💬 NLP

Recursive Multi-Agent Systems

यह शोध पत्र RecursiveMAS प्रस्तुत करता है, जो एक पुनरावर्ती मल्टी-एजेंट फ्रेमवर्क है जो विषम एजेंटों को एक नवीन लर्निंग एल्गोरिदम के साथ लेटेंट-स्पेस सहयोग लूप में एकीकृत करता है, और मौजूदा सिंगल एवं मल्टी-एजेंट सिस्टम की तुलना में विविध बेंचमार्क पर सटीकता, इन्फरेंस स्पीड और टोकन दक्षता में महत्वपूर्ण सुधार प्राप्त करता है।

मूल लेखक: Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

प्रकाशित 2026-04-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiyuan Yang, Jiaru Zou, Rui Pan, Ruizhong Qiu, Pan Lu, Shizhe Diao, Jindong Jiang, Hanghang Tong, Tong Zhang, Markus J. Buehler, Jingrui He, James Zou

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: एक टीम को एक स्व-सुधार लूप (Self-Improving Loop) में बदलना

कल्पना कीजिए कि आपके पास एक बहुत कठिन पहेली को सुलझाने के लिए विशेषज्ञों की एक टीम है। आमतौर पर, वे एक रिले रेस की तरह काम करते हैं: व्यक्ति A व्यक्ति B को एक नोट भेजता है, जो व्यक्ति C को एक नोट भेजता है। यदि व्यक्ति A कोई गलती करता है, तो व्यक्ति B को गलत नोट पढ़ना पड़ता है, वह भ्रमित हो जाता है, और गलत विचार आगे भेज देता है। जब तक उत्तर अंत तक पहुँचता है, मूल त्रुटि एक बड़ी गड़बड़ी में बदल चुकी होती है।

RecursiveMAS खेल बदल देता है। नोट्स इधर-उधर भेजने के बजाय, टीम एक निरंतर, अदृश्य लूप (continuous, invisible loop) में काम करती है। वे ज़ोर से नहीं बोलते; वे एक साझा, निजी मानसिक स्थान में एक साथ "सोचते" हैं। यदि टीम अटक जाती है, तो वे केवल अगले व्यक्ति पर नहीं जाते; वे लूप की शुरुआत में वापस जाते हैं, अपने विचारों को परिष्कृत (refine) करते हैं, और फिर से प्रयास करते हैं, हर बार गुजरने के साथ वे और भी स्मार्ट होते जाते हैं।

मुख्य घटक: यह कैसे काम करता है

1. "अदृश्य विचार" (Latent Space)

अधिकांश AI सिस्टम शब्दों (टेक्स्ट) का उपयोग करके एक-दूसरे से बात करते हैं। यह एक शोर भरे कमरे में निर्देशों के लिए चिल्लाने जैसा है। यह धीमा है, और उन्हें हर एक शब्द को लिखना पड़ता है।

RecursiveMAS "Latent Thoughts" का उपयोग करता है। कल्पना कीजिए कि एजेंट टेलीपैथिक (telepathic) हैं। एक लंबा पत्र लिखने के बजाय, वे एक एकल, सघन "विचार पैकेट" (idea packet) सीधे एक मस्तिष्क से दूसरे मस्तिष्क में भेजते हैं।

पेपर का दावा: यह बहुत तेज़ है क्योंकि वे विचारों को शब्दों में बदलने और फिर से शब्दों से विचारों में बदलने की धीमी प्रक्रिया को छोड़ देते हैं। यह बहुत सारे "टोकन" (जो कागज और स्याही बचाने जैसा है) के उपयोग को बचाता है।

2. "अनुवादक" (RecursiveLink)

टीम में विभिन्न प्रकार के AI मॉडल शामिल हैं (कुछ छोटे और तेज़ हैं, कुछ बड़े और स्मार्ट हैं)। वे आंतरिक रूप से अलग-अलग "भाषाएँ" बोलते हैं।

