ٹیثر کا BotPsy AI ماڈل بینچ مارکس میں بڑے ماڈلز کو پیچھے چھوڑ دیتا ہے: جاننے کے لیے

ٹیثر کا BotPsy AI ماڈل بینچ مارکس میں بڑے ماڈلز کو پیچھے چھوڑ دیتا ہے: جاننے کے لیے

کسٹم تصویر
ٹیتر، جو USDT اسٹیبل کوائن جاری کرتا ہے، نے QVAC BotPsy-0.8B کے شروع کرکے اپنی مصنوعی ذہانت کی تحقیق کو وسعت دی ہے، جو ایک کم سائز کا AI ماڈل ہے جو کئی ایجنٹک بینچ مارکس میں بڑے مقابلہ کرنے والوں سے بہتر کام کرتا ہے۔ 11 نومبر، 2026 کو اعلان کیے جانے والے اس 800 ملین پیرامیٹر ماڈل نے، ٹیتر کے جائزہ کے مطابق، چھ میں سے پانچ ٹیسٹس میں علی بابا کے Qwen3.5-2B سے زیادہ بہتر کام کیا۔ نتائج چھوٹے، تخصص یافتہ AI سسٹمز کی بڑھتی ہوئی دلچسپی کو ظاہر کرتے ہیں جو سافٹ ویئر کمانڈس انجام دینے اور متعدد مراحل والے کاموں کو سنبھال سکتے ہیں۔ تاہم، بینچ مارکس کی تقابلیت، عملی قابلیت اور حفاظت کے بارے میں سوالات موجود ہیں۔ BotPsy کی ساخت، تربیت کے طریقے، پرفارمنس کے نتائج اور ٹیتر کی وسیع QVAC حکمت عملی سے اس کا تعلق سمجھنا اس کے ممکنہ اہمیت کا واضح تصور فراہم کرتا ہے۔

اہم نکات

  • ٹیذر AI ریسرچ نے 11 نومبر، 2026 کو QVAC BotPsy-0.8B شروع کیا، جس میں 800 ملین پیرامیٹر والی AI ماڈل کو ٹول کالنگ اور متعدد مراحل کے کاموں کی خودکاری کے لیے ڈیزائن کیا گیا ہے۔
  • بٹپسی نے ٹیذر کے جائزہ میں چھ میں سے پانچ ایجنٹک بینچ مارکس پر بڑے Qwen3.5-2B ماڈل کو پیچھے چھوڑ دیا، جس سے مخصوص AI کاموں میں اس کے فوائد کا ثبوت ملتا ہے۔
  • یہ ماڈل ہدایات کی پیروی، فنکشن کالنگ اور ٹاسک انجام دینے میں بہتری کے لیے سپروائزڈ فائن ٹننگ، نالج ڈسٹلیشن اور تقویت سیکھنے کا استعمال کرتا ہے۔
  • BotPsy، ڈاؤنلوڈ کیے جانے والے، کوانتائزڈ ماڈل فارمیٹس کے ذریعے مقامی AI ڈیپلویمنٹ کو سپورٹ کرتا ہے، جس سے مرکزی کلاؤڈ انفراسٹرکچر پر انحصار کم ہو سکتا ہے۔
  • اپنی بینچ مارک کارکردگی کے باوجود، BotPsy پیچیدہ استدلال، بہ زبانہ کاموں، معلومات کی تلاش، اور سیکورٹی سنسیٹو ایپلیکیشنز میں محدودیتوں کا شکار ہے۔
  • ٹیثر کی وسیع QVAC پہل غیر مرکزی، خصوصیات پر مبنی AI صلاحیتیں فروغ دینے کا مقصد رکھتی ہے، حالانکہ تجارتی اپنائی اور حقیقی دنیا کی قابلیت ابھی بھی غیر یقینی ہیں۔

ٹیثر کا بوٹPsy AI ماڈل کیا ہے اور یہ کیسے کام کرتا ہے؟

ٹیذر کا BotPsy AI ماڈل، جس کا افسانوی نام QVAC BotPsy-0.8B ہے، ایک اوپن-ویٹ آرٹیفیشل انٹیلیجنس سسٹم ہے جو ٹول کالنگ اور متعدد مراحل کی خودکاری کے ذریعے روزمرہ کے کاموں کو انجام دینے کے لیے ڈیزائن کیا گیا ہے۔ 11 نومبر، 2026 کو ٹیذر AI ریسرچ نے اس ماڈل کا اعلان کیا، جس میں 800 ملین پیرامیٹرز ہیں اور الفابیٹ کے Qwen3.5-0.8B آرکیٹیکچر پر مبنی ہے۔ عام چیٹ بوٹس کے برعکس جو بنیادی طور پر متن کے جوابات پیدا کرتے ہیں، BotPsy ایپلیکیشنز کے ساتھ تعامل، حکمات نفاذ، اور کیلنڈر، ای میلز، فائلز، اور ڈیوائس سیٹنگز پر مشتمل کاموں کو مکمل کرنے کے لیے ڈیزائن کیا گیا ہے۔ ٹیذر کے شائع کردہ جائزہ میں، BotPsy نے چھ میں سے پانچ ایجنٹک بینچ مارکس پر بڑے Qwen3.5-2B ماڈل کو پار کر لیا، جس سے مقامی ڈپلومنٹ کے لیے تخصص یافتہ چھوٹے AI ماڈلز کی صلاحیت واضح ہوتی ہے۔

