---
title: "Google's large language models — Google کے بڑے لسانی ماڈلز"
source: "https://systems-analysis.info/int/Google's_large_language_models_%E2%80%94_Google_%DA%A9%DB%92_%D8%A8%DA%91%DB%92_%D9%84%D8%B3%D8%A7%D9%86%DB%8C_%D9%85%D8%A7%DA%88%D9%84%D8%B2"
wiki: "systems-analysis.info/int"
article: "Google's_large_language_models_—_Google_کے_بڑے_لسانی_ماڈلز"
language: "ur"
categories:
  - "Category:Google"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Urdu"
revision_id: 2693
wiki_created_at: 2026-09-06T23:09:36Z
wiki_modified_at: 2026-09-06T23:09:36Z
downloaded_at: 2026-09-07T22:52:47Z
---

# Google's large language models — Google کے بڑے لسانی ماڈلز

**Google کے بڑے لسانی ماڈل (LLM)** — یہ بڑے لسانی ماڈلوں (LLM) کا ایک سلسلہ ہے جسے Google کے مختلف شعبوں نے تیار کیا ہے، جن میں Google AI (سابقہ Google Brain) اور DeepMind شامل ہیں۔ گہری تعلیم (deep learning) اور Transformer فن تعمیر کے شعبے میں اولین علمبرداروں میں سے ایک ہونے کے ناطے، Google نے جدید LLMs کی ترقی میں بنیادی کردار ادا کیا ہے۔ ان ماڈلوں کی تاریخ زبان کی سمجھ کے محدود اور خصوصی نظاموں سے لے کر وسیع پیمانے کے کثیر الوسائط (multimodal) اور خودمختار (agentic) نظاموں تک کے سفر کی عکاسی کرتی ہے، جو Google کی بہت سی مصنوعات کی بنیاد ہیں اور پوری AI صنعت کی سمت متعین کرتے ہیں۔

## Google ماڈلوں کی تاریخ اور ارتقاء

### ابتدائی کامیابیاں اور اعصابی نیٹ ورک پر مبنی ترجمہ (2011–2016)

Google میں LLM کی ترقی کی بنیاد **Google Brain** منصوبے (2011) کے تحت رکھی گئی، جو گہری عصبی شبکات کے استعمال کے لیے وقف تھا۔ ابتدائی بڑی پیش رفتوں میں سے ایک **Word2Vec** الگورتھم (2013) تھا، جسے Tomas Mikolov نے تخلیق کیا۔ اس نے الفاظ کو ان کے معنوی سیاق و سباق کی عکاسی کرنے والے ویکٹرز (embeddings) کی صورت میں پیش کرنے کا طریقہ فراہم کیا، جو عصبی شبکات میں زبان کی سمجھ کا ایک بنیادی طریقہ بن گیا۔

اگلا قدم ترتیبی ماڈلوں (sequence models) کی طرف منتقلی تھا، جیسے **seq2seq** (2014)، جو **Google Neural Machine Translation (GNMT)** (2016) کی بنیاد بنے۔ Google Translate کو LSTM پر مبنی عصبی فن تعمیر میں منتقل کرنے سے مشینی ترجمے کے معیار میں نمایاں بہتری آئی۔ اسی دوران DeepMind، جسے Google نے 2014 میں حاصل کیا، نے **AlphaGo** کے گو کے عالمی چیمپئن پر فتح سے گہری تعلیم کی طاقت کا مظاہرہ کیا، جس نے AI کی صلاحیت پر یقین کو مستحکم کیا۔

### Transformer کا انقلاب اور BERT کی پیدائش (2017–2018)

2017 میں Google Brain کے محققین نے «Attention Is All You Need» مقالے میں **Transformer** فن تعمیر پیش کیا۔ یہ فن تعمیر **self-attention** کے طریقہ کار پر مبنی ہے، جس نے ترتیبوں کو یکے بعد دیگرے کی بجائے بیک وقت پروسیس کرنے کی اجازت دی، جو NLP میں ایک انقلاب اور تمام جدید LLMs کی بنیاد بن گئی۔

