Markdown ایڈیشن

AI-translated from English; not yet reviewed by a fluent editor.

# جیف کا مطالعہ: کم خرچ فیصلے، موبائل کام کم مکمل

> 4,500 اجرا کے مطالعے میں دو موبائل انضماموں نے کم کام مکمل کیے؛ مشاہدہ شدہ اوسط میں ایک نے ہر کامیابی پر زیادہ خرچ کیا۔

By BIG CHANGE Editorial

Published: 2026-10-13T05:25:18.815Z
Updated: 2026-10-13T05:25:18.815Z
Canonical: https://bigchange.ai/blog/jev-agent-workflow-study-task-completion-cost

![Conceptual charcoal illustration of one connected hand poised above a blank unbranded smartphone screen, with an orange reflection under the fingertip.](https://bigchange.ai/api/media/file/jev-mobile-decision-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE; generic phone and hand, no Jev interface, experiment, result or BIG CHANGE test depicted.

جیف کا نیا مطالعہ اس سوال کو آگے بڑھاتا ہے جو [BIG CHANGE کی ستمبر کے اجرا کی کوریج](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) نے کھلا چھوڑا تھا: کیا تیز اور کم خرچ کارروائی کے انتخاب سے پورا کام بہتر ہوتا ہے؟ 4,500 اجرا میں محققین نے ہر آزمودہ ایجنٹ میں کارروائی کا سستا انتخاب پایا۔ دو موبائل ایجنٹ انضماموں میں کام کی تکمیل اتنی گری کہ فراہم کردہ نتیجے کی لاگت کا حساب بدل گیا۔

یہ [9 اکتوبر کا پری پرنٹ](https://arxiv.org/html/2610.13092v1) مصنفین کا بیان کردہ تجربہ ہے، آزادانہ تکرار یا BIG CHANGE کا ٹیسٹ نہیں۔ پانچ ایجنٹ خاندانوں نے متن سے مشاہدہ ہونے والے دو ماحول میں کام کیا: ALFWorld کے گھریلو کام اور AndroidWorld کے موبائل ایپ کام۔ محققین نے ہر ترتیب کو مقررہ کاموں پر تین بار چلایا۔ انہوں نے ایجنٹ کے باقی طریقۂ کار، دوسری ماڈل کالز اور ماحول سے تعامل سمیت، کارروائی کے انتخاب کا مرحلہ جیف سے بدل دیا۔

## تکمیل کہاں بدلی

ALFWorld میں ReAct کی شرح 96.02% سے 97.51% اور Reflexion کی 98.01% سے 99.75% ہوئی۔ کنٹرول میں جیف جیسے امیدوار اقدامات تھے مگر ان میں سے انتخاب عام بڑے لسانی ماڈل نے کیا؛ امیدواروں کی فہرست اور ماڈل، دونوں، انٹرفیس بدلتے ہیں۔

موبائل نتائج میں T3A 57.47% سے 44.25% (13.22 فی صد پوائنٹس) اور FastAgent 50.00% سے 31.90% (18.10 پوائنٹس) پر آیا۔ کام کے گروہوں پر بوٹسٹریپ وقفے صفر سے نیچے تھے۔ AutoDroid 18.68% سے 16.38% ہوا، مگر اس کا وقفہ صفر کو شامل کرتا ہے۔ دونوں موبائل نظاموں نے پانچ میں سے ایک سے کم کام مکمل کیا؛ یہ آزمودہ انضمام ہیں، تمام ایجنٹ نہیں۔

## سستی کوشش فی کامیابی مہنگی ہو سکتی ہے

پانچوں خاندانوں میں جیف نے کارروائی کے انتخاب کی اوسط لاگت 66.1–78.4% اور فیصلہ وقت 73.9–81.5% کم کیا۔ پورے کام کی اوسط بھی گری مگر کم؛ اضافی استدلال، کارروائیوں اور ماحول سے تعامل نے بچت کا حصہ جذب کیا۔

T3A میں فی کوشش اوسط inference لاگت 17.1% گری؛ متن آگے ‘لاگتِ ’  *تمام* کوششوں، ناکامیوں سمیت، کو مکمل کاموں کی تعداد پر تقسیم کرنے سے فی کامیابی اوسط ڈالر کے ہزارویں حصے میں 68.70 سے 73.97 ہوئی۔ 7.7% اضافے کا غیر یقینی وقفہ صفر کو شامل کرتا ہے، اس لیے مطالعہ حقیقی بنیادی اضافے کو درست طور پر ثابت نہیں کرتا۔ یہ دکھاتا ہے کہ اس ترتیب میں فی کوشش کم خرچ ہونے سے مشاہدہ شدہ فی ترسیل لاگت کم ہونا یقینی نہیں تھا۔

