🤖 AI

Perceptual Flow Network for Visually Grounded Reasoning

अनुकूलतम ज्यामितीय पर्यवेक्षण के कारण लार्ज-विज़न लैंग्वेज मॉडल्स में होने वाले भाषा पूर्वाग्रह और मतिभ्रम (hallucination) को संबोधित करने के लिए, यह शोध पत्र 'परसेप्चुअल फ्लो नेटवर्क' (PFlowNet) का प्रस्ताव करता है, जो एक नवीन ढांचा है जो धारणा (perception) को तर्क (reasoning) से अलग करता है और विजुअल रीजनिंग बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करने के लिए वेरिएशनल रीइन्फोर्समेंट लर्निंग का उपयोग करता है।

मूल लेखक: Yangfu Li, Yuning Gong, Hongjian Zhan, Teng Li, Yuanhuiyi Lyu, Tianyi Chen, Qi Liu, Ziyuan Huang, Zhihang Zhong, Dandan Zheng, Yue Lu

प्रकाशित 2026-05-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yangfu Li, Yuning Gong, Hongjian Zhan, Teng Li, Yuanhuiyi Lyu, Tianyi Chen, Qi Liu, Ziyuan Huang, Zhihang Zhong, Dandan Zheng, Yue Lu

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 "Perceptual Flow Network for Visually Grounded Reasoning" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

समस्या: "अति-आत्मविश्वासी" जासूस

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान जासूस (एक Large Vision-Language Model, या LVLM) है जो रहस्य सुलझाने में माहिर है। हालाँकि, इस जासूस की एक बुरी आदत है: वह कभी-कभी भ्रम (hallucinate) का शिकार हो जाता है। वह पूरे आत्मविश्वास के साथ कह सकता है, "मुझे मेज पर एक लाल बिल्ली दिख रही है," जबकि वास्तव में वहाँ सिर्फ एक लाल सेब होता है।

इसे ठीक करने के लिए, पिछले तरीकों ने जासूस को एक "मास्टर डिटेक्टिव" (एक विजुअल एक्सपर्ट AI) पर आधारित एक सख्त नियम पुस्तिका देने की कोशिश की। नियम पुस्तिका कहती थी, "यदि आपको लगता है कि आप कोई वस्तु देख रहे हैं, तो उसका आपका रेखाचित्र मास्टर डिटेक्टिव के रेखाचित्र से बिल्कुल मेल खाना चाहिए।"

पेपर की खोज: लेखकों ने पाया कि यह "बिल्कुल सटीक मिलान" का नियम वास्तव में जासूस को जटिल पहेलियाँ सुलझाने में और भी खराब बना देता है।

उपमा: कल्पना कीजिए कि मास्टर डिटेक्टिव यह साबित करने के लिए कि वह एक पत्ती है, उस विशिष्ट पत्ती के चारों ओर एक छोटा, सटीक घेरा बनाता है। यदि हमारा जासूस केवल उस छोटे घेरे को ही बनाने के लिए मजबूर किया जाता है, तो वह संदर्भ (context) को खो देता है। वह टहनी, आकाश या आस-पास की अन्य पत्तियों को नहीं देख पाता। उसे "टनल विजन" (एक ही चीज़ पर ध्यान केंद्रित करना) हो जाता है। वह ज्यामितीय रूप से सटीक होने पर इतना केंद्रित हो जाता है कि वह पूरी तस्वीर के बारे में तर्क करने की अपनी क्षमता खो देता है।

समाधान: PFlowNet (एक "लचीला खोजकर्ता")

लेखक एक नया सिस्टम प्रस्तावित करते हैं जिसे PFlowNet कहा जाता है। जासूस को मास्टर डिटेक्टिव की सटीक रेखाओं की नकल करने के लिए मजबूर करने के बजाय, PFlowNet जासूस को उत्तर देने से पहले एक संरचित और लचीले तरीके से छवि का अन्वेषण (explore) करना सिखाता है।

PFlowNet को एक दो-चरणीय जांच प्रक्रिया के रूप में सोचें:

चरण 1: "स्काउट" (Perceptual Flow)

