💬 NLP

What Makes a Good Query? Measuring the Impact of Human-Confusing Linguistic Features on LLM Performance

एक 22-आयामी भाषाई विशेषता वेक्टर के माध्यम से 369,837 वास्तविक दुनिया के प्रश्नों का विश्लेषण करके, यह अध्ययन प्रदर्शित करता है कि विशिष्ट मानव-भ्रमित करने वाले प्रश्न लक्षण, जैसे कि गहरा क्लॉज नेस्टिंग (clause nesting) और अपर्याप्त विशिष्टता (underspecification), लार्ज लैंग्वेज मॉडल के मतिभ्रम (hallucinations) की संभावना को महत्वपूर्ण रूप से बढ़ा देते हैं, जिससे निर्देशित प्रश्न पुनलेखन (guided query rewriting) के माध्यम से इन जोखिमों को कम करने के लिए एक डेटा-संचालित ढांचा स्थापित होता है।

मूल लेखक: William Watson, Nicole Cho, Sumitra Ganesh, Manuela Veloso

प्रकाशित 2026-02-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: William Watson, Nicole Cho, Sumitra Ganesh, Manuela Veloso

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 बुद्धिमान, लेकिन थोड़ी अति-उत्साही, लाइब्रेरियन (AI) से मदद मांग रहे हैं। कभी-कभी, यह लाइब्रेरियन आपको एकदम सही उत्तर देता है। अन्य समय में, यह आत्मविश्वास के साथ ऐसे तथ्य बना लेता है जो सुनने में तो असली लगते हैं, लेकिन पूरी तरह से गलत होते हैं। तकनीकी दुनिया में, हम इन मनगढ़ंत तथ्यों को "हैलुसिनेशन" (hallucinations) कहते हैं।

ज्यादातर लोग सोचते हैं कि लाइब्रेरियन खराब है या उसे बेहतर प्रशिक्षण की आवश्यकता है। लेकिन यह शोध कुछ अलग तर्क देता है: कभी-कभी, समस्या लाइब्रेरियन में नहीं होती; बल्कि इसमें होती है कि आपने सवाल कैसे पूछा।

यहाँ शोध का विवरण दिया गया है, जिसे सरल तरीके से समझाया गया है।

मुख्य विचार: "खराब सवाल" बनाम "खराब लाइब्रेरियन"

शोधकर्ताओं ने AI मॉडल से पूछे गए लगभग 3,70,000 वास्तविक सवालों का अध्ययन किया। वे यह देखना चाहते थे कि क्या सवाल पूछने का तरीका AI द्वारा झूठ बोलने की संभावना को बढ़ाता है।

उन्होंने सवाल को एक रेसिपी (विधि) की तरह माना। यदि आप एक शेफ को एक अस्पष्ट रेसिपी देते हैं ("कुछ स्वादिष्ट बनाओ"), तो वह अनुमान लगा सकता है और आपको कुछ अजीब परोस सकता है। यदि आप उसे एक विशिष्ट रेसिपी देते हैं ("ब्रोकोली के साथ एक तीखा चिकन स्टिर-फ्राई बनाओ"), तो परिणाम बहुत अधिक विश्वसनीय होता है।

17 "जोखिम कारक" (Risk Factors)

टीम ने 17 भाषाई विशेषताओं (बोलने के तरीकों) की एक चेकलिस्ट बनाई जो मनुष्यों को भ्रमित करती हैं। उन्होंने पूछा: क्या ये समान भ्रमित करने वाली विशेषताएं AI को भी भ्रमित करती हैं और उसे मनगढ़ंत तथ्य बनाने पर मजबूर करती हैं?

उन्होंने एक "रिस्क लैंडस्केप" (Risk Landscape) बनाया, जो सवाल की सुरक्षा के लिए एक मौसम मानचित्र की तरह है। कुछ विशेषताएं "तूफानी" (उच्च जोखिम वाली) हैं, और कुछ "धूप वाली" (कम जोखिम वाली) हैं।

🌩️ तूफानी विशेषताएं (Hallucination का उच्च जोखिम)

ये वे चीजें हैं जो AI के दिमाग को घुमा देती हैं और उसे अनुमान लगाने पर मजबूर करती हैं:

