Piccolo চালু আছে

Piccolo হলো আলির AgentScope দলের ওপেন-সোর্স করা সিদ্ধান্ত মডেল সিরিজ, যাতে 27B, 9B ও 4B—এই তিনটি আকার রয়েছে। Piccolo সরাসরি কাঠামোবদ্ধ সিদ্ধান্তের ফলাফল ও সম্ভাবনা আউটপুট দিতে পারে এবং এজেন্ট ওয়ার্কফ্লোর টুল নির্বাচন, অনুমতি যাচাই, ব্যর্থতা পুনরুদ্ধার ইত্যাদি ধাপে একীভূত করা যায়। এটি ডেটা প্রক্রিয়াকরণ ও গেমের রিয়েল-টাইম সিদ্ধান্তেও ব্যবহার করা যায়। 27B JevBench Public-এ 92.21% এবং Text Decision Index-এ 68.59% অর্জন করেছে। দলটি HarnessJevBench ও DataJevBench নামে দুটি নিজস্ব দৃশ্যপটভিত্তিক বেঞ্চমার্ক তৈরি ও ওপেন-সোর্স করেছে। গবেষণা ও উন্নয়নে পুনরাবৃত্তিমূলক স্ব-উন্নয়ন কাঠামো ব্যবহার করা হয়েছে; Research Agent ভুল প্রশ্ন বিশ্লেষণ করে এবং ডেটা পুনরাবৃত্তির মাধ্যমে মডেলকে ধারাবাহিকভাবে উন্নত করে।

টুল নির্বাচন: কাজ, প্রমাণ ও সীমাবদ্ধতার ভিত্তিতে সম্ভাব্য টুলগুলোর মধ্যে কোনটি কল করা হবে তা নির্ধারণ করে, যেমন ডেলিভারির তারিখ জানতে অর্ডার সিস্টেম নির্বাচন করা।
মডেল রাউটিং: একাধিক মডেল কাজটি সম্পন্ন করতে পারলে বাজেটসহ বিভিন্ন বিষয় বিবেচনা করে উপযুক্ত রিসোর্স নির্বাচন করে।
কনটেক্সট ও মেমোরি筛াই: গুরুত্বপূর্ণ তথ্য রেখে পুরোনো বা অপ্রাসঙ্গিক বিষয়বস্তু বাদ দেয়।
অনুমতি ও আস্থার যাচাই: অনুমতির সীমার মধ্যে সিদ্ধান্ত নেয়, যেমন শুধু খসড়া সংরক্ষণের অনুমতি থাকলে সরাসরি পাঠানোর বদলে সংরক্ষণ নির্বাচন করা।
সম্পন্নতার যাচাই ও ব্যর্থতা পুনরুদ্ধার: প্রমাণ অপর্যাপ্ত হলে আরও যাচাই করে এবং সাময়িক ত্রুটি হলে পুনরায় চেষ্টা করা উচিত কি না তা নির্ধারণ করে।
ডেটা প্রক্রিয়াকরণ সিদ্ধান্ত: পরিষ্কার ও ডুপ্লিকেট অপসারণের ক্রম নির্ধারণ, সারাংশের পদ্ধতি নির্বাচন, কোনো ফিল্ড অনুপস্থিত হলে অতিরিক্ত তথ্য চাওয়া এবং বাইরে পাঠানোর আগে ডেটা বেনামি করা প্রয়োজন কি না তা যাচাই করে।
গেমের রিয়েল-টাইম সিদ্ধান্ত: গেমের দৃশ্যের ভিত্তিতে চলাফেরা, আক্রমণ ও এড়িয়ে যাওয়ার মতো ধারাবাহিক কাজের জন্য কী-স্তরের নির্দেশনা দেয়; অ্যাকশন, পাজল ও বোর্ড গেম সমর্থন করে।

