NVIDIA Nemotron 3 Embed প্রকাশ করেছে, যা উৎপাদন-স্কেল পুনরুদ্ধার-অগমেন্টেড জেনারেশন (RAG), এজেন্টিক পুনরুদ্ধার, কোড পুনরুদ্ধার এবং এজেন্ট মেমরির জন্য ডিজাইন করা এমবেডিং মডেলের একটি উন্মুক্ত সংগ্রহ। 17 জুলাই, 2026-এ MarkTechPost-এর দ্বারা বিশদভাবে প্রকাশিত রিলিজটি একটি স্তর হিসাবে আসে যা সিদ্ধান্ত নেয় যে কোন প্যাসেজগুলি কোন AI এজেন্ট কখনও দেখেন তা একটি প্রতিযোগিতামূলক যুদ্ধক্ষেত্রে পরিণত হবে, এই প্রকাশনার ব্রেকিং এআই নিউজ ডেস্কের একটি প্রবণতা অনুসরণ করেছে যখন এন্টারপ্রাইজগুলি চ্যাটবট সিস্টেম থেকে জ্ঞান ফেরাতে চলেছে৷

এম্বেডিং মডেলগুলি সিদ্ধান্ত নেয় যে কোন প্যাসেজগুলি কোন এজেন্ট কখনই দেখে, যা তাদের জেনারেটিভ AI স্ট্যাকের মধ্যে একটি শান্ত কিন্তু সিদ্ধান্তমূলক চোকপয়েন্ট করে। NVIDIA সেই স্তরটিকে শক্তিশালী করতে Nemotron 3 Embed তৈরি করেছে। সংগ্রহে তিনটি খোলা চেকপয়েন্ট রয়েছে: নিমোট্রন-৩-এমবেড-৮বি-বিএফ১৬, একটি যথার্থতা-প্রথম বিকল্প; Nemotron-3-Embed-1B-BF16, যা একই নকশাকে একটি ছোট পদচিহ্নে বহন করে; এবং Nemotron-3-Embed-1B-NVFP4, একটি ব্ল্যাকওয়েল-অপ্টিমাইজ করা 4-বিট বৈকল্পিক। তিনটিই ট্রান্সফরমার এনকোডার যা দ্বিমুখী মনোযোগ মাস্কিং সহ প্রশিক্ষিত, টোকেন-স্তরের উপস্থাপনাগুলির উপর গড় পুলিং দ্বারা চূড়ান্ত এমবেডিং সহ। প্রতিটি 32,768 টোকেনের সর্বোচ্চ ক্রম দৈর্ঘ্য সমর্থন করে।

লিডারবোর্ডে শীর্ষে থাকা

শিরোনামের ফলাফল হল যে Nemotron-3-Embed-8B-BF16 তার 16টি পাবলিক টাস্ক জুড়ে 17 জুলাই, 2026 পর্যন্ত RTEB, পুনরুদ্ধার এম্বেডিং বেঞ্চমার্কে সামগ্রিকভাবে এক নম্বরে রয়েছে। স্কোরগুলি 4,096 মডেলের ক্রম দৈর্ঘ্যে গড় NDCG@10 হিসাবে পরিমাপ করা হয়। NVIDIA 34টি ভাষায় প্রতিটি মডেলের মূল্যায়ন করেছে, এবং তিনটি চেকপয়েন্টই OpenMDW লাইসেন্স চুক্তি সংস্করণ 1.1 এর অধীনে প্রকাশ করা হয়েছে, যা ডেভেলপারদের ডাউনলোড, চালানো এবং সংশোধন করার জন্য বিনামূল্যে উপলব্ধ করে।

উল্লেখযোগ্যভাবে, মডেল বেসগুলি মিস্ট্রাল থেকে আঁকা হয়। 8B চেকপয়েন্টটি Ministral-3-8B-Instruct-2512-এ নির্মিত, যখন 1B ভেরিয়েন্টই Ministral-3-3B-Instruct-2512 ব্যবহার করে, MarkTechPost রিপোর্ট অনুসারে। সম্পূর্ণরূপে অভ্যন্তরীণ স্থাপত্যের পরিবর্তে মিস্ট্রালের ভিত্তির উপর গড়ে তোলার NVIDIA-এর সিদ্ধান্ত প্রতিফলিত করে যে কীভাবে তরল মডেলের বিকাশ হয়েছে, উন্মুক্ত বেসগুলিকে নিয়মিতভাবে পুনঃনির্মাণ করা হয় এবং বিশেষ কাজের জন্য পুনরায় প্রশিক্ষণ দেওয়া হয়।

