🤖 machine learning

$\Delta \mathrm{Energy}$ : Optimizing Energy Change During Vision-Language Alignment Improves both OOD Detection and OOD Generalization

यह शोध पत्र $\Delta$ Energy प्रस्तुत करता है, जो विजन-लैंग्वेज अलाइनमेंट के दौरान ऊर्जा परिवर्तनों से प्रेरित एक नवीन OOD स्कोर है, और एक संबंधित फाइन-ट्यूनिंग फ्रेमवर्क (EBM) भी प्रस्तुत करता है जो विजन-लैंग्वेज मॉडल्स में आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन और जनरलाइजेशन को एक साथ बढ़ाता है, जिससे मौजूदा विधियों की तुलना में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।

मूल लेखक: Lin Zhu, Yifeng Yang, Xinbing Wang, Qinying Gu, Nanyang Ye

प्रकाशित 2026-05-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lin Zhu, Yifeng Yang, Xinbing Wang, Qinying Gu, Nanyang Ye

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 बुद्धिमान, दुनिया घूमने वाला गाइड (एक विजन-लैंग्वेज मॉडल) है जिसने किताबों और तस्वीरों के एक विशाल पुस्तकालय से हजारों वस्तुओं को पहचानना सीखा है। यह गाइड उन चीजों को पहचानने में माहिर है जिन्हें इसने पहले देखा है, जैसे कि एक "गोल्डन रिट्रीवर" या एक "लाल स्पोर्ट्स कार"।

हालांकि, जब यह गाइड वास्तविक दुनिया में जाता है, तो इसे दो कठिन स्थितियों का सामना करना पड़ता है:

"कॉसप्ले" की समस्या (कोवेरिएट शिफ्ट - Covariate Shift): यह एक गोल्डन रिट्रीवर देखता है, लेकिन इस बार वह एक स्केच के रूप में है, या बारिश में ली गई एक फोटो है, या एक पेंटिंग है। कुत्ता वही है, लेकिन उसका स्टाइल अलग है। गाइड भ्रमित हो सकता है और सोच सकता है, "क्या यह अभी भी एक कुत्ता है?"
"एलियन" की समस्या (सिमेंटिक शिफ्ट - Semantic Shift): यह एक पूरी तरह से नया जीव देखता है, जैसे कि एक "चमकदार यूनिकॉर्न", जो इसकी ट्रेनिंग लाइब्रेरी में कभी नहीं था। गाइड को यह महसूस करने की जरूरत है कि "मैं नहीं जानता कि यह क्या है," बजाय इसके कि वह आत्मविश्वास से अनुमान लगाए कि "यह एक घोड़ा है!"

यह पेपर एक नई विधि पेश करता है जिसे $\Delta$ Energy (डेल्टा एनर्जी) कहा जाता है और एक प्रशिक्षण तकनीक जिसे EBM कहा जाता है, ताकि यह गाइड इन दोनों समस्याओं को एक साथ संभाल सके।

मुख्य विचार: "साइलेंस" (मौन) टेस्ट

इसे समझने के लिए, कल्पना कीजिए कि आपका गाइड एक तस्वीर देख रहा है और चिल्लाकर बता रहा है कि वह विभिन्न लेबल्स के बारे में कितना आश्वस्त है।

यदि वह कुत्ते की एक फोटो देखता है, तो वह चिल्ला सकता है, "DOG! (99% विश्वास) CAT! (1%) BIRD! (0.1%)।"
यदि वह एक "चमकदार यूनिकॉर्न" देखता है, तो वह भ्रमित हो सकता है और अपना दांव कई विकल्पों पर फैला सकता है: "HORSE! (40%) CAT! (30%) DOG! (20%)।"

$\Delta$ Energy की ट्रिक:
शोधकर्ता गाइड को एक अजीब प्रयोग करने के लिए कहते हैं: "क्या होगा अगर मैं तुम्हें अपने सबसे ऊपर के अनुमान (top guess) के बारे में पूरी तरह से चुप रहने के लिए मजबूर कर दूँ?"

वे गाइड के सबसे ऊपर के अनुमान (जैसे, "DOG") को लेते हैं और उसके आत्मविश्वास (confidence) को शून्य पर सेट कर देते हैं। फिर वे पूछते हैं: "ठीक है, अब कि तुम 'डॉग' नहीं कह सकते, तो तुम्हारे समग्र 'एनर्जी' (या कुल विश्वास) में कितनी गिरावट आती है?"

एक असली कुत्ते के लिए (In-Distribution): गाइड इतना निश्चित था कि वह एक कुत्ता था। जब आप उस उत्तर को चुप करा देते हैं, तो गाइड घबरा जाता है। उसका कुल विश्वास एकदम गिर जाता है। ऊर्जा में "गिरावट" (drop) बहुत बड़ी होती है।
एक एलियन/अज्ञात वस्तु के लिए (Out-of-Distribution): गाइड पहले से ही अनिश्चित था और अपना विश्वास कई विकल्पों पर फैला हुआ था। शीर्ष अनुमान को चुप कराने से ज्यादा फर्क नहीं पड़ता क्योंकि वह केवल एक उत्तर पर निर्भर नहीं था। ऊर्जा में "गिरावट" छोटी होती है।

इस ऊर्जा में परिवर्तन ( $\Delta$ Energy) को मापकर, सिस्टम आसानी से अंतर कर सकता है कि यह "एक अजीब स्टाइल में कुत्ता" (बड़ी गिरावट) है या "एक पूरी तरह से नया जीव" (छोटी गिरावट)।

प्रशिक्षण अपग्रेड: EBM (एनर्जी बाउंड मैक्सिमाइजेशन)

अंतर को पहचानना जानना एक अच्छी बात है, लेकिन यह पेपर गाइड को यह भी सिखाता है कि सीखते समय वह इसमें कैसे बेहतर बन सकता है।

वे एक प्रशिक्षण नियम पेश करते हैं जिसे EBM कहा जाता है। कल्पना कीजिए कि गाइड कुत्ते की एक फोटो का अध्ययन कर रहा है।

गाइड पूरी फोटो को देखता है।
फिर, शोधकर्ता फोटो के एक हिस्से पर एक "मास्क" लगा देते हैं (जैसे कुत्ते का चेहरा या बैकग्राउंड ढकना) और गाइड को इसे फिर से देखने के लिए कहते हैं।
लक्ष्य यह है कि गाइड को इस तरह प्रशिक्षित किया जाए कि मास्क के साथ भी, उसे उतनी ही "ऊर्जा" का अनुभव हो जितना उसे पूरी फोटो के साथ हुआ था।

रूपक (Metaphor):
अपने दोस्त की आवाज़ पहचानने जैसा सोचें।

पुराना तरीका: आप एक शांत कमरे में उनकी आवाज़ को पूरी तरह से याद कर लेते हैं। यदि वे किसी शोर वाले कैफे में (कोवेरिएट शिफ्ट) बोलते हैं, तो शायद आप उन्हें पहचान न पाएं।
EBM तरीका: आप उन्हें फुसफुसाते हुए, चिल्लाते हुए, या दीवार के पार से बात करते हुए पहचानना सीखते हैं। आप उनकी आवाज़ के मूल (core) को सीखते हैं, न कि केवल आदर्श स्थितियों को।

फोटो के इन "मास्क्ड" या "क्रॉप्ड" संस्करणों को हैंडल करने के लिए मजबूर करके, यह मॉडल स्टाइल परिवर्तनों (जैसे बारिश या स्केच) के खिलाफ मजबूत होने के साथ-साथ पूरी तरह से नई चीजों को पहचानने में भी सक्षम बनता है।

परिणाम: एक सुपर-विश्वसनीय गाइड

पेपर ने बड़े डेटासेट्स (जैसे ImageNet, जिसमें हजारों चित्र हैं) पर इसका परीक्षण किया।

बेहतर डिटेक्शन: यह नया तरीका पिछले तरीकों की तुलना में "एलियंस" (अज्ञात वस्तुओं) को पकड़ने में बहुत बेहतर है। इसने कुछ परीक्षणों में गलत अलार्म की संख्या को 10%–25% तक कम कर दिया।
बेहतर जनरलाइजेशन: यह "कॉसप्ले" कुत्तों (नए स्टाइल में वस्तुएं) को पहचानने में भी बहुत बेहतर हो गया बिना यह भूले कि वे क्या हैं।

