کیا ہوا؟
17 اگست 2026 کو arXiv کو جمع کرایا گیا ایک کاغذ، LoRA Adapters کو بطور ٹول، یا SLAaaT تبدیل کرنے کی تجویز کرتا ہے۔ یہ طریقہ ایک AI ایجنٹ کو خصوصی LoRA اڈاپٹر کے درمیان واحد ٹاسک ٹریکٹری کے دوران سوئچ کرنے دیتا ہے۔ یہ مقالہ دو مصنوعی کوڈنگ کاموں کے نتائج کی رپورٹ کرتا ہے جنہیں مختلف مہارتوں کی ضرورت کے لیے ڈیزائن کیا گیا ہے۔
بنیادی ماخذ کینتھ جی کا ایک واحد مصنف کا مقالہ ہے، جو arXiv پر "Agents LoRA Adapters کو ایک ٹول کے طور پر سوئچ کرنے کے ذریعے نئی صلاحیتوں کو غیر مقفل کرتے ہیں" کے ورژن 1 کے طور پر درج ہے۔ اس کی مرکزی بنیاد یہ ہے کہ پوسٹ ٹریننگ خصوصی کاموں کی صلاحیتوں کو کھول سکتی ہے لیکن دوسرے ڈومینز میں تباہ کن فراموش بھی پیدا کر سکتی ہے۔ یہ تجارت خاص طور پر طویل ایجنٹ کی رفتار کے لیے متعلقہ ہو جاتی ہے، جہاں ایک ورک فلو کو کئی مختلف صلاحیتوں کی ضرورت پڑ سکتی ہے۔ کاغذ ایجنٹ کو ایک ایسا ٹول دینے کی تجویز کرتا ہے جو خصوصی LoRA اڈاپٹر کے درمیان سوئچ کر سکتا ہے جب کہ رفتار جاری ہے۔
ماخذ LoRA اڈاپٹر کو مخصوص صلاحیتوں کے لیے ماڈل کے رویے کو تبدیل کرنے کے لیے استعمال ہونے والے خصوصی اجزاء کے طور پر بیان کرتا ہے، لیکن فراہم کردہ خلاصہ ان کے فن تعمیر، تربیتی ڈیٹا، اسٹوریج کی شکل، سوئچنگ میکانزم، یا بیس ماڈل کے بارے میں عمل درآمد کی تفصیلات فراہم نہیں کرتا ہے۔ ایجنٹ کو پورے کام کے لیے محض ایک اڈاپٹر تفویض نہیں کیا جاتا ہے۔ SLAaaT کے تحت، یہ ایک ہی ٹریس میں مختلف پوائنٹس پر خصوصی اڈاپٹرز میں سے انتخاب کر سکتا ہے۔ مقالہ اسے صلاحیتوں کو تحریر کرنے کے ایک طریقہ کے طور پر پیش کرتا ہے جبکہ ایک ہی مہارت کے استعمال سے وابستہ نقصان کو کم کرتا ہے۔ خلاصہ میں بیان کردہ تشخیص دو مصنوعی کوڈنگ کاموں کو یکجا کرتی ہے۔ کاموں کو منطقی طور پر آسان لیکن مہارت کی ضرورت ہوتی ہے۔ کاغذ تین اہم نتائج کی اطلاع دیتا ہے: نقطہ نظر نے ماڈل کو ان مسائل کو حل کرنے کے قابل بنایا جو پہلے نہیں کر سکتا تھا۔ ماڈل خود مختاری سے اڈاپٹر کو تبدیل کر سکتا ہے اور اس نے ایک ایسی حکمت عملی تلاش کی ہے جو ایک کام پر انسانی بنیادوں کو شکست دیتی ہے۔ اور طریقہ کار نے صرف ایک خصوصی اڈاپٹر استعمال کرنے والے ایجنٹ کے مقابلے میں "قابلیت ٹیکس" میں 18 گنا تک کی کمی پیدا کی۔ مقالے میں یہ بھی کہا گیا ہے کہ SLAaaT نے کام کی صلاحیتوں اور ٹوکن کے استعمال دونوں پر اسپننگ سب ایجنٹس کو کافی حد تک پیچھے چھوڑ دیا۔ خلاصہ کاموں، ماڈلز، بنیادی خطوط، نمونے کے سائز، تغیر، یا مطلق سکور کی شناخت نہیں کرتا ہے۔
