باتیں کم، روزانہ ڈوگ (Doge) کے ساتھ شروع کریں!
توہیں ہی ابھی، ماہر کاپاسی نے اعلان کیا کہ "ہم" Anthropic نے بڑے ماڈلز کو طاقت دینے کے لیے ایک بالکل نئے طریقے کا استعمال شروع کر دیا ہے—
The Lord of the Rings.
کاپاسی کے مطابق، یہ "دی لارڈ آف دی رنگز" بینچ مارک، پہلے کے مقبول "پیلیکن سائیکلنگ" SVG ٹیسٹ کی جگہ لے رہا ہے۔
خاصة طور پر، کاپاسی نے نے فوری طور پر "د رنگ آف دی رنگ" کا آغاز Opus 5 کو دے دیا، تاکہ ماڈل Three.js کے ذریعے ایک پورا "مڈل ایرتھ" تیار کرے۔
آخری اثر کے بارے میں، یہ کچھ حد تک 1990 کی دہائی کے آخر اور 21ویں صدی کے آغاز کی چینی 3D اینیمیٹڈ فلموں جیسا ہے: بہت خشن اور بہت مجازی۔
لیکن ایک نظر سے، اگر آپ نیوزی لینڈ میں واقع فلم "د رنگ آف دی رنگ" کے فلمائی مقام ہوبٹن کو جانتے ہیں، تو آپ کو ایک چھوٹی سی ملتی جلتی شکل نظر آ سکتی ہے～
تاہم، یہ ایک ایسا معمولی سا چیز ہے جس نے Opus 5 کے لیے 1,000,000 ٹوکن، 2 گھنٹے اور 5,500 لائنز کوڈ خرچ کیا۔
بالکل، اسٹیج پر صرف کلود ہی اکیلا خوبصورت نہیں ہے۔
سب سے مزیدار، نیٹ صارفین کی طرف سے ابھی پیش کی گئی ایک کٹوری ہے ڈیپسیک V4 فلیش ورژن۔
"چینی لوگ اڑ سکتے ہیں" کا مکمل منظر، جس میں تمام کردار ہوا میں تیر رہے ہیں۔
ان موجودہ آنکھوں سے دیکھے جانے والے خطا کے سامنے، کاپاسی بھی کافی منصفانہ ہے۔
اس نے اشارہ کیا کہ اپس 5 ابھی اپنے خود بنائے گئے دنیا میں "داخل" نہیں ہو سکتا، بلکہ صرف مختلف وقت پر اسکرین شاٹس لے کر آہستہ آہستہ یہ جاننے کی کوشش کرتا ہے کہ کہاں مسئلہ ہے۔
اور یہ بالکل موجودہ بڑے ماڈل کی ایک واضح کمزوری کو ظاہر کرتا ہے:
وہ کوڈ لکھ سکتے ہیں، مناظر بناسکتے ہیں، گیمز تیار کر سکتے ہیں، لیکن ویڈیوز کو حقیقی طور پر نہیں سمجھ سکتے اور نہ ہی اپنے بنائے ہوئے گیم کو خود کھیل سکتے ہیں۔
دو گھنٹے، ایک مڈل ایرتھ بنائیں
آئیے اب یہ "انگوٹھی کا بادشاہ" ٹیسٹ کیسے کیا جاتا ہے، اس کو دیکھتے ہیں۔
اگر کاپاسی کے ٹویٹ کو حرفی طور پر سمجھا جائے، تو اس کا مرکزی ہدایت نامہ، اوپس 5 کو دیا گیا، وہی ہوگا جو دی لارڈ آف دی رنگس کے پہلے فصل، "منتظر شام" کی شروعات ہے۔
بیلبو بیگنز، دی بَگ ڈِگ، نے اپنے 111ویں سالگرہ کا بڑا جشن منانے کا اعلان کیا، اور ہوبٹن میں فوراً بحث شروع ہو گئی...