जासूस द्वारा अंतिम उत्तर देने से पहले, उसे सबूत इकट्ठा करने के लिए एक "स्काउट" (Scout) को बाहर भेजना होगा।

योजना बनाने का चरण (The Planning Step): स्काउट पहले सोचता है, "ठीक है, मैं क्या ढूँढ रहा हूँ? क्या यह एक कार है? एक व्यक्ति है?" (यह Planning State है)।
अन्वेषण का चरण (The Exploration Step): इसके बाद स्काउट कुछ स्नैपशॉट लेता है (छवि के विभिन्न हिस्सों पर ज़ूम करता है) और प्रत्येक स्थान के बारे में एक छोटा नोट लिखता है।
- उदाहरण: "मुझे यहाँ एक सफेद फूलदान दिख रहा है। इसके बगल में, मुझे एक छोटी मूर्ति दिख रही है।"
मुख्य अंतर: पुराने तरीके के विपरीत, स्काउट को मास्टर डिटेक्टिव द्वारा खोजे गए सटीक स्थानों को खोजने के लिए मजबूर नहीं किया जाता है। उन्हें कहानी को बेहतर ढंग से समझने में मदद करने के लिए थोड़े अलग क्षेत्रों को देखने की अनुमति है। वे उपयोगी सबूतों की तलाश कर रहे हैं, न कि केवल पूर्णतः सटीक सबूतों की।

चरण 2: "जज" (Reasoning)

एक बार जब स्काउट अपने नोट्स और स्नैपशॉट एकत्र कर लेता है, तो मुख्य जासूस उन्हें पढ़ता है और अंतिम उत्तर देता है। क्योंकि अब जासूस के पास एक स्पष्ट, संरचित कहानी है ("मैंने एक फूलदान देखा, फिर मैंने उसके बगल में एक मूर्ति देखी"), उनके मनगढ़ंत बातें करने की संभावना बहुत कम हो जाती है।

उन्होंने इसे कैसे प्रशिक्षित किया: "रिवॉर्ड गेम"

मॉडल को यह सिखाने के लिए, लेखकों ने तीन चतुर युक्तियों वाले एक विशेष प्रशिक्षण खेल का उपयोग किया:

"अच्छे बनाम बुरे" साक्ष्य का परीक्षण:
मॉडल को अंक मिलते हैं यदि वह अपना नोट लिखने के लिए छवि के सही भाग पर ज़ूम करता है, और अंक कट जाते हैं यदि वह बैकग्राउंड के बारे में लिखता है। यह एक ऐसे खेल की तरह है जहाँ आपको खजाने के संदूक को देखने पर बोनस मिलता है और खाली फर्श को घूरने पर दंड मिलता। यह मॉडल को यह सिखाता है कि वास्तव में क्या महत्वपूर्ण है।
"सेफ ज़ोन" का नियम (Vicinal Geometric Shaping):
मॉडल को बताया जाता है: "आप अन्वेषण कर सकते हैं और नई चीजें देख सकते हैं, लेकिन मानचित्र से बहुत ज्यादा दूर न भटकें।"
- उपमा: कल्पना कीजिए कि एक कुत्ते के गले में पट्टा बंधा है। पट्टा एक ही कठोर खंभे (मास्टर डिटेक्टिव के सटीक बॉक्स) से नहीं बंधा है। इसके बजाय, पट्टा कुत्ते को एक पूरे मोहल्ले (एक "vicinity") में घूमने की अनुमति देता है। कुत्ता गेंद खोजने के लिए अलग-अलग रास्तों पर चल सकता है, लेकिन वह दूसरे शहर में नहीं भाग सकता (जो कि एक भ्रम/hallucination होगा)। यह रचनात्मकता और सुरक्षा के बीच संतुलन बनाता है।
"स्व-जांच" लूप (The "Self-Check" Loop):
मॉडल को अपने काम की जाँच करने के लिए प्रशिक्षित किया जाता है। यदि वह किसी स्थान पर ज़ूम करता है और उसका वर्णन लिखता है, तो वह खुद से पूछता है, "क्या यह वर्णन केवल तभी समझ में आता है जब मैं इस विशिष्ट ज़ूम-इन किए गए स्थान को देख रहा हूँ?" यदि उत्तर हाँ है, तो उसे रिवॉर्ड मिलता है। यह मॉडल को सामान्य, अस्पष्ट विवरण लिखने से रोकता है जो किसी भी चीज़ पर लागू हो सकते हैं।

