From Scalars to Tensors: Declared Losses Recover Epistemic Distinctions That Neutrosophic Scalars Cannot Express

यहाँ टोनी मेसन के शोध पत्र "From Scalars to Tensors: Declared Losses Recover Epistemic Distinctions That Neutrosophic Scalars Cannot Express" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लार्ज लैंग्वेज मॉडल्स (LLMs) में अनिश्चितता को मापने के लिए न्यूट्रोसोफिक लॉजिक (स्वतंत्र सत्य $T$, अनिश्चितता $I$, और असत्य $F$ आयाम) के उपयोग की सीमाओं को संबोधित करता है। जबकि पिछले कार्य (लेयवा-वास्केज़ और स्मारांडे, 2025) ने प्रदर्शित किया कि LLMs अक्सर "हाइपर-ट्रुथ" ($T+I+F > 1.0$) प्रदर्शित करते हैं, जो यह दर्शाता है कि वे संभावabilistic ढांचों की तुलना में अधिक समृद्ध एपिस्टेमिक (ज्ञान संबंधी) अवस्थाएँ रखते हैं, यह अध्ययन दो महत्वपूर्ण कमियों की पहचान करता है:

1. सामान्यीकरण (Generalizability): मूल निष्कर्ष एक ही वेंडर (OpenAI) तक सीमित थे और उनमें सांख्यिकीय मजबूती (सिंगल-शॉट मूल्यांकन की कमी) का अभाव था।
2. "एब्जॉर्प्शन" (Absorption) की समस्या: स्केलर प्रतिनिधित्व ($T, I, F$) मौलिक रूप से भिन्न प्रकार की अनिश्चितताओं के बीच अंतर करने के लिए अपर्याप्त है। विशेष रूप से, कुछ मॉडल एक "एब्जॉर्प्शन" स्थिति अपनाते हैं जहाँ वे विशिष्ट एपिस्टेमिक अवस्थाओं (जैसे: विरोधाभास (Paradox) बनाम अज्ञानता (Ignorance) बनाम आकस्मिकता (Contingency)) को एक समान स्केलर आउटपुट: $(T=0, I=1, F=0)$ में समाहित कर देते हैं। इस अवस्था में, स्केलर आउटपुट उन भेदों को खो देता है जिन्हें न्यूट्रोसोफिक लॉजिक को संरक्षित करने के लिए डिज़ाइन किया गया था।

2. कार्यप्रणाली (Methodology)

लेखकों ने पाँच अलग-अलग वेंडरों (एंथ्रोपिक, मेटा, डीपसीक, अलीबाबा, मिस्ट्रल) के पाँच मॉडल परिवारों को शामिल करते हुए एक द्वि-चरणीय प्रयोगात्मक डिजाइन का उपयोग किया।

चरण 1: क्रॉस-वेंडर प्रतिकृति (रणनीतियाँ S1–S3)

लेखकों ने मूल अध्ययन की प्रॉम्प्टिंग रणनीतियों को पुन: निर्मित और विस्तारित किया:

• S1 (न्यूट्रोसोफिक): बिना किसी योग प्रतिबंध के $[0,1]$ पर स्वतंत्र $T, I, F$।
• S2 (संभाव्यता आधारित): $T+I+F$ को $1.0$ तक सीमित रखा गया (नियंत्रण समूह)।
• S3 (एन्ट्रॉपी-व्युत्पन्न): बाइनरी प्रोबेबिलिटी जिसमें शैनन एन्ट्रॉपी से प्राप्त अनिश्चितता (तुलना के लिए ही उपयोग किया गया, जो गणितीय रूप से हाइपर-ट्रुथ को मजबूर करता है)।
• सेटअप: 5 मॉडल $\times$ 5 घटनाएँ (Paradox, Ignorance, Vagueness, Contradiction, Contingency) $\times$ 3 रणनीतियाँ $\times$ 5 पुनरावृत्ति।

चरण 2: टेंसर विस्तार (रणनीति S4)

एब्जॉर्प्शन समस्या को हल करने के लिए, लेखकों ने रणनीति S4 पेश की, जो आउटपुट प्रारूप को स्केलर से टेंसर (tensors) तक विस्तारित करती है।

