Symbolic Graphics Programming with Large Language Models
यह शोध पत्र प्रतीकात्मक ग्राफ़िक्स प्रोग्राम (SVGs) उत्पन्न करने की लार्ज लैंग्वेज मॉडल्स की क्षमता का मूल्यांकन करने के लिए SGP-GenBench प्रस्तुत करता है और एक सत्यापन योग्य पुरस्कारों (verifiable rewards) वाले सुदृढीकरण शिक्षण (reinforcement learning) दृष्टिकोण का प्रस्ताव करता है जो जनरेशन की गुणवत्ता और सिमेंटिक संरेखण को महत्वपूर्ण रूप से बढ़ाता है, जिससे ओपन-सोर्स मॉडल्स को फ्रंटियर सिस्टम्स के प्रदर्शन के बराबर लाने में सक्षम बनाया जा सके।
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 अपने एक दोस्त को एक तस्वीर के बारे में समझाने की कोशिश कर रहे हैं जिसने उसे पहले कभी नहीं देखा है। आप कह सकते हैं, "एक नीली बाइक के बगल में एक लाल कार बनाओ।" लेकिन प्राकृतिक भाषा अव्यवस्थित होती है; इसमें बहुत अधिक उतार-चढ़ाव होता है। आपका दोस्त एक ऐसी कार बना सकता है जो बहुत बड़ी हो, एक ऐसी बाइक जो हवा में तैर रही हो, या एक ऐसा लाल रंग जो गुलाबी जैसा दिखता हो। यह कंप्यूटरों के लिए शब्दों को छवियों में बदलने के दैनिक संघर्ष का हिस्सा है। लंबे समय से, वैज्ञानिकों ने कंप्यूटरों को पिक्सेल का उपयोग करके तस्वीरें "सपनों" की तरह देखने के लिए सिखाया है, जैसे एक डिजिटल चित्रकार कैनवास पर रंगों को फैलाता है। लेकिन एक और तरीका भी है: सिंबॉलिक ग्राफिक्स प्रोग्रामिंग (Symbolic Graphics Programming)। पिक्सेल को फैलाने के बजाय, कंप्यूटर एक सटीक रेसिपी लिखता है—गणितीय निर्देशों का एक सेट—जो छवि को टुकड़ों में बनाने के लिए उपयोग किया जाता है, जैसे कि लेगो (LEGO) सेट को असेंबल करना या एक सख्त वास्तुशिल्प ब्लूप्रिंट का पालन करना। यह तरीका अविश्वसनीय रूप से सटीक है, लेकिन इसे सही करना बहुत कठिन है।
यहाँ लार्ज लैंग्वेज मॉडल्स (LLMs) का प्रवेश होता है। ये सुपर-स्मार्ट AI दिमाग हैं जो कोड लिख सकते हैं, चुटकुले सुना सकते हैं और सवालों के जवाब दे सकते हैं। वे निर्देशों का पालन करने में माहिर हैं, लेकिन क्या वे एक साधारण विवरण से एक आदर्श छवि बनाने के लिए आवश्यक विशिष्ट "ब्लूप्रिंट" लिख सकते हैं? यही वह बड़ा सवाल है जिसे यह शोध पत्र संबोधित करता है। शोधकर्ता यह जानना चाहते थे: क्या ये AI दिमाग दृश्य दृश्यों के मास्टर आर्किटेक्ट बन सकते हैं, जो एक जटिल दुनिया को चित्रित करने के लिए आवश्यक सटीक कोड लिख सकें, और यदि वे अकेले इसे अच्छी तरह से नहीं कर सकते, तो क्या हम उन्हें बेहतर होने के लिए सिखा सकते हैं?
