LLM کیا ہے؟

تین الفاظ، اس ترتیب میں جو اہم ہے

نام کو الٹی ترتیب میں توڑ کر دیکھیں۔

ماڈل۔ ماڈل ایک ایسا فنکشن ہے جو ان پٹ کو آؤٹ پٹ میں بدلتا ہے، اور اس کے قواعد ڈیٹا سے سیکھے جاتے ہیں نہ کہ کسی پروگرامر کے لکھے ہوئے۔ موسمی ماڈل آج کی ریڈنگز لیتا ہے اور کل کی پیشگوئی دیتا ہے۔ زبان کا ماڈل متن لیتا ہے اور اگلے کے امکان کا حساب دیتا ہے۔

زبان۔ ان پٹ اور آؤٹ پٹ دونوں متن ہیں، جو ٹوکنز میں کاٹے جاتے ہیں، یعنی الفاظ کے ٹکڑے۔ AI میں ٹوکنز کیا ہیں اس اکائی کا احاطہ کرتا ہے؛ مختصر یہ کہ ماڈل تقریباً تین چوتھائی لفظ کے ٹکڑوں میں پڑھتا اور لکھتا ہے۔

بڑا۔ ماڈل میں پیرامیٹرز کی ایک بہت بڑی تعداد ہوتی ہے، وہ اندرونی نمبرز جنہیں تربیت ایڈجسٹ کرتی ہے۔ 2019 میں GPT-2 میں 1.5 ارب تھے۔ 2020 میں GPT-3 میں 175 ارب تھے۔ 2026 میں یہ سائٹ جو کیٹلاگ قیمت دیتی ہے اس میں ایک Qwen ماڈل شامل ہے جس میں 2.4 کھرب پیرامیٹرز ہیں، جن میں سے تقریباً 95 ارب ہر ٹوکن پر فعال ہوتے ہیں۔ نام میں لفظ "بڑا" کافی وزن رکھتا ہے، اور یہ تعداد سات برسوں میں ہزار گنا سے بھی زیادہ بڑھ چکی ہے۔

تو LLM ایک بہت بڑا اگلا ٹوکن اندازہ لگانے والا ہے۔ باقی ہر خاصیت جو لوگ اس سے منسوب کرتے ہیں، استدلال، لہجہ، پراعتماد غلطیاں، سب اسی ایک کام سے نکلتی ہیں۔

LLM چیٹ بوٹ نہیں ہے، اور یہی فرق پوری پروڈکٹ ہے

ChatGPT ایک ایپ ہے۔ GPT اس کے اندر کا ماڈل ہے۔ Claude ماڈلز کا خاندان بھی ہے اور وہ ایپ بھی جسے Anthropic اس کے گرد بناتی ہے۔ Gemini میں بھی Google کے ساتھ یہی کہانی ہے۔ AI چیٹ بوٹ کیا ہے ایپ کی تہہ کا احاطہ کرتا ہے؛ یہ صفحہ انجن کے بارے میں ہے۔

یہ فرق محض نظریاتی نہیں رہتا جیسے ہی آپ کو پتہ چلتا ہے کہ انجن بدلا جا سکتا ہے۔ وہی چیٹ ونڈو آپ کا پیغام GPT، Claude، Gemini، DeepSeek یا Llama کو بھیج سکتی ہے، اور جوابات لہجے، قیمت، رفتار اور درستگی میں مختلف ہوتے ہیں۔ Whizi جیسا ملٹی ماڈل ورک اسپیس بالکل یہی ہے: ایک ونڈو، اس کے پیچھے 280+ ماڈلز، اور یہ چننے کے لیے ایک پکر کہ کون سا جواب دے گا۔ ایپ اسٹیئرنگ وہیل ہے۔ LLM انجن ہے، اور ایسے انجن درجنوں ہیں۔

LLM کو دو مراحل میں کیسے تربیت دی جاتی ہے

مرحلہ اول، پری ٹریننگ۔ ماڈل متن کا ایک بہت بڑا مجموعہ پڑھتا ہے اور ہر مقام پر اگلا ٹوکن اندازہ لگانے کی کوشش کرتا ہے۔ ہر غلط اندازہ پیرامیٹرز کو ذرا سا حرکت دیتا ہے۔ Meta نے بتایا کہ Llama 3 کو 15 کھرب سے زیادہ ٹوکنز پر پری ٹرینڈ کیا گیا، جو، 75,000 لفظوں کے ناول کے تقریباً 100,000 ٹوکنز کے حساب سے (ایک ٹوکن میں تین چوتھائی لفظ)، تقریباً 15 کروڑ کتابوں کے برابر متن بنتا ہے۔ اس مرحلے کے بعد ماڈل ایک بہترین آٹو کمپلیٹ اور ایک کمزور اسسٹنٹ ہوتا ہے: اس سے سوال پوچھیں اور وہ مزید تین سوالوں کے ساتھ جواب جاری رکھ سکتا ہے، کیونکہ انٹرنیٹ پر متن اکثر ایسا ہی کرتا ہے۔

