অলঙ্করণ: tuput
বাংলা
২০২২ ও ২০২৩ সালের চারটি গবেষণাপত্র বড় ভাষা মডেলের দরকারি মেমরি কমিয়েছে, ৮-বিটের LLM.int8 থেকে ৪-বিটের GPTQ, AWQ ও QLoRA পর্যন্ত। প্রতিটি গবেষণাপত্র কী মেপেছে লেখকদের নিজেদের সংখ্যায়, আর এখন কোন ফরম্যাট চলছে, তা এখানে।
২০২২ সালের আগস্টে টিম ডেটমার্স, মাইক লুইস, ইউনেস বেলকাদা আর লুক জেটলমোয়ার একটি ভাষা মডেলের ওয়েট ১৬ বিটের বদলে ৮ বিটে রাখার একটি উপায় জানান, যাতে মডেল চালানোর মেমরি অর্ধেক হয়ে যায়, আর তাঁদের পরীক্ষায় ১৭৫ বিলিয়ন প্যারামিটার পর্যন্ত নির্ভুলতা কমেনি। ২০২২ সালের অক্টোবরে ইটিএইচ জুরিখ ও আইএসটি অস্ট্রিয়ার একটি দল GPTQ প্রকাশ করে, যা ওয়েটকে ৩ বা ৪ বিটে নামায় আর ১৭৫ বিলিয়ন প্যারামিটারের OPT মডেলকে একটিমাত্র ৮০ জিবি গ্রাফিক্স কার্ডে চালায়। ২০২৩ সালের মে মাসে QLoRA গবেষণাপত্র ৬৫ বিলিয়ন প্যারামিটারের একটি মডেলকে একটিমাত্র ৪৮ জিবি কার্ডে ফাইন-টিউন করে, যে কাজে সাধারণ ১৬-বিট রূপে ৭৮০ জিবির বেশি লাগে বলে লেখকরা জানান।
এ সবই কোয়ান্টাইজেশন: মডেলের সংখ্যাগুলো কম বিটে রাখা। হাগিং ফেসের নথি একে বর্ণনা করেছে এভাবে: ওয়েট কম নির্ভুলতায় রেখে, যতটা সম্ভব সঠিকতা বজায় রাখার চেষ্টা করে, মডেল লোড করা ও ব্যবহারের মেমরি কমানো। এই লেখা গবেষণাপত্রগুলো ক্রমানুসারে দেখে, বলে প্রতিটি কী মেপেছে, আর চিহ্নিত করে কোন দাবিগুলো শুধু লেখকদের বা হার্ডওয়্যার বিক্রেতা কোম্পানির নিজের।
ওয়েট একটি সংখ্যা, আর বিট ঠিক করে তা কত সূক্ষ্মভাবে লেখা হবে
একটি ভাষা মডেলের প্যারামিটার, যাকে ওয়েটও বলে, প্রশিক্ষণে সে যে সংখ্যাগুলো শিখেছে। GPT-3-এর আছে ১৭৫ বিলিয়ন। প্রতিটি দুই বাইট (১৬ বিট) ধরলে তা ৩৫০ জিবি, AWQ গবেষণাপত্র এই সংখ্যাই দিয়েছে; GPTQ গবেষণাপত্র গোনে ৩২৬ জিবি, কারণ সে বাইনারি গিগাবাইট ব্যবহার করে। GPTQ-র লেখকরা বলেন, এটি এমনকি সবচেয়ে উচ্চমানের একক গ্রাফিক্স কার্ডের ক্ষমতাও ছাড়িয়ে যায়, আর AWQ গবেষণাপত্র উল্লেখ করে এনভিডিয়ার নতুন B200-এ আছে ১৯২ জিবি।
একটি ১৬-বিট সংখ্যা ৬৫,৫৩৬টি আলাদা নকশা নিতে পারে, ৮-বিট সংখ্যা ২৫৬টি আর ৪-বিট সংখ্যা ১৬টি। এটি সাদামাটা অঙ্ক, আর পুরো লেনদেনটাই এখানে। NVIDIA-র NVFP4 পোস্ট একটি ৪-বিট ফ্লোটিং-পয়েন্ট মান যে মাপগুলো ধরতে পারে তার তালিকা দিয়েছে: ০, ০.৫, ১, ১.৫, ২, ৩, ৪ আর ৬, একটি চিহ্নসহ। ম্যাট্রিক্সের প্রতিটি ওয়েটকে এই অল্প কয়েকটি বিন্দুর একটিতে গোল করতে হয়, ম্যাট্রিক্সটিকে এমনভাবে স্কেল করার পর যাতে তার সবচেয়ে বড় মান পরিসরের মাথায় বসে।
