💬 NLP

Do Hallucination Neurons Generalize? Evidence from Cross-Domain Transfer in LLMs

यह शोध पत्र प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स में पहचाने गए "हैलुसिनेशन न्यूरॉन्स" विभिन्न ज्ञान डोमेन में सामान्यीकृत नहीं होते हैं, जो यह प्रकट करता है कि हैलुसिनेशन तंत्र सार्वभौमिक होने के बजाय डोमेन-विशिष्ट हैं और डोमेन-कैलिब्रेटेड डिटेक्टरों की आवश्यकता को अनिवार्य बनाते हैं।

मूल लेखक: Snehit Vaddi, Pujith Vaddi

प्रकाशित 2026-04-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Snehit Vaddi, Pujith Vaddi

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

मुख्य विचार: "झूठ पकड़ने वाला यंत्र" का भ्रम

कल्पना कीजिए कि एक रोबट के दिमाग के अंदर एक हाई-टेक झूठ पकड़ने वाला यंत्र (lie detector) लगा है। यह यंत्र यह पहचानने के लिए बनाया गया है कि रोबोट कब अपनी बातें बना रहा है (हैलुसिनेशन/भ्रमित हो रहा है)।

वैज्ञानिकों ने हाल ही में पाया कि यह झूठ पकड़ने वाला यंत्र रोबोट के "न्यूरॉन्स" (रोबोट की मस्तिष्क कोशिकाओं) के एक बहुत ही छोटे और विशिष्ट समूह को देखकर काम करता है। उन्होंने पाया कि जब ये विशिष्ट कोशिकाएं सक्रिय होती हैं, तो रोबोट लगभग निश्चित रूप से झूठ बोल रहा होता है। यह एक बड़ी सफलता थी क्योंकि इसका मतलब था कि हम एक सार्वभौमिक "झूठ पकड़ने वाला यंत्र" बना सकते हैं जो रोबोट द्वारा किसी भी विषय पर बात करने पर काम करेगा।

लेकिन यह नया शोध एक सरल प्रश्न पूछता है:
यदि हम इस झूठ पकड़ने वाले यंत्र को रोबोट को इतिहास के बारे में बात करना सिखाकर प्रशिक्षित करते हैं, तो क्या यह तब भी काम करेगा जब रोबोट कानून या खाना पकाने के बारे में बात करने लगे?

दुर्भाग्य से, इसका उत्तर है नहीं।

प्रयोग: झूठ पकड़ने वाले यंत्र का परीक्षण

शोधकर्ताओं ने रोबोट के दिमाग को लाखों छोटे श्रमिकों (न्यूरॉन्स) वाले एक विशाल शहर की तरह माना। वे यह देखना चाहते थे कि क्या "झूठ बोलने वाले श्रमिक" वही लोग होते हैं, चाहे रोबोट कुछ भी कर रहा हो।

उन्होंने 6 अलग-अलग "पड़ोस" (डोमेन) के साथ एक परीक्षण सेटअप किया:

सामान्य ज्ञान (ट्रिविया)
कानून (कानूनी मामले)
वित्त (पैसा और शेयर)
विज्ञान (दुनिया के तथ्य)
नैतिकता (सही बनाम गलत)
कोडिंग (कंप्यूटर बग्स)

उन्होंने प्रत्येक पड़ोस में एक "झूठ पकड़ने वाला यंत्र" प्रशिक्षित किया। फिर, उन्होंने कानून के पड़ोस से डिटेक्टर लिया और उसे विज्ञान के पड़ोस में इस्तेमाल करने की कोशिश की।

परिणाम: एक पूर्ण बेमेल (Mismatch)

परिणाम चौंकाने वाले थे। झूठ पकड़ने वाले यंत्र अत्यधिक विशिष्ट थे।

उसी पड़ोस के भीतर: डिटेक्टर बहुत अच्छा काम करता था। इसने 78% बार झूठ पकड़ा।
पड़ोसों के बीच: डिटेक्टर बुरी तरह विफल रहा। जब उन्होंने "कानून का झूठ पकड़ने वाला यंत्र" लिया और उसे "विज्ञान" पर इस्तेमाल किया, तो इसने सिक्का उछालकर अनुमान लगाने (56%) से थोड़ा ही बेहतर प्रदर्शन किया।

