স্ক্রিন দেখে Honkai: Star Rail খেলে—এমন Gamer AI উন্মোচন HoYoverse-এর

পড়তে 9 মিনিট
HoYoverse unveils Gamer AI that plays Honkai: Star Rail by watching the screen

ডেভেলপারদের জন্য তৈরি এআই খেলোয়াড়

HoYoverse-এর Honkai AI গবেষণা দল Gamer উন্মোচন করেছে। এটি এমন একটি কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা, যা স্ক্রিন দেখে এবং কিবোর্ড ও মাউসের নির্দেশ পাঠিয়ে গেম খেলে। ৫০ ঘণ্টার একটি পরীক্ষায় এটি ৯৫ শতাংশ সময় স্বয়ংক্রিয়ভাবে Honkai: Star Rail নিয়ন্ত্রণ করেছে বলে প্রতিবেদনে জানানো হয়েছে। সঠিক চাল বেছে নেওয়ার বাইরেও একটি চ্যালেঞ্জ এতে রয়েছে: দীর্ঘ অভিযানে কী করতে হবে, তা মনে রাখা।

সূচিপত্র
  1. ডেভেলপারদের জন্য তৈরি এআই খেলোয়াড়
  2. স্ক্রিনশটকে কীভাবে নির্দেশে রূপ দেয় Gamer?
  3. মিশনের কথা মনে রাখতে সিস্টেমকে প্রশিক্ষণ
  4. মিশনের ফলাফল আসলে কী পরিমাপ করে
  5. ধাঁধায় পারফরম্যান্সে বড় অসমতা
  6. দ্রুত সিদ্ধান্তের জন্য কেন শক্তিশালী হার্ডওয়্যার দরকার
  7. কী প্রকাশ করা হয়েছে, আর কী এখনো বাকি?
  8. ভার্চুয়াল খেলোয়াড় কীভাবে গেম পরীক্ষা করতে পারে
  9. কেন এই কাজ Honkai: Star Rail-এর বাইরেও বিস্তৃত
  10. মূল বিষয়গুলো

miHoYo দল ১৩ নভেম্বর, ২০২৬-এ প্রকল্পের পেজ ও গবেষণাপত্র প্রকাশ করেছে। প্রদর্শনীতে দেখা যায়, Gamer মিশন অনুসরণ করছে, চরিত্রদের সঙ্গে কথা বলছে, শত্রু ও বসের বিরুদ্ধে লড়ছে, ধাঁধা সমাধান করছে এবং পাঁচ ধরনের মিনিগেম সম্পন্ন করছে। গেমের ভেতরের গোপন তথ্যের বদলে স্ক্রিনশট থেকে এটি ইনপুট পায়।

এর লক্ষ্য ব্যবহারকারী ডেভেলপার ও গবেষকেরা। HoYoverse-এর বর্ণনা অনুযায়ী, Gamer এমন একটি সরঞ্জাম, যা গেম পরীক্ষা, সমস্যা শনাক্তকরণ এবং উন্নয়নের পুনরাবৃত্তিমূলক কাজ কমাতে সহায়তা করতে পারে। দীর্ঘমেয়াদি গবেষণায় রোবটের জন্য কৃত্রিম বুদ্ধিমত্তার দিকেও কাজ সম্প্রসারণের পরিকল্পনা রয়েছে। প্রতিবেদনে উল্লেখিত সক্ষমতা পরীক্ষায় Nvidia H200 গ্রাফিক্স প্রসেসরসহ শক্তিশালী ডেটা সেন্টার হার্ডওয়্যার ব্যবহার করা হয়েছে।

তাই খেলোয়াড়দের জন্য আপাতত এটি নতুন কোনো স্বয়ংক্রিয় খেলার সুবিধা নয়, বরং একটি গবেষণা প্রকল্প। ডেভেলপারদের জন্য এর ব্যবহারিক আকর্ষণ আরও স্পষ্ট: এমন এক ভার্চুয়াল পরীক্ষক, যা মানুষের ব্যবহৃত দৃশ্যমান ইন্টারফেস দিয়েই কোনো মিশন চেষ্টা করতে পারে, তারপর কথোপকথন, যাতায়াত, লড়াই ও ধাঁধার মধ্য দিয়ে এগিয়ে যেতে পারে।

স্ক্রিনশটকে কীভাবে নির্দেশে রূপ দেয় Gamer?