جس کو دلچسپی ہو وہ خود آزمائیں۔
اس کے علاوہ، کاپاسی نے پرومپٹ میں Three.js کا ذکر بھی کیا ہے، جو ایک جاوااسکرپٹ لائبریری ہے جو کوڈ کے ذریعے 3D مناظر بنانے کے لیے استعمال ہوتی ہے۔
اس لیے، اپس 5 کا کام یہ ہے کہ وہ پہلے "د رنگز آف پاور" کے شروع کے متن کو سمجھے، پھر اسے ایک ایسے 3D دنیا میں تبدیل کرے جو براؤزر میں ریل ٹائم میں چل سکے۔
پورے عمل میں، اوپس 5 کو بہت سے بہت سے ہندسوں کا استعمال کرکے کردار، عمارتیں اور سامان بنانا ہوگا، انہیں ایک ایک کرکے x، y، z کوآرڈینیٹ سسٹم میں رکھنا ہوگا، اور پھر کیمرہ، روشنی اور اینیمیشن کو ترتیب دینا ہوگا۔
کسی کردار کب حرکت کرے گا، کیمرہ کس طرف موڑا جائے گا، روشنی کیسے تبدیل ہوگی، اور منظر میں موجود اشیاء کیسے ایک دوسرے سے تعامل کریں گی — یہ سب مدل کو کوڈ کے ذریعے تعریف کرنا ہوگا۔
اگرچہ آخری منظر کو تفصیلی نہیں کہا جا سکتا، اور اکثر مسائل جیسے مودنگ، تیرنا وغیرہ دکھائی دیتے ہیں، جیسے کہ کردار کا جسم اور سر الگ ہو جائے... لیکن پورا منظر کم از کم حقیقی طور پر تعمیر کر لیا گیا۔
یہ یہ نہیں ہے کہ ویڈیو ماڈل براہ راست پکسل کے فریمز پیدا کر رہا ہے۔
Three.js کو انسان، اشیاء اور منظر کو تین بعدی اشیاء کے طور پر پہلے تعمیر کرنا ہوگا، پھر کوڈ کے مطابق ان کی پوزیشن، زاویہ اور حرکت کی حالت کو حقیقی وقت میں کلکولیٹ کرنا ہوگا۔
تو، جو ڈیمو ہم دیکھ رہے ہیں وہ صرف ایک عام AI جنریٹڈ ویڈیو نہیں ہے، بلکہ ایک 3D ویب سین کے رن ٹائم سکرین ریکارڈنگ ہے۔
تاہم، کاپاسی نے کمنٹس سیکشن میں بھی اشارہ کیا کہ پروگرامیٹک 3D اور ویڈیو جنریشن کا مطلب یہ نہیں کہ آپ کو صرف ایک کا انتخاب کرنا ہو۔
ایک صارف نے تجویز کیا ہے کہ اس خام Three.js ریکارڈنگ کو Seedance کے لیے ریفرنس ویڈیو کے طور پر استعمال کیا جائے اور پھر ویڈیو ماڈل کو اعلیٰ کوالٹی میں دوبارہ رینڈر کیا جائے۔
کاپاسی نے جلد ہی متفق ہو گیا۔
اس کے خیال کے مطابق، پروگرامنگ کوڈ کو سکیس کنٹرول اور ڈائریکشن کا کام سونپا جا سکتا ہے، جس میں کردار کہاں کھڑے ہوں گے، کیمرہ کیسے حرکت کرے گا، اور کہانی کیسے آگے بڑھے گی، یہ بنیادی ڈھانچہ طے کیا جائے گا۔
اس کے بعد، ریکارڈنگ کو ویڈیو-ٹو-ویڈیو ماڈل کو دیں تاکہ یہ ٹیکسچر، روشنی اور تفصیلات شامل کرے اور پورے مڈل ایرتھ کی ظاہری شکل کو بہتر بنائے۔
آواز کے لیے، اس بار Opus 5 نے سب کچھ اکٹھا نہیں کیا۔
کاپاسی نے کہا کہ آواز کی معیار کے لیے انفرادی ضروریات کے پیش نظر، آخرکار الیون لیبس استعمال کیا گیا۔
