← नवीनतम पेपर
🤖 AI

Post Reasoning: Improving the Performance of Non-Thinking Models at No Cost

यह शोध पत्र पोस्ट-रीज़निंग (Post-Reasoning) को प्रस्तुत करता है, जो एक लागत-मुक्त विधि है जो नॉन-थिंकिंग (non-thinking) LLMs को उनके अंतिम उत्तरों के बाद औचित्य उत्पन्न करने के लिए अनुकूलित करके उन्हें बेहतर बनाती है, जिससे बिना किसी इन्फरेंस लेटेंसी (inference latency) या टोकन लागत को बढ़ाए विविध बेंचमार्क पर प्रदर्शन में महत्वपूर्ण सुधार होता है।

मूल लेखक: Richmond Sin Jing Xuan, Rishabh Bhardwaj, Soujanya Poria

प्रकाशित 2026-05-08
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Richmond Sin Jing Xuan, Rishabh Bhardwaj, Soujanya Poria

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

कल्पना कीजिए कि आप एक गणित की परीक्षा दे रहे हैं। आमतौर पर, जब आपको कोई कठिन प्रश्न मिलता है, तो आप अपना अंतिम उत्तर लिखने से पहले अपने रफ-पेज (scratchpad) पर एक लंबा, उलझा हुआ विचार प्रक्रिया लिख सकते हैं। यह बिल्कुल वैसा ही है जैसे आधुनिक AI मॉडल काम करते हैं जब वे "Chain-of-Thought" रीजनिंग का उपयोग करते हैं: वे आपको उत्तर देने से पहले 'सोचने वाले टोकन' (thinking tokens) की एक लंबी धारा उत्पन्न करते हैं। हालांकि यह मददगार है, लेकिन यह धीमा है और इसमें बहुत अधिक "पैसा" (कंप्यूटिंग पावर) खर्च होता है क्योंकि AI को वह सारा अतिरिक्त काम करने के बाद ही आपको उत्तर देना पड़ता है।

यह पेपर "Post-Reasoning: Improving the Performance of Non-Thinking Models at No Cost" एक चतुर तरकीब का प्रस्ताव करता है जिससे बिना प्रतीक्षा किए या अतिरिक्त लागत के बिना सोचने के लाभ प्राप्त किए जा सकें।

यहाँ उनके विचार का सरल विवरण दिया गया है:

1. समस्या: "स्क्रैचपैड" टैक्स (The "Scratchpad" Tax)

वर्तमान में, यदि आप चाहते हैं कि एक AI गहराई से सोचे, तो आप उसे कहते हैं: "कदम-दर-कदम सोचें, फिर मुझे उत्तर दें।"

  • नुकसान: AI को आपको उत्तर देने से पहले पूरा "कदम-दर-कदम" विचार प्रक्रिया लिखना समाप्त करना पड़ता है। इसमें समय (latency) लगता है और लागत (tokens) बढ़ती है।
  • वास्तविकता: कई सरल प्रश्नों के लिए, यह लंबी विचार प्रक्रिया वास्तव में ज़रूरत से ज़्यादा है और कभी-कभी AI को भ्रमित भी कर देती है।

2. समाधान: "अपना उत्तर समझाएं" वाली तरकीब (The "Explain Your Answer" Trick)

लेखक स्क्रिप्ट को पलटने का सुझाव देते हैं। इसके बजाय कि आप AI को उत्तर देने पहले सोचने के लिए कहें, वे उसे कहते हैं: "पहले मुझे उत्तर दें, फिर समझाएं कि आपने इसे क्यों चुना।"

  • यह कैसे काम करता है: AI तुरंत अंतिम उत्तर देता है (ताकि आपको अपना परिणाम तेज़ी से और सस्ते में मिले)। फिर, वह तर्क (reasoning) को एक फॉलो-अप के रूप में उत्पन्न करता है।
  • जादू: क्योंकि AI पहले ही एक उत्तर के प्रति प्रतिबद्ध हो चुका है, उसके बाद उस उत्तर को सही ठहराने की प्रक्रिया वास्तव में उसके मस्तिष्क को उत्तर लिखने से पहले ही अपने विचारों को बेहतर ढंग से व्यवस्थित करने के लिए मजबूर करती है। यह एक छात्र की तरह है, जो यह जानते हुए कि उसे उत्तर लिखने के तुरंत बाद शिक्षक को अपना तर्क समझाना होगा, पहले से ही उत्तर को सही करने के प्रति अधिक सावधान रहता है।

