🤖 machine learning

Learning POMDP World Models from Observations with Language-Model Priors

यह शोध पत्र पिंडक्टर (Pinductor) को प्रस्तुत करता है, जो एक ऐसी विधि है जो सीमित अवलोकन-क्रिया प्रक्षेप पथों (observation-action trajectories) से आंशिक रूप से-अवलोकनीय मार्कोव निर्णय प्रक्रिया (Partially-Observable Markov Decision Process - POMDP) विश्व मॉडल को कुशलतापूर्वक सीखने के लिए भाषा मॉडल पूर्वग्रहों (language model priors) का लाभ उठाता है, जो विशेषाधिकार प्राप्त-अवस्था (privileged-state) विधियों के तुलनीय प्रदर्शन प्राप्त करते हुए नमूना दक्षता (sample efficiency) में पारंपरिक आधार रेखाओं (baselines) से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Valentin Six, Frederik Panse, Mathis Fajeau, Lancelot Da Costa, Mridul Sharma, Alfonso Amayuelas, Tim Z. Xiao, David Hyland, Philipp Hennig, Bernhard Schölkopf

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Valentin Six, Frederik Panse, Mathis Fajeau, Lancelot Da Costa, Mridul Sharma, Alfonso Amayuelas, Tim Z. Xiao, David Hyland, Philipp Hennig, Bernhard Schölkopf

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 आपको एक बिल्कुल नए, घने अंधेरे भूलभुलैया (maze) में छोड़ दिया गया है। आप दीवारों, बंद रास्तों या बाहर निकलने के रास्ते को नहीं देख सकते। आप केवल इतना जानते हैं कि जब आप एक कदम आगे बढ़ाते हैं, तो आप किसी चीज़ से टकरा सकते हैं, या आपको कोई आवाज़ सुनाई दे सकती है, या यदि आपको खजाना मिल जाता है, तो आप एक इनाम महसूस कर सकते हैं। आपको यह समझना होगा कि यह भूलभुलैया कैसे काम करती है, और यह सब केवल अपने अहसासों और अनुभवों के माध्यम से करना है, बिना कभी पूरे नक्शे को देखे।

यह POMDPs (पार्शियली ऑब्जर्वेबल मार्कोव डिसीजन प्रोसेस) की चुनौती है। यह उस गणित के पीछे का विज्ञान है जो यह सीखने में मदद करता है कि दुनिया कैसे काम करती है जब आप पूरी तस्वीर नहीं देख पाते।

यह पेपर एक नई विधि पेश करता है जिसे Pinductor (शॉर्ट फॉर "POMDP-इंडक्टर") कहा जाता है, जो एक लार्ज लैंग्वेज मॉडल (LLM)—जैसे कि वह AI जिससे आप चैट कर सकते हैं—का उपयोग करके इस समस्या को हल करता है। यह यहाँ कैसे काम करता है, इसे सरल उपमाओं (analogies) का उपयोग करके समझते हैं:

समस्या: अंधेरे में सीखना

आमतौर पर, किसी AI को भूलभुलैया में नेविगेट करना सिखाने के लिए, आप उसे एक "चीट शीट" (cheat sheet) देते हैं। आप उसे हर चाल के बाद छिपा हुआ नक्शा (सच्ची स्थिति/true state) दिखाते हैं ताकि वह अपनी गलतियों से सीख सके। लेकिन वास्तविक दुनिया में, रोबोट और एजेंट शायद ही कभी चीट शीट प्राप्त करते हैं। वे केवल वही देखते हैं जो उनके ठीक सामने होता है।

पिछले तरीकों ने AI का उपयोग करके नक्शे का अनुमान लगाने की कोशिश की, लेकिन वे अभी भी सीखने के लिए गुप्त रूप से छिपे हुए नक्शे को देखने पर निर्भर थे। यदि आप चीट शीट हटा देते हैं, तो वे तरीके विफल हो जाते हैं।

समाधान: Pinductor (एक "डिटेक्टिव" AI)

Pinductor एक जासूस की तरह है जिसे अपराधी को देखे बिना अपराध को सुलझाना है। इसके बजाय, जासूस एक सुपर-स्मार्ट AI सहायक (LLM) का उपयोग करता है जो यह जानता है कि दुनिया आमतौर पर कैसे काम करती है।

