🤖 AI

Test-Time Compute Games

यह शोध पत्र LLM-as-a-service बाजारों में सामाजिक अक्षमता की पहचान करता है जहाँ प्रदाता महंगी टेस्ट-टाइम कंप्यूट का अत्यधिक उपयोग करने के लिए प्रोत्साहित होते हैं, और मूल्य निर्धारण को सीमांत मूल्य (marginal value) के साथ संरेखित करने के लिए एक रिवर्स सेकंड-प्राइस ऑक्शन तंत्र का प्रस्ताव करता है, जिसे गणित और विज्ञान बेंचमार्क पर विभिन्न मॉडल परिवारों के माध्यम से प्रयोगों द्वारा सत्यापित किया गया है।

मूल लेखक: Ander Artola Velasco, Dimitrios Rontogiannis, Stratis Tsirtsis, Manuel Gomez-Rodriguez

प्रकाशित 2026-05-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ander Artola Velasco, Dimitrios Rontogiannis, Stratis Tsirtsis, Manuel Gomez-Rodriguez

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 "टेस्ट-टाइम कंप्यूट गेम्स" (Test-Time Compute Games) पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके दिया गया विवरण है।

बड़ी तस्वीर: "ओवर-इंजीनियरिंग" की समस्या

कल्पना कीजिए कि आपको एयरपोर्ट जाने के लिए एक टैक्सी चाहिए। आपके पास दो टैक्सी कंपनियाँ हैं: कंपनी A और कंपनी B।

कंपनी A आमतौर पर आपको वहाँ पहुँचाने में 10 मिनट लेती है।
कंपनी B आमतौर पर 12 मिनट लेती है।

हालाँकि, दोनों कंपनियों के पास एक गुप्त बटन है जिसे वे "सुपर-ड्राइव" (Super-Drive) कहते हैं।

यदि कंपनी A इस बटन को दबाती है, तो वे 11 मिनट लेंगे लेकिन आपसे दोगुना शुल्क लेंगे।
यदि कंपनी B इस बटन को दबाती है, तो वे 11 मिनट लेंगे लेकिन आपसे तिगुना शुल्क लेंगे।

एक सामान्य दुनिया में, आप 10 मिनट की मानक सवारी के लिए कंपनी A को चुनेंगे क्योंकि यह सस्ती और तेज़ है। लेकिन यहाँ एक मोड़ है: टैक्सी कंपनियों को इस आधार पर भुगतान किया जाता है कि वे कितना ईंधन (गैस) जलाती हैं, न कि केवल इस आधार पर कि वे आपको कितनी जल्दी पहुँचाती हैं।

इस कारण से, कंपनी A सोचती है: "अगर मैं 'सुपर-ड्राइव' दबाती हूँ और 11 मिनट लेती हूँ, तो मैं आपसे दोगुना शुल्क ले सकती हूँ। भले ही मैंने अपनी पुरानी गति की तुलना में केवल 1 मिनट बचाया हो, फिर भी मैं अधिक पैसा कमा सकती हूँ। इसलिए, मैं हमेशा बटन दबाऊँगी।"

परिणाम: आप एक ऐसी सवारी के लिए दोगुना भुगतान करते हैं जो मुश्किल से थोड़ी तेज़ है, और कंपनी बिना किसी वास्तविक लाभ के अतिरिक्त ईंधन जलाती है। इसे ही यह पेपर "टेस्ट-टाइम कंप्यूट" (TTC) कहता है। AI की दुनिया में, "ईंधन" कंप्यूटर पावर है, और "सुपर-ड्राइव" AI द्वारा आपको एक उत्तर देने से पहले अधिक देर तक सोचने या कई अलग-अलग उत्तरों को आज़माने की प्रक्रिया है।

समस्या: बाज़ार क्यों टूटा हुआ है

लेखकों का तर्क है कि AI सेवाओं को खरीदने का वर्तमान तरीका सामाजिक रूप से अक्षम (socially inefficient) है।

