Matrix-Game 4.0 চালু আছে

Matrix-Game 4.0 হলো কুনলুন ওয়ানওয়েই-এর তৈরি বিশ্বের প্রথম ভিডিও বড় মডেল-ভিত্তিক গেম, যা একটি মাত্র ভোক্তা-শ্রেণির গ্রাফিক্স কার্ডে চলে। এটি “Harness” নতুন প্যারাডাইম ব্যবহার করে, যেখানে গেম ইঞ্জিন বিচারক হিসেবে বিশ্বের অবস্থা ও নিয়ম বজায় রাখে, Coding Agent প্রাকৃতিক ভাষায় গেমপ্লে পরিবর্তন করে এবং ভিডিও মডেল চিত্রশিল্পীর মতো রিয়েল টাইমে সূক্ষ্ম দৃশ্য রেন্ডার করে। Matrix-Game 4.0 একটি RTX 5090-এ 480p, 60 FPS এবং 150 মিলিসেকেন্ডের কম লেটেন্সিতে গেমিং অভিজ্ঞতা দিতে পারে, ফলে ছোট দলগুলোর জন্য একটি বিশ্ব তৈরি করা বাস্তবে সম্ভব হয়েছে।

একটি কার্ডে রিয়েল-টাইম运行: একটি RTX 5090-ই 480p, 60 FPS এবং 150 মিলিসেকেন্ডের কম লেটেন্সির খেলার উপযোগী গেমিং অভিজ্ঞতা দিতে পারে।
প্রাকৃতিক ভাষায় গেমপ্লে পরিবর্তন: Coding Agent-কে একটি নির্দেশ দিয়েই ভূপ্রকৃতি, NPC-এর আচরণ বা সম্পূর্ণ নতুন গেমের নিয়ম পরিবর্তন করা যায়।
বিশ্বের অবস্থা স্পষ্টভাবে পরিচালনা: গেম ইঞ্জিন কোডের মাধ্যমে স্বাস্থ্য, ইনভেন্টরি, সংঘর্ষ, জয়-পরাজয়সহ বিভিন্ন অবস্থা পরিচালনা করে; কোনো বস্তু দৃশ্যসীমার বাইরে গেলেও তার বিবর্তন চলতে থাকে।
লো-পলি থেকে সূক্ষ্ম দৃশ্য: ভিডিও মডেল ইঞ্জিনের তৈরি জ্যামিতিক দৃশ্যকে রিয়েল টাইমে আলো, ছায়া ও উপাদানসমৃদ্ধ 3A-মানের দৃশ্যে পুনরায় রেন্ডার করে।
দীর্ঘ সময়ের সামঞ্জস্যপূর্ণ গেমপ্লে: 54-99 সেকেন্ডের непрচ্ছিন্ন গেমপ্লে সমর্থন করে; দৃশ্য, চরিত্রের পরিচয় এবং মিথস্ক্রিয়ার ফল স্থিতিশীল থাকে ও বিচ্যুত হয় না।

