🤖 AI

Conv-FinRe: A Conversational and Longitudinal Benchmark for Utility-Grounded Financial Recommendation

Conv-FinRe स्टॉक अनुशंसा के लिए एक संवादात्मक और अनुदैर्ध्य बेंचमार्क पेश करता है जो शोर वाले उपयोगकर्ता व्यवहार की नकल करने और दीर्घकालिक निवेशक लक्ष्यों के अनुरूप उपयोगिता-आधारित रैंकिंग उत्पन्न करने के बीच अंतर करके बड़े भाषा मॉडल (LLMs) का मूल्यांकन करता है, जिससे तर्कसंगत निर्णय की गुणवत्ता और व्यवहार संबंधी संरेखण के बीच एक निरंतर तनाव का पता चलता है।

मूल लेखक: Yan Wang, Yi Han, Lingfei Qian, Yueru He, Xueqing Peng, Dongji Feng, Zhuohan Xie, Vincent Jim Zhang, Rosie Guo, Fengran Mo, Jimin Huang, Yankai Chen, Xue Liu, Jian-Yun Nie

प्रकाशित 2026-02-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yan Wang, Yi Han, Lingfei Qian, Yueru He, Xueqing Peng, Dongji Feng, Zhuohan Xie, Vincent Jim Zhang, Rosie Guo, Fengran Mo, Jimin Huang, Yankai Chen, Xue Liu, Jian-Yun Nie

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 वित्तीय सलाहकार (financial advisor) को काम पर रख रहे हैं। उनके अच्छे होने को परखने के दो तरीके हैं:

"कॉपीकैट" टेस्ट (The "Copycat" Test): क्या उन्होंने आपको वही खरीदने को कहा जो आपने पिछली बार खरीदा था?
"विजडम" टेस्ट (The "Wisdom" Test): क्या उन्होंने आपको ऐसी सलाह दी जिससे आप लंबे समय में वास्तव में समृद्ध और सुरक्षित हो सकें, भले ही इसके लिए उन्हें आपको वह करने से रोकना पड़ा हो जो आप करना चाहते थे?

वर्तमान में अधिकांश AI परीक्षण केवल "कॉपीकैट टेस्ट" का उपयोग करते हैं। वे पूछते हैं, "क्या AI ने उस चीज़ का अनुमान लगाया जिसे यूजर ने क्लिक किया था?" समस्या यह है कि इंसान बहुत उलझे हुए (messy) होते हैं। कभी-कभी हम घबराकर शेयर बेच देते हैं जब बाजार गिरता है, या लालच में आकर कोई जोखिम भरा स्टॉक खरीद लेते हैं क्योंकि वह ट्रेंड में है। यदि कोई AI आपके इन भावनात्मक और अव्यवस्थित फैसलों की नकल करता है, तो वह एक अच्छा सलाहकार नहीं बन रहा है; वह बस एक बुरा आईना बन रहा है।

Conv-FinRe एक नया, अधिक स्मार्ट टेस्ट है जिसे इसे ठीक करने के लिए बनाया गया है। यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) के साथ दिया गया है:

1. सेटअप: एक दीर्घकालिक संबंध, न कि एक बार की बातचीत

कल्पना कीजिए कि आप एक पर्सनल ट्रेनर को काम पर रख रहे हैं।

पुराने टेस्ट: आप ट्रेनर से पूछते हैं, "आपने कल कौन सा वर्कआउट किया था?" और वे बस आपकी सटीक दिनचर्या को दोहरा देते हैं।
Conv-FinRe: यह बेंचमार्क एक 30-दिवसीय संबंध का अनुकरण (simulate) करता है। यह एक इंटरव्यू (ऑनबोर्डिंग) के साथ शुरू होता है जहाँ AI आपके लक्ष्यों, आपके डर और आपके बजट के बारे में सीखता है। फिर, दिन-प्रतिदिन, जैसे-जैसे बाजार बदलता है, AI आपसे बात करता है, सलाह देता है और देखता है कि आप कैसी प्रतिक्रिया देते हैं। यह केवल एक बार का सवाल नहीं है; यह एक लंबी बातचीत है।

2. निर्णय के "चार नेत्र" (The "Four Eyes" of Judgment)

यह सबसे रचनात्मक हिस्सा है। जब AI कोई सिफारिश देता है, तो यह टेस्ट केवल एक 'उत्तर कुंजी' (answer key) की जाँच नहीं करता। यह AI की सलाह को चार अलग-अलग "विशेषज्ञ नेत्रों" के विरुद्ध जाँचता है ताकि यह देखा जा सके कि AI वास्तव में क्या सोच रहा है:

👁️ "यूजर आई" (User Eye - जो आपने वास्तव में किया): क्या AI ने आपके पिछले अव्यवस्थित विकल्पों की नकल की? (यह "कॉपीकैट" स्कोर है)।
🧠 "रेशनल आई" (Rational Eye - जो गणितीय रूप से सबसे अच्छा है): आपके जोखिम सहने की क्षमता के आधार पर, एक आदर्श और शांत निवेशक को क्या करना चाहिए? (यह "विजडम" स्कोर है)।
📈 "हाइप आई" (Hype Eye - जो बाजार अभी कर रहा है): क्या AI ने बस भीड़ का पीछा किया और इस सप्ताह के सबसे चर्चित स्टॉक को खरीद लिया?
🛡️ "सेफ्टी आई" (Safety Eye - जो आपको सुरक्षित रखता है): क्या AI ने बड़े मुनाफे के पीछे भागने के बजाय बड़े नुकसान से बचने को प्राथमिकता दी?

उपमा: कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है।

यदि वह केवल अपने दोस्त के उत्तरों की नकल करता है, तो वह "यूजर आई" पास कर लेता है।
यदि वह पूर्ण तर्क का उपयोग करके समस्या को हल करता है, तो वह "रेशनल आई" पास कर लेता है।
यदि वह केवल उस उत्तर का अनुमान लगाता है जो सोशल मीडिया पर ट्रेंड कर रहा है, तो वह "हाइप आई" पास कर लेता है।
Conv-FinRe जानना चाहता है: क्या AI एक बुद्धिमान तर्कशास्त्री है, एक बिना सोचे-समझे नकल करने वाला है, या केवल ट्रेंड का पीछा करने वाला है?

3. गुप्त मंत्र: आपके दिमाग को "रिवर्स इंजीनियर" करना

अगर यूजर ने कोई "अव्यवस्थित" (messy) चुनाव किया है, तो टेस्ट को कैसे पता चलता है कि "तार्किक" (rational) उत्तर क्या है?

शोधकर्ताओं ने इनवर्स ऑप्टिमाइजेशन (Inverse Optimization) नामक एक चतुर तकनीक का उपयोग किया।

इसे ऐसे समझें: आप एक शतरंज खिलाड़ी को एक अजीब चाल चलते हुए देखते हैं। आप उनकी रणनीति नहीं जानते। लेकिन उनके कई चालों को समय के साथ देखकर, आप गणितीय रूप से उनके दिमाग को "रिवर्स इंजीनियर" कर सकते हैं और पता लगा सकते हैं कि: "आह, यह खिलाड़ी वास्तव में जोखिम से बचने वाला है; वे जीतने वाले मोहरों के बजाय नुकसान से बचने को प्राथमिकता देते हैं।"
यह बेंचमार्क यूजर के डेटा के साथ यही करता है। यह यूजर के वास्तविक छिपे हुए व्यक्तित्व (जैसे, "मुझे पैसा कमाने से ज्यादा पैसा खोने से डर लगता है") का पता लगाता है और उसी का उपयोग "गोल्ड स्टैंडर्ड" के रूप में करता है कि अच्छी सलाह कैसी दिखती है।

4. बड़ी खोज: "रस्साकशी" (The "Tug-of-War")

जब उन्होंने इस नए बेंचमार्क पर शीर्ष AI मॉडल्स (जैसे GPT-4, Llama, आदि) का परीक्षण किया, तो उन्हें एक दिलचस्प और महत्वपूर्ण तनाव (tension) मिला:

"स्मार्ट" AI: कुछ मॉडल "रेशनल आई" में बहुत अच्छे थे। उन्होंने गणितीय रूप से सटीक सलाह दी जो यूजर के दीर्घकालिक लक्ष्यों के अनुरूप थी। हालांकि, वे अक्सर "यूजर आई" में विफल रहे। उन्होंने यूजर को वह करने को कहा जो यूजर नहीं करना चाहता था, जिससे यूजर को लगा कि उसे समझा नहीं गया।
"एम्पैथेटिक" (सहानुभूतिपूर्ण) AI: अन्य मॉडल (विशेष रूप से जो विशेष रूप से वित्त पर प्रशिक्षित थे) "यूजर आई" में बहुत अच्छे थे। उन्होंने यूजर के अव्यवस्थित और भावनात्मक विकल्पों की पूरी तरह से नकल की। हालांकि, वे "रेशनल आई" में विफल रहे। वे यूजर की बुरी आदतों की नकल करने में इतने व्यस्त थे कि उन्होंने खराब वित्तीय सलाह दी।

निष्कर्ष

Conv-FinRe हमें सिखाता है कि एक वास्तव में महान वित्तीय AI को न केवल एक "जी-हुज़ूरी" (yes-man) होना चाहिए जो आपकी गलतियों की नकल करे, और न ही एक "रोबोट" जो आपकी भावनाओं को अनदेखा करे।

उसे एक "बुद्धिमान मार्गदर्शक" (wise guide) होना चाहिए: कोई ऐसा जो आपके व्यक्तित्व को समझता हो, आपके डर का सम्मान करता हो, लेकिन धीरे से आपको उन भावनात्मक जाल से दूर ले जाए जो आपकी जेब को नुकसान पहुँचाते हैं। यह नया बेंचमार्क पहला ऐसा उपकरण है जो वास्तव में यह माप सकता है कि क्या AI इस संतुलन को बना पा रहा है।

यहाँ शोध पत्र "Conv-FinRe: A Conversational and Longitudinal Benchmark for Utility-Grounded Financial Recommendation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान अनुशंसा बेंचमार्क (recommendation benchmarks) मुख्य रूप से बड़े भाषा मॉडलों (LLMs) का मूल्यांकन व्यवहार संबंधी अनुकरण (behavioral imitation) के आधार पर करते हैं: कि क्या मॉडल का आउटपुट ऐतिहासिक उपयोगकर्ता विकल्पों (जैसे क्लिक, रेटिंग, या ट्रेड) से मेल खाता है। वित्तीय क्षेत्र में, यह दृष्टिकोण मौलिक रूप से त्रुटिपूर्ण है क्योंकि:

शोरयुक्त क्रियाएं (Noisy Actions): निवेशकों के निर्णय अक्सर दीर्घकालिक लक्ष्यों के बजाय अल्पकालिक बाजार अस्थिरता, भावनाओं, या क्षणिक बाधाओं से प्रेरित होते हैं।
सत्य का मिसअलाइनमेंट (Misalignment of Truth): देखे गए उपयोगकर्ता व्यवहार को "ग्राउंड ट्रुथ" मानने से शोर का अनुकरण करने और उच्च गुणवत्ता वाली वित्तीय सलाह प्रदान करने के बीच का अंतर समाप्त हो जाता है। एक मॉडल जो उपयोगकर्ता के आवेगपूर्ण ट्रेडों का पूरी तरह से अनुकरण कर सकता है, वह उनकी दीर्घकालिक उपयोगिता (utility) की सेवा करने में विफल हो सकता है।
उपयोगिता आधारित आधार का अभाव (Lack of Utility Grounding): मौजूदा बेंचमार्क में उपयोगकर्ता की अंतर्निहित (latent) जोखिम प्राथमिकताओं और तर्कसंगत उपयोगिता के विरुद्ध अनुशंसाओं का मूल्यांकन करने के लिए तंत्र की कमी है, जिससे तर्कसंगत विश्लेषण, व्यवहार संबंधी अनुकरण और मार्केट मोमेंटम चेज़िंग (market momentum chasing) के बीच अंतर करना असंभव हो जाता है।

2. कार्यप्रणाली: Conv-FinRe फ्रेमवर्क (Methodology: The Conv-FinRe Framework)

