💬 NLP

Mapping the Course for Prompt-based Structured Prediction

यह शोध पत्र निरंतरता और सटीकता को बढ़ाकर संरचित भविष्यवाणी (स्ट्रक्चर्ड प्रेडिक्शन) में सुधार करने के लिए कॉम्बिनेटोरियल इन्फरेंस (combinatorial inference) के साथ लार्ज लैंग्वेज मॉडल्स को संयोजित करने का प्रस्ताव करता है, जो व्यापक प्रयोगों के माध्यम से यह प्रदर्शित करता है कि प्रतीकात्मक इन्फरेंस (symbolic inference) अकेले प्रॉम्प्टिंग की तुलना में बेहतर प्रदर्शन करता है और संरचित शिक्षण उद्देश्यों के साथ आगे का अंशांकन (कैलिब्रेशन) चुनौतीपूर्ण कार्यों पर श्रेष्ठ प्रदर्शन प्रदान करता है।

मूल लेखक: Matt Pauk, Maria Leonor Pacheco

प्रकाशित 2026-03-27

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matt Pauk, Maria Leonor Pacheco

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 अत्यंत बुद्धिमान, सुशिक्षित लाइब्रेरियन (एक लार्ज लैंग्वेज मॉडल, या LLM) है जो आपके द्वारा पूछे गए लगभग किसी भी प्रश्न का उत्तर दे सकता है। वे हर विषय के बारे में थोड़ा-बहुत जानते हैं, चाहे वह इतिहास हो, विज्ञान हो या पॉप कल्चर। हालाँकि, इस लाइब्रेरियन की दो अजीब आदतें हैं:

वे कभी-कभी चीजें बना लेते हैं (हैलुसिनेशन/भ्रम)।
वे जटिल पहेलियों के साथ संघर्ष करते हैं जहाँ हर टुकड़े को पूरी तरह से फिट होना चाहिए (स्ट्रक्चर्ड प्रेडिक्शन)।

यदि आप उस लाइब्रेरियन को एक बिखरा हुआ कमरा व्यवस्थित करने के लिए कहते हैं, तो वे टोस्टर को बिस्तर पर या जूते को फ्रिज में रख सकते हैं क्योंकि वे केवल यह अनुमान लगा रहे होते हैं कि उस क्षण में क्या "सही" लग रहा है, बिना यह जांचे कि क्या वह तार्किक रूप से समझ में आता है।

यह शोध पत्र उस लाइब्रेरियन को एक नियम पुस्तिका और एक चेकलिस्ट देने के बारे में है ताकि यह सुनिश्चित किया जा सके कि उनके उत्तर न केवल रचनात्मक हों, बल्कि तार्किक रूप से सुसंगत और सटीक भी हों।

मुख्य समस्या: "एक-बार की" गलती (The "One-Off" Mistake)

जब हम किसी LLM को एक जटिल कार्य करने के लिए कहते हैं—जैसे कि एक लंबी कहानी में कौन किससे बात कर रहा है यह पता लगाना (कोरेफरेंस रेजोल्यूशन) या किसी राजनीतिक ट्वीट में नैतिक विषयों की पहचान करना (मोरैलिटी फ्रेमिंग)—तो हम आमतौर पर इसे एक ही बार में पूरा उत्तर देने के लिए कहते हैं।

समस्या यह है कि LLMs शब्द-दर-शब्द टेक्स्ट जेनरेट करते हैं, जैसे कोई व्यक्ति पीछे मुड़कर देखे बिना वाक्य टाइप कर रहा हो। वे कह सकते हैं, "राष्ट्रपति क्रोधित हैं," और फिर बाद में कह सकते हैं, "राष्ट्रपति शांत हैं," बिना यह महसूस किए कि उन्होंने खुद का खंडन कर दिया है। उनके पास पहेली का "ग्लोबल व्यू" (समग्र दृष्टिकोण) नहीं होता है।

समाधान: "लाइब्रेरियन + द आर्किटेक्ट"

लेखक एक दो-चरणीय टीम दृष्टिकोण का प्रस्ताव करते हैं:

द लाइब्रेरियन (LLM): वे LLM से समस्या के छोटे हिस्सों को देखने और एक "कॉन्फिडेंस स्कोर" (विश्वास स्कोर) देने के लिए कहते हैं (उदाहरण के लिए, "मैं 80% निश्चित हूँ कि यह ट्वीट केयर/हार्म के बारे में है")।
द आर्किटेक्ट (कॉम्बिनेटोरियल इन्फेरेंस): यह एक सख्त गणितीय इंजन है। यह लाइब्रेरियन के अनुमानों को लेता है और उन्हें नियमों के एक सेट (स्ट्रक्चरल कंस्ट्रेंट्स) के विरुद्ध जांचता है।

उपमा (Analogy):
कल्पना कीजिए कि आप एक घर बना रहे हैं।

LLM वह ठेकेदार है जो सुझाव देता है, "मुझे लगता कि यह दीवार यहाँ होनी चाहिए, और वह खिड़की वहाँ।"
आर्किटेक्ट वह इंजीनियर है जो ब्लूप्रिंट की जाँच करता है। इंजीनियर कहता है, "रुको, यदि तुम दीवार वहाँ रखते हो, तो खिड़की वहाँ नहीं हो सकती क्योंकि वहाँ एक भार वहन करने वाला बीम है। साथ भी, यदि दीवारें लाल हैं तो छत नीली नहीं हो सकती।"
आर्किटेक्ट ठेकेदार को टुकड़ों को तब तक पुनर्व्यवस्थित करने के लिए मजबूर करता है जब तक कि पूरा घर नियमों के अनुसार पूरी तरह से खड़ा न हो जाए।

उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने लाइब्रेरियन से उनके "कॉन्फिडेंस स्कोर" मांगने के कई तरीके आजमाए। वे जानना चाहते थे: हमें आर्किटेक्ट को खिलाने के लिए LLM से सबसे अच्छे नंबर कैसे प्राप्त करें?

उन्होंने इन रणनीतियों का परीक्षण किया:

सत्य/असत्य (True/False): "क्या यह सच है कि यह ट्वीट केयर/हार्म के बारे में है? हाँ या नहीं?"
बहुविकल्पीय (Multiple Choice): "क्या यह ट्वीट A, B, C, या D के बारे में है?"
अनुमान लगाना (Guessing): "आप 0 से 100 के पैमाने पर कितने आश्वस्त हैं?"
सैंपलिंग (Sampling): "लाइब्रेरियन से 10 बार पूछें और देखें कि वे कितनी बार एक ही उत्तर देते हैं।"

बड़ी खोज:
उन्होंने पाया कि चाहे उन्होंने लाइब्रेरियन से पूछने के लिए किस भी रणनीति का उपयोग किया हो, आर्किटेक्ट (नियमों) को जोड़ने से अंतिम उत्तर हमेशा बेहतर हुआ।

बेहतर नंबर प्राप्त करने के लिए सत्य/असत्य प्रश्न प्रारूप सबसे अच्छा काम करता था।
लेकिन असली जादू तब हुआ जब उन्होंने LLM के ज्ञान को आर्किटेक्ट के सख्त नियमों के साथ जोड़ा। परिणाम स्वरूप विरोधाभास कम हुए और उत्तर अधिक सटीक हुए।

"ट्रेनिंग" ट्विस्ट

शोध पत्र ने इस टीम को बेहतर बनाने का एक दूसरा तरीका भी तलाशा: फाइन-ट्यूनिंग (Fine-Tuning)।
केवल लाइब्रेरियन को अनुमान लगाने के लिए कहने के बजाय, उन्होंने लाइब्रेरियन को पूरे पहेली के बारे में सोचना सिखाया।

लोकल ट्रेनिंग (Local Training): लाइब्रेरियन को व्यक्तिगत शब्दों के बेहतर अनुमान लगाने के लिए सिखाना।
ग्लोबल ट्रेनिंग (Global Training): लाइब्रेरियन को यह समझने के लिए सिखाना कि "यदि मैं X कहता हूँ, तो मुझे Y भी कहना होगा।"

उन्होंने पाया कि ग्लोबल ट्रेनिंग (मॉडल को बड़े चित्र के नियमों को सिखाना) सबसे शक्तिशाली तरीका था। इसने लाइब्रेरियन को नियमों का पालन करने में इतना कुशल बना दिया कि हर बार आर्किटेक्ट द्वारा जांच किए बिना भी, लाइब्रेरियन बहुत अधिक सटीक था।

यह क्यों महत्वपूर्ण है

AI की दुनिया में, हम अक्सर सोचते हैं कि बड़े मॉडल हमेशा बेहतर होते हैं। लेकिन यह शोध पत्र दिखाता है कि संरचना (Structure) मायने रखती है।

केवल एक स्मार्ट मॉडल होना पर्याप्त नहीं है; आपके पास तर्क लागू करने के लिए एक सिस्टम होना चाहिए।
आप एक मानक, उपलब्ध AI को एक साधारण नियम-जांचकर्ता (Rule-checker) के साथ जोड़कर उसे "स्ट्रक्चर्ड प्रेडिक्शन एक्सपर्ट" बना सकते हैं।
यह मेडिकल डायग्नोसिस या कानूनी विश्लेषण जैसे उच्च-जोखिम वाले कार्यों के लिए महत्वपूर्ण है, जहाँ एक एकल विरोधाभास भी खतरनाक हो सकता है।

निचोड़ (The Bottom Line)

इस शोध पत्र को AI को "बिना सोचे-समझे काम करने" से रोकने के एक गाइड के रूप में देखें। एक लार्ज लैंग्वेज मॉडल की रचनात्मक अंतर्दृष्टि को नियम-आधारित प्रणाली की सख्त तर्कशक्ति के साथ जोड़कर, हमें ऐसे परिणाम मिलते हैं जो न केवल स्मार्ट हैं बल्कि विश्वसनीय, सुसंगत और भरोसेमंद भी हैं। यह एक अराजक विचार-मंथन सत्र और एक अच्छी तरह से व्यवस्थित, सफल परियोजना के बीच का अंतर है।

यहाँ मैट पॉक और मारिया लियोनोर पैचको के शोध पत्र "Mapping the Course for Prompt-based Structured Prediction" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल्स (LLMs) ने विभिन्न NLP कार्यों में उल्लेखनीय ज़ीरो-शॉट और फ्यू-शॉट क्षमताओं का प्रदर्शन किया है। हालाँकि, जब इन्हें स्ट्रक्चर्ड प्रेडिक्शन कार्यों (जैसे पार्सिंग, कोरेफरेंस रेजोल्यूशन, मोरल फ्रेमिंग) पर लागू किया जाता है, तो LLMs को महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

असंगति (Inconsistency): ऑटोरेग्रेसिव जनरेशन अक्सर ऐसे आउटपुट उत्पन्न करता है जो संरचनात्मक बाधाओं (जैसे तार्किक विरोधाभास, कोरेफरेंस में ट्रांजिटिविटी उल्लंघन, या परस्पर विरोधी भूमिका असाइनमेंट) का उल्लंघन करते हैं।
भ्रम (Hallucinations): कई संबंधित घटकों में वैश्विक निरंतरता बनाए रखने के लिए आवश्यक जटिल तर्क बनाने में LLMs संघर्ष करते हैं।
कॉन्फिडेंस कैलिब्रेशन (Confidence Calibration): पारंपरिक स्ट्रक्चर्ड इन्फरेंस एल्गोरिदम (जैसे इंटीजर लीनियर प्रोग्रामिंग) को उम्मीदवार उप-संरचनाओं (candidate substructures) के लिए विश्वसनीय कॉन्फिडेंस स्कोर (संभावनाओं) की आवश्यकता होती है। LLMs स्वाभाविक रूप से विशिष्ट लेबल के लिए कैलिब्रेटेड संभावनाएँ आउटपुट नहीं करते हैं जैसे कि डिस्क्रिमिनेटिव क्लासिफायर करते हैं; वे वोकैबुलरी पर टोकन प्रोबेबिलिटी आउटपुट करते हैं। यह स्पष्ट नहीं है कि प्रॉम्प्ट-आधारित इंटरैक्शन से इन स्कोर्स को सिम्बोलिक इन्फरेंस इंजन में फीड करने के लिए सर्वोत्तम तरीके से कैसे निकाला जाए।

2. कार्यप्रणाली (Methodology)

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो संरचनात्मक निरंतरता को लागू करने के लिए कॉम्बिनेटोरियल इन्फरेंस के साथ LLMs की भविष्य कहने वाली शक्ति को जोड़ता है। इस दृष्टिकोण में तीन मुख्य घटक शामिल हैं:

A. सामान्य ढांचा (फैक्टर ग्राफ + ILP)

समस्या को एक LLM-आधारित फैक्टर ग्राफ $\Psi$ के रूप में मॉडल किया गया है।

लोकल स्कोरिंग (Local Scoring): एक LLM को व्यक्तिगत उम्मीदवार उप-संरचनाओं (स्थानीय निर्णयों) को स्कोर करने के लिए प्रॉम्प्ट किया जाता है।
ग्लोबल ऑप्टिमाइज़ेशन (Global Optimization): इन स्कोर्स को एक इंटीजर लीनियर प्रोग्रामिंग (ILP) सॉल्वर में फीड किया जाता है ताकि अनुकूलतम वैश्विक संरचना $y$ प्राप्त की जा सके जो संरचनात्मक बाधाओं $C$ को संतुष्ट करते हुए स्कोर्स के योग को अधिकतम करती है।
$\text{arg max}_{y \in Y} \sum_{\psi_i \in \Psi} \rho(x_i, y_i; \theta) \quad \text{s.t. } c(x_c, y_c)$
जहाँ $\rho$ LLM स्कोर है और $c$ बाधाओं (जैसे ट्रांजिटिविटी, आपसी अनन्यता) का प्रतिनिधित्व करता है।

B. कॉन्फिडेंस एस्टीमेशन रणनीतियाँ (Confidence Estimation Strategies)

यह पेपर LLMs से कॉन्फिडेंस स्कोर प्राप्त करने के तरीकों का व्यापक मूल्यांकन करता है, जिन्हें व्हाइट-बॉक्स (टोकन संभावनाओं तक पहुँच) और ब्लैक-बॉक्स (केवल टेक्स्ट) श्रेणियों में विभाजित किया गया है:

व्हाइट-बॉक्स (White-Box):
- True/False: कार्य को एक बाइनरी प्रश्न के रूप में तैयार करना (जैसे, "क्या लेबल X सत्य है?") और "True" टोकन की संभावना का उपयोग करना।
- Multiple Choice: सही विकल्प के अनुरूप टोकन की संभावना का उपयोग करना।
- जेनेरेटिव क्लासिफिकेशन (Generative Classification): प्रॉम्प्ट को उलटना (लेबल $\to$ टेक्स्ट) और दिए गए लेबल के आधार पर इनपुट टेक्स्ट उत्पन्न करने की संभावना की गणना करना।
ब्लैक-बॉक्स (Black-Box):
- जनरेशन सैंपलिंग (Generation Sampling): $n$ जनरेशन को सैंपल करना और एक विशिष्ट लेबल की आवृत्ति का उपयोग कॉन्फिडेंस स्कोर के रूप में करना।
- वर्बलाइज्ड कॉन्फिडेंस (Verbalized Confidence): मॉडल को सीधे एक संख्यात्मक कॉन्फिडेंस स्कोर (0-100) आउटपुट करने के लिए प्रॉम्प्ट करना।

C. लर्निंग और कैलिब्रेशन रणनीतियाँ (Learning and Calibration Strategies)

ज़ीरो-शॉट प्रॉम्प्टिंग के अलावा, लेखक LLMs को स्ट्रक्चर्ड उद्देश्यों के साथ संरेखित करने के तरीकों का पता लगाते हैं:

स्कोर कैलिब्रेशन (पोस्ट-हॉक): फ्रोजन LLM स्कोर्स के ऊपर एक लॉजिस्टिक रिग्रेशन लेयर को प्रशिक्षित करना।
- लोकल कैलिब्रेशन: प्रत्येक उप-कार्य के लिए अलग-अलग रिग्रेसर को प्रशिक्षित करता है।
- ग्लोबल कैलिब्रेशन: स्ट्रक्चर्ड हिंज लॉस का उपयोग करके रिग्रेसर्स को संयुक्त रूप से प्रशिक्षित करता है जो वैश्विक इन्फरेंस परिणाम पर विचार करता है।
फाइन-ट्यूनिंग (Fine-Tuning):
- लोकल फाइन-ट्यूनिंग: स्थानीय घटकों पर मानक नेक्स्ट-टोकन प्रेडिक्शन फाइन-ट्यूनिंग।
- ग्लोबल फाइन-ट्यूनिंग: सीधे LLM पैरामीटर्स में स्ट्रक्चर्ड हिंज लॉस (ILP चरण से) को बैकप्रोपैगेट करना (LoRA का उपयोग करके), जो प्रभावी रूप से मॉडल को वैश्विक निरंतरता के लिए अनुकूलित करना सिखाता है।

3. प्रमुख योगदान (Key Contributions)

व्यापक कॉन्फिडेंस एस्टीमेशन अध्ययन: यह पेपर कॉन्फिडेंस स्कोर निकालने के लिए पांच अलग-अलग प्रॉम्प्टिंग रणनीतियों का व्यवस्थित तुलना प्रदान करता है, यह पहचानते हुए कि True/False प्रॉम्प्टिंग डाउनस्ट्रीम इन्फरेंस के लिए सबसे प्रभावी स्कोर प्रदान करती है।
सिम्बोलिक इन्फरेंस का एकीकरण: यह प्रदर्शित करता है कि कॉन्फिडेंस एस्टीमेशन रणनीति का जो भी प्रकार उपयोग किया गया हो, LLM को ILP-आधारित इन्फरेंस के साथ जोड़ने से शुद्ध प्रॉम्प्टिंग की तुलना में लगातार बेहतर प्रदर्शन होता है।
स्ट्रक्चर्ड लर्निंग ऑब्जेक्टिव्स: यह ग्लोबल कैलिब्रेशन और ग्लोबल फाइन-ट्यूनिंग को पेश करता है और मान्य करता है, यह दिखाते हुए कि केवल स्थानीय टोकन भविष्यवाणी के बजाय वैश्विक स्ट्रक्चर्ड ऑब्जेक्टिव के लिए अनुकूलित करना प्रदर्शन को काफी बढ़ाता है।
अनुभवजन्य सत्यापन (Empirical Validation): दो चुनौतीपूर्ण डिस्कोर्स-लेवल कार्यों पर व्यापक प्रयोग: मोरलिटी फ्रेमिंग (राजनीतिक ट्वीट्स में नैतिक आधार और भूमिकाओं की पहचान करना) और कोरेफरेंस रेजोल्यूशन (बायोमेडिकल और सामान्य समाचार)।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने Llama-3.1-8B, Mistral-7B और बड़े वेरिएंट (Llama-70B, GPT-5) जैसे मॉडल्स का उपयोग करके Morality Frames डेटासेट और GENIA/OntoNotes कोरेफरेंस डेटासेट्स पर अपने तरीकों का मूल्यांकन किया।

इन्फरेंस बनाम प्रॉम्प्टिंग: कॉम्बिनेटोरियल इन्फरेंस (+ constr) जोड़ने से सभी रणनीतियों में प्रदर्शन में सुधार हुआ। उदाहरण के लिए, Morality Framing में, True/False विधि ने Micro F1 को 0.498 से बढ़ाकर 0.517 कर दिया; Coreference में, F1 को 0.815 से बढ़ाकर 0.820 कर दिया।
सर्वश्रेष्ठ कॉन्फिडेंस रणनीति: True/False प्रॉम्प्टिंग रणनीति ने लगातार सबसे अच्छे कॉन्फिडेंस स्कोर प्रदान किए, जिसने Multiple Choice, Generation Sampling और Verbalized Confidence को पीछे छोड़ दिया।
लर्निंग इम्पैक्ट:
- ग्लोबल कैलिब्रेशन ने लोकल कैलिब्रेशन से बेहतर प्रदर्शन किया, विशेष रूप से प्री-ट्रेंड मॉडल्स के लिए।
- ग्लोबल फाइन-ट्यूनिंग ने स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त किए। Morality Frames कार्य पर, ग्लोबल फाइन-ट्यून्ड मॉडल ने 0.764 का Micro F1 प्राप्त किया, जो पिछले स्टेट-ऑफ-द-आर्ट (0.723) से अधिक था और "ऑल-इन-वन" प्रॉम्प्टिंग रणनीतियों से काफी बेहतर था।
- GENIA कोरेफरेंस कार्य पर, ग्लोबल फाइन-ट्यूनिंग ने 0.890 का F1 प्राप्त किया, जो पिछले सर्वश्रेष्ठ (0.916 एक विशिष्ट कंस्ट्रेंड डीप मॉडल था, लेकिन ग्लोबल ट्यूनिंग वाला LLM-आधारित दृष्टिकोण अत्यधिक प्रतिस्पर्धी और श्रेष्ठ था) को टक्कर देता है।
मॉडल साइज: दिलचस्प बात यह है कि कुछ कार्यों के लिए, विशिष्ट प्रॉम्प्टिंग रणनीतियों का उपयोग करने पर 8B मॉडल ने 70B मॉडल की तुलना में थोड़ा बेहतर प्रदर्शन किया, जो यह सुझाव देता है कि जब सरल स्थानीय वर्गीकरण कार्यों के लिए उपयोग किया जाता है, तो बड़े मॉडल ग्लोबल बाधाओं द्वारा निर्देशित होने के बिना ओवर-पैरामीटराइज्ड हो सकते हैं।
कंप्यूटेशनल लागत: जबकि इन्फरेंस में नगण्य समय (~0.1s से 3s) लगता है, Verbalized Confidence और Generative Classification जैसे तरीके प्रति इंस्टेंस कई प्रॉम्प्ट्स के कारण कम्प्यूटेशनल रूप से महंगे हैं। Multiple Choice और True/False अधिक कुशल हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह पेपर स्थापित करता है कि LLMs के युग में भी स्ट्रक्चर्ड लर्निंग महत्वपूर्ण बनी हुई है। हालांकि LLMs के पास विशाल विश्व ज्ञान है, लेकिन उनमें सख्त तार्किक निरंतरता लागू करने की अंतर्निहित क्षमता की कमी है।

हाइब्रिड दृष्टिकोण: सबसे प्रभावी रास्ता एक हाइब्रिड दृष्टिकोण है: LLMs को शक्तिशाली स्थानीय स्कोरर के रूप में उपयोग करना और सिम्बोलिक इन्फरेंस (ILP) को वैश्विक बाधा प्रवर्तक (global constraint enforcer) के रूप में उपयोग करना।
प्रॉम्प्ट इंजीनियरिंग मायने रखती है: प्रॉम्प्ट को कैसे तैयार किया जाता है (जैसे, True/False बनाम Open Generation) इन्फरेंस के लिए उपयोग किए जाने वाले कॉन्फिडेंस स्कोर की गुणवत्ता को नाटकीय रूप रूप से प्रभावित करता है।
ट्रेनिंग ऑब्जेक्टिव: केवल स्थानीय टोकन पर LLMs को फाइन-ट्यून करना स्ट्रक्चर्ड कार्यों के लिए पर्याप्त नहीं है। मॉडल को सीधे ग्लोबल स्ट्रक्चर्ड ऑब्जेक्टिव के विरुद्ध (ग्लोबल फाइन-ट्यूनिंग के माध्यम से) अनुकूलित करना बेहतर परिणाम देता है, जो जेनेरेटिव मॉडल्स और डिस्क्रिमिनेटिव स्ट्रक्चर्ड प्रेडिक्शन के बीच के अंतर को पाटता है।

यह कार्य एक रोडमैप प्रदान करता है जिससे ऐसे मजबूत, सुसंगत और उच्च-प्रदर्शन वाले NLP सिस्टम बनाए जा सकें जो औपचारिक इन्फरेंस के माध्यम से भ्रम और असंगति की प्रवृत्ति को कम करते हुए LLMs की लचीलेपन का लाभ उठाते हैं।