उपमा: कल्पना कीजिए कि एक फ्रांसीसी शेफ, एक जर्मन इंजीनियर और एक जापानी कलाकार सहयोग करने की कोशिश कर रहे हैं। उन्हें एक अनुवादक की आवश्यकता है।
पेपर का दावा: लेखकों ने एक छोटा, हल्का मॉड्यूल बनाया जिसे RecursiveLink कहा जाता है। यह एक सार्वभौमिक अनुवादक के रूप में कार्य करता है जो एक एजेंट के प्रारूप से दूसरे के प्रारूप में "विचार पैकेट" को बिना अर्थ खोए तुरंत परिवर्तित कर देता है। यह एक जादुई पुल की तरह है जो उन्हें निर्बाध रूप से विचार साझा करने देता है।

3. "लूप" (Recursion)

एक सामान्य टीम में, आप एक बार सवाल पूछते हैं और एक उत्तर प्राप्त करते हैं। RecursiveMAS में, टीम सवाल पूछती है, उत्तर प्राप्त करती है, और फिर तुरंत पूछती है, "रुको, क्या यह सही है? चलो इस पर फिर से सोचते हैं।"

उपमा: कल्पना कीजिए कि जासूसों का एक समूह अपराध को सुलझा रहा है। केवल एक रिपोर्ट दर्ज करने के बजाय, वे एक घेरे में इकट्ठा होते हैं, साक्ष्यों की समीक्षा करते हैं, एक गलती का एहसास करते हैं, और तुरंत नए अंतर्दृष्टि (insight) के साथ जांच फिर से शुरू करते हैं। वे इसे लगातार 1, 2 या 3 बार करते हैं।
पेपर का दावा: यह "लूपिंग" सिस्टम को अपनी गलतियों को सुधारने की अनुमति देता है। वे जितनी बार लूप करते हैं, अंतिम उत्तर उतना ही सटीक होता जाता है।

प्रशिक्षण: टीम को लूप करना सिखाना

आप केवल एक टीम को "लूप" करने के लिए नहीं कह सकते और उम्मीद नहीं कर सकते कि वे बेहतर हो जाएंगे। उन्हें यह सीखना होगा कि अपने विचारों को कैसे परिष्कृत किया जाए।

लेखकों ने दो-चरणीय प्रशिक्षण पद्धति का उपयोग किया:

इनर लूप (वार्म-अप): उन्होंने प्रत्येक व्यक्तिगत एजेंट को अकेले बेहतर "विचार पैकेट" उत्पन्न करना सिखाया।
आउटर लूप (टीम वर्क): उन्होंने पूरी टीम को लूप में उन पैकेट्स को पास करना और एक-दूसरे को सुधारना सिखाया।

जादुई परिणाम: पेपर का दावा है कि पूरे सिस्टम को एक बड़े लूप के रूप में प्रशिक्षित करके, "ग्रेडिएंट्स" (गणितीय संकेत जो AI को सुधारने के लिए बताते हैं) मजबूत और स्थिर रहते हैं। सामान्य टेक्स्ट-आधारित सिस्टम में, ये संकेत अक्सर कुछ चरणों के बाद फीके पड़ जाते हैं (vanish), जिससे सीखना कठिन हो जाता है। RecursiveMAS में, संकेत स्पष्ट और तेज़ रहता है, जिससे टीम जटिल कार्यों को प्रभावी ढंग से सीख पाती है।

परिणाम: तेज़, सस्ता, स्मार्ट

पेपर ने इस सिस्टम का परीक्षण 9 कठिन चुनौतियों पर किया, जिसमें गणित की समस्याएं, चिकित्सा निदान, कोडिंग और विज्ञान के प्रश्न शामिल थे। यहाँ उन्हें क्या मिला:

स्मार्टर (अधिक बुद्धिमान): औसally, RecursiveMAS अन्य उन्नत प्रणालियों की तुलना में 8.3% अधिक सटीक था। यह कठिन गणित और विज्ञान की समस्याओं को हल करने में बेहतर हुआ।
फास्टर (तेज़): क्योंकि यह "शब्द लिखने" के चरण को छोड़ देता है और सीधे "सोचने" पर जाता है, यह टेक्स्ट-आधारित सिस्टम की तुलना में 1.2 से 2.4 गुना तेज़ है।
चीपर (सस्ता): यह 34% से 75% कम "टोकन" (कंप्यूटेशनल संसाधन) का उपयोग करता है। कल्पना कीजिए कि आप आमतौर पर जितने कागज का उपयोग करते हैं उसके केवल एक चौथाई भाग का उपयोग करके एक समस्या को हल करना।

