💬 NLP

Multiplayer Nash Preference Optimization

यह शोध पत्र मल्टीप्लेयर नैश प्रेफरेंस ऑप्टिमाइजेशन (MNPO) को प्रस्तुत करता है, जो एक नया ढांचा है जो मानव फीडबैक से दो-खिलाड़ी नैश लर्निंग को n-खिलाड़ियों के खेल में सामान्यीकृत करता है, जिससे एकल-प्रतिद्वंद्वी पूर्वाग्रह को दूर करते हुए जटिल, गैर-संक्रामक मानव प्राथमिकताओं को बेहतर ढंग से पकड़ने और एलाइनमेंट की गुणवत्ता में मौजूदा बेसलाइन से बेहतर प्रदर्शन करने में मदद मिलती है।

मूल लेखक: Fang Wu, Xu Huang, Weihao Xuan, Zhiwei Zhang, Yijia Xiao, Guancheng Wan, Xiaomin Li, Bing Hu, Peng Xia, Jure Leskovec, Yejin Choi

प्रकाशित 2026-04-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fang Wu, Xu Huang, Weihao Xuan, Zhiwei Zhang, Yijia Xiao, Guancheng Wan, Xiaomin Li, Bing Hu, Peng Xia, Jure Leskovec, Yejin Choi

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 बुद्धिमान रोबोट (एक लार्ज लैंग्वेज मॉडल) को यह सिखाने की कोशिश कर रहे हैं कि कैसे मददगार, सुरक्षित और ईमानदार बना जाए। अतीत में, इसे करने का मानक तरीका एक आमने-सामने की मुक्केबाजी (boxing match) जैसा था।

रोबोट दो उत्तर उत्पन्न करता था। एक मानव निर्णायक (या एक कंप्यूटर जो मानव का अनुकरण करता है) विजेता को चुनता था। रोबोट उस विशिष्ट लड़ाई को जीतने की कोशिश करके सीखता था। यह ठीक-ठाक काम करता था, लेकिन इसमें एक बड़ी खामी थी: इसने यह मान लिया था कि यदि उत्तर A, उत्तर B से बेहतर है, और B, C से बेहतर है, तो A को C से बेहतर होना चाहिए। वास्तविक दुनिया में, मानव प्राथमिकताएं जटिल होती हैं। कभी A सुरक्षा के लिए बेहतर होता है, B रचनात्मकता के लिए बेहतर होता है, और C गति के लिए बेहतर होता है। एक साधारण मुक्केबाजी इस जटिलता को नहीं पकड़ सकती।

हाल ही में, शोधकर्ताओं ने एक दो-खिलाड़ी शतरंज के खेल का परीक्षण किया। केवल विजेता चुनने के बजाय, रोबोट अपने ही एक "प्रतिद्वंद्वी" संस्करण के खिलाफ खेलकर एक "नैश इक्विलिब्रियम" (Nash Equilibrium) खोजने की कोशिश करता था—एक ऐसी स्थिति जहाँ कोई भी खिलाड़ी अकेले अपनी रणनीति बदलकर सुधार नहीं कर सकता। यह एक बहुत बड़ा कदम था, लेकिन यह अभी भी केवल एक जोड़ी (duo) था। यह एक सॉकर खिलाड़ी को केवल एक विशिष्ट प्रतिद्वंद्वी के खिलाफ खेलकर प्रशिक्षित करने जैसा था। वे उस विशेष व्यक्ति को हराने में बहुत अच्छे हो सकते हैं, लेकिन वे पूरी लीग के खिलाफ खराब प्रदर्शन करेंगे।

MNPO का आगमन: "ग्रैंड टूर्नामेंट"

यह पेपर मल्टीप्लेयर नैश प्रेफरेंस ऑप्टिमाइज़ेशन (MNPO) पेश करता है। मुक्केबाजी या शतरंज के द्वंद्व के बजाय, MNPO प्रशिक्षण प्रक्रिया को एक विशाल, अराजक, बहु-टीम टूर्नामेंट में बदल देता है।

यह कैसे काम करता है, इसके लिए एक सरल उपमा देखें:

1. "जिम" बनाम "लीग"

पुराना तरीका (दो-खिलाड़ी): कल्पना करें कि एक बॉक्सर जिम में प्रशिक्षण ले रहा है। वह केवल अपने एक साथी के साथ अभ्यास करता है। वह उस विशिष्ट साथी की शैली में बहुत अच्छा हो जाता है, लेकिन वास्तविक दुनिया में एक पूरी तरह से अलग लड़ने की शैली के सामने वह हैरान हो सकता है।
MNPO (मल्टीप्लेयर): अब, कल्पना करें कि वह बॉक्सर एक साथ दर्जनों विरोधियों के साथ एक विशाल अरीना में उतरता है। कुछ लंबे हैं, कुछ तेज़ हैं, कुछ रक्षात्मक हैं, और कुछ आक्रामक हैं। बॉक्सर को एक साथ उन सभी के अनुकूल ढलना सीखना होगा।

पेपर के शब्दों में, AI मॉडल केवल एक "प्रतिद्वंद्वी" AI के खिलाफ नहीं लड़ता है। यह विभिन्न AI संस्करणों (कुछ अतीत के, कुछ सुरक्षा जैसे विभिन्न लक्ष्यों के साथ प्रशिक्षित, कुछ रचनात्मकता जैसे विभिन्न लक्ष्यों के साथ प्रशिक्षित) की एक जनसंख्या (population) के खिलाफ प्रतिस्पर्धा करता है।

2. सहमति का "ग्रुप हग" (Group Hug)

इस टूर्नामेंट में, लक्ष्य केवल सबको हराना नहीं है। यह एक संतुलित रणनीति खोजने के बारे में है जो पूरे समूह के खिलाफ अच्छी काम करे।

यदि AI बहुत अधिक "सुरक्षित" होने की कोशिश करता है, तो वह "रचनात्मक" विरोधियों से हार सकता है।
यदि वह बहुत अधिक "रचनात्मक" होने की कोशिश करता है, तो वह "तथ्यात्मक" विरोधियों से हार सकता है।
MNPO का जादू: AI बीच का एक "स्वीट स्पॉट" खोजने के लिए सीखता है। यह एक "गिरगिट" (chameleon) बन जाता है जो बिना टूटे मानवीय प्राथमिकताओं की एक विस्तृत श्रृंखला को संभाल सकता है। यह सीखता है कि कभी-कभी आपको मजाकिया होना पड़ता है, कभी गंभीर होना पड़ता है, और कभी सतर्क रहना पड़ता है, यह इस पर निर्भर करता है कि आप किससे बात कर रहे हैं।

3. "समय-यात्रा" करने वाले प्रतिद्वंद्वी

यह पेपर एक चतुर तकनीक पेश करता है जिसे TD-MNPO (टाइम-डिपेंडेंट) कहा जाता है।
कल्पना कीजिए कि आप टेनिस खेलना सीख रहे हैं। केवल अपने वर्तमान स्वरूप के खिलाफ खेलने के बजाय, आप इनके खिलाफ भी खेलते हैं:

अपने कल के स्वरूप के खिलाफ।
अपने पिछले सप्ताह के स्वरूप के खिलाफ।
अपने पिछले महीने के स्वरूप के खिलाफ।

अपने "पिछले स्वरूपों" के खिलाफ खेलकर, आप केवल अपने वर्तमान स्वरूप को हराना नहीं सीखते; आप एक सुसंगत शैली (consistent style) सीखते हैं जो समय के साथ बनी रहती है। यह AI को "भूलने" या पागल होने (एक समस्या जिसे "रिवॉर्ड हैकिंग" कहा जाता है जहाँ AI जीतने के लिए एक रास्ता खोज लेता है लेकिन मददगार होना छोड़ देता है) से बचाता है।

4. "विशेषज्ञ" टीम (Heterogeneous)

कभी-कभी, अलग-अलग नियमों के साथ अलग-अलग जज होते हैं। एक जज सुरक्षा की परवाह करता है, दूसरा उपयोगिता की, और तीसरा सत्यता की।

