+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

পুনরাবৃত্তিমূলক স্ব-উন্নতি, আড়ালে

গুগল ডিপমাইন্ড "Dream-RSI: Evolving Worlds-এর মাধ্যমে পুনরাবৃত্তিমূলক স্ব-উন্নতি" প্রকাশ করেছে – এবং এর ভেতরের কোডিং মডেল কখনও পরিবর্তন হয় না।

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

গুগল ডিপমাইন্ড "Dream-RSI: Evolving Worlds-এর মাধ্যমে পুনরাবৃত্তিমূলক স্ব-উন্নতি" প্রকাশ করেছে – এবং এর ভেতরের কোডিং মডেল কখনও পরিবর্তন হয় না। আড়ালে: ৬০ বছর ধরে এই শব্দগুচ্ছের অর্থ কী ছিল, Dream-RSI-তে আসলে কী লুপ হয় (একটি পাইথন অন্বেষণ নীতি যা রেকর্ড করা সার্চ ট্রি-এর উপর "স্বপ্ন দেখে"), এবং কেন ৫৫০ এর পরিবর্তে ৩১৭ এজেন্ট কল একটি ছাড়, উড্ডয়ন নয়। রায়: NEEDS REVIEW।

লিখিত সংস্করণ পড়ুন (ইংরেজি) ↗

এই ভিডিওতে যা আছে

  • ১৯৬৫ → ২০০৮: আই. জে. গুড-এর "গোয়েন্দা বিস্ফোরণ", ইউডকভস্কির বীজ এআই — একটি মেশিন যা তার নিজস্ব ওজন পুনরায় লেখে
  • ২০২৫: AlphaEvolve — ৪৮-গুণন ৪×৪ ম্যাট্রিক্স গুণ, গুগলের ০.৭% গণনা পুনরুদ্ধার করা হয়েছে, জেমিনি কার্নেল ২৩% দ্রুত
  • ২০২৬: Dream-RSI — নীতি উন্নত হয়, কোডার, বিচারক এবং পুনরায় লেখক সবই হিমায়িত; প্রম্পটে লেখা আছে "বৈজ্ঞানিক কাজটি সমাধান করবেন না"
  • X: "গুগল সবেমাত্র পুনরাবৃত্তিমূলক স্ব-উন্নতি ভেঙে দিয়েছে" (৮১৯ লাইক) বনাম HN: "এটিকে RSI বলা বিভ্রান্তিকর বলে মনে হচ্ছে"
  • ব্যবহৃত সংখ্যা: §৪.১ ল্যাসো ৫৫০ → ৩১৭ এজেন্ট কল, ৩৫৮৭ → ২৯৩১ মিমি; সারণী ১ বৃত্ত প্যাকিং ২.৬৩৫৯৮৩ = AlphaEvolveV2; §৪.৩ কার্নেলবেঞ্চ ২.৪৩× / ১.৭৯× কম প্রজন্ম, ২.০৯× পর্যন্ত দ্রুত; পরিশিষ্ট বি.২ প্রম্পট (উপরের PDF থেকে সব)

প্রশ্ন ও উত্তর

এআইতে পুনরাবৃত্তিমূলক স্ব-উন্নতি বলতে কী বোঝায়?

এর মানে হল একটি এআই সিস্টেম নিজেকে আরও স্মার্ট করে তোলে এবং তারপর সেই স্মার্ট সংস্করণটি ব্যবহার করে আবার একই কাজ করে। আই. জে. গুড ১৯৬৫ সালে একটি বুদ্ধিমত্তা বিস্ফোরণের বর্ণনা দিয়েছিলেন এবং এলিয়েজার ইউডকোভস্কির ২০০৮ সালের প্রবন্ধ এআই সুরক্ষায় এই ধারণাটিকে কেন্দ্রীয় করে তোলে। কয়েক দশক ধরে এই বাক্যাংশটি এমন একটি সিস্টেমকে বোঝায় যা তার নিজস্ব উৎস কোড বা ওজন পুনরায় লেখে এবং প্রতিটি ধাপে আরও স্মার্ট হয়ে ওঠে।

en.wikipedia.org · www.lesswrong.com

গুগল ডিপমাইন্ডের ড্রিম-আরএসআই পেপারে আসলে কী উন্নতি হয়?

