+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

পুনৰাবৃত্তিমূলক স্ব-উন্নতি, আৱৰণৰ তলত

Google DeepMind-এ "Dream-RSI: Recursive Self-Improvement through Evolving Worlds" প্ৰকাশ কৰিছে — আৰু ইয়াৰ ভিতৰৰ কোডিং মডেল কেতিয়াও সলনি নহয়।

Want to see our stories first on Google? Add us to your preferred sources — it helps us grow.

Google DeepMind-এ "Dream-RSI: Recursive Self-Improvement through Evolving Worlds" প্ৰকাশ কৰিছে — আৰু ইয়াৰ ভিতৰৰ কোডিং মডেল কেতিয়াও সলনি নহয়। আৱৰণৰ তলত: ৬০ বছৰ ধৰি এই বাক্যশাৰীৰ অৰ্থ কি আছিল, Dream-RSI-ত প্ৰকৃততে কি লুপ হয় (এটা Python অন্বেষণ নীতি যি ৰেকৰ্ড কৰা সন্ধান ট্ৰিৰ ওপৰত "সোঁৱৰণী দেখে"), আৰু কিয় ৫৫০-ৰ পৰিৱৰ্তে ৩১৭ এজেন্ট কল ৰেহাই হয়, উৰণ নহয়। ৰায়: NEEDS REVIEW।

লিখিত সংস্কৰণ পঢ়ক (ইংৰাজী) ↗

এই ভিডিঅ’টোত কি আছে

  • ১৯৬৫ → ২০০৮: আই. জে. গুডৰ "বুদ্ধিমত্তা বিস্ফোৰণ", ইউডকোস্কিৰ বীজ এআই — এখন মেচিন যিয়ে নিজৰ ওজন পুনৰ লিখে
  • ২০২৫: আলফাইভল্ভ — ৪৮-গুণন ৪×৪ মেট্ৰিক্স গুণন, Google-ৰ ০.৭% গণনা পুনৰুদ্ধাৰ কৰা হৈছে, জেমিনি কাৰ্ণেল ২৩% দ্ৰুততৰ
  • ২০২৬: Dream-RSI — নীতি উন্নত হয়, কোডাৰ, বিচাৰক আৰু পুনৰ লিখোঁতা সকলো হিমায়িত; প্ৰম্পটত কোৱা হৈছে "বৈজ্ঞানিক কামটো সমাধান নকৰিবা"
  • X: "Google-এ এতিয়াই পুনৰাবৃত্তিমূলক স্ব-উন্নতি ফাট মাৰিছে" (৮১৯ লাইক) বনাম HN: "ইয়াক RSI বোলাটো বিভ্ৰান্তিকৰ যেন লাগে"
  • ব্যৱহৃত সংখ্যা: ধাৰা ৪.১ লাচো ৫৫০ → ৩১৭ এজেন্ট কল, ৩৫৮৭ → ২৯৩১ মিছেকেন্ড; তালিকা ১ বৃত্ত পেকিং ২.৬৩৫৯৮৩ = AlphaEvolveV2; ধাৰা ৪.৩ কাৰ্ণেলবেঞ্চ ২.৪৩× / ১.৭৯× কম প্ৰজন্ম, ২.০৯×লৈকে দ্ৰুততৰ; পৰিশিষ্ট বি.২ প্ৰম্পট (ওপৰৰ PDF-ৰ পৰা লোৱা সকলো)

প্ৰশ্ন আৰু উত্তৰ

এআইত পুনৰাবৃত্তিমূলক আত্ম-উন্নতি মানে কি?