بٹ پسی کیسے AI ٹول کالنگ کا استعمال کرتا ہے روزمرہ کے کاموں کو مکمل کرنے کے لیے

BotPsy ایک عمل کے ذریعے کام کرتا ہے جسے AI ٹول کالنگ کہا جاتا ہے، جس سے زبانی ماڈل صرف سوالات کے جوابات دینے کے بجائے سافٹ ویئر ایپلیکیشنز سے ایکشن منتخب اور درخواست کر سکتا ہے۔ مثال کے طور پر، جب کوئی صارف ایک میٹنگ کا انتظام کرنے کو کہتا ہے، تو BotPsy مناسب کیلنڈر فنکشن کی شناخت کر سکتا ہے، ضروری آرگومینٹس تیار کر سکتا ہے، اور ایپلیکیشن سے واپس آنے والے نتائج کو تشریح کر سکتا ہے۔ زیادہ پیچیدہ درخواستوں میں متعدد جڑے ہوئے ایکشنز شامل ہو سکتے ہیں، جیسے دستیابی کی جانچ، شیڈولنگ تنازعات کا حل، ملاقاتوں کو اپ ڈیٹ کرنا، اور یاددہانیاں بنانا۔ ماڈل میسجنج، دستاویزات کا انتظام، ویب تلاش، اور ڈیوائس کنٹرولز کے لیے سپورٹ شدہ فنکشنز کے ساتھ بھی کام کر سکتا ہے۔ AI agents in crypto کے ذریعے مشابہ ٹول-بنیادی صلاحیتیں تلاش کی جا رہی ہیں، حالانکہ BotPsy کے دستاویز شدہ اطلاقات بلاک چین لین دین کے بجائے عام سافٹ ویئر کاموں پر مرکوز ہیں۔ تاہم، BotPsy کو ان ایکشنز کو انجام دینے سے پہلے ہوسٹ ایپلیکیشن کو ٹولز، اجازتیں، اور اجراء کا ماحول فراہم کرنا ہوگا۔
 
ایک علیحدہ خصوصیت BotPsy کی صلاحیت ہے کہ وہ اس صورت میں جواب دے سکتا ہے جب کوئی کوشش ناکام ہو جائے۔ ٹیذر کے ذریعہ بیان کیے گئے ایک ACEBench جائزے میں، ماڈل سے میٹنگ کی یاد دہانی بھیجنے کو کہا گیا، لیکن دو مسائل کا سامنا ہوا: وائی فائی بند تھا، اور پیغامات کا انباکس بھرا ہوا تھا۔ ناکام آپریشن کو دوبارہ دوبارہ کرنے کے بجائے، BotPsy نے وائی فائی کو فعال کر دیا، انباکس کی جگہ خالی کر دی، اور پیغام بھیجنے کا کام مکمل کر لیا۔ اسی سیناریو میں بنیادی Qwen3.5-0.8B ماڈل نے ناکام کوشش جاری رکھی۔ یہ مثال یہ ظاہر کرتی ہے کہ متعدد مراحل کا استدلال اور خطا درست کرنے کا عمل AI ایجینٹس کے لیے کیوں اہم ہے جو اطلاقات کے ساتھ تعامل کرتے ہیں۔ تاہم، دکھائی گئی سرگرمی ایک منضبط بینچ مارک سے آئی ہے اور ہر حقیقی دنیا کے اطلاق پر قابل اعتماد عمل کو ثابت نہیں کرتی۔

BotPsy کی Qwen3.5 آرکیٹیکچر اور ڈیوائس پر AI صلاحیتیں

BotPsy کا بنیادی ڈھانچہ Alibaba کا Qwen3.5-0.8B ہے، جو ایک مختصر ڈھانچہ برقرار رکھتا ہے جبکہ اس کا رویہ ایجنٹک ورکفلوز کے لیے مخصوص کیا گیا ہے۔ اس کا 800 ملین پیرامیٹر کا سائز، مدل وزنز کو محفوظ رکھنے کے ساتھ جڑے ہوئے میموری کے تقاضوں کو بڑے زبردست زبانی ماڈلز کے مقابلے میں کم کرتا ہے، جس سے اسے اسمارٹ فونز، لیپ ٹاپس اور پرسنل کمپیوٹرز پر ڈیپلومنٹ کے لیے مناسب بناتا ہے۔ Tether نے ماڈل وزنز کو Hugging Face پر Apache 2.0 لائسنس کے تحت جاری کیا ہے، جس سے ڈویلپرز ماڈل کو مطابقت رکھنے والے ایپلیکیشنز میں اندراج کر سکتے ہیں۔ کوانتائزڈ GGUF ورژن بھی دستیاب ہیں، جن میں تقریباً 0.53 GB کا Q4_K_M ماڈل فائل بھی شامل ہے۔ یہ چھوٹے فارمیٹس ذخیرہ اور میموری کی ضرورت کم کر سکتے ہیں، حالانکہ عملی انفرنس سپیڈ اور ہارڈ ویئر مطابقت ڈوائس اور سافٹ ویئر کانفگریشن پر منحصر ہے۔
 