শুধুমাত্র এক্সপ্লোরেশন পলিসি উন্নত হয়। এটি একটি পাইথন প্রোগ্রাম যা একটি সার্চ ট্রির কোন শাখাগুলি প্রসারিত করবে তা নির্ধারণ করে। পেপার অনুসারে, কোডার, বিচারক এবং রিরাইটার সবাই হিমায়িত জেমিনি উপাদান, এবং অ্যাপেন্ডিক্স বি.২-এর প্রম্পট সিস্টেমকে একটি ফাইল সম্পাদনা করতে বলে এবং বৈজ্ঞানিক কাজটি সমাধান করতে নয়।

arxiv.org · dream-rsi.com

একটি এআই সিস্টেম কীভাবে আসল হার্ডওয়্যারের পরিবর্তে রেকর্ড করা রানের বিরুদ্ধে নতুন কৌশল পরীক্ষা করে?

ড্রিম-আরএসআই প্রতিটি অতীত রানকে একটি রিপ্লে সিমুলেটরে পরিণত করে। প্রতিটি রান কী চেষ্টা করা হয়েছে এবং তার স্কোর কী ছিল তার একটি গাছ ছেড়ে যায়, এবং একটি হিমায়িত জেমিনি পলিসিটিকে পুনরায় লেখে। নতুন পলিসিটি তখন আসল জিপিইউ-এর পরিবর্তে সেই রেকর্ড করা ফলাফলের বিরুদ্ধে পরীক্ষা করা হয়। পেপার এটিকে স্বপ্ন দেখা বলে এবং একটি আসল রান হাজার হাজার স্বপ্নের রানের জন্য অর্থ প্রদান করে।

arxiv.org

ড্রিম-আরএসআইতে পরিমাপ করা লাভগুলি কতটা বড় ছিল?

লাভগুলি ছিল দক্ষতার সঞ্চয়। ল্যাসো টাস্কে, স্থির এক্সপ্লোরেশনের জন্য ৫৫০ এজেন্ট কল প্রয়োজন ছিল এবং ড্রিম-আরএসআইয়ের জন্য ৩১৭টি প্রয়োজন ছিল, রানটাইম ৩৫৮৭ থেকে ২৯৩১ মিলিসেকেন্ডে নেমে আসে। কার্নেলবেঞ্চে এর ২.৪৩ গুণ কম প্রজন্ম প্রয়োজন ছিল। সার্কেল প্যাকিং ২.৬৩৫৯৮৩ স্কোর করেছিল, যা আলফাএভলভভি২-এর সমান। পর্ব অনুসারে এটি কম্পিউটে একটি ডিসকাউন্ট, এবং কোন নতুন ক্ষমতা নয়।

arxiv.org

ডেভেলপারদের কি ড্রিম-আরএসআইকে পুনরাবৃত্তিমূলক স্ব-উন্নতি বলা উচিত?

দ্য ডেইলি ডিফের রায় ছিল NEEDS REVIEW। লুপটি বাস্তব এবং সঞ্চয়গুলি পরিমাপ করা হয়েছে, কিন্তু কভারের দুটি শব্দ একটি মেশিনকে বর্ণনা করে যা পেপারে নেই। পরবর্তী আরএসআই পেপারের জন্য একটি দরকারী পরীক্ষা হল জিজ্ঞাসা করা যে কী বস্তু পরিবর্তিত হয়, কে হিমায়িত, এবং শিরোনামের সংখ্যাটি কোন ইউনিটে পরিমাপ করা হয়েছে।

arxiv.org · news.ycombinator.com

অনুবাদিত প্রতিলিপি

মূল ইংরেজি বর্ণনা থেকে অনূদিত। উপলব্ধ অডিও এবং ক্যাপশন YouTube দ্বারা নিয়ন্ত্রিত।

