WideSeek-R1: Exploring Width Scaling for Broad Information Seeking via Multi-Agent Reinforcement Learning
यह शोध पत्र WideSeek-R1 को प्रस्तुत करता है, जो एक मल्टी-एजेंट सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो विड्थ स्केलिंग (width scaling) और समानांतर निष्पादन का लाभ उठाकर विशाल एकल-एजेंट मॉडलों के तुलनीय व्यापक सूचना-खोज प्रदर्शन प्राप्त करने के लिए लीड-एजेंट-सब-एजेंट आर्किटेक्चर का उपयोग करता 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
यहाँ WIDESEEK-R1 पेपर का सरल भाषा में अनुवाद दिया गया है, जिसमें रचनात्मक उपमाओं (analogies) का उपयोग किया गया है।
मुख्य विचार: "सुपर-जीनियस" से "सुपर-टीम" तक
कल्पना कीजिए कि आपको एक विशाल अंतर्राष्ट्रीय सम्मेलन आयोजित करने की आवश्यकता है। आपके पास इसे करने के दो तरीके हैं:
- "गहराई" वाला दृष्टिकोण (पुराना तरीका): आप एक सुपर-जीनियस को काम पर रखते हैं। यह व्यक्ति अविश्वसनीय रूप से बुद्धिमान है, सब कुछ जानता है, और अकेले काम करता है। वह हज़ारों दस्तावेज़ पढ़ने, सूचियाँ बनाने और एक-एक करके लोगों को कॉल करने में कई दिन बिताता है। अंततः, वह काम पूरा कर लेता है। वर्तमान AI मॉडल (जैसे DeepSeek-R1) इसी तरह काम करते हैं। वे एक ही विचार की रेखा में अधिक गहराई से सोचकर और बड़ा होकर स्मार्ट बनते हैं।
- "चौड़ाई" वाला दृष्टिकोण (नया तरीका): आप एक प्रोजेक्ट मैनेजर और 20 विशेषज्ञों की एक टीम को काम पर रखते हैं। मैनेजर बड़े काम को छोटे टुकड़ों में तोड़ देता है (जैसे, "टोक्यो में वेन्यू खोजें," "पेरिस में वेन्यू खोजें")। वे 20 विशेषज्ञ एक साथ (parallel में) काम शुरू कर देते हैं, जानकारी इकट्ठा करते हैं। फिर मैनेजर उन टुकड़ों को आपस में जोड़ देता है।
WIDESEEK-R1 वह पेपर है जो कहता है: "सुपर-जीनियस को और अधिक स्मार्ट बनाने की कोशिश करना बंद करें। इसके बजाय, एक बेहतर टीम मैनेजर बनाएं और पूरी टीम को एक साथ मिलकर काम करने के लिए प्रशिक्षित करें।"
समस्या: "कॉन्टेक्स्ट पॉल्यूशन" (Context Pollution) का कचरा
हम हर चीज़ के लिए सुपर-जीनियस का उपयोग क्यों नहीं कर सकते?
कल्पना कीजिए कि सुपर-जीनियस 50 अलग-अलग विश्वविद्यालयों पर शोध करने की कोशिश कर रहा है।
- टर्न 1: उन्होंने हार्वर्ड के बारे में पढ़ा।
- टर्न 2: उन्होंने येल के बारे में पढ़ा।
- टर्न 3: उन्होंने प्रिंसटन के बारे में पढ़ा।
टर्न 50 तक पहुँचते-पहुँचते, सुपर-जीनियस सूचनाओं के समुद्र में डूब जाता है। वे टर्न 2 में जो पढ़ा था उसे भूल जाते हैं क्योंकि उनकी "याददाश्त" (context window) बहुत भर गई है। इसे कॉन्टेक्स्ट पॉल्यूशन (Context Pollution) कहा जाता है। साथ ही, उन्हें यह काम एक-एक करके करना पड़ता है, जो धीमा है।
समाधान: WIDESEEK-R1
लेखकों ने इस समस्या को हल करने के लिए WIDESEEK-R1 नामक एक सिस्टम बनाया है। यह कैसे काम करता है, हमारी उपमा का उपयोग करते हुए देखें:
1. संरचना: कंडक्टर और ऑर्केस्ट्रा
- लीड एजेंट (कंडक्टर/संचालक): यह "मैनेजर" है। इसका एकमात्र काम बड़े सवाल को सुनना, उसे छोटे और स्वतंत्र कार्यों में तोड़ना और उन्हें सौंपना है। यह स्वयं शोध नहीं करता; यह केवल यातायात का निर्देशन करता है।
- सब-एजेंट्स (संगीतकार): ये कार्यकर्ता हैं। उन्हें एक छोटा कार्य प्राप्त होता है (जैसे, "येल की स्थापना का वर्ष खोजें")। वे समानांतर (parallel) में काम करते हैं (एक साथ), ताकि वे एक-दूसरे के काम से भ्रमित न हों। उनके पास अपना खुद का "साफ" कार्यक्षेत्र होता है।
2. गुप्त मंत्र: मल्टी-एजेंट रीइन्फोर्समेंट लर्निंग (MARL)
आप सोच सकते हैं, "ठीक है, बस उन्हें एक चेकलिस्ट दे दें।" लेकिन पेपर कहता है कि यह अच्छी तरह काम नहीं करता है। यदि आप उन्हें केवल यह बताते हैं कि क्या करना है, तो वे बहस कर सकते हैं या आलसी हो सकते हैं।
इसके बजाय, लेखकों ने रीइन्फोर्समेंट लर्निंग (जैसे कुत्ते को प्रशिक्षित करना या वीडियो गेम कैरेक्टर को प्रशिक्षित करना) का उपयोग किया।
- उन्होंने 20,000 जटिल शोध कार्यों के साथ एक विशाल प्रशिक्षण मैदान बनाया।
- उन्होंने "कंडक्टर" और "संगीतकारों" को इन कार्यों को हल करने की कोशिश करने दी।
- इनाम (Reward): यदि अंतिम सूचना तालिका एकदम सही थी, तो पूरी टीम को एक ट्रीट (इनाम) मिला। यदि कंडक्टर ने गलत निर्देश दिए या संगीतकार आलसी हो गए, तो उन्हें कोई ट्रीट नहीं मिला।
- परिणाम: समय के साथ, कंडक्टर ने सीखा कि काम को बिल्ча कैसे विभाजित किया जाए, और संगीतकारों ने सीखा कि अपना हिस्सा कुशलतापूर्वक कैसे निभाया जाए। उन्होंने तालमेल (synergize) बिठाना सीख लिया (अपने हिस्सों के योग से बेहतर मिलकर काम करना)।
अद्भुत परिणाम
पेपर ने इस सिस्टम का परीक्षण WideSearch नामक बेंचमार्क पर किया (एक साथ कई चीजों के बारे में व्यापक जानकारी खोजना)।
- कमजोर विजेता: उन्होंने अपनी टीम के लिए एक बहुत छोटा मॉडल (4 बिलियन पैरामीटर्स) इस्तेमाल किया।
- विशालकाय हार गया: उन्होंने इसकी तुलना एक विशाल, सिंगल-एजेंट मॉडल (671 बिलियन पैरामीटर्स वाला DeepSeek-R1) से की।
- परिणाम: छोटी टीम (WIDESEEK-R1-4B) ने उस विशाल दिग्गज के बराबर प्रदर्शन किया!
यह बड़ी बात क्यों है?
इसका मतलब है कि जटिल शोध करने के लिए आपको बहुत महंगे, विशाल कंप्यूटर की आवश्यकता नहीं है। यदि आप इसे एक स्मार्ट, समानांतर टीम के रूप में व्यवस्थित करते हैं, तो आप एक छोटे, सस्ते मॉडल का उपयोग कर सकते हैं।
"स्केलिंग" का सबक: गहराई बनाम चौड़ाई
पेपर बेहतर होने के दो तरीकों के बीच एक दिलचस्प अंतर बताता है:
- डेप्थ स्केलिंग (सीढ़ी - Depth Scaling): आप सीढ़ी चढ़ते रहते हैं (सोचने के चरणों को बढ़ाते हैं)। लेकिन अंततः, आप छत से टकरा जाते हैं। सुपर-जीनियस थक जाता है, भ्रमित हो जाता है, या अटक जाता है।
- विड्थ स्केलिंग (जाल - Width Scaling): आप एक चौड़ा जाल फेंकते हैं। आप टीम में अधिक लोगों को जोड़ते हैं। जब तक कंडक्टर उन्हें प्रबंधित करने के लिए पर्याप्त स्मार्ट है, आप जितने अधिक लोगों को जोड़ेंगे, परिणाम उतने ही बेहतर होंगे।
एक वाक्य में सारांश
WIDESEEK-R1 यह सिद्ध करता है कि एक विशाल, अत्यधिक काम करने वाले AI मस्तिष्क बनाने के बजाय, हमें एक छोटी, अच्छी तरह से प्रशिक्षित AI टीम बनानी चाहिए जो समानांतर में काम करती है, जिससे छोटे मॉडल भी विशाल मॉडलों की तरह बड़े समस्याओं को हल 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।