सारांश

यह पेपर एक सरल लेकिन शक्तिशाली विचार प्रस्तावित करता है: यह मापें कि अपने शीर्ष अनुमान को चुप कराने पर मॉडल के आत्मविश्वास में कितना बदलाव आता है।

यदि विश्वास एकदम गिर जाता है, तो यह संभवतः एक ज्ञात वस्तु है जो नए स्टाइल में है।
यदि विश्वास स्थिर रहता है, तो यह संभवतः एक पूरी तरह से नई वस्तु है।

फिर वे इस अंतर्दृष्टि का उपयोग मॉडल को अधिक मजबूत बनाने के लिए करते हैं, जिससे एक ऐसा सिस्टम बनता है जो एक बेहतर जासूस (अज्ञात को पहचानना) और एक बेहतर जनरलिस्ट (नई स्थितियों में ज्ञात को पहचानना) दोनों है।

तकनीकी सारांश: ∆Energy: विजन-लैंग्वेज अलाइनमेंट के दौरान ऊर्जा परिवर्तन को अनुकूलित करना विजन-लैंग्वेज अलाइनमेंट के दौरान ऊर्जा परिवर्तन को अनुकूलित करना OOD डिटेक्शन और OOD जनरलाइजेशन दोनों में सुधार करता है

1. समस्या विवरण (Problem Statement)

विज़न-लैंग्वेज मॉडल्स (VLMs), जैसे कि CLIP, डाउनस्ट्रीम अडैप्टेशन में उल्लेखनीय सफलता प्रदर्शित कर चुके हैं। हालाँकि, वास्तविक दुनिया के परिदृश्यों में तैनात होने पर, वे दो अलग-अलग प्रकार की आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) चुनौतियों का सामना करते हैं:

कोवेरिएट शिफ्ट्स (क्लोज्ड-सेट OOD): ऐसा डेटा जहाँ क्लास लेबल प्रशिक्षण वितरण (training distribution) के समान रहते हैं, लेकिन डेटा वितरण बदल जाता है (जैसे, स्टाइल में बदलाव, पर्यावरणीय बदलाव)।
सिमेंटिक शिफ्ट्स (ओपन-सेट OOD): ऐसा डेटा जिसमें प्रशिक्षण के दौरान पूरी तरह से अनदेखी की गई क्लासेस शामिल होती हैं।

मौजूदा साहित्य अक्सर इन मुद्दों को अलग-अलग रूप में संबोधित करता है। कोवेरिएट शिफ्ट्स के प्रति मजबूती (robustness) पर ध्यान केंद्रित करने वाली विधियाँ प्रभावी रूप से ओपन-सेट सिमेंटिक शिफ्ट्स का पता लगाने में विफल रहती हैं, जबकि OOD डिटेक्शन विधियाँ अक्सर कोवेरिएट-शिफ्टेड डेटा पर जनरलाइजेशन प्रदर्शन बनाए रखने में संघर्ष करती हैं। इसके अलावा, दोनों (फुल-स्पेक्ट्रम OOD) को संभालने के हालिया प्रयास अक्सर महत्वपूर्ण कंप्यूटेशनल संसाधनों की मांग करते हैं या संकीर्ण पोस्ट-हॉक फंक्शनों पर निर्भर करते हैं। मुख्य चुनौती एक ऐसा एकीकृत ढांचा विकसित करना है जो एक साथ VLM की कोवेरिएट-शिफ्टेड डेटा पर सामान्यीकरण (generalize) करने की क्षमता को बढ़ाता है और अनदेखी सिमेंटिक क्लासेस को प्रभावी ढंग से पहचानता है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक ऐसे अवलोकन पर केंद्रित एक नवीन दृष्टिकोण प्रस्तावित करता है जहाँ अधिकतम कोसाइन सिमिलरिटी (cosine similarity) को बाधित करके विजन-लैंग्वेज मोडालिटीज को पुन: संरेखित (re-align) करने से ऊर्जा स्कोर (energy score) में एक पर्याप्त और विभेदक परिवर्तन होता है।