यहाँ चरण-दर-चरण प्रक्रिया दी गई है:

अनुमान (The Hypothesis):
AI सहायक भूलभुलैया में नेविगेट करने वाले किसी व्यक्ति के कुछ छोटे वीडियो क्लिप्स (अवलोकन और क्रिया डेटा) को देखता है। भूलभुलैया, चाबियों और दरवाजों के बारे में अपने विशाल ज्ञान के आधार पर, सहायक एक कंप्यूटर प्रोग्राम लिखता है जो यह समझाने की कोशिश करता है कि भूलभुलैया कैसे व्यवहार करती है।
- उपमा: कल्पना कीजिए कि AI एक नियम पुस्तिका लिखता है: "यदि आप आगे बढ़ते हैं और दीवार से टकराते हैं, तो आप वहीं रुक जाते हैं। यदि आप एक चाबी उठाते हैं, तो आप लाल दरवाजा खोल सकते हैं।"
परीक्षण (The Simulation):
सिस्टम इस नियम पुस्तिका को लेता है और एक सिमुलेशन चलाता है। यह भूलभुलैया में एजेंट होने का नाटक करता है, और AI द्वारा लिखे गए नियमों का पालन करता है। यह पूछता है: "यदि मैं इन नियमों का पालन करता हूँ, तो क्या मैं वही चीजें देख पाऊँगा जो वास्तविक एजेंट ने देखी थीं?"
- ट्विस्ट: चूंकि सिस्टम को वास्तविक छिपी हुई स्थिति (true state) का पता नहीं होता, इसलिए यह एक "विश्वास प्रणाली" (belief system) का उपयोग करता है। यह संभावित स्थानों के एक समूह (जैसे मधुमक्खियों का झुंड) को रखता है और एजेंट जो देखता है उसके आधार पर उन्हें अपडेट करता है। यदि मधुमक्खियों का झुंड अवलोकनों की व्याख्या कर सकता है, तो नियम पुस्तिका अच्छी है। यदि मधुमक्खियां भ्रमित हो जाती हैं और देखे गए विवरणों की व्याख्या नहीं कर पातीं, तो नियम पुस्तिका खराब है।
सुधार (The Refinement):
सिस्टम AI की नियम पुस्तिका की तुलना वास्तविक वीडियो क्लिप्स से करता है। यह गलतियों को ढूंढ निकालता है।
- उदाहरण: "हे, आपकी नियम पुस्तिका कहती है कि लावा पर चलना सुरक्षित है, लेकिन वीडियो दिखाता है कि एजेंट लावा को छूते ही मर गया।"
  सिस्टम फिर यह फीडबैक वापस AI सहायक को भेजता है: "आपने लावा वाले हिस्से को गलत समझा। अपना कोड ठीक करें।"
  AI कोड को फिर से लिखता है, और यह चक्र तब तक दोहराया जाता है जब तक कि नियम पुस्तिका भूलभुलैया में होने वाली घटनाओं की सटीक भविष्यवाणी न करने लगे।

यह एक बड़ी बात क्यों है?

चीट शीट की आवश्यकता नहीं: पिछले तरीकों के विपरीत, Pinductor केवल वही सीखता है जो एजेंट देखता है और करता है। इसे कभी भी छिपे हुए नक्शे को झाँकने की अनुमति नहीं मिलती।
यह कुशल है: यह बहुत तेज़ी से सीखता है। पेपर दिखाता है कि केवल कुछ वीडियो क्लिप्स (जैसे 10 छोटी दौड़) के साथ, AI एक ऐसा मॉडल बना सकता है जो उन तरीकों के लगभग बराबर काम करता है जिनके पास चीट शीट होती है।
यह "कॉमन सेंस" का उपयोग करता है: जादू LLM के पूर्व ज्ञान से आता है। AI पहले से ही जानता है कि "लावा गर्म होता है" या "दरवाजों को चाबियों की आवश्यकता होती है।" यह इस कॉमन सेंस का उपयोग एक शिक्षित अनुमान लगाने के लिए करता है, और फिर उस अनुमान को बारीक रूप से सुधारने (fine-tune) के लिए डेटा का उपयोग करता है।

