মডেল
SenseNova-U1 ইনফোগ্রাফিক V2: 50.3-পয়েন্ট মূল্যায়ন পরিসর এবং ইনফোগ্রাফিক সীমানা
বিশেষ মডেল/ইনফোগ্রাফিক প্রজন্ম
বিশেষ মডেল/ইনফোগ্রাফিক প্রজন্ম
বিশেষায়িত মডেল / ইনফোগ্রাফিকস
একটি ইনফোগ্রাফিকে একসাথে কাজ করে শব্দার্থগত পরিকল্পনা, স্তরবিন্যাস, আইকন-লেখার সামঞ্জস্য আর সুপাঠ্য গ্লিফ রেন্ডারিং। SenseNova-U1-8B-MoT-Infographic-V2 সম্পূর্ণ ওজন প্রকাশ করেছে এবং BizGenEval hard স্প্লিটে 50.3 স্কোরের কথা জানিয়েছে—ফলাফলটি বিশেষায়িত ইনফোগ্রাফিক তৈরির, ফটোগ্রাফি বা মুক্তখাতের চিত্রায়ণের নয়।
রাউটিং ভিন্ন ভিন্ন ভিজ্যুয়াল-ভাষার ধরনের জন্য ভিন্ন প্যারামিটার উপস্থান বরাদ্দ করে। p_i=softmax(g(h))_i হলে একটি স্তরকে এভাবে লেখা যায়:
y=Σ_i p_i·T_i(h)
বিশেষায়িত প্রশিক্ষণ শিরোনাম, ডেটা ব্লক, সংযোগকারী ও অলংকরণের পরিসংখ্যান শেখে। তবু বিরল নাম, একক বা দীর্ঘ বাক্যাংশে বানানভুল হতেই পারে, তাই তৈরি গ্রাফিক প্রমাণিত তথ্যসূত্র নয়, দৃশ্যমান খসড়া হিসেবেই থেকে যায়।
মডেল কার্ডে BizGenEval hard-এ V2-র জন্য 50.3, Z-Image-এর জন্য 8.2 এবং Qwen-Image-2512-এর জন্য 6.3 লেখা আছে। প্রকাশকের সেই টেবিলের ভেতরে তুলনাটি বৈধ। প্রম্পট টেমপ্লেট, বিচারক ও কঠিন নমুনার গঠন—সবই ফলাফলকে গড়ে তোলে; এ থেকে সর্বজনীন ছবির-মান র্যাংকিং প্রতিষ্ঠিত হয় না।
তৈরির আগে প্রয়োজনীয় প্রতিটি বিশেষ্য নাম, সংখ্যা ও এককের তালিকা তুলে নিতে হয়, পরে OCR দিয়ে মিলিয়ে দেখতে হয়। সঠিক অক্ষর কেবল প্রথম পরীক্ষা: শিরোনামের স্তর, তীরের লক্ষ্য, লিজেন্ডের রং, পঠনক্রম ও সূত্রের তথ্যও পর্যালোচনা চায়।
50.3 মানটি নামকরা BizGenEval hard সেটআপেরই। ক্যানভাস, প্রম্পট টেমপ্লেট, স্যাম্পলিং সূচি বা বিচারক বদলালে আলাদা ফলাফল তৈরি হয়, যা প্রকাশিত স্কোরটি উত্তরাধিকারসূত্রে পায় না।
প্রথম দিকের text-to-image বেঞ্চমার্কগুলো পুরস্কৃত করত শব্দার্থগত সাদৃশ্য আর সামগ্রিক নান্দনিকতাকে। ইনফোগ্রাফিকে এর সঙ্গে শিরোনাম, সংখ্যা, আইকন ও সংযোগকারীর মিলও চাই। তাই Infographic V2 কোনো সাধারণ মডেলে স্টাইলের শব্দ যোগ করা নয়; এটি লেআউট ও ঘন-লেখা রচনাকে কেন্দ্র করে আরও প্রশিক্ষিত একটি বিশেষায়িত চেকপয়েন্ট।
