অলঙ্করণ: tuput
বাংলা
DeepSeek-এর R1 গবেষণাপত্র নেচারে প্রকাশিত হয় ২০২৫ সালের ১৭ সেপ্টেম্বর (খণ্ড ৬৪৫, পৃষ্ঠা ৬৩৩ থেকে ৬৩৮)। তাতে বলা হয়েছে, শুধু শেষ উত্তর ঠিক হওয়ার জন্য পুরস্কার পেলে, মানুষের লেখা সমাধানের নমুনা নকল করা ছাড়াই একটি ভাষা মডেল নিজে যাচাই করতে করতে লম্বা সমাধান লিখতে শিখতে পারে। জার্নালটি আটজন রেফারির রিপোর্ট আর লেখকদের উত্তরও প্রকাশ করেছে।
২০২৫ সালের ১৭ সেপ্টেম্বর নেচার হাংঝোর কোম্পানি DeepSeek-এর রিজনিং মডেল DeepSeek-R1-এর গবেষণাপত্র প্রকাশ করে, খণ্ড ৬৪৫, পৃষ্ঠা ৬৩৩ থেকে ৬৩৮। এর কেন্দ্রীয় ফল হলো, শুধু শেষ উত্তর ঠিক হওয়ার জন্য পুরস্কার পেলে, মানুষের লেখা সমাধানের নমুনা নকল করা ছাড়াই একটি ভাষা মডেল নিজে যাচাই করতে করতে লম্বা সমাধান লিখতে শিখতে পারে। ২০২৪ সালের আমেরিকান ইনভাইটেশনাল ম্যাথমেটিকস এক্সামিনেশনে (এআইএমই), অর্থাৎ হাইস্কুলের ছাত্রছাত্রীদের একটি মার্কিন গণিত প্রতিযোগিতায়, যেখানে উত্তর একটিমাত্র সংখ্যা, মডেলের প্রথম সংস্করণ R1-Zero প্রশিক্ষণের সময় গড়ে ১৫.৬% সঠিক থেকে বেড়ে ৭৭.৯%-এ পৌঁছায়, গবেষণাপত্রের ১ নম্বর চিত্র অনুযায়ী। কয়েকটি নমুনা উত্তরের মধ্যে সংখ্যাগরিষ্ঠের ভোট নিলে তা ৮৬.৭%-এ ওঠে।
নেচার গবেষণাপত্রের সঙ্গে রেফারিদের রিপোর্ট আর লেখকদের উত্তর প্রকাশ করেছে, আর তার পরিপূরক পাতায় আছে প্রশিক্ষণের খরচ: লেখকদের ধরা জিপিইউ ভাড়ার দামে ২,৯৪,০০০ ডলার। এর পরে ব্যাখ্যা করা হয়েছে এমন মডেল কীভাবে প্রশিক্ষিত হয়, প্রতিটি ধারণা কোথা থেকে এসেছে, আর পিয়ার রিভিউ কী বদলেছে।
গবেষণাপত্র কী দাবি করে
R1-Zero শুরু হয় DeepSeek-V3 Base থেকে, যে মডেল আগেই ওয়েব টেক্সটে প্রি-ট্রেন করা (এই প্রি-ট্রেনিং ধাপ আমাদের প্রশিক্ষণ-ব্যাখ্যায় আছে)। তারপর লেখকরা রিইনফোর্সমেন্ট লার্নিং প্রয়োগ করেন, যা পরীক্ষা-ভুলের পদ্ধতি: মডেলের নিজের উত্তরগুলোয় নম্বর দেওয়া হয় আর মডেলকে ঠেলে দেওয়া হয় ভালো নম্বর পাওয়া উত্তরগুলোর দিকে। তাঁরা সচরাচর ব্যবহৃত সুপারভাইজড ফাইন-টিউনিং ধাপটি বাদ দেন, যে ধাপে মানুষ সমাধানের নমুনা জোগায় আর মডেল তা অনুকরণ করে। পুরস্কার নির্ভর করত শুধু শেষ উত্তর জানা সঠিক উত্তরের সঙ্গে মেলে কি না তার ওপর। গঠন নিয়ে একমাত্র নির্দেশ ছিল একটি ছাঁচ, যেখানে মডেলকে বলা হয় যুক্তি রাখতে think ট্যাগের মধ্যে আর উত্তর answer ট্যাগের মধ্যে।