اس ریلیز کے ساتھ ٹیذر کے وسیع QVAC (QuantumVerse Automatic Computer) شناخت کو بھی سپورٹ کیا جاتا ہے، جو صارف کنٹرولڈ ہارڈویئر پر کام کرنے والے خصوصی AI سسٹمز کی ترقی پر توجہ مرکوز کرتا ہے۔ مقامی انفرنس سے صارف کے درخواستوں کو مرکزی AI فراہم کنندگان تک بھیجنے کی ضرورت کم ہو سکتی ہے، جس سے افراد کو حساس معلومات اور ایپلیکیشن ڈیٹا پر زیادہ کنٹرول حاصل ہو سکتا ہے۔ تاہم، ویب سرچ، میسجنگ، اور آن لائن بکنگ جیسے باہری فنکشنز کے لیے اب بھی نیٹ ورک کنکشن اور تھرڈ پارٹی سروسز تک رسائی کی ضرورت ہو سکتی ہے۔ BotPsy ابھی تک ایک ڈویلپر-مُخاطب ماڈل کے طور پر تقسیم کیا جا رہا ہے، نہ کہ ایک مکمل صارف مددگار کے طور پر، اور ٹیذر کا لمبے مدتی خواب صارفین کے اسمارٹ فونز، ذاتی کمپیوٹرز، اور قابل اعتماد پیر-ٹو-پیر انفراسٹرکچر کو جوڑنا ہے۔ اس کا عملی اہمیت یہ ظاہر کرنا ہے کہ کمپیکٹ، مخصوص کام پر مبنی AI ماڈلز بڑے کلاؤڈ ہوسٹڈ زبان ماڈلز پر مکمل طور پر انحصار کیے بغیر زیادہ صلاحیت والا ذاتی مددگار فراہم کرنے میں مدد کر سکتے ہیں۔

ٹیذر بوٹPsy بمقابلہ Qwen3.5-2B: بینچ مارک نتائج اور کارکردگی کا موازنہ

ٹیذر کا BotPsy AI ماڈل نومبر 11، 2026 کو جاری کیے گئے ستہ میں سے پانچ ایجنٹک بینچ مارکس پر علی بابا کے بڑے Qwen3.5-2B-Think سے زیادہ بہتر کارکردگی دکھائی۔ جبکہ BotPsy کے پاس صرف 800 ملین پیرامیٹرز تھے، جبکہ Qwen کے پاس 2 ارب تھے، لیکن BotPsy نے فنکشن کالنگ، متعدد مراحل کے کاموں کی انجام دہی اور ٹول-بنیادی مسائل کے حل میں زیادہ اسکور حاصل کیا۔ ٹیذر AI ریسرچ کے ٹیکنیکل جائزے کے مطابق، BotPsy نے ایک غیر وزنی اوسط اسکور 45.0 حاصل کیا، جبکہ Qwen3.5-2B-Think کا اسکور 38.8 اور اس کے بنیادی Qwen3.5-0.8B ماڈل کا اسکور 24.7 تھا۔ یہ نتائج مخصوص AI تربیت کے ممکنہ فوائد کو ظاہر کرتے ہیں، حالانکہ یہ تقابل منتخب بینچ مارکس پر مبنی ہے اور مجموعی صنعتی ذہانت کے امکانات کو نہیں ظاہر کرتا۔

BotPsy بمقابل Qwen3.5-2B بینچ مارک اسکورز اور ٹول-کالنگ پرفارمنس

BotPsy نے ایسے ٹیسٹوں میں اپنے سب سے مضبوط نتائج حاصل کیے جن میں AI ایجنسز کی صلاحیت کا جائزہ لیا گیا کہ وہ متعدد تعاملات کے دوران ٹولز کیسے منتخب کرتی ہیں، کمانڈز کو کیسے انجام دیتی ہیں اور کام مکمل کرتی ہیں۔ بیرکلے فنکشن کالنگ لیڈر بورڈ (BFCL v4) پر، BotPsy نے 37.7 کے مقابلے میں 44.0 اسکور کیا، جبکہ اس کا ACEBench اسکور 55.4 کے مقابلے میں 58.7 تک پہنچ گیا۔ چھوٹا ماڈل τ-bench پر بھی سب سے آگے رہا، جہاں اس نے 46.5 کے مقابلے میں 51.5 اسکور کیا، اور ToolSandbox میں جہاں اس نے 41.2 کے مقابلے میں 64.6 ریکارڈ کیا۔ BrowseComp-Plus کے نتائج BotPsy کے فائدے میں 2.8 کے مقابلے میں 4.5 تھے، حالانکہ دونوں اسکورز پیچیدہ معلومات کی تلاش میں شدید مشکلات کو ظاہر کرتے ہیں۔ Qwen3.5-2B-Think Claw-Eval پر برتری برقرار رکھتा ہے، جہاں اس نے BotPsy کے 46.5 کے مقابلے میں 48.9 اسکور کیا۔ ستھر کے وزن دہ نہیں ہونے والے بینچ مارک فگرز کے مطابق، چھوٹے ماڈل نے چھوٹے ٹیسٹوں میں بڑے ماڈل کے مقابلے میں تقریباً 16% زیادہ اسکور حاصل کیا۔
 
