اینٹروپک نے 30 فیصد تیز تر آؤٹ پٹ اور لاگت میں کمی کے ساتھ کلاؤڈ سونٹ 5.5 لانچ کیا

Anthropic نے Claude Sonnet 5.5 جاری کیا ہے، جو فلگشپ Opus 5.5 کی قابلیت کو کم قیمت والے اور اکثر استعمال ہونے والے روزمرہ Agent ماڈل میں دبایا جانا چاہتا ہے۔ اس کی API فی ملین ان پٹ/آؤٹ پٹ ٹوکن کی قیمت اب بھی 2 اور 10 ڈالر ہے، لیکن کمپنی کا دعویٰ ہے کہ آؤٹ پٹ کی رفتار 30% سے زیادہ بہتر ہو گئی ہے، اور عام کاموں کے لیے درکار ٹوکن کم ہو گئے ہیں، جس سے ایک کام کی لاگت زیادہ سے زیادہ 30% تک کم ہو سکتی ہے۔ آفیشل ٹیسٹ میں، اس نے Terminal‑Bench 4.0 میں 70.6% کا اسکور حاصل کیا، جو Sonnet 5 کے 10.3% اور Opus 5.5 کے 66.4% سے زیادہ ہے؛ اور پیشہ ورانہ کاموں کے لیے GDPval‑AA میں بھی 1844 Elo کے ساتھ Opus کے 1846 کے قریب پہنچ گیا۔ تاہم، "آدھی قیمت والا Opus" مکمل نتیجہ نہیں ہے: Artificial Analysis نے پایا کہ Sonnet 5.5 سب سے زیادہ استدلال طاقت پر فی سوال تقریباً 193,000 آؤٹ پٹ ٹوکن پیدا کرتا ہے، جو اس نے تک تک پایا جانے والا سب سے زیادہ ٹوکن استعمال کرنے والا کانفگریشن تھا، جس سے فی سوال لاگت Sonnet 5 سے تقریباً 50% زیادہ ہو جاتی ہے؛ CodeRabbit کے حقیقی کوڈ ریویو ٹیسٹ میں بھی ظاہر ہوا کہ Sonnet 5.5 اگرچہ پچھلے ورژن سے تقریباً دوگنا تیز ہے، لیکن Opus جو مشکل مسائل دریافت کرتا ہے، ان میں سے بھی کچھ غفلت کر دیتا ہے۔ اس لیے، یہ Opus کا مکمل متبادل نہیں بلکہ واضح اور دہرائے جانے والے کاموں کے لیے ایک نئے مرکزی ماڈل کے طور پر زیادہ مناسب ہے۔

مضمون کے مصنف، ذریعہ: Anthropic

Sonnet 5.5 Claude 5.5 سیریز کا دوسرا ماڈل ہے۔ Anthropic نے اسے ایک ہفتہ پہلے جاری کیے گئے، پیچیدہ کھلے طرح کے کاموں کے لیے مخصوص Opus 5.5 سے الگ کرتے ہوئے، واضح حدود والے اور بہت زیادہ دہرائے جانے والے روزمرہ کے کاموں — جیسے پروگرام کی خرابیوں کو درست کرنا، کوڈ کا جائزہ لینا، معلومات کی تحقیق کرنا، اور دستاویزات، پریزنٹیشنز اور اسپریڈ شیٹس بنانا — کے لیے ڈیزائن کیا ہے۔

ماڈل متن اور تصاویر کے ان پٹ کو سپورٹ کرتا ہے، 100 لاکھ ٹوکن کے کنٹیکس فراہم کرتا ہے، اور Claude ویب اور موبائل ایپ، Anthropic API، AWS، Google Cloud اور Microsoft Azure میں استعمال کیا جا سکتا ہے۔ API کا نام ہےclaude-sonnet-5-5۔ Anthropic نے پیرامیٹر کی تعداد، ماڈل آرکیٹیکچر، ٹریننگ ڈیٹا اور ٹریننگ کمپوٹنگ پاور شائع نہیں کی ہے، اس لیے نشوونما کا درست طور پر تعین نہیں کیا جا سکتا کہ یہ بنیادی ٹریننگ، پوسٹ ٹریننگ، انفرینس سٹریٹجی یا Agent ٹول چین کے بہتری سے آیا ہے۔

