আলাদা অপ্টিমাইজারের বদলে এজেন্ট: একাধিক কাজ জুড়ে একসঙ্গে বিকশিত হওয়া একটি একীভূত কাঠামো
লেখকেরা দেখিয়েছেন, অপরিবর্তিত সংস্করণের একটি র্যাপারের মধ্যে থাকা একটি স্থির মডেল প্রথমে কাজগুলো সমাধান করে, তারপর সম্পূর্ণ রান লগের ওপর ভিত্তি করে নিজেই নিজের কোড সম্পাদনা করে। ৪৯ লাইনের একটি কাঠামোর বহুকাজভিত্তিক বিবর্তন প্রশিক্ষণ-বণ্টনের ভেতরে এবং সংরক্ষিত বেঞ্চমার্কে ফল উন্নত করেছে, আর সেগুলোর কয়েকটিতে Codex-কেও ছাড়িয়ে গেছে।
harness কী এবং কেন এটিকে অপ্টিমাইজ করা দরকার
harness হলো ভাষার মডেলভিত্তিক এজেন্টের চারপাশের কোড। এটি প্রম্পট, টুল কল, কনটেক্সট এবং এক্সিকিউশন পরিচালনা করে। এই কোডের গঠনই নির্ধারণ করে এজেন্ট কীভাবে কাজটি সমাধান করবে।
বিদ্যমান অধিকাংশ পদ্ধতিতে harness তৈরি করেন একজন মানুষ। আলাদা proposer সমাধানকারী harness-এ পরিবর্তন আনে। প্রতিটি বেঞ্চমার্কের জন্য আলাদা harness বিবর্তিত হয়। এই পদ্ধতিতে উন্নতি একটি কাজের মধ্যেই সীমাবদ্ধ থাকে।
ব্যবহারিক মানদণ্ড: প্রতিটি বেঞ্চমার্কের জন্য আলাদা করে নয়, বরং একাধিক কাজের জন্য একই কাঠামো একযোগে উন্নত হয়।
একক কাঠামো: নিজস্ব অপ্টিমাইজার হিসেবে এজেন্ট
Qiankai Xu-এর প্রবন্ধটি 29 সেপ্টেম্বর 2026 তারিখে জমা দেওয়া হয়। এর শিরোনাম «Self-Evolving Harness on Multiple Tasks with the Agent as Its Own Optimizer»। এই পদ্ধতি একটি স্থির মডেল এবং harness-এর একটি সংস্করণের ওপর ভিত্তি করে তৈরি।
মডেলটি প্রথমে solver হিসেবে কাজগুলো সমাধান করে। এরপর সেই মডেলই proposer হিসেবে কাজ করে। এটি রানগুলোর সম্পূর্ণ রেকর্ড পড়ে এবং যে harness এটি চালায়, সেটিতে সরাসরি সম্পাদনা করে। আলাদা proposer-এর প্রয়োজন হয় না।
| প্যারামিটার | প্রচলিত পদ্ধতি | প্রবন্ধের পদ্ধতি |
|---|---|---|
| কে harness পরিবর্তন করে | আলাদা proposer | একই স্থির মডেল |
| প্রাথমিক harness | মানুষের তৈরি | harness-এর একটি সংস্করণ |
| আওতা | প্রতিটি বেঞ্চমার্কের জন্য আলাদা harness | বিভিন্ন ক্ষেত্রের পাঁচটি বেঞ্চমার্কের কাজ |
| ভূমিকা | proposer ও solver আলাদা | মডেল প্রথমে solver, তারপর proposer |
ব্যবহারিক মানদণ্ড: যে এজেন্ট নিজের রানগুলো পড়ে এবং নিজের harness সম্পাদনা করে, সে আলাদা অপ্টিমাইজারের বিকল্প হয়।
পাঁচটি বেঞ্চমার্ক এবং ডেটা বিভাজন
বিবর্তনের প্রতিটি পর্যায়ে বিভিন্ন ক্ষেত্রের পাঁচটি বেঞ্চমার্ক থেকে কাজ অন্তর্ভুক্ত থাকে। প্রশিক্ষণ ও হোল্ডআউট কাজগুলো কঠোরভাবে আলাদা রাখা হয়।
এ ছাড়া, বণ্টনের বাইরের পাঁচটি বেঞ্চমার্কে মূল্যায়ন করা হয়। বিবর্তনের সময় এই বেঞ্চমার্কগুলো ব্যবহার করা হয়নি।
ব্যবহারিক মানদণ্ড: বণ্টনের বাইরের মূল্যায়ন পরিচিত কাজের সঙ্গে খাপ খাওয়ানো নয়, বরং স্থানান্তরযোগ্যতা যাচাই করে।
বিবর্তনের দুটি পর্যায়
বিবর্তন প্রক্রিয়াটিকে গভীর মডেলের প্রশিক্ষণের দুটি পর্যায় হিসেবে উপস্থাপন করা হয়েছে:
- বহু-কাজের প্রাক-প্রশিক্ষণ।
- অব্যাহত প্রশিক্ষণ।
