🤖 AI

Infinite-World: Scaling Interactive World Models to 1000-Frame Horizons via Pose-Free Hierarchical Memory

यह शोध पत्र Infinite-World को प्रस्तुत करता है, जो एक सुदृढ़ इंटरैक्टिव वर्ल्ड मॉडल है जो शोर वाले पोज़ अनुमानों (pose estimations) और दृश्य दृष्टिकोण पुनरावृत्ति (viewpoint revisits) की कमी से उत्पन्न चुनौतियों को दूर करने के लिए एक पदानुक्रमित पोज़-मुक्त मेमोरी कंप्रेसर (hierarchical pose-free memory compressor), एक अनिश्चितता-जागरूक एक्शन लेबलिंग मॉड्यूल (uncertainty-aware action labeling module), और एक रीविज़िट-सघन फाइनट्यूनिंग रणनीति (revisit-dense finetuning strategy) का उपयोग करके वास्तविक दुनिया के वातावरण में सुसंगत 1000+ फ्रेम विजुअल जनरेशन प्राप्त करता है।

मूल लेखक: Ruiqi Wu, Xuanhua He, Meng Cheng, Tianyu Yang, Yong Zhang, Zhuoliang Kang, Xunliang Cai, Xiaoming Wei, Chunle Guo, Chongyi Li, Ming-Ming Cheng

प्रकाशित 2026-02-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ruiqi Wu, Xuanhua He, Meng Cheng, Tianyu Yang, Yong Zhang, Zhuoliang Kang, Xunliang Cai, Xiaoming Wei, Chunle Guo, Chongyi Li, Ming-Ming Cheng

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 वीडियो गेम खेल रहे हैं जहाँ आप एक कमरे में घूम सकते हैं, खिड़की से बाहर देख सकते हैं और कोनों को मुड़ सकते हैं। अधिकांश "वर्ल्ड मॉडल्स" (AI सिस्टम जो यह समझने की कोशिश करते हैं कि आपके चलने पर दुनिया कैसी दिखती है) एक अल्पकालिक स्मृति (short-term memory) उपकरण की तरह होते हैं। वे आपको कुछ सेकंड के लिए दिखा सकते हैं कि क्या होता है, लेकिन यदि आप लंबे समय तक, जैसे कि 1,000 कदम चलते हैं, तो वे भ्रमित होने लगते हैं। वे भूल सकते हैं कि दरवाजा कैसा दिखता था, या अचानक दीवारें गायब हो सकती हैं।

"Infinite-World" पेपर एक नया AI सिस्टम पेश करता है जिसे इस समस्या को हल करने के लिए डिज़ाइन किया गया है। यह बिना अपना मानसिक संतुलन खोए या कमरे के लेआउट को भूले बिना, 1,000 फ्रेम (लगभग 30-40 सेकंड का निरंतर वीडियो) से अधिक के लिए एक दुनिया का अनुकरण (simulate) कर सकता है।

उन्होंने इसे कैसे किया, यहाँ सरल उपमाओं के माध्यम से समझाया गया है:

1. समस्या: "धुंधला मानचित्र" और "थरथराता कैमरा"

वास्तविक दुनिया के वीडियो अव्यवस्थित होते हैं।

द जिटर (The Jitter): जब आप हैंडहेल्ड कैमरे से वीडियो शूट करते हैं, तो आपका हाथ हिलता है। AI को यह नहीं पता होता कि आपने कैमरा हिलाया या कैमरा बस थरथराया। यह AI को दुनिया को सटीक रूप से कैसे संचालित किया जाए, यह सिखाने में कठिन बनाता है।
मेमोरी की सीमा: अधिकांश AI हर उस फ्रेम को याद रखने की कोशिश करते हैं जो उन्होंने कभी देखा है। यदि आप उनसे 1,000 फ्रेम याद रखने के लिए कहते हैं, तो उनका "दिमाग" बहुत भर जाता है, और वे क्रैश हो जाते हैं या मतिभ्रम (hallucinating) करने लगते हैं (ऐसी चीजें बनाने लगते हैं जो वहां नहीं हैं)।

2. समाधान: तीन स्मार्ट तरकीबें

तरकीब A: "सारांश लिखने वाला लाइब्रेरियन" (Hierarchical Pose-Free Memory Compressor)

कल्पना कीजिए कि आप एक बहुत लंबी किताब पढ़ रहे हैं। यदि आप हर एक शब्द याद रखने की कोशिश करते हैं, तो आप अंत तक पहुँचते-पहुँचते शुरुआत भूल जाएंगे।

अन्य AI क्या करते हैं: वे पूरी किताब को मेज पर खुला रखने की कोशिश करते हैं। यह अव्यवस्थित और भारी हो जाता है।
Infinite-World क्या करता है: यह एक "सारांश लिखने वाले लाइब्रेरियन" का उपयोग करता है।
- अल्पकालिक (Short term): पिछले कुछ पन्नों के लिए, लाइब्रेरियन विवरणों को स्पष्ट रखता है।
- दीर्घकालिक (Long term): जैसे-जैसे आप पीछे जाते हैं, लाइब्रेरियन हर शब्द को याद रखना बंद कर देता है। इसके बजाय, वे पिछले अध्यायों का एक सारांश (summary) लिखते हैं।
- जादू: इस सारांश को एक निश्चित आकार में संकुचित (compress) किया जाता है। चाहे आपने 10 पन्ने पढ़े हों या 1,000, लाइब्रेरियन को अपनी जेब में केवल एक छोटा सा सारांश कार्ड रखने की आवश्यकता होती है। यह AI को कमरे का "सार" (कि खिड़की कहाँ है, डेस्क कहाँ है) याद रखने की अनुमति देता है, बिना डेटा से अभिभूत हुए। यह इसे बिना किसी GPS या कैमरा मैप (pose-free) के करता है; यह बस महत्वपूर्ण चीजों का सारांश बनाना सीख जाता है।

तरकीब B: गति के लिए "ट्रैफिक लाइट" (Uncertainty-Aware Action Labeling)

वास्तविक दुनिया का वीडियो डेटा शोर भरा होता है। कभी-कभी कैमरा इसलिए हिलता है क्योंकि आप चले थे; अन्य बार यह इसलिए हिलता है क्योंकि आपका हाथ हिला था।

समस्या: यदि आप एक कांपते हुए वीडियो के आधार पर AI को "बाएं चलें" सिखाते हैं, तो वह सीख सकता है कि "बाएं चलें" का अर्थ वास्तव में "कैमरे को हिलाना" है।
समाधान: लेखकों ने गति के लिए एक ट्रैफिक लाइट सिस्टम बनाया है:
- हरा (Go): गति स्पष्ट और मजबूत है। AI इसे एक वास्तविक क्रिया के रूप में सीखता है।
- लाल (Stop): गति बहुत छोटी या केवल शोर है। AI इसे अनदेखा कर देता है।
- पीला (Uncertain): गति धुंधली या भ्रमित करने वाली है। AI को अनुमान लगाने के लिए मजबूर करने के बजाय, सिस्टम इसे "अनिश्चित" के रूप में लेबल करता है और AI को बताता है, "इस विशिष्ट क्षण से न सीखें।"
- परिणाम: AI केवल स्पष्ट और मजबूत गतिविधियों से सीखता है, जिससे यह कैमरा शेक के कारण भ्रमित हुए बिना आपके नियंत्रणों पर प्रतिक्रिया देने में बहुत बेहतर हो जाता है।

तरकीब C: "अभ्यास सत्र" (Revisit-Dense Finetuning)

लेखकों ने महसूस किया कि AI को लंबा रास्ता याद रखने के लिए सिखाने के लिए, आपको लाखों घंटों के रैंडम वीडियो की आवश्यकता नहीं है। आपको एक विशिष्ट प्रकार के अभ्यास की आवश्यकता है।

