💻 computer science

Self-Consistency for LLM-Based Motion Trajectory Generation and Verification

यह शोध पत्र मोशन ट्राजेक्टरीज (गति पथों) को प्रोटोटाइप आकृतियों के रूप में ज्यामितीय रूपांतरण समूहों के साथ युग्मित करके, विजुअल डोमेन में सेल्फ-कंसिस्टेंसी तकनीक को अनुकूलित करता है, जिससे एक LLM-आधारित सिस्टम को ट्राजेक्टरी क्लस्टरिंग और कंसिस्टेंसी चेकिंग के माध्यम से काफी बेहतर सटीकता के साथ मोशन ग्राफिक्स उत्पन्न करने और सत्यापित करने में सक्षम बनाया जा सके।

मूल लेखक: Jiaju Ma, R. Kenny Jones, Jiajun Wu, Maneesh Agrawala

प्रकाशित 2026-04-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiaju Ma, R. Kenny Jones, Jiajun Wu, Maneesh Agrawala

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 निर्देशक हैं जो एक बहुत ही प्रतिभाशाली, लेकिन थोड़े बिखरे हुए दिमाग वाले रोबोटिक सहायक से किसी पात्र के चलने के लिए एक विशिष्ट पथ (path) बनाने के लिए कह रहे हैं। आप कहते हैं, "पात्र को एक सर्पिल (spiral) में चलाने के लिए कहें।"

रोबोट मदद करने के लिए उत्सुक है, लेकिन उसके दिमाग में केवल एक ही "सर्पिल" का विचार नहीं है। उसके पास एक मिलियन अलग-अलग विचार हैं कि एक सर्पिल कैसा दिख सकता है। वह एक तंग सर्पिल, एक ढीला सर्पिल, एक तिरछा सर्पिल, या स्प्रिंग की तरह खिंचा हुआ सर्पिल बना सकता है।

कभी-कभी, रोबोट सही काम करता है। कभी-कभी, वह गलती से एक वृत्त (circle) बना देता है। कभी-कभी, वह एक ऐसा सर्पिल बनाता है जो प्रेट्ज़ल (pretzel) जैसा दिखता है। यदि आप रोबोट से इसे केवल एक बार करने के लिए कहते हैं, तो वह आपको एक प्रेट्ज़ल दे सकता है, और आपको कहना पड़ेगा, "नहीं, यह सर्पिल नहीं है!"

यह शोध पत्र एक चतुर तकनीक पेश करता है जिसे "सेल्फ-कंसिस्टेंसी" (Self-Consistency) कहा जाता है ताकि इस समस्या को ठीक किया जा सके, विशेष रूप से मोशन ग्राफिक्स (ऐसी एनिमेशन जहाँ चीजें चलती हैं) के लिए।

"भीड़ की बुद्धिमत्ता" (Crowd Wisdom) की रणनीति

रोबोट से एक उत्तर मांगने के बजाय, शोधकर्ता उसे कहते हैं: "मुझे सर्पिल पथ के 20 अलग-अलग संस्करण दें।"

अब, रोबोट 20 चित्रों का एक ढेर बना देता है। कुछ एकदम सही सर्पिल हैं, कुछ वृत्त हैं, और कुछ अजीब टेढ़े-मेढ़े आकार हैं।

यहाँ जादू वाला हिस्सा है: सही उत्तर आमतौर पर वही होता है जो सबसे अधिक बार दिखाई देता है।

यदि 15 चित्र सर्पिल जैसे दिखते हैं (बस थोड़े अलग आकार या रोटेशन के), और केवल 5 चित्र वृत्तों जैसे दिखते हैं, तो शोधकर्ता कहते हैं, "ठीक है, रोबोट जानता है कि सर्पिल क्या है; वह बस विवरणों में थोड़ा भ्रमित हो गया है। आइए उन 15 सर्पिल चित्रों का औसत लें।"

यही सेल्फ-कंसिस्टेंसी का मूल है: कई अनुमान लगाने और "बहुमत के वोट" को खोजने के माध्यम से, आप एक अकेले प्रश्न की तुलना में बहुत बेहतर परिणाम प्राप्त करते हैं।

समस्या: आप वोटों की गिनती कैसे करते हैं?

