ماڈل اسپیک کے بارے میں ہمارا نقطۂ نظر

OpenAI میں، ہم یقین رکھتے ہیں کہ AI منصفانہ، محفوظ اور آزادانہ طور پر دستیاب ہونا چاہیے تاکہ زیادہ سے زیادہ لوگ اسے مشکل مسائل حل کرنے، مواقع پیدا کرنے اور ہیلتھ، سائنس، تعلیم، کام اور روزمرہ کی زندگی جیسے شعبوں میں فائدہ اٹھانے کے لیے استعمال کر سکیں. ہم یقین رکھتے ہیں کہ AI تک جمہوری رسائی ہی آگے بڑھنے کا بہترین راستہ ہے: نہ ایسی AI جس کے فوائد یا کنٹرول چند لوگوں کے ہاتھوں میں مرتکز ہوں، بلکہ ایسی مصنوعی ذہانت جس تک زیادہ لوگ رسائی حاصل کر سکیں، اسے سمجھ سکیں اور اس کی تشکیل میں مدد دے سکیں.

یہی ایک بنیادی وجہ ہے کہ OpenAI ماڈل اسپیک موجود ہے. ماڈل اسپیک⁠(نئی ونڈو میں کھلتا ہے) ماڈل کے رویے کے لیے ہمارا باضابطہ فریم ورک ہے. یہ وضاحت کرتا ہے کہ ہم چاہتے ہیں کہ ماڈل ہدایات پر کیسے عمل کریں، تنازعات کو کیسے حل کریں، صارف کی آزادی کا احترام کریں اور صارفین کے روزانہ پوچھے جانے والے انتہائی وسیع سوالات کے دائرے میں محفوظ طریقے سے برتاؤ کریں. مزید عمومی طور پر، یہ ماڈل کے مطلوبہ رویے کو واضح کرنے کی ہماری کوشش ہے: نہ صرف ہمارے تربیتی عمل کے اندر، بلکہ ایسی شکل میں بھی جسے صارفین، ڈویلپرز، محققین، پالیسی سازوں اور وسیع تر عوام واقعی پڑھ سکیں، اس کا جائزہ لے سکیں اور اس پر بحث کر سکیں.

ماڈل اسپیک یہ دعوٰی نہیں ہے کہ ہمارے ماڈلز آج ہی پہلے سے ہی بالکل اسی طرح برتاؤ کرتے ہیں. بہت سے لحاظ سے، یہ وضاحتی ہے، لیکن یہ اُس سمت کے لیے ایک ہدف بھی ہے جس سمت ہم ماڈل کے رویے کو لے جانا چاہتے ہیں. ہم اسے مطلوبہ رویے کو زیادہ واضح بنانے کے لیے استعمال کرتے ہیں، تاکہ ہم اسی سمت میں تربیت دے سکیں، اسی کے مقابلے میں اس کا جائزہ لے سکیں اور وقت کے ساتھ اسے بہتر بنا سکیں. 

یہ پوسٹ اس پس منظر کو بیان کرتی ہے جو خود ماڈل اسپیک میں شامل نہیں ہے، بشمول اس کے پسِ پشت موجود فلسفہ اور طریقۂ کار: یہ کس طرح ترتیب دیا گیا ہے، ہم نے یہ ساختی انتخاب کیوں کیے اور ہم اسے وقت کے ساتھ کیسے لکھتے، نافذ کرتے اور ارتقاء پذیر بناتے ہیں.

ماڈل اسپیک، محفوظ اور جوابدہ AI کے لیے OpenAI کے وسیع تر نقطۂ نظر کا ایک حصہ ہے. جبکہ پریفرنس فائن-ٹیوننگ⁠ جدید ترین صلاحیتوں سے پیدا ہونے والے خطرات اور ان خطرات کے بڑھنے کے ساتھ درکار حفاظتی اقدامات پر توجہ مرکوز کرتا ہے، ماڈل اسپیک ایک مختلف لیکن تکمیلی سوال سے بحث کرتا ہے: ہمارے ماڈلز کو مختلف قسم کے حالات میں کیسے برتاؤ کرنا چاہیے. مزید وسیع تناظر میں دیکھیں، تو AI کی لچک کا مقصد اس وسیع تر سماجی چیلنج سے نمٹنا ہے کہ معاشرے کو جدید AI کے فوائد حاصل کرنے میں مدد دی جائے، جبکہ جیسے جیسے زیادہ صلاحیت رکھنے والے سسٹمز تعینات کیے جاتے ہیں، خلل اور ابھرتے ہوئے خطرات کو کم کیا جائے. مجموعی طور پر، ان اقدامات کا مقصد AGI کی جانب منتقلی کو بتدریجی، تکراری اور جمہوری طور پر قابلِ فہم بنانا ہے: تاکہ لوگوں اور اداروں کو خود کو ڈھالنے کے لیے وقت ملے، جبکہ ایسے حفاظتی اقدامات، جوابدہی کے نظام اور عوامی فہم کو بھی فروغ دیا جائے جو طاقتور AI کو انسانی مفادات کے مطابق رکھنے کے لیے ضروری ہیں.

ماڈل کے رویّے کے بارے میں عوام کے لیے وضاحت، منصفانہ پن اور حفاظت دونوں کے لیے اہم ہے. یہ منصفانہ پن کے لیے اہم ہے، کیونکہ لوگوں کو سمجھنا چاہیے کہ AI ان کے ساتھ ایسا کیوں اور کیسے کر رہا ہے—اور جب منصفانہ پن سے متعلق خدشات سامنے آئیں تو وہ انہیں شناخت کر سکیں، ان پر سوال کر سکیں اور انہیں حل کر سکیں. اور یہ حفاظت کے لیے بھی اہم ہے، کیونکہ AI سسٹمز جیسے جیسے زیادہ قابل ہوتے جا رہے ہیں، لوگوں اور اداروں کو اس بارے میں زیادہ واضح توقعات چاہییں کہ ان کا مطلوبہ رویّہ کیا ہے، وہ کن توازنات کی نمائندگی کرتے ہیں اور وقت کے ساتھ ان انتخابوں کو کیسے بہتر بنایا جا سکتا ہے. اس طرح کی قابلِ فہمیت لچک میں بھی مدد دیتی ہے، کیونکہ یہ زیادہ لوگوں کو کوئی ٹھوس چیز دیتی ہے جسے وہ جانچ سکیں، اس پر سوال کر سکیں اور اسے بہتر بنا سکیں.

