টেদার মোবাইল ডিভাইসে বিলিয়ন-প্যারামিটার মডেল প্রশিক্ষণের জন্য এআই ফ্রেমওয়ার্ক চালু করেছে

Chainthink

রিলিজের সময়: ১৭/০৩/২০২৬, ১৩:৩১:৫১

সারাংশ

টেথার ১৭ মার্চ, ২০২৬ তারিখে তাদের QVAC Fabric AI প্ল্যাটফর্মে মাইক্রোসফট BitNet (1-bit LLM)-এর জন্য একটি ক্রস-প্ল্যাটফর্ম LoRA ফাইন-টিউনিং ফ্রেমওয়ার্ক প্রকাশের ঘোষণা দিয়েছে, যা অন-চেইন খবরের একটি গুরুত্বপূর্ণ আপডেট চিহ্নিত করে। এই ফ্রেমওয়ার্কটি ল্যাপটপ, স্মার্টফোন এবং GPU-এর মতো কনজিউমার হার্ডওয়্যারে বিলিয়ন-প্যারামিটারের মডেল প্রশিক্ষণকে সমর্থন করে। এটি Intel, AMD, Apple Silicon, Adreno, Mali এবং Bionic চিপগুলিতে কাজ করে। একটি ১২৫ মিলিয়ন প্যারামিটার মডেল একটি Samsung S25-এ ১০ মিনিটে প্রশিক্ষণিত হয়েছে, যখন একটি ১০ বিলিয়ন মডেল ১ ঘণ্টা ১৮ মিনিট সময় নিয়েছে। BitNet মোবাইল GPU-তে CPU-এর চেয়ে ২ থেকে ১১ গুণ দ্রুত চলে এবং ১৬-বিট মডেলের তুলনায় ৭৭.৮% কম মেমোরি ব্যবহার করে। এই AI + ক্রিপ্টো খবর স্থানীয় প্রশিক্ষণ এবং বিকেন্দ্রীভূত AI লক্ষ্যগুলিকে উজ্জ্বল করে।

ChainThink সংবাদ, ৩ মার্চ ১৭ তারিখে, স্থিতিশীল কয়েন প্রকাশক Tether ঘোষণা করেছে যে তাদের AI প্ল্যাটফর্ম QVAC Fabric Microsoft BitNet (1-bit LLM)-এর জন্য প্রথম বিশ্বব্যাপী ক্রস-প্ল্যাটফর্ম LoRA মাইক্রো-টিউনিং ফ্রেমওয়ার্ক চালু করেছে, যা বিলিয়ন প্যারামিটার লেভেল ভাষার মডেলকে সাধারণ হার্ডওয়্যারে প্রশিক্ষণ ও অনুমান সম্পন্ন করতে সক্ষম করে, যার মধ্যে রয়েছে ল্যাপটপ, কনজিউমার-লেভেল GPU এবং স্মার্টফোন।

অফিসিয়াল হিসেবে বলা হয়েছে, এই ফ্রেমওয়ার্ক AI মডেলের প্রশিক্ষণের জন্য প্রয়োজনীয় মেমরি এবং কম্পিউটিং শক্তির সীমা উল্লেখযোগ্যভাবে কমিয়ে দেয়, এটি Intel, AMD, Apple Silicon এবং বিভিন্ন মোবাইল GPU (যেমন Adreno, Mali, Apple Bionic)-কে সমর্থন করে।

পরীক্ষার সময়, প্রায় ১.২৫ কোটি প্যারামিটার BitNet মডেল Samsung S25-এ প্রায় ১০ মিনিটে মাইক্রো-টিউনিং সম্পন্ন করতে সক্ষম হয়েছে; ১০০ কোটি প্যারামিটার মডেলটি Samsung S25-এ প্রায় ১ ঘণ্টা ১৮ মিনিটে সম্পন্ন হয়েছে এবং iPhone 16-এ প্রায় ১ ঘণ্টা ৪৫ মিনিটে সম্পন্ন হয়েছে; দলটি iPhone 16-এ ১৩০ কোটি প্যারামিটার মডেলের সফল মাইক্রো-টিউনিং পর্যন্ত অর্জন করেছে।

পারফরমেন্সের ক্ষেত্রে, BitNet মডেল মোবাইল GPU-তে অনুমানের গতিতে CPU-এর চেয়ে ২ থেকে ১১ গুণ উন্নতি করতে পারে। পাশাপাশি, পরীক্ষায় দেখা গেছে BitNet-1B-এর অনুমান এবং মাইক্রো-টিউনিং কার্যক্রমে মেমরি ব্যবহার ১৬-বিট মডেলের তুলনায় সর্বাধিক ৭৭.৮% পর্যন্ত কমাতে পারে।

Paolo Ardoino বলেছেন, এই প্রযুক্তির উদ্দেশ্য হলো বড় ক্লাউড কম্পিউটিং এবং নির্দিষ্ট AI হার্ডওয়্যারের উপর নির্ভরতা কমানো, যাতে AI মডেলের প্রশিক্ষণ স্থানীয় ডিভাইসেও সম্পন্ন করা যায় এবং কেন্দ্রীভূত AI এবং ফেডারেটেড লার্নিং-এর মতো নতুন মডেলের জন্য ভিত্তি প্রদান করা।

উৎস:আসল দেখান

দাবিত্যাগ: এই পৃষ্ঠার তথ্য তৃতীয় পক্ষের কাছ থেকে প্রাপ্ত হতে পারে এবং অগত্যা KuCoin এর মতামত বা মতামত প্রতিফলিত করে না। এই বিষয়বস্তু শুধুমাত্র সাধারণ তথ্যগত উদ্দেশ্যে প্রদান করা হয়, কোন ধরনের প্রতিনিধিত্ব বা ওয়ারেন্টি ছাড়াই, বা এটিকে আর্থিক বা বিনিয়োগ পরামর্শ হিসাবে বোঝানো হবে না। KuCoin কোনো ত্রুটি বা বাদ পড়ার জন্য বা এই তথ্য ব্যবহারের ফলে যে কোনো ফলাফলের জন্য দায়ী থাকবে না। ডিজিটাল সম্পদে বিনিয়োগ ঝুঁকিপূর্ণ হতে পারে। আপনার নিজের আর্থিক পরিস্থিতির উপর ভিত্তি করে একটি পণ্যের ঝুঁকি এবং আপনার ঝুঁকি সহনশীলতা সাবধানে মূল্যায়ন করুন। আরও তথ্যের জন্য, অনুগ্রহ করে আমাদের ব্যবহারের শর্তাবলী এবং ঝুঁকি প্রকাশ পড়ুন।