ইয়াৰ অৰ্থ হ'ল এটা এআই প্ৰণালীয়ে নিজকে অধিক স্মাৰ্ট কৰি তোলে আৰু তাৰ পিছত সেই স্মাৰ্ট সংস্কৰণটো পুনৰাবৃত্তি কৰিবলৈ ব্যৱহাৰ কৰে। আই. জে. গুডে ১৯৬৫ চনত এক বুদ্ধিমত্তা বিস্ফোৰণৰ বিষয়ে বৰ্ণনা কৰিছিল, আৰু এলিয়েজাৰ য়ুডকোৱস্কিৰ ২০০৮ চনৰ প্ৰবন্ধটোৱে এআই সুৰক্ষাৰ বাবে এই ধাৰণাটোক কেন্দ্ৰীয় কৰি তুলিছিল। দশক দশক ধৰি এই শব্দটোৰ অৰ্থ আছিল এটা প্ৰণালী যিয়ে নিজৰ উৎস ক'ড বা ওজন পুনৰ লিখে আৰু প্ৰতিটো পাছত অধিক স্মাৰ্ট হৈ ওলাই আহে।

en.wikipedia.org · www.lesswrong.com

গুগল ডিপমাইণ্ডৰ ড্ৰিম-আৰএছআই পেপাৰত আচলতে কি উন্নত হৈছে?

কেৱল অন্বেষণ নীতি উন্নত হয়। ই হৈছে এটা পাইথন প্ৰগ্ৰাম যিয়ে এটা অনুসন্ধান ট্ৰিৰ কোনবোৰ শাখা সম্প্ৰসাৰিত কৰিব লাগে সেয়া সিদ্ধান্ত লয়। পেপাৰখন অনুসৰি, ক'ডাৰ, বিচাৰক আৰু পুনৰ-লেখকে সকলো ফ্ৰ'জেন জেমিনি উপাদান, আৰু এপেনডিক্স B.2 ত থকা প্ৰম্পটে প্ৰণালীটোক এটা ফাইল সম্পাদনা কৰিবলৈ আৰু বৈজ্ঞানিক কামটো সমাধান নকৰিবলৈ কয়।

arxiv.org · dream-rsi.com

এটা এআই প্ৰণালীয়ে প্ৰকৃত হাৰ্ডৱেৰৰ সলনি ৰেকৰ্ড কৰা ৰানৰ বিৰুদ্ধে নতুন কৌশল কেনেকৈ পৰীক্ষা কৰে?

ড্ৰিম-আৰএছআইয়ে প্ৰতিটো অতীতৰ ৰানক এটা ৰিপ্লে চিমুলেটৰলৈ ৰূপান্তৰিত কৰে। প্ৰতিটো ৰানে কি চেষ্টা কৰা হৈছিল আৰু ই কি নম্বৰ লাভ কৰিছিল তাৰ এটা গছ এৰি যায়, আৰু এটা ফ্ৰ'জেন জেমিনিয়ে নীতিটো পুনৰ লিখে। নতুন নীতিটো তাৰ পিছত প্ৰকৃত জিপিইউৰ সলনি সেই ৰেকৰ্ড কৰা ফলাফলসমূহৰ বিৰুদ্ধে পৰীক্ষা কৰা হয়। পেপাৰখনে ইয়াক সপোন দেখা বুলি কয়, আৰু এটা প্ৰকৃত ৰানে হাজাৰ হাজাৰ সপোন দেখা ৰানৰ বাবে ধন যোগান ধৰে।

arxiv.org

ড্ৰিম-আৰএছআইত জোখা লাভ কিমান ডাঙৰ আছিল?

লাভসমূহ দক্ষতা সঞ্চয় আছিল। লাছো কাৰ্য্যত, নিৰ্দিষ্ট অন্বেষণৰ বাবে ৫৫০টা এজেণ্ট কলৰ প্ৰয়োজন হৈছিল আৰু ড্ৰিম-আৰএছআইৰ বাবে ৩১৭টা কলৰ প্ৰয়োজন হৈছিল, যাৰ ফলত ৰানটাইম ৩৫৮৭ৰ পৰা ২৯৩১ মিলিসেকণ্ডলৈ হ্ৰাস পাইছিল। কাৰ্নেলবেঞ্চত ইয়াৰ বাবে ২.৪৩ গুণ কম প্ৰজন্মৰ প্ৰয়োজন হৈছিল। চাৰ্কল পেকিংত ২.৬৩৫৯৮৩ নম্বৰ লাভ কৰিছিল, যিটো আলফা ইভলভভি২ৰ সমান। ই হৈছে কম্পিউটত এক ৰেহাই, এপিচ'ড অনুসৰি, আৰু কোনো নতুন ক্ষমতা নহয়।

arxiv.org

বিকাশকাৰীসকলে ড্ৰিম-আৰএছআইক পুনৰাবৃত্তিমূলক আত্ম-উন্নতি বুলি ক'ব লাগে নে?

