💬 NLP

Markovian Generation Chains in Large Language Models

यह शोध पत्र लार्ज लैंग्वेज मॉडल्स (LLMs) की पुनरावृत्ति अनुमान प्रक्रिया (iterative inference process) को मार्कोवियन जनरेशन चेन्स के रूप में परिभाषित करता है और प्रयोगों एवं मॉडलिंग के माध्यम से यह प्रदर्शित करता है कि ऐसी प्रक्रियाएं तापमान (temperature) और प्रारंभिक इनपुट जैसे कारकों के आधार पर वाक्य विविधता को या तो बढ़ा सकती हैं या कम कर सकती हैं, जिसके परिणाम एक आवर्ती सेट (recurrent set) में अभिसरण (convergence) से लेकर नवीन वाक्यों के उत्पादन तक विस्तृत हैं।

मूल लेखक: Mingmeng Geng, Amr Mohamed, Guokan Shang, Michalis Vazirgiannis, Thierry Poibeau

प्रकाशित 2026-03-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mingmeng Geng, Amr Mohamed, Guokan Shang, Michalis Vazirgiannis, Thierry Poibeau

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 जादुई, थोड़ा सनकी अनुवादक है जिसका नाम "द इको" (The Echo) है। आप इसे एक वाक्य देते हैं, और यह उसे थोड़ा अलग संस्करण में वापस फुसफुसाता है। फिर, आप उस नए संस्करण को लेते हैं, उसे वापस "द इको" को देते हैं, और उससे एक और संस्करण मांगते हैं। आप इसे बार-बार करते रहते हैं।

50 राउंड के बाद वाक्य का क्या होता है? क्या यह वही रहता है? क्या यह और अजीब हो जाता है? क्या यह अंततः निरर्थक (gibberish) बन जाता है, या यह एक लूप में फंस जाता है?

यह शोध पत्र, जिसका शीर्षक "मार्कोवियन जनरेशन चेन्स इन लार्ज लैंग्वेज मॉडेल्स" (Markovian Generation Chains in Large Language Models) है, मूल रूप से इस बात का अध्ययन है कि जब हम AI के साथ इस "टेलीफोन गेम" को खेलते हैं, तो क्या होता है, लेकिन एक वैज्ञानिक मोड़ के साथ। लेखक AI को केवल एक उपकरण के रूप में नहीं, बल्कि संयोग के खेल में एक पात्र के रूप में देखते हैं।

यहाँ सरल उपमाओं का उपयोग करके इसका विवरण दिया गया है:

1. मुख्य अवधारणा: "बिना याददाश्त वाला" खेल

आमतौर पर, जब हम AI से बात करते हैं, तो हमारी एक बातचीत होती है। AI को याद रहता है कि हमने पाँच मिनट पहले क्या कहा था।
इस प्रयोग में, लेखक AI की याददाश्त छीन लेते हैं। हर बार जब वे पुनर्गठन (rewrite) के लिए कहते हैं, तो वे केवल AI को तत्काल पिछला वाक्य और निर्देशों का एक सेट (जैसे "इसे फिर से लिखें") देते हैं। वे AI को मूल वाक्य या बातचीत का इतिहास नहीं देखने देते।

उपमा: "टेलीफोन" के एक खेल की कल्पना करें जहाँ बीच वाला व्यक्ति आँखों पर पट्टी बांधे हुए है और उसे स्मृति लोप (amnesia) है। वह केवल अपने ठीक बगल वाले व्यक्ति को सुनता है, उसे दोहराता है, और फिर बाकी सब कुछ भूल जाता है। शोध पत्र इसे मार्कोवियन जनरेशन चेन (Markovian Generation Chain) कहता है। यह घटनाओं की एक ऐसी श्रृंखला है जहाँ भविष्य केवल वर्तमान पर निर्भर करता है, अतीत पर नहीं।

2. खेल के दो मोड: रोबोट बनाम जुआरी

लेखकों ने दो अलग-अलग तरीकों का परीक्षण किया कि AI तय करता है कि आगे क्या कहना है।

ग्रीडी डिकोडिंग (The Robot - रोबोट): AI हमेशा सबसे स्पष्ट, सांख्यिकीय रूप से सबसे संभावित अगले शब्द को चुनता है।
- क्या होता है: वाक्य बहुत जल्दी अटक जाता है। यह एक गेंद की तरह है जो एक ढलान से लुढ़ककर एक छोटे छेद में गिर जाती है। एक बार जब यह नीचे पहुँच जाती है, तो यह बस वहीं रहती है, या दो बहुत समान स्थानों के बीच आगे-पीछे घूमती रहती है।
- परिणाम: टेक्स्ट दोहराव वाला हो जाता है। कुछ ही दौरों के बाद, आपको बिल्कुल वही वाक्य मिलता है, या दो वाक्य जो अनंत काल तक आपस में अदल-बदल कर चलते रहते हैं। "विविधता" मर जाती है।
सैंपलिंग-आधारित डिकोडिंग (The Gambler - जुआरी): AI को जोखिम लेने की अनुमति है। यह संभावना के आधार पर शब्द चुनता है, लेकिन कभी-कभी यह विविधता जोड़ने के लिए कम सामान्य शब्द चुनता है (जिसे "टेम्परेचर" सेटिंग द्वारा नियंत्रित किया जाता है)।
- क्या होता है: वाक्य बदलता रहता है। यह एक भूलभुलैया में चलते हुए एक नशे में धुत व्यक्ति की तरह है। वे अंततः एक लूप में फंसने से पहले, नए रास्तों की खोज करने के लिए लंबे समय तक भटक सकते हैं।
- परिणाम: टेक्स्ट बहुत लंबे समय तक नया बना रहता है। आपको वाक्य के कई अनूठे संस्करण मिलते हैं इससे पहले कि वह अंततः दोहराने लगे।

3. "ड्रिफ्ट" (Drift) और "लूप" (Loop)

शोध पत्र ने दो मुख्य व्यवहारों की खोज की:

लूप (पुनरावृत्ति सेट - Recurrent Set): अंततः, लगभग हर वाक्य दोहराया जाएगा। AI अंततः कहेगा, "हम एक प्रस्तावना के साथ शुरू करते हैं," फिर "हम एक प्रस्तावना के साथ शुरू करते हैं," और फिर वापस "हम एक प्रस्तावना के साथ शुरू करते हैं।" यह एक छोटे चक्र में फंस जाता है।
ड्रिफ्ट (क्षणिक चरण - Transient Phase): फंसने से पहले, वाक्य भटकता है। यदि आप "जुआरी" मोड का उपयोग करते हैं, तो वाक्य मूल अर्थ से बहुत दूर जा सकता है, या यह और अधिक विस्तृत होता जा सकता है।

टेम्परेचर (तापमान) की उपमा:
"टेम्परेचर" सेटिंग को कमरे में गर्मी की तरह समझें।

कम गर्मी (ठंडा): अणु (शब्द) धीरे चलते हैं। वे जल्दी ही एक व्यवस्थित, कठोर पैटर्न में स्थिर हो जाते हैं। (ग्रीडी डिकोडिंग)।
उच्च गर्मी (गर्म): अणु बेतहाशा उछल रहे हैं। वे शांत होने से पहले अधिक अराजकता और विविधता पैदा करने के लिए लंबे समय तक भटकते हैं।

4. यह क्यों मायने रखता है?

आप पूछ सकते हैं, "इससे किसे फर्क पड़ता है कि AI 50 प्रयासों के बाद खुद को दोहराता है?"

लेखक बताते हैं कि यह बिल्कुल वैसा ही है जैसा वास्तविक दुनिया में होने लगा है:

भविष्य का "टूटा हुआ टेलीफोन": कल्पना कीजिए कि एक AI द्वारा लिखा गया समाचार लेख, फिर एक अलग दर्शक वर्ग के लिए दूसरे AI द्वारा पुनर्गठित किया गया, फिर तीसरे AI द्वारा सारांशित किया गया, और इसी तरह। यदि इन AI के पास मूल स्रोत की स्मृति नहीं है, तो कहानी धीरे-धीरे बदल सकती है, अपना अर्थ खो सकती है, या बेतुकेपन के एक अजीब लूप में फंस सकती है।
मल्टी-एजेंट सिस्टम: हम ऐसे सिस्टम बना रहे हैं जहाँ AI एजेंट अन्य AI एजेंटों से बात करते हैं। यदि एजेंट A, एजेंट B से बात करता है, और एजेंट B, एजेंट C से बात करता है, और वे सभी मूल संदर्भ को भूल जाते हैं, तो बातचीत तेजी से खराब हो सकती है।

