ZDTaichu5.0-9B চালু আছে

ZDTaichu5.0-9B হলো Zhidong Taichu-এর ওপেন-সোর্স করা নতুন প্রজন্মের সাধারণ-উদ্দেশ্য মাল্টিমোডাল বড় মডেল, যা ভৌত জগৎ ও embodied intelligence-এর দৃশ্যপটের জন্য তৈরি। মডেলটি নয়টি আন্তর্জাতিক স্থানিক বেঞ্চমার্কের মধ্যে একই সংখ্যক প্যারামিটারের মডেলগুলোর ক্ষেত্রে বিশ্বসেরা ৮টি ফল অর্জন করেছে; MindCube-tiny-তে স্কোর 78.27, যা সমপর্যায়ের মডেলগুলোর চেয়ে অনেক এগিয়ে। একই সঙ্গে ছবি-টেক্সট বোঝাপড়া, OCR, গণিত ও কোডিংসহ সাধারণ সক্ষমতাগুলোও প্রথম সারিতে রয়েছে। মডেলটি স্বয়ংক্রিয়ভাবে পুনরাবৃত্তিমূলক রিজনিং করতে পারে এবং entropy gating প্রক্রিয়ার মাধ্যমে অনিশ্চিত Token-এর জন্য অতিরিক্ত গণনা চালায়। মডেলটি গবেষণা-পরীক্ষা ও শিল্প উৎপাদনের বাস্তব মেশিন-ভিত্তিক কাজে যাচাই করা হয়েছে; এর ওজন এবং প্রশিক্ষণ পদ্ধতি সম্পূর্ণ উন্মুক্ত।

স্থানিক বোঝাপড়া ও অনুমান: নয়টি আন্তর্জাতিক স্থানিক বেঞ্চমার্কের মধ্যে একই সংখ্যক প্যারামিটারের মডেলগুলোর ক্ষেত্রে বিশ্বসেরা ৮টি ফল অর্জন করেছে; রেফারেন্স ফ্রেম রূপান্তর, দিক নির্ণয়সহ জটিল স্থানিক রিজনিংয়ে দক্ষ।
সাধারণ মাল্টিমোডাল সক্ষমতা: ছবি-টেক্সট বোঝাপড়া, OCR, গণিত ও কোডিংয়ে ভারসাম্যপূর্ণ; AI2D, OCRBench, AIME2026 ইত্যাদিতে ফলাফল প্রথম সারিতে রয়েছে।
Embodied task planning: রোবটের ”উচ্চস্তরের মস্তিষ্ক” হিসেবে পরিবেশ বোঝা, বস্তুর পরিচয় মনে রাখা এবং কাজের ধাপগুলো ভেঙে দেওয়ার দায়িত্ব পালন করে।
গবেষণা-পরীক্ষায় সহায়তা: সিমুলেশন গণনা ও ভেজা পরীক্ষাকে সংযুক্ত করে, স্বয়ংক্রিয়ভাবে Python/SciPy ব্যবহার করে বৈজ্ঞানিক বিশ্লেষণ সম্পন্ন ও প্রতিবেদন তৈরি করে।
শিল্প উৎপাদন পরিচালনা: উপকরণ প্রস্তুতি ও সরবরাহ, মেশিনে মাল ওঠানো-নামানো, কর্মস্থল গোছানোসহ বিভিন্ন দৃশ্যপট সমর্থন করে এবং ঘন তাক, আড়াল, পূর্বশর্তসহ বাস্তব কর্মস্থলের সমস্যা সমাধান করে।

