Learning Adaptive Parallel Execution for Efficient Code Localization
FuseSearch एक अनुकूली समानांतर निष्पादन ढांचा (adaptive parallel execution framework) है जो कार्य संदर्भ के आधार पर खोज की चौड़ाई को गतिशील रूप से अनुकूलित करने के लिए दो-चरणीय SFT और RL प्रशिक्षण रणनीति का उपयोग करता है, जिससे SWE-bench Verified पर अत्याधुनिक कोड लोकलाइज़ेशन प्रदर्शन प्राप्त होता है और साथ ही अनावश्यक इनवोकेशन, टोकन उपयोग और निष्पादन समय में महत्वपूर्ण कमी आती है।
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 जासूस हैं जो लाखों किताबों वाले एक विशाल पुस्तकालय में एक रहस्य सुलझाने की कोशिश कर रहे हैं। आपका लक्ष्य उस सटीक किताब के सटीक पन्ने को ढूंढना है जहाँ एक विशिष्ट त्रुटि (error) हुई है।
सॉफ्टवेयर की दुनिया में, इसे कोड लोकलाइजेशन (Code Localization) कहा जाता है। यह बग्स को स्वचालित रूप से ठीक करने का सबसे कठिन हिस्सा है।
समस्या: "एक बार में एक किताब" वाला जाल
पारंपरिक रूप से, कंप्यूटर एजेंट (AI प्रोग्राम) इस समस्या को एक समय में एक किताब देखने, एक पन्ना पढ़ने, उसे बंद करने और फिर अगली किताब के लिए पूछने के तरीके से हल करने की कोशिश करते थे। इसे सीक्वेंशियल एक्जीक्यूशन (sequential execution) कहा जाता है।
समस्या क्या है? यह धीमा है। यदि आपके पास मामले को सुलझाने के लिए केवल कुछ ही मिनटों का ("तंग बजट") समय है, तो आप सही किताब खोजने से पहले ही समय समाप्त होने के कारण रुक सकते हैं। इसे इन्फॉर्मेशन स्टारवेशन (information starvation) कहा जाता है—आप सुरागों के लिए भूखे रह जाते हैं क्योंकि आप बहुत धीमी गति से आगे बढ़ रहे हैं।
पुराना "पैरेलल" समाधान: एक अनाड़ी टीम
कुछ डेवलपर्स ने एजेंटों की एक पूरी टीम को एक साथ किताबें उठाने के लिए भेजकर इसे तेज़ करने की कोशिश की। यह पैरेलल एक्जीक्यूशन (parallel execution) है।
लेकिन इसमें एक पेंच था। ये टीमें अनाड़ी थीं। वे 10 लोगों को किताबें उठाने के लिए भेजते थे, लेकिन उनमें से 3 या 4 लोग बिल्कुल वही किताब या वही किताब उठा लेते थे जो पहले से खुली हुई थी। शोध पत्र इसे रिडंडेंसी (redundancy) कहता है।
- परिणाम: उन्होंने डुप्लिकेट किताबें उठाने में समय और पैसा (कंप्यूटिंग पावर) बर्बाद किया, और उन बेकार किताबों के शोर ने वास्तव में असली सुराग को ढूंढना और भी कठिन बना दिया।
समाधान: FuseSearch (एक स्मार्ट जासूसी टीम)
इस पेपर के लेखकों ने FuseSearch नामक एक नया सिस्टम बनाया है। इसे एक ऐसी जासूसी टीम के रूप में समझें जो यह सीखती है कि कब और कैसे एक साथ कई किताबें उठानी हैं।
यह इस प्रकार काम करता है, सरल रूपकों (metapches) का उपयोग करते हुए:
1. "टूल एफिशिएंसी" स्कोरकार्ड
केवल यह पूछने के बजाय कि, "क्या हमें सुराग मिला?" FuseSearch पूछता है, "क्या वह जानकारी नई थी?"