परिणाम: यह क्यों मायने रखता है

पेपर का दावा है कि यह नई विधि एक बड़ा सुधार है:

बेहतर सटीकता: कठिन परीक्षणों पर जहाँ मॉडल को सूक्ष्म विवरण खोजने होते हैं या स्थानिक संबंधों (जैसे "क्या कप किताब के बाईं ओर है?") के बारे में तर्क करना होता है, PFlowNet ने पिछले शीर्ष मॉडलों की तुलना में काफी अधिक स्कोर किया।
कम भ्रम (Fewer Hallucinations): क्योंकि मॉडल को उत्तर देने से पहले जो वह देखता है उसे सूचीबद्ध करके "अपना काम दिखाने" के लिए मजबूर किया जाता है, इसलिए वह तथ्य बनाना बंद कर देता है।
दक्षता (Efficiency): अन्य तरीकों के विपरीत जिन्हें जटिल कोड चलाने या बाहरी उपकरणों का उपयोग करने की आवश्यकता होती है (जो धीमा और बोझिल है), PFlowNet यह "सोच" आंतरिक रूप से टेक्स्ट का उपयोग करके करता है। यह एक ऐसे जासूस की तरह है जो हर सुराग के लिए विशेषज्ञों की पूरी टीम को बुलाने के बजाय अपने दिमाग में और एक नोटबुक के साथ केस सुलझाता है।

सारांश

संक्षेप में, PFlowNet AI को एक कठोर रोबोट बनने के लिए मजबूर करना बंद करता है जो सटीक रेखाचित्रों की नकल करता है। इसके बजाय, यह AI को एक विचारशील खोजकर्ता बनना सिखाता है जो सबूत इकट्ठा करता है, अपने काम की जाँच करता है, और फिर पहेली सुलझाता है। यह देखने की स्वतंत्रता और वास्तविकता में टिके रहने के अनुशासन के बीच संतुलन बनाता है, जिसके परिणामस्वरूप एक स्मार्ट, अधिक विश्वसनीय विजुअल डिटेक्टिव तैयार होता है।

तकनीकी सारांश: विजुअली ग्राउंडेड रीजनिंग के लिए परसेप्चुअल फ्लो नेटवर्क (Perceptual Flow Network)

समस्या विवरण (Problem Statement)

लार्ज विजन-लैंग्वेज मॉडल्स (LVLMs) ने विविध विजुअल कार्यों में उल्लेखनीय प्रदर्शन हासिल किया है, लेकिन वे अभी भी मतिभ्रम (hallucination) और व्याख्यात्मकता (interpretability) की कमी से जूझ रहे हैं, विशेष रूप से जटिल, सूक्ष्म (fine-grained) परिदृश्यों में। जबकि हालिया दृष्टिकोण विजुअल एक्सपर्ट्स (जैसे कि GroundingDINO जैसे ऑब्जेक्ट डिटेक्टर्स) से ज्यामितीय पूर्वग्रहों (geometric priors) को 'रिनफोर्समेंट लर्निंग विद वेरिएबल रिवॉर्ड' (RLVR) के माध्यम से डिस्टिल करने का प्रयास करते हैं, लेखक एक महत्वपूर्ण सीमा की पहचान करते हैं: सबऑप्टिमल सुपरविजन (suboptimal supervision)।

