سیمی کنڈکٹر ریسرچ فرم SemiAnalysis کے ایک نئے تجزیے کے مطابق، اوپن ویٹ AI ماڈلز بند فرنٹیئر ماڈلز کے ساتھ خلاء کو زبردست رفتار سے ختم کر رہے ہیں: بڑے لینگوئج ماڈلز کے ہر یکے بعد دیگرے دور کے ساتھ، اوپن ماڈلز کو اس دور کے پہلے بند ماڈل تک پہنچنے میں آدھا وقت لگتا ہے۔
مطالعہ، عنوان "کیا اوپن ماڈلز پکڑ رہے ہیں؟" اور Evan Cloutier، Max Kan، Jordan Nanos، اور Dylan Patel کی طرف سے 21 اگست کو شائع کیا گیا، پوری AI صنعت پر لٹکے ہوئے ایک سوال کو درست کرنے کے لیے ابھی تک سب سے زیادہ منظم کوششوں میں سے ایک ہے: اگر کھلے ماڈلز لاگت کے ایک حصے پر بند فرنٹیئر کے طور پر تقریباً اتنے ہی قابل رہتے ہیں، تو کیا فرنٹیئر لیبز کا کاروبار پائیدار ہے؟ اس شفٹ کو چلانے والے ماڈل ریلیز کی گہری کوریج کے لیے، AI Buzz Wire کی پیروی کریں۔
فرنٹیئر AI کے تین دور
مصنفین کا استدلال ہے کہ LLMs کی تاریخ تین الگ الگ دوروں میں آتی ہے - ابتدائی اسکیلنگ، استدلال، اور ایجنٹی - ہر ایک اس میں مرحلہ وار اضافہ کی نمائندگی کرتا ہے جو ماڈل مفید طور پر کر سکتے ہیں۔
ان کا بنیادی طریقہ کار یہ ہے کہ پورے دور کے ماڈلز کا ایک ہی معیار کے ساتھ موازنہ کرنا ایک غلطی ہے۔ ہر بینچ مارک اپنے دور کی پیداوار ہے: یہ اس وقت موجود صلاحیتوں کے فرق کو سمجھنے کے لیے بنایا گیا ہے، پھر ماڈل بنانے والوں کے ذریعے اس پر چڑھائی جاتی ہے جب تک کہ یہ سیر نہ ہو جائے، جس مقام پر صنعت دیکھ بھال کرنا چھوڑ دیتی ہے اور آگے بڑھ جاتی ہے۔ اس کے بجائے، SemiAnalysis ٹیم نے ہر دور کے ماڈلز کے لیے کیوریٹڈ بینچ مارک سیٹ چلائے تاکہ ایک جامع صلاحیت کا سکور بنایا جا سکے۔
اس طرح دیکھا جائے تو کھلے بمقابلہ بند فرق چکروں میں چلتا ہے۔ ہر دور کے آغاز میں، ایک فرنٹیئر لیب امید افزا تحقیق مکمل کرتی ہے، ایک متاثر کن ماڈل کی تربیت کرتی ہے، اور آگے کودتی ہے۔ اس کے بعد دیگر لیبز کلیدی پیشرفت کی نشاندہی کرتی ہیں، انہیں ریورس انجینئر کرتی ہیں، اور خلا کو ختم کرتی ہیں۔ مصنفین لکھتے ہیں کہ "کچھ بھی ہمیشہ کے لیے خفیہ نہیں رہتا - خاص طور پر جب آپ کشید کا عنصر کرتے ہیں۔" "یہ صرف ایک سوال ہے کہ اس میں کتنا وقت لگتا ہے۔"
اس سوال کی ان کی پیمائش نے مطالعہ کی سرخی کی تلاش پیدا کی: ہر نسل کے ساتھ، اوپن سورس ماڈلز کو اس دور کے پہلے بند سورس ماڈل تک پہنچنے میں آدھا وقت لگتا ہے۔
یہ سائیکل مختلف کیوں محسوس ہوتا ہے۔
رپورٹ ماضی کے اوپن ماڈل لمحات اور موجودہ لمحات کے درمیان فرق کے بارے میں دو ٹوک ہے۔ جنوری 2025 کے "ڈیپ سیک لمحے" نے سرخیاں بنائیں، لیکن "حقیقت میں کسی نے R1 کو معاشی طور پر کوئی قیمتی کام کرنے کے لیے استعمال نہیں کیا،" مصنفین نوٹ کرتے ہیں۔
