আলিবাবা ৩ আগস্ট Qwen3.8-Max প্রকাশ করেছে। এটি একটি mixture-of-experts মডেল যা ২.৪ ট্রিলিয়ন প্যারামিটার পর্যন্ত স্কেল করতে পারে, তবে ইনফারেন্সের সময় মাত্র ৯৫ বিলিয়ন প্যারামিটার সক্রিয় থাকে। মডেলটি QwenCloud গেটওয়ের মাধ্যমে ছবি এবং টেক্সট গ্রহণ করতে পারে, এবং আলিবাবা জানিয়েছে যে আগামী সপ্তাহে এর ওয়েটস (weights) জনসমক্ষে উন্মুক্ত করা হবে।
এই চমকপ্রদ শিরোনামটি একটি কঠিন প্রশ্নকে আড়াল করে রেখেছে: যে টুলগুলোর ওপর মডেলটি নির্ভর করে সেগুলো কাজ করতে ব্যর্থ হলে, মডেলটির এজেন্ট কি নির্ভরযোগ্যভাবে কোড লিখতে পারবে? ভেন্ডর ডেমোতে একটি দশ দিনের সম্পূর্ণ স্বয়ংক্রিয় কোডিং স্প্রিন্ট দেখানো হয়েছে যা শূন্য থেকে একটি প্রজেক্ট তৈরি করেছে, কিন্তু সেই রানগুলো আলিবাবার নিজস্ব ইনফ্রাস্ট্রাকচারে এবং আদর্শ পারমিশনের অধীনে সম্পন্ন করা হয়েছিল। বাস্তব জগতের ডেভেলপারদের জানতে হবে যে টোকেন লিমিট শেষ হয়ে গেলে, টুল কল ব্যর্থ হলে বা রাইট অ্যাক্সেস (write access) সীমিত হলে সিস্টেমটি কেমন আচরণ করে।
কেন এই হাইপ গুরুত্বপূর্ণ
Mixture-of-experts ডিজাইন একটি বিশাল প্যারামিটার পুলকে সুপ্ত অবস্থায় রাখতে দেয় যতক্ষণ না কোনো নির্দিষ্ট "expert" কল করা হয়, যা একই আকারের একটি ডেন্স (dense) মডেলের তুলনায় ইনফারেন্স খরচ কমিয়ে রাখে। মাল্টিমোডাল ইনপুট সাধারণ কোড জেনারেশনের বাইরেও ব্যবহারের ক্ষেত্র বাড়িয়ে দেয়, যা ডেভেলপারদের একই প্রম্পটে ডায়াগ্রাম বা স্ক্রিনশট দেওয়ার সুযোগ করে দেয়।
তবে এই প্রতিশ্রুতি নির্ভর করছে সেই এজেন্ট লেয়ারের ওপর যা ফাইল এডিটর, কম্পাইলার, টেস্ট রানার এবং ভার্সন-কন্ট্রোল কমান্ডগুলোকে পরিচালনা করে। যদি সেই লেয়ারটি একটি ব্যর্থ টুল কল থেকে পুনরুদ্ধার করতে না পারে, তবে পুরো কোডিং সেশনটি ভেঙে পড়বে।
বাদ পড়া অংশটি: reasoning effort knob
Qwen3.8-Max তিনটি "reasoning effort" প্রিসেট নিয়ে আসছে—low, medium এবং xhigh। এই সেটিংসগুলো উত্তরের গুণমানের পরিবর্তে গতি এবং সবচেয়ে গুরুত্বপূর্ণভাবে, মডেলটি কতগুলো টোকেন নির্গত করবে তার মধ্যে ভারসাম্য বজায় রাখে।
একটি পুনরুৎপাদনযোগ্য টেস্ট প্ল্যান
মার্কেটিং দাবিগুলোর সত্যতা যাচাই করতে, একটি নির্দিষ্ট টোকেন বাজেটের মধ্যে নিচের হ্যান্ডস-অন প্রোটোকলটি অনুসরণ করুন:
- একটি নতুন রিপোজিটরি তৈরি করুন যেখানে যেকোনো ভাষায় একটি সাধারণ “hello world” স্কাফোল্ড থাকবে।
- এজেন্টকে প্রম্পট দিন একটি নতুন ফিচার (যেমন, একটি REST endpoint) যোগ করার জন্য এবং এটি যে পরিকল্পনা আউটপুট দেয়, প্রতিটি টুল কল এবং প্রতিটি ফাইল যা এটি স্পর্শ করে তা রেকর্ড করুন।
- প্রথম ব্যর্থতায় বাধা দিন—উদাহরণস্বরূপ, যখন একটি কম্পাইলেশন এরর দেখা দেয়—মডেলের ইন্টারনাল স্টেট সেভ করুন, তারপর সেই চেকপয়েন্ট থেকে পুনরায় শুরু করুন।
- প্রতিটি reasoning effort সেটিংয়ের অধীনে রানটি পুনরাবৃত্তি করুন, এবং মোট টোকেন, সময় (wall-clock time) এবং যেকোনো টুল-লেভেল এরর নোট করুন।
- পারমিশন সীমিত করুন: একবারে পারমিশন সীমিত করে (read-only access) এবং অন্যবারে পূর্ণ রাইট অ্যাক্সেস (full write access) দিয়ে দেখুন এজেন্ট কীভাবে মানিয়ে নেয়।
- রিট্রাই (retries) লগ করুন: মডেলটি ব্যর্থ টুলকে কতবার পুনরায় কল করে নাকি কাজ বাতিল করে দেয়?