2.1 ∆Energy: एक नवीन OOD स्कोर

लेखक ∆Energy पेश करते हैं, जो विजन-लैंग्वेज अलाइनमेंट को संशोधित करने से होने वाले ऊर्जा परिवर्तन पर आधारित एक पोस्ट-हॉक OOD डिटेक्शन स्कोर है।

तंत्र (Mechanism): एक इनपुट इमेज के लिए, विधि उच्चतम कोसाइन सिमिलरिटी वाले टॉप- $c$ टेक्स्ट प्रॉम्प्ट्स की पहचान करती है। इसके बाद, यह अधिकतम सिमिलरिटीज़ को क्रॉप करके (जीरो सेट करके) मोडालिटीज को "पुनः संरेखित" (re-align) करती है।
गणना (Calculation): स्कोर को पुन: अलाइनमेंट से पहले के ऊर्जा स्कोर ( $E_0$ ) और पुन: अलाइनमेंट के बाद के ऊर्जा स्कोर ( $E_1$ ) के बीच के अंतर के रूप में परिभाषित किया गया है:
$\Delta \text{Energy}(x_i) = E_1(x_i) - E_0(x_i)$
सैद्धांतिक अंतर्दृष्टि (Theoretical Insight): सैद्धांतिक विश्लेषण (थ्योरम 3.2) यह प्रदर्शित करता है कि इन-डिस्ट्रीब्यूशन (ID) डेटा के लिए, ऊर्जा परिवर्तन ओपन-सेट OOD डेटा की तुलना में काफी अधिक होता है। ऐसा इसलिए है क्योंकि ID डेटा अत्यधिक टॉप-मैचिंग टेक्स्ट फीचर्स पर निर्भर करता है; उन्हें हटाने से ऊर्जा में भारी बदलाव आता है। इसके विपरीत, OOD डेटा, जिसमें किसी विशिष्ट क्लास के साथ मजबूत अलाइनमेंट का अभाव होता है, कम ऊर्जा परिवर्तन प्रदर्शित करता है।
लाभ: शोध पत्र यह सिद्ध करता है कि ∆Energy, मैक्सिमम कॉन्सेप्ट मैचिंग (MCM) पद्धति की तुलना में ID और OOD नमूनों के बीच अलगाव को अधिक प्रभावी ढंग से बढ़ाता है, जिससे लोअर फॉल्स पॉजिटिव रेट (FPR) प्राप्त होता है।

2.2 EBM: ∆Energy-आधारित बाउंड मैक्सिमाइजेशन

OOD जनरलाइजेशन (कोवेरिएट शिफ्ट्स) को बनाए रखते हुए डिटेक्शन क्षमताओं को संबोधित करने के लिए, लेखक फाइन-ट्यूनिंग चरण के दौरान EBM (एनर्जी-बेस्ड बाउंड मैक्सिमाइजेशन) प्रस्तावित करते हैं।

तंत्र: फ्यू-शॉट अडैप्टेशन के दौरान, विधि इमेज फीचर्स पर एक मास्किंग ऑपरेशन लागू करती है। विशेष रूप से, यह इमेज फीचर और टॉप-1 टेक्स्ट फीचर के एलीमेंट-वाइज प्रोडक्ट में केवल टॉप- $p\%$ तत्वों को बनाए रखती है, और बाकी को जीरो कर देती है।
उद्देश्य: मॉडल को उस लॉस $L_{\Delta E}$ को मिनिमाइज करने के लिए प्रशिक्षित किया जाता है, जो ओरिजिनल और मास्क किए गए फीचर्स के बीच ऊर्जा अंतर का प्रतिनिधित्व करता है:
$L_{\Delta E} = \frac{1}{N} \sum_{i=1}^{N} [E_2(x_i) - E_0(x_i)]$
जहाँ $E_2$ मास्क किए गए फीचर की ऊर्जा है।
सैद्धांतिक गारंटी: लेखक सिद्ध करते हैं (थ्योरम 3.4) कि $L_{\Delta E}$ को मिनिमाइज करने से क्लोज्ड-सेट क्लासेस के लिए ∆Energy का लोअर बाउंड बढ़ जाता है। इसके अलावा, थ्योरम 3.5 यह स्थापित करता है कि यह अनुकूलन (optimization) ओरिजिनल और मास्क किए गए फीचर डोमेन के बीच डोमेन-कंसिस्टेंट हेसियन (domain-consistent Hessians) की ओर ले जाता है। यह निरंतरता कोवेरिएट शिफ्ट के तहत बेहतर जनरलाइजेशन के लिए एक मजबूत संकेतक के रूप में कार्य करती है, जो सैद्धांतिक रूप से सोर्स और टारगेट डोमेन के बीच प्रदर्शन अंतराल को बांधती है।

