Beam চালু আছে

Beam হলো Reflection AI-এর প্রকাশিত প্রথম ওপেন-সোর্স বৃহৎ ভাষা মডেল। এতে 501B প্যারামিটারের স্পার্স MoE আর্কিটেকচার ব্যবহার করা হয়েছে, যেখানে প্রতিটি token-এ মাত্র 23B সক্রিয় হয়। এটি ১০ লাখ token-এর context সমর্থন করে এবং pretraining-এ 23.8T token ব্যবহার করা হয়েছে। Beam-এর training process-কে শিল্প-পর্যায়ের compute প্রদর্শন বলা যায়: pretraining 6,144টি GB300-এ চার সপ্তাহেরও কম সময়ে সম্পন্ন হয়েছে, আর 10,500টি GB300-এ চার সপ্তাহ ধরে ১ কোটিরও বেশি rollout-সহ বৃহৎ পরিসরের reinforcement learning চালানো হয়েছে।

প্রোগ্রামিং ও ডেভেলপমেন্ট: software engineering task-এ GLM-5.2-এর সমপর্যায়ের ফলাফল দেয় এবং enterprise coding workload-এর জন্য প্রধান মডেল হিসেবে ব্যবহারের উপযোগী।
Agent execution: tool calling, terminal operation এবং web search-সহ বিভিন্ন সক্ষমতা রয়েছে। এটি স্বয়ংক্রিয়ভাবে বহু-ধাপের কাজ সম্পন্ন করতে পারে, এমনকি অন্যান্য বৃহৎ ভাষা মডেল ও OCR API ব্যবহার করতেও শিখেছে।
দীর্ঘ লেখা প্রক্রিয়াকরণ: ১০ লাখ token-এর context সমর্থন করে এবং অত্যন্ত দীর্ঘ codebase ও document থেকে গুরুত্বপূর্ণ তথ্য খুঁজে বের করে তার সঙ্গে সম্পর্ক স্থাপন করতে পারে।
নিয়ন্ত্রণযোগ্য reasoning intensity: ব্যবহারকারী reasoning effort parameter-এর মাধ্যমে সংক্ষিপ্ত উত্তর ও দীর্ঘ reasoning-এর মধ্যে সহজে পরিবর্তন করতে পারেন, যাতে বিভিন্ন task ও compute budget-এর সঙ্গে সামঞ্জস্য থাকে।

WeChat-এ follow করে “开源” লিখে reply দিন, AI open-source project discussion group-এ যোগ দিন
স্পার্স MoE আর্কিটেকচার: মডেলটির মোট প্যারামিটার 501B, তবে প্রতিবার মাত্র 23B সক্রিয় হয়। সূক্ষ্ম-স্তরের expert routing এবং auxiliary-loss-independent load balancing-এর মাধ্যমে প্রায় সমান expert utilization নিশ্চিত করা হয়। সবচেয়ে ব্যস্ত expert-এর load মাত্র 1.04×, যা Beam-এর দক্ষ inference-এর hardware-level ভিত্তি।
দুই-পর্যায়ের বৃহৎ training: 6,144টি GB300-এ চার সপ্তাহেরও কম সময়ে 23.8T token pretraining সম্পন্ন করা হয়েছে। topology-aware scheduler এবং silent data corruption detection-এর সহায়তায় goodput 92.3%-এ পৌঁছেছে। এরপর 10.5Kটি GB300-এ চার সপ্তাহ reinforcement learning চালিয়ে ১ কোটিরও বেশি rollout তৈরি করা হয়েছে। এ সময় গড়ে ১.১ লাখ concurrent rollout এবং ১.৭ লাখ concurrent sandbox বজায় রাখা হয়েছে।
সম্পূর্ণ asynchronous RL system: asynchronous policy gradients ব্যবহার করে rollout ও training সমান্তরালে চালানো হয়। প্রতিটি token-এর সঙ্গে তার উৎপাদনকারী model version চিহ্নিত করে policy staleness-এর সমস্যা সামলানো হয়। এমনকি sample বর্তমান policy থেকে এক দিন (107টি version) পিছিয়ে থাকলেও numerical stability বজায় থাকে। নতুন weight RoCE-এর hierarchical distribution-এর মাধ্যমে inference cluster-এ পৌঁছাতে median মাত্র 12 সেকেন্ড লাগে।
নিয়ন্ত্রণযোগ্য দৈর্ঘ্যের reasoning learning: RL-এ length penalty যোগ করে মডেলকে প্রথমে কম token ব্যবহার করে problem solving শেখানো হয়। পরে agentic capability বাড়ার সঙ্গে reasoning length স্বাভাবিকভাবে সম্প্রসারিত হয়, ফলে capability ও token consumption-এর মধ্যে সর্বোত্তম ভারসাম্য তৈরি হয়, যা ব্যবহারকারী প্রয়োজন অনুযায়ী নিয়ন্ত্রণ করতে পারেন।

