💻 computer science

VLAs are Confined yet Capable of Generalizing to Novel Instructions

यह शोध पत्र प्रदर्शित करता है कि विजन-लैंग्वेज-एक्शन (VLA) मॉडल इंटरपोलेशन के माध्यम से आंतरिक टेक्स्ट लेटेंट्स (text latents) में हेरफेर करके टास्क एक्सट्रपलेशन और स्पेशियल ओवरफिटिंग के साथ अपने संघर्ष को दूर कर सकते हैं, एक ऐसी तकनीक जो नवीन निर्देश बेंचमार्क पर 83% सफलता दर प्राप्त करती है और छिपे हुए, मानव-अपठनीय प्रॉम्प्ट इंजेक्शन की क्षमता को प्रकट करती है।

मूल लेखक: Quanyi Li

प्रकाशित 2026-05-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Quanyi Li

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

कल्पना कीजिए कि आप एक रोबोट शेफ को खाना बनाना सिखा रहे हैं। आप उसे दो विशिष्ट रेसिपी दिखाते हैं:

रेसिपी A: "क्रीम चीज़ को कटोरे में डालो।"
रेसिपी B: "कटोरे को कैबिनेट के ऊपर रखो।"

रोबोट इन दोनों मूव्स को पूरी तरह सीख जाता है। वह रेसिपी A कर सकता है, और वह रेसिपी B भी कर सकता है। लेकिन फिर, आप उससे एक नया सवाल पूछते हैं: "क्रीम चीज़ को कैबिनेट के ऊपर रखो।"

तार्किक रूप से, रोबोट को यह करने में सक्षम होना चाहिए। वह चीज़ को पकड़ना जानता है, और वह कैबिनेट तक पहुँचना भी जानता है। उसे बस इन दो कौशलों को जोड़ने की आवश्यकता है। हालांकि, इस पेपर के अनुसार, अधिकांश उन्नत रोबोट मस्तिष्क (जिन्हें विज़न-लैंग्वेज-एक्शन मॉडल्स या VLAs कहा जाता है) इसमें बुरी तरह विफल हो जाते हैं। वे अटक जाते हैं, और ऐसा व्यवहार करते हैं जैसे उन्होंने पहले कभी कैबिनेट या क्रीम चीज़ को देखा ही न हो, भले ही उन्होंने पिछले चरणों में इनका उपयोग किया हो।

समस्या: रोबोट एक "पैरट" (तोता) है, "शेफ" नहीं

शोधकर्ताओं ने पाया कि ये रोबोट वास्तव में दुनिया को समझ नहीं रहे हैं। इसके बजाय, वे विशिष्ट दृश्यों (scenes) को याद कर रहे हैं।

इसे एक ऐसे छात्र की तरह समझें जिसने अभ्यास परीक्षण के उत्तर तो रट लिए हैं लेकिन गणित को समझा नहीं है। यदि आप उससे पूछते हैं, "2 + 2 क्या है?" तो वह कहता है "4"। लेकिन यदि आप उससे पूछते हैं, "2 + 2 क्या होगा यदि संख्याएँ लाल स्याही में लिखी हों?" तो शायद वह घबरा जाए।

रोबोट के मामले में, उसने सीख लिया है कि "क्रीम चीज़" हमेशा उस विशिष्ट स्थान से जुड़ी होती है जहाँ उसने ट्रेनिंग के दौरान क्रीम चीज़ देखी थी। वह यह नहीं समझता कि "क्रीम चीज़" एक ऐसी वस्तु है जिसे हिलाया जा सकता है; वह सोचता है कि "क्रीम चीज़" वही विशिष्ट स्थान है। पेपर इसे "स्पेशियल ओवरफिटिंग" (Spatial Overfitting) कहता है। रोबोट ट्रेनिंग वीडियो में चीजों के कहाँ होने पर इतना केंद्रित है कि वह वास्तविक क्षण में उनके वास्तविक स्थान को अनदेखा कर देता है।

समाधान: "मैजिक रेसिपी कार्ड" (टेक्स्ट लेटेंट)

शोधकर्ता जानना चाहते थे: क्या रोबोट वास्तव में गहराई में स्मार्ट है, या वह बस टूटा हुआ है?

