GPT 6 Astra ایمبوڈیڈ پالیسی جائزوں کو چلائیں اور دریافت کریں

یہ منصوبہ کیا کرتا ہے

اس ریپوزٹری میں روبوٹک کنٹرول میں GPT 6 Astra کے استعمال کے لیے تشخیصی کوڈ اور ایک دو لسانی تکنیکی رپورٹ شامل ہے۔ اس میں GPT 6 Astra Direct کا موازنہ ایک ہائبرڈ پالیسی سے کیا گیا ہے، جو دس RoboDojo کاموں میں π₀.₅ کے اعمال کا جائزہ لیتی ہے اور ضرورت پڑنے پر ان کی اصلاح کرتی ہے، جبکہ ہر کام کے لیے پانچ ہم آہنگ کیسز شامل ہیں۔

ہائبرڈ پالیسی کا اوسط Score 62.60 اور 48% کامیابی رپورٹ کرتی ہے۔ انجام دیے گئے کنٹرول اسٹیپس میں GPT کی اصلاحات 14.4% پر استعمال ہوئیں۔ دستیاب مقامی اسکورز والی 48 اقساط میں GPT 6 Astra Direct نے 26% کامیابی اور 37.81 کا اوسط Score حاصل کیا۔ کامیابی کی دونوں شرحیں تمام 50 منتخب کیسز پر مبنی ہیں۔ آفیشل ماڈل کے موازنے ایک ہی seed پر دوبارہ چلائے گئے تجربات نہیں بلکہ عوامی حوالوں کے دوبارہ وزن دیے گئے نتائج ہیں۔

یہ ریلیز تاریخ سے پاک source snapshot ہے۔ اس میں credentials، نجی annotations، خام model sessions، اصل operations logs، simulator assets یا model checkpoints شامل نہیں ہیں۔ مطلوبہ simulator اور policy environments ان کے upstream projects سے الگ حاصل کرنے ہوں گے۔

ریپوزٹری کی ساخت سمجھیں

• hybrid_rollout/robodojo/ میں simulator integration، policy server، controller، skills اور scheduler شامل ہیں۔
• hybrid_rollout/robolab/ میں الگ RoboLab integration شامل ہے۔
• hybrid_rollout/report_site/ میں دو لسانی رپورٹ کا source، gallery اور packaging tools شامل ہیں۔
• report_web/ میں تیار شدہ رپورٹ اور اس کے 21 article clips شامل ہیں۔
• public_results/ میں منتخب کیسز کا metadata، scores، seeds اور provenance شامل ہیں۔
• licenses/ میں third-party notices شامل ہیں۔

production website میں مکمل video gallery شامل ہے اور اسے ایک الگ repository میں برقرار رکھا جاتا ہے۔ RoboDojo website 100 evaluation videos اور 43 gallery clips فراہم کرتی ہے۔ RoboLab gallery میں تین طریقوں، دس کاموں اور پانچ trials پر مشتمل 150 recordings شامل ہیں۔

دو لسانی رپورٹ کا پیش نظارہ دیکھیں

ریلیز کا جائزہ لینے کا تیز ترین طریقہ یہ ہے کہ ریپوزٹری کے root سے مقامی رپورٹ preview شروع کریں۔ preview server video byte ranges کو سپورٹ کرتا ہے، اس لیے رپورٹ اپنے شامل شدہ clips کو مؤثر انداز میں چلا سکتی ہے۔

python3 -m hybrid_rollout.report_site.preview --directory report_web --port 8768

براؤزر میں http://127.0.0.1:8768/ کھولیں۔ بطور ڈیفالٹ English منتخب ہوتی ہے۔ زبان کے بٹن کا استعمال کریں یا Chinese میں تبدیل ہونے کے لیے ?lang=zh شامل کریں۔

static report_web/ directory کو standard HTTP server کے ذریعے بھی host کیا جا سکتا ہے۔ Public GitHub Pages صرف compiled static report اور منتخب media فراہم کرتا ہے؛ یہ annotation API یا rollout services ظاہر نہیں کرتا۔

رپورٹ frontend دوبارہ بنائیں

رپورٹ دوبارہ بنانے کے لیے locked Vite version کے ساتھ مطابقت رکھنے والا Node.js استعمال کریں۔ اس ریلیز کے لیے Node 24 استعمال کیا گیا تھا۔ frontend application میں جائیں، locked dependencies انسٹال کریں اور production build چلائیں۔

cd hybrid_rollout/report_site/app
npm ci --ignore-scripts --no-audit --no-fund
npm run build

build محفوظ shared runtime کی تصدیق کرتا ہے اور خود کفیل dist/index.html بناتا ہے۔ اس فائل کو report_web/index.html میں copy کریں، جبکہ data.json، scores.csv، citation.bib، licenses اور media کو اس کے ساتھ برقرار رکھیں۔

عوامی authoring snapshot شامل ہے، اس لیے اس frontend rebuild کے لیے private experiment store درکار نہیں۔ صرف frontend دوبارہ بنانے کے لیے build.py نہ چلائیں۔ اس offline evidence-extraction utility کو اصل، غیر عوامی trajectory archives درکار ہیں۔

نئی تشخیص کی تیاری کریں

نئی evaluations کے لیے بیرونی طور پر انسٹال کیے گئے environments درکار ہیں۔ یہ ریپوزٹری standalone simulator distribution نہیں ہے۔

1. Isaac Sim 5.1، matching RoboDojo source اور assets، اور π₀.₅ OpenPI/JAX checkpoint انسٹال اور configure کریں۔ RoboLab کے اپنے environment اور setup requirements ہیں۔ یہ سب اپنے متعلقہ upstream projects سے ان کی شرائط کے تحت حاصل کریں۔
2. ریکارڈ شدہ upstream revisions اور checkpoint identity معلوم کرنے کے لیے hybrid_rollout/robodojo/SOURCE.json کا جائزہ لیں۔
3. الگ tools environment، simulator environment، OpenPI/JAX environment، checkpoint اور Codex CLI تیار کریں۔ simulator اور policy environments کو lightweight repository tools سے الگ رکھیں۔
4. hybrid_rollout/robodojo/cluster.env.example کو copy یا review کریں۔ اپنے paths، container image، user اور group IDs، credential file paths اور واضح case identity مقرر کریں۔ public export میں موجود paths عمومی مثالیں ہیں، قابلِ اجرا cluster credentials نہیں۔
5. isolated rollout authentication کو منظم کرنے کے لیے hybrid_rollout.robodojo.codex_backend.profiles استعمال کریں۔ login یا lease operations سے پہلے CLI کا --help کے ذریعے جائزہ لیں۔
6. policies کے درمیان task، scene اور seed کو ہم آہنگ کرنے کے لیے public_results/evaluation_cases.json استعمال کریں۔ ہر case میں ایک hybrid result اور ایک Direct result شامل ہے۔

ماڈل gpt-6-astra پر، xhigh reasoning کے ساتھ، مقرر ہے۔ آپ کو اپنے مجاز account یا gateway access کی ضرورت ہوگی، اور policy یا model execution پر اخراجات آ سکتے ہیں۔

تشخیصی طریقہ منتخب کریں

policy mode منتخب کرنے کے لیے ROLLOUT_EVALUATION_METHOD مقرر کریں:

ROLLOUT_EVALUATION_METHOD=pi05_plus_gpt

ہائبرڈ پالیسی کے لیے pi05_plus_gpt استعمال کریں، جو GPT کو π₀.₅ کے actions کا جائزہ لینے اور ضرورت پڑنے پر ان کی اصلاح کرنے کی اجازت دیتی ہے۔ Direct پالیسی منتخب کرنے کے لیے استعمال کریں:

ROLLOUT_EVALUATION_METHOD=gpt_only

gpt_only GPT 6 Astra Direct کے لیے internal CLI identifier ہے۔ یہ π₀.₅ لانچ نہیں کرتا۔

کنٹینر کا انٹری پوائنٹ hybrid_rollout/robodojo/cluster_entrypoint.sh ہے۔ ہر کنٹینر ایک واضح کیس چلاتا ہے، اپنے آرٹیفیکٹس محفوظ کرتا ہے، اور اپنے اجزا کی صفائی خود کرتا ہے۔ اختیاری acp.py فائل SenseCore کے لیے مخصوص جمع کرانے کا اڈاپٹر ہے۔ کلسٹر کے لیے مخصوص مہم کی منتقلی کے معاونین کو تعیناتی کے مقامی منصوبوں کی ضرورت ہوتی ہے اور یہ ایک کمانڈ سے عوامی لانچ کرنے کا طریقہ نہیں ہیں۔