এই মেট্রিকগুলো সংগ্রহ করলে আপনি র-কোডিং আউটপুটের সাথে এরর হ্যান্ডলিংয়ের লুকানো খরচের তুলনা করতে পারবেন। যদি এজেন্ট বারবার একটি ত্রুটিপূর্ণ (flaky) লিন্টারকে রিট্রাই করে, তবে চূড়ান্ত কোড ঠিক দেখাবে সত্ত্বেও টোকেন বিল অনেক বেড়ে যাবে।
সংখ্যাগুলো যা আড়াল করে
৯৫ বিলিয়ন সক্রিয় প্যারামিটারের সংখ্যাটি সরাসরি ডলারের অঙ্কে রূপান্তরিত হয় না। টুল কল থেকে আসা এররগুলো মডেলটিকে সংশোধনমূলক প্রম্পট তৈরি করতে বাধ্য করে, যা টোকেন ব্যবহার বাড়িয়ে দেয়। ডিউরেবল স্টেট (durable state)—অর্থাৎ পর্যায়ক্রমিক চেকপয়েন্ট যা আপনাকে ক্রাশের পরে পুনরায় শুরু করতে দেয়—না থাকলে একটি মাত্র ব্যর্থতার খরচ বহুগুণ বেড়ে যেতে পারে।
ওপেন-ওয়েটস (Open-weights) সংক্রান্ত সতর্কতা
আগামী সপ্তাহে ওয়েটস প্রকাশ করার আলিবাবার প্রতিশ্রুতি অন-প্রিম (on-prem) ডেপ্লয়মেন্টের সুযোগ তৈরি করে, তবে দুটি ব্যবহারিক বাধা রয়ে গেছে। প্রথমত, লাইসেন্স বাণিজ্যিক ব্যবহার সীমিত করতে পারে বা অ্যাট্রিবিউশন দাবি করতে পারে; মডেলটিকে কোনো প্রোডাক্টে ইন্টিগ্রেট করার আগে ডেভেলপারদের অবশ্যই এটি পড়ে নিতে হবে। দ্বিতীয়ত, ২.৪ ট্রিলিয়ন প্যারামিটারের একটি mixture-of-experts সিস্টেম চালানোর জন্য এখনও হাই-এন্ড GPU বা বিশেষায়িত অ্যাক্সিলারেটর প্রয়োজন। প্রাথমিক ব্যবহারকারীদের উচিত “লোকাল ডেপ্লয়মেন্ট” দাবিগুলোকে সাময়িক হিসেবে বিবেচনা করা, যতক্ষণ না প্রকৃত হার্ডওয়্যার প্রয়োজনীয়তা এবং পারফরম্যান্সের পরিসংখ্যান যাচাই করা হচ্ছে।
পাল্টা যুক্তি: ভেন্ডরের দৃষ্টিভঙ্গি
আলিবাবার অভ্যন্তরীণ পরীক্ষাগুলো দেখায় যে মডেলটি মানুষের হস্তক্ষেপ ছাড়াই ইস্যু ট্রায়াজ (issue triage), কোড জেনারেশন এবং টেস্ট এক্সিকিউশন সম্পন্ন করে একটি দশ দিনের স্বয়ংক্রিয় কোডিং ম্যারাথন শেষ করতে পারে। সেই ফলাফলগুলো কেবল সেটাই দেখায় যা টিম আপনাকে দেখাতে চায়, কিন্তু সেগুলো বাস্তব জগতের পরীক্ষায় নির্ভরযোগ্যতার প্রমাণ দেয় না।
পরবর্তীতে যা লক্ষ্য রাখতে হবে
- লাইসেন্সের চূড়ান্তকরণ: ওপেন-ওয়েটস রিলিজের সঠিক শর্তাবলী নির্ধারণ করবে যে স্টার্টআপগুলো Qwen3.8-Max দ্বারা চালিত প্রোডাক্ট শিপ করতে পারবে নাকি তাদের হোস্ট করা API-এর ওপর নির্ভর করতে হবে।
- হার্ডওয়্যার প্রাপ্যতা: ক্লাউড প্রোভাইডাররা যদি mixture-of-experts মডেলের জন্য প্রি-কনফিগারড ইনস্ট্যান্স অফার করা শুরু করে, তবে অন-প্রিম টেস্টিংয়ের বাধা নাটকীয়ভাবে কমে যাবে।
সারসংক্ষেপ
Qwen3.8-Max-এর শিরোনাম আকর্ষক বিশাল আকার এবং মাল্টিমোডাল দক্ষতা গল্পের অর্ধেক মাত্র; ডেভেলপারদের জন্য আসল মাপকাঠি হলো এর এজেন্ট হারনেস কীভাবে টুল ফেইলিওর, টোকেন বাজেট এবং পারমিশন লিমিট পরিচালনা করে। রিজনিং এফোর্ট এবং অ্যাক্সেস রাইটস পরিবর্তন করে একটি সুশৃঙ্খল ও পুনরাবৃত্তিযোগ্য পরীক্ষা এটিই প্রকাশ করবে যে, মডেলটি তার মার্কেটিংয়ের প্রতিশ্রুতি রক্ষা করতে পারে নাকি কোডিং পাইপলাইনে কেবল একটি অতিরিক্ত ব্যয়বহুল স্তর যোগ করে।