उपमा (Analogy):
कल्पना कीजिए कि आपने एक सुरक्षा गार्ड को काम पर रखा है जो नकली पेंटिंग्स को पहचानने में माहिर है। आपने उसे आर्ट गैलरी में महीनों तक प्रशिक्षित किया है। वह तेल चित्रों (oil paintings) में जालसाजी पकड़ने में उस्ताद बन गया है।

फिर, आप उसे एक बैंक की रखवाली करने और नकली नोटों को पकड़ने के लिए कहते हैं।

क्या उसे पता है कि एक नकली $20 का नोट कैसा दिखता है? नहीं।
क्या उसे पता है कि एक नकली पेंटिंग संदिग्ध दिखती है? हाँ।
यदि आप उसके "नकली पेंटिंग" वाले नियमों का उपयोग करके पैसे की जांच करने की कोशिश करते हैं, तो वह एक असली $20 के नोट को नकली घोषित कर सकता है क्योंकि वह कैनवास जैसा नहीं दिखता।

यहाँ बिल्कुल यही हुआ। जो "न्यूरॉन्स" तब चमकते हैं जब रोबोट कानून के बारे में झूठ बोलता है, वे उन न्यूरॉन्स से पूरी तरह अलग हैं जो विज्ञान के बारे में झूठ बोलने पर चमकते हैं।

अजीब अपवाद

शोधकर्ताओं ने कुछ दिलचस्प विसंगतियां पाईं:

"कानून और विज्ञान" का सेतु: दिलचस्प बात यह है कि कानून और विज्ञान के झूठ पकड़ने वाले यंत्र एक-दूसरे को समझ सकते थे। क्यों? क्योंकि दोनों में सख्त तर्क (logic) और नियम शामिल हैं। यदि रोबोट किसी अदालती मामले में तर्क गलत करता है, तो वह उन्हीं "टूटे हुए तर्क" वाले मस्तिष्क कोशिकाओं का उपयोग करता है जो विज्ञान के तथ्य गलत होने पर करता है।
"कोड" का अलग अस्तित्व: कोडिंग का पड़ोस पूरी तरह से अलग था। कंप्यूटर कोड के बारे में झूठ बोलने वाले न्यूरॉन्स इतने अलग थे कि वे किसी भी अन्य विषय के लिए काम ही नहीं आए। ऐसा लगता है जैसे रोबोट के पास कोडिंग के लिए एक पूरी तरह से अलग "दिमाग" है।
"एंटी-लाइ" (विपरीत प्रभाव) प्रभाव: कुछ मामलों में, डिटेक्टर ने उल्टा काम किया। एक न्यूरॉन जिसने कानून के क्षेत्र में झूठ का संकेत दिया था, उसने नैतिकता के क्षेत्र में सच्चाई का संकेत दिया। ऐसा लग रहा था जैसे सुरक्षा गार्ड वास्तव में ईमानदार होने पर भी "चोर! चोर!" चिल्लाने लगा हो।

यह क्यों मायने रखता है? (वास्तविक दुनिया पर प्रभाव)

यह खोज हमें AI सुरक्षा उपकरणों को बनाने के तरीके को बदलने के लिए प्रेरित करती है।

पुराना तरीका: "आइए एक सामान्य ट्रिविया पर एक AI डिटेक्टर को प्रशिक्षित करें, और फिर हम इसका उपयोग चिकित्सा सलाह, कानूनी अनुबंधों और वित्तीय रिपोर्टों की जांच करने के लिए कर सकते हैं।"
नई वास्तविकता: "हमें छह अलग-अलग डिटेक्टरों की आवश्यकता है। आप एक 'मेडिकल झूठ पकड़ने वाले यंत्र' का उपयोग 'कानूनी अनुबंध' को चेक करने के लिए नहीं कर सकते।"

यदि आप किसी कानूनी अनुबंध की जांच करने के लिए सामान्य तथ्यों पर प्रशिक्षित डिटेक्टर का उपयोग करते हैं, तो आप झूठ को पूरी तरह से मिस कर सकते हैं, या इससे भी बुरा, आप ईमानदार जवाबों को झूठ के रूप में चिह्नित कर सकते हैं।

