20 مئی 2025 کو، گوگل ڈیپ مائنڈ نے خاموشی سے نقاب کشائی کی۔ جیمنی پھیلاؤ، ایک تجرباتی ٹیکسٹ ڈفیوژن ماڈل جو تخلیقی AI کے منظر نامے کو نئی شکل دینے کا وعدہ کرتا ہے۔ Google I/O 2025 کے دوران دکھایا گیا، یہ جدید ترین تحقیقی پروٹو ٹائپ ڈفیوژن تکنیکوں کا فائدہ اٹھاتا ہے، جو پہلے تصویر اور ویڈیو جنریشن میں مقبول تھا، تاکہ تکراری طور پر بے ترتیب شور کو بہتر بنا کر مربوط متن اور کوڈ تیار کیا جا سکے۔ ابتدائی بینچ مارک اس کے حریفوں کا مشورہ دیتے ہیں، اور کچھ معاملات میں گوگل کے موجودہ ٹرانسفارمر پر مبنی ماڈلز رفتار اور معیار دونوں میں بہتر کارکردگی دکھاتے ہیں۔
Gemini Diffusion کیا ہے؟
متن اور کوڈ جنریشن پر بازی کیسے لگائی جاتی ہے؟
روایتی بڑے لینگوئج ماڈلز (LLMs) خود بخود آرکیٹیکچرز پر انحصار کرتے ہیں، تمام پچھلے آؤٹ پٹس پر مشروط اگلے لفظ کی پیشین گوئی کرکے ایک وقت میں ایک ٹوکن مواد تیار کرتے ہیں۔ اس کے برعکس، جیمنی پھیلاؤ بے ترتیب "شور" کے فیلڈ سے شروع ہوتا ہے اور تکراری طور پر اس شور کو مربوط متن یا قابل عمل کوڈ میں رد کرنے والے اقدامات کی ترتیب کے ذریعے بہتر کرتا ہے۔ یہ تمثیل جس طرح سے ڈفیوژن ماڈلز جیسے امیجین اور اسٹیبل ڈیفیوژن امیجز تخلیق کرتی ہے اس کی آئینہ دار ہے، لیکن یہ پہلی بار ہے کہ ٹیکسٹ جنریشن کے لیے پیداوار جیسی رفتار سے اس طرح کا طریقہ بنایا گیا ہے۔
"شور سے بیانیہ" کیوں اہمیت رکھتا ہے۔
ایک ٹیلی ویژن اسکرین پر جامد کا تصور کریں جب کوئی سگنل نہ ہو — بغیر فارم کے بے ترتیب فلکر۔ بازی پر مبنی AI میں، وہ جامد نقطہ آغاز ہے۔ ماڈل "مجسمے" کا مطلب افراتفری سے ہے، آہستہ آہستہ ڈھانچہ اور سیمنٹکس مسلط کرنا۔ ہر تطہیر کے مرحلے پر یہ جامع نظریہ موروثی خود کی اصلاح کی اجازت دیتا ہے، ایسے مسائل کو کم کرتا ہے جیسے کہ عدم ہم آہنگی یا "فریب" جو ٹوکن بہ ٹوکن ماڈلز کا شکار ہو سکتے ہیں۔
کلیدی اختراعات اور صلاحیتیں۔
- تیز رفتار نسل: Gemini Diffusion بیک وقت متن کے پورے بلاکس تیار کر سکتا ہے، ٹوکن بہ ٹوکن جنریشن کے طریقوں کے مقابلے میں تاخیر کو نمایاں طور پر کم کر سکتا ہے۔()
- بہتر ہم آہنگی: ایک ہی وقت میں بڑے ٹیکسٹ سیگمنٹس بنا کر، ماڈل زیادہ سیاق و سباق کی مستقل مزاجی حاصل کرتا ہے، جس کے نتیجے میں زیادہ مربوط اور منطقی طور پر تشکیل شدہ آؤٹ پٹ ہوتے ہیں۔()
- تکراری تطہیر: ماڈل کا فن تعمیر جنریشن کے عمل کے دوران ریئل ٹائم غلطی کو درست کرنے کی اجازت دیتا ہے، حتمی آؤٹ پٹ کی درستگی اور معیار کو بہتر بناتا ہے۔()
گوگل نے جیمنی ڈفیوژن کیوں تیار کیا؟
رفتار اور تاخیر کی رکاوٹوں کو دور کرنا
خود مختار ماڈلز، طاقتور ہونے کے باوجود، رفتار کی بنیادی حدود کا سامنا کرتے ہیں: ہر ٹوکن کا انحصار پچھلے سیاق و سباق پر ہوتا ہے، جس سے ایک سلسلہ وار رکاوٹ پیدا ہوتی ہے۔ جیمنی پھیلاؤ تمام پوزیشنوں میں متوازی تطہیر کو فعال کرکے اس رکاوٹ کو روکتا ہے، جس کے نتیجے میں 4–5× تیز تر اینڈ ٹو اینڈ جنریشن اسی طرح کے سائز کے خودکار ہم منصبوں کے مقابلے یہ سرعت چیٹ بوٹس سے لے کر کوڈ اسسٹنٹس تک ریئل ٹائم ایپلی کیشنز کے لیے کم تاخیر میں ترجمہ کر سکتی ہے۔
