📊 statistics

LLM Flow Processes for Text-Conditioned Regression

यह शोध पत्र एक हाइब्रिड फ्रेमवर्क प्रस्तावित करता है जो टेक्स्ट-कंडीशन्ड रिग्रेशन में त्रुटि कैस्केड (error cascades) और कम्प्यूटेशनल अक्षमताओं को संबोधित करने के लिए प्री-ट्रेंड एलएलएम (LLMs) को एक हल्के डिफ्यूजन-आधारित न्यूरल प्रोसेस के साथ जोड़ता है, जिसमें बेहतर-कैलिब्रेटेड और स्थानीय रूप से सुसंगत भविष्यवाणियां उत्पन्न करने के लिए एक नवीन ग्रेडिएंट-मुक्त सैंपलिंग पद्धति का उपयोग किया गया है।

मूल लेखक: Felix Biggs, Samuel Willis

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Felix Biggs, Samuel Willis

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

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: दो विशेषज्ञ, एक समस्या

कल्पना कीजिए कि आप कुछ ज्ञात बिंदुओं और एक लिखित विवरण (जैसे "इस सड़क में आगे एक तीखा मोड़ है") के आधार पर एक घुमावदार सड़क के भविष्य के पथ की भविष्यवाणी करने की कोशिश कर रहे हैं। आपकी मदद के लिए आपके पास दो बहुत अलग विशेषज्ञ हैं:

"शब्दों वाला" विशेषज्ञ (LLM): यह एक लार्ज लैंग्वेज मॉडल (Large Language Model) है। यह भाषा और सामान्य ज्ञान के बारे में अविश्वसनीय रूप से स्मार्ट है। यदि आप इसे बताते हैं, "यह एक रैखिक रुझान (linear trend) के साथ एक आवधिक फलन (periodic function) है," तो यह समझ जाता है कि इसका क्या अर्थ है। हालाँकि, जब आप इसे बिंदु-दर-बिंदु पूरी सड़क बनाने के लिए कहते हैं, तो यह थक जाता है और भ्रमित हो जाता है। यह ऐसी गलतियाँ करने लगता है जो आपस में जुड़ती जाती हैं, जिससे सड़क आसमान की ओर निकल जाती है या एक सीधी रेखा में ढह जाती है, भले ही विवरण में कुछ और कहा गया हो। यह एक ऐसे कहानीकार की तरह है जो एक महान कहानी शुरू तो करता है लेकिन कुछ अध्यायों के बाद कहानी का सार खो देता है।
"दृश्य" विशेषज्ञ (NDP): यह एक न्यूरल डिफ्यूजन प्रोसेस (Neural Diffusion Process) है। यह एक गणित का जादूगर है जिसे हजारों यादृच्छिक (random) सड़कों पर प्रशिक्षित किया गया है। यह चिकने, सुसंगत और वास्तविक दिखने वाले पथ बनाने में उत्कृष्ट है। यह बिंदुओं के क्रम से कभी भ्रमित नहीं होता। हालाँकि, यह भाषा के प्रति "बहरा" है। यदि आप इसे बताते हैं कि सड़क को ऊपर जाना चाहिए, तो यह केवल एक सपाट रेखा बना सकता है क्योंकि यह आपके शब्दों को नहीं समझता। यह केवल वही जानता है जो इसने अपने प्रशिक्षण डेटा में देखा है।

समस्या: शब्दों वाला विशेषज्ञ निर्देशों को समझता है लेकिन एक बिखरी हुई, टूटी हुई सड़क बनाता है। दृश्य विशेषज्ञ एक बेहतरीन सड़क बनाता है लेकिन आपके विशिष्ट निर्देशों को अनदेखा कर देता है।

समाधान: "विशेषज्ञों का उत्पाद" (The Product of Experts - एक आदर्श टीम-अप)

लेखक एक नई विधि प्रस्तावित करते हैं जिसे LLM-Flow Processes (LLM-FP) कहा जाता है। इसे एक ट्रैफिक कंट्रोल सेंटर के रूप में सोचें जो दोनों विशेषज्ञों को जोड़ता है।