Gamer একটি ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন মডেল। সহজ ভাষায়, এটি তিনটি সক্ষমতাকে যুক্ত করে: স্ক্রিনে কী আছে তা দেখা, নির্দেশ বোঝা এবং কাজ সম্পাদন করা। গবেষণাপত্রটির শিরোনাম Gamer: A Generalist Vision-Language-Action Foundation Model for Long-Horizon Real-Time Game Agent। দীর্ঘ এই নামটি মূল লক্ষ্য বোঝায়: একটি বিচ্ছিন্ন কাজ শেষ করার বদলে দীর্ঘ সময় ধরে গেম নিয়ন্ত্রণ করা।

সিস্টেমটি প্রতি সেকেন্ডে পাঁচবার গেমের স্ক্রিনের ছবি নেয় এবং প্রতি সেকেন্ডে ৩০টি আপডেটের সমতুল্য কিবোর্ড ও মাউসের নির্দেশ তৈরি করে। প্রতিটি সিদ্ধান্তে প্রায় ২০০ মিলিসেকেন্ডের কাজ অন্তর্ভুক্ত থাকে, যা প্রায় ৩৩ মিলিসেকেন্ডের ছয়টি ধাপে ভাগ করা। এতে নতুন দৃশ্যমান পর্যবেক্ষণের মাঝখানে এটি অল্প সময়ের ইনপুটের একটি ধারাবাহিকতা পরিকল্পনা করতে পারে।

একজন মানব খেলোয়াড় গন্তব্যের চিহ্নের দিকে চোখ বুলিয়ে চলার কী চেপে ধরে ক্যামেরার দিক সামঞ্জস্য করতে পারেন। স্ক্রিনের ছবি ও ইনপুট নির্দেশের মধ্যে তুলনীয় সম্পর্ক Gamer শেখে। গেমের অভ্যন্তরীণ অবস্থা সরবরাহ করে এমন বিশেষ ইন্টারফেসের ওপর নির্ভর না করেই এটি চরিত্র চালাতে, ক্যামেরা ঘোরাতে, মেনুতে চলাফেরা করতে এবং বিভিন্ন বস্তুর সঙ্গে কাজ করতে পারে।

বিজ্ঞাপন

প্রকাশিত অ্যাকশন ফরম্যাটে বড় ও ছোট হাতের অক্ষরের নির্দিষ্ট নিয়মসহ ৭৪টি কী-টোকেন রয়েছে। অবৈধ আউটপুটকে কোনো কাজ না করার নির্দেশ হিসেবে ধরা হয়। এ ধরনের নিয়ম গুরুত্বপূর্ণ, কারণ এআই সিস্টেমের সামগ্রিক যুক্তি নিখুঁত না হলেও সফটওয়্যার যেন নির্দেশ নির্ভরযোগ্যভাবে বুঝতে পারে, সে জন্য তাকে সঠিক কমান্ড পাঠাতে হয়।

মিশনের কথা মনে রাখতে সিস্টেমকে প্রশিক্ষণ

বিভিন্ন গেমে কিবোর্ড ও মাউস ব্যবহারের ১০ হাজার ঘণ্টার বেশি রেকর্ড করা কার্যকলাপ দিয়ে প্রশিক্ষণ শুরু হয়। এসব রেকর্ডে স্ক্রিনে যা দেখা গেছে, তার সঙ্গে নেওয়া পদক্ষেপের যোগসূত্র রয়েছে। দীর্ঘতর লক্ষ্য পূরণ করতে বলার আগে এগুলো Gamer-কে প্রাথমিক নিয়ন্ত্রণ দক্ষতা শিখতে সাহায্য করে।