"स्केलिंग लॉ" (Scaling Law)

पेपर ने एक दिलचस्प पैटर्न भी खोजा: आप जितना अधिक लूप करेंगे, यह उतना ही बेहतर होगा।

यदि आप सिस्टम को समस्या पर 1 बार के बजाय 3 बार सोचने देते हैं, तो सटीकता काफी बढ़ जाती है।
अन्य सिस्टम के विपरीत जो बहुत अधिक बार सोचने के लिए कहने पर भ्रमित या धीमे हो सकते हैं, RecursiveMAS वास्तव में इसमें फलता-फूलता है। यह एक मांसपेशी की तरह है जो व्यायाम करने पर और मजबूत होती जाती है।

सारांश

RecursiveMAS AI एजेंटों को व्यवस्थित करने का एक नया तरीका है। नोट्स पास करने वाली लोगों की एक रैखिक श्रृंखला के बजाय, यह एक स्व-सुधार लूप (self-correcting loop) बनाता है जहाँ एजेंट एक सार्वभौमिक अनुवादक के माध्यम से अदृश्य विचार साझा करते हैं। यह टीम को अपनी गलतियों को सुधारने, तेजी से सीखने, कठिन समस्याओं को हल करने और यह सब बहुत कम कंप्यूटिंग पावर के साथ करने की अनुमति देता है।

पेपर निष्कर्ष निकालता है कि यह दृष्टिकोण AI सहयोग को स्केल करने का एक अधिक कुशल और शक्तिशाली तरीका है, जो यह साबित करता है कि "एक लाइन में बात करने" से "एक लूप में मिलकर सोचना" बेहतर है।

यहाँ पेपर "Recursive Multi-Agent Systems" (RecursiveMAS) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान लार्ज लैंग्वेज मॉडल्स (LLMs) अक्सर सीमित क्षमता, अल्पदृष्टता (myopic generation), या समाधान स्थान के अक्षम अन्वेषण के कारण जटिल कार्यों में संघर्ष करते हैं। जबकि मल्टी-एजेंट सिस्टम्स (MAS) को विशिष्ट एजेंटों को सहयोगात्मक वर्कफ़्लो में व्यवस्थित करके इस समस्या को हल करने के लिए उभरा है, मौजूदा दृष्टिकोणों में महत्वपूर्ण सीमाएँ हैं:

टेक्स्ट-मध्यस्थ विलंबता (Text-Mediated Latency): मानक MAS एजेंटों के बीच स्पष्ट टेक्स्ट जनरेशन और विनिमय (exchange) पर निर्भर करता है। यह पर्याप्त विलंबता और टोकन ओवरहेड पेश करता है, विशेष रूप से पुनरावृत्ति (recursive) या इटरेटिव सेटिंग्स में जहाँ एजेंटों को आगे बढ़ने से पहले दूसरों को टेक्स्ट जनरेट करने के लिए समाप्त होने की प्रतीक्षा करनी पड़ती है।
प्रशिक्षण अक्षमता (Training Inefficiency): पूरे MAS को अनुकूलित करना कठिन है। सभी मॉडल पैरामीटर्स को अपडेट करना कम्प्यूटेशनल रूप से महंगा है, और अनुक्रमिक टेक्स्ट निर्भरता अक्सर बैकप्रोपैगेशन के दौरान ग्रेडिएंट वैनिशिंग (gradient vanishing) का कारण बनती है, जिससे जटिल सहयोग की गतिशीलता सीखने में बाधा आती है।
स्थिर अनुकूलन (Static Adaptation): कई मौजूदा विधियाँ प्रॉम्प्ट इंजीनियरिंग या इटरेटिव कॉन्टेक्स्ट रिफाइनमेंट पर निर्भर करती हैं, जो संरेखण (alignment) में सुधार तो करती हैं लेकिन एजेंटों की आंतरिक तर्क क्षमताओं या सिस्टम की सहयोगात्मक संरचना को मौलिक रूप से विकसित नहीं करती हैं।

लेखक पूछते हैं: क्या एजेंट सहयोग को स्वयं पुनरावृत्ति (recursion) के माध्यम से स्केल किया जा सकता है, और क्या यह टेक्स्ट स्पेस के बजाय लेटेंट स्पेस (latent space) में काम करके अधिक कुशलता से प्राप्त किया जा सकता है?