نتیجہ اہمیت رکھتا ہے کیونکہ یہ ناکامی کے موڈ کو نشانہ بناتا ہے جو زیادہ نظر آتا ہے کیونکہ AI سسٹمز کو ملٹی اسٹیج کام انجام دینے کے لیے کہا جاتا ہے۔ ایک ڈومین کے لیے بنایا گیا ماڈل اس ڈومین میں بہتر ہو سکتا ہے جبکہ کارکردگی کو کہیں اور کھو دیتا ہے۔ کاغذ کا مجوزہ جواب ماڈیولریٹی ہے: متعدد خصوصی اڈاپٹر برقرار رکھیں اور ایجنٹ کو کام کی تبدیلی کے ساتھ ہی متعلقہ کو طلب کرنے کی اجازت دیں۔ اصولی طور پر، یہ ایک نظام کو کام کے فلو کے ایک حصے کے لیے ایک تخصص اور دوسرے حصے کے لیے بنیادی ماڈل کو مستقل طور پر تبدیل کیے بغیر استعمال کرنے دیتا ہے۔ سب سے زیادہ نتیجہ خیز دعوی صرف یہ نہیں ہے کہ خصوصی اڈاپٹر الگ تھلگ بینچ مارکس کو بہتر بنا سکتے ہیں۔ یہ یہ ہے کہ ایک ایجنٹ طویل ٹریس کے دوران ان کو مربوط کرسکتا ہے اور خود مختاری سے ایسا کرسکتا ہے۔ اگر آزادانہ طور پر دوبارہ پیش کیا جاتا ہے، تو اس سے کچھ توجہ ایک ماڈل کی تربیت سے ایسے نظاموں کو ڈیزائن کرنے کی طرف مبذول ہو جائے گی جو خصوصی صلاحیتوں کے مجموعے کو منظم کرتے ہیں۔ اسپاونڈ سب ایجنٹس کے ساتھ رپورٹ کردہ موازنہ بھی عملی طور پر متعلقہ ہے۔ ذیلی ایجنٹ کام کو تقسیم کر سکتے ہیں، لیکن وہ ٹوکن کے استعمال اور کوآرڈینیشن اوور ہیڈ کو شامل کر سکتے ہیں۔ SLAaaT کو کاغذ کے تجربات میں بہتر کام کی صلاحیت اور کم ٹوکن استعمال کے حصول کے طور پر پیش کیا گیا ہے، حالانکہ ماخذ یہ نہیں بتاتا ہے کہ یہ اختلافات مالیاتی لاگت، تاخیر، وشوسنییتا، یا توانائی کے استعمال میں کیسے ترجمہ ہوتے ہیں۔
ثبوت تنگ ہی رہتا ہے۔ ذریعہ دو مصنوعی کوڈنگ کاموں سے نتائج فراہم کرتا ہے اور قدرتی زبان کی تحقیق، سافٹ ویئر کی دیکھ بھال، ریاضی، کسٹمر سروس، سائنسی کام، یا حقیقی دنیا کے دیگر ڈومینز پر کارکردگی کو قائم نہیں کرتا ہے۔ اس سے یہ بھی ثابت نہیں ہوتا کہ یہ طریقہ مجموعی حفاظت، حقائق کی درستگی، یا مضبوطی کو بہتر بناتا ہے۔ رپورٹ کردہ 18x اعداد و شمار کاغذ کی تشخیص کے اندر ایک اوپری پابند نتیجہ ہے، اس بات کا ثبوت نہیں کہ ایجنٹوں کو عام طور پر عملی کارکردگی میں 18 گنا بہتری ملتی ہے۔ فراہم کردہ مواد کے ذریعہ کوئی آزاد توثیق، ہم مرتبہ جائزہ کا نتیجہ، تعیناتی ریکارڈ، یا بیرونی رد عمل قائم نہیں کیا گیا ہے۔ اگلا اہم امتحان واضح طور پر متعین تخصصی حدود کے ساتھ کاموں کے وسیع تر سیٹ پر نقل ہے۔ محققین کو یہ تعین کرنے کی ضرورت ہوگی کہ آیا خود مختار سوئچنگ اس وقت کام کرتی ہے جب کام مصنوعی اور منطقی طور پر سادہ ہونے کی بجائے شور، مبہم، یا مخالف ہوں۔ طویل رفتار سے بھی فرق پڑے گا: ایک ایجنٹ جلد مناسب اڈاپٹر کا انتخاب کر سکتا ہے لیکن بعد میں ناقص انتخاب کر سکتا ہے، اکثر سوئچ کر سکتا ہے، یا غلط انتخاب کے بعد ٹھیک ہونے میں ناکام ہو جاتا ہے۔ موازنہ کو کام کی مکمل کارکردگی، ٹوکن کے استعمال، تاخیر، یادداشت کے تقاضوں اور ناکامی کی شرحوں کے بجائے صرف متعلقہ بہتری کی اطلاع دینی چاہیے۔