गणित की समस्या में, वोटों की गिनती करना आसान है। यदि रोबोट "42," "42," "42," और "100" कहता है, तो आप बस संख्याओं को गिनते हैं। "42" जीत जाता है।

लेकिन दृश्य कला (visual art) में, यह कठिन है।

रोबोट A एक सर्पिल बनाता है जो नीचे से शुरू होता है।
रोबोट B एक सर्पिल बनाता है जो ऊपर से शुरू होता है।
रोबोट C एक सर्पिल बनाता है जो 45 डिग्री घुमा हुआ है।

क्या ये एक ही हैं? एक इंसान के लिए, हाँ। एक कंप्यूटर के लिए, ये पूरी तरह से अलग दिखते हैं। यदि आप केवल पिक्सेल-दर-पिक्सेल तुलना करते हैं, तो वे सभी अलग-अलग उत्तर दिखेंगे, और आप एक "बहुमत" नहीं ढूंढ पाएंगे।

समाधान: "आकार परिवार" (Shape Family) की अवधारणा

शोधकर्ताओं ने इसे सिखाकर हल किया कि कंप्यूटर को ज्यामितीय रूपांतरण (geometric transformations) को समझना चाहिए। उन्होंने महसूस किया कि एक "सर्पिल" केवल एक विशिष्ट ड्राइंग नहीं है; यह आकारों का एक परिवार है।

इसे एक मिट्टी की मूर्ति (clay sculpture) की तरह समझें।

यदि आपके पास मिट्टी का एक सर्पिल है, तो आप इसे घुमा (rotate) सकते हैं, छोटा (shrink) कर सकते हैं, खींच (stretch) सकते हैं, या पलट (flip) सकते हैं।
भले ही घुमाने के बाद मिट्टी अलग दिखती है, फिर भी यह उसी आकार परिवार का हिस्सा है।

शोध पत्र एक "पदानुक्रम" (hierarchy) के नियम बनाता है (उपकरणों के एक सेट की तरह) यह तय करने के लिए कि क्या "एक ही आकार" माना जाए:

रिजिड (Rigid): आप इसे केवल हिला सकते हैं या घुमा सकते हैं (एक ठोस पत्थर की तरह)।
सिमिलरिटी (Similarity): आप इसे हिला सकते हैं, घुमा सकते हैं और आकार बदल सकते हैं (एक रबर स्टैम्प की तरह)।
एफाइन (Affine): आप इसे हिला सकते हैं, घुमा सकते हैं, खींच सकते हैं और पिचका सकते हैं (एक टॉफी के टुकड़े की तरह)।

कंप्यूटर इन नियमों का उपयोग करके रोबोट के 20 चित्रों को परिवारों में समूहबद्ध करने का प्रयास करता है। वह पूछता है: "क्या मैं ड्राइंग A को केवल खींचकर ड्राइंग B में बदल सकता हूँ?" यदि हाँ, तो वे एक ही परिवार के हैं।

"जासूस" मानदंड

चूंकि कंप्यूटर नहीं जानता कि रोबोट किस नियम (Rigid, Similarity, या Affine) के बारे में सोच रहा था, इसलिए यह पता लगाने के लिए दो जासूसी रणनीतियों का उपयोग करता है:

"बहुमत नियम" जासूस: यह सबसे सख्त नियमों के साथ शुरुआत करता है। यदि यह समान चित्रों का एक बड़ा समूह नहीं ढूंढ पाता है, तो यह नियमों को ढीला करता है (खिंचाव की अनुमति देता है) जब तक कि इसे एक बड़ा समूह न मिल जाए। यह मान लेता है कि रोबक ज्यादातर सही है, इसलिए सबसे बड़ा समूह ही सही आकार होगा।
"कंसिस्टेंसी" जासूस: यह सबसे ढीले नियमों (किसी भी प्रकार के खिंचाव की अनुमति देते हुए) के साथ शुरू होता है और देखता है कि क्या बड़ा समूह एक साथ रहता है। यदि नियम सख्त होने पर समूह टूट जाता है, तो इसे पता चल जाता है कि यह बहुत आगे निकल गया है। यह उस बिंदु पर रुक जाता है जहाँ समूह अभी भी स्थिर रहता है।

यह क्यों मायने रखता है

शोधकर्ताओं ने 200 से अधिक प्रॉम्प्ट्स (जैसे "एक पंचकोण बनाएं," "एक फिगर-8 बनाएं," "एक परबोला बनाएं") पर इसका परीक्षण किया।