अंतर्दृष्टि: यदि आप 10 मील सीधी रेखा में चलते हैं, तो आप कभी भी वहां नहीं देखते जहां से आपने शुरुआत की थी। लेकिन यदि आप एक घेरे में चलते हैं और वापस उसी स्थान पर आते हैं, तो आप दुनिया के आकार को सीखते हैं।
रणनीति: उन्होंने एक बहुत छोटे डेटासेट (केवल 30 मिनट लंबा) का उपयोग किया जहाँ कैमरा घेरे में घूमता था और बार-बार उन्हीं स्थानों पर वापस आता था। उन्होंने इसका उपयोग AI की दीर्घकालिक स्मृति को "जगाने" के लिए किया। यह एक छात्र को एक विशिष्ट अवधारणा पर त्वरित, केंद्रित क्विज़ देने जैसा है ताकि यह सुनिश्चित हो सके कि वे वास्तव में उसे समझते हैं, बजाय इसके कि उन्हें पूरी लाइब्रेरी की रैंडम किताबें पढ़ने के लिए कहा जाए।

परिणाम

जब आप इन तीनों तरकीबों को एक साथ रखते हैं, तो Infinite-World एक मास्टर स्टोरीटेलर बन जाता है।

यह आपको कमरे में लंबे समय तक घूमते हुए देख सकता है।
यह याद रखता है कि खिड़की बाईं ओर थी, भले ही आपने खिड़की के पास से गुजरने के बाद चक्कर लगाकर वापस आ गए हों।
यह आपके "बाएं चलें" कमांड पर सटीक रूप से प्रतिक्रिया देता है, भले ही प्रशिक्षण वीडियो थोड़ा हिलता हुआ (shaky) रहा हो।
यह यह सब बिना किसी सुपर-कंप्यूटर के डेटा को एक साथ अपनी मेमोरी में रखने के, कर सकता है।

संक्षेप में, उन्होंने एक ऐसा AI बनाया है जो बिना खोए, भूले या क्रैश हुए लंबे समय तक "दुनिया का अन्वेषण करने" का खेल खेल सकता है, जो स्मार्ट सारांशीकरण और अस्त-व्यस्त डेटा के सावधानीपूर्वक फ़िल्टरिंग का उपयोग करता है।

तकनीकी सारांश: इनफिनिट-वर्ल्ड (Infinite-World)

समस्या विवरण

मौजूदा इंटरैक्टिव वर्ल्ड मॉडल सिंथेटिक वातावरण (जैसे, Unreal Engine 5, GTA5) में उल्लेखनीय सफलता प्राप्त कर चुके हैं जहाँ सटीक ग्राउंड-ट्रुथ कैमरा पोज़ और युग्मित (paired) वीडियो-एक्शन डेटा उपलब्ध होता है। हालाँकि, इन मॉडलों को वास्तविक दुनिया के परिदृश्यों में स्थानांतरित करना तीन महत्वपूर्ण बाधाओं का सामना करता है:

अशुद्ध पोज़ और अविश्वसनीय नियंत्रण: वास्तविक दुनिया के वीडियो के लिए अनुमानित कैमरा एक्सट्रिंसिक्स (extrinsics) की आवश्यकता होती है, जो शोर (noise) और त्रुटियाँ पेश करते हैं, जिससे एक्शन-रिस्पॉन्स मैपिंग की सटीकता कम हो जाती है।
व्यूपॉइंट पुनरावृत्ति (Viewpoint Revisits) की कमी: प्राकृतिक वीडियो स्ट्रीम मुख्य रूप से रैखिक (linear) होती है, जिसमें वैश्विक ज्यामितिक संरचनाओं और दीर्घकालिक स्थानिक स्मृति (long-range spatial memory) को सीखने के लिए आवश्यक सघन "लूप-क्लोजर" (पिछले स्थानों पर वापस लौटना) का अभाव होता है।
कंप्यूटेशनल बाधाएं: मानक अटेंशन मैकेनिज्म अनुक्रम लंबाई के साथ द्विघाती ( $O(L^2)$ ) रूप से स्केल करते हैं, जिससे 1000+ फ्रेम का जेनरेशन कम्प्यूटेशनल रूप से निषेधात्मक हो जाता है। मौजूदा मेमोरी समाधान या तो रिट्रीवल के लिए त्रुटि-प्रवण पोज़ मेटाडेटा पर निर्भर करते हैं या सरल डाउनसैंपलिंग का उपयोग करते हैं जिससे सूचना का गंभीर नुकसान होता है।

कार्यप्रणाली (Methodology)

