🤖 AI

How Small Can 6G Reason? Scaling Tiny-to-Small Language Models for AI-Native Networks

यह शोध पत्र अनुभवजन्य रूप से यह प्रदर्शित करता है कि मध्यम-स्तरीय भाषा मॉडल (लगभग 1.5 से 3B पैरामीटर) AI-नेटिव 6G नेटवर्क के लिए नियत तर्क स्थिरता (deterministic reasoning stability) और कम्प्यूटेशनल दक्षता के बीच इष्टतम संतुलन प्रदान करते हैं, जो एक एज-अनुकूलित बेंचमार्क के विरुद्ध मूल्यांकन किए जाने पर छोटे और बड़े दोनों मॉडलों से बेहतर प्रदर्शन करते हैं।

मूल लेखक: Mohamed Amine Ferrag, Abderrahmane Lakas, Merouane Debbah

प्रकाशित 2026-06-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohamed Amine Ferrag, Abderrahmane Lakas, Merouane Debbah

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 6G नेटवर्क का भविष्य केवल तेज़ इंटरनेट नहीं, बल्कि एक विशाल, सोचने वाले मस्तिष्क के रूप में है जो ट्रैफ़िक, सुरक्षा और डेटा प्रवाह को अपने आप प्रबंधित करता है। यह शोध पत्र एक बहुत ही व्यावहारिक प्रश्न पूछता है: अपना काम सही ढंग से करने के लिए इस "मस्तिष्क" को कितना बड़ा होने की आवश्यकता है?

शोधकर्ताओं ने जानना चाहा कि क्या उन्हें एक विशाल, सुपर-कंप्यूटर के आकार के मस्तिष्क (एक विशाल AI मॉडल) की आवश्यकता है या एक छोटा, अधिक कुशल मस्तिष्क (एक "छोटा" AI मॉडल) 6G नेटवर्क के लिए आवश्यक जटिल निर्णय लेने में सक्षम हो सकता है।

यहाँ सरल उपमाओं का उपयोग करके उनके निष्कर्षों का विवरण दिया गया है:

1. समस्या: "ओवर-इंजीनियर्ड" मस्तिष्क

वर्तमान AI मॉडल विशाल, भारी हाथियों की तरह हैं। वे अविश्वसनीय रूप से बुद्धिमान हैं और लगभग किसी भी समस्या को हल कर सकते हैं, लेकिन उन्हें चलने के लिए भारी मात्रा में बिजली और स्थान की आवश्यकता होती है। एक 6G नेटवर्क में, निर्णय तुरंत "एज" (जैसे कि सेल टॉवर या राउटर) पर लिए जाने चाहिए, जहाँ स्थान और शक्ति सीमित होती है। आप एक हाथी को बैकपैक में नहीं समा सकते।

शोधकर्ताओं ने पूछा: क्या हम इसके बजाय एक "चूहे" (एक छोटा AI मॉडल) का उपयोग कर सकते हैं? यदि हाँ, तो चूहा कितना बड़ा होना चाहिए इससे पहले कि वह अपने ही पैरों में उलझने लगे और विश्वसनीय निर्णय लेना शुरू करे?

2. प्रयोग: "ड्राइवर लाइसेंस" टेस्ट

इसकी जांच करने के लिए, टीम ने 6G-Bench नामक एक विशेष परीक्षा बनाई। कल्पना कीजिए कि नेटवर्क प्रबंधकों के लिए विशेष रूप से बनाई गई ड्राइविंग टेस्ट। इस टेस्ट में 30 अलग-अलग परिदृश्य हैं (जैसे "अगर सुरक्षा उल्लंघन होता है तो मैं क्या करूँ?" या "वीडियो कॉल के लिए बैंडविड्थ कैसे आवंटित करूँ?")।

उन्होंने 11 अलग-अलग AI मॉडल लिए, जो एक नन्हे हैम्स्टर (135 मिलियन पैरामीटर्स) से लेकर एक बड़े कुत्ते (7 बिलियन पैरामीटर्स) तक थे, और उनसे यह टेस्ट देने को कहा। उन्होंने केवल अनुमान लगाने के लिए नहीं पूछा; उन्होंने उनसे एक निश्चित उत्तर देने को कहा, ठीक वैसे ही जैसे एक वास्तविक नेटवर्क मैनेजर को आपात स्थिति में देना होगा।

3. खोज: "स्वीट स्पॉट" (सही संतुलन)