2024 میں پہلے ورژن کے بعد سے، ماڈل اسپیک میں نمایاں طور پر ارتقا ہوا ہے کیونکہ ہم صارفین کی ترجیحات اور ضروریات کے بارے میں مزید سیکھتے ہیں، زیادہ وسیع صلاحیتوں کا احاطہ کرنے اور ان کے مطابق ڈھلنے کے لیے اسے وسعت دیتے ہیں اور ماڈل کے رویوں اور ماڈل اسپیک کے بارے میں عوامی تاثرات سے سیکھتے ہیں. تدریجی ڈیپلائمنٹ⁠ کے جذبے کے تحت، ماڈل اسپیک ایک ارتقا پذیر دستاویز ہے جو بنیادی اقدار اور واضح، قابلِ فہم اصولوں دونوں کا احاطہ کرتی ہے—اور اس کے ساتھ ایک ایسا عمل بھی شامل ہے جس کے ذریعے انفرادی اجزا میں ترمیم کی جا سکتی ہے، جیسے جیسے ہم حقیقی دنیا میں ڈیپلائمنٹ اور موصول ہونے والے فیڈبیک سے سیکھتے ہیں. ہم اجتماعی صف بندی⁠ جیسے عوامی فیڈبیک کے طریقہ کار میں بھی سرمایہ کاری کر رہے ہیں تاکہ AI کے استعمال اور اس کے رویے کی تشکیل پر انسانیت کا کنٹرول برقرار رہے.

اندرونی طور پر، یہ ہمیں متوقع رویے کے لیے ایک رہنما اصول فراہم کرتا ہے اور تربیت، تشخیص اور گورننس کے لیے ایک مشترکہ فریم ورک فراہم کرتا ہے. بیرونی طور پر، یہ ایک عوامی حوالہ فراہم کرتا ہے جسے لوگ ہمارے طریقۂ کار کو سمجھنے، اس پر تنقید کرنے اور وقت کے ساتھ اسے بہتر بنانے کے لیے استعمال کر سکتے ہیں.

ماڈل اسپیک کئی مختلف اقسام کی ماڈل رہنمائی پر مشتمل ہے. یہ جان بوجھ کر ہے۔ ماڈل کے رویے کے مختلف حصوں کو مختلف طریقوں سے سنبھالنے کی ضرورت ہوتی ہے اور ایک مفید عوامی دستاویز کو صرف قواعد کی فہرست دینے سے بڑھ کر کام کرنا ہوتا ہے.

ماڈل اسپیک کا آغاز اعلٰی سطحی مقصد سے ہوتا ہے: اس بات کی واضح وضاحت کہ ہم سسٹم کی سطح پر کس چیز کو بہتر بنانا چاہتے ہیں اور کیوں.

یہ تعارف ان تین اہداف کو واضح کرتا ہے جن کے ذریعے ہم اپنے مشن کو حاصل کرنے کا منصوبہ بناتے ہیں.

• تدریجی طور پر تعینات ایسے ماڈل جو ڈویلپرز اور صارفین کو بااختیار بنائیں
• روکیں ہمارے ماڈل کو کہ وہ صارفین یا دوسروں کو سنگین نقصان نہ پہنچائیں
• برقرار رکھیں OpenAI کا کام کرنے کا لائسنس.

اس کے بعد یہ وضاحت کرتا ہے کہ ہم عملی طور پر ان اہداف میں توازن قائم کرنے کے بارے میں کیسے سوچتے ہیں اور ان سمجھوتوں کو اتنا ٹھوس بناتے ہوئے کہ وہ بعد میں آنے والے زیادہ تفصیلی اصولوں کی بنیاد بن سکیں.

اہم بات یہ ہے کہ یہ تعارف ماڈل کے لیے براہ راست ہدایت کے طور پر نہیں ہے. انسانیت کو فائدہ پہنچانا OpenAI کا مقصد ہے، یہ وہ مقصد نہیں ہے جسے ہم اپنے ماڈل سے خودمختار طور پر حاصل کرنے کی توقع رکھتے ہیں. اس کے بجائے، ہم چاہتے ہیں کہ ماڈلز ایک ہدایات کے سلسلے کی پیروی کریں جس میں ماڈل اسپیک اور OpenAI، ڈویلپرز اور صارفین کی متعلقہ ہدایات شامل ہوں—یہاں تک کہ اگر کسی خاص معاملے میں کچھ لوگ نتیجے سے اختلاف کریں.

ہم سمجھتے ہیں کہ یہ درست توازن ہے کیونکہ ہم انسانی خود مختاری اور فکری آزادی کو اہمیت دیتے ہیں. اگر ہم ماڈلز کو یہ فیصلہ کرنے کے لیے تربیت دیتے ہیں کہ معاشرے کے لیے کیا اچھا ہے کے بارے میں ہمارے اپنے نقطہ نظر کی بنیاد پر کن ہدایات پر عمل کرنا ہے، تو OpenAI بہت وسیع سطح پر اخلاقیات کا فیصلہ کرنے کی پوزیشن میں ہوگا۔ یہ کہا جا چکا ہے، تعارف اب بھی اہمیت رکھتا ہے. جب ماڈل اسپیک کو لاگو کرنے کے طریقے میں ابہام ہو، تو اس تعارف کو اس کا ازالہ کرنے میں مدد کرنی چاہئیے.

ماڈل اسپیک میں عوامی وعدے بھی شامل ہیں جو براہ راست قابل پیمائش ماڈل کے رویے سے آگے بڑھتے ہیں اور تربیت کے ارادے اور تعیناتی کی حدود تک محیط ہیں. مثال کے طور پر، ہمارے ریڈ لائن اصول⁠(نئی ونڈو میں کھلتا ہے) میں یہ عہد شامل ہے کہ ChatGPT جیسے فریق اول تعیناتیوں میں ہم کبھی بھی سسٹم پیغامات کو جان بوجھ کر معروضیت⁠(نئی ونڈو میں کھلتا ہے) یا متعلقہ اصولوں کو نقصان پہنچانے کے لیے استعمال نہیں کریں گے؛ کوئی دیگر مقاصد نہیں⁠(نئی ونڈو میں کھلتا ہے) میں ہمارے ارادوں کے بارے میں یہ وعدے شامل ہیں کہ ہم ماڈل کے جوابات کو صارف کے فائدے کے لیے بہتر بنائیں گے، نہ کہ آمدنی یا سائٹ پر غیر مفید وقت گزارنے کے لیے.

