টেদার 460M-প্যারামিটার ভিশন মডেল ওপেন-সোর্স করেছে ডিভাইস-ভিত্তিক এআই-এর জন্য

টেথার ডেটা একটি ৪৬০ মিলিয়ন প্যারামিটার বিশিষ্ট ভিজুয়াল-ল্যাঙ্গুয়েজ মডেল ওপেন-সোর্স করেছে, যা ক্লাউড সার্ভারের উপর নির্ভর করার পরিবর্তে স্মার্টফোনে সরাসরি চালানোর জন্য তৈরি করা হয়েছে।

কোম্পানির এআই গবেষণা শাখা দ্বারা বুধবার প্রকাশিত, QVAC, VisionPsy-Nano ছবি, দলিল এবং চার্ট পরীক্ষা করতে পারে, তারপর সোর্স মেটিরিয়ালকে রিমোট সিস্টেমে পাঠানোর প্রয়োজন ছাড়াই প্রশ্নের উত্তর দিতে পারে। ফোনটি ইনপুট এবং রিসপন্স উভয়ই হ্যান্ডেল করে, যার ফলে সফটওয়্যারটি অফলাইনে কাজ করতে পারে এবং ডেটা ডিভাইসেই রাখে।

QVAC বলেছে যে টেদার এআই রিসার্চের মডেলটি 500 মিলিয়নের কম প্যারামিটার সহ ভিশন-ল্যাঙ্গুয়েজ সিস্টেমের মধ্যে সর্বোচ্চ সামগ্রিক স্কোর অর্জন করেছে। 17টি বেঞ্চমার্কের মধ্যে 16টিতে এটি প্রতিদ্বন্দ্বী মডেলগুলিকে পরাজিত করেছে।

মডেলটি 62.3 এর স্বাভাবিক স্কোর পোস্ট করেছে, যা Liquid AI-এর LFM2.5-VL-450M-এর 59.6 এবং Hugging Face-এর SmolVLM2-500M-এর 52.5-এর তুলনায় বেশি। QVAC-এর আগের nanoVLM-460M-8k বেস মডেলের স্কোর ছিল 54.9।

টেদার ডেটা রিলিজটি দুটি সংস্করণে আসে। স্ট্যান্ডার্ড বিল্ডটি সঠিকতাকে অগ্রাধিকার দেয়, যখন ফ্ল্যাশ দ্রুত প্রতিক্রিয়ার জন্য একটি ক্ষুদ্র পরিমাণ গুণগত মান ত্যাগ করে। QVAC বলেছে যে ফ্ল্যাশ Android ফোনে SmolVLM2-500M-এর তুলনায় প্রায় 99% পারফরম্যান্স বজায় রাখে এবং প্রথম আউটপুট 23 গুণ দ্রুত তৈরি করে, আর iPhone 15-এ 36 গুণ দ্রুত।

মোবাইল হার্ডওয়্যারে সেই রেসপন্স টাইম গুরুত্বপূর্ণ। একটি কম্প্যাক্ট মডেল টেস্টিং-এ ভালো স্কোর করতে পারে, কিন্তু ব্যবহারকারীদের যদি ডিভাইসটি একটি ইমেজ প্রসেস করার জন্য অপেক্ষা করতে হয়, তাহলে তা অপ্রায়োজনীয় মনে হতে পারে। ফ্ল্যাশকে সেই প্রাথমিক দেরি কমানোর জন্য ডিজাইন করা হয়েছে।

কৃত্রিম বুদ্ধিমত্তা (এআই) সিস্টেম ডকুমেন্ট বিশ্লেষণ এবং অপটিক্যাল ক্যারেক্টার রিকগনিশনকেও সমর্থন করে, যা আর্থিক রিপোর্ট, ফ্লোচার্ট এবং ইনফোগ্রাফিকস থেকে টেক্সট এবং স্ট্রাকচার বের করে।

QVAC বলেছে যে মডেলটি দৃশ্য যুক্তি পরীক্ষায় সমান আকারের প্রতিদ্বন্দ্বীদের থেকে গড়ে 7.4% বেশি করেছে। এটি MM-IFEval এবং POPE-এ তার দ্বিগুণ আকারেরও বেশি মডেলগুলিকেও পরাজিত করেছে, যার মধ্যে Qwen এবং InternVL-এর রিলিজও অন্তর্ভুক্ত।

