Ling-3.2-flash চালু আছে

Ling-3.2-flash হলো蚂蚁百灵-এর প্রকাশিত সর্বশেষ নেটিভ মাল্টিমোডাল লার্জ মডেল। এটি MoE আর্কিটেকচার ব্যবহার করে; মোট প্যারামিটার 560B, প্রতিটি ধাপে সক্রিয় হয় মাত্র প্রায় 25B প্যারামিটার, এবং এর কনটেক্সট উইন্ডো 1M পর্যন্ত। মডেলটি নেটিভভাবে ছবি, টেক্সট ও ভিডিও ইনপুট সমর্থন করে। মডেলটি জটিল ভিজ্যুয়াল বোঝাপড়া, মাল্টিমোডাল দীর্ঘমেয়াদি Agent, 3D বোঝাপড়া ও ইন্টারঅ্যাকশন এবং মেডিকেল মাল্টিমোডাল সক্ষমতা, এই চারটি ক্ষেত্রে বিশেষভাবে উন্নত করা হয়েছে। অফিসিয়াল স্ব-মূল্যায়ন অনুযায়ী, তিনটি বেঞ্চমার্কে এটি Claude Opus 5-কে ছাড়িয়ে গেছে।

জটিল ভিজ্যুয়াল বোঝাপড়া: ছবি ও ভিডিওর বিষয়বস্তু গভীরভাবে বুঝে ভিজ্যুয়াল যুক্তি ও বিশ্লেষণমূলক কাজকে সমর্থন করে।
মাল্টিমোডাল দীর্ঘমেয়াদি Agent: বহু ধাপের কাজে ধারাবাহিকভাবে লক্ষ্য বজায় রেখে ভিজ্যুয়াল ও টেক্সট তথ্যের ভিত্তিতে সিদ্ধান্ত গ্রহণ ও সম্পাদন করে।
3D বোঝাপড়া ও ইন্টারঅ্যাকশন: ত্রিমাত্রিক দৃশ্য ও স্থানিক সম্পর্ক বিশ্লেষণ করে 3D-সম্পর্কিত ইন্টারঅ্যাকশন কাজকে সমর্থন করে।
চিকিৎসা-সংক্রান্ত মাল্টিমোডাল ক্ষমতা: মেডিকেল ইমেজ বোঝাপড়া ও রিপোর্ট ব্যাখ্যা অন্তর্ভুক্ত করে, পেশাদার চিকিৎসা বিশ্লেষণে সহায়তা করে।
1M কনটেক্সট প্রক্রিয়াকরণ: দীর্ঘ নথি ও দীর্ঘ ভিডিও বিশ্লেষণ সমর্থন করে, দীর্ঘ কনটেক্সটের প্রয়োজনীয়তা পূরণ করে।

MoE মিশ্র বিশেষজ্ঞ আর্কিটেকচার: Ling-3.2-flash মিশ্র বিশেষজ্ঞ আর্কিটেকচার ব্যবহার করে। এর মোট প্যারামিটার 560B, তবে প্রতি ধাপে মাত্র প্রায় 25B সক্রিয় থাকে। প্রতিটি টোকেন কেবল সবচেয়ে প্রাসঙ্গিক বিশেষজ্ঞ সাবনেটওয়ার্কে রাউট হয়। ফলে বৃহৎ জ্ঞানভান্ডার ধরে রাখার পাশাপাশি প্রতি ধাপের গণনামূলক ব্যয় অত্যন্ত কমে যায়। সক্ষমতা ও ইনফারেন্স ব্যয়ের মধ্যে ভারসাম্য অর্জনের এটাই মডেলটির মূল প্রক্রিয়া।
নেটিভ মাল্টিমোডাল একীভবন: আলাদা ভিশন মডিউল যুক্ত করার পদ্ধতির বিপরীতে, এই মডেলটি আর্কিটেকচার স্তরেই ভিশন ও ভাষার সক্ষমতাকে নেটিভভাবে একীভূত করে। ছবি, টেক্সট ও ভিডিওকে ইনফারেন্সের মৌলিক ইনপুট হিসেবে ব্যবহার করে এটি আরও গভীর আন্তঃমোডাল বোঝাপড়া অর্জন করে। এ কারণেই এটি “ছবি দেখে কথা বলা”-ধরনের অগভীর মাল্টিমোডাল পদ্ধতি থেকে আলাদা।
দীর্ঘ কনটেক্সট মডেলিং: মডেলটির কনটেক্সট উইন্ডো 1M পর্যন্ত, এবং Ling 3.0 সিরিজে প্রবর্তিত KDA অনুসরণ করে দীর্ঘ সিকোয়েন্সে স্মৃতি আপডেট ও তথ্য সংরক্ষণ আরও উন্নত করা হয়েছে। ফলে লক্ষ্য তথ্য কনটেক্সটের শুরু, মাঝখান বা শেষ যেখানেই থাকুক, তা স্থিতিশীলভাবে পুনরুদ্ধার করা যায় এবং দীর্ঘ-পরিসরের তথ্যে উল্লেখযোগ্য ক্ষয় হয় না।
উপলব্ধি-ইনফারেন্স-সম্পাদন ক্লোজড লুপ: মডেলটি মাল্টিমোডাল উপলব্ধি, গভীর ইনফারেন্স ও স্বায়ত্তশাসিত সম্পাদনকে ঘনিষ্ঠভাবে একত্রিত করে। Ling-3.0-flash-VL-এর “পর্যবেক্ষণ→কর্ম→যাচাই→সংশোধন” ভিজ্যুয়াল ফিডব্যাক ক্লোজড লুপ ধারণা অব্যাহত রেখে, একাধিক ধাপের কাজ সম্পাদনের সময় এটি মধ্যবর্তী ফলাফলের ভিত্তিতে পথটি ক্রমাগত সংশোধন করতে পারে।

