Fig: AI এজেন্টদের সামাজিক আচরণ যাচাইয়ের জন্য নিয়ন্ত্রিত গেম-ভিত্তিক হস্তক্ষেপ

21 নভেম্বর 2026০ প্রদর্শন

Fig কাঙ্ক্ষিত আচরণের একটি মৌখিক বর্ণনা পায়, সেটিকে বিভিন্ন ধরনে ভাগ করে এবং মডেলগুলোর কাছ থেকে কাঙ্ক্ষিত কাজ আদায় করতে কৌশলগতভাবে গেমের শর্ত পরিবর্তন করে। ছয়টি সামাজিক প্যাটার্নের জন্য বৈধ পরিস্থিতিতে, নিয়ন্ত্রণ গোষ্ঠীর তুলনায় হস্তক্ষেপগুলো লক্ষ্য আচরণের প্রচেষ্টার গড় হার ১০.৯% বাড়িয়েছে; আর লেখকেরা পুনরুৎপাদনযোগ্য মূল্যায়নের জন্য মাল্টি-এজেন্ট পরিবেশকে একটি কনফিগারযোগ্য পরীক্ষামঞ্চ হিসেবে বিবেচনা করার প্রস্তাব দিয়েছেন।

Fig: AI এজেন্টদের সামাজিক আচরণ যাচাইয়ের জন্য নিয়ন্ত্রিত গেম-ভিত্তিক হস্তক্ষেপ

সিস্টেমের উদ্দেশ্য

Fig হলো একটি এজেন্টভিত্তিক সিস্টেম (Finding Interactions in Games)। এর উদ্দেশ্য হলো গেমিং পরিবেশে আচরণকে লক্ষ্যভিত্তিকভাবে শনাক্ত করা। সিস্টেমটি গেমিং পরিবেশে মডেলগুলোর আচরণ নিয়ে কাজ করে।

Fig কোনো একটি আগে থেকে নির্ধারিত গেমের মধ্যে সীমাবদ্ধ নয়। সিস্টেমটি নতুন সামাজিক গেম তৈরি করে বা বিদ্যমান গেম বেছে নেয়। এই পদ্ধতিতে গেমিং পরিবেশ সামাজিক আচরণের জন্য একটি নিয়ন্ত্রিত পরীক্ষা হিসেবে কাজ করে।

ব্যবহারিক মানদণ্ড: গেমিং পরিবেশে আচরণকে লক্ষ্যভিত্তিকভাবে শনাক্ত করার প্রয়োজন হলে Fig বিবেচনা করা হয়।

আচরণের বর্ণনা থেকে পরিস্থিতি

Fig স্বাভাবিক ভাষায় আচরণের বিবরণ গ্রহণ করে। সিস্টেমটি বিবরণটিকে আচরণের উপপ্রকারে ভাগ করে। এরপর Fig একটি নতুন সামাজিক গেম তৈরি করে বা বিদ্যমান গেম বেছে নেয়।

কাজের ধাপ:

  1. স্বাভাবিক ভাষায় আচরণের বিবরণ দেওয়া।
  2. বিবরণটিকে আচরণের উপপ্রকারে ভাগ করা।
  3. একটি নতুন সামাজিক গেম তৈরি করা বা বিদ্যমান গেম বেছে নেওয়া।

মানদণ্ড: আচরণটি স্বাভাবিক ভাষায় বর্ণনা করা গেলে, Fig সেটিকে উপপ্রকারে ভাগ করতে এবং উপযুক্ত পরিবেশ বেছে নিতে পারে।

হস্তক্ষেপ ও মূল্যায়ন

Fig আলাদা বা সম্মিলিত হস্তক্ষেপ করে। হস্তক্ষেপের লক্ষ্যবস্তু:

  • গেম ইঞ্জিন;
  • প্রতিপক্ষের আচরণ;
  • নির্দেশাবলি;
  • প্রেক্ষাপট।

মডেলগুলোর আচরণ মূল্যায়নের জন্য Fig অন্তর্নির্মিত যান্ত্রিক পরীক্ষা এবং রুব্রিকভিত্তিক কৃত্রিম মূল্যায়ন একত্রে ব্যবহার করে। মানুষ হস্তক্ষেপ, তৈরি করা গেম এবং মূল্যায়নের পদ্ধতিগুলো যাচাই করেছেন।

মানদণ্ড: পরিস্থিতিতে যাচাইয়ের ভিত্তি হলো হস্তক্ষেপ, যান্ত্রিক পরীক্ষা এবং রুব্রিকভিত্তিক কৃত্রিম মূল্যায়ন।

যাচাইয়ের ফলাফল

Fig-এর বৈধ পরিস্থিতিগুলোতে ছয় ধরনের আচরণ অন্তর্ভুক্ত ছিল। তালিকায় ছিল সহযোগিতা, শোষণ, প্রতারণা, গোপন সমন্বয়, বিশ্বাসঘাতকতা এবং নাশকতা।

পরিমাপকমান
বৈধ পরিস্থিতিতে লক্ষ্যভিত্তিক আচরণের চেষ্টা করা পর্বের অনুপাত45,2%
নিয়ন্ত্রণসহ “গেম—আচরণ” জোড়ায় Fig-এর হস্তক্ষেপের ফলে চেষ্টার অনুপাত বৃদ্ধিতুলনীয় নিয়ন্ত্রণ গেমের তুলনায় 10,9%

