اوپن سورس کی دنیا کا اوپس لمحہ: کیا GLM-5 ایجنٹک کوڈنگ کی باگ ڈور سنبھال سکے گا؟

اگر آپ کسی ڈویلپر سے پوچھیں کہ AI پروگرامنگ کا سب سے مایوس کن لمحہ کیا ہوتا ہے؟

تو اس کا جواب غالباً یہ ہوگا کہ غلطی سامنے آنے پر اس کا میکانکی جملہ "معاف کیجیے، میں سمجھ نہیں سکا" اور پھر وہی غلط کوڈ دہرانا۔

گزشتہ ایک سال میں، کوڈنگ کے بڑے ماڈلز کی پیش رفت زیادہ تر "تخلیقی صلاحیت" میں نظر آئی ہے: ایک جملے میں ویب پیج، کمپوننٹ، چھوٹی گیم بنانا—15 سیکنڈ میں پکسل اسٹائل ویب پیج، ایک شاندار SVG آئیکن، یا ایک چلنے والا سانپ گیم تیار کرنا۔ یہ ڈیمو کافی حیران کن ہیں، لیکن کافی "ہلکے" بھی ہیں۔ یہ وائب کوڈنگ (ماحولاتی پروگرامنگ) کے دور میں تیار کردہ اعلیٰ درجے کے کھلونوں کی طرح ہیں۔ لیکن جب بات اعلیٰ ہم وقتی فن تعمیر، بنیادی ڈرائیور موافقت، یا پیچیدہ نظام کی تعمیر نو کی ہو، تو یہ "گرین ہاؤس کے پھول" بن جاتے ہیں۔

اس لیے حال ہی میں، سلیکون ویلی کا رجحان بدل گیا ہے۔

چاہے وہ Claude Opus 4.6 ہو یا GPT-5.3، یہ اعلیٰ درجے کے بڑے ماڈلز ایجنٹک کوڈنگ پر زور دینا شروع کر رہے ہیں: "فوری نتائج" کے حصول کے بجائے، منصوبہ بندی، تقسیم، اور بار بار چلانے کے ذریعے، نظام کی سطح کے کاموں کو مکمل کرنا۔

"فرنٹ اینڈ جمالیات" سے "سسٹم انجینئرنگ" کی طرف اس پیراڈائم شفٹ کو پہلے بند سورس کے بڑے اداروں کا اجارہ دار سمجھا جاتا تھا۔ جب میں نے GLM-5 کا تجربہ کیا تو مجھے احساس ہوا کہ اوپن سورس کمیونٹی کا "آرکیٹیکٹ کا دور" پہلے ہی شروع ہو چکا ہے۔

01

"فرنٹ اینڈ" سے "سسٹم انجینئرنگ" تک

پہلے جب AI کوڈنگ کی بات ہوتی تھی، تو زیادہ تر لوگ ایک مانوس کہانی کے بارے میں سوچتے تھے—ایک جملے میں ویب پیج بنانا، ایک منٹ میں چھوٹی گیم بنانا، دس سیکنڈ میں ایک شاندار متحرک اثر بنانا۔ یہ "بصری خوشی" پر زور دیتے ہیں: بٹن حرکت کرتے ہیں، صفحات خوبصورت ہوتے ہیں، اثرات بھرپور ہوتے ہیں۔

لیکن جو لوگ واقعی انجینئرنگ کے میدان میں داخل ہوتے ہیں وہ جانتے ہیں کہ ایک ڈیمو بنانے کا مطلب یہ نہیں ہے کہ ایک نظام کو سہارا دیا جا سکتا ہے۔

پیچیدہ کاموں کی مشکل "کوڈ لکھنے" میں نہیں ہے، بلکہ اس میں ہے کہ ماڈیولز کو کیسے تقسیم کیا جائے، ریاست کو کیسے منظم کیا جائے، غیر معمولی حالات کو کیسے سنبھالا جائے، کارکردگی کو کیسے بہتر بنایا جائے، اور جب نظام پیچیدہ ہونا شروع ہو جائے تو کیا یہ ساخت کو مستحکم رکھ سکتا ہے۔

