gpt-oss کا تعارف
gpt-oss-120b اور gpt-oss-20b اوپن ویٹ استدلالی ماڈلز کی حدوں کو مزید آگے بڑھا رہے ہیں۔
ہم gpt-oss-120b اور gpt-oss-20b پیش کر رہے ہیں—یہ دونوں اعلیٰ درجے کے لسانی ماڈل ہیں جن کے تربیتی اعداد و شمار سب کے لیے کھلے طور پر دستیاب ہیں، اور جو کم خرچ میں مضبوط اور عملی کارکردگی فراہم کرتے ہیں۔ یہ ماڈلز لچک دار اپاچی 2.0 اجازت نامے کے تحت دستیاب ہیں۔ یہ ہم حجم کھلے ماڈلز کے مقابلے میں دلیل و منطق کے کاموں میں بہتر کارکردگی دکھاتے ہیں، اور ٹولز کے استعمال کی مضبوط صلاحیت رکھتے ہیں، اور عام گھریلو کمپیوٹروں پر بھی مؤثر انداز میں چلانے کے لیے بہتر بنائے گئے ہیں۔ انہیں آزمائش اور غلطی کے ذریعے سیکھنے کے طریقے، اور OpenAI کے کچھ بہت جدید ماڈلزجیسے o3 اور دوسرے جدید ترین نظاموں سے متاثر طریقوں کا ملا جلا استعمال کر کے تربیت دی گئی ہے۔
gpt-oss-120b ماڈل بنیادی استدلال کے امتحانات میں OpenAI o4-mini کے تقریباً برابر کارکردگی دکھاتا ہے، اور یہ صرف ایک 80 جی بی GPU پر مؤثر انداز میں چل جاتا ہے۔ gpt-oss-20b ماڈل عام ٹیسٹوں میں تقریباً ویسی ہی کارکردگی دکھاتا ہے جیسے OpenAI کا o3‑mini، اور یہ صرف 16 گیگا بائٹ میموری کے ساتھ عام ڈیوائسز پر بھی چل سکتا ہے۔ اس وجہ سے یہ ڈیوائس پر براہ راست استعمال، مقامی طور پر نتائج حاصل کرنے، یا بغیر مہنگے کمپیوٹر سسٹمز کے تیزی سے بار بار آزمانے کے لیے نہایت موزوں ہے۔ دونوں ماڈل ٹولز کے استعمال میں، چند مثالوں سے کام انجام دینے میں، اور سلسلہ غور و فکر کے ذریعہ استدلال کرنے میں بھی بہت کارگر ہیں (جیسے کہ Tau-Bench ایجنٹ کے ٹیسٹ نتائج میں دیکھا گیا ہے)۔ وہ HealthBench پر بھی مضبوط کارکردگی دکھاتے ہیں، بلکہ کچھ ادائیگی والے ماڈلز جیسے OpenAI o1 اور GPT‑4o سے بھی بہتر۔
یہ ماڈلز ہماری Responses API(نئی ونڈو میں کھلتا ہے) کے ساتھ کام کرتے ہیں اور ایسے نظاموں میں استعمال کے لیے بنائے گئے ہیں جو ایجنٹ کی طرح کام کرتے ہیں۔ یہ ہدایات بہت اچھے طریقے سے مانتے ہیں، ویب سرچ یا پائتھن کوڈ چلانے جیسے ٹولز استعمال کر سکتے ہیں، اور مسائل پر غور و فکر بھی کر سکتے ہیں—بشمول غور و فکر کو ایڈجسٹ کرنا، تاکہ آسان کاموں پر وقت ضائع نہ ہو یا جہاں بہت تیز جواب درکار ہو، وہاں فوراً نتیجہ مل سکے۔ انہیں مکمل طور پر اپنی ضرورت کے مطابق بدلا جا سکتا ہے، وہ کامل سلسلہ غور و فکر (CoT) کا استعمال کرتے ہیں، اور منظم نتائج(نئی ونڈو میں کھلتا ہے) کی سہولت بھی فراہم کرتے ہیں۔