"चेन ऑफ थॉट" का मोड़

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या होता है जब वे रोबोट को जवाब देने से पहले "कदम-दर-कदम सोचने" (Chain of Thought) के लिए कहते हैं।

परिणाम: इसने यह बदल दिया कि कौन से न्यूरॉन्स झूठ बोल रहे थे। इसने केवल रोबोट को अधिक गहराई से सोचने के लिए ही नहीं मनाया, बल्कि इसने सोचने के लिए एक अलग सेट की मस्तिष्क कोशिकाओं को सक्रिय कर दिया। इसका मतलब है कि "सोचने की प्रक्रिया" भी आंतरिक तंत्र को बदल देती है।

निष्कर्ष

हैलुसिनेशन (भ्रम) रोबोट के दिमाग में कोई एक अकेला "बग" नहीं है। यह एक अलग-अलग बग्स का परिवार है।

इतिहास के बारे में झूठ बोलना एक सेट टूल्स का उपयोग करता है।
कानून के बारे में झूठ बोलना दूसरे सेट का उपयोग करता है।
कोड के बारे में झूठ बोलना तीसरे सेट का उपयोग करता है।

रोबोट के झूठ पकड़ने के लिए, आप केवल एक सार्वभौमिक अलार्म नहीं रख सकते। आपको घर के हर विशिष्ट कमरे के लिए एक विशेष अलार्म की आवश्यकता है। यदि आप कानून या चिकित्सा जैसे उच्च-जोखिम वाले क्षेत्रों में AI को सुरक्षित रूप से तैनात करना चाहते हैं, तो आपको अपने सुरक्षा डिटेक्टरों को विशेष रूप से उस क्षेत्र के लिए बनाना और कैलिब्रेट करना होगा, न कि केवल यह उम्मीद करनी होगी कि एक सामान्य डिटेक्टर काम करेगा।

यहाँ स्नेहित वद्दी और पुजित वद्दी के शोध पत्र "Do Hallucination Neurons Generalize? Evidence from Cross-Domain Transfer in LLMs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

हालिया मैकेनिस्टिक इंटरप्रिटेबिलिटी शोध (विशेष रूप से गाओ एट अल., 2025) ने "Hallucination Neurons" (H-neurons) के एक विरल (sparse) सेट की पहचान की है, जो फीड-फॉरवर्ड नेटवर्क (FFN) न्यूरॉन्स के 0.1% से भी कम हैं, और जो विश्वसनीय रूप से भविष्यवाणी करते हैं कि लार्ज लैंग्वेज मॉडल्स (LLMs) कब मतिभ्रम (hallucinate) करेंगे। इन न्यूरॉन्स की पहचान सामान्य-ज्ञान आधारित प्रश्नोत्तर (QA) कार्यों पर कंट्रीब्यूशन एस्टीमेशन थ्रू टोकन-लेवल ट्रेट्स (CETT) मीट्रिक का उपयोग करके की गई थी।

यह शोध पत्र जिस महत्वपूर्ण अंतराल को संबोधित करता है वह है डोमेन जनरलाइज़ेबिलिटी (domain generalizability)। जबकि पिछले कार्यों ने दिखाया कि H-neurons एक ही डोमेन के भीतर नए उदाहरणों में सामान्यीकरण (generalize) करते हैं, यह ज्ञात नहीं है कि एक डोमेन (जैसे, सामान्य QA) से प्रशिक्षित क्लासिफायर क्या मौलिक रूप से भिन्न डोमेन (जैसे, कानूनी, वित्तीय, या कोड) में मतिभ्रम का पता लगा सकता है। लेखक यह जांच रहे हैं कि क्या मतिभ्रम एक सार्वभौमिक तंत्र (universal mechanism) है या डोमेन-विशिष्ट पथों (domain-specific pathways) का एक संग्रह है।

2. कार्यप्रणाली (Methodology)

प्रयोगात्मक सेटअप (Experimental Setup)

