🤖 AI

Situation Graph Prediction for User Perspective Modeling

यह शोध पत्र सिचुएशन ग्राफ प्रेडिक्शन (SGP) को प्रस्तुत करता है, जो मल्टीमॉडल आर्टिफैक्ट्स से उपयोगकर्ता के दृष्टिकोण को मॉडल करने के लिए एक नवीन कार्य और सिंथेटिक डेटा जनरेशन रणनीति है, जो एक नैदानिक अध्ययन के माध्यम से यह प्रदर्शित करता है कि वर्तमान फाउंडेशन मॉडल्स के लिए आंतरिक गुप्त अवस्थाओं का अनुमान लगाना सतही स्तर के निष्कर्षण की तुलना में काफी अधिक चुनौतीपूर्ण है।

मूल लेखक: Jisung Shin, Daniel Platnick, Marjan Alirezaie, Hossein Rahnama

प्रकाशित 2026-08-12

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jisung Shin, Daniel Platnick, Marjan Alirezaie, Hossein Rahnama

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 ऐसे दोस्त को समझने की कोशिश कर रहे हैं जो एक कठिन सप्ताह से गुजर रहा है। आप उन्हें छोटे, गुस्से वाले टेक्स्ट टाइप करते हुए देखते हैं, कॉल पर एक कांपती हुई आवाज सुनते हैं, और देखते हैं कि उन्होंने अपना नियमित जिम रूटीन छोड़ दिया है। एक साधारण कंप्यूटर प्रोग्राम केवल "कम संदेश" और "कम गतिविधि" देख सकता है और सोच सकता है, "ओह, वे बस व्यस्त हैं।" लेकिन एक सच्चा समझदार दोस्त जानता है कि वे सतही संकेत वास्तव में एक गहरी कहानी छिपाते हैं: शायद वे अभिभूत (overwhelmed), चिंतित, या संकट की ओर बढ़ रहे हैं। यह केवल यह देखने और यह समझने के बीच का अंतर है कि कोई उस क्षण में क्या कर रहा है बनाम वह वास्तव में कौन है। वैज्ञानिक इसे "परस्पेक्टिव-अवेयर एआई" (Perspective-Aware AI) कहते हैं। यह ऐसे व्यक्तिगत सहायकों को बनाने का सपना है जो न केवल आदेशों का पालन करते हैं बल्कि आपके बदलते लक्ष्यों, भावनाओं और दुनिया को देखने के आपके अनूठे तरीके को भी समझते हैं। बड़ी समस्या क्या है? हम कंप्यूटर को यह करना आसानी से नहीं सिखा सकते क्योंकि वास्तविक लोगों का निजी डेटा प्रतिबंधित है, और हमारे पास शायद ही कोई ऐसा "संदर्भ मार्गदर्शिका" (reference guide) हो जो केवल उनके डिजिटल पदचिह्नों को देखकर ठीक-ठीक लेबल कर सके कि वे अंदर क्या महसूस कर रहे हैं।

यह शोध पत्र इस कौशल को सिखाने का एक चतुर नया तरीका पेश करता है, जिसे सिचुएशन ग्राफ प्रेडिक्शन (SGP) कहा जाता है। इसे एक जासूसी खेल के रूप में सोचें जहाँ कंप्यूटर को सुरागों के एक बिखरे हुए ढेर (जैसे ईमेल, चैट लॉग, या वॉयस नोट्स) को देखना होता है और एक छिपे हुए, संरचित मानचित्र को फिर से बनाना होता है कि व्यक्ति वास्तव में क्या सोच रहा है और महसूस कर रहा है। चूंकि हम प्रशिक्षण के लिए वास्तविक लोगों के निजी रहस्यों का उपयोग नहीं कर सकते, इसलिए लेखकों ने एक "नकली" दुनिया बनाई। उन्होंने पहले छिपे हुए मानचित्र को बनाया (यह तय किया कि एक व्यक्ति "तनावग्रस्त" है और "काम पर" है), और फिर एक अत्यंत बुद्धिमान एआई का उपयोग करके नकली सुराग लिखे (जैसे एक रूखा ईमेल) जो स्वाभाविक रूप से उस मानचित्र से उत्पन्न होंगे। यह "स्ट्रक्चर-फर्स्ट" (संरचना-प्रथम) विधि सुनिश्चित करती है कि सुराग हमेशा छिपी हुई भावनाओं से पूरी तरह मेल खाएं, जिससे एक सुरक्षित, गोपनीयता-अनुकूल प्रशिक्षण मैदान तैयार होता है।

