মুক্ত উৎস
AIEZZ টুল ট্যাগ
“মুক্ত উৎস” ট্যাগযুক্ত AI পণ্য ব্রাউজ করা হচ্ছে, যেখানে 29টি মিলে যাওয়া ফলাফল রয়েছে।
SmartSub – ওপেন সোর্স অল-ইন-ওয়ান অডিও-ভিডিও সাবটাইটেল প্রসেসিং ডেস্কটপ টুলএআই স্পিচ রিকগনিশনSmartSub (妙幕) একটি ওপেন সোর্স অল-ইন-ওয়ান অডিও-ভিডিও সাবটাইটেল প্রসেসিং ডেস্কটপ টুল। টুলটি পুরো প্রক্রিয়াকে একটি অ্যাপ্লিকেশনে একীভূত করেছে। Whisper, FunASR, Qwen3-ASR-সহ স্থানীয় মডেলের মাধ্যমে অফলাইনে কথাকে লেখায় রূপান্তর করা যায়। ২০টিরও বেশি অনুবাদ পরিষেবা এবং একাধিক চরিত্রের AI ডাবিং সমর্থন করে। এতে বিল্ট-ইন অনলাইন ভিডিও ডাউনলোডার রয়েছে, যা B站, YouTube-সহ বিভিন্ন প্ল্যাটফর্মের সঙ্গে সামঞ্জস্যপূর্ণ। NVIDIA CUDA, Apple Core ML-সহ হার্ডওয়্যার অ্যাক্সিলারেশন সমর্থন করে এবং Windows, macOS, Linux তিন প্ল্যাটফর্মেই স্থানীয়ভাবে চলে।00
InstructAV2AV – 智源 ও পেকিং বিশ্ববিদ্যালয়ের যৌথভাবে উন্মুক্ত করা অডিও-ভিডিও যৌথ সম্পাদনা মডেলছবি সম্পাদনাInstructAV2AV – 智源 ও পেকিং বিশ্ববিদ্যালয়ের যৌথভাবে উন্মুক্ত করা অডিও-ভিডিও যৌথ সম্পাদনা মডেল হলো বেইজিং ঝিয়ুয়ান কৃত্রিম বুদ্ধিমত্তা গবেষণা ইনস্টিটিউট ও পেকিং বিশ্ববিদ্যালয়ের যৌথভাবে তৈরি অডিও-ভিডিও যৌথ সম্পাদনা মডেল। ব্যবহারকারী শুধু একটি স্বাভাবিক ভাষার নির্দেশ দিয়েই এন্ড-টু-এন্ড প্রজন্ম প্রক্রিয়ায় ভিডিও দৃশ্য ও সংশ্লিষ্ট শব্দ একই সঙ্গে সম্পাদনা করতে পারেন, হাতে তৈরি মাস্ক বা ধাপে ধাপে প্রক্রিয়াকরণের প্রয়োজন হয় না। মডেলটি সংলাপ পরিবর্তন, ব্যক্তি প্রতিস্থাপন, অবজেক্ট সংযোজন ও অপসারণ সমর্থন করে এবং পটভূমি ও পরিবেশের শব্দ অপরিবর্তিত রেখে দৃশ্য ও শব্দের সময়গত সামঞ্জস্য বজায় রাখতে পারে। মূল ফিচারগুলোর মধ্যে রয়েছে পরিচয়-সংরক্ষণকারী কণ্ঠস্বর পরিবর্তন, অডিও-ভিডিও ইনস্ট্যান্স প্রতিস্থাপন, ইনস্ট্যান্স সংযোজন, ইনস্ট্যান্স অপসারণ এবং বৈশিষ্ট্যের সমন্বিত সম্পাদনা। এটি চলচ্চিত্রের পোস্ট-প্রোডাকশন, স্বল্পদৈর্ঘ্য ভিডিও তৈরি, ভার্চুয়াল মানব পরিচালনা, বিজ্ঞাপনের সৃজনশীলতা এবং ইন্টার্যাকটিভ কনটেন্ট উৎপাদনসহ বিভিন্ন ক্ষেত্রে প্রযোজ্য।00
JoyAI-Video-EditAI ভিডিও এডিটিংJoyAI-Video-Edit – JD.com-এর ওপেন-সোর্স করা রিয়েল-টাইম স্ট্রিমিং ভিডিও এডিটিং মডেলটি JD.com-এর নিজস্বভাবে তৈরি ও ওপেন-সোর্স করা একটি রিয়েল-টাইম স্ট্রিমিং ভিডিও এডিটিং মডেল। এটি 16B প্যারামিটারের অটোরিগ্রেসিভ ডিফিউশন আর্কিটেকচারের ওপর ভিত্তি করে তৈরি এবং 720P রেজোলিউশনে 30FPS ইনফারেন্স গতি অর্জন করে। মডেলটি যেকোনো দৈর্ঘ্যের ভিডিওতে স্থিতিশীল স্ট্রিমিং এডিটিং সমর্থন করে। ব্যবহারকারীরা ভিডিও চলার সময় স্বাভাবিক ভাষার নির্দেশের মাধ্যমে মানুষ, দৃশ্য, স্টাইল ও বস্তু রিয়েল টাইমে পরিবর্তন করতে পারেন, সম্পূর্ণ ভিডিও তৈরি হওয়ার জন্য অপেক্ষা করার প্রয়োজন হয় না। OpenVE-Bench মূল্যায়নে মডেলটি সব স্ট্রিমিং এডিটিং পদ্ধতিকে ছাড়িয়ে প্রতিটি সূচকে এগিয়ে রয়েছে এবং embodied intelligence-এর জন্য বৃহৎ পরিসরে ডেটা সংশ্লেষণের পথও তৈরি করতে পারে।00