जेनरेशन (Generation): जब उन्होंने एनीमेशन बनाने के लिए इस पद्धति का उपयोग किया, तो रोबोट केवल एक उत्तर पूछने की तुलना में 4-6% अधिक बार सही आकार बना पाया।
वेरिफिकेशन (Verification): जब उन्होंने इसका उपयोग यह जांचने के लिए किया कि क्या कोई एनीमेशन सही है (जैसे, "क्या यह एक सर्पिल है?"), तो यह अन्य उन्नत AI मॉडलों की तुलना में जो केवल चित्र को "देखते" हैं, 11% अधिक सटीक था।

निचोड़

यह शोध पत्र एक भ्रमित कलाकार को दूसरा मौका देने जैसा है। उनके पहले, अस्थिर स्केच को स्वीकार करने के बजाय, आप उनसे स्केच की एक पूरी गैलरी मांगते हैं। फिर, आप उस विषय को देखते हैं जो सबसे अधिक बार दोहराया जाता है, और अजीबोगरीब बाहरी उदाहरणों को अनदेखा कर देते हैं।

यह समझते हुए कि "एक सर्पिल" कई तरह से दिख सकता है (बड़ा, छोटा, झुका हुआ), कंप्यूटर शोर को अनदेखा करना और भीड़ में छिपे वास्तविक, सुसंगत उत्तर को खोजना सीख जाता है। यह AI को स्मार्ट बनाने का एक तरीका है, उसे अधिक तथ्य सिखाकर नहीं, बल्कि उसे यह सिखाकर कि भीड़ पर भरोसा कैसे किया जाए।

यह शोध पत्र "Self-Consistency for LLM-Based Motion Trajectory Generation and Verification" का एक विस्तृत तकनीकी सारांश है।

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल्स (LLMs) ने प्राकृतिक भाषा के प्रॉम्प्ट्स (जैसे, "एक सर्पिल पथ में वृत्त को घुमाएं") के आधार पर मोशन ग्राफिक्स एनिमेशन के लिए कोड उत्पन्न करने की क्षमता प्रदर्शित की है। हालांकि, ये मॉडल अक्सर प्रॉम्प्ट की ज्यामितीय विशिष्टताओं (geometric specifications) का सख्ती से पालन करने में विफल रहते हैं, जिससे उत्पन्न होने वाले प्रक्षेपवक्र (trajectories) इच्छित आकार परिवार (shape family) से विचलित हो जाते हैं।

मुख्य चुनौती दोहरी है:

जनरेशन (Generation): बिना ग्राउंड-ट्रुथ सुपरविजन के, विविध LLM-जनरेटेड सैंपल्स के सेट में से सबसे सटीक प्रक्षेपवक्र का चयन कैसे किया जाए?
सत्यापन (Verification): यह कैसे स्वचालित रूप से सत्यापित किया जाए कि एक नया प्रक्षेपवक्र टेक्स्ट प्रॉम्प्ट से मेल खाता है या नहीं?

प्राकृतिक भाषा तर्क (natural language reasoning) में, "सेल्फ-कंसिस्टेंसी" (कई आउटपुट्स को सैंपल करना और बहुमत मत लेना) काम करती है क्योंकि उत्तरों की तुलना पहचान मिलान (identity matching) (जैसे, संख्या "42") के माध्यम से की जा सकती है। विजुअल डोमेन जैसे मोशन ट्राजेक्टरीज में, प्राकृतिक भाषा के प्रॉम्प्ट्स की अंतर्निहित अस्पष्टता (जैसे, एक "स्पाइरल" किसी भी आकार, रोटेशन या स्थिति का हो सकता है) के कारण पिक्सेल-लेवल या कोऑर्डिनेट-लेवल मैचिंग असंभव है। इसलिए, एक नए प्रकार की "कंसिस्टेंसी" की आवश्यकता है जो ज्यामितीय रूपांतरणों (geometric transformations) को ध्यान में रखे।

2. कार्यप्रणाली (Methodology)

लेखक एक ऐसा फ्रेमवर्क प्रस्तावित करते हैं जो प्रॉम्प्ट्स को Lie Transformation Groups द्वारा परिभाषित Shape Families के रूप में मॉडल करके विजुअल मोशन ट्राजेक्टरीज के लिए सेल्फ-कंसिस्टेंसी को अनुकूलित करता है।

A. शेप फैमिलीज़ और ट्रांसफॉर्मेशन ग्रुप्स (Shape Families and Transformation Groups)

एक प्रॉम्प्ट को एकल प्रक्षेपवपथ मानने के बजाय, यह विधि प्रॉम्प्ट को एक आकार परिवार $\mathcal{F}(o, W)$ के रूप में मॉडल करती है, जहाँ:

$o$ एक प्रोटोटाइप प्रक्षेपपथ (prototype trajectory) है।
$W$ एक ट्रांसफॉर्मेशन ग्रुप (warp) है जो अनुमत विविधताओं (जैसे, ट्रांसलेशन, रोटेशन, स्केलिंग, रिफ्लेक्शन, शीयर) को परिभाषित करता है।
दो प्रक्षेपपथ तब "कंसिस्टेंट" माने जाते हैं यदि एक को दूसरे में बदलने के लिए एक वार्प $w \in W$ का उपयोग किया जा सकता है।

लेखक एक पदानुक्रमित (hierarchical) Lie groups का उपयोग करते हैं, जो प्रतिबंधात्मक से लेकर उदार (restrictive to permissive) तक हैं:

रिजिड ($SE(2)$): ट्रांसलेशन + रोटेशन।
रिजिड + रिफ्लेक्शन ( $E(2)$ ): इसमें रिफ्लेक्शन भी शामिल है।
सिमिलरिटी ( $Sim^+(2)$ ): इसमें यूनिफॉर्म स्केलिंग भी शामिल है।
सिमिलरिटी + रिफ्लेक्शन ($Sim(2)$): इसमें रिफ्लेक्शन भी शामिल है।
एनिसोट्रोपिक सिमिलरिटी (Anisotropic Similarity): इसमें नॉन-यूनिफॉर्म स्केलिंग (बिना शीयर के) भी शामिल है।
एफाइन ($Aff(2)$): इसमें शीयर और नॉन-यूनिफॉर्म स्केलिंग भी शामिल है।

B. वार्प-इनवेरिएंट डिस्टेंस मेट्रिक (Warp-Invariant Distance Metric)

प्रक्षेपपथों को क्लस्टर करने के लिए, यह शोध पत्र एक दूरी मेट्रिक $d_W(t_1, t_2)$ को परिभाषित करता है जो ट्रांसफॉर्मेशन ग्रुप $W$ के तहत इनवेरिएंट (invariant) है।

मेट्रिक की गणना एक सामान्यीकृत इटरेटिव क्लोजेस्ट पॉइंट (ICP) एल्गोरिदम का उपयोग करके की जाती है।
यह इष्टतम वार्प $w \in W$ को खोजता है जो दो प्रक्षेपपथों के बीच पॉइंट-टू-पॉइंट दूरी को न्यूनतम करता है।
यदि $d_W(t_1, t_2) < \tau$ (एक थ्रेशोल्ड) है, तो प्रक्षेपपथों को एक ही क्लस्टर का सदस्य माना जाता है।

