Extracting and Following Paths for Robust Relational Reasoning with Large Language Models
यह शोधपत्र पाथ-ऑफ-थॉट्स (PoT) प्रस्तुत करता है, जो एक नवीन ढांचा है जो कार्यों को ग्राफ निष्कर्षण (graph extraction), पथ पहचान (path identification) और तर्क (reasoning) चरणों में विभाजित करके बड़े भाषा मॉडलों की संबंधपरक तर्क क्षमताओं को बढ़ाता है, जिससे बिना फाइन-ट्यूनिंग के अत्याधुनिक बेसलाइनों की तुलना में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है और निष्कर्षण त्रुटियों के विरुद्ध लचीलापन बना रहता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
बड़ी समस्या: LLMs बेहतरीन कहानीकार हैं, लेकिन खराब नेविगेटर हैं
कल्पना कीजिए कि एक लार्ज लैंग्वेज मॉडल (LLM) एक प्रतिभाशाली लाइब्रेरियन है जिसने दुनिया की हर किताब पढ़ी है। यदि आप उससे पूछते हैं, "फ्रांस की राजधानी क्या है?" या "बारिश पर एक कविता लिखें," तो यह लाइब्रेरियन तुरंत और सटीक उत्तर देता है।
हालाँकि, यदि आप उससे कोई जटिल तर्क पहेली (logic puzzle) पूछते जैसे, "एलिस, बॉब की बहन है। बॉब, चार्ली के बाईं ओर बैठा है। चार्ली, डेव के पीछे है। डेव के सापेक्ष एलिस कहाँ है?" तो लाइब्रेरियन अक्सर भ्रमित हो जाता है। वे शब्दों के अर्थ को समझने के बजाय इस आधार पर उत्तर देने की कोशिश कर सकते हैं कि शब्द कैसे सुनाई देते हैं। वे अक्सर "हैलुसिनेट" (मनगढ़ंत बातें बनाना) करने लगते हैं या कहानी के बीच में ही रास्ता भटक जाते हैं।
यह पेपर Path-of-Thoughts (PoT) नामक एक नया फ्रेमवर्क पेश करता है ताकि इस समस्या को ठीक किया जा सके। लाइब्रेरियन से तुरंत उत्तर का अनुमान लगाने के लिए कहने के बजाय, PoT उन्हें तीन चरणों वाली एक "मैप-मेकिंग" (नक्शा बनाने की) प्रक्रिया देता है।
समाधान: "Path-of-Thoughts" (PoT) फ्रेमवर्क
PoT फ्रेमवर्क को एक जासूस के कार्यप्रवाह (Detective's Workflow) के रूप में सोचें। एक जासूस (AI) द्वारा अपराध को सहज अंतर्ज्ञान के एक बड़े कदम में हल करने के बजाय, वह काम को तीन विशिष्ट चरणों में तोड़ देता है।
चरण 1: ग्राफ एक्सट्रैक्शन (नक्शा बनाना)
उपमा: कल्पना कीजिए कि कहानी एक बिखरा हुआ कमरा है जो फर्नीचर, लोगों और बिखरे हुए नोट्स से भरा है। पहला चरण उस बिखरे हुए कमरे को अनदेखा करना और व्हाइटबोर्ड पर एक साफ स्कीमैटिक मैप (schematic map) बनाना है।
- क्या होता है: AI कहानी को पढ़ता है और केवल महत्वपूर्ण तथ्यों को निकालता है: "कौन कौन है?" और "वे एक-दूसरे से कैसे जुड़े हैं?"
- परिणाम: यह बिखरी हुई टेक्स्ट को एक साफ ग्राफ (Graph) (बिंदुओं और रेखाओं का एक नेटवर्क) में बदल देता है।
- बिंदु (Dots) = लोग या वस्तुएं (जैसे: एलिस, बॉक्स, हरी चीज़)।
- रेखाएं (Lines) = संबंध (जैसे: "बहन है", "पीछे है", "ढकता है")।
- यह कैसे मदद करता है: भले ही AI यहाँ एक छोटी सी गलती कर दे, लेकिन यह पूरी बिखरी हुई कहानी के माध्यम से तर्क करने की कोशिश करने से कहीं बेहतर है।
चरण 2: पाथ आइडेंटिफिकेशन (रास्ता खोजना)
उपमा: अब जब आपके पास एक नक्शा है, तो आपके पास एक मंजिल है। आपको बिंदु A से बिंदु B तक पहुँचने के लिए पूरे नक्शे को देखने की ज़रूरत नहीं है; आपको बस एक विशिष्ट मार्ग (route) की आवश्यकता है।
- क्या होता है: सिस्टम प्रश्न को देखता है (जैसे, "हरी चीज़, ऑरेंज चीज़ के सापेक्ष कहाँ है?") और नक्शे पर उन विशिष्ट कनेक्शनों को खोजता है जो उन्हें जोड़ते हैं।
- जादुई ट्रिक: कभी-कभी, दो बिंदुओं को जोड़ने के कई तरीके होते हैं, या नक्शे में कुछ "शोर" (गलत रेखाएं जो गलती से खींची गई हों) हो सकता है। PoT सभी संभावित रास्तों को खोज लेता है।
- यह कैसे मदद करता है: यदि AI ने नक्शे पर एक गलत रेखा खींची है (जैसे, यह कहना कि "A, B के पीछे है" जबकि वास्तव में "A, B के सामने है"), तो कई रास्तों का होना सिस्टम को क्रॉस-चेक करने की अनुमति देता है। यदि एक रास्ता किसी डेड एंड (dead end) या विरोधाभास की ओर ले जाता है, तो सिस्टम उसे अनदेखा कर सकता है और सही रास्ते का अनुसरण कर सकता है। यह एक ऐसे GPS की तरह है जो आपको तीन अलग-अलग रास्ते दिखाता है; यदि एक रास्ता ट्रैफिक के कारण बंद है, तो आप दूसरा रास्ता चुन लेते हैं।
चरण 3: रीजनिंग (पहेली सुलझाना)
उपमा: अब जब आपने विशिष्ट मार्ग को अलग कर लिया है, तो आप इसे एक लॉजिक सॉल्वर (Logic Solver) (या तो एक सुपर-स्मार्ट AI या एक सख्त गणितीय कंप्यूटर प्रोग्राम) को सौंप देते हैं।
- क्या होता है: सॉल्वर केवल चरण 2 में मिले विशिष्ट तथ्यों की श्रृंखला को देखता है। उसे बाकी कहानी की परवाह नहीं होती। यह सख्त नियमों को लागू करता है (जैसे, "यदि A, B के बाईं ओर है, और B, C के बाईं ओर है, तो A, C के बाईं ओर है")।
- परिणाम: एक सटीक उत्तर।
यह पुराने तरीके से बेहतर क्यों है?
पुराना तरीका (Chain-of-Thought):
AI को "चरण-दर-चरण सोचने" के लिए कहना वैसा ही है जैसे किसी इंसान को आँखों पर पट्टी बांधकर भूलभुलैया (maze) सुलझाने के लिए कहना, जहाँ वह केवल अपने दिमाग में दीवारों का वर्णन कर रहा हो। वे 5 चरणों के बाद ही रास्ता भटक सकते हैं।
PoT का तरीका:
- रुकें और ड्रा करें: पहले भूलभुलैया को कागज पर खींचें (ग्राफ एक्सट्रैक्शन)।
- रेखा का पीछा करें: शुरुआत से अंत तक एक विशिष्ट रेखा खोजें (पाथ आइडेंटिफिकेशन)।
- रेखा पर चलें: उस विशिष्ट रेखा पर चलकर अंत तक पहुँचें (रीजनिंग)।
PoT की "सुपरपावर": लचीलापन (Resilience)
पेपर एक महत्वपूर्ण लाभ पर प्रकाश डालता है: मजबूती (Robustness)।
कल्पना कीजिए कि AI चरण 1 में गलती करता है और नक्शे पर एक "नकली" कनेक्शन बना देता है (जैसे, यह गलती से कहता है कि "लाल बॉक्स, नीले बॉक्स के नीचे है" जबकि वास्तव में वह ऊपर है)।
- PoT के बिना: AI उस नकली तथ्य सहित पूरी कहानी के माध्यम से तर्क करने की कोशिश करता है और गलत उत्तर देता है।
- PoT के साथ: सिस्टम कई रास्ते खोजता है। एक रास्ता उस नकली तथ्य का उपयोग कर सकता है और एक अजीब परिणाम की ओर ले जा सकता है। दूसरा रास्ता सही तथ्यों का उपयोग कर सकता है। सिस्टम देख सकता है कि "नकली" रास्ता तर्कहीन है या अन्य रास्तों के साथ विरोधाभास पैदा करता है, और वह उसे अनदेखा कर देता है। यह जासूसों की एक ऐसी टीम की तरह है जहाँ यदि एक भ्रमित हो जाता है, तो दूसरे उसे सुधार देते हैं।
परिणाम
शोधकर्ताओं ने चार अलग-अलग "पहेली" डेटासेट्स पर इसका परीक्षण किया जिसमें शामिल थे:
- नाते-रिश्ते (Kinship): पारिवारिक वंशावली समझना (जैसे, "चाचा/मामा कौन है...?")।
- स्थानिक तर्क (Spatial Reasoning): वस्तुओं की स्थिति को समझना (जैसे, "क्या कप प्लेट के बाईं ओर है?")।
परिणाम:
PoT ने मौजूदा सर्वोत्तम तरीकों को बहुत बड़े अंतर से पछाड़ दिया (लग तक 21.3% बेहतर)। इसने यह सब बिना AI मॉडल्स को फिर से प्रशिक्षित (retrain) किए किया (जो महंगा और धीमा है)। इसने केवल AI को अपने विचारों को व्यवस्थित करने का एक बेहतर तरीका दिया।
सारांश
Path-of-Thoughts एक भ्रमित लाइब्रेरियन को व्हाइटबोर्ड और हाइलाइटर देने जैसा है।
- व्हाइटबोर्ड: संबंधों को स्पष्ट रूप से खींचें (ग्राफ)।
- हाइलाइटर: केवल उस पथ को घेरें जो महत्वपूर्ण है (पाथ आइडेंटिफिकेशन)।
- हल करें: केवल वही जो हाइलाइट किया गया है, उसके आधार पर उत्तर दें (रीजनिंग)।
यह AI को अप्रासंगिक विवरणों से विचलित होने या अपनी ही गलतियों में उलझने से रोकता है, जिससे यह एक बहुत अधिक विश्वसनीय "रीज़नर" बन जाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।