2. कार्यप्रणाली: RecursiveMAS (Methodology: RecursiveMAS)

यह पेपर RecursiveMAS पेश करता है, एक ऐसा फ्रेमवर्क जो संपूर्ण मल्टी-एजेंट सिस्टम को एक एकीकृत लेटेंट-स्पेस रिकर्सिव कंप्यूटेशन के रूप में प्रस्तुत करता है। एजेंटों को टेक्स्ट का आदान-प्रदान करने वाली अलग-अलग संस्थाओं के रूप में मानने के बजाय, RecursiveMAS उन्हें एक रिकर्सिव लूप में लेयर्स के रूप में मानता है, जो टोकन के बजाय लेटेंट रिप्रेजेंटेशन (हिडन स्टेट्स) को पास और रिफाइन करते हैं।

मुख्य आर्किटेक्चरल घटक (Core Architectural Components)

लेटेंट थॉट्स जनरेशन (इनर लूप - Inner Loop):
- प्रत्येक एजेंट टोकन का नहीं, बल्कि लेटेंट थॉट्स (निरंतर हिडन स्टेट एम्बेडिंग्स) का ऑटो-रिग्रेसिव जनरेशन करता है।
- एक इनर रिकर्सिवलिंक ( $R_{in}$ ) एक एजेंट के अंतिम लेयर के आउटपुट को अगले स्टेप के लिए उसके इनपुट एम्बेडिंग स्पेस से जोड़ता है। यह एक एजेंट को टेक्स्ट में डिकोड किए बिना अपने आंतरिक तर्क (reasoning) की स्थिति को इटरेटिव रूप से रिफाइन करने की अनुमति देता है।
- $R_{in}$ एक हल्का 2-लेयर रेसिडुअल प्रोजेक्शन मॉड्यूल है: $R_{in}(h) = h + W_2 \sigma(W_1 h)$ ।
क्रॉस-एजेंट सहयोग (आउटर लूप - Outer Loop):
- हेटेरोजेनियस एजेंटों (विभिन्न मॉडल आकार/आर्किटेक्चर) को एक आउटर रिकर्सिवलिंक ( $R_{out}$ ) के माध्यम से जोड़ा जाता है।
- $R_{out}$ एक एजेंट के लेटेंट स्टेट को अगले एजेंट के एम्बेडिंग स्पेस में बदल देता है, जिससे विभिन्न मॉडल प्रकारों के बीच निर्बाध सूचना हस्तांतरण संभव होता है।
- सिस्टम एक क्लोज्ड लूप बनाता है: एजेंट $A_1 \to A_2 \to \dots \to A_N \to A_1$ । केवल अंतिम रिकर्सन राउंड में अंतिम एजेंट ही लेटेंट स्टेट को अंतिम टेक्स्ट आउटपुट में डिकोड करता है।
इनर-आउटर लूप ट्रेनिंग प्रतिमान (Inner-Outer Loop Training Paradigm):
- इनर-लूप ट्रेनिंग: प्रत्येक एजेंट को व्यक्तिगत रूप से वॉर्म-अप किया जाता है। $R_{in}$ को एजेंट के जनरेट किए गए लेटेंट थॉट्स को ग्राउंड-ट्रुथ उत्तर के सिमेंटिक डिस्ट्रीब्यूशन के साथ संरेखित करने के लिए प्रशिक्षित किया जाता है (कोसाइन सिमिलरिटी रिग्रेशन का उपयोग करके)। यह सुनिश्चित करता है कि एजेंट सार्थक लेटेंट स्टेट्स जनरेट कर सकें।
- आउटर-लूप ट्रेनिंग: पूरे सिस्टम को सह-अनुकूलित (co-optimized) किया जाता है। $R_{out}$ मॉड्यूल को एक साझा ग्रेडिएंट-आधारित क्रेडिट असाइनमेंट मैकेनिज्म का उपयोग करके प्रशिक्षित किया जाता है। अंतिम आउटपुट पर मानक क्रॉस-एन्ट्रॉपी लॉस का उपयोग करके पूरे रिकर्सिव कंप्यूटेशन ग्राफ (सभी एजेंटों और रिकर्सन राउंड्स के माध्यम से) में ग्रेडिएंट्स को बैकप्रोपैगेट किया जाता है। यह सिस्टम को इटरेटिव रूप से सहयोग करना सीखने की अनुमति देता है।

