TeachBack: দ্বিমুখী প্রেফারেন্স টিউনিং মেন্টর মডেলকে আদর্শ উত্তর পুনরাবৃত্তি না করে সমস্যাটি অনুসন্ধান করতে শেখায়

31 অক্টোবর 2026২ প্রদর্শন

TeachBack পদ্ধতিটি প্রস্তাব করা হয়েছে, যা স্ব-ডিস্টিলেশনের সময় নিজস্ব পলিসির ভিত্তিতে শিক্ষককে কোনো বিশেষ সুবিধাপ্রাপ্ত আদর্শ সমাধানের ওপর নির্ভর না করে, সমস্যাটি পুনরায় সমাধানের কৌশল গড়ে তুলতে সাহায্য করে। গণিত ও যৌক্তিক অনুমানের কাজগুলোতে, পরিচিত OPSD পদ্ধতিগুলোর তুলনায় শিক্ষার্থীর গুণমানের ধারাবাহিক উন্নতি দেখানো হয়েছে।

TeachBack: দ্বিমুখী প্রেফারেন্স টিউনিং মেন্টর মডেলকে আদর্শ উত্তর পুনরাবৃত্তি না করে সমস্যাটি অনুসন্ধান করতে শেখায়

কেন নির্ভুল শিক্ষক মডেল কার্যকর তত্ত্বাবধান নিশ্চিত করে না

অন-পলিসি স্ব-ডিস্টিলেশন (OPSD) একটি ভাষা মডেলকে শিক্ষক মডেল থেকে শিখতে দেয়। শিক্ষক মডেলটি একই মডেলের ওপর ভিত্তি করে তৈরি। তবে শিক্ষক মডেলের কাছে বিশেষাধিকারপ্রাপ্ত তথ্য থাকে। এমন তথ্যের একটি উদাহরণ হলো আদর্শ সমাধান। এই তথ্যে প্রবেশাধিকার শিক্ষক মডেলকে অত্যন্ত নির্ভুল ট্র্যাজেক্টরি তৈরি করতে দেয়।

তবে ট্র্যাজেক্টরির নির্ভুলতা শিক্ষার্থী মডেলের জন্য সেগুলোর উপযোগিতা নিশ্চিত করে না। সম্পূর্ণ সমাধানে প্রবেশাধিকার সংক্ষিপ্ত যুক্তি তৈরি করতে পারে। এই যুক্তির কারণ হলো আদর্শ সমাধান। এতে অনুসন্ধান, যাচাই এবং স্ব-সংশোধন থাকে না। বিশেষাধিকারপ্রাপ্ত তথ্য ছাড়া সমস্যা সমাধানের জন্য এই উপাদানগুলো প্রয়োজন।

শিক্ষার্থী মডেলকে প্রশিক্ষণ দেওয়ার উপযোগী ট্র্যাজেক্টরির বৈশিষ্ট্য:

  • সমস্যাটি অনুসন্ধান করে;
  • মধ্যবর্তী ধাপগুলো যাচাই করে;
  • স্ব-সংশোধন দেখায়;
  • আদর্শ সমাধানের সংক্ষিপ্ত যুক্তি পুনরাবৃত্তি করে না।

ব্যবহারিক মানদণ্ড: শুধু উত্তরের সঠিকতা নয়, যুক্তির কাঠামোর ভিত্তিতে তত্ত্বাবধান মূল্যায়ন করুন।

TeachBack কীভাবে শিক্ষক মডেলের আচরণ বদলায়

TeachBack হলো OPSD-এর জন্য দ্বিমুখী পছন্দভিত্তিক শেখার একটি ফ্রেমওয়ার্ক। এটি শিক্ষার্থী মডেলকে শিক্ষক মডেলের কাছ থেকে শেখায়। পাশাপাশি, শিক্ষক মডেল কীভাবে শেখাবে তা-ও নির্ধারণ করে।

ফ্রেমওয়ার্কটি দুটি উপায়ে শিক্ষক মডেলের আচরণ নিয়ন্ত্রণ করে:

  • প্রম্পটে আদর্শ সমাধানভিত্তিক যুক্তির সাফিক্সের দৈর্ঘ্য নিয়ন্ত্রণ করে;
  • প্রম্পটের ধরন বদলায়।

তুলনীয় নির্ভুলতা বজায় রেখেও শিক্ষক মডেল সমস্যাটি অনুসন্ধান করতে এবং নতুন করে সমাধান করতে শুরু করে। শিক্ষক মডেল আদর্শ সমাধানের ওপর কম নির্ভর করে।

ব্যবহারিক মানদণ্ড: শিক্ষক মডেল অনুসন্ধান ও যাচাইয়ের প্রক্রিয়া পুনরাবৃত্তি করে কি না, তা পরীক্ষা করুন। বিশেষাধিকারপ্রাপ্ত তথ্য ছাড়া শিক্ষার্থী মডেলকে প্রশিক্ষণ দেওয়ার জন্য আদর্শ সমাধানের সংক্ষিপ্ত যুক্তি উপযোগী নয়।

