স্থানীয় ব্যবহারের উপযোগী স্থাপত্যে পশ্চিমা এআই আধিপত্যকে চ্যালেঞ্জ জানাচ্ছে আলিবাবার Qwen3.5 Medium মডেল

ভোক্তা পর্যায়ের হার্ডওয়্যারে পৌঁছাল ফ্রন্টিয়ার এআইয়ের সক্ষমতা

আলিবাবার Qwen এআই উন্নয়ন দল বড় ভাষা মডেলের একটি নতুন সিরিজ প্রকাশ করেছে, যা এই ধারণাকে মৌলিকভাবে চ্যালেঞ্জ জানায় যে অত্যাধুনিক কৃত্রিম বুদ্ধিমত্তা চালাতে ক্লাউড-স্কেল অবকাঠামো বা মালিকানাধীন এপিআই প্রয়োজন। কয়েক দিন আগে উন্মোচন করা Qwen3.5 Medium Model সিরিজে রয়েছে চারটি নতুন মডেল। এগুলো স্থানীয় হার্ডওয়্যারে দক্ষতার সঙ্গে চালানোর জন্য তৈরি, আর প্রতিষ্ঠানটির দাবি, এগুলোর পারফরম্যান্স শীর্ষস্থানীয় পশ্চিমা বিকল্পগুলোর সমতুল্য।

চারটি মডেলের মধ্যে তিনটি উদার Apache 2.0 লাইসেন্সে প্রকাশ করা হয়েছে। ফলে প্রতিষ্ঠান ও স্বতন্ত্র ডেভেলপাররা লাইসেন্স ফি ছাড়াই সেগুলো ডাউনলোড, পরিবর্তন এবং বাণিজ্যিকভাবে ব্যবহার করতে পারবেন। ওপেন-সোর্স তিনটি মডেল হলো Qwen3.5-35B-A3B, Qwen3.5-122B-A10B এবং Qwen3.5-27B; এগুলো এখনই Hugging Face ও ModelScope-এ পাওয়া যাচ্ছে। চতুর্থ সংস্করণ Qwen3.5-Flash মালিকানাধীনই থাকছে এবং শুধু Alibaba Cloud Model Studio API-এর মাধ্যমে ব্যবহার করা যাবে। তবে এর দাম অধিকাংশ পশ্চিমা প্রতিযোগীর তুলনায় উল্লেখযোগ্যভাবে কম।

পারফরম্যান্স বেঞ্চমার্ক নিয়ে আলিবাবার দাবিটি সবচেয়ে নজরকাড়া। প্রতিষ্ঠানটির ভাষ্য অনুযায়ী, ফ্ল্যাগশিপ Qwen3.5-35B-A3B জ্ঞান আহরণ ও দৃশ্যগত যুক্তি যাচাইয়ের তৃতীয় পক্ষের মূল্যায়নে OpenAI-এর GPT-5-mini এবং Anthropic-এর Claude Sonnet 4.5-কে ছাড়িয়ে গেছে। Claude Sonnet 4.5 মাত্র পাঁচ মাস আগে চালু হয়েছিল। তাই প্রতিযোগিতায় এই দ্রুত অগ্রগতি লক্ষণীয়, বিশেষ করে এমন একটি শিল্পে যেখানে উন্নয়নচক্র সাধারণত কয়েক প্রান্তিক বা বছরজুড়ে চলে।

স্থাপত্যগত উদ্ভাবনে স্থানীয়ভাবে চালানো সম্ভব

আগের প্রজন্মের মডেল থেকে Qwen3.5-কে আলাদা করেছে এর হাইব্রিড স্থাপত্য, যেখানে Gated Delta Networks-এর সঙ্গে sparse Mixture-of-Experts ব্যবস্থা যুক্ত করা হয়েছে। কারিগরি বিষয়ে অভিজ্ঞ নন এমন পাঠকদের জন্য, এটি এআই মডেলের তথ্য প্রক্রিয়াকরণের পদ্ধতিতে একটি মৌলিক পরিবর্তন। প্রচলিত ঘন মডেল প্রতিটি প্রশ্নের জন্য সব প্যারামিটার সক্রিয় করে, ফলে বিপুল গণনাসম্পদ লাগে। বিপরীতে, MoE পদ্ধতি বিশেষজ্ঞের পরামর্শ নেওয়ার মতো কাজ করে: প্রতিটি প্রশ্নকে মডেলের জ্ঞানের সবচেয়ে প্রাসঙ্গিক অংশের কাছে পাঠানো হয়।

