VeriLoop E2 চালু আছে

VeriLoop E2 হলো সিংহুয়া বিশ্ববিদ্যালয়ের শেনঝেন আন্তর্জাতিক গ্র্যাজুয়েট স্কুলের রোবোটিক্স ল্যাবরেটরি কর্তৃক উন্মুক্ত করা 27B পোস্ট-ট্রেনিং মডেল। এটি Qwen3.8-27B-এর ওপর ভিত্তি করে তৈরি, কোড, গণিত ও পদার্থবিজ্ঞানের যুক্তির জন্য উপযোগী, Apache-2.0 লাইসেন্সে প্রকাশিত এবং এতে নেটিভ 262K কনটেক্সট রয়েছে। VeriLoop E2-এর কেন্দ্রীয় VGR প্রক্রিয়া “মডেলের প্রস্তাব” এবং “বাহ্যিক যাচাই/স্থায়ীকরণ” আলাদা রাখে। সুরক্ষিত প্রমাণের স্থানাঙ্কে অবনতি না ঘটলে এবং অন্তত একটি কঠোর উন্নতি হলে তবেই প্রার্থী অবস্থা জমা হয়; অন্যথায় তা রোলব্যাক করা হয়। ফলে মডেল নিজে নিজের সাফল্য প্রমাণ করতে পারে না।

উন্মুক্ত পোস্ট-ট্রেনিং মডেল: Qwen3.8-27B-এর ওপর ভিত্তি করে তৈরি 27B মডেল; Apache-2.0 লাইসেন্সে ওজন ও টোকেনাইজার প্রকাশিত। নেটিভ কনটেক্সট 262,144 tokens এবং vLLM 0.17.0 ব্যবহার করে OpenAI-সঙ্গত পদ্ধতিতে পরিবেশন করা যায়।
কোড ও এজেন্ট সক্ষমতা: রিপোজিটরি-স্তরের সফটওয়্যার মেরামত, টার্মিনাল/টুল সম্পাদনসহ বিভিন্ন কাজ সমর্থন করে। প্রকাশিত স্কোরের মধ্যে রয়েছে SWE-bench Pro 76.2%, Terminal-Bench 2.1 88.8%, DeepSWE v1.1 64.6% ইত্যাদি।
গণিত ও বৈজ্ঞানিক যুক্তি: প্রতিযোগিতামূলক গণিত ও কঠিন বৈজ্ঞানিক প্রশ্নোত্তরের জন্য তৈরি। রিপোর্ট করা ফলাফলের মধ্যে রয়েছে AIME 2026 98.3%, ArXivMath 100%, GPQA Diamond 93.9%, Apex 2025 89.6%।
প্রমাণ-সমাপ্ত বৈজ্ঞানিক প্রদর্শন: রিম্যান ζ-এর শূন্যগুলোর অনুপাত 67.350003708785593%-এর একটি কঠোর সসীম-মাত্রিক সার্টিফিকেট এবং অ্যাসিম্পটোটিক গ্র্যাভিটনের টমোগ্রাফির T1–T9 কাঠামো ও 6/6 পাস করা এক্সিকিউটেবল সার্টিফিকেট স্যুট প্রকাশ করেছে।
অডিটযোগ্য প্রকৌশল চুক্তি: 14টি Golden Rules প্রকাশ করা হয়েছে, যা দীর্ঘমেয়াদি কাজকে সীমাবদ্ধ, পরীক্ষাযোগ্য ও অনুসরণযোগ্য রাখে এবং সাফল্য জাল করা, রিসোর্স বাজেট পরে নির্ধারণ করা বা স্থানীয় কনভেনশন ওভাররাইড করা স্পষ্টভাবে নিষিদ্ধ করে।
স্পষ্ট সীমারেখা: প্রোডাকশন VeriLoop Harness, ব্যক্তিগত অর্কেস্ট্রেশন ও প্রশিক্ষণ ডেটা অন্তর্ভুক্ত নয়। বৈজ্ঞানিক আর্টিফ্যাক্ট ও মডেল লাইসেন্স আলাদা; ফলাফলকে রিম্যান হাইপোথিসিস বা ব্ল্যাক-হোল ইনফরমেশন প্যারাডক্স সমাধান হয়ে গেছে বলে ব্যাখ্যা করা যাবে না।