लेखक Conv-FinRe पेश करते हैं, जो एक संवादात्मक और अनुदैर्ध्य (longitudinal) बेंचमार्क है जिसे सरल व्यवहार मिलान से परे LLMs का मूल्यांकन करने के लिए डिज़ाइन किया गया है।

A. कार्य संरचना (Task Formulation)

यह कार्य एक व्यक्तिगत निवेश सलाहकार (LLM) और एक निश्चित अवधि ( $T$ ) के दौरान एक उपयोगकर्ता के बीच एक अनुदैर्ध्य अंतःक्रिया का अनुकरण करता है। एकल "गोल्ड" लेबल वाले मानक बेंचमार्क के विपरीत, Conv-FinRe चार संदर्भ दृश्यों (reference views) के साथ एक Multi-View Alignment फ्रेमवर्क का उपयोग करता है:

उपयोगकर्ता विकल्प ( $y_{user}$ ): मानव प्रतिभागी द्वारा चुना गया अनुभवजन्य स्टॉक (शोरयुक्त व्यवहार)।
तर्कसंगत उपयोगिता ( $y_{util}$ ): रिटर्न और जोखिम को संतुलित करने वाले एक कैलिब्रेटेड यूटिलिटी फंक्शन पर आधारित सैद्धांतिक रूप से इष्टतम रैंकिंग।
मार्केट मोमेंटम ( $y_{mom}$ ): विशुद्ध रूप से हालिया संचयी रिटर्न पर आधारित लाभ-उन्मुख रैंकिंग।
जोखिम संवेदनशीलता ( $y_{safe}$ ): एक रूढ़वादी रैंकिंग जो उपयोगकर्ता की विशिष्ट प्रोफाइल के अनुसार अस्थिरता और डाउनसाइड रिस्क को दंडित करती है।

LLM को इन परस्पर विरोधी संकेतों को संश्लेषित करके एक अंतिम रैंकिंग उत्पन्न करनी होती है, जो प्रभावी रूप से यह निदान करता है कि क्या यह तर्कसंगत विश्लेषण पर निर्भर है, शोर का अनुकरण कर रहा है, या रुझानों (trends) का पीछा कर रहा है।

B. इनवर्स ऑप्टिमाइज़ेशन के माध्यम से अंतर्निहित प्राथमिकता निर्धारण (Latent Preference Grounding via Inverse Optimization)

चूंकि मॉडल के पास उपयोगकर्ता का वास्तविक उपयोगिता फंक्शन नहीं होता है, इसलिए बेंचमार्क इन्वर्स ऑप्टिमाइज़ेशन (Inverse Optimization) का उपयोग करके एक अंतर्निहित प्राथमिकता संकेत का निर्माण करता है:

उपयोगिता फंक्शन (Utility Function): इसे $U(s) = \tilde{\mu} - \lambda \tilde{\sigma}^2 - \gamma \tilde{Drawdown}$ के रूप में परिभाषित किया गया है, जहाँ $\lambda$ और $\gamma$ अस्थिरता और डाउनसाइड रिस्क के प्रति उपयोगकर्ता की संवेदनशीलता का प्रतिनिधित्व करते हैं।
पैरामीटर अनुमान (Parameter Estimation): मॉडल उपयोगकर्ता के देखे गए अनुदैर्ध्य निर्णय प्रक्षेपवक्र ( $H_{1:T}$ ) के रेगुलराइज्ड नेगेटिव लॉग-लाइक्लीहुड को कम करके उपयोगकर्ता-विशिष्ट पैरामीटर $(\lambda_i, \gamma_i)$ का अनुमान लगाता है।
संदर्भ निर्माण (Reference Construction): इन अनुमानित मापदंडों का उपयोग $y_{util}$ और $y_{safe}$ संदर्भ रैंकिंग उत्पन्न करने के लिए किया जाता है, जो बिना इन्फरेंस के दौरान फंक्शन को उजागर किए, "तर्कसंगत" निर्णय की गुणवत्ता के लिए ग्राउंड ट्रुथ के रूप में कार्य करते हैं।

