তিনটে শব্দ, যে ক্রমে গুরুত্বপূর্ণ
নামটাকে উল্টো দিক থেকে ভেঙে দেখা যাক।
মডেল। একটা মডেল হলো এমন একটা ফাংশন যা একটা ইনপুটকে আউটপুটে রূপান্তর করে, যার নিয়মগুলো একজন প্রোগ্রামার লিখে দেওয়ার বদলে ডেটা থেকে শেখা। আবহাওয়ার মডেল আজকের রিডিং নেয় আর আগামীকালের পূর্বাভাস আউটপুট দেয়। একটা ল্যাঙ্গুয়েজ মডেল টেক্সট নেয় আর পরে কী আসবে তার একটা সম্ভাবনা আউটপুট দেয়।
ল্যাঙ্গুয়েজ। ইনপুট আর আউটপুট দুটোই টেক্সট, যা টোকেনে ভাঙা, আর টোকেন হলো শব্দের টুকরো। AI-তে টোকেন কি এই এককটা নিয়ে আলোচনা করে; সংক্ষেপে বললে, মডেলটা প্রায় তিন-চতুর্থাংশ শব্দের সমান টুকরোয় পড়ে আর লেখে।
লার্জ। মডেলের প্যারামিটারের সংখ্যা অনেক বেশি, যেগুলো হলো ভেতরের সংখ্যা যা প্রশিক্ষণ সমন্বয় করে। ২০১৯ সালের GPT-2 এর ছিল ১.৫ বিলিয়ন। ২০২০ সালের GPT-3 এর ছিল ১৭৫ বিলিয়ন। এই সাইট ২০২৬ সালে যে ক্যাটালগের দাম দেয় তাতে আছে একটা Qwen মডেল যার ২.৪ ট্রিলিয়ন প্যারামিটার, যার মধ্যে প্রায় ৯৫ বিলিয়ন যেকোনো একটা টোকেনে সক্রিয় থাকে। নামের মধ্যে "লার্জ" শব্দটা অনেক কাজ করছে, আর সাত বছরে এই সংখ্যা হাজার গুণেরও বেশি বেড়েছে।
তাহলে একটা এলএলএম হলো খুব বড় একটা পরের-টোকেন প্রেডিক্টর। এর সঙ্গে মানুষ যত গুণ জুড়ে দেয়, যুক্তি, সুর, আত্মবিশ্বাসী ভুল, সবকিছুই ঐ একটা কাজ থেকে আসে।
এলএলএম কোনো চ্যাটবট নয়, আর এই পার্থক্যটাই পুরো প্রোডাক্ট
ChatGPT একটা অ্যাপ। GPT হলো এর ভেতরের মডেল। Claude একইসঙ্গে একটা মডেল পরিবার আর Anthropic যে অ্যাপ এর চারপাশে তৈরি করেছে, দুটোই। Gemini এর ক্ষেত্রেও Google তে একই গল্প। AI চ্যাটবট কি অ্যাপ স্তরটা নিয়ে আলোচনা করে; এই পাতাটা ইঞ্জিন নিয়ে।
যেই মুহূর্তে আপনি জানবেন ইঞ্জিনটা বদলানো যায়, পার্থক্যটা আর তাত্ত্বিক থাকে না। একই চ্যাট উইন্ডো থেকে আপনার মেসেজ GPT, Claude, Gemini, DeepSeek বা Llama তে পাঠানো যায়, আর উত্তরগুলো সুর, খরচ, গতি আর নির্ভুলতায় আলাদা হয়। Whizi এর মতো একটা মাল্টি-মডেল ওয়ার্কস্পেস ঠিক এটাই: একটা উইন্ডো, এর পেছনে ২৮০+ মডেল, আর কোনটা উত্তর দেবে তা বেছে নেওয়ার একটা পিকার। অ্যাপটা স্টিয়ারিং হুইল। এলএলএম হলো ইঞ্জিন, আর এমন ইঞ্জিন আছে বহু।
| স্তর | এটা কী | উদাহরণ |
|---|---|---|
| মডেল (এলএলএম) | প্রশিক্ষিত নেটওয়ার্ক যা টেক্সট তৈরি করে | GPT, Claude, Gemini, Llama, DeepSeek, Qwen |
