Xiaomi MiMo-V2.6 চালু আছে

Xiaomi MiMo-V2.6 হলো Xiaomi প্রকাশিত ও ওপেন সোর্স করা একটি সর্বমোডাল মডেল সিরিজ। এতে Pro ও Flash নামে দুটি নেটিভ সর্বমোডাল মডেল রয়েছে। এর মূল লক্ষ্য হলো যাচাইযোগ্য জটিল কাজকে কেন্দ্র করে বৃহৎ-পরিসরের Agentic Reinforcement Learning। 6 দিনের Live RL এবং প্রায় 75万টি ট্রাজেক্টরির মাধ্যমে মডেলটি সফটওয়্যার ইঞ্জিনিয়ারিং, কোড, ভিশন, Cyberসহ বিভিন্ন সক্ষমতা উন্নত করেছে। এর ব্যবহার 3D গেম/Blender মডেলিং, রোবোটিক বাহু পরিচালনা, Computer Use, গবেষণা সহায়তা এবং ভিডিও ও সংগীত সৃষ্টিতেও বিস্তৃত হয়েছে।

জটিল যুক্তি ও Agent কাজ: কোড, সাধারণ কাজ, ভিশন এবং সাইবার নিরাপত্তার মতো যাচাইযোগ্য ক্ষেত্রে Reinforcement Learning-এর মাধ্যমে সক্ষমতা উন্নত করা।
সফটওয়্যার ইঞ্জিনিয়ারিং সক্ষমতা: নমুনার বাইরের দীর্ঘমেয়াদি ইঞ্জিনিয়ারিং বেঞ্চমার্ক DeepSWE v1.1-এ উল্লেখযোগ্য উন্নতি, যেখানে বাস্তব সমাধান ও সাধারণীকরণে জোর দেওয়া হয়।
3D বিশ্ব নির্মাণ: টেক্সট/ছবি/ভিডিওর চাহিদাকে বহু-এজেন্ট কাজে বিভক্ত করে চালানো যায় এমন 3D গেমের দৃশ্য ও ইন্টারঅ্যাকশন লজিক তৈরি করা।
Blender ত্রিমাত্রিক মডেলিং: বর্ণনা বা রেফারেন্স ছবি থেকে অ্যানিমেশন, 3D প্রিন্টিং ও গেম ডেভেলপমেন্টে ব্যবহারযোগ্য অ্যাসেট তৈরি করা।
Embodied Intelligence নিয়ন্ত্রণ: বহু-কোণ ক্যামেরার দৃশ্য ইনপুট হিসেবে নিয়ে ক্লোজড-লুপ নিয়ন্ত্রণে রোবোটিক বাহু দিয়ে ধরানো, রঙ মেলানো ও স্থাপন সম্পন্ন করা।
Computer Use Agent: গ্রাফিক্যাল ইন্টারফেস বুঝে অফিস ও উৎপাদনশীলতা সরঞ্জাম পরিচালনা করা এবং অনুসন্ধান, সম্পাদনা, ডেটা প্রক্রিয়াকরণ ও ত্রুটি সংশোধন সম্পন্ন করা।
গবেষণা সহায়তা: উপাদান বাছাইয়ের “ড্রাই এক্সপেরিমেন্ট” এবং Lean 4 ফরমাল গাণিতিক প্রমাণে অংশ নিতে পারে।
কনটেন্ট তৈরি: ফ্রন্টএন্ড, PPT, SVG, ভিডিও ও সংগীত তৈরি করে; নান্দনিকতা, মোশন, সুর এবং ভয়েসওভারের সামঞ্জস্যে জোর দেয়।