परिणाम

शोधकर्ताओं ने इसका परीक्षण "MiniGrid" वातावरण (सरल ग्रिड-वर्ल्ड गेम्स) पर किया।

प्रदर्शन (Performance): Pinductor ने "चीट शीट" वाले तरीकों के समान प्रदर्शन किया और उन पारंपरिक तरीकों की तुलना में बहुत बेहतर प्रदर्शन किया जो AI का उपयोग नहीं करते हैं।
विश्वास की सटीकता (Belief Accuracy): जैसे-जैसे एजेंट भूलभुलैया के माध्यम से आगे बढ़ता है, उसकी आंतरिक "विश्वास" (belief) कि वह कहाँ है, अधिक स्पष्ट और सटीक होती जाती है, और अंततः वास्तविक स्थान का पता लगा लेती है, भले ही उसने कभी नक्शा न देखा हो।
निर्भरता (Dependency): यह विधि AI की बुद्धिमत्ता पर बहुत अधिक निर्भर करती है। यदि आप एक "कम बुद्धिमान" AI का उपयोग करते हैं या वातावरण के टेक्स्ट विवरण को हटा देते हैं, तो प्रदर्शन गिर जाता है। यह साबित करता है कि AI अपने भाषा ज्ञान का उपयोग अंतराल को भरने के लिए कर रहा है।

सारांश

संक्षेप में, Pinductor एक AI को एक अंधेरे कमरे का मानसिक मानचित्र बनाने के लिए प्रशिक्षित करता है, जिसमें एक सुपर-स्मार्ट लैंग्वेज मॉडल कमरे के नियमों का अनुमान लगाता है, और फिर एजेंट जो वास्तव में देखता है उसके आधार पर उन अनुमानों को सुधारा जाता है। यह यह सीखने का एक तरीका है कि दुनिया कैसे काम करती है, बिना किसी चीट शीट की आवश्यकता के, जो रोबोटों को वास्तविक, अस्त-व्यस्त और अप्रत्याशित वातावरण में स्वतंत्र रूप से नेविगेट करने के योग्य बनाने की दिशा में एक बड़ा कदम है।

तकनीकी सारांश: अवलोकन से भाषा-मॉडल पूर्ववृत्त (Language-Model Priors) का उपयोग करके POMDP वर्ल्ड मॉडल्स को सीखना

समस्या विवरण

आंशिक रूप से दृश्यमान (partially observable) वातावरणों में प्रभावी एजेंटों को इस बात का एक आंतरिक मॉडल सीखना चाहिए कि दुनिया उनके कार्यों के प्रति कैसे प्रतिक्रिया देती है। जबकि पार्शली ऑब्जर्वेबल मार्कोव डिसीजन प्रोसेस (POMDPs) ऐसे वर्ल्ड मॉडल्स के लिए एक लचीला औपचारिक ढांचा प्रदान करते हैं, केवल अवलोकन-क्रिया प्रक्षेपवक्र (observation-action trajectories) से उन्हें सीखना अत्यंत कठिन है। शास्त्रीय दृष्टिकोण (टेबुलर एस्टिमेटर्स, स्पेक्ट्रल मेथड्स, डीप लेटेंट मॉडल्स) आमतौर पर व्यापक वातावरण संपर्क, मजबूत संरचनात्मक धारणाओं, या वास्तविक छिपे हुए अवस्थाओं (ground-truth hidden states) तक पहुंच की आवश्यकता रखते हैं।

LLMs का उपयोग करके वर्ल्ड मॉडल्स को प्रेरित करने वाले मौजूदा तरीके अक्सर एक महत्वपूर्ण सरलीकरण धारणा पर निर्भर करते हैं: प्रशिक्षण के दौरान विशेषाधिकार प्राप्त छिपी हुई अवस्थाओं (privileged hidden states) तक पहुंच। सबसे करीबी पूर्ववर्ती, POMDP Coder, प्रत्येक एपिसोड के बाद ग्राउंड-ट्रुथ स्टेट्स तक पोस्ट-हॉक पहुंच की धारणा रखता है। यह सीमा ऐसी विधियों को वास्तविक दुनिया के परिदृश्यों में लागू करने में अक्षम बनाती है जहाँ स्टेट सुपरविजन उपलब्ध नहीं होता है, जैसे कि अव्यवस्थित स्थानों में काम करने वाले रोबोट या अपूर्ण-सूचना वाले खेलों में एजेंट। यह कार्य जिस केंद्रीय प्रश्न को संबोधित करता है वह यह है कि क्या LLM पूर्ववृत्त (priors), बिना किसी छिपे हुए स्टेट लेबल तक पहुंच के, केवल अवलोकन-क्रिया-पुरस्कार प्रक्षेपवक्रों का उपयोग करके निष्पादन योग्य (executable) POMDP मॉडल को प्रेरित करने के लिए पर्याप्त शक्तिशाली हैं।

