گوگل ڈیپ مائنڈ نے ایجینٹ-بنیادی فیصلہ سازی کے لیے جیمینی ڈیسیژن 1 کا آغاز کر دیا ہے

گوگل ڈیپ مائنڈ نے جیمینی ڈیسیژن 1 اور مخصوص ڈیسیژنز API جاری کیا ہے، جس کا مقصد ایجنٹ سسٹم میں بہت سے بند فیصلے — جیسے "کون سا ٹول بلایا جائے؟"، "کیا یہ پالیسی کے مطابق ہے؟"، "کس قسم کے ماڈل کو دیا جائے؟"، "خطرہ کتنے کا ہے؟" — کو عام جنریٹو ماڈل سے الگ کرنا ہے۔ ڈویلپرز ایک بار میں زیادہ سے زیادہ 25.6 لاکھ ٹوکن کا متن، تصویر، آڈیو، ویڈیو یا PDF جمع کر سکتے ہیں اور اسی مواد پر زیادہ سے زیادہ 1000 الگ الگ سوالات پوچھ سکتے ہیں؛ ماڈل الفاظ کے لحاظ سے وضاحت نہیں دیتا، بلکہ ایک منفرد فارورڈ کمپوٹیشن میں فوراً امکانات اور اعتماد کے درجات فراہم کرتا ہے۔ گوگل نے عام طور پر انجام دیے گئے اینڈ تو اینڈ لیٹنسی کو 150 سے 250 ملی سیکنڈ بتایا ہے، اور قیمت 0.10 امریکی ڈالر فی ملین ان پٹ ٹوکن ہے، جبکہ آؤٹ پٹ مفت ہے۔ تاہم، یہ لیٹنسی کے ڈیٹا زیادہ سے زیادہ 1.6 لاکھ ٹوکن اور زیادہ سے زیادہ 100 سوالات کے ٹیسٹ سے حاصل کئے گئے ہیں، اور یہ ثابت نہیں کرتے کہ مکمل کنٹeksٹ اور 1000 سوالات پر بھی وہی رفتار برقرار رہے گی؛ الگ الگ جانچوں نے اسے 18 ڈیسیژن ماڈلز میں نوواں درجہ دیا ہے، جس سے پتہ چلتا ہے کہ اس کا کالبریشن اور متعدد ماڈلٹی صلاحیت نمایاں ہے، لیکن یہ تمام فیصلہ سازی کے کاموں میں مجموعی طور پر بہترین نہیں ہے۔

مضمون کے مصنف، ذریعہ: Google DeepMind

اب بہت سے ایجینٹس، جبکہ صرف "ہاں" یا "نہیں" کا جواب دینا ہو، مکمل جنریٹیو ماڈل کا استعمال کرتے ہیں۔ ماڈل کو ماحول پڑھنا، استدلال کرنا اور ٹوکن کے لحاظ سے متن پیدا کرنا پڑتا ہے، اور اس کے بعد ایپلیکیشن جواب سے ایک بولین یا شرط کو تجزیہ کرتی ہے۔

یہ طریقہ لچکدار ہے، لیکن اعلیٰ ترین کام کے عمل میں بہت بے کار ہے۔ ایک صارف سہولت ایجینٹ کو صارف کے مقصد، اکاؤنٹ کے خطرے، مناسب پالیسیاں، ٹولز کے اختیارات، اپگریڈ کی قطار اور جواب ماڈل کا جائزہ لینا پڑ سکتا ہے؛ ہر مرحلے پر جنریٹو ماڈل کو بلایا جاتا ہے، جس سے تاخیر، اخراجات اور فارمیٹ پارس کرنے کی غلطیاں جمع ہوتی ہیں۔

جیمنی فیصلہ 1 ایک مختلف نقطہ نظر استعمال کرتا ہے: ڈویلپرز پہلے محدود امیدوار جوابات تعریف کرتے ہیں، اور ماڈل صرف ان انتخابات کو اسکور دینے کے لیے ذمہ دار ہوتا ہے۔ یہ چیٹ ماڈل نہیں ہے، نہ ہی وہ وضاحت تیار کرتا ہے، بلکہ ایک عام طور پر لمبے سیاق و سباق اور متعدد ماڈل معلومات کو سمجھنے والا طبقہ ہے جو درجہ بندی، ترتیب اور حکمت عملی کے فیصلے کرتا ہے۔

گوگل تین قسم کے سوالات فراہم کرتا ہے:

• "ہاں/نہیں" کا جائزہ لیں، شرط کے پوری ہونے کی احتمالیت درج کریں؛
• 2 سے 255 تک کے اختیارات میں سے منتخب کریں اور ہر اختیار کی نارملائزڈ احتمالات واپس کریں؛
• ایک پیش گئی ترتیب والی سکیل پر درجہ بندی کریں، جبکہ ہر درجے کی احتمالات اور وزنی اسکورز واپس کریں۔

ہر نتیجہ کے ساتھ 0 سے 1 کے درمیان اعتماد کا درجہ بھی ہوتا ہے۔ ایپ ایک حد طے کر سکتی ہے: اگر اعتماد زیادہ ہو تو خودکار طور پر عمل کیا جائے، اور اگر اعتماد کم ہو تو اسے زیادہ طاقتور ماڈل یا انسانی جائزہ کے لیے بھیجا جائے۔blog.google

ایک درخواست میں زیادہ سے زیادہ 256,000 ٹوکن شامل ہو سکتے ہیں اور ایک ہی ان پٹ کے لیے 1000 الگ الگ سوالات پوچھے جا سکتے ہیں۔

مثلاً، بیمہ کمپنیاں ایک اسکین کردہ دعویٰ فارم، مقامی نقصان کی تصاویر، صارف کے ساتھ گفتگو کے ریکارڈ اور اکاؤنٹ کی تفصیلات ایک ساتھ جمع کر سکتی ہیں، اور مانگ کر سکتی ہیں کہ ماڈل فیصلہ کرے کہ کیا مواد مکمل ہے، یہ کس قسم کی حادثہ ہے، کیا کوئی دھوکہ دہی کا علامت ہے، اسے کس قطار میں تقسیم کیا جانا چاہیے، اور اسے کتنی فوری ضرورت سے پروسیس کیا جانا چاہیے۔

شیئر کیا گیا مواد صرف ایک بار چارج کیا جائے گا، اور ہر سوال صرف اپنے اپنے احکامات اور اختیارات کے ٹوکنز کو شامل کرے گا۔ اس لیے، جب کئی دہائیوں کی جانچوں کو ایک ہی لمبی فائل کو پڑھنا ہو، تو اسے دہائیوں بار بھیجنا سے زیادہ محفوظ ہوگا۔ آفیشل قیمت 0.10 ڈالر فی ملین ان پٹ ٹوکن ہے، آؤٹ پٹ ٹوکنز کے لیے کوئی شرح نہیں، اور الگ الگ OCR یا آواز تبدیلی کے لیے کوئی اضافی فیس نہیں۔

لیکن یہ 1000 سوالات ایک دوسرے سے الگ ہونے چاہئیں۔ ماڈل دوسرے جائزہ کو پہلے جائزہ کے نتائج کو پڑھنے نہیں دے گا۔ اگر ورک فلو “پہلے دستاویز کی قسم کا جائزہ لیں، پھر قسم کے مطابق مختلف جانچ کے قوانین لاگو کریں” ہے، تو ڈیولپرز کو اب بھی کوڈ میں دونوں مراحل کو جوڑنا ہوگا، یا API کو دوبارہ کال کرنا ہوگا۔ جب تفصیلات تیار کرنی ہوں، کسی بھی فیلڈ کو استخراج کرنا ہو، یا جواب لکھنا ہو، تو اب بھی جنریٹ یا انفارمیشن اکسترکشن ماڈل کی ضرورت ہوگی۔

جیمنی فیصلہ 1 ٹوکن کی ترتیب سے ڈیکوڈنگ کو نظرانداز کرتا ہے اور تمام امیدواروں کو ایک ہی فارورڈ کمپیوٹیشن میں اسکور کرتا ہے۔ گوگل کے مطابق، ماڈل کی میڈین کمپیوٹیشن ٹائم 50 سے 100 ملی سیکنڈ ہے، جبکہ سروس اور نیٹ ورک کو شامل کرنے کے بعد اندرونی تاخیر تقریباً 150 سے 250 ملی سیکنڈ ہے۔

آفیشل ٹیسٹنگ کے مطابق، 1.6 ہزار ٹوکن تک کے متعدد ماڈل ان پٹ پر، ایک درخواست میں سوالوں کی تعداد ایک سے بڑھا کر 100 کر دینے پر تاخیر تقریباً مستقل رہی۔ اسی بنچ مارک میں، اس کی لاگت Interactions API کے ذریعے Gemini 3.5 Flash-Lite کو بلانے کی تुلنا میں تقریباً پانچ گنا کم ہے۔