حفاظت ہمارے تمام ماڈلز کو جاری کرنے کے طریقے کا بنیادی حصہ ہے، اور جب ماڈلز ہر کسی کے استعمال کے لیے کھلے ہوں تو یہ اور بھی زیادہ اہم ہو جاتا ہے۔ ماڈلز کو مکمل حفاظتی تربیت دینے اور انہیں اچھی طرح جانچنے کے علاوہ، ہم نے ایک اور مرحلہ بھی شامل کیا: ہم نے اپنے تیاری کے فریم ورک(نئی ونڈو میں کھلتا ہے) کے تحت gpt-oss-120b کا خاص طور پر فائن ٹون کردہ، چیلنج پر مبنی ورژن بھی آزمایا۔ gpt-oss ماڈلز ہماری جدید ترین ماڈلز کی طرح اندرونی حفاظتی جانچوں میں تقریباً یکساں کارکردگی دکھاتے ہیں، اور ڈیولپرز کو وہی حفاظتی معیار فراہم کرتے ہیں جو ہمارے حالیہ ملکیتی ماڈلز میں موجود ہیں۔ ہم اس کام کے نتائج اور مزید تفصیلات تحقیقی مقالے(نئی ونڈو میں کھلتا ہے) اور ماڈل کارڈ(نئی ونڈو میں کھلتا ہے) میں شیئر کر رہے ہیں۔ ہمارے طریقہ کار کا جائزہ بیرونی ماہرین نے لیا اور یہ اوپن ویٹ ماڈلز کے لیے نئے حفاظتی معیارات قائم کرنے میں ایک قدم آگے کی نشاندہی کرتا ہے۔
ہم ابتدائی شراکت داروں جیسے AI Sweden(نئی ونڈو میں کھلتا ہے)، Orange(نئی ونڈو میں کھلتا ہے)، Snowflake(نئی ونڈو میں کھلتا ہے) کے ساتھ بھی کام کر رہے ہیں تاکہ اپنے اوپن ماڈلز کے حقیقی دنیا میں استعمال کو بہتر سمجھ سکیں۔ اس میں ڈیٹا سیکیورٹی کے لیے ماڈلز کو ادارے کے اپنے سسٹمز پر چلانا اور خاص ڈیٹا سیٹس پر انہیں فائن ٹون کرنا شامل ہے۔ ہم انفرادی ڈویلپرز سے لے کر بڑے کاروباری اداروں اور حکومتوں تک ہر ایک کو اپنے انفراسٹرکچر پر AI چلانے اور اپنی مرضی کے مطابق بنانے کے لیے یہ بہترین معیار کے آپن ماڈلز فراہم کرنے پر پرجوش ہیں۔ ہماری API میں موجود ماڈلز کے ساتھ ، ڈویلپر اپنی ضرورت کے مطابق کارکردگی، خرچ اور رفتار کا انتخاب کر سکتے ہیں تاکہ اپنے اے آئی نظام بہتر طریقے سے چلا سکیں۔
GPT‑oss ماڈلز کو ہماری جدید ترین قبل از تربیت اور بعد از تربیت کی تکنیکوں کا استعمال کرتے ہوئے تربیت دی گئی، جہاں ہماری خاص توجہ ان کی استدلالی صلاحیت بہتر بنانے، انہیں زیادہ مؤثر بنانے، اور مختلف قسم کے سسٹمز میں حقیقی حالات میں اچھی کارکردگی یقینی بنانے پر رہی ہے۔ ہم اس سے پہلے بھی دوسرے ماڈلز کھلے عام دستیاب کرا چکے ہیں، جیسے Whisper اور CLIP، لیکن gpt-oss ماڈلز GPT‑2[1] کے بعد آنے والے اولین اوپن ویٹ لینگوئج ماڈلز ہیں۔
ہر ماڈل ایک ٹرانسفارمر ہے جو مختلف ماہرین کے مجموعے والے نظام (MoE[2]) کا استعمال کرتا ہے تاکہ کسی بھی اِن پُٹ کو پراسیس کرتے وقت فعال رہنے والے پیرامیٹرز کی تعداد کم کی جا سکے۔ gpt-oss-120b ماڈل فی ٹوکن 5.1 ارب پیرامیٹرز استعمال کرتا ہے، جبکہ gpt-oss-20b ماڈل 3.6 ارب پیرامیٹرز استعمال کرتا ہے۔ ان ماڈلز کے کل پیرامیٹرز بالترتیب 117b اور 21b ہیں۔ یہ ماڈلز GPT‑3[3] کی طرح باری باری ڈینس اور محدود حدوں والی اسپارس اٹینشن کے پیٹرنز استعمال کرتے ہیں۔ استنباط اور حافظہ کے استعمال کو زیادہ مؤثر بنانے کے لیے، یہ ماڈلز گروپڈ ملٹی کوئری اٹینشن استعمال کرتے ہیں، جس میں ہر گروپ میں 8 کوئریز ہوتی ہیں۔ ٹوکن کی پوزیشن سمجھنے کے لیے یہ روٹری پوزیشنل ایمبیڈنگ (RoPE[4]) استعمال کرتے ہیں، اور یہ ماڈلز فطری طور پر 128,000 ٹوکن تک کا کانٹیکسٹ سنبھال سکتے ہیں۔
ماڈل | پرتیں | کل پیرامیٹرز | فعال پیرامیٹرز فی ٹوکن | کل ماہرین | فعال ماہرین فی ٹوکن | سیاق و سباق کی لمبائی |
gpt-oss-120b | 36 | 117B | 5.1B | 128 | 4 | 128k |
gpt-oss-20b | 24 | 21B | 3.6B | 32 | 4 | 128k |
ہم نے STEM، کوڈنگ اور معلومات عامہ پر توجہ مرکوز کرتے ہوئے، زیادہ تر انگریزی، صرف تحریری ڈیٹا سیٹ پر ان ماڈلز کو تربیت دی۔ ہم نے اپنا ڈیٹا ایسے ٹوکنائزر سے ٹوکنائز کیا ہے جو OpenAI o4-mini اور GPT‑4o میں استعمال ہونے والے ٹوکنائزر کا ایک بڑا، بہتر ورژن ہے o200k_harmony اور ہم اسے بھی آج کھلے عام استعمال کے لیے جاری کر رہے ہیں۔
ہمارے ماڈلز کے فن تعمیر و تربیت کے بارے میں مزید جاننے کے لیے ماڈل کارڈ(نئی ونڈو میں کھلتا ہے) پڑھیں۔
ان ماڈلز کی بعد از تربیت (post-training) کا عمل تقریباً وہی ہے جو o4-mini کے لیے استعمال ہوا تھا۔ اس میں نگرانی کے ساتھ فائن ٹیوننگ کا مرحلہ بھی شامل ہے اور ایک زیادہ کمپیوٹ استعمال کرنے والا RL مرحلہ بھی۔ ہمارا مقصد یہ تھا کہ ماڈلز کو OpenAI ماڈل اسپیک(نئی ونڈو میں کھلتا ہے) کے مطابق تربیت دی جائے، اور انہیں یہ سکھایا جائے کہ وہ جواب دینے سے پہلے CoT رِیزننگ اور ٹولز کا استعمال کریں۔ ہم اپنے SoTA ملکیتی استدلالی ماڈلز میں استعمال ہونے والی وہی تکنیکیں یہاں بھی استعمال کرتے ہیں، اور اسی وجہ سے یہ ماڈلز بعد از تربیت غیر معمولی صلاحیتوں کا مظاہرہ کرتے ہیں۔