| প্রোডাক্ট | অ্যাপ, মেমরি, ফাইল আপলোড, দাম | ChatGPT, Claude.ai, Gemini app, Whizi |
| অ্যাক্সেস | মডেলে কীভাবে পৌঁছানো যায় | একটা কনজিউমার অ্যাপ, একটা API, একটা মাল্টি-মডেল ওয়ার্কস্পেস |
একটা এলএলএম দুই ধাপে যেভাবে প্রশিক্ষিত হয়
ধাপ এক, প্রিট্রেনিং। মডেলটা বিশাল পরিমাণ টেক্সট পড়ে আর প্রতিটা অবস্থানের জন্য পরের টোকেনটা অনুমান করার চেষ্টা করে। প্রতিটা ভুল অনুমান প্যারামিটারগুলোকে সামান্য নাড়িয়ে দেয়। Meta জানিয়েছে যে Llama 3 কে ১৫ ট্রিলিয়নের বেশি টোকেনে প্রিট্রেইন করা হয়েছে, যা, একটা ৭৫,০০০ শব্দের উপন্যাসের প্রায় ১,০০,০০০ টোকেনের হিসাবে (প্রতি টোকেনে তিন-চতুর্থাংশ শব্দ), প্রায় ১৫ কোটি বইয়ের টেক্সটের সমান। এই ধাপের পর মডেলটা একটা দারুণ অটোকমপ্লিট আর একটা দুর্বল অ্যাসিস্ট্যান্ট: একটা প্রশ্ন জিজ্ঞেস করলে এটা হয়তো আরও তিনটা প্রশ্ন দিয়ে চালিয়ে যাবে, কারণ ইন্টারনেটের টেক্সট প্রায়ই এমনটাই করে।
ধাপ দুই, পোস্ট-ট্রেনিং। এরপর মডেলটাকে ভালো উত্তরের উদাহরণ দেখানো হয় আর মানুষ রেট করে যে দুটো উত্তরের মধ্যে কোনটা ভালো, এই প্রক্রিয়াটাকে বলা হয় রিইনফোর্সমেন্ট লার্নিং ফ্রম হিউম্যান ফিডব্যাক, বা RLHF। এখান থেকেই অ্যাসিস্ট্যান্ট আচরণ আসে: আপনি যে ফরম্যাটে জিজ্ঞেস করেছেন সেভাবে উত্তর দেওয়া, আর কিছু অনুরোধ প্রত্যাখ্যান করা। এটা কোচিং, নতুন জ্ঞান নয়। তথ্যগুলো এখনও প্রথম ধাপ থেকেই আসে।
দুটো ধাপ থেকে দুটো বিষয় বেরিয়ে আসে। মডেলের জ্ঞান তার প্রিট্রেনিং ডেটা যেদিন শেষ হয় সেখানেই থেমে যায়, যে কারণে প্রতিটা মডেলের একটা নলেজ কাটঅফ থাকে। আর কোনো ধাপেই কোনো ফ্যাক্ট চেকার বসানো হয় না: মডেলটা সম্ভাব্য টেক্সট তৈরি করতে শিখেছে, তারপর পছন্দনীয় টেক্সট তৈরি করতে শিখেছে। সত্য দুটোরই একটা ঘন ঘন উপজাত, নিশ্চয়তা নয়। AI কেন ভুল করে এটাকে আরও এগিয়ে নিয়ে যায়।
একটা এলএলএম খুঁজে দেখার বদলে কেন অনুমান করে
একটা সার্চ ইঞ্জিন খুঁজে বের করে। এর কাছে পাতার একটা ইনডেক্স থাকে আর যেগুলো মেলে সেগুলো ফেরত দেয়। একটা এলএলএমের কোনো ইনডেক্স নেই। প্রিট্রেনিং এর সময় এটা যা পড়েছে সবকিছু এর প্যারামিটারে সংকুচিত হয়ে গেছে, আর উত্তর দেওয়ার সময় এটা সেই সংকোচন থেকে টেক্সট পুনরায় তৈরি করে, একবারে একটা টোকেন, প্রতিটা টোকেন একটা সম্ভাবনার বণ্টন থেকে বেছে নিয়ে।
