💬 NLP

From Prerequisites to Predictions: Validating a Geometric Hallucination Taxonomy Through Controlled Induction

यह अध्ययन यह प्रदर्शित करके कि कवरेज-गैप (प्रकार 3) विफलताएं सबसे विशिष्ट और स्थिर विफलता मोड हैं, जो स्टैटिक एम्बेडिंग्स में सुदृढ़ नॉर्म सेपरेशन द्वारा अभिलक्षित हैं, GPT-2 में एक ज्यामितीय मतिभ्रम वर्गीकरण को मान्य करता है, जबकि यह भी पुष्टि करता है कि सेंटर-ड्रिफ्ट और रोंग-वेल कन्वर्जेंस प्रकार ज्यामितीय रूप से अलग नहीं होते हैं और टोकन-स्तरीय विश्लेषण गंभीर स्यूडोरेप्लिकेशन से ग्रस्त होते हैं।

मूल लेखक: Matic Korun

प्रकाशित 2026-03-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matic Korun

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 आपके पास एक बहुत ही बुद्धिमान लेकिन थोड़ा भोला रोबोट (GPT-2) है जिसे कहानियाँ सुनाना बहुत पसंद है। कभी-कभी, यह रोबोट भ्रमित हो जाता है और मनगढ़ंत बातें बनाने लगता है। हम इन मनगढ़ंत कहानियों को "हैलुसिनेशन" (hallucinations) कहते हैं।

लंबे समय से, वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि रोबोट कैसे भ्रमित होता है। एक स्वतंत्र शोधकर्ता माटिक कोरुन (Matic Korun) ने इन भ्रमों के लिए एक विशिष्ट मानचित्र प्रस्तावित किया है। उन्होंने सुझाव दिया है कि रोबत की गलतियाँ तीन अलग-अलग तरीकों से होती हैं, और उन्होंने यह सिद्ध करने की कोशिश की कि यह मानचित्र वास्तविक है।

यहाँ प्रयोग की कहानी सरल शब्दों में दी गई है।

भ्रम के तीन प्रकार

कोरुन का मानचित्र कहता है कि रोबोट की गलतियाँ तीन श्रेणियों में आती हैं:

प्रकार 1: "भटकता हुआ शराबी" (सेंटर-ड्रिफ्ट/Center-Drift)
- परिदृश्य: आप रोबोट को लगभग बिना किसी निर्देश के एक प्रॉम्प्ट देते हैं, जैसे सिर्फ "The..." या "It is..." कहना।
- गलती: रोबोट को समझ नहीं आता कि कहाँ जाना है, इसलिए वह बिना किसी दिशा के भटकता रहता है, और उन सबसे सामान्य, उबाऊ शब्दों को उगल देता है जिन्हें वह जानता है (जैसे "is," "the," "a")। यह एक ऐसे व्यक्ति की तरह है जो बिना किसी दिशा के खाली दीवार को घूरते हुए बेमतलब शब्द बुदबुदा रहा हो।
प्रकार 2: "गलत मोड़" (वोंग-वेल कन्वर्जेंस/Wrong-Well Convergence)
- परिदृश्य: आप रोबोट को एक पेचीदा वाक्य देते हैं जिसके दो अलग-अलग अर्थ हो सकते हैं, जैसे "The bank announced..." (क्या यह नदी का किनारा है या पैसे वाला बैंक?)।
- गलती: रोबोट एक अर्थ को पूरे आत्मविश्वास के साथ चुन लेता है और उसी पर टिका रहता है, भले ही वह आपके संदर्भ के लिए गलत हो। यह एक ऐसे GPS की तरह है जो आपको आत्मविश्वास के साथ गलत शहर ले जाता है क्योंकि सड़क के संकेत अस्पष्ट थे।
प्रकार 3: "खाली पन्ना" (कवरेज गैप/Coverage Gap)
- परिदृश्य: आप रोबोट को दो ऐसी चीजों को मिलाने के लिए कहते हैं जिन्हें उसने कभी एक साथ नहीं देखा है, जैसे "एक मध्यकालीन महल की एलियन जीव विज्ञान (alien biology)"।
- गलती: उसके पास इस डेटा का कोई आधार नहीं है। वह केवल भ्रमित नहीं है; वह एक ऐसे क्षेत्र में है जहाँ उसका मानचित्र मौजूद ही नहीं है। वह अनुमान लगाने की कोशिश करता है, लेकिन वह मूल रूप से भ्रमित (hallucinating) है क्योंकि उसके पास खड़े होने के लिए कोई नींव नहीं है।