یہی وجہ ہے کہ ہم نے پیچیدہ کاموں کو حقیقی جانچ کے لیے منتخب کیا۔

GLM-5 کی پوزیشننگ بہت سے حریفوں سے مختلف ہے۔

اگر زیادہ تر ماڈلز "بہترین فرنٹ اینڈ" کی طرح ہیں—جو تیزی سے انٹرایکٹو انٹرفیس اور بصری اثرات پیدا کرنے میں ماہر ہیں، تو GLM-5 "سسٹم انجینئرنگ کے کردار" کی طرف زیادہ مائل ہے۔ یہ کثیر ماڈیول تعاون، طویل سلسلہ کے کاموں، اور پیداواری ماحول میں چلنے کے قابل ساخت کی استحکام پر زور دیتا ہے۔

اس کی تصدیق کے لیے، ہم نے دو مکمل طور پر مختلف جہتوں کے حقیقی جانچ کے کیسز ڈیزائن کیے۔

پہلا ٹیسٹ، ایک بظاہر آسان لیکن انتہائی منظم کام—براؤزر اور کیمرے کی بنیاد پر، ایک "AI بصری اشاروں سے کنٹرول شدہ آتش بازی" کا موسم بہار کے تہوار کا تھیم والا انٹرایکٹو گیم بنانا۔

حقیقی جانچ کی ویڈیو میں دیکھا جا سکتا ہے کہ صارف کیمرے کے سامنے کھڑا ہے اور اشاروں سے آتش بازی کی سمت اور رفتار کو کنٹرول کر رہا ہے۔ آتش بازی ہوا میں کھلتی ہے، ذرات کے اثرات اور متحرک روشنی کے اثرات کے ساتھ، مجموعی تعامل ہموار اور قدرتی ہے۔

لیکن یہ کوئی سادہ فرنٹ اینڈ متحرک اثر والا پروجیکٹ نہیں ہے۔ اس میں کم از کم درج ذیل کئی بنیادی ماڈیولز شامل ہیں: اشاروں کی شناخت اور بصری ان پٹ پروسیسنگ؛ اشاروں کے نقاط سے لانچ منطق کی میپنگ؛ آتش بازی کا ذرہ نظام اور کھلنے کے اثرات؛ ریئل ٹائم رینڈرنگ اور فریم ریٹ کنٹرول؛ براؤزر کی مطابقت اور کیمرے کی اجازت کی غیر معمولی ہینڈلنگ؛ انٹرایکشن اسٹیٹ مینجمنٹ اور صارف کے تاثرات کا میکانزم

اسے ایک مکمل ساخت والا، ہموار تجربہ والا چھوٹا انٹرایکٹو سسٹم کہا جا سکتا ہے۔ حقیقی جانچ کے عمل سے پتہ چلتا ہے کہ GLM-5 نے براہ راست کوڈنگ میں داخل ہونے کے بجائے، پہلے مجموعی فن تعمیر کی منصوبہ بندی کی: بصری ان پٹ ماڈیول، کنٹرول لاجک لیئر، رینڈرنگ لیئر، اور اثرات کی لیئر کو کیسے الگ کیا جائے؛ ڈیٹا کا بہاؤ کیسے منتقل کیا جائے؛ کون سے حصے کارکردگی کی رکاوٹ بن سکتے ہیں۔

اس کے بعد، اس نے پرت بہ پرت منطق کو نافذ کیا، اشاروں کی شناخت کے ڈیٹا پروسیسنگ سے شروع ہو کر، لانچ ٹریجیکٹری کیلکولیشن تک، اور پھر ذرہ دھماکے کے اثرات کے پیرامیٹر کو بہتر بنانے تک۔

جب رینڈرنگ میں جمود آتا ہے، تو یہ فعال طور پر ذرات کی تعداد کو کم کرنے اور لوپ ڈھانچے کو بہتر بنانے کی تجویز کرتا ہے۔ جب اشاروں کی شناخت میں غلطی ہوتی ہے، تو یہ حد اور فلٹرنگ کی حکمت عملی کو ایڈجسٹ کرتا ہے۔

ویڈیو میں پیش کیا گیا اثر "قدرتی نظر آنے والا تعامل" ہے۔ لیکن اس کے پیچھے مکمل انجینئرنگ چین ہے: منصوبہ بندی → لکھنا → ڈیبگنگ → کارکردگی کو بہتر بنانا → تعامل کو درست کرنا۔