उन्होंने रोबोट के मस्तिष्क के अंदर एक छिपा हुआ "सामग्री" (ingredient) पाया जिसे टेक्स्ट लेटेंट (Text Latent) कहा जाता है।

उपमा: कल्पना कीजिए कि रोबोट का मस्तिष्क एक विशाल पुस्तकालय है। जब आप उसे "चीज़ को कटोरे में डालो" जैसा कमांड देते हैं, तो रोबट अपनी आंतरिक स्मृति से एक विशिष्ट, अदृश्य "रेसिपी कार्ड" निकालता है। यह कार्ड उन शब्दों में नहीं लिखा है जिन्हें आप पढ़ सकें; यह विद्युत संकेतों का एक जटिल पैटर्न (एक वेक्टर) है जो रोबोट को ठीक से बताता है कि उसे कैसे हिलना-डुलना है।
खोज: शोधकर्ताओं ने पाया कि यदि वे इस अदृश्य "रेसिपी कार्ड" को, जो "चीज़ को कटोरे में डालने" के लिए था, वापस रोबोट के मस्तिष्क में इंजेक्ट कर दें, तो रोबोट उस क्रिया को पूरी तरह से करेगा—भले ही आपने उसे कोई शब्द न दिए हों। वह कार्ड ही निर्देश था।

सफलता: कार्डों को मिलाना (टेक्स्ट लेटेंट इंटरपोलेशन)

असली जादू तब हुआ जब उन्होंने "क्रीम चीज़ को कैबिनेट पर रखने" की समस्या को हल करने की कोशिश की।

उन्होंने कार्य A (चीज़ को कटोरे में डालना) के लिए अदृश्य "रेसिपी कार्ड" और कार्य B (कटोरे को कैबिनेट पर रखना) के लिए कार्ड लिया। फिर, उन्होंने उन दोनों कार्डों का एक सुचारू मिश्रण (smooth blend) बनाया।

उपमा: कल्पना कीजिए कि आपके पास दो संगीत ट्रैक चल रहे हैं। एक जैज़ गाना है, दूसरा रॉक गाना। एक से दूसरे में अचानक स्विच करने के बजाय, आप जैज़ को धीरे-धीरे कम करते हुए और रॉक को बढ़ाते हुए एक मिक्सर का उपयोग करते हैं।
परिणाम: इन दो अदृश्य रेसिपी कार्डों को रोबोट के मस्तिष्क के भीतर "मिक्स" करके, रोबोट ने सफलतापूर्वक कौशलों को जोड़ा। उसने चीज़ को पकड़ा, उसे कैबिनेट तक ले गया, और उसे गिरा दिया।

आंकड़े:

इस ट्रिक के बिना, रोबोट (जिसे π0 नाम दिया गया है) इन नए, संयुक्त कार्यों पर केवल 9% बार सफल हुआ।
इस "मिक्सिंग" ट्रिक के साथ, सफलता उछलकर 83% हो गई।

इससे सिद्ध हुआ कि रोबोट के भीतर वे कौशल पहले से ही मौजूद थे; बस वह उन्हें खुद से मिलाने में असमर्थ था। "रेसिपी कार्ड" वहीं थे, लेकिन रोबोट को उन्हें मिलाने के लिए एक इंसान की मदद की आवश्यकता थी।

बड़ा परीक्षण: "लिबेरो-ओओडी" (Libero-OOD) बेंचमार्क

यह साबित करने के लिए कि यह केवल एक इत्तेफाक नहीं था, लेखकों ने एक नया परीक्षण बनाया जिसे Libero-OOD कहा जाता है। इस परीक्षण में 20 कठिन कार्य शामिल हैं जहाँ रोबोट को अपने पहले से ज्ञात कौशलों को नए तरीकों से जोड़ना होता है।

परिणाम: उन्होंने दुनिया के सबसे अच्छे रोबोट दिमागों (जैसे UniVLA, OpenVLA, और π0-fast) का परीक्षण किया। उनमें से कोई भी अपने आप इसे करने में सक्षम नहीं था। उन सभी का स्कोर 21% से नीचे रहा।
निष्कर्ष: यहाँ तक कि सबसे स्मार्ट रोबोट भी वर्तमान में अपने ट्रेनिंग डेटा में "फंसे" हुए हैं। वे बिना मदद के सामान्यीकरण (generalize) नहीं कर सकते या "आउट ऑफ द बॉक्स" नहीं सोच सकते।

चेतावनी: "प्राइवेट इंस्ट्रक्शन्स" (निजी निर्देश)

शोधकर्ताओं ने कुछ थोड़ा डरावना भी पाया। क्योंकि ये "रेसिपी कार्ड" केवल संख्याओं के पैटर्न हैं, इसलिए आप इन्हें वापस टेक्स्ट में बदल सकते हैं।

जब उन्होंने एक कार्य के लिए "रेसिपी कार्ड" को पढ़ने की कोशिश की, तो परिणामी टेक्स्ट निरर्थक (जैसे QSize, black, plate) था।
हालाँकि, यदि आप इस निरर्थक टेक्स्ट को वापस रोबोट में फीड करते, तो यह अभी भी काम करता!
रूपक: यह एक गुप्त कोड की तरह है जिसे केवल रोबोट समझता है। आप एक सामान्य दिखने वाले वाक्य के अंदर एक गुप्त निर्देश छिपा सकते हैं, और रोबोट बिना किसी को पता चले उसका पालन करेगा। इसे "बैकडोर" कहा जाता है, और यह दिखाता है कि ये मॉडल हमारी सोच से कहीं अधिक रहस्यमय हैं।

सारांश

यह पेपर हमें बताता है कि आज के सबसे स्मार्ट रोबोट उन संगीतकारों की तरह हैं जो दो गाने पूरी तरह से बजा सकते हैं लेकिन एक नया धुन (melody) नहीं बना सकते। वे अपने अभ्यास सत्रों से सटीक नोट्स और स्थितियों को याद रखते हैं लेकिन जब संगीत थोड़ा बदल जाता है, तो वे विफल हो जाते हैं।

लेखकों ने दिखाया कि यदि हम मैन्युअल रूप से दो अलग-अलग गानों के "संगीत स्कोर" (टेक्स्ट लेटेंट्स) को मिलाते हैं, तो रोबोट नई धुन बजा सकता है। यह सिद्ध करता है कि रोबोट के पास प्रतिभा है, लेकिन उसमें अपने कौशलों को मिलाने की क्षमता की कमी है। यह पेपर एक नया परीक्षण (Libero-OOD) पेश करता है ताकि शोधकर्ता ऐसे रोबोट बनाने में मदद कर सकें जो वास्तव में अपने कौशलों को मिलाना सीख सकें, न कि केवल दृश्यों को याद कर सकें।

यहाँ क्वानी ली (Quanyi Li) के शोध पत्र "VLAs are Confined yet Capable of Generalizing to Novel Instructions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विज़न-लैंग्वेज-एक्शन (VLA) मॉडल विशिष्ट प्रदर्शनों (demonstrations) के साथ फाइन-ट्यून किए जाने पर इन-डिस्ट्रीब्यूशन कार्यों पर मजबूत प्रदर्शन प्रदर्शित करते हैं। हालाँकि, वे आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) कार्यों के साथ संघर्ष करते हैं, विशेष रूप से उन कार्यों के साथ जिनमें एक्सट्रपलेशन (extrapolation) की आवश्यकता होती है (सीखे गए कौशल को नए तरीकों से पुनर्संयोजित करना)।

मुख्य मुद्दा: एक VLA विशिष्ट रूप से "क्रीम चीज़ को कटोरे में रखें" और "कटोरे को कैबिनेट पर रखें" सीख सकता है, लेकिन वह एक्सट्रपलेटेड कार्य "क्रीम चीज़ को कैबिनेट पर रखें" को निष्पादित करने में विफल हो सकता है, भले ही घटक मोशन प्रिमिटिव्स (पकड़ना, पहुँचना) पहले से ही सीखे जा चुके हों।
प्रश्न: क्या VLAs केवल प्रदर्शित प्रक्षेपवक्रों (trajectories) पर ओवरफिट होते हैं, या वे व्यापक सामान्यीकरण का समर्थन करने वाले संयोज्य आंतरिक प्रतिनिधित्व (composable internal representations) सीखते हैं?
अंतराल (Gap): इसे परीक्षण करने के लिए उपयुक्त बेंचमार्क की कमी है, क्योंकि मौजूदा OOD कार्य अक्सर बहुत कठिन (जैसे, पूरी तरह से नए भौतिकी की आवश्यकता वाले) या बहुत आसान होते हैं। लेखकों का प्रस्ताव है कि एक वैध बेंचमार्क में ऐसे कार्य होने चाहिए जिन्हें मॉडल को मौजूदा कौशल को जोड़कर हल करने में सक्षम होना चाहिए, लेकिन वर्तमान में वह इसे स्वायत्त रूप से करने में विफल रहता है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र मैकेनिस्टिक इंटरप्रिटेबिलिटी (Mechanistic Interpretability) पर आधारित एक ढांचा पेश करता है जो VLAs, विशेष रूप से मॉडल $\pi_0$ के आंतरिक अवस्थाओं की जांच और हेरफेर करने पर केंद्रित है।

A. टेक्स्ट लेटेंट एक्सट्रैक्शन (Text Latent Extraction)

लेखक परिकल्पना करते हैं कि कार्य-विशिष्ट कौशल प्रतिनिधित्व टेक्स्ट टोकन (कार्य विवरण) के हिडन स्टेट्स (hidden states) में एनकोडेड होते हैं।

परिभाषा: एक टेक्स्ट लेटेंट ( $T$ ) एक कार्य-विशिष्ट वेक्टर है जो एक विशिष्ट कार्य के लिए सभी ट्रांसफार्मर लेयर्स और कई प्रदर्शन एपिसोड के माध्यम से टेक्स्ट टोकन के हिडन स्टेट्स के औसत से प्राप्त होता है।
एक्सट्रैक्शन: $T = \frac{1}{K} \sum_{k=1}^{K} \sum_{i \in B_k} h_T(i)$ , जहाँ $h_T(i)$ टाइमस्टेप $i$ पर टेक्स्ट टोकन के हिडन स्टेट्स को दर्शाता है।
कार्य: $T$ को मॉडल के रेसिडुअल स्ट्रीम (विशेष रूप से टेक्स्ट टोकन हिडन स्टेट्स) में वापस इंजेक्ट करने से मूल टेक्स्ट प्रॉम्प्ट के बिना भी संबंधित कार्य व्यवहार को पुनर्गठित किया जा सकता है।

B. टेक्स्ट लेटेंट इंटरपोलेशन (Text Latent Interpolation - TLI)

एक्सट्रपलेशन प्राप्त करने के लिए, लेखक दो आधार कार्यों के टेक्स्ट लेटेंट्स को मिलाकर एक नया, कंपोजिट व्यवहार बनाने का प्रस्ताव करते हैं।

तंत्र: डिस्क्रीट टेक्स्ट टोकन को इंटरपोलेट करने के बजाय (जो असंभव है), लेखक रेसिडुअल स्ट्रीम के भीतर टेक्स्ट लेटेंट्स ( $T_1$ और $T_2$ ) को इंटरपोलेट करते हैं।
फॉर्मूला: टाइमस्टेप $i$ पर, हिडन स्टेट को इस प्रकार संशोधित किया जाता है:
$h_T(i) = h_T(i) + [(1-\alpha)T_1 + \alpha T_2] - [(1-\alpha)T_2 + \alpha T_1]$
जहाँ $\alpha = i/\lambda$ टास्क 1 से टास्क 2 में ट्रांजिशन की गति को नियंत्रित करता है।
प्रभाव: यह मॉडल को टास्क 1 के व्यवहार से शुरू करने और टास्क 2 में सुचारू रूप से संक्रमण करने के लिए निर्देशित करता है, जो प्रभावी रूप से एक नवीन एक्सट्रपलेटेड कार्य को हल करने के लिए सब-ट्रैजेक्टरीज को "स्टिच" (stitch) करता है।

C. Libero-OOD बेंचमार्क

लेखक libero-ood नामक एक नया बेंचमार्क सूट पेश करते हैं जिसमें मानक LIBERO सूट्स (libero-goal, libero-spatial, libero-object) से प्राप्त 20 एक्सट्रपलेटेड कार्य शामिल हैं।

डिज़ाइन: प्रत्येक कार्य में एक कार्य से सीखी गई पकड़ने की स्थिति (grasping location) और दूसरे कार्य से रखी जाने वाली स्थिति (placement location) को जोड़ने की आवश्यकता होती है। विशिष्ट प्रक्षेपवक्र (trajectory) जो इन दो बिंदुओं को जोड़ता है, वह प्रशिक्षण के दौरान कभी नहीं देखा गया है।
लक्ष्य: यह परीक्षण करना कि क्या VLAs सीखे गए कौशल प्रतिनिधित्वों को स्वायत्त रूप से पुनर्संयोजित कर सकते हैं।

3. मुख्य योगदान (Key Contributions)

संयोज्य कौशल प्रतिनिधित्व की खोज (Discovery of Composable Skill Representations): यह शोध पत्र प्रदर्शित करता है कि VLAs (विशेष रूप से $\pi_0$ ) के पास ऐसे कौशल प्रतिनिधित्व हैं जो व्यक्तिगत और संयोज्य (individual yet composable) हैं। हालांकि मॉडल स्वायत्त रूप से उन्हें संयोजित नहीं कर सकता है, लेकिन टेक्स्ट लेटेंट हेरफेर के माध्यम से इसे मजबूर किया जा सकता है।
टेक्स्ट लेटेंट इंटरपोलेशन (TLI): यह एक अभिनव इन्फरेंस-टाइम हस्तक्षेप तकनीक है जो नवीन कार्यों पर सफलता दर बढ़ाने के लिए कार्य प्रतिनिधित्व को मिश्रित करती है, जिससे पुन: प्रशिक्षण के बिना एक्सट्रपलेशन संभव होता है।
Libero-OOD बेंचमार्क: एक कठोर बेंचमार्क जो कौशल को पुनर्संयोजित करने की क्षमता को अलग करने के लिए डिज़ाइन किया गया है। यह उन कार्यों को फ़िल्टर करता है जो रोबोट के लिए असंभव हैं, और इसके बजाय उन पर ध्यान केंद्रित करता है जो मॉडल के मौजूदा ज्ञान आधार द्वारा सैद्धांतिक रूप से हल किए जा सकते हैं।
स्पेशियल ओवरफिटिंग की पहचान (Identification of Spatial Overfitting): यह शोध पत्र एक महत्वपूर्ण विफलता मोड को प्रकट करता है जहाँ VLAs वस्तु के नाम को उसके वास्तविक वर्तमान स्थान के बजाय प्रशिक्षण डेटा के निश्चित स्थानिक स्थानों (fixed spatial locations) के साथ जोड़ देते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

Libero-OOD पर प्रदर्शन

बेसलाइन विफलता: अत्याधुनिक VLAs ( $\pi_0$ , $\pi_0$ -fast, UniVLA, openvla-oft) ने मानक LIBERO कार्यों पर ~95% सफलता प्राप्त करने के बावजूद, libero-ood के 20 एक्सट्रपलेटेड कार्यों पर < 21% सफलता दर हासिल की।
TLI की सफलता: $\pi_0$ पर TLI लागू करने से libero-ood पर इसकी सफलता दर 9% से बढ़कर 83% हो गई।
तुलना: किसी भी अन्य VLA ने इस बेंचमार्क पर 21% से अधिक सफलता दर प्राप्त नहीं की, जो एक्सट्रपलेशन के संबंध में वर्तमान आर्किटेक्चर की एक व्यवस्थित सीमा को उजागर करता है।

कार्य पुनर्निर्माण और सुरक्षा निहितार्थ (Task Reconstruction & Security Implications)

पुनर्निर्माण: एक खाली प्रॉम्प्ट में टेक्स्ट लेटेंट्स को इंजेक्ट करने से $\pi_0$ ने >80% सफलता के साथ कार्य को पूरा किया, जिससे सिद्ध होता है कि लेटेंट आवश्यक कार्य ज्ञान को कैप्चर करता है।
अनएम्बेडिंग (Unembedding): टेक्स्ट लेटेंट्स को टोकन आईडी में अनएम्बेड करने से "अस्पष्ट प्रॉम्प्ट्स" (अक्सर अपठनीय) उत्पन्न हुए, जो फिर भी मॉडल को निर्देश दे सकते थे। यह निजी निर्देशों (private instructions) या बैकडोर हमलों के लिए संभावित कमजोरियों का सुझाव देता है।

विफलता मोड का विश्लेषण: स्पेशियल ओवरफिटिंग (Spatial Overfitting)

अवलोकन: जब किसी वस्तु (जैसे, "क्रीम चीज़") को उठाने का निर्देश दिया जाता है जिसे प्रशिक्षण डेटा के एक नए स्थान पर ले जाया गया है, तो मॉडल अक्सर वस्तु की वर्तमान स्थिति को अनदेखा कर देता है और उस स्थान पर चला जाता है जहाँ वह वस्तु प्रशिक्षण प्रदर्शनों में दिखाई दी थी।
साक्ष्य: उन प्रयोगों में जहाँ वस्तुओं के स्थान बदले गए थे, $\pi_0$ (और अन्य VLAs) ने वास्तविक वस्तु के बजाय वस्तु के नाम के "प्रशिक्षण स्थान" (training location) की ओर लगातार प्रस्थान किया।
निष्कर्ष: VLAs स्पेशियल ओवरफिटिंग प्रदर्शित करते हैं, यानी वे वास्तविक ऑब्जेक्ट-गोल समझ के बजाय वस्तु के नाम को निश्चित निर्देशांकों (coordinates) के साथ मैप करते हैं।

5. महत्व (Significance)

OOD सामान्यीकरण को फिर से परिभाषित करना: यह शोध पत्र तर्क देता है कि वर्तमान VLAs "टूटे हुए" नहीं हैं बल्कि "लॉक" (locked) हैं। उनके पास आवश्यक कौशल हैं लेकिन उनमें उन्हें स्वायत्त रूप से संयोजित करने का तंत्र नहीं है। प्रस्तावित बेंचमार्क (libero-ood) इस गुप्त क्षमता को मापने के लिए एक मानक प्रदान करता है।
एक उपकरण के रूप में व्याख्यात्मकता (Interpretability as a Tool): मैकेनिस्टिक इंटरप्रिटेबिलिटी (टेक्स्ट लेटेंट्स) का उपयोग करके, लेखक सिद्ध करते हैं कि विफलता ज्ञान की कमी नहीं बल्कि संयोजन (composition) की विफलता है। यह अनुसंधान के फोकस को अधिक डेटा एकत्र करने से बदलकर मॉडल के आंतरिक संयोजन तंत्र में सुधार करने की ओर स्थानांतरित करता है।
सुरक्षा और सुरक्षा (Safety and Security): यह खोज कि टेक्स्ट लेटेंट्स को अस्पष्ट प्रॉम्प्ट्स में अनएम्बेड किया जा सकता है, रोबोटिक सिस्टम में एडवरसेरियल हमलों और बैकडोर के लिए नए रास्ते खोलती है।
भविष्य की दिशा: परिणाम बताते हैं कि भविष्य के VLA आर्किटेक्चर को उनकी क्षमता को अनलॉक करने के लिए TLI जैसे पोस्ट-ट्रेनिंग ट्रिक्स पर निर्भर रहने के बजाय, सीखे गए प्रतिनिधित्वों के पुनर्संयोजन का स्पष्ट रूप से समर्थन करने के लिए डिज़ाइन किया जाना चाहिए।

संक्षेप में, यह शोध पत्र इस बात का पुख्ता प्रमाण प्रदान करता है कि VLAs में सामान्यीकरण की क्षमता है, लेकिन वे वर्तमान में स्पेशियल ओवरफिटिंग और सीखे गए कौशल को स्वायत्त रूप से संयोजित करने में असमर्थता से बाधित हैं। libero-ood और TLI का परिचय समुदाय के लिए एक नया बेंचमार्क और रोबोटिक नीतियों के आंतरिक "ब्लैक बॉक्स" की जांच करने का एक तरीका दोनों प्रदान करता है।