मॉडेल्स: इस अध्ययन में 3B से 8B पैरामीटर्स वाले 5 ओपन-वेट इंस्ट्रक्शन-ट्यून्ड मॉडल्स का मूल्यांकन किया गया:
- Qwen2.5-3B, Nemotron-Mini-4B, Phi-3.5-mini, Mistral-7B, और Llama-3.1-8B।
डोमेन: छह विशिष्ट ज्ञान डोमेन को विविध तर्क प्रकारों (reasoning types) का प्रतिनिधित्व करने के लिए चुना गया:
1. General QA: TriviaQA (तथ्यात्मक रिकॉल)।
2. Legal: CaseHOLD (कानूनी होल्डिंग पहचान)।
3. Financial: FinancialPhraseBank (सेंटिमेंट एनालिसिस)।
4. Science: ARC-Challenge (ग्रेड-स्कूल साइंस रीजनिंग)।
5. Moral Reasoning: ETHICS (कॉमन सेंस मॉरल जजमेंट)।
6. Code: Devign (वल्नरेबिलिटी डिटेक्शन)।
डेटा: प्रति डोमेन 1,000 प्रश्न लिए गए। दो प्रॉम्पटिंग रणनीतियों का परीक्षण किया गया: डायरेक्ट प्रॉम्पटिंग (Direct prompting) और चेन-ऑफ-थॉट (CoT)।

H-Neuron पहचान और वर्गीकरण (H-Neuron Identification & Classification)

फीचर एक्सट्रैक्शन: प्रत्येक इनपुट के लिए, लेखकों ने सभी लेयर्स में सभी FFN न्यूरॉन्स के लिए CETT स्कोर निकाला। न्यूरॉन $j$ के लिए लेयर $\ell$ में CETT स्कोर इस प्रकार गणना किया जाता है:
$CETT_j^{(\ell)} = a_j^{(\ell)} \cdot \|w_j^{(\ell)}\|^2$
जहाँ $a$ पोस्ट-एक्टिवेशन वैल्यू है और $w$ डाउन-प्रोजेक्शन वेट वेक्टर है।
लेबलिंग: इनपुट को ग्राउंड ट्रुथ के साथ सटीक मिलान या नॉर्मलाइज्ड स्ट्रिंग मैचिंग के आधार पर "मतिभ्रमित" (hallucinating) या "गैर-मतिभ्रमित" (non-hallucinating) के रूप में लेबल किया गया।
क्लासिफायर ट्रेनिंग: एक L1-रेगुलराइज्ड लॉजिस्टिक रिग्रेशन क्लासिफायर को मतिभ्रम लेबल की भविष्यवाणी करने के लिए एक सोर्स डोमेन के न्यूरॉन एक्टिवेशन फीचर्स पर प्रशिक्षित किया गया। L1 रेगुलराइजेशन स्पर्सिटी (sparsity) सुनिश्चित करता है, जिससे केवल सबसे अधिक भविष्य कहने वाले न्यूरॉन्स (H-neurons) का चयन होता है।
क्रॉस-डोमेन ट्रांसफर प्रोटोकॉल: प्रत्येक मॉडल के लिए एक $6 \times 6$ $6 \times 6$ ट्रांसफर मैट्रिक्स बनाया गया। प्रत्येक क्लासिफायर, जो डोमेन $i$ $i$ पर प्रशिक्षित था, का मूल्यांकन प्रत्येक डोमेन $j$ $j$ (डोमेन $i$ $i$ सहित) पर किया गया।
- मीट्रिक: एरिया अंडर द रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (AUROC)।
- ट्रांसफर गैप ( $\Delta$ ): इसे माध्य इन-डोमेन AUROC और माध्य क्रॉस-डोमेन AUROC के बीच के अंतर के रूप में परिभाषित किया गया है।

मजबूती की जाँच (Robustness Checks)

बूटस्ट्रैप (Bootstrap): 95% कॉन्फिडेंस इंटरवल के लिए 1,000 रीसैंपल्स।
परम्यूटेशन टेस्टिंग (Permutation Testing): शून्य परिकल्पना (null hypothesis) का परीक्षण करने के लिए कि ट्रांसफर गैप शून्य है, 10,000 इटरेशन।
स्थिरता (Stability): मल्टी-सीड विश्लेषण ने चयनित न्यूरॉन सेट्स में मध्यम सहमति (Jaccard similarity $\approx 0.47$ ) की पुष्टि की।

