GPT‑5.6 کے ساتھ بنانے والوں کے لیے رہنما

GPT‑5.6 ماڈل خاندان جدید ترین سطح کی ایجنٹ کارکردگی کو کہیں زیادہ کم خرچ بناتا ہے، ساتھ ہی ممکنات کی حدود بھی آگے بڑھاتا ہے.

اس رہنما میں ہم دکھاتے ہیں کہ نوآموز کمپنیاں زیادہ ذہین ماڈل انتخاب اور نئے API ضوابط کی مدد سے، جو ریزننگ کے تسلسل، متعدد ایجنٹس کی ہم آہنگی اور پروگرامی طریقے سے آلات کو کال کرنے میں معاون ہیں، کم لاگت پر زیادہ تیز اور قابل ایجنٹس کیسے بنا رہی ہیں.

GPT‑5 کے بعد سے ہر نئی ماڈل نسل نے کم ٹوکن کے ساتھ طویل مدتی کام نمٹانے کی کوشش کی ہے. GPT‑5.6 اسی سمت آگے بڑھتا ہے: مضبوط ایجنٹ کارکردگی، کم اخراجات اور بنیادی ہارنیس میں معمولی تبدیلیاں.

کم ریزننگ کوشش پر زیادہ درستگی نے مجموعی لاگت کی کارکردگی میں ہونے والی بہتری کو مزید بڑھا دیا ہے. مثلاً ایجنٹس لاسٹ ایگزام میں، ہارنیس یکساں رکھنے پر ”کم“ ریزننگ والا GPT‑5.6 سول، ”ہائی“ ریزننگ والے GPT‑5.5 سے بہتر رہا. عملی ماحول کی آزمائش میں بھی ہمیں ایسی ہی کامیابیاں نظر آئیں، جہاں نوآموز کمپنیوں نے سابقہ طے شدہ سطح کے مقابلے میں ریزننگ کوشش کم کر کے مختلف عملی مراحل میں اخراجات میں نمایاں کمی کی اطلاع دی.

روایتی طور پر طویل مدتی استعمال کے لیے بلند ترین دستیاب ریزننگ والے فلیگ شپ ماڈل پر منتقل ہونا بہترین انتخاب رہا ہے. اس کی بڑی وجہ یہ تھی کہ طویل سیاق اور آلات کو کال کرنے میں یہ ماڈلز لاگت کے لیے بہتر بنائے گئے ماڈلز سے کہیں زیادہ قابل تھے. 5.6 خاندان نے یہ صورت بدل دی ہے: آزمائش کے وقت زیادہ حسابی وسائل کے ساتھ لونا اور ٹیرا اکثر GPT‑5.4 اور 5.5 جیسی کارکردگی بہت کم قیمت پر دے سکتے ہیں.

براؤزکمپ کے کاموں پر غور کریں: یہ تلاش پر مبنی پیمانہ کسی ماڈل کی غیر معروف حقائق تلاش کرنے کی صلاحیت آزماتا ہے. تین ماہ پہلے GPT‑5.5 (ایکسٹرا ہائی) نے اس پیمانے پر $33.27 کی مجموعی لاگت سے 84.36% اسکور کیا تھا. اجرا کے وقت GPT‑5.6 لونا (ایکسٹرا ہائی) تقریباً وہی کارکردگی دیتا ہے، جس نے $1.33 کی لاگت سے 84.04% اسکور کیا. اس کے بعد ہم نے قیمتیں مزید کم کر دی ہیں. ہماری تازہ ترین قیمتوں میں کمی کے بارے میں مزید پڑھیں.

5.6 خاندان کے چھوٹے ماڈلز زیادہ مقدار والے کام، تاخیر سے حساس تعاملات اور ایجنٹ پر مبنی عملی مراحل میں بار بار دہرائے جانے والے اقدامات کے لیے بہترین ہیں. مثلاً اگر آپ قانونی ٹیکنالوجی کی ایسی نوآموز کمپنی چلا رہے ہیں جو ایجنٹ پر مبنی تجزیے سے پہلے ہاتھ سے لکھے یادداشت نامے پڑھتی ہے، تو پورے کام کے لیے جدید ترین ماڈل استعمال کرنے کے بجائے اب اخذ کرنے کے لیے ٹیرا یا لونا استعمال کر کے خاصی بچت کر سکتے ہیں.

GPT‑5.6 کو شروع ہی سے زیادہ مؤثر بنانے کے ساتھ ہم نے مزید بہتری کے لیے ریسپانسز API میں نئے بنیادی اجزا بھی جاری کیے ہیں. ہم نے GPT‑5.6 کو ابتدا سے انتہا تک تین تکمیلی ساختی طریقوں کے ساتھ تربیت دی، جو ایجنٹس کو زیادہ مؤثر انداز میں کام کرنے دیتے ہیں:

1. پہلے سے کیے گئے کام کا دوبارہ استعمال: ماڈل کے مختلف مراحل میں ریزننگ محفوظ رکھنے⁠(نئی ونڈو میں کھلتا ہے) اور طویل گفتگو کو مختصر کرنے کے لیے مقامی کمپیکشن⁠(نئی ونڈو میں کھلتا ہے) استعمال کرنے سے ماڈل الجھے یا سابقہ سیاق دوبارہ بنائے بغیر طویل کاموں میں تسلسل برقرار رکھ سکتا ہے.
2. موزوں مواقع پر متوازی تقسیم: مقامی متعدد ایجنٹ ہم آہنگی⁠(نئی ونڈو میں کھلتا ہے) سے کئی ایجنٹس کے متوازی کاموں کو مربوط کر کے پیچیدہ کام تیزی سے مکمل کیے جا سکتے ہیں.
3. متعین کام کو کوڈ میں منتقل کریں: ماڈل کی سیاق ونڈو سے باہر آلات کے نتائج کو چھانٹنے، یکجا کرنے اور مربوط کرنے کے لیے پروگرامی طریقے سے آلات کو کال کرنے⁠(نئی ونڈو میں کھلتا ہے) سے ماڈل ٹوکن فیصلہ سازی کے لیے محفوظ رہتے ہیں اور لاگت، تاخیر اور سیاق کے بگاڑ میں کمی آتی ہے.

