নতুন মডেল ও শিল্পগত গতি
OpenAI GPT-Live চালু করেছে, একটি ফুল-ডুপ্লেক্স ভয়েস মডেল যা একসাথে শুনতে ও বলতে পারে, স্বাভাবিকভাবে বাধা সামাল দেয় এবং জটিল প্রশ্ন GPT-5.5-এ স্থানান্তর করে। এটি পূর্ববর্তী অ্যাডভান্সড ভয়েস মোডের পরিবর্তে এসেছে।
- Introducing GPT‑Live(নতুন ট্যাবে খোলে)
- OpenAI releases new voice models for more natural live conversations(নতুন ট্যাবে খোলে)
- ChatGPT can now listen and talk at the same time, making AI conversations seem more human(নতুন ট্যাবে খোলে)
- ChatGPT’s upgraded voice mode is better at shutting up(নতুন ট্যাবে খোলে)
SpaceXAI Grok 4.5 প্রকাশ করেছে, একটি মডেল যা Anthropic-এর Opus এবং OpenAI-এর সর্বশেষ মডেলের সাথে প্রতিযোগিতামূলক, তবে খরচের একটি ভগ্নাংশে—যেমন, Terminal Bench-এ প্রায় GPT-5.5-এর সাথে মিলে যায় কিন্তু অনেক কম টোকেন মূল্যে।
Anthropic-এর Claude Fable 5 সমস্ত নতুন Artificial Analysis শিল্প বেঞ্চমার্কে শীর্ষে রয়েছে, যদিও এর উচ্চ খরচ কোম্পানিটিকে এটি একটি পরিকল্পক হিসেবে ব্যবহার করার পরামর্শ দিতে পরিচালিত করেছে যা কার্যকরী করে Sonnet 5-এর কাছে, খরচ প্রায় ৪০% কমিয়ে এবং অধিকাংশ কর্মক্ষমতা ধরে রেখে।
AI স্টার্টআপগুলি ত্বরান্বিত রাজস্ব দেখছে: Lovable $৫০০M ARR-এ তার মূল্যায়ন দ্বিগুণ করে $১৩.২B করার খবর রয়েছে, অন্যদিকে Prime Intellect $১৩০M সংগ্রহ করেছে এন্টারপ্রাইজদের নিজস্ব এজেন্ট তৈরি করতে সাহায্য করার জন্য।
চীনা স্টার্টআপ MiniMax এই বছরের শেষের দিকে একটি ২.৭ ট্রিলিয়ন প্যারামিটারের মডেল ওপেন-সোর্স করার পরিকল্পনা করছে, যা এখন পর্যন্ত সবচেয়ে বড় ওপেন চীনা মডেল হবে।
Meta Muse Image প্রকাশ করেছে, একটি এজেন্টিক ইমেজ-জেনারেশন মডেল যা টুল এবং Instagram ফটো ব্যবহার করে, যদিও এটি অপ্ট-আউট সেটিংস নিয়ে গোপনীয়তা উদ্বেগ সৃষ্টি করেছে।
এজেন্ট টুল, ফ্রেমওয়ার্ক ও অবকাঠামো
LangChain এবং NVIDIA NemoClaw Deep Agents ব্লুপ্রিন্ট চালু করেছে, একটি উন্মুক্ত, নিয়ন্ত্রণযোগ্য স্ট্যাক যেখানে তারা দেখিয়েছে যে শুধু হারনেস টিউন করাই Nemotron 3 Ultra-কে ফ্রন্টিয়ার-এজেন্ট মানের কাছাকাছি নিয়ে এসেছে ১০× কম খরচে।
Modal $৩৫৫M সংগ্রহ করেছে AI এজেন্টদের জন্য উদ্দেশ্য-নির্মিত ক্লাউড অবকাঠামো তৈরি করতে, স্যান্ডবক্স, দ্রুত পুনরাবৃত্তি এবং প্রোগ্রামেটিক নিয়ন্ত্রণের উপর জোর দিয়ে।
Google DeepMind Gemini API-এর পরিচালিত এজেন্টগুলিতে ব্যাকগ্রাউন্ড এক্সিকিউশন, দূরবর্তী MCP সমর্থন এবং কাস্টম ফাংশন যুক্ত করেছে, দীর্ঘস্থায়ী এবং এন্টারপ্রাইজ-সংযুক্ত এজেন্ট ওয়ার্কফ্লো সহজ করে।