5. बड़ा निष्कर्ष

यह शोध पत्र सिद्ध करता है कि AI आउटपुट को बार-बार AI इनपुट में फीड करना जोखिम भरा है।

यदि आप निरंतरता और सुरक्षा चाहते हैं, तो आप "ग्रीडी" मोड का उपयोग करते हैं, लेकिन आप जोखिम उठाते हैं कि टेक्स्ट उबाऊ हो जाएगा और एक लूप में फंस जाएगा।
यदि आप रचनात्मकता और विविधता चाहते हैं, तो आप "सैंपलिंग" मोड का उपयोग करते हैं, लेकिन टेक्स्ट मूल अर्थ से भटक सकता है या स्थिर होने में बहुत लंबा समय ले सकता है।

संक्षेप में:
यह शोध पत्र AI के भविष्य के लिए एक चेतावनी लेबल है। यह हमें बताता है कि यदि हम तथ्यों की जांच के लिए मानव हस्तक्षेप के बिना AI को खुद से बात करने देते हैं, तो बातचीत या तो एक उबाऊ लूप में फंस जाएगी या भ्रम (hallucination) की ओर भटक जाएगी। यह इस बात का अध्ययन है कि सूचना कैसे क्षय होती है (या विकसित होती है) जब उसे ऐसी मशीन के माध्यम से पारित किया जाता है जिसे यह याद नहीं रहता कि वह कहाँ से शुरू हुई थी।

यहाँ शोध पत्र "Markovian Generation Chains in Large Language Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जैसे-जैसे लार्ज लैंग्वेज मॉडल्स (LLMs) टेक्स्ट प्रोसेसिंग पाइपलाइनों (जैसे अनुवाद, पुनलेखन, सारांश) में सर्वव्यापी होते जा रहे हैं, LLM-जनित सामग्री के पुनरावृत्त प्रसंस्करण (iterative reprocessing) को लेकर एक बढ़ती हुई चिंता है। एक महत्वपूर्ण, अल्प-अन्वेषित प्रश्न यह है: जब टेक्स्ट को बार-बार LLM में इनपुट के रूप में वापस डाला जाता है, तो वे कैसे विकसित होते हैं?

जबकि पिछले शोध ने "मॉडल कोलैप्स" (सिंथेटिक डेटा प्रशिक्षण के कारण प्रशिक्षण डेटा वितरण का क्षरण) पर ध्यान केंद्रित किया है, यह शोध पत्र इन्फरेंस-टाइम डायनेमिक्स (inference-time dynamics) की जांच करता है। विशेष रूप से, यह इस बात की जांच करता है कि क्या होता है जब एक LLM के आउटपुट का उपयोग अगले इन्फरेंस स्टेप के इनपुट के रूप में किया जाता है, जिसमें कोई पूर्व स्मृति या इतिहास नहीं होता, जिससे एक पुनरावृत्ति लूप (recursive loop) बन जाता है। लेखक इस प्रक्रिया को औपचारिक रूप देने और यह जांचने का लक्ष्य रखते हैं कि क्या टेक्स्ट एक स्थिर अवस्था की ओर अभिसरित (converge) होते हैं, दोलन (oscillate) करते हैं, या विविधता में विचलन (diverge) करते हैं।

2. कार्यप्रणाली (Methodology)

2.1 औपचारिकीकरण: मार्कोवियन जनरेशन चेन्स (Formalization: Markovian Generation Chains)

लेखक पुनरावृत्त इन्फरेंस प्रक्रिया को एक मार्कोवियन जनरेशन चेन के रूप में परिभाषित करते हैं।

स्टेट स्पेस ( $S$ ): सभी संभावित वाक्य स्ट्रिंग्स का सेट।
ट्रांजिशन ऑपरेटर ( $T_{M,\rho,d}$ ): एक स्टोकेस्टिक ऑपरेटर जो एक निश्चित मॉडल $M$ , प्रॉम्प्ट टेम्पलेट $\rho$ , और डिकोडिंग कॉन्फ़िगरेशन $d$ पर आधारित, एक वाक्य $s^{(t)}$ को अगले वाक्यों के वितरण $s^{(t+1)}$ में मैप करता है।
मार्कोव धारणा (Markov Assumption): यह प्रक्रिया मेमोरीलेस है; $s^{(t+1)}$ केवल $s^{(t)}$ पर निर्भर करता है, न कि इतिहास $s^{(0)} \dots s^{(t-1)}$ पर।
कंपोजिशन (Composition): राउंड-ट्रिप ट्रांसलेशन (अंग्रेजी $\to$ फ्रेंच $\to$ अंग्रेजी) जैसे कार्यों के लिए, प्रक्रिया को दो मार्कोव कर्नेल्स के कंपोजिशन के रूप में मॉडल किया जाता है, जो स्रोत भाषा पर एक ट्रांजिशन मैट्रिक्स को प्रेरित करता है।

2.2 प्रयोगात्मक सेटअप (Experimental Setup)

डेटासेट्स: तीन अलग-अलग कॉर्पोरा का उपयोग किया गया: BookSum (कथा), ScriptBase-alpha (स्क्रिप्ट), और News2024 (पत्रकारिता)। प्रत्येक से 150 सीड सेंटेंस (seed sentences) लिए गए।
मॉडेल्स: चार इंस्ट्रक्शन-ट्यून्ड मॉडल्स का मूल्यांकन किया गया: GPT-4o-mini, Llama-3.1-8B, Mistral-7B, और Qwen2.5-7B।
कार्य (Tasks):
1. इटरेटिव रीफ्रेसिंग (Iterative Rephrasing): अर्थ को सुरक्षित रखते हुए एक वाक्य को फिर से लिखना।
2. राउंड-ट्रिप ट्रांसलेशन (Round-Trip Translation): एक ब्रिज लैंग्वेज में अनुवाद करना और वापस अंग्रेजी में लाना।
डिकोडिंग रिजीम (Decoding Regimes):
- ग्रीडी डिकोडिंग (Greedy Decoding): नियत चयन (argmax)।
- सैंपलिंग-आधारित डिकोडिंग (Sampling-based Decoding): निश्चित हाइपरपैरामीटर्स ( $\tau=0.7$ , top-p=0.9) के साथ स्टोकेस्टिक चयन।
मेट्रिक्स (Metrics):
- विविधता (Diversity): $T=50$ इटरेशन के दौरान अद्वितीय वाक्यों की संख्या ( $U$ )।
- रिकरेंस (Recurrence): प्रथम रिकरेंस समय ( $\tau_T$ ), जो यह मापता है कि एक वाक्य कितनी जल्दी दोहराया जाता है।
- समानता (Similarity): क्रमिक चरणों ( $s^{(t)}$ बनाम $s^{(t-1)}$ ) के बीच METEOR, ROUGE-1, और BLEU स्कोर।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक ढांचा (Theoretical Framework): यह शोध पत्र पुनरावृत्त LLM इन्फरेंस को औपचारिक रूप देने के लिए मार्कोवियन जनरेशन चेन्स की अवधारणा पेश करता है, जो इसे प्रशिक्षण-समय के मॉडल कोलैप्स से अलग करता है। यह वाक्यों को मार्कोव चेन में डिस्क्रीट स्टेट्स के रूप में मानता है।
डायनेमिक्स का लक्षण वर्णन (Characterization of Dynamics): लेखक व्यवहार के दो प्राथमिक रिजीम की पहचान करते हैं:
- अर्ली रिकरेंस (Early Recurrence): फिक्स्ड पॉइंट्स या छोटे चक्रों में तेजी से अभिसरण (ग्रीडी डिकोडिंग में सामान्य)।
- लॉन्ग ट्रांजिएंट्स (Long Transients): एक सीमित क्षितिज (finite horizon) के भीतर नवीन वाक्यों का निरंतर उत्पादन (सैंपलिंग-आधारित डिकोडिंग में सामान्य)।
डिकोडिंग प्रभाव विश्लेषण (Decoding Impact Analysis): अध्ययन यह प्रदर्शित करता है कि डिकोडिंग रणनीति विविधता का प्राथमिक चालक है। सैंपलिंग-आधारित डिकोडिंग, ग्रीडी डिकोडिंग की तुलना में "प्री-रिकरेंस" चरण को काफी लंबा कर देती है।
इनपुट संवेदनशीलता (Input Sensitivity): शोध सीड सेंटेंस की लंबाई और आउटपुट विविधता के बीच सहसंबंध को मापता है, जिसमें पाया गया कि लंबे सीड अक्सर उच्च विविधता की ओर ले जाते हैं, विशेष रूप से सैंपलिंग रिजीम के तहत।
ग्रैनुलैरिटी विस्तार (Granularity Extension): लेखक विश्लेषण को एकल वाक्यों से पैराग्राफ तक विस्तारित करते हैं, यह दिखाते हुए कि जबकि पूर्ण पैराग्राफ रिकरेंस दुर्लभ है, पैराग्राफ-स्तरीय चेन्स के भीतर सेंटेंस-लेवल अट्रैक्टर्स बने रहते हैं।

4. मुख्य परिणाम (Key Results)

4.1 ग्रीडी बनाम सैंपलिंग डिकोडिंग

ग्रीडी डिकोडिंग: प्रक्षेपवक्र (trajectories) लगभग तुरंत रिकरेंट सेट्स (फिक्स्ड पॉइंट्स या छोटे चक्र) में प्रवेश कर जाते हैं। उदाहरण के लिए, एक वाक्य दो लगभग समान अर्थ वाले वाक्यों के बीच दोलन कर सकता है। इसके परिणामस्वरूप बहुत कम सेंटेंस-लेवल विविधता होती है (अक्सर 50 स्टेप्स में < 5 अद्वितीय वाक्य)।
सैंपलिंग-आधारित डिकोडिंग: प्रक्षेपवक्र लॉन्ग ट्रांजिएंट्स प्रदर्शित करते हैं। कई चेन्स 50 इटरेशन के भीतर किसी वाक्य को बिल्कुल दोहराते नहीं हैं। अद्वितीय पैराफ्रेस की संख्या काफी अधिक है, हालांकि विविधता मॉडल और डोमेन के अनुसार भिन्न होती है।

4.2 अभिसरण और अट्रैक्टर्स (Convergence and Attractors)

ग्रीडी डिकोडिंग के तहत, मॉडल्स मॉडल-विशिष्ट अट्रैक्टर्स प्रदर्शित करते हैं। एक ही सीड से शुरू होने पर भी अलग-अलग मॉडल्स अलग-अलग फिक्स्ड पॉइंट्स या चक्रों पर अभिसरित होते हैं।
राउंड-ट्रिप ट्रांसलेशन: प्रोडक्शन MT सर्विसेज (जैसे गूगल ट्रांसलेट) लगभग नियत व्यवहार करती हैं, जो जल्दी अभिसरित होती हैं। इसके विपरीत, सैंपलिंग डिकोडिंग वाले LLMs पर्याप्त सरफेस-फॉर्म परिवर्तनशीलता दिखाते हैं, भले ही अर्थ संरक्षण (meaning preservation) का लक्ष्य हो।

4.3 सूचना-सिद्धांत संबंधी अवलोकन (Information-Theoretic Observations)

एन्ट्रॉपी (Entropy): ट्रांजिशन कर्नेल और प्रारंभिक अवस्था के आधार पर, पुनरावृत्त प्रसंस्करण वाक्य की एन्ट्रॉपी को बढ़ा या घटा सकता है।
KL कॉन्ट्रैक्शन (KL Contraction): पेपर सिद्ध करता है कि एक स्टोकेस्टिक कर्नेल के बार-बार अनुप्रयोग के तहत, वितरणों के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस संकुचित (contract) होता है, जो स्थिरीकरण की प्रवृत्ति को औपचारिक रूप देता है।
ड्रिफ्ट (Drift): जबकि सैंपलिंग के तहत विविधता (सरफेस फॉर्म) बढ़ सकती है, सिमेंटिक ड्रिफ्ट (समानता मेट्रिक्स द्वारा मापा गया) संचित होता है, जिसका अर्थ है कि कई इटरेशन के बाद टेक्स्ट मूल अर्थ से काफी विचलित हो सकता है।

4.4 एब्लेशन स्टडीज (Ablation Studies)

प्रॉम्प्ट संवेदनशीलता (Prompt Sensitivity): प्रॉम्प्ट टेम्पलेट बदलने का प्रभाव प्रॉम्प्ट बदलने की तुलना में रिकरेंस व्यवहार पर कम होता है।
प्रॉम्प्ट हेटेरोजेनिटी (Prompt Heterogeneity): इटरेशन के बीच प्रॉम्प्ट को बदलना विविधता को थोड़ा बढ़ाता है लेकिन सटीक रिकरेंस को समाप्त नहीं करता है।
पैराग्राफ स्तर (Paragraph Level): पूर्ण पैराग्राफ को प्रोसेस करने के बावजूद, पैराग्राफ के भीतर व्यक्तिगत वाक्य अक्सर स्थानीय अट्रैक्टर्स (दोहराते हुए वाक्य रूप) में गिर जाते हैं, भले ही पूर्ण पैराग्राफ कभी भी बिल्कुल दोहराया न जाए।

5. महत्व और निहितार्थ (Significance and Implications)

मल्टी-एजेंट सिस्टम (Multi-Agent Systems): ये निष्कर्ष मल्टी-एजेंट LLM सिस्टम के लिए महत्वपूर्ण हैं जहाँ एजेंट एक-दूसरे को संदेश भेजते हैं। पेपर सुझाव देता है कि सावधानीपूर्वक नियंत्रण (जैसे तापमान सेटिंग्स) के बिना, ये सिस्टम तेजी से दोहराव वाले लूप में जा सकते हैं या संचयी सिमेंटिक विरूपण ("ब्रोकन टेलीफोन" प्रभाव) का शिकार हो सकते हैं।
कंटेंट सेफ्टी और क्वालिटी (Content Safety & Quality): उन वर्कफ्लो में जहाँ LLM सामग्री को पुनरावृत्त रूप से परिष्कृत करते हैं (जैसे स्वचालित संपादन), ग्रीडी डिकोडिंग ठहराव (stagnation) की ओर ले जा सकती है, जबकि सैंपलिंग अनपेक्षित सिमेंटिक ड्रिफ्ट ला सकती है।
मॉडल कोलैप्स से अंतर (Distinction from Model Collapse): लेखक स्पष्ट करते हैं कि इन्फरेंस-टाइम रिकर्सन (यह पेपर) यांत्रिक रूप से ट्रेनिंग-टाइम मॉडल कोलैप्स से अलग है। इन्फरेंस डायनेमिक्स ट्रांजिशन कर्नेल (स्टोकेस्टिसिटी और अट्रैक्टर्स) के गुणों द्वारा संचालित होते हैं, न कि प्रशिक्षण वितरण के क्षरण द्वारा।
भविष्य की दिशाएं (Future Directions): यह ढांचा जटिल LLM-मध्यस्थ संचार पाइपलाइनों के व्यवहार को सिम्युलेट और प्रेडिक्ट करने के लिए एक संक्षिप्त गणितीय उपकरण प्रदान करता है, जो अधिक मजबूत मल्टी-टर्न इंटरेक्शन सिस्टम डिजाइन करने का आधार प्रदान करता है।

संक्षेप में, यह पेपर स्थापित करता है कि पुनरावृत्त LLM प्रसंस्करण एक रैंडम वॉक नहीं है, बल्कि मार्कोवियन डायनेमिक्स द्वारा शासित एक संरचित स्टोकेस्टिक प्रक्रिया है, जहाँ डिकोडिंग रणनीति यह तय करती है कि सिस्टम एक स्थिर अवस्था की ओर अभिसरित होगा या एक विविध, हालांकि संभावित रूप से विचलित (drifting) टेक्स्ट स्पेस की खोज करेगा।