اس کا Opus سے فرق صرف "کمزور صلاحیتیں اور سستی قیمت" نہیں ہے۔ Anthropic نئی ماڈل تقسیم کو فروغ دینا چاہتی ہے: Opus غیر مکمل تعریف والے اور مستقل جائزہ کی ضرورت والے پیچیدہ کاموں کے لیے ذمہ دار ہوگا؛ جبکہ Sonnet پہلے سے واضح کاموں کو تیزی سے انجام دے گا اور کم لاگت پر کالز کی تعداد بڑھائے گا۔

Sonnet 5.5 نے Anthropic کے Terminal‑Bench 4.0 ٹیسٹ میں 70.6% حاصل کیا، جبکہ Sonnet 5 صرف 10.3% تھا، جو Opus 5.5 کے 66.4% سے بھی زیادہ ہے۔ یہ بینچ مارک Agent کو کمانڈ لائن ماحول میں متعدد مراحل کے پیشہ ورانہ کاموں کو پورا کرنے کی ضرورت ہے، جو کوڈ لکھنے، ٹرمینل آپریشنز اور ٹولز کے استعمال کے درمیان تعاون کو ظاہر کرتا ہے۔

دیگر منصوبوں میں بہتری اتنی زیادہ نہیں ہے، لیکن ابھی بھی واضح ہے۔ CursorBench 4.0 نے Sonnet 5 کے 34.1% سے بڑھ کر 55.5% حاصل کیا، جو Opus 5.5 کے 57.8% سے صرف دو فیصد کے فاصلے پر ہے؛ ٹولز کے ساتھ Humanity’s Last Exam میں 54.9% سے بڑھ کر 64.5% ہو گیا؛ OSWorld 2.1 کمپیوٹر آپریشنز میں 57.0% سے بڑھ کر 80.1% ہو گیا، جو Opus کے 81.8% کے قریب ہے۔

پیشہ ورانہ جانکاری کے کام GDPval-AA میں، Sonnet 5.5 کو 1844 Elo ملا، جبکہ Opus 5.5 کو 1846 ملا؛ لمبے وقت کے جانکاری کے کام AA-Briefcase میں، دونوں کے اسکور lần lượt 1811 اور 1822 تھے۔ اینتھرک کا خیال ہے کہ کچھ واضح حدود والے پیشہ ورانہ کاموں کے لیے اب فلگشپ ماڈل کو ڈیفالٹ طور پر استعمال کرنے کی ضرورت نہیں۔

تاہم، ان اعداد کو آسانی سے "Sonnet نے Opus کو پار کر لیا" کے طور پر نہیں جوڑا جا سکتا۔ مختلف منصوبوں کا استعمال کیا جانے والا استدلالی طاقت مکمل طور پر ایک جیسا نہیں ہے، اور Anthropic نے واضح طور پر کہا ہے کہ لمبے عرصے تک فیصلہ رکھنے اور کھلے ہدفوں کو سنبھالنے والے کاموں میں Opus اب بھی واضح طور پر زیادہ طاقتور ہے۔

ایک دلچسپ 반례 فرنٹیئرکوڈ سے آتا ہے۔ Sonnet 5.5 Xhigh ریزننگ اسٹرینتھ پر 52.1% حاصل کرتا ہے، لیکن Max پر بڑھانے سے یہ 46.2% تک گھٹ جاتا ہے۔ Anthropic کا کہنا ہے کہ ماڈل Max موڈ میں زیادہ بار کوڈ ریویو سب ایجنٹس کو شروع کرتا ہے، جس کی وجہ سے دو بار ٹائم آؤٹ ہو گیا یا کام کے دائرہ خارج کوڈ میں تبدیلی کی گئی، جس کی وجہ سے اسے ایوان میں ناکام قرار دے دیا گیا۔

یہ نتیجہ ظاہر کرتا ہے کہ زیادہ استدلال اور زیادہ ایجنٹ ضروری طور پر بہتر جواب کا مطلب نہیں ہے۔ ماڈل زیادہ جانچ، کام کے دائرے کو بڑھانے یا وقت کے بجٹ کا استعمال ختم کرنے کی وجہ سے نمبر کھو سکتا ہے۔

سونیٹ 5.5 کی علیحدہ قیمت سونیٹ 5 کے برابر ہے: ہر ملین انپٹ ٹوکن کے لیے 2 امریکی ڈالر، ہر ملین آؤٹپٹ ٹوکن کے لیے 10 امریکی ڈالر، کیش لکھنے کے لیے 2.5 امریکی ڈالر، اور کیش پڑھنے کے لیے 0.2 امریکی ڈالر، جو آپس 5.5 کے متعلقہ قیمت کا نصف ہے۔

اینٹروپک کا دعویٰ کہ "ایک منفرد کام کی لاگت تکریباً 30 فیصد سستی ہو سکتی ہے"، API کی قیمت میں کمی نہیں بلکہ اس کا مطلب ہے کہ ماڈل ایک ہی کام کو مکمل کرنے کے لیے کم اقدامات اور ٹوکن استعمال کرتا ہے۔ ادارہ کا کہنا ہے کہ اس کی پیداوار کی رفتار 30 فیصد سے زیادہ بڑھ گئی ہے؛ Slack نے اندر کے ٹیسٹ میں 14 فیصد تک ٹوکنز کم ہونے کا مشاہدہ کیا، Atlassian نے ایجنٹ کی رفتار میں تکریباً 30 فیصد تک اضافہ بتایا، اور Lovable نے ٹولز کے استعمال میں تقریباً ایک تہائی اور Shell چلانے کی بار بار دہرائی میں تقریباً آدھا کم ہونے کی رپورٹ دی۔

جب ایک ایسٹ مینجمنٹ کمپنی نے 2441 فنانشل سوالات، اخراج، تجزیہ اور پیش گوئی کے ٹاسکس پر ٹیسٹ کیا تو، Sonnet 5.5 نے اوسطاً ہر ٹاسک کے لیے تقریباً 121,000 ٹوکن استعمال کیے، جبکہ Sonnet 5 نے 497,000 ٹوکن استعمال کیے۔ چونکہ یہ تمام پارٹنرز کے پرائیویٹ ٹیسٹس ہیں، لہذا باہر کے لوگ ٹاسک کی مشکل، پرامپٹس اور مکمل آؤٹ پٹس کو چیک نہیں کر سکتے، لیکن نتائج ایک تبدیلی کی طرف اشارہ کرتے ہیں: نئے ماڈل کم تکرار، دوبارہ پڑھنے یا لمبے اندر کے استدلال کرتے ہیں۔

یہ ایجینٹ کے لیے خاص طور پر اہم ہے۔ روایتی چیٹ میں، ایک بار میں کئی سو ٹوکنز کا اخراج محدود اثر رکھتا ہے؛ لیکن لمبے ایجینٹس کو بار بار سیاق و سباق پڑھنا، ٹولز استعمال کرنا اور نتائج درست کرنا پڑتا ہے، جس کی ایک مرحلے کی زائدی دہرائے جانے کے بعد کئی چکروں میں وقت اور اخراجات میں نمایاں فرق پیدا کر سکتی ہے۔

آرٹیفیشل اینالیسس کے انفرادی ٹیسٹ نے سونیٹ 5.5 کے سب سے زیادہ استدلالی اسپیک کو 56 نمبر دیے، جو اس کے کل ذہانت انڈیکس میں آپس 5.5 کے 58 نمبروں سے صرف پیچھے ہے۔

لیکن اس کامیابی کے لیے بہت زیادہ قیمت ادا کرنی پڑی: سونیٹ 5.5 کی اوسطاً ہر ٹیسٹ میں تقریباً 193,000 آؤٹ پٹ ٹوکنز پیدا ہوتے ہیں، جو اس ادارے نے تک پیمانے پر ناپے گئے سب سے زیادہ سطح ہیں، جو Opus 5.5 Max اور Sonnet 5 Max سے تقریباً 60 فیصد زیادہ ہیں اور GPT‑6 Astra Max کے تقریباً سات گنا ہیں۔ اس کا تخمینہ لگایا گیا ہر سوال کی لاگت 7.60 ڈالر ہے، جو Sonnet 5 سے تقریباً 50 فیصد زیادہ ہے۔

یہ Anthropic کے "ٹاسک کی لاگت میں 최대 30% تک کمی" کے دعوے کے خلاف براہ راست تضاد نہیں ہے۔ آفیشل نتائج بنیادی طور پر عام ورکلوڈ اور کم استدلال شدت کا تذکرہ کرتے ہیں؛ جبکہ Artificial Analysis، صلاحیتوں کی حد تک پہنچنے کے لیے Max کو آن کرنے کا اندازہ لگاتا ہے۔

دونوں نتائج مل کر یہ ظاہر کرتے ہیں کہ استدلال کی شدت اب ماڈل کے پروڈکٹ کا ایک حصہ بن چکی ہے۔ سونٹی 5.5 Low یا Medium موڈ میں بہت اعلیٰ قیمت اور فائدہ کا تناسب فراہم کر سکتی ہے؛ اگر Opus کے ساتھ مقابلہ کرنے کے لیے استدلال کی شدت کو Max تک بڑھا دیا جائے، تو یہ ہر ٹوکن کے لحاظ سے سستی ہو سکتی ہے، لیکن اس کی پیداوار کی مقدار زیادہ ہونے کی وجہ سے لاگت کا فائدہ ختم ہو سکتا ہے۔