प्रयोग: "20-रन" टेस्ट

यह देखने के लिए कि क्या यह मानचित्र वास्तविक है, कोरुन ने केवल एक बार रोबोट से नहीं पूछा। उन्होंने एक कठोर परीक्षण तैयार किया:

उन्होंने प्रत्येक भ्रम के प्रकार के लिए 15 अलग-अलग प्रॉम्प्ट बनाए।
उन्होंने प्रयोग को 20 बार अलग-अलग रैंडम सीड्स (जैसे 20 बार पासा फेंकना) के साथ चलाया ताकि यह सुनिश्चित हो सके कि परिणाम केवल किस्मत की वजह से नहीं हैं।
उन्होंने रोबोट के "दिमाग" को दो अलग-अलग तरीकों से देखा:
1. स्टैटिक व्यू (Static View): रोबोट द्वारा चुने गए शब्दों की डिक्शनरी परिभाषा को देखना (संदर्भ को नजरअंदाज करते हुए)।
2. कॉन्टेक्स्टुअल व्यू (Contextual View): रोबोट की आंतरिक "सोचने की प्रक्रिया" (हिडन स्टेट्स) को देखना, ठीक उस समय जब उसने एक शब्द चुना था।

बड़ी खोजें

1. "कवरेज गैप" (प्रकार 3) को पहचानना सबसे आसान है

मानचित्र प्रकार 3 के लिए पूरी तरह से काम कर गया। जब रोबोट को असंभव संयोजनों (जैसे "एलियन जीव विज्ञान") के बारे में पूछा गया, तो उसका आंतरिक "आत्मविश्वास मीटर" काफी गिर गया।

उपमा: कल्पना कीजिए कि रोबोट एक टॉर्च है। जब वह सामान्य चीजों के बारे में बात करता है, तो उसकी रोशनी तेज और स्थिर होती है। जब वह "कवरेज गैप" से टकराता है, तो उसकी रोशनी टिमटिमाती है और धीमी हो जाती है।
परिणाम: "स्टैटिक" व्यू में, रोबोट के शब्दावली चयन स्पष्ट रूप से अलग थे। "कॉन्टेक्स्टुअल" व्यू में, रोबोट का आंतरिक विश्वास (उसका आंतरिक सिग्नल) लगातार कम था। यह एकमात्र प्रकार की गलती थी जो मानचित्र पर स्पष्ट रूप से दिखाई दी।

2. "शराबी" और "गलत मोड़" एक जैसे दिखते हैं

यह चौंकाने वाला हिस्सा था। मानचित्र ने भविष्यवाणी की थी कि प्रकार 1 (ड्रिफ्टिंग) और प्रकार 2 (गलत मोड़) अलग दिखेंगे।

परिणाम: वे नहीं दिखे। रोबोट के दिमाग में, ये दोनों प्रकार की उलझनें लगभग एक जैसी ही दिखीं। रोबोट के आंतरिक संकेत—कि "मैं ऊब गया हूँ और अनुमान लगा रहा हूँ" और "मैं आत्मविश्वासी हूँ लेकिन गलत हूँ"—के बीच अंतर करना असंभव था।
उपमा: यह एक ऐसे व्यक्ति के बीच अंतर करने जैसा है जो कोहरे में खो गया है और एक ऐसे व्यक्ति के बीच जो आत्मविश्वास के साथ गलत दिशा में चल रहा है। रोबोट के आंतरिक सेंसरों के लिए, वे दोनों बस "सामान्य चलना" ही लगते हैं। शोधकर्ता का संदेह है कि रोबोट बहुत छोटा (124 मिलियन पैरामीटर्स) है, या अंतर उस हिस्से में छिपा है जिसे हम अभी तक देख नहीं पा रहे हैं।