এরপর গবেষকেরা সিদ্ধান্তের ব্যাখ্যা এবং আগের কার্যকলাপের সারসংক্ষেপসহ নির্দেশনা দিয়ে প্রশিক্ষণ যোগ করেন। প্রতিবেদনে উল্লেখিত প্রশিক্ষণ উপকরণে প্রায় ১২ লাখ যুক্তি-সংক্রান্ত টীকা এবং ২ লাখ ২৩ হাজার স্মৃতি-সংক্রান্ত টীকা রয়েছে। এগুলো মডেলকে পরবর্তী পদক্ষেপ বেছে নেওয়া এবং দরকারি তথ্য ধরে রাখার উদাহরণ দেয়।

একটি মিশনে খেলোয়াড়কে একাধিক স্থানে যেতে হলে স্মৃতি অপরিহার্য। সিস্টেমকে মনে রাখতে হতে পারে, কোন চরিত্রের সঙ্গে ইতিমধ্যে কথা বলা হয়েছে, কোন পথটি ব্যর্থ হয়েছে এবং কোন লক্ষ্যটি এখনো অসম্পূর্ণ। সক্রিয় কর্ম-প্রসঙ্গ পূর্ণ হয়ে গেলে যেন কাজ চালিয়ে যেতে পারে, সে জন্য Gamer সংক্ষিপ্ত সারাংশ তৈরি করে।

দলটি ‘স্পার্স রিজনিং’ বা সীমিত পরিসরের যুক্তি-প্রক্রিয়াও ব্যবহার করে। প্রতিটি চলাচলের আগে দীর্ঘ ব্যাখ্যা তৈরির বদলে, কোনো পরিকল্পনা কার্যকর থাকলে মডেল কাজ চালিয়ে যেতে পারে এবং পরিস্থিতি বদলালে যুক্তি-বিশ্লেষণে বেশি সময় দিতে পারে। এতে সুচিন্তিত পরিকল্পনার সঙ্গে গেমে প্রয়োজনীয় দ্রুত ইনপুটের সমন্বয় ঘটে।

মিশনের ফলাফল আসলে কী পরিমাপ করে

গবেষকেরা Honkai: Star Rail-এর দুটি পার্শ্বমিশনে Gamer-এর মূল্যায়ন করেছেন: Opportunity Makes the Thief (Part I) এবং Bestial Ferocity। দুটি মিশনেই যাতায়াত, চরিত্রদের সঙ্গে কথা বলা এবং শত্রুর সঙ্গে লড়াইয়ের মতো বিভিন্ন কাজ রয়েছে। মিশন পরীক্ষায় একটি সহজ ধাঁধাও অন্তর্ভুক্ত ছিল।

প্রাথমিক ধারাবাহিক প্রশিক্ষণপর্বের পর মিশনের লক্ষ্য পূরণের স্কোর ছিল যথাক্রমে ৩৪.৪ শতাংশ ও ৪৭.৯ শতাংশ। রিইনফোর্সমেন্ট লার্নিংয়ের পর তা বেড়ে দাঁড়ায় ৮০.০ শতাংশ ও ৮৩.৬ শতাংশে। প্রথম মিশনে উন্নতি হয় ৪৫.৬ শতাংশ পয়েন্ট, আর দ্বিতীয়টিতে ৩৫.৭ শতাংশ পয়েন্ট।

রিইনফোর্সমেন্ট লার্নিং হলো এমন একটি পদ্ধতি, যেখানে প্রচেষ্টার ফলাফলকে স্কোর দিয়ে মূল্যায়ন করে সক্ষমতা বাড়ানো হয়। এখানে দলটি Temporal-Aware GRPO নামের একটি পদ্ধতি ব্যবহার করেছে, যা স্মৃতির সূত্রে যুক্ত খেলার বিভিন্ন সময়পর্বের কাজের সঙ্গে পুরস্কারকে সংযুক্ত করে। কয়েক মিনিট পর কোনো কাজ শেষ করতে আগের কোন সিদ্ধান্তটি সাহায্য করেছে, তা শেখার সমস্যার সঙ্গে এর অনেকটা মিল রয়েছে।

বিজ্ঞাপন

৫০ ঘণ্টার পরীক্ষায় ৯৫ শতাংশ সময় স্বয়ংক্রিয় নিয়ন্ত্রণের দাবি থেকে বোঝা যায়, Gamer মোট চলার সময়ের কতটা নিজে সামলেছে। মিশনের লক্ষ্য পূরণের স্কোর নির্দিষ্ট লক্ষ্য অনুযায়ী অগ্রগতি মাপে। স্বয়ংক্রিয় পরীক্ষায় মূল কাহিনির চ্যালেঞ্জে ৯৫ শতাংশের বেশি সাফল্যের দাবিও করেছে দলটি, তবে এর পরিসর ভিন্ন। প্রকাশিত এই ফলাফল ডেভেলপারদের দেওয়া; স্বাধীনভাবে পুনরায় পরীক্ষা করার খবর এখনো পাওয়া যায়নি।

ধাঁধায় পারফরম্যান্সে বড় অসমতা

Gamer-এর মিনিগেমের ফলাফল দেখায়, সক্ষমতার চিত্তাকর্ষক প্রদর্শনের পাশাপাশি কেন উল্লেখযোগ্য দুর্বলতাও থাকতে পারে। আগে দেখা হয়নি—এমন ৪০টি কাজ এবং সাত ধরনের মিনিগেমে রিইনফোর্সমেন্ট লার্নিংয়ে প্রশিক্ষিত সংস্করণটির গড় সাফল্যের হার ছিল ৪৯.৭ শতাংশ। আগের প্রশিক্ষণপর্বে স্কোর ছিল ১৫.০ শতাংশ; অর্থাৎ উন্নতি হয়েছে ৩৪.৭ শতাংশ পয়েন্ট।

সেরা ও দুর্বলতম উদাহরণের মধ্যে ব্যবধান ছিল অনেক। Navigation Compass ধাঁধায় Gamer-এর স্কোর ৯৫.৮ শতাংশ, আর Abacus Circuitry-তে ২২.২ শতাংশ। ব্যবধান ৭৩.৬ শতাংশ পয়েন্ট। এতে বোঝা যায়, নির্দিষ্ট ধাঁধার ধরন অনুযায়ী পারফরম্যান্স কতটা বদলেছে।

প্রদর্শনী ভিডিওতে পাঁচ ধরনের মিনিগেমে সফল খেলা দেখা যায়, আর মূল্যায়নে রয়েছে সাত ধরনের কাজ। বিস্তৃত এই পরীক্ষা ডেভেলপারদের সিস্টেমটির সক্ষমতা সম্পর্কে আরও বিস্তারিত ধারণা দেয়, পাশাপাশি কোন কাজগুলোতে এটি এখনো হিমশিম খায় তাও তুলে ধরে।

পরীক্ষার দলের জন্য এই পার্থক্যগুলোর ব্যবহারিক গুরুত্ব আছে। একটি চ্যালেঞ্জে নির্ভরযোগ্যভাবে চলতে পারা এজেন্টকে অন্য চ্যালেঞ্জে আরও নিবিড়ভাবে তদারকির প্রয়োজন হতে পারে। স্বয়ংক্রিয় পরীক্ষা কোথায় কাজ বাঁচাতে পারে এবং কোথায় মানুষকে ফলাফল সতর্কভাবে যাচাই করতে হবে, তা নির্ধারণে এই ফলাফল সহায়তা করে।

দ্রুত সিদ্ধান্তের জন্য কেন শক্তিশালী হার্ডওয়্যার দরকার

সিদ্ধান্ত চাওয়া থেকে তা পাওয়া পর্যন্ত বিলম্ব কমাতে গবেষণা দল Streaming-vLLM নামে একটি ইনফারেন্স ইঞ্জিন তৈরি করেছে। ইনফারেন্স হলো সেই ধাপ, যখন প্রশিক্ষিত এআই মডেল নতুন তথ্য প্রক্রিয়াকরণ করে উত্তর বা কাজ তৈরি করে।

