মেটা একটি ৮১৬ বিলিয়ন ওপেন-ওয়েট এআই মডেল প্রকাশ করেছে যা দুটি ম্যাক স্টুডিওতে চলে @Meta এর নতুন এআই মডেল Muse Spark Open প্রকাশ করেছে, যা জটিল কোডিং, অটোনোমাস এজেন্ট এবং দীর্ঘস্থায়ী ইঞ্জিনিয়ারিং কাজের জন্য তৈরি। অসাধারণ বিষয় হলো, ডেভেলপাররা ওয়েটস ডাউনলোড করে এই স্কেলের মডেলটি স্থানীয় হার্ডওয়্যারে চালাতে পারবে, যা সম্পূর্ণরূপে ক্লাউড API-এর উপর নির্ভরশীল হওয়ার বিকল্প। এখানে মেটা এটিতে কী যোগ করেছে: মোট ৮১৬B প্যারামিটার প্রতি টোকেনে ৪২B সক্রিয় প্যারামিটার ১M-টোকেন কনটেক্সট উইন্ডো নেটিভ টেক্সট, ইমেজ, ভিডিও এবংঅডিও ইনপুট AMD, Apple, Intel এবং NVIDIA হার্ডওয়্যারের সমর্থন আর্কিটেকচারটি Mixture of Experts ব্যবহার করে। প্রতিটি টোকেনের জন্য ৮১৬ বিলিয়ন প্যারামিটারকে সক্রিয় করার পরিবর্তে, মডেলটি প্রায় ৪২ বিলিয়নটি ব্যবহার করে, যা ইনফারেন্সের সময় গণনা প্রয়োজনীয়তা কমিয়ে দেয়। এটি তার ডেস্কটপ ডিপ্লয়মেন্টকে বিশেষভাবে interesting (আকর্ষণীয়) করে তোলে। মেটা Apple-এর সাথে M5 Ultra Mac Studios-এ MLX framework-এর মাধ্যমে Muse Spark Open-কে optimize (অপ্টিমাইজ) করতে কাজ করেছে। এই দুটি মেশিন together (একসাথে) 1TB-এরও beshi (বেশি) unified memory (এককীভূত মেমোরি) প্রদান করে। কোম্পানিটি local (স্থানীয়ভাবে) running (চলমান) actual agentic workflows-এরও demonstration (প্রদর্শন) করেছে: iOS application-এ bug fix (বাগ ঠিক) করা এবং feature implement (ফিচার যোগ) করা Muse Code-এর maddhame software build (সফটওয়্যার build) complete (সম্পন্ন) করা DaVinci Resolve-কে control (নিয়ন্ত্রণ) করে footage analyze (ফুটেজ analyze) করা শক্তিশালী video moments (ভিডিও moment) identify (শনাক্ত) করা এবং vertical crop (ভার্টিক্যাল crop) create (তৈরি) করা মডেলটি Hugging Face-এর maddhame, Groq, Together AI, Fireworks, OpenRouter-এর maddhame API provider-দের maddhame uplabdh (উপলব্ধ)। কিন্তুএকটি important distinction (গুরুত্বপূর্ণভাবেভিন্নতা)আছে। Open-weight-এরমানে unrestricted open source (অপ্রতিরোধ্য open source)হয়না। Meta-এর Muse Model License-এ commercial limitations (বাণিজ্যিকসীমা)আছে,এবং 816B model-কে locally run (স্থানীয়ভাবেচালানো)এখনও expensive hardware (মহঙা hardware)-এরপ্রয়োজন। আমিযাসবচেয়েbeshi (বেশি) interested (আগ্রহী)তাহল:এটি AI-native operations-এরজন্যকীঅর্থবহ। মার্কেটিংটিমগুলি increasingly (বাড়তিভাবে) customer conversations (গ্রাহকদেরকথোপকথন) process (প্রক্রিয়াকরণ), competitors analyze (প্রতিদ্বন্দ্বীদেরবিশ্লেষণ), content classify (বিষয়বস্তুশ্রেণিবদ্ধকরণ),এবং production workflows coordinate (উৎপাদনপ্রবাহসমন্বয়)করতেagents build (এজেন্টগুলিতৈরি)করছে। আজ,অনেকগুলি system external model providers-এর maddhame depend (নির্ভরশীল)। More capable open-weight models-এর maddhame ekta onno option: sensitive research, internal knowledge processing,এবং specialized agents organization-এর control-এ infrastructure-এ run (চালানো)। এটি automatically local AI-কে cheaper (সস্তা)বা better (ভাল)করছেনা। Deployment costs, inference speed, maintenance,এবং model quality still determine whether it makes sense। কিন্তুcompetitive landscape (প্রতিযোগিতামূলকপরিস্থিতি)পরিবর্তনশীল। Powerful models-এর access gradually less dependent on handful of closed API providers-এ। এবংযখনmodel access more flexibleহবে, advantage shift hobe reliable workflows build, proprietary data connect,এবং AI capabilities useful systems e convert kore take।