اس طرح، شروع کی گئی وہ دکھائی دینے والی، کیمرے کے لیے تیار اور ناٹکی بیان والی "دی لارڈ آف دی رنگز" ڈیمو پیدا ہو گئی۔
کاپاسی نے پورے پروجیکٹ کو اوپن سورس بھی کر دیا ہے، مزید تفصیل کے لیے نیچے دیا گیا لنک دیکھیں۔
نیٹ صارفین بیکاپسی سے کہیں زیادہ دلچسپ ہیں
کیپاسی نے ڈیمو جاری کرنے کے فوراً بعد، کئی صارفین نے اسے ٹیسٹ کرنے کے لیے آنے شروع کر دیا۔
Overall, all I can say is:
اس بار کے نیٹ صارفین کا خیال کپاسی سے کہیں زیادہ تخلیقی ہے۔
کسی نے کلاؤڈ کا استعمال کرتے ہوئے "Earth Online" نامی ایک منصوبہ شروع کیا ہے، جس کا مقصد پوری زمین کو ایک گروہ AI ایجینٹس کے ذریعے شامل کرنا ہے۔ کلک کریں بن گیا۔
ابھی تک، ایجنٹ نے پوری دنیا نہیں بنائی، صرف ایک لو-پولیگون اسٹائل کا سان فرانسیسکو ویٹر فرانت ہی تعمیر کیا ہے۔ لیکن موجودہ منظر کے مطابق، عمارتوں کے تناسب، انسانی سائز اور کلیہ انداز تمام ایک جیسے برقرار رکھے گئے ہیں۔
یہ اثر کچھ اس طرح کا ہے جیسے لیگو دنیا کی اینیمیشن ہو۔ اس کا فن تصور سادہ ہے، لیکن کردار، منظر اور حرکت ایک ہی دنیا میں مستقل طور پر چلتی ہیں۔
اس راستے پر آگے بڑھیں، سادہ اسٹائل کی اینیمیشن اور ہلکے گیمز، جن میں AI نیٹو کا کچھ خاکہ پہلے ہی نمودار ہو چکا ہے۔
ایک صارف نے Fable 5 اور GPT-5.6 Sol کا استعمال کرتے ہوئے نیو یارک شہر کا 3D ڈیجیٹل ماڈل بنایا اور اس میں ریل ٹائم ڈیٹا شامل کیا۔
ماڈل صرف نیویارک کی گلیوں اور عمارتوں کو درست طریقے سے رکھنا ہی نہیں بلکہ مختلف علاقوں کے درمیان فضائی تعلقات بھی برقرار رکھنا ہے۔ اس لیے مصنف نے یہ پیشکش کی ہے کہ یہ ورچوئل دنیا بنانے کا کام شاید ایک نیا فضائی استدلال بینچ مارک بن سکتا ہے۔
ابھی اور زیادہ حیران کن باتیں آ رہی ہیں۔
کچھ صارفین نے کینیے ویسٹ کے کنسرٹ کے ٹکٹ نہ خرید سکنے کے باعث اپنے براؤزر میں AI کا استعمال کرکے اپنا خود کا کنسرٹ منعقد کر لیا۔
پورا منصوبہ اب بھی Three.js کے ذریعے تعمیر کیا گیا ہے۔ صرف ایک HTML فائل ہے، کوئی تیار 3D ماڈلز استعمال نہیں کیے گئے، میدان، کردار اور روشنیاں سب کچھ کوڈ سے تخلیق کی گئی ہیں۔
پورے کنسرٹ کے لیے 14 گانوں کی تیاری کی گئی، جس میں ہر گانا الگ روشنی کے ڈیزائن اور ایک منفرد گول سٹیج ویژول کے ساتھ آیا۔
عام صارفین ٹرائل کلپس سن سکتے ہیں، اور جب وہ Spotify Premium سے منسلک ہو جائیں تو وہ مکمل ٹریکس اور پورے پرفارمنسز کو بھی چلاسکتے ہیں۔
ٹکٹ نہیں ملی، اپنے آپ کو ایک پورا گھر دے دیا، بہت نقصان ہوا!
ابھی ختم نہیں ہوا!!!