• तंत्र: मॉडल्स को मानक $T/I/F$ स्केलर के साथ-साथ एक संरचित "घोषित हानियों" (Declared Losses) की सूची आउटपुट करने के लिए कहा जाता है।
• हानि संरचना (Loss Structure): प्रत्येक हानि एक ट्रिपल (triple) है:
  1. क्या (What): वह संक्षिप्त विवरण जिसे मॉडल मूल्यांकित नहीं कर सकता।
  2. क्यों (Why): सीमा का कारण।
  3. गंभीरता (Severity): प्रभाव स्कोर $[0.0, 1.0]$।
• वैधीकरण (Validation): लेखकों ने चार कठोर परीक्षण किए ताकि यह सुनिश्चित हो सके कि ये हानियाँ केवल "निर्देश-अनुपालन" के कृत्रिम लक्षण नहीं हैं, बल्कि वास्तविक आंतरिक एपिस्टेमिक भेदों को दर्शाती हैं:
  1. सहसंबंध परीक्षण (Correlation Test): यह जाँच करना कि क्या हानि की गंभीरता अनिश्चितता ($I$) के साथ सहसंबंधित है।
  2. थीम अभिसरण (Theme Convergence): यह देखना कि क्या विभिन्न मॉडल विशिष्ट उद्दीपकों (stimuli) के लिए समान विषयों पर सहमत होते हैं।
  3. टॉटोलॉजी कंट्रोल (Tautology Control): तार्किक रूप से निश्चित कथनों (tautologies) के लिए गंभीरता/हानियों को कम करके देखना।
  4. प्रॉम्प्ट एब्लेशन (S5): न्यूट्रोसोफिक फ्रेमिंग को हटाकर यह देखना कि क्या एपिस्टेमिक सामग्री बनी रहती है।

3. मुख्य परिणाम (Key Results)

A. क्रॉस-वेंडर हाइपर-ट्रुथ

• प्रतिकृति: अनियंत्रित न्यूट्रोसोफिक मूल्यांकन (S1) के तहत, 84% मूल्यांकनों ने हाइपर-ट्रुथ ($T+I+F > 1.0$) प्रदर्शित किया, जो मूल 35% से काफी अधिक है।
• निरंतरता: यह घटना सभी पाँच वेंडरों में देखी गई, जिससे पुष्टि हुई कि यह एक सामान्य गुण है, न कि केवल OpenAI का आर्टिफैक्ट।
• घटना विशिष्टता: नैतिक विरोधाभासों (Ethical contradictions) ने उच्चतम हाइपर-ट्रुथ (सभी मॉडलों में 100%) को प्रेरित किया, जबकि तार्किक विरोधाभासों (logical paradoxes) ने विविध व्याख्याएँ दिखाईं।

B. एब्जॉर्प्शन की समस्या

• स्केलर पतन (Scalar Collapse): Llama और Mistral जैसे मॉडलों ने Paradox, Ignorance, और Contingency के लिए अक्सर "एब्जॉर्प्शन" स्थिति $(0, 1, 0)$ को अपनाया।
• अविभेद्यता: इन मामलों में, Paradox और Ignorance के बीच स्केलर मैनहट्टन दूरी (Manhattan distance) लगभग शून्य थी (उदाहरण के लिए, Mistral: 0.000), जिससे वे स्केलर मेट्रिक्स के माध्यम से अविभेद्य हो गए।

C. टेंसर रिकवरी (Declared Losses के माध्यम से)

• सिमेंटिक विभेदन: समान स्केलर आउटपुट के बावजूद, घोषित हानियाँ (Declared Losses) लगभग पूरी तरह से अलग थीं।
  • जैकर्ड समानता (Jaccard Similarity): एब्जॉर्प्शन ज़ोन में मॉडलों के लिए, Paradox और Ignorance हानियों के बीच शब्दावली ओवरलैप बहुत कम था ($< 0.10$)।
  • उदाहरण (Mistral):
    • Paradox Loss: "Self-referential paradox resolution," "Formal system dependency."
    • Ignorance Loss: "Empirical unknowability of star counts," "Definition of 'universe'."
  • गंभीरता प्रोफाइल: हानि गंभीरता रेटिंग ने भी घटनाओं को अलग किया (जैसे, Vagueness की गंभीरता Paradox की तुलना में काफी कम थी), एक ऐसा भेद जिसे स्केलर मिस कर गए थे।

D. एपिस्टेमिक सामग्री का सत्यापन

वैधीकरण बैटरी ने पुष्टि की कि हानियाँ सामान्य अनुपालन नहीं हैं:

• आंतरिक सुसंगतता: अधिकतम हानि गंभीरता, अनिश्चितता ($I$) के साथ दृढ़ता से सहसंबंधित थी ($r=0.78$), भले ही प्रॉम्प्ट में इसे स्पष्ट रूप से नहीं जोड़ा गया था।
• उद्दीपक विशिष्टता (Stimulus Specificity): हानियाँ उद्दीपक के लिए अद्वितीय थीं (10 अलग-अलग उद्दीपकों के बीच हानि विवरणों में 0% ओवरलैप)।
• टॉटोलॉजी संवेदनशीलता: टॉटोलॉजी (जैसे, "2+2=4") के लिए, अनिश्चितता 25$\times$ गिर गई और गंभीरता 7$\times$ गिर गई, जो यह सिद्ध करता है कि मॉडल सत्य मान के आधार पर सामग्री को संशोधित करते हैं, न कि केवल प्रारूप के आधार पर।
• एब्लेशन: न्यूट्रोसोफिक फ्रेमिंग (S5) को हटाने के बाद भी, समान एपिस्टेमिक विषय उभर कर आए, जो सिद्ध करता कि सामग्री पहले से मौजूद है; S4 केवल इसे मात्रात्मक और मानकीकृत करता है।

4. प्रमुख योगदान (Key Contributions)

1. क्रॉस-वेंडर पुष्टि: स्थापित किया कि "हाइपर-ट्रुथ" आधुनिक LLMs में एक मजबूत, क्रॉस-वेंडर घटना है, जो OpenAI से परे पिछले निष्कर्षों का विस्तार करती है।
2. एब्जॉर्प्शन समस्या की पहचान: दिखाया कि स्केलर T/I/F प्रतिनिधित्व में एक "सीलिंग" (ceiling) है जहाँ वे अलग-अलग एपिस्टेमिक अवस्थाओं (paradox बनाम ignorance) को एक समान वेक्टर में समाहित कर देते हैं।
3. टेंसर-संरचित आउटपुट: एक नया आउटपुट प्रारूप प्रस्तावित और मान्य किया (स्केलर + घोषित हानियाँ) जो स्केलर प्रतिनिधित्व में खो जाने वाले भेदों को पुनः प्राप्त करता है।
4. एपिस्टेमिक पदानुक्रम: एक निष्ठा (fidelity) का पदानुक्रम परिभाषित किया:
   • संभाव्यता आधारित (Probabilistic): सभी अनिश्चितता को समाहित कर देता है।
   • स्केलर न्यूट्रोसोफिक (Scalar Neutrosophic): संघर्ष/हाइपर-ट्रुथ को व्यक्त करता है लेकिन एब्जॉर्प्शन पर विफल रहता है।
   • टेंसर न्यूट्रोसोफिक (Tensor Neutrosophic): संघर्ष, हाइपर-ट्रुथ और प्रकार-विशिष्ट अनिश्चितता को व्यक्त करता है।

5. महत्व और निहितार्थ (Significance and Implications)

• सैद्धांतिक: यह शोध पत्र तर्क देता है कि LLM की एपिस्टेमिक अवस्थाओं को दर्शाने के लिए स्केलर T/I/F आवश्यक है लेकिन अपर्याप्त है। "एब्जॉर्प्शन" की घटना यह प्रकट करती है कि मॉडल्स के पास आंतरिक भेद हैं जिन्हें मानक आउटपुट प्रारूप व्यक्त नहीं कर सकते।
• व्यावहारिक (AI मूल्यांकन): केवल स्केलर स्कोर पर निर्भर रहने वाले मूल्यांकन सिस्टम महत्वपूर्ण जानकारी खो देंगे। लेखक प्रस्ताव देते हैं कि हानि घोषणाओं (loss declarations) को कार्यों को रूट करने के लिए प्राथमिक मीट्रिक के रूप में उपयोग किया जाना चाहिए, क्योंकि वे इस बारे में समृद्ध जानकारी प्रदान करते हैं कि मॉडल क्या नहीं कर सकता और क्यों।
• भविष्य की वास्तुकला: अनिश्चितता के पूर्ण स्पेक्ट्रम को पकड़ने के लिए LLM इंटरफेस में "टेंसर-संरचित" आउटपुट की ओर बदलाव का सुझाव देता है, जो सरल संभाव्यता या स्केलर कॉन्फिडेंस स्कोर से आगे बढ़ता है।

निष्कर्षतः, यह शोध पत्र प्रदर्शित करता है कि यद्यपि LLMs जटिल अनिश्चितता को व्यक्त कर सकते हैं, वर्तमान स्केलर इंटरफ़ेस एक बाधा (bottleneck) है। घोषित हानियों (losses) के साथ स्केलर को बढ़ाकर, हम उन सूक्ष्म एपिस्टेमिक भेदों को पुनः प्राप्त कर सकते हैं जो एक तार्किक विरोधाभास (logical paradox) और साधारण अज्ञानता (simple ignorance) के बीच अंतर करते हैं।