Kyutai REKI উন্মোচন করেছে: রোবটের জন্য ২.৪ বিলিয়ন প্যারামিটারের ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন মডেল

প্যারিসভিত্তিক এআই গবেষণা প্রতিষ্ঠান Kyutai রোবট ম্যানিপুলেশনের জন্য তৈরি ২.৪ বিলিয়ন প্যারামিটারের ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন (VLA) মডেল REKI প্রকাশ করেছে। ১৭ অক্টোবর ২০২৬ তারিখে ঘোষিত এই মডেলটি ফ্রান্সের জাতীয় ডিজিটাল বিজ্ঞান প্রতিষ্ঠান Inria এবং প্রকৌশল বিদ্যালয় École des Ponts-এর সঙ্গে যৌথভাবে তৈরি করা হয়েছে।

দলটি দুটি বৈশিষ্ট্যের ওপর জোর দিচ্ছে। REKI শুধু সর্বজনীনভাবে উপলব্ধ ডেটার ওপর প্রাক-প্রশিক্ষিত হয়েছে এবং একটি মাত্র স্ন্যাপশট থেকে সিদ্ধান্ত না নিয়ে সাম্প্রতিক অতীতে কী ঘটেছে তার একটি সাশ্রয়ী মেমোরি ধরে রাখে।

রোবটের জন্য মেমোরি কেন গুরুত্বপূর্ণ

VLA মডেলের লক্ষ্য হলো ক্যামেরার ইনপুট ও স্বাভাবিক ভাষায় দেওয়া নির্দেশনাকে সরাসরি রোবটের কার্যক্রমে রূপান্তর করা। এ ধরনের অনেক ব্যবস্থা শুধু বর্তমান ফ্রেমের ওপর ভিত্তি করে প্রতিটি পদক্ষেপ ঠিক করে, ফলে বহুধাপের কাজে বা যখন কোনো বস্তু ক্যামেরার দৃষ্টিসীমা থেকে সরে যায়, তখন তারা ভুল করতে পারে।

যে মডেল তার সাম্প্রতিক ইতিহাস মনে রাখতে পারে, তত্ত্বগতভাবে সে ধারাবাহিক কাজগুলো আরও সুসংগতভাবে সামলাতে পারে, যেমন একটি ড্রয়ার খুলে তার ভেতরে একটি জিনিস রাখা। রোবট সাধারণত সীমিত অনবোর্ড কম্পিউটিং ক্ষমতায় চলে, তাই মেমোরি সাশ্রয়ী রাখা গুরুত্বপূর্ণ। তবে কোন কাজ ও কোন বেঞ্চমার্কে REKI পরীক্ষা করা হয়েছে, সেই মূল্যায়নের পূর্ণ বিবরণ এই প্রতিবেদনে পর্যালোচিত উপাদানে পাওয়া যায়নি।

উন্মুক্ত ডেটা-নির্ভর পদ্ধতি

রোবট লার্নিংয়ের অগ্রগতির বড় অংশ এসেছে এমন মডেল থেকে, যেগুলো কোম্পানিগুলো প্রশিক্ষণ দিয়েছে মালিকানাধীন ডেটাসেটে, যা তারা প্রকাশ করে না। শুধু সর্বজনীন ডেটার ওপর নির্ভর করলে অন্য গবেষকদের পক্ষে ফলাফল পুনরুৎপাদন করা এবং এই কাজের ওপর ভিত্তি করে এগোনো সহজ হয়, আর এই দিকটি REKI-কে একাডেমিক গবেষণাগারের জন্য একটি কার্যকর রেফারেন্সে পরিণত করতে পারে।

Kyutai মূলত তাদের উন্মুক্ত প্রকাশনার জন্য পরিচিত, যেমন রিয়েল-টাইম ভয়েস মডেল Moshi। REKI দিয়ে প্রতিষ্ঠানটি সেই উন্মুক্ত গবেষণা পদ্ধতিকে রোবটিক্সে বিস্তৃত করছে, এবং এই প্রকল্পটি ফ্রান্সে বেসরকারি এআই গবেষণাগার ও সরকারি গবেষণা প্রতিষ্ঠানের ক্রমবর্ধমান সহযোগিতার দৃষ্টান্ত।