"अस्पष्ट मानचित्र" (विशिष्टता का अभाव - Lack of Specificity):
- उपमा: एक टैक्सी ड्राइवर को कहना, "मुझे किसी अच्छी जगह ले चलो।"
- परिणाम: ड्राइवर अनुमान लगाएगा। AI तथ्यों का अनुमान लगाएगा।
- उदाहरण: "टेस्ला के बारे में बताओ।" (क्या आपका मतलब कार कंपनी से है? आविष्कारक से? या स्टॉक से?)
"रशियन नेस्टिंग डॉल" (क्लॉज की जटिलता - Clause Complexity):
- उपमा: एक ऐसा वाक्य जिसमें बहुत सारे "यदि", "जब", और "क्योंकि" वाले क्लॉज एक के ऊपर एक रखे गए हों।
- परिणाम: AI वाक्य के बीच में खो जाता है और शुरुआत को भूल जाता है, जिससे मनगढ़ंत संबंध बन जाते हैं।
"भूतिया संदर्भ" (Anaphora):
- उपमा: यह कहना कि, "उसने कहा कि यह टूटा हुआ है," बिना यह बताए कि "वह" कौन है या "यह" क्या है।
- परिणाम: AI को अनुमान लगाना पड़ता है कि "वह" कौन है, और वह अक्सर गलत अनुमान लगाता है।
"दोहरा नकारात्मक" (Negation):
- उपमा: "मैं नहीं जाना चाहता नहीं।" (I don't want to not go.)
- परिणाम: भले ही इंसान इसमें बेहतर हो रहे हैं, AI अभी भी "नहीं" और "कभी नहीं" के तर्क में उलझ जाता है।

☀️ धूप वाली विशेषताएं (Hallucation का कम जोखिम)

ये वे चीजें हैं जो रेलिंग (guardrails) की तरह काम करती हैं, जिससे AI सही रास्ते पर रहता है:

"स्पष्ट गंतव्य" (इन्टेंशन ग्राउंडिंग - Intention Grounding):
- उपमा: "इस लेख का तीन बुलेट पॉइंट्स में सारांश दें।"
- परिणाम: AI को पता है कि उसे क्या काम करना है। उसे अनुमान लगाने की जरूरत नहीं है।
"जांचने योग्य तथ्य" (Answerability):
- उपमा: "जीवन का अर्थ क्या है?" के बजाय "2+2 क्या है?" पूछना।
- परिणाम: यदि उत्तर मौजूद है और स्पष्ट है, तो AI के मनगढ़ंत तथ्य बनाने की संभावना कम होती है।
"संदर्भ संकेत" (विशिष्ट बाधाएं - Specific Constraints):
- उपमा: "पिछले मंगलवार को लंदन में मौसम कैसा था, इसके बारे में बताएं।"
- परिणाम: AI को एक विशिष्ट समय और स्थान की ओर देखने के लिए मजबूर किया जाता है, जिससे कल्पना की गुंजाइश कम हो जाती है।

चौंकाने वाला मोड़: इंसान बनाम AI

यहाँ अध्ययन का सबसे दिलचस्प हिस्सा है।

कुछ चीजें जो इंसानों को पागल कर देती हैं—जैसे बहुत दुर्लभ शब्दों या जटिल व्याकरण का उपयोग करना—वे वास्तव में AI को ज्यादा परेशान नहीं करतीं।

इंसान: "उफ़, मैं इस वाक्य को समझ नहीं पा रहा हूँ जिसमें इतने बड़े शब्दों का प्रयोग किया गया है।"
AI: "मैं इस शब्द को जानता हूँ। मैं अभी भी सवाल का जवाब दे सकता हूँ।"

हालाँकि, जो चीजें इंसानों को भ्रमित करती हैं (जैसे अस्पष्ट सवाल), वे AI को भी भ्रमित करती हैं। यह सुझाव देता है कि हालांकि AI मनुष्यों से अलग है, फिर भी वह उन्हीं मौलिक तार्किक कमियों से जूझता है: अस्पष्टता और संदर्भ का अभाव।

"रिस्क स्कोर" (Risk Score)

शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो AI के जवाब देने से पहले आपके सवाल को देखती है। यह सवाल को एक "रिस्क स्कोर" देती है:

सुरक्षित (Safe): स्पष्ट, विशिष्ट, आधारित। (पूछिए!)
सीमावर्ती (Borderline): थोड़ा अस्पष्ट। (शायद इसे फिर से लिखें।)
जोखिम भरा (Risky): बिना पर्याप्त विवरण के "कौन", "क्या" और "शायद" से भरा हुआ। (रुकिए! पहले इसे फिर से लिखें।)

निष्कर्ष: AI से बात करने का तरीका

बेहतर परिणाम पाने के लिए आपको कंप्यूटर वैज्ञानिक होने की आवश्यकता नहीं है। आपको बस तीन सरल नियमों का पालन करके एक बेहतर "प्रॉम्प्ट इंजीनियर" बनने की आवश्यकता है:

विशिष्ट बनें: "कुत्तों के बारे में बताओ" न कहें। कहें "गोल्डन रिट्रीवर की आहार संबंधी आवश्यकताओं के बारे में बताएं।"
अपना लक्ष्य बताएं: केवल एक सवाल न पूछें। कहें "X और Y की तुलना करें" या "Z का सारांश दें।"
धुंध साफ करें: यदि आप ऐसे शब्द का उपयोग करते जिसके दो अर्थ हैं (जैसे "Java" द्वीप बनाम "Java" कोड), तो तुरंत AI को बताएं कि आपका मतलब किससे है।

संक्षेप में: यदि आप चाहते हैं कि AI ईमानदार रहे, तो उसे अनुमान लगाने के लिए कहना बंद करें। उसे एक स्पष्ट मानचित्र दें, और वह बिना रास्ते में दृश्य (scenery) मनगढ़ंत किए आपको सही गंतव्य तक पहुँचा देगा।

यहाँ शोध पत्र "What Makes a Good Query? Measuring the Impact of Human-Confusing Linguistic Features on LLM Performance" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल्स (LLMs) हैलुसिनेशन (plausible लेकिन तथ्यात्मक रूप से गलत आउटपुट उत्पन्न करना) से ग्रस्त हैं, जो वित्त और कानून जैसे उच्च-दांव वाले डोमेन में एक गंभीर मुद्दा है। जबकि मौजूदा शोध 'रिएक्टिव' शमन (जैसे self-verification, logit-based detection) या 'प्रोएक्टिव' कॉन्टेक्स्ट एनरिचमेंट (जैसे RAG) पर ध्यान केंद्रित करता है, इस बात की समझ का अभाव है कि इनपुट क्वेरी का भाषाई रूप (linguistic form) स्वयं हैलुसिनेशन की प्रवृत्ति को कैसे प्रभावित करता है।

लेखक यह परिकल्पना करते हैं कि विशिष्ट भाषाई विशेषताएं जो मानव पाठकों को भ्रमित करती हैं (जैसे अस्पष्टता, जटिल वाक्य संरचना, अपूर्णता), वे LLMs को भी समान रूप से अस्थिर कर सकती हैं, जिससे हैलुसिनेशन की दर बढ़ सकती है। उनका लक्ष्य इन विशेषताओं को हैलुसिनेशन जोखिम के साथ मैप करना है ताकि प्रोएक्टिव क्वेरी ऑप्टिमाइज़ेशन को सक्षम बनाया जा सके।

2. कार्यप्रणाली (Methodology)

