← नवीनतम पेपर
💬 NLP

Don't Overthink It: Inter-Rollout Action Agreement as a Free Adaptive-Compute Signal for LLM Agents

यह शोधपत्र TrACE को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त (training-free) नियंत्रक है जो इंटर-रोलआउट एक्शन सहमति (inter-rollout action agreement) को मापकर LLM एजेंटों के लिए इन्फरेंस-टाइम कंप्यूट को गतिशील रूप से आवंटित करता है, जिससे रीजनिंग और नेविगेशन दोनों कार्यों पर फिक्स्ड-बजट सेल्फ-कंसिस्टेंसी विधियों के समान सटीकता प्राप्त करते हुए LLM कॉल्स की संख्या में उल्लेखनीय कमी आती है।

मूल लेखक: Khushal Sethi

प्रकाशित 2026-04-10
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Khushal Sethi

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 बहुत ही बुद्धिमान, लेकिन थोड़ी अनिश्चित (indecisive) सहायक को काम पर रख रहे हैं, जो पहेलियों की एक श्रृंखला को हल करने में आपकी मदद करेगा। कुछ पहेलियाँ आसान हैं (जैसे "2+2 क्या है?"), जबकि कुछ कठिन हैं (जैसे "छिपी हुई चाबी खोजने के लिए मैं भूलभुलैया में कैसे आगे बढ़ूँ?")।

पुराना तरीका: "एक ही आकार सबके लिए" (One-Size-Fits-All) दृष्टिकोण

अतीत में, जब हम AI सहायकों (LLMs) से इन पहेलियों को हल करने के लिए कहते थे, तो हम हर एक चरण (step) के साथ एक जैसा व्यवहार करते थे।

  • "आलसी" तरीका: हमने उनसे एक बार पूछा और जो भी पहला उत्तर मिला उसे ले लिया। यह तेज़ था, लेकिन वे कठिन चरणों में अक्सर छोटी-मोटी गलतियाँ कर देते थे।
  • "ज़रूरत से ज़्यादा सोचने वाला" तरीका: सुरक्षित रहने के लिए, हमने हर बार उन्हें ठीक उसी सवाल को 8 बार पूछा, और सबसे आम उत्तर को चुना। यह सटीक था, लेकिन अविश्वसनीय रूप से बर्बादी भरा था। यह एक शेफ से सूप में नमक डालने से पहले 8 बार चखने के लिए कहने जैसा था, भले ही सूप पहले से ही एकदम सही हो।

समस्या क्या थी? हमने आसान चरणों पर बहुत सारा समय और कंप्यूटर पावर बर्बाद कर दी, और फिर भी शायद हमारे पास वास्तव में कठिन चरणों के लिए पर्याप्त समय नहीं होता।

नया विचार: TrACE ("समूह सहमति" सिग्नल)

यह शोध पत्र एक नया तरीका पेश करता है जिसे TrACE कहा जाता है। TrACE को एक स्मार्ट मैनेजर के रूप में सोचें जो जानता है कि सवाल पूछना कब बंद करना है।

यह कैसे काम करता है, इस सरल उदाहरण का उपयोग करते हुए:

परिदृश्य: आप एक चौराहे पर खड़े हैं।

  1. "आसान" चौराहा: आप अपने सहायक से पूछते हैं, "मुझे किस दिशा में जाना चाहिए?"

    • आपने उनसे 2 बार पूछा।
    • उत्तर 1: "बाएँ।"
    • उत्तर 2: "बाएँ।"
    • TrACE का निर्णय: "ठीक है, वे सहमत हैं! वे 100% सुनिश्चित हैं। चलिए तुरंत बाएँ चलते हैं।"
    • परिणाम: आपने समय बचाया। आपको 8 बार पूछने की ज़रूरत नहीं पड़ी।

  2. "कठिन" चौराहा: आप पूछते हैं, "मुझे किस दिशा में जाना चाहिए?"