مکمل کاغذ کے طریقے اور تجرباتی تفصیلات بھی اہم ہیں۔ خلاصہ یہ نہیں بتاتا کہ کتنے اڈاپٹر دستیاب تھے، انہیں کس طرح تربیت دی گئی، کس طرح سوئچنگ کے فیصلوں کی نگرانی یا جانچ کی گئی، یا کیا ہر بیس لائن کے لیے ایک ہی بیس ماڈل اور وسائل استعمال کیے گئے۔ یہ انسانی تحقیقی بنیاد کی نشاندہی نہیں کرتا ہے یا قابلیت ٹیکس کی صحیح تعریف کی وضاحت نہیں کرتا ہے۔ یہ تفصیلات اس بات کا تعین کریں گی کہ دوسرے محققین کتنی آسانی سے نتائج کو دوبارہ پیش کر سکتے ہیں اور آیا اطلاع شدہ فائدہ سوئچنگ ڈیزائن، اڈاپٹر سیٹ، کام کی تعمیر، یا کسی اور تجرباتی انتخاب سے حاصل ہوتا ہے۔ عملی تعیناتی اضافی سوالات کو جنم دے گی۔ ایک ایسا نظام جو کسی کام کے دوران اپنے مخصوص رویے کو تبدیل کر سکتا ہے اس کے لیے واضح ریکارڈ کی ضرورت ہوتی ہے کہ کون سا اڈاپٹر فعال تھا، کب تبدیل ہوا، اور کیوں۔ آپریٹرز کو یہ جاننے کی ضرورت ہوگی کہ آیا ایک اڈاپٹر غیر موافق مفروضے متعارف کرا سکتا ہے، حفاظتی کنٹرول کو نظرانداز کر سکتا ہے، یا سسٹم کے رویے کو ان طریقوں سے تبدیل کر سکتا ہے جن کا آڈٹ کرنا مشکل ہو۔ سٹوریج اور سرونگ کے اخراجات بھی اہم ہو سکتے ہیں اگر بہت سے اڈاپٹر بیک وقت دستیاب ہوں۔ فراہم کردہ ذریعہ ان سوالات کا جواب نہیں دیتا ہے، اور یہ ابھی تک پیداوار کی تیاری یا بینچ مارک سیٹنگ سے باہر لوگوں پر اثرات کے بارے میں کوئی ثبوت فراہم نہیں کرتا ہے۔
یہ کیوں اہمیت رکھتا ہے۔
یہ کام خصوصی AI نظاموں میں ایک مرکزی مسئلہ کو حل کرتا ہے: پوسٹ ٹریننگ ایک صلاحیت کو بہتر بنا سکتی ہے جبکہ دوسروں میں تباہ کن بھولنے کا باعث بنتی ہے۔ اگر رپورٹ کردہ نتائج کو عام کیا جاتا ہے، متحرک طور پر خصوصی اڈاپٹر کا انتخاب ایسے ایجنٹوں کو بنانے کا ایک اور طریقہ پیش کر سکتا ہے جو مکمل طور پر ایک وسیع پیمانے پر بنائے گئے ماڈل یا ایک سے زیادہ پیدا شدہ ذیلی ایجنٹوں پر انحصار کیے بغیر صلاحیتوں کو یکجا کرتے ہیں۔
یہ کام خصوصی AI نظاموں میں ایک مرکزی مسئلہ کو حل کرتا ہے: پوسٹ ٹریننگ ایک صلاحیت کو بہتر بنا سکتی ہے جبکہ دوسروں میں تباہ کن بھولنے کا باعث بنتی ہے۔ اگر رپورٹ کردہ نتائج کو عام کیا جاتا ہے، متحرک طور پر خصوصی اڈاپٹر کا انتخاب ایسے ایجنٹوں کو بنانے کا ایک اور طریقہ پیش کر سکتا ہے جو مکمل طور پر ایک وسیع پیمانے پر بنائے گئے ماڈل یا ایک سے زیادہ پیدا شدہ ذیلی ایجنٹوں پر انحصار کیے بغیر صلاحیتوں کو یکجا کرتے ہیں۔
ایک ڈومین کے لیے بنایا گیا ماڈل اس ڈومین میں بہتر ہو سکتا ہے جبکہ کارکردگی کو کہیں اور کھو دیتا ہے۔ کاغذ کا مجوزہ جواب ماڈیولریٹی ہے: متعدد خصوصی اڈاپٹر برقرار رکھیں اور ایجنٹ کو کام کی تبدیلی کے ساتھ ہی متعلقہ کو طلب کرنے کی اجازت دیں۔ اصولی طور پر، یہ ایک نظام کو کام کے فلو کے ایک حصے کے لیے ایک تخصص اور دوسرے حصے کے لیے بنیادی ماڈل کو مستقل طور پر تبدیل کیے بغیر استعمال کرنے دیتا ہے۔
سب سے زیادہ نتیجہ خیز دعوی صرف یہ نہیں ہے کہ خصوصی اڈاپٹر الگ تھلگ بینچ مارکس کو بہتر بنا سکتے ہیں۔ یہ یہ ہے کہ ایک ایجنٹ طویل ٹریس کے دوران ان کو مربوط کرسکتا ہے اور خود مختاری سے ایسا کرسکتا ہے۔ اگر آزادانہ طور پر دوبارہ پیش کیا جاتا ہے، تو اس سے کچھ توجہ ایک ماڈل کی تربیت سے ایسے نظاموں کو ڈیزائن کرنے کی طرف مبذول ہو جائے گی جو خصوصی صلاحیتوں کے مجموعے کو منظم کرتے ہیں۔ پیدا شدہ ذیلی ایجنٹوں کے ساتھ رپورٹ کردہ موازنہ بھی عملی طور پر متعلقہ ہے، حالانکہ ماخذ یہ نہیں بتاتا کہ فرق مالیاتی لاگت، تاخیر، وشوسنییتا، یا توانائی کے استعمال میں کیسے ترجمہ ہوتا ہے۔
انٹرایکٹو میکانزم: یہ اصل میں کیسے کام کرتا ہے۔
اس ترقی کے پیچھے بنیادی ٹیکنالوجی کو انٹرایکٹو طریقے سے دریافت کریں۔
crm_get_transaction(id='4092').What most distinguishes an AI agent from a basic chatbot?
آگے کیا دیکھنا ہے۔
اہم سوالات یہ ہیں کہ آیا نتائج دو مصنوعی کوڈنگ کے کاموں سے آگے ہیں، کیا اڈاپٹر سوئچنگ طویل اور زیادہ متنوع رفتار پر قابل اعتماد رہتی ہے، اور خود مختار سوئچنگ کے ساتھ کیا حساب، اسٹوریج، اور حفاظتی اخراجات ہوتے ہیں۔ فراہم کردہ ذریعہ ہم مرتبہ جائزہ، آزاد نقل، حقیقی دنیا کی تعیناتی، یا وسیع تر عمومی کاری کو قائم نہیں کرتا ہے۔
اہم سوالات یہ ہیں کہ آیا نتائج دو مصنوعی کوڈنگ کے کاموں سے آگے ہیں، کیا اڈاپٹر سوئچنگ طویل اور زیادہ متنوع رفتار پر قابل اعتماد رہتی ہے، اور خود مختار سوئچنگ کے ساتھ کیا حساب، اسٹوریج، اور حفاظتی اخراجات ہوتے ہیں۔ فراہم کردہ ذریعہ ہم مرتبہ جائزہ، آزاد نقل، حقیقی دنیا کی تعیناتی، یا وسیع تر عمومی کاری کو قائم نہیں کرتا ہے۔
ثبوت تنگ ہی رہتا ہے۔ ذریعہ دو مصنوعی کوڈنگ کاموں سے نتائج فراہم کرتا ہے اور قدرتی زبان کی تحقیق، سافٹ ویئر کی دیکھ بھال، ریاضی، کسٹمر سروس، سائنسی کام، یا حقیقی دنیا کے دیگر ڈومینز پر کارکردگی کو قائم نہیں کرتا ہے۔ اس سے یہ بھی ثابت نہیں ہوتا کہ یہ طریقہ مجموعی حفاظت، حقائق کی درستگی، یا مضبوطی کو بہتر بناتا ہے۔
محققین کو یہ تعین کرنے کی ضرورت ہوگی کہ آیا خود مختار سوئچنگ اس وقت کام کرتی ہے جب کام مصنوعی اور منطقی طور پر سادہ ہونے کی بجائے شور، مبہم، یا مخالف ہوں۔ طویل رفتار سے بھی فرق پڑے گا: ایک ایجنٹ جلد مناسب اڈاپٹر کا انتخاب کر سکتا ہے لیکن بعد میں ناقص انتخاب کر سکتا ہے، اکثر سوئچ کر سکتا ہے، یا غلط انتخاب کے بعد ٹھیک ہونے میں ناکام ہو جاتا ہے۔ عملی تعیناتی ان ریکارڈز کے بارے میں اضافی سوالات اٹھائے گی کہ کون سا اڈاپٹر فعال تھا، یہ کب تبدیل ہوا، اور کیوں، نیز کیا ایک اڈاپٹر غیر موافق مفروضوں کو متعارف کر سکتا ہے، حفاظتی کنٹرول کو نظرانداز کر سکتا ہے، یا سسٹم کے رویے کو ان طریقوں سے تبدیل کر سکتا ہے جن کا آڈٹ کرنا مشکل ہو۔