এখানে একটি বানানো উদাহরণ, কোনো গবেষণাপত্র থেকে নেওয়া নয়। ওয়েটের একটি সারিতে যদি ০.০২ ও ০.৪-এর কাছাকাছি মান থাকে, কিন্তু একটি ১২-ও থাকে, তাহলে ৮ বিটে স্কেল করলে পরিসর জুড়ে ধাপ পড়ে প্রায় ০.০৯-এর, আর ০.০২ গোল হয়ে শূন্য হয়ে যায়। একটি বড় মান বাকি সবার ছক মোটা করে দেয়। নিচের পদ্ধতিগুলো এই সমস্যা সামলানোর আলাদা আলাদা উপায়।
বাস্তব ফরম্যাটে স্কেল ধ্রুবকও থাকে, তাই “৪-বিট” আসলে চারের একটু বেশি। llama.cpp README Llama 3.1 8B-র ছক দিয়েছে: ১৬ বিটে ওয়েট প্রতি ১৬.০০০৫ বিট আর ১৪.৯৬ জিআইবি, তার ৮-বিট ফরম্যাট Q8_0-তে ৮.৫০০৮ বিট আর ৭.৯৫ জিআইবি, আর Q4_K_M-এ, যে ৪-বিট ফরম্যাট তার উদাহরণগুলো ব্যবহার করে, ৪.৮৯৪৪ বিট আর ৪.৫৮ জিআইবি। NVIDIA-র NVFP4 প্রতি ১৬টি মানে একটি ৮-বিট স্কেল রাখে, যা সে গোনে প্রতি মানে ৪.৫ বিট ধরে।
LLM.int8(): যে ০.১ শতাংশ মান ৮-বিটকে ভেঙে দিয়েছিল
২০২২ সালের NeurIPS-এ উপস্থাপিত LLM.int8() গবেষণাপত্র শুরু হয় একটি ব্যর্থতা থেকে। আগের ৮-বিট পদ্ধতি পরীক্ষা হয়েছিল ৩৫ কোটি প্যারামিটারের কম মডেলে, আর লেখকরা দেখেন মডেল বড় হওয়ার সঙ্গে সাদামাটা ৮-বিট গোল-করা ব্যর্থ হয়। প্রায় ৬.৭ বিলিয়ন প্যারামিটার থেকে হাতেগোনা কয়েকটি হিডেন ডাইমেনশনে এমন মান থাকে যা বাকিদের চেয়ে ২০ গুণ পর্যন্ত বড়। ৬.৭ বিলিয়নে তাঁরা জানান প্রতি সিকোয়েন্সে প্রায় ১,৫০,০০০ এমন আউটলায়ার, কেন্দ্রীভূত মাত্র ৬টি ফিচার ডাইমেনশনে। সেই ডাইমেনশনগুলো শূন্য করলে পারপ্লেক্সিটি, যে নম্বরে কম হলে ভালো, ৬০০ থেকে ১,০০০ শতাংশ খারাপ হয়, যদিও ফিচারের মাত্র প্রায় ০.১ শতাংশ ওগুলো।
সমাধানটি একটি ভাগ। যে ডাইমেনশনে ৬ বা তার বেশি মাপের মান আছে, সেগুলো ১৬ বিটে গুণ করা হয়, আর বাকি প্রায় ৯৯.৯ শতাংশ ৮ বিটে, প্রতিটি অন্তর্গুণফলের জন্য আলাদা স্কেলসহ। গবেষণাপত্রের C4 পরীক্ষায় ১৩ বিলিয়ন প্যারামিটারের একটি মডেল ৩২-বিটে পারপ্লেক্সিটি পায় ১২.৪৫, সাদামাটা ৮-বিট গোল-করায় ১৯.০৮, আর LLM.int8()-এ ১২.৪৫। লেখকরা জানান ১৭৫ বিলিয়ন প্যারামিটার পর্যন্ত OPT মডেলে কোনো অবনতি নেই, আর বলেন এতে OPT-175B ও BLOOM ভোক্তা-মানের জিপিইউযুক্ত একটি সার্ভারে ব্যবহারযোগ্য হয়। তাঁদের সফটওয়্যার হাগিং ফেস ট্রান্সফর্মার্সে যুক্ত হয়েছে।
