Test-time Recursive Thinking: Self-Improvement without External Feedback
यह शोध पत्र टेस्ट-टाइम रिकर्सिव थिंकिंग (TRT) का प्रस्ताव करता है, जो एक पुनरावृत्ति स्व-सुधार ढांचा है जो विविध उम्मीदवार पीढ़ी और स्व-सत्यापन का लाभ उठाकर, बाहरी फीडबैक या अतिरिक्त प्रशिक्षण के बिना, चुनौतीपूर्ण बेंचमार्क पर लार्ज लैंग्वेज मॉडल्स की तर्क और कोडिंग क्षमता को महत्वपूर्ण रूप से बढ़ाने में सक्षम बनाता 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 बहुत ही कठिन पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि कोई जटिल गणितीय समस्या या कंप्यूटर कोड का कोई पेचीदा हिस्सा लिखना। आमतौर पर, आप उत्तर कुंजी के लिए किसी शिक्षक से पूछ सकते हैं या कोच से यह जानने के लिए कि आपने कहाँ गलती की। लेकिन क्या होगा यदि आप एक कमरे में अकेले हों जहाँ मदद के लिए कोई न हो, और आपको इसे पूरी तरह से अपने दम पर सुलझाना हो?
यह शोध पत्र एक नई विधि पेश करता है जिसे टेस्ट-टाइम रिकर्सिव थिंकिंग (TRT) कहा जाता है। इसे ऐसे समझें जैसे कि एक स्मार्ट AI को अपना खुद का सबसे अच्छा कोच, शिक्षक और छात्र बनना सिखाया जा रहा हो, वह भी बिना किसी बाहरी मदद के।
यह कैसे काम करता है, यहाँ एक सरल कहानी के माध्यम से बताया गया है:
समस्या: "अनुमान और जाँच" का जाल (The "Guess and Check" Trap)
सामान्य तौर पर, जब एक AI किसी कठिन समस्या को हल करने की कोशिश करता है, तो वह केवल एक उत्तर का अनुमान लगाने की कोशिश कर सकता है। यदि वह गलत होता है, तो वह फिर से प्रयास करता है। लेकिन बिना किसी शिक्षक के, वह अक्सर वही गलतियाँ बार-बार करता रहता है, या वह केवल बेतरतीब ढंग से अनुमान लगाता रहता है। यह अंधेरे कमरे में फर्नीचर से टकराते हुए किसी विशिष्ट चाबी को खोजने जैसा है; आप अंततः उसे पा सकते हैं, लेकिन इसमें बहुत समय लगेगा और आप बार-बार एक ही चीज़ से टकराते रहेंगे।
समाधान: "रिकर्सिव थिंकिंग" लूप (The "Recursive Thinking" Loop)
लेखकों ने एक ऐसी प्रणाली बनाई है जहाँ AI केवल अनुमान नहीं लगाता; यह एक निरंतर लूप में "प्रयास करें, निर्णय लें और सीखें" (Try, Judge, and Learn) का खेल खेलता है। कल्पना कीजिए कि AI एक रहस्य सुलझाने वाला जासूस है।
चरण 1: जासूस संदिग्धों को तैयार करता है (Generation)
केवल एक उत्तर का अनुमान लगाने के बजाय, AI एक साथ कई अलग-अलग "संदिग्ध" (समाधान) बनाता है। लेकिन यहाँ एक तरकीब है: यह बेतरतीब ढंग से अनुमान नहीं लगाता। यह पिछले प्रयासों से सीखी गई बातों की एक नोटबुक (डायरी) को देखता है (जैसे "उस विशिष्ट गणितीय ट्रिक का उपयोग न करें" या "किनारों की स्थितियों (edge cases) की जाँच करना न भूलें")। यह इस नोटबुक का उपयोग करके नए और अलग संदिग्ध बनाने के लिए करता है जो पिछली गलतियों से बचते हैं।
चरण 2: जासूस निर्णायक की भूमिका निभाता है (Selection)
अब AI के पास संदिग्धों की एक सूची है। चूँकि यहाँ कोई शिक्षक नहीं है जो कह सके "यह सही है," इसलिए AI को स्वयं उनका निर्णय लेना होगा।
- गणित के लिए: यह उस उत्तर की तलाश करता है जो सबसे अलग हो। यदि 10 अनुमान अलग-अलग संख्याएँ हैं, लेकिन 9 स्पष्ट रूप से तर्क के आधार पर गलत हैं, तो बचा हुआ एक नंबर संभवतः विजेता है।
- कोडिंग के लिए: AI अपनी खुद की "टेस्ट केस" (जैसे एक छोटा परीक्षण) लिखता है (जो उसे लगता है कि समस्या के बारे में पूछ रही है)। वह इन टेस्ट्स के विरुद्ध कोड को चलाता है। जो कोड सबसे अधिक टेस्ट पास करता है, उसे 'गोल्ड स्टार' मिलता है।
चरण 3: जासूस नोटबुक को अपडेट करता है (Reflection)
यह सबसे महत्वपूर्ण हिस्सा है। AI "विजेता" संदिग्ध की तुलना "हारने वाले" संदिग्धों से करता है। वह पूछता है, "यह क्यों विफल हुआ?"