जब शोधकर्ताओं ने दुनिया के तीन सबसे उन्नत एआई मस्तिष्क (GPT-4o, Gemini 2.5 Flash, और Claude Sonnet 4) पर इसका परीक्षण किया, तो उन्हें कुछ दिलचस्प पता चला। इन सुपर-इंटेलिजेंट मॉडलों के साथ भी, यह अनुमान लगाना कि छिपी हुई भावनाएं क्या हैं (जैसे "चिंता" या "दृढ़ संकल्प"), केवल दृश्य तथ्यों (जैसे "ऑफिस" या "ईमेल") को सूचीबद्ध करने की तुलना में बहुत कठिन है। अध्ययन बताता है कि भले ही एआई हमारे जीवन की सतह को पढ़ने में बेहतर हो रहा है, लेकिन हमारे कार्यों के पीछे की गहरी, आंतरिक कहानी को समझना अभी भी एक बहुत बड़ी चुनौती है। शोधकर्ताओं ने इस बात को सिद्ध करने के लिए 75 नकली परिदृश्यों का एक छोटा डेटासेट बनाया, जो दिखाता है कि "हम क्या देखते हैं" और "हम क्या महसूस करते हैं" के बीच का अंतर वास्तविक और सुसंगत है, चाहे आप किसी भी एआई मॉडल का उपयोग करें।

जासूस की पहेली: सुरागों से आंतरिक दुनिया तक

आइए गहराई से समझते हैं कि यह कैसे काम करता है। कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस की तरह, लेकिन आप संदिग्ध से बात नहीं कर सकते। आपके पास केवल सबूतों का एक ढेर है: एक टेक्स्ट मैसेज जिसमें लिखा है "मैं ठीक हूँ," एक बिखरी हुई मेज की फोटो, और एक वॉयस नोट जो थोड़ा कांपता हुआ लग रहा है। एक बुनियादी कंप्यूटर केवल टेक्स्ट को पढ़ सकता है और कह सकता है, "व्यक्ति ठीक है।" लेकिन एक परस्पेक्टिव-अवेयर एआई एक सिचुएशन ग्राफ बनाना चाहता है।

एक सिचुएशन ग्राफ को किसी के जीवन के एक विशिष्ट क्षण के 3D माइंड-मैप के रूप में सोचें। यह केवल तथ्यों की सूची नहीं है; यह कनेक्शन का एक जाल है।

सतही नोड्स (Surface Nodes): ये आसानी से दिखने वाली चीजें हैं, जैसे "ऑफिस," "मंगलवार," या "ईमेल।"
लेटेंट नोड्स (Latent Nodes): ये अदृश्य, आंतरिक अवस्थाएं हैं, जैसे "तनाव महसूस करना," "महत्वपूर्ण महसूस करना," या "भ्रमित होना।"

सिचुएशन ग्राफ प्रेडिक्शन (SGP) का लक्ष्य सुरागों के बिखरे हुए ढेर (आर्टिफैक्ट्स) को लेना और उस पूर्ण माइंड-मैप को बनाने के लिए पीछे की ओर काम करना है। शोध पत्र इसे एक "इनवर्स इन्फरेंस प्रॉब्लम" (उल्टा अनुमान लगाने की समस्या) के रूप में फ्रेम करता है। आमतौर पर, हम कारण जानते हैं (व्यक्ति तनावग्रस्त है) और हम प्रभाव देखते हैं (वे एक छोटा ईमेल भेजते हैं)। SGP एआई को इसके विपरीत करने के लिए कहता है: "मैं एक छोटा ईमेल देखता हूँ; व्यक्ति अंदर क्या महसूस कर रहा होगा?"

"नकली दुनिया" का समाधान

यहाँ पेचीदा हिस्सा है: वास्तविक दुनिया में, हम लोगों से यह नहीं पूछ सकते, "हे, कृपया अभी अपनी भावनाओं का एक नक्शा बनाइए।" यह बहुत निजी और कष्टप्रद है। तो, आप बिना वास्तविक डेटा के एआई को यह कैसे सिखाते हैं?

लेखकों ने एक शानदार "स्ट्रक्चर-फर्स्ट" रणनीति विकसित की। एक एआई से किसी व्यक्ति की कल्पना करने और फिर उसकी भावनाओं का अनुमान लगाने के बजाय (जो अव्यवस्थित और अविश्वसनीय है), उन्होंने खेल को उलट दिया:

पहले मानचित्र बनाएं: उन्होंने एक कंप्यूटर का उपयोग करके एक आदर्श, वैध "सिचुएशन ग्राफ" बनाया (जैसे, "व्यक्ति जॉब इंटरव्यू में है," "घबराहट महसूस कर रहा है," "लक्ष्य नौकरी पाना है")।
सुराग उत्पन्न करें: फिर, उन्होंने एक एआई से वह "साक्ष्य" लिखने के लिए कहा जो स्वाभाविक रूप से उस मानचित्र से निकलेगा। इसलिए, यदि मानचित्र कहता है "घबराहट," तो एआई एक कांपता हुआ वॉयस नोट या एक बहुत ही विनम्र, अत्यधिक औपचारिक ईमेल लिखता है।

यह एक पूर्ण प्रशिक्षण सेट बनाता है जहाँ "उत्तर कुंजी" (मानचित्र) गारंटी के साथ "सुरागों" (टेक्स्ट/ऑडियो) से मेल खाती है। यह एक नकली अपराध स्थल बनाने जैसा है जहाँ जासूस को ठीक-बारीक पता होता है कि अपराधी कौन है, ताकि वे वास्तविक व्यक्ति को नुकसान पहुँचाए बिना केस सुलझाने का अभ्यास कर सकें।

पायलट अध्ययन: एआई जासूसों का परीक्षण

यह देखने के लिए कि क्या यह वास्तव में काम करता है, शोधकर्ताओं ने एक छोटा "पायलट" डेटासेट बनाया। उन्होंने एलिस नवारो नामक एक काल्पनिक पात्र से जुड़े 75 अलग-अलग परिदृश्य बनाए, जो टोरंटो में रहने वाली 28 वर्षीय मार्केटिंग एनालिस्ट है। उन्होंने 2021 और 2025 के बीच उसके जीवन के 75 अलग-अलग क्षणों को ट्रैक किया, जिसमें पेशेवर संघर्षों से लेकर स्वास्थ्य संबंधी मील के पत्कर तक सब कुछ शामिल था।

फिर उन्होंने ये 75 मामले आज के तीन सबसे शक्तिशाली एआई मॉडलों को सौंपे: GPT-4o, Gemini 2.5 Flash, और Claude Sonnet 4। उन्होंने एआई को एलिस के सुरागों को देखने और उसके सिचुएशन ग्राफ को फिर से बनाने के लिए कहा।

परिणाम "बुरा नहीं है" और "अभी भी बहुत लंबा रास्ता तय करना बाकी है" का मिश्रण थे।

अच्छी खबर: जब एआई को सीखने के लिए कुछ उदाहरण दिए गए (एक तकनीक जिसे 'रिट्रीवल-ऑगमेंटेड इन-कॉन्टेक्स्ट लर्निंग' कहा जाता है), तो वे इस काम में बहुत बेहतर हो गए। उनकी विवरणों को सही ढंग से पकड़ने की क्षमता में उल्लेखनीय वृद्धि हुई।
बड़ी खोज: यहाँ तक कि सबसे स्मार्ट एआई को भी सतही तथ्यों (जैसे "एलिस काम पर है") को पहचानने में छिपी हुई भावनाओं (जैसे "एलिस अभिभूत महसूस कर रही है") का अनुमान लगाने की तुलना में बहुत आसान लगा।

शोधकर्ताओं ने इसे एक "गैप" स्कोर का उपयोग करके मापा। उन्होंने पाया कि तीनों मॉडलों के लिए, छिपी हुई भावनाओं का अनुमान लगाने की क्षमता दृश्य तथ्यों को पहचानने की तुलना में लगातार कम थी। उदाहरण के लिए, Claude Sonnet 4 के साथ, "गैप" लगभग 0.70 था, जिसका अर्थ है कि एआई सतह को आत्मा को पढ़ने की तुलना में काफी बेहतर था। यह सुझाव देता है कि भले ही एआई हमारे डिजिटल पदचिह्नों को पढ़ने में माहिर हो रहा है, लेकिन यह अभी भी क्यों और हम कैसा महसूस करते हैं को समझने के लिए संघर्ष करता है।

यह क्यों महत्वपूर्ण है (और यह क्या नहीं है)

यह शोध पत्र यह दावा नहीं करता है कि इसने पूर्ण एआई सहानुभूति की समस्या को हल कर लिया है। वास्तव में, यह इसके विपरीत सुझाव देता है: कि यह एक बहुत कठिन समस्या है जिसे वर्तमान तकनीक अभी बस छूना शुरू कर रही है। अध्ययन से पता चलता है कि सर्वश्रेष्ठ मॉडलों के साथ भी, "क्या हुआ" से "इसका क्या अर्थ है" तक पहुँचने के लिए एक निरंतर संघर्ष बना रहता है।

लेखक सावधानी बरतते हुए बताते हैं कि उनका डेटा सिंथेटिक (नकली) और छोटा है। वे यह नहीं कह रहे हैं, "हमारे पास एक पूर्ण प्रणाली है।" वे कह रहे हैं, "हमारे पास एक नया तरीका है जिससे हम परीक्षण कर सकते हैं, और परीक्षण दिखाते हैं कि मानवीय भावनाओं का अनुमान लगाना केवल एक टेक्स्ट मैसेज पढ़ने से कहीं अधिक कठिन है।"

इस "सिचुएशन ग्राफ" ढांचे और परीक्षण के लिए सिंथेटिक डेटा बनाकर, शोधकर्ताओं ने एआई समुदाय को एक नया उपकरण दिया है। यह जासूसों को प्रशिक्षण के लिए नए पुतलों (dummies) देने जैसा है जो मानव व्यवहार की सटीक नकल करते हैं, जिससे वे किसी की गोपनीयता का उल्लंघन किए बिना अपने कौशल का अभ्यास कर सकें। उम्मीद यह है कि यह समझकर कि एआई ठीक कहाँ विफल होता है (सतह और लेटेंट के बीच का अंतर), हम बेहतर, अधिक भरोसेमंद व्यक्तिगत एजेंट बना सकते हैं जो हमें केवल यह नहीं समझते कि हम क्या टाइप करते हैं, बल्कि हमें वास्तव में समझते हैं।

इसलिए, अगली बार जब आप अपने व्यक्तिगत एआई से बात करें, तो याद रखें: उसे पता हो सकता है कि आप ऑफिस में हैं और आपने एक ईमेल भेजा है, लेकिन यह पता लगाना कि आपका दिन वास्तव में बुरा चल रहा है? वह एआई के लिए चढ़ने वाला अगला बड़ा पहाड़ है।

तकनीकी सारांश: उपयोगकर्ता परिप्रेक्ष्य मॉडलिंग के लिए सिचुएशन ग्राफ प्रेडिक्शन (Situation Graph Prediction)