آخر میں تیار کردہ کوڈ براہ راست چلایا جا سکتا ہے، تعامل مستحکم ہے، فریم ریٹ ہموار ہے، اور غیر معمولی حالات کو سنبھالا جا سکتا ہے۔ سب سے اہم بات یہ ہے کہ اس کا کام کرنے کا طریقہ واضح نظام کی سوچ کو ظاہر کرتا ہے: ماڈیول کی حدود واضح ہیں، منطقی پرت بندی معقول ہے، بجائے اس کے کہ تمام افعال کو ایک فائل میں جمع کیا جائے۔

دوسرا کیس ساخت کے نظام کی صلاحیتوں کا ٹیسٹ ہے۔ اس منظر کو میڈیا کے کام کا روزمرہ کہا جا سکتا ہے—انٹرویو کی تیز رفتار ریکارڈنگ درآمد کریں، مواد کا خلاصہ کریں، اور موضوع کے زاویے اور خیالات کو آؤٹ پٹ کریں۔

حقیقی جانچ میں دیکھا جا سکتا ہے کہ آپریشن کا عمل بہت براہ راست ہے: میں نے کچھ عرصہ قبل ایک انٹرویو کی تیز رفتار ریکارڈنگ کا مواد چسپاں کیا، ماڈل نے تجزیہ کرنا شروع کیا، اور پھر مواد کا خلاصہ اور موضوع کے زاویے کو آؤٹ پٹ کیا، نتائج سے پتہ چلتا ہے کہ اس کے تیار کردہ موضوع کے زاویے اب بھی بہت قابل عمل ہیں۔

بصری تعامل کے نظام کے مقابلے میں، ریکارڈنگ کو ترتیب دینا بظاہر آسان ہے، لیکن یہ درحقیقت ماڈل کی "ساخت کو تجریدی کرنے کی صلاحیت" کی جانچ کرتا ہے۔ ایک حقیقی انٹرویو کی ریکارڈنگ اکثر انتہائی غیر منظم ہوتی ہے: خیالات میں چھلانگ، معلومات کا تکرار، مرکزی اور ذیلی لائنوں کا باہمی تعلق۔ اس لیے اس کیس میں، GLM-5 کی طرف سے دکھائی جانے والی صلاحیت نظام کی سطح پر ہے۔

سب سے پہلے، موضوع کی شناخت اور مرکزی لائن نکالنے کی صلاحیت۔ ماڈل نے خلاصہ اصل متن کی ترتیب کے مطابق تیار نہیں کیا، بلکہ پہلے یہ فیصلہ کیا کہ بنیادی مسئلہ کیا ہے، اور پھر اس مسئلے کے گرد مواد کو دوبارہ منظم کیا۔ اس کا مطلب ہے کہ اس نے اندرونی طور پر ایک اسکین مکمل کیا، یہ شناخت کی کہ کون سی معلومات مرکزی لائن سے تعلق رکھتی ہیں، اور کون سی اضافی یا شور ہیں۔ یہ صلاحیت بنیادی طور پر منصوبہ بندی کی صلاحیت ہے، یعنی آؤٹ پٹ کرنے سے پہلے، ایک تجریدی ساخت کا فریم ورک قائم کرنا۔

دوسرا، ماڈیولر تنظیم نو کی صلاحیت۔ یہ مختلف پیراگراف میں بکھرے ہوئے متعلقہ خیالات کو ایک ہی ماڈیول میں درجہ بندی کرے گا۔ یہ کراس سیگمنٹ انضمام کی صلاحیت بتاتی ہے کہ ماڈل کے پاس طویل متن کو سنبھالتے وقت عالمی مستقل مزاجی ہے۔

