LLM এজেন্টদের মেমরি গ্রাফে ডিফিউশনের সময় ActionRAG কীভাবে প্রমাণ পুনর্বিবেচনা করে
একটি গ্রাফ মেমরি আর্কিটেকচার প্রস্তাব করা হয়েছে, যা ইনডেক্সিংয়ের সময় সত্তাগুলোর মধ্যে সতর্কভাবে সামঞ্জস্য স্থাপন করে এবং প্রশ্নের সময় স্থানীয় কাঠামোর ভিত্তিতে সম্পর্কগুলো নতুন করে মূল্যায়ন করে। MemoryAgentBench-এ পদ্ধতিটি গড়ে ৫৫.১ নির্ভুলতা দেখিয়েছে এবং সংশ্লেষণের খরচ প্রতি প্রশ্নে খুবই কম রেখে সবচেয়ে শক্তিশালী তথ্য-উদ্ধারভিত্তিক বেসলাইনের তুলনায় ৫.৪ শতাংশ পয়েন্ট উন্নতি করেছে।
এজেন্টের মেমরি কোথায় ব্যর্থ হয়
লেখকেরা মেমরির ব্যর্থতাকে দুই শ্রেণিতে ভাগ করেছেন। প্রথমটি ইনডেক্সিংয়ের সঙ্গে সম্পর্কিত। দ্বিতীয়টি অনলাইন রিট্রিভালের সময় দেখা দেয়।
- ইনডেক্সিংয়ের ত্রুটির কারণে পুনরাবৃত্ত সত্তাগুলো আলাদা হয়ে যেতে পারে।
- একই ত্রুটির কারণে ভিন্ন সত্তাগুলো একীভূত হয়ে যেতে পারে।
- অনলাইন রিট্রিভাল প্রাথমিক সাদৃশ্যের স্কোরগুলোকে চূড়ান্ত বলে ধরে নিতে পারে।
- আশপাশের গ্রাফ এই স্কোরগুলো পুনর্বিবেচনার ভিত্তি দিতে পারে।
ব্যবহারিক মানদণ্ড: কোয়েরির পর্যায়ে প্রাথমিক স্কোর পুনর্বিবেচনা করার মেমরির সক্ষমতা।
ইনডেক্সিং: টাইপ সামঞ্জস্য ও সত্তা নির разрешন
ActionRAG-এর ইনডেক্সিং পাইপলাইন দুটি ধাপ সম্পন্ন করে।
- টাইপ লেবেলগুলো সামঞ্জস্য করে।
- বহুস্তরীয় সত্তা নির разрешন প্রয়োগ করে।
এই ধাপগুলো সতর্ক ইনডেক্সিংয়ের অংশ। ইনডেক্সিংয়ের ত্রুটি একটি স্বতন্ত্র ঝুঁকি হিসেবেই থাকে। ব্যবহারিক মানদণ্ড: টাইপ সামঞ্জস্য ও বহুস্তরীয় সত্তা নির разрешনের উপস্থিতি।
কোয়েরি রিট্রিভাল: দুটি চ্যানেল ও স্থানীয় গ্রাফ
কোয়েরির জন্য ActionRAG দুটি চ্যানেলের মাধ্যমে সত্তা ও ট্রিপল রিট্রিভ করে। এই ডেটা প্রাথমিক প্রমাণের সেট এবং একটি সীমিত স্থানীয় গ্রাফ তৈরি করে।
- রিট্রিভালের দুটি চ্যানেল থেকে সত্তা ও ট্রিপল পাওয়া যায়।
- এই ডেটা থেকে প্রাথমিক প্রমাণের সেট তৈরি হয়।
- এই ডেটা থেকে একটি সীমিত স্থানীয় গ্রাফ তৈরি হয়।
ব্যবহারিক মানদণ্ড: পুরো মেমরি পুনর্বিবেচনার পরিবর্তে কোয়েরির চারপাশে স্থানীয় গ্রাফ।
সরাসরি সংযোগ সুরক্ষাসহ প্রমাণের বিস্তার
প্রাপকের ভিত্তিতে স্বাভাবিকীকৃত, কোয়েরি-নির্ভর বিস্তার ট্রিপলগুলোর স্কোর পরিমার্জন করে। এতে স্থানীয় পথের কাঠামো বিবেচনায় নেওয়া হয়। এই পুনর্বিবেচনা সরাসরি প্রমাণ সুরক্ষা এবং অনুপস্থিত সংযোগ পুনরুদ্ধারের ওপর নির্ভর করে।
তিনটি প্রক্রিয়া এই পুনর্বিবেচনাকে সমর্থন করে:
- প্রাথমিক নোড সুরক্ষা সরাসরি প্রমাণ ধরে রাখতে সাহায্য করে;
- হাব-দণ্ডযুক্ত প্রবাহ হাবের মধ্য দিয়ে যাওয়া প্রবাহকে দণ্ডিত করে;