Orchard – মাইক্রোসফট রিসার্চের ওপেন-সোর্স Agentic AI মডেলিং ফ্রেমওয়ার্কAI এজেন্টOrchard – মাইক্রোসফট রিসার্চের ওপেন-সোর্স Agentic AI মডেলিং ফ্রেমওয়ার্ক। এই ফ্রেমওয়ার্কের মূলভিত্তি Kubernetes-ভিত্তিক Orchard Env পরিবেশ পরিষেবা। এটি সফটওয়্যার ইঞ্জিনিয়ারিং, ব্রাউজার নেভিগেশন এবং ব্যক্তিগত সহকারী, এই তিনটি প্রধান ক্ষেত্রে বিভিন্ন ডোমেইনে স্যান্ডবক্স পুনর্ব্যবহার করে ডেটা ডিস্টিলেশন, রিইনফোর্সমেন্ট লার্নিং rollout এবং মূল্যায়ন সমর্থন করে। এতে সম্পূর্ণ SFT + RL প্রশিক্ষণ রেসিপি, 107Kটি SWE ট্রাজেক্টরি এবং 3,070টি GUI মাল্টিমোডাল rollout ডেটা রয়েছে। Codex, OpenClaw-এর মতো বাস্তব harness-এ সরাসরি end-to-end প্রশিক্ষণও চালানো যায়। Agent গবেষণায় নিয়োজিত একাডেমিক ও শিল্পপ্রতিষ্ঠানের দলগুলোর জন্য Orchard কম কম্পিউটিং ও হোস্টিং খরচে কাজ করে এবং cross-harness সাধারণীকরণ সক্ষমতার মাধ্যমে ছোট মডেলকে frontier পারফরম্যান্সের কাছাকাছি পৌঁছাতে সহায়তা করে।00
Alpamayo 2 Super – NVIDIA-এর ওপেন-সোর্স স্বয়ংচালিত AI ইনফারেন্স মডেলএআই প্রোগ্রামিংAlpamayo 2 Super হলো NVIDIA-এর ওপেন-সোর্স স্বয়ংচালিত AI ইনফারেন্স মডেল, যা NVIDIA Cosmos 3 Super Reasoner-এর ওপর নির্মিত। এতে 360° পরিবেশ অনুধাবন, উন্নত ড্রাইভিং সিদ্ধান্ত এবং স্বয়ংক্রিয় রিজনিং লেবেল তৈরির সক্ষমতা রয়েছে। মডেলটি LingoQA স্বয়ংচালিত রিজনিং বেঞ্চমার্কে প্রথম স্থান অর্জন করেছে এবং OpenMDW-1.1 উদার লাইসেন্সের অধীনে সূক্ষ্ম সমন্বয়, ডেরিভেটিভ তৈরি ও বাণিজ্যিক পুনর্বিতরণ সমর্থন করে। পাশাপাশি ক্লাউড ডেভেলপমেন্ট ও গাড়িতে ডিস্টিলেশন স্থাপনার জন্য Alpamayo 1.5 / 1 সংস্করণও প্রদান করা হয়, যা Robotaxi ও স্বয়ংচালিত গাড়ি খাতের জন্য উপযোগী।00
wigoloAI এজেন্টwigolo হলো একটি ওপেন সোর্স লোকাল সার্চ টুল, যা MCP-এর মাধ্যমে Claude Code, Cursorসহ বিভিন্ন প্রোগ্রামিং Agent-এর সঙ্গে সংযুক্ত হয়। কোনো API Key প্রয়োজন নেই; সম্পূর্ণ বিনামূল্যে লোকালভাবে সার্চ, ওয়েবপেজ সংগ্রহ, সম্পূর্ণ সাইট ক্রল, কাঠামোবদ্ধ ডেটা আহরণ,...00
MemHarness – সাংহাই AI Lab প্রমুখের তৈরি এজেন্ট মেমরি পুনর্গঠন ফ্রেমওয়ার্কAI এজেন্টMemHarness হলো সাংহাই AI Lab, ঝেজিয়াং বিশ্ববিদ্যালয়, ফুদান বিশ্ববিদ্যালয়, সাংহাই জিয়াও টং বিশ্ববিদ্যালয়সহ বিভিন্ন উচ্চশিক্ষা প্রতিষ্ঠানের যৌথভাবে তৈরি LLM Agent মেমরি পুনর্গঠন ফ্রেমওয়ার্ক। এটি তথ্য পুনরুদ্ধার ও অ্যাকশনের মধ্যে সমালোচনা এবং পুনর্গঠন ধাপ যুক্ত করে। বর্তমান কনটেক্সটের সঙ্গে মিলিয়ে অতীত অভিজ্ঞতা সংরক্ষণ, পুনর্লিখন বা বাতিল করা হয়। GRPO-এর মাধ্যমে সম্পূর্ণ এন্ড-টু-এন্ড প্রশিক্ষণ দেওয়া যায় এবং অতিরিক্ত মানব-লেবেলিংয়ের প্রয়োজন হয় না। ফ্রেমওয়ার্কটি মেমরি পুনরুদ্ধার, সমালোচনা ও পুনর্গঠন, অ্যাকশন