    • आपने उनसे 2 बार पूछा।
    • उत्तर 1: "बाएँ।"
    • उत्तर 2: "दाएँ।"
    • TrACE का निर्णय: "ओह, वे भ्रमित हैं। वे सहमत नहीं हैं। यह एक पेचीदा जगह है। चलिए उन्हें 4 बार और पूछते हैं ताकि देखें कि कोई स्पष्ट विजेता उभरता है या नहीं।"
    • परिणाम: आपने यहाँ अधिक समय खर्च किया, लेकिन केवल इसलिए क्योंकि यह आवश्यक था।

जादुई तत्व: "सहमति" (Agreement)

TrACE का सबसे शानदार हिस्सा यह है कि इसे यह जानने के लिए किसी शिक्षक, विशेष प्रशिक्षण पाठ्यक्रम, या किसी इंसान की ज़रूरत नहीं है कि कौन सा चरण कठिन है। यह बस इस बात को देखता है कि AI खुद से कितनी सहमति रखता है।

  • उच्च सहमति = आसान चरण। AI आश्वस्त है। हम जल्दी आगे बढ़ते हैं।
  • कम सहमति = कठिन चरण। AI अनिश्चित है। हम इसे और अधिक "सोचने का समय" (अधिक कंप्यूटर कॉल्स) देते हैं जब तक कि वह समाधान न निकाल ले।

यह दोस्तों के एक समूह द्वारा खाना चुनने के निर्णय जैसा है:

  • यदि सभी "पिज्जा" कहते हैं, तो आप तुरंत पिज्जा ऑर्डर करते हैं।
  • यदि आधे "पिज्जा" और आधे "सुशी" कहते हैं, तो आप तब तक बात करते रहते हैं (और लोगों से पूछते रहते हैं) जब तक कि एक स्पष्ट पसंदीदा चीज़ उभर कर न आ जाए।

उन्होंने क्या पाया?

शोधकर्ताओं ने दो प्रकार के कार्यों पर इसका परीक्षण किया:

  1. गणित की समस्याएँ (GSM8K): सरल तर्क पहेलियाँ।
  2. घर में नेविगेशन (MiniHouse): एक टेक्स्ट-आधारित गेम जहाँ AI को वस्तुओं को खोजने के लिए कमरों में घूमना पड़ता है।

परिणाम प्रभावशाली थे:

  • TrACE ने "ज़रूरत से ज़्यादा सोचने वाले" तरीके (हर बार 8 बार पूछना) के बराबर सटीकता प्राप्त की।
  • लेकिन, इसने 33% से 65% कम कंप्यूटर कॉल्स का उपयोग किया।
  • सरल शब्दों में: इसने उतने ही सही उत्तर दिए लेकिन इसने लगभग आधे समय और लागत में काम पूरा कर लिया।

यह क्यों मायने रखता है?

वर्तमान में, AI चलाना महंगा और धीमा है। यदि हम AI को केवल तभी "गहराई से सोचने" (think harder) और जब वह भ्रमित हो, और "तेज़ी से सोचने" (think fast) और जब वह उत्तर जानता हो, के लिए सक्षम बना सकें, तो हम:

  1. भारी मात्रा में पैसा और ऊर्जा बचा सकते हैं।
  2. AI एजेंटों को तेज़ और अधिक प्रतिक्रियाशील बना सकते हैं।
  3. यह सब बिना AI को फिर से प्रशिक्षित किए या डेटा लेबल करने के लिए इंसानों को काम पर रखे कर सकते हैं।

कमी (सीमाएँ)

शोधकर्ता अपनी सीमाओं के प्रति ईमानदार थे:

  • उन्होंने एक अपेक्षाकृत छोटे AI मॉडल (3 बिलियन पैरामीटर्स) का परीक्षण किया जो एक मानक कंप्यूटर चिप (CPU) पर चल रहा था। हमें अभी तक यह नहीं पता कि क्या यह बड़े टेक दिग्गजों द्वारा उपयोग किए जाने वाले विशाल, सुपर-पावरफुल मॉडलों पर भी ठीक इसी तरह काम करेगा।
  • "हाउस नेविगेशन" गेम जो उन्होंने बनाया था, वह सरल था। वास्तविक दुनिया के कार्य (जैसे वेब ब्राउज़ करना या जटिल कोड लिखना) अधिक जटिल हो सकते हैं।

निचोड़ (Bottom Line)

TrACE एक AI को "सेल्फ-चेक" बटन देने जैसा है। एक कठोर नियम (हमेशा 8 बार पूछें) का आँख मूंदकर पालन करने के बजाय, यह अपनी आंतरिक धारणा को सुनता है। यदि वह सुनिश्चित है, तो वह आगे बढ़ जाता है। यदि वह अनिश्चित है, तो वह गहराई से सोचता है। यह AI एजेंटों को काम करने का एक स्मार्ट, सस्ता और तेज़ तरीका 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💬 cs.CL →