پرفارمنس کا فرق خاص طور پر متعدد مراحل کے ایجنٹ ورک فلو میں نمایاں تھا، جن میں AI ماڈلز کو حوالہ برقرار رکھنا، تبدیل ہونے والی شرائط کو سمجھنا اور مسلسل ایکشنز کو کوآرڈینیٹ کرنا درکار ہوتا ہے۔ BFCL v4 کے متعدد مراحل کے جائزے میں، BotPsy نے 46.1 حاصل کیا، جبکہ Qwen3.5-2B-Think نے صرف 23.8 اور اس کے اصل 0.8B بیس ماڈل نے صرف 7.5 حاصل کیا۔ τ²-bench ٹیلیکام ٹاسکس پر، BotPsy نے 82.5 حاصل کیا، جبکہ بڑے Qwen ماڈل نے 69.3 حاصل کیا، جس سے یہ ظاہر ہوتا ہے کہ مسائل کا حل اور پالیسی کے پابندیوں کے ساتھ محاورہ کاری کے محاورہ کاری میں اس کی پرفارمنس زیادہ مضبوط ہے۔ BotPsy نے BFCL کے جھوٹے نتائج پر مبنی ٹیسٹس پر 86.1 بھی حاصل کیا، جو یہ جانچتے ہیں کہ کیا ماڈل اس صورت میں غلط فنکشن کالز سے بچتا ہے جب مناسب ٹول دستیاب نہ ہو۔ ان نتائج سے یہ ظاہر ہوتا ہے کہ تخصص یافتہ پوسٹ-ٹریننگ AI ایجنٹ کو اس بات کا فیصلہ کرنے میں مدد کر سکتی ہے کہ وہ کب اور کس طرح سافٹ ویئر ٹولز استعمال کرے، حالانکہ بینچ مارک کامیابی غیر محدود حقیقی دنیا کے ماحول میں اسی قدر قابل اعتماد ہونے کا ضمانت نہیں دیتی۔

جہاں Qwen3.5-2B بہتر کام کرتا ہے اور کیوں بینچ مارک طریقہ کار اہم ہے

ہرگز BotPsy کے منتخب ٹول استعمال کے بینچ مارکس میں فائدہ ہونے کے باوجود، Qwen3.5-2B-Think وسیع علمی جانچوں میں کافی زیادہ طاقتور رہا۔ ٹیذر کی جانچوں میں، بڑا ماڈل نے GPQA Diamond پر 59.9 اسکور کیا، جبکہ BotPsy نے 38.1 اسکور کیا، اور MMLU-Pro پر 65.5 حاصل کیا جبکہ 48.9۔ یہ ٹیسٹس علم سے بھرپور استدلال اور پیچیدہ سوالات کے جوابات کا جائزہ لیتے ہیں، جو یہ ثابت کرتے ہیں کہ تخصص شدہ ایجنٹ تربیت ماڈل کی اضافی صلاحیت کے فوائد کو ختم نہیں کرتی۔
 
ایک اور اہم خیال تقویم کے طریقہ کار میں فرق ہے۔ ٹیتر نے Qwen3.5-2B-Think کے لیے BFCL v4 اسکور 37.7 رپورٹ کیا، جبکہ علی بابا کی آفیشل Qwen3.5-2B ماڈل دستاویزات میں اپنے اپنے ٹیسٹنگ کنفیگریشن کے تحت 43.6 درج ہے۔ مختلف نمونہ لینے کے پیرامیٹرز، پرامپٹنگ کے طریقے، اور تقویم کے عمل تقویم کے نتائج کو متاثر کر سکتے ہیں، جس کا مطلب ہے کہ الگ الگ حالات میں حاصل کردہ اسکورز کو مساوی پیمائش کے طور پر نہیں سمجھا جانا چاہیے۔ اس لیے ٹیتر کا رپورٹ کردہ BotPsy اسکور 44.0 علی بابا کے الگ طور پر رپورٹ کردہ 43.6 پر براہ راست فتح کے طور پر نہیں لیا جانا چاہیے۔ وسیع تر نتیجہ یہ ہے کہ مرکوز تربیت چھوٹے AI ماڈلز کو خاص کاموں پر بڑے متبادل سے بہتر کارکردگی دینے میں مدد کر سکتی ہے، جبکہ کل کارکردگی مستقل طور پر وزن، تقویم کی شرائط، اور ناپے جانے والے ماڈل کی صلاحیتوں پر منحصر رہتی ہے۔

کیسے ٹیثر نے AI ٹول کالنگ اور ڈیوائس پر ایپلیکیشنز کے لیے BotPsy کو تربیت دی

ٹیذر AI ریسرچ نے مدل کے پیرامیٹر کاؤنٹ میں اضافہ کیے بغیر AI ٹول کالنگ، انشٹرکشن فوللو اور ریزننگ کی کارکردگی بہتر بنانے کے لیے ایک چار مرحلہ پوسٹ ٹریننگ عمل کے ذریعے BotPsy تیار کیا۔ اس کی تفصیل 11 نومبر، 2026 کے ٹیکنیکل رپورٹ میں درج ہے، جس میں سپروائزڈ فائن ٹیوننگ، ملٹی-ٹیچر نالیج ڈسٹلیشن، اور دو راؤنڈز ری انفورسمنٹ لرننگ شامل ہیں۔ یہ طریقہ مختصر AI ماڈلز کو ساختہ حکمات کو انجام دینے میں مدد کرنے پر توجہ مرکوز کرتا ہے جبکہ مفید جنرل صلاحیتیں برقرار رکھتا ہے۔ ترقی Tether کے وسیع QVAC شناخت کو بھی سپورٹ کرتی ہے، جس کا مقصد مخصوص ماڈلز کے ذریعے ذاتی ڈیوائسز پر چلنے سے مرکزی AI انفراسٹرکچر پر انحصار کم کرنا ہے۔

کیسے سپروائزڈ فائن ٹننگ، نالج ڈسٹلیشن، اور ری انفورسمنٹ لرننگ نے BotPsy کو بہتر بنایا

پہلا تربیتی مرحلہ، کامیاب ٹول انٹرایکشنز کے مثالوں کے استعمال کے ساتھ مانوسائزڈ فائن ٹیوننگ (SFT) پر مشتمل تھا، جس میں انفرادی حکمات، متوازی فنکشن کالز، متعدد مراحل کے عمل، اور ایسی صورتحالیں شامل تھیں جہاں ایک AI اسسٹنٹ کو غیر ضروری اقدامات سے گریز کرنا چاہیے۔ ٹیذر نے بعد میں متعدد ٹیچر آن-پالیسی ڈسٹلیشن کا استعمال کیا، جس سے BotPsy کو ٹول استعمال، جنرل ریزننگ، اور انstrukشن فوللو کے لیے تربیت یافتہ تین مخصوص Qwen3.5-4B ٹیچر ماڈلز سے سیکھنے کا موقع ملا۔ اس عمل کے دوران، چھوٹا ماڈل اپنے جوابات خود پیدا کرتا رہا جبکہ مناسب ٹیچر نے ٹوکن لیول پر فیڈبیک فراہم کیا۔ اس سے مخصوص AI ترقی میں عام طور پر پیش آنے والی ایک مشکل کا حل نکالا گیا: مخصوص کاموں پر کارکردگی بہتر بنائے بغیر وسیع ریزننگ اور علم کے صلاحیتوں کو زیادہ نقصان پہنچائے بغیر۔ ٹیذر کی ٹیکنیکل رپورٹ میں بتایا گیا ہے کہ ڈسٹلیشن کے مرحلے نے ابتدائی فائن ٹیوننگ کے دوران خراب ہونے والی جنرل صلاحیتوں کو دوبارہ حاصل کر لیا۔
 
آخر دو مراحل میں DAPO (ڈیکوپلڈ کلپ اور ڈائنانک سیمپلنگ پالیسی آپٹیمائزیشن) کے بنیاد پر تقویت سیکھنا استعمال کیا گیا، جس میں انعامات پہلے سے طے شدہ قواعد اور خودکار تصدیق کے ذریعے تعین کیے گئے۔ پہلے مرحلے میں درست فنکشن کالنگ پر زور دیا گیا، جس میں یہ شامل تھا کہ BotPsy نے صحیح ٹول منتخب کیا، درست آرگومینٹس فراہم کیے، اور درخواست شدہ آؤٹ پٹ فارمیٹ کا پابند رہا۔ ہر غلط جواب کو برابر نہ سمجھتے ہوئے، انعام کا نظام ٹول کے ناموں اور آرگومینٹس کی قیمتوں کے مطابقت کے لیے جزوی انعام فراہم کرتا تھا، جس سے ماڈل کو غلطیوں پر زیادہ تفصیلی فیدبیک ملا۔ دوسرے مرحلے میں تربیت ریاضی، کوڈنگ، علمی سوالات، ساخت شدہ آؤٹ پٹس، اور محاکمہ شدہ ورک پلیس کے کاموں تک وسعت دی گئی۔ یہ وسیع تر نقطہ نظر خصوصی ایجنٹ کے رویے اور عام استدلال کی صلاحیت کے درمیان توازن قائم کرنے میں مدد کرta۔ ٹیذر کے جائزہ کے مطابق، BotPsy کا IFEval ہدایات پر عمل کرنے کا اسکور بنیادی ماڈل کے 59.7 سے بڑھ کر تربیت کے بعد 90.8 ہو گیا، حالانکہ یہ ابھی بھی ڈوولپر رپورٹ کردہ بینچ مارک نتائج ہیں۔

ڈیوائس پر AI کی کارکردگی، ڈیپلویمنٹ کے مواقع، اور مستقبل کی QVAC ترقی

بُوٹسائی کی تربیت کا ایک اہم نتیجہ اس کی غیر ضروری استدلال میں کمی ہے، جس سے محدود کمپیوٹنگ وسائل والے ڈیوائسز پر جواب کی کارکردگی میں بہتری آ سکتی ہے۔ ٹیذر کے موازنہ میں پانچوں ماڈلز نے جن جی پی کیو ڈائمنڈ سوالات کے صحیح جوابات دیے، بُوٹسائی نے اوسطاً 3,690 استدلال ٹوکنز تخلیق کیے، جبکہ اس کے بنیادی کوون ماڈل نے 11,563 ٹوکنز تخلیق کیے، جو تقریباً 68% کی کمی ہے۔ IFBench پر اس کی دہرائی گئی استدلال کی شرح بھی 22.9% سے گھٹ کر 1.4% ہو گئی۔ کم ٹوکنز تخلیق کرنے سے کمپوٹیشنل کام کم ہو سکتا ہے اور ممکنہ طور پر لیٹنسی بہتر ہو سکتی ہے، حالانکہ کمپنی نے صارفین کے اسمارٹ فونز پر مساوی کارکردگی میں بہتری قائم نہیں کی ہے۔ ٹیذر نے 6–7 نومبر، 2026 کو NVIDIA H100 ہارڈویر پر کردہ GGUF جائزہ، جو دن روز کے موبائل ڈیوائس کی رفتار کے بجائے دبائے گئے ماڈل کی کارکردگی کے بارے میں ثبوت فراہم کرتا ہے۔ ڈوولپرز کے لیے، ان کارکردگی میں بہتری سے مقامی AI اسسٹنٹس کا جائزہ لینے کا موقع پیدا ہوتا ہے جو کلاؤڈ انفرنس، باہری API قیمتوں، اور مستقل انٹرنیٹ کنکٹیوٹی پر کم انحصار کرتے ہوں۔
 