কারিগরি বৈশিষ্ট্যে দক্ষতার এই উন্নতি স্পষ্ট। Qwen3.5-35B-A3B-তে মোট ৩৫ বিলিয়ন প্যারামিটার থাকলেও, যেকোনো নির্দিষ্ট টোকেনের জন্য সক্রিয় হয় মাত্র ৩ বিলিয়ন। এ স্থাপত্যে রয়েছে ২৫৬টি বিশেষজ্ঞ মডিউল; প্রতিটি প্রশ্নের নির্দিষ্ট দিক সামলায় ৮টি রাউট করা বিশেষজ্ঞ এবং ১টি যৌথ বিশেষজ্ঞ। এই বাছাই করা সক্রিয়করণ ইনফারেন্সে বিলম্ব কমায়, অথচ আউটপুটের মান বজায় রাখে। আলিবাবার দাবি, কোয়ান্টাইজেশনের মাধ্যমে ওজন ৪-বিটে সংকুচিত করলেও মডেলটি প্রায় কোনো ক্ষতি ছাড়াই নির্ভুলতা ধরে রাখতে পারে।

কোয়ান্টাইজেশনের এই স্থিতিশীলতা নমনীয়ভাবে ব্যবহারের ক্ষেত্রে বৈপ্লবিক সম্ভাবনা তৈরি করে। স্থানীয়ভাবে চালানোর জন্য সংকুচিত করলে অধিকাংশ এআই মডেলের পারফরম্যান্স উল্লেখযোগ্যভাবে কমে যায়। সংকোচনের মধ্যেও Qwen3.5-এর পরিকল্পিত স্থিতিশীলতার অর্থ হলো, মাত্র ৩২ জিবি VRAM-সহ ভোক্তা পর্যায়ের GPU-তে ফ্ল্যাগশিপ মডেলটি ১০ লাখের বেশি টোকেনের কনটেক্সট উইন্ডো প্রক্রিয়া করতে পারে। এর জন্য উচ্চক্ষমতার ভোক্তা হার্ডওয়্যার প্রয়োজন হলেও, প্রতিযোগী মডেলের সমতুল্য পারফরম্যান্স পেতে সাধারণত যে সার্ভার ফার্ম লাগে, তার তুলনায় এটি অনেক বেশি নাগালের মধ্যে।

বেঞ্চমার্কের বাস্তবতা: স্বাধীন যাচাইয়ে পারফরম্যান্সের দাবির পরীক্ষা

আলিবাবার বেঞ্চমার্ক-সংক্রান্ত দাবি পুরো চিত্রের কেবল একটি অংশ তুলে ধরে। প্রতিষ্ঠান-অর্থায়িত মূল্যায়নে MMMLU (বহুভাষিক জ্ঞান) এবং MMMU-Pro (দৃশ্যগত যুক্তি)-এর মতো সূচকে Qwen3.5-35B-A3B-কে GPT-5-mini ও Claude Sonnet 4.5-এর চেয়ে এগিয়ে রাখা হলেও, স্বাধীন পরীক্ষায় প্রতিযোগিতার চিত্র আরও জটিল।

সাম্প্রতিক স্বাধীন SWE-rebench পরীক্ষায় কৃত্রিম বেঞ্চমার্কের বদলে GitHub-এর বাস্তব পুল রিকোয়েস্টে বাগ সমাধানের সক্ষমতা যাচাই করা হয়। সেখানে Claude Sonnet 4.5 সর্বোচ্চ ৫৫.১ শতাংশ পরীক্ষায় উত্তীর্ণ হওয়ার হার অর্জন করেছে। Anthropic-এর মডেলটি এমন কয়েকটি জটিল সমস্যা এককভাবে সমাধান করেছে, যেগুলো পরীক্ষিত অন্য কোনো মডেল সমাধান করতে পারেনি। এর মধ্যে ছিল python-trio, cubed-dev এবং canopen রিপোজিটরির সমস্যা। বাস্তব কোডিং পরিবেশে Sonnet 4.5 স্পষ্টভাবে এগিয়ে ছিল।