ان اعداد کو تمام صورتوں میں ب без تردید لاگو نہیں کیا جا سکتا۔ مدل میں 256,000 ٹوکن اور 1000 سوالات کی اجازت ہے، لیکن گوگل نے ثابت نہیں کیا کہ دونوں حدود کو ایک ساتھ استعمال کرتے ہوئے بھی 250 ملی سیکنڈ میں پورا کیا جا سکتا ہے؛ بڑے ویڈیو، آڈیو اور PDF کے اپ لوڈ ہونے کا وقت مدل کے حساب کے اندر شامل نہیں ہے۔ عملی طور پر ڈپلومنٹ کے لیے آپ کو اپنی فائل کی لمبائی، سوالات کی تعداد اور نیٹ ورک کی جگہ کے مطابق دوبارہ پیمائش کرنا ہوگا۔

سنتی تصنیف کنندگان عام طور پر ایک پہلے سے مقرر شدہ ڈیٹا فارمیٹ کے لیے ہوتے ہیں، جبکہ جیمنی ڈیسیژن 1 ایک ہی درخواست میں متن، تصاویر، آڈیو، ویڈیو اور پی ڈی ایف کو ایک ساتھ پڑھ سکتا ہے۔

آفیشل نمونہ نے ماڈل کو ایک چائے کے کمرے کی میز کی تصویر اور ایک متن کا تفصیلی تعارف پیش کیا، اور تین باتوں کے بارے میں پوچھا: کیا کوئی اچھلکا ہوا مائع موجود ہے، کیا اسے پونچھنا چاہیے یا صاف کرنے والے کو بلانا چاہیے، اور موقع کی شدت کیا ہے۔ ماڈل نے محسوس کیا کہ تھوڑا سا اچھلکا ہوا مائع موجود ہے، تجویز کی کہ اسے کپڑے سے پونچھا جائے، اور ہر آپشن کی احتمالات فراہم کیں۔

ڈیولپرز تصویر یا ویڈیو کی ریزولوشن کم کر سکتے ہیں تاکہ ٹوکن اور فیسز کو کم کیا جا سکے، حالانکہ کچھ تفصیلات کھو جائیں گی۔ بیماری کے دعوؤں، مواد کی جانچ، مصنوعات کی چیکنگ یا ویڈیو واقعات کی شناخت کے لیے، OCR، آواز شناخت، ویژول ماڈل اور رول انجن کو الگ الگ چلانے کے بجائے یہ زیادہ آسان ہے؛ لیکن ایک یکجا ماڈل کا مطلب ہے کہ اگر وہ ویژول یا آواز کے مواد کو غلط سمجھ لے تو متعدد بعد کے فیصلے ایک ساتھ متاثر ہو سکتے ہیں۔

گوگل کا کہنا ہے کہ جیمنی ڈیسیژن 1 راؤٹنگ، استدلال، ترتیب اور متعدد ماڈل سمجھ کے معیاروں میں سب سے بہترین کارکردگی دکھاتا ہے اور سب سے کم کیلبریشن کی غلطی حاصل کرتا ہے۔ اس کے باقاعدہ موازنے میں، ماڈل JevBench پر 92.2% تک پہنچا، جو GPT‑6 Luna کے 90.9% اور Jev 1.14 کے 90.0% سے زیادہ ہے؛ کیلبریشن کی غلطی 0.0250 ہے، جو Jev کی 0.0494 کا تقریباً نصف ہے۔

لیکن اس نے تمام کاموں پر قبضہ نہیں کیا۔ Jev، براؤزر کے کاموں کے فیصلے Mind2Web Multimodal میں 86.8% کے ساتھ Gemini کے 86.2% سے تھوڑا زیادہ ہے، اور ٹولز کو کب بلانا ہے When2Call پر 82.0% کے ساتھ Gemini کے 79.9% سے آگے ہے۔