ماڈل اسپیک کے مرکز میں چین آف کمانڈ ہے: ایک ایسا فریم ورک جو یہ طے کرتا ہے کہ کسی مخصوص صورتِ حال میں کون سی ہدایات لاگو ہونی چاہئیں۔ یہ اس بات کا بھی احاطہ کرتا ہے کہ ماڈل کو کم وضاحت والی ہدایات کو کیسے سنبھالنا چاہیے، خاص طور پر ایجنٹک ماحول میں جہاں اس سے توقع کی جاتی ہے کہ وہ خودمختار طور پر تفصیلات پُر کرے، جبکہ حقیقی دنیا میں ہونے والے ضمنی اثرات کو احتیاط سے قابو میں رکھے.

یہ طے کرنے کے پیچھے بنیادی خیال کہ کون سی ہدایات لاگو ہونی چاہئیں، سادہ ہے. ہدایات مختلف ذرائع سے آ سکتی ہیں، جن میں OpenAI، ڈویلپرز اور صارفین شامل ہیں. وہ ہدایات متصادم ہو سکتی ہیں. چین آف کمانڈ یہ واضح کرتی ہے کہ ماڈل کو ان تنازعات کو کیسے حل کرنا چاہیے.  

ہر ماڈل اسپیک پالیسی اور ہر ہدایت کو ایک اتھارٹی لیول⁠(نئی ونڈو میں کھلتا ہے) دیا جاتا ہے. ماڈل کو ہدایت دی گئی ہے کہ جب ٹکراؤ پیدا ہو تو اعلٰی‑اختیاری ہدایات کے الفاظ اور مفہوم دونوں کو ترجیح دے. اگر کوئی صارف بم بنانے میں مدد مانگے، تو ماڈل کو سخت حفاظتی حدود⁠(نئی ونڈو میں کھلتا ہے) کو ترجیح دینی چاہیے. اگر کوئی صارف کہے کہ اس کے ساتھ سخت مذاق کیا جائے، تو ماڈل کو عمومی طور پر اس درخواست کو ماڈل اسپیک کی کم-اختیار بدسلوکی کے خلاف پالیسی⁠(نئی ونڈو میں کھلتا ہے) پر ترجیح دینی چاہیے.

یہ ساخت ہمیں ایسے قواعد کے نسبتاً چھوٹے مجموعے کی وضاحت کرنے دیتی ہے جنہیں اوور رائیڈ نہیں کیا جا سکتا، نیز طے شدہ ترتیبات کے ایک بڑے مجموعے کی بھی. اسی طرح ہم حفاظتی حدود کے اندر صارف کی آزادی اور ڈیولپر کے کنٹرول کو زیادہ سے زیادہ کرنے کی کوشش کرتے ہیں.

• سخت قواعد واضح حدود ہیں جنہیں صارفین یا ڈویلپرز اووررائیڈ نہیں کر سکتے (ماڈل اسپیک کی اصطلاح میں، یہ "روٹ" یا "سسٹم" سطح کی ہدایات ہیں). یہ زیادہ تر امتناعی نوعیت کے ہوتے ہیں اور ماڈل سے تقاضا کرتے ہیں کہ وہ ایسے رویوں سے گریز کریں جو تباہ کن خطرات یا براہ راست جسمانی نقصان کا سبب بن سکتے ہوں، قوانین کی خلاف ورزی کریں، یا چین آف کمانڈ کو کمزور کریں. ہم توقع کرتے ہیں کہ AI معاشرے کے لیے ایک بنیادی ٹیکنالوجی بن جائے گی، جو انٹرنیٹ کے بنیادی ڈھانچے کے مشابہ ہے، اس لیے ہم صرف ایسے قوانین نافذ کرتے ہیں جو فکری آزادی کو محدود کر سکتے ہیں جب ہمیں یقین ہے کہ وہ ڈویلپرز اور صارفین کے وسیع میدان عمل کے لیے ضروری ہیں جو اس کے ساتھ تعامل کریں گے. ماڈل اسپیک میں، حدود میں رہیں⁠(نئی ونڈو میں کھلتا ہے) میں ایسے سخت قواعد شامل ہیں جو حقیقی دنیا کے ٹھوس حفاظتی خطرات سے نمٹتے ہیں، اور انڈر-18 اصول⁠(نئی ونڈو میں کھلتا ہے) 18 سال سے کم عمر صارفین کے لیے اضافی حفاظتی اقدامات فراہم کرتے ہیں.
• پہلے سے طے شدہ ترتیبات ایسے ابتدائی نقطے ہیں جنہیں بدلا جا سکتا ہے: جب صارف یا ڈویلپر نے کوئی ترجیح متعین نہ کی ہو تو اسسٹنٹ کا "بہترین اندازے" پر مبنی رویہ. ہم ڈیفالٹ ترتیبات استعمال کرتے ہیں تاکہ رویہ بڑے پیمانے پر پیش گوئی کے قابل اور قابلِ کنٹرول رہے، تاکہ لوگ ہر بار مخصوص ہدایات کا ایک الگ مجموعہ لکھے بغیر پیشگی اندازہ لگا سکیں کہ کیا ہوگا. ڈیفالٹس قابلِ رہنمائی کو برقرار رکھتے ہیں: صارفین اور ڈویلپرز حفاظتی حدود کے اندر لہجے، گہرائی، فارمیٹ اور حتیٰ کہ نقطۂ نظر کی بھی واضح طور پر رہنمائی کر سکتے ہیں. رہنما اصول کی سطح کے ڈیفالٹس (جیسے لہجہ یا اسلوب) اس طرح ڈیزائن کیے جاتے ہیں کہ انہیں ضمنی طور پر قابلِ رہنمائی بنایا جا سکے، جبکہ صارف کی سطح کے ڈیفالٹس (جیسے سچائی اور معروضیت) اعتماد اور پیش بینی کے لیے بنیاد ہوتے ہیں اور انہیں صرف صریح ہدایات کے ذریعے ہی تبدیل کیا جا سکتا ہے. انہیں محض تاثر کی بنیاد پر خاموشی سے نہیں بدلنا چاہیے؛ اگر صارف حقائق سے متعلق ایک مختلف موقف چاہتا ہے، تو اسے ایک واضح ہدایت کے طور پر بیان کرنا اس تبدیلی کو شفاف اور قابلِ فہم رکھتا ہے. یہ طے شدہ اصول مل کر سچ کی تلاش کریں⁠(نئی ونڈو میں کھلتا ہے)، بہترین کام کریں⁠(نئی ونڈو میں کھلتا ہے) اور مناسب اسلوب اختیار کریں⁠(نئی ونڈو میں کھلتا ہے) میں جھلکتے ہیں، جن میں دیانت داری اور معروضیت سے متعلق معیارات، اندھی تائید سے گریز اور تعامل کے اصول جیسے براہِ راست انداز اور سیاق کے مطابق گرم جوشی اور پیشہ ورانہ طرزِ عمل شامل ہیں.