harness-এর প্রাথমিক সংস্করণটি ছিল 49 লাইনের। প্রথম পর্যায় শেষে বণ্টনের ভেতরের বেঞ্চমার্কগুলোতে গড় ফল 4.48 পয়েন্ট বেড়েছে। বণ্টনের বাইরের বেঞ্চমার্কগুলোতে বৃদ্ধি ছিল 12.64 পয়েন্ট। প্রথমগুলোর ক্ষেত্রে ফল Codex-কে ছাড়িয়ে যায়, আর দ্বিতীয়গুলোর ক্ষেত্রে Codex-এর সমান হয়।
দ্বিতীয় পর্যায়ে Claw-Eval-এ আরও বিবর্তনের ফলে সেখানে ফল 66.17 থেকে বেড়ে 68.06 হয়। এই বেঞ্চমার্কে পদ্ধতিটি Codex-কে ছাড়িয়ে যায়।
ব্যবহারিক মানদণ্ড: প্রাক-প্রশিক্ষণ স্থানান্তরযোগ্যতা বাড়ায়, আর অব্যাহত প্রশিক্ষণ নির্দিষ্ট বেঞ্চমার্কে ফল আরও উন্নত করে।
বিবর্তনের সময় উদ্ভূত প্রক্রিয়াগুলো
লেখকেরা তিনটি প্রক্রিয়া বিশ্লেষণ করেছেন:
- আউটপুট ছাঁটাই;
- ইতিহাস সংকোচন;
- স্বাধীন যাচাই।
আউটপুট ছাঁটাই উত্তরের পরিমাণ সীমিত করে। ইতিহাস সংকোচন কনটেক্সট ছোট করে। স্বাধীন যাচাই ফলাফল পরীক্ষা করার ব্যবস্থা যোগ করে। এই প্রক্রিয়াগুলো মানুষের নির্ধারিত নয়, বরং harness সম্পাদনার মাধ্যমে উদ্ভূত হয়েছে।
ব্যবহারিক মানদণ্ড: উদ্ভূত প্রক্রিয়াগুলো নিজের কাঠামো মূল্যায়নে দিকনির্দেশনা দেয়।
সাধারণ প্রশ্নোত্তর
বিভিন্ন উপাদান
সব উপাদান
ইন্টারঅ্যাকটিভ XR ডেভেলপমেন্টে কোডিং এজেন্টদের মূল্যায়ন: GenXR-Bench-এর ফলাফল
প্রকাশিত হয়েছে GenXR-Bench—ইন্টারেক্টিভ XR ডেভেলপমেন্টে কোডিং এজেন্টগুলোর এন্ড-টু-এন্ড মূল্যায়নের জন্য ১১২টি বিশেষজ্ঞ-নির্ধারিত কাজের একটি সেট: ফিচার উন্নত করা ও ত্রুটি ঠিক করা থেকে শুরু করে ভোক্তা-পর্যায়ের ডিভাইসে আচরণ যাচাইসহ অ্যাপ্লিকেশন তৈরি পর্যন্ত। পরীক্ষিত দশটি মডেলের মধ্যে সেরা ফল ছিল ৫০.৯% Pass@1; বারবার দেখা ব্যর্থতার মধ্যে রয়েছে সেন্সরের অ্যাসিঙ্ক্রোনাস ইভেন্ট সামলানো, বাস্তব স্থানের সঙ্গে অবজেক্ট যুক্ত করা এবং ভৌত প্রেক্ষাপটে মিথস্ক্রিয়া বোঝা।
5 নভেম্বর 2026
ছবির হাইব্রিড অ্যানোটেশন: স্বয়ংক্রিয়করণ কম্পিউটার ভিশন মডেলের প্রশিক্ষণকে ত্বরান্বিত করে
নিবন্ধে বর্ণনা করা হয়েছে, অ্যালগরিদমের মাধ্যমে প্রাথমিক লেবেলিং কীভাবে হাতে করা কাজ কমায় এবং প্রশিক্ষণ ডেটাসেটের পরিচ্ছন্নতা বাড়ায়, পাশাপাশি কেন নির্বাচিতভাবে মানুষের যাচাই এখনও জরুরি। কঠিন শুটিং পরিস্থিতি এবং বিরল ধরনের বস্তুর ক্ষেত্রে এই পদ্ধতির সীমাবদ্ধতাগুলোও আলোচিত হয়েছে।
5 নভেম্বর 2026
স্কেলার পুরস্কার থেকে প্যারেটো ফ্রন্টিয়ার: বহু-উদ্দেশ্যভিত্তিক রিইনফোর্সমেন্ট লার্নিংয়ের মাধ্যমে LLM-ভিত্তিক RTL সংশ্লেষণ
একটি ভাষা মডেলকে একটি মাত্র নকশা নয়, বরং ক্ষেত্রফল, বিলম্ব ও বিদ্যুৎ খরচের মধ্যে বিভিন্ন সমঝোতাসহ একগুচ্ছ RTL প্রার্থী তৈরি করতে প্রশিক্ষণ দেওয়ার একটি পদ্ধতি প্রস্তাব করা হয়েছে; পুরস্কার নির্ধারিত হয় প্যারেটো ফ্রন্টের হাইপারভলিউমে প্রতিটি বিকল্পের অবদানের ভিত্তিতে। RTLLM v2-তে আপেক্ষিক হাইপারভলিউম PPA অপ্টিমাইজেশনবিহীন বেসলাইন সংস্করণের তুলনায় ১৩.৩ শতাংশ পয়েন্ট এবং একক-লক্ষ্যভিত্তিক রিইনফোর্সমেন্ট লার্নিংয়ের তুলনায় ১৪.৪ শতাংশ পয়েন্ট বেড়েছে।
5 নভেম্বর 2026