NeoHorse-1 চালু আছে

NeoHorse-1 হলো জিইউয়ান লুডোং, উওয়েন শিনচিয়ং, সিংহুয়া বিশ্ববিদ্যালয়, পেকিং বিশ্ববিদ্যালয়, দ্য চাইনিজ ইউনিভার্সিটি অব হংকং, আলিবাবা প্রমুখের যৌথভাবে প্রকাশিত একটি ওপেন-সোর্স Agent মডেল, যা 4B ও 9B সংস্করণে রয়েছে। মডেলটি Agent-Native পোস্ট-ট্রেনিং ব্যবহার করে এবং Routing Harness-এর বাস্তব এক্সিকিউশন ট্রেসকে প্রশিক্ষণ ডেটা হিসেবে গ্রহণ করে। রাউটিং সংকেতকে প্রশিক্ষণ কারিকুলাম সাজানোর ভিত্তি হিসেবে পুনর্ব্যবহার করে এটি মূল্যায়ন প্রতিক্রিয়া→ডেটা অনুপাত→মডেল আপডেটের ক্লোজড লুপ তৈরি করে। মডেলটি টুল কল, টাস্ক প্ল্যানিং, গভীর অনুসন্ধান ও কোড জেনারেশন সমর্থন করে। 9B সংস্করণের গড় স্কোর 69.04, বেস মডেলের চেয়ে 3.44 পয়েন্ট বেশি। এটি নেটিভভাবে 26万 token কনটেক্সট সমর্থন করে এবং স্থানীয়ভাবে ডিপ্লয় করা যায়।

টুল কল: কাজের প্রয়োজন অনুযায়ী স্বয়ংক্রিয়ভাবে বাহ্যিক টুল নির্বাচন ও কল করে বহু-ধাপের অপারেশন সম্পন্ন করা।
টাস্ক প্ল্যানিং: জটিল কাজকে সম্পাদনযোগ্য উপধাপে ভাগ করে দীর্ঘমেয়াদি পরিকল্পনা ও সমন্বয় করা।
গভীর অনুসন্ধান: বহু-দফা ইন্টারঅ্যাকশনে সক্রিয়ভাবে তথ্য খোঁজা ও সমন্বয় করে সিদ্ধান্তের প্রমাণ-শৃঙ্খল তৈরি করা।
কোড জেনারেশন: ব্যবহারযোগ্য কোড তৈরি করে পরিবেশের প্রতিক্রিয়ার ভিত্তিতে ডিবাগ ও সংশোধন করা, যতক্ষণ না কাজ সম্পন্ন হয়।

WeChat-এ ফলো করে “开源” লিখে উত্তর পাঠান, AI ওপেন-সোর্স প্রকল্পের আলোচনা গ্রুপে যোগ দিন
Harness ট্রেস-চালিত Agent-Native প্রশিক্ষণ: প্রশিক্ষণ ডেটার মূল অংশ হলো Routing Harness-এর বাস্তব এক্সিকিউশন থেকে তৈরি কাঠামোবদ্ধ ট্রেস। এতে অনুরোধ, রাউটিং, টুল কল, পরিবেশের প্রতিক্রিয়া ও ত্রুটি পুনরুদ্ধার অন্তর্ভুক্ত থাকে। প্রচলিত প্রশ্নোত্তর ডেটার তুলনায় এতে সক্ষমতার চাহিদা, এক্সিকিউশন সিদ্ধান্ত ও পরিবেশের ফলাফল নামে তিনটি অতিরিক্ত মাত্রা রয়েছে। সফল ও ব্যর্থ উভয় ট্রেস সংরক্ষণ করা হয়; কাঠামোগত পরীক্ষা ও ছয়-মাত্রিক মান মূল্যায়নের পর সেগুলো নির্বাচন করা হয়, যাতে প্রশিক্ষণের লক্ষ্য সরাসরি কাজ সম্পন্ন করার দিকে নির্দেশিত হয়।
সক্ষমতা-নির্দেশিত ডেটা অনুপাত: রাউটার কাজগুলোকে সক্ষমতার চাহিদা অনুযায়ী C0–C3 চার স্তরে ভাগ করে। সংকেত অফলাইনে প্রশিক্ষণের ভিত্তি হিসেবে পুনর্ব্যবহার করা হয়: রাউটিং রেকর্ডকে “পূর্বাভাস—কর্ম—ফলাফল” তিন ভাগে বিভক্ত করে, পূর্বাভাস অংশ দিয়ে কারিকুলাম সাজানো হয় এবং ফলাফল অংশ দিয়ে সক্ষমতার ঘাটতি শনাক্ত করা হয়। এর ভিত্তিতে পরবর্তী ধাপের ডেটা অনুপাত সমন্বয় করে মূল্যায়ন প্রতিক্রিয়া→ডেটা অনুপাত→মডেল আপডেটের ক্লোজড লুপ তৈরি করা হয়।
রিকার্সিভ সেলফ-ইমপ্রুভমেন্ট (RSI)-এর এক-রাউন্ড যাচাই: এটি Data-RSI ও Model-RSI—এই দুই অংশে বিভক্ত। প্রথমটি হলো মডেলের ধারাবাহিক এক্সিকিউশনে নতুন ট্রেস তৈরি হওয়া, যা বাছাইয়ের পর পরবর্তী প্রশিক্ষণ উপকরণ হিসেবে স্বাভাবিকভাবে জমা হয়। দ্বিতীয়টি হলো মূল্যায়নে চিহ্নিত ঘাটতি অনুযায়ী মডেল আপডেট করে সেটিকে Harness মডেল পুলে ফিরিয়ে দেওয়া। বর্তমানে কেবল একবারের ক্লোজড লুপ যাচাই করা হয়েছে; সংকেত ও পুরস্কার নকশা এখনও মানুষ নির্ধারণ করে।