Microsoft Flint ওপেন-সোর্স করেছে, একটি ডিক্লারেটিভ ভিজুয়ালাইজেশন ভাষা এবং MCP সার্ভার যা এজেন্টদেরকে সহজ স্পেক থেকে মার্জিত, অভিযোজিত চার্ট তৈরি করতে দেয়।
MTPLX V2 এখন MLX মডেলের জন্য MacBook Pro-তে প্রতি সেকেন্ডে ৮২ টোকেন অর্জন করে, অন্যদিকে audio.cpp স্ট্রিমিং ASR যুক্ত করেছে যা ৩২৭ সেকেন্ডের অডিও ২.১৭ সেকেন্ডে ট্রান্সক্রাইব করে—উভয়ই গুরুত্বপূর্ণ স্থানীয় রানটাইম গতিবৃদ্ধি।
- 82 TPS On Qwen 3.6 27b On A Macbook Pro | Introducing MTPLX V2: The Fastest Way To Run MLX Models.(নতুন ট্যাবে খোলে)
- [audio.cpp] What Does the Fox Say: 4 ASR models (Nemotron 3.5 ASR, Higgs Audio STT, VibeVoice ASR, and Hviske ASR) in native C++/GGML, init streaming support, and 327s of audio transcribed in 2.17s.(নতুন ট্যাবে খোলে)
NVIDIA এজেন্ট প্রশিক্ষণের জন্য ওপেন ডেটাসেট প্রকাশ করেছে—সফটওয়্যার ইঞ্জিনিয়ারিং ট্রেস, টুল-ব্যবহার ব্যর্থতা এবং মাল্টি-স্টেপ রিজনিং লগ—যাতে ডেভেলপাররা আরও শক্তিশালী এজেন্টিক সিস্টেম তৈরি করতে পারেন।
Bun প্রকল্পের Rust পুনর্লিখন প্রদর্শন করেছে যে আজকের কোডিং এজেন্টরা কীভাবে নিরাপদে বৃহৎ অবকাঠামো পুনর্লিখন করতে পারে, প্রকল্পগুলির জন্য সমীকরণ পরিবর্তন করে যা আগে কখনও ভিত্তি থেকে পুনর্লিখন বিবেচনা করত না।
OpenAI-এর SWE‑Bench Pro কোডিং বেঞ্চমার্কের অডিটে দেখা গেছে যে প্রায় ৩০% কাজ ভাঙা, যা এজেন্টিক কোডিং ক্ষমতা মূল্যায়নের জন্য এর নির্ভরযোগ্যতা হ্রাস করে।
Llama.cpp Ternary Bonsai ১.৫৮-বিট মডেলের জন্য Q2_0 কোয়ান্টাইজেশন সমর্থন যোগ করেছে, এবং HF Viewer তাৎক্ষণিক অনুসন্ধান এবং ইন্টারেক্টিভ মডেল অন্বেষণসহ একটি বড় UI পরিবর্তন পেয়েছে।
স্থানীয় AI ও ওপেন মডেল
কমিউনিটি সদস্যরা হোম হার্ডওয়্যারে ৭৫৩B-প্যারামিটার GLM‑5.2 MoE চালাচ্ছেন: চারটি DGX Sparks জুড়ে একটি ৪-বিট কোয়ান্ট Terminal‑Bench-এ ৭০.৮% আঘাত করে, এবং একটি ১৪০GB IQ2_XXS কোয়ান্ট পরীক্ষার জন্য উপলব্ধ।
- 4-bit GLM-5.2 (753B MoE) on 4× DGX Spark: 70.8% on Terminal-Bench 2.1 vs 81.0% for the full model(নতুন ট্যাবে খোলে)
- Running GLM 5.2 on 4xGB10 with a 100G Switch, 330k ctx, ~25 t/s tg, ~650 t/s pp(নতুন ট্যাবে খোলে)
- I created a 140 GB IQ2_XXS REAP quant of GLM 5.2 for coding. Looking for testers.(নতুন ট্যাবে খোলে)
বাস্তব-বিশ্ব ব্যবহার দেখায় যে Qwen3.5‑122B-এর মতো বড় MoE মডেলগুলি ছোট ডেন্স বা MoE মডেলের তুলনায় জটিল এজেন্টিক কাজের জন্য অনেক বেশি নির্ভরযোগ্য, যা প্রায়ই আর্কিটেকচার এবং টুল কলিংয়ে সমস্যায় পড়ে।