2.3 एकीकृत ढांचा (Unified Framework)

अंतिम ऑप्टिमाइज़ेशन ऑब्जेक्टिव स्टैंडर्ड क्रॉस-एन्ट्रॉपी लॉस के साथ EBM लॉस को जोड़ता है:
$L_{EBM} = L_{CE} + \lambda_0 L_{\Delta E}$
यह ढांचा (framework) OOD जनरलाइजेशन (EBM के माध्यम से) और OOD डिटेक्शन (परिणामी ∆Energy स्कोर के माध्यम से) दोनों को समवर्ती रूप से अनुकूलित करने की अनुमति देता है।

3. मुख्य योगदान (Key Contributions)

नवीन OOD स्कोर (∆Energy): शोध पत्र एक ज़ीरो-शॉट OOD डिटेक्शन विधि पेश करता है जो विजन-लैंग्वेज मोडालिटीज को पुनः संरेखित करने पर ऊर्जा परिवर्तन को मापता है। यह सैद्धांतिक और अनुभवजन्य रूप से मौजूदा विधियों जैसे MCM, Energy, और ReAct से बेहतर प्रदर्शन करता है, विशेष रूप से "हार्ड" OOD डिटेक्शन परिदृश्यों में।
एकीकृत फाइन-ट्यूनिंग फ्रेमवर्क (EBM): लेखक एक फाइन-ट्यूनिंग प्रतिमान विकसित करते हैं जो एक साथ OOD जनरलाइजेशन और OOD डिटेक्शन में सुधार करता है। फीचर मास्किंग द्वारा प्रेरित ऊर्जा परिवर्तन को मिनिमाइज करके, यह विधि डोमेन-कंसिस्टेंट हेसियन को प्रेरित करती है, जो सैद्धांतिक रूप से अनुकूलन प्रक्रिया को कोवेरिएट शिफ्ट के तहत बेहतर जनरलाइजेशन से जोड़ती है।
सैद्धांतिक विश्लेषण: कार्य एक कठोर सैद्धांतिक प्रमाण प्रदान करता है जो दर्शाता है कि ∆Energy, MCM की तुलना में बेहतर पृथकता (separability) प्रदान करता है और EBM लॉस डोमेन-कंसिस्टेंट हेसियन की ओर ले जाता है, जिससे OOD जनरलाइजेशन गैप सीमित होता है।
व्यापक मूल्यांकन: विधि का मूल्यांकन ImageNet-1k (विभिन्न स्प्लिट्स के साथ), PACS, और VLCS जैसे चुनौतीपूर्ण बेंचमार्क पर किया गया है, जिसमें कोवेरिएट और सिमेंटिक दोनों शिफ्ट शामिल हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने CLIP (ViT-B/16) को बैकबोन के रूप में उपयोग करते हुए ImageNet-1k, PACS, और VLCS डेटासेट्स पर व्यापक प्रयोग किए।

