CoAct-1: Computer-using Multi-Agent System with Coding Actions
CoAct-1 एक नवीन मल्टी-एजेंट सिस्टम है जो GUI-आधारित नियंत्रण को प्रत्यक्ष प्रोग्रामेटिक निष्पादन के साथ तालमेल बिठाकर कंप्यूटर स्वचालन को बढ़ाता है, जिससे OSWorld बेंचमार्क पर 60.76% की एक नई अत्याधुनिक सफलता दर और काफी बेहतर दक्षता प्राप्त होती 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
कल्पना कीजिए कि आपके पास एक बहुत ही समझदार, सहायक असिस्टेंट है जिसका नाम CoAct-1 है। इसका काम आपके कंप्यूटर पर आपके लिए चीज़ें करना है, जैसे फ़ाइलों को व्यवस्थित करना, स्प्रेडशीट को एडिट करना, या ईमेल भेजना।
CoAct-1 से पहले, अधिकांश कंप्यूटर असिस्टेंट अनाड़ी बच्चों (clumsy toddlers) की तरह थे। वे केवल स्क्रीन को देखकर और बटन "क्लिक" करके या माउस से "टाइप" करके आपके कंप्यूटर के साथ इंटरैक्ट कर सकते थे, ठीक वैसे ही जैसे एक इंसान करता है। यदि आप उनसे कहते, "एक फोल्डर में सभी फोटो खोजो, उन्हें रीसाइज करो, और उन्हें ज़िप कर दो," तो उस अनाड़ी बच्चे-असिस्टेंट को यह करना पड़ता:
- फोल्डर पर क्लिक करना।
- नीचे स्क्रॉल करना।
- पहली फोटो पर क्लिक करना।
- Shift दबाकर रखना और आखिरी फोटो पर क्लिक करना।
- राइट-क्लिक करना, "Send to" पर होवर करना, और "Compressed folder" पर क्लिक करना।
- एक नाम टाइप करना।
- Enter दबाना।
यदि उस अनाड़ी बच्चे ने गलत आइकन पर क्लिक कर दिया, या यदि स्क्रीन धीरे लोड हुई, तो पूरा कार्य विफल हो जाता। यह धीमा, निराशाजनक और गलतियों से भरा था।
नया विचार: "जादुई छड़ी" बनाम "माउस"
इस पेपर के लेखकों ने महसूस किया कि हालांकि बटन क्लिक करना कुछ चीज़ों के लिए अच्छा है, लेकिन यह अन्य चीज़ों के लिए बहुत बुरा है। इसलिए, उन्होंने CoAct-1 बनाया, जो तीन विशिष्ट श्रमिकों (specialized workers) की एक टीम है जो संचालन के दो मोडों के बीच स्विच कर सकती है:
- माउस मोड (द GUI ऑपरेटर): यह कार्यकर्ता विजुअल कार्यों के लिए बेहतरीन है। वे स्क्रीन को देखते हैं, "Save" बटन ढूंढते हैं, और उस पर क्लिक करते हैं। वे मेनू को नेविगेट करने और स्क्रीन पर क्या दिख रहा है, इसे देखने में अच्छे हैं।
- जादुई छड़ी मोड (द प्रोग्रामर): यह कार्यकर्ता बटन क्लिक नहीं करता है। इसके बजाय, वे कोड का एक छोटा सा हिस्सा (एक स्क्रिप्ट) लिखते हैं जो कंप्यूटर के दिमाग को सटीक रूप से बताता है कि क्या करना है। 1,000 फ़ाइलों को नाम देने के लिए 50 बार क्लिक करने के बजाय, वे बस कहते हैं, "इस फोल्डर की सभी फ़ाइलों का नाम बदलकर 'Vacation_1.jpg', 'Vacation_2.jpg'..." और कंप्यूटर इसे तुरंत कर देता है।
बॉस: द ऑर्केस्ट्रेटर (The Orchestrator)
CoAct-1 का असली रहस्य ऑर्केस्ट्रेटर है। ऑर्केस्ट्रेटर को एक स्मार्ट प्रोजेक्ट मैनेजर या एक ऑर्केस्ट्रा के कंडक्टर के रूप में सोचें।
जब आप सिस्टम को एक बड़ा, जटिल कार्य देते हैं (जैसे "मेरी टैक्स रिपोर्ट तैयार करें"), तो ऑर्केस्ट्रेटर उसे छोटे हिस्सों में तोड़ देता है:
- "ठीक है, मुझे एक्सेल खोलना है और एक विशिष्ट टेबल ढूंढनी है।" -> यह विजुअल है। ऑर्केस्ट्रेटर कहता है: "हे, माउस वर्कर, तुम इसे संभालो।"
- "अब मुझे उस डेटा को एक टेक्स्ट फ़ाइल में कॉपी करना है और उसका नाम बदलना है।" -> यह दोहराव वाला और सटीक कार्य है। ऑर्केस्ट्रेटर कहता है: "नहीं, मैजिक वांड वर्कर, तुम इसके लिए एक त्वरित स्क्रिप्ट लिखो। यह तेज़ है और इसमें गलतियाँ नहीं होंगी।"
- "अंत में, मुझे फ़ाइल ईमेल करनी है।" -> ऑर्केस्ट्रेटर कहता है: "वापस माउस वर्कर के पास, तुम्हें 'Send' बटन पर क्लिक करना होगा।"
यह सब कुछ कैसे बदल देता है
इस पेपर ने नए "अनाड़ी बच्चे" वाले असिस्टेंट की तुलना दो बहुत कठिन कंप्यूटर टेस्ट (OSWorld और WindowsAgentArena) पर किया। यहाँ क्या हुआ:
- गति (Speed): पुराने असिस्टेंट एक कार्य को पूरा करने में लगभग 15 स्टेप्स लेते थे। CoAct-1 ने उन्हीं कार्यों को केवल 10 स्टेप्स में पूरा कर दिया। यह जंगल के किनारे-किनारे चलने के बजाय जंगल के बीच से शॉर्टकट लेने जैसा है।
- सफलता दर (Success Rate): पुराने असिस्टेंट लगभग 50-55% समय सफल होते थे। CoAct-1 60% से 65% बार सफल हुआ।
- विश्वसनीयता (Reliability): जब किसी कार्य के लिए फ़ाइलों या डेटा के साथ कुछ जटिल करना आवश्यक था, तो "जादुई छड़ी" (कोडिंग) गेम-चेंजर साबित हुई। वह थकता नहीं था, गलत बटन क्लिक नहीं करता था, और धीमी स्क्रीन से भ्रमित नहीं होता था।
बड़ी तस्वीर (The Big Picture)
इसे इस तरह सोचें:
- पुराने एजेंट्स ऐसे थे जैसे केवल हथौड़े और पेचकस का उपयोग करके घर बनाने की कोशिश करना। आप यह कर सकते हैं, लेकिन इसमें बहुत समय लगता है, और आप खिड़की भी तोड़ सकते हैं।
- CoAct-1 एक निर्माण दल (construction crew) की तरह है जो जानता है कि कब हथौड़ा (कीलों के लिए) इस्तेमाल करना है और कब पावर ड्रिल या क्रेन (भारी काम के लिए) का उपयोग करना है।
कंप्यूटर को "कोड बोलने" की अनुमति देकर, जब यह तर्कसंगत हो, और "बटन क्लिक करने" की अनुमति देकर, जब यह आवश्यक हो, CoAct-1 हमारे कंप्यूटर को ऑटोमेट करने का एक बहुत अधिक स्मार्ट, तेज़ और विश्वसनीय तरीका बनाता है। यह एक वास्तविक डिजिटल असिस्टेंट होने की दिशा में एक बड़ी छलांग है जो वास्तव में आपका काम कर सकता है बिना आपके द्वारा उसकी निगरानी किए।
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।