LingBot-World 2.0 চালু আছে

LingBot-World 2.0 হলো Ant Lingbo Technology-এর ওপেন-সোর্স করা রিয়েল-টাইম ইন্টার‌্যাক্টিভ ওয়ার্ল্ড মডেল, যা গেমের মতো রিয়েল-টাইমে খেলা যায়। গেমটিতে চলাফেরা, আক্রমণ, মন্ত্রপ্রয়োগ, লাফানোসহ বিভিন্ন নিয়ন্ত্রণ এবং তুষারপাত ও বৃষ্টির মতো পরিবেশগত ঘটনা সমর্থিত। উচ্চমানের হার্ডওয়্যারে এটি 720P/60FPS-এ ঘণ্টার পর ঘণ্টা ধারাবাহিকভাবে দৃশ্য তৈরি করতে পারে, কোনো ভিজ্যুয়াল বিচ্যুতি ছাড়াই। বর্তমানে মডেলটির 14B এবং 1.3B Small, Bidirectional ও Causal Pretrain—এই চারটি সংস্করণ ওপেন-সোর্স করা হয়েছে। এগুলো গেম, embodied intelligence simulation এবং ইন্টার‌্যাকশন ডেটা তৈরিতে ব্যবহার করা যায়।

রিয়েল-টাইম ইন্টার‌্যাক্টিভ অনুসন্ধান: মডেলটি 720P / 60FPS এবং এক সেকেন্ডেরও কম লেটেন্সিতে স্বাধীনভাবে হাঁটা ও দৃষ্টিকোণ পরিবর্তন করা যায় এমন উন্মুক্ত বিশ্ব তৈরি করে।
বৈচিত্র্যময় চরিত্রের ক্রিয়া: আক্রমণ, তীরন্দাজি, মন্ত্রপ্রয়োগ, গুলি চালানো, লাফানো ও গ্লাইডিংসহ নানা ক্রিয়া সমর্থন করে।
পরিবেশগত ঘটনা-নির্ভরতা: তুষারপাত ও বৃষ্টির মতো টেক্সট-নির্দেশিত গতিশীল বিশ্বঘটনায় সাড়া দিতে পারে।
ঘণ্টাব্যাপী দীর্ঘমেয়াদি জেনারেশন: দীর্ঘ সময় খেলার পরও দৃশ্যের সামঞ্জস্য বজায় থাকে, বিচ্যুতি বা ভেঙে পড়া ঘটে না।
এজেন্ট-সমন্বিত নিয়ন্ত্রণ: অন্তর্নির্মিত “Player Agent + Director Agent” যথাক্রমে চরিত্রের আচরণ পরিকল্পনা ও দৃশ্যের উপাদান সমন্বয়ের দায়িত্ব পালন করে।
শেয়ার করা মাল্টিপ্লেয়ার বিশ্ব: একাধিক ব্যক্তি একই জেনারেটেড বিশ্বে নিমজ্জিত হয়ে একসঙ্গে দৃশ্য গড়ে তুলতে পারে।
Embodied intelligence simulation: গেমের বিশ্ব থেকে রোবট সিমুলেশন, ভবিষ্যৎ অবস্থা পূর্বানুমান ও ইন্টার‌্যাকশন ডেটা তৈরিতে সম্প্রসারিত করা যায়।
হালকা স্থানীয় ডিপ্লয়মেন্ট: 1.3B Small সংস্করণটি ভোক্তা-মানের একক GPU-তে রিয়েল-টাইমে চলতে পারে।

