بڑے ماڈل کے دائرے میں "میکھا ٹیسٹ" کا رواج ہے۔
ہالی، ایک نامعلوم ماڈل جس کا نام Ox Alpha ہے، اخیر میں OpenRouter پر ظاہر ہوا۔ Ox کا مطلب خود "بیل" ہے، اور چینی ویب صارفین نے اسے ایک زیادہ عام نام دے دیا:
"نیو لائی" ماڈل۔
OpenRouter کی افشا کے مطابق، Ox Alpha کے پاس 100 ہزار ٹوکن کا کنٹیکس ہے، جو متن، تصاویر اور ویڈیوز کے ان پٹ کو سپورٹ کرتا ہے، ٹولز کو کال کر سکتا ہے اور اب مکمل طور پر مفت ہے۔
شروع ہونے کے فوراً بعد، ڈویلپرز نے اسے کوڈنگ ایجینٹ سے جوڑ دیا اور اسے حقیقی کوڈ ریپوزٹری میں ٹیسٹ کے لیے ڈال دیا۔
ابتدائی ٹیسٹ نتائج کے مطابق، اس ناشناختہ «نیولائی» موڈل کی صلاحیتیں موجودہ بہترین کوڈ موڈلز کے قریب پہنچ گئی ہیں۔
اسی دوران، ایک صارف نے دعویٰ کیا ہے کہ کوڈ ایرینا پر ایک نام کورین کے نام سے ایک نامعلوم ماڈل ٹیسٹ کیا جا رہا ہے۔ کچھ لوگوں کا خیال ہے کہ یہ کیمی K3.1، کچھ لوگ اسے Qwen اور MiMo کی طرف بھی اشارہ کرتے ہیں، جس کے بارے میں کچھ بھی کہا جاتا ہے۔
اگست میں بڑے ماڈل کے دنیا میں، اچانک ایک بڑا اسکریب گیم بن گیا۔
"نیو لائی" مڈل کا پرفارمنس نمایاں رہا
اوکس الفا کی حقیقی توجہ کا باعث کوڈنگ کی صلاحیت ہے۔
ڈیولپر بن ڈیویس نے ڈیپ ایس وی سے 10 ٹاسکس نکال کر ٹیسٹ کیا، جس میں اکس الفا نے 8 ٹاسکس مکمل کیے اور 80% کامیابی کا ریکارڈ بنایا۔ اس کے جاری کردہ مقابلہ کے نتائج میں، فیبل 5 میکس 65%، GLM-5.3 میکس اور گروک 4.6 xhigh دونوں 62%، اور GPT-5.6 Sol Max 52% تھا۔
DeepSWE حقیقی سافٹ ویئر انجینئرنگ کی صلاحیت کا جائزہ لیتا ہے۔ ماڈل کو کوڈ ریپوزٹری پڑھنی ہوگی، مسائل کی پہچان کرنی ہوگی، کوڈ میں تبدیلی کرنی ہوگی، ٹیسٹ چلانا ہوگا، اور پھر ایررز کے مطابق مزید درستگی کرنی ہوگی۔ اکیلے پروگرامنگ سوالوں کے مقابلے میں، یہ کوڈنگ ایجینٹ کے عملی کام کے قریب تر ہے۔
تاہم، 10 کاموں کا نمونہ بہت چھوٹا ہے۔ بعد میں، دیگر ڈویلپرز نے DeepSWE کے دوسرے سبسیٹ پر ٹیسٹ کیا، جس سے تقریباً 63% کا نتیجہ نکلا۔ دونوں ٹیسٹس کے کاموں کے دائرہ کار اور رن کنفیگریشن مکمل طور پر ایک جیسے نہیں تھے، اس لیے ابھی تک Ox Alpha کی درست رینکنگ کا اندازہ لگانا ممکن نہیں ہے۔
تاہم، یہ ابتدائی نتائج ظاہر کرتے ہیں کہ یہ نامعلوم ماڈل پہلے سے ہی لمبی مدتی کوڈنگ کی طاقت رکھتا ہے اور موجودہ سرٹھ ماڈلز کے قریب پہنچ گیا ہے۔
"نولائی" بڑا ماڈل کس کا ہے؟
"نیو لائی" مڈل کی شناخت، اب تک سب سے زیادہ پھیلی ہوئی تفصیل یہ ہے کہ یہ زھی پو کا اب تک جاری نہیں کیا گیا GLM-5.3 Flash یا GLM-5.3 کا ملٹی مودل ورژن ہے۔
کسی نے ایک بلاگ بھی لکھ کر تجزیہ کیا ہے:
1. سب سے مضبوط ثبوت ویڈیو اینکوڈر سے آتا ہے۔ مختلف فریم ریٹ، لمبائی اور ریزولوشن والی چار ویڈیوز میں، Ox Alpha نے GLM-5V-Turbo کے مساوی ویژل ٹوکن استعمال کیے۔ MiMo، Qwen اور GLM-4.6V نے واضح طور پر مختلف نتائج دکھائے۔
2. ٹیکسٹ ٹوکنائزیر بھی بہت مطابقت رکھتا ہے۔ محققین نے 25 سیٹس پرومپٹس کا امتحان لیا، اور Ox Alpha اور GLM-5.3 کے درمیان ٹوکن کی تعداد ہمیشہ 75 ٹوکن کا مستقل فرق رکھتی ہے۔