AGI کے لیے نئی راہیں نکالنا
رفتار سے آگے، بازی کی تکراری، عالمی منظر مصنوعی جنرل انٹیلی جنس (AGI): استدلال، عالمی ماڈلنگ، اور تخلیقی ترکیب کے لیے کلیدی صلاحیتوں سے ہم آہنگ ہے۔ گوگل ڈیپ مائنڈ کی قیادت نے مزید سیاق و سباق سے آگاہ، فعال AI سسٹمز بنانے کے لیے ایک وسیع حکمت عملی کے حصے کے طور پر Gemini Diffusion کا تصور کیا ہے جو ڈیجیٹل اور جسمانی ماحول میں بغیر کسی رکاوٹ کے کام کر سکتے ہیں۔
جیمنی ڈفیوژن ہڈ کے نیچے کیسے کام کرتا ہے؟
شور انجکشن اور denoising لوپ
- ابتدا: ماڈل ایک بے ترتیب شور ٹینسر سے شروع ہوتا ہے۔
- انکار کرنے والے اقدامات: ہر تکرار پر، ایک اعصابی نیٹ ورک یہ پیش گوئی کرتا ہے کہ کس طرح شور کو قدرے کم کیا جائے، زبان یا کوڈ کے سیکھے ہوئے نمونوں سے رہنمائی حاصل کی جائے۔
- تطہیر۔: بار بار چلنے والے اقدامات ایک مربوط آؤٹ پٹ کی طرف متوجہ ہوتے ہیں، ہر پاس کے ساتھ مکمل طور پر ماضی کے ٹوکنز پر انحصار کرنے کی بجائے پورے سیاق و سباق میں غلطی کی اصلاح کی اجازت ملتی ہے۔
تعمیراتی اختراعات
- متوازی پن: ٹوکن انحصار کو ڈیکپلنگ کرکے، ڈفیوژن بیک وقت اپ ڈیٹس کو قابل بناتا ہے، ہارڈ ویئر کے استعمال کو زیادہ سے زیادہ کرتا ہے۔
- پیرامیٹر کی کارکردگی: ابتدائی بینچ مارک زیادہ کمپیکٹ فن تعمیر کے باوجود بڑے خودکار ماڈلز کے برابر کارکردگی دکھاتے ہیں۔
- خود کی اصلاح: تکراری نوعیت فطری طور پر وسط نسل کی ایڈجسٹمنٹ کی حمایت کرتی ہے، جو کوڈ ڈیبگنگ یا ریاضیاتی اخذات جیسے پیچیدہ کاموں کے لیے اہم ہے۔
کون سے معیارات جیمنی ڈفیوژن کی کارکردگی کو ظاہر کرتے ہیں؟
ٹوکن کے نمونے لینے کی رفتار
گوگل کے اندرونی ٹیسٹ رپورٹ اوسط نمونے لینے کی شرح 1,479 ٹوکن فی سیکنڈ، پچھلے جیمنی فلیش ماڈلز کے مقابلے میں ایک ڈرامائی چھلانگ، اگرچہ اوسطا سٹارٹ اپ اوور ہیڈ 0.84 سیکنڈ فی درخواست کے ساتھ۔ یہ میٹرک ہائی تھرو پٹ ایپلی کیشنز کے لیے بازی کی صلاحیت کو کم کرتا ہے۔
کوڈنگ اور استدلال کی تشخیص
- ہیومن ایول (کوڈنگ): 89.6% پاس کی شرح، جیمنی 2.0 فلیش لائٹ کے 90.2% سے قریب سے مماثل ہے۔
- MBPP (کوڈنگ): 76.0%، بمقابلہ Flash-Lite's 75.8%۔
- BIG-Bench ایکسٹرا ہارڈ (استدلال): 15.0%، Flash-Lite کے 21.0% سے کم۔
- عالمی MMLU (کثیر لسانی): 69.1%، فلیش-لائٹ کے 79.0% کے مقابلے۔
یہ ملے جلے نتائج تکراری، مقامی کاموں (مثلاً، کوڈنگ) کے لیے بازی کی غیر معمولی صلاحیت کو ظاہر کرتے ہیں اور ایسے علاقوں کو نمایاں کرتے ہیں — پیچیدہ منطقی استدلال اور کثیر لسانی تفہیم — جہاں تعمیراتی اصلاحات ضروری ہیں۔
جیمنی ڈفیوژن کا موازنہ سابقہ جیمنی ماڈلز سے کیسے ہوتا ہے؟
فلیش لائٹ بمقابلہ پرو بمقابلہ بازی
- جیمنی 2.5 فلیش لائٹ عام کاموں کے لیے لاگت کے لحاظ سے موثر، تاخیر سے بہتر اندازے پیش کرتا ہے۔
- Gemini 2.5 Pro گہری استدلال اور کوڈنگ پر توجہ مرکوز کرتا ہے، جس میں پیچیدہ مسائل کو سڑنے کے لیے "ڈیپ تھنک" موڈ کی خاصیت ہے۔
- جیمنی پھیلاؤ تیز رفتار نسل اور خود کو درست کرنے والی پیداوار میں مہارت رکھتا ہے، خود کو براہ راست متبادل کے بجائے ایک تکمیلی نقطہ نظر کے طور پر پوزیشن میں رکھتا ہے۔
طاقت اور حدود
- طاقت: رفتار، ترمیم کی صلاحیتیں، پیرامیٹر کی کارکردگی، کوڈ کے کاموں پر مضبوط کارکردگی۔
- حدود: تجریدی استدلال اور کثیر لسانی معیارات پر کمزور کارکردگی؛ ایک سے زیادہ denoising پاسوں کی وجہ سے اعلی میموری فوٹ پرنٹ؛ ماحولیاتی نظام کی پختگی آٹوریگریسو ٹولنگ سے پیچھے ہے۔
آپ Gemini Diffusion تک کیسے رسائی حاصل کر سکتے ہیں؟
ابتدائی رسائی کے پروگرام میں شامل ہونا
گوگل نے کھول دیا ہے انتظار کی فہرست تجرباتی Gemini Diffusion ڈیمو کے لیے — ڈویلپرز اور محققین Google DeepMind بلاگ کے ذریعے سائن اپ کر سکتے ہیں۔ ابتدائی رسائی کا مقصد تاثرات جمع کرنا، حفاظتی پروٹوکول کو بہتر بنانا، اور وسیع تر رول آؤٹ سے پہلے تاخیر کو بہتر بنانا ہے۔
مستقبل کی دستیابی اور انضمام
اگرچہ کسی ٹھوس ریلیز کی تاریخ کا اعلان نہیں کیا گیا ہے، گوگل نے اشارہ کیا ہے۔ عام دستیابی آنے والے جیمنی 2.5 فلیش لائٹ اپ ڈیٹ کے ساتھ منسلک۔ متوقع انضمام کے راستوں میں شامل ہیں:
- گوگل اے آئی اسٹوڈیو انٹرایکٹو تجربات کے لیے۔
- Gemini API پیداواری پائپ لائنوں میں ہموار تعیناتی کے لیے۔
- تھرڈ پارٹی پلیٹ فارمز (مثال کے طور پر، ہگنگ فیس) تعلیمی تحقیق اور کمیونٹی سے چلنے والے بینچ مارکس کے لیے پہلے سے جاری کردہ چوکیوں کی میزبانی کرنا۔
بازی کے لینز کے ذریعے متن اور کوڈ جنریشن کا دوبارہ تصور کرتے ہوئے، گوگل ڈیپ مائنڈ AI جدت کے اگلے باب میں دعویٰ کرتا ہے۔ چاہے Gemini Diffusion ایک نئے معیار کا آغاز کرے یا خود بخود جنات کے ساتھ ساتھ رہے، اس کی رفتار اور خود کو درست کرنے کی صلاحیت کا امتزاج یہ وعدہ کرتا ہے کہ ہم کس طرح تخلیقی AI سسٹمز کو بناتے ہیں، ان کو بہتر بناتے ہیں اور ان پر بھروسہ کرتے ہیں۔
شروع
CometAPI ایک متحد REST انٹرفیس فراہم کرتا ہے جو کہ سیکڑوں AI ماڈلز کو جمع کرتا ہے—بشمول Gemini فیملی—ایک مستقل اختتامی نقطہ کے تحت، بلٹ ان API-کی مینجمنٹ، استعمال کوٹہ، اور بلنگ ڈیش بورڈز کے ساتھ۔ متعدد وینڈر یو آر ایل اور اسناد کو جگانے کے بجائے۔
ڈویلپرز رسائی حاصل کر سکتے ہیں۔ جیمنی 2.5 فلیش پری API (ماڈل:gemini-2.5-flash-preview-05-20) اور Gemini 2.5 Pro API (ماڈل:gemini-2.5-pro-preview-05-06) وغیرہ کے ذریعے CometAPI. شروع کرنے کے لیے، کھیل کے میدان میں ماڈل کی صلاحیتوں کو دریافت کریں اور اس سے مشورہ کریں۔ API گائیڈ تفصیلی ہدایات کے لیے۔ رسائی کرنے سے پہلے، براہ کرم یقینی بنائیں کہ آپ نے CometAPI میں لاگ ان کیا ہے اور API کلید حاصل کر لی ہے۔