WeChat-এ ফলো করে “开源” লিখে উত্তর পাঠান, AI ওপেন-সোর্স প্রকল্পের গ্রুপে যোগ দিন
VGR-এর সামগ্রিক প্রক্রিয়া: VeriLoop-Governed Recurrence একটি কাজের সমাধানকে সংরক্ষিত অবস্থাকে ঘিরে প্রার্থী অবস্থার রূপান্তর হিসেবে মডেল করে। মডেল শেখা proposer হিসেবে প্রার্থী latent-variable displacement বা প্রার্থী আর্টিফ্যাক্ট তৈরি করে, নির্দিষ্ট decoder সেটিকে আউটপুটে রূপান্তর করে, আর বাহ্যিক verifier নির্দিষ্ট চুক্তির অধীনে সুরক্ষিত প্রমাণের rank ফিরিয়ে দেয়। প্রার্থীর rank বর্তমান rank-কে দুর্বলভাবে প্রাধান্য দিলে এবং অন্তত একটি স্থানাঙ্কে কঠোর উন্নতি হলে তবেই তা atomic commit হয়; অন্যথায় বর্তমান bundle সম্পূর্ণভাবে সংরক্ষিত থাকে এবং প্রত্যাখ্যাত displacement-টি কেবল exploration memory-তে লেখা হয়।
সুরক্ষিত আংশিক ক্রম ও atomic commit: যাচাইকারী চুক্তিতে একটি সুশৃঙ্খল obligation তালিকা O=(o1​,…,om​) এবং rank vector r∈N0m​ নির্ধারিত থাকে; স্থানাঙ্ক যত ছোট, অবশিষ্ট লঙ্ঘন তত কম। Commit predicate χt​=1{rt′​≺P​rt​} প্রতিটি স্থানাঙ্কে অবনতি না হওয়া এবং অন্তত একটি স্থানাঙ্কে কঠোর উন্নতি দাবি করে। তাই সামগ্রিক স্কোর উন্নত হলেও কোনো একক স্থানের পশ্চাদপসরণ আড়াল করা যায় না; তুলনাহীন বা অবনতিশীল প্রার্থী সবসময় প্রত্যাখ্যাত হয়। Commit unit হলো বাঁধা আর্টিফ্যাক্ট, latent state, verification result ও summary-সম্বলিত CertifiedBundle। প্রত্যাখ্যানের সময় পুরো bundle অপরিবর্তিত থাকে, ফলে rollback ও replay নিশ্চিত হয় এবং integer potential কমার মাধ্যমে কঠোর commit-এর সংখ্যা সসীম প্রমাণিত হয়।
প্রমাণ-প্রতিক্রিয়া ও প্রত্যাখ্যাত অনুসন্ধান: প্রতিটি প্রচেষ্টার পর evidence compiler Γ বর্তমান যাচাইয়ের বস্তু প্রতিস্থাপনের আগে “বর্তমান ফলাফল—প্রার্থী ফলাফল—commit সিদ্ধান্ত” থেকে সীমাবদ্ধ, মডেলের কাছে দৃশ্যমান বৈশিষ্ট্য গণনা করে, যেমন rank sum compression, উন্নতি/অবনতি/অপরিবর্তিত অনুপাত, commit ও zero-rank indicator। এগুলো কেবল পরবর্তী প্রস্তাবকে condition করার কাজে ব্যবহৃত হয়; commit করার ক্ষমতা নেই। প্রত্যাখ্যাত displacement exploration memory Et​-এ প্রবেশ করে, পরবর্তী অনুসন্ধানে প্রভাব ফেলতে পারে, কিন্তু সুরক্ষিত অবস্থা ওভাররাইট করতে পারে না। এতে ব্যর্থতার ট্রাজেক্টরি “তথ্যবহুল কিন্তু স্থায়ী নয়” থাকে।
পোস্ট-ট্রেনিং তত্ত্বাবধান ইন্টারফেস: VGR label কাজ-স্তরের state transition-এ সংজ্ঞায়িত হওয়ায় E2 পোস্ট-ট্রেনিংয়ের জন্য 1,841,831টি কাঠামোবদ্ধ রেকর্ড ব্যবহার করে। যাচাইকৃত কঠোর অগ্রগতির action সংশোধনমূলক supervision দেয়, commit করা যায় না এমন প্রার্থী contrastive negative example দেয়, আর zero-rank artifact চূড়ান্ত generation target দেয়। Loss গঠিত হয় জোড়াভিত্তিক preference logistic term, action NLL ও generation NLL-এর ওজনযুক্ত সমন্বয়ে। এতে QLoRA-4/bfloat16, gradient checkpoint, capability-surface routing ও protected-core replay ব্যবহার করা হয়। রিপোর্টে জোর দেওয়া হয়েছে যে এর ফলে শেখার প্রস্তাব বণ্টন উন্নত হয়।

