-Reader: Dual Evolving Graphs for Multimodal Document QA
-Reader एक ड्यूल-ग्राफ सिस्टम पेश करके मल्टीमॉडल लॉन्ग-डॉक्यूमेंट QA में रिट्रीवल-ऑगमेंटेड जनरेशन की भंगुरता को संबोधित करता है, जो मूल दस्तावेज़ संरचना को संरक्षित करने के लिए एक कंटेंट ग्राफ को विकसित करता है और पुनरावृत्ति साक्ष्य संग्रह को निर्देशित करने के लिए एक प्लानिंग ग्राफ को विकसित करता है, जिससे VisDoMBench पर अत्याधुनिक प्रदर्शन प्राप्त होता 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 विशाल, 500 पन्नों के रहस्यमयी उपन्यास को सुलझाने की कोशिश कर रहे हैं, जो टेक्स्ट, चार्ट, फोटो और हस्तलिखित नोट्स के मिश्रण से लिखा गया है। आप एक विशेषज्ञ जासूस (AI) हैं, लेकिन आपकी याददाश्त बहुत कम है: आप एक बार में केवल लगभग 10 पन्ने ही अपने दिमाग में रख सकते हैं।
यह वह समस्या है जिसे पेपर Multimodal Document QA (प्रश्न-उत्तर) कहता है। वर्तमान AI सिस्टम इस समस्या को हल करने के लिए दस्तावेज़ को छोटे, सपाट टुकड़ों में काटने की कोशिश करते हैं (जैसे किसी पहेली को व्यक्तिगत चौकोर टुकड़ों में काटना) और सही टुकड़ों की तलाश करते हैं। समस्या यह है कि यह तस्वीर को नष्ट कर देता है। एक चार्ट अपने कैप्शन से अलग हो जाता है; एक ग्राफ उस पैराग्राफ से अलग हो जाता है जो उसे समझा रहा है। AI के पास "सिमेंटिक फ्रैगमेंट्स" (अर्थपूर्ण खंड) रह जाते हैं—पहेली के ऐसे टुकड़े जिनका अकेले में कोई अर्थ नहीं निकलता।
इसके अलावा, यदि AI एक प्रश्न पूछता है और उसे आंशिक उत्तर मिलता है, तो वह अक्सर एक लूप में फंस जाता है, बार-बार उन्हीं अप्रासंगिक पन्नों की खोज करता रहता है, या बिना किसी "बड़ी तस्वीर" वाले मानचित्र के, यह जाने बिना कि वह कहाँ से आया है, असंबंधित अनुभागों में भटक जाता है।
G2-Reader एक नया सिस्टम है जिसे इसे ठीक करने के लिए डिज़ाइन किया गया है। लेखक एक समाधान प्रस्तावित करते हैं जो दो विकसित होते ग्राफ्स (सोचिए कि वे दो अलग-अलग प्रकार के मानचित्र हैं) का उपयोग करता है जो एक साथ काम करते हैं।
1. कंटेंट ग्राफ (Content Graph): द "लिविंग एनसाइक्लोपीडिया"
दस्तावेज़ को सपाट टुकड़ों में काटने के बजाय, G2-Reader एक कंटेंट ग्राफ बनाता है।
- उपमा: कल्पना कीजिए कि दस्तावेज़ कागजों का ढेर नहीं, बल्कि एक शहर है।
- नोड्स (इमारतें): प्रत्येक पैराग्राफ, तालिका या आकृति एक इमारत है।
- एजेस (सड़कें): उनके बीच के संबंध सड़कें हैं। एक कैप्शन एक चित्र से जुड़ने वाली सड़क है; एक संदर्भ पिछले पैराग्राफ से जुड़ने वाली सड़क है।
- जादू (विकास): पुराने सिस्टम में, ये सड़कें केवल भौतिक निकटता (क्या चीज़ किसके बगल में है) पर आधारित होती हैं। G2-Reader में, सिस्टम एक सिटी प्लानर (नगर नियोजक) की तरह काम करता है जो सड़कों पर चलता रहता है। वह पूछता है, "क्या यह इमारत वास्तव में उस दूसरी इमारत से संबंधित है?"