प्रदाता (Provider) का प्रोत्साहन: AI कंपनियाँ पैसा कमाना चाहती हैं। वे जानती हैं कि यदि वे अपने AI को "अधिक गहराई से सोचने" (अधिक कंप्यूट का उपयोग करने) के लिए प्रेरित करती हैं, तो वे आपसे अधिक शुल्क ले सकती हैं। भले ही अतिरिक्त सोचने से उनका उत्तर केवल 1% बेहतर होता हो, फिर भी वे ऐसा कर सकती हैं क्योंकि उनकी अतिरिक्त लागत कम है, लेकिन उनसे लिया जाने वाला अतिरिक्त मूल्य अधिक है।
उपयोगकर्ता का नुकसान: आप उस "सोचने" के लिए भुगतान करते हैं जो वास्तव में आपकी अधिक मदद नहीं करता है। यह एक शानदार, धीमी गति से पकाया गया भोजन खरीदने जैसा है जब एक साधारण सैंडविच भी उतना ही पेट भरने वाला होता और बहुत सस्ता होता।

यह पेपर दिखाता है कि एक मुक्त बाज़ार में, AI कंपनियाँ अपने मुनाफे को अधिकतम करने के लिए समस्याओं पर "अत्यधिक सोचने" (over-think) का विकल्प चुनेंगी, भले ही इससे पैसा और संसाधन बर्बाद होते हों।

समाधान: एक रिवर्स ऑक्शन (Reverse Auction)

इसे ठीक करने के लिए, लेखक AI सेवाओं को खरीदने का एक नया तरीका प्रस्तावित करते हैं, जो एक रिवर्स ऑक्शन (जैसे जब सरकार 1,000 डेस्क खरीदना चाहती है और आपूर्तिकर्ताओं से सबसे कम बोली लगाने के लिए कहती है) के समान है।

यहाँ उनका "स्मार्ट ऑक्शन" कैसे काम करता है:

सेटअप: आपके (उपयोगकर्ता के) पास एक कार्य है। आप एक तटस्थ प्लेटफॉर्म को बताते हैं, "मुझे इस गणित की समस्या को हल करने के लिए एक AI चाहिए।"
बोलियाँ (Bids): कई AI कंपनियाँ बोली लगाती हैं। वे कहते हैं:
- "मैं 90% सटीकता के साथ इसे हल कर सकता हूँ।"
- "मैं $5 चार्ज करूँगा।"
- (वे गुप्त रूप से यह भी तय करते हैं कि उस 90% सटीकता को प्राप्त करने के लिए वे कितना "सोचेंगे")।
विजेता: प्लेटफॉर्म उस कंपनी को चुनता है जो सबसे अच्छा सौदा (सबसे कम कीमत पर उच्चतम सटीकता) प्रदान करती है।
भुगतान (जादुई हिस्सा): यह सबसे महत्वपूर्ण नियम है। विजेता को उसकी मांगी गई राशि के आधार पर नहीं भुगतान किया जाता है।
- इसके बजाय, उन्हें दूसरी सबसे अच्छी बोली के आधार पर भुगतान किया जाता है।
- उदाहरण: यदि कंपनी A $5 में 90% सटीकता की बोली लगाती है, और कंपनी B$ 4 में 85% सटीकता की बोली लगाती है, तो कंपनी A जीत जाती है। लेकिन कंपनी A को केवल ** $4** (गुणवत्ता के अंतर के लिए थोड़े से हिस्से के साथ) मिलते हैं, न कि$ 5।

यह सब कुछ कैसे बदल देता है:
क्योंकि विजेता को अपने स्वयं के मूल्य के बजाय प्रतिद्वंद्वी के मूल्य के आधार पर भुगतान किया जाता है, इसलिए उनके पास अधिक शुल्क लेने या ओवर-इंजीनियर करने का कोई प्रोत्साहन नहीं होता है।

यदि कंपनी A 95% सटीकता प्राप्त करने के लिए "अधिक गहराई से सोचने" की कोशिश करती है, तो वे जीत सकते हैं, लेकिन उन्हें अभी भी कंपनी B के निचले मानक के आधार पर ही भुगतान किया जाएगा।
यदि कंपनी A $10 वसूलने की कोशिश करती है, तो वे कंपनी B की बोली के कारण हार जाएँगी।
सर्वश्रेष्ठ रणनीति: कंपनी के जीतने और लाभ कमाने का एकमात्र तरीका समस्या को हल करने का सबसे कुशल (most efficient) तरीका खोजना है (सोचने की सही मात्रा) जो सबसे अच्छा मूल्य प्रदान करे। उन्हें "अत्यधिक सोचने" से रुकने के लिए मजबूर किया जाता है क्योंकि इससे उन्हें पैसा खर्च करना पड़ता है लेकिन इससे उन्हें जीतने में मदद नहीं मिलती।

