तकनीकी सारांश: LLM-आधारित स्थानिक निर्माण के लिए 2.5-D अपघटन (Decomposition)

समस्या विवरण

प्राकृतिक भाषा निर्देशों से भौतिक संरचनाओं का निर्माण करने के कार्य में लगे स्वायत्त तंत्रों (Autonomous systems) को एक महत्वपूर्ण विश्वसनीयता अंतराल का सामना करना पड़ता है: जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) उच्च-स्तरीय इरादों को समझने में उत्कृष्ट हैं, वे सटीक स्थानिक तर्क (spatial reasoning), विशेष रूप से त्रि-आयामी निर्देशांक (3D coordinates) उत्पन्न करने के मामले में व्यवस्थित रूप से विफल होते हैं। पिछले बेंचमार्क संकेत देते हैं कि LLMs अक्सर ऊर्ध्वाधर प्लेसमेंट (vertical placement), 'ऑफ-बाय-वन' स्टैकिंग, और डुप्लिकेट स्थितियों में त्रुटियां उत्पन्न करते हैं। ये विफलताएं आंतरिक विश्व मॉडल (internal world models) की कमी से उत्पन्न होती हैं जो भौतिक बाधाओं, जैसे कि गुरुत्वाकर्षण, को लागू करने में सक्षम नहीं हैं, जो यह निर्धारित करता है कि एक ब्लॉक की ऊर्ध्वाधर स्थिति उसके नीचे के कॉलम की उपस्थिति द्वारा सख्ती से निर्धारित होती है।

कार्यप्रणाली

यह शोध पत्र समन्वय संबंधी त्रुटियों को संबोधित करने के लिए 2.5-D अपघटन पर आधारित एक न्यूरो-सिंबोलिक पाइपलाइन का प्रस्ताव करता है। मुख्य अंतर्दृष्टि यह है कि गुरुत्वाकर्षण-बाधित निर्माण डोमेन में, ऊर्ध्वाधर अक्ष ($y$) एक स्वतंत्र चर नहीं है, बल्कि क्षैतिज स्थिति ($x, z$) और ग्रिड की वर्तमान स्थिति का एक नियतात्मक फलन (deterministic function) है।

2.5-D अपघटन पाइपलाइन

सिस्टम योजना (planning) और निष्पादन (execution) कार्यों को अलग-अलग मॉड्यूल में विभाजित करता है:

1. LLM प्लानर (2D): LLM को केवल दो-आयामी क्षैतिज तल में योजना उत्पन्न करने के लिए प्रतिबंधित किया गया है। यह केवल $(x, z)$ निर्देशांक, ब्लॉक के रंग, क्रिया के प्रकार और गणना निर्दिष्ट करता है। इसे स्पष्ट रूप से ऊर्ध्वाधर ($y$) निर्देशांक आउटपुट करने से रोका गया है।
2. नियतात्मक निष्पादक (3D): एक सिंबोलिक इंजन कॉलम अधिभोग (column occupancy) के आधार पर प्रत्येक ब्लॉक के लिए ऊर्ध्धर प्लेसमेंट की गणना करता है। एक नए ब्लॉक के लिए $(x, z)$ पर ऊर्ध्वाधर निर्देशांक $y^*$ को उस न्यूनतम ऊंचाई के रूप में गणना किया जाता है जहाँ सेल खाली है, जिससे गुरुत्वाकर्षण बाधाएं सख्ती से पूरी होती हैं:
   $$y^*(x, z, G) = \min\{y \in \{0, \dots, 4\} \mid (x, y, z) \notin \text{dom}(G)\}$$
   यह LLM के आउटपुट स्पेस से $y$-डायमेंशन को हटाकर समन्वय त्रुटियों के एक पूरे वर्ग को समाप्त कर देता है।

सहायक घटक

पाइपलाइन में अस्पष्टता और व्यवस्थित विफलता मोड को संभालने के लिए चार अतिरिक्त तंत्र शामिल हैं:

• स्ट्रक्चर एनालाइज़र (Structure Analyzer): मौजूदा ग्रिड में ज्यामितीय प्रिमिटिव्स (जैसे, T-आकार, L-आकार) का पता लगाता है ताकि प्लानर को सूचित किया जा सके।
• अंडरस्पेसिफिकेशन डिटेक्टर (Underspecification Detector): स्पष्टीकरण प्रश्न पूछने के लिए निर्णय-सैद्धांतिक ढांचे (decision-theoretic framework) का उपयोग करता है। यह अनुमान लगाने बनाम पूछने के अपेक्षित मूल्य की गणना करता है, और जब अस्पष्टता मौजूद हो तो रंग संबंधी पूछताछ को संख्या संबंधी पूछताछ पर प्राथमिकता देता है।
• पीपहोल प्रॉम्प्ट ऑप्टिमाइज़र (Peephole Prompt Optimizer): विशिष्ट ट्रिगर वाक्यांशों (जैसे, "प्रत्येक सिरा," "के सामने") को स्कैन करता है जो व्यवस्थित LLM त्रुटियों का कारण बनते हैं। पता चलने पर, यह LLM कॉल से पहले प्रॉम्प्ट में लक्षित, पैटर्न-मैच्ड सुधार और उदाहरणों को इंजेक्ट करता है।
• प्लान वेरीफायर (Plan Verifier): एक नियम-आधारित मॉड्यूल जो निर्देश और ग्रिड अवस्था के विरुद्ध उत्पन्न योजना को मान्य करता है, और दिशा निरंतरता तथा स्टैकिंग संभाव्यता के लिए सुधार करता है।

मुख्य योगदान

1. 2.5-D अपघटन: एक अभिनव आर्किटेक्चरल पैटर्न जो LLM प्लानिंग को केवल दो-आयामी क्षैतिज तल तक सीमित करता है और ऊर्ध्वाधर प्लेसमेंट को एक नियतात्मक निष्पादक को सौंप देता है, जिससे ऊर्ध्वाधर समन्वय त्रुटियां प्रभावी रूप से समाप्त हो जाती हैं।
2. पीपहोल प्रॉम्प्ट ऑप्टिमाइज़ेशन: विशिष्ट इनपुट पैटर्न द्वारा ट्रिगर होने वाले व्यवस्थित LLM विफलता मोड की पहचान करने और डायनेमिक प्रॉम्प्ट इंजेक्शन के माध्यम से उन्हें ठीक करने की एक पद्धति, जो कंपाइलर अनुकूलन के समान है।
3. अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शन कि यह पाइपलाइन एक छोटे, लागत प्रभावी मॉडल (GPT-4o-mini) को एक बड़े, अधिक महंगे मॉडल (GPT-4o) से बेहतर संरचनात्मक सटीकता प्राप्त करने में सक्षम बनाती है।
4. निर्णय-सैद्धांतिक ढांचा: अस्पष्ट निर्देशों (लुप्त रंग या संख्या) को संभालने के लिए एक औपचारिक दृष्टिकोण, जो सही अनुमान लगाने की संभावना और स्पष्टीकरण प्रश्न पूछने के दंड के बीच भार (weighing) करता है।

प्रयोगात्मक परिणाम

सिस्टम का मूल्यांकन बिल्ड वॉट आई मीन (BWIM) बेंचमार्क पर किया गया, जिसमें ब्लॉक निर्माण कार्यों के 160 राउंड शामिल थे।