3. دیگر خصوصیات بھی چی زہو کی طرف اشارہ کرتی ہیں۔ Ox Alpha آڈیو کو نہیں سنبھالتا، جو GLM-5V کے راؤٹنگ طریقے کے مطابق ہے؛ جواب کا انداز، ایجنٹ کے انجام دیے جانے والے مراحل اور استدلال انٹرفیس بھی GLM کے قریب ہیں۔ چی زہو نے پہلے بھی Pony Alpha کا استعمال کرکے GLM-5 کا اناں ٹیسٹ کیا تھا، جس میں ایک جیسے عمل کا پہلا مثال ہے۔
https://ox-alpha-evidence-production.up.railway.app/
اور صارفین نے بات چیت سے نشانات کا پتہ لگایا۔
بن ڈیویس کا خیال ہے کہ 99% یقین کے ساتھ یہ GLM-5.x ہے۔
یہ اشارے GLM کے بیان کی قابلیت بڑھاتے ہیں، لیکن شناخت تصدیق مکمل کرنے کے لیے کافی نہیں ہیں۔
اب تک، OpenRouter اور ZhiPu نے کوئی علیحدہ جواب نہیں دیا ہے۔
کورین کی شناخت مزید اندھیری ہو گئی ہے
"نیو لائی" کے بڑے ماڈل کی شناخت ابھی بھی واضح نہیں، جبکہ کوڈ ایرینا میں ایک نام کورین کے ساتھ ایک ناشناختہ ماڈل ظاہر ہوا ہے۔
اصل میں، بہت سے لوگوں نے اسے منڈیاں گئے کیمی K3.1، وجہ یہ ہے کیمی K3 کو جاری کرنے سے پہلے، اسے kivine کے کوڈ نام کے ساتھ ٹیسٹ کیا جا رہا تھا۔ kivine کی ساخت korrine کے قریب تھی، جس سے اس سے منسلک خیالات پیدا ہوئے۔
تاہم، پہلے خبر کو فیصلہ کرنے والے نے بعد میں مزید تفصیل دی کہ معلوم ہونے والے Moonshot نئے ماڈل کا ممکنہ طور پر دوسرا کوڈ نام adamant-ananke ہے۔ korrine بھی Qwen جیسے دیگر چینی ٹیموں سے آ سکتی ہے۔
کمنٹس سیکشن میں، کچھ لوگ اسے MiMo V3 کی طرف اشارہ کر رہے ہیں۔
بڑے ماڈل فراہم کنندگان "ماسک" کیوں پسند کرتے ہیں؟
انونیم ٹیسٹنگ بڑے ماڈلز کے باقاعدہ جاری ہونے سے پہلے ایک اہم مرحلہ بن رہی ہے۔
ایرینا میں فریق اور ماڈل کو چھپانے سے برانڈ کے ابتدائی تعصب کو کم کیا جا سکتا ہے۔ صارفین ماڈل کی شناخت نہیں دیکھ سکتے، بلکہ صرف اصل پیداوار کے بنیاد پر انتخاب کرتے ہیں، اور آخرکار جمع ہونے والے مقابلے کے نتائج، حقیقی صارف تجربے کے قریب تر ہوتے ہیں۔
OpenRouter ایک دوسری قسم کا ٹیسٹنگ ماحول فراہم کرتا ہے۔
ڈیولپرز ماڈل کو مختلف کوڈنگ ایجینٹس میں شامل کریں گے، جس سے یہ حقیقی ریپوزٹری میں داخل ہو جائے گا، لگاتار ٹولز کو کال کرے گا، اور کئی گھنٹوں تک سافٹ ویئر انجینئرنگ کے کاموں کو سنبھالے گا۔ کیا ماحول مستحکم رہے گا، کیا ٹول کالز قابل اعتماد ہوں گی، اور کیا ماڈل لمبے مراحل میں سائکل بنائے گا یا راستہ بھول جائے گا — یہ سب زوردار استعمال میں فوراً ظاہر ہو جائیں گے۔
ماڈل فرنڈز کے لیے، یہ ایک علیحدہ پریشر ٹیسٹ کے برابر ہے۔ ٹیم پہلے سے فیل ہونے والے کیسز کا مشاہدہ کر سکتی ہے، انفرینس سروس کی حملہ برداری کی تصدیق کر سکتی ہے، اور آفیشل لانچ سے پہلے اصل رائے جمع کر سکتی ہے۔
اس کے علاوہ، "گیس ماڈل" اب ایک مارکیٹنگ ٹول کے طور پر بھی زیادہ عام ہو رہا ہے، کیونکہ شناخت کا راز واقعی بحث کے دوران کو طویل کر سکتا ہے۔
آخر میں، مدل خود پر واپس آتے ہیں۔ اگر Ox Alpha ایک فلیش مدل ہے اور اس کی کوڈنگ کی صلاحیت قائدانہ سطح تک پہنچ چکی ہے، تو زیادہ وسائل میں سرمایہ کاری کی گئی اور زیادہ مکمل صلاحیتوں والی مکمل ورژن، حد کو کہاں تک بڑھا دے گی؟
حوالہ جات:
https://x.com/Adidotdev/status/2090833298713096241
https://x.com/davis7/status/2090669483740279155?s=20
https://x.com/davis7/status/2090655207831298095?s=20
https://x.com/MaxForAI/status/2090783750217162788
یہ مضمون ویچن گروپ "机器之心" (ID: almosthuman2014) سے ہے، مصنف: AI پر توجہ دینے والے