C. सेल्फ-कंसिस्टेंसी पाइपलाइन (The Self-Consistency Pipeline)

सैंपलिंग (Sampling): LLM को एक टेक्स्ट प्रॉम्प्ट के आधार पर $N$ विविध मोशन ट्राजेक्टरी प्रोग्राम्स (SVG/JS) उत्पन्न करने के लिए प्रेरित किया जाता है।
क्लस्टरिंग (Clustering): विभिन्न ट्रांसफॉर्मेशन ग्रुप्स के तहत अलग-अलग ट्राजेक्टरीज को DBSCAN का उपयोग करके क्लस्टर किया जाता है।
डिसीजन क्राइटेरिया (Deciding $W$ ): चूंकि सही ट्रांसफॉर्मेशन ग्रुप अज्ञात है, सिस्टम सर्वश्रेष्ठ ग्रुप चुनने के लिए दो अनसुपरवाइज्ड मानदंडों का उपयोग करता है:
- मेजोरिटी-कंसेंसस (Majority-Consensus): यह सबसे प्रतिबंधात्मक ग्रुप से सबसे उदार ग्रुप की ओर जाता है। यह पहले ऐसे ग्रुप को चुनता है जहाँ एक क्लस्टर में सख्त बहुमत (>50%) सैंपल्स होते हैं। यह मानता है कि LLM सही प्रक्षेपपथों को गलत प्रक्षेपपथों की तुलना में अधिक बार उत्पन्न करता है।
- हायरार्किकल-कंसिस्टेंसी (Hierarchical-Consistency): यह सबसे उदार ग्रुप से सबसे प्रतिबंधात्मक ग्रुप की ओर जाता है। यह एक उदार वार्प के तहत सबसे बड़े क्लस्टर से शुरू होता है और जाँचता है कि क्या बाधाएं (constraints) कड़ा होने पर क्लस्टर "टूटता" है। यह सबसे प्रतिबंधात्मक ग्रुप चुनता है जहाँ सबसे बड़ा क्लस्टर बरकरार रहता है। यह मानता है कि गलत प्रक्षेपपथ किसी भी वार्प के तहत सही प्रक्षेपपथों के साथ क्लस्टर नहीं होंगे।
आउटपुट (Output):
- जनरेशन: सबसे बड़े क्लस्टर के सेंट्रॉइड (centroid) को अंतिम सेल्फ-कंसिस्टेंट प्रक्षेपपथ के रूप में चुना जाता है।
- सत्यापन: एक क्वेरी प्रक्षेपपथ को यह जाँचकर सत्यापित किया जाता है कि क्या चयनित $W$ के तहत उसका क्लस्टर सेंट्रॉइड से दूरी $\tau$ से कम है।

3. मुख्य योगदान (Key Contributions)

विजुअल सेल्फ-कंसिस्टेंसी (Visual Self-Consistency): यह पहचान मिलान के बजाय ज्यामितीय ट्रांसफॉर्मेशन ग्रुप्स के माध्यम से कंसिस्टेंसी को परिभाषित करके डिस्क्रीट टेक्स्ट/नंबरों से निरंतर विजुअल डोमेन तक सेल्फ-कंसिस्टेंसी प्रतिमान (paradigm) का विस्तार करता है।
अनसुपरवाइज्ड शेप फैमिली रिकवरी (Unsupervised Shape Family Recovery): बिना ग्राउंड-ट्रुथ लेबल के, पदानुक्रमित क्लस्टरिंग विश्लेषण का उपयोग करके सही ज्यामितीय ट्रांसफॉर्मेशन ग्रुप (और इस प्रकार शेप फैमिली) को स्वचालित रूप से रिकवर करने के लिए एक विधि प्रस्तावित करता है।
बेंचमार्क निर्माण (Benchmark Creation): 35 ज्यामितीय बेस शेप्स (जैसे स्पाइरल्स, पॉलीगॉन्स, वेव्स) के साथ 224 प्रॉम्प्ट्स और 2,240 ट्राजेक्टरी-प्रॉम्प्ट पेयर्स के साथ एक नया बेंचमार्क पेश करता है।
प्रदर्शन लाभ (Performance Gains): यह प्रदर्शित करता है कि यह अनसुपरवाइज्ड दृष्टिकोण डायरेक्ट LLM जनरेशन और विजुअल लैंग्वेज मॉडल (VLM) बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है।

4. परिणाम (Results)