গবেষণাপত্র বলছে, প্রশিক্ষণ চলতে চলতে উত্তর লম্বা হতে থাকে আর তাতে যাচাই, ফিরে ভাবা ও বিকল্প পথ খুঁজে দেখা ঢুকে পড়ে, যদিও লেখকরা মডেলকে স্পষ্ট করে যুক্তি করা শেখাননি। R1-Zero-র কিছু ত্রুটি ছিল: তার লেখা পড়া কঠিন ছিল আর কখনো কখনো একই উত্তরে ইংরেজি ও চীনা মিশে যেত। তাই দলটি DeepSeek-R1 গড়ে ধাপে ধাপে। শুরুতে কথোপকথনের ভঙ্গিতে লেখা হাজার হাজার কোল্ড-স্টার্ট উদাহরণ, তারপর রিইনফোর্সমেন্ট লার্নিং, তারপর রিজেকশন স্যাম্পলিং (মডেলের শুধু ভালো আউটপুটগুলো রেখে দেওয়া) আর সুপারভাইজড ফাইন-টিউনিংয়ের দ্বিতীয় দফা, আর শেষে উপকারী ও নিরীহ হওয়ার লক্ষ্যে দ্বিতীয় একটি রিইনফোর্সমেন্ট ধাপ।
DeepSeek-এর রিলিজ নোট মডেলটির তারিখ দেয় ২০২৫ সালের ২০ জানুয়ারি এবং বলে কোড আর মডেল এমআইটি লাইসেন্সে, সঙ্গে ছয়টি ছোট ডিস্টিলড মডেলও প্রকাশিত হয়েছে। মডেল কার্ডে DeepSeek এআইএমই ২০২৪-এ R1-কে ৭৯.৮% দেখিয়েছে, আর যে মডেলের ওপর তা গড়া সেই DeepSeek-V3-কে ৩৯.২%, প্রতি প্রশ্নে ৬৪টি নমুনা উত্তর আর ০.৬ তাপমাত্রা ধরে। মডেলটির উত্তরসূরিদের কথা আছে চীনের ওপেন-ওয়েট মডেল নিয়ে আমাদের লেখায়। ২০২৬ সালের ১২ নভেম্বর আমরা মডেলটির হাগিং ফেস পাতা খুললে সেখানে মোট প্রায় ৫১.৫ মিলিয়ন ডাউনলোড দেখা গিয়েছিল।
গবেষণাপত্র যে তিনটি আগের ধারণার ওপর দাঁড়িয়ে
মডেল নিজের ধাপগুলো লিখে ফেললে ভালো করে, এই ধারণা প্রথম এসেছিল প্রম্পটিং থেকে। গুগলের জেসন ওয়েই ও সহকর্মীরা ২০২২ সালের ২৮ জানুয়ারি চেইন-অফ-থট গবেষণাপত্র পোস্ট করেন। তাঁদের হিসাবে ৫৪০ বিলিয়ন প্যারামিটারের একটি মডেল মাত্র আটটি সমাধানের নমুনা দেখে জিএসএম৮কে-তে, স্কুল-স্তরের গণিতের গল্প-সমস্যার একটি সংকলনে, সে-সময়ের সর্বোচ্চ নির্ভুলতায় পৌঁছায়। ২০২২ সালের ২৪ মে তাকেশি কোজিমা ও সহকর্মীরা দেখান, “Let’s think step by step” (“এসো ধাপে ধাপে ভাবি”) কথাগুলো জুড়ে দিলে একটি বড় মডেলের নির্ভুলতা মাল্টিঅ্যারিথে ১৭.৭% থেকে ৭৮.৭% আর জিএসএম৮কে-তে ১০.৪% থেকে ৪০.৭%-এ ওঠে, কোনো নমুনা ছাড়াই।
তৃতীয় সূত্রটি ছিল ধাপগুলোর ওপরই প্রতিক্রিয়া। ২০২৩ সালের ৩১ মে পোস্ট করা এক গবেষণাপত্রে ওপেনএআইয়ের গবেষকরা শুধু শেষ ফলের জন্য পুরস্কার দেওয়ার সঙ্গে প্রতিটি মাঝের ধাপের জন্য পুরস্কার দেওয়ার তুলনা করেন। ম্যাথ ডেটাসেটে ধাপ-স্তরের প্রতিক্রিয়াই জেতে, সেরা মডেলটি একটি প্রতিনিধিত্বমূলক উপসংকলনের ৭৮% সমাধান করে, আর দলটি প্রকাশ করে PRM800K, মানুষের লেখা ৮,০০,০০০টি ধাপ-স্তরের লেবেল।
এগুলোর প্রতিটিতে মানুষ লাগত: উদাহরণের জন্য, কিংবা প্রতিটি ধাপের লেবেলের জন্য। নেচার গবেষণাপত্রের ভূমিকার যুক্তি, মানুষের টীকা-লেখা যুক্তি-ধারার ওপর নির্ভর করলে প্রসার ধীর হয় আর মডেল যে উদাহরণ দেখেছে তার মানেই আটকে যায়। তাদের পরীক্ষা ছিল, শুধু পুরস্কার থেকেই কি একটি বেস মডেল ভালো যুক্তির কৌশল খুঁজে পেতে পারে।
গণিতের উত্তরে কেন যন্ত্র দিয়েই নম্বর দেওয়া যায়
যুক্তির কাজে লেখকরা দুই ধরনের নিয়মভিত্তিক পুরস্কার ব্যবহার করেন। নির্ভুলতার পুরস্কার উত্তর যাচাই করে: গণিতের সমস্যায় শেষ উত্তর দিতে হয় একটি নির্দিষ্ট ছকে, যেমন বাক্সের ভেতরে, ফলে একটি প্রোগ্রাম তা উত্তরমালার সঙ্গে মেলাতে পারে, আর কোড চালানো হয় কম্পাইলার দিয়ে, আগে ঠিক-করা টেস্ট কেসের বিরুদ্ধে। ফরম্যাটের পুরস্কার দেখে যুক্তি ট্যাগের ভেতরে আছে কি না। দুটি সমান ওজনে যোগ হয়।
যুক্তির কাজে তাঁরা শেখা রিওয়ার্ড মডেল, অর্থাৎ উত্তরে নম্বর দেওয়া দ্বিতীয় একটি নিউরাল নেটওয়ার্ক, ব্যবহার না করাই বেছে নেন। গবেষণাপত্রের বক্তব্য, বড় মাপের প্রশিক্ষণে এ ধরনের মডেলে রিওয়ার্ড হ্যাকিংয়ের ঝুঁকি থাকে, অর্থাৎ মডেল সমস্যার সমাধানের বদলে নম্বর-দাতাকে খুশি করতে শেখে, আর সেগুলো আবার প্রশিক্ষণ দিতে বাড়তি কম্পিউটিং লাগে।
শেখার পদ্ধতিটি গ্রুপ রিলেটিভ পলিসি অপটিমাইজেশন, সংক্ষেপে GRPO। প্রতিটি প্রশ্নের জন্য মডেল একগুচ্ছ উত্তর লেখে, R1-Zero-র রানে ১৬টি। প্রতিটি উত্তরের পুরস্কার তুলনা করা হয় গুচ্ছের গড় ও ছড়ানোর সঙ্গে, আর গড়ের ওপরের উত্তরগুলো বেশি সম্ভাব্য করে তোলা হয়। নেচার গবেষণাপত্রের চিত্র-ক্যাপশন বলছে, এতে সুবিধা (অ্যাডভান্টেজ) আন্দাজ করা হয় সরাসরি গুচ্ছের নম্বর থেকে, পুরোনো পিপিও পদ্ধতির আলাদা ভ্যালু ফাংশন ছাড়াই। GRPO-র সূচনা DeepSeek-এর দলই করে ২০২৪ সালের ৫ ফেব্রুয়ারির DeepSeekMath গবেষণাপত্রে, যেখানে ৭ বিলিয়ন প্যারামিটারের একটি মডেল ম্যাথ বেঞ্চমার্কে ৫১.৭%-এ পৌঁছায়। নেচার গবেষণাপত্র সেই কাজ উদ্ধৃত করে এবং তার মেথডস অংশে পদ্ধতিটি বর্ণনা করে।
R1-Zero প্রশিক্ষণ পেয়েছিল ১০,৪০০ ধাপ। প্রতিটি ধাপে ছিল ৩২টি প্রশ্ন, প্রতিটির ১৬টি উত্তর, অর্থাৎ ৫১২টি উত্তর, আর দৈর্ঘ্যের সীমা ৩২,৭৬৮ টোকেন, যা ৮,২০০ ধাপের পর ৬৫,৫৩৬-এ তোলা হয়।
প্রশিক্ষণের রেখাচিত্রগুলো কী দেখাল
গবেষণাপত্র জানায়, প্রশিক্ষণের সময় উত্তরের গড় দৈর্ঘ্য ধীরে ধীরে বেড়েছে, আর মডেল নিজের কাজ যাচাই করতে করতে শত শত থেকে হাজার হাজার টোকেন লিখতে শিখেছে। এক্সটেন্ডেড ডেটা চিত্রে আউটপুটে “wait”, “mistake” ও “verify”-র মতো ফিরে-ভাবার শব্দ গোনা হয়েছে। “wait” শব্দটি শুরুর দিকে প্রায় ছিলই না, ৪,০০০ থেকে ৭,০০০ ধাপের মধ্যে মাঝেমধ্যে এসেছে, আর ৮,০০০ ধাপের পর তীব্রভাবে বেড়েছে। লেখকরা একটি মাঝের উদাহরণকে বলেন “aha moment”।