परिणाम: प्रयोगों ने क्या दिखाया

लेखकों ने वास्तविक AI मॉडल (जैसे Llama और Qwen) का गणित और विज्ञान की समस्याओं पर इस विचार का परीक्षण किया।

वर्तमान बाज़ार बेकार है: सामान्य "पे-पर-टोकन" बाज़ार में, उन्होंने पाया कि सिस्टम 19% तक अक्षम था। इसका मतलब है कि हम लगभग 20% पैसा और कंप्यूटिंग शक्ति बर्बाद कर रहे थे क्योंकि कंपनियाँ केवल कुछ अतिरिक्त डॉलर कमाने के लिए बहुत अधिक "सोचने" का विकल्प चुन रही थीं।
ऑक्शन ने इसे ठीक किया: जब उन्होंने अपने ऑक्शन का अनुकरण (simulate) किया, तो अक्षमता घटकर शून्य हो गई। AI कंपनियों ने स्वचालित रूप से समस्या को कुशलतापूर्वक हल करने के लिए "सोचने" की एकदम सही मात्रा चुनी।
कौन जीतता है?
- उपयोगकर्ता: बहुत बेहतर मूल्य प्राप्त करते हैं। वे कम भुगतान करते हैं और उन्हें ऐसे उत्तर मिलते हैं जो उतने ही अच्छे (या बेहतर) होते हैं।
- प्रदाता: यह मिला-जुला परिणाम है। कुछ कंपनियाँ कम पैसा कमा सकती हैं क्योंकि वे अब अधिक शुल्क नहीं ले सकतीं, लेकिन अन्य अधिक कमा सकती हैं क्योंकि वे अंततः केवल लागत बढ़ाकर नहीं, बल्कि दक्षता पर निष्पक्ष रूप से प्रतिस्पर्धा कर सकती हैं।

सारांश उपमा (Summary Analogy)

वर्तमान प्रणाली: एक ऐसे रेस्तरां की तरह जहाँ शेफ को हर सामग्री काटने के लिए भुगतान किया जाता है। वे आपको अधिक शुल्क लगाने के लिए प्याज को धूल में पीस देंगे, भले ही आपको केवल उन्हें स्लाइस में काटने की आवश्यकता थी।
प्रस्तावित प्रणाली: एक ऐसे रेस्तरां की तरह जहाँ शेफ को एक निश्चित कीमत पर भुगतान किया जाता है जो पड़ोसी रेस्तरां द्वारा उसी व्यंजन के लिए ली जाने वाली कीमत पर आधारित होती है। शेफ अब कुशलता से प्याज काटने के लिए मजबूर है। यदि वे उन्हें बहुत बारीक काटते हैं, तो वे समय और पैसा बर्बाद करते हैं लेकिन उन्हें अतिरिक्त भुगतान नहीं मिलता। यदि वे उन्हें बहुत मोटा काटते हैं, तो वे ग्राहक खो देते हैं। वे बीच का सही रास्ता खोज लेते हैं।

पेपर निष्कर्ष निकालता है कि खेल के नियमों (भुगतान तंत्र) को बदलकर, हम AI कंपनियों को संसाधनों को बर्बाद करने से रोक सकते हैं और यह सुनिश्चित कर सकते हैं कि उनके द्वारा की जाने वाली "सोच" वास्तव में उपयोगकर्ता की मदद करती है।

तकनीकी सारांश: टेस्ट-टाइम कंप्यूट गेम्स (Test-Time Compute Games)

समस्या विवरण (Problem Statement)

सर्विस के रूप में लार्ज लैंग्वेज मॉडल्स (LLMs) को तेजी से अपनाए जाने से एक ऐसा बाजार बन गया है जहाँ उपयोगकर्ता क्लाउड प्रदाताओं को उनके द्वारा उपभोग किए गए कंप्यूटेशनल संसाधनों के लिए भुगतान करते हैं। इस लागत का एक महत्वपूर्ण चालक टेस्ट-टाइम कंप्यूट (TTC) है—इन्फरेंस के समय की जाने वाली अतिरिक्त गणनाएं (जैसे, चेन-ऑफ-थॉट, ट्री-ऑफ-थॉट, बेस्ट-ऑफ-एन सैंपलिंग) जो मॉडल के प्रदर्शन को बढ़ाने के लिए की जाती हैं। जबकि TTC आउटपुट की गुणवत्ता में सुधार करता है, प्रदाता वर्तमान में उत्पन्न होने वाले सभी टोकन के लिए उपयोगकर्ताओं से शुल्क लेते हैं, जिसमें मध्यवर्ती तर्क (reasoning) चरण भी शामिल हैं।