اس کامیابی کی لہر پر، 2018 میں Google نے **BERT** (Bidirectional Encoder Representations from Transformers) ماڈل پیش کیا۔ BERT پہلا گہری **دو سمتی (bidirectional)** ماڈل تھا جو کسی لفظ کے سیاق و سباق کو بیک وقت بائیں اور دائیں سے سمجھتا تھا۔ اس نے زبان کی سمجھ کے متعدد کاموں (GLUE، SQuAD) پر ریکارڈ نتائج حاصل کیے اور ایک نیا صنعتی معیار قائم کیا۔ BERT کو کھلے کوڈ اور وزن کے ساتھ دو ورژنز (BASE بشمول 110 ملین پیرامیٹرز اور LARGE بشمول 340 ملین پیرامیٹرز) میں جاری کیا گیا، جس نے اس کی وسیع اشاعت میں مدد کی۔ 2019 سے BERT کو Google Search میں سوالات کی بہتر سمجھ کے لیے استعمال کیا جانے لگا۔

### پیمانے میں اضافہ اور مکالماتی ماڈلوں کا دور (2019–2022)

BERT کے بعد Google نے پیمانے اور فن تعمیر کے ساتھ تجربات جاری رکھے:

- **T5 (Text-to-Text Transfer Transformer, 2019)**: ایک یکساں ماڈل جو ہر NLP کام کو «متن سے متن» تبدیلی کے طور پر دیکھتا ہے۔ C4 (Colossal Clean Crawled Corpus) کے ایک بہت بڑے مجموعے پر تربیت یافتہ، T5 کو بھی کئی سائزوں (11 ارب پیرامیٹرز تک) میں کھلی رسائی کے ساتھ جاری کیا گیا۔
- **Meena (2020)**: Google کا پہلا خصوصی مکالماتی ماڈل جس میں 2.6 ارب پیرامیٹرز تھے، جس نے کھلے مکالمے کے اعلیٰ معیار کا مظاہرہ کیا۔
- **LaMDA (Language Model for Dialogue Applications, 2021)**: مکالماتی ماڈلوں کا ایک خاندان (137 ارب پیرامیٹرز تک)، جسے مکالمات کے ایک بہت بڑے مجموعے (1.56 ٹریلین الفاظ) پر تربیت دی گئی۔ LaMDA کا مقصد زیادہ فطری اور بامعنی گفتگو تخلیق کرنا تھا، اور یہ اس وقت عوام میں مشہور ہوا جب Google کے ایک انجینئر نے اسے «ذہین» قرار دیا۔
- **Gopher اور Chinchilla (DeepMind, 2021–2022)**: اسی دوران DeepMind نے توسیع کے قوانین کی تحقیق کی۔ **Gopher** ماڈل (280 ارب پیرامیٹرز) نے ظاہر کیا کہ پیمانہ معیار کو کیسے متاثر کرتا ہے۔ اور **Chinchilla** ماڈل (70 ارب پیرامیٹرز) نے ثابت کیا کہ بہترین کارکردگی کے لیے سب سے زیادہ پیرامیٹرز کی تعداد نہیں، بلکہ ماڈل کے سائز اور تربیتی ڈیٹا کی مقدار کے درمیان صحیح توازن زیادہ اہم ہے۔ یہ نتیجہ «Chinchilla قانون» کے نام سے مشہور ہوا اور پوری صنعت میں LLM کی تربیت کی حکمت عملی پر اثرانداز ہوا۔