API میں OpenAI o-series reasoning نمونے کی طرح، دو open-weight ماڈلز تین استدلال کی کوششوں کی سپورٹ کرتے ہیں - کم، درمیانہ اور اعلی - جو تاخیر کی بھرپائی کارکردگی سے کرتے ہیں۔ ڈویلپر صرف سسٹم میسج میں ایک جملہ لکھ کر باآسانی یہ طے کر سکتے ہیں کہ ماڈل کو کس قدر استدلالی صلاحیتوں کا استعمال کرنا چاہیے۔
ہم نے معیاری تعلیمی بینچ مارکس میں GPT‑oss‑120b اور GPT‑oss‑20b کا جائزہ لیا تاکہ o3، o3‑mini اور o4-mini سمیت دوسرے OpenAI استدلال ماڈلز کے مقابلے میں کوڈنگ، مقابلہ جاتی ریاضی، صحت اور ایجنٹک ٹول کے استعمال میں ان کی صلاحیتوں کی پیمائش کی جاسکے۔
gpt-oss-120b ماڈل، OpenAI کے o3‑mini سے بہتر کارکردگی دکھاتا ہے اور مقابلہ جاتی کوڈنگ (Codeforces)، عمومی مسئلہ حل کرنے (MMLU اور HLE) اور ٹول کالنگ (TauBench) جیسے کاموں میں OpenAI کے o4-mini کے برابر یا اس سے بھی بہتر نتائج دیتا ہے۔ اس کے علاوہ یہ صحت سے متعلق سوالات (ہیلتھ بینچ) اور مقابلہ جاتی ریاضی (AIME 2024 & 2025) پر o4-mini سے بھی بہتر کام کرتا ہے۔ gpt-oss-20b اپنی چھوٹی جسامت کے باوجود انہی امتحانات میں OpenAI o3‑mini کے برابر یا اس سے بہتر کارکردگی دکھاتا ہے بلکہ مقابلہ جاتی ریاضی اور صحت کے شعبوں میں تو اسے پیچھے بھی چھوڑ دیتا ہے۔
gpt-oss ماڈلز کسی طبی ماہر کا متبادل نہیں ہیں اور نہ ہی ان کا مقصد بیماری کی تشخیص یا علاج کرنا ہے
مثالی نتائج
gpt-oss-120b تازہ ترین معلومات کو براؤزنگ ٹول کے ذریعے بہت تیزی سے جمع کر لیتا ہے، اور ضرورت پڑنے پر لگاتار درجنوں کالز کو ایک سلسلے میں جوڑ کر بھی استعمال کر سکتا ہے۔
ہمارے حالیہ تحقیق سے پتا چلا ہے کہ اگر کسی ماڈل کے سلسلۂ غور و فکر کو کسی خاص انداز میں ڈھالنے کی براہِ راست تربیت نہ دی جائے، تو اس کے سلسلۂ غور و فکر کی نگرانی کرنا ماڈل کے غلط رویّے کو پہچاننے میں کافی مددگار ثابت ہوسکتا ہے۔ اس نقطہ نظر میں اس صنعت کے دیگر ماہرین بھی ہمنوا(نئی ونڈو میں کھلتا ہے) ہیں۔ ہمارے اُن اصولوں کے مطابق جو ہم نے OpenAI o1‑preview کے اجرا کے وقت اپنائے تھے، ہم نے دونوں gpt-oss ماڈلز کو سلسلہ غور و فکر پر کوئی براہ راست نگرانی یا تربیت نہیں کی۔ ہم سمجھتے ہیں کہ ماڈل کے غلط رویّے، دھوکا دہی اور غلط استعمال پر نظر رکھنے کے لیے یہ بات بے حد ضروری ہے۔ ہماری امید ہے کہ بغیر نگرانی والے سلسلہ غور و فکر کے ساتھ ایک اوپن ماڈل جاری کرنے سے ڈویلپرز اور محققین کو یہ موقع ملے گا کہ وہ اپنے خود کے سلسلۂ غور و فکر کی نگرانی کے نظام پر تحقیق کریں اور انہیں تیار بھی کر سکیں۔
