FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents
FS-Researcher एक फ़ाइल-सिस्टम-आधारित ड्यूल-एजेंट फ्रेमवर्क है जो प्रभावी टेस्ट-टाइम स्केलिंग को सक्षम करने के लिए एक निरंतर बाहरी मेमोरी का उपयोग करके लॉन्ग-होरिज़ॅन रिसर्च कार्यों में कॉन्टेक्स्ट विंडो की सीमाओं को दूर करता है, जिससे विभिन्न बैकबोन मॉडल्स में स्टेट-ऑफ-द-आर्ट रिपोर्ट गुणवत्ता प्राप्त 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 प्रतिभाशाली जासूस हैं जिसे एक विशाल, जटिल रहस्य को सुलझाने के लिए काम पर रखा गया है। आपके पास एक सुपर-स्मार्ट सहायक (AI) है जो किताबें पढ़ सकता है और लोगों से बात कर सकता है, लेकिन एक पेच है: आपके सहायक की अल्पकालिक स्मृति (short-term memory) बहुत कम है।
यदि रहस्य छोटा है, तो आपका सहायक सब कुछ याद रख सकता है। लेकिन यदि मामले में 500 वेबसाइटों को पढ़ना, 50 विशेषज्ञों का साक्षात्कार लेना और 100 पन्नों की रिपोर्ट लिखना शामिल है, तो आपके सहायक का दिमाग भर जाता है। वे पाँच मिनट पहले जो पढ़ा था उसे भूलने लगते हैं, या वे अभिभूत होकर हार मान लेते हैं। यही वर्तमान AI "शोधकर्ताओं" (researchers) के साथ समस्या है। वे अपना "मानसिक स्थान" (context window) पूरा करने से पहले ही खत्म कर देते हैं।
पेश है "FS-Researcher": एक अनंत फाइलिंग कैबिनेट वाला जासूस।
यह पेपर AI को गहन शोध करने में मदद करने का एक नया तरीका पेश करता है। AI को सब कुछ अपने दिमाग में याद रखने के लिए मजबूर करने के बजाय, शोधकर्ताओं ने इसे एक डिजिटल फाइलिंग कैबिनेट (एक फाइल सिस्टम) दिया है जो कभी खत्म नहीं होता।
यह कैसे काम करता है, यहाँ सरल कहानी के माध्यम से समझाया गया है:
दो अंकों वाला नाटक (The Two-Act Play)
यह सिस्टम दो अलग-अलग AI "पात्रों" का उपयोग करता है जो एक भौतिक फोल्डर को आपस में इधर-उधर पास करते हुए मिलकर काम करते हैं।
अंक 1: लाइब्रेरियन (The "Context Builder")
एक सुपर-व्यवस्थित लाइब्रेरियन की कल्पना करें। उनका एकमात्र काम अराजक इंटरनेट में जाना, सुराग ढूंढना, लेख पढ़ना और नोट्स लेना है।
- पुराना तरीका: लाइब्रेरियन हर तथ्य को याद रखने की कोशिश करता और उन्हें एक साथ चिल्लाकर बोल देता। अंततः, वे भ्रमित हो जाते और कहानी की शुरुआत भूल जाते।
- FS-Researcher का तरीका: लाइब्रेरियन कुछ भी याद नहीं रखता। इसके बजाय, वे एक फाइलिंग कैबिनेट खोलते हैं।
- वे "बीमा कंपनी A" के बारे में एक दस्तावेज़ पाते हैं। वे इसे पढ़ते हैं, मुख्य बिंदुओं का सारांश निकालते हैं, और इसे "कंपनी A" लेबल वाले फोल्डर में फाइल कर देते हैं।
- वे "ग्लोबल ट्रेंड्स" के बारे में एक दस्तावेज़ पाते हैं। वे उसका सारांश निकालते हैं और उसे "ट्रेंड्स" फोल्डर में फाइल करते हैं।
- वे घंटों, दिनों या हफ्तों तक ऐसा करते रहते हैं। कैबिनेट बहुत बड़ा हो जाता है, लेकिन लाइब्रेरियन का दिमाग ताजा रहता है क्योंकि उन्हें केवल उस वर्तमान फोल्डर को याद रखने की आवश्यकता होती है जिसे वे देख रहे हैं।
- वे अपने डेस्क पर एक "टू-डू लिस्ट" (To-Do List) भी रखते हैं ताकि वे ट्रैक कर सकें कि उन्होंने क्या किया है और क्या बाकी है।
अंक 2: लेखक (The "Report Writer")