বাস্তব কোডবেসের প্রকৃত সমস্যা নিয়ে ৭০টি কাজের মাধ্যমে করা আরও একটি স্বাধীন APEX বেঞ্চমার্ক পরীক্ষায় Qwen3.5-এর পারফরম্যান্সের চিত্রে আরও জটিলতা দেখা গেছে। একক GPU-তে ব্যবহারের জন্য 27B ঘন মডেলটি সম্মানজনক ফল করেছে; এর ELO স্কোর ১৩৮৪, যা DeepSeek V3.2-এর চেয়েও বেশি। তবে বড় সংস্করণগুলোতে একাধিক ফাইলের জটিল সমন্বয়ের কাজে উদ্বেগজনক অবনতি দেখা গেছে। মাত্র 3B সক্রিয় প্যারামিটার থাকা 35B MoE সংস্করণটি এজেন্টধর্মী কাজে ১২৫৬ ELO-তে নেমে যায়, যা বহু ধাপের যুক্তিতে ছোট 27B সংস্করণের চেয়েও খারাপ। সবচেয়ে লক্ষণীয়ভাবে, বিশাল Qwen3.5-397B কনফিগারেশনটি মাস্টার-স্তরের কঠিন কাজে বড় ধরনের অবনতি দেখায়: কঠিন কাজে প্রায় ১৫৫০ ELO থেকে নেমে দীর্ঘ যুক্তির ধারায় বহু ফাইলের সমন্বয় করতে গেলে ১১৯৪-এ পৌঁছায়।

অনেক ধাপে বহু ফাইলের সমন্বয় করতে হলে, এটি কী করছে তা আর মনে রাখতে পারে না।

পরীক্ষার কম্পিউটিং খরচ হিসেবে নিজের অর্থে ৩,০০০ ডলারের বেশি ব্যয় করা এক গবেষকের প্রকাশিত এই স্বাধীন বিশ্লেষণ ইঙ্গিত দেয়, Qwen3.5 সীমাবদ্ধ পরিসরের কাজে ভালো হলেও জটিল, দীর্ঘমেয়াদি এজেন্টধর্মী কাজে সমস্যায় পড়তে পারে। এ ধরনের কাজেই Claude Sonnet 4.5 বিশেষ শক্তি দেখিয়েছে।

থিংকিং মোড ও টুল সংযোগ

সব Qwen3.5 মডেলেই ডিফল্টভাবে চালু থাকা নিজস্ব Thinking Mode রয়েছে, যা যুক্তিনির্ভর এআই ব্যবহারের দিকে পরিবর্তনের ইঙ্গিত দেয়। চূড়ান্ত আউটপুট তৈরির আগে মডেলগুলো নির্দিষ্ট ট্যাগের মধ্যে অভ্যন্তরীণ যুক্তির ধাপ তৈরি করে এবং জটিল যুক্তি সরাসরি বিশ্লেষণ করে; তাৎক্ষণিকভাবে সিদ্ধান্তে পৌঁছে যায় না। এ পদ্ধতি চেইন-অব-থট কৌশলের অনুরূপ, যা অন্য ফ্রন্টিয়ার মডেলগুলোর নির্ভুলতা বাড়িয়েছে।

এই সিরিজে এজেন্টধর্মী সক্ষমতার ওপরও গুরুত্ব দেওয়া হয়েছে। এতে বিল্ট-ইন টুল কলিং সুবিধা রয়েছে, যার মাধ্যমে মডেলগুলো বাইরের সিস্টেমের সঙ্গে যোগাযোগ, ওয়েব অনুসন্ধান এবং কোড চালাতে পারে। Qwen3.5-Flash API-তে এসব সুবিধার জন্য বিস্তারিত মূল্য নির্ধারণ করা হয়েছে: ওয়েব অনুসন্ধানে প্রতি ১,০০০ কলে ১০ ডলার, আর সীমিত সময়ের জন্য কোড ইন্টারপ্রেটার ব্যবহারে কোনো চার্জ নেই। এ মূল্য কাঠামো Flash-কে বিশ্বে সবচেয়ে সাশ্রয়ী হোস্টেড LLM বিকল্পগুলোর একটিতে পরিণত করেছে। প্রতি ১০ লাখ ইনপুট টোকেনের খরচ ০.১০ ডলার এবং আউটপুটের খরচ ০.৪০ ডলার।

তুলনায়, Claude Sonnet 4.5-এ প্রতি ১০ লাখ ইনপুট টোকেনের খরচ ৩.০০ ডলার এবং আউটপুট টোকেনের খরচ ১৫.০০ ডলার। GPT-5.2-তে এ খরচ যথাক্রমে ১.৭৫ ও ১৪.০০ ডলার। এমনকি স্থানীয় ব্যবহারে মনোযোগী GLM-5, যা Z.ai-এর তৈরি, তার খরচও প্রতি ১০ লাখ টোকেনে ১.০০ ও ৩.২০ ডলার। দামের এই ৩০ থেকে ১০০ গুণ ব্যবধান বাজেট-সচেতন প্রতিষ্ঠানগুলোর মধ্যে ব্যাপক গ্রহণযোগ্যতা তৈরি করতে পারে; তারা সামান্য পারফরম্যান্সের পার্থক্যের বিনিময়ে বড় অঙ্কের খরচ বাঁচাতে আগ্রহী হতে পারে।

প্রতিষ্ঠানের তথ্যের সার্বভৌমত্বে প্রভাব

পারফরম্যান্সের পরিমাপযোগ্য দিক ছাড়াও, Qwen3.5 প্রকাশের কৌশলগত গুরুত্ব রয়েছে প্রতিষ্ঠানের এআই ব্যবহারে। ব্যক্তিগত অবকাঠামোর ভেতরেই ফ্রন্টিয়ার-সক্ষম মডেল চালানোর সুযোগ তথ্যের সার্বভৌমত্ব এবং তৃতীয় পক্ষের API-সংক্রান্ত ঝুঁকি নিয়ে বাড়তে থাকা উদ্বেগের জবাব দেয়। অর্থ, স্বাস্থ্যসেবা ও সরকারি চুক্তির মতো নিয়ন্ত্রিত খাতের প্রতিষ্ঠানগুলোকে ক্রমেই এমন বিধি মেনে চলতে হচ্ছে, যাতে সংবেদনশীল তথ্য বাইরের ক্লাউড এআই সেবায় পাঠানো নিষিদ্ধ।

স্থানীয়ভাবে নিয়ন্ত্রিত হার্ডওয়্যারে ১০ লাখ টোকেনের কনটেক্সট উইন্ডো ব্যবহারের সুযোগ দিয়ে Qwen3.5 প্রতিষ্ঠানগুলোকে বাইরের API-তে মালিকানাধীন তথ্য প্রকাশ না করেই বিপুল নথিভান্ডার, ঘণ্টাব্যাপী ভিডিও এবং বড় প্রাতিষ্ঠানিক ডেটাসেট প্রক্রিয়া করতে দেয়। স্থাপত্যগত এই পরিবর্তনে অত্যাধুনিক এআই সক্ষমতা পেতে বিপুল মূলধনী বিনিয়োগের প্রয়োজন কমে আসে, ফলে আগে কেবল পর্যাপ্ত অর্থায়ন পাওয়া প্রযুক্তি প্রতিষ্ঠানের নাগালে থাকা সরঞ্জাম আরও বেশি প্রতিষ্ঠানের জন্য উন্মুক্ত হতে পারে।

ওপেন-সোর্স লাইসেন্সের ফলে নির্দিষ্ট খাতের প্রয়োজন অনুযায়ী মডেল কাস্টমাইজ ও ফাইন-টিউন করাও যায়। শুধু ব্ল্যাক-বক্স API সুবিধা দেওয়া মালিকানাধীন মডেলের বিপরীতে, Qwen3.5-এর ওপেন ওজন প্রতিষ্ঠানগুলোকে বিশেষায়িত শব্দভান্ডার, অভ্যন্তরীণ জ্ঞানভান্ডার এবং নিজস্ব কর্মপ্রবাহের সঙ্গে মানিয়ে নিতে দেয়। বিশেষায়িত পরিভাষা বা নিয়ন্ত্রক সংস্থার নথিপত্রের শর্ত রয়েছে—এমন শিল্পে এই নমনীয়তা বিশেষভাবে কার্যকর।

