🤖 machine learning

Self-Improving Tabular Language Models via Iterative Group Alignment

यह शोध पत्र TabGRAA को प्रस्तुत करता है, जो एक नवीन स्व-सुधार (self-improving) ढांचा है जो सिंथेटिक डेटा को उच्च-गुणवत्ता और निम्न-गुणवत्ता समूहों में विभाजित करने के लिए स्वचालित गुणवत्ता संकेतों का उपयोग करके टैबुलर लैंग्वेज मॉडल्स को पुनरावृत्ति (iteratively) के माध्यम से संरेखित करता है, जिससे बिना किसी मैनुअल रिवॉर्ड डिज़ाइन या अतिरिक्त वास्तविक डेटा एक्सपोज़र के जनरेशन फिडेलिटी, उपयोगिता और गोपनीयता में वृद्धि होती है।

मूल लेखक: Yunbo Long, Tejumade Afonja, Alexandra Brintrup, Mario Fritz

प्रकाशित 2026-04-22

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yunbo Long, Tejumade Afonja, Alexandra Brintrup, Mario Fritz

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 पेपर "Self-Improving Tabular Language Models via Iterative Group Alignment" (TabGRAA) का सरल भाषा में अनुवाद दिया गया है, जिसमें रचनात्मक उपमाओं (analogies) का उपयोग किया गया है।

बड़ी तस्वीर: एक रोबोट को बिना रेसिपी के खाना बनाना सिखाना

कल्प कल्पना कीजिए कि आप एक रोबोट शेफ को ऐसे व्यंजन बनाना सिखाना चाहते हैं जो बिल्कुल आपके परिवार के पसंदीदा व्यंजनों (यानी "असली डेटा") जैसे दिखें और उनका स्वाद भी वैसा ही हो। आप रोबोट को एक कुकबुक (असली डेटा) देते हैं और कहते हैं, "इससे सीखो।"

पुराने तरीकों की समस्या:
अतीत में, हमने रोबोट को सिखाने के दो मुख्य तरीके आजमाए थे:

स्थिर सीखना (The "One-and-Done" Chef - एक बार सीखकर रुक जाने वाला शेफ): हम रोबोट को एक बार कुकबुक पढ़ने देते हैं, उसे याद करने देते हैं, और फिर रुक जाते हैं। यदि रोबोट एक नया व्यंजन बनाने की कोशिश करता है और कोई अजीब गलती करता है (जैसे आइसक्रीम पर केचप डाल देना), तो उसे इसका एहसास नहीं होता। वह हमेशा वही गलती करता रहता है क्योंकि वह अपने स्वयं के खाना बनाने के प्रयासों से सीख नहीं सकता।
"मानवीय आलोचक" की समस्या (The "Human Critic" Problem): गलतियों को सुधारने के लिए, हमें आमतौर पर एक मानव खाद्य आलोचक (food critic) की आवश्यकता होती है जो भोजन को चखकर कहे, "यह अच्छा है, यह बुरा है।" लेकिन जटिल डेटा (जैसे मेडिकल रिकॉर्ड या वित्तीय तालिकाएं) के मामले में, कोई एक एकल "स्वाद" नहीं होता। आप किसी इंसान से यह नहीं पूछ सकते, "क्या यह संख्याओं की पंक्ति अच्छी है?" आपको यह जांचने के लिए कंप्यूटर की आवश्यकता होती है कि क्या संख्याएँ सांख्यिकीय रूप से सही हैं। "अच्छाई" को परखने के लिए कंप्यूटर का नियम बनाना बहुत कठिन है क्योंकि एक चीज़ को सुधारने (जैसे संख्याओं को वास्तविक दिखाना) से दूसरी चीज़ (जैसे निजी जानकारी को छिपाना) बिगड़ सकती है।

समाधान: TabGRAA (The "Self-Improving Apprentice" - आत्म-सुधार करने वाला प्रशिक्षु)

लेखकों ने एक नई प्रणाली बनाई जिसे TabGRAA कहा जाता है। एक मानव आलोचक या एक आदर्श नियम पुस्तिका की आवश्यकता के बिना, यह प्रणाली प्रयास, त्रुटि और समूह तुलना के एक चतुर लूप के माध्यम से खुद को सिखाती है।