প্ল্যাটফর্মে প্রবেশ: Ant Ling-এর অফিসিয়াল ওয়েবসাইটে গিয়ে Ling-3.2-flash-এর কথোপকথন পৃষ্ঠায় প্রবেশ করুন এবং সরাসরি অনলাইনে ব্যবহার করে দেখুন।
কী সংগ্রহ: প্ল্যাটফর্ম কনসোলে একটি API কী তৈরি করুন, যা কল করার প্রমাণপত্র হিসেবে ব্যবহৃত হবে।
কল শুরু করুন: API-এর মাধ্যমে প্রথম অনুরোধ পাঠান। মডেলটি OpenAI ও Anthropic প্রোটোকলের সঙ্গে সামঞ্জস্যপূর্ণ, তাই পরিচিত পদ্ধতিতে বিদ্যমান কোডে যুক্ত করতে পারবেন।
বিনামূল্যের সুবিধা নিন: চালুর পর প্রথম দুই সপ্তাহ সীমিত সময়ের জন্য বিনামূল্যে ব্যবহার করা যাবে। বিনামূল্যের সময়ে充分 পরীক্ষা করে তারপর অর্থপ্রদানের মূল্যায়ন করুন।
উন্নত সক্ষমতা অন্বেষণ করুন: 1M দীর্ঘ কনটেক্সট, ছবি/ভিডিও ইনপুট এবং মাল্টিমোডাল Agent কাজের মতো উন্নত বৈশিষ্ট্যগুলোও চেষ্টা করে দেখুন।

নেটিভ মাল্টিমোডাল বোঝাপড়া: আর্কিটেকচার স্তর থেকেই ভিশন ও ভাষার সক্ষমতাকে নেটিভভাবে একীভূত করে, বাহ্যিক ভিশন মডিউমের ওপর নির্ভর করে না।
চারটি মূল সক্ষমতা: জটিল ভিজ্যুয়াল বোঝাপড়া, মাল্টিমোডাল দীর্ঘ-পরিসরের Agent, 3D বোঝাপড়া ও ইন্টারঅ্যাকশন, এবং চিকিৎসা-সংক্রান্ত মাল্টিমোডাল সক্ষমতাকে অগ্রাধিকার দিয়ে উন্নত করা হয়েছে; উপলব্ধি, যুক্তি ও সম্পাদনাকে ঘনিষ্ঠভাবে একত্রিত করে।
সক্ষমতা ও ব্যয়ের ভারসাম্য: 560B মডেল ক্ষমতা বজায় রেখেও প্রতি ধাপে সক্রিয় অংশকে প্রায় 25B-তে নিয়ন্ত্রণ করে, ফলে সক্ষমতা ও ইনফারেন্স দক্ষতার মধ্যে ভারসাম্য থাকে।
1M কনটেক্সট উইন্ডো: দীর্ঘ নথি ও দীর্ঘ ভিডিও বিশ্লেষণ সমর্থন করে, দীর্ঘ-কনটেক্সট ব্যবহারের চাহিদা পূরণ করে।

প্রকল্পের অফিসিয়াল ওয়েবসাইট：https://developer.ant-ling.com/zh-CN/docs/models/ling/#ling-32-flash

জটিল ভিজ্যুয়াল বোঝাপড়া: Ling-3.2-flash ছবি ও ভিডিওর বিষয়বস্তু গভীরভাবে বুঝতে পারে এবং ভিজ্যুয়াল যুক্তি ও বিশ্লেষণধর্মী কাজকে সহায়তা করে।
মাল্টিমোডাল দীর্ঘমেয়াদি Agent: মডেলটি একাধিক ধাপের কাজজুড়ে লক্ষ্যের সামঞ্জস্য বজায় রাখতে পারে এবং ভিজ্যুয়াল ও পাঠ্য তথ্যের ভিত্তিতে সিদ্ধান্ত গ্রহণ ও কার্যসম্পাদন করতে পারে।
3D বোঝাপড়া ও ইন্টারঅ্যাকশন: মডেলটি ত্রিমাত্রিক দৃশ্য ও স্থানিক সম্পর্ক বুঝতে পারে এবং বিভিন্ন 3D-সম্পর্কিত ইন্টারঅ্যাকশন কাজে সহায়তা করে।
মেডিকেল মাল্টিমোডাল: মডেলটি মেডিকেল ইমেজিং বুঝতে ও প্রতিবেদন ব্যাখ্যা করতে পারে, যা চিকিৎসকদের পেশাদার চিকিৎসা বিশ্লেষণে সহায়তা করে।
দীর্ঘ নথি ও দীর্ঘ ভিডিও বিশ্লেষণ: 1M কনটেক্সট উইন্ডোর মাধ্যমে মডেলটি অতি দীর্ঘ নথি ও দীর্ঘ ভিডিওর বিষয়বস্তু প্রক্রিয়া করতে পারে এবং দীর্ঘ কনটেক্সটভিত্তিক ব্যবহারের চাহিদা পূরণ করে।