দ্য ডেইলী ডিফেৰ সিদ্ধান্ত আছিল ৰিভিউৰ প্ৰয়োজন। লুপটো প্ৰকৃত আৰু সঞ্চয়বোৰ জোখা হৈছে, কিন্তু কভাৰত থকা দুটা শব্দই পেপাৰত নথকা এটা যন্ত্ৰৰ বৰ্ণনা কৰে। পৰৱৰ্তী আৰএছআই পেপাৰৰ বাবে এটা উপযোগী পৰীক্ষা হ'ল কি বস্তু সলনি হয়, কোন ফ্ৰ'জেন হয়, আৰু হেডলাইন সংখ্যাটো কি এককত জোখা হয় সেয়া সোধা।

arxiv.org · news.ycombinator.com

অনূদিত ট্ৰান্সক্ৰিপ্ট

মূল ইংৰাজী বৰ্ণনাৰ পৰা অনুবাদ কৰা হৈছে। উপলব্ধ অডিঅ’ আৰু কেপচন ইউটিউবে নিয়ন্ত্ৰণ কৰে।

0:00 পুনৰাবৃত্তিমূলক স্ব-উন্নতি হৈছে এই ধাৰণা যে এটা এআইয়ে নিজকে অধিক স্মাৰ্ট কৰে, তাৰ পিছত অধিক স্মাৰ্ট স্বটোক পুনৰ কৰিবলৈ ব্যৱহাৰ কৰে, আৰু এই সপ্তাহত Google-এ এটা কাগজ প্ৰকাশ কৰিলে সেই দুটা শব্দৰে শিৰোনামাত, য'ত মডেলৰ ওজন কেতিয়াও নোহোৱা হয়। তিনিটা সংখ্যা। এন্থ্ৰোপিকৰ চিইঅ'ই কয় যে এই লুপ গ্ৰীষ্মকালৰ পৰা চলি আছে, যিটো সমগ্ৰ উদ্যোগটোক লেহেমীয়া কৰাৰ তেওঁৰ কাৰণ। গুগলে এইমাত্ৰ ইয়াক ফাট মাৰিছে বুলি ঘোষণা কৰা টুইটটোৱে এদিনতে আঠশ লাইক সংগ্ৰহ কৰিলে। এদিনতে।

0:24 আৰু কাগজখনৰ নিজা মূল ফলাফল হৈছে ৫৫০-ৰ সলনি ৩১৭ টা মডেল কল, যিটো ৰেহাই, উৰণ নহয়। তিনি মিনিটত: এই বাক্যশাৰী ক'ৰ পৰা আহিছিল, Dream-RSI-ৰ ভিতৰত প্ৰকৃততে কি লুপ হয়, আৰু RSI ক'ভাৰত থকা পৰৱৰ্তী কাগজখন কেনেকৈ পঢ়িব লাগে। এয়া দ্য ডেইলী ডিফ, আৱৰণৰ তলত। ১৯৬৫। আই. জে. গুড, ব্লেটচলী পাৰ্কৰ এজন পৰিসংখ্যাবিদ যি ট্যুৰিঙৰ কাষত কাম কৰিছিল, লিখিছে যে এখন অতি-বুদ্ধিমান মেচিনে আৰু ভাল মেচিন ডিজাইন কৰিব পাৰে,