- क्या इसने किसी सीमा स्थिति (boundary condition) को छोड़ दिया?
- क्या तर्क दोषपूर्ण था?
- क्या इसने एक धीमा एल्गोरिदम इस्तेमाल किया?
AI फिर अपनी ज्ञान नोटबुक (Knowledge Notebook) में एक संक्षिप्त, स्पष्ट नोट लिखता है (जैसे, "अगली बार, याद रखें कि 'ऑफ-बाय-वन' त्रुटियों की जाँच करें")। वह असफल प्रयासों के अव्यवस्थित विवरणों को फेंक देता है और केवल उच्च-स्तरीय सबक को रखता है।
परिणाम: वास्तविक समय में स्मार्ट बनना
इस शोध पत्र का परीक्षण दो प्रकार की चुनौतियों पर किया गया:
- कठिन गणितीय समस्याएँ (AIME): इस विधि का उपयोग करने वाले ओपन-सोर्स AI मॉडल ने 100% सटीकता प्राप्त की। उन्होंने अपने स्वयं के प्रयासों से सीखकर हर एक समस्या को हल किया।
- कठिन कोडिंग समस्याएँ (LiveCodeBench): शीर्ष-स्तरीय, क्लोज्ड-सोर्स AI मॉडल (जैसे o3 और o4-mini) ने केवल इस विधि का उपयोग करके अपने स्कोर में 10% से 15% का सुधार किया। उन्हें नए प्रशिक्षण या बाहरी शिक्षकों की आवश्यकता नहीं थी; वे बस रिकर्सिव तरीके से सोचना सीख गए।
यह क्यों मायने रखता है
इसे एक वीडियो गेम की तरह समझें जहाँ आपके पास "गेम ओवर" स्क्रीन नहीं है। इसके बजाय, हर बार जब आप हारते हैं, तो गेम तुरंत आपके जर्नल में एक नोट लिखता है, "दोबारा उस खाई से मत कूदो," और फिर आपको उस नए ज्ञान के साथ स्तर को फिर से आज़माने देता है।
यह शोध पत्र सिद्ध करता है कि बड़े भाषा मॉडलों (LLMs) को किसी विशिष्ट कार्य में बेहतर होने के लिए मनुष्यों द्वारा पुन: प्रशिक्षित करने की आवश्यकता नहीं है। यदि आप उन्हें विविध विचार उत्पन्न करने, स्वयं की आलोचना करने और अपने सबक याद रखने का तरीका दे दें, तो वे अपने आप अत्यंत कठिन समस्याओं को हल कर सकते हैं, ठीक उसी समय जब उनसे पूछा जा रहा हो।
संक्षेप में: यह शोध पत्र साबित करता है कि AI वास्तव में परीक्षण के दौरान खुद को स्मार्ट बनाने के लिए खुद को सिखा सकता है, बस "क्या नहीं करना है" की अपनी खुद की "चीट शीट" (शॉर्टकट नोट्स) को अपडेट करने और प्रयास करने, निर्णय लेने और सीखने के चक्र के माध्यम से।
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।