विधि का मूल्यांकन GPT-4.1 और GPT-5 का उपयोग करके निर्मित बेंचमार्क पर किया गया।

मोशन ट्राजेक्टरी जनरेशन (Motion Trajectory Generation):
- बेसलाइन: डायरेक्ट LLM जनरेशन (सिंगल सैंपल) ने 62.1% (GPT-4.1) और 79.1% (GPT-5) सटीकता प्राप्त की।
- सेल्फ-कंसिस्टेंसी: इसने सटीकता में 4–6% का सुधार किया।
  - मेजोरिटी-कंसेंसस के साथ: 68.0% (GPT-4.1) और 83.3% (GPT-5)।
  - हायरार्किकल-कंसिस्टेंसी के साथ: 66.7% (GPT-4.1) और 82.6% (GPT-5)।
- "ओरेकल" सेटिंग (सही $W$ का ज्ञान) ने 68.5% और 83.5% प्राप्त किया, जो दर्शाता है कि अनसुपरवाइज्ड मानदंड सैद्धांतिक इष्टतम (theoretical optimum) के करीब हैं।
मोशन ट्राजेक्टरी वेरिफिकेशन (Motion Trajectory Verification):
- बेसलाइन: वेरीफायर के रूप में कार्य करने वाले VLMs (GPT-4.1/5) ने ~75.6% और 79.0% का F1 स्कोर प्राप्त किया।
- सेल्फ-कंसिस्टेंसी: प्रस्तावित विधि ने 84.6% (हायरार्किकल-कंसिस्टेंसी) और 74.6% (मेजोरिटी-कंसेंसस) का F1 स्कोर प्राप्त किया।
- प्रिसिजन गेन (Precision Gain): विधि ने VLM बेसलाइन्स की तुलना में 11.8% की प्रिसिजन वृद्धि दिखाई, जो इंगित करता है कि यह गलत पॉजिटिव्स (गलत प्रक्षेपपथों) को खारिज करने में बहुत बेहतर है।
हाइपरपैरामीटर्स (Hyperparameters): विधि मजबूत है; प्रदर्शन केवल $N=10$ सैंपल किए गए ट्राजेक्टरीज के साथ स्थिर हो जाता है और क्लस्टरिंग डिस्टेंस थ्रेशोल्ड $\tau$ के एक विस्तृत रेंज में इसके प्रति असंवेदनशील है।

5. महत्व और सीमाएँ (Significance and Limitations)

महत्व:

ट्रेनिंग-फ्री इम्प्रूवमेंट (Training-Free Improvement): यह फाइन-ट्यूनिंग या अतिरिक्त ट्रेनिंग डेटा के बिना, केवल सैंपलिंग और ज्यामितीय तर्क पर निर्भर करते हुए LLM प्रदर्शन में सुधार करता है।
टेक्स्ट और ज्योमेट्री के बीच सेतु (Bridging Text and Geometry): यह विजुअल जनरेशन में प्राकृतिक भाषा प्रॉम्प्ट्स की सिमेंटिक अस्पष्टता को संभालने के लिए एक कठोर गणितीय ढांचे (Lie groups) का उपयोग करता है।
विश्वसनीय सत्यापन (Reliable Verification): यह उन ज्यामितीय गुणों को सत्यापित करने के लिए VLMs की तुलना में अधिक विश्वसनीय विकल्प प्रदान करता है, जिन्हें विजन मॉडल्स द्वारा अक्सर भ्रमित (hallucinate) किया जाता है।

सीमाएँ:

सिंगल प्रोटोटाइप धारणा (Single Prototype Assumption): वर्तमान विधि मानती है कि एक शेप फैमिली एक एकल प्रोटोटाइप और एक वार्प द्वारा परिभाषित होती है। यह उन प्रॉम्प्ट्स के साथ संघर्ष करती है जो कई विलगित (disjoint) प्रोटोटाइप्स से मैप होते हैं (जैसे, "हेप्टाग्राम" {7/2} या {7/3} हो सकता है, या अक्षर "M" जिसके अनंत संस्करण हैं)।
LLM डिस्ट्रीब्यूशन धारणाएं (LLM Distribution Assumptions): निर्णय मानदंड LLM के आउटपुट डिस्ट्रीब्यूशन के बारे में धारणाओं पर निर्भर करते हैं (जैसे, कि सही उत्तर बहुमत में हैं या गलत उत्तर सही प्रक्षेपपथों के साथ क्लस्टर नहीं होते हैं)। यदि LLM लगातार एक विशिष्ट गलत आकार को हैलुसिनेट करता है, तो विधि गलत क्लस्टर पर अभिसरण (converge) कर सकती है।
स्कोप (Scope): वर्तमान में 2D मोशन ग्राफिक्स ट्राजेक्टरीज तक सीमित है; 3D सीन्स या जटिल फिजिक्स-आधारित एनिमेशन में विस्तार भविष्य का कार्य है।

निष्कर्षतः, यह शोध पत्र ज्यामितीय इनवेरिएंस का लाभ उठाकर विजुअल डोमेन में सेल्फ-कंसिस्टेंसी को सफलतापूर्वक अनुकूलित करता है, जो LLM-संचालित मोशन ग्राफिक्स के जनरेशन और वेरिफिकेशन दोनों को बढ़ाने के लिए एक मजबूत, अनसुपरवाइज्ड विधि प्रदान करता है।