🤖 machine learning

Autolearn: Learn by Surprise, Commit by Proof

ऑटोलर्न (Autolearn) एक अनसुपरवाइज्ड फ्रेमवर्क है जो भाषा मॉडलों को उच्च-आश्चर्य वाले अनुच्छेदों से स्वायत्त रूप से सीखने में सक्षम बनाता है, जो स्वयं-निर्मित प्रश्नोत्तर श्रृंखलाओं के माध्यम से उन्हें सत्यापित करके और प्रशिक्षण गतिकी को समायोजित करके किया जाता है, एक ऐसी प्रक्रिया जो प्रभावी रूप से वास्तविक समझ के पक्ष में रटने की प्रवृत्ति को दबाती है और कई मॉडल परिवारों में महत्वपूर्ण ज्ञान प्राप्ति की ओर ले जाती है।

मूल लेखक: Kang-Sin Choi

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kang-Sin Choi

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

एक प्रतिभाशाली छात्र की कल्पना करें जो कुछ ही सेकंड में पुस्तकालय की किताबों को पढ़ सकता है लेकिन उसकी याददाश्त बहुत खराब है। हर बार जब वह एक किताब खत्म करता है, तो जानकारी गायब हो जाती है और उसे फिर से शून्य से शुरुआत करनी पड़ती है। वह पारंपरिक अर्थों में "अध्ययन" नहीं कर सकता; वह केवल एक अस्थायी नोट कार्ड का "परामर्श" ले सकता है।

यह वर्तमान AI मॉडलों की समस्या है। वे बुद्धिमान हैं, लेकिन जिस जानकारी को वे बनाने के बाद पढ़ते हैं, उससे वे सीखते नहीं हैं।

यह पेपर Autolearn पेश करता है, जो एक ऐसा सिस्टम है जो AI मॉडलों को खुद से अध्ययन करने की अनुमति देता है। यह एक बहुत ही सख्त, आत्म-सुधार करने वाले ट्यूटर (शिक्षक) की तरह काम करता है। यह कैसे काम करता है, यहाँ तीन सरल चरणों में दिया गया है:

1. "आश्चर्य" का अलार्म (चरण 1)

कल्पना कीजिए कि आप एक समाचार लेख पढ़ रहे हैं। यदि आप एक ऐसा वाक्य पढ़ते हैं जो आपकी मौजूदा जानकारी के आधार पर बिल्कुल सही लगता है, तो आप इसे आसानी से पढ़ लेते हैं। लेकिन यदि आप कुछ चौंकाने वाला या भ्रमित करने वाला पढ़ते हैं, तो आप रुक जाते हैं और सोचते हैं, "रुको, क्या? यह सही नहीं लग रहा है।"

Autolearn भी ऐसा ही करता है। यह एक दस्तावेज़ को पढ़ता है और प्रत्येक वाक्य से यह मापता है कि वह कितना "आश्चर्यचकित" (surprised) है।

परिचित चीजें: यदि AI सामग्री को जानता है, तो वह उसे अनदेखा कर देता है।
आश्चर्यजनक चीजें: यदि AI भ्रमित है (उच्च "surprisal"), तो वह उस अंश को चिह्नित (flag) कर देता है। यह फ्लैग यह नहीं बताता कि जानकारी सच है; इसका मतलब सिर्फ यह है कि AI अभी इसे समझ नहीं पाया है। यह एक क्रांतिकारी नई खोज हो सकती है, या एक चालाकी भरा झूठ भी हो सकता है।

2. "स्व-पूछताछ" (चरण 2)

यह सबसे महत्वपूर्ण हिस्सा है। जब AI आश्चर्यचकित होता है, तो वह केवल टेक्स्ट को रटता नहीं है। इसके बजाय, वह एक जासूस की तरह काम करता है जो पहेली सुलझाने की कोशिश कर रहा है। वह टेक्स्ट के आधार पर अपने स्वयं के प्रश्न और उत्तर (Q&A) जोड़े बनाता है।

परीक्षण: यह खुद से सवाल पूछता है जैसे, "क्या यह नया रसायन वास्तव में उसी तरह काम करता है जैसा लेख में कहा गया है?" या "यदि यह सच है, तो और क्या सच होना चाहिए?"
जांच: यह इन सवालों के जवाब देने की कोशिश करता है, लेकिन केवल उसी जानकारी का उपयोग करता है जो वह पहले से जानता है।
- यदि उत्तर तर्कसंगत है और उसके मौजूदा ज्ञान के साथ फिट बैठता है, तो AI उस जानकारी को "पास" दे देता है।
- यदि उत्तर ज्ञात विज्ञान या तर्क के विपरीत है, तो AI रुक जाता है और उस विशिष्ट भाग को संदिग्ध के रूप में चिह्नित करता है।

इसे एक छात्र की तरह समझें जो अंतिम परीक्षा से पहले अभ्यास क्विज़ ले रहा है। यदि वे समझा सकते हैं कि क्यों कुछ काम करता है, तो वे अवधारणा (concept) को सीख रहे हैं। यदि वे केवल उत्तर कुंजी (answer key) को रट रहे हैं, तो वे केवल रट रहे हैं। Autolearn AI को वह क्विज़ लेने के लिए मजबूर करता है।

3. "अध्ययन सत्र" (चरण 3)

एक बार जब AI ने Q&A क्विज़ के माध्यम से जानकारी को सत्यापित कर लिया है, तो वह वास्तव में अध्ययन करता है। लेकिन यहाँ एक चतुर ट्रिक है: यह मूल टेक्स्ट का अध्ययन नहीं करता है।

मानक सीखना (गलत तरीका): यदि आप केवल एक AI को बार-बार एक ही पैराग्राफ पढ़ने के लिए मजबूर करते हैं, तो वह शब्दों के सटीक क्रम को रट लेता है। यह एक तोते की तरह वाक्य दोहराने जैसा है। वह शब्दों को जानता है, लेकिन अर्थ को नहीं।
Autolearn (सही तरीका): AI Q&A जोड़ों का अध्ययन करता है। यह प्रश्न और उत्तर के बीच के संबंध को सीखता है। यह AI को शब्दों के क्रम को रटने के बजाय, तथ्यों के बीच के तर्क और संबंधों को समझने के लिए मजबूर करता है।

द "सेल्फ-एक्सटिंग्विशिंग" (स्व-समाप्त होने वाला) फीचर

इस सिस्टम में एक "ऑफ स्विच" बना हुआ है। एक बार जब AI सफलतापूर्वक एक अंश को सीख लेता है और उसे समझ लेता है, तो "आश्चर्य" का स्तर गिर जाता है। यदि AI बाद में उसी अंश को फिर से पढ़ता है, तो वह अब आश्चर्यचकित नहीं होगा, इसलिए वह इसे फ्लैग नहीं करेगा। वह उन चीजों का अध्ययन करना बंद कर देता है जिन्हें वह पहले से जानता है, जिससे ऊर्जा बर्बाद होने या उसकी मेमोरी ओवरराइट होने से बच जाता है।

उन्होंने क्या पाया?

शोधकर्ताओं ने वास्तविक वैज्ञानिक खोजों और नकली, विश्वसनीय लगने वाले झूठ के मिश्रण के साथ कई AI मॉडलों पर इसका परीक्षण किया।

समझ बनाम रटना: जब उन्होंने मानक प्रशिक्षण का उपयोग किया, तो AI सटीक अगले शब्द की भविष्यवाणी करने में बेहतर (रटना) हो गया, लेकिन वह वास्तव में अवधारणाओं को नहीं समझ पाया। जब उन्होंने Autolem का उपयोग किया, तो AI की अर्थ (भले ही शब्द बदल दिए गए हों) समझने की क्षमता में काफी सुधार हुआ।
नई तथ्य सीखना: AI सफलतापूर्वक विशिष्ट, नए तथ्य (जैसे किसी जीन या रासायनिक प्रक्रिया का नाम) सीख सका जो वह पहले नहीं जानता था, उसकी सफलता दर 6% से बढ़कर 54% हो गई।
झूठ का प्रतिरोध: क्योंकि AI को अपने स्वयं के तर्क पर "क्विज़" लेना पड़ता था, इसलिए वह मानक प्रशिक्षण विधियों की तुलना में नकली जानकारी को पहचानने में बेहतर था।