- यदि कोई एजेंट ऐसी किताब उठाता है जो उसने पहले कभी नहीं देखी, तो उसे गोल्ड स्टार (Gold Star) मिलता है।
- यदि वह ऐसी किताब उठाता है जिसे उसने पहले ही देख लिया है, तो उसे फ्रौन (Frown - उदासी का निशान) मिलता है।
- सिस्टम को गोल्ड स्टार को अधिकतम करने और फ्रौन को न्यूनतम करने के लिए प्रशिक्षित किया जाता है। इसे टूल एफिशिएंसी (Tool Efficiency) कहा जाता है।
2. दो-चरणीय प्रशिक्षण (SFT + RL)
AI को यह कौशल सिखाने के लिए, लेखकों ने दो चरणों वाले प्रशिक्षण शिविर का उपयोग किया:
- चरण 1 (SFT - क्लासरूम): उन्होंने AI को उन अच्छे जासूसों के उदाहरण दिखाए जिन्होंने एक साथ कई अलग-अलग किताबें उठाईं। इसने AI को यह सिखाया कि बिना भ्रमित हुए एक टीम के रूप में कैसे काम किया जाए।
- चरण 2 (RL - वास्तविक दुनिया का अभ्यास): उन्होंने AI को अभ्यास करने दिया। यदि AI ने बहुत अधिक डुप्लिकेट किताबें उठाईं, तो उसके अंक कट गए। यदि उसने कम डुप्लिकेट्स के साथ जल्दी से सही पन्ना खोज लिया, तो उसे बहुत बड़ा इनाम मिला। समय के साथ, AI ने पहले कई तरह की किताबें इकट्ठा करना (एक्सप्लोरेशन/खोज) और फिर जल्दी से केवल उन विशिष्ट पन्नों तक सीमित होना (रिफाइनमेंट/परिष्करण) सीख लिया।
3. मिनिमलिस्ट टूलकिट (न्यूनतम उपकरणों का सेट)
अन्य सिस्टमों के विपरीत जिन्हें पुस्तकालय के जटिल मानचित्रों (कोड ग्राफ) या विशेष अनुवादकों की आवश्यकता होती है, FuseSearch केवल तीन सरल उपकरणों का उपयोग करता है:
- grep: "इस विशिष्ट शब्द वाली कोई भी किताब खोजें।"
- glob: "इस नाम के पैटर्न वाली सभी किताबें खोजें।"
- read_file: "इस विशिष्ट किताब को खोलें और इसकी कुछ पंक्तियाँ पढ़ें।"
यह लाइब्रेरी को मैप करने के लिए सुपर-कंप्यूटर की आवश्यकता के बजाय केवल एक आवर्धक लेंस (magnifying glass) और नामों की सूची के साथ रहस्य सुलझाने जैसा है।
परिणाम: तेज़, सस्ता और सटीक
जब उन्होंने एक प्रसिद्ध बेंचमार्क (SWE-bench Verified) पर FuseSearch का परीक्षण किया:
- गति: इसने पिछले तरीकों की तुलना में खोज को 93.6% तेज़ी से पूरा किया।
- दक्षता: इसने 67.7% कम स्टेप्स (टर्न) और 68.9% कम कंप्यूटिंग पावर (टोकन) का उपयोग किया।
- सटीकता: यह केवल तेज़ ही नहीं हुआ; यह बेहतर भी हुआ। इसने 84.7% बार सही फ़ाइलें और 56.4% बार सही फंक्शन खोजे, जिससे यह बहुत बड़े और अधिक महंगे सिस्टमों को भी पीछे छोड़ दिया।
मुख्य निष्कर्ष (The Bottom Line)
FuseSearch साबित करता है कि मामले को सुलझाने के लिए आपको सबसे बड़ा या सबसे जटिल जासूस होने की आवश्यकता नहीं है। AI को डुप्लिकेट सुरागों पर समय बर्बाद करना बंद करने और एक साथ कई नए सुराग उठाने के लिए शिक्षित करके, आपको एक ऐसा सिस्टम मिलता है जो स्मार्टर, फ़ास्टर और चीपर (सस्ता) है।
यह "सब कुछ पकड़ लो" वाले अराजक दृष्टिकोण को एक लक्षित, कुशल शिकार में बदल देता है, यह सुनिश्चित करता है कि कंप्यूटिंग समय का हर सेकंड एजेंट को समाधान के करीब ले जाए।
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।