এই কারণেই একটা এলএলএম এমন একটা খাবারের কার্যকর রেসিপি লিখতে পারে যার নাম এটা আগে কখনো দেখেনি, আর একই কারণে এটা এমন একটা কোর্ট সাইটেশন তৈরি করতে পারে যা আদৌ নেই। দুটোই বিশ্বাসযোগ্য ধারাবাহিকতা। মডেলের কাছে আলাদা কোনো ব্যবস্থা নেই যা যাচাই করে একটা বিশ্বাসযোগ্য ধারাবাহিকতা আসলেই সত্যি কিনা।
প্রোডাক্টগুলো যে সমাধান ব্যবহার করে তা হলো রিট্রিভাল জুড়ে দেওয়া: প্রথমে ওয়েব বা আপনার ফাইল খুঁজে দেখা, তারপর মডেলকে অংশগুলো দিয়ে সেখান থেকে উত্তর দিতে বলা। এই কৌশলটাকে বলা হয় RAG, আর RAG কি এটা ব্যাখ্যা করে। একটা চ্যাট অ্যাপের ভেতরে ওয়েব সার্চ হলো ইন্টারনেটকে উৎস বানিয়ে RAG। মডেলটা তখনও অনুমান করছে; শুধু এবার এটা ভালো উপাদান থেকে অনুমান করছে।
একটা পরিবারের ভেতরে দাম কী কেনে, পরিমাপ করা
প্রতিটা পরিবার একটা সিঁড়ি নিয়ে আসে: একটা ছোট মডেল, একটা মাঝারি, একটা ফ্ল্যাগশিপ। Artificial Analysis Intelligence Index, যা পাবলিক রিজনিং, কোডিং আর জ্ঞান বেঞ্চমার্কে একটা সমন্বিত স্কোর, প্রতিটা ধাপে একটা সংখ্যা বসায়, আর লিডারবোর্ড এর পাশে প্রতি মিলিয়ন টোকেনে একটা মিশ্রিত দাম দেখায়। নিচের চারটা সিঁড়ি ২০২৬-০৯-১৭ তারিখে পড়া হয়েছিল।
OpenAI ১৮ গুণ দামে ১৫ পয়েন্ট কেনে, Anthropic ৩৬ গুণে ৩৫ পয়েন্ট, Qwen ১৬ গুণে ১৯ পয়েন্ট। DeepSeek এই প্যাটার্ন ভাঙে: V4 Flash অর্ধেকেরও কম দামে V4 Pro কে ছাড়িয়ে যায়। এখান থেকে দুটো বিষয় বেরিয়ে আসে। একটা পরিবারের ভেতরে, শেষ কয়েকটা পয়েন্টই সবচেয়ে দামি, তাই একটা ছোট বাস্তব প্রশ্নের জন্য ছোট মডেলও ফ্ল্যাগশিপের মতোই উত্তর দেয়। আর পরিবারগুলোর মধ্যে, দাম মানের একটা দুর্বল সূচক: DeepSeek V4 Flash প্রতি মিলিয়ন টোকেনে $0.27 তে Claude Sonnet 5 এর $5.09 এর চেয়ে দুই পয়েন্ট বেশি স্কোর করে। ক্রেতা হিসেবে এলএলএম সম্পর্কে জানার সবচেয়ে দরকারি বিষয়টা এটাই: মডেলটা একটা ডায়াল, স্থির খরচ নয়। Whizi একই যুক্তিতে দাম নেয়, হাউস মডেলে একটা মেসেজের জন্য এক ক্রেডিট, Claude Opus 5 এর জন্য ২০, আর সবচেয়ে দামি সারিগুলোর জন্য যতটা ১০০ পর্যন্ত, যা Whizi ক্রেডিট কীভাবে কাজ করে প্রতিটা মডেল অনুযায়ী তুলে ধরে।