सैद्धांतिक लाभ (Theoretical Advantages)

पेपर लेटेंट-स्पेस रिकर्सन के लिए दो प्रमुख सैद्धांतिक औचित्य प्रदान करता है:

रनटाइम कॉम्प्लेक्सिटी: RecursiveMAS महंगे वोकैबुलरी-स्पेस डिकोडिंग ( $O(|V|)$ ) को लेटेंट-स्पेस प्रोजेक्शन ( $O(d_h^2)$ ) से बदल देता है। चूंकि हिडन डायमेंशन $d_h$ , वोकैबुलरी साइज $|V|$ की तुलना में बहुत छोटा है, इसलिए जटिलता काफी कम हो जाती है।
ग्रेडिएंट स्थिरता: सैद्धांतिक विश्लेषण दिखाता है कि टेक्स्ट-आधारित रिकर्सन सॉफ्टमैक्स ऑपरेशन और एंट्रॉपी बाधाओं के कारण ग्रेडिएंट वैनिशिंग (ग्रेडिएंट नॉर्म $\approx 0$ ) से ग्रस्त होता है। इसके विपरीत, RecursiveMAS लेटेंट स्पेस में रेसिडुअल कनेक्शन के माध्यम से स्थिर, लगभग निरंतर ग्रेडिएंट्स (नॉर्म $\approx 1$ ) बनाए रखता है, जो गहरे रिकर्सिव ट्रेनिंग को सुगम बनाता है।

3. मुख्य योगदान (Key Contributions)

सिस्टम-लेवल रिकर्सन: सिंगल मॉडल्स से रिकर्सिव स्केलिंग सिद्धांत को हेटेरोजेनियस मल्टी-एजेंट सिस्टम्स तक विस्तारित करने वाला पहला फ्रेमवर्क, जो संपूर्ण MAS को एक एकीकृत लेटेंट-स्पेस लूप के रूप में मानता है।
लाइटवेट रिकर्सिवलिंक: एक अभिनव, पैरामीटर-कुशल मॉड्यूल ( $R_{in}$ और $R_{out}$ ) जो बेस LLMs के विशाल पैरामीटर्स को अपडेट किए बिना लेटेंट थॉट जनरेशन और क्रॉस-एजेंट स्टेट ट्रांसफर को सक्षम बनाता है।
इनर-आउटर लूप ऑप्टिमाइज़ेशन: एक दो-चरणीय प्रशिक्षण एल्गोरिदम जो एजेंट क्षमता (इनर) को सिस्टम सहयोग (आउटर) से अलग करता है, जिससे पूरे सिस्टम का स्थिर सह-अनुकूलन संभव होता है।
सामान्यीकरण (Generalizability): यह फ्रेमवर्क आर्किटेक्चर-अज्ञेय (architecture-agnostic) है और विविध सहयोग पैटर्न का समर्थन करता है, जिसमें सीक्वेंशियल, मिक्सचर-ऑफ-एक्सपर्ट्स, डिस्टिलेशन और टूल-इंटीग्रेटेड डेलिब्रेशन शामिल हैं।

4. अनुभवजन्य परिणाम (Empirical Results)

लेखकों ने 4 अलग-अलग सहयोग पैटर्न और विविध मॉडल परिवारों (Qwen, Llama, Gemma, Mistral) का उपयोग करके 9 बेंचमार्क (Math, Science, Medicine, Search, Code) पर RecursiveMAS का मूल्यांकन किया।