यह शोध एक मौलिक बाजार अक्षमता की पहचान करता है: प्रदाताओं के पास अपने स्वयं के लाभ को अधिकतम करने के लिए किसी क्वेरी के लिए आवंटित किए जाने वाले TTC की मात्रा को बढ़ाने का वित्तीय प्रोत्साहन होता है, भले ही आउटपुट गुणवत्ता में आनुपातिक लाभ नगण्य हो या अतिरिक्त कंप्यूट, लागत और गुणवत्ता के बीच सामाजिक रूप से इष्टतम संतुलन के अनुरूप न हो। एक प्रतिस्पर्धी बाजार में जहाँ उपयोगकर्ता मूल्य (गुणवत्ता घटा कीमत) के आधार पर प्रदाताओं का चयन करते हैं, प्रदाता खुद को अलग करने या बाजार हिस्सेदारी हासिल करने के लिए रणनीतिक रूप से कंप्यूट का अधिक प्रावधान कर सकते हैं, जिससे सामाजिक कल्याण के दृष्टिकोण से संसाधनों का उपभोग उप-इष्टतम (suboptimal) हो जाता है।

कार्यप्रणाली (Methodology)

लेखक LLM-एज़-अ-सर्विस बाजार को $N$ प्रदाताओं के बीच एक नॉर्मल-फॉर्म गेम (normal-form game) के रूप में औपचारिक रूप देते हैं जो उपयोगकर्ता की मांग के लिए प्रतिस्पर्धा कर रहे हैं।

गेम-थ्योरेटिक मॉडल (Game-Theoretic Model)

खिलाड़ी (Players): $N$ प्रदाता, जिनमें से प्रत्येक एक प्री-ट्रेन्ड LLM की सेवा करता है।
रणनीतियाँ (Strategies): प्रत्येक प्रदाता $i$ , $\Theta$ के एक सीमित सेट से टेस्ट-टाइम कंप्यूट का स्तर $\theta_i$ चुनता है। यह स्तर औसत आउटपुट गुणवत्ता $q_i(\theta_i)$ और जनरेशन लागत $c_i(\theta_i)$ को निर्धारित करता है।
मूल्य निर्धारण (Pricing): प्रदाता जनरेशन लागत के आनुपातिक रूप से (लाभ मार्जिन के साथ) कीमतें $p_i(\theta_i)$ निर्धारित करते हैं।
उपयोगकर्ता उपयोगिता (User Utility): उपयोगकर्ता मूल्य $V_i(\theta_i) = q_i(\theta_i) - p_i(\theta_i)$ प्राप्त करते हैं।
बाजार आवंटन (Market Allocation): उपयोगकर्ता दिए गए मूल्य के आधार पर मांग को वितरित करते हैं। शोध पत्र दो बाजार हिस्सेदारी कार्यों पर विचार करता है:
1. पूर्ण तर्कसंगतता (Perfect Rationality): उपयोगकर्ता हमेशा उच्चतम मूल्य वाले प्रदाता का चयन करते हैं।
2. सीमित तर्कसंगतता (Bounded Rationality): उपयोगकर्ता मूल्य के आधार पर संभाव्यता (प्रोबेबिलिटी) के आधार पर प्रदाताओं का चयन करते हैं (लॉगिट/सॉफ्टमैक्स चॉइस), जिसे एक तर्कसंगतता पैरामीटर $\beta$ द्वारा नियंत्रित किया जाता है।
प्रदाता उपयोगिता (Provider Utility): बाजार हिस्सेदारी और लाभ मार्जिन $(p_i - c_i)$ के गुणनफल के रूप में परिभाषित की जाती है।

सैद्धांतिक विश्लेषण (Theoretical Analysis)