ڈویلپرز کو اپنی ایپلی کیشنز میں صارفین کو سلسلہ غور و فکر (CoT) براہ راست نہیں دکھانا چاہیے۔ ان میں من گھڑت یا نقصان دہ مواد ہوسکتا ہے، ایسا لہجہ بھی شامل ہو سکتا ہے جو OpenAI کی معیاری حفاظتی پالیسیوں کے مطابق نہ ہو، اور ان میں وہ معلومات بھی آسکتی ہیں جنہیں ماڈل کو واضح طور پر ہدایت دی جاتی ہے کہ انہیں آخری جواب میں شامل نہ کیا جائے۔
gpt-oss-120b اپنے آؤٹ پُٹ میں سسٹم کی ہدایات مضبوطی سے فالو کرتا ہے، لیکن اپنے سلسلہ غور و فکر (CoT) میں اکثر ان ہدایات کی کھل کر خلاف ورزی بھی کرتا ہے۔
GPT‑oss ماڈلز حفاظتی تربیت کے لیے ہمارے جدید ترین طریقوں کا فائدہ اٹھاتے ہیں۔ ابتدائی تربیت کے دوران، ہم نے کیمیکل، بائیولوجیکل، ریڈیولوجیکل اور نیوکلیئر (CBRN) سے متعلق کچھ نقصان دہ مواد کو فلٹر کر کے الگ کر دیا تھا۔ بعد از تربیت کے مرحلے میں، ہم نے ماڈل کو غیر محفوظ ہدایات کو رد کرنا اور فریبی پرامپٹ سے بچاؤ سکھانے کے لیے سوچ سمجھ کر کی جانے والی مطابقت اور ہدایات کی درجہ بندی(نئی ونڈو میں کھلتا ہے) کا استعمال کیا۔
جب کسی اوپن ویٹ ماڈل اجرا ہو ہے، تو ممکن ہے کہ مخالف یا بدنیتی رکھنے والے لوگ اسے غلط مقاصد کے لیے فائن ٹیون کرلیں۔ ہم نے ان خطرات کا براہِ راست جائزہ لینے کے لیے ماڈل کو خصوصی حیاتیاتی اور سائبر سیکیورٹی کے ڈیٹا پر بالکل ویسے ہی فائن ٹیون کیا جیسے کوئی حملہ آور کر سکتا ہے، اور ہر شعبے کے لیے ایسا خصوصی ماڈل تیار کیا جو ہدایات سے انکار نہ کرے۔ پھر ہم نے اندرونی اور بیرونی جانچ کے ذریعے ان نمونوں کی صلاحیت کی سطح کا اندازہ لگایا۔ اس جانچ کے نتیجے، جن کی تفصیل ساتھ شائع کی گئی ہماری حفاظتی رپورٹ میں موجود ہے، یہ ظاہر ہوا کہ even OpenAI کے بہترین تربیتی نظام کو استعمال کرتے ہوئے بدنیتی سے فائن ٹیون کیے گئے ماڈلز بھی ہماری تیاری کے فریم ورک کے مطابق اعلیٰ صلاحیت کے درجے تک نہیں پہنچ سکے۔ اس بدنیتی پر مبنی فائن ٹیوننگ کے طریقہ کار کا جائزہ تین آزاد ماہر گروپوں نے لیا، جنہوں نے تربیت کے عمل اور تشخیصات کو بہتر بنانے کے لئے سفارشات پیش کیں، جن میں سے بہت سی ہم نے اپنائیں۔ ہم ماڈل کارڈ میں ان سفارشات کی تفصیل فراہم کرتے ہیں۔ یہ اقدامات اوپن ماڈلز کو محفوظ بنانے میں ایک اہم پیش رفت کی نشاندہی کرتے ہیں۔ ان نتائج نے ہی gpt-oss ماڈلز کو جاری کرنے کے ہمارے فیصلے کی راہ متعین کی۔ ہمیں امید ہے کہ یہ ماڈلز پوری صنعت میں سیفٹی ٹریننگ اور الائنمنٹ سے متعلق تحقیق کی رفتار کو تیز کرنے میں مدد دیں گے۔