- यदि अध्याय 1 का एक चार्ट अध्याय 5 के एक ग्राफ की व्याख्या करता है, तो प्लानर उनके बीच एक नई, अदृश्य सड़क बनाता है।
- यह इमारतों के "साइनबोर्ड" (सारांश) को उनके पड़ोसियों से संदर्भ शामिल करके अपडेट करता है।
- परिणाम: AI केवल एक तैरते हुए चार्ट को नहीं देखता; वह एक ऐसा चार्ट देखता है जो उस कहानी से जुड़ा है जो वह सुना रहा है। यह दस्तावेज़ की "नेटिव संरचना" को सुरक्षित रखता है।
2. प्लानिंग ग्राफ (Planning Graph): द "एजेंटिक डिटेक्टिव्स नोटबुक"
एक बार जब शहर का मानचित्र बन जाता है, तो AI को विशिष्ट प्रश्न को हल करने की आवश्यकता होती है। यहीं पर प्लानिंग ग्राफ काम आता है।
- उपमा: कल्पना कीजिए कि एक जासूस एक जटिल केस को सुलझाने की कोशिश कर रहा है। केवल अनुमान लगाने के बजाय, वह एक नोटबुक में उप-प्रश्नों का फ्लोचार्ट लिखता है।
- रूट (मूल): मुख्य प्रश्न ("कुकी किसने चुराई?")।
- ब्रांचेस (शाखाएं): छोटे प्रश्न ("क्या बटलर कमरे में आया था?" "क्या कुकी जार खुला था?")।
- जादू (डायनेमिक रीप्लानिंग):
- AI एक एजेंट के रूप में कार्य करता है। वह फ्लोचार्ट का पालन करता है, प्रत्येक उप-प्रश्न के लिए साक्ष्य खोजने हेतु "कंटेंट ग्राफ" (शहर) की जाँच करता है।
- "एविडेंस चेकर" (साक्ष्य परीक्षक): सबूत इकट्ठा करने के बाद, सिस्टम का एक विशेष हिस्सा एक क्वालिटी कंट्रोल इंस्पेक्टर की तरह कार्य करता है। वह नोटबुक को देखता है और पूछता है, "क्या हमारे पास मुख्य केस को सुलझाने के लिए पर्याप्त सबूत हैं?"
- "रीप्लान" (पुनर्योजना): यदि इंस्पेक्टर कहता है, "नहीं, हमारे पास बटलर के अलबी (बहाना) के बारे में डेटा गायब है," तो सिस्टम केवल अनुमान नहीं लगाता। वह फ्लोचार्ट को फिर से लिखता है। वह गायब अलबी को खोजने के लिए नोटबुक में एक नई शाखा जोड़ता है।
- परिणाम: AI कभी भी लूप में नहीं फंसता। उसके पास जो वह जानता है और जो उसे अभी भी खोजना है, इसका एक स्थायी मेमोरी (स्मृति) होता है, जो उसे चरण-दर-चरण उत्तर तक निर्देशित करता है।
वे एक साथ कैसे काम करते हैं
सोचिए कि कंटेंट ग्राफ एक लाइब्रेरी है (जहाँ किताबें क्रॉस-रेफरेंस के साथ व्यवस्थित हैं) और प्लानिंग ग्राफ एक लाइब्रेरियन की रणनीति है (सही किताबें खोजने के लिए एक चरण-दर-चरण योजना)।
- लाइब्रेरियन (प्लानिंग ग्राफ) बड़े प्रश्न को छोटे कार्यों में तोड़ता है।
- प्रत्येक कार्य के लिए, वे लाइब्रेरी (कंटेंट ग्राफ) में जाते हैं। क्योंकि लाइब्रेरी "जीवित" कनेक्शनों के साथ व्यवस्थित है, वे तुरंत संबंधित टेक्स्ट, टेबल और इमेज के सटीक क्लस्टर को ढूंढ लेते हैं।
- यदि लाइब्रेरियन को एहसास होता है कि वह कोई सुराग छोड़ गया है, तो वह केवल भटकता नहीं है; वह अपनी रणनीति मानचित्र को अपडेट करता है और उस विशिष्ट लापता हिस्से को खोजने के लिए लाइब्रेरी में वापस जाता है।
परिणाम
लेखकों ने इस सिस्टम का परीक्षण VisDoMBench नामक बेंचमार्क पर किया, जिसमें स्लाइड्स, वैज्ञानिक शोध पत्रों और तालिकाओं के बारे में कठिन प्रश्न शामिल हैं।
- उन्होंने "दिमाग" के रूप में एक ओपन-सोर्स AI मॉडल (Qwen3-VL-32B) का उपयोग किया।
- परिणाम: G2-Reader ने 66.21% सटीकता हासिल की।
- तुलना: इसने अकेले काम करने वाले सर्वश्रेष्ठ ओपन-सोर्स मॉडलों (29.90%) को पछाड़ दिया और यहाँ तक कि एक विशाल, प्रोप्रायटरी "सुपर-मॉडल" (GPT-5) को भी मात दी, जिसका स्कोर केवल 53.08% था।
मुख्य बात (Takeaway)
पेपर का दावा है कि जटिल, बहु-पृष्ठीय दस्तावेज़ों के लिए जिनमें चित्र और तालिकाएं हैं, कच्ची शक्ति (raw power) से अधिक महत्वपूर्ण संरचना (structure) है। AI को दस्तावेज़ का एक संरचित मानचित्र (कंटेंट ग्राफ) और उसे खोजने के लिए एक गतिशील योजना (प्लानिंग ग्राफ) देकर, एक छोटा, ओपन-सोर्स AI उन बहुत बड़े, "कम बुद्धिमान" सिस्टमों से बेहतर प्रदर्शन कर सकता है जो बस सब कुछ एक साथ पढ़ने की कोशिश करते हैं।
पेपर यह दावा नहीं करता है कि यह चिकित्सा निदान या कानूनी अदालतों के लिए तैयार है; यह केवल यह सिद्ध करता है कि यह "ड्यूल-ग्राफ" आर्किटेक्चर जटिल दस्तावेज़ों को पढ़ने और उन पर तर्क करने का एक श्रेष्ठ तरीका 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।