সৎ সতর্কতাটা হলো একটা সমন্বিত ইনডেক্স হলো কাজগুলোর ওপর একটা গড়। রিজনিংয়ের একটা লম্বা চেইনের জন্য ফ্ল্যাগশিপ তার দাম উশুল করে; একটা রিরাইটের জন্য করে না। প্রতিটা পরিবার আসলে কীসে ভালো তার তুলনার জন্য, কোন AI মডেল ব্যবহার করা উচিত সিদ্ধান্তের পাতা।
একটা এলএলএম কী করতে পারে না, এক তালিকায়
নিচের সবকিছুই আর্কিটেকচারের একটা পরিণতি, পরের রিলিজে ঠিক হয়ে যাওয়া কোনো বাগ নয়।
- এটা তার প্রশিক্ষণ কাটঅফের পরে কিছু জানতে পারে না, যদি না রিট্রিভাল সেই টেক্সট হাতে ধরিয়ে দেয়।
- লম্বা ইনপুটে এটা নির্ভরযোগ্যভাবে গণনা করতে পারে না, কারণ এটা টোকেন আর সম্ভাবনায় কাজ করে, আইটেমের ওপর একটা লুপে নয়।
- এটা নিজের আউটপুট যাচাই করতে পারে না; একই মডেলের দ্বিতীয় একটা পাস মানে একই প্রেডিক্টর আবার অনুমান করছে।
- কথোপকথনের মাঝে এটা আপনাকে মনে রাখতে পারে না, যদি না প্রোডাক্টটা নোট সংরক্ষণ করে আর সেগুলো ফিরিয়ে পেস্ট করে; সেই মেমরি একটা প্রোডাক্ট ফিচার, মডেলের নয়।
- এটা পুরো কথোপকথন চিরকাল দেখতে পারে না। প্রতিটা মডেলের একটা কনটেক্সট উইন্ডো আছে, যা একবারে বিবেচনা করা যায় এমন সর্বোচ্চ টেক্সট, আর কনটেক্সট উইন্ডো কি ব্যাখ্যা করে সেটায় পৌঁছালে কী হয়।
ব্যবহারিক পরিণতি: একটা এলএলএমকে সাবলীল, মাঝেমধ্যে ভুল একজন সহকর্মী হিসেবে দেখুন, আর যাচাইয়ের কাজটা নিজের দিকে রাখুন। যে লুপ একটা মডেলকে নিজে থেকে কাজ করার মতো কিছুতে পরিণত করে সেটা আলাদা জিনিস, আর AI এজেন্ট কি সেই সীমারেখা টানে। খরচ জড়িত এমন যেকোনো কিছুর জন্য, একটা দ্বিতীয় মডেলকে জিজ্ঞেস করুন। দুটো ভিন্ন প্রেডিক্টর একমত হওয়া দুর্বল প্রমাণ; দুটো দ্বিমত হওয়া যাচাই করার একটা জোরালো সংকেত।
- যখন এলএলএম বোঝাতে চান তখন "মডেল" বলুন আর যখন ChatGPT, Claude বা Gemini বোঝাতে চান তখন "অ্যাপ" বলুন; এখন দুটো আলাদাভাবে বিক্রি হয়
- ধরে নিন জ্ঞান প্রশিক্ষণ কাটঅফে থেমে গেছে, আর উত্তরটা কোনো সাম্প্রতিক বা ব্যক্তিগত বিষয়ের ওপর নির্ভরশীল হলে ওয়েব সার্চ চালু করুন বা ডকুমেন্ট আপলোড করুন
- একটা পরিবারের ছোট মডেল দিয়ে শুরু করুন আর তখনই ওপরে উঠুন যখন উত্তরটা যথেষ্ট ভালো নয়
- কোনো সংখ্যা, সাইটেশন বা আইনি বা মেডিকেল দাবির ওপর কাজ করার আগে একটা দ্বিতীয় মডেলকে জিজ্ঞেস করুন
- লম্বা ডকুমেন্টে কনটেক্সট উইন্ডো খেয়াল রাখুন; বিজ্ঞাপিত সীমার আগেই মান কমতে শুরু করে
প্রায়ই জিজ্ঞাসিত প্রশ্ন
LLM এর পূর্ণরূপ কী?