3. "नकली सार्थकता" का जाल (स्यूडोरेप्लिकेशन/Pseudoreplication)

यह अन्य वैज्ञानिकों के लिए एक महत्वपूर्ण चेतावनी है।

समस्या: जब आप रोबोट द्वारा कहे गए हर एक शब्द (हजारों शब्द) को देखते हैं, तो गणित कहता है कि अंतर बहुत बड़ा और स्पष्ट है।
वास्तविकता: वे शब्द स्वतंत्र नहीं हैं। यदि रोबोट "The" कहता है, तो इसकी बहुत संभावना है कि वह आगे "cat" कहेगा। वे आपस में जुड़े हुए हैं।
उपमा: कल्पना कीजिए कि आपने अपने दोस्त से 100 सवाल पूछे, लेकिन वह 100 बार एक ही जवाब देता है। यदि आप इसे 100 अलग-अलग राय के रूप में गिनते हैं, तो आप खुद को धोखा दे रहे हैं।
निष्कर्ष: शोध पत्र ने पाया कि व्यक्तिगत शब्दों को देखने से परिणाम वास्तविक तुलना से 4 से 16 गुना अधिक मजबूत दिखाई देते हैं। जब आप पूरे प्रॉम्प्ट्स को एक इकाई के रूप में देखते हैं (जो सत्य की वास्तविक इकाई है), तो प्रकार 1 और प्रकार 2 के लिए "स्पष्ट" दिखने वाले अंतर गायब हो जाते हैं।

"माइक्रो-सिग्नल" का रहस्य

पेपर इस निष्कर्ष पर पहुँचता है कि रोबोट का दिमाग बहुत "सैचुरेटेड" (saturated) है। भले ही रोबोट एक बड़ी गलती (प्रकार 3) कर रहा हो, उसके आंतरिक संकेत पूरी तरह खत्म नहीं होते; वे बस थोड़े धीमे हो जाते हैं।

उपमा: ऐसा नहीं है कि भ्रमित होने पर रोबोट का दिमाग जल रहा है। यह ऐसा है जैसे कमरे की रोशनी थोड़ी कम हो गई हो। बदलाव वास्तविक है, लेकिन यह इतना सूक्ष्म है कि इसे नोटिस करने के लिए आपको बहुत संवेदनशील उपकरणों (और बहुत सारे डेटा) की आवश्यकता होगी।

यह क्यों मायने रखता है

यह पेपर एक "रियलिटी चेक" है।

यह सबसे कठिन त्रुटियों के लिए मानचित्र को मान्य करता है: अब हम पता लगा सकते हैं कि रोबोट कब मनगढ़ंत बातें बना रहा है क्योंकि उसके पास ज्ञान का अभाव है (प्रकार 3)।
यह हमें आसान त्रुटियों के बारे में चेतावनी देता है: हम वर्तमान तरीकों का उपयोग करके यह आसानी से नहीं बता सकते कि रोबोट केवल भटक रहा है या आत्मविश्वास के साथ गलत है (प्रकार 1 बनाम प्रकार 2)।
यह गणित को ठीक करता है: यह शोधकर्ताओं को बताता है, "हर शब्द को एक अलग वोट के रूप में न गिनें। आप अपने परिणामों को बढ़ा-चढ़ाकर पेश कर रहे हैं।"

संक्षेप में, शोधकर्ता ने रोबोट के भ्रम के लिए एक बेहतर मानचित्र बनाया, पाया कि मानचित्र के कुछ हिस्से बिल्कुल स्पष्ट हैं, जबकि कुछ हिस्से अभी भी धुंधले हैं, और सबको उस धुंध से सावधान रहने की चेतावनी दी।

यहाँ मैटिक कोरुन के शोध पत्र "From Prerequisites to Predictions: Validating a Geometric Hallucination Taxonomy Through Controlled Induction" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल्स (LLMs) अक्सर मतिभ्रम (hallucinations) उत्पन्न करते हैं, फिर भी वर्तमान पहचान विधियाँ अक्सर पोस्ट-हॉक आउटपुट जांच (जैसे, सेल्फ-कंसिस्टेंसी) पर निर्भर करती हैं, न कि विफलता के आंतरिक ज्यामितीय तंत्रों को समझने पर। एक सहवर्ती कार्य ने एक ज्यामितीय वर्गीकरण (geometric taxonomy) प्रस्तावित किया जो एम्बेडिंग स्पेस में उनके हस्ताक्षरों (signatures) के आधार पर मतिभ्रम को तीन प्रकारों में वर्गीकृत करता है:

प्रकार 1 (सेंटर-ड्रिफ्ट/Center-drift): कमजोर संदर्भ के कारण जनरेशन सेंट्रॉइड (centroid) की ओर ढह जाता है।
प्रकार 2 (रॉन्ग-वेल कन्वर्जेंस/Wrong-well convergence): जनरेशन एक स्थानीय रूप से सुसंगत लेकिन प्रासंगिक रूप से गलत क्लस्टर की ओर झुक जाता है।
प्रकार 3 (कवरेज गैप्स/Coverage gaps): कंपोजिशनल नवीनता (compositional novelty) के कारण जनरेशन उन क्षेत्रों में होता है जहाँ कोई सहायक क्लस्टर संरचना नहीं होती।

जबकि इस ज्यामिति के लिए पूर्व-आवश्यकताओं (क्लस्टर संरचना, पोलैरिटी एक्सिस) को मान्य किया गया था, यह सिद्ध होना बाकी था कि क्या ये विशिष्ट मतिभ्रम प्रकार वास्तव में जनरेशन के दौरान अनुमानित ज्यामितीय हस्ताक्षर उत्पन्न करते हैं। यह शोध नियंत्रित इंडक्शन (controlled induction) के माध्यम से उस अंतर को पाटने का लक्ष्य रखता है।

2. कार्यप्रणाली (Methodology)

यह अध्ययन जीपीयू संसाधनों के बिना पुनरुत्पादकता (reproducibility) सुनिश्चित करने के लिए GPT-2-small (124M पैरामीटर्स) का उपयोग करते हुए एक कठोर, मल्टी-रन प्रयोगात्मक डिजाइन नियोजित करता है।

प्रयोगात्मक डिजाइन:
- प्रॉम्ट इंजीनियरिंग: विशिष्ट विफलता मोड को ट्रिगर करने के लिए 45 प्रॉम्ट बनाए गए (प्रत्येक प्रकार के लिए 15):
  - प्रकार 1: डिजेनरेट प्रॉम्ट (जैसे, "The", "It is") जो कोई अर्थपूर्ण दिशा प्रदान नहीं करते।
  - प्रकार 2: अस्पष्ट प्रॉम्ट (जैसे, "The bank announced...") जो डोमेन के बीच चयन करने के लिए मजबूर करते हैं।
  - प्रकार 3: कंपोजिशनल नवीनता वाले प्रॉम्ट (जैसे, "The xenoplasmic refractometry...") जिनमें अनदेखे टोकन संयोजन की आवश्यकता होती है।
- दो रिप्रजेंटेशन स्पेस:
  1. स्टैटिक एम्बेडिंग्स: निश्चित शब्दावली वेक्टर (इनपुट स्पेस)।
  2. कॉन्टेक्स्टुअल हिडन स्टेट्स: टोकन चयन के समय अंतिम-लेयर के हिडन स्टेट्स (प्रोसेसिंग स्पेस)।
- स्थिरता प्रोटोकॉल: जनरेशन की स्टोकेस्टिसिटी (टेम्परेचर 1.0) को संबोधित करने के लिए, प्रत्येक प्रयोग को विभिन्न सीड्स के साथ 20 बार चलाया गया। इन्फरेंस की इकाई प्रॉम्ट ( $N=15$ प्रति समूह) है, न कि टोकन, ताकि स्यूडो-रेप्लिकेशन (pseudoreplication) से बचा जा सके।
- मेट्रिक्स:
  - $H(v)$ : सॉफ्ट क्लस्टर मेंबरशिप (कोणीय)।
  - $\|v\|$ : एम्बेडिंग नॉर्म (परिमाण)।
  - $\text{max sim}$ : किसी भी क्लस्टर सेंट्रॉइड के साथ अधिकतम समानता।

3. मुख्य योगदान (Key Contributions)