BotPsy Tether کے لیے QVAC SDK کے 9 اپریل، 2026 کو لانچ کے بعد ڈی سینٹرلائزڈ AI انفراسٹرکچر میں اپنے توسیع کا ایک مزید قدم بھی ہے۔ کمپنی کے مستقبل کے ترقیاتی منصوبوں میں QVAC Fabric کے ذریعے گہری مقامی شخصیت، Hypersearch کے ذریعے اینکرپٹڈ پیر-ٹو-پیر تلاش کی صلاحیتیں، اور اسمارٹ فونز، ہوم کمپیوٹرز، اور موثق نیٹ ورک نوڈز کے درمیان ٹاسک ڈیلی گیشن شامل ہیں۔ ان ترقیات ممکنہ طور پر مختصر زبان کے ماڈلز کو مخصوص بولنے، نظر، اور ترجمہ سسٹمز کے ساتھ جوڑنے والے ایپلیکیشنز کا سہارا دے سکتی ہیں۔ تاہم، Tether نے ایک مکمل طور پر ادھار ہوئے BotPsy اسسٹنٹ کے لیے کوئی تصدیق شدہ تجارتی لانچ شیڈول نہیں بنایا ہے، نہ ہی اس ماڈل سے آمدنی کے پیش گوئی یا قابل پیمائش مالی فائدے کا اعلان کیا ہے۔ ممکنہ مارکیٹ کے اثرات میں ایج AI سافٹ ویئر میں زیادہ مقابلہ، مرکزیت پر مبنی انفرنس پرووائڈرز پر کم انحصار، اور خفیہ رکھنے والے ایپلیکیشنز بنانے والے ڈوولپرز کے لیے نئے مواقع شامل ہیں۔ چاہے یہ فوائد وسیع پمانے پر قبولیت میں تبدیل ہوں گے یا نہیں، یہ مستقل پرفارمنس کی تصدیق، ہارڈ وئیر کمپٹبلٹی، سکورٹی کنٹرولز، اور مستقبل کے QVAC انٹیگریشنز کے عملی قابل اعتماد ہونے پر منحصر ہوگا۔

ٹیذر باتPsy کی محدودیتیں، سیکورٹی خطرات، اور QVAC AI کے لیے مستقبل کا جائزہ

چھوٹے سے درمیانی مشکل کے کاموں کے لیے ڈیزائن کیا گیا ہے، جس کی وجہ سے یہ تفصیلی استدلال، حساس معلومات، یا خودمختار فیصلہ سازی کی ضرورت والے طلب شدہ ورک فلو کے لیے کم مناسب ہے۔ ٹیذر کی 11 نومبر، 2026 کی تحقیقی رپورٹ ان کمزوریوں کو تسلیم کرتی ہے جبکہ اپنے QVAC ایکو سسٹم کو وسعت دینے کے منصوبوں کا احاطہ کرتی ہے۔ اس ماڈل کا لمبے مدتی اہمیت اس بات پر منحصر ہوگی کہ کیا اس کے کارکردگی کے فوائد صارفین کے ڈیوائسز پر قابل اعتماد اطلاقات میں تبدیل ہوتے ہیں۔

پیچیدہ AI کاموں اور بہت سی زبانوں کی کارکردگی میں پابندیاں

جب کامز زیادہ پیچیدہ ہوتے ہیں، خاص طور پر جب کئی ٹولز، ہدایات یا معلومات کے ذرائع کو منظم کیا جانا ہو، تو BotPsy کی کارکردگی کم ہو جاتی ہے۔ ٹیذر کے ایپلیکیشن لیول کے جائزہ میں، ماڈل نے سادہ ایک ٹول والے سیناریوز میں کل اسکور 75 حاصل کیا، لیکن پیچیدہ ورک فلو میں صرف 39.5۔ متعدد مراحل والی معلومات کی تلاش خاص طور پر مشکل ثابت ہوئی، جس نے صرف 15 اسکور دیا جبکہ سادہ تلاش کے کاموں میں 79 تھا۔ اس کی ہدایات کی پابندی کی کارکردگی بھی لمبی بات چیت میں کم ہو گئی، جبکہ متعدد زبانوں کے ٹیسٹنگ میں ہندی میں انگریزی اور دیگر سپورٹڈ زبانوں کے مقابلے میں نمایاں طور پر کم نتائج نکلے۔ ان نتائج سے یہ ظاہر ہوتا ہے کہ عملی зааступوں کے لیے کام کی پیچیدگی کے حدود، فیل بیک مکانزمز، اور انسانی نگرانی درکار ہو سکتی ہے، نہ کہ بے حد آٹومیشن۔