यह कैसे काम करता है, चरण-दर-चरण यहाँ दिया गया है:

1. "नकली बनाम असली" जासूसी खेल (The "Fake vs. Real" Detective Game)

कल्पना कीजिए कि रोबोट शेफ नकली भोजन का एक बैच बनाता है।

जासूस (The Detective): एक अलग AI (एक क्लासिफायर) एक जासूस की तरह कार्य करता है। इसका एकमात्र काम खाने की प्लेट को देखना और अनुमान लगाना है: "क्या यह कुकबुक से निकला असली भोजन है, या रोब la ने इसे बनाया है?"
स्कोर (The Score):
- यदि जासूस भ्रमित है और अंतर नहीं बता पा रहा है, तो नकली भोजन को उच्च स्कोर (High Score) मिलता है (यह वास्तविक है!)।
- यदि जासूस इसे आसानी से नकली पहचान लेता है, तो नकली भोजन को कम स्कोर (Low Score) मिलता है (इसमें बहुत सारी त्रुटियां हैं)।

2. "ग्रुप हग" रणनीति (The "Group Hug" Strategy - गुप्त नुस्खा)

यहीं पर TabGRAA स्मार्ट बनता है। पुराने तरीके एक अच्छे भोजन की तुलना एक बुरे भोजन से करने की कोशिश करते थे (जैसे बॉक्सिंग मैच)। लेकिन डेटा में, एक भोजन "ठीक" हो सकता है जबकि दूसरा "बहुत खराब", और उनके बीच का अंतर धुंधला होता है।

TabGRAA ग्रुप अलाइनमेंट (Group Alignment) का उपयोग करता है:

यह रोबोट के सबसे अच्छे नकली भोजन के ऊपरी 50% (The "High Group") को लेता है।
यह सबसे खराब नकली भोजन के निचले 50% (The "Low Group") को लेता है।
Meal A बनाम Meal B की तुलना करने के बजाय, यह पूरे High Group की तुलना पूरे Low Group से करता है।

उपमा: कल्पना कीजिए कि एक शिक्षक कक्षा का मूल्यांकन कर रहा है। छात्र A के निबंध की तुलना छात्र B के निबंध से एक-एक करके करने के बजाय, शिक्षक शीर्ष 10 छात्रों को एक समूह के रूप में और निचले 10 छात्रों को दूसरे समूह के रूप में देखता है। शिक्षक रोबोट को बताता है: "Top Group में मौजूद पैटर्न को देखें। सुनिश्चित करें कि आपका भविष्य का खाना बनाना उनके जैसा दिखे, और Bottom Group जैसा कम दिखे।"

यह डेटा के लिए बहुत अधिक स्थिर और प्रभावी है क्योंकि यह सूक्ष्म, शोर वाले विवरणों के बजाय समग्र रुझानों (overall trends) पर ध्यान केंद्रित करता है।

3. पुण्य चक्र (The Virtuous Cycle - लूप)

यहाँ वह जादुई लूप है जो रोबोट को हर दिन बेहतर बनाता है:

पकाना (Cook): रोबोट नकली डेटा का एक बैच बनाता है।
पहचानना (Detect): जासूस AI उन्हें स्कोर देता है (असली बनाम नकली)।
समूह बनाना (Group): सिस्टम उन्हें "अच्छे" और "बुरे" समूहों में विभाजित करता है।
सीखना (Learn): रोबोट अपने मस्तिष्क को अपडेट करता है ताकि वह अधिक "अच्छे" समूह के पैटर्न बनाए और कम "बुरे" समूह के पैटर्न बनाए।
दोहराना (Repeat): जासूस AI को नए नकली डेटा पर फिर से प्रशिक्षित किया जाता है, ताकि वह रोबोट की नई, सूक्ष्म गलतियों को पकड़ने में और स्मार्ट हो सके।

यह सुरक्षित क्यों है?
रोबोट केवल अपने स्वयं के नकली डेटा से सीखता है। यह पहले चरण के बाद कभी भी असली निजी डेटा को दोबारा नहीं देखता है। यह रोबोट को निजी राज (जैसे किसी व्यक्ति का वेतन) याद करने और लीक करने से रोकता है।