कार्यप्रणाली: Pinductor

लेखक Pinductor (POMDP-inductor) पेश करते हैं, जो केवल अवलोकन-क्रिया-पुरस्कार प्रक्षेपवक्रमों से निष्पादन योग्य POMDT वर्ल्ड मॉडल्स को प्रेरित करने वाला एक ढांचा है। यह विधि एक जनरेट-इवैल्यूएट-रिफाइन-प्लान लूप पर कार्य करती है, जो अनुमानित अवस्थाओं और ग्राउंड-ट्रुथ हिडन स्टेट्स के बीच प्रत्यक्ष तुलना से बचती है।

1. मॉडल प्रस्ताव

एक LLM को एक प्राकृतिक-भाषा वातावरण विवरण, प्रक्षेपवक्रमों का एक छोटा ऑफलाइन डेटासेट, और स्टेट, एक्शन, एवं ऑब्जर्वेशन स्पेस को परिभाषित करने वाला एक कोड API दिया जाता है। LLM एक उम्मीदवार निष्पादन योग्य मॉडल $m = (\rho_0^m, T^m, O^m, R^m)$ उत्पन्न करता है, जो प्रारंभिक अवस्था वितरण, ट्रांज़िशन डायनेमिक्स, ऑब्जर्वेशन मॉडल और रिवॉर्ड फंक्शन को परिभाषित करता है।

2. विश्वास-आधारित मॉडल मूल्यांकन (Belief-Based Model Evaluation)

चूंकि छिपी हुई अवस्थाएं अनऑब्जर्व्ड होती हैं, इसलिए Pinductor उम्मीदवारों का मूल्यांकन एक विश्वास-आधारित संभावना स्कोर (belief-based likelihood score) का उपयोग करके करता है।

पार्टिकल फ़िल्टरिंग (Particle Filtering): एक उम्मीदवार मॉडल के लिए, प्रस्तावित प्रारंभिक अवस्था वितरण से कणों (particles) का एक सेट सैंपल किया जाता है और देखे गए कार्यों का उपयोग करके ट्रांज़िशन मॉडल $T^m$ के माध्यम से प्रसारित किया जाता है।
सॉफ्ट ऑब्जर्वेशन लाइकलीहुड: LLM-जनरेटेड ऑब्जर्वेशन मॉडल $O_{LLM}^m$ अक्सर नियतात्मक (deterministic) होता है। विसंगतियों को संभालने और एक ग्रेडिएंट-जैसे सिग्नल प्रदान करने के लिए, यह विधि एक डिस्टेंस कर्नल (distance kernel) का उपयोग करती है। अनुमानित अवलोकन और वास्तविक अवलोकन के बीच की दूरी $d_{obs}$ को एक सॉफ्ट लाइकलीहुड में परिवर्तित किया जाता है:
$O^m(o_{t+1} | s_{t+1}, a_t) \propto \exp(-d_{obs}(o_{t+1}^{pred}, o_{t+1}^{real}) / \kappa)$
स्कोरिंग: मॉडल को पार्टिकल फ़िल्टर द्वारा प्रेरित विश्वास वितरण के तहत देखे गए प्रक्षेपवक्रम के अपेक्षित लॉग-लाइकलीहुड द्वारा स्कोर किया जाता है:
$L(P^m; \mathcal{D}) = \sum_{\tau \in \mathcal{D}} \sum_{t=0}^{H-1} \mathbb{E}_{s_{t+1} \sim Q_{t+1}^m} [\log O^m(o_{t+1} | s_{t+1}, a_t)]$
यह स्कोर इस बात का मूल्यांकन करता है कि मॉडल की अपनी फ़िल्टरिंग डायनेमिक्स अवलोकन स्ट्रीम की व्याख्या कितनी अच्छी तरह कर सकती है, बिना विशेषाधिकार प्राप्त स्टेट एक्सेस के।