परिणामों ने दिखाया कि आकार मायने रखता है, लेकिन बड़ा होना हमेशा बेहतर नहीं होता।

हैम्स्टर्स (छोटे मॉडल): सबसे छोटे मॉडल (जैसे 135M वाला) उन बच्चों की तरह थे जो गाड़ी चलाने की कोशिश कर रहे हों। वे केवल लगभग 22% बार सही उत्तर दे पाए। वे नेटवर्क के जटिल नियमों को संभालने के लिए बहुत भ्रमित थे।
डॉग्स (विशाल मॉडल): सबसे बड़े मॉडल (7B) पेशेवर रेस कार ड्राइवरों की तरह थे। उन्होंने लगभग 71% बार सही उत्तर दिया।
"जादुिकल" बदलाव (1B से 1.5B): सबसे दिलचस्प खोज बीच में हुई। जब मॉडल 1 बिलियन से बढ़कर 1.5 बिलियन पैरामीटर्स तक पहुँचे, तो कुछ जादुई हुआ। उनकी सटीकता काफी बढ़ गई, और वे यादृच्छिक, असंगत गलतियाँ करना बंद कर दिए। ऐसा लग रहा था जैसे मॉडल अचानक "बड़ा" हो गया और सड़क के नियमों को समझने लगा।

उपमा: इसे साइकिल चलाने सीखने जैसा समझें। एक छोटा मॉडल एक छोटा बच्चा है जो हर बार गिर जाता है। 1-बिलियन-पैरामीटर वाला मॉडल एक बच्चा है जो साइकिल चला सकता है लेकिन डगमगाता बहुत है। 1.5-बिलियन-पैरामीटर वाला मॉडल वह क्षण है जब बच्चा अंततः अपना संतुलन बना लेता है और बिना गिरे सुचारू रूप से साइकिल चला सकता है।

4. "एज स्कोर": दक्षता बनाम मस्तिष्क

शोधकर्ताओं ने एक "एज स्कोर" की भी गणना की। कल्पना कीजिए कि आप हाइकिंग ट्रिप के लिए एक बैकपैक पैक करने की कोशिश कर रहे हैं। आप सबसे उपयोगी सामान (बुद्धिमत्ता) चाहते हैं लेकिन सबसे हल्का वजन (गति और मेमोरी) भी।

विशाल मॉडल (7B) एक पूरे टेंट और चूल्हे को ले जाने की तरह थे। वे बुद्धिमान थे, लेकिन वे एक छोटी हाइक के लिए बहुत भारी और धीमे थे।
छोटे मॉडल इतने हल्के थे कि उनमें कोई उपयोगी सामान भी नहीं था।
मध्यम आकार के मॉडल (1.5B से 3B) एक आदर्श हाइकिंग बैकपैक की तरह थे। उन्होंने सबसे अच्छा संतुलन प्रदान किया: अच्छे निर्णय लेने के लिए पर्याप्त बुद्धिमत्ता, लेकिन तेज़ चलने के लिए पर्याप्त हल्का।

5. निष्कर्ष: अत्यधिक निर्माण न करें

यह शोध पत्र निष्कर्ष निकालता है कि 6G नेटवर्क के लिए, आपको उपलब्ध सबसे बड़े, सबसे महंगे AI मस्तिष्क की आवश्यकता नहीं है।

"स्थिरता सीमा" (Stability Threshold): एक बार जब मॉडल लगभग 1.5 बिलियन पैरामीटर्स तक पहुँच जाता है, तो यह विश्वसनीय निर्णय लेने के लिए पर्याप्त स्थिर हो जाता है।
घटता प्रतिफल (Diminishing Returns): मॉडल को 3 बिलियन पैरामीटर्स से बड़ा बनाने से सटीकता में केवल मामूली सुधार मिलता है, लेकिन इसकी गति और ऊर्जा के मामले में लागत बहुत अधिक होती है।

संक्षेप में: यह शोध पत्र नेटवर्क इंजीनियरों को बताता है कि वे अपने सेल टावरों में "हाथी" फिट करने की कोशिश करना बंद कर सकते हैं। इसके बजाय, उन्हें "स्वर्ण मध्य मार्ग" खोजना चाहिए—एक स्मार्ट, मध्यम आकार का AI (लगभग 1.5 से 3 बिलियन पैरामीटर्स) जो तेज़, कुशल और विश्वसनीय है, और बिना किसी कठिनाई के भविष्य के 6G नेटवर्क को चलाने में सक्षम है।

तकनीकी सारांश: 6G कितना छोटा हो सकता है? AI-नेटिव नेटवर्क के लिए टिनी-टू-स्मॉल लैंग्वेज मॉडल्स का स्केलिंग