यह क्यों मायने रखता है (परिणाम)

पेपर ने वास्तविक दुनिया के डेटासेट (जैसे क्रेडिट कार्ड डिफॉल्ट, खरीदारी की आदतें और जनगणना डेटा) पर इसका परीक्षण किया।

बेह बेहतर गुणवत्ता: नकली डेटा इतना वास्तविक था कि उन्नत सांख्यिकीय परीक्षण भी इसे असली से अलग नहीं कर सके।
बेहतर गोपनीयता: यह पता लगाना बहुत कठिन था कि कौन से नकली रिकॉर्ड AI द्वारा बनाए गए थे, जिससे मूल डेटा सुरक्षित रहा।
प्रतिद्वंद्वियों को पछाड़ना: इसने उन सबसे जटिल और भारी-भरकम तरीकों (जैसे डिफ्यूजन मॉडल) के बराबर या उनसे बेहतर प्रदर्शन किया, जो वर्तमान में उपयोग किए जाते हैं, लेकिन यह तेज़ और प्रशिक्षित करने में आसान था।

सारांश उपमा: "स्व-सुधार करने वाला ऑर्केस्ट्रा" (The "Self-Correcting Orchestra")

पुराने तरीकों को एक अकेले संगीतकार की तरह समझें जो अकेले अभ्यास कर रहा है। यदि वह एक गलत नोट बजाता है, तो उसे पता नहीं चलता है, और वह उसे गलत ही बजाता रहता है।

TabGRAA एक ऑर्केस्ट्रा की तरह है जहाँ:

संगीतकार (AI) एक धुन बजाते हैं।
एक कंडक्टर (जासूस) सुनता है और कहता है, "वह हिस्सा बहुत अच्छा था; वह हिस्सा थोड़ा गड़बड़ था।"
केवल एक नोट को ठीक करने के बजाय, कंडक्टर वायलिन के पूरे समूह (High Group) को बताता है कि वे जो कर रहे थे उसे जारी रखें, और ड्रम्स के पूरे समूह (Low Group) को बताता है कि वे जो कर रहे थे उसे बंद कर दें।
संगीतकार केवल एक व्यक्ति की गलती के आधार पर नहीं, बल्कि समूह के प्रदर्शन के आधार पर अपने वादन को समायोजित करते हैं।
वे फिर से बजाते हैं, कंडक्टर फिर से सुनता है, और वे हर बार बेहतर होते जाते हैं, बिना किसी इंसान के दर्शकों में बैठकर ताली बजाने की आवश्यकता के।

संक्षेप में: TabGRAA एक स्व-सुधार प्रणाली है जो AI को अपने "सबसे अच्छे" प्रयासों की तुलना अपने "सबसे खराब" प्रयासों से करके, पूर्ण नकली डेटा उत्पन्न करने में मदद करती है, जिससे एक ऐसा फीडबैक लूप बनता है जो डेटा को सुरक्षित, अधिक वास्तविक और अधिक उपयोगी बनाता है।

यहाँ शोध पत्र "Self-Improving Tabular Language Models via Iterative Group Alignment" (TabGRAA) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सारणीबद्ध डेटा (tabular data) उत्पन्न करने के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) के उपयोग में दो मौलिक सीमाओं को संबोधित करता है:

स्थिर प्रशिक्षण प्रतिमान (Static Training Paradigm): वर्तमान LLM-आधारित सारणीबद्ध जनरेटर (जैसे, GReaT) स्थिर सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) पर निर्भर करते हैं। एक बार प्रशिक्षित होने के बाद, वे अपने स्वयं के उत्पन्न नमूनों से नहीं सीख सकते या उत्पन्न होने वाली सांख्यिकीय त्रुटियों को स्वयं सुधार नहीं सकते। मॉडल की क्षमता प्रशिक्षण के बाद स्थिर रहती है।
उद्देश्यों का मिसअलाइनमेंट (Misalignment of Objectives): ऑटोरेग्रेसिव उद्देश्य स्थानीय टोकन सुसंगतता (अगले-टोकन भविष्यवाणी) के लिए अनुकूलित होते हैं, लेकिन वे सारणीबद्ध डेटा के लिए आवश्यक वैश्विक सांख्यिकीय गुणों (जैसे कॉलम वितरण, फीचर सहसंबंध और संयुक्त वितरण) को बनाए रखने में विफल रहते हैं। इसके परिणामस्वरूप ऐसे नमूने मिलते हैं जो पंक्ति-दर-पंक्ति (row-by-row) तो विश्वसनीय लगते हैं, लेकिन डेटासेट स्तर पर व्यवस्थित विचलन प्रदर्शित करते हैं।