درجہ بندی سے آگے، ماڈل اسپیک تشریحی معاونات استعمال کرتا ہے تاکہ ماڈلز (اور انسانوں) کو غیر واضح حالات میں اس کا یکساں اطلاق کرنے میں مدد ملے. ان امداد میں شامل ہیں: 

• فیصلہ سازی کے معیارات جو ماڈل کو غیر واضح صورتِ حال میں مستقل انتخاب کرنے میں مدد دیتے ہیں، یہ ظاہر کیے بغیر کہ اس کے لیے کوئی ایک واحد میکانکی اصول موجود ہے. مثال کے طور پر، ضمنی اثرات کو کنٹرول کرنے⁠(نئی ونڈو میں کھلتا ہے) کے بارے میں ماڈل اسپیک کی رہنمائی میں ایسے نکات درج ہیں جیسے ناقابلِ واپسی اقدامات کو کم سے کم کرنا، اقدامات کو مقصد کے متناسب رکھنا، ناخوشگوار حیرتوں کو کم کرنا اور قابلِ واپسی طریقۂ کار کو ترجیح دینا، جنہیں ٹاسک کو تیزی اور مؤثر انداز میں مکمل کرنے جیسے دیگر مقاصد کے مقابلے میں متوازن رکھا جانا چاہیے.
• ٹھوس مثالیں جو یہ دکھاتی ہیں کہ کسی اصول کو عملی طور پر کیسے لاگو کیا جانا چاہیے. یہ پرومپٹ اور جواب کی مختصر مثالیں ہیں، جن میں عموماً تعمیلی اور غیر تعمیلی دونوں طرح کے جوابات شامل ہوتے ہیں اور اکثر یہ کسی اہم فیصلہ کن حد کے قریب ایک مشکل پرومپٹ پر مبنی ہوتی ہیں. مقصد ایک مکمل حقیقت پسندانہ گفتگو کی نقل کرنا نہیں ہے. یہ اہم فرق کو واضح کرنے کے لیے ہے اور اس انداز میں کرنے کے لیے بھی کہ مطلوبہ طرزِ جواب بھی ظاہر ہو.

ہم مثالوں کی تعداد نسبتاً کم رکھتے ہیں اور سب سے زیادہ معلوماتی مثالوں پر توجہ مرکوز کرتے ہیں. زیادہ وسیع تشخیصی سوئٹس لانگ ٹیل کے زیادہ حصے کا احاطہ کرنے میں مدد دیتے ہیں.

اسپیک ایک انٹرفیس ہے، نفاذ نہیں. یہ اُس رویے کو بیان کرتا ہے جو ہم چاہتے ہیں، یہ نہیں کہ ہم اس رویے کو کیسے پیدا کرتے ہیں، اس کی ہر تفصیل. ہم اسے عمل درآمد کی تفصیلات، جیسے داخلی ٹوکن فارمیٹس یا کسی مخصوص رویّے کے لیے تربیت کے درست طریقۂ کار، سے وابستہ کرنے سے گریز کرتے ہیں، کیونکہ یہ تفصیلات اس وقت بھی بدل سکتی ہیں جب مطلوبہ رویّہ نہ بدلے. ماڈل اسپیک کا بنیادی مخاطب خود ماڈل نہیں بلکہ انسان ہیں: اس کا مقصد OpenAI کے ملازمین، صارفین، ڈویلپرز، محققین اور پالیسی سازوں کو مطلوبہ رویے کو سمجھنے، اس پر بحث کرنے اور اس کے بارے میں فیصلہ کرنے میں مدد دینا ہے.

اسپیک ماڈل کو بھی بیان کرتی ہے، پوری پروڈکٹ کو نہیں. اس کی تکمیل ہماری استعمال کی پالیسیاں⁠ سے ہوتی ہے، جن میں اس بارے میں ہماری توقعات بیان کی گئی ہیں کہ لوگوں کو API اور ChatGPT کو کیسے استعمال کرنا چاہیے. وہ نظام جس کے ساتھ صارفین تعامل کرتے ہیں، صرف ماڈل تک محدود نہیں ہوتا: حسب ضرورت ہدایات اور میموری جیسی پروڈکٹ خصوصیات، نگرانی، پالیسی کا نفاذ اور دیگر پرتیں بھی سبھی اہم ہیں. حفاظت صرف ماڈل کے رویے سے کہیں بڑھ کر ہے اور ہم دفاع کی تہہ در تہہ⁠ پر یقین رکھتے ہیں. 

اور اسپیک ہمارے پورے ٹریننگ اسٹیک یا اندرونی پالیسیوں کے درمیان ہر امتیاز کا مکمل تفصیلی بیان نہیں ہے. مقصد ہر تفصیل کو محفوظ کرنا نہیں ہے. اس کا مقصد سب سے اہم رویّے سے متعلق فیصلوں کو اس انداز میں قابلِ فہم بنانا ہے جو ہمارے مطلوبہ ماڈل کے رویّے کے ساتھ مکمل طور پر ہم آہنگ ہو.

اس سب کو اسپیک میں شامل کرنے کی کئی وجوہات ہیں، بجائے اس کے کہ یہ فرض کر لیا جائے کہ قاری—یا ماڈل—چند اعلٰیٰ سطحی اہداف سے ہر بات خود اخذ کر لے گا.

سب سے پہلے، ماڈل اسپیک شفافیت اور جوابدہی کا آلہ ہے. اسے بامعنی عوامی فیڈبیک کی حوصلہ افزائی کے لیے ڈیزائن کیا گیا ہے. ایک واضح عوامی ہدف لوگوں کو یہ سمجھنے میں مدد دیتا ہے کہ آیا کوئی رویہ بگ ہے یا فیچر. یہ انہیں تنقید اور ٹھوس آراء کے لیے ایک مستحکم حوالہ نقطہ فراہم کرتا ہے. اسی لیے ہم نے ماڈل اسپیک کو اوپن سورس کیا⁠(نئی ونڈو میں کھلتا ہے) اور عوامی طور پر مسلسل بہتری کا راستہ اپنایا. پہلی ریلیز کے بعد سے، عوامی فیڈبیک کی بنیاد پر بہت سی تبدیلیاں کی گئی ہیں، جو فیڈبیک فارمز، عوامی تنقید اور جمہوری آرا جمع کرنے کی دانستہ کوششوں⁠ سمیت مختلف ذرائع کے ذریعے جمع کی گئی تھیں.

دوسرا، ماڈل اسپیک OpenAI کے اندر رابطہ کاری کا ایک ٹول ہے. یہ ریسرچ، پروڈکٹ، سیفٹی، پالیسی، قانونی، مواصلات اور دیگر شعبوں میں شامل لوگوں کو ماڈل کے رویے پر گفتگو کرنے کے لیے مشترکہ اصطلاحات اور تبدیلیاں تجویز کرنے اور ان کا جائزہ لینے کے لیے ایک طریقہ کار فراہم کرتا ہے.

تیسرا، واضح پالیسیاں ماڈل کی ذہانت اور رن ٹائم سیاق و سباق میں عملی حدود/پابندیوں کی تلافی کر سکتی ہیں اور طرزِعمل کو زیادہ قابلِ پیش گوئی بنا سکتی ہیں. اگرچہ وقت کے ساتھ یہ بات کم درست ہوتی جا رہی ہے، کچھ پالیسیاں ناکافی ذہانت کی تلافی کرنے کا ہدف رکھتی ہیں، جہاں ماڈل شاید اعلٰیٰ سطح کے اصولوں سے درست رویہ قابلِ اعتماد طور پر اخذ نہ کر سکیں. مثال کے طور پر، واضح اور براہِ راست رہیں⁠(نئی ونڈو میں کھلتا ہے) میں پہلے کے ماڈل کو یہ مشورہ دیا گیا تھا کہ وہ حساب کتاب درکار مشکل مسائل کے لیے جواب بیان کرنے سے پہلے اپنے کام کی وضاحت کریں، لیکن آج ہمارے ماڈل ری اِنفورسمنٹ لرننگ⁠ کے ذریعے فطری طور پر یہ رویہ سیکھ لیتے ہیں. 

دیگر پالیسیاں رن ٹائم پر محدود سیاق و سباق سے متعلق ہیں: معاون صرف موجودہ تعامل میں قابل مشاہدہ معلومات پر انحصار کر سکتا ہے اور شاذ و نادر ہی صارف کی مکمل صورتحال، ارادے، بعد کے استعمال، یا ماڈل کے باہر موجود حفاظتی اقدامات کے بارے میں جانتا ہے. ایسے معاملات میں، اگرچہ ماڈلز کافی تحقیق اور غور و فکر کے ساتھ درست طرز عمل کا تعین کر سکتے ہیں، زیادہ تخصیص کارکردگی اور پیش گوئی کو بہتر بناتی ہے—بہت سے صوابدیدی فیصلوں کو ایسی رہنمائی میں سمو کر جو ملتے جلتے پرومپٹ میں تغیر کو کم کرتی ہے اور صارفین اور محققین دونوں کے لیے طرز عمل کو سمجھنا آسان بناتی ہے.

آخر میں، ماڈل اسپیک کا مقصد تشخیص اور پیمائش سے متعلق اعلٰی سطح کی پالیسیوں کی ایک مکمل فہرست ہونا ہے۔ اگر آپ یہ جانچنا چاہتے ہیں کہ آیا کوئی ماڈل مطلوبہ طریقے سے برتاؤ کر رہا ہے، تو یہ مفید ہوتا ہے کہ آپ کے پاس رویّے کی ان بڑی اقسام کی ایک عوامی فہرست ہو جن کی آپ کو فکر ہے.

یہ سوچنا پرکشش لگتا ہے کہ کافی صلاحیت رکھنے والا ماڈل "مددگار اور محفوظ ہو" جیسے اہداف کی مختصر فہرست سے درست طرزِ عمل اخذ کرنے کے قابل ہونا چاہیے. اس میں کچھ سچائی ہے. ایسے شعبوں میں جہاں کامیابی کے معروضی معیار موجود ہوں، جیسے ریاضی، ذہانت اکثر تفصیلی قواعد کا متبادل بن سکتی ہے.

لیکن عمومی طور پر، ماڈلز کا طرز عمل ریاضی کے ایک سادہ مسئلے کو حل کرنے جیسا نہیں ہوتا. ماڈلز اکثر زیادہ پیچیدہ دائرہ کار میں کام کرتے ہیں، جہاں کوئی ایک اخلاقی طور پر درست جواب نہیں ہوتا جس پر سب متفق ہو سکیں. مثال کے طور پر، کسی ماڈل کے لیے "مددگار اور محفوظ" ہونے کا کیا مطلب ہے، یہ سیاق و سباق پر انتہائی منحصر ہوتا ہے اور ایسی فیصلہ سازی کا نتیجہ ہے جو فطری طور پر اقدار سے بوجھل ہوتی ہے. محض ذہانت آپ کو یہ نہیں بتاتی کہ اخلاقیات اور اقدار کے معاملے میں کون سے سمجھوتے کرنے ہیں. لہٰذا، اگرچہ ماڈل کی ذہانت میں بہتری آتی جا رہی ہے، پھر بھی ہمیں قدری فیصلوں کو سمجھنے اور ان کی رہنمائی کرنے کے لیے مزید کام کی ضرورت ہے کہ کسی مخصوص صورتِ حال میں "اخلاقی" طور پر عمل کرنے کا کیا مطلب ہے. اور ماڈل اسپیک رکھنے کی زیادہ تر وجوہات اس وقت بھی اہم رہتی ہیں جب ماڈلز بہت زیادہ قابل ہو جاتے ہیں: ہمیں اب بھی ایک عوامی ہدف درکار ہوتا ہے جس کے گرد لوگ ہم آہنگی پیدا کر سکیں، یہ جانچنے کا ایک طریقہ کہ آیا رویہ ہماری نیتوں کے مطابق ہے اور جیسے جیسے ہم سیکھتے جائیں، قواعد میں نظرثانی کرنے کا ایک طریقہ کار. اگر واحد اصول صرف "مددگار اور محفوظ رہنا" ہو، تو پھر ایسا کوئی طریقہ کار موجود نہیں رہتا جس کے ذریعے انسان، مثال کے طور پر، اس بات کی حدود پر بحث کر سکیں کہ ماڈل کس مواد کی فراہمی سے انکار کرے اور یوں یہ تمام فیصلے ماڈل پر چھوڑ دیئے جاتے ہیں.