ای آئی ایجینٹس کے لیے سیکورٹی خامیاں اور خصوصیات کے چیلنجز

سیکورٹی خودمختار AI اسسٹنٹس کے لیے ایک بڑی رکاوٹ بنی رہی ہے کیونکہ ٹول-کالنگ ماڈلز باہری معلومات کے ساتھ تعامل کر سکتے ہیں اور ممکنہ طور پر اہم اقدامات کر سکتے ہیں۔ ٹیذر کے خودکار سیکورٹی جائزہ جات میں، BotPsy نے نقصان دہ درخواستوں کے 21% ٹیسٹس اور 31% پرامپٹ انجیکشن ٹیسٹس میں غیر محفوظ جوابات دیے، جس سے ثابت ہوتا ہے کہ تخصص یافتہ تربیت نے سیکورٹی کمزوریوں کو ختم نہیں کیا ہے۔ پرامپٹ انجیکشن خاص طور پر فکر کا باعث ہے جب ایک AI ایجنٹ ای میلز، ویب پیجز یا دیگر غیر قابل اعتماد مواد میں چھپائے گئے مضرہ ہدایات کو قانونی حکمات کے طور پر سمجھ لے۔ حالانکہ لوکل پروسیسنگ کلاؤڈ انفراسٹرکچر پر انحصار کو کم کر سکتا ہے، لیکن یہ غیر مجاز ٹول اقدامات، ڈیٹا کی نمائش، یا متاثرہ انٹیگریشنز کو خودبخود روک نہیں سکتا۔ پروڈکشن ڈپلومنٹس کے لیے اجازت کنٹرولز، محدود ٹول ایکسیس، کرڈینشلز کا محفوظ طریقے سے انتظام، اور حساس آپریشنز سے پہلے صارف تصدیق درکار ہوگی۔ ٹیذر صاف طور پر BotPsy کا استعمال بلند خطرے والے فنانشل، طبی یا دیگر حساس فیصلوں کے لیے نہ کرنے کی تجویز دیتا ہے۔

مستقبل کی QVAC AI ترقی اور ممکنہ مارکیٹ کے اثرات

ٹیذر کی لمبے مدتی QVAC حکمت عملی میں QVAC Fabric جیسی ٹیکنالوجیز کے ذریعے مقامی AI صلاحیتیں بڑھانا شamil ہے، جو ڈیوائس-بنیادی ماڈل کسٹمائزیشن کی حمایت کرتا ہے، اور ہائپرسرچ، جو ڈی سینٹرلائزڈ معلومات کی تلاش کو مضبوط بنانے کے لیے ڈیزائن کیا گیا ہے۔ مستقبل کے ترقیات میں اسمارٹ فونز، پرسنل کمپیوٹرز، اور موثق پیر-ٹو-پیر کمپیوٹنگ وسائل کے درمیان تعاون کا خیال بھی شامل ہے، جس سے چھوٹے ڈیوائسز بڑھے ہوئے ورک لوڈس کو ڈیلیگیٹ کر سکتے ہیں بغیر مرکزی AI سروسز پر مکمل طور پر انحصار کیے۔ ایسی صلاحیتیں خصوصیات پر مبنی پروڈکٹوٹی سافٹ ویئر، ادارتی آٹومیشن، اور کلاؤڈ-بنیادی انفرنس کے لیے متبادل تلاش کرنے والے ڈوولپرز کے لیے مواقع پیدا کر سکتی ہیں۔ AI اور کرپٹو کا وسیع تر ادغام ڈی سینٹرلائزڈ کمپیوٹنگ اور متبادل ڈجیٹل بزنس ماڈلز میں دلچسپی بھی پیدا کر رہا ہے، حالانکہ BotPsy نے ٹوکن اندراج کا اعلان نہیں کیا ہے۔ تاہم، ٹیذر نے BotPsy کے مکمل طور پر اندراج شدہ صارف مددگار کے لیے تصدیق شدہ وقت کا خاکہ نہیں دیا ہے اور اس کے استعمال سے منسلک آمدنی کے تخمینوں کا بھی اعلان نہیں کیا ہے۔ مستقبل کی ترقی انفرادی جائزہ جات، موبائل ہارڈ وئیر کی پرفارمنس، محفوظ سافٹ وئیر اندراج، ڈوولپرز کے شرکت، اور اجنت ورک فلوز زیادہ پیچیدہ ہوتے جانے کے ساتھ قابلِ اعتماد رہنے کی صلاحیت پر منحصر ہوگی۔

نتیجہ

ٹیذر کا BotPsy-0.8B یہ دکھاتا ہے کہ تخصص یافتہ تربیت چھوٹے AI ماڈلز کو ٹول کالنگ، انسٹرکشن فوللو کرنے اور متعدد مراحل کی آٹومیشن میں بڑے متبادل کے ساتھ مقابلہ کرنے میں مدد کر سکتی ہے۔ اس کی پانچ میں سے چھ ایجنٹک بینچ مارکس میں رپورٹ کردہ کامیابیاں موثر AI ترقی میں ترقی کو ظاہر کرتی ہیں، جبکہ اس کی مختصر آرکیٹیکچر ٹیذر کے لیے ڈیوائس پر اور غیر مرکزی صنعتی ذہانت کے وسیع تر اہداف کو سپورٹ کرتی ہے۔ تاہم، BotPsy کی بینچ مارک کامیابیاں تمام AI کاموں میں برتری قائم نہیں کرتیں اور حقیقی دنیا کی قابلیت کو گارنٹی نہیں دیتیں۔ سیکورٹی خامیاں، پیچیدہ ورک فلو کے پابندیاں، اور مستقل طور پر تصدیق شدہ صارف ڈیوائس کی پرفارمنس کا فقدان اب بھی اہم چیلنجز ہیں۔ جبکہ ٹیذر اپنے QVAC ایکو سسٹم کو ترقی دے رہا ہے، ماڈل کا لمبے مدتی اہمیت اس بات پر منحصر ہوگا کہ کیا یہ تجرباتی فوائد محفوظ، عملی اور وسیع طور پر استعمال کے قابل AI اطلاقات میں تبدیل ہوتے ہیں۔