शोध पत्र की कहानी: AI को कोड के साथ चित्र बनाना सिखाना
शोधकर्ताओं ने वर्तमान अत्याधुनिक तकनीक का परीक्षण करके शुरुआत की। उन्होंने एक विशाल परीक्षण बनाया जिसे SGP-GenBench कहा जाता है, जो AI कलाकारों के लिए एक बड़े ड्राइविंग टेस्ट की तरह है। उन्होंने विभिन्न AI मॉडलों को संकेतों (prompts) की एक सूची दी, जो सरल ("एक लाल कार") से लेकर जटिल ("हाथियों की पीठ पर सवार तीन लोग") तक थी। लक्ष्य यह देखना था कि क्या AI उस कोड को लिख सकता है (विशेष रूप से एक प्रकार जिसे SVG, या स्केलेबल वेक्टर ग्राफिक्स कहा जाता है) जो ठीक वही रेंडर करे जो पूछा गया था।
परिणाम थोड़े मिले-जुले रहे। "फ्रंटियर" मॉडल—जो बड़ी तकनीकी कंपनियों द्वारा उपयोग किए जाने वाले अत्यधिक महंगे, क्लोज्ड-सोर्स मॉडल हैं—का प्रदर्शन काफी अच्छा रहा। वे ज्यादातर आकृतियों और रंगों को सही ढंग से प्राप्त कर सके। लेकिन ओपन-सोर्स मॉडल, जो मुफ़्त में किसी के भी उपयोग और अध्ययन के लिए उपलब्ध हैं, संघर्ष करते रहे। वे अक्सर ऐसा कोड लिखते थे जो बिल्कुल भी काम नहीं करता था, या उन्होंने ऐसी चीजें बनाईं जो संकेत से बिल्कुल अलग दिखती थीं। यह किसी नौसिखिए को घर बनाने के लिए कहने जैसा था; वे शायद छत तो लगा देते, लेकिन दीवारें टेढ़ी होतीं, या दरवाजा गायब होता।
इसलिए, टीम ने पूछा: हम ओपन-सोर्स मॉडल्स को कैसे ठीक करें?
उन्होंने केवल मॉडल्स को याद करने के लिए अधिक उदाहरण नहीं दिए। इसके बजाय, उन्होंने रीइन्फोर्समेंट लर्निंग (RL) नामक एक तकनीक का उपयोग किया। इसे एक कंप्यूटर के लिए कुत्ते को प्रशिक्षित करने जैसा समझें।
- प्रयास (The Attempt): AI एक तस्वीर के लिए कोड लिखने की कोशिश करता है।
- जांच (The Check): कंप्यूटर कोड को एक वास्तविक छवि में रेंडर करता है।
- पुरस्कार (The Reward): एक सुपर-स्मार्ट "जज" (एक अन्य AI जिसे चित्रों को समझने के लिए प्रशिक्षित किया गया है) परिणाम की मूल विवरण के साथ तुलना करता है।
- यदि AI ने ऐसा कोड लिखा जो क्रैश हो गया या रेंडर नहीं हुआ, तो उसे शून्य मिलता है।
- यदि छवि संकेत के समान दिखती है, तो उसे उच्च स्कोर मिलता है।
- यदि छवि करीब है लेकिन उसमें कुछ त्रुटियां हैं, तो उसे मध्यम स्कोर मिलता है।
AI फिर इन स्कोर का उपयोग करके सीखता है। वह महसूस करता है, "ओह, जब मैं ऊपर बाईं ओर सूरज रखता हूँ, तो स्कोर बढ़ जाता है। जब मैं कार के पहिए भूल जाता हूँ, तो स्कोर कम हो जाता है।" हजारों प्रयासों के बाद, AI खेल के नियम सीख जाता है।
आश्चर्यजनक परिणाम
परिणाम प्रभावशाली थे। इस "ट्रेनिंग कैंप" के बाद, ओपन-सोर्स मॉडल (Qwen-2.5-7B) केवल थोड़ा ही बेहतर नहीं हुआ; यह उस स्तर पर पहुँच गया जहाँ वह सर्वश्रेष्ठ क्लोज्ड-सोर्स मॉडल्स के साथ प्रतिस्पर्धा कर सके। वह बिखरे हुए, टूटे हुए रेखाचित्रों से बदलकर साफ, विस्तृत और सटीक वेक्टर ग्राफिक्स बनाने लगा।
लेकिन सबसे दिलचस्प हिस्सा अंतिम स्कोर नहीं था; बल्कि यह था कि सीखने के दौरान AI के व्यवहार में कैसे बदलाव आया। शोधकर्ताओं ने AI की "विचार प्रक्रिया" के विकास को देखा और पाया कि इसने दो शानदार तरकीबें अपनाईं:
चीजों को तोड़ना (Breaking Things Down): शुरुआत में, AI एक जटिल वस्तु (जैसे मोटरसाइकिल) को कोड के एक बड़े, अव्यवized ब्लॉक में बनाने की कोशिश करता था। जैसे-जैसे उसने सीखा, उसने मोटरसाइकिल को छोटे, प्रबंधनीय भागों में तोड़ना शुरू कर दिया: "पहले, मैं शरीर बनाऊंगा। फिर, मैं पहिए जोड़ूंगा। अब, हैंडल बार जोड़ते हैं।" यह एक ऐसे शेफ की तरह था जिसने एक साथ बर्तन में सभी सामग्रियां डालने के बजाय प्रत्येक को सावधानीपूर्वक तैयार करना शुरू कर दिया।
"वैकल्पिक" विवरण जोड़ना (Adding "Optional" Details): AI ने ऐसी चीजें जोड़ना शुरू कर दिया जो स्पष्ट रूप से नहीं मांगी गई थीं लेकिन तस्वीर को अधिक वास्तविक बनाती थीं। यदि आपने "केक के साथ मेज पर बैठे लोगों" के लिए पूछा, तो AI केक पर स्प्रिंकल्स या मेज पर ब्रेड के टुकड़े जोड़ना शुरू कर सकता था। यदि आपने समुद्र तट का दृश्य मांगा, तो वह लहरें या रेत जोड़ सकता था। ये गलतियाँ नहीं थीं; ये रचनात्मक विकल्प थे जिन्होंने दृश्य को पूर्ण और स्वाभाविक बनाया, जिससे पता चला कि AI केवल शब्दों को नहीं, बल्कि दृश्य के संदर्भ को भी समझने लगा है।
यह क्यों महत्वपूर्ण है
यह शोध पत्र सुझाव देता है कि यह तरीका कंप्यूटरों को यह सिखाने का एक शक्तिशाली तरीका है कि बिना लाखों पूर्ण उदाहरणों के शुरुआत किए, वे कैसे "देख" और "बना" सकते हैं। एक पुरस्कार प्रणाली का उपयोग करके जो यह जांचती है कि क्या चित्र शब्दों से मेल खाता है, AI अपनी भाषा कौशल को अपने दृश्य कौशल के साथ संरेखित करना सीख जाता है।
शोधकर्ताओं ने पाया कि यह दृष्टिकोण इतना प्रभावी है कि ओपन-सोर्स मॉडल, जो संघर्ष करते हुए शुरू हुआ था, अंततः सबसे उन्नत वाणिज्यिक प्रणालियों के बराबर प्रदर्शन करने लगा। उन्होंने यह भी खोजा कि AI ने केवल उत्तरों को रटा नहीं; बल्कि इसने जटिल कार्यों को छोटे, नियंत्रणीय चरणों में तोड़ने और अंतिम परिणाम को बेहतर बनाने के लिए सहायक विवरण जोड़ने की रणनीति सीखी।
संक्षेप में, यह शोध पत्र दिखाता है कि सही प्रकार के प्रशिक्षण के साथ—जहाँ AI को तत्काल फीडबैक मिलता है कि क्या उसका "ड्राइंग" विवरण से मेल खाता है—हम एक बुनियादी भाषा मॉडल को एक सटीक, रचनात्मक और अत्यधिक सक्षम ग्राफिक प्रोग्रामर में बदल सकते हैं। यह ऐसे AI की ओर एक कदम है जो केवल यह अनुमान नहीं लगाता कि एक तस्वीर कैसी दिखनी चाहिए, बल्कि वास्तव में जानता है कि इसे कैसे बनाया जाए, एक समय में एक सटीक कोड लाइन के साथ।
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।