দ্বিমুখী পছন্দের প্রক্রিয়া

প্রতিটি রোলআউট আপডেটে একটি যৌথ নীতি দুটি ট্র্যাজেক্টরি তৈরি করে। প্রথমটি হলো শিক্ষক মডেলের বিশেষাধিকারপ্রাপ্ত ট্র্যাজেক্টরি। দ্বিতীয়টি হলো শিক্ষার্থী মডেলের ট্র্যাজেক্টরি, যেখানে তার কাছে শুধু সমস্যার শর্ত থাকে।

যুগ্ম পছন্দ ফাংশন শিক্ষার্থী মডেলের শেখার উন্নতির জন্য শিক্ষক মডেলের বিশেষাধিকারপ্রাপ্ত ট্র্যাজেক্টরি ব্যবহার করে। বিপরীত পছন্দ শিক্ষার্থী মডেলের আচরণ ব্যবহার করে। এটি বিশেষাধিকারপ্রাপ্ত পরিস্থিতিতে শিক্ষক মডেলের ভবিষ্যৎ তত্ত্বাবধান গড়ে তোলে।

দিকপছন্দের ভিত্তিকী উন্নত হয়
সরাসরি পছন্দশিক্ষক মডেলের বিশেষাধিকারপ্রাপ্ত ট্র্যাজেক্টরিশিক্ষার্থী মডেলের শেখা
বিপরীত পছন্দশিক্ষার্থী মডেলের আচরণবিশেষাধিকারপ্রাপ্ত পরিস্থিতিতে শিক্ষক মডেলের ভবিষ্যৎ তত্ত্বাবধান

ব্যবহারিক মানদণ্ড: শিক্ষার্থী মডেলের আচরণ ব্যবহার করে এমন বিপরীত পছন্দের উপস্থিতি।

পরীক্ষাগুলো কী দেখায়

পরীক্ষাগুলোতে যুক্তিনির্ভর কাজের ক্ষেত্রে TeachBack যাচাই করা হয়েছে। ফলাফল:

  • কাজ—গাণিতিক ও যৌক্তিক যুক্তি;
  • তুলনার ভিত্তি—বিদ্যমান OPSD পদ্ধতি এবং সংশ্লিষ্ট বেসলাইন পদ্ধতি;
  • প্রভাব—শিক্ষার্থী মডেলের ফলাফলে ধারাবাহিক উন্নতি।

নির্বাচনের ব্যবহারিক মানদণ্ড: এমন যুক্তিনির্ভর কাজ, যেখানে শিক্ষার্থী মডেল আদর্শ সমাধান ছাড়াই সমস্যাটি সমাধান করে।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
ইন্টারঅ্যাকটিভ XR ডেভেলপমেন্টে কোডিং এজেন্টদের মূল্যায়ন: GenXR-Bench-এর ফলাফল
সংবাদ

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
স্কেলার পুরস্কার থেকে প্যারেটো ফ্রন্টিয়ার: বহু-উদ্দেশ্যভিত্তিক রিইনফোর্সমেন্ট লার্নিংয়ের মাধ্যমে LLM-ভিত্তিক RTL সংশ্লেষণ
সংবাদ

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
চিকিৎসাবিষয়ক LLM-গুলো নির্দেশিকা সংশোধনের কথা জানে, কিন্তু প্রায়ই পুরোনো নিয়ম অনুযায়ী উত্তর দেয়
সংবাদ

চিকিৎসাবিষয়ক LLM-গুলো নির্দেশিকা সংশোধনের কথা জানে, কিন্তু প্রায়ই পুরোনো নিয়ম অনুযায়ী উত্তর দেয়

1709টি ক্লিনিক্যাল নির্দেশিকার পরিবর্তন নিয়ে ChronoEvo-এর গবেষণায় দেখা গেছে: মূল মডেলে 90,8% উত্তর নতুনত্বটি শনাক্ত করেছিল, তবে মাত্র 58,5% তা সম্পূর্ণভাবে প্রয়োগ করেছিল; 32,3 শতাংশ পয়েন্টের এই ব্যবধান 14টি মডেলেই বজায় ছিল। আপডেটগুলোর দৃশ্যমানতা বাড়িয়েও নতুন নিয়মগুলো ক্লিনিক্যাল নির্দেশিকায় সম্পূর্ণভাবে অন্তর্ভুক্ত করার ক্ষেত্রে উল্লেখযোগ্য উন্নতি হয়নি।

4 নভেম্বর 2026
TeachBack: দ্বিমুখী প্রেফারেন্স টিউনিং মেন্টর মডেলকে আদর্শ উত্তর পুনরাবৃত্তি না করে সমস্যাটি অনুসন্ধান করতে শেখায়