WeChat-এ ফলো করে “开源” লিখে উত্তর দিন, AI ওপেন-সোর্স প্রকল্পের গ্রুপে যোগ দিন
সিদ্ধান্ত ইন্টারফেসের ধরন: Piccolo একটি বিশেষায়িত বিচার-কম্পোনেন্ট। এটি ইনপুট হিসেবে “অবস্থা, প্রশ্ন, প্রার্থী” গ্রহণ করে। দ্বিমুখী prompt attention-এর মাধ্যমে প্রশ্ন ও প্রার্থীগুলোকে পরস্পরের রেফারেন্সে বিবেচনা করে, সরাসরি প্রার্থী token-এর logits থেকে প্রতিটি বিকল্পের সম্ভাবনা পড়ে এবং প্রোগ্রাম সরাসরি ব্যবহার করতে পারে এমন কাঠামোবদ্ধ সিদ্ধান্ত আউটপুট দেয়। পুরো প্রক্রিয়ায় কোনো জেনারেটেড টেক্সট তৈরি হয় না। এটি স্বাভাবিকভাবে Jev-সামঞ্জস্যপূর্ণ /v1/systemone endpoint ব্যবহার করে এবং inference path অপ্টিমাইজ করতে flex_twice ইনপুট বিন্যাসের সহায়তা নেয়।
একীভূত ডেটা ইঞ্জিনিয়ারিং: ওপেন-সোর্স কমিউনিটি থেকে সংগৃহীত 665 লাখ নমুনা দিয়ে প্রশিক্ষণ ডেটা শুরু করা হয়েছে। এতে শ্রেণিবিন্যাস, রিট্রিভাল, গাণিতিক যুক্তি, পছন্দ যাচাই ও টুল ব্যবহারসহ বিভিন্ন কাজ রয়েছে। সব ডেটা “অবস্থা, প্রশ্ন, প্রার্থী, লক্ষ্য বণ্টন” কাঠামোবদ্ধ সিদ্ধান্ত ফরম্যাটে সাজানো হয়েছে; হার্ড লেবেল ও সফট লেবেল একই supervision interface ব্যবহার করে। দলটি Data-Juicer-এর ভিত্তিতে 13টি annotation dimension ও 551টি পূর্বনির্ধারিত মানের semantic label system তৈরি করেছে। ডেটা পুলে যুক্ত করার আগে সব ডেটা ডুপ্লিকেটমুক্ত করা হয় এবং evaluation benchmark-এর সঙ্গে overlap আছে কি না পরীক্ষা করে বাদ দেওয়া হয়, যাতে প্রশিক্ষণ ও মূল্যায়ন আলাদা থাকে।
পুনরাবৃত্তিমূলক স্ব-উন্নয়ন চক্র: Research Agent গবেষণা ও উন্নয়ন পরিচালনা করে, যার মূল সংকেত হলো প্রতিটি প্রশ্নের KL loss। Semantic label অনুযায়ী ভাগ করে সারসংক্ষেপ করার পর, যেসব ডেটায় বিচ্যুতি ধারাবাহিকভাবে বেশি থাকে সেগুলোর উত্তর পুনরায় যাচাই করা হয়, কাছাকাছি উপকরণ খোঁজা হয় অথবা নির্দিষ্টভাবে আরও শর্তসমন্বয় তৈরি করা হয়। ইতিমধ্যে ভালোভাবে শেখা একই ধরনের নমুনা কম হারে নেওয়া হয় অথবা প্রতিনিধিত্বশীল replay হিসেবে রাখা হয়। নির্বাচন অনুপাত, পুনর্লিখন অডিট, নির্দিষ্টভাবে ডেটা তৈরি এবং কম-হারে sampling—এসব একত্র করে বিভিন্ন পরীক্ষামূলক পরিকল্পনা তৈরি করা হয়। Agentic Data Engineering একাধিক Agent-কে “পরিকল্পনা তৈরি → পরীক্ষা নির্মাণ → ফলাফল প্রতিক্রিয়া → নির্ণয় হালনাগাদ” ধারায় পরিচালনা করে। DataJuicer-Sandbox ডেটা প্রক্রিয়াকরণ, প্রশিক্ষণ ও মূল্যায়নকে সম্পাদনযোগ্য workflow-এ সাজায়; মানুষ শুধু লক্ষ্য, বাজেট ও ডেটার পরিসর নির্ধারণ করে।