اکثر پوچھے جانے والے سوالات

صارفین ٹیذر کے BotPsy AI ماڈل کو کہاں ڈاؤن لوڈ کر سکتے ہیں؟

ٹیثر کا BotPsy-0.8B Hugging Face پر معیاری مدل وزن اور GGUF فارمیٹس کے ذریعے عوامی طور پر دستیاب ہے۔ ڈویلپرز مدل ڈاؤن لوڈ کر سکتے ہیں، اس کی دستاویزات کا جائزہ لے سکتے ہیں، اور اپنے مطابق مقامی AI ایپلیکیشنز میں اسے مربوط کر سکتے ہیں بغیر کسی ملکی مدل API پر انحصار کیے۔

کیا ٹیثر بوٹPsy کمیشل منصوبوں کے لیے مفت استعمال کیا جا سکتا ہے؟

BotPsy Apache 2.0 لائسنس کے تحت جاری کیا گیا ہے، جو عام طور پر تجارتی استعمال، ترمیم اور دوبارہ تقسیم کی اجازت دیتا ہے، لائسنس کے شرائط کے تحت۔ ڈویلپرز کو متعلقہ تیسری پارٹی لائسنسز، ڈیٹا حفاظت کی ضروریات اور دیگر متعلقہ قوانین کے پابند رہنے کی ذمہ داری ہے۔

کون سا سافٹ ویئر بوٹپسی کو مقامی طور پر چلانے کی اجازت دیتا ہے؟

BotPsy عام AI انفرنس فریم ورکس، جیسے Hugging Face Transformers، llama.cpp، vLLM، اور Ollama کے ساتھ مطابقت رکھنے والے GGUF ڈیپلومنٹس کو سپورٹ کرتا ہے۔ ڈویلپرز کو مناسب رن ٹائم اور ٹول انٹیگریشنز کو کنفیگر کرنا ہوگا، جبکہ پرفارمنس دستیاب ہارڈ ویئر اور ماڈل سیٹنگز پر منحصر ہے۔

BotPsy کو کتنی ذخیرہ اور میموری درکار ہے؟

شائع کیے گئے BotPsy GGUF فائلیں درستگی کے مطابق تقریباً 0.53 جیگا بائٹ سے لے کر 1.52 جیگا بائٹ تک ہیں۔ تاہم، یہ ماڈل فائل کے سائز ہیں، مجموعی RAM کی ضرورت نہیں۔ اصل میموری کا استعمال انفرنس انجن، کنٹیکس لمبائی اور رن ٹائم اوورہیڈ پر بھی منحصر ہے۔

کیا بوٹسائی کو فعال ہونے کے لیے انٹرنیٹ کنکشن کی ضرورت ہے؟

BotPsy کو مدل اور ضروری سافٹ ویئر انسٹال کرنے کے بعد بغیر مستقل انٹرنیٹ کنکشن کے مقامی طور پر جوابات تیار کر سکتا ہے۔ تاہم، آن لائن تلاش، کلاؤڈ ایپلیکیشنز یا ریموٹ سروسز کے ساتھ عمل درآمد کے لیے نیٹ ورک کنکشن کی ضرورت ہوتی ہے۔ آف لائن انفرنس سے خودکار طور پر ہر جڑا ہوا ورک فلو آف لائن نہیں ہو جاتا۔
 
ڈسکلیمر: یہ عام مارکیٹ معلومات، جو ممکنہ طور پر تیسرے طرف، تجارتی یا سپانسر شدہ ذرائع سے ہیں، صرف حوالہ اور تعلیمی مقاصد کے لیے فراہم کی گئی ہیں اور یہ مالیاتی یا سرمایہ کاری کی مشورت، پیشکش، دعوت یا ضمانت نہیں ہیں۔ ہم اس کی درستگی، مکملیت، قابل اعتمادی اور نتیجہ کے طور پر ہونے والے کسی بھی نقصان کے لیے ذمہ داری قبول نہیں کرتے۔ سرمایہ کاری/ٹریڈنگ خطرناک ہے؛ ماضی کا اداء مستقبل کے نتائج کی ضمانت نہیں دیتا۔ صارفین کو تحقیق کرنی چاہیے، احتیاط سے فیصلہ کرنا چاہیے اور مکمل ذمہ داری لینی چاہیے۔ مزید تفصیلات کے لیے، براہ راست KuCoin کے استعمال کی شرائط اور خرابی کا اعلان دیکھیں۔

ڈس کلیمر: یہ صفحہ آپ کی سہولت کے لیے AI ٹیکنالوجی کا استعمال کرتے ہوئے ترجمہ کیا گیا ہے۔ سب سے درست معلومات کے لیے، اصل انگلش ورژن سے رجوع کریں۔