लेखक इस खेल के नैश इक्विलिब्रियम (Nash Equilibrium) का विश्लेषण करते हैं। वे सिद्ध करते हैं कि यह खेल एक सामान्यीकृत ऑर्डिनल पोटेंशियल गेम (generalized ordinal potential game) है, जो एक शुद्ध नैश इक्विलिब्रियम के अस्तित्व और बेहतर-रिस्पॉन्स डायनेमिक्स के माध्यम से अभिसरण (convergence) की गारंटी देता है। वे इक्विलिब्रियम कंप्यूट स्तरों को स्पष्ट करते हैं और प्रदर्शित करते हैं कि, सामान्यतः, इक्विलिब्रियम सामाजिक रूप से इष्टतम नहीं होता है। सामाजिक कल्याण के अधिकतम संभव मान और इक्विलिब्रियम पर प्राप्त कल्याण के बीच के अनुपात को मापने के लिए प्राइस ऑफ एनार्की (Price of Anarchy - PoA) का उपयोग किया जाता है।

प्रस्तावित तंत्र (Proposed Mechanism)

इस अक्षमता को दूर करने के लिए, शोध पत्र एक रिवर्स सेकंड-प्राइस ऑक्शन मैकेनिज्म (reverse second-price auction mechanism) का प्रस्ताव करता है:

प्रक्रिया: उपयोगकर्ता एक कार्य प्रस्तुत करते हैं; प्रदाता अनुमानित गुणवत्ता और कीमत का प्रतिनिधित्व करने वाले जोड़े $(q_i, p_i)$ के साथ एक साथ बोली लगाते हैं।
आवंटन: उच्चतम मूल्य ( $q_i - p_i$ ) प्रदान करने वाला प्रदाता जीत जाता है।
भुगतान नियम: विजेता प्रदाता को दूसरे उच्चतम बोली लगाने वाले के प्रस्ताव द्वारा निर्धारित राशि दी जाती है, विशेष रूप से $P = q_{winner} - V_{second\_best}$ ।
प्रोत्साहन संरेखण (Incentive Alignment): लेखक सिद्ध करते हैं कि इस तंत्र के तहत, व्यक्तिगत योगदान को अधिकतम करने वाले कंप्यूट स्तर का चयन करना ( $\theta^*_i = \arg\max_\theta (q_i(\theta) - c_i(\theta))$ ) और जनरेशन लागत की बोली लगाना एक डोमिनेंट स्ट्रैटेजी (dominant strategy) है। यह सुनिश्चित करता है कि नीलामी का परिणाम अधिकतम संभव सामाजिक कल्याण प्राप्त करता है (PoA = 1)।

मुख्य योगदान (Key Contributions)

गेम-थ्योरेटिक मॉडलिंग: शोध पत्र "टेस्ट-टाइम कंप्यूट गेम्स" को पेश करता है, जो सर्विस मार्केट में कंप्यूट आवंटन के संबंध में LLM प्रदाताओं के बीच रणनीतिक इंटरैक्शन को मॉडल करता है।
अक्षमता का लक्षण वर्णन: यह औपचारिक रूप से प्रदर्शित करता है कि एक मानक पे-फॉर-कंप्यूट मार्केट में, प्रदाताओं को ऐसे कंप्यूट स्तर चुनने के लिए प्रोत्साहित किया जाता है जो सामाजिक रूप से इष्टतम नहीं हैं, जिससे 'प्राइस ऑफ एनार्की' 1 से अधिक हो जाता है।
नीलामी तंत्र डिजाइन: यह एक रिवर्स सेकंड-प्राइस ऑक्शन का प्रस्ताव करता है जहाँ प्रदाता गुणवत्ता और कीमत पर बोली लगाते हैं। सैद्धांतिक विश्लेषण दिखाता है कि यह तंत्र सामाजिक कल्याण के अधिकतमकरण के साथ प्रदाता प्रोत्साहनों को संरेखित करके सामाजिक इष्टतमता की गारंटी देता है।
अनुभवजन्य सत्यापन (Empirical Validation): लेखक सैद्धांतिक निष्कर्षों को मान्य करने के लिए Llama, Qwen और DeepSeek-R1 परिवारों के मॉडल्स का उपयोग करके विस्तृत प्रयोग (datasets: GSM8K, GPQA, AIME, TruthfulQA) संचालित करते हैं।

प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग टेस्ट-टाइम कंप्यूट गेम्स के डायनेमिक्स का अनुकरण करते हैं और प्रस्तावित ऑक्शन मैकेनिज्म के विरुद्ध तुलना करते हैं।