اوپن سورس ماحول کو مزید محفوظ بنانے کے لیے، ہم ایک نقص جوئی چیلنج(نئی ونڈو میں کھلتا ہے) کا اہتمام کر رہے ہیں، تاکہ دنیا بھر کے محققین، ڈویلپرز اور شوقین افراد نئے قسم کے حفاظتی مسائل کی نشاندہی میں ہماری مدد کر سکیں۔ اس مقابلے کے لیے 500,000 امریکی ڈالر کی انعامی رقم رکھی گئی ہے، جو OpenAI اور دیگر نمایاں تحقیقی اداروں کے ماہر ججوں کے پینل کی نظر ثانی کے بعد تقسیم کی جائے گی۔ چیلنج کے اختتام پر، ہم ایک رپورٹ شائع کریں گے اور توثیق شدہ نتائج کی بنیاد پر ایک اوپن سورس تشخیصی ڈیٹا سیٹ جاری کریں گے، تاکہ برادری کے اور مزید لوگوں کو فوری طور پر فائدہ پہنچ سکے۔ مزید معلومات حاصل کریں اور یہاں(نئی ونڈو میں کھلتا ہے) حصہ لیں۔
gpt-oss-120b اور gpt-oss-20b دونوں کے ویٹس ہگنگ فیس پر مفت ڈاؤن لوڈ کے لیے دستیاب ہیں، اور یہ ماڈلز پہلے سے ہی MXFP4 میں کوانٹائزڈ صورت میں فراہم کیے گئے ہیں۔ اس سے gpt-oss-120B ماڈل کو صرف 80 جی بی میموری میں چلانا ممکن ہو جاتا ہے، جبکہ gpt-oss-20B کو صرف 16 جی بی درکار ہوتی ہے۔
یہ ماڈلز ہماری Harmony پرامپٹ فارمیٹ(نئی ونڈو میں کھلتا ہے) پر بعد از تربیت تیار کیے گئے ہیں، اور اپنانے کے عمل کو آسان بنانے کے لیے ہم Python اور Rust دونوں میں ایک اوپن سورس Harmony رینڈرر(نئی ونڈو میں کھلتا ہے) بھی جاری کر رہے ہیں۔ ہم PyTorch اور ایپل کے Metal پلیٹ فارم پر اِنفرنس چلانے کے لیے ریفرنس امپلیمینٹیشنز بھی جاری کر رہے ہیں، ساتھ ہی ماڈل کے لیے مثال کے طور پر تیار کیے گئے متعدد ٹولز کا مجموعہ بھی فراہم کر رہے ہیں۔
ہم نے ان ماڈلز کو اس طرح ڈیزائن کیا ہے کہ وہ ہر جگہ آسانی سے چل سکیں—چاہے مقامی سسٹم پر، کسی ڈیوائس پر، یا تیسرے فریق کے اِنفرنس فراہم کرنے والے پلیٹ فارمز کے ذریعے۔ اس مقصد کو ممکن بنانے کے لیے، ہم نے اجرا سے پہلے ہی معروف ڈیپلائمنٹ پلیٹ فارمز—جیسے Azure، Hugging Face، vLLM، Ollama اور llama.cpp—کے ساتھ شراکت داری کی۔ اور LM Studio، AWS، Fireworks، Together AI، Baseten، Databricks، Vercel، Cloudflare اور OpenRouter کے ساتھ بھی تعاون کیا، تاکہ یہ ماڈلز ڈویلپرز کے لیے وسیع پیمانے پر باآسانی دستیاب ہو سکیں۔ ہارڈویئر کے شعبے میں، ہم نے NVIDIA، AMD، Cerebras اور Groq جیسے صنعت کے سرکردہ اداروں کے ساتھ کام کیا تاکہ مختلف سسٹمز پر بہتر کارکردگی یقینی بنائی جا سکے۔