0:52 ইয়াক এক বুদ্ধিমত্তা বিস্ফোৰণ আৰু মানুহে কেতিয়াও কৰিব লগা শেষ উদ্ভাৱন বুলি কয়, যদিহে মেচিনটো আমাক নিয়ন্ত্ৰণ কৰিবলৈ কেনেকৈ লাগে তাক ক'বলৈ যথেষ্ট বশৱৰ্তী হয়, যিটো হৈছে কমাৰ পিছত পঢ়া বন্ধ কৰা লোকসকলে "যদিহে" বুলি ধৰি লয়। চল্লিশ বছৰ ধৰি এই বাক্যশাৰীৰ অৰ্থ আছিল ঠিক তেনেকুৱাই: এটা প্ৰণালী যিয়ে নিজৰ উৎস বা ওজন সম্পাদন কৰে আৰু প্ৰতিবাৰেই অধিক স্মাৰ্ট হৈ ওলাই আহে। এলিয়াজৰ ইউডকোস্কিৰ ২০০৮ চনৰ প্ৰবন্ধই ইয়াক এআইৰ বোজা-বহনকাৰী শব্দ কৰি তুলিছিল। নিৰাপত্তা, আৰু কাৰোৰে ইয়াক পৰীক্ষা কৰিবলৈ মেচিন নাছিল, যিটো এক আদৰ্শ পৰিস্থিতি এটা সংজ্ঞাৰ বাবে। তাৰ পিছত মে' ২০২৫-ত ডিপমাইণ্ড-এ আলফাইভল্ভ মুকলি কৰিলে,

1:23 এটা জেমিনি এজেন্ট যিয়ে ক'ড প্ৰস্তাৱ কৰে, ইয়াক নম্বৰ দিয়া হয়, বিজয়ীসকলক ৰাখে আৰু পুনৰ তেওঁলোকক সলনি কৰে। ই ৪৮টা খোজত চাৰি বাই চাৰি জটিল মেট্ৰিক্স গুণন কৰিলে, ১৯৬৯ চনত ষ্ট্ৰাচেন-এ স্থাপন কৰা এটা ৰেকৰ্ড ভংগ কৰিলে, আৰু ই Google-ৰ বিশ্বজুৰি গণনাৰ প্ৰায় শূন্য পইন্ট সাত শতাংশ পুনৰুদ্ধাৰ কৰে, যিটো Google-ৰ স্কেলত ছোফাৰ তলত পোৱা এটা ডেটা চেণ্টাৰ। জেমিনি-এ এতিয়া জেমিনি-ক প্ৰশিক্ষণ দিয়াত সহায় কৰিছিল, আৰু এই বাক্যশাৰী নিৰাপত্তা ব্ল'গৰ পৰা প্ৰেছ ৰিলিজলৈ নীৰৱে স্থানান্তৰিত হৈছিল। Dream-RSI-এ সেই লুপটোৰ ওপৰত এটা নিয়ন্ত্ৰক সংযোজন কৰে।

1:52 এটা নীতি, এটা প্ৰকৃত পাইথন প্ৰগ্ৰাম, সিদ্ধান্ত লয় সন্ধান ট্ৰিৰ কোনবোৰ শাখা প্ৰসাৰিত কৰিব, সমান্তৰালভাৱে কেইটা, আৰু কেতিয়া এৰি দিব। জেমিনি-এ প্ৰাৰ্থী ক'ড লিখে, আৰু এটা স্থিৰ মূল্যায়নকাৰীয়ে ইয়াক নম্বৰ দিয়ে। প্ৰতিটো ৰানে কি চেষ্টা কৰা হৈছিল আৰু ই কি নম্বৰ পাইছিল তাৰ এটা ট্ৰি এৰি দিয়ে। সেই ট্ৰি এটা ৰিপ্লে ছিমুলেটৰ হৈ পৰে: দ্বিতীয়, সমানে হিমায়িত জেমিনি-এ নীতিক পুনৰ লিখে, আৰু নতুন নীতিটো বাস্তৱ GPU-ত পৰিৱৰ্তে ৰেকৰ্ড কৰা ফলাফলৰ বিৰুদ্ধে পৰীক্ষা কৰা হয়। বাস্তৱ GPU-ত পৰিৱৰ্তে।