3. "कोई लागत नहीं" वाला लाभ (The "No Cost" Benefit)

सबसे अच्छी बात यह है कि आपको स्पष्टीकरण के लिए प्रतीक्षा करने की आवश्यकता नहीं है।

  • स्टॉप बटन: आप AI को कह सकते हैं: "उत्तर लिखें, फिर स्पष्टीकरण लिखना शुरू करें, लेकिन जैसे ही स्पष्टीकरण शुरू हो, रुक जाएं।"
  • परिणाम: आपको उच्च-गुणवत्ता वाला उत्तर तुरंत मिल जाता है, बिना उस अतिरिक्त लागत के जो स्पष्टीकरण के लिए उपयोग किए गए टोकनों के कारण होती। "सोचना" बैकग्राउंड में हुआ, लेकिन आपने केवल अंतिम परिणाम के लिए भुगतान किया।

4. दो तरीके हैं जिनसे यह किया जा सकता है

  • विधि A: प्रॉम्प्ट (The "Teacher's Note")
    आप बस AI को दिए जाने वाले निर्देश को बदलते हैं। "सोचें और फिर उत्तर दें" के बजाय, आप कहते हैं "उत्तर दें और फिर औचित्य सिद्ध करें।" पेपर ने पाया कि इस साधारण बदलाव ने 13 अलग-अलग AI मॉडलों (छोटे से लेकर विशाल तक) में से 88% मामलों में प्रदर्शन में सुधार किया। यह कठिन गणितीय समस्याओं (जैसे प्रतियोगिता गणित) के लिए विशेष रूप से अच्छा था जहाँ AI आमतौर पर संघर्ष करता है।

  • विधि B: प्रशिक्षण (The "Internal Habit")
    उन्होंने कई AI मॉडलों को विशेष रूप से इस "उत्तर-और-फिर-औचित्य" पैटर्न पर प्रशिक्षित किया। उन्होंने एक विशेष प्रशिक्षण पद्धति का उपयोग किया जहाँ AI केवल स्पष्टीकरण वाले हिस्से से "सीखता" था, न कि उत्तर वाले हिस्से से।

    • परिणाम: इसने AI को इस आदत में इतना कुशल बना दिया कि इसने 91% मामलों में प्रदर्शन में सुधार किया। यह एक आंतरिक कौशल बन गया, न कि केवल एक ऐसी तरकीब जिसे आप हर बार उसे करने के लिए कहते हैं।

5. आंकड़े क्या कहते हैं

  • कठिन गणित (AMC/HMMT): AI काफी स्मार्ट हो गया, कुछ कठिन प्रतियोगिता गणित की समस्याओं पर इसमें 100% से अधिक का सुधार देखा गया।
  • सरल गणित (GSM8K): लाभ कम थे क्योंकि ये समस्याएँ AI के लिए पहले से ही आसान हैं, लेकिन फिर भी इसने मदद की।
  • विज्ञान और ज्ञान: इसने जटिल विज्ञान प्रश्नों (GPQA) में मदद की लेकिन सरल तथ्य-प्राप्ति कार्यों में इसमें ज्यादा बदलाव नहीं आया।

निचोड़ (The Bottom Line)

यह पेपर तर्क देता है कि Post-Reasoning AI के लिए एक नया "परफॉरमेंस सीलिंग" (प्रदर्शन की सीमा) है। यह मानक AI मॉडलों को बिना धीमा किए या सेवा को महंगा किए, जटिल कार्यों पर स्मार्ट और अधिक सटीक रूप से कार्य करने की अनुमति देता है। यह एक फेरारी इंजन अपग्रेड पाने जैसा है बिना नई कार खरीदे; आपने बस मौजूदा कार को एक स्मार्ट तरीके से चलाना सीख लिया है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →