Prism ML 2B ভিশন-ল্যাঙ্গুয়েজ মডেলকে 0.52 GB-তে ধরেছে
Prism ML-এর টারনারি-ওয়েট মডেল Ternary-Bonsai-2-2B ভাষা মডেলকে প্রায় 0.52 GB-তে নামিয়ে আনে, যেখানে FP16-এ এর আকার প্রায় 3.8 GB। এতে 262K-টোকেনের কনটেক্সট উইন্ডো ও ছবি ইনপুটের সুবিধা বজায় থাকে; ভিশন কম্পোনেন্টটি আলাদাভাবে লোড হয়।
AlphaSignal7 নভেম্বর, 2026
পড়তে 1 মিনিট
ওয়েটের মান −1, 0 বা +1; অতিরিক্ত স্কেল মেটাডেটা প্রকৃত স্টোরেজ খরচ বাড়ায়। ছবি ইনপুটের জন্য ঐচ্ছিক 0.36 GB-এর Q8_0 mmproj ফাইল প্রয়োজন।
Qwen3.5-2B থেকে উদ্ভূত এই মডেলটি Apache 2.0 লাইসেন্সের অধীনে প্রকাশিত। বেশির ভাগ প্যাকিংয়ের জন্য PrismML-এর llama.cpp ফর্ক প্রয়োজন; উৎসে বলা হয়েছে, আপস্ট্রিম llama.cpp-তে b11556 এবং পরবর্তী সংস্করণে শুধু Q2_0 ফাইলটি কাজ করে।
কেন এটি গুরুত্বপূর্ণ
ছোট ফাইলটি সীমিত স্টোরেজ ও মেমরির ডিভাইসে স্থানীয় মাল্টিমোডাল স্থাপন নিয়ে কাজ করা ডেভেলপারদের সহায়তা করতে পারে; নির্দিষ্ট হার্ডওয়্যারে কর্মক্ষমতা এখনও পরীক্ষা করা দরকার।
নির্দেশিকা
চেষ্টা করে দেখার মতো কিছু
একটি কাল্পনিক মূল্যায়ন হিসেবে, আপনার লক্ষ্য ডিভাইসে সমর্থিত প্যাকিংগুলোর তুলনা করুন এবং ফাইলের আকার ও ইনফারেন্সের সময় মেমরি ব্যবহার পরিমাপ করুন।
PUSULAM / বুঝুন
একটি ভালো প্রশ্ন সবকিছু বদলে দেয়।
চলুন, এই নিবন্ধটি একসঙ্গে বুঝে দেখি। এর অর্থ কী, কেন এটি গুরুত্বপূর্ণ, বা ধারণাটি কীভাবে কাজে লাগাবেন, জিজ্ঞাসা করুন।
ব্যক্তিগত সংক্ষিপ্ত পরিচিতিআপনার কাজ ও আগ্রহের জন্য
এটি আপনার জন্য কী অর্থ বহন করে?
আপনার কাজ ও আগ্রহকে ঘিরে তৈরি ব্যাখ্যা।
আপনার উপযোগী ব্যাখ্যা পেতে নিজের সম্পর্কে একটু বলুন।
PUSULAM / COMMUNITY
কথোপকথন
এই পরিবর্তন আপনার জন্য কী বদলেছে? একটি উপযোগী উদাহরণ শেয়ার করুন, অথবা অন্য পাঠকদের একটি প্রশ্ন করুন।
ওপেন-সোর্স Bark একটি টেক্সট প্রম্পট থেকেই কথা, সংগীত, হাসি এবং শব্দপ্রভাব তৈরি করতে পারে। সূত্রে বলা হয়েছে, এটি ১৩টি ভাষা এবং ১০০টিরও বেশি ভয়েস প্রিসেট সমর্থন করে, তবে এটি শব্দ বদলে দিতে বা অপ্রত্যাশিত শব্দ যোগ করতে পারে। Bark প্রায় ১৩–১৪ সেকেন্ডের অডিও ক্লিপ তৈরি করে এবং MIT লাইসেন্সের অধীনে প্রকাশিত হয়েছে। সূত্র অনুযায়ী, পূর্ণ মডেলগুলোর জন্য প্রায় ১২ GB GPU মেমোরি প্রয়োজন, আর কম মেমোরিতে ব্যবহারের জন্য ছোট সংস্করণও রয়েছে।
AutoTrust Labs released JEV-27B v1.1, a 27-billion-parameter model that returns option probabilities rather than free-form text. The company reports a score of 67.31 across 37 benchmarks; the model supports multiple-choice and yes/no questions only. The model selects among supplied options and returns a probability distribution. It stands out on tool selection and intent classification, but is weaker on open-ended reasoning and some other tests.
A review of 28 studies reports that agricultural TinyML deployments largely rely on ESP32, STM32, and ATMega microcontrollers. Some plant-disease detection systems report 90–97% accuracy and latency as low as 7.6 ms, but memory and energy metrics are often missing. The review says models typically run inference on-device in the field while training remains in the cloud. Quantization appears in over half of deployments, whereas structured pruning and neural architecture search are rare.
কথোপকথন শুরু করুন।