सटीकता (Accuracy): RecursiveMAS ने उन्नत सिंगल-एजेंट और मल्टी-एजेंट बेसलाइन्स (रिकर्सिव टेक्स्ट-आधारित सिस्टम सहित) की तुलना में औसत 8.3% सटीकता सुधार हासिल किया।
- रीजनिंग-गहन कार्यों पर उल्लेखनीय लाभ: AIME2025 पर +18.1%, AIME2026 पर +13.0%।
दक्षता (Efficiency - Speed):
- इन्फरेंस स्पीडअप: टेक्स्ट-आधारित रिकर्सिव MAS की तुलना में 1.2× से 2.4× एंड-टू-एंड इन्फरेंस स्पीडअप प्राप्त किया। स्पीडअप रिकर्सन डेप्थ बढ़ने के साथ बढ़ता है क्योंकि टेक्स्ट-आधारित सिस्टम कंपाउंडिंग टोकन जनरेशन लागत से प्रभावित होते हैं।
- टोकन रिडक्शन: टेक्स्ट-आधारित बेसलाइन्स की तुलना में टोकन उपयोग में 34.6% से 75.6% की कमी आई, क्योंकि अधिकांश इंटरैक्शन कंप्रेस्ड लेटेंट स्पेस में होते हैं।
स्केलिंग लॉज़ (Scaling Laws):
- रिकर्सन डेप्थ: जैसे-जैसे रिकर्सन राउंड ( $r=1, 2, 3$ ) की संख्या बढ़ती है, प्रदर्शन लगातार बेहतर होता है।
- ट्रेनिंग बनाम इन्फरेंस: गहरा प्रशिक्षण (deeper training) रिकर्सन प्रदर्शन की सीमा को ऊपर की ओर ले जाता है, और गहरा इन्फरेंस रिकर्सन सीखे गए लेटेंट स्ट्रक्चर का और अधिक लाभ उठाता है।
लागत (Cost): RecursiveMAS को प्रशिक्षित करना फुल फाइन-ट्यूनिंग या यहाँ तक कि सिंगल एजेंटों के LoRA फाइन-ट्यूनिंग की तुलना में काफी सस्ता है, क्योंकि केवल हल्के रिकर्सिवलिंक मॉड्यूल ही अपडेट किए जाते हैं (लगभग 0.31% कुल पैरामीटर्स)।

5. महत्व (Significance)

RecursiveMAS मल्टी-एजेंट सिस्टम के डिजाइन और प्रशिक्षण के तरीके में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है:

दक्षता: यह मल्टी-एजेंट सहयोग के "टोकन टैक्स" को हल करता है, जिससे जटिल कार्यों के लिए इटरेटिव रीजनिंग को अत्यधिक विलंबता या लागत के बिना व्यवहार्य बनाया जाता है।
स्केलेबिलिटी: यह प्रदर्शित करता है कि सिस्टम-लेवल प्रदर्शन को रिकर्सन लूप को गहरा करके स्केल किया जा सकता है, ठीक वैसे ही जैसे सिंगल मॉडल्स को उनकी गहराई के साथ स्केल किया जाता है, लेकिन इसे एक सहयोगात्मक इकोसिस्टम पर लागू किया गया है।
स्थिरता: सहयोग को लेटेंट स्पेस में ले जाकर, यह उन ग्रेडिएंट अस्थिरता मुद्दों को दूर करता है जो ऐतिहासिक रूप से टेक्स्ट-आधारित सिस्टम में गहरे रिकर्सिव ट्रेनिंग को बाधित करते रहे हैं।
सामान्यीकरण: विभिन्न एजेंट टोपोलॉजी (सीक्वेंशियल, पैरेलल, डिस्टिलेशन) में सामान्य करने की इसकी क्षमता एजेंट सहयोग को स्केल करने के लिए एक मजबूत, सार्वभौमिक दृष्टिकोण का सुझाव देती है।

निष्कर्षतः, RecursiveMAS सिद्ध करता है कि लेटेंट-स्पेस रिकर्सन मल्टी-एजेंट सिस्टम के लिए एक व्यवहार्य और बेहतर स्केलिंग एक्सिस है, जो अधिक सक्षम, कुशल और प्रशिक्षित करने योग्य सहयोगी AI का मार्ग प्रदान करता है।