1 ستمبر 2026 کو Anthropic نے دو ماڈل جاری کیے: عام طور پر دستیاب Claude Fable 5.1، اور صرف قابلِ اعتماد رسائی کے پروگراموں کے ذریعے دستیاب Claude Mythos 5.1۔ کمپنی انہیں صاف الفاظ میں کوڈنگ اور نالج ورک کے لیے دنیا کے سب سے جدید ماڈل قرار دیتی ہے۔

حیرانی کی بات یہ ہے کہ یہ ریلیز صرف صلاحیت کے بارے میں نہیں ہے۔ یہ ان تین شکایات کا جواب دیتی ہے جو Anthropic کے بقول اس نے صارفین سے سنیں: قیمت، ڈیٹا ریٹینشن، اور حد سے زیادہ حساس حفاظتی انتظامات۔ یہی وہ باتیں ہیں جو ہر اس شخص کے لیے اہم ہیں جو ماڈل کو ڈیمو میں نہیں بلکہ حقیقی کام میں چلا رہا ہے۔

اعداد و شمار: ہر شائع شدہ بینچ مارک میں پہلی پوزیشن

یہ Anthropic کے شائع کردہ نتائج ہیں، اس کے پیشرو Fable 5 اور حریفوں Opus 5 اور GPT-5.6 Sol کے مقابلے میں:

  • ایجنٹک سائنسی تحقیق (Terminal-Bench-Science): 52.6%، جبکہ پیشرو کا 24.7%، Opus 5 کا 29.0% اور GPT-5.6 Sol کا 22.4% — اپنے پچھلے اسکور کے دگنے سے بھی زیادہ۔
  • ایجنٹک کوڈنگ (Terminal-Bench 4.0): 55.8%، جبکہ پیشرو کا 42.0% اور Opus 5 کا 52.3%۔ Mythos 5.1 ویریئنٹ 60.9% تک پہنچتا ہے۔
  • نالج ورک (GDPval-AA): 1853، جبکہ پیشرو کا 1723 اور Opus 5 کا 1824۔
  • کمپیوٹر کا استعمال (OSWorld 2.0): جزوی پیمائش پر 77.9% اور سخت پیمائش پر 41.7%، باقی سب سے آگے۔
  • کثیر شعبہ جاتی استدلال (Humanity's Last Exam): ٹولز کے بغیر 60.9% اور ٹولز کے ساتھ 65.0%۔
  • کاروباری ورک فلو (AutomationBench): 31.4%، جبکہ پیشرو کا 17.1% — تقریباً دگنا۔

انصاف کی بات یہ ہے کہ یہ فروخت کنندہ کی اپنی پیمائشیں ہیں، جو سائنسی تحقیق کے بینچ مارک پر 3.5 سے 4.5 پوائنٹس کی اعلان کردہ معیاری غلطی کے ساتھ شائع کی گئی ہیں۔ آزادانہ تصدیق میں ہفتے لگتے ہیں۔ لیکن آٹھ مختلف بینچ مارکس میں مسلسل بہتری کسی ایک بینچ مارک میں سبقت سے زیادہ کچھ بتاتی ہے۔

وہ خصوصیت جو آپ کے اکاؤنٹنٹ کی نظر میں آئے گی: قیمت کم کیے بغیر سستا

ٹوکن کی بنیادی قیمت تبدیل نہیں ہوئی۔ اس کے باوجود Anthropic کا کہنا ہے کہ حقیقی لاگت عام ورک لوڈ پر تقریباً 25% اور کئی مراحل والے ایجنٹک کام پر 45% تک کم ہو جاتی ہے، کیونکہ اس نے کیش ریڈ کی قیمت 75% گھٹا دی ہے۔

