টেথার ডেটা নতুন ৪৬০M প্যারামিটার ভিশন মডেলের মাধ্যমে ক্লাউড থেকে এআই-কে বাইরে ঠেলে দিচ্ছে

কোম্পানির AI গবেষণা শাখা QVAC বুধবার VisionPsy-Nano প্রকাশ করেছে; এটি ছবি, নথি এবং চার্ট পরীক্ষা করে, তারপর উৎস উপাদান কোনো দূরবর্তী সিস্টেমে না পাঠিয়েই প্রশ্নের উত্তর দিতে পারে। ইনপুট ও রেসপন্স—দুটিই ফোনেই প্রক্রিয়াকৃত হয়, ফলে সফ্টওয়্যারটি অফলাইনে কাজ করতে পারে এবং ডেটা ডিভাইসেই থাকে।

QVAC বলছে, টেথার AI রিসার্চের এই মডেলটি ৫০০ মিলিয়নের কম প্যারামিটারযুক্ত ভিশন-ল্যাঙ্গুয়েজ সিস্টেমগুলোর মধ্যে সর্বোচ্চ সামগ্রিক স্কোর অর্জন করেছে। ১৭টি বেঞ্চমার্কে এটি ১৬টিতে প্রতিদ্বন্দ্বী মডেলগুলোকে হারিয়েছে।

কীভাবে তুলনায় দাঁড়ায়

মডেলটি ৬২.৩ নরমালাইজড স্কোর পেয়েছে, যেখানে Liquid AI-এর LFM2.5-VL-450M পেয়েছে ৫৯.৬ এবং Hugging Face-এর SmolVLM2-500M পেয়েছে ৫২.৫। QVAC-এর আগের nanoVLM-460M-8k বেস মডেলটি স্কোর করেছিল ৫৪.৯।

টেথার ডেটা রিলিজটি দুইটি সংস্করণে এসেছে। স্ট্যান্ডার্ড বিল্ডটি নির্ভুলতাকে অগ্রাধিকার দেয়, আর Flash সামান্য মান (কোয়ালিটি) কমিয়ে দ্রুততর রেসপন্স দেয়। QVAC বলছে, Flash পূর্ণ মডেলের পারফরম্যান্সের প্রায় ৯৯% ধরে রাখে, একই সঙ্গে অ্যান্ড্রয়েড ফোনে SmolVLM2-500M-এর তুলনায় সর্বোচ্চ ২৩ গুণ দ্রুত এবং iPhone 15-এ সর্বোচ্চ ৩৬ গুণ দ্রুত প্রথম আউটপুট তৈরি করে।

মোবাইল হার্ডওয়্যারে ওই রেসপন্স টাইম গুরুত্বপূর্ণ। একটি কমপ্যাক্ট মডেল টেস্টিংয়ে ভালো স্কোর করতে পারে, কিন্তু ডিভাইসকে কোনো ছবি প্রক্রিয়াকরণে ব্যবহারকারীদের অপেক্ষা করতে হলে সেটি বাস্তবে অপ্রয়োজনীয় মনে হতে পারে। Flash সেই প্রাথমিক বিলম্ব কমানোর জন্যই তৈরি।

এই কৃত্রিম বুদ্ধিমত্তা (AI) সিস্টেম ডকুমেন্ট বিশ্লেষণ ও অপটিক্যাল ক্যারেক্টার রেকগনিশনও সমর্থন করে, যা আর্থিক প্রতিবেদন, ফ্লোচার্ট এবং ইনফোগ্রাফিক থেকে টেক্সট ও কাঠামো বের করে আনে।

QVAC বলছে, ভিজ্যুয়াল রিজনিং টেস্টে মডেলটি একই আকারের প্রতিদ্বন্দ্বীদের তুলনায় গড়ে ৭.৪% এগিয়ে ছিল। MM-IFEval এবং POPE-এ এটি নিজের চেয়ে দ্বিগুণেরও বেশি আকারের মডেলগুলোকে ছাড়িয়ে গেছে, যার মধ্যে Qwen এবং InternVL-এর রিলিজও রয়েছে।

