← नवीनतम पेपर
🤖 AI

Persona Generators: Generating Diverse Synthetic Personas for Arbitrary Contexts

यह शोध पत्र "परसोना जनरेटर्स" (Persona Generators) को प्रस्तुत करता है, जो एक पुनरावृत्ति (iterative) AlphaEvolve-आधारित ढांचा है जो दुर्लभ गुणों और विचारों के व्यापक कवरेज के साथ विविध सिंथेटिक आबादी उत्पन्न करने में सक्षम कोड को स्वचालित रूप से विकसित करने के लिए लार्ज लैंग्वेज मॉडल्स का उपयोग करता है, जो मनमाने संदर्भों में AI सिस्टम का मूल्यांकन करने में मौजूदा बेसलाइन्स से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Davide Paglieri, Logan Cross, William A. Cunningham, Joel Z. Leibo, Alexander Sasha Vezhnevets

प्रकाशित 2026-05-27
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Davide Paglieri, Logan Cross, William A. Cunningham, Joel Z. Leibo, Alexander Sasha Vezhnevets

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 नए ट्रैफिक कानून के प्रभाव को परखने के लिए शहर का एक सिमुलेशन (simulation) बनाने की कोशिश कर रहे हैं। यदि आप अपने सिमुलेशन में केवल "औसत" ड्राइवरों को ही शामिल करते हैं—जैसे कि वे लोग जो विनम्र हैं, नियमों का पालन करते हैं, और ठीक स्पीड लिमिट पर चलते हैं—तो आपको लग सकता है कि आपका सिस्टम सुरक्षित है। लेकिन वास्तविक दुनिया में, वह व्यक्ति भी होता है जो रेड लाइट तोड़ देता है, वह ड्राइवर जिसे सड़क पर गुस्सा आता है, और वह जो सूर्यास्त देखने के लिए रास्ता बदल लेता है। यदि आपका सिमुलेशन इन "आउटलेयर्स" (outliers/असाधारण स्थितियों) को छोड़ देता है, तो आपका परीक्षण तब विफल हो जाएगा जब वास्तविक दुनिया का सामना होगा।

यह शोध पत्र, "पर्सोना जनरेटर्स" (Persona Generators), इस समस्या को ठीक करने के बारे में है जहाँ लोगों के कंप्यूटर सिमुलेशन (लार्ज लैंग्वेज मॉडल्स या LLMs का उपयोग करके) बहुत उबाऊ और एक जैसे होते हैं।

यहाँ उन्होंने क्या किया है, इसका विवरण सरल उपमाओं (analogies) के साथ दिया गया है:

समस्या: "कुकी कटर" प्रभाव (The "Cookie Cutter" Effect)

वर्तमान में, जब आप AI से "विविध प्रकार के लोगों का एक समूह बनाने" के लिए कहते हैं, तो वह अक्सर आपको ऐसे लोगों का समूह देता है जो सभी एक ही तरह से सोचते और व्यवहार करते हैं। वे सभी विनम्र, सुलभ और एक "मानक" स्क्रिप्ट का पालन करने वाले होते हैं। लेखक इसे मोड कोलैप्स (Mode Collapse) कहते हैं।

  • उपमा: एक बेकरी की कल्पना करें जिसे विभिन्न प्रकार की ब्रेड बनाने के लिए कहा गया है। सावरडो (sourdough), राई (rye), बैगुएट (baguette) और सिनमन रोल बनाने के बजाय, बेकरी बार-बार एक ही सफेद सैंडविच ब्रेड बनाती रहती है। भले ही आप उससे "विविध ब्रेड" मांगें, मशीन बस वही एक ब्रेड बनाती रहती है क्योंकि वह उसी में सहज है।
  • परिणाम: यदि आप किसी नए ऐप या सामाजिक नीति का परीक्षण करने के लिए इन "कुकी-कटर" (एक जैसे दिखने वाले) लोगों का उपयोग करते हैं, तो आप उन दुर्लभ लेकिन खतरनाक (या सहायक) प्रतिक्रियाओं को मिस कर देते हैं जो केवल "आउटलेयर्स" ही दे सकते थे।

समाधान: "इवोल्यूशनरी शेफ" (The "Evolutionary Chef")

AI को सीधे विविध लोग बनाने के लिए मजबूर करने के बजाय, लेखकों ने एक टूल बनाया जिसे पर्सोना जनरेटर कहा जाता है। इसे एक व्यक्ति के रूप में नहीं, बल्कि एक रेसिपी (विधि) या एक फंक्शन के रूप में सोचें।