একটি ডেটা সেন্টার থেকে একটি ফোনে চিত্র প্রসেসিং স্থানান্তরিত করলে মেমোরি, তাপ, ব্যাটারি ব্যবহার এবং কম্পিউটিং শক্তির চরম সীমাবদ্ধতা আনা হয়। সংক্ষিপ্ত মডেলগুলি প্রায়শই সাধারণ টেক্সট প্রক্রিয়া করে, কিন্তু ঘন চার্ট, টেবিল বা স্ক্যান করা দলিলগুলি পড়তে গিয়ে সঠিকতা হারায়।

QVAC-এর বেঞ্চমার্ক ফলাফলগুলি নির্দেশ করে যে মডেলটি সেই ক্ষমতার অধিকাংশই বজায় রেখেছে এবং এটি ভোক্তা ডিভাইসগুলির জন্য পর্যাপ্ত ছোট রয়েছে। স্থানীয় প্রক্রিয়াকরণের অর্থ হল যে দলিলগুলিকে আপলোড করার প্রয়োজন হয় না, এবং সফটওয়্যারটি নেটওয়ার্ক সংযোগ ছাড়াই কাজ করতে পারে।

ডেভেলপাররা Hugging Face Transformers, llama.cpp-এর জন্য কোয়ান্টাইজড GGUF ভার্সন বা উচ্চ আয়তনের সার্ভার ব্যবহারের জন্য vLLM ব্যাকএন্ডের মাধ্যমে মডেলে অ্যাক্সেস করতে পারেন।

QVAC এছাড়াও তাদের বেঞ্চমার্ক কনফিগারেশনগুলি VLMEvalKit এর মাধ্যমে প্রকাশ করেছে, যার ফলে বাইরের গবেষকদের পরীক্ষাগুলি পুনরাবৃত্তি করা সম্ভব হয়েছে। উভয় সংস্করণই Apache 2.0 লাইসেন্স ব্যবহার করে, যা বাণিজ্যিক ব্যবহার, পরিবর্তন এবং পুনঃবিতরণকে অনুমতি দেয়।

টেদার সিইও পাওলো আর্ডোইনো বলেছেন যে এই প্রকাশটি কোম্পানির স্থানীয়, দক্ষ এআই সিস্টেমের দিকে তাদের প্রচেষ্টাকে সমর্থন করে।

“শুধুমাত্র ৪৬০ মিলিয়ন প্যারামিটারে সাধারণ দৃশ্য কার্যে শ্রেষ্ঠ মানের গুণমান ও কর্মক্ষমতা অর্জন করা প্রমাণ করে যে স্থানীয়-প্রথম, অত্যন্ত দক্ষ এআই একটি বাস্তবসম্মত পথ,” আরডোইনো বলেন।

মডেলটি অক্টোবর ২০২৫-এর কিছু QVAC রিলিজকে অনুসরণ করে, যার মধ্যে রয়েছে সিনথেটিক ট্রেনিং ডেটাসেট, একটি ক্রস-প্ল্যাটফর্ম সফটওয়্যার ডেভেলপমেন্ট কিট এবং ফোন এবং ওয়্যারেবল ডিভাইসের জন্য ডিজাইন করা মেডিকেল মডেল।

ডেভেলপারদের জন্য, এই রিলিজটি ব্যবহার-ভিত্তিক এপিআই খরচ ছাড়াই অফলাইন ইমেজ বিশ্লেষণ প্রদান করে। ব্যবসাগুলি সংবেদনশীল দলিলগুলি ডিভাইসে রাখতে পারে, যখন ভোক্তারা সংকেত ছাড়াই এআই ফিচারগুলি ব্যবহার করতে পারেন। গবেষকরা প্রকাশিত কনফিগারেশনগুলি ব্যবহার করে কোম্পানির পারফরম্যান্সের দাবিগুলি স্বাধীনভাবে পরীক্ষা করতে পারেন।

টেথার তার USDT স্টেবলকয়েন ব্যবসা থেকে লাভ দিয়ে তার এআই বিস্তার অর্থায়ন করেছে। এটি এআই অবকাঠামো, জীবপ্রযুক্তি এবং রোবোটিক্সেও বিনিয়োগ করেছে, যার মধ্যে রয়েছে NEURA Robotics-এ $1.4 বিলিয়ন পর্যন্ত মূল্যের সি সিরিজ বিনিয়োগ।