WeChat-এ অনুসরণ করে “ওপেন সোর্স” লিখে পাঠান, AI ওপেন-সোর্স প্রকল্পের আলোচনা গোষ্ঠীতে যোগ দিন
Harness আর্কিটেকচার: সিস্টেমটি ভিডিও মডেলের ওপর Coding Agent এবং গেম ইঞ্জিন নিয়ে গঠিত একটি Harness স্থাপন করে। ইঞ্জিন নিয়মের মধ্যে অবস্থার বিবর্তন পরিচালনা করে এবং কাঠামোগত দৃশ্য আউটপুট দেয়, Coding Agent ব্যবহারকারীর অভিপ্রায়কে নতুন নিয়ম ও বিস্তারিত প্রম্পটে রূপান্তর করে, আর ভিডিও মডেল শুধু রেন্ডারিংয়ে মনোযোগ দেয়। তিনটির কাজ আলাদা ও স্বাধীন।
কাঠামো-সূক্ষ্ম দৃশ্য সমন্বিত ডেটা: UE5-এর ভিত্তিতে একটি আন্তঃডোমেইন ডেটাসেট তৈরি করা হয়। হালকা জ্যামিতিক বিমূর্তকরণ সংগ্রহ পাইপলাইন জটিল দৃশ্যকে স্থানিক টপোলজি ধরে রাখা লো-পলি কাঠামোগত উপস্থাপনায় রূপান্তর করে এবং তা উচ্চ-পলি দৃশ্যের সঙ্গে প্রতিটি ফ্রেমে পিক্সেল-স্তরে সমন্বয় করে। একই সঙ্গে ইনস্ট্যান্স ID এবং কারণগত ঘটনার মেটাডেটা সংগ্রহ করা হয়।
ডায়নামিক Caption: সিস্টেম বস্তুগুলোর ID-কে তাদের অর্থবহ বর্ণনার সঙ্গে যুক্ত করে। রানটাইমে ইঞ্জিন থেকে বর্তমান দৃশ্যমান বস্তু ও তাদের রিয়েল-টাইম অবস্থা পড়ে প্রম্পট টেমপ্লেটে বসানো হয়। কাঠামোগত দৃশ্যের সঙ্গে মিলিয়ে এটি কী আঁকতে হবে এবং কোথায় আঁকতে হবে, তার শর্ত নির্ধারণ করে।
নিয়ন্ত্রণযোগ্য V2V জেনারেশন: Wan2.2 5B-এর ভিত্তিতে পরিবর্তিত এই পদ্ধতিতে কাঠামোগত দৃশ্য ও তৈরি হওয়ার অপেক্ষায় থাকা ভিডিওকে 148টি চ্যানেলে সংযুক্ত করে 30-স্তরীয় causal DiT-তে ইনপুট দেওয়া হয়। Self-attention স্থানিক স্মৃতি ও ঐতিহাসিক KV cache পড়ে, cross-attention পাঠ্য শর্ত পড়ে এবং autoregressive পদ্ধতিতে খণ্ডে খণ্ডে তৈরি করে।

ভোক্তা-শ্রেণির একক কার্ডে রিয়েল-টাইম: একটি RTX 5090-এ 480p, 60 FPS এবং 112ms লেটেন্সি অর্জন করে, প্রথমবার ভিডিও মডেল-ভিত্তিক গেমকে পরীক্ষাগারের বহু-কার্ড ক্লাস্টারের বাইরে নিয়ে এসেছে।
বিশ্বের অবস্থা স্পষ্টভাবে পরিচালনাযোগ্য: গেম ইঞ্জিন কোডের মাধ্যমে বিশ্বের নিয়ম পরিচালনা করে; অবস্থা পড়া, পরিবর্তন ও যাচাই করা যায়। এর ফলে আগের প্রজন্মের মতো বিশ্ব শুধু মডেলের স্মৃতিতে থাকার কারণে যে বিচ্যুতি হতো, তা দূর হয়।
এক বাক্যে গেমপ্লে পরিবর্তন: Coding Agent প্রাকৃতিক ভাষার নির্দেশকে সরাসরি গেমের নিয়ম ও কোডে রূপান্তর করে, ফলে 3D সম্পদ তৈরির প্রক্রিয়া সৃজনশীল পুনরাবৃত্তিকে আর বাধাগ্রস্ত করে না।
দীর্ঘ সময় স্থিতিশীল ও সামঞ্জস্যপূর্ণ: স্থানিক স্মৃতি + রেফারেন্স ফ্রেম + ডায়নামিক Caption ব্যবস্থা দীর্ঘ সময়ের গেমপ্লেতে দৃশ্যের কাঠামো ও বস্তুর পরিচয় অক্ষুণ্ণ রাখে।
পারফরম্যান্সে সুস্পষ্টভাবে এগিয়ে: লেটেন্সি Code World Model-এর প্রায় 1/90 এবং StreamRender-H3-এর 1/5; প্রতিপক্ষগুলোর মধ্যে এটিই একমাত্র ভোক্তা-শ্রেণির সমাধান।