মানদণ্ড: “গেম—আচরণ” জোড়াটি একটি নিয়ন্ত্রণ গেমের সঙ্গে যাচাই করা হয়।

ব্যবহারিক উপসংহার

লেখকেরা দেখান যে মাল্টি-এজেন্ট পরিবেশ প্রোগ্রামযোগ্য পরীক্ষার ক্ষেত্র হিসেবে কাজ করতে পারে। এই ক্ষেত্রগুলো ইচ্ছাকৃতভাবে, নিয়ন্ত্রিতভাবে এবং পুনরুৎপাদনযোগ্যভাবে আচরণ মূল্যায়নের সুযোগ দেয়।

লেখকেরা arXiv-এ নিবন্ধের রেকর্ডে কোডের লিংক দিয়েছেন। লেখক: Anrui Gu, Zhichao Wang, Nicolai Ouporov। লেখকেরা ২০ অক্টোবর ২০২৬ তারিখে নিবন্ধটি জমা দিয়েছেন; সর্বশেষ সংস্করণ ২৬ অক্টোবর ২০২৬ তারিখের।

নির্বাচনের মানদণ্ড: এজেন্টদের সামাজিক আচরণের ইচ্ছাকৃত, নিয়ন্ত্রিত এবং পুনরুৎপাদনযোগ্য মূল্যায়ন প্রয়োজন হলে, Fig পদ্ধতিটি যাচাইয়ের একটি কাঠামো দেয়।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
প্রম্পটের ওপর নির্ভরতা ছাড়া এজেন্ট নীতিমালা যাচাই: এক্সিকিউটেবল পরিবেশ, টেস্ট স্যুট এবং প্রশিক্ষণযোগ্য ফিল্টার
সংবাদ

প্রম্পটের ওপর নির্ভরতা ছাড়া এজেন্ট নীতিমালা যাচাই: এক্সিকিউটেবল পরিবেশ, টেস্ট স্যুট এবং প্রশিক্ষণযোগ্য ফিল্টার

এই কাজটি এমন একটি ফ্রেমওয়ার্ক প্রস্তাব করে, যা এক্সিকিউশন এনভায়রনমেন্টকে এজেন্ট পলিসি পরীক্ষা করার জন্য বিভিন্ন পরিস্থিতির সেটে রূপান্তরিত করে এবং প্রতিরক্ষামূলক উপাদানটিকে ধাপে ধাপে উন্নত করতে সাহায্য করে। প্রশিক্ষিত ফিল্টারটি শুধু প্রম্পটের নির্দেশনার ওপর নির্ভর করার তুলনায় সফল নিয়মভঙ্গের হার ৪০–৪৪% কমায় এবং নিরাপদ অনুরোধ ভুলভাবে প্রত্যাখ্যান করার প্রবণতাও কম।

20 নভেম্বর 2026
PerMIT: LLM এজেন্টদের দীর্ঘমেয়াদি স্মৃতির অখণ্ডতা এবং মেশিন যাচাইসহ সমষ্টিগত আস্থা
সংবাদ

PerMIT: LLM এজেন্টদের দীর্ঘমেয়াদি স্মৃতির অখণ্ডতা এবং মেশিন যাচাইসহ সমষ্টিগত আস্থা

লেখকেরা PerMIT আর্কিটেকচার প্রস্তাব করেছেন, যা একটি সসীম মেমরি ইন্টারফেসের মাধ্যমে পরিবেশের অবিশ্বস্ত ডেটা এজেন্টের সংবেদনশীল কার্যক্রমে প্রবেশ করা সীমিত করে; Lean 4-এ যাচাইকৃত দুটি উপপাদ্য এবং সম্প্রদায়ের রায় জমা হওয়ার প্রক্রিয়া পৃথক ব্যবহারকারীর ওপর চাপ না বাড়িয়েই বিষপ্রয়োগের ঝুঁকি কমায়। Trojan Hippo এবং τ²-bench-এ পরীক্ষায়, হালকা ভেরিফায়ার ব্যবহার করে এই পদ্ধতিতে কোনো সফল ইনজেকশন শনাক্ত হয়নি এবং বিলম্বিত কাজগুলোতে নতুন এজেন্টদের ফলাফল উন্নত হয়েছে।

20 নভেম্বর 2026
মাথা ও ঘাড়ের টিউমারের প্রোটন পরিকল্পনার জন্য প্রমাণভিত্তিক ফিডব্যাক লুপসহ সমন্বিত মাল্টি-এজেন্ট AI সিস্টেম
সংবাদ

মাথা ও ঘাড়ের টিউমারের প্রোটন পরিকল্পনার জন্য প্রমাণভিত্তিক ফিডব্যাক লুপসহ সমন্বিত মাল্টি-এজেন্ট AI সিস্টেম

কাজটিতে প্রশিক্ষিত PPO পলিসির সমন্বয় বর্ণনা করা হয়েছে, যা পরিকল্পনার একাধিক বিকল্প দেয়, এবং LLM এজেন্টদের, যারা ক্লিনিক্যাল মেট্রিক ও সীমাবদ্ধতা যাচাই করে কথোপকথনের মাধ্যমে স্পষ্টীকরণ করে; ২১ জন রোগীর তথ্যের ভিত্তিতে, ফাইন-টিউন করা Qwen3-14B নির্দেশনা আরও ভালোভাবে অনুসরণ করেছে এবং অগ্রাধিকারপ্রাপ্ত লক্ষ্যগুলোর পক্ষে সমঝোতাকে এগিয়ে নিতে সাহায্য করেছে। ব্যবহারিক উপসংহার হলো—প্রতিদ্বন্দ্বী সীমাবদ্ধতাগুলোর ওপর নিয়ন্ত্রণ বজায় রেখেই স্বয়ংক্রিয় DRL পরিকল্পনাকে পরিচালিত কথোপকথনের মাধ্যমে আরও সমৃদ্ধ করা যায়।

20 নভেম্বর 2026