0:00 পুনরাবৃত্তিমূলক স্ব-উন্নতি হল এমন একটি ধারণা যে একটি এআই নিজেকে আরও স্মার্ট করে তোলে, তারপর আরও স্মার্ট নিজেকে আবার তা করতে ব্যবহার করে, এবং এই সপ্তাহে গুগল একটি কাগজ প্রকাশ করেছে যেখানে শিরোনামে সেই দুটি শব্দ রয়েছে, যেখানে মডেলের ওজন কখনও নড়ে না। তিনটি সংখ্যা। অ্যানথ্রোপিকের সিইও বলেছেন যে এই লুপটি গ্রীষ্মকাল থেকে চলছে, যা পুরো শিল্পকে ধীর করার তার কারণ। গুগল সবেমাত্র এটি ভেঙে দিয়েছে বলে ঘোষণা করা টুইটটি একদিনে আটশো লাইক পেয়েছে একদিনে।

0:24 এবং কাগজটির নিজস্ব প্রধান ফলাফল হল ৫৫০ এর পরিবর্তে ৩১৭ মডেল কল, যা একটি ছাড়, উড্ডয়ন নয়। তিন মিনিটে: শব্দগুচ্ছটি কোথা থেকে এসেছে, Dream-RSI এর ভিতরে আসলে কী লুপ হয়, এবং কীভাবে RSI কভারে থাকা পরবর্তী কাগজটি পড়তে হয়। এটি হল The Daily Diff, আড়ালে। ১৯৬৫। আই. জে. গুড, একজন ব্লেচলি পার্কের পরিসংখ্যানবিদ যিনি টুরিং এর পাশে কাজ করতেন, লিখেছেন যে একটি আল্ট্রাইন্টেলিজেন্ট মেশিন আরও ভালো মেশিন ডিজাইন করতে পারে,

0:52 এটিকে গোয়েন্দা বিস্ফোরণ এবং মানুষের তৈরি করা শেষ উদ্ভাবন বলে অভিহিত করেছেন, যদি মেশিনটি যথেষ্ট নম্র হয় আমাদের কীভাবে এটি নিয়ন্ত্রণ করতে হয় তা বলার জন্য, যা কমার পরে মানুষ পড়া বন্ধ করে দেয় এমন একটি শর্ত। চল্লিশ বছর ধরে এই শব্দগুচ্ছটির অর্থ ছিল ঠিক তাই: একটি সিস্টেম যা তার নিজস্ব সোর্স বা ওজন সম্পাদনা করে এবং প্রতিটি পাসে আরও স্মার্ট হয়ে ওঠে। এলিয়েজার ইউডকভস্কির ২০০৮ সালের প্রবন্ধ এটিকে এআই সুরক্ষার মূল শব্দ করে তোলে, এবং কারও কাছে এটি পরীক্ষা করার জন্য কোনও মেশিন ছিল না, যা একটি সংজ্ঞার জন্য আদর্শ অবস্থা। তারপর মে ২০২৫ সালে ডিপমাইন্ড AlphaEvolve প্রকাশ করে,

1:23 একটি জেমিনি এজেন্ট যা কোড প্রস্তাব করে, এটিকে স্কোর করে, বিজয়ীদের রাখে এবং তাদের আবার পরিবর্তন করে। এটি ৪৮ ধাপে চার-বাই-চার জটিল ম্যাট্রিক্স গুণ করে, ১৯৬৯ সালে স্ট্র্যাসেনের একটি রেকর্ড ভেঙেছে, এবং এটি গুগলের বিশ্বব্যাপী গণনার প্রায় শূন্য দশমিক সাত শতাংশ পুনরুদ্ধার করে, যা গুগলের স্কেলে একটি সোফার নিচে পাওয়া ডেটা সেন্টার। জেমিনি এখন জেমিনিকে প্রশিক্ষণ দিতে সাহায্য করছিল, এবং শব্দটি নীরবে সুরক্ষা ব্লগ থেকে প্রেস রিলিজের দিকে চলে যায়। Dream-RSI সেই লুপের উপরে একটি কন্ট্রোলার যোগ করে।