অনলাইনে ব্যবহার: https://decisionplayground.agentscope.io/ ওয়েবসাইটে গিয়ে সরাসরি চেষ্টা করুন। ডাউনলোড ছাড়াই বিভিন্ন বিচারমূলক কাজে Piccolo-এর সিদ্ধান্তের কার্যকারিতা দেখা যাবে।
মডেল ডাউনলোড: Hugging Face থেকে প্রয়োজন অনুযায়ী 4B/9B/27B-এর সম্পূর্ণ weight অথবা BF16, Q8_0, Q4_K_M—এই তিন ধরনের GGUF বেছে নিন। GGUF ব্যবহার করলে প্রতিটি shard একই ডিরেক্টরিতে ডাউনলোড করতে হবে।
স্থানীয়ভাবে চালানো: সোর্স থেকে QwenPaw এবং Piccolo-সামঞ্জস্যপূর্ণ llama.cpp runtime ইনস্টল করুন। Models → QwenPaw Local → Decision models-এ GGUF ডাউনলোড করে Start চাপুন। এরপর Default models-এ গিয়ে নিশ্চিত করুন যে ডিফল্ট সিদ্ধান্ত মডেলটি সেটির দিকে নির্দেশ করছে।
স্বয়ংক্রিয় অনুমোদন চালু করা: সেশন মডেল মেনুতে Use decision model চালু করুন এবং টুল অনুমোদন সেটিংসে Decision Model Mode নির্বাচন করুন। Piccolo প্রতিটি টুল কল স্বয়ংক্রিয়ভাবে যাচাই করবে এবং মানব অনুমোদনে ফিরে যাওয়ার ব্যবস্থা বজায় রাখবে।
কনটেক্সট কম্প্রেশন চালু করা: Context Compaction চালু করার পর Decision Model Compaction সুইচটি চালু করুন। কনটেক্সটের চাপ বাড়লে Piccolo কোন টুলের ফলাফল কম-প্রাসঙ্গিক এবং কম্প্রেস করা যায় তা নির্ধারণ করবে।
API-এর মাধ্যমে সংযুক্ত করা: নিজস্ব workflow-এ একীভূত করতে চাইলে repository-এর inference/ ডিরেক্টরির reference inference implementation এবং examples/ ডিরেক্টরির ন্যূনতম request example দেখুন। নেটিভ /v1/systemone endpoint কল করে “অবস্থা, প্রশ্ন, প্রার্থী” ফরম্যাটে request পাঠান এবং কাঠামোবদ্ধ সিদ্ধান্ত ও সম্ভাবনা পার্স করুন।
ডেমো replay দেখা: repository clone করার পর arena/ ডিরেক্টরির interactive Arena চালান। 《绝区零》-এর যুদ্ধসহ নয়টি সংরক্ষিত replay-তে বিরতি দেওয়া, টেনে সরানো এবং প্রতিটি সিদ্ধান্তের প্রার্থী-সম্ভাবনা একে একে দেখা যাবে।