কেন ছোট আকার গুরুত্বপূর্ণ

ইমেজ প্রসেসিং ডেটা সেন্টার থেকে ফোনে আনলে মেমোরি, তাপ, ব্যাটারি ব্যবহার এবং কম্পিউটিং শক্তির ক্ষেত্রে কঠোর সীমাবদ্ধতা তৈরি হয়। কমপ্যাক্ট মডেলগুলো সাধারণ টেক্সট ভালোভাবে সামলাতে পারে, কিন্তু ঘন চার্ট, টেবিল বা স্ক্যান করা ডকুমেন্ট পড়ার সময় প্রায়ই নির্ভুলতা কমে যায়।

QVAC-এর বেঞ্চমার্ক ফলাফল ইঙ্গিত করে যে, ভোক্তা-ডিভাইসের জন্য যথেষ্ট ছোট থেকে গিয়েও মডেলটি সেই সক্ষমতার বড় একটি অংশ বজায় রেখেছে। লোকাল প্রসেসিংয়ের অর্থ হলো ডকুমেন্ট আপলোড করার প্রয়োজন নেই, এবং নেটওয়ার্ক সংযোগ ছাড়াও সফ্টওয়্যার কাজ চালিয়ে যেতে পারে।

বিভিন্ন ডিপ্লয়মেন্ট অপশনের জন্য তৈরি

ডেভেলপাররা Hugging Face Transformers-এর মাধ্যমে, llama.cpp-এর জন্য একটি কোয়ান্টাইজড GGUF সংস্করণে, অথবা উচ্চ-ভলিউম সার্ভার ব্যবহারের জন্য vLLM ব্যাকএন্ডের মাধ্যমে মডেলটি অ্যাক্সেস করতে পারেন।

QVAC VLMEvalKit-এর মাধ্যমে তাদের বেঞ্চমার্ক কনফিগারেশনও প্রকাশ করেছে, যাতে বাইরের গবেষকেরা একই টেস্ট পুনরায় চালাতে পারেন। উভয় সংস্করণই Apache 2.0 লাইসেন্স ব্যবহার করে, যা বাণিজ্যিক ব্যবহার, পরিবর্তন এবং পুনর্বিতরণ অনুমোদন করে।

টেথারের বৃহত্তর AI কৌশলের অংশ

টেথার CEO পাওলো আরদোইনো বলেছেন, এই রিলিজটি লোকাল, দক্ষ AI সিস্টেমের দিকে কোম্পানির অগ্রযাত্রাকে সমর্থন করে।

“মাত্র ৪৬০ মিলিয়ন প্যারামিটারে সাধারণ ভিশন টাস্কে সেরা-শ্রেণির মান ও পারফরম্যান্স অর্জন প্রমাণ করে যে লোকাল-ফার্স্ট, উচ্চ দক্ষ AI একটি বাস্তবসম্মত পথ,” আরদোইনো বলেন।

মডেলটি অক্টোবর ২০২৫ থেকে শুরু করে একাধিক QVAC রিলিজের ধারাবাহিকতার অংশ, যার মধ্যে সিন্থেটিক ট্রেনিং ডেটাসেট, ক্রস-প্ল্যাটফর্ম সফ্টওয়্যার ডেভেলপমেন্ট কিট, এবং ফোন ও পরিধেয় ডিভাইসের জন্য ডিজাইন করা মেডিক্যাল মডেল অন্তর্ভুক্ত।

ডেভেলপারদের জন্য, এই রিলিজটি ব্যবহার-ভিত্তিক API খরচ ছাড়াই অফলাইন ইমেজ বিশ্লেষণ অফার করে। ব্যবসাগুলো সংবেদনশীল নথি ডিভাইসেই রাখতে পারে, আর ভোক্তারা সিগনাল ছাড়াও AI ফিচার ব্যবহার করতে পারে। প্রকাশিত কনফিগারেশন ব্যবহার করে গবেষকেরা কোম্পানির পারফরম্যান্স দাবিগুলো স্বাধীনভাবে পরীক্ষা করতে পারেন।

টেথার তাদের AI সম্প্রসারণে অর্থায়ন করেছে তাদের USDT স্টেবলকয়েন ব্যবসা থেকে প্রাপ্ত লাভ দিয়ে। তারা AI অবকাঠামো, বায়োটেকনোলজি এবং রোবোটিক্সেও বিনিয়োগ করেছে, যার মধ্যে NEURA Robotics-এ Series C বিনিয়োগ রয়েছে, যার মূল্যায়ন সর্বোচ্চ $1.4 বিলিয়ন পর্যন্ত।