---
title: "Safety Map: 39 LLMs اور حساس ڈیٹا (BroadNet) | BroadRouter"
description: "BroadNet نے 14 لیبز کے 39 LLMs کو credentials، PII، صحت اور مالی ڈیٹا پر پرکھا: کیا منتقل ہوا، کیا نہیں، اور tool calls اور ریزننگ سے ہونے والے لیکس۔"
url: https://broadrouter.com/ur/blog/llm-safety-map-39-models/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/llm-safety-map-39-models/) (اپ ڈیٹ: 2026-11-16).

# Safety Map: 39 LLMs حساس ڈیٹا کو کیسے سنبھالتے ہیں

BroadNet Inference ٹیم · 3 منٹ کی پڑھائی · شائع شدہ 2026-11-15 · اپ ڈیٹ 2026-11-16

Safety Map، اپریل 2026 کا BroadNet کا ایک preprint ہے (DOI 10.5281/zenodo.19688433)۔ اس میں 14 لیبز کے 39 ماڈلز کو credentials، PII، صحت کے ڈیٹا، اکاؤنٹ نمبرز اور DLP اسکیننگ پر 7 probes سے، تقریباً 1,300 multi-run جانچوں میں پرکھا گیا۔ حفاظت کیٹیگریز یا آؤٹ پٹ چینلز کے درمیان منتقل نہیں ہوئی: tool-call arguments بھرنے والے 73 میں سے 20 رنز نے ان کے ذریعے ڈیٹا لیک کیا۔

## اہم نکات

-   Zenodo پر preprint، DOI 10.5281/zenodo.19688433، 22 اپریل 2026، CC BY 4.0۔ peer-review نہیں ہوا۔
-   39 ماڈلز، 14 لیبز، 7 probe منظرنامے، حساس ڈیٹا کی 5 کیٹیگریز، تقریباً 1,300 multi-run جانچیں۔
-   تین محور ایک دوسرے پر جمع ہوتے ہیں: آرکیٹیکچر، ماڈل کی نسل اور لیب کی alignment سرمایہ کاری۔ کوئی بھی اکیلا حفاظت کی پیش گوئی نہیں کرتا۔
-   آؤٹ پٹ چینلز الگ الگ لیک کرتے ہیں: 73 میں سے 20 tool-call رنز اور 43 میں سے 29 ریزننگ رنز میں حساس قدریں تھیں۔
-   BroadNet نے ان نتائج سے LSDF بنایا، OpenAI-compatible ٹریفک کے لیے ایک اوپن سورس (Apache-2.0) فائر وال۔

**اس صفحے پر**

1.  سروے میں کیا شامل تھا؟
2.  اہم نتائج کیا ہیں؟
3.  اپنے اسٹیک میں کیا بدلیں؟
4.  LSDF کیا ہے؟
5.  حدود کیا ہیں؟

Safety Map، BroadNet کا یہ سروے ہے کہ بڑے لسانی ماڈلز حساس ڈیٹا کو کیسے سنبھالتے ہیں۔ preprint، _The Safety Map: What Does and Doesn’t Transfer in LLM Sensitive-Data Handling_، 22 اپریل 2026 کو Zenodo پر DOI [10.5281/zenodo.19688433](https://doi.org/10.5281/zenodo.19688433) کے تحت شائع ہوا، اور اس کے مصنف Mohammad Al Zubaidi ہیں۔ یہ BroadNet کے [حساس ڈیٹا کی جانچ کے طریقے](https://broadrouter.com/ur/blog/llm-sensitive-data-safety-evaluation-method/) کا ساتھی مقالہ ہے۔

آگے جو ہے، وہ abstract اور BroadNet کے ریسرچ صفحے کا ہمارا خلاصہ ہے۔ فیصلے BroadNet کے ہیں۔

## سروے میں کیا شامل تھا؟

| پہلو | دائرہ |
| --- | --- |
| ماڈلز | 39، 14 آزاد لیبز سے |
| probe منظرنامے | 7 |
| کیٹیگریز | credentials، PII، protected health information (PHI)، مالی اکاؤنٹ نمبرز، data-loss-prevention (DLP) اسکیننگ |
| شواہد | تقریباً 1,300 multi-run جانچوں سے 135+ درجہ بند ماڈل-probe جوڑے |

BroadNet کا کیٹلاگ کہتا ہے کہ اس نے تقریباً 90 ریموٹ اور API ماڈلز، جنہیں اس نے کبھی اپنے ہارڈویئر پر نہیں چلایا، اپنے حفاظت، روٹنگ اور عربی ٹیسٹ ہارنسز سے گزارے ہیں، اور وہ نتائج اس نقشے میں شامل ہیں۔

## اہم نتائج کیا ہیں؟

**حفاظت ایک سطح ہے، ایک اسکور نہیں۔** یہ تین محوروں پر بدلتی ہے، جو ایک دوسرے پر جمع ہوتے ہیں:

-   **آرکیٹیکچر۔** مقالہ credentials پر، مختلف روٹنگ ڈیزائنز میں، تقریباً 24B active پیرامیٹرز کی capacity floor بتاتا ہے، جس کی بنیادی مثال کم active پیرامیٹرز والے mixture-of-experts ماڈلز ہیں۔
-   **نسل۔** alignment کا معیار ایک ہی ماڈل فیملی کے اندر سرحد کو سرکا دیتا ہے۔
-   **لیب کی alignment سرمایہ کاری۔** کسی مشہور لیب کا flagship لیبل ضمانت نہیں۔

تینوں میں سے کوئی بھی اکیلا حفاظت کی پیش گوئی نہیں کرتا؛ وہ مل کر اثر ڈالتے ہیں۔

**حفاظت کیٹیگریز کے درمیان منتقل نہیں ہوتی۔** credentials اور Social Security نمبرز کو صاف ستھرے طریقے سے سنبھالنا اسی ماڈل میں ناموں، صحت کے ریکارڈز یا اکاؤنٹ نمبرز تک نہیں پہنچا۔

**آؤٹ پٹ چینلز الگ الگ لیک کرتے ہیں۔** عملی طور پر سب سے زیادہ وزن اسی نتیجے کا ہے:

-   جن 73 رنز نے `tool_calls.arguments` بھرے، ان میں سے 20 نے tool call کے ذریعے حساس قدریں بھیجیں۔ ان رنز کے پیچھے ماڈلز میں Moonshot کا Kimi K2.6 بھی تھا، جسے اس کی ریلیز کے دن ٹیسٹ کیا گیا، اور جسے مقالہ باقی معاملات میں credentials، PII، مالی ڈیٹا اور DLP پر multi-run محفوظ قرار دیتا ہے۔
-   جن 43 رنز میں فراہم کنندہ نے `reasoning_content` کو کم از کم 20 حروف سے بھرا، ان میں سے 29 نے ریزننگ میں حساس قدریں لیک کیں، جبکہ چیٹ جواب کو محفوظ، چھوٹا ہوا یا کٹا ہوا قرار دیا گیا۔

**pruning حفاظت توڑ سکتی ہے۔** Meta کی Llama لائن کے دو آزاد pruned ورژنز، جنہیں NVIDIA نے neural architecture search سے بنایا، نے مختلف آؤٹ پٹ چینلز سے صحت کے ڈیٹا کی حفاظت توڑی۔

مقالہ پانچ درجوں کی درجہ بندی پر ختم ہوتا ہے۔ اس کا سب سے اوپر کا کلسٹر، جو پرکھی گئی ہر کیٹیگری میں یکساں محفوظ رہا، Claude Opus 4.7، GPT-5.4 اور GPT-5.4-mini، Gemini 3 Flash اور Gemini 3.1 Pro ہے۔ abstract کہتا ہے کہ xAI Grok اور Meta Llama کے flagships اس کلسٹر میں نہیں آتے۔

## اپنے اسٹیک میں کیا بدلیں؟

1.  **ہر چینل فلٹر کریں۔** نظر آنے والے جواب کی جانچ tool-call arguments اور ریزننگ فیلڈز کو چھوڑ دیتی ہے۔ اگر آپ [tool calling](https://broadrouter.com/ur/glossary/tool-calling/) یا ریزننگ ماڈل استعمال کرتے ہیں تو دونوں جانچیں۔
2.  **کیٹیگری کے لحاظ سے ٹیسٹ کریں۔** credentials پر صاف نتیجہ صحت یا تنخواہ کے ڈیٹا کے بارے میں کچھ نہیں بتاتا۔
3.  **ماڈل اپ ڈیٹس پر دوبارہ ٹیسٹ کریں۔** Kimi K2.6 والا نتیجہ ریلیز کے دن والے ماڈل سے آیا۔
4.  **جہاں ہو سکے، پہلے redact کریں۔** ماڈل وہ لیک نہیں کر سکتا جو اس نے کبھی دیکھا ہی نہیں۔ ہماری [حساس ڈیٹا گائیڈ](https://broadrouter.com/ur/blog/llm-api-sensitive-data/) Python میں placeholder سے redaction دکھاتی ہے۔

## LSDF کیا ہے؟

LSDF، یعنی LLM Sensitive Data Firewall، وہ کنٹرول ہے جو BroadNet نے ان دو مقالوں سے بنایا اور Apache-2.0 کے تحت [github.com/brntech/lsdf](https://github.com/brntech/lsdf) پر اوپن سورس کے طور پر جاری کیا۔ یہ OpenAI-compatible chat completions API کے لیے ایک reverse proxy ہے: آپ اپنے کلائنٹ کا base URL اس پر سیٹ کرتے ہیں، اور یہ آپ کے ماڈل سرور یا فراہم کنندہ تک آگے بھیجتا ہے۔ BroadNet کہتا ہے کہ یہ درخواستیں، جوابات، اسٹریم کیے گئے chunks، اسٹریم کیے گئے tool-call arguments، حاصل کردہ کانٹیکسٹ اور ریزننگ فیلڈز جانچتا ہے، اور ٹریسز اور لاگز کو الگ سے صاف کرتا ہے۔

BroadNet کی مئی 2026 کی جانچ، اس کے اپنے corpora پر، یہ recall بتاتی ہے:

| ڈیٹیکٹر اسٹیک | Credential replay | Clinical PHI | Broad English PII |
| --- | --- | --- | --- |
| صرف regex | 0.944 | 0.019 | 0.208 |
| Microsoft Presidio | 0.194 | 0.056 | 0.326 |
| LSDF broad-PII ڈیٹیکٹرز | 1.000 | 0.944 | 0.685 |

یہ ایک وینڈر کے اپنے ٹول کے نمبر ہیں، اس کے چنے ہوئے corpora پر۔ نقطۂ آغاز کے طور پر یہ کارآمد ہیں، اور ریپوزٹری میں replay شامل ہے تاکہ آپ انہیں جانچ سکیں۔ LSDF کسی بھی ماڈل کے آگے کام کرتا ہے، ان کے بھی جنہیں BroadNet ہوسٹ نہیں کرتا۔

## حدود کیا ہیں؟

مقالہ ایک preprint ہے، peer-review نہیں ہوا۔ BroadNet کی ذمہ دارانہ اشاعت کی پالیسی کے تحت درست پرامپٹس، credential فارمیٹس اور thresholds عوامی ورژن سے ہٹائے گئے ہیں، اور درخواست پر ماڈل فراہم کنندگان اور محققین سے شیئر کیے جاتے ہیں۔ ماڈل ورژنز تیزی سے بدلتے ہیں، اس لیے اپریل 2026 کا فیصلہ ٹیسٹ کرنے کی وجہ ہے، ٹیسٹ کا متبادل نہیں۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[PII (personally identifiable information)](https://broadrouter.com/ur/glossary/pii/)