- ট্রিপল ম্যাটেরিয়ালাইজেশন অনুপস্থিত সংযোগ পুনরুদ্ধারে সাহায্য করে।
ব্যবহারিক মানদণ্ড: বিস্তারের সময় সরাসরি প্রমাণ ধরে রাখা।
MemoryAgentBench-এ মূল্যায়ন কী দেখায়
MemoryAgentBench (MAB) চারটি বিষয় যাচাই করে:
- রিট্রিভালের নির্ভুলতা;
- দ্বন্দ্ব নিরসন;
- দূরবর্তী সংযোগ বোঝা;
- পরীক্ষার সময় শেখা।
MAB-এ ActionRAG-এর ফলাফল:
| মাপকাঠি | ফলাফল |
|---|---|
| নির্ধারিত মূল্যায়নসহ আটটি কলামে গড় নির্ভুলতা | 55,1 |
| রিট্রিভাল-ভিত্তিক শক্তিশালীতম মেমরি বেসলাইনের চেয়ে এগিয়ে | 5,4 পয়েন্ট |
| কোয়েরির সময় বিবেচনায় নিয়ে সংশ্লেষণের গড় খরচ | উপস্থাপিত চারটি খরচের কলামে প্রতি কোয়েরিতে খুবই কম |
| আলাদাভাবে মাপা retrieval-side p99 উপাদানগুলোর যোগফল | ভোক্তা-স্তরের Apple Silicon সিস্টেমে 440,7 মি.সে. |
ব্যবহারিক মানদণ্ড: নির্ভুলতা, সংশ্লেষণের খরচ এবং রিট্রিভাল উপাদানগুলোর p99 আলাদাভাবে হিসাব করা।
সাধারণ প্রশ্নোত্তর
বিভিন্ন উপাদান
সব উপাদান
সম্ভাব্যতার সিমপ্লেক্সে স্থানান্তর কনট্রাস্টিভ মাল্টিমোডাল মডেলগুলিতে মোডালিটি ব্যবধান কমায়
arXiv:2610.32890 গবেষণাপত্রে গোলীয় এম্বেডিংয়ের বদলে সম্ভাব্যতামূলক সিমপ্লেক্স ব্যবহারের প্রস্তাব করা হয়েছে, সঙ্গে যুক্ত করা হয়েছে হালকা softmax অ্যাডাপ্টার এবং Total Variation সাদৃশ্য। পাঁচটি অনুসন্ধান বেঞ্চমার্কে, অনুসন্ধানের মান বজায় রেখে বা বাড়িয়ে, বিভিন্ন মডালিটির মধ্যে সেন্ট্রয়েডের ℓ2 দূরত্ব 97–99% কমেছে।
3 নভেম্বর 2026
মাইনিং স্বয়ংক্রিয়করণের জন্য পনেরোটি কোম্পানি MDK Tether-কে সমর্থন করেছে
সরঞ্জাম নির্মাতা, পুল এবং অপারেটররা যন্ত্রপাতির পর্যবেক্ষণ ও ব্যবস্থাপনাকে একীভূত করতে Tether-এর উন্মুক্ত স্ট্যাকের সঙ্গে ইন্টিগ্রেশন তৈরির দায়িত্ব নিয়েছে; QVAC AI এজেন্ট ইতিমধ্যেই এই ভিত্তিতে কাজ করছে। বিদ্যুৎ খরচ কমা বা দক্ষতা বাড়ার বিষয়ে স্বাধীন কোনো নিশ্চিতকরণ এখনো প্রকাশিত হয়নি।
2 নভেম্বর 2026
স্বায়ত্তশাসিত বিনিয়োগে LLM এজেন্টদের নিয়ন্ত্রিত বিকাশ: অপরিবর্তনীয় সুরক্ষা স্তরসহ একটি মাল্টি-এজেন্ট কাঠামো
এই নিবন্ধে Steward-এর বর্ণনা দেওয়া হয়েছে—নয়টি ভূমিকা-নির্দিষ্ট LLM এজেন্টের একটি ব্যবস্থা, যেখানে পোর্টফোলিও-সংক্রান্ত সিদ্ধান্তগুলো ঝুঁকি ব্যবস্থাপকের যাচাইয়ের মধ্য দিয়ে যায়, আর প্রম্পটে পরিবর্তন আনা যায় কেবল প্রত্যাবর্তনযোগ্য নিয়ন্ত্রণ এবং সংরক্ষিত ডেটা পুনরুৎপাদনের মাধ্যমে। মূল সিদ্ধান্ত হলো—অপরিবর্তনীয় কোর এবং অডিট পদ্ধতি এজেন্টদের উন্নত করতে সাহায্য করে, ঝুঁকি-নিয়ম ও অর্ডার কার্যকর করার নিয়ন্ত্রণ তাদের হাতে না দিয়েই।
1 নভেম্বর 2026