समस्या विवरण

AI-नेटिव 6G नेटवर्क की ओर विकास एक ऐसे संरचनात्मक बदलाव की कल्पना करता है जहाँ आर्टिफिशियल इंटेलिजेंस एक मूल आर्किटेक्चरल लेयर के रूप में कार्य करता है, जो रेडियो एक्सेस नेटवर्क (RAN), कोर नेटवर्क और वितरित एज-क्लाउड इंफ्रास्ट्रक्चर तक फैला होता है। 3GPP, IETF, ETSI, ITU-T, और O-RAN एलायंस द्वारा किए जा रहे मानकीकरण प्रयास तेजी से इन प्रणालियों को इंटेंट-ड्रिवन मैनेजमेंट, नेटवर्क स्लाइसिंग, रिसोर्स आर्बिट्रेशन और ट्रस्ट-अवेयर कंट्रोल जैसे कार्यों के लिए उच्च-स्तरीय सिमेंटिक रीजनिंग (semantic reasoning) की आवश्यकता के रूप में परिभाषित कर रहे हैं।

जबकि फ्रंटियर-स्केल लार्ज लैंग्वेज मॉडल्स (LLMs) (70B–500B पैरामीटर्स) मजबूत रीजनिंग क्षमताएं प्रदर्शित करते हैं, उनका कंप्यूटेशनल फुटप्रिंट उन्हें लेटेंसी-सेंसिटिव और पावर-कंस्ट्रेंड एज और RAN डिप्लॉयमेंट के लिए अव्यवहारिक बनाता है। यह समझने में एक महत्वपूर्ण अंतर मौजूद है कि नेटवर्क-लेवल सिमेंटिक रीजनिंग स्मॉल और टिनी लैंग्वेज मॉडल्स (सब-बिलियन से लो-बिलियन पैरामीटर्स) में कैसे स्केल करती है। विशेष रूप से, यह स्पष्ट नहीं है कि सुरक्षा-महत्वपूर्ण (safety-critical) 6G कार्यों के लिए किस पैरामीटर स्केल पर स्थिर, नियत (deterministic) रीजनिंग उभरती है, और क्या बड़े मॉडल्स के मार्जिनल लाभ उनके बढ़े हुए इन्फरेंस खर्चों को उचित ठहराते हैं।

कार्यप्रणाली (Methodology)

लेखक 6G-Bench का उपयोग करके एक व्यवस्थित अनुभवजन्य स्केलिंग विश्लेषण (empirical scaling analysis) आयोजित करते हैं, जो पांच क्षमता डोमेन में फैले 30 निर्णय लेने वाले कार्यों का एक मानकीकरण-संरेखित बेंचमार्क है:

इंटेंट और पॉलिसी रीजनिंग (Intent & Policy Reasoning)
नेटवर्क स्लेसिंग और रिसोर्स मैनेजमेंट (Network Slicing & Resource Management)
ट्रस्ट, सिक्योरिटी और SLA अवेयरनेस (Trust, Security & SLA Awareness)
AI-नेटिव नेटवर्किंग और एजेंटिक कंट्रोल (AI-Native Networking & AI-Agentic Control)
डिस्ट्रीब्यूटेड इंटेलिजेंस और इमर्जिंग यूज़ केसेस (Distributed Intelligence & Emerging Use Cases)

प्रायोगिक प्रोटोकॉल:

मॉडल स्पेक्ट्रम: अध्ययन में 135M से 7B पैरामीटर्स तक के 11 इंस्ट्रक्शन-ट्यून्ड मॉडल्स का मूल्यांकन किया गया है। इसमें अल्ट्रा-कॉम्पैक्ट मॉडल्स (जैसे SmolLM2-135M, Granite-350M), लोअर मिड-स्केल मॉडल्स (~1B), ट्रांजिशन रीजन मॉडल्स (1.5B–3B), और अपर-बाउंड मॉडल्स (7B) शामिल हैं। चयन विविध आर्किटेक्चर (Dense Transformers, Hybrid Convolution-Attention) और एलाइनमेंट रणनीतियों को कवर करता है।
मूल्यांकन सेटिंग: सभी मॉडल्स का मूल्यांकन 6G-Bench कार्यों पर अतिरिक्त फाइन-ट्यूनिंग के बिना जीरो-शॉट (zero-shot) सेटिंग में किया गया है। मूल्यांकन में 488 एपिसोड और 3,722 मल्टीपल-चॉइस प्रश्न (MCQs) शामिल हैं।
इन्फरेंस कॉन्फ़िगरेशन: मॉडल्स को NVIDIA A100 GPUs पर स्थानीय रूप से चलाया जाता है। अध्ययन डिटरमिनिस्टिक डिकोडिंग (greedy, temperature=0) बनाम स्टोकेस्टिक डिकोडिंग (temperature=0.7, k-samples) की तुलना करता है।
मेट्रिक्स:
- डिटरमिनिस्टिक एक्यूरेसी ( $A_1$ ): ग्रीडी डिकोडिंग के तहत pass@1 एक्यूरेसी।
- स्टोकेस्टिक रोबस्टनेस ( $A_k$ ): pass@k एक्यूरेसी (संभावना कि $k$ सैंपल्स में से कम से कम एक सही है)।
- रीजनिंग इंस्टेबिलिटी ( $\Delta_k$ ): $A_k - A_1$ का अंतर, जो यह मापता है कि रीजनिंग मौजूद तो है लेकिन नियत रूप से विश्वसनीय नहीं है।
- **एज स्कोर ($ES $):** एक डिप्लॉयमेंट एफिशिएंसी मेट्रिक जिसे$ ES(N) = \frac{A_1(N)}{L(N) \cdot M(N)} $के रूप में परिभाषित किया गया है, जहाँ$ L $लेटेंसी है और$ M$ पीक VRAM यूसेज है।

मुख्य परिणाम

1. नॉन-यूनिफॉर्म स्केलिंग और स्टेबिलिटी ट्रांजिशन

डिटरमिनिस्टिक एक्यूरेसी ( $A_1$ ) 0.224 (135M पैरामीटर्स) से बढ़कर 0.707 (7B पैरामीटर्स) हो जाती है। हालांकि, यह वृद्धि अत्यधिक गैर-समान (non-uniform) है:

स्टेबिलिटी ट्रांजिशन (1B–1.5B): 1–1.5B रेंज में प्रदर्शन में एक स्पष्ट उछाल आता है। एक्यूरेसी 0.373 (Llama-3.2-1B) से बढ़कर 0.531 (Qwen2.5-1.5B) हो जाती है।
इंस्टेबिलिटी गैप का संकुचन: जैसे-जैसे स्केल बढ़ता है, रीजनिंग इंस्टेबिलिटी गैप ( $\Delta_5$ ) काफी सिकुड़ जाता है, जो 0.365 (135M) से घटकर 0.138 (1.5B) और फिर 0.031 (7B) हो जाता है। यह इंगित करता है कि जैसे-जैसे मॉडल्स स्केल होते हैं, स्टोकेस्टिक एक्सप्लोरेशन, डिटरमिनिस्टिक इन्फरेंस के साथ अभिसरित (converge) होता है, जिससे सुरक्षा-महत्वपूर्ण कंट्रोल के लिए विश्वसनीयता बढ़ती है।
डिमिनिशिंग रिटर्न्स: 3B पैरामीटर्स के बाद, स्केलिंग के मार्जिनल लाभ कम होने लगते हैं। 3B और 7B मॉडल्स के बीच का अंतर बहुत कम है, जो सुझाव देता है कि कुछ रीजनिंग कार्यों के लिए प्रदर्शन संतृप्ति (saturation) जल्दी आती है।

2. डोमेन-विशिष्ट स्केलिंग इलास्टिसिटी

पाँच क्षमता डोमेन में स्केलिंग संवेदनशीलता भिन्न होती है:

उच्च संवेदनशीलता: इंटेंट और पॉलिसी रीजनिंग (G1) और डिस्ट्रीब्यूटेड इंटेलिजेंस (G5) उच्चतम स्केलिंग संवेदनशीलता ( $S_{G1} = 0.154$ , $S_{G5} = 0.131$ ) प्रदर्शित करते हैं। इन कार्यों के लिए गहरे सिमेंटिक इंटीग्रेशन और मल्टी-स्टेप कोऑर्डिनेशन की आवश्यकता होती है, जो पैरामीटर काउंट पर मजबूत निर्भरता दिखाते हैं।
मध्यम/निम्न संवेदनशीलता: ट्रस्ट, सिक्योरिटी और SLA अवेयरनेस (G3) सबसे कम संवेदनशीलता ( $S_{G3} = 0.104$ ) दिखाता है, जो सुझाव देता है कि ये कार्य रॉ कैपेसिटी के बजाय स्ट्रक्चर्ड रूल्स के इंटरनलाइजेशन पर अधिक निर्भर करते हैं। नेटवर्क स्लेसिंग (G2) और एजेंटिक कंट्रोल (G4) स्थिर लेकिन मध्यम लाभ दिखाते हैं।