BizGenEval hard স্প্লিটে তার 50.3 স্কোর সেই বিশেষায়নকে দৃশ্যমান করে তোলে। একই অফিসিয়াল টেবিলে Z-Image-এর 8.2 ও Qwen-Image-2512-এর 6.3 লেখা আছে। ব্যবধানটি এই প্রকাশকের বেঞ্চমার্কের প্রমাণ, কিন্তু ফটোগ্রাফি, প্রতিকৃতি বা মুক্ত চিত্রায়ণেও V2 এগিয়ে—এমন প্রমাণ নয়।
h′=Σ_{e∈TopK(g(h))} p_e(h)·E_e(h)g(h)রাউটারের স্কোরTopKপ্রতি টোকেনে সক্রিয় এক্সপার্টE_eএক্সপার্ট-নির্দিষ্ট রূপান্তরইনফোগ্রাফিকে একসাথে আসে চিত্র, অক্ষর, আইকন ও লেআউটের সম্পর্ক। MoT রাউটিং প্রতিটি টোকেনকে পাঠায় এক মুঠো এক্সপার্টের কাছে, ফলে প্রতিটি টোকেনের জন্য সব এক্সপার্ট না চালিয়েই মোট সামর্থ্য বাড়ে।
50.3 ফলাফলটি অফিসিয়াল BizGenEval hard টেবিলের। প্রকাশের আগে তবু নাম, সংখ্যা ও এককের OCR যাচাই এবং তীর, লিজেন্ড ও পঠনক্রমের মানবীয় পর্যালোচনা লাগবেই।
পেপার, কোড ও ওজন পাওয়া যাবে SenseNova-U1 সোর্স / Infographic V2 ওজন ও বেঞ্চমার্ক থেকে।
তিনটি সারিই একই অফিসিয়াল hard-স্প্লিট টেবিল থেকে এসেছে, সেই টেবিলের মধ্যেই এদের তুলনা চলে। এগুলো মিলে সর্বজনীন ছবির-মান লিডারবোর্ড হয় না।
| মডেল | BizGenEval hard | ভূমিকা |
|---|---|---|
| SenseNova-U1 Infographic V2 | 50.3 | বিশেষায়িত ইনফোগ্রাফিক মডেল |
| Z-Image | 8.2 | একই টেবিলের সাধারণ ভিত্তিরেখা |
| Qwen-Image 2512 | 6.3 | একই টেবিলের সাধারণ ভিত্তিরেখা |
প্রম্পটের প্রতিটি বিশেষ্য নাম, সংখ্যা ও একক তালিকাভুক্ত করুন, তারপর ফলাফলে OCR চালান। সঠিক অক্ষর কেবল প্রথম পরীক্ষা: শিরোনামের স্তর, তীরের লক্ষ্য ও লিজেন্ডের রংও সামঞ্জস্যপূর্ণ থাকতে হবে।
দীর্ঘ বহুভাষিক স্ট্রিং ও মিশ্র একক ভুল লাইন-ব্রেক আর বদলি-অক্ষরের শিকার বেশি হয়। সম্পাদনযোগ্য উৎস-ডেটা সংরক্ষণ করুন; তৈরি PNG-কে যাচাইবিহীন তথ্যবস্তু নয়, লেআউটের খসড়া হিসেবেই দেখুন।
মূল্যায়নকারী পাঠক নয়। বিরল নাম, দীর্ঘ একক, পাদটীকা ও ঘন টেবিলে এখনও ছদ্ম-অক্ষর, বদলি ও খারাপ র্যাপিং থেকে যেতে পারে।
50.3 ফলাফলটি মডেল কার্ডে উল্লেখিত BizGenEval hard সেটিংয়ের। ক্যানভাস, প্রম্পট টেমপ্লেট, স্যাম্পলিং সূচি বা বিচারক বদলালে তা আলাদা ফলাফল, প্রকাশিত স্কোর তার ওপর প্রযোজ্য নয়।
মডেলের নাম, সংখ্যা ও সীমাবদ্ধতার উৎস নিচের পেপার, রিপোজিটরি বা মডেল কার্ডগুলোতে পাওয়া যায়।