تیسرا، منطقی ترتیب کو فعال طور پر ایڈجسٹ کرنے کی صلاحیت۔ اصل آؤٹ پٹ خاکہ اکثر اصل ریکارڈنگ کی ترتیب سے مختلف ہوتا ہے۔ دیکھا جا سکتا ہے کہ GLM-5 وجہ اور اثر کے تعلق یا استدلال کی منطق کے مطابق تہوں کو دوبارہ ترتیب دے رہا ہے۔ یہ ایک قسم کی "منطق کو اصل ان پٹ ترتیب پر ترجیح دینے" کا فیصلہ ہے۔ یہ "پہلے ساخت، پھر آؤٹ پٹ" کا ماڈل ہے، جو نظام انجینئرنگ کی سوچ کا بنیادی حصہ ہے۔

یہ دو کیسز، ایک ریئل ٹائم بصری تعامل کا نظام ہے، اور دوسرا میڈیا انفارمیشن اسٹرکچر پروسیسنگ سسٹم، بظاہر مکمل طور پر مختلف ہیں۔ لیکن وہ ایک ہی چیز کی تصدیق کرتے ہیں—GLM-5 میں مکمل ٹاسک کلوز لوپ کی صلاحیت ہے: منصوبہ بندی → عمل درآمد → ڈیبگنگ → اصلاح۔

آتش بازی کے کھیل میں، یہ ماڈیول کی پرت بندی، کارکردگی کو بہتر بنانے اور غیر معمولی ہینڈلنگ میں ظاہر ہوتا ہے۔ ریکارڈنگ پروسیسر میں، یہ موضوع کے فیصلے، ساخت کو توڑنے اور منطقی تنظیم نو میں ظاہر ہوتا ہے۔ ان میں مشترکہ بات یہ ہے کہ ماڈل "نتائج پیدا کرنے" پر نہیں رکا، بلکہ ایک پائیدار ارتقائی ساخت کو برقرار رکھ رہا ہے۔

میں نے ایک نسبتاً پیچیدہ کام کی کوشش جاری رکھی، "ایک انتہائی کم سے کم آپریٹنگ سسٹم کرنل کی تعمیر"۔ اس حقیقی جانچ میں، جو چیز واقعی قابل توجہ ہے وہ ویڈیو میں کوڈ کا آخر کار چلنا نہیں ہے، بلکہ GLM-5 کا پورے عمل میں رویہ ہے۔

اس نے ٹاسک ملتے ہی فوری طور پر جنریشن اسٹیٹ میں داخل ہونے کے بجائے، پہلے ٹاسک کی حدود کو واضح کیا، فعال طور پر ماڈیولز کو تقسیم کیا، سسٹم کی ساخت کی منصوبہ بندی کی، اور پھر عمل درآمد کے مرحلے میں داخل ہوا۔ یہ "ساخت پہلے" کا راستہ، بنیادی طور پر پہلے بتائی گئی انجینئرنگ کی سوچ ہے—پہلے یہ تعریف کریں کہ سسٹم کیسے بنے گا، پھر مخصوص عمل درآمد کی تفصیلات پر تبادلہ خیال کریں، بجائے اس کے کہ لکھتے وقت جوڑیں۔

متعدد لکھنے، چلانے، غلطی کرنے، اور درست کرنے کے چکر میں، GLM-5 میں ساخت کا کوئی خاتمہ نہیں ہوا۔ ہر ترمیم پہلے سے طے شدہ فن تعمیر کے گرد کی گئی تھی، بجائے اس کے کہ اسے مکمل طور پر ختم کر دیا جائے یا جزوی پیچ لگائے جائیں۔ اس سے پتہ چلتا ہے کہ اس نے اندرونی طور پر ایک مکمل سسٹم ماڈل کو برقرار رکھا، اور طویل سلسلہ کے کاموں میں مستقل مزاجی برقرار رکھنے کے قابل ہے۔ بہت سے ماڈلز سیاق و سباق کے طویل ہونے کے بعد آسانی سے متضاد ہو جاتے ہیں، جبکہ ویڈیو میں دکھائی گئی کارکردگی بالکل اس کی مجموعی ساخت کو مسلسل یاد رکھنے کی صلاحیت کو ظاہر کرتی ہے۔