آج کے اجرا کے حصے کے طور پر، مائیکروسافٹ gpt-oss-20b ماڈل کے GPU-آپٹمائزڈ ورژنز بھی Windows ڈیوائسز پر لا رہا ہے۔ ONNX Runtime کی مدد سے چلنے والے یہ ماڈلز مقامی انداز میں انفیرنس کی سہولت دیتے ہیں اور Foundry Local اور VS Code کے لیے AI ٹول کِٹ کے ذریعے دستیاب ہیں، جس سے ونڈوز ڈویلپرز کے لیے اوپن ماڈلز کے ساتھ کام کرنا کہیں زیادہ آسان ہو جاتا ہے۔
جن ڈویلپرز کو ایسے ماڈلز درکار ہیں جو وہ اپنی ضرورت کے مطابق مکمل طور پر تبدیل کر سکیں، فائن ٹیون کر سکیں اور اپنی ہی ماحول میں جاری کرسکیں، اُن کے لیے gpt-oss ایک بہترین انتخاب ہے۔ جو افراد ملٹی موڈل سہولت، بلٹ اِن ٹولز، اور ہماری پلیٹ فارم کے ساتھ بغیر رکاوٹ انضمام چاہتے ہیں، اُن کے لیے ہماری API پلیٹ فارم پر دستیاب ماڈلز ہی بہترین انتخاب ہیں۔ ہم ڈویلپر کی فیڈبیک کو قریب سے سننا جاری رکھیں گے اور مستقبل میں GPT‑oss کے لیے API سپورٹ پر غور کر سکتے ہیں۔
اگر آپ ان ماڈلز کو آزمانا چاہتے ہیں تو، ہمارے open model Playground(نئی ونڈو میں کھلتا ہے) پر جائیں۔ اگر آپ مختلف ایکوسسٹم فراہم کنندگان کے ذریعے ماڈلز استعمال کرنے یا انہیں فائن ٹیون کرنے کے طریقوں کے بارے میں مزید جاننا چاہتے ہیں، تو ہمارے ہماری گائیڈز دیکھیں(نئی ونڈو میں کھلتا ہے)۔
gpt-oss-120b اور gpt-oss-20b کا اجرا اوپن ویٹ ماڈلز کے لیے ایک اہم قدم ثابت ہوا ہے۔ اپنے اس حجم میں، یہ ماڈلز استدلال کی صلاحیتوں اور محفوظ استعمال دونوں ہی میدانوں میں نمایاں بہتری فراہم کرتے ہیں۔ اوپن ماڈلز ہمارے ہوسٹ کیے گئے ماڈلز کی تکمیل کرتے ہیں، اور ڈویلپرز کو ایسے وسیع تر ٹولز فراہم کرتے ہیں جو جدید تحقیق کو تیز کرنے، جدّت کو فروغ دینے، اور مختلف استعمالات کے لیے زیادہ محفوظ اور شفاف AI کی ترقی ممکن بناتے ہیں۔
یہ اوپن ماڈلز اُبھرتی ہوئی منڈیوں، محدود وسائل والے شعبوں، اور اُن چھوٹی تنظیموں کے لیے بھی رکاوٹیں کم کرتے ہیں جو بجٹ یا لچک کی کمی کے باعث ملکیتی ماڈلز اختیار کرنے کی سکت نہیں رکھتیں۔ طاقتور اور آسانی سے دستیاب ٹولز ہاتھ میں ہونے کی بدولت، دنیا بھر کے لوگ تعمیر کر سکتے ہیں، جدّت لا سکتے ہیں، اور اپنے لیے اور دوسروں کے لیے نئے مواقع پیدا کر سکتے ہیں۔ امریکا میں تیار کیے گئے ان باصلاحیت اوپن ویٹ ماڈلز تک وسیع رسائی، جمہوری طرز کی AI بنیادوں کو مضبوط اور وسیع کرنے میں مدد دیتی ہے۔