जबकि सुदृढीकरण शिक्षण (Reinforcement Learning - RL) और अलाइनमेंट विधियों (जैसे DPO) ने टेक्स्ट और इमेज जनरेशन में सफलता प्राप्त की है, वे सारणीबद्ध डेटा में अत्यधिक बाधाओं का सामना करते हैं:

इंस्टेंस-लेवल प्राथमिकताओं का अभाव: सारणीबद्ध गुणवत्ता स्वाभाविक रूप से वितरणात्मक (सांख्यिकीय) होती है, न कि इंस्टेंस-आधारित। मानव विशेषज्ञता या जटिल सांख्यिकीय मेट्रिक्स के बिना किसी एकल पंक्ति के लिए "बेहतर" या "खराब" को परिभाषित करना कठिन है।
रिवॉर्ड डिज़ाइन की कठिनाई: प्रतिस्पर्धी उद्देश्यों (fidelity बनाम utility बनाम privacy) को संतुलित करने वाले रिवॉर्ड फंक्शन डिजाइन करना जटिल है और अक्सर प्रशिक्षण अस्थिरता या मोड कोलैप्स (mode collapse) का कारण बनता है।
डेटा लीकेज जोखिम: पारंपरिक RLHF के लिए मानव फीडबैक या बाहरी रिवॉर्ड मॉडल की आवश्यकता होती है, जो निजी सारणीबद्ध डेटा के लिए अव्यावहारिक है और अलाइनमेंट प्रक्रिया के दौरान वास्तविक रिकॉर्ड को उजागर करने का जोखिम उठाता है।

2. कार्यप्रणाली: TabGRAA

लेखक TabGRAA (Tabular Group-Relative Advantage Alignment) प्रस्तावित करते हैं, जो एक स्व-सुधार (self-improving) ढांचा है जो बिना मानवीय हस्तक्षेप के फीडबैक लूप को स्वचालित करता है।