शब्दों वाले विशेषज्ञ को अकेले पूरी सड़क बनाने देने के बजाय, या दृश्य विशेषज्ञ को अंधेरे में अनुमान लगाने देने के बजाय, वे एक विशिष्ट तरीके से मिलकर काम करते हैं:

दृश्य विशेषज्ञ (NDP) नींव रखता है: यह संभावित सड़कों का एक "बादल" (cloud) बनाता है जो सभी चिकनी, वास्तविक और गणितीय रूप से सुसंगत हैं। वह जानता है कि सड़कें आमतौर पर कैसी दिखती हैं।
शब्दों वाला विशेषज्ञ (LLM) एक फिल्टर के रूप में कार्य करता है: यह निर्देशों ("यहाँ तीखा मोड़," "वहाँ मौसमी पैटर्न") को देखता है और सड़क के विभिन्न हिस्सों को एक "स्कोर" देता है। यह कहता है, "सड़क का यह हिस्सा विवरण के लिए सही लग रहा है," और "वह हिस्सा गलत लग रहा है।"
जादुई फिल्टर (Gradient-Free Sampling): यह इस शोध पत्र की तकनीकी सफलता है। आमतौर पर, इन दोनों विशेषज्ञों को मिलाना तेल और पानी को मिलाने जैसा है; यह जानने के लिए कि वे कहाँ सहमत हैं, जटिल और धीमी गणित की आवश्यकता होती है। लेखकों ने एक शॉर्टकट का आविष्कार किया है।
- उपमा: कल्पना कीजिए कि दृश्य विशेषज्ञ की सड़क एक धुंधली फोटो है। शब्दों वाला विशेषज्ञ एक स्टेंसिल (stencil) पकड़ता है जिसमें सही आकार कटा हुआ है। फोटो को फिर से बनाने के बजाय, लेखक बस उस स्टेंसिल को धुंधली फोटो पर "छापने" का तरीका खोजते हैं ताकि तुरंत स्पष्ट, सही छवि दिखाई दे सके। वे यह भारी, धीमी गणनाओं (gradients) के बिना करते हैं।

जब वे मिलकर काम करते हैं तो क्या होता है?

परिणाम एक ऐसी सड़क है जो दोनों रूप से चिकनी और निर्देशों के प्रति सटीक है।

कोई "कैस्केडिंग त्रुटियां" नहीं: शब्दों वाले विशेषज्ञ के अकेले काम करने के विपरीत, सड़क 100 बिंदुओं के बाद नियंत्रण से बाहर नहीं होती है। दृश्य विशेषज्ञ सड़क को चिकना और जुड़ा हुआ बनाए रखता है।
कोई "निर्देशों की अनदेखी" नहीं: दृश्य विशेषज्ञ के अकेले काम करने के विपरीत, सड़क वास्तव में वर्णित "तीखे मोड़" या "मौसमी पैटर्न" का पालन करती है।
बेहतर अनिश्चितता (Uncertainty): मॉडल केवल एक पथ का अनुमान नहीं लगाता; यह एक "95% विश्वास बैंड" (सड़क के चारों ओर एक छायांकित क्षेत्र) दिखाता है। यह बैंड वहां तंग होता है जहां मॉडल आश्वस्त होता है और वहां चौड़ा होता है जहां वह अनिश्चित होता है, लेकिन इसमें कभी भी असंभव पथ शामिल नहीं होते।

वास्तविक दुनिया के परीक्षण (परीक्षाएं)

लेखकों ने कई चुनौतियों पर इस टीम-अप का परीक्षण किया:

"चेंज-पॉइंट" टेस्ट: एक सड़क जो अचानक गिरती है। शब्दों वाला विशेषज्ञ अकेला अक्सर गिरावट को मिस कर देता है या उसे बहुत देर से दिखाता है। दृश्य विशेषज्ञ अकेला एक चिकना वक्र बनाता है जो गिरावट को अनदेखा कर देता है। LLM-FP अचानक गिरावट को सही ढंग से चित्रित करता है जबकि बाकी सड़क को चिकना रखता है।
"मौसमी" (Seasonal) टेस्ट: वर्षा या तापमान की भविष्यवाणी करना। शब्दों वाला विशेषज्ञ अकेला अक्सर एक दोहराव वाले लूप या सीधी रेखा में फंस जाता है। LLM-FP मौसमी उतार-चढ़ाव को पूरी तरह से पकड़ लेता है।
"CO2" टेस्ट: वायुमंडलीय कार्बन स्तर की भविष्यवाणी करना। शब्दों वाला विशेषज्ञ अकेला अति-आत्मविश्वासी और गलत हो जाता है। LLM-FP दीर्घकालिक रुझान का सम्मान करते हुए वास्तविक डेटा के करीब रहता है।

