Ling-3.0-flash-VL চালু আছে

Ling-3.0-flash-VL হলো Ant Group-এর InclusionAI Bailing সিরিজের প্রথম ওপেন-সোর্সড নেটিভ মাল্টিমোডাল বৃহৎ ভাষা মডেল। এটি Ling-3.0-flash-এর MoE আর্কিটেকচারের সম্প্রসারণের ওপর ভিত্তি করে তৈরি; মোট প্যারামিটার 124B, প্রতিটি ইনফারেন্সে সক্রিয় হয় মাত্র 5.5B, নেটিভভাবে ছবি-টেক্সট ও ভিডিও ইনপুট সমর্থন করে এবং কনটেক্সট উইন্ডো 256K Token পর্যন্ত বিস্তৃত। Ling-3.0-flash-VL মডেলকে মানুষের মতো একই সঙ্গে পর্যবেক্ষণ, কাজ সম্পাদন এবং ফল যাচাই ও সংশোধন করতে সক্ষম করে; ফলে কাজ একবারে তৈরি করার পরিবর্তে নির্ভরযোগ্য ধারাবাহিক ডেলিভারিতে রূপান্তরিত হয়।

রিয়েল-টাইম ভিজ্যুয়াল ইন্টারঅ্যাকশন: ক্যামেরা চালু করে দেখাতে দেখাতে কথা বলা যায়; উদ্ভিদ, প্রাণী, ল্যান্ডমার্ক ও গাড়ির মডেল শনাক্ত করার পাশাপাশি বিদেশি সাইনবোর্ড তাৎক্ষণিক অনুবাদ করা যায়।
ভিজ্যুয়াল ফিডব্যাক প্রোগ্রামিং: ওয়েবপেজের স্ক্রিনশট থেকে ফ্রন্টএন্ড কোড তৈরি করে রেন্ডার করা ফলাফলের সঙ্গে তুলনা করে স্বয়ংক্রিয়ভাবে সংশোধন করা যায়, ফলে ওয়েবপেজ পুনর্নির্মাণ সম্ভব।
GUI Agent: ইন্টারফেসের কাঠামো ও অপারেশনের অবস্থা শনাক্ত করে বিভিন্ন টুলজুড়ে কাজ সম্পন্ন করে, যেমন ওয়েব ডেটা খোঁজা, Excel গোছানো এবং চার্ট তৈরি করা।
মেডিকেল রিপোর্ট ব্যাখ্যা: রক্তের সাধারণ পরীক্ষা, বায়োকেমিস্ট্রি, ইমেজিংসহ বিভিন্ন রিপোর্টের বহু পৃষ্ঠা ও সময়পর্বের সূচক সংগ্রহ করে লাল-হলুদ-সবুজ সংকেতে স্বাস্থ্যঝুঁকি প্রদর্শন করে।
রিয়েল-টাইম শেখার সঙ্গী: কোর্স ভিডিওতে দৃশ্যের সঙ্গে সূত্র ও বোর্ডের লেখা শনাক্ত করে তাৎক্ষণিক প্রশ্নের উত্তর দেয় এবং অনুশীলনী তৈরি করে।
দীর্ঘ ভিডিওর হাইলাইট সম্পাদনা: ঘণ্টাব্যাপী খেলার ভিডিওতে “সনাক্ত→কেটে নেওয়া→যাচাই→সংশোধন” প্রক্রিয়া চালিয়ে স্বয়ংক্রিয়ভাবে হাইলাইট সংকলন তৈরি করে।

WeChat-এ অনুসরণ করে “开源” লিখে উত্তর দিন, AI ওপেন-সোর্স প্রকল্পের গ্রুপে যোগ দিন
MoE-এর দক্ষ sparse আর্কিটেকচার: মডেলটি Ling-3.0-flash-এর সম্প্রসারণের ওপর ভিত্তি করে তৈরি; মোট প্যারামিটার 124B, প্রতিটি ইনফারেন্সে সক্রিয় হয় মাত্র 5.5B প্যারামিটার। সক্ষমতা বজায় রেখেই এটি গণনাশক্তির ব্যয় ব্যাপকভাবে কমায়, তাই Agent ওয়ার্কফ্লোতে ঘনঘন ব্যবহৃত এক্সিকিউশন নোড হিসেবে উপযোগী।
নেটিভ মাল্টিমোডাল যৌথ প্রশিক্ষণ: ছবি, টেক্সট ও ভিডিও একই প্রশিক্ষণ প্রক্রিয়ায় যৌথভাবে অপ্টিমাইজ করা হয়; আগে টেক্সট প্রশিক্ষণ দিয়ে পরে আলাদা ভিজ্যুয়াল মডিউল যুক্ত করা হয় না। বাস্তব পরীক্ষায় দেখা গেছে, ভিজ্যুয়াল তথ্য যুক্ত হওয়ায় টেক্সট সক্ষমতা কমেনি; বরং Artificial Analysis Intelligence Index-এ 4 পয়েন্ট উন্নতি হয়েছে।
যেকোনো রেজোলিউশনের ভিজ্যুয়াল এনকোডিং ও VideoRoPE: বিভিন্ন আকারের ছবি-টেক্সট ইনপুট প্রক্রিয়াকরণের জন্য যেকোনো রেজোলিউশনের ভিজ্যুয়াল এনকোডার ব্যবহার করা হয়। VideoRoPE পজিশনাল এনকোডিংয়ের মাধ্যমে নেটিভ ভিডিও বোঝা যায়; ভিডিওকে ফ্রেমে ভাগ করে ছবির সিরিজে রূপান্তর করার প্রয়োজন হয় না।
KDA ও Gated MLA সমন্বিত ভাষা ব্যাকবোন: ভাষা অংশে 42 স্তরের মিশ্র আর্কিটেকচার বজায় রেখে 5:1 অনুপাতে KDA লিনিয়ার অ্যাটেনশন মেকানিজম ও gated MLA পর্যায়ক্রমে সাজানো হয়েছে। এতে দীর্ঘ কনটেক্সটের দক্ষতা ও মডেলিংয়ের নির্ভুলতা দুটিই বজায় থাকে এবং 256K Token কনটেক্সট উইন্ডো সমর্থিত হয়।
ভিজ্যুয়াল ফিডব্যাক ক্লোজড-লুপ মেকানিজম: মডেলটি “পর্যবেক্ষণ→কাজ→যাচাই→সংশোধন” চক্রভিত্তিক এক্সিকিউশন পদ্ধতি ব্যবহার করে কাজকে একবারের জেনারেশন থেকে বহু-ধাপের পুনরাবৃত্তিতে রূপান্তরিত করে। প্রথমে ভিজ্যুয়াল তথ্য বুঝে কাজ করে, পরে ফলাফল পর্যবেক্ষণ করে লক্ষ্যের সঙ্গে তুলনা করে, বিচ্যুতি পেলে কৌশল সংশোধন করে এবং ডেলিভারির নির্ভরযোগ্যতা ও যাচাইযোগ্যতা নিশ্চিত করে।

অনলাইনে ব্যবহার: অফিসিয়াল ওয়েবসাইট খুলুন: Ling Studio অফিসিয়াল ওয়েবসাইট https://chat.ant-ling.com/chat-এ প্রবেশ করুন।
বিনামূল্যে ব্যবহার: বর্তমানে বিনামূল্যে ব্যবহারের সময়কাল চলছে; লগইন করার পর সরাসরি কথোপকথন করা যায়।
উপকরণ আপলোড: টেক্সট প্রম্পট লিখে ছবি বা ভিডিও আপলোড করে মাল্টিমোডাল ইন্টারঅ্যাকশন করা যায়।
পরীক্ষার দৃশ্য: ওয়েবপেজের স্ক্রিনশট পুনর্নির্মাণ, ভিডিও নিয়ে প্রশ্ন, ছবি তুলে শনাক্তকরণসহ সাধারণ সক্ষমতাগুলো পরীক্ষা করা যায়।
লোকাল ডিপ্লয়মেন্ট: মডেল ডাউনলোড: Hugging Face বা ModelScope থেকে ওপেন-সোর্স ওজন সংগ্রহ করুন; BF16 ও FP8 সংস্করণ উপলব্ধ, FP4/INT4 সংস্করণ শিগগিরই প্রকাশিত হবে।
পরিবেশ প্রস্তুত: এই প্যারামিটার আকার সমর্থন করে এমন ইনফারেন্স পরিবেশ কনফিগার করুন।
ইনফারেন্স চালু: প্রচলিত ইনফারেন্স ফ্রেমওয়ার্ক ব্যবহার করে মডেল লোড করুন; নেটিভভাবে ছবি-টেক্সট ও ভিডিও ইনপুট সমর্থিত এবং কনটেক্সট 256K Token পর্যন্ত সম্প্রসারণযোগ্য।
ওয়ার্কফ্লোতে সংযুক্তি: API-এর মাধ্যমে এটিকে ভিজ্যুয়াল Agent-এর এক্সিকিউশন নোড হিসেবে ব্যবহার করে “পর্যবেক্ষণ→কাজ→যাচাই→সংশোধন” বহু-ধাপের কাজের প্রবাহে যুক্ত করুন।

মাল্টিমোডাল ইনপুটে টেক্সটের উন্নতি: নেটিভ মাল্টিমোডাল যৌথ প্রশিক্ষণ টেক্সট সক্ষমতা কমায়নি; বরং Artificial Analysis Intelligence Index-এ বিশুদ্ধ টেক্সট সংস্করণের তুলনায় 4 পয়েন্ট উন্নতি করেছে।
ভিজ্যুয়াল ফিডব্যাক ক্লোজড লুপ: “পর্যবেক্ষণ→কাজ→যাচাই→সংশোধন” পুনরাবৃত্তি প্রক্রিয়ার মাধ্যমে কাজকে একবারের জেনারেশন থেকে নির্ভরযোগ্য ও যাচাইযোগ্য ধারাবাহিক ডেলিভারিতে উন্নীত করে।
চূড়ান্ত ইনফারেন্স দক্ষতা: মোট 124B প্যারামিটারের মধ্যে প্রতিটি ইনফারেন্সে সক্রিয় হয় মাত্র 5.5B, ফলে গণনাশক্তি ও Token ব্যয় ব্যাপকভাবে কমে এবং ঘনঘন বহু-ধাপের কলের জন্য উপযোগী হয়।
অতি দীর্ঘ কনটেক্সট: নেটিভভাবে 256K Token সমর্থন করে, তাই দীর্ঘ ডকুমেন্ট বিশ্লেষণ, দীর্ঘ ভিডিও বিশ্লেষণ এবং বহু-ধাপের Agent-এর ঐতিহাসিক স্মৃতি সহজে সামলাতে পারে।
সব-মোডের নেটিভ ইনপুট: যেকোনো রেজোলিউশনের ভিজ্যুয়াল এনকোডার ও VideoRoPE ব্যবহার করে ছবি, টেক্সট ও ভিডিও নেটিভভাবে প্রক্রিয়া করে; ফ্রেমে ভাগ করে নিম্নমানের ছবির সিরিজে রূপান্তরের প্রয়োজন নেই।
বাস্তব পরীক্ষায় উজ্জ্বল ফল: Image-to-WebDev Arena মূল্যায়নে 5.5B সক্রিয় প্যারামিটারের স্কেলেই GPT-5.4-এর চেয়ে বেশি স্কোর করেছে।

HuggingFace মডেল রিপোজিটরি: https://huggingface.co/inclusionAI/Ling-3.0-flash-VL
https://huggingface.co/inclusionAI/Ling-3.0-flash-VL-fp8

ফ্রন্টএন্ড ডেভেলপমেন্ট ও ওয়েবপেজ পুনর্নির্মাণ: ডিজাইন ড্রাফটের স্ক্রিনশট থেকে চালানো যায় এমন ওয়েবপেজ কোড তৈরি করে রেন্ডার করা ফলাফলের তুলনার মাধ্যমে ধারাবাহিকভাবে স্বয়ংক্রিয় সংশোধন করে।
GUI অটোমেশন অফিসকাজ: বিভিন্ন সফটওয়্যারজুড়ে কাজ সম্পন্ন করে, যেমন ওয়েব ডেটা সংগ্রহ, Excel-এ গোছানো এবং স্বয়ংক্রিয়ভাবে চার্ট তৈরি।
মেডিকেল রিপোর্ট সহায়ক ব্যাখ্যা: রক্তের সাধারণ পরীক্ষা, বায়োকেমিস্ট্রি, ইমেজিংসহ বিভিন্ন ধরনের রিপোর্ট একত্র করে অস্বাভাবিক সূচক বের করে এবং লাল-হলুদ-সবুজ স্তরে স্বাস্থ্যঝুঁকি প্রদর্শন করে।
অনলাইন শিক্ষা ও শেখার সঙ্গী: কোর্স ভিডিও দেখার সময় দৃশ্যের সঙ্গে সূত্র ও বোর্ডের লেখা ব্যাখ্যা করে, তাৎক্ষণিক প্রশ্নের উত্তর দেয় এবং জ্ঞানবিন্দু ঘিরে অনুশীলনী তৈরি করে।
ক্রীড়া ইভেন্টের হাইলাইট সম্পাদনা: ঘণ্টাব্যাপী খেলার ভিডিওতে “সনাক্ত→কেটে নেওয়া→যাচাই→সংশোধন” প্রক্রিয়া চালিয়ে স্বয়ংক্রিয়ভাবে সাবলীল精彩 হাইলাইট সংকলন তৈরি করে।