সম্পূর্ণ আকারে ওপেন-সোর্স এবং উদার লাইসেন্স: 4B, 9B ও 27B—তিনটি মডেলের সম্পূর্ণ weight Apache-2.0 লাইসেন্সে প্রকাশিত হয়েছে। সম্পূর্ণ weight-এর পাশাপাশি তিন ধরনের GGUF দেওয়া হয়েছে, যা ক্লাউড থেকে স্থানীয় পরিবেশ পর্যন্ত বিভিন্ন deployment scenario সমর্থন করে।
ছোট আকারে উল্লেখযোগ্য কার্যকারিতা: 4B মডেলই JevBench Public-এ 87.01% এবং Decision Index-এ 58.00 অর্জন করে, যা অধিকাংশ প্রতিযোগীর 9B স্তরের চেয়েও বেশি। এটি সিদ্ধান্ত মডেলের ঘন ঘন ব্যবহার ও খরচ-সংবেদনশীল প্রয়োজনের সঙ্গে সামঞ্জস্যপূর্ণ।
মূল্যায়নে এগিয়ে: 27B JevBench Public-এ 92.21% এবং Decision Index-এ 68.59 অর্জন করেছে। দলের 11টি মডেলের তুলনায় HarnessJevBench, DataJevBench ও JevBench—তিনটিতেই প্রথম হয়েছে।
কম-বিলম্বের সিদ্ধান্ত ইন্টারফেস: প্রার্থী token-এর logits সরাসরি পড়ে কাঠামোবদ্ধ ফলাফল ও সম্ভাবনা ফেরত দেয়। দ্বিমুখী attention ও flex_twice বিন্যাসের সঙ্গে এটি workflow-এর ঘন ঘন বিচারমূলক ধাপে একীভূত করার জন্য স্বাভাবিকভাবেই উপযোগী।
আলি ইকোসিস্টেমে সহজ সংযুক্তি: মডেলটি ModelScope-এ হোস্ট করা হয়েছে এবং QwenPaw-এর মূল শাখায় একীভূত হয়েছে। এক ক্লিকেই টুলের স্বয়ংক্রিয় অনুমোদন ও কনটেক্সট কম্প্রেশন চালু করা যায়। AgentScope framework একই উৎসের হওয়ায় ব্যবহার শুরু করার পথ সংক্ষিপ্ত।
সম্পূর্ণ স্ট্যাকের ইঞ্জিনিয়ারিং উন্মুক্ত: পুনরাবৃত্তিমূলক স্ব-উন্নয়ন ডেটা pipeline, HarnessJevBench ও DataJevBench—এই দুটি দৃশ্যপটভিত্তিক benchmark সম্পূর্ণ ওপেন-সোর্স। কমিউনিটি এগুলো পুনরুৎপাদন ও উন্নয়নে অবদান রাখতে পারে।

প্রকল্পের ওয়েবসাইট: https://decisionplayground.agentscope.io/
GitHub repository: https://github.com/agentscope-ai/Piccolo

Agent-এর টুল স্বয়ংক্রিয় অনুমোদন: QwenPaw বা নিজস্ব Agent runtime-এ একীভূত করে প্রতিটি টুল কলের বিচার করা যায়। শুধু-পঠন অপারেশন অনুমোদন, overwrite-এর মতো ধ্বংসাত্মক কমান্ড আটকানো এবং মানুষের একে একে অনুমোদনের প্রয়োজন কমানো সম্ভব।
কনটেক্সট কম্প্রেশন ও মেমোরি筛াই: কনটেক্সটের চাপ বাড়লে কোন পুরোনো বার্তা ও টুলের ফলাফল কম-প্রাসঙ্গিক তা নির্ধারণ করে কম্প্রেস বা বাদ দেয়, একই সঙ্গে গুরুত্বপূর্ণ তথ্য ধরে রাখে।
ডেটা প্রক্রিয়াকরণ workflow-এর সিদ্ধান্ত: ডেটা প্রবেশ, পরিষ্কার, বেনামিকরণ ও সরবরাহের বিভিন্ন ধাপে সিদ্ধান্ত নেয়। যেমন পরিষ্কার ও ডুপ্লিকেট অপসারণের ক্রম নির্ধারণ, করের পরিমাণের ফিল্ড অনুপস্থিত হলে অতিরিক্ত তথ্য চাওয়া এবং বাইরে পাঠানোর আগে ইমেইল বেনামি করা প্রয়োজন কি না তা যাচাই করা।
ব্যবসায়িক workflow-এর অনুমতি ও গ্রহণযোগ্যতা যাচাই: Agent-এর কার্যসম্পাদন নিয়ন্ত্রণের সময় কোনো অপারেশন অনুমতির সীমা অতিক্রম করছে কি না, কাজ সম্পন্ন ঘোষণা করার মতো যথেষ্ট প্রমাণ আছে কি না এবং সাময়িক ত্রুটির ক্ষেত্রে পুনরায় চেষ্টা করা উচিত কি না তা নির্ধারণ করে।
গেম ও interactive environment-এর রিয়েল-টাইম সিদ্ধান্ত: গেমের দৃশ্যের ভিত্তিতে চরিত্রের চলাফেরা, আক্রমণ ও এড়িয়ে যাওয়ার জন্য কী-স্তরের action নির্দেশনা দেয়। একইভাবে Reversi, Sokoban-এর মতো পরিস্থিতি-নির্ভর কৌশলগত গেমেও ব্যবহার করা যায়।