WeChat-এ ফলো করে “开源” লিখে উত্তর দিন এবং AI ওপেন সোর্স প্রকল্পের আলোচনা গ্রুপে যোগ দিন
বৃহৎ-পরিসরের Agentic RL: Code, General, Visual, Cyberসহ একাধিক কাজের পরিবেশে মডেলটি ধারাবাহিকভাবে পরীক্ষা ও সংশোধন করে এবং যাচাইযোগ্য ফলাফলকে পুরস্কার সংকেত হিসেবে ব্যবহার করে। 6 দিনেরও কম সময়ে প্রায় 75万টি ট্রাজেক্টরি সম্পন্ন করে। বড় Batch, সম্পূর্ণ asynchronous architecture এবং 1M context training-এর মাধ্যমে এক ধাপের আপডেট 2.7–3.7B token-এ উন্নীত করা হয়, ফলে নমুনা দক্ষতা ও নমুনার বাইরের সাধারণীকরণ বাড়ে।
পুরস্কার ও প্রতারণা প্রতিরোধ ব্যবস্থা: Group-এর অভ্যন্তরীণ তুলনার মাধ্যমে দীর্ঘমেয়াদি কাজকে আরও সূক্ষ্ম পুরস্কার দেওয়া হয়। Reward design, adversarial evaluation, anomaly detection এবং verifier cross-check ব্যবহার করে Reward Hacking দমন করা হয়। একই সময়ে MoE Router স্থির রেখে expert load drift কমানো হয় এবং বৃহৎ-পরিসরের প্রশিক্ষণের স্থিতিশীলতা নিশ্চিত করা হয়।
ঐক্যবদ্ধ ট্রাজেক্টরি ও সিস্টেম বিচ্ছিন্নকরণ: ঐক্যবদ্ধ ট্রাজেক্টরি উপস্থাপন ও penalty mechanism ব্যবহার করে learning signal আরও সূক্ষ্ম করা হয়, যা বহু-এজেন্ট ফ্রেমওয়ার্কে উচ্চ-সমান্তরাল ইন্টারঅ্যাকশন সমর্থন করে। Control plane ও data plane বিচ্ছিন্ন থাকায় বিপুল ট্রাজেক্টরি স্থানান্তর, mixed batch-এ স্থিতিশীল কাজের অনুপাত এবং training/inference engine-এর সামঞ্জস্য উন্নত করা সহজ হয়।
সর্বমোডালতা থেকে বিশ্বে কার্যসম্পাদন: ভাষা, ভিশন, 3D স্থানিক যুক্তি এবং নেটিভ action capability একত্র করে মডেলকে শুধু কোড তৈরি নয়, Blender, গেম ইঞ্জিন, simulation environment ও GUI-তে ভিজ্যুয়াল প্রতিক্রিয়ার ভিত্তিতে ক্লোজড-লুপে আচরণ সংশোধনের সক্ষমতা দেওয়া হয়।

পদ্ধতি এক: MiMo Desktop ক্লায়েন্ট
পদ্ধতি দুই: MiMo ওপেন প্ল্যাটফর্ম API
XiaoMi MiMo Desktop খুলে MiMo Desktop ডাউনলোড ও ইনস্টল করুন।
অ্যাকাউন্টে লগইন করে সাবস্ক্রিপশন নিন, অথবা সেটিংসে নিজের API Key কনফিগার করুন।
মডেল তালিকা থেকে MiMo-V2.6-Pro / Flash নির্বাচন করুন। রিয়েল-টাইম পরিস্থিতিতে UltraSpeed চালু করা যায়।
প্রাকৃতিক ভাষায় প্রোগ্রামিং, PPT/ওয়েবপেজ/SVG/ভিডিও/সংগীত তৈরি, গবেষণা বা কম্পিউটার পরিচালনার কাজ শুরু করুন এবং ছবি, ভিডিও, ফাইলসহ অন্যান্য উপকরণ আপলোড করুন।
ফলো-আপ প্রশ্ন, স্ক্রিনশট প্রতিক্রিয়া, পুনরায় চেষ্টা বা ধাপে ধাপে নিশ্চিতকরণের মাধ্যমে মডেলকে ভিশন/লগের ফল অনুযায়ী পুনরাবৃত্তভাবে সংশোধন করতে দিন।
Xiaomi MiMo ওপেন প্ল্যাটফর্মে প্রবেশ করে অ্যাপ্লিকেশন তৈরি করুন এবং API Key কপি করুন।
MiMo-V2.6-Pro / Flash মডেল নির্বাচন করে প্রয়োজনে UltraSpeed অতি-দ্রুত মোড চালু করুন।
প্ল্যাটফর্মের API ডকুমেন্টেশন অনুযায়ী মডেলের নাম, বার্তা, টুল/মাল্টিমোডাল ইনপুট এবং রিটার্ন ফরম্যাট পাঠান।
Agent কাজের ক্ষেত্রে পরিবেশের লগ, পরীক্ষায় উত্তীর্ণের হার, স্ক্রিনশট বা ভেরিফায়ারের প্রতিক্রিয়া যুক্ত করে “সম্পাদন—পরীক্ষা—সংশোধন” ক্লোজড-লুপ তৈরি করুন।
প্রথমে কম ট্রাফিকে মূল্য, বিলম্ব, সফলতার হার ও স্থিতিশীলতা যাচাই করুন, তারপর ধীরে ধীরে প্রোডাকশন সিস্টেমে প্রতিস্থাপন করুন।