جو لوگ اس فرق سے واقف نہیں، ان کے لیے: جب ماڈل وہ سیاق و سباق دوبارہ پڑھتا ہے جسے وہ پہلے ہی پروسیس کر چکا ہے — آپ کی پروجیکٹ فائلیں، آپ کی ہدایات، اب تک کی گفتگو — تو پہلے آپ کو اس کے لیے نسبتاً زیادہ نرخ ادا کرنا پڑتا تھا۔ ایجنٹک کام ایک ہی ٹاسک کے اندر اسی سیاق و سباق کو درجنوں بار دوبارہ پڑھتا ہے، اسی لیے اسے سب سے زیادہ فائدہ ہوتا ہے۔ یہ رعایت انہیں ملتی ہے جو ماڈل کو سنجیدگی سے چلاتے ہیں، انہیں نہیں جو چلتے چلتے کوئی سوال پوچھ لیتے ہیں۔

Anthropic نے ایفرٹ لیولز بھی شامل کیے ہیں: کم، درمیانی اور زیادہ۔ اس کا کہنا ہے کہ کم یا درمیانی ایفرٹ پر Fable 5.1، Fable 5 کے برابر یا اس سے بہتر کارکردگی دکھاتا ہے اور لاگت کہیں کم ہوتی ہے۔ ڈیفالٹ Claude Code میں زیادہ ایفرٹ ہے، اور Claude Cowork اور claude.ai پر درمیانی۔

ڈیٹا کی رازداری: اداروں کے لیے اہم تبدیلی

Anthropic نے Enterprise Frontier Safeguards نامی ایک نظام کا اعلان کیا، جو صارفین کو صفر ڈیٹا ریٹینشن پالیسی کے برابر مکمل رازداری دیتا ہے اور ساتھ ہی بدنیتی پر مبنی استعمال کو بھی روکتا ہے۔ یہ ڈیٹا کو ایسے کلاؤڈ انفراسٹرکچر میں محفوظ کر کے کام کرتا ہے جس پر مکمل کنٹرول صارف کا ہوتا ہے، Anthropic کا نہیں۔ اس کا اجرا مرحلہ وار ہوگا اور اس خزاں سے شروع ہو رہا ہے؛ تب تک اہل صارفین ماڈل کو صفر ڈیٹا ریٹینشن کے ساتھ استعمال کر سکتے ہیں۔

یہ ایک نکتہ اس دروازے کو کھول دیتا ہے جو سعودی عرب کے حساس شعبوں کے لیے بند تھا — سرکاری، مالیاتی اور صحت کے ادارے، جن کی ڈیٹا تحفظ کی ذمہ داریاں انہیں ڈیٹا کسی ایسی بیرونی سروس کو بھیجنے سے روکتی ہیں جو اسے اپنے پاس رکھتی ہو۔

زیادہ درست حفاظتی انتظامات: جائز کام سے کم انکار

کسی ڈویلپر کو اس سے زیادہ کم ہی چیزیں جھنجھلاتی ہیں کہ ماڈل کسی جائز درخواست کو صرف اس لیے رد کر دے کہ وہ خطرناک لگی۔ Anthropic کا کہنا ہے کہ تازہ ترین حفاظتی انتظامات سائبر سیکیورٹی میں 60% کم غلط مثبت نتائج روکتے ہیں۔ Fable 5.1 اب سافٹ ویئر کی کمزوریاں دریافت کرنے کے لیے استعمال ہو سکتا ہے، لیکن ان کے لیے ایکسپلائٹس بنانے کے لیے نہیں — یہ فرق برقرار رکھنے کے لائق ہے: کمزوری تلاش کرنا دفاعی کام ہے، اسے ہتھیار بنانا نہیں۔

کیا چیز ظاہر کرتی ہے کہ یہ بینچ مارک اسکورز سے بڑھ کر ہے؟

تین شائع شدہ نتائج قابلِ ذکر ہیں کیونکہ یہ ٹیسٹ کے فیصد نہیں بلکہ ٹھوس نتائج ہیں:

  • سرمایہ کاری فرم Millennium میں، ماڈل نے اندرونی سسٹمز میں ایک نایاب کریش کی وجہ ڈھونڈ نکالی جسے اس کے انجینئرز اور باقی تمام ماڈلز کئی برسوں سے واضح نہیں کر پائے تھے۔
  • اس نے ایک نیورل نیٹ ورک کو تربیت دی جس نے NASA کے Magellan مشن کی تیس سال سے بھی پہلے لی گئی ریڈار تصاویر سے زہرہ کے ایک تہائی حصے کا نیا بلندی کا نقشہ تیار کیا، جس میں دس سے بیس کے بجائے دو یا تین کلومیٹر تک کی تفصیل ہے اور بلندیاں 25% تک زیادہ درست ہیں۔ یہ نقشہ Creative Commons لائسنس کے تحت جاری کیا گیا۔
  • کمپیوٹیشنل بیالوجی میں، اس نے حسبِ ضرورت GPU کرنلز لکھے جنہوں نے سات اوپن سورس ماڈلز کو یکساں نتائج کے ساتھ 2.5 گنا تک تیز کر دیا، اور GPU کی تخمینی لاگت 30 سے 60% تک کم کر دی۔ جو کام عام طور پر پرفارمنس انجینئرز کی ایک ٹیم کو ہفتوں میں کرنا پڑتا، وہ دنوں میں مکمل ہو گیا۔

Origami کا نقطۂ نظر

سعودی عرب کے کسی کاروباری مالک کے لیے اصل خبر لیڈر بورڈ نہیں ہے۔ اصل خبر یہ ہے کہ ایک ہی ریلیز میں تین چیزیں یکجا ہیں: زیادہ صلاحیت، خاص طور پر ایجنٹک کام کے لیے کم لاگت، اور رازداری کا ایسا آپشن جو ڈیٹا کو آپ کے کنٹرول والے انفراسٹرکچر میں رکھتا ہے۔ صرف صلاحیت تو پہلے سے دستیاب تھی؛ لاگت اور رازداری ہی وہ دو رکاوٹیں تھیں جو ان ماڈلز کو تجربات سے نکل کر پروڈکشن سسٹمز میں جانے سے روک رہی تھیں۔

ہمارا عملی مشورہ: ماڈل سے آغاز نہ کریں، ٹاسک سے کریں۔ آج ایک درمیانے درجے کی کمپنی کو جو کچھ درکار ہے اس کا زیادہ تر حصہ درمیانی ایفرٹ پر کم پیسوں میں اچھی طرح چلتا ہے۔ پہلے اپنے ٹاسک کو سب سے کم سطح پر آزمائیں اور سطح صرف تب بڑھائیں جب آپ اس کی ضرورت ثابت کر سکیں — ماہانہ بل پر فرق اس سے کہیں بڑا ہوتا ہے جتنا قیمتوں کا جدول ظاہر کرتا ہے۔

نتیجہ

Fable 5.1، Anthropic کے شائع کردہ ہر بینچ مارک میں سب سے آگے ہے، ایجنٹک سائنسی تحقیق میں اپنے پیشرو سے دگنے سے بھی زیادہ اسکور کرتا ہے، اور سنجیدہ کام کے لیے کم لاگت والا ہے۔ اس سے بھی زیادہ معنی خیز یہ ہے کہ ریلیز نے صرف صلاحیت پر نہیں بلکہ صارفین کی شکایات پر توجہ دی — یہ ایک پختہ ہوتی مارکیٹ کی علامت ہے، جہاں مقابلہ اس بات سے ہٹ کر کہ سب سے زیادہ اسکور کس کا ہے، اس بات پر آ گیا ہے کہ کسی حقیقی ادارے کے اندر عملی نفاذ کو کون ممکن بناتا ہے۔

ماخذ

  • Anthropic — Claude Fable 5.1 اور Claude Mythos 5.1 کا سرکاری اعلان، جو بینچ مارک جدول، قیمت، رازداری اور حفاظتی انتظامات سے متعلق دعووں اور سائنسی مثالوں کا ماخذ ہے۔
  • Anthropic — Terminal-Bench-Science کی معیاری غلطی پر شائع شدہ نوٹ اور عوامی لیڈر بورڈ کے اعداد و شمار۔
  • The Verge، Decrypt اور The New Stack — 1 ستمبر 2026 کے اجرا اور قیمتوں کے اعداد و شمار کی آزادانہ کوریج۔