2:16 কাগজখনে ইয়াক সপোন দেখা বুলি কয়, আৰু এটা বাস্তৱ ৰানে হাজাৰ হাজাৰ সপোন দেখা এটাৰ বাবে শূন্য এক্সিকিউচন খৰচত পৰিশোধ কৰে। বিজয়ীজন পুনৰ অনলাইন হয়, ৰেকৰ্ড কৰা জগতসমূহৰ পুল বৃদ্ধি পায়, পুনৰাবৃত্তি। আৰু পৰিশিষ্ট B.2-ৰ প্ৰম্পটত স্ব-উন্নত এআইক কয়, লিখি: কেৱল এই ফাইলটো সম্পাদন কৰা, আৰু বৈজ্ঞানিক কামটো সমাধান নকৰিবা। মাপ কৰা হৈছে। লাচো চাল্ভাৰ কাৰ্যত, নিৰ্দিষ্ট অন্বেষণে ৫৫০ জেমিনি কল ব্যয় কৰিলে ৩.৬ ছেকেণ্ডত উপনীত হ'বলৈ, Dream-RSI-এ ৩১৭ ব্যয় কৰিলে ২.৯-ত উপনীত হ'বলৈ, আৰু দুয়োটাই scikit-learn-ক হৰুৱালে।

2:46 কাৰ্ণেলবেঞ্চত ই প্ৰায় ২.৪ গুণ কম প্ৰজন্মৰ সৈতে একেটা কাৰ্ণেল গতি লাভ কৰিলে। আৰু বৃত্ত পেকিংত ই ২.৬৩৫৯৮৩ নম্বৰ লাভ কৰিলে, যিটো ঠিক, ছয় দশমিকলৈকে, AlphaEvolve সংস্কৰণ দুয়ে আৰু বৃত্ত পেকিংত ই ২.৬৩৫৯৮৩ নম্বৰ লাভ কৰিলে, যিটো ঠিক, ছয় দশমিকলৈকে, AlphaEvolve সংস্কৰণ দুয়ে যোৱা বছৰ লাভ কৰা নম্বৰ। গতিকে X-এ শিৰোনামা পঢ়িলে: গুগল-এ এতিয়াই পুনৰাবৃত্তিমূলক স্ব-উন্নতি ফাট মাৰিছে। হেকাৰ নিউজে PDF পঢ়িলে: ইয়াক RSI বোলাটো বিভ্ৰান্তিকৰ যেন লাগে। আৰু একে সপ্তাহতে এজন প্ৰতিদ্বন্দ্বীৰ চিইঅ'ই ক'লে যে লুপটো গ্ৰীষ্মকালৰ পৰা চলি আছে আৰু সকলোৱে লেহেমীয়া হ'ব লাগে।

3:13 তিনিটা বাক্য, একেটা দুটা শব্দ, তিনিটা ভিন্ন মেচিন। গতিকে, সোমবাৰে, পৰৱৰ্তী RSI কাগজখন কেনেকৈ পঢ়িব। এক: সুধিব কি বস্তু সলনি হয়, ওজন, ক'ড, নে সন্ধান ছেটিংছ; Dream-RSI-এ তৃতীয়টো সলনি কৰে। দুই: সুধিব কোনে হিমায়িত হয়; ইয়াত ই হৈছে কোডাৰ, বিচাৰক আৰু পুনৰ লিখোঁতা, তিনিওটা। তিনি: সুধিব মূল সংখ্যাটো কি এককৰ। সংৰক্ষিত গণনা হৈছে অপ্টিমাইজেচন; এটা বেঞ্চমাৰ্ক যিটো মডেলে আগতে পাব পৰা নাছিল উৰণ, আৰু কোনেও সেইটো এতিয়ালৈকে প্ৰকাশ কৰা নাই।

3:40 ৰায়, আৱৰণৰ তলত: NEEDS REVIEW। লুপটো বাস্তৱ, সঞ্চয়বোৰ মাপ কৰা হৈছে, আৰু ক'ভাৰত থকা দুটা শব্দই কাগজখনত নথকা এটা মেচিন বৰ্ণনা কৰে। যদি আপুনি মোৰ কথা শুনাৰ পৰিৱৰ্তে এইটো পঢ়িব বিচাৰে, তেন্তে প্ৰতিদিনে পুৱা আপোনাৰ ইনবক্সত diff আহে, daily diff dot dev-ত বিনামূলীয়া, লিংক তলত আছে। কমেন্টত কি খুলিব লাগে মোক কওক। আৰু এয়া আজিৰ diff। মই Axrisi-ৰ Niko।