তাঁরা একটি সীমাও বলেছেন। ৬.৭ বিলিয়নের কম প্যারামিটারের মডেলে ৮-বিট পদ্ধতি ১৬-বিটের চেয়ে ধীর চলতে পারে, যদিও সেগুলো বেশির ভাগ জিপিইউতেই ধরে, আর ১৭৫ বিলিয়ন প্যারামিটারের মডেলের বড় ম্যাট্রিক্স গুণে তা প্রায় দ্বিগুণ দ্রুত।
GPTQ: প্রশিক্ষণের পর প্রায় চার জিপিইউ-ঘণ্টায় সংকোচন
LLM.int8() ৮ বিট রাখে। ইলিয়াস ফ্রান্টার, সালেহ আশকবুস, টর্স্টেন হোয়েফলার আর ড্যান আলিস্তার্হের GPTQ গবেষণাপত্র নামতে চেয়েছিল আরও নিচে, আর পুনঃপ্রশিক্ষণ ছাড়াই। এটি ওয়ান-শট পদ্ধতি, অর্থাৎ তৈরি মডেলকে আনুমানিক দ্বিতীয়-ক্রমের তথ্য দিয়ে এক পাসে গোল করা হয়, আর লেখকরা জানান একটি A100-এ প্রায় চার জিপিইউ-ঘণ্টায় একটি ১৭৫ বিলিয়ন প্যারামিটারের মডেল কোয়ান্টাইজ করা হয়েছে।
এর প্রধান ছকটি OPT-175B-তে, WikiText2 পারপ্লেক্সিটিতে মাপা। ১৬-বিট মডেল পায় ৮.৩৪। ৪ বিটে GPTQ পায় ৮.৩৭, আর সাদামাটা নিকটতম-গোল-করা পায় ১০.৫৪। ৩ বিটে নিকটতম-গোল-করা ধসে যায় প্রায় ৭,৩০০-তে, আর GPTQ পায় ৮.৬৮। লেখকরা নির্ভুলতার ক্ষতিকে নগণ্য বলেন এবং লক্ষ করেন যে বড় মডেল সাধারণত কোয়ান্টাইজ করা সহজ মনে হয়েছে, OPT-66B ব্যতিক্রম।
মেমরির হিসাব গবেষণাপত্রে আছে। ৩ বিটে OPT-175B নেয় প্রায় ৬৩ জিবি, তার ওপর ২,০৪৮ টোকেনে অতীতের কী ও ভ্যালুর ক্যাশের জন্য প্রায় ৯ জিবি, ফলে সেটি একটি ৮০ জিবি কার্ডে ধরে। লেখকরা বলেন ১৬-বিটে চালাতে এমন পাঁচটি কার্ড লাগে আর LLM.int8()-এ তিনটি। তাঁরা এও জানান ১৬-বিটের চেয়ে জেনারেশন A100-এ ৩.২৫ গুণ আর সস্তা A6000-এ ৪.৫ গুণ দ্রুত, আর বলেন লাভ আসে কম মেমরি লোড করা থেকে, কারণ মূলধারার হার্ডওয়্যার তখনো ১৬-বিটকে ৪-বিট সংখ্যা দিয়ে সরাসরি গুণ করতে পারত না।
AWQ: ১ শতাংশ ওয়েট রক্ষা করো, বাছাই হয় অ্যাক্টিভেশন দেখে
AWQ গবেষণাপত্রের প্রথম লেখক জি লিন, আর সংশ্লিষ্ট লেখক এমআইটির সং হান। তা শুরু হয় একটি পর্যবেক্ষণ থেকে: সব ওয়েট সমান গুরুত্বপূর্ণ নয়। মাত্র প্রায় ১ শতাংশ ওয়েট ১৬ বিটে রাখলে বাকিগুলো কম নির্ভুলতায় গোল করার ক্ষতি অনেক কমে।
কোন ১ শতাংশ, সেটাই আবিষ্কার। তার ১ নম্বর ছকে ব্যবহার হয়েছে OPT-6.7B, ৩ বিটে, ১২৮ ওয়েটের গ্রুপসহ, WikiText পারপ্লেক্সিটিতে মাপা, যেখানে ১৬-বিট মডেল পায় ১০.৮৬ আর নিকটতম-গোল-করা পায় ২৩.৫৪। ১ শতাংশ ওয়েট ১৬ বিটে রাখলে, ওগুলোয় যে অ্যাক্টিভেশন ঢোকে তার মাপ দেখে বাছাই করে, পাওয়া যায় ১১.৩৯। একই ভাগ ওয়েটের নিজের মাপ দেখে বাছলে ২২.৩৭, আর এলোমেলো বাছলে ২৪.২৩। গুরুত্বপূর্ণ ওয়েট চেনা যায় মডেলের ভেতর দিয়ে বয়ে যাওয়া ডেটা থেকে, ওয়েট থেকে নয়।