3. फीडबैक और परिशोधन (Feedback and Refinement)

यह विधि संरचित डिबगिंग फीडबैक का उपयोग करके मॉडल्स को पुन: परिष्कृत करती है:

ग्लोबल स्कोर: स्केलर लाइकलीहुड स्कोर समग्र फिट को दर्शाता है।
लोकल डायग्नोस्टिक्स: सिस्टम विशिष्ट विफलता मोड की पहचान करता है, जैसे निष्पादन त्रुटियां, उच्च अवलोकन दूरी वाले प्रक्षेपवक्रम खंड, या रिवॉर्ड विसंगतियां।
असहमति सिग्नल (Disagreement Signals): पहले से उत्पन्न ट्रांज़िशन मॉडल्स के एक "समिति" (committee) का उपयोग वोट एंट्रॉपी की गणना करने के लिए किया जाता है। उच्च-एंट्रॉपी संदर्भ (जहाँ उम्मीदवार मॉडल अगले स्टेट पर असहमत होते हैं) को LLM को हाइलाइट किया जाता है, जिससे उसे डायनेमिक्स में अस्पष्टता को हल करने में मार्गदर्शन मिलता है।
परिशोधन रणनीति: Pinductor एक एकल एडिट चेन के बजाय एक ट्री-स्ट्रक्चर्ड रिफाइनमेंट प्रक्रिया (UCB1 चयन) का उपयोग करता है, जो एक निकटतम-सर्वश्रेष्ठ मॉडल चुनने से पहले कई उम्मीदवार परिवारों का अन्वेषण करता है।

4. योजना (Planning)

चयनित मॉडल का उपयोग ऑनलाइन इंटरेक्शन के दौरान विश्वास-स्थान योजना (जैसे A*-शैली के प्लानर्स के माध्यम से) के लिए किया जाता है। नए प्रक्षेपवक्रमों को डेटासेट में जोड़ा जाता है, जो आगे के परिशोधन दौर को ट्रिगर करता है।

मुख्य योगदान

केवल अवलोकन-आधारित POMDP इंडक्शन: यह शोध पत्र सिद्ध करता है कि LLM पूर्ववृत्त केवल अवलोकन-क्रिया-पुरस्कार प्रक्षेपवक्रमों से निष्पादन योग्य POMDT वर्ल्ड मॉडल्स को प्रेरित करने के लिए पर्याप्त हैं, जिससे प्रशिक्षण या अनुमान के समय ग्राउंड-ट्रुथ हिडन स्टेट सुपरविजन की आवश्यकता समाप्त हो जाती है।
विश्वास-आधारित मॉडल स्कोरिंग: लेखक एक कर्नल-आधारित लाइकलीहुड ऑब्जेक्टिव पेश करते हैं जो उनके फ़िल्टर्ड विश्वास वितरण के तहत उम्मीदवार प्रोग्राम्स को स्कोर करता है। यह केवल आंशिक अवलोकनों से गणना योग्य प्रति-चरण मरम्मत सिग्नल प्रदान करता है।
एंड-टू-एंड सत्यापन: विधि को पांच आंशिक रूप से दृश्यमान MiniGrid कार्यों में मान्य किया गया है। Pinductor, विशेषाधिकार प्राप्त स्टेट एक्सेस वाले LLM बेसलाइन (POMDP Coder) के प्रदर्शन और सैंपल एफिशिएंसी के बराबर पहुँच जाता है, जबकि गैर-LLM बेसलाइन्स (विशेषाधिकार प्राप्त स्टेट एक्सेस प्राप्त होने के बावजूद) से काफी बेहतर प्रदर्शन करता है।