রেফারিরা এই ব্যাখ্যাটিকে সাবধানে দেখেছেন। একজন লিখেছেন, অন্য একটি দল ছোট মাপে প্রভাবটি আবার ঘটিয়েছে, আর যোগ করেছেন যে আলাদা একটি গবেষণাপত্র ইঙ্গিত দেয় aha moment অনেকটাই বেস মডেলের মানের প্রতিফলন হতে পারে। আরেকজন লক্ষ করেছেন, সব মূল্যায়নই শুধু শেষ উত্তরে নম্বর দেয়, মাঝের লেখায় নয়, তাই লেখা ধাপগুলোর সংগতি মাপা হয় না। তাই এই লেখায় সেগুলোকে বর্ণনা করা হয়েছে মডেলের লিখে ফেলা মাঝের ধাপ হিসেবে, আর দাবি করা হয়নি যে মডেল ভাবে।
প্রশিক্ষণের খরচের হিসাবে কী আছে
পরিপূরক তথ্যে আছে R1-Zero-র জন্য ১,০১,০০০ H800 জিপিইউ ঘণ্টা, ফাইন-টিউনিংয়ের ডেটা তৈরিতে ৫,০০০ ঘণ্টা আর R1-এর জন্য ৪১,০০০ ঘণ্টা, সব মিলিয়ে ১,৪৭,০০০। জিপিইউ-ঘণ্টায় ২ ডলার ভাড়া ধরলে হয় ২,৯৪,০০০ ডলার। রানে ব্যবহার হয় ৬৪ গুণ ৮ H800 জিপিইউ, অর্থাৎ ৫১২টি চিপ, R1-Zero-র জন্য প্রায় ১৯৮ ঘণ্টা আর R1-এর জন্য প্রায় ৮০ ঘণ্টা। লেখকরা বলেন, তাঁরা আগে ৩০ বিলিয়ন প্যারামিটারের একটি মডেলে A100 জিপিইউ দিয়ে প্রস্তুতি নিয়েছিলেন।
অঙ্কটি শুধু যুক্তির ধাপগুলোর। নেচারের জন্য প্রতিবেদন করতে গিয়ে সায়েন্টিফিক আমেরিকান লিখেছে, বেস মডেলের জন্য DeepSeek যে প্রায় ৬ মিলিয়ন ডলার খরচ করেছে, এটি তার ওপরে। পরিপূরক পাতায় DeepSeek-V3-কে বর্ণনা করা হয়েছে ৬৭১ বিলিয়ন প্যারামিটারের, প্রতিটি টোকেনের জন্য ৩৭ বিলিয়ন সক্রিয়, ১৪.৮ ট্রিলিয়ন টোকেনে প্রশিক্ষিত।
রেফারিরা কী চেয়েছিলেন, আর কী বদলাল
পাণ্ডুলিপি জমা পড়ে ২০২৫ সালের ১৪ ফেব্রুয়ারি, গৃহীত হয় ১৭ জুলাই আর প্রকাশিত হয় ১৭ সেপ্টেম্বর। নেচারের সম্পাদকীয় বলছে, আটজন বিশেষজ্ঞ এটি পর্যালোচনা করেছেন আর রিপোর্ট ও উত্তরগুলো সঙ্গে প্রকাশ হয়েছে। নামধারী পর্যালোচকদের একজন, হাগিং ফেসের লুইস টানস্টল, নেচারকে বলেন, এই রীতি “a very welcome precedent”, অর্থাৎ অত্যন্ত স্বাগত একটি নজির। ওহাইও স্টেট ইউনিভার্সিটির হুয়ান সান বলেন, “Other firms should do the same”, মানে অন্য কোম্পানিরও এমন করা উচিত।