চীনের বৃহত্তর এআই ইকোসিস্টেমের চ্যালেঞ্জ

চীনের এআই গবেষণাগারগুলো থেকে প্রতিযোগিতামূলক ওপেন-সোর্স মডেল প্রকাশের ঢেউয়ের মধ্যে এসেছে Qwen3.5। সম্মিলিতভাবে এসব মডেল পশ্চিমা প্রযুক্তিগত প্রাধান্যকে চ্যালেঞ্জ জানাচ্ছে। একই ধরনের Apache 2.0 লাইসেন্সে প্রকাশিত Z.ai-এর GLM-4.5 পরিবার স্বয়ংক্রিয়ভাবে PowerPoint তৈরি করার মতো বিশেষ সুবিধাসহ তুলনীয় পারফরম্যান্স দেয়। Moonshot-এর Kimi K2 এবং DeepSeek-এর বিভিন্ন ওপেন মডেল মিলে এমন একটি ইকোসিস্টেম গড়ে তুলেছে, যা যুক্তরাষ্ট্রের বদ্ধ সিস্টেমগুলোর কার্যকর বিকল্প দিচ্ছে।

এই প্রবণতা পশ্চিমা এআই প্রতিষ্ঠানগুলোর ওপর চাপ তৈরি করছে। Llama 4 পরিবার উন্মোচনের পর Meta সমালোচনার মুখে পড়েছে। কিছু এআই গবেষক বেঞ্চমার্কে কারসাজির উদ্বেগ এবং বাস্তব ব্যবহারে অসামঞ্জস্যপূর্ণ পারফরম্যান্সের কথা বলেছেন। আধুনিক LLM যুগের পথিকৃৎ OpenAI জুলাইয়ে প্রকাশের পরিকল্পনা করা ফ্রন্টিয়ার ওপেন-সোর্স মডেলটি অনির্দিষ্ট পরবর্তী সময়ের জন্য পিছিয়ে দিয়েছে। এতে ডেভেলপারদের মধ্যে পরিচিতি তৈরির সুযোগ পাচ্ছে চীনা বিকল্পগুলো।

প্রতিযোগিতার এই গতিশীলতা কারিগরি বৈশিষ্ট্যের বাইরেও তথ্য পরিচালনা-সংক্রান্ত প্রশ্নে বিস্তৃত। চীনে তৈরি মডেল গ্রহণ করা পশ্চিমা প্রতিষ্ঠানগুলোকে সম্ভাব্য কনটেন্ট বিধিনিষেধ ও তথ্যের সার্বভৌমত্বের বিষয়গুলো বিবেচনায় নিতে হয়, বিশেষত স্থানীয়ভাবে না চালিয়ে ক্লাউড-হোস্টেড API ব্যবহার করলে। তবে Qwen3.5-এর প্রধান সংস্করণগুলো ওপেন-সোর্স হওয়ায় ইন্টারনেট থেকে বিচ্ছিন্ন পরিবেশে চালানো যায়, যা এসব উদ্বেগের অনেকটাই কমায়।

বাজারে অবস্থান ও ভবিষ্যৎ অগ্রগতি

আলিবাবার প্রকাশ কৌশলে বিভিন্ন ক্ষমতার হার্ডওয়্যারে সহজে ব্যবহারের ওপর গুরুত্ব দেওয়া হয়েছে। Qwen3.5-27B উচ্চদক্ষতার ব্যবহারের জন্য তৈরি, এতে ৮ লাখের বেশি টোকেনের কনটেক্সট সমর্থন রয়েছে। অন্যদিকে, 122B-A10B সংস্করণটি সর্বোচ্চ পারফরম্যান্সের জন্য ৮০ জিবি VRAM-সহ সার্ভার-শ্রেণির GPU চায়। এই স্তরভিত্তিক পদ্ধতিতে সব প্রতিষ্ঠানের জন্য বাধ্যতামূলকভাবে ক্লাউডের ওপর নির্ভর না করে, বিদ্যমান অবকাঠামোর সঙ্গে মিলিয়ে মডেল বেছে নেওয়া যায়।