بلکہ جیسے جیسے ماڈل زیادہ قابل، زیادہ خودمختار اور زیادہ وسیع پیمانے پر تعینات ہوتے جاتے ہیں، ابہام کی قیمت بڑھتی جاتی ہے. اس سے طرزِ عمل کا واضح فریم ورک کم نہیں بلکہ زیادہ اہم ہو جاتا ہے.

ایک مفید قیاس تحریری آئین اور عدالتی نظائر کے درمیان فرق ہے. اگرچہ ایک تحریری آئین اعلٰیٰ سطح کے اصولوں کے ساتھ ساتھ ٹھوس قواعد بھی فراہم کر سکتا ہے، لیکن وہ ان تمام ممکنہ حالات کا پیشگی اندازہ نہیں لگا سکتا جو پیش آ سکتے ہیں اور جن میں اس کی رہنمائی درکار ہو. حقیقی گورننس سسٹمز کو پیچیدہ معاملات یا غیر متوقع مسائل کو حل کرنے کے لیے تشریحی طریقۂ کار، وضاحتیں اور واضح فیصلوں کی بھی ضرورت ہوتی ہے. شائع شدہ قواعد مختلف متعلقہ فریقوں کو، اختلاف ہونے کی صورت میں بھی، ہم آہنگی قائم کرنے میں مدد دیتے ہیں اور وہ تبدیلی کو اس بات کا تقاضا کرکے محدود کرتے ہیں کہ ہر تبدیلی واضح ہو. ماڈل اسپیک ان تمام کرداروں کو ادا کرنے کے لیے ہے: اصولوں کا بیان، عوامی طرزِ عمل کا فریم ورک اور وقت کے ساتھ اسپیک میں تبدیلی کرنے کا ایک عمل.

اس کے باوجود، ہم یہ نہیں سمجھتے کہ ماڈل کے رویے کے بارے میں ہر وہ چیز جو اہمیت رکھتی ہے، ہمیشہ واضح اصولوں تک محدود کی جا سکتی ہے. جیسے جیسے نظام زیادہ خود مختار ہوتے جاتے ہیں، قابلِ اعتمادیت اور اعتماد کا انحصار بڑھتی ہوئی حد تک زیادہ وسیع مہارتوں اور رجحانات پر ہوگا: غیر یقینی کو مؤثر انداز میں بیان کرنا، خود مختاری کے دائرۂ کار کا احترام کرنا، ناگوار حیرتوں سے بچنا، وقت کے ساتھ ارادے کا سراغ رکھنا اور سیاق و سباق میں انسانی اقدار کے بارے میں اچھی ریزننگ کرنا.

ماڈل اسپیک لکھتے وقت، آج کے ماڈل کے حقیقی رویے کو، خامیوں سمیت، بیان کرنے اور مستقبلِ بعید کے ایک مثالی ہدف کو بیان کرنے کے درمیان ایک تسلسل موجود ہے. ہم توازن قائم کرنے کی کوشش کرتے ہیں اور عام طور پر موجودہ وقت سے 0-3 ماہ آگے کا ہدف رکھتے ہیں. اس طرح، ماڈل اسپیک اکثر فعال ترقی کے کم از کم چند شعبوں میں ماڈل سے آگے رہتی ہے.

یہ ماڈل اسپیک کے کردار کی عکاسی کرتا ہے، جو مطلوبہ رویے کی وضاحت کے طور پر ہے. اسے ہمیں ایک واضح اور مربوط سمت دکھانی چاہیے، ساتھ ہی ان کاموں سے جڑی بھی رہنی چاہیے جنہیں ہم یا تو پہلے ہی کر رہے ہیں یا جنہیں نافذ کرنے کے لیے ہمارے پاس قریب المدت ٹھوس پلانز موجود ہیں.

ماڈل اسپیک ایک کھلے داخلی عمل کے ذریعے تیار کی جاتی ہے. OpenAI میں کوئی بھی اس پر تبصرہ کر سکتا ہے یا تبدیلیاں تجویز کر سکتا ہے اور حتمی اپ ڈیٹس مختلف شعبوں سے تعلق رکھنے والے اسٹیک ہولڈرز کے ایک وسیع گروپ کی جانب سے منظور کی جاتی ہیں. عملی طور پر، درجنوں افراد نے براہِ راست متن میں حصہ ڈالا ہے اور تحقیق، انجینئرنگ، پروڈکٹ، حفاظت، پالیسی، قانونی، مواصلات، عالمی امور اور دیگر شعبوں میں اس سے کہیں زیادہ لوگ اپنی رائے دیتے ہیں. ہم عوامی ریلیزز اور فیڈبیک سے بھی سیکھتے ہیں، جو عملی تعیناتی میں ان انتخابوں کی جانچ کرنے میں مدد دیتے ہیں.

یہ اس لیے اہم ہے کیونکہ ماڈل کا رویہ—اور حقیقی دنیا میں اس کے مضمرات—انتہائی پیچیدہ ہیں. کوئی بھی شخص رویوں کے مکمل مجموعے، تربیتی عمل اور بعد ازاں سامنے آنے والے مضمرات کو اپنے ذہن میں سمو نہیں سکتا، لیکن بہت سے کراس فنکشنل معاونین اور جائزہ لینے والوں کے ساتھ ہم معیار کو بہتر بنا سکتے ہیں اور اعتماد میں اضافہ کر سکتے ہیں.

ایک خوشگوار حیرت یہ رہی ہے کہ حقیقی اتفاقِ رائے اکثر ممکن ہوتا ہے—خاص طور پر جب ہم خود کو سمجھوتوں کو اتنی درستگی کے ساتھ تحریر کرنے پر مجبور کرتے ہیں کہ اختلافات ٹھوس شکل اختیار کر لیتے ہیں.

ماڈل اسپیک بھی خلاء میں نہیں لکھی گئی. اس میں شامل ہونے والی بہت سی چیزیں رویے، حفاظت اور پالیسی سے متعلق وسیع تر کام کا خلاصہ ہوتی ہیں. ماڈل اسپیک لکھنے کا بڑا حصہ درحقیقت ترجمہ ہی ہے: موجودہ کام کو اس کے بنیادی مقصد کو کھوئے بغیر زیادہ سادہ، زیادہ یکساں، زیادہ منظم اور زیادہ قابلِ رسائی بنانا.

ہمارے پروڈکشن ماڈلز ابھی تک کئی وجوہات کی بنا پر ماڈل اسپیک کی مکمل عکاسی نہیں کرتے.

• ماڈل کی تربیت ماڈل اسپیک کی اپ ڈیٹس سے پیچھے رہ سکتی ہے. یہ اُس رویے کو بیان کرتا ہے جس کی طرف ہم پیش رفت کر رہے ہیں، اس لیے یہ اس سے آگے ہو سکتا ہے جس کے لیے ہمارے تازہ ترین ماڈل کو تربیت دی گئی ہے.
• تربیت غیر ارادی طور پر ایسا رویّہ سکھا سکتی ہے جو ماڈل اسپیک سے مطابقت نہیں رکھتا. ہم اس سے بچنے کی پوری کوشش کرتے ہیں اور جب ایسا ہو تو ہم اسے ایک سنگین بگ سمجھتے ہیں—اور پھر یا تو رویّے میں ترمیم کر کے یا ماڈل اسپیک میں تبدیلی کر کے دونوں کو ہم آہنگ کرتے ہیں.
• تربیت کبھی بھی تمام ممکنہ رویوں کے دائرے کا مکمل طور پر احاطہ نہیں کر سکتی. حقیقی استعمال میں سیاق و سباق اور غیر معمولی صورتوں کی ایک طویل فہرست شامل ہوتی ہے، جو صرف بڑے پیمانے پر سامنے آتی ہیں. کوئی بھی تربیتی عمل ہر چیز کا احاطہ نہیں کر سکتا.
• عمومیت ہمارے ارادے سے مختلف ہو سکتی ہے. ایک ماڈل تربیت کے دوران غیر ارادی وجوہات کی بنا پر "درست" آؤٹ پٹس پیدا کر سکتا ہے، جو نئی صورتِ حال میں غیر ارادی رویّوں کا باعث بن سکتا ہے اور یہ صورتِ حال تربیت کے دوران دیکھی گئی صورتِ حال سے مختلف ہو سکتی ہے. سوچ-بچار پر مبنی الائنمنٹ⁠ جیسی تکنیکیں مدد کرتی ہیں، لیکن یہ مکمل حل نہیں ہیں.

مزید وسیع معنوں میں، یہ حقیقت کہ ماڈل اسپیک مطلوبہ رویّوں کی ایک وسیع رینج کو بیان کرتا ہے، اس کا یہ مطلب نہیں ہے کہ ان سب کی تعلیم دینے کے لیے کوئی ایک ہی طریقہ موجود ہے. رویے کے مختلف پہلو—ہدایات پر عمل، حفاظتی حدود، شخصیت، غیر یقینی کا متناسب انداز میں اظہار اور دیگر—اکثر مختلف تکنیکوں کا تقاضا کرتے ہیں اور ان میں ناکامی کے مختلف طریقے ہوتے ہیں. ماڈل اسپیک مطلوبہ رویے کو سمجھنا اور اس پر تنقید کرنا آسان بنانے میں مدد کرتا ہے، لیکن اسے اچھی طرح نافذ کرنا اب بھی ایک فن بھی ہے اور تحقیق کا ایک فعال میدان بھی.

اس پوسٹ کے ساتھ، ہم ماڈل اسپیک ایولز⁠(نئی ونڈو میں کھلتا ہے) بھی جاری کر رہے ہیں: منظرنامہ پر مبنی جانچ کا ایک مجموعہ، جو نمائندہ مثالوں کی ایک چھوٹی تعداد کے ذریعے ماڈل اسپیک میں شامل زیادہ سے زیادہ دعووں کا احاطہ کرنے کی کوشش کرتا ہے. یہ ہمیں اس بات کا پتہ لگانے میں مدد کرتا ہے کہ ماڈل کا رویہ اور ماڈل اسپیک کہاں ہم آہنگ نہیں ہو سکتے اور یہ ہمیں یہ جانچنے میں بھی مدد کرتا ہے کہ آیا ماڈلز ماڈل اسپیک کو اسی طرح سمجھ رہے ہیں جس طرح ہمارا ارادہ تھا. یہ تشخیصات ایک وسیع تر تشخیصی حکمتِ عملی کا صرف ایک حصہ ہیں، جس میں رویے کے بہت سے پہلوؤں میں زیادہ ہدفی جائزے بھی شامل ہیں، جن میں مخصوص حفاظتی شعبے، سچائی اور اندھی تائید، شخصیت اور انداز اور صلاحیتیں شامل ہیں.

عملی طور پر، زیادہ تر تصریحات کی اپ ڈیٹس بار بار سامنے آنے والے عوامل کے ایک مجموعے سے متعین ہوتی ہیں:

• عوامی مسائل اور فیڈبیک. ابہام، غیر معمولی صورتیں، یا ناکامی کی صورتیں—خواہ ماڈل اسپیک کی زبان میں ہوں یا ہمارے ماڈلز کے رویے میں.
• اندرونی مسائل. وہ پیٹرنز جو ہم ترقی اور جانچ کے دوران دیکھتے ہیں، جن میں وہ ابہام بھی شامل ہیں جہاں مختلف معقول تشریحات مختلف رویے کا باعث بنتی ہیں.
• رویے اور حفاظتی پالیسی کی تازہ کاریاں. جب اعلٰی سطح کی پابندیاں یا وعدے تبدیل ہوتے ہیں، تو وضاحت کو اس نئی ساخت کی واضح طور پر عکاسی کرنی ہوتی ہے.
• نئی صلاحیتیں اور پروڈکٹس. جیسے جیسے ماڈلز نئے رویّوں کے زیادہ قابل ہوتے جا رہے ہیں اور ہم نئی پروڈکٹس جاری کر رہے ہیں، ہم چاہتے ہیں کہ ماڈل اسپیک مواد اور دائرۂ کار کے لحاظ سے ہم قدم رہے—مثال کے طور پر، ملٹی موڈل تعاملات کے لیے اصول⁠(نئی ونڈو میں کھلتا ہے)، خود مختار ایجنٹس⁠(نئی ونڈو میں کھلتا ہے) اور 18 سال سے کم عمر کے صارفین⁠(نئی ونڈو میں کھلتا ہے) کو شامل کرتے ہوئے.