निचोड़

Autolearn एक ऐसा ढांचा (framework) है जो AI को एक निष्क्रिय पाठक से एक सक्रिय छात्र में बदल देता है। केवल टेक्स्ट को निगलने के बजाय, यह आश्चर्यचकित होता है, खुद से सवाल पूछता है, अपने जवाबों की जांच करता है, और केवल उन्हीं चीजों को स्मृति में संचित करता है जिन्हें वह सिद्ध कर सकता है कि वह समझता है। यह एक तरीका है जिससे AI बिना किसी मानव शिक्षक के यह बताए कि क्या सच है और क्या झूठ, नए दस्तावेज़ों से सीख सकता है।

तकनीकी सारांश: Autolearn – आश्चर्य से सीखें, प्रमाण से प्रतिबद्ध हों

1. समस्या विवरण

वर्तमान बड़े भाषा मॉडल (LLMs) में तैनाती के बाद पढ़े गए दस्तावेज़ों से सीखने की क्षमता का अभाव है। नई जानकारी संदर्भ विंडो (context window) में एक अस्थायी बफर के रूप में प्रवेश करती है और संदर्भ समाप्त होने पर हटा दी जाती है। मौजूदा समाधान इस "सीखने" के अंतर को प्रभावी ढंग से संबोधित करने में विफल रहते हैं:

फाइन-ट्यूनिंग (Fine-tuning): यह अनियंत्रित भार अपडेट (weight updates) को मजबूर करती है, जिससे पूर्व ज्ञान का विनाशकारी विस्मरण (catastrophic forgetting) होता है।
रिट्रीवल-ऑगमेंटेड जनरेशन (RAG): यह भार अपडेट से बचता है लेकिन जानकारी को दीर्घकालिक स्मृति में समेकित करने में विफल रहता है, जिससे संदर्भ प्रदूषण (context pollution) और क्रॉस-दस्तावेज़ निष्कर्ष निकालने में अक्षमता उत्पन्न होती है।
नॉलेज एडिटिंग (Knowledge Editing) और निरंतर शिक्षण (Continual Learning) विधियाँ या तो स्केल नहीं हो पातीं या उनके लिए बाहरी पर्यवेक्षण की आवश्यकता होती है।

एक मुख्य कठिनाई नवीनता (वास्तविक नया ज्ञान) और शोर (विश्वसनीय लगने वाले झूठ या भ्रष्टाचार) के बीच अंतर करना है। दोनों ही असामान्य रूप से उच्च प्रति-टोकन लॉस (surprisal) उत्पन्न करते हैं। बाहरी सत्यापन के बिना, उच्च-लॉस सामग्री के लिए ऑप्टिमाइज़र को खोलना मॉडल के भार को दूषित करने का जोखिम उठाता है। इसके अलावा, कच्चे टेक्स्ट पर मानक सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) अक्सर केवल टोकन-अनुक्रम स्मृति (token-sequence memorization) की ओर ले जाता है, न कि अर्थपूर्ण समझ की ओर, क्योंकि मॉडल सटीक शब्द क्रमों को एनकोड करता है।

2. कार्यप्रणाली: Autolearn पाइपलाइन

Autolearn एक स्व-गेटेड पोस्ट-ट्रेनिंग फ्रेमवर्क है जो मॉडलों को बिना किसी बाहरी पर्यवेक्षण के दस्तावेज़ों से सीखने में सक्षम बनाता है। यह तीन चरणों में कार्य करता है, जो आश्चर्य का पता लगाने, स्व-सत्यापन और स्मृति समेकन के संज्ञानात्मक आर्किटेक्चर की नकल करता है।

चरण 1: पहचान और आधार (आश्चर्य)

सिस्टम एक स्लाइडिंग विंडो पर प्रति-टोकन लॉस ( $s_t = -\log p_\theta(x_t | x_{<t})$ ) को एकत्रित करके पासेज-स्तरीय आश्चर्य ( $S_i$ ) की गणना करता है।

फ्लैगिंग: वे पासेज जहाँ $S_i > \tau$ (ज्ञात सामग्री पर कैलिब्रेटेड थ्रेशोल्ड) है, उन्हें "आश्चर्यजनक" के रूप में चिह्नित किया जाता है।
ग्राउंडिंग: प्रत्येक चिह्नित पासेज के लिए, सिस्टम एक ग्राउंडिंग टुपल $G_i = (P_i, S_i, d_i)$ रिकॉर्ड करता है, जहाँ $d_i$ ड्रॉप रेश्यो (पासेज की शुरुआत से अंत तक आश्चर्य में सामान्यीकृत कमी) है।
परिणाम: यह चरण उस सामग्री को फ़िल्टर करता है जिसे मॉडल पहले से अच्छी तरह से नहीं जानता है, लेकिन वह अभी तक वास्तविक नवीनता और भ्रष्टाचार के बीच अंतर करने में असमर्थ है।

चरण 2: सत्यापन, ग्रेडिंग और पाचन (स्व-सत्यापन)

पासेज को स्वीकार या अस्वीकार करने के बजाय, मॉडल पासेज के दावों के संबंध में अपने स्वयं के ज्ञान को स्पष्ट करने के लिए एक Q&A श्रृंखला उत्पन्न करता है।

जेनरेशन: मॉडल $N$ $N$ प्रश्न-उत्तर जोड़े उत्पन्न करता है, जहाँ $N$ $N$ पासेज के आश्चर्य ( $S_i$ $S_{i}$ ) के साथ स्केल होता है ( $N = \lceil S_i \cdot c \rceil$ $N = ⌈ S_{i} \cdot c ⌉$ )। प्रश्नों को एपिस्टेमिक मूल द्वारा टैग किया जाता है:
- [existing]: उन पृष्ठभूमि तथ्यों की पुष्टि करता है जिन्हें पासेज द्वारा माना गया है।
- [mechanism]: पासेज द्वारा प्रस्तावित विशिष्ट कारण संबंधी चरणों (जैसे, "क्या प्रोटीन X रिसेप्टर Y से बंधता है?") की जांच करता है।
- [implication]: परीक्षण करता है कि क्या परिणाम ज्ञात तथ्यों के साथ संघर्ष करते हैं।
निरंतरता जाँच (Consistency Check): प्रत्येक जोड़े को मॉडल के मौजूदा ज्ञान के विरुद्ध मान्य किया जाता है।
- [mechanism] या [implication] प्रश्नों पर विफलता श्रृंखला में "हार्ड ब्रेक" का कारण बनती है।
- [existing] प्रश्नों पर विफलता को उदारतापूर्वक लिया जाता है।
कन्विकशन डेप्थ ( $k$ ): श्रृंखला एक स्कोर $k$ (पास किए गए प्रश्नों की संख्या) उत्पन्न करती है। यह $k$ सीखने की शक्ति को निर्धारित करता है। वे पासेज जो जल्दी टूट जाते हैं, उन्हें कमजोर लर्निंग मिलती; जो पूरी श्रृंखला को पूरा करते हैं, उन्हें मजबूत प्रतिबद्धता मिलती।
स्ट्रेंजनेस रिकॉर्ड्स (Strangeness Records): यदि कोई श्रृंखला टूट जाती है, तो विफलता के पीछे के तर्क को अनिश्चितता-आधारित प्रशिक्षण आइटम में बदल दिया जाता है ("दस्तावेज़ दावा करता है X, लेकिन मैं अनिश्चित हूँ..."), जिससे मॉडल को अपने ज्ञान की सीमा (boundary) सीखने में मदद मिलती है।

चरण 3: गेटेड वेट अपडेट (समेकन)

प्रशिक्षण सत्यापित Q&A जोड़ों और स्ट्रेंजनेस रिकॉर्ड्स पर होता है।

कन्विकशन-अनुपातिक $\beta_2$ समायोजन: फ्रेमवर्क कन्विकशन डेप्थ $k$ के आधार पर AdamW ऑप्टिमाइज़र के दूसरे-मोमेंट पैरामीटर $\beta_2$ को समायोजित करता है:
$\beta_2^{(k)} = 0.999 \cdot r^k$
जहाँ $r \in (0, 1)$ एक डिके फैक्टर है। उच्च $k$ (मजबूत सत्यापन) $\beta_2$ को थोड़ा कम करता है, जिससे सत्यापित वस्तुओं के लिए ग्रेडिएंट अधिक कुशलता से संचित हो पाते हैं।
प्रशिक्षण प्रारूप: महत्वपूर्ण रूप से, प्रशिक्षण कच्चे टेक्स्ट के बजाय Q&A जोड़ों पर किया जाता है। यह मॉडल को शब्द क्रमों के बजाय अर्थपूर्ण जुड़ाव (प्रश्न $\to$ उत्तर) को एनकोड करने के लिए मजबूर करता है।

3. मुख्य योगदान

द पर्टर्बेशन गैप मेट्रिक (The Perturbation Gap Metric)

पेपर 'मेमोराइजेशन' (रट लेना) और 'अंडरस्टैंडिंग' (समझ) के बीच अंतर करने के लिए एक मेट्रिक के रूप में पर्टर्बेशन गैप (पैराफ्रेस-टू-ओरिजिनल पर्प्लेक्सिटी रेश्यो) पेश करता है।

मेमोराइजेशन: यदि मॉडल टोकन अनुक्रमों को रटता है, तो वह मूल टेक्स्ट की अच्छी भविष्यवाणी करता है लेकिन पैराफ्रेस (पैराफ्रेसिंग) पर विफल हो जाता है, जिसके परिणामस्वरूप उच्च गैप ( $\gg$ प्री-ट्रेंड बेसलाइन) होता है।
अंडरस्टैंडिंग: यदि मॉडल अर्थपूर्ण जुड़ाव सीखता है, तो वह मूल और पैराफ्रेस्ड दोनों टेक्स्ट की समान रूप से भविष्यवाणी करता है, जिसके परिणामस्वरूप गैप प्री-ट्रेंड बेसलाइन के करीब होता है।
महत्व: एक गैप जो प्री-ट्रेंड बेसलाइन से नीचे है, "शुद्ध अर्थपूर्ण शिक्षण" (pure semantic learning) को दर्शाता है जहाँ टोकन-अनुक्रम मेमोराइजेशन के बिना समझ में सुधार होता है।

सेल्फ-एक्सटिंग्विशिंग प्रॉपर्टी (Self-Extinguishing Property)

यह प्रणाली स्व-सीमित (self-limiting) है। जैसे-जैसे मॉडल एक पासेज को सीखता है, उसका आश्चर्य ( $S_i$ ) कम हो जाता है। एक बार जब $S_i$ , थ्रेशोल्ड $\tau$ से नीचे गिर जाता है, तो भविष्य के मुठभेड़ों में उस पासेज को फ्लैग नहीं किया जाता है। सिस्टम स्वाभाविक रूप से "आश्चर्यजनक" सामग्री को समाप्त करने के बाद मानक AdamW व्यवहार की ओर अभिसरित (converge) होता है।

डेटा स्पेस गेटिंग के माध्यम से चयनात्मक शिक्षण

पैरामीटर स्पेस में गेट करने वाले पिछले निरंतर शिक्षण (continual learning) तरीकों (जैसे EWC) के विपरीत, Autolearn डेटा स्पेस में गेट करता है। यह प्रति-आइटम $\beta_2$ समायोजन के माध्यम से नियंत्रित करता है कि किन आइटम्स को सीखा जाएगा और कितनी मजबूती से सीखा जाएगा, जो एक ऐसा तंत्र है जिसे पहले प्रस्तावित नहीं किया गया था।

4. प्रयोगात्मक परिणाम

Qwen3-14B (और Qwen3-8B/32B तथा Phi-4-14B पर पुनरुत्पादित) पर 60 पासेजों (20 ज्ञात, 20 नवीन, 20 भ्रष्ट) के संग्रह का उपयोग करके प्रयोग किए गए।

मेमोराइजेशन बनाम अंडरस्टैंडिंग

Autolearn एकमात्र ऐसा तरीका है जो "सब-बेसलाइन" शासन (regime) में प्रवेश करता है।
- प्री-ट्रेंड गैप: 2.204।
- Autolearn (सर्वश्रेष्ठ): 2.098 ( $\Delta = -0.106$ , $>10\sigma$ )।
- मानक SFT (सर्वश्रेष्ठ): 2.194 ( $\Delta = -0.010$ , $<1\sigma$ , शोर के भीतर)।
यह पुष्टि करता है कि Q&A प्रशिक्षण प्रारूप टोकन-अनुक्रम मेमोराइजेशन को दबा देता है, जिससे शुद्ध अर्थपूर्ण शिक्षण संभव होता है।

ज्ञान अधिग्रहण

स्टोकेस्टिक मूल्यांकन: तापमान 0.7 सैंपलिंग का उपयोग करते हुए, सही नवीन तथ्यों को उत्पन्न करने की संभावना प्रशिक्षण के बाद काफी बढ़ गई (उदाहरण के लिए, ग्रेफीन सबस्ट्रेट तथ्य के लिए 6% से 54% तक, $p < 10^{-4}$ )।
नवीनता बनाम भ्रष्टाचार: Autolearn ने भ्रष्ट सामग्री का विरोध करने में SFT की बराबरी की या उससे बेहतर प्रदर्शन किया (जैसे, भ्रष्ट-प्रत्यक्ष प्रश्नों पर 50.5% सटीकता बनाम $lr=5\times10^{-5}$ पर SFT के लिए 47.4%)।
फॉर्मेट डोमिनेंस: एब्लेशन अध्ययनों ने दिखाया कि Q&A प्रारूप मेमोराइजेशन को दबाने का प्राथमिक चालक है। $\beta_2$ को समायोजित करने पर ( $r=1.0$ बनाम $r=0.999$ की तुलना में) लगभग समान पर्टर्बेशन गैप प्राप्त हुआ, जो सुझाव देता है कि वर्तमान पैमाने पर फॉर्मेट, गेटिंग नहीं, बल्कि प्रमुख कारक है।

क्रॉस-मॉडल सामान्यीकरण

यह पैटर्न चार मॉडलों (Qwen3-8B, 14B, 32B; Phi-4-14B) में बना रहता है। Autolearn लगातार SFT की तुलना में कम पर्टर्बेशन गैप प्राप्त करता है, और यह एकमात्र तरीका है जो सब-बेसलाइन क्षेत्र में प्रवेश करता है।

5. महत्व और दावे

पेपर दावा करता है कि Autolearn बिना किसी बाहरी पर्यवेक्षण के LLMs में स्वायत्त ज्ञान अधिग्रहण के लिए एक व्यवहार्य मार्ग प्रदर्शित करता है। इसका प्राथमिक महत्व निम्नलिखित है:

नवीनता/शोर की समस्या का समाधान: स्व-जेनरेटेड Q&A श्रृंखलाओं का उपयोग करके, मॉडल आंतरिक निरंतरता के आधार पर विश्वसनीय लगने वाले झूठ और वास्तविक नवीनता के बीच अंतर कर सकता है, भले ही उसके पास बाहरी ओरेकल (oracle) न हो।
मेमोराइजेशन को रोकना: यह सिद्ध करता है कि प्रशिक्षण डेटा प्रारूप (Q&A बनाम कच्चा टेक्स्ट) यह निर्धारित करने में महत्वपूर्ण कारक है कि सीखना अर्थपूर्ण समझ में बदलेगा या रट ली गई स्मृति में।
स्व-नियमन: यह प्रणाली "स्व-निस्तारण" (self-extinguishing) वाली है, जो एक पासेज को समझे जाने के बाद स्वचालित रूप से सीखने की प्रक्रिया को रोक देती है, जिससे ओवरफिटिंग और अनंत लूप से बचाव होता है।

लेखक सीमाओं का उल्लेख करते हैं, जिसमें सत्यापन के लिए मॉडल के मौजूदा ज्ञान पर निर्भरता (जो सुसंगत त्रुटियों को मान्य कर सकती है) और नवीनता से भ्रष्टाचार के बीच अंतर करने के लिए मॉडल का पर्याप्त बड़ा होना (जैसे, >3B पैरामीटर्स) शामिल है। इस फ्रेमवर्क को जैविक स्मृति समेकन (हिप्पोकैम्पस-नियोकोर्टेक्स इंटरैक्शन) के कम्प्यूटेशनल एनालॉग के रूप में प्रस्तुत किया गया है, जो LLMs को उनके द्वारा पढ़े गए डेटा से "अध्ययन" करने का एक तंत्र प्रदान करता है।