3. मुख्य योगदान (Key Contributions)

पहला व्यवस्थित क्रॉस-डोमेन विश्लेषण: यह पेपर 6 अलग-अलग डोमेन और 5 मॉडल्स के बीच H-neuron ट्रांसफ़रेबिलिटी का पहला व्यापक मूल्यांकन प्रदान करता है, जिससे 180 ट्रेन-टेस्ट डोमेन पेयर्स उत्पन्न होते हैं।
डोमेन विशिष्टता का प्रमाण: यह स्थापित करता है कि H-neurons डोमेन के बीच सामान्यीकरण (generalize) नहीं करते हैं, जो एक सार्वभौमिक "hallucination signature" की धारणा को चुनौती देता है।
मैकेनिस्टिक अंतर्दृष्टि: अध्ययन विशिष्ट पैटर्न (जैसे, लीगल और साइंस के बीच आंशिक ट्रांसफर) और एंटी-कोरिलेटेड ट्रांसफर (चांस से नीचे का प्रदर्शन) की पहचान करता है, जो यह सुझाव देता है कि मतिभ्रम डोमेन-कंडीशन्ड न्यूरल पाथवे से उत्पन्न होता है न कि एक एकल तंत्र से।

4. मुख्य परिणाम (Key Results)

प्राथमिक निष्कर्ष: ट्रांसफर गैप (The Transfer Gap)

इन-डोमेन प्रदर्शन: एक ही डोमेन में प्रशिक्षित और टेस्ट किए गए क्लासिफायर्स ने 0.783 का माध्य AUROC प्राप्त किया।
क्रॉस-डोमन प्रदर्शन: जब एक अलग डोमेन में स्थानांतरित किया गया, तो प्रदर्शन काफी गिरकर 0.563 के माध्य AUROC पर आ गया।
ट्रांसफर गैप ( $\Delta$ ): गिरावट 0.220 थी ( $p < 0.001$ ), जो सांख्यिकीय और व्यावहारिक रूप से महत्वपूर्ण गिरावट है (लगभग 28% डिस्क्रिमिनेटिव पावर की हानि)।
निरंतरता: यह गैप परीक्षण किए गए सभी 5 मॉडल्स में, पैरामीटर काउंट (3B–8B) की परवाह किए बिना, सुसंगत था।

डोमेन-विशिष्ट पैटर्न (Domain-Specific Patterns)

लीगल-साइंस ब्रिज: लीगल और साइंस डोमेन के बीच ट्रांसफर एक उल्लेखनीय अपवाद था। एक पर प्रशिक्षित क्लासिफायर दूसरे पर अपेक्षाकृत अच्छा प्रदर्शन करता था (AUROC $\approx 0.70$ ), जो संरचित तार्किक तर्क (structured logical reasoning) के लिए साझा न्यूरल सबस्ट्रेट्स का सुझाव देता है।
कोड एक आउटलियर के रूप में: कोड वल्नरेबिलिटी डिटेक्शन ने सबसे अलग न्यूरल पाथवे दिखाए। कोड पर प्रशिक्षित क्लासिफायर अन्य सभी डोमेन पर रैंडम चांस के करीब प्रदर्शन करते थे (AUROC $\approx 0.51$ ), और इसके विपरीत भी।
चांस से नीचे के ट्रांसफर: कई ट्रांसफर के परिणामस्वरूप AUROC < 0.5 हुआ (जैसे, Nemotron-4B पर Code $\to$ Moral reasoning का AUROC 0.210 था)। यह एंटी-कोरिलेशन को दर्शाता है: एक डोमेन में मतिभ्रम की भविष्यवाणी करने वाले न्यूरॉन्स दूसरे डोमेन में सही उत्तरों की भविष्यवाणी सक्रिय रूप से करते थे, जो विरोधाभासी न्यूरल सर्किट का संकेत देते हैं।