বর্তমান পর্যায়ে weight প্রকাশ করা হয়নি; কেবল কিছু ব্যবহারকারীকে preview version দেওয়া হচ্ছে। Early access-এর জন্য https://platform.reflection.ai/ ঠিকানায় আবেদন করা যায়।

অত্যন্ত উচ্চ inference efficiency: GLM-5.2-এর তুলনায় ৩–৪ গুণ কম inference compute ব্যবহার করে সমপর্যায়ের reasoning performance অর্জন করে। Qwen 3.8-Max-এর মতো 2T+ মডেলের তুলনায়ও বেশি সাশ্রয়ী, ফলে এর intelligence density উল্লেখযোগ্য।
অত্যন্ত কম active parameter: 501B মোট parameter-এর মধ্যে প্রতি token-এ মাত্র 23B সক্রিয় হয়। স্পার্স MoE design deployment ও inference cost উল্লেখযোগ্যভাবে কমায়।
RL-এর বিরল বৃহৎ পরিসর: 10.5Kটি GB300-এ টানা চার সপ্তাহ এবং ১ কোটিরও বেশি rollout, যা open laboratory-গুলোর মধ্যে এখন পর্যন্ত বৃহত্তম RL training-এর অন্যতম।
উচ্চ training stability: পুরো pretraining-এ মাত্র 9টি semi-automatic rollback হয়েছে, goodput 92.3%-এ পৌঁছেছে এবং training curve-এ কোনো অস্থিতিশীলতা দেখা যায়নি। engineering maturity অত্যন্ত উচ্চ।
নিয়ন্ত্রণযোগ্য reasoning length: ব্যবহারকারী reasoning effort parameter-এর মাধ্যমে reasoning depth স্বাধীনভাবে সামঞ্জস্য করতে পারেন এবং প্রয়োজন অনুযায়ী performance ও cost-এর মধ্যে ভারসাম্য নির্ধারণ করতে পারেন।

প্রকল্পের official website: https://reflection.ai/blog/introducing-beam

Enterprise private coding assistant: প্রতিষ্ঠানগুলো সম্পূর্ণ self-hosted, কম খরচের এবং data internal network-এর বাইরে না পাঠিয়ে AI coding assistant তৈরি করতে পারে।
Codebase-level refactoring ও audit: ১০ লাখ token-এর context window-এর সাহায্যে Beam একবারে একটি মাঝারি আকারের সম্পূর্ণ codebase load করতে পারে এবং file-এর মধ্যে dependency বুঝে বৃহৎ পরিসরের refactoring বা security audit সম্পন্ন করতে পারে।
Automated Agent workflow: ১ কোটিরও বেশি rollout-এর reinforcement learning training-এর মাধ্যমে Beam tool calling, terminal operation ও web search capability অর্জন করেছে। এটি data analysis, operations inspection-সহ দীর্ঘ chain-এর বহু-ধাপের task পরিচালনা করতে পারে।
সরকারি ও enterprise sovereign AI deployment: যুক্তরাষ্ট্রভিত্তিক team-এর তৈরি open-weight model হিসেবে Beam audit ও isolated deployment সমর্থন করে। ফলে চীনা supply chain-বহির্ভূত model-এর compliance procurement প্রয়োজন থাকা সরকার, energy এবং defense industry-এর জন্য এটি উপযোগী।