1:52 একটি নীতি, একটি প্রকৃত পাইথন প্রোগ্রাম, সিদ্ধান্ত নেয় সার্চ ট্রির কোন শাখাগুলি সম্প্রসারণ করতে হবে, কতগুলি সমান্তরালে, এবং কখন হাল ছেড়ে দিতে হবে। জেমিনি প্রার্থী কোড লেখে, এবং একটি নির্দিষ্ট মূল্যায়নকারী এটিকে স্কোর করে। প্রতিটি রান কী চেষ্টা করা হয়েছিল এবং এটি কী স্কোর করেছিল তার একটি ট্রি রেখে যায়। সেই ট্রি একটি রিপ্লে সিমুলেটর হয়ে ওঠে: একটি দ্বিতীয়, একইভাবে হিমায়িত জেমিনি নীতিটি পুনরায় লেখে, এবং নতুন নীতিটি রেকর্ড করা ফলাফলের বিরুদ্ধে পরীক্ষা করা হয় বাস্তব জিপিইউ-এর পরিবর্তে।

2:16 কাগজটি এটিকে স্বপ্ন দেখা বলে, এবং একটি বাস্তব রান হাজার হাজার স্বপ্নের জন্য অর্থ প্রদান করে শূন্য কার্যকরকরণ খরচে। বিজয়ী আবার অনলাইনে ফিরে আসে, রেকর্ড করা বিশ্বের পুল বৃদ্ধি পায়, পুনরাবৃত্তি। এবং পরিশিষ্ট বি.২-এর প্রম্পটটি স্ব-উন্নতিশীল এআইকে বলে, লিখিতভাবে: শুধুমাত্র এই একটি ফাইল সম্পাদনা করুন, এবং বৈজ্ঞানিক কাজটি সমাধান করবেন না। পরিমাপ করা হয়েছে। ল্যাসো সলভার টাস্কে, নির্দিষ্ট অন্বেষণ ৫৫০ জেমিনি কল ব্যয় করে তিন দশমিক ছয় সেকেন্ডে পৌঁছাতে, Dream-RSI ৩১৭ ব্যয় করে দুই দশমিক নয় সেকেন্ডে পৌঁছাতে, এবং উভয়ই scikit-learn কে ছাড়িয়ে গেছে।

2:46 কার্নেলবেঞ্চে এটি প্রায় দুই দশমিক চার গুণ কম প্রজন্মের সাথে একই কার্নেল গতিতে পৌঁছেছে। এবং বৃত্ত প্যাকিংয়ে এটি দুই দশমিক ছয় তিন পাঁচ নয় আট তিন স্কোর করেছে, যা ঠিক, ছয় দশমিক স্থান পর্যন্ত, AlphaEvolve সংস্করণ দুই গত বছর স্কোর করেছিল। সুতরাং X শিরোনামটি পড়েছে: গুগল সবেমাত্র পুনরাবৃত্তিমূলক স্ব-উন্নতি ভেঙে দিয়েছে। হ্যাকারের খবর PDF পড়েছে: এটিকে RSI বলা বিভ্রান্তিকর বলে মনে হচ্ছে। এবং একই সপ্তাহে একজন প্রতিযোগীর সিইও বলেছেন যে লুপটি গ্রীষ্মকাল থেকে চলছে এবং সবার গতি কমানো উচিত।