তৈরি, অভিজ্ঞতা পুনঃলিখন এবং ছাঁটাইসহ সম্পূর্ণ প্রক্রিয়া সমর্থন করে এবং পাঁচ ধাপের সিদ্ধান্ত গ্রহণ প্রক্রিয়া প্রদান করে। এর 7B প্যারামিটারের মডেল ALFWorld ও WebShop-এ যথাক্রমে Gemini-2.5-Pro-এর তুলনায় 23.1% ও 39.7% বেশি সফলতা অর্জন করেছে এবং ডিস্ট্রিবিউশনের বাইরের পরিস্থিতিতে গড় সফলতার হার 85.9% এ পৌঁছেছে। এটি এমবডিড ইন্টেলিজেন্স গৃহস্থালি কাজ, স্বায়ত্তশাসিত অনলাইন কেনাকাটা, বুদ্ধিমান কাস্টমার সার্ভিস, কোড সহায়তায় উন্নয়নসহ বিভিন্ন ক্ষেত্রে প্রযোজ্য।10
ForgeStencil – 面壁智能推出的 Stencil 全自动研究部署系统AI এজেন্টForgeStencil – 面壁智能推出的 Stencil 全自动研究部署系统由面壁智能联合 OpenBMB 社区开发，采用 Kernel Agent 与 App Agent 双智能体闭环架构。可自主完成从优化策略发现、高性能 CUDA Kernel 合成到生产级应用集成验证的全流程，实现零人工介入。系统在一周内对 100 余个工业与科学计算软件完成端到端优化，中位加速比达 1.41 倍。覆盖油气勘探、电磁仿真、医学影像等 8 大工业与 5 大科学领域，显著降低 HPC 专家依赖与研发周期。00
dots.ttsএআই ভয়েস সিন্থেসিসdots.tts হলো Xiaohongshu-এর dots টিম ও Shanghai Jiao Tong University-এর X-LANCE Laboratory-এর যৌথভাবে উন্মুক্ত করা ২ বিলিয়ন প্যারামিটারের সম্পূর্ণ-ধারাবাহিক অটোরিগ্রেসিভ স্পিচ সিন্থেসিস বেস মডেল। মডেলটি সরাসরি ধারাবাহিক ল্যাটেন্ট স্পেসে 48kHz অডিও ধাপে ধাপে তৈরি করে, ...00
ShieldstralAI বুদ্ধিমান প্রশ্নোত্তরShieldstral – Mistral AI-এর ওপেন-সোর্স মাল্টিমোডাল কনটেন্ট সেফটি ক্লাসিফিকেশন মডেল হলো Mistral AI-এর তৈরি 3B প্যারামিটারের ওপেন-সোর্স মাল্টিমোডাল কনটেন্ট সেফটি ক্লাসিফিকেশন মডেল, যা Ministral-3B-এর ওপর নির্মিত। মডেলটি প্রচলিত নির্দিষ্ট শ্রেণিভিত্তিক কনটেন্ট মডারেশনকে বাইনারি প্রশ্নোত্তর কাজে পুনঃসংজ্ঞায়িত করে। এটি প্রাকৃতিক ভাষার প্রশ্নের মাধ্যমে রিয়েল-টাইমে মডারেশন নীতি নির্ধারণ করতে পারে এবং পুনঃপ্রশিক্ষণ ছাড়াই বিভিন্ন পরিস্থিতির সঙ্গে মানিয়ে নিতে পারে। টেক্সট সেফটি বেঞ্চমার্কে মডেলটির গড় F1 84.9% এবং মাল্টিমোডাল সেফটি F1 83.8%, উভয়ই SOTA। এটি মাত্র একটি 16GB GPU-তে স্থাপন করা যায় এবং 12টি ভাষা সমর্থন করে। এর মূল বৈশিষ্ট্যের মধ্যে রয়েছে নীতির সঙ্গে অভিযোজিত মডারেশন, মাল্টিমোডাল সমন্বিত শনাক্তকরণ, সূক্ষ্ম স্তরের লঙ্ঘন শনাক্তকরণ, ক্যালিব্রেটেড সেফটি স্কোর এবং হালকা এজ-ডিভাইস স্থাপন। এটি সামাজিক প্ল্যাটফর্মের কনটেন্ট ঝুঁকি নিয়ন্ত্রণ, AI কথোপকথনের নিরাপত্তা, বিজ্ঞাপন ও বিপণন অনুবর্তিতা, অনলাইন শিক্ষার কনটেন্ট ফিল্টারিং এবং কর্পোরেট নথির নিরাপত্তা নিরীক্ষার মতো ক্ষেত্রে ব্যবহার করা যায়।00
PAST-BenchAI এজেন্টPAST-Bench হলো প্রিন্সটন বিশ্ববিদ্যালয়ের ওয়াং মেংদি দলের তৈরি একটি বেঞ্চমার্ক, যা ব্যক্তিগত AI Agent-এর পুনরাবৃত্তিমূলক স্ব-উন্নয়নের সক্ষমতা যাচাই করতে ব্যবহৃত হয়। PAST-Bench স্মৃতিসহ ও স্মৃতিবিহীন অবস্থায় কাজের পারফরম্যান্স তুলনা করে,判...00