কারণভিত্তিক প্রি-ট্রেনিং পদ্ধতি: সুচিন্তিত Causal Pretrain-এর মাধ্যমে ইন্টার‌্যাকশনের সময়সীমায় কোনো নির্দিষ্ট ঊর্ধ্বসীমা ছাড়াই দীর্ঘমেয়াদে আউটপুটের মানের সামঞ্জস্য বজায় রাখা হয়। এটিই দীর্ঘ সময়ে বিচ্যুতি না ঘটার মূল কারণ।
রিয়েল-টাইম ডিস্টিলেশন: বেস মডেল থেকে রিয়েল-টাইম ভ্যারিয়েন্ট ডিস্টিল করা হয়েছে, যেখানে Bidirectional মডেল উচ্চমানের ডিস্টিলেশন উৎস হিসেবে কাজ করে। ফলে 720P/60FPS ভিডিও স্ট্রিম চালানোর মতো যথেষ্ট দ্রুত ইনফারেন্স সম্ভব হয়।
অ্যাকশন-কন্ডিশনড ভিজ্যুয়াল ডায়নামিক্স: প্রথম-ব্যক্তি, সিন্থেটিক ও অনলাইন বিপুল ভিডিও থেকে “অ্যাকশন-দৃশ্য” শর্তাধীন ডায়নামিক্স শেখানো হয়, যাতে মডেল নিয়ন্ত্রণ ও ঘটনাকে বিশ্বস্তভাবে দৃশ্যগত পরিবর্তনে রূপ দিতে পারে।
দ্বৈত-এজেন্ট আর্কিটেকচার: প্রথমবারের মতো Agentic Harness প্রবর্তন করা হয়েছে। Pilot Agent চরিত্রের আচরণ পরিকল্পনা ও বাস্তবায়ন করে, আর Director Agent দৃশ্য এগোনোর সঙ্গে নতুন পরিবেশগত উপাদান সমন্বয় করে। এতে এজেন্ট-চালিত নিয়ন্ত্রণ ও ব্যবহারকারীর হস্তক্ষেপ একত্রিত হয়।
বড় ও ছোট মডেলের সমন্বয়: 14B প্রধান মডেলের সঙ্গে 1.3B হালকা মডেল ব্যবহার করে কার্যকারিতা ও একক GPU-তে ডিপ্লয়মেন্ট—দুই দিকের ভারসাম্য রাখা হয়েছে এবং গবেষণা পুনরুৎপাদনের বাধা কমানো হয়েছে।

সীমাহীন ইন্টার‌্যাকশন সময়কাল: কারণভিত্তিক প্রি-ট্রেনিং পদ্ধতির ফলে মডেলটি ঘণ্টার পর ঘণ্টা ধারাবাহিকভাবে দৃশ্য তৈরি করতে পারে এবং দীর্ঘ সময়েও দৃশ্যের বিচ্যুতি ঘটে না। এতে প্রচলিত ভিডিও মডেলের সময়সীমার বাধা অতিক্রম করা যায়।
রিয়েল-টাইম মসৃণ অভিজ্ঞতা: ডিস্টিল করা রিয়েল-টাইম ভ্যারিয়েন্ট 720P / 60FPS এবং এক সেকেন্ডেরও কম লেটেন্সি সমর্থন করে, ফলে সত্যিকারের “খেলাযোগ্য” ইন্টার‌্যাকশন সম্ভব হয়।
সমৃদ্ধ ইন্টার‌্যাক্টিভ উপাদান: আক্রমণ, তীরন্দাজি, মন্ত্রপ্রয়োগ ও গুলি চালানোর মতো নানা ক্রিয়া এবং টেক্সট-নির্দেশিত তুষারপাত ও বৃষ্টির মতো পরিবেশগত ঘটনা সমর্থিত, যা ইন্টার‌্যাকশনের পরিসর উল্লেখযোগ্যভাবে বাড়ায়।
অগ্রগণ্য দ্বৈত-এজেন্ট আর্কিটেকচার: Pilot Agent চরিত্রের আচরণ পরিকল্পনা করে, আর Director Agent দৃশ্যের গতিশীল উপাদান সমন্বয় করে। এজেন্ট-চালিত নিয়ন্ত্রণ ও ব্যবহারকারীর হস্তক্ষেপ পাশাপাশি কাজ করে।
মাল্টিপ্লেয়ার সহযোগিতা ও শেয়ারিং: একাধিক ব্যবহারকারী একই জেনারেটেড বিশ্বে একসঙ্গে প্রবেশ করতে পারে—একজন খেলবেন, অন্যজন পরিচালক হিসেবে কাজ করবেন। এতে প্রচলিত একক-ব্যবহারকারীর জেনারেশন মডেল বদলে যায়।
কম ডিপ্লয়মেন্ট বাধা: 1.3B Small সংস্করণটি শুধু ভোক্তা-মানের একক GPU ব্যবহার করেই রিয়েল-টাইমে চালানো যায়, তাই ব্যক্তিগত ডেভেলপাররাও স্থানীয়ভাবে এটি পুনরুৎপাদন করতে পারেন।