परिणाम

प्रदर्शन: MiniGrid वातावरणों (Empty, Corners, Lava, Unlock, Four Rooms) में, Pinductor औसत एपिसोड रिवॉर्ड और जीत की दर में विशेषाधिकार प्राप्त स्टेट बेसलाइन के तुलनीय उपलब्धि प्राप्त करता है, बावजूद इसके कि इसके पास सख्त रूप से कम जानकारी थी।
सैंपल एफिशिएंसी: Pinductor बहुत कम ऑफलाइन प्रक्षेपवक्रमों (मात्र 2-10) के साथ मजबूत प्रदर्शन तक पहुँच जाता है, जो स्टेट-एक्सेस विधियों की सैंपल एफिशिएंसी से मेल खाता है।
विश्वास की गुणवत्ता (Belief Quality): योजना के दौरान, Pinductor के विश्वास अवस्थाएं जैसे-जैसे अवलोकन जमा होते जाते हैं, वास्तविक छिपी हुई अवस्था पर अधिक केंद्रित होती जाती हैं, जो यह प्रदर्शित करती है कि सीखे गए मॉडल सूचनात्मक पोस्टीरियर अपडेट का समर्थन करते हैं।
एब्लेशन (Ablations):
- LLM क्षमता: प्रदर्शन LLM की क्षमता के साथ बढ़ता है; कमजोर मॉडल उपयोगी वर्ल्ड मॉडल्स को संश्लेषित करने में विफल रहते हैं, जबकि मजबूत मॉडल (Qwen 3.6 Plus, Claude Opus 4.7) उच्च प्रदर्शन प्राप्त करते हैं।
- सिमेंटिक जानकारी: सिमेंटिक वातावरण विवरण को रोकने से प्रदर्शन गिर जाता है, जो यह दर्शाता है कि विधि टेक्स्टुअल जानकारी में निहित LLM पूर्ववृत्तों पर निर्भर करती है।
- स्टोकेस्टिसिटी (Stochasticity): विधि वातावरण के स्टोकेस्टिक वेरिएंट में भी प्रभावी रहती है, हालांकि नियत (deterministic) सेटिंग्स की तुलना में प्रदर्शन गिरता है।

महत्व और सीमाएँ

यह शोध पत्र भाषा-मॉडल पूर्ववृत्तों को आंशिक दृश्यता के तहत सैंपल-एफिशिएंट वर्ल्ड-मॉडल लर्निंग के लिए एक व्यावहारिक उपकरण के रूप में स्थापित करता है। विशेषाधिकार प्राप्त स्टेट एक्सेस की आवश्यकता को हटाकर, Pinductor, LLM-निर्देशित मॉडल इंडक्शन को उन सेटिंग्स तक विस्तारित करता है जो वास्तविक दुनिया के तैनाती (जैसे रोबोटिक्स, अपूर्ण-सूचना वाले खेल) की विशेषता हैं।

लेखक विनम्रतापूर्वक कुछ सीमाओं को नोट करते हैं:

दायरा: मूल्यांकन MiniGrid वातावरण तक सीमित है; अन्य डोमेन या जटिल वास्तविक दुनिया के सेटिंग्स में स्थानांतरण अभी भी अप्रमाणित है।
फिक्स्ड कंपोनेंट्स: ऑब्जर्वेशन डिस्टेंस फंक्शन, प्लानर, और डेमोंस्ट्रेशन बफर वर्तमान में फिक्स्ड हैं और LLM द्वारा अनुकूलित नहीं किए जाते हैं।
वैरिएंस: LLM API कॉल्स पर निर्भरता निष्पादन समय और परिणामों में उच्च विचलन (variance) लाती है।
डेटा संग्रह: ऑफलाइन डेटासेट मैन्युअल रूप से एकत्र किए गए हैं; स्वचालित डेटा संग्रह रणनीतियों के प्रभाव का अन्वेषण नहीं किया गया है।

यह कार्य आंशिक रूप से दृश्यमान वातावरणों में प्रथम-व्यक्ति अनुभव से आंतरिक वर्ल्ड मॉडल्स सीखने में सक्षम सामान्यज्ञ एजेंटों (generalist agents) की दिशा में एक कदम है।

समस्या: अंधेरे में सीखना

समाधान: Pinductor (एक "डिटेक्टिव" AI)

यह एक बड़ी बात क्यों है?

परिणाम

सारांश

तकनीकी सारांश: अवलोकन से भाषा-मॉडल पूर्ववृत्त (Language-Model Priors) का उपयोग करके POMDP वर्ल्ड मॉडल्स को सीखना

समस्या विवरण

कार्यप्रणाली: Pinductor

1. मॉडल प्रस्ताव

2. विश्वास-आधारित मॉडल मूल्यांकन (Belief-Based Model Evaluation)

3. फीडबैक और परिशोधन (Feedback and Refinement)

4. योजना (Planning)

मुख्य योगदान

परिणाम

महत्व और सीमाएँ

इसी तरह के और पेपर