RL-এর বৃহৎ-পরিসরের ব্যবহার: যাচাইযোগ্য জটিল কাজকে কেন্দ্র করে বৃহৎ-পরিসরের Agentic RL পরিচালনা করে। 6 দিনে প্রায় 75万টি ট্রাজেক্টরি সম্পন্ন হয়েছে এবং নমুনার বাইরের সাধারণীকরণের প্রমাণ রয়েছে।
উল্লেখযোগ্য Agent সক্ষমতা: সফটওয়্যার ইঞ্জিনিয়ারিং, টার্মিনাল, ওয়েবপেজ, ভিশন, Cyberসহ একাধিক কাজে শীর্ষস্থানীয় ক্লোজড-সোর্স মডেলের সঙ্গে প্রতিদ্বন্দ্বিতা করে।
সর্বমোডালতা থেকে কার্যসম্পাদন: টেক্সট, ছবি, ভিডিও, GUI, 3D, Blender, রোবোটিক বাহু এবং Computer Use সমর্থন করে।
উচ্চ ব্যয়-সাশ্রয়: নিবন্ধ অনুযায়ী একই স্তরের বুদ্ধিমত্তার মূল্য বিদেশি মডেলের প্রায় 1/20–1/60, এবং API মূল্য অপরিবর্তিত রয়েছে।
ইঞ্জিনিয়ারিং স্থিতিশীলতার নকশা: MoE Router freeze, Reward Hacking প্রতিরোধ ব্যবস্থা এবং ঐক্যবদ্ধ ট্রাজেক্টরি প্রক্রিয়ার মাধ্যমে স্থিতিশীল প্রশিক্ষণ সমর্থন করে।
সৃষ্টি ও গবেষণা উভয় ক্ষেত্রেই সক্ষম: ফ্রন্টএন্ড/PPT/ভিডিও/সংগীত তৈরি করতে পারে এবং উপাদান বাছাই ও Lean 4 ফরমাল প্রমাণেও অংশ নিতে পারে।

HuggingFace মডেল সংগ্রহ: https://huggingface.co/collections/XiaomiMiMo/mimo-v26

সফটওয়্যার ইঞ্জিনিয়ারিং Agent: স্বয়ংক্রিয়ভাবে বাগ শনাক্ত, কোড সংশোধন ও পরীক্ষা চালায় এবং ব্যর্থতার লগ অনুযায়ী পুনরায় সংশোধন করে। গবেষণা ও উন্নয়ন দক্ষতা বাড়াতে উপযোগী।
3D ইন্টারঅ্যাক্টিভ বিশ্ব তৈরি: টেক্সট/ছবি/ভিডিও থেকে চালানো যায় এমন ছোট গেমের দৃশ্য, Blender অ্যাসেট বা প্রোটোটাইপ Demo তৈরি করে।
Computer Use অফিস অটোমেশন: GUI পরিচালনা করে তথ্য অনুসন্ধান, স্প্রেডশিট সংগঠিত করা, ডকুমেন্ট সম্পাদনা এবং একাধিক টুলের সমন্বিত কাজ সম্পন্ন করে।
গবেষণা সহায়তা: সাহিত্য/পেটেন্ট পর্যালোচনা, MOF উপাদানের “ড্রাই এক্সপেরিমেন্ট” বাছাই এবং Lean 4 ফরমাল প্রমাণের মতো উচ্চ-দক্ষতার কাজ সম্পন্ন করে।
মাল্টিমোডাল কনটেন্ট তৈরি: বিপণন, শিক্ষা ও সৃজনশীল উৎপাদনের জন্য ফ্রন্টএন্ড পেজ, PPT, SVG, বিজ্ঞানভিত্তিক ভিডিও, সুর ও ভয়েসওভার ব্যাপকভাবে তৈরি করে।