অতি দীর্ঘ সময়কাল: কারণভিত্তিক প্রি-ট্রেনিং ঘণ্টার পর ঘণ্টা ধারাবাহিক জেনারেশন সমর্থন করে এবং দীর্ঘ সময়েও দৃশ্যের বিচ্যুতি ঘটে না।
রিয়েল-টাইমে খেলার সুবিধা: ডিস্টিল করা রিয়েল-টাইম ভ্যারিয়েন্ট 720P/60FPS এবং এক সেকেন্ডেরও কম ইন্টার‌্যাকশন লেটেন্সি প্রদান করে।
সমৃদ্ধ ইন্টার‌্যাকশন: আক্রমণ, তীরন্দাজি, মন্ত্রপ্রয়োগ ও গুলি চালানোর মতো ক্রিয়া এবং টেক্সট-নির্দেশিত পরিবেশগত ঘটনা সমর্থিত।
দ্বৈত Agent আর্কিটেকচার: Pilot Agent চরিত্রের আচরণ পরিকল্পনা করে, Director Agent দৃশ্যের উপাদান গতিশীলভাবে সমন্বয় করে।
মাল্টিপ্লেয়ার সহযোগিতা: একাধিক ব্যবহারকারী একই জেনারেটেড বিশ্ব শেয়ার করতে পারে—একজন খেলবেন, অন্যজন পরিচালক হবেন।
সহজ ডিপ্লয়মেন্ট: 1.3B Small সংস্করণটি ভোক্তা-মানের একক GPU-তে স্থানীয়ভাবে রিয়েল-টাইমে চালানো যায়।
বহুমুখী দৃশ্য: গেমের বিশ্ব থেকে রোবট সিমুলেশন, ভবিষ্যৎ পূর্বানুমান ও ইন্টার‌্যাকশন ডেটা তৈরিতে ব্যবহার করা যায়।

প্রজেক্টের অফিসিয়াল ওয়েবসাইট: https://technology.robbyant.com/lingbot-world-v2
GitHub রিপোজিটরি: https://github.com/robbyant/lingbot-world-v2
HuggingFace মডেল রিপোজিটরি: https://huggingface.co/robbyant/lingbot-world-v2-14b-causal-fast
arXiv প্রযুক্তিগত গবেষণাপত্র: https://arxiv.org/pdf/2607.07534

AI গেম ডেভেলপমেন্ট: রিয়েল-টাইম জেনারেটিভ গেম ইঞ্জিন হিসেবে খেলোয়াড়ের নিয়ন্ত্রণ অনুযায়ী গতিশীলভাবে লেভেল, দৃশ্য ও ঘটনা তৈরি করে এবং 3A-মানের কনটেন্ট তৈরির খরচ কমায়।
চলচ্চিত্র ও ভার্চুয়াল শুটিংয়ের প্রিভিজ: পরিচালক টেক্সট নির্দেশের মাধ্যমে রিয়েল-টাইমে ভার্চুয়াল দৃশ্য তৈরি ও ঘুরে দেখতে পারেন, দ্রুত শট ও আবহ preview করতে পারেন এবং প্রাথমিক সেট নির্মাণ ও সংশোধনের সময় উল্লেখযোগ্যভাবে কমাতে পারেন।
Embodied intelligence প্রশিক্ষণক্ষেত্র: রোবটের জন্য উচ্চ-নির্ভুলতা ও ইন্টার‌্যাক্টিভ সিমুলেশন পরিবেশ তৈরি করে, যাতে উপলব্ধি, সিদ্ধান্ত গ্রহণ ও দীর্ঘমেয়াদি ইন্টার‌্যাকশন দক্ষতা প্রশিক্ষণ দেওয়া যায় এবং বাস্তব রোবটে পরীক্ষার খরচ কমে।
VR/AR ও ডিজিটাল পর্যটন: সীমাহীনভাবে অনুসন্ধানযোগ্য নিমজ্জিত ভার্চুয়াল স্থান তৈরি করে, যা ভার্চুয়াল প্রদর্শনী, পর্যটন নির্দেশনা ও বহুজনের সহযোগিতামূলক মেটাভার্স অভিজ্ঞতায় ব্যবহার করা যায়।
ইন্টার‌্যাক্টিভ শিক্ষা ও প্রশিক্ষণ: ব্যবহারযোগ্য ভার্চুয়াল পরীক্ষা, জরুরি মহড়া ও ঐতিহাসিক দৃশ্য তৈরি করে। শিক্ষার্থীরা “খেলাযোগ্য বিশ্বে” ভিডিও দেখার তুলনায় আরও গভীর নিমজ্জিত প্রশিক্ষণ পেতে পারে।