آپ بینچ مارکس کو بہتر بنانے یا ایجینٹ آرکیٹیکچر کو زیادہ پیچیدہ بنانے کے ذریعے کام کی مشکل سے بچ نہیں سکتے۔ بہت سے فریم ورک ساز ایسے چالاک راؤٹنگ ٹیمپلیٹس کے ذریعے حیرت انگیز درستگی کا وعدہ کرتے ہیں۔ لیکن حالیہ تحقیق ثابت کرتی ہے کہ یہ زیادہ تر ایک خیالی بات ہے۔ OfficeQA میں 13,000 ایجینٹ رن کے بنیاد پر، سائنسدانوں نے بنیادی ماڈل کی صلاحیتوں پر شدید انحصار کا پتہ لگایا۔ مختلف سکافولڈنگ طریقے 88-93% وقت اس بات پر متفق ہوتے ہیں کہ AI ایک خاص ٹیسٹ کو پاس کرے گا یا نہیں۔ میں اس نتیجہ کو پورے اوپن سورس سافٹ ویئر صنعت کے لیے اہم سمجھتا ہوں۔ ہمیں ورپرز کو بہتر بنانے کی بجائے ماڈلز کی بنیادی استدلال کی صلاحیتوں پر توجہ مرکوز کرنی چاہیے۔ @SentientAGI کے محققین @iamnamanvats اور Deep Halder کے ڈیٹا نے ہمیں حالات کی حقیقی صورت کو سمجھنے میں مدد کی ہے۔