Consensus GPT‑5 ਅਤੇ Responses API ਨਾਲ ਹਫ਼ਤਿਆਂ ਦੀ ਖੋਜ ਮਿੰਟਾਂ ਵਿੱਚ ਪੂਰੀ ਕਰਦਾ ਹੈ

ਹਰ ਸਾਲ ਲੱਖਾਂ ਨਵੇਂ ਵਿਗਿਆਨਕ ਪੇਪਰ ਪ੍ਰਕਾਸ਼ਿਤ ਹੁੰਦੇ ਹਨ, ਜੋ ਕਿਸੇ ਇੱਕ ਵਿਅਕਤੀ ਵੱਲੋਂ ਪੜ੍ਹੇ ਜਾਣ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹੁੰਦੇ ਹਨ.

ਵਿਗਿਆਨੀਆਂ ਲਈ ਚੁਣੌਤੀ ਗਿਆਨ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ, ਸਗੋਂ ਉਸਨੂੰ ਲੱਭਣ, ਸਮਝਣ ਅਤੇ ਆਪਸ ਵਿੱਚ ਜੋੜਣ ਦਾ ਬਹੁਤ ਵੱਡਾ ਕੰਮ ਹੈ. ਬ੍ਰੇਕਥਰੂ ਉੱਥੇ ਹੁੰਦੇ ਹਨ ਜਿੱਥੇ ਜਾਣਿਆ ਹੋਇਆ ਖ਼ਤਮ ਹੁੰਦਾ ਹੈ, ਫਿਰ ਵੀ ਖੋਜਕਰਤਾ ਆਪਣਾ ਜ਼ਿਆਦਾਤਰ ਸਮਾਂ ਉਸ ਹੱਦ ਨੂੰ ਪਛਾਣਣ ਵਿੱਚ ਹੀ ਲਗਾ ਦਿੰਦੇ ਹਨ, ਉਸ ਤੋਂ ਅੱਗੇ ਵੱਧਣ ਦੀ ਬਜਾਏ.

Consensus⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ), ਜੋ 8 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਲੋਕਾਂ ਦੁਆਰਾ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਇੱਕ ਰਿਸਰਚ ਸਹਾਇਕ ਹੈ, ਇਹ ਬਦਲਣ ਲਈ ਬਣਾਇਆ ਗਿਆ ਸੀ. Christian Salem ਅਤੇ Eric Olson ਵੱਲੋਂ ਸਥਾਪਿਤ ਇਹ ਪਲੇਟਫਾਰਮ 220 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਪੇਪਰਾਂ ਵਿੱਚੋਂ ਪੀਅਰ-ਰੀਵਿਊਡ ਲਿਟਰੇਚਰ ਨੂੰ ਖੋਜਦਾ, ਪੜ੍ਹਦਾ ਅਤੇ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕਰਦਾ ਹੈ. ਇਸ ਦੀ ਸਭ ਤੋਂ ਨਵੀਂ ਸਮਰੱਥਾ, Scholar Agent, GPT‑5 ਅਤੇ Responses API 'ਤੇ ਬਣਿਆ ਇੱਕ ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਹੈ. ਇਹ ਉਸ ਤਰੀਕੇ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ ਜਿਸ ਤਰ੍ਹਾਂ ਖੋਜਕਰਤਾ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਹਫ਼ਤਿਆਂ ਦੀ ਬਜਾਏ ਮਿੰਟਾਂ ਵਿੱਚ ਸਵਾਲ ਤੋਂ ਨਤੀਜੇ ਤੱਕ ਪਹੁੰਚਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ.