ডাউনলোড টুল ইনস্টল করুন: ModelScope কমান্ড-লাইন টুল ইনস্টল করতে pip install -U modelscope চালান।
মডেল ডাউনলোড করুন: ওজন ডাউনলোড করতে modelscope download --model TokenRhythm/NeoHorse-1-9B --local_dir ./NeoHorse-1-9B চালান। 4B সংস্করণের ক্ষেত্রেও একইভাবে প্রয়োজন অনুযায়ী নির্বাচন করুন।
সেবা ডিপ্লয় করুন: SGLang (pip install "sglang==0.5.17") অথবা vLLM ব্যবহার করে ইনফারেন্স সেবা চালু করুন এবং --context-length 262144, --reasoning-parser qwen3 ও --tool-call-parser qwen3_coder কনফিগার করুন।
API কল: OpenAI SDK-এর মাধ্যমে base_url স্থানীয় সেবা ঠিকানায় নির্দেশ করুন, যেমন http://localhost:8000/v1। এরপর OpenAI API কল করার মতোই অনুরোধ পাঠানো যাবে।
রিসোর্স সম্পর্কে সতর্কতা: ব্যবহারযোগ্য প্রকৃত কনটেক্সট GPU মেমরির ওপর নির্ভর করে। মেমরি অপর্যাপ্ত হলে আগে কনটেক্সটের দৈর্ঘ্য কমিয়ে তারপর ডিপ্লয় করুন।

Agent-Native প্রশিক্ষণ: প্রচলিত প্রশ্নোত্তর ডেটার বদলে প্রশিক্ষণ ডেটা সরাসরি বাস্তব এক্সিকিউশন ট্রেস থেকে আসে; লক্ষ্য সাধারণ মডেলের পরবর্তী অভিযোজন নয়, বরং সরাসরি কাজ সম্পন্ন করা।
ব্যর্থ ট্রেসের ব্যবহার: প্রশিক্ষণ সেটে সফল ও প্রতিস্থাপিত ব্যর্থ রেকর্ড উভয়ই রাখা হয়, যাতে মডেল শিখতে পারে “কোথায় ভুল হওয়ার সম্ভাবনা বেশি এবং ভুলের পর কীভাবে পুনরুদ্ধার করতে হয়”।
রাউটিং সংকেতের পুনর্ব্যবহার: অনলাইন রাউটিংয়ের C0–C3 সক্ষমতা স্তরের সংকেতকে অফলাইনে প্রশিক্ষণের ভিত্তিতে রূপান্তর করে “মূল্যায়ন প্রতিক্রিয়া→ডেটা অনুপাত→মডেল আপডেট” ক্লোজড লুপ তৈরি করা হয়।
ছোট আকারে উচ্চ কর্মক্ষমতা: 4B সংস্করণের Agent কর্মক্ষমতা একাধিক বৃহত্তর প্যারামিটারের সাধারণ মডেলকে ছাড়িয়ে গেছে। 9B সংস্করণের গড় স্কোর 69.04, বেস মডেলের চেয়ে 3.44 পয়েন্ট বেশি, ফলে ডিপ্লয়মেন্ট ব্যয় কম।
দীর্ঘ কনটেক্সট: নেটিভভাবে 262,144 tokens সমর্থন করে এবং প্রায় 101万 tokens পর্যন্ত সম্প্রসারণযোগ্য, যা দীর্ঘমেয়াদি Agent কাজের জন্য উপযোগী।

GitHub রিপোজিটরি: https://github.com/TokenRhythm/NeoHorse
HuggingFace মডেল লাইব্রেরি: https://huggingface.co/collections/TokenRhythm/neohorse-1
arXiv প্রযুক্তিগত পেপার: https://arxiv.org/pdf/2609.08183

Agent কাজ সম্পাদন: OpenClaw-এর মতো Harness-এ এক্সিকিউশন মডেল হিসেবে ফাইল অপারেশন, সফটওয়্যার ব্যবহারসহ বাস্তব কম্পিউটার কাজ স্বয়ংক্রিয়ভাবে সম্পন্ন করে এবং ব্যর্থতার পর নিজে পুনরুদ্ধার করে।
টুল কল ও API অর্কেস্ট্রেশন: বহু-টুল পরিবেশে বাহ্যিক API স্বয়ংক্রিয়ভাবে নির্বাচন, সমন্বয় ও কল করে; অটোমেশন ওয়ার্কফ্লো সহকারী তৈরির জন্য উপযোগী।
গভীর অনুসন্ধান ও গবেষণা সহকারী: বহু দফায় সক্রিয়ভাবে তথ্য অনুসন্ধান ও ক্রস-ভেরিফিকেশন করে, প্রমাণ-শৃঙ্খলসহ উদ্ধৃতিনির্ভর গবেষণা প্রতিবেদন তৈরিতে সহায়তা করে।
এন্টারপ্রাইজ অফিস অটোমেশন: WorkBuddy Bench-এর মতো বিভিন্ন কর্মক্ষেত্রের পরিস্থিতিতে সময়সূচি পরিবর্তন, ডেটা সংগঠিত করা, রিপোর্ট তৈরি ইত্যাদি দীর্ঘমেয়াদি বহু-ধাপের কাজ সম্পন্ন করে।