एक बार जब लाइब्रेरियन कहता है, "कैबिनेट भर गया है और व्यवस्थित है," तो लेखक काम संभाल लेता है।
- लेखक इंटरनेट को कभी नहीं देखता। वे केवल फाइलिंग कैबिनेट को देखते हैं।
- उन्हें "वित्तीय मजबूती" (Financial Strength) पर एक अध्याय लिखना है। वे "वित्तीय मजबूती" वाला फोल्डर खोलते हैं, लाइब्रेरियन द्वारा लिखे गए विशिष्ट नोट्स पढ़ते हैं, और उस अनुभाग का मसौदा तैयार करते हैं।
- फिर वे उस फोल्डर को बंद करते हैं, "ग्रोथ" (Growth) फोल्डर खोलते हैं, और अगला अनुभाग लिखते हैं।
- क्योंकि वे एक बार में केवल एक छोटे फोल्डर को देख रहे होते हैं, वे कभी भी अभिभूत नहीं होते। वे कैबिनेट के नोट्स को एक-एक करके जोड़कर एक बेहतरीन, लंबी रिपोर्ट लिख सकते हैं।
यह क्यों एक गेम-चेंजर है
1. "अनंत" स्मृति (The "Infinite" Memory)
वर्तमान AI एक ऐसे व्यक्ति की तरह है जो पूरी लाइब्रेरी को अपने हाथों में पकड़ने की कोशिश कर रहा है। यदि लाइब्रेरी बहुत बड़ी है, तो वे किताबें गिरा देते हैं। FS-Researcher एक विशाल गोदाम वाले व्यक्ति की तरह है। वे जितना चाहें उतना डेटा स्टोर कर सकते हैं, और जब भी उन्हें आवश्यकता हो, वे एक विशिष्ट पुस्तक लेने के लिए गोदाम में वापस जा सकते हैं।
2. "भूलना" अब कोई समस्या नहीं (No More "Forgetting")
पुराने सिस्टम में, यदि AI को 100 पन्ने पढ़ने होते थे, तो हो सकता है कि पेज 100 तक पहुँचते-पहुँचते वह पहले 50 पन्ने भूल जाए। फाइलिंग कैबिनेट के साथ, AI वापस जा सकता है, पेज 1 के नोट्स को फिर से पढ़ सकता है, और यह सुनिश्चित कर सकता है कि अंतिम रिपोर्ट पूरी तरह से सुसंगत है।
3. "टेस्ट-टाइम स्केलिंग" का रहस्य (The "Test-Time Scaling" Secret)
पेपर में एक दिलचस्प बात पता चली: आप लाइब्रेरियन को जितना अधिक समय काम करने देंगे, अंतिम रिपोर्ट उतनी ही बेहतर होगी।
- यदि आप लाइब्रेरियन को कैबिनेट भरने के लिए 3 घंटे देते हैं, तो रिपोर्ट अच्छी होती है।
- यदि आप उन्हें 10 घंटे देते हैं, तो कैबिनेट अधिक भरा हुआ होता है, नोट्स अधिक विस्तृत होते हैं, और लेखक एक उत्कृष्ट कृति (masterpiece) तैयार करता है।
- यह साबित करता है कि आप AI को केवल एक "स्मार्टर ब्रेन" बनाकर ही नहीं, बल्कि उसे काम करने के लिए अधिक समय और एक बेहतर कार्यक्षेत्र देकर भी स्मार्ट बना सकते हैं।
परिणाम
शोधकर्ताओं ने कठिन सवालों (जैसे "शीर्ष 10 बीमा कंपनियों की तुलना करें और भविष्यवाणी करें कि चीन में कौन जीतेगा") पर इसका परीक्षण किया।
- पुराना AI: अक्सर हार मान लेता था, मुख्य तथ्यों को छोड़ देता था, या उथली (shallow) रिपोर्ट लिखता था।
- FS-Researcher: ऐसी रिपोर्ट तैयार करता था जो अन्य लगभग सभी सिस्टमों (यहाँ तक कि सबसे महंगे AI मॉडलों भी) की तुलना में अधिक गहरी, सटीक और बेहतर उद्धृत (cited) थीं।
संक्षेप में
FS-Researcher को AI को एक स्थायी नोटबुक और एक लाइब्रेरी कार्ड देने के रूप में समझें। पूरी दुनिया को अपने दिमाग में रखने के बजाय, यह एक व्यक्तिगत लाइब्रेरी बनाता है, उसे पूरी तरह से व्यवस्थित करता है, और फिर उस लाइब्रेरी का उपयोग करके अपनी रिपोर्ट लिखता है। यह "अल्पकालिक स्मृति" की समस्या को "दीर्घकालिक संगठन" के समाधान में बदल देता 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।