آرٹیفیشل اینالیسس نے یہ بھی پایا کہ سونیٹ 5.5 کی حقیقی معلومات کی درستگی تقریباً 54% ہے، جو اوپس کے 66% سے کم ہے؛ سائنسی استدلال کے منصوبوں میں بھی تقریباً 6 فیصد پیچھے ہے۔ "اوپس کے قریب" کا کہنا بنیادی طور پر ایجینٹ کے ٹرمنل آپریشنز اور کچھ علمی کاموں پر مبنی ہے، جو تمام صلاحیتوں تک نہیں پھیلایا جا سکتا۔

CodeRabbit نے معلوم خطاوں کے ساتھ ایک سیریز ریلیز ڈے ٹیسٹ کیے ہیں۔

13 مشکل کوڈ ریویو کیسز میں، ریزننگ کے ساتھ سونیٹ 5.5 نے 6 مسائل دریافت کیے، جبکہ سونیٹ 5 نے صرف 4؛ دونوں کی مؤثر تبصرہ درستگی ک lần 41.2% اور 40.0% ہے۔ تاہم، اوبس 5.5 کے استاندارڈ موڈ نے 8 مسائل اور میکس موڈ نے 10 مسائل دریافت کیے، جس سے پیچیدہ ریویو کاموں میں فرق واضح رہتا ہے۔

44 حقیقی پل ریکسٹس کے ایک دوسرے ٹیسٹ میں، سونیٹ 5.5 کو فی جائزہ کے لیے اوسطاً 6 منٹ 33 سیکنڈ لگے، جبکہ سونیٹ 5 کو 13 منٹ 31 سیکنڈ لگے۔ پہلے کی طرف سے پیدا کردہ تبصرے 24 فیصد کم تھے، اور سادہ تجاویز صرف پچھلی نسل کے تقریباً ایک تہائی تھیں؛ علیحدہ قیمتوں کے مطابق، مرکزی ماڈل کے کال کا اوسطاً 0.46 امریکی ڈالر تھا، جبکہ سونیٹ 5 کا 1.16 امریکی ڈالر تھا۔

تاہم، 44 PRs کا مکمل خطا کوریج اسکور ابھی تک مکمل نہیں ہوا ہے، اس لیے اب تک صرف یہ تصدیق ہو سکی ہے کہ یہ تیز ہے اور کم آؤٹ پٹ دیتا ہے، لیکن یہ تصدیق نہیں ہو سکی کہ کم لکھے گئے جائزے میں زیادہ حقیقی مسائل چھوٹ گئے ہیں۔ 13 مشکل کیسز کا نمونہ بھی بہت چھوٹا ہے، اور CodeRabbit خود یاد دلاتا ہے کہ یہ رجحان دیکھنے کے لیے کافی ہے، لیکن عام رینکنگ تقریب کے لیے نہیں۔

زیادہ مناسب مدل تقسیم یہ ہے: سونیٹ 5.5 ہر پی آر کا تیزی سے عام جائزہ لے؛ جب بھی سیکورٹی، مرکزی ساخت یا غلطیوں کے بہت بڑے اخراجات کا تعلق ہو، تو اسے اوپس یا انسانی ماہرین کو منتقل کر دیا جائے۔

اینٹروپک نے خاص طور پر سونیٹ 5.5 کی ویژوئل ڈیزائن کی صلاحیت پر زور دیا۔ باضابطہ ڈیمو نے سونیٹ 5 اور 5.5 کو الگ الگ ایک ہی HTML فائل میں 400 گرے بڑھیوں کے جھنڈ، ہوا سے ڈھالے گئے ریت کے ڈُنگر، اور 24 چھوٹی گھنٹیوں سے بنا ایک بڑی گھنٹی بنانے کے لیے متعین کیا۔ نئے ماڈل کا جنریشن زیادہ تیز ہے، اور اینیمیشن، لیئرز اور انٹرفیس کی مکملیت بھی زیادہ ہے۔

یہ ٹیمپلیٹ کے مطابق پریزنٹیشنز بھی تیار کر سکتا ہے۔ اینتھرپک نے ایک اندر کے ٹیسٹ میں کسی لسٹڈ کمپنی کے کوارٹرل رزلٹس، ٹیلیکانف ریکارڈ اور دس پیج کے سلائیڈ ٹیمپلیٹ فراہم کیے، جس پر دو ماہرین نے یہ فیصلہ کیا کہ Sonnet 5.5 کا پہلا ورژن براہ راست بھیجا جا سکتا ہے۔