लेखक इनफिनिट-वर्ल्ड (Infinite-World) का प्रस्ताव करते हैं, जो एक सुदृढ़ इंटरैक्टिव वर्ल्ड मॉडल है जिसे कच्चे, अनक्यूरेटेड वास्तविक वीडियो का उपयोग करके 1000+ फ्रेम तक सुसंगत विज़ुअल मेमोरी बनाए रखने के लिए डिज़ाइन किया गया है। यह फ्रेमवर्क तीन मुख्य घटकों से बना है:

1. पोज़-मुक्त पदानुक्रमित मेमोरी कंप्रेसर (Hierarchical Pose-free Memory Compressor - HPMC)

कंप्यूटेशनल बाधा को दूर करने और स्पष्ट ज्यामितिक पूर्वग्रहों (geometric priors) की आवश्यकता को समाप्त करने के लिए, लेखक एक दो-चरणीय रिकर्सिव डिस्टिलेशन पाइपलाइन पेश करते हैं:

लोकल कंप्रेशन (Local Compression): अल्प-दूरी वाले अनुक्रमों के लिए, एक टेम्पोरल एनकोडर सीधे रॉ लेटेंट्स (raw latents) को संकुचित करता है, जिससे टेम्पोरल रेजोल्यूशन को $k=4$ के कारक से कम किया जाता है।
ग्लोबल कंप्रेशन (Global Compression): मेमोरी बजट से अधिक लंबे क्षितिज वाले अनुक्रमों के लिए, मॉडल एक एडेप्टिव स्लाइडिंग-विंडो मैकेनिज्म का उपयोग करता है। रॉ लेटेंट्स को ओवरलैपिंग चंक्स में विभाजित किया जाता है, स्थानीय रूप से संकुचित किया जाता है, और फिर एक एकीकृत वैश्विक प्रतिनिधित्व में रिकर्सिवली डिस्टिल किया जाता है।
संयुक्त अनुकूलन (Joint Optimization): कंप्रेसर को DiT (डिफ्यूजन ट्रांसफॉर्मर) बैकबोन के साथ एंड-टू-एंड प्रशिक्षित किया जाता है। यह मॉडल को बाहरी पोज़ मेटाडेटा के बिना भविष्य के संश्लेषण और लूप-क्लोजर के लिए किन ऐतिहासिक संकेतों (cues) का महत्व है, उन्हें स्वायत्त रूप से सीखने की अनुमति देता है, जिससे कुल अनुक्रम लंबाई की परवाह किए बिना एक सख्ती से सीमित मेमोरी फुटप्रिंट ( $T_{max}$ ) बना रहता है।

2. अनिश्चितता-जागरूक एक्शन लेबलिंग (Uncertainty-aware Action Labeling)

वास्तविक दुनिया के डेटा में शोर वाले पोज़ अनुमानों को संभालने के लिए, लेखक निरंतर गति को एक त्रि-अवस्था तर्क (tri-state logic) में विच्छेदित करने की रणनीति प्रस्तावित करते हैं:

नो-ऑपरेशन (No-operation): तब असाइन किया जाता है जब मोशन मैग्नीट्यूड शोर फ्लोर थ्रेशोल्ड ( $\tau_1$ ) से नीचे होता है।
डिस्क्रीट एक्शन (Discrete Action): तब असाइन किया जाता है जब मोशन एक ट्रिगर थ्रेशोल्ड ( $\tau_2$ ) से अधिक होता है, जिसे सिमेंटिक दिशाओं (जैसे अनुवाद के लिए W/A/S/D) में मैप किया जाता है।
अनसर्टेन (Uncertain): दोनों थ्रेशोल्ड के बीच अस्पष्ट, कम सिग्नल-टू-नॉइज़ रेशियो (SNR) वाले मोशन के लिए असाइन किया जाता है।
इन अस्पष्ट नमूनों को त्यागने के बजाय, मॉडल उन्हें स्पष्ट रूप से "अनसर्टेन" के रूप में लेबल करता है। यह डिटर्मिनिस्टिक एक्शन स्पेस को जिटर (jitter) या धीमी गति से होने वाले ड्रिफ्ट से दूषित होने से बचाता है और कच्चे वीडियो डेटा के उपयोग को अधिकतम करता है।

3. रीविज़िट-डेंस फाइनट्यूनिंग रणनीति (Revisit-Dense Finetuning Strategy)