PixelRAGডেভেলপমেন্ট প্ল্যাটফর্মPixelRAG হলো বার্কলের SkyLab/BAIR-এর ওপেন-সোর্স ভিজ্যুয়াল-নেটিভ RAG ফ্রেমওয়ার্ক। এটি ওয়েবপেজকে টেক্সটে রূপান্তর করে পুনরুদ্ধারের প্রচলিত পদ্ধতি এড়িয়ে ব্রাউজার ব্যবহার করে ওয়েবপেজ ও PDF-কে স্ক্রিনশট টাইল হিসেবে রেন্ডার করে, LoRA ফাইন-টিউন করা...00
LTX-2.5এআই ভিডিও জেনারেশনLTX-2.5 হলো LTX-এর ওপেন-সোর্স AI ভিডিও জেনারেশন বেস মডেল, যাতে 22B প্যারামিটার রয়েছে এবং প্রকাশের সময়ই ওজন উন্মুক্ত করা হয়েছে। মডেলটি নেটিভ মাল্টি-শট জেনারেশন, 4K HDR ও RAW/EXR পেশাদার ওয়ার্কফ্লো সমর্থন করে, একই সঙ্গে অডিওও তৈরি করতে পারে,具...00
HOMIEএআই ভিডিও জেনারেশনHOMIE হলো হংকং ইউনিভার্সিটি অব সায়েন্স অ্যান্ড টেকনোলজি ওপেন-সোর্স করা ডিজিটাল হিউম্যান ভিডিও জেনারেশন ফ্রেমওয়ার্ক, যা Wan2.1-T2V-14B ব্যাকবোন নেটওয়ার্কের ওপর ভিত্তি করে তৈরি এবং Qwen3-VL মাল্টিমোডাল বড় ভাষা মডেল সমন্বিত। ফ্রেমওয়ার্কটি ডিজিটাল হিউম্যান+পণ্য+Logo+টেক্সট—এই চারটি উপাদান একসঙ্গে প্রক্রিয়া করতে পারে, ...00
Palmier ProAI ভিডিও এডিটিংPalmier Pro AI যুগের জন্য তৈরি একটি macOS নেটিভ ভিডিও এডিটর, যা Swift দিয়ে শূন্য থেকে নির্মিত, ওপেন সোর্স এবং এর মৌলিক ফিচারগুলো বিনামূল্যে। পণ্যটি জেনারেটিভ AI-কে সরাসরি টাইমলাইনে যুক্ত করে এবং Seedance, Kling ... সমর্থন করে00
MindMemOS – হুয়াওয়ে নোয়া'স আর্ক ল্যাবের ওপেন সোর্স AI Agent মেমরি অপারেটিং সিস্টেমAI এজেন্টMindMemOS – হুয়াওয়ে নোয়া'স আর্ক ল্যাবের ওপেন সোর্স AI Agent মেমরি অপারেটিং সিস্টেম। দীর্ঘমেয়াদি মেমরি ব্যবস্থাপনা প্রয়োজন এমন Agent-দের জন্য এটি একটি ওপেন সোর্স ও পুনর্ব্যবহারযোগ্য মেমরি স্তর সরবরাহ করে। এটি entity-attribute-time-এর ত্রিমাত্রিক কাঠামো ব্যবহার করে মেমরিকে একক Agent থেকে আলাদা একটি ফ্রেমওয়ার্ক-স্বাধীন সম্পদে রূপান্তর করে। Dreaming অফলাইন সংগঠন, Feedback সংশোধন এবং Skill Evolution স্বয়ংক্রিয় বিবর্তনের মতো প্রক্রিয়ার মাধ্যমে মেমরির ধারাবাহিক অপ্টিমাইজেশন করা হয়। সিস্টেমটি দ্বৈত-মোড মেমরি লেখা (MindVanilla, MindSchema) এবং বহু-পথ Compact Search রিট্রিভাল সরবরাহ করে। Docker লোকাল ডিপ্লয়মেন্ট, ক্লাউড API, Python SDK, CLI সহ বিভিন্ন সংযোগপদ্ধতি সমর্থন করে। 94%-এর বেশি স্ট্রাকচার্ড রিকল নির্ভুলতা এবং কমপ্রেসড মেমরি ব্যবহারের পর প্রশ্নোত্তর নির্ভুলতা 10% বৃদ্ধির মাধ্যমে এটি ব্যক্তিগত সহকারী, বহু-Agent সহযোগিতা এবং জটিল অফিস অটোমেশনের মতো পরিস্থিতিতে ডেভেলপারদের সেশনজুড়ে তথ্য ভাগাভাগি ও কাজের দক্ষতা বাড়াতে সহায়তা করে।00
Nemotron 3.5 LightningAI এজেন্টNemotron 3.5 Lightning হলো NVIDIA-এর তৈরি 30B প্যারামিটারের একটি ওপেন-সোর্স MoE মডেল, যা বিশেষভাবে মাল্টি-এজেন্ট সিস্টেমের জন্য অপ্টিমাইজ করা হয়েছে। একই ধরনের মডেলের তুলনায় আউটপুটের গতি 4 গুণ বেশি এবং এজেন্টের কাজ সম্পন্ন করার গতি 30% বেড়েছে, ...00
Wan-Animate-2 – 万相团队开源的新一代角色动画模型অ্যানিমেশন তৈরিWan-Animate-2 হলো 万相 টিমের ওপেন-সোর্স করা নতুন প্রজন্মের চরিত্র অ্যানিমেশন মডেল। Wan-Animate-এর একটি বড় আর্কিটেকচারাল আপগ্রেড হিসেবে এটি end-to-end দ্বৈত-শাখা DiT ব্যবহার করে এবং স্পষ্ট পোজ কঙ্কালের প্রয়োজন ছাড়াই রেফারেন্স ভিডিও থেকে মোশন prior ধারণ করতে পারে। এটি ড্রাইভিং ভিডিও থেকে চরিত্র অ্যানিমেশন, পরিচয় ও চেহারা সংরক্ষণ এবং টেক্সট-চালিত ভিউ নিয়ন্ত্রণ সমর্থন করে। এতে Base উচ্চমানের এবং Distillation কম-ধাপের দুটি ইনফারেন্স মোড রয়েছে। রিয়েল-টাইম স্ট্রিমিং চরিত্র অ্যানিমেশনের জন্য Lite ভ্যারিয়েন্টও প্রকাশ করা হয়েছে। মডেলটি ভার্চুয়াল অ্যাঙ্কর, শর্ট-ভিডিও নির্মাণ ও ডিজিটাল মানবসহ বিভিন্ন ক্ষেত্রে উপযোগী; এর লক্ষ্য একসঙ্গে মোশনের বিশ্বস্ততা ও পরিচয়ের সামঞ্জস্য বাড়ানো এবং জেনারেশন লেটেন্সি কমানো।00
SenseNova U1.5-Lite-Preview – শাংথাং-এর ওপেন-সোর্সড হালকা মাল্টিমোডাল মডেলAI বড় মডেলSenseNova U1.5-Lite-Preview – শাংথাং-এর ওপেন-সোর্সড হালকা মাল্টিমোডাল মডেলটি NEO-Unify আর্কিটেকচারের ওপর ভিত্তি করে তৈরি। 8B-MoT প্যারামিটারের মাধ্যমে এটি ভিশন বোঝা, যুক্তি, জেনারেশন ও এডিটিংকে একটি স্বাভাবিক ইউনিফায়েড কাঠামোয় একত্র করে। মডেলটি স্বাভাবিকভাবে 4K আল্ট্রা-হাই-ডেফিনিশন ছবি তৈরি করতে পারে এবং সূক্ষ্ম টেক্সচার, বাস্তবসম্মত উপাদানগত বৈশিষ্ট্য এবং চীনা ও ইংরেজি জটিল লেআউটের টেক্সট রেন্ডারিং সমর্থন করে। এতে থাকা Prompt Enhance Skill সৃষ্টির বাধা কমায়, দীর্ঘ প্রাকৃতিক ভাষা ও কাঠামোবদ্ধ ভিজ্যুয়াল নির্দেশনা নির্ভুলভাবে অনুসরণ করতে পারে এবং ধারাবাহিক পুনরাবৃত্তিমূলক এডিটিং সমর্থন করে। ডিজাইনার, ডেভেলপার ও কনটেন্ট নির্মাতাদের জন্য এটি কম ডিপ্লয়মেন্ট খরচ এবং উচ্চ নির্দেশনা-অনুসরণ ক্ষমতাসম্পন্ন বাণিজ্যিক মানের ভিজ্যুয়াল ক্রিয়েশন টুল।10
IndexTTS-2.5এআই ভয়েস সিন্থেসিসIndexTTS-2.5 হলো Bilibili-এর ওপেন-সোর্স করা শিল্পমানের জিরো-শট ভয়েস ক্লোনিং মডেল। এতে মাত্র 0.8B প্যারামিটার রয়েছে এবং চীনা, ইংরেজি, জাপানি, স্প্যানিশ ও আরবি ভাষায় আন্তভাষিক স্থানান্তর সমর্থন করে।00
MAGI-2-preview – Sand.ai-এর ওপেন সোর্স মাল্টিমোডাল ভিডিও জেনারেশন মডেলএআই ভিডিও জেনারেশনMAGI-2-preview – Sand.ai-এর ওপেন সোর্স মাল্টিমোডাল ভিডিও জেনারেশন মডেল হলো Sand.ai-এর ওপেন সোর্স করা বিশ্বের প্রথম ১০০ বিলিয়ন-স্তরের MoE মাল্টিমোডাল ভিডিও জেনারেশন মডেল; এতে মোট 114B প্যারামিটার রয়েছে, যার মধ্যে সক্রিয় হয় মাত্র 6B। মডেলটি সিঙ্গেল-স্ট্রিম আর্কিটেকচার বজায় রেখে টেক্সট, ভিডিও ও অডিওকে একই Transformer-এ যৌথভাবে মডেল করে এবং নেটিভ মাল্টিমোডাল জেনারেশন সক্ষম করে। এর মূল সুবিধার মধ্যে রয়েছে টেক্সট, ছবি ও ভিডিও-টু-ভিডিও জেনারেশন এবং নেটিভ অডিও বোঝাপড়ার সমন্বয়। MoE-এর স্পার্স অ্যাক্টিভেশনের মাধ্যমে ইনফারেন্স খরচ উল্লেখযোগ্যভাবে কমানো হয়। AI গবেষক, ডেভেলপার ও এন্টারপ্রাইজ প্রযুক্তি দলের জন্য তৈরি এই মডেলটি একাডেমিক গবেষণা, প্রাইভেট ডিপ্লয়মেন্ট এবং মাল্টিমোডাল চলচ্চিত্র প্রিভিজুয়ালাইজেশনের মতো কাজে ব্যবহারযোগ্য। এটি বাণিজ্যিকভাবে ব্যবহারযোগ্য একটি ওপেন সোর্স ও দক্ষ ভিডিও জেনারেশন সমাধান।00
