💬 NLP

The Stepwise Informativeness Assumption: Why are Entropy Dynamics and Reasoning Correlated in LLMs?

यह शोध पत्र 'स्टेपवाइज़ इन्फॉर्मेटिवनेस अज़म्प्शन' (Stepwise Informativeness Assumption) का प्रस्ताव करता है और अनुभवजन्य रूप से इसे मान्य करता है, जो यह स्पष्ट करता है कि मैक्सिमम-लाइक्लीहुड और रीइन्फोर्समेंट लर्निंग प्रशिक्षण के माध्यम से वैध रीजनिंग ट्रेसेस (reasoning traces) अपेक्षा के माध्यम से उत्तर-प्रासंगिक सूचना संचित करते हैं, जिससे बड़े भाषा मॉडलों में आंतरिक एंट्रॉपी डायनेमिक्स और तर्क की शुद्धता के बीच सहसंबंध स्थापित होता है।

मूल लेखक: Mar Gonzàlez I Català, Haitz Sáez de Ocáriz Borde, George D. Montañez, Pietro Liò

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mar Gonzàlez I Català, Haitz Sáez de Ocáriz Borde, George D. Montañez, Pietro Liò

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

यहाँ "द स्टेपवाइज़ इन्फॉर्मेटिवनेस अज़म्प्शन" (The Stepwise Informativeness Assumption) पेपर का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

सबसे बड़ा रहस्य: "कन्फ्यूजन" (भ्रम) का मतलब "सोचना" क्यों है?

कल्पना कीजिए कि आप एक फिल्म में एक जासूस को अपराध सुलझाते हुए देख रहे हैं।

खराब जासूस: वह बेतरतीब ढंग से अंदाज़ लगाता है, भ्रमित हो जाता है, बार-बार अपना विचार बदलता है, और अंत में गलत उत्तर पर पहुँच जाता है। उसका आंतरिक संवाद अराजक है और "शायद यह, शायद वह" से भरा हुआ है।
अच्छा जासूस: वह कई संभावनाओं के साथ शुरुआत करता है, लेकिन हर सुराग मिलने के साथ, वह गलत विकल्पों को काटता जाता है। उसका आंतरिक संवाद शांत और अधिक केंद्रित होता जाता है। अंत तक, वह उत्तर के बारे में 100% निश्चित होता है।

लार्ज लैंग्वेज मॉडल्स (LLMs) की दुनिया में, शोधकर्ताओं ने एक अजीब पैटर्न देखा है: जब मॉडल का "आंतरिक भ्रम" (जिसे एंट्रॉपी कहा जाता है) कम होता है, तो आमतौर पर इसका मतलब होता है कि वह सही उत्तर की ओर बढ़ रहा है।

लेकिन यहाँ एक पहेली है: मॉडल सोचते समय "सही उत्तर" को नहीं जानता। वह केवल वही जानता है जो शब्द उसने अब तक लिखे हैं। तो, क्यों उसका आंतरिक अहसास कि "मैं करीब पहुँच रहा हूँ" बाहरी वास्तविकता "मैं सही हूँ" से मेल खाता है?

समाधान: "स्टेपवाइज़ इन्फॉर्मेटिवनेस अज़म्प्शन" (SIA)

इस पेपर के लेखक इस जादू को समझाने के लिए एक सरल नियम प्रस्तावित करते हैं। वे इसे स्टेपवाइज़ इन्फॉर्मेटिवनेस अज़म्प्शन (SIA) कहते हैं।

तर्क (Reasoning) को पहाड़ से नीचे उतरकर छिपे हुए खजाने को खोजने की तरह समझें।

नक्शा (मॉडल): मॉडल एक हाइकर (पहाड़ी राही) है।
खजाना (उत्तर): सही उत्तर पहाड़ के नीचे है।
कोहरा (एंट्रॉपी): कोहरा इस बात का प्रतिनिधित्व करता है कि हाइकर खजाने के बारे में कितना भ्रमित है। घना कोहरा = खो जाना। कम कोहरा = करीब होना।

SIA नियम कहता है:

"हाइकर द्वारा उठाया गया हर कदम (हर शब्द जो मॉडल लिखता है) औसतन, थोड़े से कोहरे को साफ करना चाहिए और खजाने की ओर इशारा करना चाहिए।"

यदि हाइकर ऐसे कदम उठा रहा है जो कोहरे को साफ नहीं करते (जैसे गोल-गोल घूमना या गलत दिशा में जाना), तो वह मतिभ्रम (hallucinating) का शिकार है या "ज्यादा सोच" (overthinking) रहा है। लेकिन यदि हाइकर ऐसे कदम उठा रहा है जो कोहरे को साफ करते हैं, तो वह सही तर्क कर रहा है।

मॉडल यह कैसे सीखते हैं?

आप पूछ सकते हैं, "क्या मॉडल स्वाभाविक रूप से कोहरा साफ करना जानते हैं?"

नहीं। पेपर बताता है कि वे यह ट्रेनिंग के माध्यम से सीखते हैं, ठीक वैसे ही जैसे एक छात्र परीक्षा के लिए पढ़ाई करना सीखता है।

प्री-ट्रेनिंग (लाइब्रेरी पढ़ना): मॉडल लाखों किताबें पढ़ता है। वह अगले शब्द की भविष्यवाणी करना सीखता है। कभी-कभी वह गणित की समस्याएं हल करना सीख जाता है, लेकिन ज्यादातर वह केवल इंसान जैसा दिखना सीखता है। इस स्तर पर, यह उस छात्र की तरह है जिसने बहुत कुछ पढ़ा है लेकिन उसे यह नहीं सिखाया गया है कि कैसे किसी विशिष्ट समस्या को हल किया जाए। वे उत्तर का अनुमान लगा सकते हैं, लेकिन उनका "कोहरा" आवश्यक रूप से तार्किक तरीके से साफ नहीं होता।
फाइन-ट्यूनिंग (ट्यूटर/शिक्षक): फिर, इंसान मॉडल को समस्याओं के उदाहरण दिखाते हैं जिनमें सही चरण-दर-चरण समाधान होते हैं। मॉडल को उस रास्ते का पालन करने के लिए पुरस्कृत किया जाता है जो सही उत्तर की ओर ले जाता है।
- उपमा: कल्पना कीजिए कि एक ट्यूटर छात्र से कहता है, "सिर्फ अंदाज़ा मत लगाओ! चरण 1 में मिले सुरागों को देखो; वे तुम्हें बताते हैं कि चरण 2 में क्या करना है।"
- मॉडल सीखता है कि पुरस्कार (सही उत्तर) पाने के लिए, उसे ऐसे चरण लिखने चाहिए जो सूचना को संचित (accumulate) करें। वह सीखता है कि उसके द्वारा लिखा गया हर वाक्य अंतिम उत्तर को अधिक स्पष्ट बनाना चाहिए।
रीइन्फोर्समेंट लर्निंग (कोच): अंत में, मॉडल अपने आप अभ्यास करता है। यदि वह उत्तर सही पाता है, तो कोच उसे 'हाई-फाइव' देता है। यदि वह गलत होता है, तो कोच कहता है "फिर से कोशिश करो।" यह चरण-दर-चरण कोहरा साफ करने की आदत को पुख्ता करता है।

"अच्छे विचारक" के लक्षण (Signatures)

पेपर में पाया गया कि जब किसी मॉडल ने यह "SIA" की आदत सीख ली होती है, तो उसका आंतरिक "कोहरा" विशिष्ट तरीकों से व्यवहार करता है जिसे मापा जा सकता है:

अर्ली लॉक-इन (जल्दी पकड़ बनाना): एक स्मार्ट मॉडल कोहरा जल्दी साफ कर देता है। वह दिशा जल्दी समझ लेता है। एक भ्रमित मॉडल लंबे समय तक कोहरा घना रखता है और भटकता रहता है।
द प्लेटो (स्थिरता): एक बार जब स्मार्ट मॉडल खजाना ढूंढ लेता है, तो कोहरा पूरी तरह गायब हो जाता है (यह शून्य पर पहुँच जाता है)। एक भ्रमित मॉडल "कोहरे वाली घाटी" (foggy valley) में फंस सकता है जहाँ कोहरा पतला होना बंद हो जाता है, लेकिन वह अभी भी खजाना नहीं ढूंढ पाता।
द शफल टेस्ट (क्रम परीक्षण): शोधकर्ताओं ने एक "अच्छे" रीजनिंग चेन के शब्दों के क्रम को उलट-पुलट कर देखा। अचानक, जादू गायब हो गया! मॉडल फिर से भ्रमित दिखने लगा। यह साबित करता है कि शब्दों का क्रम मायने रखता है। चरण एक-दूसरे पर आधारित होने चाहिए जैसे एक सीढ़ी, न कि केवल ईंटों का ढेर।

हमें इसकी परवाह क्यों करनी चाहिए?

यह केवल गणितीय पहेलियों के बारे में नहीं है। यह खोज हमें AI के "ब्लैक बॉक्स" के अंदर देखने के लिए एक टॉर्च (flashlight) देती है।

मतिभ्रम (Hallucinations) का पता लगाना: यदि एक AI लंबी कहानी लिख रहा है लेकिन उसका आंतरिक "कोहरा" पतला नहीं हो रहा है, तो हम जानते हैं कि वह मनगढ़ंत बातें बना रहा है, भले ही शब्द शानदार लग रहे हों।
जल्दी रोकना: यदि कोहरा पूरी तरह से साफ हो गया है, तो हम AI को बता सकते हैं, "ठीक है, तुमने इसे समझ लिया है, अब बोलना बंद करो!" इससे पैसा और समय दोनों बचते हैं।
बेहतर AI बनाना: अब हम जानते हैं कि बेहतर AI बनाने के लिए, हमें उन्हें केवल अधिक डेटा खिलाना नहीं चाहिए; हमें उन्हें विशेष रूप से ऐसे चरण लिखने के लिए प्रशिक्षित करना चाहिए जो उत्तर के बारे में सूचना को संचित (accumulate) करते हों।

सारांश

यह पेपर इस रहस्य को सुलझाता है कि क्यों AI का "आत्मविश्वास" उसकी "सटीकता" से मेल खाता है। वास्तव में, जब हम AI को अच्छी तरह से प्रशिक्षित करते हैं, तो हम उसे एक सरल नियम सिखाते हैं: "तुम्हारे द्वारा लिखा गया हर शब्द उत्तर को थोड़ा और स्पष्ट बनाना चाहिए।" जब इस नियम का पालन किया जाता है, तो मॉडल का आंतरिक भ्रम ठीक उसी समय कम हो जाता है जब उसे सही उत्तर मिलता है।

यहाँ शोध पत्र "The Stepwise Informativeness Assumption: Why are Entropy Dynamics and Reasoning Correlated in LLMs?" का विस्तृत तकनीकी सारांश दिया गया है:

1. समस्या विवरण (Problem Statement)

हाल के अनुभवजन्य अध्ययनों ने तर्कपूर्ण कार्यों (reasoning tasks) को करने वाले लार्ज लैंग्वेज मॉडल्स (LLMs) में आंतरिक एंट्रॉपी गतिकी (आंतरिक प्रेडिक्टिव डिस्ट्रीब्यूशन के भीतर अनिश्चितता) और बाहरी शुद्धता (ग्राउंड-ट्रुथ उत्तरों के साथ संरेखण) के बीच एक मजबूत सहसंबंध स्थापित किया है।

पहेली: आंतरिक एंट्रॉपी मॉडल के अपने संभाव्यता वितरण ( $p_\theta$ ) द्वारा परिभाषित होती है, जबकि शुद्धता बाहरी ग्राउंड-ट्रुथ वितरण ( $p^\star$ ) द्वारा परिभाषित होती है। इस बात की कोई सैद्धांतिक गारंटी नहीं है कि मॉडल की आंतरिक अनिश्चितता में कमी, सही जानकारी के संचय के साथ सहसंबंधित होनी चाहिए।
अंतराल: जबकि एंट्रॉपी-आधारित संकेतों का उपयोग अर्ली स्टॉपिंग (early stopping), मतिभ्रम (hallucination) डिटेक्शन और रीजनिंग कंट्रोल के लिए सफलतापूर्वक किया जाता है, इस संरेखण का संरचनात्मक कारण अभी भी अस्पष्ट है। मौजूदा औचित्य (जैसे, "एंट्रॉपी समाधान स्थान को संकुचित करती है") अक्सर चक्रीय हैं या प्रशिक्षण उद्देश्यों से औपचारिक व्युत्पत्ति (formal derivation) का अभाव रखते हैं।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

लेखक इस घटना की व्याख्या करने के लिए स्टेपवाइज इन्फॉर्मेटिवनेस एAssumption (SIA) पर केंद्रित एक सैद्धांतिक ढांचे का प्रस्ताव करते हैं।

2.1. मुख्य परिभाषाएँ

पॉइंटवाइज इंफॉर्मेशन गेन ( $\Delta_k$ ): टोकन $C_k$ $C_{k}$ को देखने के बाद, रीजनिंग प्रीफिक्स $C_{1:k}$ $C_{1 : k}$ के दिए जाने पर वास्तविक उत्तर $A$ $A$ के सरप्राइज़ल (surprisal) में कमी।
- $\Delta_k = h(A | Q, C_{<k}) - h(A | Q, C_{\le k})$
- धनात्मक $\Delta_k$ का अर्थ है कि चरण सूचनात्मक है; ऋणात्मक का अर्थ है कि यह भ्रामक है।
संचयी लाभ (Cumulative Gain - $G_k$ ): चरण $k$ तक सूचना लाभ का योग, जो प्रीफिक्स और उत्तर के बीच कुल म्यूचुअल इंफॉर्मेशन (mutual information) का प्रतिनिधित्व करता है।
कंडीशनल आंसर एंट्रॉपी: $H(A | Q, C_{1:k})$ । SIA के तहत, इसे एक प्रोग्रेस वेरिएबल के रूप में व्याख्यायित किया जाता है जो उत्तर-प्रासंगिक जानकारी के संचय को ट्रैक करता है।

2.2. स्टेपवाइज इन्फॉर्मेटिवनेस एAssumption (SIA)

Assumption: रीजनिंग प्रीफिक्स, अपेक्षा के रूप में, वास्तविक उत्तर के बारे में जानकारी संचित करते हैं।
$I_p(A; C_{1:k} | Q) \ge \epsilon_k > 0$
इसका तात्पर्य यह है कि जैसे-जैसे रीजनिंग चेन आगे बढ़ती है, प्रीफिक्स $C_{1:k}$ ग्राउंड-ट्रुथ उत्तर $A$ के बारे में अधिक सूचनात्मक होता जाता है।

2.3. सैद्धांतिक व्युत्पत्ति (Theoretical Derivations)

शोध पत्र SIA को अवलोकन योग्य एंट्रॉपी गतिकी से जोड़ने वाले कठोर प्रमाण प्रदान करता है:

एंट्रॉपी एक प्रोग्रेस वेरिएबल के रूप में: SIA के तहत, कंडीशनल आंसर एंट्रॉपी केवल आंतरिक अनिश्चितता नहीं है, बल्कि सूचना लाभ का एक सीधा माप है:
$H(A | Q, C_{1:k}) = H(A | Q) - I(A; C_{1:k} | Q)$
एंट्रॉपी शुद्धता को सीमित करती है (Theorem 1): फानो के इनइक्वालिटी (Fano's inequality) का उपयोग करते हुए, लेखक सिद्ध करते हैं कि किसी भी प्रेडिक्टर की एरर रेट कंडीशनल एंट्रॉपी द्वारा निम्न-बद्ध (lower-bounded) होती है। इसलिए, एक रीजनिंग चेन विश्वसनीय रूप से सही नहीं हो सकती जब तक कि उसके प्रीफिक्स पर्याप्त कम कंडीशनल एंट्रॉपी प्रदर्शित न करें।
मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) के माध्यम से स्थानांतरण:
- मानव ट्रेसेस (Human Traces): मानव तर्क प्रक्रियाएं स्वाभाविक रूप से SIA प्रदर्शित करती हैं क्योंकि वे संज्ञानात्मक बाधाओं (predictive information को न्यूनतम करना) के कारण होती हैं।
- मॉडल प्रशिक्षण: MLE (प्रीट्रेनिंग, SFT, और RL) के माध्यम से, मॉडल डेटा वितरण और अपने वितरण के बीच KL-डाइवर्जेंस को कम करता है।
- निरंतरता (Continuity): एंट्रॉपी और म्यूचुअल इंफॉर्मेशन के लिए निरंतरता लेम्मा का उपयोग करते हुए, लेखक सिद्ध करते हैं कि यदि डेटा वितरण SIA का पालन करता है, तो MLE के माध्यम से प्रशिक्षित मॉडल एक आंतरिक संस्करण वाला SIA विरासत में प्राप्त करेगा, बशर्ते कि KL-डाइवर्जेंस छोटा हो।
- प्रशिक्षण चरणों की भूमिका: SFT और रीइन्फोर्समेंट लर्निंग (RL) स्पष्ट रूप से प्रीफिक्स को सही उत्तर से जोड़ते हैं, जिससे बेस प्रीट्रेनिंग की तुलना में SIA मजबूत होता है।

3. मुख्य योगदान (Key Contributions)

SIA का औपचारिकीकरण: शोध पत्र SIA को एक न्यूनतम, परीक्षण योग्य सूचना-सैद्धांतिक स्थिति के रूप में पेश करता है जो यह समझाता है कि क्यों आंतरिक एंट्रॉपी बाहरी शुद्धता के साथ सहसंबंधित है।
सैद्धांतिक औचित्य: यह प्रशिक्षण उद्देश्यों (MLE) और SIA के उद्भव के बीच संबंध को व्युत्तित करता है, यह दिखाते हुए कि मानक प्रशिक्षण पाइपलाइन (SFT, RL) मॉडल को चरण-दर-चरण उत्तर-प्रासंगिक जानकारी संचित करने के लिए प्रेरित करती हैं।
अवलोकन योग्य हस्ताक्षर (Observable Signatures): सिद्धांत सही बनाम गलत ट्रेसेस के लिए विशिष्ट एंट्रॉपी गतिकी की भविष्यवाणी करता है:
- अर्ली लॉक-इन (Early Lock-in): सही ट्रेसेस, गलत ट्रेसेस की तुलना में पहले सूचना संचित करते हैं (एंट्रॉपी कम करते हैं)।
- सेपरेबिलिटी (Separability): एंट्रॉपी जनरेशन प्रक्रिया के शुरुआती चरणों में ही सही और गलत ट्रेसेस के बीच अंतर कर सकती है।
- सैचुरेशन (Saturation): सही ट्रेस शून्य एंट्रॉपी के पास एक पठार (plateau) तक पहुँचते हैं; गलत ट्रेस गैर-शून्य एंट्रॉपी पर स्थिर हो सकते हैं या फिर से बढ़ (rebound) सकते हैं।
विफलता मोड (Failure Modes): यह ढांचा "मतिभ्रम" (hallucinations) को उन प्रक्षेप पथों (trajectories) के रूप में समझाता है जहाँ आंतरिक एंट्रॉपी घटती है (आंतरिक आत्मविश्वास बढ़ता है) लेकिन प्रीफिक्स वास्तविक उत्तर के बारे में सूचनात्मक होने में विफल रहता है (SIA उल्लंघन)।

4. अनुभवजन्य परिणाम (Empirical Results)

लेखकों ने 11 मॉडल्स (Gemma-2, LLaMA-3.2, Qwen-2.5, DeepSeek, और Olmo वेरिएंट्स सहित) और 3 डेटासेट्स (GSM8K, ARC, SVAMP) पर अपने ढांचे को मान्य किया।

SIA एलाइनमेंट गुणांक ( $\rho_{SIA}$ ): उन्होंने कंडीशनल आंसर एंट्रॉपी और "गोल्ड सरप्राइज़ल" (वास्तविक उत्तर का नेगेटिव लॉग-प्रोबेबिलिटी) के बीच सहसंबंध को मापा।
- बेस मॉडल्स: कमजोर या नकारात्मक संरेखण दिखाया (एंट्रॉपी गिरावट सत्य का अनुसरण नहीं करती है)।
- SFT मॉडल्स: मजबूत सकारात्मक संरेखण दिखाया।
- RL-प्रशिक्षित मॉडल्स (जैसे, DeepSeek-R1): लगभग पूर्ण संरेखण दिखाया।
- निष्कर्ष: सत्य-निर्देशित एंट्रॉपी गिरावट एक प्रशिक्षण-प्रेरित संरचनात्मक विशेषता है, न कि ऑटोरेग्रेसिव मॉडल्स का एक सामान्य गुण।
सिग्नेचर सत्यापन:
- अर्ली इंफॉर्मेशन एक्यूमुलेशन: संरेखित मॉडल्स में सही ट्रेसेस ने जनरेशन के शुरुआती चरण में कुल सूचना का एक बड़ा हिस्सा संचित किया (चित्र 1)।
- सेपरेबिलिटी: संरेखित मॉडल्स के लिए एंट्रॉपी का उपयोग करके सही/गलत ट्रेसेस को अलग करने के लिए AUC उच्च था, जबकि गैर-संरेखित मॉडल्स के लिए यह कम था।
- सैचुरेशन: संरेखित मॉडल्स शून्य के करीब एंट्रॉपी पर अभिसरित (converge) हुए; गैर-संरेखित मॉडल्स उच्च एंट्रॉपी पर स्थिर हुए या उछाल (rebound) प्रदर्शित किए।
एब्लेशन स्टडीज (Ablation Studies):
- शफल-प्रीफिक्स (Shuffle-Prefix): प्रीफिक्स में टोकन को यादृच्छिक रूप से बदलने से संरेखण नष्ट हो गया, जो यह सिद्ध करता है कि सहसंबंध केवल टोकन संख्या पर नहीं, बल्कि संरचित सूचना संचय पर निर्भर करता है।
- मोंटे कार्लो मजबूती (Monte Carlo Robustness): परिणाम विभिन्न सैंपलिंग मापदंडों के साथ सुसंगत रहे।

5. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक स्पष्टता: यह शोध पत्र क्षेत्र को अनुभवजन्य अवलोकन से सैद्धांतिक समझ की ओर ले जाता है, यह समझाते हुए कि एंट्रॉपी-आधारित ह्यूरिस्टिक्स (heuristics) क्यों काम करते हैं।
नैदानिक उपकरण (Diagnostic Tool): यह रीजनिंग की गुणवत्ता, मतिभ्रम का पता लगाने और अर्ली स्टॉपिंग के लिए एंट्रॉपी का उपयोग करने के लिए एक कठोर आधार प्रदान करता है।
प्रशिक्षण अंतर्दृष्टि: यह रेखांकित करता है कि SFT और RL, आंतरिक अनिश्चितता को बाहरी सत्य के साथ संरेखित करने के लिए महत्वपूर्ण हैं। केवल प्रीट्रेनिंग डेटा पर प्रशिक्षित मॉडल सुसंगत टेक्स्ट उत्पन्न कर सकते हैं जो आंतरिक रूप से आत्मविश्वासी है लेकिन तथ्यात्मक रूप से निराधार है (SIA उल्लंघन)।
सीमाएँ और भविष्य का कार्य: यह सिद्धांत उन कार्यों पर सबसे अच्छी तरह लागू होता है जिनके पास अच्छी तरह से परिभाषित टर्मिनल वेरिएबल्स (गणित, बहुविकल्पीय) हैं। यह सुझाव देता है कि भविष्य के शोध में यह पता लगाना चाहिए कि मुक्त-रूप जनरेशन (free-form generation) में इन डायग्नोस्टिक्स को कैसे सामान्य किया जाए और क्या एंट्रॉपी गतिकी को संशोधित करके सक्रिय रूप से रीजनिंग परिणामों में सुधार किया जा सकता है।

संक्षेप में, यह शोध पत्र तर्क देता है कि रीजनिंग, उत्तर-प्रासंगिक जानकारी को संचित करने की प्रक्रिया है, और एंट्रॉपी में कमी इस संचय का एक अवलोकन योग्य हस्ताक्षर है, जब मॉडल को अपने आंतरिक प्रेडिक्टिव डिस्ट्रीब्यूशन को ग्राउंड-ट्रुथ उत्तर डिस्ट्रीब्यूशन के साथ संरेखित करने के लिए प्रशिक्षित किया गया हो।