কোয়ান্টাইজেশন মান গুরুত্বপূর্ণ: Döner Bench ফলাফল দেখায় যে নিম্ন-বিট কোয়ান্টগুলি ক্রমশ মডেলগুলিকে লোবোটোমাইজ করে, IQ2 কোয়ান্টগুলি সমন্বয় হারায় এবং কখনও কখনও অব্যবহারযোগ্য আউটপুট তৈরি করে।
একটি ভাল-টিউন করা RAG সিস্টেমের সাথে যুক্ত স্থানীয় Llama মডেলগুলি প্রযুক্তিগত প্রশ্নের সঠিকভাবে উত্তর দিতে পারে, বন্ধ মডেলগুলির সাথে প্রতিদ্বন্দ্বিতা করে, এবং Apple Intelligence-এর ৩B মডেল RAG-এর সাথে ৮৬% স্কোর করে।
উন্মুক্ততা নিয়ে কমিউনিটি বিতর্ক অব্যাহত রয়েছে: যে মডেলগুলি প্রশিক্ষণ ডেটা এবং পদ্ধতি প্রকাশ করে, যেমন K2 Think v2, Artificial Analysis উন্মুক্ততা সূচকে সর্বোচ্চ স্কোর করে।
AI গেমিংকে পুনর্নির্মাণ করছে: মডাররা এখন Skyrim-এ গতিশীল NPC তৈরি করতে স্থানীয় LLM চালায়, এবং নতুন ওপেন-সোর্স টুলগুলি ভয়েস এবং অন্যান্য গেম সম্পদের সম্পূর্ণ স্থানীয় উৎপাদনের অনুমতি দেয়।
রোবোটিক্স ও এমবডিড AI
Mistral Robostral Navigate-এর সাথে রোবোটিক্সে প্রবেশ করেছে, একটি ৮B মডেল যা একটি একক RGB ক্যামেরা ব্যবহার করে চাকাযুক্ত, পাযুক্ত বা উড়ন্ত রোবটকে চালিত করে এবং R2R‑CE নেভিগেশন বেঞ্চমার্কে ৭৯.৪% অর্জন করে।
General Intuition $৩২০M সংগ্রহ করেছে এই তত্ত্বের ভিত্তিতে যে গেমিং ডেটা সাধারণ-উদ্দেশ্যের বিশ্ব মডেলের জন্য অনুপস্থিত উপাদান, এমবডিড AI-এর জন্য একটি 'ChatGPT মুহূর্ত' ভবিষ্যদ্বাণী করে, এবং ইতিমধ্যে মাত্র আট মিনিটের বাস্তব-বিশ্ব ডেটার পরে একটি রোবট অফিসে নেভিগেট করতে দেখিয়েছে।
নৈতিকতা, গোপনীয়তা ও নীতি
Brown University-এর একজন অর্থনীতি অধ্যাপক AI প্রতারণার সন্দেহ করেছিলেন এবং একটি শারীরিক উপস্থিতি পরীক্ষা নিয়েছিলেন; স্কোর ৫০% কমে গিয়েছিল, যা Ivy League শিক্ষার্থীদের মধ্যে ব্যাপক অপব্যবহার প্রকাশ করে।
একটি মামলায় অভিযোগ করা হয়েছে যে xAI-এর Grok একজন নাবালকের ৭,০০০ CSAM ছবি তৈরি করেছে এবং কোম্পানিটি তদন্তে বাধা দিয়েছে; এদিকে, Google-এর SynthID সফলভাবে সিনেটর McConnell-এর একটি AI-নির্মিত প্রতারণামূলক ছবি ভুল প্রমাণ করেছে।
Meta-এর সর্বদা-চালু চশমা প্রোটোটাইপ, যা প্রতি কয়েক সেকেন্ডে নীরবে অডিও এবং ফটো রেকর্ড করতে পারে, এবং এর Muse Image মডেলের যথাযথ সম্মতি ছাড়া Instagram মুখ ব্যবহার গোপনীয়তা এবং সম্মতি বিতর্ক পুনরায় সৃষ্টি করেছে।
OpenAI জাতীয়-নিরাপত্তা নীতি প্রকাশ করেছে যা গণতান্ত্রিক জবাবদিহিতার উপর জোর দেয়, অন্যদিকে চীন জাতিসংঘের প্রথম বৈশ্বিক AI শাসন সংলাপে ওপেন-সোর্স AIকে একটি ভাগ করা সম্পদ হিসেবে প্রচার করেছে।
এই দিনের জন্য এটুকুই – প্রায় ৫ মিনিটের পাঠ।