तकनीकी सारांश: भाषा मॉडल के आगमनात्मक अनुमानों पर भाषाई बाधाएं

समस्या विवरण

मानव संज्ञान श्रेणियों के बारे में आगमनात्मक अनुमान (inductive inferences) लगाने की क्षमता पर निर्भर करता है, जो कि प्रस्तावों के भाषाई रूप द्वारा अत्यधिक बाधित होती है। विकासात्मक अनुसंधान (Gelman et al., 2002) ने यह स्थापित किया है कि मनुष्य नवीन गुणों को श्रेणी के सदस्यों तक विस्तारित करते समय तीन प्रकार के कथनों के बीच अंतर करते हैं:

1. सार्वभौमिक परिमाणक (Universal Quantifiers): "सभी भालू डैक्सेबल (daxable) हैं।"
2. जेनेरिक कथन (Generic Statements): "भालू डैक्सेबल हैं।" (Bare plurals)
3. अनिश्चित परिमाणक (Indefinite Quantifiers): "कुछ भालू डैक्सेबल हैं।"

मनुष्य अपने आगमनात्मक व्यवहार में एक सुसंगत क्रमिक पैटर्न प्रदर्शित करते हैं: ALL > GENERIC > SOME। जबकि "all" और "some" के तार्किक प्रतिबंध स्पष्ट हैं, जेनेरिक्स (generics) की स्थिति सैद्धांतिक रूप से जटिल है; वे कानून-समान सामान्यीकरण को दर्शाते हैं जो प्रति-उदाहरणों के प्रति सुदृढ़ होते हैं, फिर भी भाषा में स्पष्ट रूप से चिह्नित नहीं होते हैं।

इस शोध पत्र में संबोधित मुख्य समस्या यह है कि क्या सामान्य-उद्देश्य वाले सांख्यिकीय शिक्षार्थी, विशेष रूप से विजन लैंग्वेज मॉडल (VLMs), इन प्रस्ताव प्रकारों के बीच अंतर करने की क्षमता रखते हैं जो मनुष्यों के समान हो। विशेष रूप से, क्या VLMs केवल सतही-रूप (surface-form) के अंतरों के बजाय सूक्ष्म भाषाई संकेतों (परिमाणक बनाम जेनेरिक्स) के आधार पर अपने आगमनात्मक अनुमानों को नियंत्रित करते हैं?

कार्यप्रणाली

अध्ययन Gelman et al. (2002) के प्रयोगात्मक डिजाइन को VLMs का उपयोग करके दोहराता है, जिसे "स्पीशीज-फेयर" (species-fair) तुलना सुनिश्चित करने के लिए तीन क्रमिक प्रयोगों में संरचित किया गया है।

1. पूर्व शर्त परीक्षण (Precondition Tests)

आगमनात्मक तर्क का परीक्षण करने से पहले, लेखकों ने सत्यापित किया कि उम्मीदवार मॉडल दो बुनियादी पूर्वधारणाओं को संतुष्ट करते हैं:

• श्रेणी पहचान (Category Identification): मॉडलों का परीक्षण छवियों में विशिष्ट श्रेणियों की उपस्थिति या अनुपस्थिति को मजबूती से पहचानने की उनकी क्षमता पर किया गया। THINGS डेटासेट का उपयोग करते हुए, मॉडलों को सकारात्मक और नकारात्मक नमूनों (समानता-आधारक, वर्गीकरण-आधारक, और यादृच्छिक) के साथ क्वेरी किया गया।
• परिमाणक संवेदनशीलता (Quantifier Sensitivity): एक नया विकासात्मक रूप से प्रेरित बेंचमार्क बनाया गया ताकि यह परीक्षण किया जा सके कि क्या मॉडल "all" बनाम "some" के दायरे को समझते हैं। इसमें दो मोडैलिटीज (विज़न+लैंग्वेज और लैंग्वेज-ओनली) में 6 स्थितियाँ शामिल थीं, जिसमें संदर्भ (all/some), प्रश्न लक्ष्य (all/some), और गुणों को संतुष्ट करने वाली संस्थाओं का अनुपात भिन्न था।

2. आगमनात्मक अनुमान प्रयोग (Inductive Inference Experiment)

केवल वे मॉडल जो पूर्व शर्त परीक्षणों को मजबूती से संतुष्ट करते थे (विशेष रूप से Qwen3-VL 4B और 8B), उन्हें मुख्य प्रयोग के लिए उपयोग किया गया।