فیصلے تیز ہونے کے باوجود FastAgent کا اوسط وقت تقریباً وہی رہا؛ کم تکمیل کے باعث فی کامیابی سیکنڈ 239.4 سے 377.8 ہوئے۔ جیف والے ورژن نے 44.1% زیادہ فیصلے کیے اور، بنیادی ورژن کے برعکس، ہر مرحلے پر ایک ٹول چلاتا ہے؛ اس سے سبب متعین کرنے کی حد سامنے آتی ہے۔

ٹریس کے معائنے میں موبائل ایجنٹ کی Wi-Fi تبدیلی مبہم اور مقصد سے پہلے تکمیل دیکھی گئی۔ ALFWorld میں Reflexion کی پہلی کوشش کی کامیابیاں بہتر تھیں مگر بحالی کم: 11/19 بمقابلہ 25/26۔ ناکامیاں مختلف تھیں؛ غلطی پکڑنا اور درست کرنا اہم ہے۔

## بڑی تبدیلی

رپورٹ شدہ بچت کام کی سطح پر وہاں قائم رہی جہاں انتخاب غالب تھا اور تکمیل زیادہ تھی؛ ReAct فی کامیابی سستا اور تیز رہا۔ دیگر موبائل ایجنٹوں میں دوسری کالز، ماحول کا وقت اور کم تکمیل نے فائدہ گھٹایا یا الٹ دیا؛ پیمائش میں مکمل کاموں اور وسائل کو  *تمام* کوششوں میں دیکھنا، پھر بحالی اور رکنے کے فیصلے جانچنا ضروری ہے۔ فی کال قیمت یا تاخیر یہ نہیں بتاتی کہ طریقۂ کار نے زیادہ مفید کام دیا یا نہیں۔

مطالعہ اپنا طریقۂ کار اور حدود بیان کرتا ہے؛ یہ SubQ Snap کی توثیق نہیں کرتا۔

## لنگ اور ساتھیوں کا 9 اکتوبر کا پری پرنٹ، ‘When Faster Decisions Do Not Make Better Agents’

- [ تجربے، مکمل جدولوں، ٹریس تجزیے اور حدود کی رپورٹ کرتا ہے۔ ](https://arxiv.org/html/2610.13092v1)نسخہ ریکارڈ[بتاتا ہے کہ v1، 9 اکتوبر 2026 کو شائع ہوا۔ یہاں نتائج مصنفین کے بیان کردہ ہیں؛ BIG CHANGE نے تجربہ نہیں دہرایا۔](https://arxiv.org/abs/2610.13092v1)BIG CHANGE کی جیف اجرا رپورٹ
- [TypeSafe AI کے فیصلاتی ماڈل کے اصل دعوے کی وضاحت کرتی ہے۔ نیا پری پرنٹ اجرا کے دعووں کے بجائے ایجنٹ کے مکمل کام ناپ کر اسی کہانی کو آگے بڑھاتا ہے۔](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida)لنگ اور ساتھی، ‘When Faster Decisions Do Not Make Better Agents’ (پری پرنٹ، 2026)۔

## Sources

- [بنیادی ماخذ، 9 اکتوبر کا v1؛ نتائج مصنفین کے بیان کردہ تجربات ہیں، آزادانہ تکرار نہیں۔](https://arxiv.org/html/2610.13092v1) — arXiv پر پری پرنٹ کا نسخہ ریکارڈ۔
- [v1 اور 9 اکتوبر 2026 کی تاریخ کی تصدیق کرتا ہے۔](https://arxiv.org/abs/2610.13092v1) — BIG CHANGE: جیف اجرا کی رپورٹ۔
- [مکمل ایجنٹ کام کے مطالعے سے پہلے TypeSafe AI کے کارروائی کے انتخاب کے دعوے کا سیاق دیتی ہے۔](https://bigchange.ai/blog/jev-typesafe-ai-decisions-software-diogo-almeida) — TypeSafe AI کی اصل کارروائی انتخاب تجویز کا سیاق ہے؛ یہ نئے مطالعے کی تصدیق نہیں۔