Qwen-CUA – আলি Qwen-এর নেতৃত্বে প্রকাশিত নেটিভ Computer Use AgentAI এজেন্টQwen-CUA – আলি Qwen-এর নেতৃত্বে প্রকাশিত নেটিভ Computer Use Agent, যা 397B-A17B Mixture-of-Experts আর্কিটেকচারের ওপর ভিত্তি করে তৈরি। এটি শুধু স্ক্রিনশটের মাধ্যমে ইন্টারফেসের অবস্থা উপলব্ধি করে এবং DOM ট্রি বা অ্যাক্সেসিবিলিটি মেটাডেটার ওপর নির্ভর না করে সরাসরি কীবোর্ড ও মাউস ইভেন্ট তৈরি করে ব্রাউজার, ডেস্কটপ এবং পেশাদার সফটওয়্যার নিয়ন্ত্রণ করতে পারে। OSWorld-Verified বেঞ্চমার্কে এটি 86.2 স্কোর অর্জন করেছে, আর বড় সংস্করণ Qwen-CUA-Max পেয়েছে 87.6 স্কোর, যা ওপেন-সোর্স CUA ক্ষেত্রে শীর্ষস্থানীয় ফলাফল। এন্ড-টু-এন্ড ভিশন-অ্যাকশন প্রশিক্ষণের মাধ্যমে এটি বিভিন্ন প্ল্যাটফর্মে সাধারণভাবে ব্যবহারযোগ্যতা ও উচ্চ স্থিতিশীলতা প্রদান করে। প্রযুক্তিগত প্রতিবেদন ও Demo ইতিমধ্যে ওপেন সোর্স করা হয়েছে এবং এটি স্বয়ংক্রিয় পরীক্ষা, RPA, অ্যাক্সেসিবিলিটি সহায়তা ও গবেষণা সফটওয়্যার নিয়ন্ত্রণসহ বিভিন্ন কাজে উপযোগী।00
SALMONN-2 – ছিংহুয়া প্রভৃতি প্রতিষ্ঠানের উন্মুক্ত সাধারণ অডিও বৃহৎ ভাষা মডেলএআই প্রোগ্রামিংSALMONN-2 – ছিংহুয়া প্রভৃতি প্রতিষ্ঠানের উন্মুক্ত সাধারণ অডিও বৃহৎ ভাষা মডেল হলো বাইটড্যান্সের SPEAR একীভূত স্ব-তত্ত্বাবধানভিত্তিক অডিও এনকোডার ও বহুপদী বৈশিষ্ট্য-সমন্বয় অ্যাডাপ্টারের ওপর নির্মিত, Qwen3-কে টেক্সট ভিত্তি হিসেবে ব্যবহার করা একটি সাধারণ অডিও বৃহৎ ভাষা মডেল। এটি বক্তৃতা শনাক্তকরণ, অডিও বর্ণনা, সংগীত অনুধাবন, আবেগ শনাক্তকরণ, বক্তা যাচাইকরণসহ বিভিন্ন ক্ষেত্রের কাজ সমর্থন করে। পাশাপাশি, সাধারণ ALLM-এ প্রথমবারের মতো শব্দ-ঘটনা শনাক্তকরণ, অডিও জালিয়াতি শনাক্তকরণ, বক্তৃতার গুণমান মূল্যায়ন এবং বহুমাত্রিক প্রাসঙ্গিক বক্তৃতা শনাক্তকরণের মতো উন্নত সক্ষমতা পদ্ধতিগতভাবে বাস্তবায়ন করেছে। মডেলটি প্রচলিত দ্বৈত এনকোডার পদ্ধতির পরিবর্তে একটি একক SPEAR এনকোডার ব্যবহার করে এবং MLF অ্যাডাপ্টারের মাধ্যমে বহুস্তরের ধ্বনিতাত্ত্বিক বৈশিষ্ট্য একত্র করে, ফলে বিভিন্ন ক্ষেত্রে আরও ভারসাম্যপূর্ণ কর্মদক্ষতা অর্জন করে। মাত্র প্রায় 1.8万 ঘণ্টা তত্ত্বাবধানভিত্তিক ডেটায় দক্ষ প্রশিক্ষণের মাধ্যমে SALMONN-2 MMAU-Pro, MMAR ও MMSU—এই তিনটি সামগ্রিক বেঞ্চমার্কে একই আকারের উন্মুক্ত মডেলগুলোর মধ্যে সেরা ফল করেছে। এটি স্মার্ট মিটিং সহকারী, অডিও কনটেন্ট পর্যালোচনা এবং বক্তৃতার গুণমান পর্যবেক্ষণের মতো কাজে ব্যবহারযোগ্য।00