WeChat-এ ফলো করে “开源” লিখে উত্তর দিন, AI ওপেন-সোর্স প্রকল্পের আলোচনা গ্রুপে যোগ দিন
স্বয়ংক্রিয় পুনরাবৃত্তিমূলক রিজনিং: মডেল প্রতিটি Token তৈরি করার সময় entropy gating প্রক্রিয়ার মাধ্যমে পূর্বাভাসের অনিশ্চয়তা নির্ধারণ করে। সম্ভাব্যতা বণ্টন যত বেশি ছড়ানো হয়, সংশ্লিষ্ট অবস্থানে আংশিক স্তর-ব্লকের গণনা ততবার চালানো হয়; প্রতিটি ধাপে অভ্যন্তরীণ উপস্থাপন সংশোধন করে তারপর আউটপুট দেওয়া হয়। উচ্চ-নিশ্চয়তার অবস্থানে সরাসরি আউটপুট দেওয়া হয়, ফলে গণনাশক্তি নির্দিষ্টভাবে ”যেখানে নিশ্চিত নয়” সেখানে ব্যয় হয় এবং বাহ্যিক টুলের ওপর নির্ভর করতে হয় না।
তিন স্তরের স্থিতিশীলতা ব্যবস্থা: পুনরাবৃত্ত গণনার কারণে উপস্থাপনা সরে যাওয়া ঠেকাতে damping update যোগ করা হয়েছে, যা প্রতিটি সংশোধনের মাত্রা নিয়ন্ত্রণ করে এবং মূল উপস্থাপনাকে রেফারেন্স হিসেবে ব্যবহার করে। KL divergence ও hidden-state residual-এর দ্বৈত stopping criterion ব্যবহার করে পুনরাবৃত্তি সঙ্গত হয়েছে কি না নির্ধারণ করা হয়। মধ্যবর্তী অবস্থা সংরক্ষণ করা হয়, যাতে একাধিক ধাপের ফলাফল থেকে কম-ঝুঁকির উপস্থাপনা বেছে নেওয়া এবং প্রয়োজনে rollback করা যায়।
ক্রমবর্ধমান ডেটা কারিকুলাম: প্রশিক্ষণ ধাপে ধাপে এগোয়। প্রি-ট্রেনিংয়ে ছবি-টেক্সট, ওয়েবপেজ, বহু-দৃষ্টিকোণ ভিডিও ও ত্রিমাত্রিক সিমুলেশন ডেটা ব্যবহার করা হয়, যা deduplication ও quality filtering-এর মধ্য দিয়ে যায়। Supervised fine-tuning পর্যায়ে বাস্তব ব্যবসায়িক প্রশ্নোত্তর, স্থানিক embodied কেস এবং Agent tool-calling trajectory দেওয়া হয়; পাশাপাশি নমুনার ছবি, বস্তুর সম্পর্ক ও পরিচালনাগত সীমাবদ্ধতার সামঞ্জস্য যাচাই করা হয়। শেষে দীর্ঘ রিজনিং নমুনা দিয়ে annealing করা হয় এবং GRPO reinforcement learning-এর সঙ্গে উত্তর সঠিকতা, স্থানাঙ্ক নির্ভুলতা ও ফরম্যাটের সামঞ্জস্যের মতো স্বয়ংক্রিয়ভাবে যাচাইযোগ্য সংকেতকে পুরস্কার হিসেবে ব্যবহার করা হয়।
দীর্ঘমেয়াদি কাজের ক্লোজড লুপ: মডেলের অভ্যন্তরীণ পুনরাবৃত্তি শুধু এক ধাপের রিজনিং সমাধান করে; কাজের অগ্রগতি বাহ্যিক প্রতিক্রিয়ার ওপর নির্ভর করে। প্রতিটি ধাপ সম্পন্ন করার পর নতুন দৃশ্যের মাধ্যমে পরিবেশের অবস্থা নিশ্চিত করা হয়, ফলে ”অনুধাবন—জ্ঞান—কর্ম—প্রতিক্রিয়া”-এর ধারাবাহিক ক্লোজড লুপ তৈরি হয়।

ওজন সংগ্রহ: Huggingface বা GitHub থেকে ওপেন-সোর্স ওজন ডাউনলোড করুন।
স্থানীয় স্থাপন: একক ভোক্তা-শ্রেণির/পেশাদার-শ্রেণির GPU-তে মডেল লোড করুন (9B প্যারামিটার, তুলনামূলকভাবে কম VRAM প্রয়োজন)।
মাল্টিমোডাল ইন্টারঅ্যাকশন: ছবি+টেক্সট নির্দেশনা ইনপুট দিলে মডেল দিক নির্ণয়, লক্ষ্যবস্তুর স্থানাঙ্ক, স্থাপনযোগ্য অবস্থানসহ স্থানিক রিজনিংয়ের ফল দিতে পারে।
রোবট সিস্টেমে সংযুক্তি: এটিকে উচ্চস্তরের পরিকল্পনা মডিউল হিসেবে ব্যবহার করে নিম্নস্তরের grasping, navigation ইত্যাদি রোবট নিয়ন্ত্রণ ব্যবস্থার সঙ্গে সংযুক্ত করুন।
পুনঃপ্রশিক্ষণ: ওজনের সঙ্গে উন্মুক্ত ডেটা উৎপাদন ও প্রশিক্ষণ পদ্ধতি ব্যবহার করে নিজস্ব দৃশ্যপটের ডেটা দিয়ে আরও fine-tuning করুন।