प्रथम नियंत्रित इंडक्शन टेस्ट: विशिष्ट मतिभ्रम प्रकारों को 20 स्वतंत्र रन में स्थिरता को मात्रात्मक रूप से मापते हुए, ज्यामितीय हस्ताक्षरों से जोड़ता है।
टाइप 3 की विशिष्टता की पहचान: यह स्थापित करता है कि "कवरेज गैप" (टाइप 3) मतिभ्रम एकमात्र विफलता मोड है जो परिमाण (magnitude) द्वारा संचालित एक मजबूत, ज्यामितीय रूप से विशिष्ट हस्ताक्षर प्रदर्शित करता है।
स्यूडोरेप्लिकेशन बेंचमार्क: यह दर्शाता है कि ऑटोरिग्रेसिव जनरेशन में टोकन-स्तरीय सांख्यिकीय महत्व, भीतर-प्रॉम्ट ऑटोकोरिलेशन के कारण वास्तविक प्रभावों को 4–16× तक बढ़ा देता है, जो भविष्य के शोध के लिए एक महत्वपूर्ण सुधार है।
स्पेक्ट्रल परिकल्पना (Spectral Hypothesis): यह प्रस्तावित करता है कि टाइप 1 और टाइप 2 का गैर-पृथक्करण (non-separation) इसलिए हो सकता है क्योंकि सिग्नल फुल-डायमेंशनल मेट्रिक्स में विसरित हो जाता है, जिससे सुझाव मिलता है कि यह हिडन स्टेट के विशिष्ट स्पेक्ट्रल बैंड्स में स्थित है।

4. मुख्य परिणाम (Key Results)

A. टाइप 3 (कवरेज गैप्स) ज्यामितीय रूप से विशिष्ट है

स्टैटिक स्पेस: टाइप 3 टोकन टाइप 1 और 2 की तुलना में काफी उच्च नॉर्म (higher norms) प्रदर्शित करते हैं (मीडियन $r \approx +0.61$ )। यह पृथक्करण मजबूत है, जो 14/20 रन (T2–T3) और 11/20 रन (T1–T3) में होल्म करेक्शन (Holm correction) में भी जीवित रहता है।
कॉन्टेक्स्टुअल स्पेस: टाइप 3 टोकन टाइप 1 और 2 की तुलना में काफी कम नॉर्म (lower norms) प्रदर्शित करते हैं (मीडियन $r \approx -0.28$ )। हालांकि इस प्रभाव की दिशा 19/20 रन में स्थिर है, लेकिन प्रभाव का आकार मध्यम है, जिससे यह $N=15$ पर सांख्यिकीय रूप से कम शक्तिशाली हो जाता है (केवल 4/20 रन में महत्वपूर्ण)।
व्याख्या: नॉर्म सिग्नल का उलटा होना (स्टैटिक में उच्च, कॉन्टेक्स्टुअल में निम्न) यह सुझाव देता है कि टाइप 3 मतिभ्रम में दुर्लभ शब्दावली का चुनाव (स्टैटिक) शामिल है, लेकिन कम आंतरिक विश्वास/प्रोसेसिंग परिमाण (कॉन्टेक्स्टुअल) होता है।

B. टाइप 1 और 2 अविभेद्य (Indistinguishable) हैं

कोई पृथक्करण नहीं: टाइप 1 (सेंटर-ड्रिफ्ट) या टाइप 2 (रॉन्ग-वेल) ने किसी भी मेट्रिक में किसी भी कॉन्टेक्स्टुअल या स्टैटिक स्पेस में महत्वपूर्ण पृथक्करण नहीं दिखाया (महत्व दर $\le 3/20$ रन)।
निहितार्थ: 124M पैरामीटर्स पर, मॉडल "कमजोर संदर्भ" और "गलत मार्गित संदर्भ" के बीच ज्यामितीय रूप से अंतर नहीं कर सकता है। इन विफलताओं के हस्ताक्षर बहुत सूक्ष्म हो सकते हैं या बड़े मॉडल्स की आवश्यकता हो सकती है।