मुख्य निष्कर्ष

यह शोध पत्र दावा करता है कि एक चतुर गणितीय ट्रिक (ग्रेडिएंट-फ्री "स्टेंसिल" विधि) का उपयोग करके, आप एक लार्ज लैंग्वेज मॉडल की भाषा की समझ को एक डिफ्यूजन मॉडल की गणितीय निरंतरता के साथ जोड़ सकते हैं।

यह एक ऐसी प्रणाली बनाता है जो मानवीय निर्देशों (जैसे "मॉन्ट्रियल में तापमान की भविष्यवाणी करें") को सुन सकती है और एक ऐसी भविष्यवाणी उत्पन्न कर सकती है जो तार्किक रूप से सुसंगत (यह भौतिकी या गणित को नहीं तोड़ती) और अर्थपूर्ण रूप से सही (यह उस कहानी का पालन करती है जो आपने उसे बताई) दोनों है। यह शब्दों वाले विशेषज्ञ के भटक जाने और दृश्य विशेषज्ञ के बहरे होने की समस्या को हल करता है, जिसके परिणामस्वरूप एक भविष्यवाणी विश्वसनीय, चिकनी और स्मार्ट होती है।

तकनीकी सारांश: टेक्स्ट-कंडीशनड रिग्रेशन के लिए LLM फ्लो प्रोसेसेज (LLM Flow Processes)

समस्या विवरण (Problem Statement)

यह शोध पत्र विशेषज्ञ पूर्व ज्ञान (expert prior knowledge) और असंरचित पाठ्य मेटाडेटा (unstructured textual metadata) को रिग्रेशन मॉडल में शामिल करने की चुनौती को संबोधित करता है, विशेष रूप से टाइम-सीरीज़ भविष्यवाणी के लिए। हालांकि प्री-ट्रेन्ड लार्ज लैंग्वेज मॉडल्स (LLMs) ने निहित विशेषज्ञ ज्ञान का लाभ उठाकर फ्यू-शॉट रिग्रेशन में आशाजनक प्रदर्शन दिखाया है, लेकिन वे महत्वपूर्ण सीमाओं से ग्रस्त हैं:

त्रुटि कैस्केड (Error Cascades): ऑटोरिग्रेसिव LLMs (जैसे, डायरेक्ट प्रॉम्प्ट विधियाँ) "एक्सपोज़र बायस" प्रदर्शित करते हैं, जहाँ उनके अपने अपूर्ण भविष्यवाणियों पर निर्भरता (conditioning) से त्रुटियों का सिलसिला शुरू हो जाता है, विशेष रूप से जब प्रेडिक्शन होराइजन (prediction horizon) बढ़ता है (जैसे, >100 पॉइंट्स)। यह अक्सर लीनियर ट्रेंड्स (linear trends) की ओर मोड कोलैप्स या डायवर्जेंट प्रक्षेपवक्र (divergent trajectories) का कारण बनता है।
कंप्यूटेशनल अक्षमता (Computational Inefficiency): ऑटोरिग्रेसिव सैंपलिंग क्रमिक (sequential) होती है, जो गणनात्मक रूप से महंगी है और जिसे समानांतर (parallelize) करना कठिन है।
सुसंगतता का अभाव (Lack of Coherence): LLMs द्वारा स्वतंत्र मार्जिनल भविष्यवाणियाँ (अलग-अलग पॉइंट्स की भविष्यवाणी करना) स्थानीय संरचनात्मक सहसंबंधों (local structural correlations) को पकड़ने में विफल रहती हैं, जिससे असंगत प्रक्षेपवक्र और आउटलेयर्स उत्पन्न होते हैं।

इसके विपरीत, न्यूरल डिफ्यूजन प्रोसेसेज (NDPs) सुसंगत, समानांतर योग्य प्रक्षेपवक्र जनरेशन प्रदान करते हैं और सिंथेटिक डेटा के माध्यम से विविध फंक्शन स्पेस पर मेटा-लर्न कर सकते हैं। हालाँकि, मानक NDPs में समृद्ध, असंरचित पाठ्य मेटाडेटा (जैसे, "मॉन्ट्रियल में दैनिक तापमान") को फंक्शन स्पेस चयन को निर्देशित करने के लिए उपयोग करने का कोई तंत्र नहीं है।

कार्यप्रणाली: LLM फ्लो प्रोसेसेज (LLM-FP)

लेखक LLM फ्लो प्रोसेसेज (LLM-FP) प्रस्तावित करते हैं, जो एक प्रोडक्ट-ऑफ-एक्सपर्ट्स (PoE) दृष्टिकोण का उपयोग करके LLMs की सिमेंटिक कंडीशनिंग क्षमताओं को न्यूरल डिफ्यूजन प्रोसेसेज की संरचनात्मक सुसंगतता के साथ जोड़ता है।

मुख्य तंत्र (Core Mechanism)

यह विधि एक लक्ष्य वितरण $\pi_1(y_1|c)$ को दो वितरणों के गुणनफल के रूप में परिभाषित करती है:

विशेषज्ञ (The Expert - $q$ ): एक LLM-व्युत्पन्न वितरण जो टेक्स्टुअल प्रॉम्प्ट्स ( $c$ ) और कॉन्टेक्स्ट डेटा पर आधारित है। लेखक एक इंडिपेंडेंट LLM प्रोसेस (I-LLMP) का उपयोग करते हैं जहाँ LLM व्यक्तिगत बिंदुओं के लिए मार्जिनल प्रोबेबिलिटी की भविष्यवाणी करता है, जिससे जॉइंट डिस्ट्रीब्यूशन का गुणनखंड (factorization) होता है।
प्रायर (The Prior - $p_1$ ): एक न्यूरल डिफ्यूजन प्रोसेस (NDP) जिसे सिंथेटिक डेटा (जैसे, मिश्रित कर्नेल के साथ गॉसियन प्रोसेसेज) पर प्रशिक्षित किया गया है ताकि एक सुसंगत स्टोकेस्टिक प्रोसेस प्रायर सीखा जा सके।

संयुक्त वितरण है:
$\pi_1(y_1|c) \propto q(y_1|c) p_1(y_1)$

कन्वल्यूशन के माध्यम से ग्रेडिएंट-फ्री सैंपलिंग (Gradient-Free Sampling via Convolution)

एक प्रमुख तकनीकी योगदान इस प्रोडक्ट-ऑफ-एक्सपर्ट्स के लिए एक ग्रेडिएंट-फ्री, नॉन-मोंटे कार्लो सैंपलिंग विधि है, जो डिफ्यूजन/फ्लो मैचिंग फ्रेमवर्क के भीतर कार्य करती है।

मानक दृष्टिकोण: आमतौर पर, डिफ्यूजन को बाहरी ऊर्जा या विशेषज्ञ टर्म के साथ गाइड करने के लिए विशेषज्ञ के ग्रेडिएंट की गणना करने या मोंटे कार्लो अनुमान का उपयोग करने की आवश्यकता होती है, जो गणनात्मक रूप से भारी और अस्थिर है।
प्रस्तावित दृष्टिकोण: लेखक इस तथ्य का लाभ उठाते हैं कि LLM का आउटपुट एक बिन्डेड प्रोबेबिलिटी डिस्ट्रीब्यूशन (piecewise constant) है। वे एक टाइम-डिपेंडेंट स्कोर करेक्शन टर्म निकालते हैं जिसमें विशेषज्ञ वितरण $q$ को एक गॉसियन कर्नेल (जो समय $t$ पर डिफ्यूजन नॉइज़ का प्रतिनिधित्व करता है) के साथ कन्वॉल्व किया जाता है।
क्लोज्ड-फॉर्म समाधान: क्योंकि एक पीसवाइज कांस्टेंट फंक्शन का गॉसियन के साथ कन्वल्यूशन का एक क्लोज्ड-फॉर्म समाधान होता है (जिसे मानक गॉसियन CDF, $\Phi$ , के माध्यम से व्यक्त किया जा सकता है), स्कोर करेक्शन को बिना LLM के माध्यम से बैकप्रोपैगेट किए या मोंटे कार्लो सैंपलिंग के बिना सटीक रूप से कंप्यूट किया जा सकता है।
$\nabla_{y_t} \log \pi_t(y_t|c) \approx s_\theta(y_t) + \nabla_{y_t} \log \tilde{q}_t(\hat{y}_{1|t}(y_t)|c)$
जहाँ $\tilde{q}_t$ स्मूथ किया गया एक्सपर्ट डेंसिटी है और $\hat{y}_{1|t}$ NDP का डीनोइज़्ड एस्टीमेट है।