Muse Glimmer – Meta-এর ওপেন-সোর্স ৩০ বিলিয়ন প্যারামিটারের বৃহৎ ভাষা মডেলAI এজেন্টMuse Glimmer হলো Meta-এর ওপেন-সোর্স ৩০ বিলিয়ন প্যারামিটারের বৃহৎ ভাষা মডেল, যা সার্বক্ষণিক স্থানীয়ভাবে চালু Agent ওয়ার্কফ্লোর জন্য গভীরভাবে অপ্টিমাইজ করা হয়েছে। 4bit কোয়ান্টাইজেশন প্রযুক্তির মাধ্যমে মডেলটি 24GB ভিডিও মেমরির একক GPU বা 32GB ইউনিফায়েড মেমরির Apple Silicon (M4/M5 Max)-এ সাবলীলভাবে চলতে পারে, যেখানে কর্মক্ষমতার অবনতি প্রায় নেই। DFlash স্পেকুলেটিভ ডিকোডিং সমন্বিত থাকায় RTX 5090-এর মতো উচ্চক্ষমতার হার্ডওয়্যারে সর্বোচ্চ 3.1 গুণ গতি বৃদ্ধি সম্ভব। এটি রিয়েল-টাইম কথোপকথন, টুল কল, কোড জেনারেশন এবং বহু-ধাপের রিজনিংসহ মাল্টিমোডাল কাজ সমর্থন করে। ব্যক্তিগত ডেভেলপার, ছোট ও মাঝারি প্রতিষ্ঠান এবং ডেটা গোপনীয়তার উচ্চ চাহিদাসম্পন্ন চিকিৎসা ও আর্থিক খাতের জন্য উপযোগী। এটি কম ভিডিও মেমরি প্রয়োজনীয়তায় স্থানীয় উচ্চক্ষমতার AI সুবিধা দেয় এবং সব ডেটা ডিভাইসের মধ্যেই রাখে।00
Hunyuan3D-Buffalo 1.0 – টেনসেন্ট হুনইয়ান推出 3D মাল্টিমোডাল ফ্রেমওয়ার্ক3D ডিজাইনHunyuan3D-Buffalo 1.0 – টেনসেন্ট হুনইয়ান推出 3D মাল্টিমোডাল ফ্রেমওয়ার্ক হলো টেনসেন্ট হুনইয়ান推出 একটি একীভূত 3D মাল্টিমোডাল ফ্রেমওয়ার্ক। শেয়ার করা Hunyuan3D-VLM ব্যাকবোনের মাধ্যমে এটি 3D প্রশ্নোত্তর, স্থানিক অবস্থান নির্ধারণ, টেক্সট-টু-3D, নির্দেশনাভিত্তিক সম্পাদনা এবং কম্পোনেন্ট জেনারেশনকে একটি একক ওয়ার্কফ্লোতে একীভূত করে। এই ফ্রেমওয়ার্ক প্রাকৃতিক ভাষার মাধ্যমে 3D মডেলের কাঠামো বোঝা, কম্পোনেন্ট শনাক্ত করা, নির্দেশনা অনুযায়ী স্থানীয় জ্যামিতি পরিবর্তন করা এবং অর্থবোধক কম্পোনেন্ট বের করা সমর্থন করে। এর লক্ষ্য হলো 3D বোঝাপড়া, জেনারেশন ও সম্পাদনার মধ্যে একটি পূর্ণাঙ্গ চক্র তৈরি করা এবং গেম, অ্যানিমেশন ও শিল্প-নকশার জন্য সমন্বয়যোগ্য 3D অ্যাসেট উৎপাদন ব্যবস্থা প্রদান করা। মূল বৈশিষ্ট্যের মধ্যে রয়েছে 3D বোঝাপড়া, টেক্সট-টু-3D, নির্দেশনাভিত্তিক সম্পাদনা এবং কম্পোনেন্ট জেনারেশন। এই চার ধরনের কাজ একই 3D অর্থবোধক উপস্থাপনা ও প্রসেসিং পাইপলাইন ভাগ করে। এটি গেম ডেভেলপার, অ্যানিমেশন নির্মাতা, শিল্প-নকশাবিদ এবং 3D কনটেন্ট নির্মাতাদের জন্য উপযোগী। প্রাকৃতিক ভাষায় মিথস্ক্রিয়ার মাধ্যমে এটি পেশাগত দক্ষতার বাধা কমায় এবং অ্যাসেট পুনর্ব্যবহার ও পুনরাবৃত্তি-ভিত্তিক উন্নয়নের দক্ষতা বাড়ায়।00
ShotcutAI ভিডিও এডিটিংShotcut হলো FFmpeg-ভিত্তিক ওপেন-সোর্স ভিডিও এডিটিং সফটওয়্যার, সম্পূর্ণ বিনামূল্যে এবং কোনো ওয়াটারমার্ক বা সময়সীমা নেই। সফটওয়্যারটি আমদানি ছাড়াই শত শত অডিও-ভিডিও ফরম্যাট সরাসরি সম্পাদনা, মাল্টিট্র্যাক টাইমলাইন, কীফ্রেম অ্যানিমেশন, সমৃদ্ধ...00
WorldClaw – Tencent Hunyuan দলের তৈরি 3D বিশ্ব-উৎপাদন ফ্রেমওয়ার্ক3D ডিজাইনWorldClaw হলো Tencent Hunyuan দলের তৈরি Agent-চালিত ওপেন-ওয়ার্ল্ড 3D উৎপাদন ফ্রেমওয়ার্ক। ব্যবহারকারী একটি প্রাকৃতিক ভাষার বর্ণনা দিলে সিস্টেম স্বয়ংক্রিয়ভাবে ভূখণ্ড, অঞ্চল, ভবন, বস্তু এবং স্থানিক সম্পর্ক পরিকল্পনা করতে পারে। এটি বৈশ্বিক থেকে স্থানীয় পর্যায়ে উৎপাদন কৌশল ব্যবহার করে Blender-এ স্বাধীনভাবে অন্বেষণযোগ্য এবং প্রতিটি বস্তু আলাদাভাবে সম্পাদনাযোগ্য সম্পূর্ণ 3D দৃশ্য তৈরি করে। ফ্রেমওয়ার্কটি Claude Opus, GPT-Image-2, SAM3 এবং Hunyuan3D-সহ একাধিক মডেলের সমন্বয়ে পরিচালিত হয়। এতে ভিজ্যুয়াল Agent-এর স্বয়ংক্রিয় পরীক্ষা ও মেরামতের সক্ষমতা রয়েছে, যা ঝুলন্ত বস্তু বা একটির ভেতর অন্যটি ঢুকে যাওয়ার মতো সংস্পর্শজনিত সমস্যা স্বয়ংক্রিয়ভাবে সংশোধন করতে পারে।