### انتہائی بڑے اور کثیر الوسائط ماڈلوں کا دور (2022–تاحال)

- **PaLM (Pathways Language Model, 2022)**: اعلان کے وقت Google کا سب سے بڑا dense ماڈل، جس میں **540 ارب پیرامیٹرز** تھے، جسے Pathways کے نئے تقسیم شدہ ڈھانچے پر تربیت دی گئی۔ PaLM نے منطقی استدلال میں خصوصاً **Chain-of-Thought (CoT) prompting** تکنیک کے ساتھ انقلابی صلاحیتوں کا مظاہرہ کیا۔ اس کی بنیاد پر خصوصی ورژن بنائے گئے، جیسے طب کے لیے **Med-PaLM**۔ 2023 میں بہتر ورژن **PaLM 2** (~340 ارب پیرامیٹرز) جاری کیا گیا، جو اپ ڈیٹ شدہ چیٹ بوٹ Bard کی بنیاد بنا۔
- **Gemini (2023–اب تک)**: ماڈلوں کی نئی نسل، جسے Google DeepMind کی مشترکہ ٹیم نے بنایا۔ Gemini کو شروع سے ہی ایک **مقامی کثیر الوسائط (natively multimodal)** نظام کے طور پر ڈیزائن کیا گیا، جو متن، کوڈ، تصاویر، آڈیو اور ویڈیو پروسیس کرنے کے قابل ہے۔ اسے کئی ورژنز میں جاری کیا گیا:
  - **Gemini Ultra**: پیچیدہ کاموں کے لیے سب سے طاقتور ماڈل۔
  - **Gemini Pro**: کاموں کی وسیع رینج کے لیے ہمہ جہت ماڈل۔
  - **Gemini Nano**: موبائل آلات پر کام کرنے کے لیے کمپیکٹ ماڈل۔

2024–2025 میں اس خاندان کو **Gemini 1.5** (1 ملین tokens تک کے context window کے ساتھ) اور **Gemini 2.0** ورژنز سے وسعت دی گئی، جس نے خودمختارانہ (agentic) صلاحیتیں حاصل کیں۔

## فن تعمیر اور تکنیکی خصوصیات

### بنیاد: Encoders، Decoders اور ہائبرڈ

Google کام کے لحاظ سے Transformer فن تعمیر کی مختلف اقسام استعمال کرتا ہے:

- **Encoder-only**: **BERT** جیسے ماڈل۔ یہ پورے متن کو یکجا پروسیس کرتے ہیں اور ایک بھرپور سیاق و سباقی نمائندگی تخلیق کرتے ہیں۔ متن کے تجزیے اور سمجھ کے کاموں (درجہ بندی، ہستیوں کا اخراج) کے لیے مثالی ہیں، لیکن تخلیق کے لیے نہیں۔
- **Decoder-only**: **LaMDA** اور **PaLM** جیسے ماڈل (GPT کی طرح)۔ یہ auto-regressive ہیں، یعنی ایک ایک token پر متن کا اندازہ لگاتے ہیں۔ یہ فطری تخلیق کار ہیں، متن کی توسیع، مکالمات اور سوالوں کے جوابات کے لیے بہترین ہیں۔
- **Encoder-Decoder**: **T5** اور **GNMT** جیسے ماڈل۔ ان کے دونوں حصے ہوتے ہیں: encoder ان پٹ ترتیب پروسیس کرتا ہے، اور decoder آؤٹ پٹ تیار کرتا ہے۔ یہ تبدیلی کے کاموں کے لیے ہمہ جہت فن تعمیر ہے، جیسے ترجمہ یا خلاصہ بندی۔

### پیمانہ: پیرامیٹرز، ڈیٹا اور ڈھانچہ

LLM میں Google کی کامیابی بڑی حد تک تین عوامل کی مرہون منت ہے:

1.  **ماڈلوں کا پیمانہ:** پیرامیٹرز کی تعداد کا منظم طریقے سے ملین (BERT) سے سیکڑوں ارب (PaLM، Gemini) تک اضافہ۔
2.  **ڈیٹا کا پیمانہ:** دنیا کے سب سے بڑے ڈیٹا مجموعوں میں سے ایک تک رسائی (Google ویب انڈیکس، YouTube، Google Books)، جو ٹریلین tokens پر ماڈلوں کی تربیت کی اجازت دیتا ہے۔
3.  **ڈھانچہ:** اپنے مخصوص چپس — **Tensor Processing Unit (TPU)** — اور تقسیم شدہ **Pathways** نظام کا استعمال، جو انتہائی بڑے ماڈلوں کو مؤثر اور مستحکم طریقے سے تربیت دینے کی اجازت دیتے ہیں۔

### کثیر الوسائط صلاحیت اور خودمختاری

Google کے جدید ترین ماڈل، خاص طور پر **Gemini**، گہری کثیر الوسائط صلاحیت اور خودمختاری کی سمت بڑھ رہے ہیں۔

- **مقامی کثیر الوسائط صلاحیت** کا مطلب ہے کہ ایک ماڈل شروع سے ہی مختلف قسم کے ڈیٹا (متن، تصاویر، آڈیو) کو سمجھنے اور یکجا کرنے کی تربیت یافتہ ہے، نہ کہ محض علیحدہ ماڈیولز کو جوڑتا ہے۔
- **خودمختار AI (Agentic AI)** — یہ ماڈل کی وہ صلاحیت ہے جس کے تحت وہ محض سوالوں کے جواب دینے کی بجائے کسی مقصد کے حصول کے لیے آزادانہ طور پر اقدامات کی ترتیب کی منصوبہ بندی اور عمل آوری کر سکتا ہے (مثلاً سرچ یا کیلکولیٹر جیسے بیرونی ٹولز کو استعمال کرنا)۔

## اہم ماڈلوں کا خلاصہ جدول

| ماڈل           | سال اجراء | پیرامیٹرز (تخمینہ)   | فن تعمیر                        | اہم خصوصیات                                                                 |
|----------------|-----------|----------------------|---------------------------------|-----------------------------------------------------------------------------|
| **BERT**       | 2018      | 110–340 ملین         | Encoder                         | سیاق و سباق کی دو سمتی سمجھ، NLP کاموں پر SOTA۔                             |
| **T5**         | 2019      | 60 ملین – 11 ارب     | Encoder-Decoder                 | تمام کاموں کے لیے یکساں «متن سے متن» طریقہ کار۔                             |
| **LaMDA**      | 2021      | 137 ارب              | Decoder                         | کھلے، بامعنی مکالمات میں مہارت۔                                             |
| **PaLM**       | 2022      | 540 ارب              | Decoder                         | منطقی استدلال میں پیش رفت (Chain-of-Thought)، وسیع پیمانے کی تربیت۔         |
| **Chinchilla** | 2022      | 70 ارب               | Decoder                         | «Compute-optimal» ماڈل، جس نے ڈیٹا اور پیرامیٹرز کے توازن کی اہمیت ثابت کی۔ |
| **Gemini 1.0** | 2023      | ~1 ٹریلین تک (Ultra) | کثیر الوسائط (ممکنہ طور پر MoE) | مقامی کثیر الوسائط صلاحیت، متعدد benchmarks پر SOTA (MMLU)۔                 |
| **Gemini 1.5** | 2024      | ظاہر نہیں کیا گیا    | کثیر الوسائط (MoE)              | 1-2 ملین tokens تک context window، اعلیٰ کارکردگی۔                           |
| **Gemini 2.0** | 2024      | ظاہر نہیں کیا گیا    | کثیر الوسائط + Tools            | مربوط خودمختارانہ صلاحیتیں، تصاویر/آڈیو کی تخلیق۔                           |

Google کے اہم لسانی ماڈلوں کا موازنہ

## مصنوعات اور ماحولیاتی نظام میں استعمال

Google اپنے LLMs کو مصنوعات کی پوری رینج میں فعال طور پر یکجا کر رہا ہے:

- **Google Search**: BERT، MUM اور Gemini پیچیدہ سوالوں کی بہتر سمجھ اور **AI Overviews** (سابقہ SGE) کی شکل میں براہ راست جوابات فراہم کرنے کے لیے استعمال ہوتے ہیں۔
- **Google Assistant اور Bard (اب Gemini)**: سادہ آواز کے احکامات سے LaMDA، PaLM 2 اور Gemini پر مبنی مکمل مکالماتی معاونین کی طرف منتقلی۔
- **Google Workspace**: **Duet AI** (اب Gemini for Workspace) کی خصوصیات Gmail میں خطوط لکھنے، Docs میں متن بنانے اور Slides میں پریزنٹیشن تیار کرنے میں مدد کرتی ہیں۔
- **Android**: Gemini Nano Pixel جیسے آلات پر مقامی طور پر AI فنکشنز چلاتا ہے، جس سے رازداری اور رفتار میں اضافہ ہوتا ہے۔
- **Google Cloud AI**: **Vertex AI** پلیٹ فارم کاروباری اداروں کو API کے ذریعے PaLM اور Gemini ماڈلوں تک رسائی فراہم کرتا ہے تاکہ وہ اپنی ایپلی کیشنز بنا سکیں۔

## مسابقتی ماحول میں کردار

Google «AI دوڑ» کے اہم کھلاڑیوں میں سے ایک ہے، جہاں اس کے بنیادی حریف OpenAI (Microsoft کی حمایت کے ساتھ) اور Meta ہیں۔

- **OpenAI کے ساتھ مسابقت:** اگرچہ Google بہت سی بنیادی ٹیکنالوجیز (بشمول Transformer) میں پیش رو رہا ہے، 2022 کے آخر میں ChatGPT کے اجراء نے Google کو اپنی مصنوعات کو مارکیٹ میں تیزی سے لانے پر مجبور کیا (مثلاً Bard)۔ مسابقت ماڈلوں کے معیار (Gemini Ultra بمقابلہ GPT-4)، context window کے سائز اور API کی سہولت کے شعبوں میں جاری ہے۔
- **Meta سے فرق:** Meta نے **کھلے ماخذ کوڈ** (LLaMA ماڈلز) پر شرط لگائی، جس نے Google اور OpenAI کے بند ماڈلوں کا ایک طاقتور متبادل بنایا۔ اس کے جواب میں Google نے بھی کھلے ماڈل جاری کرنا شروع کیے، جیسے **Gemma**، تاکہ ڈویلپر کمیونٹی کی حمایت کی جائے اور Meta کو ماحولیاتی نظام نہ دیا جائے۔
- **اسٹریٹیجک اتحاد:** Google دوسرے کھلاڑیوں میں سرمایہ کاری کرتا ہے، مثلاً Anthropic اسٹارٹ اپ (Claude ماڈل کے خالقین) میں، تاکہ طریقوں کو متنوع بنایا جائے اور کلاؤڈ مسابقت میں اپنی پوزیشن مستحکم کی جائے۔

## ادبیات

- Vaswani, A. et al. (2017). *Attention Is All You Need*. NIPS.
- Devlin, J. et al. (2019). *BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding*. NAACL.
- Raffel, C. et al. (2020). *Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer*. JMLR.
- Thoppilan, R. et al. (2022). *LaMDA: Language Models for Dialog Applications*. arXiv:2201.08239.
- Hoffmann, R. et al. (2022). *Training Compute-Optimal Large Language Models*. arXiv:2203.15556.
- Chowdhery, A. et al. (2022). *PaLM: Scaling Language Modeling with Pathways*. JMLR.
- Gemini Team, Google (2023). *Gemini: A Family of Highly Capable Multimodal Models*. arXiv:2312.11805.

## روابط

- Google AI کا سرکاری پورٹل
- Google DeepMind کی سرکاری ویب سائٹ