প্রতিবেদনে উল্লেখিত Nvidia H200 ব্যবস্থায় ইঞ্জিনটি শুরু থেকে শেষ পর্যন্ত অনুরোধের বিলম্ব ১,৩০৬ মিলিসেকেন্ড থেকে কমিয়ে ৬৫.১২ মিলিসেকেন্ড করেছে—গতি প্রায় ২০ গুণ বেড়েছে। সহজভাবে বললে, বিলম্ব প্রায় ১.৩ সেকেন্ড থেকে কমে প্রায় ০.০৬৫ সেকেন্ড হয়েছে। এআই সিদ্ধান্ত নেওয়ার সময়ও গেম চলতে থাকায় এই পার্থক্য গুরুত্বপূর্ণ।

প্রতিবেদনে উল্লেখিত কনফিগারেশনে চারটি ডিভাইসে গণনা ভাগ করে Qwen3.5-35B-A3B মিশ্র বিশেষজ্ঞ মডেল ব্যবহার করা হয়েছে। মিশ্র বিশেষজ্ঞ মডেল একটি কাজের জন্য তার নেটওয়ার্কের নির্দিষ্ট অংশ সক্রিয় করে। গতি-সংক্রান্ত হিসাব বোঝার জন্য হার্ডওয়্যার ও সফটওয়্যারের কনফিগারেশন গুরুত্বপূর্ণ, কারণ এটি সাধারণ বাড়ির কম্পিউটারের সক্ষমতা নয়, বরং গবেষণার একটি সেটআপের বিবরণ।

বিজ্ঞাপন

Streaming-vLLM পুনরাবৃত্ত গণনা কমায়, সংরক্ষিত তথ্য পুনরায় ব্যবহার করে এবং পরবর্তী আউটপুট তৈরি চলাকালেও প্রথম বৈধ কাজটি পাঠাতে পারে। দ্রুত সিদ্ধান্ত প্রশিক্ষণেও সহায়তা করে: অপেক্ষায় কম সময় ব্যয় করা সিস্টেম একই সময়ে আরও বেশি মিথস্ক্রিয়া চেষ্টা করতে পারে।

কী প্রকাশ করা হয়েছে, আর কী এখনো বাকি?

প্রকাশ্য উপকরণের মধ্যে রয়েছে প্রকল্পের পেজ, গবেষণাপত্র এবং Apache-2.0 লাইসেন্সের অধীনে কোডসহ একটি GitHub রিপোজিটরি। রিপোজিটরিতে প্রম্পট, অ্যাকশন ফরম্যাট ও মূল্যায়নের ফলাফল বর্ণনা করা হয়েছে। মডেল ওয়েটস—অর্থাৎ প্রশিক্ষিত মডেল চালানোর জন্য প্রয়োজনীয় শেখা সংখ্যাগত সেটিংস—কোড প্রকাশনার সঙ্গে দেওয়া হয়নি।

Honkai: Star Rail-এর প্রশিক্ষণ ডেটা এবং ওই গেমের ডেটা ব্যবহার করে প্রশিক্ষিত বা সমন্বয় করা মডেল ওয়েটস দলটি প্রকাশ করেনি। এর কারণ হিসেবে ডেটা নিরাপত্তার বিষয় উল্লেখ করা হয়েছে। প্রকাশ্য ফাইলগুলো প্রকল্পের প্রাথমিক সাধারণ প্রশিক্ষণ-সংক্রান্ত গবেষণার অংশ।

Streaming-vLLM বাস্তবায়নটি ‘শিগগিরই আসছে’ বলে তালিকাভুক্ত। ওই ইঞ্জিনের জন্য কোনো প্রকাশনার তারিখ জানানো হয়নি। প্রশিক্ষিত ওয়েটস না থাকা এবং শক্তিশালী হার্ডওয়্যারের প্রয়োজনের সঙ্গে মিলিয়ে দেখলে, গবেষণাপত্র পড়া থেকে প্রদর্শিত সিস্টেমটি পুনরায় তৈরি করার মধ্যে উল্লেখযোগ্য ব্যবধান রয়ে গেছে।