১৬-বিট ও ৪-বিট মেশানো সংরক্ষণ হার্ডওয়্যারের জন্য ঝামেলার, তাই AWQ গুরুত্বপূর্ণ চ্যানেলগুলোকে গোল করার আগে স্কেল বাড়ায়, যাতে ভাগ ছাড়াই কাছাকাছি নম্বর আসে। লেখকরা এটিকে TinyChat নামের একটি ইনফারেন্স সিস্টেমের সঙ্গে জুড়েছেন, আর ডেস্কটপ, ল্যাপটপ ও মোবাইল জিপিইউতে হাগিং ফেসের ১৬-বিট কোডের চেয়ে গড়ে ৩.২ থেকে ৩.৩ গুণ গতি বাড়ার কথা জানান। তাঁরা জানান ৬৪ জিবির একটি Jetson Orin-এ Llama-2-70B আর ৮ জিবির ল্যাপটপ RTX 4070-তে সেকেন্ডে ৩০ টোকেনে ১৩ বিলিয়ন প্যারামিটারের একটি মডেল। এগুলো লেখকদের নিজেদের পরিমাপ। গবেষণাপত্রের ২০২৬ সালের সংশোধিত সংস্করণে MLSys 2024 বেস্ট পেপার অ্যাওয়ার্ডের উল্লেখ আছে।
LoRA ও QLoRA: জমাট ৪-বিট মডেলের ফাইন-টিউনিং
ফাইন-টিউনিং নতুন ডেটায় মডেলকে আবার প্রশিক্ষণ দেয়, আর তাতে মডেল চালানোর চেয়ে অনেক বেশি মেমরি লাগে। ২০২১ সালের জুনে মাইক্রোসফটের এডওয়ার্ড হু ও সহকর্মীদের LoRA প্রি-ট্রেন করা ওয়েট জমাট রেখে বদলে প্রশিক্ষণ দেয় ছোট যোগ-করা ম্যাট্রিক্স। GPT-3 175B-র জন্য লেখকরা জানান অ্যাডাম অপটিমাইজারে ফাইন-টিউনিংয়ের চেয়ে প্রশিক্ষণযোগ্য প্যারামিটার ১০,০০০ গুণ কম আর জিপিইউ মেমরি ৩ গুণ কম, তাঁদের পরীক্ষা করা মডেলে মান সমান বা ভালো, আর মডেল চলার সময় বাড়তি দেরি নেই।
QLoRA দুটি ধারণা জুড়েছে। এটি প্রি-ট্রেন করা মডেল ৪ বিটে জমাট রাখে আর গ্র্যাডিয়েন্ট তার ভেতর দিয়ে LoRA অ্যাডাপ্টারে পাঠায়। গবেষণাপত্র তিনটি অংশ যোগ করে। NormalFloat 4, বা NF4, প্রশিক্ষিত ওয়েটের ঘণ্টা-বক্ররেখার আকারের সঙ্গে মিলিয়ে ১৬টি মান সাজায়, যাতে প্রতিটি মান প্রায় সমান সংখ্যক ওয়েট ঢাকে। ডাবল কোয়ান্টাইজেশন স্কেল ধ্রুবককেও গোল করে, প্যারামিটার প্রতি প্রায় ০.৩৭ বিট বাঁচায়, অর্থাৎ ৬৫ বিলিয়ন প্যারামিটারের মডেলে প্রায় ৩ জিবি। পেজড অপটিমাইজার জিপিইউ-র জায়গা কমে এলে প্রশিক্ষণের অবস্থা সিপিইউ মেমরিতে সরিয়ে নেয়।
লেখকরা জানান, এতে ৬৫ বিলিয়ন প্যারামিটারের ফাইন-টিউনিং ৭৮০ জিবির বেশি থেকে ৪৮ জিবির নিচে নামে, তাঁদের পরীক্ষা করা কাজে ১৬-বিট ফাইন-টিউনিংয়ের তুলনায় কোনো ক্ষতি ছাড়াই। তাঁরা গুয়ানাকো নামের মডেল প্রকাশ করেন। গবেষণাপত্র গুয়ানাকো 65B-কে ৪১ জিবি আর গুয়ানাকো 7B-কে ৫ জিবি বলেছে, যা তার ভাষায় আধুনিক ফোনে ধরে।
আজ যে ফরম্যাটগুলো চলছে