यह शोध पत्र तर्क देता है कि विजुअल एक्सपर्ट्स सख्त ज्यामितीय सटीकता (लोकलइज़ेशन) के लिए अनुकूलित होते हैं, जबकि LVLMs को रीजनिंग उपयोगिता (reasoning utility) की आवश्यकता होती है। LVLM रीजनिंग ट्रेजेक्टरीज को इन एक्सपर्ट प्रायर्स के साथ कठोरता से संरेखित करना एक "टनल विजन" प्रभाव उत्पन्न करता है, जो आवश्यक संदर्भ को बाहर कर देता है और रीजनिंग प्रदर्शन को कम कर देता है। प्रारंभिक अध्ययन दर्शाते हैं कि सबसे ज्यामितीय रूप से सटीक प्रायर्स (एक्सपर्ट एनोटेशन्स) आवश्यक रूप से रीजनिंग के लिए सबसे सहायक नहीं होते हैं, और "गोल्डन" साक्ष्य के करीब पहुँचने के लिए ह्यूरिस्टिक रूपांतरण (heuristic transformations) इंस्टेंस-विशिष्ट परिवर्तनशीलता के कारण अव्यवहारिक हैं।

कार्यप्रणाली: परसेप्चुअल फ्लो नेटवर्क (PFlowNet)

PFlowNet एक ऐसा फ्रेमवर्क प्रस्तावित करता है जो स्थिर ज्यामितीय प्रायर्स के साथ कठोर संरेखण के बिना, व्याख्यात्मक, स्व-सशर्त (self-conditioned) विजुअल रीजनिंग प्राप्त करने के लिए धारणा (perception) को रीजनिंग से अलग करता है। मुख्य नवाचार परसेप्चुअल फ्लो (Perceptual Flow) है, जो एक संरचित लेटेंट ट्रेजेक्टरी है जो विजुअल विचारों को स्पष्ट करती है।

1. परसेप्चुअल फ्लो फॉर्मूलेशन (Perceptual Flow Formulation)

मॉडल एक संरचित ट्रेजेक्टरी $Z = (z_0 \to z_1 \dots z_K)$ उत्पन्न करता है जिसमें शामिल हैं:

प्लानिंग स्टेट ( $z_0$ ): एक लैंग्वेज सीक्वेंस (जो <analyze> और </analyze> के बीच घिरा है) जो क्वेरी को डीकंपोज करता है और प्रासंगिक विजुअल उम्मीदवारों की पहचान करता है।
परसेप्चुअल स्टेट्स ( $z_{\ge 1}$ ): ग्राउंडेड ऑब्जर्वेशन की एक श्रृंखला (जो <localize> और </localize> के बीच घिरी है), जहाँ प्रत्येक स्टेट $z_k$ एक रीजन ऑफ इंटरेस्ट (RoI) $r_k$ और एक वर्णनात्मक कैप्शन $c_k$ से बना होता है।

2. डिकपल्ड फ्रेमवर्क (Decoupled Framework)

PFlowNet धारणा संबंधी व्यवहारों के अनुकूलन को रीजनिंग प्रक्रिया से अलग करता है। यह आदर्श धारणा व्यवहारों के पोस्टीरियर को अनुमानित करने के लिए एक स्व-पैरामीटराइज्ड वेरिएशनल डिस्ट्रीब्यूशन $p_\theta(Z|X)$ का उपयोग करता है। संयुक्त वितरण को इस प्रकार फैक्टराइज़ किया गया है:
$p_\theta(Y, Z | X) = p_\theta(Z | X) p_\theta(Y | Z, \langle X, I_{RoI} \rangle)$
यह मॉडल को एक परसेप्चुअल फ्लो $Z$ सैंपल करने और फिर अंतिम उत्तर $Y$ के लिए स्व-सशर्त ऑटो-रिग्रेसिव जनरेशन करने की अनुमति देता है, जिसमें फ्लो और संबंधित ज़ूम-इन विजुअल फीचर्स को संदर्भ के रूप में उपयोग किया जाता है।

3. वेरिएशनल रिनफोर्समेंट फाइन-ट्यूनिंग (RFT)

वेरिएशनल डिस्ट्रीब्यूशन को अनुकूलित करने के लिए, PFlowNet सब-ट्रेजेक्टरी बैलेंस (SubTB) से प्राप्त पदानुक्रमित उद्देश्य (hierarchical objective) पर आधारित एक वेरिएशनल RFT रणनीति पेश करता है। यह विविध धारणा व्यवहारों को सुगम बनाने के लिए सघन मध्यवर्ती पर्यवेक्षण (dense intermediate supervision) प्रदान करता है। इस उद्देश्य को एक बहु-आयामी रिवॉर्ड फंक्शन और एक विसिनल ज्योमेट्रिक शेपिंग (vicinal geometric shaping) योजना द्वारा परिष्कृत किया गया है:

बहु-आयामी रिवॉर्ड ( $R$ ): यह क्वालिटी (Quality) और एफेकेसी (Efficacy) को जोड़ता है।
- क्वालिटी: एक कंट्रास्टिव टर्म $p^+_\phi(z_i) / p^-_\phi(z_i)$ जो कैपशन्स को आसपास के संदर्भ ( $I \setminus I_{r_i}$ ) के बजाय ज़ूम-इन किए गए साक्ष्य ( $I_{r_i}$ ) के प्रति अर्थपूर्ण रूप से विशिष्ट होने के लिए प्रोत्साहित करता है, जो प्रभावी रूप से प्रिविलेज्ड जानकारी को डिस्टिल करता है।
- एफेकेसी: यह लक्षित रिस्पॉन्स $Y$ को प्रेरित करने में फ्लो द्वारा प्रदान की गई सूचना प्राप्ति (information gain) को मापता है, जो $\log p_\phi(Y | Z, X)$ को अधिकतम करता है।
विसिनल ज्योमेट्रिक शेपिंग (Vicinal Geometric Shaping): अमान्य क्षेत्रों में अत्यधिक अन्वेषण को रोकने और सख्त एक्सपर्ट एलाइनमेंट के पूर्वाग्रह से बचने के लिए, रिवॉर्ड को एक एनर्जी टर्म $\omega_\lambda$ द्वारा भारित किया जाता है। यह टर्म उन ट्रेजेक्टरीज को दंडित करता है जो एक्सपर्ट प्रायर $E$ (जिसे Chamfer-IoU दूरी $\varepsilon$ द्वारा परिभाषित किया गया है) से काफी विचलित होती हैं, लेकिन एक "विसिनिटी" (vicinity) $B_\varepsilon(E)$ के भीतर अन्वेषण की अनुमति देती है। यह रीजनिंग-ओरिएंटेड अन्वेषण और विजुअल विश्वसनीयता के बीच संतुलन बनाता है।

4. ट्रेनिंग पाइपलाइन (Training Pipeline)

डेटा क्यूरेशन (Data Curation): एक पाइपलाइन इंडक्टिव बायस को कम करने के लिए रैंडमली एक्सपैंडेड RoIs वाले डेटा पर टीचर मॉडल्स (जैसे GPT-4o, Gemini) का उपयोग करके फाइन-ग्रेन्ड ट्रेजेक्टरीज को सिंथेसाइज करती है।
कोल्ड स्टार्ट (Cold Start): सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) पॉलिसी को परसेप्चुअल फ्लो जेनरेट करने के लिए इनिशियलाइज़ करती है।
RFT: वेरिएशनल रिनफोर्समेंट फाइन-ट्यूनिंग व्युत्पन्न उद्देश्य और रिवॉर्ड शेपिंग का उपयोग करके पॉलिसी को अनुकूलित करती है।

प्रमुख योगदान (Key Contributions)

परसेप्चुअल फ्लो नेटवर्क (PFlowNet): एक नया फ्रेमवर्क जो धारणा और रीजनिंग को अलग करता है, जो एक संरचित लेटेंट ट्रेजेक्टरी (परसेप्चुअल फ्लो) का उपयोग करके स्व-सशर्त, व्याख्यात्मक विजुअल रीजनिंग को सक्षम बनाता है।
वेरिएशनल रिनफोर्समेंट फाइन-ट्यूनिंग: एक प्रशिक्षण रणनीति जो एक बहु-आयामी रिवॉर्ड (क्वालिटी + एफेकेसी) को विसिनल ज्योमेट्रिक शेपिंग के साथ एकीकृत करती है। यह दृष्टिकोण सख्त एक्सपर्ट एलाइनमेंट के सबऑप्टिमल बायस से बचते हुए विजुअल विश्वसनीयता सुनिश्चित करता है।
सैद्धांतिक गारंटी (Theoretical Guarantees): पेपर एक प्रदर्शन गारंटी स्थापित करने वाला सैद्धांतिक विश्लेषण प्रदान करता है। यह प्रदर्शित करता है कि PFlowNet की टारगेट पोस्टीरियर के प्रति टोटल वेरिएशन (TV) डिस्टेंस बाउंड, विशिष्ट स्थितियों के तहत मानक मैक्सिमम लाइक्लीहुड एस्टीमेशन (MLE) और एक्सपर्ट-गाइडेड RLVR की तुलना में स्ट्रिक्टली टाइट है (थ्योरम 3.1 और 3.4)।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): व्यापक प्रयोग दिखाते हैं कि PFlowNet कई बेंचमार्क पर नए SOTA रिकॉर्ड सेट करता है, विशेष रूप से फाइन-ग्रेन्ड और रीजनिंग-हैवी कार्यों में।