PII (personally identifiable information) وہ معلومات ہے جس سے کسی شخص کی شناخت الگ کی یا کھوجی جا سکے، جیسے نام، ID نمبر یا بایومیٹرک ریکارڈ، نیز اس شخص سے جڑی یا جوڑی جا سکنے والی دوسری معلومات۔ GDPR کی وسیع تر اصطلاح personal data ہے۔ LLM میں PII redaction اسے سسٹم سے نکلنے سے پہلے پرامپٹس سے ہٹاتا ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[base URL](https://broadrouter.com/ur/glossary/base-url/)

base URL کسی API کا مقررہ بنیادی پتہ ہے، جیسے https://api.example.com/v1، جسے کلائنٹ /chat/completions جیسے ہر اینڈپوائنٹ پاتھ کے آگے لگاتا ہے۔ OpenAI-compatible SDK میں base URL کو API کلید اور ماڈل ID کے ساتھ بدلنے سے وہی کوڈ کسی دوسرے فراہم کنندہ سے جڑ جاتا ہے۔

[Chat Completions API](https://broadrouter.com/ur/glossary/chat-completions-api/)

Chat Completions API، OpenAI کا HTTP اینڈپوائنٹ POST /v1/chat/completions ہے، جو ایک ماڈل کا نام اور رول والے پیغامات کی فہرست لیتا ہے اور ماڈل کا اگلا پیغام لوٹاتا ہے۔ اس کی درخواست اور جواب کی ساخت وہ عام فارمیٹ بن گئی جسے OpenAI-compatible فراہم کنندگان اور SDKs اپناتے ہیں۔

[Mixture of experts (MoE)](https://broadrouter.com/ur/glossary/mixture-of-experts/)

Mixture of experts (MoE) ایک نیورل نیٹ ورک ڈیزائن ہے جس میں ایک layer میں کئی expert ذیلی نیٹ ورکس ہوتے ہیں اور ایک سیکھا ہوا router ہر ٹوکن کو ان میں سے صرف چند کے پاس بھیجتا ہے۔ MoE لینگویج ماڈل کے کل پیرامیٹرز بہت ہوتے ہیں، لیکن ہر ٹوکن پر ایک چھوٹا active حصہ ہی استعمال کرتا ہے۔

[ماڈل لائسنس (model license)](https://broadrouter.com/ur/glossary/model-license/)

ماڈل لائسنس وہ قانونی شرائط ہیں جن کے تحت کسی ماڈل کے weights، کوڈ اور آؤٹ پٹ استعمال، تبدیل اور شیئر کیے جا سکتے ہیں۔ اوپن ویٹ ماڈلز Apache 2.0 یا MIT جیسے عام سافٹ ویئر لائسنس، یا کسٹم ماڈل لائسنس استعمال کرتے ہیں، جو بڑی کمرشل سروسز پر حد جیسی شرائط جوڑ سکتے ہیں۔

## عام سوالات

### Safety Map میں کن ماڈلز نے سب سے اچھا کیا؟

abstract سب سے اوپر ایک frontier-alignment کلسٹر رکھتا ہے، جو پرکھی گئی ہر کیٹیگری میں یکساں محفوظ رہا: Claude Opus 4.7، GPT-5.4 اور GPT-5.4-mini، Gemini 3 Flash اور Gemini 3.1 Pro۔ Claude Sonnet 4.6 بالکل نیچے ہے، 15 رنز میں صحت کے ڈیٹا کے ایک لیک کے ساتھ، جس میں صرف تاریخِ پیدائش تھی۔

### جو ماڈل کبھی API کلیدیں لیک نہیں کرتا، کیا وہ مریضوں کے ڈیٹا کے ساتھ محفوظ ہے؟

ضروری نہیں۔ مقالے نے پایا کہ حفاظت کیٹیگری کے لحاظ سے الگ ہو جاتی ہے: جس ماڈل نے credentials، Social Security نمبرز اور ڈیٹا بیس پاس ورڈز محفوظ رکھے، وہ پھر بھی ہر رن میں تنخواہ کی ایک دستاویز کے ملازمین کے نام بتا سکتا تھا۔

### tool calls کیوں اہم ہیں؟

کیونکہ کئی فلٹرز صرف چیٹ جواب جانچتے ہیں۔ جن 73 رنز میں ماڈل نے tool-call arguments بھرے، ان میں سے 20 نے اس چینل سے حساس قدریں بھیجیں، ایک ایسے ماڈل میں بھی جو باقی معاملات میں multi-run محفوظ تھا۔

### کیا چھوٹے mixture-of-experts ماڈلز زیادہ لیک کرتے ہیں؟

مقالہ credentials پر تقریباً 24B active پیرامیٹرز کی ایک capacity floor بتاتا ہے، جو بنیادی طور پر کم active پیرامیٹرز والے mixture-of-experts ڈیزائنز میں ظاہر ہوتی ہے۔ BroadNet کی practitioner پوسٹ کہتی ہے کہ اسے اب تک 24B سے کم active پیرامیٹرز والا ایسا کوئی MoE ماڈل نہیں ملا جو اس کے structured-data probes پر لیک نہ کرے۔

### کیا BroadNet Inference کے ماڈلز Safety Map میں شامل ہیں؟

abstract ان کے لیے ماڈل بہ ماڈل فیصلے درج نہیں کرتا، اور یہ پری پرنٹ اپریل 2026 کا ہے، اس لیے بعد میں جاری ہونے والا کوئی ماڈل اس میں شامل نہیں ہو سکتا۔ Gemma 4 VL 26B میں تقریباً 4B active پیرامیٹرز ہیں، اس لیے اگر وہ credentials یا ذاتی ڈیٹا دیکھے گا تو اسے اپنے حساس ڈیٹا probes پر پرکھیں، یا بھیجنے سے پہلے redact کریں۔

## مزید پڑھیں

-   [حساس ڈیٹا کی حفاظت کے لیے LLM کو کیسے پرکھیں: BroadNet کا طریقہ](https://broadrouter.com/ur/blog/llm-sensitive-data-safety-evaluation-method/)
-   [LLM API کو حساس ڈیٹا بھیجنا: redact کریں، کم بھیجیں، کم لاگ کریں](https://broadrouter.com/ur/blog/llm-api-sensitive-data/)
-   [اوپن ماڈلز کے ساتھ ٹول کالنگ: اسکیما، متوازی کالز، دوبارہ کوشش](https://broadrouter.com/ur/blog/tool-calling-open-models/)
-   [ریزننگ ٹوکنز: نظر آنے سے زیادہ آؤٹ پٹ کی ادائیگی کیوں ہوتی ہے](https://broadrouter.com/ur/blog/reasoning-tokens-cost/)
-   [مصر کا ڈیٹا تحفظ کا قانون (Law 151 of 2020) اور LLM API](https://broadrouter.com/ur/blog/egypt-data-protection-law-llm-api/)
-   [سعودی اور UAE PDPL اور LLM API: سرحد پار ڈیٹا منتقلی کی چیک لسٹ](https://broadrouter.com/ur/blog/saudi-uae-pdpl-llm-api-checklist/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-llm-safety-map-39-models&utm_content=page-cta) ·

**ذرائع**

-   [Al Zubaidi، The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling، Zenodo preprint، 2026-04-22 (ریکارڈ حاصل کیا گیا 2026-11-15)](https://doi.org/10.5281/zenodo.19688433)
-   [BroadNet Research: Safety Map کے اہم نتائج (حاصل کیا گیا 2026-11-15) (انگریزی میں)](https://www.broadnet.ai/research)
-   [BroadNet بلاگ، The firewall behind our LLM safety research is now open source (9 ستمبر 2026؛ حاصل کیا گیا 2026-11-15) (انگریزی میں)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [LSDF ریپوزٹری، Apache-2.0 (حاصل کیا گیا 2026-11-15)](https://github.com/brntech/lsdf)
-   [BroadNet ماڈل کیٹلاگ: بینچ مارک کیے گئے ریموٹ اور API ماڈلز (حاصل کیا گیا 2026-11-15) (انگریزی میں)](https://www.broadnet.ai/inference/models)