3:13 তিনটি বাক্য, একই দুটি শব্দ, তিনটি ভিন্ন মেশিন। সুতরাং, সোমবার, পরবর্তী RSI কাগজটি কীভাবে পড়তে হয়। এক: জিজ্ঞাসা করুন কোন বস্তু পরিবর্তন হয়, ওজন, কোড, নাকি অনুসন্ধান সেটিংস; Dream-RSI তৃতীয়টি পরিবর্তন করে। দুই: জিজ্ঞাসা করুন কে হিমায়িত; এখানে এটি কোডার, বিচারক এবং পুনরায় লেখক, তিনটিই। তিন: জিজ্ঞাসা করুন প্রধান সংখ্যাটি কীসের একক। গণনা সংরক্ষণ করা হল অপ্টিমাইজেশন; একটি বেঞ্চমার্ক যা মডেল আগে পৌঁছাতে পারেনি তা হল উড্ডয়ন, এবং কেউ এখনও সেটি প্রকাশ করেনি।

3:40 রায়, আড়ালে: NEEDS REVIEW। লুপটি বাস্তব, সঞ্চয় পরিমাপ করা হয়েছে, এবং কভারে থাকা দুটি শব্দ কাগজে নেই এমন একটি মেশিন বর্ণনা করে। আপনি যদি এটি শোনার চেয়ে পড়তে পছন্দ করেন তবে, প্রতিটি সকালে আপনার ইনবক্সে ডিফারেন্সটি আসে, daily diff dot dev এ বিনামূল্যে, লিঙ্ক নিচে। মন্তব্যে আমাকে বলুন পরবর্তীতে কী খুলতে হবে। এবং আজকের জন্য এই ডিফারেন্স। আমি অ্যাক্স্রিসি থেকে নিকো।

4:00 দায়িত্বের সাথে মার্জ করুন।

উৎস

  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

সম্পর্কিত ভিডিও

under-the-hood · bn · ১২ অক্টো, ২০২৬

হাগিং ফেস মডেল ফাইল লুকানো কোড চালাতে পারে

দূষিত মডেল প্যাকেজগুলি অনিরাপদ লোডিংয়ের সময় কোড কার্যকর করতে পারে। পিকল রিভার্স শেল, ভাঙা-ফাইল স্ক্যানার আচরণ এবং গবেষণা-প্রদর্শিত মডেল-নামের বিভ্রান্তির তিনটি নথিভুক্ত উদাহরণ ব্যাখ্যা করা হয়েছে, শ

3:33 ↗
under-the-hood · bn · ১১ অক্টো, ২০২৬

প্রতিক্রিয়া অদৃশ্য হয়ে গেলে স্ট্রাইপ আপনার অনুরোধ মনে রাখে

সার্ভার অপারেশন সম্পূর্ণ করার পরেও একটি টাইমআউট চেকআউটকে অনিশ্চিত করে তুলতে পারে। এই 'আন্ডার দ্য হুড' এক্সপ্লেনার স্ট্রাইপ এপিআই v1-এর ডকুমেন্ট করা আইডেম্পোটেন্সি চুক্তি ব্যবহার করে স্থিতিশীল অপারেশন

2:54 ↗
under-the-hood · bn · ১০ অক্টো, ২০২৬

Shopify ইনভেন্টরি রিজার্ভেশন মাইএসকিউএল-এ স্থানান্তরিত করেছে

Shopify তার ইনভেন্টরি রিজার্ভেশন সিস্টেমকে রেডিস থেকে মাইএসকিউএল ডেটাবেসে স্থানান্তরিত করেছে যা ইতিমধ্যেই ইনভেন্টরি লেজার ধারণ করে। স্বতন্ত্রভাবে লক করা যায় এমন ইউনিট সারিগুলির একটি বাউন্ডেড পুল সমসা

2:58 ↗
under-the-hood · bn · ২৪ সেপ, ২০২৬

SAML, আড়ালে: চিঠির ভেতরের স্বাক্ষর

SAML আপনাকে প্রায় প্রতিটি কাজের অ্যাপে লগ ইন করায়, এবং এর স্বাক্ষর এটি যে XML-কে স্বাক্ষর করে তার ভিতরে থাকে। আড়ালে: অ্যাপ, ব্রাউজার এবং পরিচয় প্রদানকারীর মধ্যে লগইন ড্যান্স, একটি অ্যাসারশন কেমন দেখত

3:02 ↗