কয়েকটি পরিবর্তন নথিভুক্ত আছে। একজন রেফারি লেখকদের অনুরোধ করেন মডেলের মাঝের লেখাকে মানুষের ভাষায় বর্ণনা করা কমাতে। লেখকরা শব্দগুলো সরিয়ে দেন, আর তাঁদের উত্তরে স্বীকার করেন যে মানুষের মতো ধরন ব্যবহারকারীকে আউটপুটে অতিরিক্ত ভরসা করতে নিয়ে যেতে পারে, এবং সংশোধিত লেখায় এই ঝুঁকিটি যোগ করেন। রেফারিরা দূষণ নিয়েও প্রশ্ন তোলেন, যেখানে পরীক্ষার প্রশ্ন প্রশিক্ষণের ডেটায় ঢুকে পড়ে (এআই বেঞ্চমার্কের নিরীক্ষা দেখায় নির্মাতাদের সংখ্যা কেন সাবধানে পড়া হয়)। নেচারের সম্পাদকীয় অনুযায়ী, DeepSeek তার সুরক্ষার বিবরণ দিয়েছে এবং মডেল প্রকাশের পরে প্রকাশিত বেঞ্চমার্কে বাড়তি মূল্যায়ন যোগ করেছে। পরিপূরক পাতায় আছে এআইএমই ২০২৫-এ ৭৫%, যার বিপরীতে ওপেনএআইয়ের o1-1217-এর ৮০%, আর এএমসি ১২ ২০২৪ প্রতিযোগিতায় ১৫০-র মধ্যে ১৪৩.৭, যার বিপরীতে o1-1217-এর ১৪১.০, সবই DeepSeek-এর নিজস্ব পরীক্ষায়। সেখানে এও স্বীকার করা হয়েছে যে দূষণ ঠেকাতে ব্যবহৃত এন-গ্রাম ছাঁকনি অন্যভাবে বলা পরীক্ষার প্রশ্ন ধরতে পারে না, ফলে ২০২৪-এর আগে প্রকাশিত বেঞ্চমার্ক এখনো প্রভাবিত হতে পারে।
তৃতীয় পরিবর্তনটি একটি নিরাপত্তা অংশ। নেচারের সম্পাদকীয় বলছে, পর্যালোচকরা নিরাপত্তা-পরীক্ষা নিয়ে তথ্যের অভাবের কথা তোলেন, আর গবেষণাপত্রে এখন R1-কে প্রতিদ্বন্দ্বী মডেলের সঙ্গে তুলনা করা হয়েছে; তার সিদ্ধান্ত, R1-এর স্বকীয় নিরাপত্তার স্তর মাঝারি, ২০২৪ সালের ১৩ মে-র GPT-4o-র সঙ্গে তুলনীয়। ওপেনএআইয়ের ডেটার প্রশ্নে সায়েন্টিফিক আমেরিকান জানায়, DeepSeek রেফারিদের বলেছে R1 ওপেনএআইয়ের মডেলের তৈরি যুক্তির উদাহরণ নকল করে শেখেনি, তবে স্বীকার করেছে যে তার বেস মডেল এমন ওয়েব পাতায় প্রশিক্ষিত, যেগুলোতে এআই-তৈরি লেখা থাকবেই। সান এই খণ্ডনকে বলেন “as convincing as what we could see in any publication”, অর্থাৎ যেকোনো প্রকাশনায় আমরা যা দেখতে পারতাম তার মতোই বিশ্বাসযোগ্য; টানস্টল বলেন তিনি পুরোপুরি নিশ্চিত হতে পারেন না, তবে অন্য ল্যাবের নকল করার চেষ্টাগুলো ইঙ্গিত দেয় যে রেসিপিটি তা ছাড়াই কাজ করে। প্রশিক্ষণের ডেটা নিজে প্রকাশ করা হয়নি, যা একজন রেফারি পুনরুৎপাদনের সীমাবদ্ধতা হিসেবে চিহ্নিত করেছেন।
লেখকরা যা অমীমাংসিত বলে তালিকাভুক্ত করেছেন
গবেষণাপত্রের নিজের সীমাবদ্ধতার অংশে কয়েকটি বিষয়ের নাম আছে। R1-এর কাঠামোবদ্ধ আউটপুট বিদ্যমান মডেলগুলোর চেয়ে দুর্বল, আর সে সার্চ ইঞ্জিন বা ক্যালকুলেটরের মতো টুল ব্যবহার করতে পারে না। সহজ প্রশ্নেও সে কখনো কখনো অনেক টোকেন খরচ করে। সে চীনা ও ইংরেজির জন্য টিউন করা, আর অন্য ভাষায় প্রশ্ন করলেও ইংরেজিতে যুক্তি করতে পারে। ফিউ-শট প্রম্পটিং তাকে খারাপ করে, তাই লেখকরা সমস্যাটি সরাসরি বর্ণনা করার পরামর্শ দেন। সফটওয়্যার-ইঞ্জিনিয়ারিং পরীক্ষা চালাতে বেশি সময় লাগে বলে সেখানে বড় মাপের রিইনফোর্সমেন্ট লার্নিং প্রায় প্রয়োগই হয়নি, আর ওই বেঞ্চমার্কে R1 DeepSeek-V3-এর চেয়ে বড় কোনো উন্নতি দেখায় না।
