书生-A1.5 آپریشن میں

书生-A1.5（Sage-A1.5）上海 اے آئی لیب کی جانب سے تیار کردہ 35B عمومی و خصوصی صلاحیتوں کو یکجا کرنے والا سائنسی ایجنٹ ہے۔ یہ Agents-A1 کی طویل المدتی صلاحیت اور 书生·端砚 پلیٹ فارم پر مبنی ہے، اور حقیقی سائنسی تحقیق کی توثیق RSI کے لیے خودکار طور پر کام تقسیم کرتا، متعدد ذیلی ایجنٹس کو متوازی تحقیق کے لیے منظم کرتا، اور شواہد کی کمی کی شناخت کے لیے جانچ شروع کرکے مفروضوں کی اصلاح کرتا ہے۔ 书生-A1.5 دماغی سائنس، الیکٹروکیمسٹری اور خلائی سائنس کے جائزوں جیسے کیسز کا احاطہ کرتا ہے۔ MVSP سائنسی جائزے اور SFT/RL فیڈبیک ارتقا کے ذریعے یہ 昇腾، 沐曦 اور AMD پر مقداری تنصیب کی حمایت کرتا ہے، اور قابل سراغ و قابل تکرار طویل المدتی خودکار تحقیق پر زور دیتا ہے۔

ایجنٹ آرکیسٹریشن: پیچیدہ سائنسی تحقیقی کاموں کو خودکار طور پر تقسیم کرتا، متعدد ذیلی ایجنٹس کو متوازی تلاش و ثبوت کے موازنے کے لیے چلاتا اور نتائج مرتب کرتا ہے۔
ایجنٹ کی توثیق: جانچ کے وقت اور موضوع کا خودکار تعین کرتا، ثابت شدہ حقائق اور زیرِ تصدیق مفروضوں میں فرق کرتا، اور تلاش کی سمت یا تحقیقی حکمتِ عملی بروقت درست کرتا ہے۔
طویل المدتی سائنسی عمل درآمد: تلاش، مفروضے، کوڈ اور توثیق کو ایک مکمل چکر میں جوڑ کر قابل سراغ و قابل تکرار کوڈ، ڈیٹا، چارٹس اور رپورٹس فراہم کرتا ہے۔
سائنسی منظرناموں کی معاونت: دماغی سائنس، الیکٹروکیمسٹری اور خلائی سائنس کے جائزوں جیسے کاموں کے لیے ثبوت میٹرکس، جانچ فہرست اور ترمیمی ریکارڈ جیسی ساختی پیداوار کی حمایت کرتا ہے۔
تحقیقی کوڈ کی معاونت: الگورتھم کی بہتری اور تحقیقی کوڈ کی تیاری کے لیے SWE-Bench Pro، Multilingual اور MLE-Bench-Lite جیسے کوڈ جائزہ منظرناموں کا احاطہ کرتا ہے۔
متعدد ہارڈویئر پر تنصیب: متعدد مقداری ورژن فراہم کرتا ہے اور 昇腾 NPU، 沐曦، AMD سمیت مختلف GPU کی حمایت کرتا ہے، جس سے تحقیقی و صنعتی شراکت داروں کے لیے آزمائش آسان ہوتی ہے۔