مرحلہ دوم، پوسٹ ٹریننگ۔ پھر ماڈل کو اچھے جوابات کی مثالیں دکھائی جاتی ہیں اور لوگ یہ درجہ دیتے ہیں کہ دو جوابات میں سے کون سا بہتر ہے، اس عمل کو ری انفورسمنٹ لرننگ فرام ہیومن فیڈبیک، یا RLHF کہتے ہیں۔ اسسٹنٹ جیسا رویہ یہیں سے آتا ہے: سوال کا جواب اسی فارمیٹ میں دینا جو آپ نے مانگا، اور بعض درخواستوں سے انکار کرنا۔ یہ کوچنگ ہے، نئی معلومات نہیں۔ حقائق اب بھی مرحلہ اول سے ہی آتے ہیں۔

دونوں مراحل سے دو باتیں نکلتی ہیں۔ ماڈل کی معلومات اس تاریخ پر رک جاتی ہیں جہاں اس کا پری ٹریننگ ڈیٹا ختم ہوتا ہے، اور اسی لیے ہر ماڈل کا ایک نالج کٹ آف ہوتا ہے۔ اور کسی بھی مرحلے میں فیکٹ چیکر نصب نہیں ہوتا: ماڈل نے ممکنہ متن بنانا سیکھا، پھر پسندیدہ متن بنانا سیکھا۔ سچائی دونوں کا ایک عام ضمنی اثر ہے، ضمانت نہیں۔ AI غلط کیوں ہوتا ہے اسے مزید آگے لے جاتا ہے۔

LLM تلاش کرنے کے بجائے اندازہ کیوں لگاتا ہے

سرچ انجن بازیافت کرتا ہے۔ اس کے پاس صفحات کا ایک انڈیکس ہوتا ہے اور وہ ملتے جلتے صفحات لوٹاتا ہے۔ LLM کے پاس کوئی انڈیکس نہیں ہوتا۔ پری ٹریننگ کے دوران جو کچھ اس نے پڑھا وہ اس کے پیرامیٹرز میں کمپریس ہو گیا، اور جواب دیتے وقت وہ اسی کمپریشن سے متن دوبارہ تخلیق کرتا ہے، ایک وقت میں ایک ٹوکن، ہر ٹوکن کو امکانی تقسیم سے چن کر۔

یہی وجہ ہے کہ LLM ایک ایسی ڈش کی کارآمد ترکیب لکھ سکتا ہے جس کا نام اس نے کبھی نہیں دیکھا، اور یہی وجہ ہے کہ وہ ایسا عدالتی حوالہ بھی بنا سکتا ہے جو موجود ہی نہیں۔ دونوں ممکنہ تسلسل ہیں۔ ماڈل کے پاس کوئی الگ طریقہ کار نہیں جو چیک کرے کہ کوئی ممکنہ تسلسل حقیقی بھی ہے یا نہیں۔

پروڈکٹس جو حل استعمال کرتی ہیں وہ بازیافت کو جوڑ دینا ہے: پہلے ویب یا آپ کی فائلیں تلاش کریں، پھر ماڈل کو وہ اقتباسات دیں اور اس سے وہاں سے جواب مانگیں۔ اس تکنیک کو RAG کہتے ہیں، اور RAG کیا ہے اسے واضح کرتا ہے۔ چیٹ ایپ کے اندر ویب سرچ دراصل انٹرنیٹ کو ماخذ بنا کر RAG ہی ہے۔ ماڈل اب بھی اندازہ ہی لگا رہا ہے؛ بس بہتر مواد سے لگا رہا ہے۔

ایک خاندان کے اندر قیمت کیا خریدتی ہے، ناپ کر

ہر خاندان ایک سیڑھی پیش کرتا ہے: ایک چھوٹا ماڈل، ایک درمیانہ، اور ایک فلیگ شپ۔ Artificial Analysis Intelligence Index، جو عوامی استدلال، کوڈنگ اور علم کے بینچ مارکس پر مبنی ایک مرکب اسکور ہے، ہر درجے پر ایک نمبر دیتا ہے، اور لیڈر بورڈ اس کے ساتھ فی ملین ٹوکن کی ملی جلی قیمت درج کرتا ہے۔ نیچے دی گئی چار سیڑھیاں 2026-09-17 کو پڑھی گئیں۔