बाजार अक्षमता: मानक मार्केट गेम में, नॉन-रीजनिंग मॉडल्स के लिए प्राइस ऑफ एनार्की 1.19 (सामाजिक कल्याण में 19% की हानि) तक पाया गया और रीजनिंग मॉडल्स के लिए लगभग 1.006 था। यह पुष्टि करता है कि प्रतिस्पर्धा स्वाभाविक रूप से सामाजिक इष्टतमता की ओर नहीं ले जाती है।
अभिसरण (Convergence): प्रदाताओं के बेहतर-रिस्पॉन्स डायनेमिक्स के नैश इक्विलिब्रियम की ओर अभिसरण को परिमित पुनरावृत्तियों (जैसे, नॉन-रीजनिंग मॉडल्स के लिए 44 पुनरावृत्तियाँ) के भीतर स्थिर होते हुए देखा गया।
ऑक्शन प्रदर्शन: जब प्रस्तावित ऑक्शन मैकेनिज्म लागू किया गया:
- सामाजिक कल्याण (Social Welfare): गेम इक्विलिब्रियम की तुलना में नॉन-रीजनिंग मॉडल्स के लिए 25% और रीजनिंग मॉडल्स के लिए 4% बढ़ गया।
- उपयोगकर्ता मूल्य (User Value): नॉन-रीजनिंग मॉडल्स के लिए 29% और रीजनिंग मॉडल्स के लिए 2.8% बढ़ गया।
- प्रदाता उपयोगिता (Provider Utility): यह काफी भिन्न रही; कुछ मामलों में, प्रदाता उपयोगिता कम हुई (जैसे, नॉन-रीजनिंग मॉडल्स के लिए -28%), जबकि अन्य में यह काफी बढ़ गई (जैसे, रीजनिंग मॉडल्स के लिए +200%), जो बाजार की प्रतिस्पर्धात्मकता पर निर्भर करता है।

महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि यह प्रदर्शित करने वाला यह पहला मामला है कि LLM-एज़-अ-सर्विस मार्केट में, प्रदाताओं के पास उपयोग किए जाने वाले टेस्ट-टाइम कंप्यूट की मात्रा को रणनीतिक रूप से तय करने का प्रोत्साहन होता है, और यह रणनीतिक व्यवहार सामाजिक अक्षमता की ओर ले जाता है।

इस कार्य का महत्व इस प्रकार है:

आर्थिक अंतर्दृष्टि: यह TTC विधियों के विशुद्ध तकनीकी प्रदर्शन से ध्यान हटाकर उनके आर्थिक निहितार्थों पर केंद्रित करता है, यह उजागर करता है कि वर्तमान मूल्य निर्धारण मॉडल व्यर्थ गणना को बढ़ावा दे सकते हैं।
तंत्र डिजाइन (Mechanism Design): यह एक ठोस, सैद्धांतिक रूप से आधारित विकल्प (रिवर्स सेकंड-प्राइस ऑक्शन) प्रदान करता है जो प्रदाता प्रोत्साहनों को सामाजिक कल्याण के साथ संरेखित कर सकता है, जिससे कंप्यूट संसाधनों का कुशल आवंटन सुनिश्चित होता है।
व्यावहारिक प्रासंगिकता: निष्कर्ष बताते हैं कि तंत्र डिजाइन हस्तक्षेपों के बिना, टेस्ट-टाइम कंप्यूट पर बढ़ती निर्भरता प्रतिस्पर्धी बाजारों में भी उपयोगकर्ताओं और समाज दोनों के लिए उप-इष्टतम परिणाम उत्पन्न कर सकती है।

लेखक अपने ऑक्शन के तत्काल कार्यान्वयन के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि यह मॉडल की गुणवत्ता को सत्यापित करने की प्लेटफार्मों की क्षमता पर निर्भर करता है और अपनाने के प्रोत्साहन इस बात पर निर्भर करते हैं कि प्रदाताओं के लिए उपयोगिता कैसे बदलती है। वे अपने कार्य को जेनरेटिव AI के लिए वैकल्पिक बाजार संरचनाओं की खोज की दिशा में एक कदम के रूप में देखते हैं जो सामाजिक कल्याण को प्राथमिकता देते हैं।