मुख्य घटक

स्वचालित गुणवत्ता संकेत (The "Critic"):
मानव प्राथमिकताओं के बजाय, TabGRAA सिंथेटिक डेटा का मूल्यांकन करने के लिए एक स्वचालित संकेत का उपयोग करता है। डिफ़ॉल्ट संकेत एक डिस्टिंग्विशेबिलिटी क्लासिफायर (जैसे, रैंडम फॉरेस्ट या XGBoost) है जिसे वास्तविक डेटा ( $D_{real}$ ) और नए उत्पन्न सिंथेटिक डेटा ( $D_{synth}$ ) के बीच अंतर करने के लिए प्रशिक्षित किया गया है।
- क्लासिफायर आउटपुट को इंडिस्टिंग्विशेबिलिटी स्कोर $s(\tilde{x}) \in [0, 1]$ में परिवर्तित किया जाता है। 1 के करीब का स्कोर इंगित करता है कि नमूना वास्तविक डेटा से अलग करना कठिन है (उच्च गुणवत्ता); 0 के करीब का स्कोर इंगट करता है कि यह आसानी से अलग किया जा सकता है (कम गुणवत्ता)।
- विकलेटिव: एक दूरी-आधारित स्कोर (निकटतम रिकॉर्ड से दूरी) का भी उपयोग किया जा सकता है।
- गोपनीयता (Privacy): क्लासिफायर को प्रत्येक इटरेशन में वर्तमान सिंथेटिक बैच पर पुन: प्रशिक्षित किया जाता है, जिससे यह सुनिश्चित होता है कि LLM केवल अपने स्वयं के उत्पन्न संकेतों पर फाइन-ट्यून हो रहा है, जिससे प्रारंभिक SFT चरण के बाद वास्तविक रिकॉर्ड को याद करने (memorizing) का जोखिम कम हो जाता है।
नमूना स्तरीकरण (Sample Stratification):
जनित नमूनों को उनके गुणवत्ता स्कोर द्वारा रैंक किया जाता है। यह ढांचा वितरण के ऊपरी आधे हिस्से (उच्च-गुणवत्ता/अविभेदित) और निचले आधे हिस्से (कम-गुणवत्ता/विभेदित) के युग्म बनाकर कंट्रास्टिव संकेत बनाता है।
ग्रुप-रिलेटिव एडवांटेज अलाइनमेंट (GRAA):
व्यक्तिगत नमूना जोड़ों पर काम करने वाले मानक अलाइनमेंट तरीकों (DPO, KTO) के विपरीत, TabGRAA समूहों (groups) पर काम करता है।
- ग्रुप एग्रीगेशन: नमूनों को दो समूहों में एकत्रित किया जाता है: $B_{high}$ (उच्च-गुणवत्ता) और $B_{low}$ (कम-गुणवत्ता)।
- इम्प्लिसिट रिवॉर्ड: विधि प्रत्येक समूह के लिए औसत इम्प्लिसिट रिवॉर्ड (पॉलिसी और रेफरेंस मॉडल का लॉग-रेशियो) की गणना करती है: $\bar{r}_{high}$ और $\bar{r}_{low}$ ।
- लॉस फंक्शन: उद्देश्य सिग्मॉइड लॉस का उपयोग करके यह अधिकतम करना है कि उच्च-गुणवत्ता वाला समूह निम्न-गुणवत्ता वाले समूह की तुलना में पसंदीदा है:
  $L_{GRAA} = \sigma(\bar{r}_{low} - \bar{r}_{high})$
- द्विदिश ग्रेडिएंट फ्लो (Bidirectional Gradient Flow): महत्वपूर्ण रूप से, लॉस कंप्यूटेशन ग्राफ में दोनों समूह पदों को रखता है। यह साथ ही कम-गुणवत्ता वाले पैटर्न को दबाता है और उच्च-गुणवत्ता वाले पैटर्न को सुदृढ़ करता है, जिससे KTO जैसे तरीकों में देखी जाने वाली वितरणात्मक गिरावट (distributional collapse) को रोका जा सकता है (जो एक तरफ के ग्रेडिएंट को अलग कर देता है)।
पुनरावृत्ति चक्र (Iterative Cycle):
प्रक्रिया $T$ इटरेशन के लिए दोहराई जाती है:
- वर्तमान पॉलिसी का उपयोग करके सिंथेटिक डेटा उत्पन्न करें।
- वास्तविक बनाम सिंथेटिक के बीच अंतर करने के लिए एक नया क्लासिफायर प्रशिक्षित करें।
- नमूनों को स्कोर करें और समूह बनाएं।
- GRAA लॉस का उपयोग करके पॉलिसी को अपडेट करें।
- संदर्भ मॉडल ( $\pi_{ref}$ ) अत्यधिक विचलन को रोकने के लिए स्थिर रहता है (प्रारंभिक SFT वितरण से एंकर किया गया है)।