OOD डिटेक्शन प्रदर्शन:
- ImageNet-1k बेंचमार्क (Setup-I) पर, ∆Energy ने 87.10% का AUROC प्राप्त किया, जो दूसरे सर्वश्रेष्ठ तरीके (MCM @ 85.81%) से बेहतर है और वैनिला Energy विधि से काफी आगे है।
- क्लोज्ड-सेट OOD (कोवेरिएट शिफ्ट) और ओपन-सेट OOD (सिमेंटिक शिफ्ट) के बीच अंतर करने में, ∆Energy ने 78.68% का AUROC प्राप्त किया, जो विभिन्न सेटिंग्स में प्रतिस्पर्धियों से 10%–25% के अंतर से बेहतर है।
- विधि ने "हार्ड" OOD डिटेक्शन स्प्लिट्स में श्रेष्ठ प्रदर्शन दिखाया जहाँ ID और OOD डेटा निकट रूप से वितरित होते हैं।
OOD जनरलाइजेशन प्रदर्शन:
- फ्यू-शॉट फाइन-ट्यूनिंग सेटिंग (Setup-I और Setup-II) में, EBM विधि ने OOD सटीकता और OOD डिटेक्शन मेट्रिक्स दोनों में सर्वश्रेष्ठ समग्र प्रदर्शन प्राप्त किया।
- विशेष रूप से, EBM ने प्रतिस्पर्धी CRoFT की तुलना में क्लोज्ड-सेट OOD डेटा पर OOD सटीकता में 0.45% और AUROC में 5% से अधिक का सुधार किया।
- VLCS डेटासेट पर, EBM ने CRoFT और GalLoP जैसी विधियों की तुलना में महत्वपूर्ण सुधार दिखाया, जो अक्सर विशिष्ट डोमेन में अनुकूलित होने के दौरान सामान्य ज्ञान को भूलने से ग्रस्त होते हैं।
दक्षता (Efficiency):
- ज़ीरो-शॉट ∆Energy डिटेक्शन के लिए अतिरिक्त प्रशिक्षण की आवश्यकता नहीं है और इसका इन्फरेंस टाइम MCM (18s बनाम 17s) के तुल्य है।
- EBM फाइन-ट्यूनिंग प्रक्रिया कंप्यूटेशनल रूप से कुशल है, जिसे CoOp (18 मिनट, ~7.7GB) के समान समय और GPU मेमोरी की आवश्यकता होती है और यह GalLoP (140 मिनट, ~47GB) से काफी कम है।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि ∆Energy और EBM VLMs में OOD डिटेक्शन और OOD जनरलाइजेशन के बीच के ट्रेड-ऑफ के लिए एक एकीकृत समाधान प्रदान करते हैं।

विश्वसनीयता: लेखक दावा करते हैं कि ∆Energy, पिछले ऊर्जा-आधारित या सॉफ्टमैक्स-आधारित तरीकों की तुलना में OOD डिटेक्शन के लिए अधिक विश्वसनीय दृष्टिकोण प्रदान करता है, विशेष रूप से उन चुनौतीपूर्ण परिदृश्यों में जहाँ वितरण शिफ्ट सूक्ष्म होते हैं।
सैद्धांतिक आधार: इस कार्य का महत्व इस सैद्धांतिक प्रदर्शन में निहित है कि ऊर्जा परिवर्तन (EBM के माध्यम से) के लिए अनुकूलित करना न केवल डिटेक्शन में मदद करता है, बल्कि डोमेन के बीच एम्पिरिकल रिस्क के हेसियन को संरेखित करके मॉडल की मजबूती (robustness) को संरचनात्मक रूप से बेहतर बनाता है।
व्यावहारिक प्रभाव: कोवेरिएट शिफ्ट (जनरलाइजेशन) और सिमेंटिक शिफ्ट (डिटेक्शन) दोनों को संभालने के लिए एक एकल फाइन-ट्यूनिंग फ्रेमवर्क को सक्षम बनाकर, यह विधि VLMs को वास्तविक दुनिया के अनुप्रयोगों में तैनात करने के लिए एक महत्वपूर्ण अंतर को संबोधित करती है जहाँ दोनों प्रकार के वितरण बदलाव अपरिहार्य हैं।

लेखक निष्कर्ष निकालते हैं कि उनकी विधि चुनौतीपूर्ण बेंचमार्क पर हाल के स्टेट-ऑफ-द-आर्ट दृष्टिकोणों से काफी बड़े अंतर (AUROC में 10%–25%) से बेहतर प्रदर्शन करती है, जो विजन-लैंग्वेज री-अलाइनमेंट के दौरान ऊर्जा परिवर्तन का लाभ उठाने की प्रभावशीलता को प्रमाणित करती है।