چند ڈیزائن اصول اس بات کی رہنمائی کرتے ہیں کہ ہم ماڈل اسپیک کو کیسے لکھتے اور اس میں نظرِ ثانی کرتے ہیں.

• وضاحت اور درستگی. "ایماندار رہیں" ایک اچھی قدر ہے، لیکن فیصلہ کرنے کا مکمل طریقۂ کار نہیں ہے. ماڈل اسپیک کو اختلافات کو زیادہ واضح کرنا چاہیے، نہ کہ انہیں خوشگوار زبان کے پیچھے چھپانا چاہیے. جہاں عملی طور پر ممکن ہو، ہمیں قواعد کے درمیان ممکنہ تضادات کی واضح طور پر نشاندہی کرنی چاہیے اور انہیں حل کرنے کے طریقے سے متعلق رہنمائی یا مثالیں فراہم کرنی چاہئیں. مثال کے طور پر، جھوٹ نہ بولیں⁠(نئی ونڈو میں کھلتا ہے) گرمجوش رہیں⁠(نئی ونڈو میں کھلتا ہے) کے ساتھ ایک ممکنہ تضاد کی نشاندہی کرتا ہے اور یہ واضح کرتا ہے کہ اسسٹنٹ کو شائستگی کے اصولوں کی پیروی کرنی چاہیے، لیکن ایسے سفید جھوٹ سے باز رہنا چاہیے جو اندھی تائید⁠(نئی ونڈو میں کھلتا ہے) کے زمرے میں آ سکتے ہوں اور صارف کے بہترین مفاد کے خلاف ہوں.
• بامعنی قواعد. ایک ریڈر کو یہ قابل ہونا چاہیے کہ وہ ایک حقیقت پسندانہ پرومپٹ لے اور ایسا جواب تیار کرے جسے دوسرا ریڈر واضح طور پر حدود کے اندر ہے یا باہر سمجھ سکے (اگرچہ سرحدی معاملات میں کچھ فیصلہ کن رائے درکار ہو سکتی ہے).
• ایسی مثالیں جو سگنل ٹو نوائز کو زیادہ سے زیادہ کرتی ہیں. اچھی مثالیں اکثر اعلٰیٰ معیار کی تصریحات کی اپ ڈیٹ تیار کرنے میں مرکزی حیثیت رکھتی ہیں. مثالوں کو ماڈل کے رویے کی وضاحت میں موجود مشکلات کی اصل نوعیت کو واضح کرنے میں مدد دینی چاہیے، مشکل تنازعات کو نمایاں کرنا چاہیے اور انہیں حل کرنے کے طریقے پر واضح مؤقف اختیار کرنا چاہیے. ثانوی طور پر، انہیں کوشش کرنی چاہیے کہ وہ مطلوبہ لہجے اور اسلوب کی مثال بنیں، جسے نثری تحریر میں بیان کرنا مشکل ہو سکتا ہے.
• استحکام. ہم غیر ضروری ابہام یا پیچیدگی والی مثالوں سے بچنے کی کوشش کرتے ہیں، تاکہ بنیادی تنازع اور ارادی حل واضح رہے.
• مستقل مزاجی اور واضح تنظیم. ہم کوشش کرتے ہیں کہ ماڈل اسپیک کے قواعد ایک دوسرے کے ساتھ اور ہمارے مطلوبہ ماڈل کے رویے کے ساتھ مکمل طور پر ہم آہنگ ہوں اور دستاویز کی مجموعی تنظیم کو واضح اور قابلِ فہم بنایا جائے.

ماڈل اسپیک اس بات کا دعوٰی نہیں ہے کہ ہم ہر اس چیز کو تحریری شکل دے سکتے ہیں جو اہم ہے، یا یہ کہ ماڈل ہمیشہ مطلوبہ ہدف حاصل کر لیں گے. یہ ایک دعوٰی ہے کہ مقصود رویہ اتنا اہم ہے کہ وہ واضح، قابلِ عمل اور قابلِ نظرِ ثانی ہو.

کامیابی کے تین معیارات اس بات کی رہنمائی کرتے ہیں کہ ہم اسے کیسے ترقی دیتے ہیں.

• پڑھنے کی صلاحیت. OpenAI کے اندر اور باہر کے لوگ رویے کے بارے میں درست توقعات قائم کر سکتے ہیں اور جب رویہ اُن کے لیے غیر متوقع ہو تو متن کی طرف اشارہ کر سکتے ہیں.
• قابل عمل ہونا. ماڈل اسپیک کو تشخیصات تیار کرنے، واقعات کی تشخیص کرنے اور پروڈکٹ سے متعلق یکساں فیصلے کرنے کے لیے استعمال کیا جا سکتا ہے—صرف اقدار کے اظہار کے لیے ہی نہیں.
• قابلِ نظرثانی. ماڈل اسپیک ہماری سیکھ کے ساتھ ترقی کر سکتا ہے، بغیر کسی غیر مستحکم اور مسلسل بدلتے ہوئے ہدف میں تبدیل ہوئے.

جیسے جیسے ماڈلز اور پروڈکٹس ترقی کرتے ہیں، ہمیں توقع ہے کہ ماڈل اسپیک نئی صلاحیتوں اور تعیناتی کے تناظرات کے مطابق وسیع اور مزید واضح ہوگا. مقصد یہ ہے کہ طرزِ عمل کی وضاحت مربوط، قابلِ آزمائش اور اس بات کو یقینی بنانے کے ہمارے مشن کے ساتھ ہم آہنگ رہے کہ AGI سے تمام انسانیت کو فائدہ پہنچے.