LLM এর পূর্ণরূপ হলো লার্জ ল্যাঙ্গুয়েজ মডেল। লার্জ বলতে বোঝায় প্যারামিটারের সংখ্যা, যা প্রশিক্ষণ দিয়ে ঠিক করা ভেতরের সংখ্যা, যা কয়েক বিলিয়ন থেকে কয়েক ট্রিলিয়ন পর্যন্ত যায়। ল্যাঙ্গুয়েজ মানে ইনপুট আর আউটপুট টেক্সট। মডেল মানে এই আচরণটা ডেটা থেকে শেখা, হাতে প্রোগ্রাম করা নয়।
ChatGPT কি একটা LLM?
ChatGPT একটা এলএলএমের ওপর তৈরি একটা অ্যাপ। মডেলটা হলো GPT; ChatGPT হলো চ্যাট উইন্ডো, মেমরি, ফাইল আপলোড আর এর চারপাশের সাবস্ক্রিপশন। একই GPT মডেল অন্য অ্যাপের মাধ্যমেও পাওয়া যায়, যার মধ্যে আছে মাল্টি-মডেল ওয়ার্কস্পেস যেখানে এগুলো Claude আর Gemini এর পাশে বসে।
একটা LLM সার্চ ইঞ্জিন থেকে কীভাবে আলাদা?
একটা সার্চ ইঞ্জিন পাতার একটা ইনডেক্স রাখে আর আপনার কোয়েরির সঙ্গে মেলে এমনগুলো ফেরত দেয়। একটা এলএলএম কোনো ইনডেক্স রাখে না; এটা প্রশিক্ষণের সময় এর প্যারামিটারে সংকুচিত হওয়া প্যাটার্ন থেকে আপনার টেক্সটের একটা বিশ্বাসযোগ্য ধারাবাহিকতা তৈরি করে। এই কারণেই একটা এলএলএম এমন একটা প্রশ্নের উত্তর দিতে পারে যার উত্তর কোনো পাতা দেয়নি, আর একই কারণে এটা এমন একটা আত্মবিশ্বাসী উত্তর তৈরি করতে পারে যা মিথ্যা।
LLM কি আমার কথোপকথন থেকে শেখে?
কথোপকথনের সময় নয়। প্রশিক্ষণ শেষ হয়ে গেলে প্যারামিটারগুলো স্থির হয়ে যায়, তাই আপনি যা টাইপ করেন তা মডেলটাকে বদলায় না। কোনো প্রোভাইডার পরে আপনার চ্যাটকে ভবিষ্যৎ মডেলের জন্য প্রশিক্ষণ ডেটা হিসেবে ব্যবহার করবে কিনা সেটা একটা পলিসির প্রশ্ন যা প্রোডাক্ট আর প্ল্যান অনুযায়ী আলাদা, তাই ব্যক্তিগত কিছু পেস্ট করার আগে আপনি যে অ্যাপ ব্যবহার করছেন তার প্রাইভেসি শর্ত পড়ুন।
একটা LLM চালাতে কত খরচ হয়?
তালিকা মূল্যে, ১,০০০ ইনপুট টোকেন আর ৫০০ আউটপুট টোকেনের একটা স্ট্যান্ডার্ড উত্তরের খরচ GPT-5.6 Luna তে প্রায় $0.0008 আর GPT-5.5 তে $0.02, ২০২৬-০৮-২০ তারিখে কস্ট ইনডেক্সে আনা OpenRouter এর দাম অনুযায়ী। প্রতি মিলিয়ন টোকেনে, Artificial Analysis লিডারবোর্ড GPT-5.6 Luna কে $0.18 মিশ্রিত আর Claude Fable 5.1 কে $7.63 তে তালিকাভুক্ত করে। একটা সাবস্ক্রিপশন এমন হাজার হাজার উত্তর একসঙ্গে বান্ডেল করে; প্রতি-উত্তর সংখ্যাটা হলো একজন ডেভেলপার একটা API দিয়ে যা দেন।
