তসিংহু বিশ্ববিদ্যালয় এবং মিয়ানবি বিশ্বের প্রথম এআই-কোডিং প্রি-ট্রেনিং ফ্রেমওয়ার্ক ফর্জট্রেন ওপেন-সোর্স করেছে
KuCoinFlash
শেয়ার
সারাংশ
চিংহুয়া বিশ্ববিদ্যালয় এবং মিয়ানবি ForgeTrain কে ওপেন-সোর্স করেছে, যা এআই + ক্রিপ্টো সংবাদের জন্য বিশ্বের প্রথম এআই-লিখিত প্রি-ট্রেনিং ফ্রেমওয়ার্ক। এই ফ্রেমওয়ার্কটি NVIDIA-এর Megatron-কে পরাজিত করে এবং Huawei Ascend-এ 10% গতি বৃদ্ধি করে। এটি MiniCPM5-1B নামক একটি শীর্ষ-র্যাঙ্কযুক্ত কমপ্যাক্ট মডেলও তৈরি করেছে। এই প্রকল্পটি এআই টুলগুলি উন্নত হওয়ার সাথে বাস্তব-বিশ্বের সম্পদ (RWA) সংবাদের একীভূতকরণের সম্ভাবনাকে উজ্জ্বল করে।
ME AI সংবাদ, অনুসরণ করে Beating মনিটরিং, মিয়ানবিজ এবং তসিংহুয়া এনএলপি ল্যাব ওপেনবিএমবি সম্প্রদায়ে বিশ্বের প্রথম সম্পূর্ণরূপে এআই দ্বারা লেখা প্রোডাকশন-লেভেল লার্জ মডেল প্রিট্রেনিং ফ্রেমওয়ার্ক ForgeTrain ওপেন-সোর্স করেছে এবং ForgeTrain দ্বারা প্রশিক্ষিত এন্ড-সাইড ছোট মডেল MiniCPM5-1B প্রকাশ করেছে। 'এআই তৈরি করে এআই' এর ইঞ্জিনিয়ারিং সম্পূর্ণ চক্রের প্রথম উদাহরণ হিসেবে, ForgeTrain একই হার্ডওয়্যার শর্তে নভিডিয়ার Megatron-এর চেয়েও বেশি পারফরম্যান্স দেখিয়েছে এবং হুয়াওয়ে হাইসেঞ্চেন প্রিট্রেনিংয়ে 10% গতি বৃদ্ধি করেছে। একইসাথে, MiniCPM5-1B Artificial Analysis-এর ওপেন-ওয়েটস ছোট মডেল র্যাঙ্কিংয়ে প্রথম স্থান অধিকার করেছে। AI-কে নিজেই বেসমেন্ট প্রিট্রেনিং ইনফ্রাস্ট্রাকচার তৈরির জন্য, মিয়ানবিজ 'ফর্জ ইঞ্জিনিয়ারিং' (Forge Engineering) সফটওয়্যার প্রোগ্রামিং প্যারাডাইমটি প্রস্তাব করেছে, যা সব হার্ডওয়্যার এবং টাস্ককে সমর্থনকারী জেনারিক ফ্রেমওয়ার্ককে বাদ দিয়ে AI-এর কমখরচের কোডজেনারেশন ক্ষমতা ব্যবহার করে নির্দিষ্ট মডেল এবং হার্ডওয়্যারের জন্য স্পেসিফিককোডকে 'ফর্জ' (তৈরি) করে। ForgeTrain-এর গঠনগতভাবে, 3টি পর্যায়: প্রথমত, existing pre-training frameworks-এর key data collection-এর matrialization, Harness-এর formation; 2য়ত, auto-closed loop-এ binary-consistent framework code generation; 3য়ত, restriction removal and surpassing reference implementation। 3টি phase-এর automation evolution AI-এর L3 to L4 stage-এর corresponding। ForgeTrain-এর first output model MiniCPM5-1B-এ 1.08 billion parameters, core architecture standard LlamaForCausalLM-এর up on, significantly lowering the barrier for downstream integration and inference deployment। Artificial Analysis evaluation-এ, model 18 score with Qwen3.5-2B (16 score) surpasses 2B scale, and leads Qwen3.5-0.8B (11 score) and LFM2.5-1.2B-Thinking (8 score)। Model supports MLX 4-bit and GGUF Q4_K_M deployment formats; after INT4 quantization, weights only 0.5GB; natively supports 131,072 tokens long context and hybrid dual-mode inference based on enable_thinking। Extremely low hardware overhead, OpenBMB simultaneously open-sourced the purely offline desktop floating companion app MiniCPM Desk Pet, which supports real-time response to coding activities in development tools like Cursor and LoRA persona switching। (Source: BlockBeats)
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।
KuCoinFlash
সারাংশ