समस्या विवरण

वर्तमान व्यक्तिगत AI एजेंटों में स्थिर प्राथमिकता वेक्टर्स (static preference vectors) से परे विकसित होते आंतरिक राज्यों—जैसे लक्ष्य, भावनाएं और प्रासंगिक व्याख्याओं—को मॉडल करने की क्षमता का अभाव है। यह सीमा "परिप्रेक्ष्य-जागरूक AI" (Perspective-Aware AI - PAi) के विकास में बाधा डालती है, जिसके लिए किसी इकाई के अनुभवों के अनुदैर्ध्य प्रक्षेपवक्र (longitudinal trajectory) को समझने की आवश्यकता होती है। PAi में प्रगति वर्तमान में ग्राउंडेड सुपरविजन डेटा की कमी के कारण रुकी हुई है: वास्तविक दुनिया के डिजिटल पदचिह्न गोपनीयता-संवेदनशील, खंडित हैं, और उनमें स्पष्ट रूप से लेबल किए गए लेटेंट (latent) परिप्रेक्ष्य चर (जैसे, उपयोगकर्ता की आंतरिक भावनात्मक स्थिति या इरादा) दुर्लभ हैं। फलस्वरूप, दृश्यमान आर्टिफैक्ट्स (लॉग, ऑडियो, टेक्स्ट) को उपयोगकर्ता के परिप्रेक्ष्य के संरचित, ऑन्टोलॉजी-संरेखित (ontology-aligned) निरूपणों में मैप करने के लिए मॉडलों को प्रशिक्षित करना कठिन बना हुआ है।

कार्यप्रणाली

यह शोध पत्र सिचुएशन ग्राफ प्रेडिक्शन (SGP) का प्रस्ताव करता है, जिसे एक इनवर्स इन्फरेंस (inverse inference) समस्या के रूप में तैयार किया गया है। इसका लक्ष्य दृश्यमान मल्टीमॉडल डिजिटल आर्टिफैक्ट्स ( $X_t$ ) से एक संरचित सिचुएशन ग्राफ ( $G_t$ ) का पुनर्निर्माण करना है।

1. निरूपण और औपचारिकीकरण (Representation and Formalization)

सिचुएशन ग्राफ ( $G_t$ ): DOLCE Ultralite (DUL) अपर ऑन्टोलॉजी पर आधारित एक संरचित निरूपण। इसे अर्थपूर्ण ट्रिपलेट्स $(s, p, o)$ के सेट के रूप में परिभाषित किया गया है जहाँ नोड्स प्रतिभागियों, स्थानिक-कालिक संरचनाओं, प्रासंगिक वातावरण और मनोवैज्ञानिक अवस्थाओं का प्रतिनिधित्व करते हैं।
लेटेंट बनाम सरफेस (Latent vs. Surface): स्कीमा सरफेस एट्रिब्यूट्स (दृश्यमान संस्थाएं जैसे स्थान या समय) और लेटेंट एट्रिब्यूट्स (अदृश्य आंतरिक अवस्थाएं जैसे भावना या वैलेंस) के बीच अंतर करता है।
कार्य परिभाषा: SGP को $\hat{G}_t = \arg\max_{G \in \mathcal{G}} P(G | X_t; \Theta)$ खोजने के रूप में परिभाषित किया गया है, जहाँ $\mathcal{G}$ स्कीमा के तहत वैध ग्राफों का स्थान है। शोध पत्र फ्रोजन फाउंडेशन मॉडल्स का उपयोग करके इन-कॉन्टेक्स्ट इन्फरेंस (In-Context Inference) पर ध्यान केंद्रित करता है, जहाँ $\Theta$ में एक प्री-ट्रेन्ड मॉडल और डायनेमिकली रिट्रीव किया गया सपोर्ट सेट शामिल है।

2. स्ट्रक्चर-फर्स्ट सिंथेटिक डेटा जनरेशन (Structure-First Synthetic Data Generation)

वास्तविक दुनिया के लेबल वाले डेटा की अनुपस्थिति को दूर करने के लिए, लेखक एक स्ट्रक्चर-फर्स्ट सिंथेटिक जनरेशन रणनीति पेश करते हैं:

सैंपलिंग (Sampling): ऑन्टोलॉजी के प्रायोर डिस्ट्रीब्यूशन से सीधे एक वैध सिचुएशन ग्राफ ( $G_t$ ) को सैंपल किया जाता है, जो एक काल्पनिक उपयोगकर्ता के परिप्रेक्ष्य (लक्ष्य, प्रभाव, संदर्भ) को एनकोड करता है।
कंडीशनल रेंडरिंग (Conditional Rendering): एक LLM को दृश्यमान आर्टिफैक्ट्स ( $X_t$ ) (जैसे, ईमेल, चैट लॉग, ऑडियो ट्रांसक्रिप्ट) उत्पन्न करने के लिए प्रॉम्प्ट किया जाता है जो पूर्व-सैंपल किए गए $G_t$ के साथ पूरी तरह सुसंगत हों।
एलाइनमेंट (Alignment): यह इनवर्जन सुनिश्चित करता है कि "ग्राउंड ट्रुथ" लेबल ( $G_t$ ) डिज़ाइन द्वारा ही उत्पन्न साक्ष्य ( $X_t$ ) के साथ संरेखित है, जिससे पोस्ट-हॉक एनोटेशन की आवश्यकता नहीं रहती।

3. पायलट डेटासेट निर्माण

एक पायलट डेटासेट बनाया गया जिसमें एक काल्पनिक व्यक्तित्व, "एलिस नवारो" (Elise Navarro) को 2021-2025 के दौरान 75 कालानुक्रमिक घटनाओं के माध्यम से दिखाया गया है। इस डेटासेट में पेशेवर, व्यक्तिगत, स्वास्थ्य और सामाजिक डोमेन के तहत 225 सिंथेटिक आर्टिफैक्ट्स शामिल हैं, जो मुख्य रूप से टेक्स्ट-आधारित हैं और इसमें छवियों और ऑडियो का एक उपसमूह भी शामिल है।

4. डायग्नोस्टिक स्टडी डिज़ाइन

अध्ययन कार्य 1: स्टैटिक सिचुएशन ग्राफ प्रेडिक्शन (ऐतिहासिक संदर्भ के बिना एकल समय खंड से ग्राफ का अनुमान लगाना) का मूल्यांकन करता है।

मॉडल: तीन फ्रंटियर फाउंडेशन मॉडल्स का परीक्षण किया गया: GPT-4o, Gemini 2.5 Flash, और Claude Sonnet 4।
प्रोटोकॉल:
- जीरो-शॉट (Zero-Shot): मॉडल्स को आर्टिफैक्ट्स और ऑन्टोलॉजी परिभाषाएं मिलती हैं लेकिन कोई उदाहरण नहीं।
- रिट्रीवल-ऑगमेंटेड इन-कॉन्टेक्स्ट लर्निंग (RA-ICL): मॉडल्स को प्रदर्शन (demonstrations) के रूप में शीर्ष-3 अर्थपूर्ण रूप से समान $(X, G)$ जोड़े मिलते हैं।
मेट्रिक्स: प्रदर्शन को Strict $F_1$ , Soft $F_1$ (एम्बेडिंग समानता का उपयोग करके), और प्रेडिकेट वायलेशन रेट (PVR) का उपयोग करके मापा जाता है। महत्वपूर्ण रूप से, मेट्रिक्स को सरफेस (दृश्यमान) और लेटेंट (आंतरिक अवस्था) उपसमूहों में विभाजित किया गया है। शब्दावली विविधता के अंतर को संभालने के लिए एक एंट्रॉपी-नॉर्मलाइज्ड गैप की गणना की जाती है।

मुख्य परिणाम

तीन मॉडल्स के डायग्नोस्टिक अध्ययन से निम्नलिखित निष्कर्ष प्राप्त हुए:

गैर-तुच्छ कठिनाई (Non-Trivial Difficulty): SGP सभी मूल्यांकित मॉडल्स के लिए एक महत्वपूर्ण चुनौती पेश करता है। हालांकि RA-ICL ने समग्र प्रदर्शन में सुधार किया (सभी मॉडल्स में Soft $F_1$ को ~0.3 से बढ़ाया), फिर भी प्रदर्शन अपूर्ण रहा।
लेटेंट-सरफेस गैप (Latent-Surface Gap): सरफेस-लेवल एक्सट्रैक्शन और लेटेंट पर्सपेक्टिव इन्फरेंस के बीच एक निरंतर सकारात्मक गैप देखा गया। लेटेंट इन्फरेंस (जैसे, भावना की पहचान करना) सतह के निष्कर्षण (जैसे, स्थान की पहचान करना) की तुलना में लगातार कठिन था, भले ही एंट्रॉपी नॉर्मलाइजेशन के माध्यम से शब्दावली आकार को नियंत्रित किया गया हो।
- एंट्रॉपी-नॉर्मलाइज्ड गैप: RA-ICL के तहत, गैप GPT-4o के लिए +0.528, Gemini के लिए +0.668, और Claude के लिए +0.704 था।
मॉडल-विशिष्ट व्यवहार:
- Claude Sonnet 4: उच्चतम Strict और Soft $F_1$ स्कोर प्राप्त किया, लेकिन सबसे बड़ा लेटेंट-सरफेस गैप भी दिखाया, जो यह सुझाव देता कि इसकी बेहतर बेस क्षमता का लाभ सतह निष्कर्षण को असमान रूप से मिलता है।
- Gemini 2.5 Flash: उच्च रिकॉल (recall) प्रदर्शित किया और इसका PVR लगभग शून्य (PVR = 0.002) था, जो दर्शाता कि यह सख्त ऑन्टोलॉजी अनुपालन बनाए रखते हुए ओवर-जनरेशन की ओर झुकाव रखता है।
- GPT-4o: मध्यम वायलेशन रेट के साथ संतुलित प्रिसिजन (precision) और रिकॉल दिखाया।

महत्व और दावे

यह शोध पत्र SGP को परिप्रेक्ष्य-जागरूक AI को आगे बढ़ाने के लिए एक ठोस ढांचे के रूप में प्रस्तुत करता है, जो उपयोगकर्ता की पहचान को एक स्थिर वेक्टर के बजाय एक अनुदैर्ध्य प्रक्षेपवक्र के रूप में मॉडल करने के लिए एक संरचित, ऑन्टोलॉजी-संरेखित दृष्टिकोण प्रदान करता है।

मेथडोलॉजिकल योगदान: लेखक दावा करते हैं कि स्ट्रक्चर-फर्स्ट सिंथेटिक जनरेशन रणनीति वास्तविक उपयोगकर्ता ट्रेसेस पर निर्भर किए बिना लेबल किए गए परिप्रेक्ष्य डेटा को बनाने में सक्षम बनाती है, जिससे गोपनीयता की बाधा दूर होती है।
अनुभवजन्य साक्ष्य: अध्ययन इस बात का प्रमाण प्रदान करता है कि मल्टीमॉडल आर्टिफैक्ट्स से लेटेंट आंतरिक अवस्थाओं का अनुमान लगाना, सतह-स्तरीय निष्कर्षण की तुलना में एक अलग और कठिन चुनौती है, जो विभिन्न मॉडल परिवारों और आर्किटेक्चरों में एक खोज है।
भविष्य की उपयोगिता: लेखक तर्क देते हैं कि SGP व्यक्तिगत एजेंटों के लिए एक आवश्यक "लॉन्ग-होराइजन मेमोरी सबस्ट्रेट" प्रदान करता है, जो अनुकूलन योग्य शिक्षा, स्वास्थ्य सहायता और पूर्वाग्रह ऑडिटिंग जैसे अनुप्रयोगों का समर्थन करता है, साथ ही आंतरिक अवस्थाओं का अनुमान लगाने से जुड़े नैतिक दायित्वों को भी रेखांकित करता है।

यह कार्य एक पायलट अध्ययन और डायग्नोस्टिक मूल्यांकन के रूप में प्रस्तुत किया गया है। लेखक स्पष्ट रूप से कहते हैं कि डेटासेट छोटे पैमाने का है और इसका उद्देश्य स्ट्रक्चर-फर्स्ट दृष्टिकोण और कार्य की व्यवहार्यता को मान्य करना है, जिससे पूर्णतः सुपरवाइज्ड ट्रेनिंग और बड़े पैमाने पर परिनियोजन भविष्य के कार्य के रूप में छोड़े गए हैं।