WeChat پر فالو کرکے “开源” کا جواب دیں اور AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
طویل المدتی کاموں کی بنیاد: Sage-A1.5، Agents-A1 کی طویل المدتی کام کی صلاحیت کو بنیاد بناتا ہے اور 书生·端砚 سائنسی دریافت پلیٹ فارم کے ذریعے تحقیقی عمل میں تنظیم، عمل درآمد اور ایڈجسٹمنٹ کو تربیت میں شامل کرتا ہے۔ اس طرح ماڈل صرف ٹولز استعمال نہیں کرتا بلکہ طویل کاموں میں موجودہ صلاحیتوں کو یکجا کرکے نئے شواہد کی بنیاد پر آئندہ اقدامات کو متحرک طور پر درست کرتا ہے۔
حقیقی منظرناموں سے رہنمائی یافتہ RSI چکر: بنیادی راستہ “ماحول ہی ڈیٹا ہے”۔ سائنسی جائزے کی رہنمائی اور ماحول سے تیار کردہ فیڈبیک کے ذریعے صلاحیت کی تشخیص، کام کے ماحول کی تعمیر اور ماڈل تربیت کو ایک دوسرے کو فروغ دینے والے مسلسل ارتقائی طریقہ کار میں جوڑا جاتا ہے، تاکہ ماڈل حقیقی تحقیق کے دوران شعبہ جاتی علم جمع اور استدلالی تعصب درست کرے۔
MVSP جائزہ ہم آہنگی کا طریقہ: ٹیم نے کم سے کم قابلِ تصدیق سائنسی تجویز MVSP پیش کی، اور دماغی میکانزم، اعلیٰ توانائی کی طبیعیات، مواد کے ڈیزائن، نئی ادویات کی تیاری، کیمیائی ذہانت اور بیماری کی تشخیص سمیت دس سے زیادہ اہم سائنسی منظرناموں کے ساتھ اعلیٰ معیار کے جائزہ معیارات بنائے، تاکہ ماڈل کی تکرار حقیقی سائنسی ضروریات اور قابلِ تصدیق مسائل سے ہم آہنگ ہو۔
ڈیٹا اور تربیتی وسائل کی تیاری: پروجیکٹ ورک اسپیس سیمولیشن، سائنسی حسابی ٹول چین کی تنصیب اور پیشہ ورانہ سینڈ باکس ماحول کے ذریعے مسلسل SFT ڈیٹا اور RL تربیتی وسائل تیار کرتا ہے۔ ساتھ ہی AI for AI کے ذریعے تحقیقی سلسلے کی رکاوٹوں کی شناخت، سائنسی Harness کی ٹول آرکیسٹریشن اور توثیقی حکمتِ عملی کی بہتری، اور طویل المدتی کاموں کی کارکردگی و استحکام میں اضافہ کیا جاتا ہے۔
مختلف شعبوں اور غیر یکساں تربیتی طریقہ: مختلف شعبوں کے کاموں کی تقسیم، استدلالی نمونوں اور ایجنٹ فریم ورک کے فرق کے لیے “کثیر شعبہ جاتی زیرِ نگرانی فائن ٹیوننگ + متحد بعد از تربیت” کے دو مرحلہ جاتی طریقے کو اپنایا جاتا ہے، جس کے ساتھ مکمل غیر ہم وقت پائپ لائن اور موافق نمونہ کاری کے ذریعے سائنسی دریافت اور انجینیئرنگ کوڈنگ کی صلاحیت کو بیک وقت مضبوط کیا جاتا ہے۔

تجربے کے دروازے میں داخل ہوں: 书生·端砚 پلیٹ فارم کے تجرباتی صفحے https://discovery.intern-ai.org.cn/token-plan/home?tabIndex=0 پر جائیں، لاگ اِن کریں اور صفحے کی ہدایات کے مطابق کوٹہ طلب یا استعمال کریں۔
ماڈل کی قسم منتخب کریں: کمپیوٹنگ وسائل کے مطابق آن لائن Sage-A1.5 یا بعد کے مقداری/اوپن سورس ورژن کا انتخاب کریں؛ نجی تنصیب کے لیے 昇腾 NPU، 沐曦 یا AMD کا متعلقہ پیکیج منتخب کریں۔
تحقیقی کام بنائیں: ورک اسپیس میں نیا پروجیکٹ بنائیں، تحقیقی سوال، پابندیاں، مطلوبہ نتائج اور قابل سراغ ثبوتی سلسلے کی ضرورت درج کریں۔
مواد اور ماحول شامل کریں: مقالات، ڈیٹا، کوڈ یا تجرباتی ریکارڈ اپ لوڈ کریں، اور سائنسی حسابی ٹول چین، سینڈ باکس اور ضروری بیرونی ڈیٹا بیس یا ٹولز ترتیب دیں۔
آرکیسٹریشن شروع کریں: Sage-A1.5 کو کام خودکار طور پر تقسیم کرنے، ذیلی ایجنٹس کو متوازی تحقیق کے لیے چلانے اور ثبوت کی کمی کی خودکار شناخت کے لیے ایجنٹ توثیق فعال کرنے دیں۔
درمیان میں مداخلت اور اصلاح: تلاش کا راستہ، مفروضوں کی تبدیلی اور توثیقی ریکارڈ دیکھیں، اور تعصب کی سمت، اہم مفروضوں یا زیرِ تصدیق تجرباتی نکات کے بارے میں انسانی ہدایات دیں۔
نتائج کی دوبارہ جانچ: کوڈ، ڈیٹا، چارٹس، رپورٹ اور جانچ فہرست/ثبوت میٹرکس/ترمیمی ریکارڈ کی پڑتال کریں، اور ضرورت پڑنے پر دوبارہ عمل یا اضافی تقابل کا مطالبہ کریں۔
حتمی مواد برآمد کریں: قابلِ تکرار کوڈ، درمیانی نتائج، چارٹس اور رپورٹ برآمد کریں، اور مقالے یا تجرباتی فیصلوں میں استعمال سے پہلے تحقیقی گروپ کے اندر ماہر سطح کی دوبارہ جانچ کریں۔

حقیقی تحقیق سے رہنمائی یافتہ ارتقا: “ماحول ہی ڈیٹا ہے” پر مبنی RSI چکر کے ذریعے حقیقی سائنسی کاموں میں مسلسل علم جمع اور تعصب کی اصلاح کرتا ہے۔
عمومی و خصوصی صلاحیتوں کی مشترکہ بنیاد: Agents-A1 کی طویل المدتی کام کی صلاحیت وراثت میں لیتا ہے، جبکہ سائنسی منظرناموں کے لیے خصوصی استدلال، ثبوت کی کارروائی اور ٹول استعمال کو مضبوط کرتا ہے۔
مضبوط ایجنٹ آرکیسٹریشن: کام خودکار طور پر تقسیم کرکے متعدد ذیلی ایجنٹس کو متوازی تحقیق کے لیے چلا سکتا ہے، جو متعدد سراغ اور شواہد والی پیچیدہ سائنسی تلاش کے لیے موزوں ہے۔
خودکار توثیق اور اصلاح: یہ طے کر سکتا ہے کہ کب اور کیا جانچنا ہے، حقائق و مفروضوں میں فرق کرتا، ثبوت کی کمی شناخت کرکے حکمتِ عملی بدلتا ہے، اور طویل کاموں میں غلطیوں کے جمع ہونے کو کم کرتا ہے۔
سائنسی ضروریات سے ہم آہنگ جائزہ: MVSP اور دس سے زیادہ اہم سائنسی منظرناموں کے ذریعے قابلِ تصدیق جائزے تیار کرتا ہے، جس سے ماڈل کی تکرار حقیقی سائنسی مسائل کے زیادہ قریب رہتی ہے۔

پروجیکٹ کی سرکاری ویب سائٹ: https://alpha-innovator.github.io/Sage-A1.5/
HuggingFace ماڈل ذخیرہ: https://huggingface.co/collections/InternScience/sage-a15
تکنیکی مقالہ: https://arxiv.org/pdf/2610.28578
آن لائن تجرباتی Demo: https://discovery.intern-ai.org.cn/token-plan/home?tabIndex=0

اعصابی سائنس کے ڈیٹا کا تجزیہ: چوہوں کے مکمل دماغ کے ڈیٹا کی بنیاد پر دماغی خطوں کی ڈی کوڈنگ اشاریوں کا تجزیہ، PCA، permutation test اور بصری خاکے تیار کرکے کام یا حرکتی معلومات کی تقسیم کے نمونوں کی دریافت میں مدد دیتا ہے۔
الیکٹروکیمیائی ترکیب کی اصلاح: مقالات اور سابقہ تجربات کو یکجا کرکے ردِعمل کی شرائط، میکانزم کے مفروضوں اور پیداوار کی پیش گوئی کو بار بار بہتر کرتا، اور Friedel–Crafts alkylation جیسی ترکیبی راہوں میں جدت کی معاونت کرتا ہے۔
خلائی سائنس کے جائزوں کی پڑتال: متعدد ذیلی ایجنٹس کو خلائی مشنز کے دعووں کی جانچ، ثبوت کی سطحوں میں فرق اور جانچ فہرست، ثبوت میٹرکس و ترمیمی ریکارڈ تیار کرنے کے لیے چلاتا ہے۔
فوٹوکیمسٹری/میکانزم کی تحقیق میں اصلاح: تلاش کے عدم مطابقت کی صورت میں سمت کو محدود کرتا، ردِعمل کے اصول کی جانچ کرتا اور تجرباتی تصدیق کے ضرورت مند اہم مراحل کو نشان زد کرتا ہے۔
اعلیٰ توانائی کی طبیعیات/مواد/نئی ادویات/بیماری کی تشخیص کا جائزہ: MVSP کے ذریعے قابلِ تصدیق سائنسی ماحول بناتا اور ماڈل کی تکرار کو سائنسی ماہرین کی حقیقی ضروریات سے ہم آہنگ کرتا ہے۔