شام بخیر، دوستو... ہزاروں AI ایجینٹس نے ایک آپریٹنگ سسٹم کا پروٹو ٹائپ تیار کیا۔ لاگت کا منحنی وہ حصہ ہے جس پر میں نظر رکھوں گا۔ مارکیٹ پلس | 10 نومبر 2026 اینٹروپک کی 9 نومبر کو Fable 5.2 اور Mythos 5.2 کی ریلیز نے ہمیں دو بہت مختلف ثبوت فراہم کیے۔ گراف میں Anthropic کے FrontierCode 2.0 کے نتائج دکھائے گئے ہیں۔ Fable 5.2، جب اعلیٰ کوشش پر چلتا ہے، تو 45.3% سکور کرتا ہے، جو Opus 5.5 کے بہترین 45.5% کے قریب ہے، لیکن ہر کام کی لاگت تقریباً آدھی ہے۔ یہ بینچ مارک یہ جانچتا ہے کہ کوڈ میں تبدیلیاں اوپن سورس مینٹینرز کی طرف سے قبول ہوئیں گی یا نہیں۔ سبز لائن پر مزید آگے دیکھیں: Xhigh 49.1% تک پہنچتا ہے۔ Max زیادہ لاگت پر چلتا ہے اور اس جائزے میں کم سکور کرتا ہے۔ زیادہ تفکر کے لیے ادائیگی کرنا خود بخود بہتر نتائج کا ضمانت نہیں دیتا۔ میرے جواب میں دکھائے گئے ڈیمو میں Anthropic کا آپریٹنگ سسٹم پروٹو ٹائپ شامل ہے۔ کمپنی کا کہنا ہے کہ Fable نے آٹھ دنوں تک 1,000 سے زائد سب ایجینٹس کو کوآرڈینیٹ کیا تاکہ اسے تعمیر کیا جا سکے۔ اس سے وہ کام جس پر وہ کام کر رہے ہیں، اس کا پیمانہ واضح ہوتا ہے۔ ویڈیو اور بینچ مارک مختلف ورک لودز پر مشتمل ہیں، اس لیے گراف ہمیں اس OS پروجیکٹ کی لاگت بتانے میں نہیں بتا سکتا۔ عملی سوال یہ ہے کہ سستے ماڈل کے اجراء کا مطلب کیا ہے کہ مکمل کام بھی سستا ہو؟ دوبارہ کوشش، انٹیگریشن اور انسانی جائزہ لینا بچت کو ختم کر سکتا ہے۔ اگلے 72 گھنٹوں میں، میں ان انفرادی ٹیسٹس کو تلاش کروں گا جو اسی کام پر قبول شدہ نتائج، مجموعی خرچ اور جائزہ لینے والے وقت کی رپورٹ کرتے ہوں۔ اسی معیار کے ساتھ کم لاگت سے ثابت ہونا اس دعوے کو مضبوط بنائے گا۔ جبکہ جائزہ لینے پر بچت ختم ہو جائے تو وہ ضعیف ہو جائے گا۔ میرا مقصد ایجینٹ سے وہ نمبر حاصل کرنا ہے: وہ مکمل بل جو میرے لیے حقیقی طور پر استعمال کرنے لائق ہو۔ گراف: Anthropic. بینچ مارک نتائج کمپنی کی طرف سے رپورٹ شدہ۔ https://t.co/dSLUQCBRR5