মডেল সংগ্রহ করুন: Hugging Face থেকে tsinghua-sigs-robot-lab/VeriLoop-E2 ডাউনলোড করুন এবং রিপোজিটরির নিজস্ব tokenizer, chat template ও configuration সংরক্ষণ করুন।
পরিবেশ প্রস্তুত করুন: Python 3.12.x, PyTorch 2.10.0 + CUDA 12.9, Transformers 4.57.6, Triton 3.6.0 ইনস্টল করুন এবং python -m pip install "vllm==0.17.0" চালান।
সার্ভিস চালু করুন: VLLM_USE_MODELSCOPE=true vllm serve --served-model-name veriloop-e2 --dtype bfloat16 --model-impl vllm --language-model-only --max-model-len 131072 --max-num-seqs 16 --gpu-memory-utilization 0.92 --generation-config vllm --host 127.0.0.1 --port 8001 চালান।
প্রথমে স্মোক টেস্ট করুন: http://127.0.0.1:8001/v1/chat/completions-এ temperature: 0 সহ একটি ছোট অনুরোধ পাঠিয়ে 8001_OK-এর মতো উত্তর পাওয়া যাচ্ছে কি না নিশ্চিত করুন, তারপর আনুষ্ঠানিক ট্রাফিকে যুক্ত করুন।
OpenAI প্রোটোকল অনুযায়ী কল করুন: model="veriloop-e2" ব্যবহার করে /v1/chat/completions কল করুন। Python-এ OpenAI(base_url="http://127.0.0.1:8001/v1", api_key="EMPTY") দিয়ে client তৈরি করুন।
টেমপ্লেটকে প্রোটোকলের অংশ হিসেবে বিবেচনা করুন: role separator, tool-calling syntax, stop semantics বা reasoning history format প্রতিস্থাপন করবেন না। ওজন অপরিবর্তিত থাকলেও এতে tool use ও সিস্টেমের আচরণ বদলে যেতে পারে।
দীর্ঘ কনটেক্সটের রিসোর্স পরিকল্পনা করুন: প্রকাশিত tokenizer-এর নেটিভ সীমা 262,144 tokens, কিন্তু প্রকাশ্য যাচাইকরণ সার্ভিসের দৈর্ঘ্য 131,072 tokens। এর চেয়ে বড় window-এর জন্য নিজে GPU memory ও KV cache মূল্যায়ন করুন।
মডেল ও Harness-এর ক্ষমতা আলাদা রাখুন: E2 কেবল প্রস্তাব, abstraction, diagnosis ও repair-এর দায়িত্বে। প্রমাণ গ্রহণ, deterministic check, commit/rollback, termination ও persistence আপনার নিজস্ব verifier/Harness-এ বাস্তবায়ন করা উচিত।

Generation ও verification আলাদা: মডেল কেবল প্রস্তাব, diagnosis ও repair পরিচালনা করে; বাহ্যিক Harness এককভাবে গ্রহণ, rollback, termination ও persistence-এর অধিকার রাখে, ফলে মডেল নিজে নিজের সাফল্য প্রমাণ করতে পারে না।
Regression প্রতিরোধী commit নিয়ম: VGR কেবল তখনই commit করে যখন “সুরক্ষিত প্রমাণের স্থানাঙ্কে অবনতি নেই এবং অন্তত একটি কঠোর উন্নতি আছে”; সামগ্রিক উন্নতি কোনো একক স্থানের পশ্চাদপসরণ আড়াল করতে পারে না।
Atomic rollback ও নিরাপদ ব্যর্থতা: প্রত্যাখ্যাত প্রার্থী সম্পূর্ণ CertifiedBundle সংরক্ষণ করে; ব্যর্থতার ট্রাজেক্টরি পুনর্ব্যবহার করা যায়, কিন্তু যাচাইকৃত অবস্থা ওভাররাইট করা যায় না।
বাস্তব যাচাই থেকে supervision signal: পোস্ট-ট্রেনিংয়ে কঠোর অগ্রগতি, commit-অযোগ্য negative example ও zero-rank final draft ব্যবহার করে preference/NLL target তৈরি করা হয়।
শক্তিশালী সমন্বিত সক্ষমতা: 27B আকারে কোড agent, terminal execution, গণিত ও বৈজ্ঞানিক যুক্তি সমর্থন করে। রিপোর্ট করা ফলাফলের মধ্যে রয়েছে SWE-bench Pro 76.2%, AIME 2026 98.3%, GPQA Diamond 93.9%।
দীর্ঘ কনটেক্সট ও উন্মুক্ত সার্ভিস: নেটিভ 262,144 tokens কনটেক্সট, Apache-2.0 ওজন এবং vLLM 0.17.0-এ যাচাইকৃত OpenAI-সঙ্গত সার্ভিস পথ।
শুধু স্কোর নয়, অডিটযোগ্যতা: মূল্যায়ন evidence package-এ কাজের সঙ্গে যুক্ত পরিচয়, output, native execution/evaluation record, pass/fail এবং সম্পূর্ণ integrity metadata থাকে।

HuggingFace মডেল রিপোজিটরি: https://huggingface.co/tsinghua-sigs-robot-lab/VeriLoop-E2
প্রযুক্তিগত গবেষণাপত্র: https://openreview.net/pdf?id=P6FIQILHwX

রিপোজিটরি-স্তরের কোড মেরামত: SWE ধরনের কাজে patch তৈরি, regression নির্ণয় এবং test/evaluator-এর মাধ্যমে তা সংরক্ষণ করা হবে কি না নির্ধারণে ব্যবহার করা যায়। “পরিবর্তন অবশ্যই যাচাইযোগ্য হতে হবে” এমন রক্ষণাবেক্ষণ পরিস্থিতির জন্য উপযোগী।
টার্মিনাল ও টুল agent: Terminal-Bench ধরনের পরিবেশে command চালানো, tool কল করা এবং প্রমাণের ভিত্তিতে পরবর্তী পদক্ষেপ নেওয়া; pass/fail credential দিয়ে অগ্রগতি নিয়ন্ত্রণ করা যায়।
গণিতের যুক্তি ও প্রতিযোগিতামূলক সমাধান: AIME/ArXivMath ধরনের কঠিন derivation-এর জন্য একাধিকবার sampling-এর পর বাহ্যিক বিচারকের মাধ্যমে পুনরুৎপাদনযোগ্য সমাধান সংরক্ষণ করে, ফলে একবারের উত্তরের ওপর নির্ভরতার ঝুঁকি কমে।
বৈজ্ঞানিক গণনা ও তাত্ত্বিক পদার্থবিজ্ঞানের অনুসন্ধান: রিম্যান ζ, quantum field theory, asymptotic graviton ইত্যাদি গবেষণায় construction প্রস্তাব এবং proof gap শনাক্ত করতে সহায়তা করে।