यह मॉडल ऐसे प्रक्षेपवक्र (trajectories) सैंपल करने की अनुमति देता है जो NDP के सीखे गए स्थानीय स्ट्रक्चर के अनुरूप हों, जबकि उन्हें टेक्स्टुअल बाधाओं (textual constraints) के अनुरूप होने के लिए "सब-सेलेक्ट" किया गया हो।

मुख्य योगदान (Key Contributions)

ग्रेडिएंट-फ्री PoE सैंपलिंग: एक ऐसा सामान्य तरीका जो एक डिफ्यूजन मॉडल और एक विशेषज्ञ वितरण के उत्पाद से सैंपलिंग करता है जहाँ विशेषज्ञ का गॉसियन के साथ क्लोज्ड-फॉर्म में कन्वल्यूशन होता है। यह विशेषज्ञ के ग्रेडिएंट या मोंटे कार्लो अनुमान की आवश्यकता को समाप्त करता है।
LLM-फ्लो प्रोसेसेज (LLM-FP): यह ऊपर वर्णित विधि का एक इंस्टेंशिएशन है जो LLM-व्युत्पन्न टेक्स्ट-कंडीशनड प्रोबेबिलिटीज़ को NDPs के साथ एकीकृत करता है। यह टेक्स्ट-कंडीशनड फंक्शन स्पेस सिलेक्शन को सक्षम बनाता है, जिससे मॉडल प्राकृतिक भाषा विवरणों (जैसे, पीरियोडिसिटी, ट्रेंड्स) के अनुरूप व्यवहारों को चुनने या एक्सट्रपलेट करने में सक्षम होता है।
विफलता मोड का अनुभवजन्य सत्यापन (Empirical Validation of Failure Modes): पेपर ऑटोरिग्रेसिव LLM रिग्रेशन के विशिष्ट विफलता मोड (एरर कैस्केड्स, लीनियर ट्रेंड अट्रैक्टर्स) को दस्तावेजीकृत करता है और दिखाता है कि LLM-FP कैसे NDP के जॉइंट स्ट्रक्चर का लाभ उठाकर इन्हें कम करता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखक LLM-FP का तीन बेसलाइन्स के विरुद्ध मूल्यांकन करते हैं:

NDP: अनकंडीशनल न्यूरल डिफ्यूजन प्रोसेस।
LLM-Direct: कंस्ट्रेंड डिकोडिंग के साथ ऑटोरिग्रेसिव LLM।
LLM-Independent: इंडिपेंडेंट मार्जिनल LLM भविष्यवाणियाँ।

कार्य (Tasks):

चेंज-पॉइंट रिग्रेशन (Change-Point Regression): विच्छेदन (discontinuities) के टेक्स्टुअल विवरण के प्रति निष्ठा का परीक्षण करना।
सैन डिएगो रेनफॉल (San Diego Rainfall): मौसमी संरचना के साथ एक्सट्रपलेशन।
पीरियोडिक + लीनियर ट्रेंड (Periodic + Linear Trend): सिंथेटिक फंक्शन्स का एक्सट्रपलेशन।
मौना लोआ CO2 (Mauna Loa CO2): वास्तविक दुनिया के वायुमंडलीय डेटा का एक्सट्रपलेशन।

निष्कर्ष:

सुसंगतता बनाम निष्ठा (Coherence vs. Faithfulness): LLM-FP ऐसे प्रक्षेपवक्र बनाता है जो सुसंगत (NDP की तरह स्मूथ और टाइम-कंसिस्टेंट) भी हैं और टेक्स्टुअल प्रॉम्प्ट्स के प्रति वफादार (NDP के विपरीत) भी हैं।
मजबूती (Robustness): LLM-Direct के विपरीत, LLM-FP प्रेडिक्शन होराइजन बढ़ने के साथ एरर कैस्केड्स से ग्रस्त नहीं होता है (256 पॉइंट्स तक टेस्ट किया गया)। यह ऑटोरिग्रेसिव मॉडल्स में देखे गए लीनियर ट्रेंड्स के "अट्रैक्टर स्टेट" से बचता है।
कैलिब्रेशन (Calibration): LLM-FP पीरियोडिक और वास्तविक दुनिया के कार्यों पर बेसलाइन्स की तुलना में बेहतर निरंतर रैंकड प्रोबेबिलिटी स्कोर (CRPS) और नेगेटिव लॉग प्रेडिक्टिव डेंसिटी (NLPD) प्राप्त करता है, जो बेहतर-कैलिब्रेटेड अनिश्चितता को दर्शाता है।
प्रदर्शन ट्रेड-ऑफ (Performance Trade-offs): चेंज-पॉइंट कार्य पर, LLM-Direct ने (लीनियर ट्रेंड अट्रैक्टर की सरलता के कारण) लगभग पूर्ण सिंगल-ट्रैजेक्टरी सटीकता प्राप्त की, जबकि LLM-FP ने आउटलेयर्स को स्मूथ किया लेकिन उस विशिष्ट मामले में ऑटोरिग्रेसिव बेसलाइन की तरह शार्प डिस्कंटीन्यूटी को पूरी तरह से मैच नहीं किया। हालांकि, LLM-FP ने मार्जिनल LLM-Independent बेसलाइन की तुलना में लगातार बेहतर प्रदर्शन किया।

महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि LLM-FP सिंथेटिक-डेटा-ट्रेन्ड स्टोकेस्टिक प्रोसेस प्रायर को भाषा में व्यक्त विशेषज्ञ ज्ञान के साथ संयोजित करने का एक व्यवस्थित तरीका प्रदान करता है।

तंत्र (Mechanism): टेक्स्ट एक "सॉफ्ट फंक्शन-क्लास सेलेक्टर" के रूप में कार्य करता है, जो NDP प्रायर को विशिष्ट व्यवहारों (जैसे, पीरियोडिसिटी) की ओर रीवेट करता है, बिना अंतर्निहित प्रक्रिया संरचना को बदले।
सामान्यीकरण (Generalizability): ग्रेडिएंट-फ्री कन्वल्यूशन विधि को एक स्वतंत्र रूप से उपयोगी टूल के रूप में प्रस्तुत किया गया है, जो किसी भी विशेषज्ञ वितरण पर लागू किया जा सकता है जिसका क्लोज्ड-फॉर्म गॉसियन कन्वल्यूशन संभव हो (जैसे, पीसवाइज कांस्टेंट, क्वांटाइज्ड मेजरमेंट्स)।
सीमाएँ (Limitations): लेखक नोट करते हैं कि विधि मानती है कि NDP और LLM फैक्टर्स के बीच स्वतंत्रता है; यदि वे दृढ़ता से सह-संबंधित हैं, तो साक्ष्य (evidence) की डबल-काउंटिंग हो सकती है। इसके अलावा, विधि इस बात पर निर्भर करती है कि NDP प्रायर प्रासंगिक फंक्शन क्लास को पर्याप्त मास असाइन करे; यदि वांछित व्यवहार NDP के सपोर्ट से बहुत दूर है, तो LLM केवल रीवेट कर सकता है, नए प्रक्षेपवक्र संरचनाएं बना नहीं सकता।

यह कार्य एक ऐसे पथ का सुझाव देता है जो न्यूरल प्रोसेसेज की कैलिब्रेशन और जॉइंट स्ट्रक्चर को बनाए रखते हुए LLMs की लचीली कंडीशनिंग क्षमताओं का लाभ उठाता है, जिससे प्रत्यक्ष ऑटोरिग्रेसिव रिग्रेशन की अस्थिरता से बचा जा सके।