OpenAI 18 گنا قیمت پر 15 پوائنٹس خریدتا ہے، Anthropic 36 گنا پر 35 پوائنٹس، Qwen 16 گنا پر 19 پوائنٹس۔ DeepSeek اس نمونے کو توڑ دیتا ہے: V4 Flash، V4 Pro کو آدھی سے بھی کم قیمت پر پیچھے چھوڑ دیتا ہے۔ اس سے دو باتیں نکلتی ہیں۔ ایک خاندان کے اندر آخری چند پوائنٹس سب سے مہنگے ہوتے ہیں، اس لیے کسی مختصر معلوماتی سوال کے لیے چھوٹا ماڈل بھی فلیگ شپ جیسا ہی جواب دیتا ہے۔ اور خاندانوں کے آر پار، قیمت معیار کا کمزور رہنما ہے: DeepSeek V4 Flash فی ملین ٹوکن $0.27 پر Claude Sonnet 5 سے، جو $5.09 پر ہے، دو پوائنٹس آگے ہے۔ خریدار کے طور پر LLMs کے بارے میں جاننے کی سب سے کارآمد بات یہی ہے: ماڈل ایک ڈائل ہے، مقررہ لاگت نہیں۔ Whizi بھی اسی منطق سے چارج کرتا ہے، ہاؤس ماڈل پر ایک پیغام کے لیے ایک کریڈٹ، Claude Opus 5 کے لیے 20، اور سب سے مہنگی قطاروں کے لیے 100 تک، جسے Whizi کریڈٹس کیسے کام کرتے ہیں ہر ماڈل کے حساب سے بیان کرتا ہے۔

ایماندارانہ تنبیہ یہ ہے کہ مرکب انڈیکس مختلف کاموں کا اوسط ہے۔ استدلال کی ایک لمبی زنجیر کے لیے فلیگ شپ اپنی قیمت وصول کر لیتا ہے؛ کسی رائٹنگ کے لیے نہیں۔ یہ جاننے کے لیے کہ ہر خاندان اصل میں کس چیز میں اچھا ہے، کون سا AI ماڈل استعمال کروں فیصلے کا صفحہ ہے۔

LLM کیا نہیں کر سکتا، ایک فہرست میں

نیچے دی گئی ہر بات فن تعمیر کا نتیجہ ہے، کوئی خامی نہیں جسے اگلا ریلیز ٹھیک کر دے گا۔

• یہ اپنے ٹریننگ کٹ آف کے بعد کچھ نہیں جان سکتا جب تک بازیافت اسے وہ متن نہ دے۔
• یہ لمبے ان پٹس پر قابل اعتماد گنتی نہیں کر سکتا، کیونکہ یہ ٹوکنز اور امکانات میں کام کرتا ہے، اشیاء پر لوپ میں نہیں۔
• یہ اپنے آؤٹ پٹ کی تصدیق نہیں کر سکتا؛ اسی ماڈل کا دوسرا پاس وہی پیش گو دوبارہ اندازہ لگا رہا ہوتا ہے۔
• یہ گفتگووں کے درمیان آپ کو یاد نہیں رکھ سکتا جب تک پروڈکٹ نوٹس محفوظ نہ کرے اور انہیں واپس نہ چسپاں کرے؛ وہ یادداشت ماڈل کی نہیں، پروڈکٹ کی خاصیت ہے۔
• یہ پوری گفتگو کو ہمیشہ کے لیے نہیں دیکھ سکتا۔ ہر ماڈل کی ایک کانٹیکسٹ ونڈو ہوتی ہے، وہ زیادہ سے زیادہ متن جسے وہ ایک وقت میں سوچ سکتا ہے، اور کانٹیکسٹ ونڈو کیا ہے بتاتا ہے کہ اس تک پہنچنے پر کیا ہوتا ہے۔

عملی نتیجہ یہ ہے: LLM کو ایک روانی سے بولنے والے، کبھی کبھار غلط ساتھی کارکن کی طرح سمجھیں، اور تصدیق کا کام اپنی طرف رکھیں۔ وہ لوپ جو ماڈل کو ایسی چیز میں بدلتا ہے جو خود عمل کرتی ہے، وہ ایک الگ چیز ہے، اور AI ایجنٹ کیا ہے یہ حد کھینچتا ہے۔ کسی بھی ایسی چیز کے لیے جس کے ساتھ لاگت جڑی ہو، دوسرے ماڈل سے پوچھیں۔ دو مختلف پیش گو ماڈلز کا متفق ہونا کمزور ثبوت ہے؛ دونوں کا اختلاف چیک کرنے کا مضبوط اشارہ ہے۔