C. डेटा संग्रह और सिमुलेशन (Data Collection and Simulation)

स्टॉक यूनिवर्स (Stock Universe): 11 GICS सेक्टरों को कवर करने वाले और मार्केट बीटा (लो, मॉडरेट, हाई वोलैटिलिटी) के आधार पर वर्गीकृत किए गए 10 S&P 500 स्टॉक्स का एक क्यूरेटेड सेट।
उपयोगकर्ता प्रोफाइल (User Profiles): 10 प्रतिभागियों ने एक संरचित प्रश्नावली (MiFID II और FINRA दिशानिर्देशों के अनुरूप) के माध्यम से स्थिर प्रोफाइल प्रदान किए और 30-दिवसीय अवधि के दौरान एक कस्टम एसेट सिमुलेशन टूल के साथ बातचीत की।
संवाद सिमुलेशन (Conversation Simulation): बेंचमार्क बहु-टर्न संवाद उत्पन्न करता है जिसमें शामिल हैं:
- ऑनबोर्डिंग (Onboarding): वित्तीय पृष्ठभूमि और जोखिम सहनशीलता को निकालने के लिए 4-टर्न का साक्षात्कार।
- अनुदैर्ध्य परामर्श (Longitudinal Advisory): अंतःक्रिया के 23 चरण जहाँ तीन विशेषज्ञ सलाहकारों (रैशनल, मोमेंटम, रिस्क) का एक पैनल परस्पर विरोधी सलाह देता है, और उपयोगकर्ता एक विकल्प चुनता है।
पैमाना (Scale): कुल 230 इंस्टेंस, औसतन प्रति इंस्टेंस 15 टर्न, पर्याप्त संदर्भ जटिलता (औसत 4,320 टोकन) के साथ।

D. मूल्यांकन मेट्रिक्स (Evaluation Metrics)

फ्रेमवर्क एक बहु-आयामी मूल्यांकन सूट का उपयोग करता है:

उपयोगिता-आधारित NDCG (uNDCG): अंतर्निहित तर्कसंगत उपयोगिता ( $y_{util}$ ) के साथ संरेखण को मापता है।
MRR और हिट रेट (HR@K): देखे गए उपयोगकर्ता विकल्प ( $y_{user}$ ) के साथ संरेखण को मापता है।
एक्सपर्ट अलाइनमेंट स्कोर (EAS): तीन विशेषज्ञ रणनीतियों (यूटिलिटी, मोमेंटम, रिस्क) के साथ संरेखण को मापने के लिए केंडल का $\tau$ (Kendall's $\tau$ ) का उपयोग करता है।

3. प्रमुख योगदान (Key Contributions)

Conv-FinRe बेंचमार्क: स्टॉक अनुशंसा के लिए पहला संवादात्मक और अनुदैर्ध्य बेंचमार्क जो LLMs का मूल्यांकन केवल व्यवहार मिलान के बजाय निवेशक-विशिष्ट उपयोगिता के आधार पर करता है।
Multi-View Diagnostic Framework: एक अभिनव दृष्टिकोण जो व्यवहार संबंधी संरेखण (उपयोगकर्ता के शोर का अनुकरण करना) को तर्कसंगत निर्णय गुणवत्ता (दीर्घकालिक उपयोगिता के लिए अनुकूलन) से अलग करने के लिए इनवर्स ऑप्टिमाइज़ेशन का उपयोग करता है।
व्यवस्थित मूल्यांकन (Systematic Evaluation): 8 विविध LLMs का एक व्यापक मूल्यांकन (GPT-5.2, GPT-4o, DeepSeek, Qwen, और Llama वेरिएंट सहित) जो विशिष्ट सलाहकार व्यवहार पैटर्न को प्रकट करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

8 विविध LLMs के मूल्यांकन ने तर्कसंगत निर्णय गुणवत्ता और व्यवहार संबंधी संरेखण के बीच एक निरंतर तनाव को प्रकट किया:

तर्कसंगत बनाम व्यवहार संबंधी ट्रेड-ऑफ (Rational vs. Behavioral Trade-off):
- Llama-3.3-70B जैसे मॉडलों ने उच्चतम uNDCG (0.97) प्राप्त किया, जो तर्कसंगत उपयोगिता के साथ मजबूत संरेखण को दर्शाता है, लेकिन उनके हिट रेट कम थे (उपयोगकर्ता के विकल्पों का कम प्रभावी ढंग से अनुकरण करना)।
- Qwen2.5-72B और Llama3-XuanYuan3-70B जैसे मॉडल MRR और हिट रेट में उत्कृष्ट थे, जो उपयोगकर्ता के शोरयुक्त, वास्तविक निर्णयों का प्रभावी ढंग से अनुकरण करते हैं, लेकिन आदर्श तर्कसंगत उपयोगिता के साथ उनका संरेखण कम था।
विशेषज्ञ संरेखण पैटर्न (Expert Alignment Patterns):
- Llama-3.3-70B ने तर्कसंगत उपयोगिता और मार्केट मोमेंटम संरेखण के बीच मजबूत जुड़ाव दिखाया, लेकिन रिस्क सेंसिटिविटी (सेफ्टी) के साथ संघर्ष किया, जो यह सुझाव देता है कि यह ग्रोथ सिग्नल को सेफ्टी के साथ मिला देता है।
- DeepSeek-V3.2 ने सबसे संतुलित प्रोफाइल प्रदर्शित किया, जो रिटर्न-ड्रिवन मेट्रिक्स की ओर अत्यधिक झुकाव से बचते हुए सेफ्टी के साथ स्थिर संरेखण बनाए रखता है।
- डोमेन-विशिष्ट मॉडल (XuanYuan3): कम विशेषज्ञ संरेखण स्कोर के बावजूद, उन्होंने उच्च व्यवहारिक हिट रेट प्राप्त किया, जो अधिक "अनुभवी मानव सलाहकारों" की तरह कार्य करते हैं जो कठोर गणितीय सूत्रों के बजाय व्यावहारिक, हालांकि शोरयुक्त, निवेशक प्राथमिकताओं को प्राथमिकता देते हैं।
वरीयता खोज गतिशीलता (Preference Discovery Dynamics):
- अनुकूली सलाहकार (जैसे GPT-5.2, DeepSeek): जब संवादात्मक इतिहास उपलब्ध था, तो महत्वपूर्ण उपयोगिता संरेखण लाभ दिखाया, जिससे वे अंतर्निहित जोखिम प्राथमिकताओं को सफलतापूर्वक निकालने में सक्षम रहे।
- व्यवहार संबंधी ओवरफ़िटर (जैसे Qwen2.5, XuanYuan3): इतिहास पेश किए जाने पर उनके उपयोगिता संरेखण में गिरावट आई, जो यह दर्शाता है कि वे स्थिर प्राथमिकताओं को समझने के बजाय क्षणिक उपयोगकर्ता क्रियाओं पर ओवरफिट होते हैं।

5. महत्व और प्रभाव (Significance and Impact)

प्रतिमान परिवर्तन (Paradigm Shift): Conv-FinRe प्रचलित "व्यवहार-ही-सत्य-है" (behavior-as-truth) प्रतिमान को चुनौती देता है, यह तर्क देते हुए कि वित्त में, उपयोगकर्ता व्यवहार का अनुकरण करना हानिकारक हो सकता है यदि वह व्यवहार तर्कहीन या अल्पकालिक है।
नैदानिक क्षमता (Diagnostic Capability): बेंचमार्क यह निदान करने के लिए एक उपकरण प्रदान करता है कि मॉडल क्यों विफल होता है—चाहे वह शोर पर ओवरफिट हो रहा हो, अंधाधुंध मार्केट मोमेंटम का पीछा कर रहा हो, या जोखिम सहनशीलता को समझने में विफल हो रहा हो।
भावी दिशाएँ (Future Directions): निष्कर्ष बताते हैं कि भविष्य के वित्तीय AI को केवल व्यवहार संबंधी संरेखण का लक्ष्य नहीं रखना चाहिए बल्कि तर्कसंगत सलाह देने और उपयोगकर्ता के इरादे के साथ सहानुभूतिपूर्ण संरेखण बनाए रखने के बीच के ट्रेड-ऑफ को नेविगेट करना चाहिए। शोध को आगे बढ़ाने के लिए डेटासेट और कोडबेस सार्वजनिक रूप से जारी किए गए हैं।