4:00 দায়িত্বশীলভাৱে একত্ৰিত কৰক।

উৎসসমূহ

  1. Paper: Dream-RSI (Zheng et al., Google / Google DeepMind / UMD / UVA, 14 Sep 2026)arxiv.org
  2. Code (293 stars, no license) — https://github.com/zhengkid/Dream-RSI · project pagedream-rsi.com
  3. Hacker News thread (169 points)news.ycombinator.com
  4. Hugging Face papers (278 upvotes)huggingface.co
  5. I. J. Good, 1965, "Speculations Concerning the First Ultraintelligent Machine"en.wikipedia.org
  6. Eliezer Yudkowsky, "Recursive Self-Improvement", LessWrong, 1 Dec 2008www.lesswrong.com
  7. Google DeepMind, AlphaEvolve (14 May 2025): 0.7% compute, 48 multiplications, 23% kernel speed-updeepmind.google
  8. Dario Amodei, "We Must Pace the Frontier" (12 Sep 2026)darioamodei.com
  9. Tweetx.com

Niko from Axrisi

Nikoloz Turazashvili · Vexrail · Axrisi

LinkedIn · dev.to · GitHub · X · Substack

সম্পৰ্কিত ভিডিঅ’সমূহ

under-the-hood · as · ১২-১০-২০২৬

হাগিং ফেচ মডেল ফাইলসমূহে লুকাই থকা কোড চলাব পাৰে

ক্ষতিকাৰক মডেল পেকেজসমূহে সুৰক্ষিত নোহোৱা লোডিংৰ সময়ত কোড এক্সিকিউট কৰিব পাৰে। তিনিটা নথিভুক্ত উদাহৰণে পেকেল ৰিভাৰ্ছ শ্বেল, ভাঙি যোৱা ফাইল স্কেনাৰৰ আচৰণ, আৰু গৱেষণাত প্ৰদৰ্শিত মডেল-নামৰ বিভ্ৰান্তি ব্

3:33 ↗
under-the-hood · as · ১১-১০-২০২৬

Stripe এ আপোনাৰ অনুৰোধ মনত ৰাখে যেতিয়া সঁহাৰি নোহোৱা হয়

চাৰ্ভাৰে কাম সম্পূৰ্ণ কৰাৰ পিছতো এটা সময়সীমাৰ ফলত চেকআউট অনিশ্চিত হ'ব পাৰে। এই আণ্ডাৰ দ্য হুড ব্যাখ্যাই Stripe API v1 ৰ নথিভুক্ত আইডেম্পোটেন্সি চুক্তি ব্যৱহাৰ কৰি স্থিতিশীল অপাৰেচন কী, সংৰক্ষিত-সঁহাৰ

2:54 ↗
under-the-hood · as · ১০-১০-২০২৬

Shopify-এ ইনভেণ্টৰি সংৰক্ষণ MySQL-লৈ স্থানান্তৰ কৰিলে

Shopify-এ ইয়াৰ ইনভেণ্টৰি সংৰক্ষণ প্ৰণালী Redis-ৰ পৰা MySQL ডেটাবেছলৈ স্থানান্তৰ কৰিলে য'ত ইতিমধ্যে ইনভেণ্টৰি খতিয়ান আছিল। ব্যক্তিগতভাৱে লক কৰিব পৰা ইউনিট শাৰীৰ এটা সীমাবদ্ধ পুলে সমসাময়িক চেকআউটবোৰক

2:58 ↗
under-the-hood · as · ২৪-০৯-২০২৬

SAML, আৱৰণৰ তলত: আখৰৰ ভিতৰত স্বাক্ষৰ

SAML-এ আপোনাক প্ৰায় প্ৰতিটো কৰ্ম এপলৈকে লগ ইন কৰে, আৰু ইয়াৰ স্বাক্ষৰ ই স্বাক্ষৰ কৰা XML-ৰ ভিতৰত থাকে। আৱৰণৰ তলত: এপ, ব্ৰাউজাৰ আৰু পৰিচয় প্ৰদানকাৰীৰ মাজত ল'গইন নৃত্য, এটা এচাৰচন কেনেকুৱা দেখায়, কিয

3:02 ↗