पुराना तरीका: आपको एक जज चुनना होता था और दूसरों को अनदेखा करना होता था।
MNPO (HT-MNPO): AI एक ऐसी टीम बनाता है जहाँ उसके विभिन्न "संस्करण" अलग-अलग नियमों में विशेषज्ञता हासिल करते हैं। वे एक साथ एक जटिल खेल खेलते हैं, और इन सभी विरोधाभासी मांगों को संतुलित करना सीखते हैं। यह एक बैंड की तरह है जहाँ ड्रमर, गिटारवादक और गायक के अलग-अलग स्टाइल होते हैं, लेकिन वे एक ऐसा गाना बजाना सीखते हैं जो सभी को अच्छा लगे।

यह क्यों मायने रखता है?

लेखकों ने इस "ग्रैंड टूर्नामेंट" पद्धति का परीक्षण AI के कुछ सबसे कठिन परीक्षणों पर किया:

निर्देशों का पालन करना: क्या यह बिल्कुल वही कर सकता है जो आप उससे पूछते हैं?
तर्क (Reasoning): क्या यह गणित और तर्क की पहेलियों को हल कर सकता है?
रचनात्मकता: क्या यह अच्छी कहानियाँ लिख सकता है?

परिणाम: MNPO के साथ प्रशिक्षित AI पिछले "द्वंद्व" (duel) तरीकों की तुलना में हर चीज़ में बेहतर था। यह केवल एक चीज़ में अच्छा नहीं हुआ; यह अधिक मजबूत, विश्वसनीय और अनुकूलन योग्य सहायक बन गया।

निचोड़ (Bottom Line)

पुराने तरीकों को एक बच्चे को एक छोटे पूल में दूसरे बच्चे के साथ दौड़ने के माध्यम से तैरना सिखाने के रूप में सोचें।
MNPO उस बच्चे को एक व्यस्त समुद्र में लहरों, धाराओं और विभिन्न शैलियों के अन्य तैराकों के बीच छोड़ने जैसा है। वे केवल दौड़ जीतने के लिए नहीं, बल्कि मानव प्राथमिकताओं की वास्तविक, अव्यवśćित और जटिल दुनिया में जीवित रहने और फलने-फूलने के लिए तैरना सीखते हैं।

यह पेपर साबित करता है कि AI मॉडल को एक साधारण द्वंद्व के बजाय एक मल्टीप्लेयर गेम खेलने की अनुमति देकर, हम स्मार्ट, सुरक्षित और अधिक मददगार AI असिस्टेंट बना सकते हैं।

यहाँ शोध पत्र "Multiplayer Nash Preference Optimization" (MNPO) का विस्तृत तकनीकी सारांश दिया गया है, जिसे ICLR 2026 के लिए एक कॉन्फ्रेंस पेपर के रूप में प्रकाशित किया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान रिइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक (RLHF) प्रतिमान वास्तविक दुनिया की मानवीय प्राथमिकताओं की जटिलता को पकड़ने में महत्वपूर्ण सीमाओं का सामना कर रहे हैं:

संक्रामकता धारणा (Transitivity Assumption): पारंपरिक तरीके जैसे डायरेक्ट प्रेफरेंस ऑप्टिमाइजेशन (DPO) और PPO ब्रैडली-टेरी मॉडल पर निर्भर करते हैं, जो यह मानता है कि प्राथमिकताएं संक्रामक होती हैं (यदि A > B और B > C, तो A > C)। अनुभवजन्य प्रमाण दर्शाते हैं कि मानवीय प्राथमिकताएं अक्सर गैर-संक्रामक (non-transitive) और विषम होती हैं।
दो-खिलाड़ी पूर्वाग्रह (Two-Player Bias): हालिया गेम-थ्योरेटिक दृष्टिकोण (जैसे नैश लर्निंग फ्रॉम ह्यूमन फीडबैक या NLHF) संरेखण (alignment) को एक दो-खिलाड़ी शून्य-योग खेल (two-player zero-sum game) के रूप में पुनर्गठित करते हैं। हालाँकि, बातचीत को एक एकल प्रतिद्वंद्वी (वर्तमान नीति बनाम संदर्भ नीति) तक सीमित करना एक बाधा उत्पन्न करता है। यह एनोटेटर की विविध प्राथमिकताओं, कई रिवॉर्ड मॉडल्स, या यथार्थवादी परिदृश्यों में पाए जाने वाले परस्पर विरोधी मूल्यांकन मानदंडों को पकड़ने में विफल रहता है।
अस्थिरता (Instability): एक एकल प्रतिद्वंद्वी वितरण के विरुद्ध अनुकूलन करने से दोलन व्यवहार (oscillatory behavior), संकीर्ण अन्वेषण और व्यापक प्राथमिकता जनसंख्या के भंगुर अनुमानों की ओर ले जा सकता है।