کاپاسی نے اصل پوسٹ کے آخر میں یہ بھی خیال کیا کہ بعد میں ان 3D دنیاؤں میں گیم پلے شامل کیا جا سکتا ہے، تاکہ صارفین مشاہدہ کرنے والے، NPC یا کہانی کے کردار کے طور پر ان میں داخل ہو سکیں۔
نتیجہ یہ ہوا کہ کیپاشین نے اسے منصوبہ بندی کرنے سے پہلے ہی نیٹ صارفین نے اسے تیار کر لیا۔
اس منصوبے میں Opus 5 اور Three.js کا استعمال کیا گیا ہے، جس سے نہ صرف چلائی جا سکتی ہے اور تفاعل کیا جا سکتا ہے بلکہ آڈیو بھی شامل کیا گیا ہے۔
مزید 3D ڈیزائن کے کیس سٹڈیز بھی مسلسل ظاہر ہو رہے ہیں۔ عمارات کے پیمانے، جگہ کی ترتیب اور منظر کے انداز تک، Opus 5 بڑے پیمانے کے منصوبوں میں نسبتاً مستقل ایک جیسے پہلو برقرار رکھ سکتا ہے۔
اسی طرح کے مثالیں کئی ہیں، جنہیں یہاں الگ الگ نہیں دکھایا جا رہا۔
客观地说，这些作品距离真正成熟的游戏仍有距离。
کیا یہ متعدد کھیل دلچسپ ہیں، کیا وہ لمبے وقت تک مستقل رہتے ہیں، اور کیا کھلاڑی واقعی 15 منٹ تک ان میں رہنا چاہیں گے — اب تک کوئی جواب نہیں ہے۔
لیکن ریل ٹائم 3D مواد اور قابل کھیل پروٹو ٹائپ بنانے کی رکاوٹیں واقعی کافی کم ہو گئی ہیں۔
اور اس سے بھی بہتر، اگر مدل کی صلاحیت کا ایک نیا طریقہ ہو جو اس کے ساتھ دلچسپ اور مزیدار بھی ہو؟
پیلیکن، سفر کا اختتام ہو گیا
تو، بڑے ماڈل کو اچانک "د رنگز آف فارسٹ" تخلیق کرنے کیوں کہا جا رہا ہے؟
یہ بات کچھ سال پہلے کے مقبول "پیلیکن سائیکل چلا رہا ہے" ٹیسٹ سے شروع ہوتی ہے۔
یہ سوال سب سے پہلے ڈیولپر سائمن وِلیسن نے پیش کیا تھا، اور صرف ایک جملہ ہونا چاہیے:
ایک سیلکن کے سائیکل چلانے کا SVG تصویر بنائیں۔
ہاں، یہ سوال آسان لگتا ہے، لیکن اصل میں یہ ماڈل کو کافی چیلنج کرتا ہے۔
چونکہ SVG ایک تصویر کی طرح دکھائی دیتی ہے، لیکن اس کے نیچے ایک کوڈ کی سلسلہ ہوتی ہے۔
ماڈل کو صرف یہ جاننا ہوگا کہ پیلیکن اور سائیکل کیسے دکھائی دیتے ہیں، بلکہ انہیں لائنز، سرکلز اور بہ ضلعوں میں تقسیم کرنا ہوگا، اور پھر ہر جزو کی جگہ کو کوآرڈینیٹس کے ذریعے منظم کرنا ہوگا۔
زیادہ اہم بات یہ ہے کہ پیلیکن اور سائیکل خود بخود اچھی طرح میل نہیں کھاتے۔
سائیکل کا فریم، ٹائر اور پیڈلز کو درست جیومیٹری میں رکھنا چاہیے؛ جبکہ پیلیکن کی بڑی چونچ، مختصر ٹانگیں اور ایسا جسم ہے جو سائیکل چلانے کا کوئی اندازہ نہیں دیتا۔
دونوں کو ملا کر، ماڈل کیا سمجھ رہا ہے کہ کیا فضاوی تعلق ہے، تقریباً ایک نظر سے واضح ہو جاتا ہے:
پہیہ کھڑا ہے یا نہیں، پاؤں پیڈل پر ہیں یا نہیں، پرندہ سائیکل چلا رہا ہے یا اس کے فریم سے ٹکڑے ٹکڑے ہو گیا ہے۔
اوپر دیے گئے 2024 کے آخر کے ڈیمو کو دیکھیں～
اسی لیے، "پیلیکن سائیکل چلا رہا ہے" ایک عوامی ٹیسٹ بن گیا جس سے بڑے ماڈل کی جگہی سمجھ، اشیاء کے ترکیب اور کوڈ جنریشن کی صلاحیت کا جائزہ لیا جاتا تھا۔
لیکن جیسے جیسے ماڈل زیادہ طاقتور ہوتے جا رہے ہیں، اس پیلیکن کو بھی جلد ہی اپنی سرحد تک پہنچ جانا ہے۔
نیچے دیکھیں ڈیپسیک R1 اور ڈیپسیک V4 کی کارکردگی سے پتہ چلتا ہے کہ موجودہ ماڈل اس سوال کو کافی اچھی طرح سے حل کر سکتا ہے۔
مزید اہم بات یہ ہے کہ ایک SVG صرف ماڈل کی ایک بار کی پیداوار کا جائزہ لے سکتی ہے۔
یہ مدل کو ایک پیچیدہ منصوبہ منصوبہ بندی کرنے، کئی گھنٹوں تک لگاتار کام کرنے، اور ہزاروں لائنوں کوڈ میں اپنی غلطیوں کو دہرائیں اور درست کرنے کی صلاحیت نہیں جان سکتا۔
اس طرح، کاپاسی نے ایک چھوٹی سی "ایک تصویر بنائیں" کی تحریر کو "ایک دنیا تعمیر کریں" کے بڑے منصوبے میں تبدیل کر دیا—
Pelican ab nikal sakte hain, Middle-earth ab se zimmedar hai.
Kapasi's Pelican
جلد ہی، کاپاسی نے "پیلیکن ٹیسٹ" کے سوالات تبدیل کرنے کی خبر بھی تمام کمیونٹیز تک پہنچا دی۔
ہیکر نیوز کے اعلیٰ ووٹ والے تبصرے کے مطابق، جبکہ ان ڈیمو کی ویژول کوالٹی عام ہے، یہ اس بات کی نشاندہی کرتا ہے کہ ہمیں ایک منفرد تصویر بنانے کے مقابلے میں زیادہ مشکل ایک نیا ٹیسٹ درکار ہے۔
نیا معیار صرف اس بات پر مبنی نہیں ہونا چاہیے کہ ماڈل تصویر کو درست طریقے سے بنانے میں کامیاب ہو سکتا ہے، بلکہ اس بات کا بھی جائزہ لینا چاہیے کہ وہ دنیا کو کیسے سمجھتا ہے۔
کیونکہ “پیلیکن سائیکل چلا رہا ہے” بہت دیر سے استعمال ہو رہا ہے۔
ماڈلز اس قسم کے کاموں پر لگاتار ریکارڈ توڑ رہے ہیں، اور ان کے درمیان فرق اب دیکھنا مشکل ہو رہا ہے۔
اس کے برعکس، ایک مکمل 3D دنیا بنانے کے لیے ماڈل کو افراد اور اشیاء کے درمیان جگہی تعلقات کو سمجھنا ہوگا، کیمرے، حرکت اور منظر کے تبدیلیوں کو سنبھالنا ہوگا، صرف ویڈیو جنریٹر ماڈل کو بلانے کے بجائے جو ایک منظر پیدا کر دے۔
بالکل، کچھ لوگوں نے مخالفت بھی کی ہے۔
The pelican test is sufficiently simple, low-cost, and results are easy to compare.
