Chart-R1: Chain-of-Thought Supervision and Reinforcement for Advanced Chart Reasoner

कल्पना कीजिए कि आपके पास एक प्रतिभाशाली लेकिन थोड़े अधीर छात्र Chart-R1 है। यह छात्र टेक्स्ट पढ़ने में अद्भुत है, लेकिन जब आप इसे एक जटिल चार्ट (जैसे कई लाइनों, बार और नंबरों वाला ग्राफ) देते हैं, तो यह अक्सर भ्रमित हो जाता है। यह बिना वास्तव में "सोचे" उत्तर का अनुमान लगा सकता है या डेटा में छिपे सूक्ष्म विवरणों को मिस कर सकता है।

आपने जो पेपर साझा किया है, वह शोधकर्ताओं की इस कहानी के बारे में है कि कैसे उन्होंने इस छात्र को एक मास्टर चार्ट डिटेक्टिव (Master Chart Detective) बनने के लिए सिखाया।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल भागों में विभाजित किया गया है:

1. समस्या: "अनुमान लगाने का खेल" (The "Guessing Game")

आज के अधिकांश AI मॉडल उन छात्रों की तरह हैं जो उत्तर रट लेते हैं। यदि आप उन्हें एक चार्ट दिखाते हैं और पूछते हैं, "सबसे ऊँचा बार कौन सा है?", तो वे आमतौर पर बता सकते हैं। लेकिन यदि आप उनसे पूछते हैं, "कौन सा बार अन्य तीन के औसत से 20% अधिक है?", तो वे अक्सर लड़खड़ा जाते हैं। वे अपने दिमाग में गणित किए बिना सीधे अंतिम नंबर का अनुमान लगाने की कोशिश करते हैं।

शोधकर्ताओं ने महसूस किया कि कठिन चार्ट पहेलियों को हल करने के लिए, AI को ठीक वैसे ही धीरे-धीरे और चरण-दर-चरण सोचने की आवश्यकता है, जैसे कि एक इंसान कागज पर गणित का सवाल हल करते समय करता है।

2. समाधान: दो-चरणीय प्रशिक्षण शिविर (A Two-Step Training Camp)

छात्र की आदतों को सुधारने के लिए, शोधकर्ताओं ने Chart-R1 नामक एक विशेष प्रशिक्षण कार्यक्रम बनाया। उन्होंने केवल छात्र को और अधिक चार्ट नहीं दिए; उन्होंने यह बदल दिया कि छात्र कैसे सीखता है।

चरण A: "बोलकर सोचना" होमवर्क (Chart-COT)

सबसे पहले, उन्होंने छात्र को बहुत सारा होमवर्क दिया जहाँ उत्तर केवल नंबर नहीं थे। इसके बजाय, हर उत्तर के साथ एक विस्तृत "विचार प्रक्रिया" (thought process) लिखी हुई थी।

• उपमा (Analogy): कल्पना कीजिए कि एक गणित का शिक्षक बोर्ड पर केवल "42" नहीं लिखता है। इसके बजाय, वह लिखता है: "चरण 1: लाल रेखा को देखें। चरण 2: यह वर्ष 2000 में 10 पर पहुँचती है। चरण 3: यह वर्ष 2010 में 20 पर पहुँचती है। चरण 4: अंतर 10 है।"
• परिणाम: छात्र ने सीखा कि सही उत्तर पाने के लिए, उसे समस्या को छोटे, तार्किक चरणों में तोड़ना अनिवार्य है। इसे चेन-ऑफ-थॉट (Chain-of-Thought - CoT) कहा जाता है।

चरण B: "कोच की सीटी" (Chart-RFT)

एक बार जब छात्र ने चरण-दर-चरण सोचना सीख लिया, तो उन्हें सटीक होने में बेहतर होने की आवश्यकता थी। यहीं पर रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) काम आती है।

• उपमा: कल्पना कीजिए कि एक स्पोर्ट्स कोच है। छात्र एक चार्ट समस्या को हल करने की कोशिश करता है।
  • यदि वे सही उत्तर देते हैं और गणित भी सही है, तो कोच उन्हें हाई-फाइव देता है (पुरस्कार/Reward)।
  • यदि वे सही उत्तर देते हैं लेकिन गणित केवल एक तुक्का था, या यदि वे गलत उत्तर देते हैं, तो कोच धीरे से उन्हें सुधारता है।
  • शोधकर्ताओं ने एक विशेष "स्कोरकार्ड" बनाया जो दो चीजें जाँचता है: क्या आपने नियमों का पालन किया (फॉर्मेट)? और क्या आपका नंबर वास्तव में सही है (सटीकता)?
• परिणाम: छात्र ने न केवल "सोचने वाला", बल्कि एक "सटीक विचारक" बनना सीखा।

3. गुप्त सामग्री: "जादुई रेसिपी बुक" (The "Magic Recipe Book")

आप एक जासूस को अच्छे मामलों के बिना प्रशिक्षित नहीं कर सकते। शोधकर्ताओं ने महसूस किया कि मौजूदा चार्ट डेटासेट बहुत सरल थे या उनमें त्रुटियाँ थीं। इसलिए, उन्होंने ChartRQA नामक अपने स्वयं के अभ्यास प्रश्नों की एक विशाल लाइब्रेरी बनाई।

• उन्होंने इसे कैसे बनाया: केवल चार्ट बनाकर और उम्मीद करके कि सब ठीक होगा, इसके बजाय उन्होंने एक चतुर ट्रिक का उपयोग किया। उन्होंने एक सुपर-स्मार्ट AI से पहले चार्ट बनाने के लिए कंप्यूटर कोड (द "रेसिपी") लिखने के लिए कहा।
• यह क्यों महत्वपूर्ण है: क्योंकि AI ने कोड लिखा था, वह जानता था कि नंबर बिल्कुल क्या थे। इसके बाद वह उस कोड के आधार पर प्रश्न और पूर्ण चरण-दर-चरण उत्तर उत्पन्न कर सकता था। यह एक शेफ द्वारा रेसिपी लिखने और फिर सामग्री के बारे में क्विज़ बनाने जैसा है, जिससे यह सुनिश्चित होता है कि क्विज़ 100% सटीक है।
• पैमाना (Scale): उन्होंने साधारण बार चार्ट से लेकर जटिल मल्टी-चार्ट पहेलियों तक, इन 258,000 अभ्यास प्रश्नों को बनाया।

4. परिणाम: नौसिखिए से ग्रैंडमास्टर तक (From Novice to Grandmaster)

इस प्रशिक्षण के बाद, शोधकर्ताओं ने Chart-R1 का परीक्षण अन्य शीर्ष AI मॉडलों (Google और OpenAI जैसी कंपनियों के बड़े, महंगे मॉडलों सहित) के विरुद्ध किया।

• परिणाम: Chart-R1, जो कि एक अपेक्षाकृत छोटा मॉडल है, बड़े मॉडलों को हराने लगा।
• "अहा!" क्षण (The "Aha!" Moment): पेपर के उदाहरणों में, अन्य मॉडल चार्ट को देखते हैं और कहते हैं, "मुझे लगता है कि यह 26 है," लेकिन तर्क गलत कर देते हैं। वहीं Chart-R1 कहेगा, "मुझे 26dB पर पीली पट्टी को चेक करने दें... नहीं, वह 0.18 है। मुझे 34dB को चेक करने दें... आह, वह 0.3 है। इसलिए उत्तर 34 है।"

सारांश

सोचिए कि Chart-R1 एक ऐसा छात्र है जिसे दो चीजें सिखाई गई हैं:

1. जल्दबाजी न करें: हमेशा अपने चरणों को लिखें (Chain-of-Thought)।
2. परफेक्ट उदाहरणों के साथ अभ्यास करें: समस्याओं की एक विशाल लाइब्रेरी का उपयोग करें जहाँ उत्तर गारंटीकृत रूप से सही हों (Programmatic Data Synthesis)।

इन दोनों को मिलाकर, शोधकर्ताओं ने एक ऐसा AI बनाया जो केवल चार्ट को "देखता" नहीं है; वह वास्तव में उनके माध्यम से समझता है और तर्क (reasoning) करता है, जिससे वे जटिल पहेलियाँ सुलझ जाती हैं जो पहले सबसे स्मार्ट कंप्यूटरों को भी उलझा देती थीं।