হাগিং ফেসের ওভারভিউ পাতা, ২০২৬ সালের ১২ নভেম্বর পড়া, তার সামঞ্জস্য-ছকে ২২টি কোয়ান্টাইজেশন পদ্ধতি তালিকাভুক্ত করেছে। ছকে আছে ৪ বিটে AWQ, ৪ ও ৮ বিটে bitsandbytes (যে লাইব্রেরির লিংক QLoRA গবেষণাপত্র দিয়েছে), ৪ বিটে NVFP4 আর ৮ বিটের দুটি FP8 পদ্ধতি, সঙ্গে llama.cpp-র জন্য GGUF এবং GPT-QModel, যে টুলকিটের নিজের README GPTQ-কে তার ফরম্যাটের তালিকায় রেখেছে।
GGUF হলো llama.cpp-র ফাইল ফরম্যাট, যা সাধারণ কম্পিউটারে মডেল চালানোর একটি প্রোগ্রাম। এর স্পেসিফিকেশন বর্ণনা করে একটি একক ফাইল, যাতে ওয়েট আর তা লোড করার সবকিছু থাকে। llama.cpp README বলছে কোয়ান্টাইজেশন মডেলকে ছোট করে এবং দ্রুতও করতে পারে, তাতে নির্ভুলতার ক্ষতি হতে পারে যা সাধারণত মাপা হয় পারপ্লেক্সিটি বা কেএল ডাইভারজেন্স দিয়ে, আর ক্ষতি কমানো যায় ইম্পর্ট্যান্স ম্যাট্রিক্স দিয়ে, যা কোন ওয়েট বেশি গুরুত্বপূর্ণ তা ঠিক করার একটি ডেটা-ফাইল।
FP8 আট বিটই রাখে, তবে খরচ করে একটি ছোট ফ্লোটিং-পয়েন্ট সংখ্যা হিসেবে। পাউলিয়াস মিকিভিসিয়াস ও ১৪ জন সহ-লেখকের ২০২২ সালের একটি গবেষণাপত্র E4M3 ও E5M2 নামে দুটি বিন্যাস প্রস্তাব করে এবং ১৭৫ বিলিয়ন প্যারামিটার পর্যন্ত প্রশিক্ষণ রানে ১৬-বিটের সমান মান পাওয়ার কথা জানায়। NVIDIA-র ২০২৫ সালের ২৪ জুনের NVFP4 পোস্ট একটি ৪-বিট ফরম্যাট বর্ণনা করে, যা ১৬-বিটের তুলনায় মেমরি প্রায় ৩.৫ গুণ কমায়, আর DeepSeek-R1-0528-এ সাতটি মূল্যায়নে FP8-এর তুলনায় ১ শতাংশ বা তার কম নির্ভুলতার ক্ষতির কথা জানায়। সংখ্যাটি NVIDIA-র নিজের ফরম্যাটের নিজের পরীক্ষা।
প্রতিটি দাবি কীসের ওপর দাঁড়িয়ে
ওপরের প্রতিটি ফল একটি নির্দিষ্ট মডেল আর নির্দিষ্ট পরীক্ষার। GPTQ-র সংখ্যা OPT ও BLOOM-এর পারপ্লেক্সিটি, AWQ-র ছক OPT ও Llama-2 ব্যবহার করেছে, আর NVFP4-এর সংখ্যা একটি মডেলের। পারপ্লেক্সিটি মাপে মডেল টেক্সট কত ভালো অনুমান করে, যা ব্যবহারকারীর কাছে মডেল কতটা কাজের তার সমান নয়। llama.cpp README নিজেই বলে কোয়ান্টাইজ-করা মডেল নির্ভুলতা হারাতে পারে।
QLoRA-র সবচেয়ে বেশি উদ্ধৃত সংখ্যা ৯৯.৩ শতাংশ। এটি Vicuna বেঞ্চমার্কে ChatGPT-র তুলনায় গুয়ানাকো 65B-র নম্বর, ৮০টি প্রম্পটের একটি পরীক্ষা, যেখানে GPT-4 বিচারক হয়ে দুটি উত্তরেই নম্বর দেয়, আর গবেষণাপত্রের ছকে ৯৫ শতাংশ আস্থা-ব্যবধান যোগ-বিয়োগ ৪.৪ পয়েন্ট। লেখকরা বলেন ছকজুড়ে ব্যবধানগুলো খুব চওড়া আর অনেক মডেল একে অপরের ওপর পড়ে, এবং সিদ্ধান্তে আসেন যে বর্তমান চ্যাটবট বেঞ্চমার্ক চ্যাটবটের কর্মক্ষমতা মাপার জন্য নির্ভরযোগ্য নয়। সমস্যাটি আছে এআই বেঞ্চমার্ক নিয়ে লেখায়। যে মডেলগুলোকে এভাবে চেপে ছোট করা হয়, সেগুলো কীভাবে তৈরি হয় তা আছে বড় ভাষা মডেল প্রশিক্ষণের ব্যাখ্যায়।
