কাস্টম এআই মডেল ব্যবহার করুন। আমি এজুর এ১০০-এ ৮বি–৩০বি কোডিং মডেল পরীক্ষা করতে সপ্তাহ খরচ করেছি। আমাদের আর্কিটেকচারকে পরিবর্তন করা মডেলটি? ১৩৭এম প্যারামিটার-যা এম২ প্রো ম্যাক মিনিতে ৩ মিনিট ৩৫ সেকেন্ডে ট্রেন করা হয়েছে। মাইক্রোসফটের ফাস্টকনটেক্সট বটলনেক প্রকাশ করেছে: রিপোজিটরি এক্সপ্লোরেশন একটি কোডিং এজেন্টের টোকেনের ৪৬.৫% খরচ করতে পারে। তাদের প্রকাশিত পরীক্ষাগুলি মেইন-এজেন্টের ব্যবহার ৬০.৩% পর্যন্ত কমিয়েছে। আমি ডেল্টাকোডে এই ধারণাটি আরও এগিয়েছি: → গো বৈধ রিপোজিটরি কনটেক্সট এনুমারেট করে → আমাদের কাস্টম ১৩৭এম র্যাঙ্কার রুটিন সিলেকশন হ্যান্ডল করে → ফাস্টকনটেক্সট ৪বি শুধুমাত্র অস্পষ্ট READ/GLOB/GREP এক্সপ্লোরেশনের জন্য → কাস্টম Qwen3 ৪বি কোডিং প্রিফ্লাইট করে → ব্যয়বহুল মডেলগুলির কাছে একটি সম্পূর্ণ রিপোজিটরির পরিবর্তে সংক্ষিপ্ত প্রমাণ পাঠানো হয় → কম্পাইলার এবং টেস্টগুলিরই চূড়ান্ত ক্ষমতা আমাদের কাস্টম র্যাঙ্কার: • ৫৭.৯৭% sealed Recall@5 • স্টক মডেলের চেয়ে +৫.৮০ পয়েন্ট • Recall@1-এ +১৪.৪৯ পয়েন্ট • ৭৩.৩৩% Recall@5, routed external cases-এ • 0 execution authority দক্ষতার পার্থক্য অত্যন্ত বড়: • ৪বি এক্সপ্লোরারের চেয়ে ৯৬.৬% কম প্যারামিটার • ২৭বি–৩০বি মডেলের চেয়ে ৯৯.৫% কম • 0.3225% প্যারামিটারই ট্রেনড • অতএব, 99.68% base frozen • এই adapter-এর جন্য A100-এর 100% expense avoid • Estimated 35–55% reduction in cloud-context tokens once the cascade handles routine repository searches locally* বড় মডেলগুলি intelligence-এরঅভাবে fail-হয়নি। তারা fail-হয়েছিল, karon amra ekta model-ke explore, reason, format, code, tool operate, ar self-verify korte boliyechilam। ছোট models je kaj korechilo, tar har ekta er ekta measurable job chilo। আমি expensive A100 experiments use kore shikhechi production-e expensive compute ar dorkar nai kivabe. কোডিং agents-এর future ekta boro LLM na hoite pare. It may be a team of tiny specialists—each trained for one task, each independently measured, and none trusted with final authority.