ਪਰ ਮਕਸਦ ਸਿਰਫ਼ ਤੇਜ਼ ਖੋਜ ਨਹੀਂ, ਸਗੋਂ ਖੋਜ-ਖੋਜ ਲਈ ਹੋਰ ਤੇਜ਼ ਰਸਤਾ ਹੈ. Salem ਕਹਿੰਦੇ ਹਨ, “ਵਿਗਿਆਨ ਤਦੋਂ ਅੱਗੇ ਵਧਦਾ ਹੈ ਜਦੋਂ ਉਹ ਹੋਰ ਪਹੁੰਚਯੋਗ ਬਣਦਾ ਹੈ.” “ਸਾਡਾ ਕੰਮ ਹਰ ਥਾਂ ਦੇ ਖੋਜਕਰਤਿਆਂ ਨੂੰ ਸਬੂਤ ਲੱਭਣ, ਉਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਅਤੇ ਉਸ 'ਤੇ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਦੇਣਾ ਹੈ.”

Consensus ਦਾ ਪਹਿਲਾ ਸੰਸਕਰਣ ਵਿਗਿਆਨ ਲਈ ਇੱਕ ਵਰਟੀਕਲ ਸਰਚ ਇੰਜਣ ਵਾਂਗ ਕੰਮ ਕਰਦਾ ਸੀ: ਇਹ ਅਕਾਦਮਿਕ ਪੇਪਰਾਂ ਨੂੰ ਇੰਡੈਕਸ ਕਰਦਾ, ਸੰਬੰਧਿਤ ਨਤੀਜੇ ਲਿਆਉਂਦਾ ਅਤੇ ਹਵਾਲਿਆਂ 'ਤੇ ਆਧਾਰਿਤ ਸਾਰ ਤਿਆਰ ਕਰਦਾ ਸੀ. ਪਰ ਸਿਰਫ਼ ਖੋਜ ਕਾਫ਼ੀ ਨਹੀਂ ਸੀ.

Salem ਕਹਿੰਦੇ ਹਨ, “ਰਿਸਰਚ ਸਿਰਫ਼ ਪੇਪਰ ਲੱਭਣਾ ਨਹੀਂ ਹੁੰਦੀ.” “ਇਸ ਵਿੱਚ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨੀ, ਖੋਜਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨੀ ਅਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਜੋੜਨਾ ਸ਼ਾਮਲ ਹੈ. ਜਿੰਨਾ ਵੱਧ ਸਮਾਂ ਵਿਗਿਆਨੀ ਸਹੀ ਅਧਿਐਨ ਲਈ ਪਿਛਲੇ ਗਿਆਨ ਨੂੰ ਖੋਜਣ, ਪੜ੍ਹਨ ਅਤੇ ਸਮਝਣ ਵਿੱਚ ਲਗਾਉਂਦੇ ਹਨ, ਉਨਾ ਘੱਟ ਸਮਾਂ ਉਨ੍ਹਾਂ ਕੋਲ ਅਸਲ ਖੋਜ ਕਰਨ ਅਤੇ ਨਵੀਆਂ ਖੋਜਾਂ ਕਰਨ ਲਈ ਹੁੰਦਾ ਹੈ.”

ਇਸ ਲਈ ਟੀਮ ਨੇ ਇੱਕ ਨਵੇਂ ਵਿਚਾਰ ਦੇ ਆਲੇ-ਦੁਆਲੇ Consensus ਦੀ ਬਣਤਰ ਨੂੰ ਮੁੜ ਤਿਆਰ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ: “Scholar Agent” ਨਾਮ ਦਾ ਇੱਕ ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਜੋ ਮਨੁੱਖੀ ਖੋਜਕਰਤਾ ਵਾਂਗ ਕੰਮ ਕਰਦਾ ਹੈ.

GPT‑5 ਅਤੇ Responses API 'ਤੇ ਬਣਿਆ ਇਹ ਸਿਸਟਮ ਹੁਣ ਏਜੰਟਾਂ ਦੀ ਇੱਕ ਸਹਿਕਾਰਤਮਕ ਵਰਕਫਲੋ ਚਲਾਉਂਦਾ ਹੈ:

• Planning Agent ਯੂਜ਼ਰ ਦੇ ਸਵਾਲ ਨੂੰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ ਅਤੇ ਤੈਅ ਕਰਦਾ ਹੈ ਕਿ ਅਗਲੇ ਕਿਹੜੇ ਕਦਮ ਚੁੱਕਣੇ ਹਨ
• Search Agent Consensus ਦੇ ਪੇਪਰ ਇੰਡੈਕਸ, ਯੂਜ਼ਰ ਦੀ ਨਿੱਜੀ ਲਾਇਬ੍ਰੇਰੀ ਅਤੇ ਸਾਇਟੇਸ਼ਨ ਗ੍ਰਾਫ਼ ਵਿੱਚ ਖੋਜ ਕਰਦਾ ਹੈ
• Reading Agent ਪੇਪਰਾਂ ਦੀ ਵੱਖ-ਵੱਖ ਜਾਂ ਬੈਚਾਂ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ
• Analysis Agent ਨਤੀਜਿਆਂ ਦਾ ਸੰਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਬਣਤਰ ਅਤੇ ਵਿਜੁਅਲ ਤੈਅ ਕਰਦਾ ਹੈ, ਅਤੇ ਅੰਤਿਮ ਆਉਟਪੁੱਟ ਤਿਆਰ ਕਰਦਾ ਹੈ

ਹਰ ਏਜੰਟ ਦਾ ਕੰਮਕਾਜੀ ਖੇਤਰ ਸੀਮਿਤ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਰੀਜ਼ਨਿੰਗ ਸਟੀਕ ਰਹਿੰਦੀ ਹੈ ਅਤੇ ਹੈਲੂਸੀਨੇਸ਼ਨ ਘੱਟ ਹੁੰਦੇ ਹਨ. ਇਹ ਆਰਕੀਟੈਕਚਰ Consensus ਨੂੰ ਇਹ ਤੈਅ ਕਰਨ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਕਿ ਕਦੋਂ ਜਵਾਬ ਨਾ ਦਿੱਤਾ ਜਾਵੇ. ਜੇ ਕੋਈ ਸੰਬੰਧਿਤ ਅਧਿਐਨ ਇਸ ਦੀ ਗੁਣਵੱਤਾ ਸੀਮਾ 'ਤੇ ਖਰੇ ਨਹੀਂ ਉਤਰਦੇ, ਤਾਂ ਸਹਾਇਕ ਸਿਰਫ਼ ਇਹੀ ਕਹਿੰਦਾ ਹੈ.

Salem ਕਹਿੰਦੇ ਹਨ, “ਵਰਕਫਲੋ ਨੂੰ ਏਜੰਟਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਅਸੀਂ ਗਲਤੀਆਂ ਘਟਾਉਂਦੇ ਹਾਂ ਅਤੇ ਸਿਸਟਮ ਨੂੰ ਕਿਤੇ ਵੱਧ ਅਨੁਸ਼ਾਸਿਤ ਬਣਾਉਂਦੇ ਹਾਂ.” “ਕਿਸੇ ਇੱਕ ਏਜੰਟ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਜ਼ਿੰਮੇਵਾਰੀ ਨਹੀਂ ਹੁੰਦੀ, ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਇਹੀ ਮੁੱਖ ਗੱਲ ਨਿਕਲਦੀ ਹੈ.”

ਇਸ ਪਹੁੰਚ ਨੂੰ ਟੀਮ context engineering ਕਹਿੰਦੀ ਹੈ: ਜਨਰੇਸ਼ਨ ਸ਼ੁਰੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਸਹੀ ਸਬੂਤ ਇਕੱਠੇ ਕਰਨਾ. ਹਰ ਜਵਾਬ ਇੱਕ “research context pack” ਨਾਲ ਆਉਂਦਾ ਹੈ, ਜੋ ਪੇਪਰਾਂ, ਮੈਟਾਡਾਟਾ ਅਤੇ ਮੁੱਖ ਖੋਜਾਂ ਦਾ ਇਕ ਸੰਰਚਿਤ ਬੰਡਲ ਹੁੰਦਾ ਹੈ ਅਤੇ ਮੂਲ ਅਧਿਐਨਾਂ ਤੱਕ ਪਹੁੰਚ ਦਿਖਾਉਂਦਾ ਹੈ.

Salem ਕਹਿੰਦੇ ਹਨ, “ਅਸੀਂ ਨਹੀਂ ਚਾਹੁੰਦੇ ਕਿ ਖੋਜਕਰਤਾ ਹਰ ਦਾਅਵੇ ਨੂੰ ਮੁੜ-ਜਾਂਚਣ ਵਿੱਚ ਸਮਾਂ ਖਰਚਣ.” “ਜੇ ਸਿਸਟਮ ਕਿਸੇ ਜਵਾਬ ਨੂੰ ਅਸਲੀ ਸਬੂਤਾਂ 'ਤੇ ਆਧਾਰਿਤ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਤਾਂ ਇਹ ਕੁਝ ਘੜੇਗਾ ਨਹੀਂ.”

Consensus ਨੇ ਆਪਣੇ ਮਲਟੀ-ਏਜੰਟ ਰਾਊਟਿੰਗ ਨੂੰ ਸਮਰਥਨ ਦੇਣ ਲਈ Chat Completions ਤੋਂ Responses API ਵੱਲ ਮਾਈਗ੍ਰੇਟ ਕੀਤਾ. ਇਸ ਬਦਲਾਅ ਨੇ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਲਾਗਤ-ਕੁਸ਼ਲਤਾ ਦੋਵੇਂ ਸੁਧਾਰੀਆਂ, ਅਤੇ ਟੀਮ ਨੂੰ ਸਬ-ਏਜੰਟ ਕਾਲਾਂ 'ਤੇ ਹੋਰ ਸੁਖਮ ਨਿਯੰਤਰਣ ਦਿੱਤਾ. GPT‑5 ਦੀ ਲੰਬੇ-ਸੰਦਰਭ ਵਾਲੀ ਰੀਜ਼ਨਿੰਗ ਅਤੇ ਭਰੋਸੇਯੋਗ tool-calling ਨਾਲ, ਚੋਣ ਸਾਫ਼ ਸੀ.

ਸ਼ੁਰੂਆਤੀ ਮੁਲਾਂਕਣਾਂ ਨੇ ਇਸ ਦਾਅ ਨੂੰ ਸਹੀ ਸਾਬਤ ਕੀਤਾ: GPT‑5 ਨੇ tool-calling ਸ਼ੁੱਧਤਾ ਅਤੇ ਯੋਜਨਾ ਸਥਿਰਤਾ ਵਿੱਚ GPT‑4.1, Sonnet 4 ਅਤੇ Gemini 2.5 Pro ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ. ਇਸ ਨਾਲ Consensus ਟੀਮ ਨੂੰ prompt gymnastics 'ਤੇ ਘੱਟ ਅਤੇ ਉਹ ਏਜੰਟ ਵਿਹਾਰ ਬਣਾਉਣ 'ਤੇ ਵੱਧ ਧਿਆਨ ਦੇਣ ਦੀ ਆਜ਼ਾਦੀ ਮਿਲੀ ਜੋ ਸਿੱਧੇ ਰਿਸਰਚ ਵਰਕਫਲੋ ਨਾਲ ਮੈਪ ਹੁੰਦੇ ਹਨ.

ਸ਼ੁਰੂ ਤੋਂ ਹੀ Consensus ਨੇ ਮਾਰਕੀਟ ਨੂੰ ਉਮੀਦਾਂ ਤੋਂ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਦੇਖਿਆ. ਸੰਸਥਾਵਾਂ ਰਾਹੀਂ ਵਿਕਰੀ ਕਰਨ ਦੀ ਬਜਾਏ, ਟੀਮ ਨੇ ਖੁਦ ਖੋਜ ਕਰ ਰਹੇ ਲੋਕਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕੀਤਾ: ਵਿਦਿਆਰਥੀ, ਫੈਕਲਟੀ ਅਤੇ ਕਲੀਨੀਸ਼ਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅੱਜ ਹੀ ਜਵਾਬਾਂ ਦੀ ਲੋੜ ਸੀ. ਖੋਜਕਰਤਾ-ਕੇਂਦ੍ਰਿਤ ਇਸ ਸਿੱਧੇ ਰੁਖ ਨੇ ਉਤਪਾਦ ਦੇ ਡਿਜ਼ਾਇਨ ਅਤੇ ਇਸ ਦੀ ਤੇਜ਼ ਵਾਧੇ ਦੋਵੇਂ ਨੂੰ ਆਕਾਰ ਦਿੱਤਾ.

Salem ਕਹਿੰਦੇ ਹਨ, “ਹਰ ਕੋਈ ਕਹਿੰਦਾ ਸੀ ਕਿ ਤੁਸੀਂ ਅਕਾਦਮੀਆ ਵਿੱਚ direct-to-consumer ਨਹੀਂ ਜਾ ਸਕਦੇ, ਪਰ AI ਨੇ ਇਹ ਬਦਲ ਦਿੱਤਾ ਹੈ.” “ਲੋਕ ਹੁਣ ਮਨਜ਼ੂਰੀ ਦੀ ਉਡੀਕ ਨਹੀਂ ਕਰਦੇ, ਉਹ ਉਹੀ ਵਰਤਦੇ ਹਨ ਜੋ ਕੰਮ ਕਰਦਾ ਹੈ.”

ਇਸ ਫੈਸਲੇ ਨੇ ਉਤਪਾਦ ਦੀ ਟੋਨ ਅਤੇ ਵਾਧੇ ਦੀ ਦਿਸ਼ਾ ਦੋਵੇਂ ਨਿਰਧਾਰਤ ਕੀਤੀਆਂ. Consensus ਇੱਕ ਪਰੰਪਰਾਗਤ ਅਕਾਦਮਿਕ ਟੂਲ ਨਾਲੋਂ ਆਧੁਨਿਕ ਉਪਭੋਗਤਾ ਐਪ ਵਾਂਗ ਵੱਧ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ: ਤੇਜ਼ onboarding, ਸੁਝਵਾਂ ਡਿਜ਼ਾਇਨ, ਗੱਲਬਾਤੀ ਇੰਟਰਫੇਸ. ਇਸ ਦੀ ਅਪਨਾਅ ਕੈਂਪਸਾਂ ਅਤੇ ਲੈਬਾਂ ਵਿੱਚ ਮੌਖਿਕ ਸਿਫ਼ਾਰਸ਼ਾਂ ਰਾਹੀਂ ਫੈਲੀ.

ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਅਤੇ PhD ਉਮੀਦਵਾਰ ਪਹਿਲੇ ਪਾਵਰ ਯੂਜ਼ਰ ਬਣੇ, ਫਿਰ ਫੈਕਲਟੀ ਅਤੇ ਨਿੱਜੀ ਖੋਜਕਰਤਾ ਆਏ. ਇਸ ਤੋਂ ਬਾਅਦ ਕਲੀਨੀਸ਼ਨ ਆਏ, ਜਿਨ੍ਹਾਂ ਨੇ ਆਪਣੇ ਖੇਤਰਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਨਵੇਂ ਸਬੂਤ ਸਾਹਮਣੇ ਲਿਆਉਣ ਲਈ Consensus ਵਰਤਣਾ ਸ਼ੁਰੂ ਕੀਤਾ.

Salem ਕਹਿੰਦੇ ਹਨ, “ਸਾਡਾ ਸ਼ੁਰੂਆਤੀ ਮਕਸਦ ਡਾਕਟਰਾਂ ਲਈ ਬਣਾਉਣਾ ਨਹੀਂ ਸੀ.” “ਪਰ ਉਨ੍ਹਾਂ ਨੂੰ ਵੀ ਉਹੀ ਚੀਜ਼ ਚਾਹੀਦੀ ਹੈ ਜੋ ਖੋਜਕਰਤਿਆਂ ਨੂੰ ਚਾਹੀਦੀ ਹੈ: ਭਰੋਸੇਯੋਗ ਸਬੂਤਾਂ ਤੱਕ ਤੇਜ਼ ਪਹੁੰਚ.”

ਕੰਪਨੀ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ Mayo Clinic ਦੀ ਮੈਡੀਕਲ ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਸਾਈਨ ਕੀਤਾ ਹੈ ਅਤੇ ਹੁਣੇ ਹੀ ‘Medical Mode’ ਲਾਂਚ ਕੀਤਾ ਹੈ, ਜੋ ਕਲੀਨਿਕਲ ਸਬੂਤ ਲੱਭਣ ਵਾਲੇ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਲਈ ਤਿਆਰ ਕੀਤੀ ਇੱਕ ਨਵੀਂ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ.

ਪਿਛਲੇ ਇੱਕ ਸਾਲ ਵਿੱਚ Consensus ਨੇ ਤੇਜ਼ੀ ਨਾਲ ਵਿਸਥਾਰ ਕੀਤਾ ਹੈ, ਦੁਨੀਆ ਭਰ ਵਿੱਚ 8 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਖੋਜਕਰਤਿਆਂ ਤੱਕ ਵਧਿਆ ਹੈ ਅਤੇ ਆਮਦਨ ਵਿੱਚ 8 ਗੁਣਾ ਵਾਧਾ ਕੀਤਾ ਹੈ.

ਇਸ ਵਾਧੇ ਨੇ ਉਤਪਾਦ ਦੀਆਂ ਤਰਜੀਹਾਂ ਨਹੀਂ ਬਦਲੀਆਂ. ਹਰ ਵਿਸ਼ੇਸ਼ਤਾ ਅਜੇ ਵੀ ਪਰਖਯੋਗ ਅਤੇ ਘੱਟ-ਹੈਲੂਸੀਨੇਸ਼ਨ ਵਾਲੇ ਜਵਾਬਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਘੁੰਮਦੀ ਹੈ. ਟੀਮ ਨੇ ਮੁਲਾਂਕਣ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਵੱਡਾ ਨਿਵੇਸ਼ ਕੀਤਾ ਹੈ ਜੋ ਏਜੰਟਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ, ਸਾਇਟੇਸ਼ਨ ਟ੍ਰੇਸੇਬਿਲਟੀ ਅਤੇ ਸ਼ੈਲੀਗਤ ਇਕਸਾਰਤਾ ਦੀ ਜਾਂਚ ਕਰਦੀਆਂ ਹਨ.

Consensus ਦੀ ਆਰਕੀਟੈਕਚਰ ਜਾਣ-ਬੁੱਝ ਕੇ ਮੋਡਿਊਲਰ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਡਿਜ਼ਾਇਨ ਕੀਤੀ ਗਈ ਹੈ ਕਿ ਜਿਵੇਂ ਮਾਡਲ ਫੈਲਦੇ ਅਤੇ ਸੁਧਰਦੇ ਹਨ, ਨਵੇਂ ਏਜੰਟ ਆਸਾਨੀ ਨਾਲ ਸ਼ਾਮਲ ਹੋ ਸਕਣ. ਅਜੇਹੇ ਏਜੰਟ ਜੋ ਪ੍ਰਯੋਗ ਦੁਹਰਾਉਣ, ਆਕ੍ਰਿਤੀਆਂ ਬਣਾਉਣ ਜਾਂ ਅੰਕਗਣਿਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਚਲਾਉਣ.

Salem ਕਹਿੰਦੇ ਹਨ, “ਅਸੀਂ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੀ ਦੁਨੀਆ ਲਈ ਉਹ ਸਹਾਇਕ ਤਿਆਰ ਕਰ ਰਹੇ ਹਾਂ ਜਿਸ ਦੀ ਖੋਜਕਰਤਿਆਂ ਨੂੰ ਅਸਲ ਵਿੱਚ ਲੋੜ ਹੈ.” “ਮਾਡਲ ਲਗਾਤਾਰ ਬਿਹਤਰ ਹੋ ਰਹੇ ਹਨ, ਸਿਸਟਮ ਉਨ੍ਹਾਂ ਨਾਲ ਵਧਦਾ ਹੈ, ਅਤੇ ਵਿਗਿਆਨ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਦਾ ਹੈ.”