3. मुख्य योगदान

सारणीबद्ध डेटा के लिए प्रथम स्व-सुधार ढांचा: TabGRAA स्वचालित फीडबैक के माध्यम से निरंतर गुणवत्ता वृद्धि सक्षम करता है, जो स्थिर प्रशिक्षण को एक पुनरावृत्ति परिशोधन (iterative refinement) प्रक्रिया में बदल देता है।
ग्रुप-रिलेटिव एडवांटेज ऑब्जेक्टिव: व्यक्तिगत प्राथमिकताओं के बजाय गुणवत्ता-स्तरीकृत समूहों पर काम करने वाला एक नवीन अलाइनमेंट ऑब्जेक्टिव पेश करता है। यह सारणीबद्ध डेटा की वितरणात्मक प्रकृति के साथ बेहतर ढंग से संरेखित होता है और अधिक स्थिर ग्रेडिएंट अनुमान प्रदान करता है।
मॉड्यूलर और गोपनीयता-संरक्षण: गुणवत्ता संकेत मॉड्यूलर (क्लासिफायर या दूरी-आधारित) है और इसे स्वयं-जनित डेटा के विरुद्ध गणना किया जाता है, जो अलाइनमेंट के दौरान डेटा लीकेज जोखिमों को कम करता है।
सैद्धांतिक गारंटी: शोध पत्र बाउंडेड ग्रेडिएंट नॉर्म्स, ग्रुप एवरेजिंग के कारण $O(1/B)$ वेरिएंस रिडक्शन, और रिवॉर्ड-एग्नोस्टिक स्थिरता के प्रमाण प्रदान करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने पांच विविध UCI डेटासेट्स (Adult, Default, Shoppers, Magic, Beijing) पर GReaT (केवल SFT), GReaT-FT+, और अलाइनमेंट वेरिएंट्स (TabDPO, TabNPO, TabKTO) के विरुद्ध TabGRAA का मूल्यांकन किया।

मुख्य निष्कर्ष:

श्रेष्ठ प्रदर्शन: TabGRA_A ने सभी मेट्रिक्स (Fidelity, Utility, Privacy) में सभी अलाइनमेंट बेसलाइन्स (DPO, NPO, KTO) को लगातार पछाड़ दिया।
डिफ्यूजन के साथ प्रतिस्पर्धा: TabGRAA ने Fidelity (CDE, PCC, $\alpha$ -Precision) और Privacy (Distinguishability Attack AUC $\approx$ 0.5) के मामले में डिफ्यूजन-आधारित सिंथेसाइज़र के बराबर या उससे अधिक प्रदर्शन किया।
स्थिरता: TabKTO के विपरीत, जो कुछ इटरेशन के बाद विनाशकारी मॉडल कोलैप्स का शिकार हुआ, TabGRAA ने 5-20 राउंड में निरंतर सुधार दिखाया।
एब्लेशन स्टडीज (Ablation Studies):
- ग्रुप बनाम पेयर: उच्च/निम्न समूहों के भीतर रैंडम सैंपलिंग ने स्पष्ट टॉप-बॉटम पेयरिंग के समान प्रदर्शन किया, जिससे पुष्टि हुई कि विधि विशिष्ट पेयरिंग के बजाय समूह सांख्यिकी पर निर्भर करती है।
- द्विदिश प्रवाह (Bidirectional Flow): द्विदिश ग्रेडिएंट (एक तरफ को अलग करना) को हटाने से अस्थिरता आई, जो इसके डिज़ाइन विकल्प की पुष्टि करता है।
- सिग्नल की आवश्यकता: रैंडम स्कोरिंग या रैंडम पेयरिंग से कोई सुधार नहीं हुआ, जो एक सार्थक गुणवत्ता संकेत की आवश्यकता को सिद्ध करता है।

5. महत्व

TabGRAA सारणीबद्ध डेटा संश्लेषण में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है। यह क्षेत्र को स्थिर सांख्यिकीय प्रतिकृति (जहाँ मॉडल प्रशिक्षण के बाद स्थिर रहता है) से गतिशील, स्व-सुधार जनरेशन की ओर ले जाता है। स्वचालित विभेदन संकेतों और समूह-स्तरीय अलाइनमेंट का लाभ उठाकर, यह मानवीय फीडबैक की आवश्यकता के बिना सारणीबद्ध डेटा में अंतर्निहित "रिवॉर्ड डिज़ाइन" समस्या को हल करता है। यह इसे गोपनीयता-संवेदनशील डोमेन के लिए एक अत्यधिक व्यावहारिक समाधान बनाता है जहाँ डाउनस्ट्रीम मशीन लर्निंग कार्यों के लिए उच्च-विश्वसनीयता वाले सिंथेटिक डेटा की आवश्यकता होती है, जो ऑटोरेग्रेसिव आर्किटेक्चर की लचीलापन बनाए रखते हुए डिफ्यूजन मॉडल्स के प्रदर्शन अंतराल को पाटता है।