← नवीनतम पेपर
💻 computer science

Gradual Code-Switching as Inference-Time Cross-Lingual Representational Alignment for LLMs

यह शोध पत्र कोड-स्विचिंग इन-कॉन्टेक्स्ट लर्निंग (CSICL) को प्रस्तुत करता है, जो एक इन्फरेंस-टाइम तंत्र है जो गैर-अंग्रेजी इनपुट को अंग्रेजी-केंद्रित रीजनिंग स्पेस के साथ संरेखित करने के लिए लक्षित भाषाओं से अंग्रेजी की ओर धीरे-धीरे संक्रमण करता है, जिससे विविध भाषाओं और कम-संसाधन वाले परिवेशों में बहुभाषी LLM के प्रदर्शन में उल्लेखनीय सुधार होता है।

मूल लेखक: Haneul Yoo, Jiho Jin, Kyunghyun Cho, Alice Oh

प्रकाशित 2026-08-14
📖 3 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें
CC BY 4.0

मूल लेखक: Haneul Yoo, Jiho Jin, Kyunghyun Cho, Alice Oh

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 बुद्धिमान, बहुभाषी रोबोट को एक कठिन पहेली सुलझाना सिखाने की कोशिश कर रहे हैं। आप उससे स्पेनिश, फ्रेंच या स्वाहिली में बात करते हैं, यह अपेक्षा करते हुए कि वह उसी भाषा में सोचे और उत्तर दे। लेकिन यहाँ एक पेच है: इसके "मस्तिष्क" के भीतर, इस रोबोट की एक गुप्त आदत है। आप चाहे किसी भी भाषा में बात करें, यह गुप्त रूप से सब कुछ पहले अंग्रेजी में अनुवाद करता है, अंग्रेजी में ही अपनी सोच पूरी करता है, और फिर उत्तर को वापस अनुवाद करता है। यदि रोबोट अंग्रेजी में कुशल है, तो यह बहुत अच्छा काम करता है, लेकिन यदि आपकी भाषा दुर्लभ या जटिल है, तो वह गुप्त अनुवाद वाला चरण गड़बड़ हो सकता है। रोबोट भ्रमित हो सकता है, अर्थ खो सकता है, या गलत उत्तर दे सकता है क्योंकि आपकी भाषा और इसके अंग्रेजी मस्तिष्क के बीच का "पुल" कमजोर है। यह एआई (AI) को दुनिया में हर जगह, न कि केवल अंग्रेजी बोलने वालों के लिए, उपयोगी बनाने के लिए एक बड़ी समस्या है। वैज्ञानिक इसे "क्रॉस-लिंगुअल मिसअलाइनमेंट" (cross-lingual misalignment) कहते हैं। इसे ठीक करने के लिए, शोधकर्ताओं ने रोबोट को विभिन्न भाषाओं में उदाहरण दिखाने की कोशिश की, लेकिन अक्सर वे उदाहरण अचानक आए उछाल की तरह होते हैं—जैसे रोबोट को बिना किसी चेतावनी के स्पेनिश से अंग्रेजी में अचानक स्विच करने के लिए कहना। यह किसी को बिना सीढ़ी के डाइविंग बोर्ड से कूदने के लिए कहने जैसा है; वे घबरा सकते हैं और पानी को मिस कर सकते हैं।

यह शोध पत्र एक चतुर नई तकनीक पेश करता है जिसे ग्रेजुअल कोड-स्विचिंग इन-कॉन्टेक्स्ट लर्निंग (CSICL) कहा जाता है। रोबोट को भाषाओं में छलांग लगाने के लिए मजबूर करने के बजाय, शोधकर्ता उसे कदम-दर-कदम एक पुल पर चलना सिखाते हैं। वे रोबोट को उदाहरणों की एक श्रृंखला दिखाते हैं जहाँ भाषा धीरे-धीरे लक्षित भाषा (जैसे कोरियाई) से अंग्रेजी में बदल जाती है। एक ऐसे वाक्य की कल्पना करें जो 100% कोरियाई से शुरू होता है, फिर 75% कोरियाई और 25% अंग्रेजी बनता है, फिर 50/50, फिर 25% कोरियाई, और अंत में 100% अंग्रेजी हो जाता है। इस सहज संक्रमण को देखकर, रोबोट गैर-अंग्रेजी इनपुट के साथ अपनी आंतरिक "अंग्रेजी सोच" को संरेखित करना सीख जाता है बिना झटके खाए। शोधकर्ताओं ने चार अलग-अलग लार्ज लैंग्वेज मॉडल्स (LLMs) पर दस भाषाओं और छह विभिन्न प्रकार के कार्यों (ट्रिविया के उत्तर देने से लेकर गणित की समस्याओं को हल करने तक) पर इसका परीक्षण किया। उन्होंने पाया कि यह कोमल, क्रमिक दृष्टिकोण लगातार रोबलों को बेहतर प्रदर्शन करने में मदद करता है, विशेष रूप से उन भाषाओं में जिन्हें उन्होंने बहुत कम देखा है। वास्तव में, कम-संसाधन वाली भाषाओं (वे भाषाएँ जिनके बारे में रोबोट सबसे कम जानते हैं) के लिए, इस पद्धति ने प्रदर्शन को भारी 14.7 प्रतिशत अंक बढ़ाया। यह शोध पत्र सुझाव देता है कि इन क्रमिक संक्रमणों के साथ तर्क प्रक्रिया को सहारा देकर (scaffolding), हम एआई मॉडल्स को सभी भाषाओं के बोलने वालों के लिए अधिक निष्पक्ष और प्रभावी बनाने में मदद कर सकते हैं, जिससे एक कमजोर पुल एक मजबूत राजमार्ग में बदल जाता है।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💻 cs →