A. डेटा संग्रह और फीचर निष्कर्षण (Data Collection and Feature Extraction)

डेटासेट: अध्ययन 13 QA डेटासेट्स (SQuAD, TruthfulQA, MMLU, HotpotQA सहित) में 369,837 वास्तविक दुनिया की क्वेरीज का विश्लेषण करता है, जो तीन परिदृश्यों में फैले हुए हैं: एक्सट्रैक्टिव (Extractive), मल्टीपल चॉइस (Multiple Choice), और एब्स्ट्रैक्टिव (Abstractive)।
फीचर टैक्सोनॉमी: लेखकों ने शास्त्रीय भाषाविज्ञान के आधार पर एक 17-आयामी बाइनरी फीचर वेक्टर को संचालित किया। इन विशेषताओं को निम्नानुसार वर्गीकृत किया गया है:
- अस्पष्टता (Ambiguity): विशिष्टता का अभाव (Lack of Specificity), बहुअर्थी शब्द (Polysemous Words), प्राग्मैटिक विशेषताएं (Pragmatic Features)।
- संदर्भ संरचना (Referential Structure): एनाफोरा उपयोग (Anaphora Usage)।
- जटिलता (Complexity): क्लॉज जटिलता (Clause Complexity), डिपेंडेंसी डेप्थ (Dependency Depth), पार्स ट्री हाइट (Parse Tree Height), क्लॉज की संख्या।
- पोलैरिटी (Polarity): निषेध उपयोग (Negation Usage)।
- ग्राउंडिंग (Grounding): उत्तरक्षमता (Answerability), इरादा ग्राउंडिंग (Intention Grounding), संदर्भात्मक बाधाएं (Contextual Constraints)।
- अन्य (Others): डोमेन विशिष्टता, नामित संस्थाएं (Named Entities), दुर्लभ शब्द उपयोग, सुपरलेटिव्स (Superlatives), व्यक्तिपरकता (Subjectivity), अत्यधिक विवरण, क्वेरी-परिदृश्य बेमेल (Query-Scenario Mismatch)।
निष्कर्षण: विशेषताओं को स्ट्रक्चर्ड LLM प्रॉम्प्ट्स (gpt-4o) के साथ 5-शॉट उदाहरणों और ऑपरेशनल रूब्रिक्स का उपयोग करके निकाला गया था, जिसमें डिटेक्टर शोर (detector noise) को क्लासिकल मेजरमेंट एरर माना गया।

B. हैलुसिनेशन रिस्क लेबलिंग (The "Risk Proxy")

बेंचमार्क डेटासेट्स में मेमोराइजेशन बायस से बचने के लिए, लेखकों ने एक सेमेंटिक्स-प्रिजर्विंग पैराफ्रेस नेबरहुड का उपयोग किया:

पैराफ्रेसिंग (Paraphrasing): प्रत्येक मूल क्वेरी के लिए, 6 अर्थपूर्ण रूप से समान लेकिन लेक्सिकल रूप से परिवर्तित पैराफ्रेसेज जनरेट किए गए।
स्कोरिंग: प्रत्येक पैराफ्रेस के लिए एक कॉनवेक्स प्रॉक्सी स्कोर $\hat{h}(q)$ $\hat{h} (q)$ की गणना की गई, जिसमें शामिल थे:
- $s_{llm}$ : एक LLM जज द्वारा बाइनरी निर्णय (सिमेंटिक शुद्धता)।
- $s_{fuzz}$ : फजी स्ट्रिंग समानता (Fuzzy string similarity)।
- $s_{bleu}$ : BLEU-1 लेक्सिकल ओवरलैप।
- वेट्स (Weights): (0.6, 0.3, 0.1) जिन्हें पारेटो-ऑप्टिमल ROC-AUC विश्लेषण के माध्यम से चुना गया था।
ट्राइएज लेबल्स (Triage Labels): हैलुसिनेटेड पैराफ्रेसेज के अनुपात के आधार पर क्वेरीज को तीन ऑर्डिनल क्लासेज में वर्गीकृत किया गया:
- सेफ (Safe): 0/6 हैलुसिनेटेड।
- बॉर्डरलाइन (Borderline): 1–3/6 हैलुसिनेटेड।
- रिस्की (Risky): 4–6/6 हैलुसिनेटेड।

C. सांख्यिकीय मॉडलिंग (Statistical Modeling)

ऑर्डिनल लॉजिस्टिक रिग्रेशन: एक प्रोपोशनल-ऑड्स मॉडल को फिट किया गया ताकि एक क्वेरी के "रिस्की" ( $Y \in \{0, 1, 2\}$ $Y \in {0, 1, 2}$ ) होने की संभावना की भविष्यवाणी की जा सके, जो 17 फीचर्स ( $X$ $X$ ) और फिक्स्ड इफेक्ट्स के लिए डेटासेट ( $\alpha$ $α$ ) और परिदृश्य ( $\gamma$ $γ$ ) पर आधारित थी।
- मॉडल: $\log \frac{Pr(Y_i \le k)}{Pr(Y_i > k)} = \tau_k - (x_i^\top \beta + \alpha_{d(i)} + \gamma_{s(i)})$
डायग्नोस्टिक्स: अध्ययन ने कोलमोगोरोव-स्मिरनोव (KS) डिस्टेंस, एम्पीरिकल क्युमुलेटिव डिस्ट्रीब्यूशन फंक्शन (ECDF) में $\Delta$ median शिफ्ट, और प्रोपेंसिटी स्कोर मैचिंग (IPW) का उपयोग किया ताकि पर्याप्त ओवरलैप वाले 'कॉज़ल-लाइक अपलिफ्ट' का आकलन किया जा सके।
रोबस्टनेस (Robustness): यह सुनिश्चित करने के लिए कि निष्कर्ष किसी एक डेटासेट द्वारा संचालित नहीं हैं, लीव-वन-डेटासेट-आउट (LODO) रिफिट्स किए गए।