3. एज एफिशिएंसी और "स्वीट स्पॉट"

एज स्कोर विश्लेषण पैरामीटर साइज और डिप्लॉयमेंट एफिशिएंसी के बीच एक नॉन-मोनोटोनिक संबंध प्रकट करता है:

अल्ट्रा-कॉम्पैक्ट प्रभुत्व: हाइब्रिड और अल्ट्रा-कॉम्पैक्ट मॉडल्स (जैसे LFM2-350M, SmolLM2-135M) न्यूनतम लेटेंसी और मेमोरी फुटप्रिंट के कारण उच्चतम एज स्कोर प्राप्त करते हैं, भले ही उनकी पूर्ण एक्यूरेसी कम हो।
मिड-स्केल संतुलन: 1.5B–3B रेंज के मॉडल्स (जैसे Qwen2.5-1.5B, Qwen2.5-3B) डिटरमिनिस्टिक स्टेबिलिटी और कंप्यूटेशनल एफिशिएंसी के बीच सबसे अनुकूल संतुलन प्रदान करते हैं। वे सब-1B मॉडल्स की तुलना में उल्लेखनीय विश्वसनीयता प्रदान करते हैं, बिना 7B मॉडल्स के अत्यधिक लेटेंसी और मेमोरी लागत के।
लार्ज मॉडल पेनल्टी: 7B मॉडल्स, हालांकि उच्चतम पूर्ण एक्यूरेसी प्राप्त करते हैं, कंपाउंडिंग लेटेंसी और VRAM ओवरहेड्स के कारण काफी कम एज स्कोर से ग्रस्त होते हैं।

महत्व और दावे

यह पेपर दावा करता है कि यह AI-नेटिव 6G सिमेंटिक रीजनिंग के लिए छोटे लैंग्वेज मॉडल्स के स्केलिंग रिजीम्स को लक्षणबद्ध करने के लिए पहला व्यवस्थित अनुभवजन्य ढांचा प्रदान करता है।

आर्किटेक्चरल मार्गदर्शन: अध्ययन 1.5B–3B पैरामीटर रेंज को पदानुक्रमित (hierarchical) 6G नेटवर्क में AI एजेंटों को तैनात करने के लिए "स्वीट स्पॉट" के रूप में पहचानता है। यह रेंज सुरक्षा-महत्वपूर्ण कंट्रोल के लिए पर्याप्त डिटरमिनिस्टिक स्टेबिलिटी प्रदान करती है और साथ ही एज-नेटिव डिप्लॉयमेंट के लिए भी व्यवहार्य है।
साइज से परे: निष्कर्ष इस धारणा को चुनौती देते हैं कि नेटवर्क कंट्रोल के लिए बड़े मॉडल्स हमेशा बेहतर होते हैं। इसके बजाय, पेपर का तर्क है कि मुख्य उद्देश्य अधिकतम मॉडल साइज को पहचानना नहीं, बल्कि विश्वसनीय सिमेंटिक कंट्रोल के लिए आवश्यक न्यूनतम स्थिर क्षमता (minimum stable capacity) को पहचानना है।
स्टेबिलिटी थ्रेशोल्ड्स: 1–1.5B पैरामीटर्स के आसपास स्टेबिलिटी ट्रांजिशन की पहचान, एक डेटा-संचालित थ्रेशोल्ड प्रदान करती है कि कब कॉम्पैक्ट LLM-आधारित एजेंट पदानुक्रमित 6G कंट्रोल-प्लेन डिप्लॉयमेंट के लिए पर्याप्त विश्वसनीय हो जाते हैं।
व्यावहारिक डिप्लॉयमेंट: एज स्कोर पेश करके, यह पेपर 6G एज एनवायरमेंट्स के सख्त लेटेंसी और मेमोरी प्रतिबंधों के विरुद्ध सिमेंटिक विश्वसनीयता को संतुलित करने के लिए एक सिद्धांत आधारित मेट्रिक प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि जबकि फ्रंटियर मॉडल्स ओपन-डोमेन कार्यों में उत्कृष्ट हैं, मिड-स्केल मॉडल्स (1.5B–3B) भविष्य के AI-नेटिव 6G सिस्टम के लिए आवश्यक स्ट्रक्चर्ड, पॉलिसी-कंस्ट्रेंड रीजनिंग के लिए सबसे व्यावहारिक और कुशल विकल्प हैं। पुनरुत्पादकता (reproducibility) का समर्थन करने के लिए सभी स्क्रिप्ट और परिणाम सार्वजनिक रूप से उपलब्ध हैं।