• उद्दीपन (Stimuli): मॉडलों को एक श्रेणी को एक नवीन गुण (nonce शब्दों जैसे "daxable" या छद्म-वैज्ञानिक शब्दों जैसे "T9 hormone" का उपयोग करके) प्रदान करने वाले आधार दिए गए। प्रस्ताव प्रकार के आधार पर आधार भिन्न थे: All, Some, या Generic (bare plural)।
• कार्य: मॉडलों से यह निर्धारित करने के लिए कहा गया कि क्या श्रेणी का एक विशिष्ट सदस्य (छवि या "मेरा भालू" जैसे स्वामित्व वाक्यांश के माध्यम से प्रस्तुत) उस नवीन गुण को रखता है।
• मापन: आगमनात्मक सामान्यीकरण की शक्ति को मापने के लिए "हाँ" प्रतिक्रिया की सापेक्ष संभावना ($p_{rel}(Yes)$) की गणना की गई।

3. पोस्ट-हॉक प्रतिनिधित्व विश्लेषण (Post-hoc Representation Analysis)

यह निर्धारित करने के लिए कि क्या व्यवहार संबंधी अंतर सतह-रूप पहचान से उत्पन्न हुए या गहरे अर्थ संबंधी बाधाओं से, लेखों ने मॉडलों के आंतरिक वेक्टर प्रतिनिधित्व का विश्लेषण किया।

• नियंत्रण (Control): उन्होंने सतह-रूप विविधताओं को पेश किया (जैसे, "all" को "every" के साथ, "some" को "certain" के साथ, और जेनेरिक्स को अनिश्चित लेख "a bear" के साथ जोड़ना) ताकि यह सुनिश्चित किया जा सके कि क्लस्टरिंग केवल शाब्दिक समानता द्वारा संचालित नहीं है।
• विश्लेषण: Qwen3-VL-8B मॉडल के विभिन्न परतों में आधारों के हिडन स्टेट (hidden state) प्रतिनिधित्वों पर प्रिंसिपल कंपोनेंट एनालिसिस (PCA) किया गया।

मुख्य परिणाम

1. पूर्व शर्त प्रदर्शन

• श्रेणी पहचान: अधिकांश VLMs ने सकारात्मक नमूनों पर उच्च सटीकता प्राप्त की लेकिन समानता-आधारक नकारात्मक नमूनों के साथ संघर्ष किया। Qwen2.5-VL-7B और Qwen3-VL-8B ने उच्चतम संयुक्त सटीकता दिखाई।
• परिमाणक संवेदनशीलता: मॉडल आम तौर पर "Some/Some" स्थितियों पर अच्छा प्रदर्शन करते हैं। हालाँकि, "All" स्थितियों पर प्रदर्शन में मोडैलिटी-निर्भर भिन्नता देखी गई, जिसमें कई मॉडल विज़न+लैंग्वेज डोमेन में संघर्ष करते दिखे। केवल Qwen3-VL 4B और 8B ने सभी स्थितियों और मोडैलिटीज में लगभग पूर्ण सटीकता प्रदर्शित की, जिससे वे मुख्य प्रयोग के लिए योग्य बने।

2. आगमनात्मक अनुमान व्यवहार

चयनित VLMs (Qwen3-VL 4B और 8B) ने मानव डेटा के साथ व्यवहारिक संरेखण (behavioral alignment) प्रदर्शित किया:

• क्रमिक सामान्यीकरण (Graded Generalization): किसी विशिष्ट उदाहरण तक गुण को विस्तारित करने की संभावना इस पैटर्न का पालन करती है: ALL > GENERIC > SOME।
• मोडैलिटी स्वतंत्रता: यह पैटर्न विज़न+लैंग्वेज और लैंग्वेज-ओनली दोनों मोडैलिटीज में बना रहा, जो इन बाधाओं के एक सामान्य प्रतिनिधित्व का सुझाव देता है।
• सजीवता प्रभाव (Animacy Effects): "Generic" आधार ने निर्जीव श्रेणियों के लिए सजीव श्रेणियों की तुलना में कम सामान्यीकरण संभावना प्रदान की, जो इस भाषाई अवलोकन के अनुरूप है कि जेनेरिक्स का अनुप्रयोग सजीवों पर अधिक होता है।

3. आंतरिक प्रतिनिधित्व

Qwen3-VL-8B के हिडन स्टेट्स के PCA ने खुलासा किया कि:

• प्रस्ताव केवल सतह-रूप (जैसे, "all" और "every" शुद्ध रूप से शाब्दिक अंतरों के आधार पर "some" और "certain" से अलग नहीं रहे) द्वारा क्लस्टर नहीं किए गए थे।
• इसके बजाय, प्रतिनिधित्व आगमनात्मक बाधाओं (inductive constraints) के अनुसार व्यवस्थित थे। मध्य परतों (जैसे, लेयर 18) में, निकट-पर्यायवाची प्रस्ताव (जैसे, "all" बनाम "every") आपस में उलझ गए, जबकि विभिन्न आगमनात्मक दायरे वाले प्रस्ताव (All बनाम Some बनाम Generic) अलग हो गए।
• यह संगठन सुझाव देता है कि मॉडल प्रस्तावों के अर्थ को उनके सामान्यीकरण दायरे के संबंध में प्रस्तुत करते हैं, न कि केवल उनके शाब्दिक सतह को।

मुख्य योगदान

1. व्यवहार संरेखण (Behavioral Alignment): यह शोध प्रमाण प्रदान करता है कि VLMs सार्वभौमिक, जेनेरिक और अनिश्चित प्रस्तावों के बीच अंतर कर सकते हैं, जो मानव आगमनात्मक तर्क (Gelman et al., 2002) के अनुरूप है।
2. बाधाओं का प्रतिनिधित्व: यह प्रदर्शित करता है कि ये अंतर मॉडलों के आंतरिक प्रतिनिधित्व स्थान में आगमनात्मक बाधाओं के आधार पर एन्कोड किए गए हैं, न कि केवल सतह-रूप की समानताओं के आधार पर।
3. विकासात्मक बेंचमार्क: लेखक "all" और "some" को भाषा और विज़न+लैंग्वेज दोनों मोडैलिटीज में परीक्षण करने के लिए एक नया बेंचमार्क जारी करते हैं, जो मौजूदा साहित्य के अंतराल को भरता है जो अक्सर अस्पष्ट परिमाणकों पर ध्यान केंद्रित करता है।
4. सतह रूप पर ध्यान: वैचारिक सामग्री पर ध्यान केंद्रित करने वाले पिछले कार्यों के विपरीत, यह अध्ययन सतह-रूप परिवर्तनों (परिमाणक) के प्रभाव को अलग करता है जबकि वैचारिक सामग्री को स्थिर रखता है।

महत्व और दावे

लेखक दावा करते हैं कि उनके निष्कर्ष बताते हैं कि VLMs प्रस्तावों को मानव संज्ञात्मक बाधाओं के अनुरूप व्यवस्थित करते हैं जो आगमनात्मक अनुमान के संबंध में है। यह महत्वपूर्ण है क्योंकि जेनेरिक्स ऐतिहासिक रूप से भाषाविदों और संज्ञानात्मक वैज्ञानिकों के लिए एक "पहेली" रहे हैं क्योंकि उनमें स्पष्ट अंकन की कमी और जटिल अर्थ विज्ञान है।

शोध पत्र अपने योगदान को मानव और VLMs के बीच व्यवहार संरेखण स्थापित करने के रूप में विनम्रतापूर्वक फ्रेम करता है। यह दावा नहीं करता कि VLMs में मानव जैसी अनुभूति है या मॉडल जेनेरिक्स को दार्शनिक अर्थ में "समझते" हैं। इसके बजाय, यह प्रतिपादित करता है कि यदि दो प्रणालियाँ (मानव और VLMs) समान कार्यात्मक बाधाओं को संतुष्ट करके एक कठिन समस्या (आगमनात्मक बाधाओं को अलग करना) को हल करती हैं, तो उनके समाधान कार्यात्मक रूप से प्रासंगिक तरीकों में समान हो सकते हैं (कंट्रावेरिएंस सिद्धांत का आह्वान करना)।

लेखक निष्कर्ष निकालते हैं कि (V)LMs का आगे का यांत्रिक विश्लेषण जेनेरिक कथनों के अधिग्रहण और प्रसंस्करण पर प्रकाश डालने में मदद कर सकता है, जो भाषा के संज्ञानात्मक मनोविज्ञान में एक लंबे समय से चली आ रही समस्या पर एक कम्प्यूटेशनल दृष्टिकोण प्रदान करता है। वे सीमाओं को भी स्पष्ट रूप से नोट करते हैं, जिसमें कारण संबंधी प्रमाण (causal proof) की कमी, मॉडलों और मनुष्यों के बीच प्रशिक्षण डेटा के पैमाने में असमानता, और अध्ययन की एकभाषी (अंग्रेजी) प्रकृति शामिल है।