সমপর্যায়ে স্থানিক সক্ষমতায় প্রথম: নয়টি আন্তর্জাতিক স্থানিক বেঞ্চমার্কে সেরা ফল করে একই সংখ্যক প্যারামিটারের সাধারণ গ্রুপে বিশ্বসেরা ৮টি ফল অর্জন করেছে; MindCube-tiny-তে সমপর্যায়ের মডেলের চেয়ে 15 পয়েন্টের বেশি এগিয়ে।
সাধারণ সক্ষমতা হ্রাস পায় না: স্থানিক embodied সক্ষমতায় বড় অগ্রগতির পাশাপাশি ছবি-টেক্সট, OCR, গণিত ও কোডিংসহ সাধারণ সক্ষমতাগুলোও প্রথম সারিতে রয়েছে।
স্বয়ংক্রিয় পুনরাবৃত্তিমূলক রিজনিং: entropy gating প্রক্রিয়া মডেলকে শুধু ”যেখানে নিশ্চিত নয়” সেই Token-এর জন্য অতিরিক্ত গণনা করতে দেয়, ফলে রিজনিং আরও নির্ভুল হয় এবং গড় খরচ নিয়ন্ত্রণযোগ্য থাকে।
বাস্তব মেশিনে যাচাই করা: গবেষণা-পরীক্ষা (টেস্ট টিউব পরিচালনা, ড্রপার দিয়ে স্থানান্তর) এবং শিল্প উৎপাদনের (মাল ওঠানো-নামানো, কর্মস্থল গোছানো) বাস্তব মেশিনের কাজে সফলভাবে চালানো হয়েছে।
বড় মডেলের সঙ্গে প্রতিযোগিতামূলক: একাধিক স্থানিক বেঞ্চমার্কে Gemini 3 Pro-এর চেয়ে 7% এর বেশি এগিয়ে, অথচ কম প্যারামিটারের স্থাপনা-খরচ ক্লোজড-সোর্স বড় মডেলের তুলনায় অনেক কম।
সম্পূর্ণ ওপেন-সোর্স ও কাস্টমাইজযোগ্য: ওজন, ডেটা উৎপাদন ও প্রশিক্ষণ পদ্ধতি সম্পূর্ণ উন্মুক্ত; ডেভেলপাররা নিজস্ব ডেটা দিয়ে ধারাবাহিক fine-tuning করে নিজেদের কর্মক্ষেত্রের জন্য মানিয়ে নিতে পারেন।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://taichu-ai.github.io/ZDTaichu5.0-9B
GitHub রিপোজিটরি: https://github.com/Taichu-AI/ZDTaichu5.0-9B
HuggingFace মডেল রিপোজিটরি: https://huggingface.co/TaichuAI/ZDTaichu5.0-9B

শিল্প উৎপাদন: উপকরণ প্রস্তুতি ও সরবরাহ, মেশিনে মাল ওঠানো-নামানোর পরীক্ষা, কর্মস্থল গোছানো; ঘন তাক থেকে লক্ষ্যবস্তু শনাক্ত করা, grasping অবস্থান নির্ধারণ এবং বসানো সঠিক হয়েছে কি না তা পুনরায় যাচাই করা।
গবেষণা-পরীক্ষার স্বয়ংক্রিয়তা: স্বয়ংক্রিয় পরীক্ষামূলক প্ল্যাটফর্মের ”উচ্চস্তরের অর্কেস্ট্রেশন মস্তিষ্ক” হিসেবে টেস্ট টিউব ক্রমানুসারে বসানো, ড্রপার দিয়ে তরল স্থানান্তরসহ বিভিন্ন নমুনা-ভিত্তিক কাজ সম্পন্ন করে এবং নমুনার পরিচয়, স্থানিক অবস্থান ও কাজের অগ্রগতি অনুসরণ করে।
বৈজ্ঞানিক গণনায় সহায়তা: প্রাকৃতিক ভাষায় বৈজ্ঞানিক প্রশ্ন গ্রহণের পর স্বয়ংক্রিয়ভাবে Python/SciPy ব্যবহার করে বিশ্লেষণাত্মক সমাধান ও সংখ্যাতাত্ত্বিক সমাধান গণনা করে, ক্রস-চেক করে এবং বিশ্লেষণ প্রতিবেদন তৈরি করে; সিমুলেশন ও ভেজা পরীক্ষাকে সংযুক্ত করে।
রোবটের উচ্চস্তরের পরিকল্পনা: embodied intelligence-এর ”মস্তিষ্ক” হিসেবে পরিবেশ বোঝা, বস্তু মনে রাখা ও ধাপ ভেঙে দেওয়ার দায়িত্ব পালন করে এবং নিম্নস্তরের grasping/navigation নিয়ন্ত্রণ ব্যবস্থার সঙ্গে সমন্বয় করে দীর্ঘমেয়াদি কাজ সম্পন্ন করে।
স্মার্ট গুদাম ও লজিস্টিকস: ”তৃতীয় সারির দ্বিতীয় উপকরণ বাক্সটি নিন” ধরনের কাজের আদেশ পরিচালনা করে, বৈশিষ্ট্য সংযুক্তি, স্থানিক ক্রমবিন্যাস ও লক্ষ্য নির্ধারণ সম্পন্ন করে এবং আড়াল, লক্ষ্যবস্তু দৃষ্টিসীমার বাইরে চলে যাওয়াসহ বাস্তব গুদাম সমস্যার মোকাবিলা করে।