সংকোচন, একটি ছোট প্রশিক্ষণ রান নয়

দুটি কর্মক্ষমতা ফাঁক স্ট্যান্ড আউট. 1B মডেলটি পূর্ব-প্রজন্মের llama-nemotron-embed-vl-1b-v2 বেসলাইনের তুলনায় 10.4 RTEB পয়েন্ট অর্জন করেছে। আলাদাভাবে, NVFP4 4-বিট চেকপয়েন্ট এর BF16 প্যারেন্টের বিপরীতে মাত্র 0.38 RTEB পয়েন্ট খরচ করে, এটির পুনরুদ্ধারের সঠিকতা প্রায় 99.5% ধরে রাখে। এই কাছাকাছি-ক্ষতিহীন কম্প্রেশন বিশেষ করে সেই দলগুলির জন্য তাৎপর্যপূর্ণ যেগুলিকে স্কেলে এম্বেডিং চালাতে হবে, যেখানে মেমরি এবং অনুমান খরচ প্রায়ই প্রাধান্য পায়।

সেই 1B স্কোরগুলি একটি ছোট প্রশিক্ষণ রানের পরিবর্তে একটি কম্প্রেশন পাইপলাইনের মাধ্যমে অর্জন করা হয়েছিল। প্যারেন্ট, নেমোট্রন-3-এমবেড-3বি, দুটি পুনরাবৃত্তিমূলক রাউন্ড জুড়ে ছাঁটাই এবং পাতন করা হয়েছিল। প্রথমে, 3B প্যারেন্টকে NVIDIA ModelOpt-এর mcore_minitron নিউরাল আর্কিটেকচার সার্চ ব্যবহার করে 2B তে ছাঁটাই করা হয়েছিল, যা লুকানো প্রস্থ, FFN আকার, মনোযোগের মাথা এবং গভীরতার উপর অনুসন্ধান করে, তারপর শীর্ষ-10 প্যারেটো সামনে থেকে সেরা প্রার্থীকে বেছে নেয়। একটি 50,000-নমুনা ইন-ডোমেন ক্রমাঙ্কন কর্পাস সেই প্রার্থীদের স্কোর করেছে।

এর পরে, 2B মডেলটি সূক্ষ্ম-টিউনড 8B এমবেডিং শিক্ষকের কাছ থেকে পাতিত হয়েছিল, একটি বহুভাষিক, ইন-ডোমেন ডেটা মিশ্রণে কোসাইন দূরত্বের ক্ষতি এবং স্কোয়ারড ত্রুটির ক্ষতির সমন্বয় করে। 1.14B চেকপয়েন্ট তৈরি করার জন্য একই পদ্ধতি পুনরাবৃত্তি করা হয়েছিল, এটি প্রদর্শন করে যে ছোট রূপগুলি স্বাধীন প্রশিক্ষণের পরিবর্তে কাঠামোগত সংকোচনের মাধ্যমে বৃহত্তর মডেলের ক্ষমতার উত্তরাধিকারী হয়।

ব্ল্যাকওয়েল দক্ষতার জন্য নির্মিত

কম্প্রেশন সার্ভিং ফরম্যাটে চলতে থাকে। NVFP4 ডেটা টাইপ ব্যবহার করে, এনভিডিয়া-মডেলপট v0.45.0-এর উপর নির্ভরশীল গবেষণা দলের সাথে কোয়ান্টাইজেশন টার্গেট করা ওজন এবং শুধুমাত্র রৈখিক স্তরগুলির সক্রিয়করণ। কোয়ান্টাইজেশন-সচেতন পাতন অনুসরণ করা হয়েছে, প্রাথমিকভাবে দীর্ঘ ইনপুটগুলির সঠিকতা পুনরুদ্ধার করার জন্য। ক্যালিব্রেশনে 512টি নমুনা ব্যবহার করা হয়েছে, cnn_dailymail ডেটাসেট থেকে 256টি প্রশ্ন এবং 256টি প্যাসেজের মধ্যে বিভক্ত করা হয়েছে, যখন QAD প্রশিক্ষণ 20,000টি নমুনা নিয়ে এসেছে।

ব্যবহারিক অর্থ হল NVIDIA এর সর্বশেষ হার্ডওয়্যারের দক্ষতা। গবেষণা দল রিপোর্ট করেছে যে ব্ল্যাকওয়েলের NVFP4 BF16 এর চেয়ে 2x বেশি থ্রুপুট প্রদান করে যখন BF16 পুনরুদ্ধারের নির্ভুলতার 99% এরও বেশি ধরে রাখে। NVFP4 মডেল কার্ডটি ডাইনামিক এমবেডিং সাইজও নথিভুক্ত করে, যা ডেভেলপারদের 2,048-মাত্রিক ভেক্টরকে 1,024 বা 512 ডাইমেনশনে স্লাইস করতে এবং পরে পুনরায় স্বাভাবিক করার অনুমতি দেয়, কম স্টোরেজ খরচের জন্য একটু নির্ভুলতা ট্রেড করে। ভেক্টর ডাটাবেসের জন্য এই নমনীয়তা গুরুত্বপূর্ণ, যেখানে কোটি কোটি উচ্চ-মাত্রিক ভেক্টর সংরক্ষণ করা ব্যয়বহুল।

কেন এমবেডিং এখন গুরুত্বপূর্ণ

এম্বেডিং মডেলগুলি জেনারেটিভ এআই স্ট্যাকের একটি শান্ত চোকপয়েন্ট হয়ে উঠেছে। প্রতিটি পুনরুদ্ধার-ভিত্তিক এজেন্ট, এন্টারপ্রাইজ অনুসন্ধান সরঞ্জাম, এবং কোড সহকারী একটি বড় ভাষা মডেল একটি প্রতিক্রিয়া তৈরি করার আগে সঠিক প্রসঙ্গ আনতে তাদের উপর নির্ভর করে। একটি শক্তিশালী, সস্তা এমবেডিং মডেল সরাসরি উত্তরের গুণমান উন্নত করতে পারে এবং অপারেটিং খরচ কমাতে পারে, যে কারণে ওপেনএআই থেকে কোহেরে ওপেন সোর্স কালেক্টিভস পর্যন্ত বিক্রেতারা নতুন পরিবারগুলিকে মুক্তি দিতে ছুটে এসেছে।

অনুমতিপ্রাপ্ত লাইসেন্সের অধীনে একটি শীর্ষ-র্যাঙ্কের সংগ্রহ ওপেন-সোর্সিং করে এবং এটিকে ব্ল্যাকওয়েল-টিউনড কোয়ান্টাইজেশনের সাথে যুক্ত করার মাধ্যমে, NVIDIA তার নিজস্ব সিলিকনে সবচেয়ে ভাল চালানোর সরঞ্জামগুলির সাথে বৃহত্তর AI ইকোসিস্টেমের বীজ বপনের কৌশলকে শক্তিশালী করছে। RAG পাইপলাইন বা এজেন্ট মেমরি সিস্টেম নির্মাণকারী ডেভেলপারদের জন্য, Nemotron 3 Embed একটি নতুন, অবাধে উপলব্ধ বিকল্প অফার করে যা শিল্পের অবস্থাকে ব্যাপকভাবে দেখা বেঞ্চমার্কে ঠেলে দেয়, যখন NVFP4 ভেরিয়েন্ট টিমগুলিকে তাদের অ্যাপ্লিকেশনগুলির উপর নির্ভর করে পুনরুদ্ধারের গুণমানকে ত্যাগ না করে অনুমান খরচ কমানোর জন্য একটি বিশ্বাসযোগ্য পথ দেয়।

এআই থেকে এগিয়ে থাকুন

নেমোট্রন 3 এমবেডের মতো ওপেন এম্বেডিং মডেলগুলি শান্তভাবে এআই এজেন্টরা কীভাবে তথ্য খুঁজে পায় এবং ব্যবহার করে তা পুনর্নির্মাণ করছে। মডেল, রিলিজ এবং ক্ষেত্রকে এগিয়ে নিয়ে যাওয়া গবেষণা সম্পর্কে আরও জানতে, আমাদের সর্বশেষ AI উন্নয়ন অনুসরণ করুন।

আরও এআই খবর পড়ুন ->