قابلِ تکرار آف لائن ٹیسٹ چلائیں

آف لائن ٹیسٹ کے لیے ٹولز کی dependencies درکار ہیں، جبکہ simulator اور OpenPI کی dependencies کو الگ الگ اپنے ماحول میں انسٹال کرنا ہوگا۔ requirements-tools.txt کو ایک مخصوص virtual environment میں انسٹال کریں، پھر رپورٹ اور تشخیصی ٹیسٹ چلائیں۔

python3 -m unittest hybrid_rollout.report_site.test_i18n hybrid_rollout.report_site.test_editorial_revision -v
python3 -m pytest hybrid_rollout/robodojo/test_proposal_diagnostics.py hybrid_rollout/robodojo/test_prompt_context.py hybrid_rollout/robodojo/test_network_continue.py

یہ ٹیسٹ simulation یا model calls انجام نہیں دیتے۔ وہ ٹیسٹ جو اصل مشترکہ اسٹوریج، کسی proprietary simulator، یا تاریخی operations fixtures پر منحصر ہیں، صرف اس عوامی snapshot سے دوبارہ نہیں چلائے جا سکتے۔ اس ریلیز میں paid model یا GPU تجربات دوبارہ نہیں چلائے گئے۔

سکیورٹی اور تعیناتی کی رہنمائی

codex_backend/profiles.py اور codex_backend/config.toml میں gateway URLs محفوظ .invalid placeholders استعمال کرتے ہیں۔ منتخب profile اور متعلقہ configuration میں اپنے مجاز endpoint کو واضح طور پر ترتیب دیں۔ جب آپ کے نیٹ ورک کو ضرورت ہو تو ROLLOUT_GATEWAY_NO_PROXY مقرر کریں۔

API keys یا auth.json کو کبھی commit نہ کریں، اور اپنے interactive Codex home میں ترمیم نہ کریں۔ credentials کو repository سے باہر محدود permissions کے ساتھ محفوظ کریں۔ تاریخی profile identifiers صرف compatibility کے لیے موجود ہیں؛ یہ ریلیز کسی company یا relay service کو configure نہیں کرتی۔

annotation اور review tools کو قابلِ اعتماد مقامی نیٹ ورک پر رکھیں۔ default loopback binding برقرار رکھیں، یا LAN پر کسی service کو قابلِ رسائی بنانے سے پہلے authenticated reverse proxy استعمال کریں۔ Codex tool execution اور simulator RPC کو الگ تھلگ، قابلِ اعتماد ماحول کے اندر رکھیں، اور غیر معتبر programs، serialized RPC data، یا trajectory archives فراہم نہ کریں۔

اعلیٰ استعمال اور تحقیقی حوالہ جات

policies کا موازنہ کرتے وقت task، scene، اور seed کی مطابقت برقرار رکھنے کے لیے public_results/evaluation_cases.json میں موجود case metadata استعمال کریں۔ gallery manifest ہر ویڈیو کا URL، سائز، اور SHA-256 درج کرتا ہے، جو ڈاؤن لوڈ کیے گئے media کی تصدیق میں مدد دے سکتا ہے۔

رپورٹ، gallery، اور ویڈیوز کے مکمل مجموعے کے لیے رپورٹ اور ویڈیو gallery ملاحظہ کریں۔ production website کا source website repository میں دستیاب ہے۔ RoboLab gallery علیحدہ RoboLab recordings فراہم کرتی ہے۔

Project-owned code MIT کے تحت licensed ہے۔ Third-party components، fonts، benchmark assets، اور logos اپنی شرائط برقرار رکھتے ہیں؛ THIRD_PARTY_NOTICES.md سے رجوع کریں۔ Model weights اور simulator assets دوبارہ تقسیم نہیں کیے جاتے۔

نتیجہ

اس repository کو evaluation اور reporting کے source release کے طور پر استعمال کرنا بہتر ہے: شامل شدہ رپورٹ کا preview دیکھیں، اس کا static frontend دوبارہ بنائیں، دستیاب آف لائن ٹیسٹ چلائیں، اور نئے RoboDojo یا RoboLab run کی تیاری کے لیے دستاویزی environment boundaries استعمال کریں۔ کسی بھی model یا simulator workload کو شروع کرنے سے پہلے مطلوبہ upstream dependencies حاصل کریں، مجاز services configure کریں، cases کو public metadata کے ساتھ ہم آہنگ کریں، اور credentials و control interfaces کی حفاظت کریں۔