প্রকাশনার ধারাবাহিকতা সংক্ষিপ্ত:

  • ১৩ নভেম্বর, ২০২৬: Honkai AI গবেষণা দল Gamer প্রকল্পের পেজ ও গবেষণাপত্র প্রকাশ করে।
  • ১৬ ও ১৭ নভেম্বর, ২০২৬: প্রকাশ্য প্রতিবেদনে এর প্রশিক্ষণ পদ্ধতি, প্রদর্শনী ও পারফরম্যান্সের ফলাফল বিস্তারিতভাবে তুলে ধরা হয়।
  • ওই প্রতিবেদন প্রকাশের সময়: ইনফারেন্স ইঞ্জিনটি নির্দিষ্ট প্রকাশনার তারিখ ছাড়াই ‘শিগগিরই আসছে’ বলে তালিকাভুক্ত ছিল।

ভার্চুয়াল খেলোয়াড় কীভাবে গেম পরীক্ষা করতে পারে

HoYoverse গেম পরীক্ষা করাকে এর সম্ভাব্য প্রধান ব্যবহার হিসেবে চিহ্নিত করেছে। একটি মিশনে অনেকগুলো পরস্পর-সংযুক্ত ধাপ থাকতে পারে: কোনো চরিত্রের কাছে যাওয়া, কথোপকথন শুরু করা, অন্য এলাকায় যাওয়া, লড়াই জেতা এবং একটি বস্তু সংগ্রহ করা। যেকোনো ধাপে সমস্যা হলে খেলোয়াড়ের অগ্রগতি থেমে যেতে পারে।

Gamer-এর পদ্ধতিতে ডেভেলপাররা কোনো এজেন্টকে একই দৃশ্যমান মিথস্ক্রিয়ার মধ্য দিয়ে বারবার চালাতে পারেন। স্ক্রিন পড়া, চলাচল এবং সাধারণ নিয়ন্ত্রণ ব্যবহার করার ক্ষমতা দিয়ে লক্ষ্য ও মেনু পরিকল্পনামতো কাজ করছে কি না, তা যাচাই করা যেতে পারে। একই কাজের ধারাবাহিকতা পুনরাবৃত্তি করলে সমস্যা ঠিক করার আগে সেটি আবার ঘটিয়েও দেখা সম্ভব।

অ্যাক্সেসিবিলিটিতে সহায়তা এবং মানুষ ও কম্পিউটারের পারস্পরিক মিথস্ক্রিয়া নিয়ে গবেষণাকেও সম্ভাব্য অন্যান্য প্রয়োগ হিসেবে উল্লেখ করেছে গবেষণা দল। প্রতারণা, অননুমোদিত প্রবেশ, নিরাপত্তার দুর্বলতা কাজে লাগানো, কিংবা ব্যবহারকারী ও ন্যায্য খেলায় ক্ষতি করার উদ্দেশ্যে Gamer ব্যবহারের বিরোধিতাও করেছে তারা।

বিজ্ঞাপন

এই বিধিনিষেধ গুরুত্বপূর্ণ, কারণ গেম স্বয়ংক্রিয়ভাবে নিয়ন্ত্রণ করার একই সক্ষমতা ভিন্ন ভিন্ন কাজে ব্যবহার হতে পারে। ঘোষিত উন্নয়ন-লক্ষ্য হলো অনুমোদিত গবেষণা ও পরীক্ষা। বাস্তবে এটি কীভাবে ব্যবহার হবে, তা নির্ধারণে মানুষের তদারকি এবং গেমের নিয়ম ভূমিকা রাখবে।

কেন এই কাজ Honkai: Star Rail-এর বাইরেও বিস্তৃত

HoYoverse-এর মতে, ত্রিমাত্রিক গেমের জগৎ এমন গবেষণার জন্যও উপযোগী, যা ভবিষ্যতে রোবোটিকসের কাজে লাগতে পারে। গেমে পর্যবেক্ষণ, সিদ্ধান্ত ও পরিণতির ধারাবাহিকতা রয়েছে: এজেন্ট কোনো বাধা দেখে, পথ বেছে নেয়, কাজ করে এবং কী বদলেছে তা যাচাই করে।

Gamer একই সিস্টেমে এই সমস্যার একাধিক দিক একত্র করেছে। স্ক্রিন পর্যবেক্ষণ থেকে এটি দৃশ্য অনুধাবন করে, নির্দেশনা ও সারাংশ পরিকল্পনায় সহায়তা করে এবং কিবোর্ড ও মাউসের আউটপুট নিয়ন্ত্রণের কাজ করে। বিভিন্ন গেমে প্রশিক্ষণের লক্ষ্য হলো, একটি মিশন বা শিরোনামের বাইরেও যেন এসব দক্ষতা কাজে লাগে।

বাস্তব রোবটের ক্ষেত্রে বাস্তব সেন্সর, চলাচলের সীমাবদ্ধতা ও নিরাপত্তার শর্তসহ আরও কিছু চাহিদা রয়েছে। ভার্চুয়াল পরিবেশে দীর্ঘ সময় ধরে কাজ ও স্মৃতি নিয়ে গবেষণার একটি উপায় তৈরি করাই Gamer-এর তাৎক্ষণিক অবদান। এখানে গবেষকেরা কাজ পুনরাবৃত্তি করতে এবং ফলাফল পরিমাপ করতে পারেন।

প্রকল্পটির সবচেয়ে কার্যকর চিত্র পাওয়া যায় সব ফলাফল একসঙ্গে দেখলে: রিইনফোর্সমেন্ট লার্নিংয়ের পর মিশনে অনেক উন্নত পারফরম্যান্স, ধাঁধায় অসম সাফল্য এবং ব্যয়বহুল হার্ডওয়্যারে সিদ্ধান্তের বিলম্বে বড় হ্রাস। এসব বিবরণ ব্যাখ্যা করে, ডেভেলপার কেন এমন পরীক্ষক চাইতে পারেন এবং কেন এটিকে নিয়মিত ব্যবহারের সরঞ্জামে পরিণত করার আগে আরও কাজ দরকার।

মূল বিষয়গুলো

  • HoYoverse-এর Gamer স্ক্রিনশট এবং কিবোর্ড ও মাউসের নির্দেশ ব্যবহার করে গেম নিয়ন্ত্রণ করে।
  • প্রতিবেদনে উল্লেখিত ৫০ ঘণ্টার পরীক্ষায় মোট চলার সময়ের ৯৫ শতাংশ স্বয়ংক্রিয়ভাবে নিয়ন্ত্রণ করেছে এটি।
  • রিইনফোর্সমেন্ট লার্নিংয়ের পর দুটি পার্শ্বমিশনের লক্ষ্য পূরণের স্কোর ছিল ৮০.০ শতাংশ ও ৮৩.৬ শতাংশ।
  • ৪০টি মিনিগেমের কাজে গড় সাফল্যের হার ছিল ৪৯.৭ শতাংশ; ধাঁধার ধরনভেদে ফলাফলে বড় পার্থক্য ছিল।
  • প্রতিবেদনে উল্লেখিত H200 কনফিগারেশনে সিদ্ধান্তের বিলম্ব ১,৩০৬ মিলিসেকেন্ড থেকে কমে ৬৫.১২ মিলিসেকেন্ডে নেমেছে।
  • প্রকল্পটির লক্ষ্য গবেষণা ও গেম পরীক্ষা। প্রশিক্ষিত মডেল ওয়েটস একসঙ্গে দেওয়া হয়নি, আর ইনফারেন্স ইঞ্জিনটি ‘শিগগিরই আসছে’ বলে তালিকাভুক্ত ছিল।
এই নিবন্ধটি শেয়ার করুন

আপনার পছন্দ হতে পারে