00
PyTorchAI প্রোগ্রামিং টুলPyTorch একটি ওপেন সোর্স মেশিন লার্নিং ফ্রেমওয়ার্ক, যার উদ্যোগ নিয়েছিল Meta AI গবেষণা দল এবং যা বর্তমানে Linux Foundation দ্বারা পরিচালিত। এটি মূলত কৃত্রিম বুদ্ধিমত্তা গবেষক, মেশিন লার্নিং প্রকৌশলী, ডেটা বিজ্ঞানী ও শিক্ষার্থীদের জন্য তৈরি। ব্যবহারকারীরা সাধারণত Python ব্যবহার করে মডেল এবং ফরোয়ার্ড কম্পিউটেশনের ধাপ নির্ধারণ করেন, এরপর টেনসর কম্পিউটেশন, স্বয়ংক্রিয় ডিফারেনশিয়েশন ও নিউরাল নেটওয়ার্ক মডিউলের সাহায্যে প্রশিক্ষণ সম্পন্ন করেন এবং সংশ্লিষ্ট ইকোসিস্টেম লাইব্রেরি ব্যবহার করে ভিশন, অডিও বা টেক্সটভিত্তিক কাজ পরিচালনা করেন। ডায়নামিক কম্পিউটেশন গ্রাফ পরীক্ষা-নিরীক্ষা ও ডিবাগিং সহজ করে এবং গবেষণা প্রোটোটাইপ থেকে মডেল ডিপ্লয়মেন্টের দিকে এগোনোর সুবিধা দেয়। বাস্তব ব্যবহারের জন্য Python, টেনসর অপারেশন ও ডিপ লার্নিংয়ের মৌলিক জ্ঞান প্রয়োজন; পরীক্ষামূলক কোডকে প্রোডাকশন পরিবেশে নেওয়ার সময় ইঞ্জিনিয়ারিং ডিপ্লয়মেন্ট ও রিসোর্স কনফিগারেশনও নিজেকেই সামলাতে হবে।057.6
Qwen 3.8-Max – আলিবাবা ক্লাউডের Qwen দলের তৈরি ফ্ল্যাগশিপ বৃহৎ মডেলAI বড় মডেলQwen 3.8-Max – আলিবাবা ক্লাউডের Qwen দলের তৈরি ফ্ল্যাগশিপ বৃহৎ মডেল। Qwen 3.5 আর্কিটেকচারের ওপর ভিত্তি করে এটি 2.4 ট্রিলিয়ন প্যারামিটারে সম্প্রসারিত হয়েছে এবং প্রতিষ্ঠান ও গবেষণার জন্য অতি-বৃহৎ ভাষা মডেল হিসেবে অবস্থান করছে। এটি দীর্ঘমেয়াদি স্বয়ংক্রিয় প্রোগ্রামিং, গবেষণাপত্র পুনরুৎপাদন, প্রতিযোগিতামূলক কাজ, অফিসের উৎপাদনশীলতা বৃদ্ধি, কোয়ান্ট কৌশল গবেষণা এবং চিপের স্বয়ংক্রিয় নকশাসহ নানা উচ্চমূল্যের ব্যবহারের ক্ষেত্র সমর্থন করে। বাস্তব বিশ্বের রিইনফোর্সমেন্ট লার্নিং এবং স্ব-বিবর্তনশীল ফিডব্যাক লুপের মাধ্যমে মডেলটি কয়েক দিন থেকে কয়েক দশ দিন পর্যন্ত স্বয়ংক্রিয়ভাবে কাজ সম্পাদন করতে পারে; জটিল কাজ শেষ করতে মানব হস্তক্ষেপের প্রয়োজন হয় না। ব্যবহারকারীরা Qianwen AI প্ল্যাটফর্মের OpenAI বা Anthropic প্রোটোকল-সমর্থিত API-এর মাধ্যমে এটি ব্যবহার করতে পারেন, অথবা স্থানীয়ভাবে ওপেন-সোর্স ওজন স্থাপন করতে পারেন। ফলে Claude Code, Codex, Qoder-এর মতো এজেন্ট ফ্রেমওয়ার্কে সহজে একীভূত করা যায়। গবেষণা-উন্নয়ন দল, আইন ও কমপ্লায়েন্স পেশাজীবী, ডিজাইনারসহ পেশাদার ব্যবহারকারীরা উল্লেখযোগ্যভাবে কাজের দক্ষতা বাড়াতে এবং দীর্ঘমেয়াদি প্রকল্পকে এক কথোপকথনের মধ্যেই সম্পন্ন করতে পারবেন।10এই ট্যাগযুক্ত সব টুল দেখানো হয়েছে।