🤖 AI

Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems

यह शोध पत्र एक स्केलेबल मल्टी-एजेंट एलएलएम (LLM) फ्रेमवर्क प्रस्तावित करता है जो स्थिर वर्कफ़्लो की सीमाओं को दूर करने के लिए डायनेमिक टास्क रूटिंग, द्विदिश फीडबैक और पैरेलल एजेंट कॉम्पिटिशन को एकीकृत करके जटिल डोमेन में डॉक्यूमेंट अंडरस्टैंडिंग को बढ़ाता है।

मूल लेखक: Chengxuan Xia, Qianye Wu, Sixuan Tian, Yilun Hao

प्रकाशित 2026-02-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chengxuan Xia, Qianye Wu, Sixuan Tian, Yilun Hao

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 बहुत ही कठिन, उच्च-दांव वाली पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि यह पता लगाना कि एक विशाल कंपनी अपनी वित्तीय रिपोर्टों में वास्तव में क्या छिपा रही है।

अतीत में, हमने इसे एक एकल विशेषज्ञ (single expert) या एक कठोर असेंबली लाइन (rigid assembly line) के माध्यम से हल करने की कोशिश की थी।

एकल विशेषज्ञ: आप पूरे दस्तावेज़ को पढ़ने के लिए एक बहुत ही बुद्धिमान वकील को काम पर रखते हैं। यदि वे थक जाते हैं, भ्रमित हो जाते हैं, या किसी सूक्ष्म विवरण को मिस कर देते हैं, तो पूरा उत्तर गलत हो जाता है।
असेंबली लाइन: आपके पास एक टीम है जहाँ व्यक्ति A पहला पेज पढ़ता है, फिर वह इसे व्यक्ति B को सौंपता है, जो इसे व्यक्ति C को सौंपता है। यदि व्यक्ति A कोई गलती करता है, तो व्यक्ति B और C अंत तक उसी गलती पर काम करते रहते हैं। वे रुककर यह नहीं कह सकते, "अरे, रुको, यह समझ में नहीं आ रहा है!"

प्रस्तुत शोध पत्र एक नया तरीका पेश करता है जिसे "समानांतरवाद और अनुकूलन का मिलन" (Parallelism Meets Adaptiveness) कहा जाता है। इसे एक कठोर असेंबली लाइन से एक गतिशील, प्रतिस्पर्धी विचार-मंथन सत्र (dynamic, competitive brainstorming session) में अपग्रेड करने के रूप में समझें।

यह यहाँ कैसे काम करता है, इसे सरल अवधारणाओं में विभाजित किया गया है:

1. "स्वाद परीक्षण" (समानांतर एजेंट मूल्यांकन - Parallel Agent Evaluation)

कल्पना कीजिए कि आप एक आदर्श सूप बनाने की कोशिश कर रहेกัน एक शेफ हैं, लेकिन आप सुनिश्चित नहीं हैं कि आपको इसमें अधिक नमक डालना चाहिए या काली मिर्च।

पुराना तरीका: आप एक शेफ से अनुमान लगाने के लिए कहते हैं। वह नमक डालता है। आप परोसते हैं। यह बहुत नमकीन है।
नया तरीका: आप तीन अलग-अलग शेफ को एक ही समय में सूप बनाने के लिए कहते हैं।
- शेफ A नमक डालता है।
- शेफ B काली मिर्च डालता है।
- शेफ C दोनों डालता है।
- फिर, एक मास्टर टेस्टर (मूल्यांकक/Evaluator) आता है, तीनों को चखता है, और सबसे अच्छा चुनता है। यदि मास्टर टेस्टर सुनिश्चित नहीं है, तो वे शेफों से यह भी पूछ सकते हैं कि उन्होंने उन सामग्रियों को क्यों चुना।

पेपर में, जब कंप्यूटर किसी वित्तीय दस्तावेज़ (जैसे कि एक जटिल कानूनी वाक्य) के भ्रमित करने वाले हिस्से का सामना करता है, तो वह केवल एक AI एजेंट से उत्तर नहीं मांगता। वह कई एजेंटों से स्वतंत्र रूप से उत्तर देने के लिए कहता है। एक केंद्रीय "न्यायाधीश" फिर सबसे सटीक उत्तर चुनता है। यह AI को "हैलुसिनेशन" (मनगढ़ंत बातें बनाने) से रोकता है क्योंकि यदि एक एजेंट गलत अनुमान लगाता है, तो अन्य एजेंट सही अनुमान लगा सकते हैं, और न्यायाधीश उसे पकड़ लेता है।

2. "ट्रैफिक कंट्रोलर" (गतिशील कार्य रूटिंग - Dynamic Task Routing)

एक व्यस्त हवाई अड्डे की कल्पना करें।

पुराना तरीका: प्रत्येक विमान को हमेशा के लिए एक विशिष्ट गेट असाइन किया जाता है। भले ही गेट 1 खराब हो गया हो और गेट 2 खाली हो, विमान गेट 1 पर ही अटका रहता है।
नया तरीका: आपके पास एक स्मार्ट ट्रैफिक कंट्रोलर है। यदि कोई विमान (कार्य) गेट 1 पर मौजूद पायलट के लिए बहुत भारी या जटिल है, तो कंट्रोलर तुरंत कहता है, "हे, गेट 2 पर पायलट भारी कार्गो का विशेषज्ञ है; चलिए इसे वहां भेजते हैं!"

इस प्रणाली में, AI एजेंट निश्चित भूमिकाओं में नहीं बंधे हैं। यदि कोई एजेंट रिपोर्ट में गणित की समस्या से जूझ रहा है, तो वह कह सकता है, "मैं इसमें अच्छा नहीं हूँ, चलिए गणित विशेषज्ञ से पूछते हैं।" यदि कोई एजेंट अभिभूत (overwhelmed) महसूस करता है, तो वह अपना काम किसी ऐसे मित्र को सौंप सकता है जो खाली है। यह टीम को बहुत तेज़ और स्मार्ट बनाता है।

3. "टू-वे रेडियो" (द्विदिश फीडबैक - Bidirectional Feedback)

एक घर बनाने की कल्पना करें।

पुराना तरीका: प्लंबर पाइप लगा देता है, फिर इलेक्ट्रीशियन तारों को ठीक पाइपों के बगल में लगा देता है, यह जाने बिना कि पाइप वहां हैं। प्लंबर को दीवारों के बंद होने तक पता नहीं चलता कि पाइप वहां हैं।
नया तरीका: प्लंबर और इलेक्ट्रीशियन के पास वॉकी-टॉकी हैं। यदि इलेक्ट्रीशियन देखता है कि एक पाइप रास्ते में है, तो वह प्लंबर को रेडियो करता है: "हे, उस पाइप को हटाओ!" प्लंबर दीवारें लगने से पहले ही उसे तुरंत ठीक कर सकता है।

इस AI सिस्टम में, यदि बाद का एजेंट (जैसे त्रुटियों की जाँच करने वाला एजेंट) पहले के एजेंट द्वारा की गई गलती पाता है, तो वह उसे ठीक करने के लिए तुरंत संदेश भेज सकता है। उन्हें अंत तक प्रतीक्षा करने की आवश्यकता नहीं है कि पूरा रिपोर्ट गलत हो गया है।

वास्तविक दुनिया का परीक्षण: "SEC 10-K"

लेखकों ने इसका परीक्षण SEC 10-K फाइलिंग पर किया। ये विशाल, उबाऊ, अत्यंत जटिल वार्षिक रिपोर्ट हैं जो अमेरिका में सार्वजनिक कंपनियों को दाखिल करनी होती हैं। ये कानूनी शब्दावली और आंकड़ों से भरी होती हैं।

लक्ष्य: यह सुनिश्चित करना कि AI नियमों, ऋणों और कानूनों की सही पहचान करे और मनगढ़ंत बातें न बनाए।
परिणाम:
- नया सिस्टम नियमों का पालन करने में 27% अधिक सटीक था।
- इसने ऐसी गलतियाँ 74% कम कीं जिन्हें बाद में ठीक करने की आवश्यकता थी।
- यह उन "छिपे हुए" जोखिमों को पहचानने में बहुत बेहतर था जिन्हें पुराने, कठोर सिस्टम मिस कर देते थे।

मुख्य निष्कर्ष

पेपर का तर्क है कि उच्च-दांव वाली स्थितियों (जैसे पैसा, कानून या चिकित्सा) में, आपको केवल एक एकल AI या एक सीधी रेखा वाली प्रक्रिया पर भरोसा नहीं करना चाहिए। इसके बजाय, आपको AI की एक ऐसी टीम बनानी चाहिए जो प्रतिस्पर्धा करे, एक-दूसरे से बात करे और लगातार अपने काम की जाँच करे।

यह एक अकेले व्यक्ति द्वारा उपन्यास लिखने बनाम लेखकों, संपादकों और तथ्य-जाँचकर्ताओं (fact-checkers) की एक टीम के मिलकर काम करने, बहस करने और कहानी को परिष्कृत करने के बीच का अंतर है जब तक कि वह पूर्ण न हो जाए।

यहाँ शोध पत्र "Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान लार्ज लैंग्वेज मॉडल (LLM) मल्टी-एजेंट फ्रेमवर्क अक्सर स्थिर वर्कफ़्लो (static workflows), निश्चित भूमिका असाइनमेंट और रैखिक कार्य प्रवाह (linear task flows) पर निर्भर करते हैं। सरल कार्यों के लिए प्रभावी होने के बावजूद, ये कठोर संरचनाएं उच्च-जटिलता वाले, खुले-अंत वाले डोमेन जैसे कि वित्तीय दस्तावेज़ विश्लेषण (जैसे, SEC 10-K फाइलिंग) में विफल रहती हैं। मुख्य सीमाएँ निम्नलिखित हैं:

अस्पष्टता को संभालने में अक्षमता: स्थिर एजेंट उन स्थितियों में कार्यों को गतिशील रूप से पुन: आवंटित नहीं कर सकते जब उप-कार्य अस्पष्ट हों या उनके लिए विशेष ज्ञान की आवश्यकता हो।
त्रुटि प्रसार (Error propagation): रैखिक वर्कफ़्लो शुरुआती मतिभ्रम (hallucinations) या त्रुटियों को बिना किसी सुधार के पूरे सिस्टम में फैलने की अनुमति देता है।
मजबूती की कमी: सिंगल-पाथ निष्पादन अक्सर दस्तावेज़ के विभिन्न अनुभागों में विरोधाभासी जानकारी के सूक्ष्म अर्थों को समझने में विफल रहता है या उन्हें सुलझाने में असमर्थ रहता है।
सीमित इंटर-एजेंट संचार: मौजूदा प्रणालियों में ऐसे तंत्रों की कमी है जहाँ डाउनस्ट्रीम एजेंट अपस्ट्रीम आउटपुट की आलोचना कर सकें या एजेंट उच्च-दांव वाले कार्यों पर प्रतिस्पर्धा कर सकें।

2. कार्यप्रणाली: अनुकूलन समन्वय ढांचा (Methodology: Adaptive Coordination Framework)

लेखक एक नया मल्टी-एजेंट समन्वय ढांचा प्रस्तावित करते हैं जिसे अनुकूल (adaptive) और प्रतिस्पर्धी (competitive) सहयोग के लिए डिज़ाइन किया गया है। यह सिस्टम तीन मुख्य नवाचारों पर निर्मित है:

A. समानांतर एजेंट मूल्यांकन (संरचित प्रतिस्पर्धा)

उच्च-अस्पष्टता या उच्च-दांव वाले उप-कार्यों के लिए, सिस्टम केवल एक एजेंट पर निर्भर नहीं रहता है। इसके बजाय:

तंत्र: कई एजेंट एक ही उप-कार्य के लिए स्वतंत्र रूप से उम्मीदवार प्रतिक्रियाएँ (candidate responses) उत्पन्न करते हैं।
चयन: एक केंद्रीकृत इवैल्यूएटर एजेंट (Evaluator Agent) एक पदानुक्रमित फलन (hierarchical function) के आधार पर इन आउटपुट्स को स्कोर करता है:
$E(o) = w_f \cdot S_{fact} + w_c \cdot S_{coh} + w_r \cdot S_{rel}$
- $S_{fact}$ : तथ्यात्मकता (retrieved context द्वारा समर्थित दावों का अनुपात)।
- $S_{coh}$ : सुसंगतता (chain-of-thought आलोचना के माध्यम से तार्किक निरंतरता)।
- $S_{rel}$ : प्रासंगिकता (क्वेरी के साथ अर्थ संबंधी समानता)।
परिणाम: डाउनस्ट्रीम उपयोग के लिए उच्चतम-स्कोर वाला आउटपुट चुना जाता है, जबकि अन्य विकल्पों को ऑडिटिंग या फॉलबैक के लिए साझा मेमोरी में संग्रहीत किया जाता है।

B. गतिशील कार्य रूटिंग (Dynamic Task Routing)

एजेंट निश्चित भूमिकाओं से बंधे नहीं हैं। सिस्टम निम्नलिखित के आधार पर रनटाइम पुन: असाइनमेंट का समर्थन करता है:

संदर्भगत आत्मविश्वास (Contextual Confidence): यदि किसी एजेंट का आत्मविश्वास कम है या कार्य बहुत जटिल माना जाता है, तो वह कार्य को स्थगित कर सकता है।
विशेषज्ञता (Specialization): कार्यों को विशिष्ट क्षमताओं वाले एजेंटों को रूट किया जाता है (जैसे, एक कानूनी विशेषज्ञ एजेंट जटिल नियामक क्लॉज को संभालता है, जबकि एक समराइज़र नैरेटिव अनुभागों को संभालता है)।
लोड बैलेंसिंग: ओवरलोडेड एजेंट गैर-महत्वपूर्ण कार्यों को खाली बैठे साथियों को सौंप सकते हैं।

C. द्विदिश फीडबैक लूप (Bidirectional Feedback Loops)

त्रुटि प्रसार को रोकने के लिए, सिस्टम एसिंक्रोनस फीडबैक चैनल लागू करता है:

तंत्र: डाउनस्ट्रीम एजेंट (जैसे, QA या कंप्लायंस एजेंट) अपस्ट्रीम आउटपुट (जैसे, बेमेल वित्तीय आंकड़े) में विसंगतियों को चिह्नित कर सकते हैं।
कार्रवाई: ये फीडबैक लूप संशोधन अनुरोधों (revision requests) को ट्रिगर करते हैं, जिससे अपस्ट्रीम एजेंटों को पूरे वर्कफ़्लो को फिर से शुरू किए बिना डेटा का पुनर्मूल्यांकन या पुन: निष्कर्षण करने के लिए मजबूर किया जाता है।

सिस्टम आर्किटेक्चर (System Architecture)
यह ढांचा एक मॉड्यूलर आर्किटेक्चर का उपयोग करता है जो निम्नलिखित के इर्द-गिर्द केंद्रित है:

ऑर्केस्ट्रेटर (Orchestrator): दस्तावेज़ों को डिपेंडेंसी ग्राफ में विभाजित करता है और निष्पादन प्रवाह (execution flow) का प्रबंधन करता है।
रोल एजेंट (Role Agents): विशिष्ट एजेंट (रिसर्च, ड्राफ्टिंग, इवैल्यूएशन, पैरेलल) जो स्वायत्त रूप से कार्य करते हैं।
साझा दीर्घकालिक मेमोरी (Shared Long-Term Memory): मध्यवर्ती परिणामों के लिए एक स्थायी स्टोर, जो शब्दावली में निरंतरता सुनिश्चित करता है और दोहराव वाले कार्य को रोकता है।
फीडबैक बस (Feedback Bus): संशोधन अनुरोध और फ्लैग जारी करने के लिए एक संचार परत।

3. प्रमुख योगदान (Key Contributions)

प्रतिस्पर्धी समानांतरवाद (Competitive Parallelism) का परिचय: रैखिक डेलीगेशन के बजाय एक "प्रतिस्पर्धा" मॉडल की ओर बढ़ना जहाँ कई एजेंट एक ही समस्या को हल करते हैं, और एक इवैल्यूएटर सर्वश्रेष्ठ परिणाम का चयन करता है। यह अस्पष्ट परिदृश्यों में मतिभ्रम (hallucinations) को काफी कम करता है।
गतिशील रूटिंग और स्व-अनुकूलन: एक ऐसा सिस्टम जहाँ एजेंट अपनी क्षमता का स्वयं मूल्यांकन कर सकते हैं और कार्यों को गतिशील रूप से पुन: आवंटित कर सकते हैं, न कि केवल एक पूर्व-निर्धारित स्थिर ग्राफ का पालन करते हैं।
द्विदिश गुणवत्ता नियंत्रण: फीडबैक लूप लागू करना जो डाउनस्ट्रीम एजेंटों को वास्तविक समय में अपस्ट्रीम त्रुटियों को ठीक करने की अनुमति देता है, जो मानव ऑडिट प्रक्रियाओं की नकल करता है।
उच्च-दांव डोमेन में अनुभवजन्य सत्यापन: SEC 10-K फाइलिंग पर एक कठोर मूल्यांकन प्रदान करना, जो अत्यधिक सटीकता और नियामक अनुपालन की मांग करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस फ्रेमवर्क का मूल्यांकन दो बेसलाइनों के विरुद्ध SEC 10-K फाइलिंग पर किया गया था: एक स्टैटिक बेसलाइन (निश्चित भूमिकाएँ, रैखिक प्रवाह) और एक एडैप्टिव बेसलाइन (केवल रूटिंग और फीडबैक, कोई समानांतरवाद नहीं)।

मुख्य मेट्रिक्स (फुल सिस्टम बनाम स्टैटिक बेसलाइन):

अनुपालन सटीकता (Compliance Accuracy): 27% बढ़ी (0.74 $\to$ 0.94)।
तथ्यात्मक कवरेज (Factual Coverage): 29% बढ़ी (0.71 $\to$ 0.92)।
रिवीजन दर (Revision Rate): 74% कम हुई (3.4 $\to$ 0.9), जो इंगित करता है कि सुधार की आवश्यकता वाले बहुत कम त्रुटियाँ हुईं।
रिडंडेंसी पेनल्टी (Redundancy Penalty): 73% कम हुई, जो विरोधाभासी जानकारी को बेहतर ढंग से संभालने को दर्शाती है।
सुसंगतता स्कोर (Coherence Score): 47% सुधार हुआ (5-पॉइंट स्केल पर 3.2 $\to$ 4.7)।
दक्षता (Efficiency): समानांतर निष्पादन के ओवरहेड के बावजूद, फुल सिस्टम स्टैटिक बेसलाइन की तुलना में 14% तेज़ था क्योंकि इसमें पुन: कार्य (rework) कम हुआ और बेहतर कार्य आवंटन हुआ।

गुणात्मक निष्कर्ष (Qualitative Findings):

स्टैटिक सिस्टम अक्सर निहित जोखिमों को मिस कर जाते थे या अनुभागों के बीच आंकड़ों के सामंजस्य बिठाने में विफल रहते थे।
फुल सिस्टम ने जटिल "ऑफ-बैलेंस शीट व्यवस्थाओं" (off-balance sheet arrangements) को सफलतापूर्वक पहचाना और मात्रा निर्धारित किया, जिन्हें स्टैटिक और एडैप्टिव-ओनली सिस्टम मिस कर गए थे या आंशिक रूप से सारांशित कर पाए थे।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

महत्व:

पैराडाइम शिफ्ट: यह पेपर तर्क देता है कि विनियमित, उच्च-दांव वाले डोमेन के लिए स्टैटिक पाइपलाइन पर्याप्त नहीं हैं। यह सिद्ध करता है कि मजबूत LLM प्रदर्शन के लिए संरचित प्रतिस्पर्धा और गतिशील अनुकूलनशीलता आवश्यक हैं।
स्केलेबिलिटी: मॉड्यूलर डिज़ाइन नए एजेंट रोल और स्कोरिंग मॉडल के आसान एकीकरण की अनुमति देता है, जिससे यह विभिन्न वित्तीय दस्तावेजों (जैसे, अर्निंग कॉल्स, IPO फाइलिंग) के लिए लागू करने योग्य बनता है।
त्रुटि शमन: फ्रेमवर्क "त्रुटियों के कैस्केड" (cascade of errors) को प्रभावी ढंग से तोड़ता है, जो मल्टी-एजेंट श्रृंखलाओं में आम है, जिससे उच्च तथ्यात्मक अखंडता सुनिश्चित होती है।

सीमाएँ और भविष्य की दिशाएँ:

लागत/विलंबता (Cost/Latency): समानांतर निष्पादन इन्फरेंस लागत और विलंबता भिन्नता को बढ़ाता है, जिससे यह लो-लेटेंसी अनुप्रयोगों के लिए कम उपयुक्त हो जाता है।
इवैल्यूएटर पूर्वाग्रह (Evaluator Bias): स्कोरिंग फंक्शन ह्यूरिस्टिक्स (heuristics) पर निर्भर करता है; भविष्य के कार्य इन ह्यूरिस्टिक्स को डाउनस्ट्रीम फीडबैक पर प्रशिक्षित 'लर्नड पॉलिसी' से बदलने का लक्ष्य रखते हैं।
सामान्यीकरण (Generalization): हालांकि इसका परीक्षण 10-Ks पर किया गया है, फ्रेमवर्क को कम संरचित दस्तावेज़ों पर भी सत्यापन की आवश्यकता है।
ह्यूमन-इन-द-लूप: भविष्य के संस्करणों में ऑडिट-क्रिटिकल निर्णयों के लिए मानव निरीक्षण को एकीकृत करने की योजना है।

निष्कर्षतः, यह पेपर अगली पीढ़ी के मल्टी-एजेंट सिस्टम के लिए एक मजबूत वास्तुशिल्प ब्लूप्रिंट प्रस्तुत करता है, जो यह सिद्ध करता है कि समानांतरवाद (विविधता और सटीकता के लिए) और अनुकूलनशीलता (लचीलेपन और त्रुटि सुधार के लिए) को मिलाने से जटिल दस्तावेज़ समझ कार्यों में बेहतर परिणाम मिलते हैं।