ভারতীয় ডিভাইসের জন্য ছোট মডেল
সারভাম এআইয়ের ২০২৬ সালের ১৪ ফেব্রুয়ারির পোস্ট, যা সারভাম এজ ঘোষণা করেছে, বলছে তার মডেলগুলো তৈরি হয়েছে মানুষের হাতে এখনই থাকা ডিভাইসে চলার জন্য। এতে তালিকা আছে প্রায় ১৫ কোটি প্যারামিটারের একটি অনুবাদ মডেলের, ডিভাইসে প্রায় ৩৩৪ এমবি, ১০টি ভারতীয় ভাষা ও ইংরেজি জুড়ে, আর সে কোন কোয়ান্টাইজেশন ফরম্যাট ব্যবহার করে, আদৌ করলে, তা বলেনি। ফোনের দিকের ছবি আছে ফোনে ছোট মডেল নিয়ে দেখায়, আর ব্যাপকতর উদ্যোগ আছে ভারতের নিজের ভাষার এআই নিয়ে লেখায়।
সূত্র ও আরও পড়ার জন্য
- Dettmers, Lewis, Belkada and Zettlemoyer: LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale (arXiv:2208.07339, NeurIPS 2022)
- Frantar, Ashkboos, Hoefler and Alistarh: GPTQ, Accurate Post-Training Quantization for Generative Pre-trained Transformers (arXiv:2210.17323, ICLR 2023)
- Lin et al.: AWQ, Activation-aware Weight Quantization for LLM Compression and Acceleration (arXiv:2306.00978, MLSys 2024)
- Dettmers, Pagnoni, Holtzman and Zettlemoyer: QLoRA, Efficient Finetuning of Quantized LLMs (arXiv:2305.14314, 23 May 2023)
- Hu et al.: LoRA, Low-Rank Adaptation of Large Language Models (arXiv:2106.09685, 17 June 2021)
- Micikevicius et al.: FP8 Formats for Deep Learning (arXiv:2209.05433, 12 September 2022)
- Hugging Face: Transformers documentation, Quantization overview
- ggml-org: llama.cpp quantize tool README
- ggml-org: GGUF file format specification
- NVIDIA Technical Blog: Introducing NVFP4 for Efficient and Accurate Low-Precision Inference (24 June 2025)
- Sarvam AI: Announcing Sarvam Edge (14 February 2026)
এই লেখাটি AI সরঞ্জামের সহায়তায় গবেষণা ও রচনা করা হয়েছে এবং নির্ভুলতার জন্য সম্পাদনা করা হয়েছে। এটি কেবল সাধারণ তথ্য ও আলোচনার জন্য, পেশাদার পরামর্শ নয়। আমাদের সম্পাদকীয় মান ও দাবিত্যাগ দেখুন। কোনো ভুল চোখে পড়ল? আমাদের জানান।
ভালো লাগল? পরেরটিও পড়ুন।
একবারে একটি ভালো লেখা, সরাসরি আপনার ইনবক্সে। কোনো স্প্যাম নয়, যখন খুশি বন্ধ করতে পারেন।