اس کے علاوہ اس کے غلطیوں کو سنبھالنے کا طریقہ۔ جب کوئی غلطی ظاہر ہوتی ہے، تو یہ "شاید کوڈ کی کسی لائن کا مسئلہ ہے" کی سطحی قیاس آرائیوں پر نہیں رکا، بلکہ پہلے غلطی کی قسم کا فیصلہ کیا، منطقی مسائل، ماحولیاتی مسائل، یا انحصار کے تصادم میں فرق کیا، اور پھر تحقیقات کے راستے کی منصوبہ بندی کی۔ یہ ایک حکمت عملی کی سطح کی ڈیبگنگ ہے، جس کا مقصد مسئلے کے راستے کو ٹھیک کرنا ہے۔

اگر اسے ٹول کالنگ کے ساتھ ملایا جائے تو یہ صلاحیت اور بھی واضح ہو جائے گی۔ یہ نہ صرف کمانڈ کی تجاویز دیتا ہے، بلکہ فعال طور پر ٹرمینل کو شیڈول کرنے، لاگز کا تجزیہ کرنے، ماحول کو ٹھیک کرنے اور پھر ٹاسک کو آگے بڑھانے کے ساتھ بھی مل جاتا ہے۔ یہ رویہ پہلے ہی ایک قسم کی "خودکار ڈرائیونگ" قسم کی انجینئرنگ پیش رفت کے قریب ہے۔ جب تک مقصد مکمل نہیں ہو جاتا، یہ مسلسل دہراتا رہتا ہے۔

پہلے منصوبہ بندی کریں پھر عمل درآمد کریں، طویل سلسلہ میں ساخت کو مستحکم رکھیں، حکمت عملی کے انداز میں مسائل کی چھان بین کریں، اور مقصد کے گرد مسلسل آگے بڑھیں—بالکل یہی وہ چار بنیادی صلاحیتیں ہیں جن کی نظام انجینئرنگ کو ضرورت ہے، جو GLM-5 کو انجینئر کے کام کرنے کے انداز کے قریب رویے کو ظاہر کرنے کی اجازت دیتی ہیں۔

GLM-5 "آرکیٹیکٹ" کی باگ ڈور کیوں سنبھال سکتا ہے؟

اگر پہلے حصے کی حقیقی جانچ نے ثابت کیا کہ GLM-5 "پیچیدہ کام کر سکتا ہے"، تو اگلا سوال یہ ہے کہ: یہ کس چیز پر انحصار کرتا ہے؟ جواب اس کے آؤٹ پٹ کے پیچھے چھپے ہوئے "انجینئرنگ کی سطح کے رویے کے ماڈل" کا ایک مکمل سیٹ ہے۔

اہم نکتہ یہ ہے کہ GLM-5 نے واضح طور پر Claude Opus 4.6 کی طرح سوچ کی زنجیر خود چیک کرنے کا میکانزم متعارف کرایا ہے۔

اصل استعمال میں محسوس کیا جا سکتا ہے کہ اسے ٹاسک ملتے ہی فوری طور پر "کوڈ بھرنا" شروع نہیں کر دیتا، بلکہ پس منظر میں منطقی استدلال کے متعدد دور چلاتا ہے: ماڈیولز کے درمیان جوڑے کے تعلقات کی پیش گوئی کرنا، ڈیڈ لوپ راستوں سے فعال طور پر گریز کرنا، اور وسائل کے تصادم اور سرحدی حالات کے مسائل کو پہلے سے دریافت کرنا۔ اس رویے میں براہ راست تبدیلی یہ ہے کہ اس بات کو یقینی بنانے کے لیے کہ حل انجینئرنگ کے لحاظ سے قائم رہے، یہ سست ہونے اور مسئلے کو مکمل طور پر سوچنے کو تیار ہے۔

پیچیدہ کاموں میں، GLM-5 پہلے ماڈیول کی واضح تقسیم پیش کرے گا: سسٹم کن ذیلی ماڈیولز پر مشتمل ہے، ہر ماڈیول کا ان پٹ اور آؤٹ پٹ کیا ہے، کون سے حصے متوازی طور پر آگے بڑھائے جا سکتے ہیں، اور کون سے سلسلے وار مکمل ہونے چاہئیں۔ پھر ایک ایک کر کے ان پر قابو پائیں، بجائے اس کے کہ لکھتے وقت سوچیں۔ اس سے اس کا کام کرنے کا طریقہ ایک حقیقی انجینئر کی طرح ہو جاتا ہے: پہلے آرکیٹیکچر ڈایاگرام بنائیں، پھر عمل درآمد کی تفصیلات لکھیں۔ واضح طور پر محسوس ہوتا ہے کہ اس میں ایک قسم کی "مسئلے کو مکمل طور پر حل کیے بغیر رکنے کو تیار نہ ہونے کی لچک" ہے، بجائے اس کے کہ بظاہر درست جزوی کو مکمل کر کے جلد بازی میں ختم کر دیا جائے۔

یہ فرق خاص طور پر روایتی کوڈنگ ماڈلز کے مقابلے میں واضح ہے۔ ماضی میں بہت سے ماڈلز غلطی کا سامنا کرنے پر، تیزی سے ایک مانوس انداز میں پھسل جاتے ہیں: معافی مانگنا، غلطی کی معلومات کو دہرانا، اور ایک غیر تصدیق شدہ اصلاح کی تجویز پیش کرنا؛ اگر دوبارہ ناکام ہو جائے تو، یہ تخمینی جوابات کو دہرانا شروع کر دیتا ہے۔ GLM-5 کا طریقہ کار پرانے آرکیٹیکٹس سے زیادہ ملتا جلتا ہے۔ حقیقی جانچ میں، جب پروجیکٹ ماحولیاتی انحصار کے مسائل کی وجہ سے نہیں چل سکا، تو یہ سطحی غلطی کی معلومات پر نہیں رکا، بلکہ فعال طور پر انحصار کے درخت (Dependency Tree) کا تجزیہ کیا، تصادم کے ماخذ کا فیصلہ کیا، اور مزید ماحولیاتی اصلاح کے لیے OpenClaw کی ہدایت کی۔

پورا عمل "خودکار ڈرائیونگ" قسم کی تعیناتی کی طرح ہے: ماڈل غیر فعال طور پر جواب نہیں دے رہا ہے، بلکہ مسلسل لاگز پڑھ رہا ہے، راستوں کو درست کر رہا ہے، اور نتائج کی تصدیق کر رہا ہے۔

ایک اور صلاحیت جسے اکثر نظر انداز کیا جاتا ہے، لیکن نظام انجینئرنگ میں انتہائی اہم ہے، وہ ہے سیاق و سباق کی سالمیت۔

GLM-5 کی ملین کی سطح کی ٹوکن ونڈو اسے ایک ہی سیاق و سباق میں پورے پروجیکٹ کے کوڈ ڈھانچے، تاریخی ترامیم، کنفیگریشن فائلوں اور چلانے والے لاگز کو سمجھنے کے قابل بناتی ہے۔ اس کا مطلب ہے کہ یہ پہلے ہی عالمی نقطہ نظر سے یہ فیصلہ کرنے کے قابل ہے کہ ایک ترمیم کن ماڈیولز پر زنجیری ردعمل پیدا کرے گی۔ طویل سلسلہ کے کاموں میں، یہ صلاحیت براہ راست یہ طے کرتی ہے کہ ماڈل "ذہین لیکن قلیل النظر" ہے، یا "مستحکم اور قابل کنٹرول" ہے۔

مجموعی طور پر، GLM-5 نے واقعی "آرکیٹیکٹ" کا کردار اس لیے سنبھالا ہے کیونکہ اس نے آرکیٹیکٹ کی طرح مسائل کے بارے میں سوچنا شروع کر دیا ہے: پہلے منصوبہ بندی کریں، پھر عمل درآمد کریں؛ مسلسل تصدیق کریں، مسلسل درست کریں؛ پورے نظام پر توجہ دیں، نہ کہ واحد نقطہ کی کامیابی پر۔

یہی وہ بنیادی وجہ ہے کہ یہ پہلے حصے میں نظام کی سطح کے ان حقیقی جانچ کے کاموں کو مکمل کرنے کے قابل تھا۔

03

اوپن سورس کی دنیا کا اوپس؟

2026 کے بڑے ماڈل ماحولیاتی نظام میں ڈال کر دیکھیں تو GLM-5 کی قدر اس حقیقت کو توڑنے میں زیادہ ہے جسے پہلے تقریباً قبول کر لیا گیا تھا: نظام کی سطح کی ذہانت، ایسا لگتا ہے کہ صرف بند سورس ماڈلز میں ہی موجود ہو سکتی ہے۔