प्रयोगात्मक परिणाम (Experimental Results)

15 बेंचमार्क पर मूल्यांकित, PFlowNet (Qwen3-VL-8B से इनिशियलाइज्ड) महत्वपूर्ण सुधार प्रदर्शित करता है:

सामान्य प्रदर्शन: बेस मॉडल की तुलना में TreeBench पर 10.4% और MME-RealWorld-Lite पर 18.4% का सुधार प्राप्त करता है।
फाइन-ग्रेन्ड कार्य: V Bench (90.6%)*, HR-Bench, और ScreenSpot पर नया SOTA सेट करता है, जो सामान्य LVLMs और स्पेशलाइज्ड ग्राउंडेड रीजनिंग मॉडल्स (जैसे TreeVGR, DeepEyes) दोनों से बेहतर है।
दक्षता (Efficiency): दो-चरणीय प्रक्रिया के बावजूद, PFlowNet एजेंटिक फ्रेमवर्क्स (जो हाई लेटेंसी से ग्रस्त होते हैं) और कपल्ड परसेप्शन-रीजनिंग मॉडल्स की तुलना में एक बेहतर परफॉरमेंस-एफिशिएंसी बैलेंस प्राप्त करता है।
टेस्ट-टाइम स्केलिंग (Test-Time Scaling): रिजिड RLVR मेथड्स के विपरीत जो मोड कोलैप्स (बढ़े हुए सैंपलिंग बजट के साथ नगण्य लाभ) प्रदर्शित करते हैं, PFlowNet अपने विविध रेसोनेल डिस्ट्रीब्यूशन के कारण मजबूत टेस्ट-टाइम स्केलिंग क्षमताएं प्रदर्शित करता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि PFlowNet विजुअल एक्सपर्ट्स के डिजाइन सिद्धांतों (ज्यामितीय सटीकता) और LVLMs (रीजनिंग उपयोगिता) के बीच मौलिक बेमेल को संबोधित करता है। एक रीजनिंग-ओरिएंटेड रिवॉर्ड और विसिनल ज्योमेट्रिक शेपिंग द्वारा निर्देशित सेल्फ-कंडीशन्ड जनरेशन प्रोसेस को अपनाकर, PFlowNet प्राप्त करता है:

व्याख्यात्मकता (Interpretability): संरचित फ्लो स्पष्ट रूप से रीजनिंग को विजुअल साक्ष्य से जोड़ता है।
विश्वसनीयता (Reliability): विसिनल शेपिंग यह सुनिश्चित करती है कि मॉडल अमान्य मतिभ्रम (hallucinations) में भटके बिना प्रभावी व्यवहारों का अन्वेषण करे।
स्केलेबिलिटी (Scalability): फ्रेमवर्क को विभिन्न मॉडल स्केल्स (4B से 32B) के लिए प्रभावी दिखाया गया है और यह मौजूदा बेसलाइन्स पर एक प्रमाणित सैद्धांतिक सुधार प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि PFlowNet विजुअली ग्राउंडेड रीजनिंग के लिए एक मजबूत समाधान प्रदान करता है, जो सटीक विजुअल ग्राउंडिंग की आवश्यकता और जटिल रीजनिंग कार्यों के लिए आवश्यक लचीलेपन के बीच संतुलन बनाता है।