• सटीकता: 12 स्वतंत्र रन में GPT-4o-mini का उपयोग करने वाली पूर्ण पाइपलाइन ने 94.6% की औसत संरचनात्मक सटीकता प्राप्त की।
• तुलना: यह परिणाम सबसे अच्छे प्रतिस्पर्धी सिस्टम (जो बिना अपघटन के GPT-4o का उपयोग करता है) के 76.3% और सीधे GPT-4o बेसलाइन के 90.3% से बेहतर है।
• एब्लेशन अध्ययन (Ablation Study): 2.5-D अपघटन को हटाने से सबसे महत्वपूर्ण प्रदर्शन गिरावट हुई, जिससे सटीकता 50.7 प्रतिशत अंक (43.8% तक) कम हो गई, जो इसे सफलता में प्रमुख योगदानकर्ता के रूप में पुष्टि करती है। अंडरस्पेसिफिकेशन हैंडलिंग और पीपहोल ऑप्टिमाइज़ेशन ने भी महत्वपूर्ण योगदान दिया (क्रमशः 17.9 pp और 11.3 pp)।
• एज डिप्लॉयमेंट (Edge Deployment): पाइपलाइन स्थानीय एज हार्डवेयर पर सफलतापूर्वक स्थानांतरित हुई। NVIDIA Jetson Thor AGX पर स्थानीय रूप से चल रहे Nemotron-3 120B ने बिना किसी प्रॉम्प्ट संशोधन के 94.5% सटीकता प्राप्त की, जो क्लाउड-आधारित GPT-4o-mini के परिणामों के बराबर है।
• सामान्यीकरण (Generalization): IGLU सहयोगी निर्माण डेटासेट के 500 कार्यों पर एक ट्रांसफर प्रयोग ने दिखाया कि केवल 2.5-D अपघटन ने ब्लॉक-लेवल F1 स्कोर को 0.723 से बढ़ाकर 0.798 कर दिया, जो प्राथमिक बेंचमार्क से परे इस दृष्टिकोण की प्रयोज्यता की पुष्टि करता है।

महत्व और दावे

शोध पत्र का तर्क है कि LLM-आधारित स्थानिक निर्माण में प्राथमिक सीमा तर्क क्षमता की कमी नहीं है, बल्कि मॉडल के आउटपुट स्पेस में नियतात्मक आयामों (deterministic dimensions) का समावेश है। यह पहचानकर कि कौन से आयाम भौतिक बाधाओं (जैसे गुरुत्वाकर्षण) से गणनीय (computable) हैं और उन्हें LLM की जिम्मेदारी से हटाकर, सिस्टम विश्वसनीयता प्राप्त करता है जो स्पष्टीकरण एजेंट (आर्किटेक्ट) की गुणवत्ता द्वारा निर्धारित सैद्धांतिक सीमा के करीब है।

लेखक दावा करते हैं कि यह 2.5-D संरचना किसी भी ऐसे स्वायत्त तंत्र के लिए एक सामान्यीकरण योग्य सिद्धांत है जहाँ भौतिक नियम असेंबली या प्लेसमेंट को बाधित करते हैं। उद्धृत उदाहरणों में टेरेन-फॉलोइंग UAV पथ योजना (जहाँ ऊंचाई क्षैतिज स्थिति और टेरेन डेटा का एक फलन है) और स्वचालित उपकरण रखरखाव (जहाँ पुर्जा डालने के पथ मशीन ज्यामिति द्वारा बाधित होते हैं) शामिल हैं। यह कार्य सुझाव देता है कि भौतिक रूप से बाधित वातावरण में विश्वसनीय LLM-निर्देशित संचालन प्राप्त करना बड़े मॉडल्स को प्रशिक्षित करने से नहीं, बल्कि ऐसे सिस्टम को आर्किटेक्ट करने से संभव है जो नियतामक तर्क को सिंबोलिक कोड को सौंप देते हैं।

लेखक एक कठिन सीमा (hard ceiling) का उल्लेख करते हैं: लगभग 97.6%, जो आर्किटेक्ट एजेंट (एक LLM जो स्पष्टीकरण प्रश्नों का उत्तर देता है) की त्रुटियों द्वारा सीमित है। वर्तमान प्रणाली की 94.6% सटीकता केवल 3.0 प्रतिशत अंक का मार्जिन छोड़ती है, जो यह संकेत देता है कि प्रस्तावित पाइपलाइन ने बिल्डर घटक की क्षमता को लगभग अधिकतम कर दिया है।