Simulating Complex Multi-Turn Tool Calling Interactions in Stateless Execution Environments
यह शोध पत्र DiGiT-TC प्रस्तुत करता है, जो एक नवीन डेटा जनरेशन विधि है जो उपयोगकर्ता अनुरोधों के भीतर टूल कॉल्स को अंतर्निहित रूप से दर्शाकर स्टेटलेस निष्पादन वातावरण (stateless execution environments) के लिए जटिल मल्टी-टर्न टूल कॉलिंग वार्तालापों को संश्लेषित करती है, जिससे स्टेटफुल सत्यापन (stateful validation) पर निर्भर किए बिना छोटे भाषा मॉडलों की प्रभावी ट्यूनिंग सक्षम होती 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 रोबोट बटलर को जटिल काम संभालना सिखाने की कोशिश कर रहे हैं, जैसे कि "एक फिल्म ढूंढें, शो का समय देखें, और उपलब्ध पहले शो के लिए टिकट खरीदें।"
वास्तविक दुनिया में, यदि आप इस रोबोट का परीक्षण कर रहे होते, तो आप इसे वास्तव में एक वास्तविक मूवी थिएटर सिस्टम में वे कमांड चलाने देते। आप देखते कि यह डेटाबेस चेक करता है, परिणाम देखता है, और फिर टिकट खरीदता है। यदि यह सफल होता है, तो आप जानते हैं कि इसने अच्छी तरह से सीखा है। यही वह काम है जो अब तक अधिकांश AI शोधकर्ताओं ने किया है: उन्होंने ऐसे "प्लेग्राउंड" बनाए जहाँ रोबला वास्तव में चीजों को छू सकता है और बदल सकता है (एक stateful environment)।
समस्या:
लेकिन क्या होगा अगर आप रोबोट को वास्तविक दुनिया को छूने की अनुमति नहीं दे सकते? शायद डेटा बहुत संवेदनशील है (जैसे किसी बैंक की गुप्त ग्राहक सूची), या शायद "प्लेग्राउंड" बनाना बहुत महंगा है। इन मामलों में, आप रोबोट को चलाकर टेस्ट नहीं कर सकते। आपको उसे केवल निर्देशों की एक सूची (टूल स्पेसिफिकेशन) का उपयोग करके सिखाना होगा, बिना वास्तविक परिणामों को देखे।
पिछले अधिकांश तरीकों ने यह दिखाने का नाटक करके इसकी भरपाई करने की कोशिश की कि रोबोट ने वास्तव में कमांड चलाए थे। लेकिन वे मानव बातचीत के एक महत्वपूर्ण हिस्से को भूल गए: Implicit Steps (अंतर्निहित चरण)।
जब आप एक मानव सहायक से कहते हैं, "पहले शो के लिए टिकट बुक करें," तो आप यह नहीं कहते कि "पहले 'शो का समय देखें' टूल चलाएं, फिर 'टिकट बुक करें' टूल चलाएं।" आप केवल लक्ष्य देते हैं। सहायक जानता है कि उसे पहले चेक करना होगा, भले ही आपने यह नहीं कहा हो। यह एक implicit tool call है। पिछले तरीके ऐसा ट्रेनिंग डेटा बनाने में संघर्ष करते थे जो रोबोट को इन छिपे हुए चरणों को अपने आप समझने के लिए प्रशिक्षित करे।
समाधान: DiGiT-TC ("रिवर्स इंजीनियर" विधि)
IBM के शोधकर्ताओं ने DiGiT-TC नामक एक नई विधि पेश की है। रोबोट से यह पूछने के बजाय कि "मुझे आगे क्या करना चाहिए?", उन्होंने स्क्रिप्ट को उलट दिया।
इसे एक फिल्म निर्देशक की तरह सोचें जो पीछे से काम करता है:
- निर्देशक पहले स्क्रिप्ट लिखता है: सिस्टम पहले एक शक्तिशाली AI से उस पूरे क्रिया क्रम (sequence of actions) को लिखने के लिए कहता है जिसे रोबोट को किसी समस्या को हल करने के लिए लेना होगा (जैसे, शो का समय देखें -> टिकट बुक करें)।
- "एडिटर" सुराग छिपा देता है: सिस्टम एक चतुर एडिटर की तरह कार्य करता है। यह उस पूर्ण स्क्रिप्ट को लेता है और यह तय करता है कि "यूजर" से कौन से चरण छिपाने हैं। यह अंतिम लक्ष्य (टिकet बुक करें) को दृश्यमान रखता है लेकिन मध्यवर्ती चरण (शो का समय देखें) को छिपा देता है।
- "ट्रांसलेटर" प्रॉम्प्ट लिखता है: अब, सिस्टम AI से एक यूजर रिक्वेस्ट लिखने के लिए कहता है जो केवल दृश्यमान हिस्सों से मेल खाती हो। इसलिए, यूजर कहता है, "पहले उपलब्ध शो के लिए टिकट बुक करें," और AI को पता होता है कि उसे छिपे हुए "शो का समय देखें" चरण को खुद समझना होगा।
- "डबल-चेक" (बैक ट्रांसलेशन): यह सुनिश्चित करने के लिए कि AI भ्रमित नहीं हुआ है, सिस्टम एक "रिवर्स टेस्ट" चलाता है। यह यूजर की रिक्वेस्ट ("टिकट बुक करें...") को लेता है और AI को इसे शुरू से हल करने के लिए कहता है। यदि AI बिल्कुल वही छिपे हुए चरण सामने लाता है जो मूल स्क्रिप्ट में थे, तो डेटा अच्छा है। यदि AI गलत होता है, तो डेटा को हटा दिया जाता है।
यह क्यों महत्वपूर्ण है:
इस "रिवर्स इंजीनियरिंग" दृष्टिकोण का उपयोग करके, शोधकर्ताओं ने प्रशिक्षण डेटा का एक विशाल पुस्तकालय बनाया है जहाँ रोबोट खाली जगहों को भरना सीखता है। उन्होंने इसका परीक्षण मानक "परीक्षा" बेंचमार्क (जैसे BFCL और τ-bench) पर किया और पाया कि:
- इस डेटा पर प्रशिक्षित रोबोट बहु-चरणीय कार्यों को संभालने में काफी बेहतर हो गए।
- उनका प्रदर्शन उन रोबोटों के समान या उनसे बेहतर था जिन्हें शीर्ष-स्तरीय, क्लोज्ड-सोर्स मॉडल्स द्वारा जनरेट किए गए बहुत महंगे डेटा पर प्रशिक्षित किया गया था।
- यह विधि तब भी काम करती है जब प्रशिक्षण के दौरान वास्तविक "प्लेग्राउंड" तक पहुंच न हो, जो बैंक या अस्पतालों जैसे संवेदनशील वातावरण के लिए सुरक्षित बनाता है।
मुख्य बात:
पेपर का दावा है कि डेटा को "उल्टा" जनरेट करके—समाधान से शुरू करके और प्रश्न की ओर बढ़कर—वे छोटे, सस्ते AI मॉडल्स को जटिल, बहु-चरणीय कार्यों को बड़े, महंगे मॉडल्स के समान ही संभालने के लिए प्रशिक्षित कर सकते हैं, और इसके लिए उन्हें प्रशिक्षण के दौरान वास्तविक, संवेदनशील डेटा सिस्टम तक पहुँचने की आवश्यकता नहीं है। उन्होंने अपना सारा कोड और डेटा सभी के उपयोग के लिए खुला रखा 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।