3. मुख्य योगदान (Key Contributions)

फीचर टैक्सोनॉमी और निष्कर्षण: एक भाषाई रूप से आधारित ढांचा जिसने 17 क्वेरी फीचर्स को परिभाषित किया जो मानव समझ को प्रभावित करते हैं, और उन्हें LLM हैलुसिनेशन के साथ सहसंबंध मापने के लिए अनुकूलित किया।
अनुभवजन्य "रिस्क लैंडस्केप" (Empirical "Risk Landscape"): 369k+ क्वेरीज में विशिष्ट भाषाई मार्करों को हैलुसिनेशन प्रपेंसिटी से जोड़ने वाला एक बड़े पैमाने का वितरण मानचित्र, जो विशिष्ट डेटासेट्स से स्वतंत्र सुसंगत पैटर्न प्रकट करता है।
प्रोएक्टिव गाइडेंस: ऐसी क्रियाशील, कम-प्रयास वाली क्वेरी रीराइटिंग रणनीतियों की पहचान (जैसे बाधाएं जोड़ना, इरादे को स्पष्ट करना) जो जनरेशन से पहले ही हैलुसिनेशन जोखिम को कम कर सकती हैं।

4. मुख्य परिणाम (Key Results)

A. "रिस्क लैंडस्केप"

अध्ययन ने विशिष्ट भाषाई विशेषताओं और हैलुसिनेशन जोखिम के बीच एक सुसंगत सहसंबंध की पहचान की:

उच्च-जोखिम वाली विशेषताएं (Positive Association):
- विशिष्टता का अभाव (Lack of Specificity): सबसे मजबूत भविष्यवक्ता ( $\beta = 0.868$ , ऑड्स रेशियो $\approx 2.38$ )। अस्पष्ट क्वेरीज जोखिम को काफी बढ़ा देती हैं।
- क्लॉज कॉम्प्लेक्सिटी (Clause Complexity): गहरे नेस्टेड क्लॉज और सिंटैक्टिक जटिलता उच्च जोखिम के साथ सहसंबंधित हैं।
- निषेध (Negation) और एनाफोरा (Anaphora): दोनों ही जोखिम के साथ सकारात्मक जुड़ाव दिखाते हैं, जो संभवतः व्याख्यात्मक अस्पष्टता के कारण है।
- क्वेरी-परिदृश्य बेमेल (Query-Scenario Mismatch): एब्स्ट्रैक्टिव सेटिंग्स में एक्सट्रैक्शन के लिए पूछने वाली क्वेरीज जोखिम बढ़ाती हैं।
सुरक्षात्मक विशेषताएं (Negative Association):
- उत्तरक्षमता (Answerability): सबसे मजबूत सुरक्षात्मक कारक ( $\beta = -1.106$ )। स्पष्ट, सत्यापन योग्य उत्तर वाली क्वेरीज में हैलुसिनेशन दर काफी कम होती है।
- इरादा ग्राउंडिंग (Intention Grounding): ऑपरेशन को स्पष्ट रूप से बताना (जैसे "summarize," "compare") जोखिम को कम करता है।
- सिंटैक्टिक संरचना (Syntactic Structure): आश्चर्यजनक रूप से, क्वेरी टोकन लेंथ, डिपेंडेंसी डेप्थ, और क्लॉज की संख्या जैसी विशेषताओं ने कुछ संदर्भों में जोखिम के साथ नकारात्मक सहसंबंध दिखाया, जो सुझाव देता है कि समृद्ध सिंटैक्टिक स्कैफोल्डिंग कभी-कभी सहायक संदर्भ प्रदान कर सकती है, बशर्ते वह अत्यधिक जटिल न हो।

B. प्रति-सहज निष्कर्ष (Counter-Intuitive Findings)

मानव बनाम मॉडल विफलता मोड: वे विशेषताएं जो पारंपरिक रूप से मनुष्यों को भ्रमित करती हैं (जैसे दुर्लभ शब्द उपयोग, सुपरलेटिव्स, जटिल निषेध), LLM हैलुसिनेशन के साथ न्यूनतम या मिश्रित जुड़ाव दिखाती हैं। यह सुझाव देता है कि LLM विफलता मोड मानव संज्ञानात्मक सीमाओं के साथ पूरी तरह से संरेखित नहीं होते हैं।
डोमेन विशिष्टता: डोमेन-विशिष्ट शब्दावली का प्रभाव मिश्रित था और यह मॉडल की परिचितता पर निर्भर था, न कि एक समान जोखिम कारक के रूप में।
पूर्वधारणा (Presupposition): हालांकि "सेफ" क्वेरीज में सामान्य है, पूर्वधारणा केवल तभी जोखिम बढ़ाती है जब यह अन्य अस्पष्टता मार्करों के साथ सह-घटित होती है।

C. टास्क फॉर्मेट मॉडरेशन (Task Format Moderation)

एब्स्ट्रेक्टिव टास्क: उच्चतम बेसलाइन जोखिम दिखाया, जो क्वेरी की लंबाई के साथ तेजी से बढ़ता है।
एक्सट्रैक्टिव टास्क: क्वेरी लंबाई के बावजूद मजबूत रहे।
मल्टीपल चॉइस: मध्यम जोखिम स्तर दिखाए।

5. महत्व और व्यावहारिक अनुप्रयोग (Significance and Practical Applications)

रिएक्टिव से प्रोएक्टिव की ओर बदलाव: यह शोध पत्र जनरेशन के बाद के डिटेक्शन से जनरेशन-पूर्व क्वेरी ऑप्टिमाइज़ेशन की ओर ध्यान केंद्रित करने का तर्क देता है।
स्वचालित ट्राइएज (Automated Triage): सिस्टम रियल-टाइम में $P(\text{Risky})$ की भविष्यवाणी करने के लिए प्राप्त फीचर वेक्टर का उपयोग कर सकते हैं। उच्च-जोखिम वाली क्वेरीज को स्पष्टीकरण चरणों या रिट्रीवल-अगमेंटेड पाथों की ओर रूट किया जा सकता है।
कम-प्रयास वाले रीराइट्स (Low-Effort Rewrites): लेखक जोखिम को कम करने के लिए तीन सरल नियम प्रस्तावित करते हैं:
1. बाधाएं जोड़ें (Add Constraints): अस्पष्टता को दूर करने के लिए समय, स्थान या इकाई निर्दिष्ट करें।
2. इरादे को स्पष्ट रूप से बताएं (State Intent Explicitly): "summarize," "extract," या "verify" जैसे क्रियाओं का उपयोग करें।
3. बहुअर्थी शब्दों को सुलझाएं (Resolve Polysemy): अस्पष्ट शब्दों को स्पष्ट करें (जैसे "Java द लैंग्वेज" बनाम "Java द आइलैंड")।
सीमाएं (Limitations): यह अध्ययन अवलोकन संबंधी (observational) है; जबकि प्रोपेंसिटी स्कोरिंग 'क्वासी-कॉज़ल' लिंक का सुझाव देती है, 'Answerability' जैसी विशेषताएं स्वाभाविक रूप से सिमेंटिक हैं और क्वेरी का अर्थ बदले बिना उन्हें मैनिपुलेट करना कठिन है। वर्तमान निष्कर्ष अंग्रेजी और एक सिंगल मॉडल फैमिली (GPT-4o) तक सीमित हैं।

निष्कर्ष (Conclusion)

यह शोध पत्र स्थापित करता है कि क्वेरी का रूप LLM विश्वसनीयता का एक महत्वपूर्ण निर्धारक है। अस्पष्टता और अपूर्णता द्वारा संचालित एक "रिस्क लैंडस्केप" की पहचान करके, लेखक गाइडेड क्वेरी रीराइटिंग के माध्यम से LLMs के साथ अधिक मजबूत इंटरैक्शन को इंजीनियर करने के लिए एक रोडमैप प्रदान करते हैं, जो उच्च-दांव वाले अनुप्रयोगों में हैलुसिनेशन को कम करने के लिए एक व्यावहारिक मार्ग प्रदान करता है।