ایک ماڈل کا ٹیسٹ کرنے کے لیے پورے 3D دنیا کو جنریٹ کرنے کے لیے اتنے زیادہ ٹوکن استعمال کرنا، تھوڑا سا کمپیوٹیشنل طاقت کو پٹاری کی طرح استعمال کرنے جیسا ہے۔
اسی دوران، Three.js کی خود کی صلاحیت کو بڑے ماڈلز کی مجموعی صلاحیت کا جائزہ لینے کے لیے استعمال کیا جا سکتا ہے، اس پر بھی سوال اٹھایا گیا۔
کچھ لوگ کہتے ہیں کہ اس قسم کے ڈیمو صرف یہ ثابت کر سکتے ہیں کہ Anthropic نے Three.js کوڈ پر اچھی طرح تربیت حاصل کی ہے، لیکن یہ نہیں ثابت کرتے کہ ماڈل کو فضائی اور فزکل دنیا کی حقیقی سمجھ ہے۔
لیکن جلد ہی صارفین نے جواب دیا:
ایک انتہائی انتزاعی اور غیر واضح ادبی متن کو 3D اینیمیشن میں تبدیل کرنا، جس میں ماڈل کو فضائی تعلقات، فزکل قوانین، روزمرہ کی اشیاء، اور 3D ٹرانسفارمیشنز اور کمپیوٹر گرافکس کے ریاضیاتی مسائل کو одно وقت ہینڈل کرنا ہوگا۔
اگر یہ صرف "Three.js لکھنا" کہلائے جا رہا ہے، تو یہ 5500 لائنز کو کم سے کم سمجھا جا رہا ہے۔
اور صارفین نے ایک زیادہ کھلا سوال پیش کیا:
کیا "اسپیس ریزننگ" واقعی بڑے ماڈلز کے معمولی متن اور کوڈ کے معالجہ کے دوران کی جانے والی استدلال سے مختلف ہے؟
ایک نظریہ یہ ہے کہ تصویر کا درست ہونا ماڈل کی صلاحیت پر منحصر ہے کہ وہ "آگے پیچھے، اندر باہر، قریب دور، اور چھپا ہوا" جیسے فضائی تعلقات، اور مختلف نظریات میں اشیاء کی فاصلہ، زاویہ اور نسبی سائز کو سمجھتا ہے۔
لیکن دوسری نظریہ کے مطابق، چاہے ماڈل "پتھر کے پاس" یا "آرے کے اندر" کے ساتھ کام کر رہا ہو، وہ شاید ایک ہی کام کر رہا ہو: سیاق و سباق کے مطابق ٹوکن کو ایک ایک کر کے پیدا کرنا اور اس عمل کے دوران استدلال مکمل کرنا۔
اگر یہی حالت ہے، تو Opus 5 نے صرف ایک اچانک ظاہر ہونے والی "جگہ کی صلاحیت" نہیں دکھائی۔
زیادہ احتمال ہے کہ بڑے زبانی ماڈلز کی اصل میں متن اور کوڈ کو سمجھنے کی جامع استدلالی صلاحیت، اب قدرتی طور پر تین ابعادی دنیا تک پھیل چکی ہے۔
ایک پیلیکن بنانے سے لے کر ایک مڈل ارتھ کا ڈھانچہ تعمیر کرنے تک، عنوان تبدیل ہو گیا ہے، لیکن پیچھے کا ٹیسٹ شاید ہمیشہ ایک ہی سوال ہے:
کیا ماڈل اپنی دنیا کی سمجھ کو ایک ایسی حقیقی ساخت میں تبدیل کر سکتا ہے جو عملی طور پر چل سکے؟
اور آخر میں، شاید ایک اور اور بھی عجیب سوال ہے—
اگر عام ماڈل خود کوڈ لکھ کر 3D دنیا بنانے لگ جائے اور Seedance، ElevenLabs جیسے API کا استعمال کر کے تصویر اور آواز پیدا کر دے، تو صارفین کو ایک خاص ویڈیو جنریٹر پروڈکٹ کھول کر Prompt درج کرنے کی کتنی ضرورت ہے؟
حوالہ جات کا لنک
[1]https://karpathy.ai/lotr-movie/
[2]https://simonwillison.net/2025/Jun/6/six-months-in-llms/
[3] https://x.com/wizardbrainz/status/2083012159341203708
[4]https://x.com/aniketjart/status/2083645765097033845
[5]https://x.com/davidfromkansas/status/2075691129899528254
[6]https://x.com/MindaugasLT/status/2083488027343470939
یہ مضمون ویچن گروپ "Quantum Bit" سے ہے، مصنف: henry