एक पायलट अध्ययन द्वारा निर्देशित, जो बताता है कि स्थानिक स्मृति सक्रियण कुल डेटा वॉल्यूम के बजाय प्रक्षेपवक्र (trajectories) के टोपोलॉजिकल घनत्व पर अधिक निर्भर करता है, लेखक दो-चरणीय प्रशिक्षण दृष्टिकोण का उपयोग करते हैं:

प्री-ट्रेनिंग (Pre-training): मॉडल को विविध विज़ुअल प्रायर और लोकल डायनेमिक्स सीखने के लिए एक बड़े पैमाने के ओपन-डोमेन डेटासेट (30+ घंटे) पर प्रशिक्षित किया जाता है।
फाइनट्यूनिंग (Finetuning): एक संक्षिप्त, 30-मिनट के रीविज़िट-डेंस डेटासेट (RDD) का उपयोग लॉन्ग-रेंज कंसिस्टेंसी को सक्रिय करने के लिए किया जाता है। इस डेटासेट में बार-बार व्यूपॉइंट पुनरावृत्ति और लूप-क्लोजर शामिल हैं, जो मॉडल को भारी डेटा मात्रा की आवश्यकता के बिना कुशलतापूर्वक वैश्विक स्थानिक संरचनाओं को सीखने में सक्षम बनाता है।

प्रमुख योगदान

पोज़-मुक्त लॉन्ग-होरइजन मॉडलिंग: HPMC का परिचय इंटरैक्टिव वर्ल्ड मॉडलिंग को 1000+ फ्रेम तक स्केल करने में सक्षम बनाता है, जिससे स्पष्ट कैमरा पोज़ पर निर्भरता समाप्त हो जाती है।
सुदृढ़ प्रशिक्षण प्रतिमान: वास्तविक दुनिया के कच्चे वीडियो के लिए एक नया फ्रेमवर्क जिसमें पोज़ शोर को कम करने के लिए अनसर्टेनिटी-अवेयर एक्शन लेबलिंग और लॉन्ग-रेंज मेमोरी को सक्रिय करने के लिए रीविज़िट-डेंस फाइनट्यूनिंग रणनीति शामिल है।
अनुभवजन्य सत्यापन: व्यापक प्रयोगों से पता चलता है कि इनफिनिट-वर्ल्ड, स्टेट-ऑफ-द-आर्ट बेसलाइन्स की तुलना में विज़ुअल क्वालिटी, एक्शन कंट्रोलैबिलिटी और स्थानिक निरंतरता में बेहतर प्रदर्शन करता है।

परिणाम

लेखकों ने 100 विविध परिदृश्यों और 16-चंक (लगभग 1000-फ्रेम) प्रक्षेपवक्रों के बेंचमार्क का उपयोग करके HY-World 1.5, Hunyuan-GameCraft, Matrix-Game 2.0, और Yume 1.5 सहित कई बेसलाइन्स के विरुद्ध इनफिनिट-वर्ल्ड का मूल्यांकन किया।