اس کے برعکس، وہ GLM 5.3 اور Kimi K3 جیسے ماڈلز کی طرف اشارہ کرتے ہیں کہ "حقیقی طور پر ایک جیسے کوڈنگ اور ایجنٹی کاموں میں سے بہت سے قابل ہیں جنہوں نے انتھروپک کو $65B+ ARR تک پہنچایا" - آمدنی کی رفتار کا حوالہ جو کوڈنگ اور ایجنٹی کام کے بوجھ نے کلاڈ بنانے والے کے لیے آگے بڑھایا ہے۔ اس دعوے کا خاص وزن ہے کیونکہ یہ کھلے ماڈل صرف ڈیمو ویئر نہیں ہیں۔ انہیں پیداوار میں انہی کاموں کے لیے تعینات کیا جا رہا ہے جو بند لیبز کے لیے حقیقی آمدنی پیدا کرتے ہیں۔
استعمال کی تعداد شفٹ کو تقویت دیتی ہے۔ فائر ورکس، ایک انفرنس فراہم کنندہ جو بہت سے کھلے ماڈلز کو پیش کرتا ہے، اب روزانہ 40 ٹریلین ٹوکنز پر کارروائی کر رہا ہے - سیمی اینالیسس کے مطابق، مارچ کے آخر میں OpenAI کے API کے حجم سے دوگنا۔ یہ، جیسا کہ رپورٹ میں کہا گیا ہے، "ٹوکن صارف بننے کے لیے ایک پرجوش وقت ہے،" ٹوکن کی جنگ اب OpenAI – Anthropic duopoly سے آگے بڑھ رہی ہے۔
کموڈیٹائزیشن کا سوال
مطالعہ براہ راست خوف کو دور کرتا ہے - جسے یہ کچھ گوشوں سے FUD کا لیبل لگاتا ہے - کہ قابل، سستے کھلے ماڈل ماڈل کی تہہ کو مکمل طور پر کموڈیٹائز کر دیں گے، ایسا نتیجہ جو فرنٹیئر لیب مارجنز کے لیے تباہ کن ہو گا۔
تجزیہ کا عوامی حصہ مکمل جواب سے محروم ہے، قارئین کو OpenAI's اور Anthropic's Financials کے تفصیلی علاج کے لیے فرم کے ادا شدہ Tokenomics ماڈل کی طرف اشارہ کرتا ہے۔ لیکن سفر کی سمت واضح ہے: اگر ہر دور کے کھلے ماڈل پچھلے دور کے نصف وقت میں آتے ہیں، تو وہ ونڈو جس میں بند لیبز فرنٹیئر صلاحیت کے لیے پریمیم قیمتیں وصول کر سکتی ہیں، سکڑتی رہتی ہے۔
مصنفین سرحدی تحقیق کے لیے موت کی سزا کے طور پر رجحان کو پڑھنے کے خلاف بھی احتیاط کرتے ہیں۔ بینچ مارکس، وہ لکھتے ہیں، "مکمل کہانی نہ بتائیں" اور رپورٹ کے نتائج کو فرنٹیئر ماڈلز پر "کم مندی" کے طور پر بیان کیا گیا ہے جتنا کہ قارئین ابتدائی طور پر سوچ سکتے ہیں - جزوی طور پر کیونکہ خام بینچ مارک برابری قابل اعتماد، مصنوعات کے انضمام، انٹرپرائز کی تقسیم، یا پیمانے پر ماڈلز کو پیش کرنے کے لیے درکار سرمائے کے برابر نہیں ہے۔
یہ کیوں اہمیت رکھتا ہے۔
خریداروں کے لیے، نتائج ایک ایسی حکمت عملی کی توثیق کرتے ہیں جسے بہت سے کاروباری اداروں نے پہلے ہی اپنایا ہے: ٹوکن والیوم کے زیادہ تر حصے کے لیے ماڈلز کو کھولنے یا سستے کرنے کے لیے ڈیفالٹ کرنا جبکہ پریمیم بند ماڈلز کو مشکل ترین کاموں کے لیے محفوظ کرنا۔ لیبز کے لیے، یہ اس نچوڑ کی مقدار بتاتا ہے جس کا سامنا انہیں دو محاذوں پر کرنا پڑتا ہے — نیچے کھلے ماڈلز، اور اوپر بہت زیادہ کمپیوٹ لاگت۔
اور اوپن سورس ایکو سسٹم کے لیے، SemiAnalysis ڈیٹا ایسی چیز پیش کرتا ہے جس کی فراہمی اکثر کم ہوتی ہے: نظریے کے بجائے ثبوت، کہ یہ خلا ایک متوقع شیڈول پر ختم ہو رہا ہے۔ اگر ہاف ٹائم پیٹرن فرنٹیئر AI کے اگلے دور میں برقرار رہتا ہے، تو انڈسٹری کا سب سے قیمتی سوال یہ نہیں بنتا کہ کھلے ماڈلز پکڑتے ہیں یا نہیں، لیکن ان کے کرنے کے بعد کیا قابلِ دفاع رہتا ہے۔
اوپن ویٹ اے آئی ریس کو ٹریک کریں مزید AI خبریں پڑھیں →