اس سے پہلے، Claude Opus 4.6 اور GPT-5.3 نے واقعی "ایجنٹک کوڈنگ" کے راستے کو کھول دیا تھا—ماڈل اب فوری ردعمل کا پیچھا نہیں کرتا، بلکہ منصوبہ بندی، تقسیم، اور بار بار چلانے کے ذریعے، واقعی پیچیدہ انجینئرنگ کے کاموں کو مکمل کرتا ہے۔ لیکن اس کی قیمت بھی بہت زیادہ ہے: اعلیٰ شدت والے کاموں میں ٹوکن کی کھپت بہت زیادہ ہے، اور نظام کی سطح کی ایک مکمل کوشش کا مطلب اکثر کال کرنے کی بھاری قیمت ہوتی ہے۔

GLM-5 یہاں ایک مختلف حل پیش کرتا ہے۔ ایک اوپن سورس ماڈل کے طور پر، یہ "سسٹم آرکیٹیکٹ کی سطح کے AI" کو کلاؤڈ اور بل سے واپس ڈویلپرز کے اپنے ماحول میں لے آیا ہے۔ آپ اسے مقامی طور پر تعینات کر سکتے ہیں، اور اسے گندے، تھکا دینے والے، اور بڑے کاموں کو حل کرنے میں وقت گزارنے دیں: لاگز کو ایڈجسٹ کریں، انحصار کی جانچ کریں، پرانے کوڈ میں ترمیم کریں، اور سرحدی حالات کو پورا کریں۔

اسے لاگت کی تاثیر میں ساختی تبدیلی کے طور پر دیکھا جا سکتا ہے—آرکیٹیکٹ کی سطح کی ذہانت اب چند ٹیموں کا استحقاق نہیں رہی۔

اگر اس فرق کو سمجھنے کے لیے پیشہ ورانہ استعارے کا استعمال کیا جائے تو یہ زیادہ بدیہی ہوگا۔ Kimi 2.5 جیسے ماڈلز، جمالیات کے لحاظ سے آن لائن اور انتہائی انٹرایکٹو بہترین فرنٹ اینڈ انجینئرز کی طرح ہیں، جو ون شاٹ جنریشن، بصری پیشکش اور فوری ردعمل میں ماہر ہیں؛ جبکہ GLM-5 کا انداز واضح طور پر مختلف ہے، یہ ایک تجربہ کار سسٹم آرکیٹیکٹ کی طرح ہے جو نیچے کی لکیر کی حفاظت کرتا ہے اور منطق پر زور دیتا ہے: ماڈیول کے تعلقات، غیر معمولی راستوں، دیکھ بھال کی صلاحیت اور طویل مدتی مستحکم آپریشن پر توجہ مرکوز کرتا ہے۔

اس کے پیچھے، درحقیقت، پروگرامنگ AI میں ایک واضح پیشہ ورانہ ترقی ہے—"بہت اچھا لگنے والا" وائب کوڈنگ کا پیچھا کرنے سے، مضبوطی اور انجینئرنگ کے نظم و ضبط پر زور دینے والی انجینئرنگ کی طرف۔

سب سے اہم بات یہ ہے کہ GLM-5 کی ظاہری شکل نے ایک شخص کی کمپنی کے تصور کو مزید قابل عمل بنا دیا ہے۔جب ایک ڈویلپر کے پاس مقامی طور پر ایک ایسا AI پارٹنر ہو جو سسٹم ڈیزائن کو سمجھتا ہو، طویل عرصے تک چل سکتا ہو، اور خود کو درست کر سکتا ہو، تو بہت سے انجینئرنگ کے کام جو پہلے ٹیم کے سائز کی ضرورت ہوتے تھے، اب سکڑ کر انفرادی طور پر کنٹرول کیے جا سکتے ہیں۔ اگلا، GLM-5 میں یہ صلاحیت موجود ہے کہ وہ ایک شخص کی کمپنی میں بنیادی انجینئرنگ کے نفاذ کے لیے ذمہ دار "ڈیجیٹل پارٹنر" بن سکے۔