পদ্ধতিটির দরকার একটি নির্ভরযোগ্য যাচাইকারী। লেখার মতো যে কাজে কোনো নিয়ম দিয়ে উত্তরে নম্বর দেওয়া যায় না, সেখানে লেখকরা মানুষের টীকা-করা ডেটা আর মাত্র কয়েকশো রিইনফোর্সমেন্ট ধাপ ব্যবহার করেছেন। সাধারণ ডেটার জন্য মডেল-ভিত্তিক পুরস্কার সীমিত রাখা হয় দ্বিতীয় ধাপের ১,৭০০ ধাপের শেষ ৪০০টিতে, কারণ বেশি সময় ধরে ব্যবহার করলে রিওয়ার্ড হ্যাকিং ঘটছিল।
সূত্র ও আরও পড়ার জন্য
- Guo and others (DeepSeek-AI): DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning, Nature 645, 633 to 638 (17 September 2025)
- Nature: Supplementary Information for the DeepSeek-R1 paper (cost table, evaluation settings, decontamination, fresh test sets)
- Nature: Peer Review File for the DeepSeek-R1 paper (referee reports and author responses)
- arXiv: DeepSeek-R1, Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (arXiv:2501.12948, submitted 22 January 2025, revised 4 January 2026)
- Ippolito and Zhang, Nature News and Views: AI can learn to show its workings through trial and error (17 September 2025)
- Nature editorial: Bring us your LLMs, why peer review is good for AI models (17 September 2025)
- Gibney, Scientific American (with Nature): Secrets of DeepSeek AI model revealed in landmark paper (17 September 2025)
- Wei and others (Google): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (arXiv:2201.11903, 28 January 2022)
- Kojima and others: Large Language Models are Zero-Shot Reasoners (arXiv:2205.11916, 24 May 2022)
- Lightman and others (OpenAI): Let's Verify Step by Step (arXiv:2305.20050, 31 May 2023)
- Shao and others (DeepSeek): DeepSeekMath, Pushing the Limits of Mathematical Reasoning in Open Language Models (arXiv:2402.03300, 5 February 2024)
- DeepSeek: DeepSeek-R1 model card on Hugging Face (MIT licence, evaluation table)
- DeepSeek API Docs: DeepSeek-R1 Release (20 January 2025)
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।