ভোক্তা-শ্রেণির একক কার্ডে রিয়েল-টাইম: একটি RTX 5090-এ 480p, 60 FPS এবং 112ms লেটেন্সি অর্জন করে, প্রথমবার ভিডিও মডেল-ভিত্তিক গেমকে পরীক্ষাগারের বহু-কার্ড ক্লাস্টারের বাইরে নিয়ে এসেছে।
বিশ্বের অবস্থা স্পষ্টভাবে পরিচালনাযোগ্য: গেম ইঞ্জিন কোডের মাধ্যমে বিশ্বের নিয়ম পরিচালনা করে; অবস্থা পড়া, পরিবর্তন ও যাচাই করা যায়।
এক বাক্যে গেমপ্লে পরিবর্তন: Coding Agent প্রাকৃতিক ভাষার নির্দেশকে সরাসরি গেমের নিয়ম ও কোডে রূপান্তর করে, ফলে 3D সম্পদ তৈরির প্রক্রিয়া সৃজনশীল পুনরাবৃত্তিকে আর বাধাগ্রস্ত করে না।
দীর্ঘ সময় স্থিতিশীল ও সামঞ্জস্যপূর্ণ: স্থানিক স্মৃতি + রেফারেন্স ফ্রেম + ডায়নামিক Caption ব্যবস্থা দীর্ঘ সময়ের গেমপ্লেতে দৃশ্যের কাঠামো ও বস্তুর পরিচয় অক্ষুণ্ণ রাখে।
পারফরম্যান্সে সুস্পষ্টভাবে এগিয়ে: লেটেন্সি Code World Model-এর প্রায় 1/90 এবং StreamRender-H3-এর 1/5; প্রতিপক্ষগুলোর মধ্যে এটিই একমাত্র ভোক্তা-শ্রেণির সমাধান।

প্রকল্পের অফিসিয়াল ওয়েবসাইট：https://matrix-game-v4-0.github.io/page/
GitHub রিপোজিটরি：https://github.com/SkyworkAI/Matrix-Game.git
HuggingFace মডেল রিপোজিটরি：https://huggingface.co/Skywork/Matrix-Game-4.0

দ্রুত গেম প্রোটোটাইপ উন্নয়ন: ছোট দলগুলো প্রাকৃতিক ভাষায় গেমপ্লে বর্ণনা করতে পারে, আর Coding Agent সরাসরি চালানো যায় এমন গেম Demo তৈরি করে, ফলে প্রকল্প যাচাইয়ের সময় উল্লেখযোগ্যভাবে কমে।
ব্যক্তিগতকৃত গেম কাস্টমাইজেশন (UGC): খেলোয়াড়েরা নিজেদের পছন্দ অনুযায়ী নিয়ম পরিবর্তন ও দৃশ্যশৈলী বদলাতে পারে, ফলে “প্রত্যেকের জন্য আলাদা” গেমিং অভিজ্ঞতা তৈরি হয়।
AI প্রোগ্রামিং শিক্ষা ও অনুশীলন: একটি ওপেন-সোর্স প্রকল্প হিসেবে ডেভেলপাররা “ইঞ্জিন + ভিডিও মডেল” Harness আর্কিটেকচার শিখতে এবং বিশ্ব মডেল ও গেম ইঞ্জিনের সমন্বিত প্যারাডাইম নিয়ে পরীক্ষা করতে পারে।
কম খরচে গেম কনটেন্ট তৈরি: সূক্ষ্ম 3D সম্পদ ও বড় গেম ইঞ্জিনের ওপর নির্ভরতা কমিয়ে স্বাধীন নির্মাতারা লো-পলি কাঠামোর মাধ্যমেই চলচ্চিত্র-মানের দৃশ্য তৈরি করতে পারে, ফলে উৎপাদন ব্যয় কমে।