মাইক্র’চ’ফ্টে ১০ গুণ দ্ৰুত প্ৰতিক্ৰিয়া ক্ষমতাযুক্ত Phi-4-Mini-Flash-Reasoning AI মডেল উন্মোচন কৰিছে

Microsoft-এ ইয়াৰ Phi পৰিয়ালৰ আটাইতকৈ নতুন কৃত্ৰিম বুদ্ধিমত্তা (AI) মডেল Phi-4-mini-flash-reasoning উন্মোচন কৰিছে। এইটো এখন খোলা আৰু সৰু ভাষা মডেল (Small Language Model - SLM), যি মোবাইল আৰু প্ৰান্তিক (edge) ডিভাইচৰ দৰে সীমিত সম্পদ থকা পৰিৱেশত দ্রুত আৰু কৌশলপূৰ্ণ যুক্তি-ভিত্তিক সিদ্ধান্ত ল’ব পাৰিবৰ বাবে ডিজাইন কৰা হৈছে।

Phi-4-mini-ৰ আধাৰত নিৰ্মিত এই নতুন মডেলটোৰ ভিতৰত “SambaY” নামৰ এটা নতুন হাইব্ৰিড আৰ্হি ব্যৱহাৰ কৰা হৈছে। ইয়াত Gated Memory Unit (GMU), Sliding Window Attention, আৰু State Space Model (Mamba) সংযোজন কৰি দীঘল সংলাপ ব্যৱস্থাপনা আৰু সংকেত বিশ্লেষণ অধিক উন্নত কৰা হৈছে। Microsoft-এ দাবী কৰিছে যে এই মডেলটোৱে আগৰ মডেলৰ তুলনাত 10 গুণ বেছি Throughput আৰু 2-3 গুণ কম Latency প্ৰদান কৰে। ফলস্বৰূপে, অতি কম সময়তে উত্তৰ দিব পাৰে আৰু reasoning বা যুক্তিৰ ক্ষেত্ৰত কোনো ধৰণৰ মান হ্ৰাস নহয়।

এই মডেলটোত 3.8 বিলিয়ন Parameter আছে আৰু ই 64,000 token-ৰ Context Length-ক সমৰ্থন কৰে। ই বিশেষকৈ গণিত ভিত্তিক বা সংগঠিত যুক্তি প্ৰয়োজনীয় কামত অতি কার্যকৰী। ই High-quality Synthetic Data-ৰ ওপৰত প্ৰশিক্ষিত আৰু VLLM inference framework-ত বেছি দ্ৰুত ফলাফল দিয়াৰ বাবে পৰীক্ষিত।

Phi-4-mini-flash-reasoning এতিয়া NVIDIA API Catalog, Azure AI Foundry, আৰু Hugging Face-ত উপলব্ধ। এই মডেলটোৱে ডাঙৰ মডেলবোৰৰ তুলনাত অধিক দ্ৰুত ফলাফল প্ৰদান কৰে, যাৰ বাবে ই latency-sensitive application, adaptive learning app, আৰু real-time teaching tool-ৰ বাবে উপযুক্ত।

সুৰক্ষা দিশত, মডেলটোৰ সৈতে যুক্ত আছে:

• Supervised Fine-Tuning (SFT)

• Direct Preference Optimization (DPO)

• Reinforcement Learning from Human Feedback (RLHF)

Microsoft-এ এই মডেলটোক নৈতিক, গোপনীয়তা-সম্মত আৰু সৰ্বব্যাপী অন্তর্ভুক্তিমূলক হিচাপে আগবঢ়াইছে। এইটো Microsoft-ৰ Responsible AI উদ্যোগৰ অংশ, যি AI-ৰ নৈতিক ব্যবহাৰ, খোলা প্ৰবেশাধিকাৰ, আৰু সমাজিক দায়িত্বক গুৰুত্ব দিয়ে।

সারাংশস্বৰূপে, Phi-4-mini-flash-reasoning এখন দ্রুত, শক্তিশালী আৰু নৈতিক AI মডেল, যি resource-constrained device আৰু environment-ত উন্নত reasoning skill প্ৰদান কৰিবলৈ সক্ষম।