব্যবহারকারীরা মডেলের পরিচয় দেখতে পান না, শুধুমাত্র বাস্তব আউটপুটের ভিত্তিতে বাছাই করেন, এবং চূড়ান্তভাবে জমা হওয়া প্রতিযোগিতার ফলাফলগুলি আসল ব্যবহারকারীর অভিজ্ঞতার সাথে আরও বেশি মিলে যায়।
OpenRouter একটি ভিন্ন ধরনের টেস্টিং পরিবেশ প্রদান করে।
ডেভেলপাররা মডেলটিকে বিভিন্ন কোডিং এজেন্টের সাথে যুক্ত করবেন, যাতে এটি বাস্তব রিপোজিটরিতে প্রবেশ করে ঘন্টার পর ঘন্টা ধরে সফটওয়্যার ইঞ্জিনিয়ারিং টাস্ক পরিচালনা করতে পারে। কনটেক্সট স্থিতিশীল থাকবে কি না, টুল কলগুলি নির্ভরযোগ্য কি না, এবং মডেলটি দীর্ঘমেয়াদী টাস্কের মধ্যে চক্রাকারে ঘুরবে কি না—এসবই উচ্চ চাপের ব্যবহারের মধ্যে দ্রুত প্রকাশ পাবে।
এটি মডেল প্রস্তুতকারকদের জন্য একটি পাবলিক প্রেশার টেস্টের মতো। টিমগুলি ব্যর্থতার কেসগুলি আগে থেকেই পর্যবেক্ষণ করতে পারে, ইনফারেন্স সার্ভিসের ক্ষমতা যাচাই করতে পারে এবং আনুষ্ঠানিক প্রকাশের আগে বাস্তব রিভিউ সঞ্চয় করতে পারে।
এছাড়াও, "মডেল অনুমান" এখন একটি মার্কেটিং কৌশল হয়ে উঠছে, কারণ পরিচয়ের রহস্য আলোচনার সময়কাল বাড়িয়ে তুলতে পারে।
শেষ পর্যন্ত মডেলটিতে ফিরে আসি। যদি Ox Alpha প্রকৃতপক্ষে একটি ফ্ল্যাশ মডেল হয় এবং এর কোডিং ক্ষমতা শীর্ষস্থানীয় স্তরের কাছাকাছি পৌঁছে যায়, তাহলে বেশি সম্পদ বিনিয়োগ করা এবং আরও সম্পূর্ণ ক্ষমতাসম্পন্ন সম্পূর্ণ সংস্করণটি সীমানা কোথায় নিয়ে যাবে?
রেফারেন্স লিঙ্ক:
https://x.com/Adidotdev/status/2090833298713096241
https://x.com/davis7/status/2090669483740279155?s=20
https://x.com/davis7/status/2090655207831298095?s=20
https://x.com/MaxForAI/status/2090783750217162788
এই পোস্টটি ওয়েইচ্যাট গ্রুপ "মেশিন মাইন্ড" (ID: almosthuman2014) থেকে এসেছে, লেখক: এআই অনুসরণকারী