चेन-ऑफ-थॉट (CoT) प्रभाव

CoT प्रॉम्पटिंग ने पहचाने गए H-neurons के सेट को महत्वपूर्ण रूप से बदल दिया (न्यूरॉन काउंट में +100 या -76 तक का बदलाव)।
हालांकि CoT ने कभी-कभी इन-डोमेन डिटेक्शन में सुधार किया, लेकिन इसने क्रॉस-डोमेन ट्रांसफर गैप को समाप्त नहीं किया। CoT के तहत मतिभ्रम का तंत्र केवल न्यूरॉन्स को दबाने के बजाय विभिन्न न्यूरॉन आबादी के बीच संकेतों को पुनर्गठित करने में शामिल है।

मॉडल स्केल विश्लेषण

डोमेन विशिष्टता मॉडल के आकार (3B से 8B) के साथ मोनोटोनिक रूप से नहीं बढ़ी या घटी। ट्रांसफर गैप सभी मॉडल्स में नॉन-लीनियर रूप से भिन्न हुआ, जिससे पता चलता है कि आर्किटेक्चर और ट्रेनिंग डेटा कंपोजिशन, रॉ पैरामीटर काउंट की तुलना में अधिक महत्वपूर्ण भूमिका निभाते हैं।

कॉज़ल इंटरवेंशन (एक्टिवेशन स्केलिंग)

लेखकों ने पहचाने गए H-neurons के एक्टिवेशन को स्केल करके मतिभ्रम को नियंत्रित करने का प्रयास किया।
परिणाम: कोई महत्वपूर्ण कॉज़ल प्रभाव नहीं पाया गया। H-neurons को स्केल करने से मतिभ्रम की दर विश्वसनीय रूप से न तो बढ़ी और न ही घटी, जिससे पता चलता है कि ये न्यूरॉन्स इस स्तर की स्पर्सिटी (<0.1%) पर डायग्नोस्टिक मार्कर्स हैं, न कि पर्याप्त कॉज़ल लीवर्स।

5. महत्व और निहितार्थ (Significance and Implications)

सार्वभौमिक डिटेक्टरों का खंडन: यह अध्ययन इस धारणा को खारिज करता है कि सामान्य बेंचमार्क (जैसे, TriviaQA) पर प्रशिक्षित मतिभ्रम डिटेक्टर को सार्वभौमिक रूप से तैनात किया जा सकता है।
डिप्लॉयमेंट आवश्यकताएँ: चिकित्सकों को डोमेन-विशिष्ट डिटेक्शन इंफ्रास्ट्रक्चर बनाना चाहिए। एक सिंगल डिटेक्टर लीगल, मेडिकल, फाइनेंशियल और कोड अनुप्रयोगों को एक साथ कवर नहीं कर सकता है।
इंटरवेंशन रणनीति: H-neurons को लक्षित करके मतिभ्रम को दबाने के प्रयास डोमेन-केंद्रित होने चाहिए। सामान्य QA में पहचाने गए न्यूरॉन्स को दबाने से अन्य डोमेन में मतिभ्रम बढ़ सकता है (एंटी-कोरिलेटेड सिग्नल के कारण)।
सैद्धांतिक बदलाव: मतिभ्रम को एक एकल "बग" के रूप में नहीं, बल्कि डोमेन-कंडीशन्ड प्रक्रियाओं के एक परिवार के रूप में देखा जाना चाहिए, जो विशिष्ट रीजनिंग सर्किट्स या नॉलेज रिट्रीवल पाथवे की विफलता से उत्पन्न होते हैं।

निष्कर्ष (Conclusion)

पेपर निष्कर्ष निकालता है कि LLMs में मतिभ्रम यांत्रिक रूप से विषम (heterogeneous) है। "मतिभ्रम सिग्नल" एक सार्वभौमिक विशेषता नहीं है, बल्कि यह विशिष्ट ज्ञान डोमेन और संसाधित होने वाले तर्क प्रकार के साथ गहराई से जुड़ा हुआ है। भविष्य के कार्यों को डोमेन-विशिष्ट कैलिब्रेशन पर ध्यान केंद्रित करना चाहिए और यह जांचना चाहिए कि क्या बड़े मॉडल्स (70B+) अधिक सार्वभौमिक प्रतिनिधित्व विकसित करते हैं या क्या यह डोमेन विशिष्टता स्केल पर भी बनी रहती है।