  1. लक्ष्य: वे एक ऐसी रेसिपी चाहते थे जो किसी विषय (जैसे, "फूड डिलीवरी का इंतज़ार कर रहे लोग") को दिए जाने पर, तुरंत 25 ऐसे लोगों की भीड़ तैयार कर सके जो आपस में पूरी तरह से अलग हों, जिसमें "क्रोधित" से लेकर "धैर्यवान" या "भ्रमित" तक हर संभव व्यक्तित्व शामिल हो।
  2. विधि (AlphaEvolve): उन्होंने यह रेसिपी हाथ से नहीं लिखी। उन्होंने AlphaEvolve नामक एक सिस्टम का उपयोग किया।
    • उपमा: एक शेफ की कल्पना करें जो "विविध ब्रेड" के लिए एकदम सही रेसिपी लिखने की कोशिश कर रहा है। ब्रेड को चखने के बजाय, वह ब्रेड के लिए निर्देश लिखता है।
    • फिर, वे एक दूसरे AI (जिसे "म्यूटेशन शेफ" कहा जा सकता है) का उपयोग निर्देशों को बदलने के लिए करते हैं। "शायद हमें बेकर को अधिक नमक डालने के लिए कहना चाहिए," या "शायद हमें उन्हें ब्रेड को एक अजीब आकार में पकाने के लिए कहना चाहिए।"
    • वे ब्रेड बनाते हैं (लोगों को जनरेट करते हैं), उसे चखते हैं (देखते हैं कि लोग कितने विविध हैं), और यदि वे पर्याप्त विविध नहीं हैं, तो वे निर्देशों को फिर से बदलते हैं।
    • वे इस प्रक्रिया को 500 बार दोहराते हैं। अंततः, AI निर्देशों का एक ऐसा सेट (कोड) खोज लेता है जो विविधता भरी ब्रेड बनाने में अविश्वसनीय रूप से कुशल है।

उन्होंने सफलता को कैसे मापा

उन्होंने केवल ब्रेड को नहीं देखा; उन्होंने यह मापा कि ब्रेड ने "फ्लेवर स्पेस" (स्वाद के दायरे) को कितना कवर किया।

  • कवरेज (Coverage): क्या उस समूह में वे लोग शामिल थे जिन्हें तीखा खाना पसंद था, वे जिन्हें यह पसंद नहीं था, और इन दोनों के बीच के सभी लोग?
  • "लॉन्ग टेल" (The "Long Tail"): क्या उनमें अजीब और दुर्लभ संयोजन भी शामिल थे (जैसे कि एक व्यक्ति जो अत्यंत शर्मीला भी है और जिसे लाउड मेटल संगीत भी बहुत पसंद है)?

परिणाम: "इवॉल्व्ड रेसिपी" (पर्सोना जनरेटर) ने ऐसे लोगों के समूह बनाए जो अन्य सभी तरीकों की तुलना में कहीं अधिक विविध थे।

  • चौंकाने वाला निष्कर्ष: आमतौर पर, जब आप चीजों को "विविध" बनाने की कोशिश करते हैं, तो वे नकली या अजीब दिखने लगती हैं। लेकिन इस शोध पत्र में पाया गया कि जब आपने AI को संभावनाओं के पूरे दायरे को कवर करने के लिए मजबूर किया, तो परिणामी लोग पिछले तरीकों की तुलना में अधिक वास्तविक (realistic) दिखे, जो वास्तविक सांख्यिकी से मेल खाने के लिए डिज़ाइन किए गए थे। यह पता चला कि "कुकी कटर" प्रभाव से लड़कर, उन्होंने अनजाने में वास्तविक मानवीय व्यवहार की असली उलझन और बिखराव को बेहतर ढंग से पकड़ लिया।

यह क्यों महत्वपूर्ण है

लेखक कहते हैं कि यह एक स्ट्रेस-टेस्ट लैब की तरह है।

  • यदि आप एक सेल्फ-ड्राइविंग कार बना रहे हैं, तो आप केवल शांत ड्राइवरों पर उसका परीक्षण नहीं करना चाहते। आप उस ड्राइवर पर भी परीक्षण करना चाहते है जो अचानक रास्ता काट देता है, वह जो हाथ हिलाकर आपको रास्ता देता है, और वह जो फोन में व्यस्त है।
  • यह टूल शोधकर्ताओं को किसी भी स्थिति के लिए (जैसे, "लोग एक नए टैक्स पर कैसी प्रतिक्रिया देंगे?" या "वे एक साइंस-फिक्शन परिदृश्य में कैसा व्यवहार करेंगे?") कृत्रिम लोगों की एक "भीड़" बनाने और यह सुनिश्चित करने की अनुमति देता है कि उस भीड़ में अजीब, चरम और दुर्लभ लोग शामिल हों, न कि केवल औसत लोग।

सारांश

यह शोध पत्र पेश करता है कि कैसे इवोल्यूशनरी सर्च (AI के साथ ट्रायल और एरर) का उपयोग करके कोड लिखा जाता है जो विविध लोगों के समूह बनाता है।

  • पुराना तरीका: AI से "विविध लोग बनाओ" कहें -> AI 25 विनम्र और एक जैसे लोग बनाता है।
  • नया तरीका: एक ऐसी "रेसिपी" को विकसित करें जो AI को 25 ऐसे लोग बनाने के लिए मजबूर करे जो आपस में जितने संभव हो सकें उतने अलग हों।
  • परिणाम: नया तरीका ऐसे समूहों को बनाता है जो अधिक विविध हैं, अधिक "मानवीय" क्षेत्र को कवर करते हैं, और आश्चर्यजनक रूप से, पिछले तरीकों की तुलना में अधिक वास्तविक दिखते हैं, भले ही उन्हें स्पष्ट रूप से वास्तविक मानव डेटा पर प्रशिक्षित नहीं किया गया था।

लेखक अपनी सर्वश्रेष्ठ "रेसिपी" (कोड) साझा करने की योजना बना रहे हैं ताकि अन्य लोग अपने स्वयं के AI उत्पादों या सामाजिक सिमुलेशन का स्ट्रेस-टेस्ट करने के लिए इसका उपयोग कर सकें।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →