Can VLMs Reason Robustly? A Neuro-Symbolic Investigation
यह शोध पत्र प्रदर्शित करता है कि जहाँ मानक विज़न-लैंग्वेज मॉडल विज़ुअल डिडक्टिव रीजनिंग कार्यों में कोवेरिएट शिफ्ट के तहत सामान्यीकरण करने में विफल रहते हैं, वहीं प्रस्तावित VLC विधि एक न्यूरो-सिम्बोलिक फ्रेमवर्क के माध्यम से धारणा (परसेप्शन) को तर्क (रीज़निंग) से अलग करके मजबूत प्रदर्शन प्राप्त करती है, जो VLM-आधारित अवधारणा पहचान को सटीक सिम्बोलिक सर्किट निष्पादन के साथ जोड़ती है।
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 प्रतिभाशाली छात्र है जिसका नाम VLM (विज़न-लैंग्वेज मॉडल) है। यह छात्र चित्र देखकर उसका वर्णन करने में अद्भुत है। यदि आप उसे एक बिल्ली की फोटो दिखाते हैं, तो वह कहेगा, "यह एक रोएंदार बिल्ली है!" यदि आप उसे एक बिखरा हुआ कमरा दिखाते हैं, तो वह खिलौनों और कपड़ों की सूची बना देगा। वे प्रत्यक्ष बोध (perception) में बहुत अच्छे हैं।
लेकिन समस्या यह है: जब आप इस छात्र को उस चित्र के आधार पर कोई तर्क संबंधी पहेली (logic puzzle) हल करने के लिए कहते हैं, तो वे लड़खड़ाने लगते हैं, खासकर यदि पहेली उन पहेलियों से थोड़ी अलग दिखती है जिनका उन्होंने अभ्यास किया था।
यह शोधपत्र जांच करता है कि ऐसा क्यों होता है और उन्हें सही ढंग से तर्क करने के लिए सिखाने का एक नया तरीका प्रस्तावित करता है।
समस्या: "रट्टू तोता" बनाम "सच्चा विचारक"
शोधकर्ताओं ने VLM का तीन प्रकार के तर्क संबंधी पलेक्ट्स (logic puzzles) पर परीक्षण किया:
- चित्र में लिखे हुए संख्याओं को जोड़ना।
- अंकों के एक अनुक्रम के आधार पर "XOR" की गणना करना (एक लॉजिक गेम जहाँ बिट्स को बदला जाता है)।
- आकृतियों और रंगों के बारे में नियमों की जाँच करना (जैसे, "क्या सभी लाल गोले बड़े होने चाहिए?")।
उन्होंने एक निराशाजनक पैटर्न पाया:
- "रटने" का तरीका (The "Cramming" Method): जब उन्होंने VLM को हजारों उदाहरण दिखाकर और उसे उत्तर का अनुमान लगाने देकर प्रशिक्षित किया (एक विधि जिसे एंड-टू-एंड फाइन-ट्यूनिंग कहा जाता है), तो छात्र ने अभ्यास टेस्ट में 99% अंक प्राप्त किए।
- "नया टेस्ट" आपदा (The "New Test" Disaster): लेकिन जब शोधकर्ताओं ने टेस्ट को थोड़ा बदल दिया—जैसे कि छात्र को 3 संख्याओं के बजाय 7 संख्याएँ जोड़ने के लिए कहना, या अलग फोंट का उपयोग करना—तो छात्र का स्कोर गिरकर लगभग शून्य हो गया।
उपमा (Analogy): कल्पना कीजिए कि छात्र ने वास्तव में जोड़ना नहीं सीखा। इसके बजाय, उसने 3-अंकों वाली समस्याओं के उत्तर कुंजियों (answer keys) के विशिष्ट रूप को याद कर लिया था। जब आपने उन्हें 7-अंकों वाली समस्या दी, तो वे घबरा गए क्योंकि जो पैटर्न उन्होंने याद किया था, वह फिट नहीं बैठा। वे रट रहे थे, तर्क नहीं कर रहे थे।
विफल समाधान: "ब्लैक बॉक्स"
शोधकर्ताओं ने दो लोकप्रिय आधुनिक सुधारों को आज़माया:
- प्रिज्म (Prism): उन्होंने VLM को चित्र का वर्णन करने दिया, फिर उस विवरण को एक बहुत ही बुद्धिमान टेक्स्ट AI (एक LLM) को गणित हल करने के लिए सौंप दिया।
- परिणाम: टेक्स्ट AI सरल गणित में अच्छा था लेकिन जटिल तर्क में बहुत खराब था। यह एक ऐसे गणित के जीनियस को काम पर रखने जैसा था जो सख्त तार्किक नियमों का पालन करने में बुरा है।
- वाइपर जीपीटी (ViperGPT): उन्होंने AI को समस्या को हल करने के लिए एक कंप्यूटर प्रोग्राम लिखने के लिए कहा, और फिर उस प्रोग्राम को चलाया।
- परिणाम: यह तब बहुत अच्छा काम करता था जब प्रोग्राम एकदम सही होता था। लेकिन यदि प्रोग्राम ने एक छोटी सी गलती भी की (जैसे किसी आकृति को पहचानने में चूक), तो पूरा उत्तर गलत हो जाता था। यह एक रूब गोल्डबर्ग मशीन बनाने जैसा था; यदि एक गियर भी फिसला, तो पूरा तंत्र विफल हो जाता है।
समाधान: VLC ("इंसान + कैलकुलेटर" की टीम)
शोधकर्ताओं ने VLC नामक एक नई प्रणाली प्रस्तावित की। एक विशाल AI मस्तिष्क को सब कुछ करने देने के बजाय, उन्होंने काम को दो अलग-अलग भूमिकाओं में विभाजित कर दिया, जैसे कि एक जासूस (Detective) और एक कैलकुलेटर (Calculator)।
चरण 1: जासूस (The Detective - VLM)
VLM चित्र को देखता है और बस उत्तर देता है: "मुझे क्या दिख रहा है?"
- "मुझे एक 6, एक 4 और एक 0 दिख रहा है।"
- "मुझे एक लाल वर्ग और एक नीला गोला दिख रहा है।"
- वह अभी पहेली को हल करने की कोशिश नहीं करता है। वह केवल तथ्यों को इकट्ठा करता है।
चरण 2: कैलकुलेटर (The Calculator - The Circuit)
यही जादू वाला हिस्सा है। शोधकर्ता पहेली के नियमों (जैसे, "इन संख्याओं को जोड़ें" या "चेक करें कि रंग मेल खाते हैं या नहीं") को लेते हैं और उन्हें एक कठोर, अपरिवर्तनीय कंप्यूटर सर्किट में लिख देते हैं।
- यह सर्किट एक मैकेनिकल कैलकुलेटर या एक फ्लोचार्ट की तरह है। यह "अनुमान" नहीं लगा सकता। यह "भ्रमित" (hallucinate) नहीं हो सकता। यह नियमों का ठीक वैसे ही पालन करता है।
- जासूस के तथ्यों को इस कैलकुलेटर में फीड किया जाता है।
- कैलकुलेटर संख्याओं को प्रोसेस करता है और उत्तर देता है।
उपमा:
कल्प_िए कि आप गणित की परीक्षा दे रहे हैं।
- पुराना तरीका: आप हर संभव टेस्ट के उत्तरों को याद करने की कोशिश करते हैं। यदि शिक्षक नंबर बदल देते हैं, तो आप असफल हो जाते हैं।
- VLC तरीका: आपके पास एक दोस्त (VLM) है जो कागज पर लिखे नंबरों को पढ़ने और उन्हें बताने में बहुत अच्छा है। फिर, आप उन नंबरों को एक रोबोट कैलकुलेटर (सर्किट) को सौंप देते हैं जिसे आपने खुद बनाया है। रोबोट जोड़ (addition) के नियमों को पूरी तरह से जानता है। भले ही नंबर बहुत बड़े हों या फोंट अजीब हो, रोबोट हमेशा सही उत्तर देगा क्योंकि वह अनुमान नहीं लगाता, बल्कि नियमों का पालन करता है।
यह क्यों महत्वपूर्ण है
शोधपत्र दिखाता है कि VLC अविश्वसनीय रूप से मजबूत है।
- इससे कोई फर्क नहीं पड़ता कि टेस्ट में 3 वस्तुएं थीं या 7 वस्तुएं।
- इससे कोई फर्क नहीं पड़ता कि वस्तुएं हाथ से लिखी गई थीं या प्रिंटेड थीं।
- जब तक "जासूस" वस्तुओं को स्पष्ट रूप से देख सकता था, "कैलकुलेटर" तर्क संबंधी पहेली को पूरी तरह से हल कर सकता था।
मुख्य निष्कर्ष (The Big Takeaway):
AI को वास्तव में तर्क करने में स्मार्ट बनाने के लिए, हमें केवल एक विशाल मस्तिष्क पर अधिक डेटा नहीं डालना चाहिए और उम्मीद नहीं करनी चाहिए कि वह इसे समझ जाएगा। इसके बजाय, हमें कार्यों को अलग (decouple) करना चाहिए:
- AI का उपयोग उसके कौशल के लिए करें: चीजों को देखने और पहचानने के लिए।
- सख्त, प्रतीकात्मक कोड (symbolic code) का उपयोग उसके लिए करें जिसमें वह कमजोर है: तार्किक नियमों का पालन करने के लिए।
इन दोनों को मिलाकर, हमें एक ऐसा सिस्टम मिलता है जो केवल टेस्ट के लिए "रटता" नहीं है बल्कि वास्तव में सोचना समझता है, जिससे यह दुनिया बदलने पर भी विश्वसनीय बना रहता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।