ایک صحت مند اوپن ماڈل ایکوسسٹم، AI کو ہر ایک کے لیے وسیع پیمانے پر قابل رسائی اور فائدہ مند بنانے کے اہم پہلوؤں میں سے ایک ہے۔ ہم ڈویلپرز اور محققین کو دعوت دیتے ہیں کہ وہ ان ماڈلز کو استعمال کرتے ہوئے تجربات کریں، مل کر کام کریں، اور ممکنات کی حدوں کو مزید آگے بڑھائیں۔ ہم یہ دیکھنے کے منتظر ہیں کہ آپ کیا تعمیر کرتے ہیں۔
مصنف
حوالہ جات
شراکت دار
Zoran Martinovic، Zhuohan Li، Zhiqing Sun، Zach Johnson، Yu Yang، Yu Bai، Yang Song، Xin Wang، Wenting Zhan، Volodymyr Kyrylov، Vlad Fomenko، Tyler Bertao، Tong Mu، Timur Garipov، Tarun Gogineni، Suvansh Sanjeev، Steve Mostovoy، Song Mei، Shengjia Zhao، Sebastien Bubeck، Scott McKinney، Scott Lessans، Sandhini Agarwal، Sam Toizer، Sam Altman، Saachi Jain، Romain Huet، Rahul K. Arora، Philippe Tillet، Olivia Watkins، Nivedita Brett، Nikhil Vyas، Miles Wang، Michihiro Yasunaga، Michelle Pokrass، Mia Glaese، Max Schwarzer، Mark Chen، Mario Lezcano-Casado، Marat Dukhan، Lukas Gross، Ludovic Peran، Ludovic Peran، Lindsay McCallum، Lin Yang، Lily (Xiaoxuan) Liu، Leher Pathak، Lama Ahmad، Kristian Georgiev، Kristen Ying، Kimmy Richardson، Kevin Whinnery، Kevin Weil، Kevin Lu، Kevin Fives، Kendal Simon، Katia Gil Guzman، Karan Singhal، Karan Singhal، Kai Chen، Josh McGrath، Jordan Liss، Jongsoo Park، John Hallman، Johannes Heidecke، Jiancheng Liu، Ji Lin، Jason Kwon، Jason Ai، James Park Lennon، Jakub Pachocki، Jacob Huh، Jackie Hehir، Irina Kofman، Huida Qiu، Hongyu Ren، Harshit Sikchi، Hannah Wong، Haitang Hu، Haitang Hu، Haiming Bao، Hadi Salman، Guillaume Leclerc، Greg Brockman، Gideon Myles، Giambattista Parascandolo، Gaby Raila، Foivos Tsimpourlas، Filippo Raso، Eugene Brevdo، Eric Wallace، Enoch Cheung، Elizabeth Proehl، Elaine Ya Le، Edwin Arbus، Eddie Zhang، Dominik Kundel، Dmitry Pimenov، David Robinson، Dane Stuckey، Dana Palmie، Dan Cook، Cyril Zhang، Chris Lu، Chris Koch، Che Chang، Cedric Whitney، Casey Dvorak، Carolina Paz، Brian Zhang، Bowen Baker، Bob Rotsted، Boaz Barak، Ashley Pantuliano، Andy Applebaum، Amy Wendling، Ally Bennett، Alexander Neitz، Alex Paino، Alex Nichol، Alec Helyar، Aidan McLaughlin، Aidan Clark، Adam Goucher