C. स्यूडोरेप्लिकेशन आर्टिफैक्ट (The Pseudoreplication Artifact)

टोकन-स्तरीय मुद्रास्फीति: कोणीय मेट्रिक्स ( $H(v)$ , $\text{max sim}$ ) अक्सर टोकन स्तर पर महत्वपूर्ण दिखाई देते हैं (85% रन तक), लेकिन प्रॉम्ट स्तर पर पूरी तरह विफल हो जाते ( $\le 3/20$ रन)।
मुद्रास्फीति कारक: अध्ययन मात्रात्मक रूप से बताता है कि टोकन-स्तरीय महत्व वास्तविक प्रभावों को 4–16× तक बढ़ा देता है। यह पुष्टि करता है कि ऑटोरिग्रेसिव जनरेशन में टोकन को स्वतंत्र नमूने के रूप में मानना गलत सकारात्मक (false positives) परिणामों की ओर ले जाता है।

D. "माइक्रो-सिग्नल रिजीम" (The "Micro-Signal Regime")

GPT-2 में कॉन्टेक्स्टुअल हिडन स्टेट्स एक संकीर्ण शंकु (एनीसोट्रोपिक स्पेस) में संकुचित होते हैं जहाँ समानता अत्यंत उच्च ( $>0.99$ ) होती है।
जबकि टाइप 3 एक वास्तविक सिग्नल उत्पन्न करता है (एक ~3.5% नॉर्म कमी), यह एक "माइक्रो-सिग्नल" है जिसके लिए पारंपरिक महत्व थ्रेसहोल्ड तक पहुँचने के लिए बड़े सैंपल साइज ( $N \ge 30$ ) या स्पेक्ट्रल प्रीप्रोसेसिंग (व्हाइटनिंग, डिकंपोजिशन) की आवश्यकता होती है।

5. महत्व और निहितार्थ (Significance and Implications)

वर्गीकरण का सत्यापन: अध्ययन पुष्टि करता है कि ज्यामितीय मतिभ्रम पहचान के लिए वर्गीकरण आंशिक रूप से मान्य है: टाइप 3 मतिभ्रम संरचनात्मक रूप से अद्वितीय हैं और परिमाण के माध्यम से पता लगाने योग्य हैं, जबकि टाइप 1 और 2 छोटे मॉडल्स में ज्यामितीय रूप से अविभेद्य हैं।
मेथोडोलॉजिकल सुधार: यह शोध भविष्य के शोधकर्ताओं को एक चेतावनी देता है कि वे इन्फरेंस के लिए टोकन-स्तरीय सांख्यिकी का उपयोग न करें, और एक मात्रात्मक मुद्रास्फीति कारक (4–16×) प्रदान करता है जिसे उन्हें ध्यान में रखना चाहिए।
भविष्य की दिशाएँ:
- स्केलिंग: टाइप 1 और 2 को अलग करने के लिए बड़े मॉडल्स की आवश्यकता हो सकती है।
- स्पेक्ट्रल विश्लेषण: भविष्य के कार्यों को कमजोर बनाम गलत मार्गित संदर्भ के विशिष्ट सिग्नल्स को अलग करने के लिए हिडन स्टेट्स को आइजनस्पेक्ट्रम बैंड्स में विघटित करना चाहिए।
- डिटेक्शन: छोटे मॉडल्स में प्रभावी मतिभ्रम पहचान के लिए कच्चे ज्यामितीय दूरियों पर निर्भर रहने के बजाय माइक्रो-सिग्नल्स को बढ़ाने के लिए प्रीप्रोसेसिंग (जैसे, व्हाइटनिंग) की आवश्यकता हो सकती है।

निष्कर्षतः, यह शोध स्थापित करता है कि जबकि ज्यामितीय मतिभ्रम पहचान के लिए पूर्व-आवश्यकताएं मौजूद हैं, विशिष्ट विफलता मोड के हस्ताक्षर पता लगाने की क्षमता के मामले में काफी भिन्न होते हैं। कवरेज गैप सबसे विशिष्ट विफलता मोड है, जो परिमाण द्वारा संचालित है, जबकि अन्य प्रकार के मतिभ्रम वर्तमान छोटे पैमाने के मॉडल्स के "माइक्रो-सिग्नल रिजीम" के भीतर छिपे रहते हैं।