शोध पत्र तर्क देता है कि संरेखण को एक मल्टीप्लेयर गेम के रूप में मॉडल किया जाना चाहिए जहाँ एक नीति गैर-संक्रामक और विषम प्राथमिकता संरचनाओं को बेहतर ढंग से संभालने के लिए विरोधियों की एक आबादी के विरुद्ध प्रतिस्पर्धा करती है।

2. कार्यप्रणाली: मल्टीप्लेयर नैश प्रेफरेंस ऑप्टिमाइजेशन (MNPO)

लेखक MNPO का प्रस्ताव करते हैं, जो दो-खिलाड़ी नैश लर्निंग को $n$ -प्लेयर सेटिंग में सामान्यीकृत करता है।

A. सैद्धांतिक ढांचा (Theoretical Framework)

गेम फॉर्मूलेशन: समस्या को एक $n$ -प्लेयर गेम के रूप में तैयार किया गया है जहाँ प्रत्येक नीति $\pi_i$ , $n-1$ अन्य नीतियों $\{\pi_j\}_{j \neq i}$ की एक आबादी के विरुद्ध प्रतिस्पर्धा करती है।
उद्देश्य फलन (Objective Function): प्रत्येक खिलाड़ी एक संदर्भ मॉडल ( $\pi_{ref}$ ) की ओर KL-डाइवर्जेंस दंड के माध्यम से नियमित होते हुए, आबादी के विरुद्ध अपनी अपेक्षित प्राथमिकता संभावना को अधिकतम करता है।
$J(\pi_i, \{\pi_j\}) = \mathbb{E}_{x} \left[ \mathbb{E}_{y_i \sim \pi_i, y_j \sim \pi_j} [P(y_i \succ \{y_j\}_{j \neq i} | x)] - \tau \text{KL}(\pi_i \| \pi_{ref}) \right]$
नैश इक्विलिब्रियम (Nash Equilibrium): समरूप (homogeneous) सेटिंग में (सभी खिलाड़ी एक ही प्रेफरेंस ऑरेकल साझा करते हैं), यह ढांचा एक सममित नैश इक्विलिब्रियम स्वीकार करता है जहाँ $\pi_1^* = \pi_2^* = \dots = \pi_n^*$ । लेखक सिद्ध करते हैं कि औसत नीति $O(1/\sqrt{T})$ के रिग्रेट बाउंड के साथ एक $\epsilon$ -अनुमानित नैश इक्विलिब्रियम की ओर अभिसरित होती है।
प्लैकेट-लूस सामान्यीकरण (Plackett-Luce Generalization): लिस्टवाइज तुलनाओं (एक-बनाम-कई) को संभालने के लिए, लेखक प्लैकेट-लूस मॉडल को अपनाते हैं, जो कई विकल्पों को एक साथ समायोजित करने के लिए ब्रैडली-टेरी मॉडल का विस्तार करता है।

B. एल्गोरिद्मिक नवाचार (Algorithmic Innovations)

पेपर MNPO के अंतर्गत दो विशिष्ट एल्गोरिदम पेश करता है:

TD-MNPO (टाइम-डिपेंडेंट MNPO):
- तंत्र: स्थिर विरोधियों के बजाय, प्रतिद्वंद्वी सेट ऐतिहासिक नीति चेकपॉइंट्स ( $\pi_{t-j}$ ) के एक भारित मिश्रण से बनाया गया है।
- लॉस फंक्शन: लॉस वर्तमान नीति और ऐतिहासिक विरोधियों के भारित लॉग-ऑड्स के बीच विसंगति को कम करता है, जिसे एक लक्षित रिवॉर्ड गैप द्वारा नियमित किया जाता है।
- एकीकरण: TD-MNPO कई मौजूदा एल्गोरिदम (DPO, SimPO, INPO, SPIN) को खिलाड़ियों की संख्या, प्रतिद्वंद्वी चयन और दूरी मेट्रिक्स को बदलकर विशेष मामलों के रूप में एकीकृत करता है।
- अभिसरण: यह समरूप खेलों में मल्टीप्लिकेटिव वेट्स अपडेट के सैद्धांतिक अभिसरण गारंटी को विरासत में प्राप्त करता है।
HT-MNPO (हेटरोजीनियस MNPO):
- तंत्र: यह विषम प्रेफरेंस ऑरेकल (जैसे सुरक्षा, उपयोगिता, या सत्यनिष्ठा के लिए अलग-अलग रिवॉर्ड मॉडल) वाले परिदृश्यों के लिए डिज़ाइन किया गया है। प्रत्येक खिलाड़ी $i$ को एक विशिष्ट प्रेफरेंस ऑरेकल $P_i$ के साथ जोड़ा जाता है।
- गेम प्रकार: इसके परिणामस्वरूप औपचारिक नैश इक्विलिब्रियम गारंटी के बिना एक जनरल-सम गेम होता है।
- प्रदर्शन: औपचारिक अभिसरण प्रमाणों के अभाव के बावजूद, अनुभवजन्य परिणाम दिखाते हैं कि यह प्रभावी रूप से उन स्थिर बिंदुओं को खोजता है जो कई, संभावित रूप से परस्पर विरोधी गुणवत्ता आयामों को संतुलित करते हैं।

C. रिवॉर्ड एन्हांसमेंट (Reward Enhancement)

ढांचा रिवॉर्ड-अवेयर प्रेफरेंस ऑप्टिमाइजेशन (RPO) को एकीकृत करता है। यह सीखे गए इम्प्लिसिट रिवॉर्ड और एक लक्षित रिवॉर्ड मॉडल के बीच विसंगतियों को कम करने के लिए मात्रात्मक रिवॉर्ड संकेतों को सहायक मार्गदर्शन के रूप में उपयोग करता है, जिससे गुणात्मक प्रेफरेंस तुलनाओं और मात्रात्मक रिवॉर्ड मॉडलिंग के बीच के अंतर को पाटा जा सके।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक सामान्यीकरण: NLHF को दो-ख pemain से $n$ -player गेम्स तक विस्तारित करता है, जो एक सिद्धांत आधारित मीन-फील्ड सन्निकटन प्रदान करता है जो ग्रेडिएंट वेरिएंस को कम करता है और अनुकूलन को स्थिर करता है।
एल्गोरिद्मिक एकीकरण: यह प्रदर्शित करता है कि TD-MNPO मौजूदा अत्याधुनिक तरीकों (DPO, INPO, SimPO, आदि) को विशेष मामलों के रूप में समाहित करता है, जो RLHF पर एक एकीकृत दृष्टिकोण प्रदान करता है।
विषम हैंडलिंग: यह एक एकल स्केलर रिवॉर्ड फंक्शन की आवश्यकता के बिना विविध और परस्पर विरोधी प्रेफरेंस स्रोतों (जैसे सुरक्षा बनाम उपयोगिता) को संभालने के लिए HT-MNPO का प्रस्ताव करता है।
अनुभवजन्य श्रेष्ठता: व्यापक प्रयोग दिखाते हैं कि MNPO इंस्ट्रक्शन-फॉलोइंग, रीजनिंग और अलाइनमेंट बेंचमार्क पर बेसलाइन्स से लगातार बेहतर प्रदर्शन करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने Gemma-2-9B-it को बेस मॉडल के रूप में विभिन्न बेसलाइन्स (DPO, SimPO, INPO, SPPO) और बड़े पैमाने के मॉडल्स (Llama-3-70B, GPT-5, Claude-Sonnet-4) के विरुद्ध उपयोग करके MNPO का मूल्यांकन किया।