یہ اب بھی فروشندہ کے منتخب کردہ نمونے ہیں، جو یہ نہیں ظاہر کرتے کہ ماڈل ہر کاروباری ٹیمپلیٹ کو مستقل طور پر سمجھ سکتا ہے۔ پیچیدہ گراف کی درستگی، برانڈ نامناسبی اور حوالہ جات کی جانچ اب بھی انسانی طور پر کی جانی چاہیے، لیکن یہ ماڈل کے مقابلے کے نئے رخ کو ظاہر کرتا ہے: صرف صحیح مواد ہی نہیں، بلکہ تقریباً تیار انٹرفیس اور دستاویزات فراہم کرنا۔

Sonnet 5.5 پہلا Sonnet ماڈل ہے جو جاری کے وقت فلیگشپ سائبر سیکیورٹی تحفظ کے ساتھ آیا۔ Anthropic کے مطابق، اس کی سائبر سیکیورٹی صلاحیتیں Opus 5 کے قریب پہنچ گئی ہیں، اس لیے عام خرابیوں کی مرمت جاری رہے گی، لیکن زیادہ خطرناک سائبر سیکیورٹی درخواستوں کو Sonnet 5 کو شفاف طور پر منتقل کر دیا جائے گا۔

کمپنی نے 1850 سے زائد سیناریوز میں صارفین کو جھوٹ بولنا، صارفین کے مفاد کے خلاف کام کرنا، اعلیٰ خطرے والے غلط استعمال میں مدد کرنا اور ماحولیاتی حدود کو عبور کرنا جیسے رویوں کا امتحان کیا ہے۔ افسران کا کہنا ہے کہ نئی ماڈل، سونٹیٹ 5 کے زیادہ تر اشاریوں پر یا تو برابر ہے یا اس سے بہتر ہے، اور تمام کلوڈ ماڈلز میں سب سے کم فعال طور پر کنٹینر کی حدود کا امتحان کرنے والا ہے۔

تاہم، یہ زیادہ تر Anthropic کے اندر کے آٹومیٹڈ ایوانٹس ہیں، جو حقیقی ماحول کے خطرات کے لیے مکمل ثبوت نہیں ہیں۔ کمپنی خود بھی تسلیم کرتی ہے کہ کوئی بھی ٹیسٹ سیٹ تمام ناکامی کے موڈز کو نہیں دریافت کر سکتا۔

Sonnet 5.5 Sonnet کا پہلا ورژن ہے جس میں اینٹی-ڈیلیوشن کلاسیفائر شامل کیا گیا ہے، اور "سوچ کے مواد کو برقرار رکھنے" کے مکینزم کو وسعت دی گئی ہے تاکہ مختلف اکاؤنٹس کے درمیان استدلال کا سیاق و سباق منتقل نہ ہو۔ عام ڈویلپرز پر اس کا محدود اثر ہے، لیکن کچھ اکاؤنٹس کے درمیان Claude Code ڈائلاگ کے ورک فلوز کو ایڈجسٹ کرنے کی ضرورت ہوگی۔

سونیٹ 5.5 نے نئی ماڈل آرکیٹیکچر کو شائع نہیں کیا، اور اپس کو مکمل طور پر نہیں پار کیا۔ اس کا اہم ترین معنی یہ ہے کہ گزشتہ وقت جو کام فلگش ماڈلز کے ذریعے کیا جاتا تھا، اب اسے تیز تر، ٹوکن فی ونٹ قیمت آدھی والے مڈ رینج ماڈلز پر منتقل کر دیا گیا ہے۔

ہر دن ہزاروں بار چلنے والے کسٹمر سپورٹ، کوڈ ریویو، ڈیٹا انویسٹیگیشن اور دستاویزات تیار کرنے والے سسٹمز کے لیے، ڈیپلویمنٹ کا فیصلہ عام طور پر صرف اعلیٰ اسکور نہیں، بلکہ ہر ٹاسک کے لیے کتنے اسٹیپس، کتنے ٹوکن، کتنی دیر انتظار کرنی پڑتی ہے، اور غلطیوں کو کیسے اپگریڈ کیا جا سکتا ہے، اس بات پر ہوتا ہے۔ سونٹ 5.5 کی قیمت بالکل ان اشاریوں پر مرکوز ہے۔