मात्रात्मक मेट्रिक्स (Quantitative Metrics): इनफिनिट-वर्ल्ड ने VBench मेट्रिक्स (मोशन स्मूथनेस, डायनेमिक डिग्री, एस्थेटिक क्वालिटी) में शीर्ष या शीर्ष के करीब स्कोर प्राप्त किया।
यूजर स्टडी: ELO रेटिंग के साथ एक बड़े पैमाने की यूजर स्टडी में, इनफिनिट-वर्ल्ड ने 1719 का प्रभावशाली स्कोर प्राप्त किया, जो अगले सर्वश्रेष्ठ मॉडल (HY-World 1.5, 1542) से काफी बेहतर है।
- मेमोरी कंसिस्टेंसी: 1.92 के साथ प्रथम स्थान प्राप्त किया, जो दीर्घकालिक क्षितिज पर त्रुटि संचय के प्रभावी शमन को प्रदर्शित करता है।
- विज़ुअल फिडेलिटी: 1.67 के साथ प्रथम स्थान प्राप्त किया, जो वैश्विक लैंडमार्क्स और संरचनात्मक विवरणों को सुरक्षित रखता है।
- एक्शन रिस्पॉन्सिवनेस: 1.54 के साथ प्रथम स्थान प्राप्त किया, जो यह सिद्ध करता है कि मॉडल शोर वाले, अपूर्ण वास्तविक प्रक्षेपवक्यों से भी मजबूत एक्शन-रिस्पॉन्स मैपिंग सीख सकता है।
गुणात्मक विश्लेषण (Qualitative Analysis): विज़ुअल तुलना दिखाती है कि जहाँ बेसलाइन्स घोस्टिंग, स्ट्रक्चरल डिस्टॉर्शन, या "फॉरवर्ड-मूविंग" बायस से जूझते हैं, वहीं इनफिनिट-वर्ल्ड सफलतापूर्वक लॉन्ग-रेंज लूप-क्लोजर करता है और सैकड़ों फ्रेम के बाद भी सीन को सुसंगत बनाए रखता है।
दक्षता (Efficiency): मेमोरी कंजम्पशन विश्लेषण दिखाता है कि जबकि अनकंप्रेस्ड बेसलाइन्स OOM एरर्स के कारण ~180 फ्रेम पर विफल हो जाते हैं, इनफिनिट-वर्ल्ड ~45GB पर स्थिर होता है, जो 1300 फ्रेम से अधिक के इन्फरेंस का समर्थन करता है।

महत्व और दावे

पेपर का दावा है कि इनफिनिट-वर्ल्ड सफलतापूर्वक वर्ल्ड मॉडलिंग में "रियलिटी गैप" को पाटता है। सटीक ज्यामितीय प्रायर पर निर्भरता को हटाकर और शोर वाले कंट्रोल सिग्नल्स को संभालने के लिए एक तंत्र विकसित करके, यह प्रदर्शित करता है कि जटिल वास्तविक दुनिया के वातावरण में स्थिर, लॉन्ग-होरइजन इंटरैक्टिव सिमुलेशन संभव है।

लेखक इस बात पर जोर देते हैं कि उनका कार्य लॉन्ग-होरइजन इंटरैक्टिव मॉडलिंग के लिए एक ओपन और कुशल फ्रेमवर्क प्रदान करता है, जो क्लोज्ड-सोर्स स्टेट-ऑफ-द-आर्ट सिस्टम के विपरीत है। वे निष्कर्ष निकालते हैं कि लॉन्ग-होरइजन मॉडलिंग के लिए बाधा डेटा की मात्रा नहीं है, बल्कि व्यक्तिगत प्रक्षेपवक्यों का टोपोलॉजिकल घनत्व और अवधि है, जिसे केवल 30 मिनट के फाइनट्यूनिंग डेटा के साथ 1000-फ्रेम कंसिस्टेंसी को सक्रिय करने की उनकी क्षमता द्वारा प्रमाणित किया गया है। यह कार्य स्वायत्त ड्राइविंग और एम्बोडीड AI जैसे डोमेन में भविष्य के वास्तविक दुनिया के न्यूरल सिम्युलेटर्स के लिए एक आधार के रूप में कार्य करने का लक्ष्य रखता है।

1. समस्या: "धुंधला मानचित्र" और "थरथराता कैमरा"

2. समाधान: तीन स्मार्ट तरकीबें

तरकीब A: "सारांश लिखने वाला लाइब्रेरियन" (Hierarchical Pose-Free Memory Compressor)

तरकीब B: गति के लिए "ट्रैफिक लाइट" (Uncertainty-Aware Action Labeling)

तरकीब C: "अभ्यास सत्र" (Revisit-Dense Finetuning)

परिणाम

तकनीकी सारांश: इनफिनिट-वर्ल्ड (Infinite-World)

समस्या विवरण

कार्यप्रणाली (Methodology)

1. पोज़-मुक्त पदानुक्रमित मेमोरी कंप्रेसर (Hierarchical Pose-free Memory Compressor - HPMC)

2. अनिश्चितता-जागरूक एक्शन लेबलिंग (Uncertainty-aware Action Labeling)

3. रीविज़िट-डेंस फाइनट्यूनिंग रणनीति (Revisit-Dense Finetuning Strategy)

प्रमुख योगदान

परिणाम

महत्व और दावे

इसी तरह के और पेपर