آرٹیفیشل اینالیسس ڈیسیژن انڈیکس v2.1 نے جیمینی ڈیسیژن 1 کو 66 نمبر دیے، جو 18 ڈیسیژن ماڈلز میں نویں نمبر پر ہے۔ یہ جانکاری اور استدلال والے اجزاء میں پہلے نمبر پر ہے، لیکن AA‑Paperclip ٹیسٹ میں جہاں ایک ساتھ ریزومہ، انوائس، رسید یا تحقیقی مقالہ کو صحیح طریقے سے سمجھنا ضروری ہوتا ہے، صرف 33% دستاویزات میں تمام سوالات کے جوابات صحیح تھے؛ جبکہ Drex Max v1.1 کا اعداد و شمار 63% ہے۔ انفرادی When2Call ٹیسٹ میں بھی یہ Drex Max اور Jev سے پیچھے رہا۔

یہ بتاتا ہے کہ "بہترین ترتیب دی گئی اعتماد" اور "ہر فیصلہ سب سے زیادہ درست" ایک ہی بات نہیں ہیں۔ اچھی طرح ترتیب دیا گیا ماڈل اپنے غلط ہونے کے امکان کو بہتر طور پر سمجھتا ہے، جس سے انسانی جانچ کی سرحدیں طے کرنا آسان ہو جاتی ہیں؛ لیکن اگر اطلاق غلطی سے اعلیٰ اعتماد کو حقیقت کی ضمانت سمجھ لے، تو ابھی بھی غلط فیصلے خودکار طور پر لگائے جا سکتے ہیں۔

گوگل نے اس API کو کئی مصنوعات میں استعمال کیا ہے۔ جیمنی نوٹ بک اس کا استعمال کرتا ہے تاکہ یہ فیصلہ کرے کہ کون سا ماڈل اور کتنی سوچ کی شدت کو کوئی سوال دیا جائے، جسے باقاعدہ طور پر عام سوالات کی تاخیر میں 40 فیصد تک کمی کہا جاتا ہے؛ اسٹچ اس کا استعمال کرتا ہے تاکہ آواز یا کلک سے پیدا ہونے والے ڈیزائن میں تبدیلیوں کا جلد جواب دے سکے؛ گوگل لیبز کا سی سی 200 سے زائد ایموجیز میں سے رد عمل منتخب کرتا ہے؛ اور گوگل سرچ اسے ایم سی پی ٹول کال سے پہلے رکھتا ہے تاکہ مخالفانہ سرگرمیوں اور خطرناک مواد کا پتہ لگایا جا سکے۔

یہ کیسز اس کی حقیقی پوزیشن کو ظاہر کرتے ہیں: یہ صارفین کے سامنے آنے والی ذکاوت نہیں ہے، بلکہ ایجنٹ کے پیچھے موجود کنٹرول پلین ہے۔ جنریٹو ماڈل کوڈ لکھنے، زبان کو منظم کرنے اور کھلے مسائل کو حل کرنے کے لیے ذمہ دار ہے؛ فیصلہ ساز ماڈل اگلے اقدام کے طور پر کیا چلانا ہے، کیا چلانے کی اجازت دینی ہے، کتنی طاقتور ماڈل درکار ہے، اور خودکار عمل کب روکنا چاہیے اور انسان کو سونپنا چاہیے، یہ فیصلے کرنے کے لیے ذمہ دار ہے۔

یہ تقسیمِ کام بڑے پیمانے پر ایجینٹ سسٹم کے لیے صرف عام ماڈل کو بڑھانے کے مقابلے میں زیادہ مناسب ہو سکتی ہے، کیونکہ بہت سے روزمرہ کے مراحل کو "زیادہ اچھا لکھنا" کی ضرورت نہیں ہوتی، صرف کافی تیز، سستا اور احتمالی طور پر قابلِ اعتماد طریقے سے شاخ منتخب کرنے کی ضرورت ہوتی ہے۔

Gemini Decision 1 ابھی Gemini Developer API کے `v1beta` اینڈ پوائنٹ کے ذریعے دستیاب ہے، اور Google Cloud سپورٹ کو "آنے والے" کے طور پر نشان زد کیا گیا ہے۔ Google نے پیرامیٹر کی تعداد، ٹریننگ ڈیٹا، ٹریننگ کمپوٹیشن، مخصوص آرکیٹیکچر یا مکمل سسٹم کارڈ شائع نہیں کیا ہے، اس لیے نہیں کہا جا سکتا کہ یہ موجودہ Gemini ماڈلز سے ڈسٹلیشن کے ذریعے تیار کیا گیا ہے یا نہیں، اور ٹریننگ لیول کے مطابق سیفٹی اور ڈیٹا دعوؤں کی مستقل تصدیق بھی نہیں کی جا سکتی۔