انہیں یکجا استعمال کرنے سے فرق غیر معمولی ہو سکتا ہے. مثلاً ARC-AGI-3 پر GPT‑5.6 سول نے معیاری ہارنیس کے ساتھ 13.3% اسکور کیا. تاہم محفوظ ریزننگ اور کمپیکشن فعال کرنے کے بعد اسکور بڑھ کر 38.3% ہو گیا، جبکہ تقریباً 6 گنا کم آؤٹ پٹ ٹوکن استعمال ہوئے. ماڈل میں کوئی تبدیلی نہیں، مگر کارکردگی تقریباً تین گنا ہو گئی. آپ یہاں ہماری ARC-AGI-3 ہارنیس تحقیق کے بارے میں مزید پڑھ سکتے ہیں.

ایجنٹ پر مبنی عملی مراحل میں عموماً دو طرح کے کام ہوتے ہیں:

1. وہ کام جن کے لیے فیصلہ سازی درکار ہو
2. ایسا کام جس میں زیادہ تر ڈیٹا منتقل، چھانٹا اور یکجا کیا جاتا ہے

جب کوئی ایجنٹ 100 دستاویزات حاصل کر کے انہیں تاریخ کے لحاظ سے چھانٹتا اور متعلقہ لین دین شناخت کرتا ہے، تو ماڈل کو اپنی سیاق ونڈو میں ہر درمیانی نتیجے پر ریزننگ نہیں کرنی چاہیے. پروگرامی طریقے سے آلات کو کال کرنے کی سہولت GPT‑5.6 کو آلات مربوط کرنے، آزاد کالز متوازی طور پر چلانے اور ان کے نتائج سیاق ونڈو سے باہر نمٹانے کے لیے JavaScript لکھنے دیتی ہے. یوں ماڈل اپنی ذہانت صرف ضروری کام، یعنی فیصلہ سازی، پر مرکوز رکھتا ہے.

پیچیدہ اور متوازی طور پر کیے جا سکنے والے کاموں میں اقدامات اور ریزننگ کو متعدد ایجنٹ عملی سلسلوں میں بانٹنے سے کام تیزی سے مکمل ہوتا اور ذہانت بڑھتی ہے. ایسی ترتیب میں بنیادی ایجنٹ ذیلی ایجنٹس کو مربوط کرنے اور انہیں کام سونپنے کا ذمہ دار ہوتا ہے. ذیلی ایجنٹس متوازی طور پر اپنے مقاصد حاصل کرتے ہیں اور آخر میں حتمی ترکیب کے لیے اپنے نتائج بنیادی ایجنٹ کو واپس دیتے ہیں. ٹیمیں ریسپانسز API میں متعدد ایجنٹس کو فعال کر کے⁠(نئی ونڈو میں کھلتا ہے) اس مقامی صلاحیت سے فائدہ اٹھانا شروع کر سکتی ہیں. ChatGPT میں Ultra صلاحیت کی ترتیب بھی اسی طرح کام کرتی ہے.

اگرچہ GPT‑5.6 کو ذیلی ایجنٹس کی موزوں تعداد اور انہیں کب شروع کرنا ہے، اس کا اچھا اندازہ ہوتا ہے، پھر بھی متعدد ایجنٹس کے رویے کو آسانی سے ہدایت دی جا سکتی ہے. ماڈل کو یہ ہدایت دینا کہ ذیلی ایجنٹس کب استعمال کیے جائیں، اس امکان کو بڑھاتا ہے کہ ایجنٹس صرف انہی حالات میں شروع ہوں جہاں اضافی ٹوکن خرچ کرنے سے کارکردگی بہتر ہو.

ماڈلز کے پورے خاندان میں پرامپٹ کیش کی مدت کم از کم 30 منٹ کر دی گئی ہے، اور اب ماڈل کی سیاق ونڈو کے اندر کیش کے وقفے متعین انداز میں مقرر کیے جا سکتے ہیں. اس سے نوآموز کمپنیاں اپنی کیش کامیابی کی شرح میں نمایاں بہتری لا سکی ہیں.

کیش کے وقفے مقرر کرنے کے ساتھ موزوں prompt_cache_key⁠(نئی ونڈو میں کھلتا ہے) کا مسلسل استعمال اس امکان کو بڑھاتا ہے کہ درخواست اسی استدلالی انجن تک پہنچے جس نے پہلے اسی سابقے پر کام کیا تھا، اور یوں تاخیر کم ہوتی ہے.

ان مثالوں میں سب سے نمایاں بات یہ ہے کہ ایجنٹس بنانے کی معاشیات کس قدر بدل گئی ہے.

جن استعمالات میں کبھی ہر مرحلے پر جدید ترین ماڈل درکار ہوتا تھا، اب وہ چھوٹے ماڈلز، موزوں ریزننگ کوشش اور مؤثر ساختی انتخاب کے ذریعے بہت کم لاگت پر مساوی یا بہتر نتائج حاصل کر سکتے ہیں.

ہم یہ دیکھنے کے لیے پُرجوش ہیں کہ آپ سب کیا بناتے ہیں!