حقیقی، تنخواہ دار ماہرانہ کمماں توں بنایا گیا اک نواں بینچ مارک ہلے ویہ فرنٹیئر AI ماڈلاں دا جائزہ لے آیا اے، تے اوہناں وچوں سبھ توں چنگے نے 12 فیصد سکور کیتا۔
کیہ کوئی AI ایجنٹ اوہ کم کر سڳدا اے جس لئی تہاڈی کمپنی ماہرین نوں تنخواہ دیندی اے؟ اس دعوے دا ایماندار سکور بورڈ کیہو جیہا ہووے گا؟ تے دستخط کرن توں پہلاں ویچن والے نوں کیہ پچھنا چاہیدا اے؟
سڈنی وچ چھوٹے، درمیانے تے وڈے ادارےآں نال کم کرن والے نجی AI ماڈل ڈیویلپر تے AI سیکیورٹی سلاہکار وجوں، مینوں ہر ہفتے ایہہ سوال پچھے جاندے نیں۔ جواباں دا تعلق بجٹ، عملے تے خطرے نال اے۔
ایہہ مضمون دسدا اے کہ GDPx بینچ مارک نے کیہ ناپیا، اس دے اعداد و شمار کیہ ثابت کردے نیں تے کیہ نئیں، تے اس سہ ماہی وچ AI ایجنٹاں دا جائزہ لین والے ہر رہنما لئی عملی سبق کیہ نیں۔
اس ہفتے تحقیقی کمپنی SemiAnalysis نے GDPx شائع کیتا، جو 11 شعبیاں وچ 206 کمّاں دا بینچ مارک اے۔ ایہہ شعبے اس لئی چنے گئے کیونجو کہ لوک انہاں کرکے روزی کماندے نیں: چپ ڈیزائن، سائبر سیکیورٹی، قانونی کم، کوانٹیٹیٹو ٹریڈنگ، حیاتیات، سافٹ ویئر انجینئرنگ تے ہور بوہت کجھ۔
چوداں صنعتی ساتھی نے کم فراہم کیتے، تے ویہ فرنٹیئر ماڈلاں دا جائزہ لئیا گیا۔ ایہہ بینچ مارک اپنی اوکڑ کرکے گھٹ، اپنے ماخذ مواد کرکے ودھ قابل ذکر اے: اوہ کم جنہاں دے لوکاں نوں پیسے ملدے نیں۔
اگو رہن والا Claude Opus 5.5 صرف 12 فیصد حاصل کر سڳیا۔ Gemini 4 Carbon نے 10.9 سکور کیتا۔ GPT-6 Astra نے 9.6 سکور کیتا۔
پر سکور بورڈ اک نقطہ آغاز اے، فیصلہ نئیں۔ ایہہ اعداد اک ادارے دے کمماں نوں اوہی ادارے دے جانچ معیار نال ناپدے نیں، تے ایہہ اگلے سال دے نئیں، اج دے ماڈلاں دی تصویر پیش کردے نیں۔
GDPx مکمل نئیں۔ اس وچ اکو ادارے دے کم تے اکو ادارے دا جانچ معیار ورتیا گیا اے، ہلے تک کوئی آزاد جانچ نئیں ہوئی، تے اوہ ادارہ تحقیق اوہی صنعت نوں ویچدا اے جس دا اوہ جائزہ لیندا اے۔
سبق ایہہ اے کہ گنتی نوں احتیاط نال لؤ۔ پر راہ درست اے، کیونجو کہ ایہہ ماڈلاں دا ماپ متاثر کن معمولی معلومات اُتے نئیں، سگوں آمدن دین والے کم اُتے کردا اے۔
اگو ماڈل نے فی مکمل کم اوسطاً تقریباً 51 ڈالر خرچ کیتے۔ دوجے نمبر والے نے اک پوائنٹ دے اندر رہن والے سکور لئی اوسطاً تقریباً 16 ڈالر ای خرچ کیتے۔
جے تہاڈی ایجنٹک حکمت عملی ایہہ منّدی اے کہ صلاحیت تے لاگت رل کے چلدے نیں، تاں ایہہ جدول کہندا اے کہ ایہو جیہا نئیں۔ نتیجے تک پہنچن دا سبھ توں سستا راستہ ہن خود نتیجے جتنا ای اسٹریٹجک اے، تے ایہہ تجزیہ مارکیٹنگ صفحے اُتے نئیں، خریداری دے شعبے وچ ہونا چاہیدا اے۔
اس سہ ماہی وچ جو ڈیمو تسیں ویکھو گے اوہ سب ماہرانہ کم لئی تیاری دا دعویٰ کرن گے۔ اک عوامی، نامزد بینچ مارک نے ہلی حد 12 فیصد اُتے مقرر کر دتی اے۔
اس نال ایجنٹ بے کار نئیں ہو جاندے۔ اس دا مطلب اے کہ اج دی دیانت دار تعیناتی دا دائرہ تنگ، چنگی طرح ماپے جان والے، انسانی جائزے والے کم نیں، نا کہ اسٹیج اُتے ویچے جا رہے خودمختار شعبے۔
پہلا، ڈیمو دا دور مک گیا اے۔ جدوں کوئی صنعت سکور بورڈاں اُتے بحث کرنی شروع کر دیندی اے، تاں ڈیمو بحث مکا چکے ہوندے نیں۔
دوجا، لاگت تے صلاحیت رل کے نئیں چلدے۔ فی مکمل کم دی لاگت نوں سکور دے نال خریداری وچ پاؤ۔
تیجا، ہر ایجنٹ پچ نوں اک عوامی گنتی نال تول کے پڑھو۔ اج دی دیانت دار تعیناتی دا دائرہ تنگ اے، چنگی طرح ماپیا جاندا اے، تے انسانی جائزے توں لنگھدا اے۔
آخر وچ، اس سہ ماہی وچ ہر AI ویچن والے نوں صرف اک سوال پچھو: میرے ورگے کم لئی کسے آزاد، کم اُتے مبنی بینچ مارک وچ اپنا سکور دکھاؤ، تے فی مکمل کم اپنی لاگت دسو۔ جے اوہ جواب نئیں دے سڳدے تاں تسیں ڈیمو توں ودھ قیمتی کجھ سکھ لئیا اے۔
12 فیصد دی حد AI ایجنٹاں توں کنارہ کرن دی وجہ نئیں۔ ایہہ جوش دی بجائے ثبوت نال اوہناں نوں خریدن دی وجہ اے۔
مصنوعی ذہانت اسٹیج دے تماشے نال نئیں، ماپے جان والے نتیجےآں نال اپنی تھاں بنوے گی۔ آخرکار، فی مکمل کم دی لاگت دا حساب، ایمانداری نال گنیا ہویا، ایہہ طے کردا اے کہ ایہہ ٹیکنالوجی اصل وچ کتھے تعلق رکھدی اے۔
SemiAnalysis, "GDPx: The General Agentic Benchmark" - https://gdpx.semianalysis.com
SemiAnalysis، تحقیقی نوٹ تے صنعتی تجزیے - https://semianalysis.com
ریاضی دے نال سوچو۔ عقل نال انجینئرنگ کرو۔ حکمت عملی نال اگوائی کرو۔ ذمے داری نال بناؤ۔ دنیا بھر وچ ودھاؤ۔ مصنوعی ذہانت نال اصل کاروباری قدر پیدا کرو۔