इंस्ट्रक्शन फॉलोइंग और अलाइनमेंट:
- AlpacaEval 2.0: TD-MNPO ने 57.27% (लेंथ-कंट्रोल्ड विन रेट) प्राप्त किया, जो INPO (56.09%) और DPO (54.35%) से बेहतर है।
- Arena-Hard: TD-MNPO ने 52.26% स्कोर किया, जो INPO (48.03%) की तुलना में महत्वपूर्ण सुधार है।
- MT-Bench: 7.03 प्राप्त किया, जो सभी बेसलाइन्स से ऊपर है।
- अवलोकन: MNPO ने इन बेंचमार्क पर बहुत बड़े मॉडल्स (जैसे Tulu-2-DPO-70B, Mixtral-8x22B) को भी पछाड़ दिया।
रीजनिंग और नॉलेज:
- GPQA (स्नातक-स्तरीय रीजनिंग): TD-MNPO ने 33.33 प्राप्त किया, जो सभी विधियों में उच्चतम है, जो मजबूत तर्क क्षमताओं को प्रदर्शित करता है।
- मैथ और कोडिंग: AIME-24 पर, MNPO एकमात्र विधि थी जिसने गैर-शून्य स्कोर (3.33) प्राप्त किया, जबकि अन्य (SFT और DPO सहित) का स्कोर 0 था। HumanEval पर, इसने 61.59 प्राप्त किया, जो सभी विधियों में सर्वश्रेष्ठ है।
- स्थिरता: कुछ बेसलाइन्स (जैसे SimPO) के विपरीत जो TruthfulQA पर खराब प्रदर्शन करते हैं, MNPO ने सभी शैक्षणिक डोमेन (ज्ञान, सामान्य ज्ञान, गणित) में स्थिर प्रदर्शन बनाए रखा।
एब्लेशन स्टडीज (Ablation Studies):
- खिलाड़ियों की संख्या ( $n$ ) को 1 से 3 तक बढ़ाने से प्रदर्शन में लगातार सुधार हुआ, जिसके बाद $n=3$ के बाद घटते रिटर्न देखे गए।
- अलग-अलग रिवॉर्ड मॉडल्स (ArmoRM, Skywork, Athene) के साथ हेटरोजीनियस सेटअप (HT-MNPO) ने मजबूत प्रदर्शन दिखाया, जिसमें Athene-RM-8B ने उच्चतम विन रेट (59.64%) दिया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

MNPO, RLHF में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है, जो प्रतिबंधात्मक दो-खिलाड़ी, ट्रांसिटिव-प्रेफरेंस धारणाओं से हटकर अधिक यथार्थवादी, मल्टीप्लेयर, नॉन-ट्रांसिटिव फ्रेमवर्क की ओर बढ़ता है।

मजबूती (Robustness): यह एक अधिक मजबूत संरेखण तंत्र प्रदान करता है जो दोलन के प्रति कम संवेदनशील है और विविध मानवीय प्राथमिकताओं को पकड़ने में बेहतर है।
स्केलेबिलिटी (Scalability): यह ढांचा मौजूदा विधियों को एकीकृत करता है और स्केलेबल है, जो भविष्य की अलाइनमेंट तकनीकों के लिए एक लचीला आधार प्रदान करता है।
व्यावहारिक प्रभाव: परिणाम बताते हैं कि संरेखण को (एकल प्रतिद्वंद्वी के बजाय) पॉलिसियों की एक आबादी के विरुद्ध प्रतिस्पर्धा के रूप में मानना, छोटे मॉडल आकार के साथ भी बेहतर निर्देश-अनुपालन और तर्क क्षमताएं प्रदान करता है।

शोध पत्र निष्कर्ष निकालता है कि MNPO जटिल, विषम और गैर-संक्रामक मानवीय प्राथमिकताओं के साथ लार्ज लैंग्वेज मॉडल्स को संरेखित करने के लिए एक सिद्धांत-आधारित, स्केलेबल आधार स्थापित करता है। कोड प्रदान किए गए GitHub रिपॉजिटरी पर उपलब्ध है।