আলিবাবা নির্দেশনা-অনুযায়ী ফাইন-টিউন করা সংস্করণের পাশাপাশি মূল মডেলটিও ওপেন-সোর্স করেছে। এতে ফাইন-টিউনিং ও স্থাপত্য নিয়ে গবেষণার ক্ষেত্রে গবেষকসমাজের প্রয়োজন মেটানো সম্ভব হবে। কিছু পশ্চিমা প্রতিযোগীর বদ্ধ উন্নয়ন-পদ্ধতির বিপরীতে এই স্বচ্ছতা সহযোগিতামূলক উন্নয়নের মাধ্যমে উদ্ভাবন ত্বরান্বিত করতে পারে।

Hugging Face-এ প্রাথমিক ব্যবহারকারীদের প্রতিক্রিয়ায় মডেলগুলোর এজেন্টধর্মী সক্ষমতা ও কোয়ান্টাইজেশনের স্থিতিশীলতা নিয়ে বিশেষ আগ্রহ দেখা গেছে। ডেভেলপাররা জানিয়েছেন, আগে ফ্রন্টিয়ার মডেল চালানোর জন্য অপর্যাপ্ত বলে বিবেচিত ভোক্তা পর্যায়ের হার্ডওয়্যারেও তারা সফলভাবে মডেলগুলো চালাতে পেরেছেন। এতে আলিবাবার দক্ষতার দাবির পক্ষে প্রমাণ মিলেছে, যদিও স্বাধীন বেঞ্চমার্ক জটিল কোডিং কাজের ক্ষেত্রে সতর্ক থাকার ইঙ্গিত দেয়।

মূল বিষয়গুলো

• আলিবাবা Qwen3.5 Medium সিরিজের চারটি মডেল প্রকাশ করেছে; এর তিনটি বাণিজ্যিক ব্যবহারের জন্য Apache 2.0 ওপেন-সোর্স লাইসেন্সে পাওয়া যাচ্ছে
• ফ্ল্যাগশিপ Qwen3.5-35B-A3B Mixture-of-Experts স্থাপত্য ব্যবহার করে প্রতি টোকেনে ৩৫ বিলিয়ন প্যারামিটারের মধ্যে মাত্র ৩ বিলিয়ন সক্রিয় করে
• স্বাধীন বেঞ্চমার্কে মিশ্র ফল দেখা গেছে: জ্ঞান ও যুক্তি যাচাইয়ে ভালো করলেও Claude Sonnet 4.5-এর তুলনায় জটিল বহু-ফাইল কোডিং কাজে দুর্বলতা রয়েছে
• উন্নত ৪-বিট কোয়ান্টাইজেশনের মাধ্যমে ৩২ জিবি VRAM-সহ ভোক্তা পর্যায়ের GPU-তে ১০ লাখের বেশি টোকেনের কনটেক্সট উইন্ডো সমর্থন করে মডেলগুলো
• Qwen3.5-Flash API-এর দাম পশ্চিমা প্রতিযোগীদের তুলনায় ৩০ থেকে ১০০ গুণ কম; প্রতি ১০ লাখ ইনপুট টোকেনে খরচ ০.১০ ডলার, যেখানে Claude Sonnet 4.5-এর খরচ ৩.০০ ডলার
• সিরিজের সব মডেলে ডিফল্টভাবে চালু থাকা নিজস্ব Thinking Mode চূড়ান্ত আউটপুট তৈরির আগে অভ্যন্তরীণ যুক্তির ধাপ তৈরি করে
• প্রতিষ্ঠানগুলো নিয়ন্ত্রিত খাতে প্রয়োজনীয় সম্পূর্ণ তথ্যের সার্বভৌমত্ব বজায় রেখে নিজেদের অবকাঠামোয় এআই চালাতে পারে
• পশ্চিমা মালিকানাধীন সিস্টেমকে চ্যালেঞ্জ জানানো চীনের ওপেন-সোর্স এআই মডেলের বৃহত্তর ধারায় যোগ হয়েছে এই প্রকাশনা; এর মধ্যে রয়েছে Z.ai-এর GLM-4.5 ও Moonshot-এর Kimi K2