OpenDeepThink: Parallel Reasoning via Bradley--Terry Aggregation
OpenDeepThink एक जनसंख्या-आधारित टेस्ट-टाइम कंप्यूट फ्रेमवर्क है जो उम्मीदवार समाधानों को चुनने, उत्परिवर्तित करने और विकसित करने के लिए पेयरवाइज ब्रैडली-टेरी (pairwise Bradley-Terry) तुलनाओं को एकत्रित करके LLM तर्क क्षमता को बढ़ाता है, जिससे मॉडल रिट्यूनिंग की आवश्यकता के बिना Codeforces जैसे ऑब्जेक्टिव बेंचमार्क पर महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
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 बहुत कठिन पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि कोई जटिल गणितीय समस्या या कोई पेचीदा कोडिंग चुनौती। आमतौर पर, जब आप किसी AI से इसे हल करने के लिए कहते हैं, तो AI एक ही लंबी, सीधी रेखा में सोचने की कोशिश करता है। यदि वह शुरुआत में एक छोटी सी गलती कर देता है, तो पूरा उत्तर बिगड़ जाता है, और उसे शून्य से फिर से शुरुआत करनी पड़ती है।
यह शोध पत्र OpenDeepThink नामक एक नई विधि पेश करता है। OpenDeepThink के माध्यम से AI से एक सीधी रेखा में सोचने के बजाय, उसे एक भीड़ (crowd) में सोचने के लिए कहा जाता है।
यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) का उपयोग करके चरणों में दिया गया है:
1. "ब्रेनस्टॉर्मिंग पार्टी" (समानांतर सैंपलिंग - Parallel Sampling)
AI से केवल एक उत्तर माँगने के बजाय, OpenDeepThink उससे एक ही समय में 20 अलग-अलग उत्तर उत्पन्न करने के लिए कहता है।
- उपमा: कल्पना कीजिए कि आप एक शिक्षक हैं जो छात्रों से गणित की एक समस्या हल करने के लिए कह रहे हैं। आप केवल सबसे बुद्धिमान बच्चे का इंतज़ार नहीं करते; आप सभी को तुरंत अपना समाधान लिखने देते हैं। कुछ शानदार होंगे, कुछ ठीक-ठाक होंगे, और कुछ पूरी तरह से गलत भी हो सकते हैं।
2. "टूर्नामेंट" (जोड़ीवार तुलना - Pairwise Comparison)
अब आपके पास 20 समाधान हैं, लेकिन आप सबसे अच्छा कैसे चुनेंगे? आमतौर पर, आप AI से पूछ सकते हैं, "क्या यह उत्तर अच्छा है?" लेकिन शोध पत्र कहता है कि AI अपने काम का अकेले मूल्यांकन करने में बुरा है (वह बहुत अधिक आत्मविश्वासी या पक्षपाती हो सकता है)।
- समाधान: AI से "क्या यह अच्छा है?" पूछने के बजाय, उसे दो उत्तरों की आमने-सामने तुलना करने के लिए कहा जाता है। "समाधान A और समाधान B के बीच, कौन सा बेहतर है, और क्यों?"
- उपमा: एक खेल टूर्नामेंट के बारे में सोचें। केवल उन्हें देखकर यह कहना कठिन है कि "दुनिया का सर्वश्रेष्ठ खिलाड़ी" कौन है। लेकिन यदि आप खिलाड़ी A को खिलाड़ी B के विरुद्ध मुकाबले में उतारते हैं, तो यह देखना बहुत आसान हो जाता है कि कौन जीता। AI एक रेफरी की भूमिका निभाता है, जोड़ों (pairs) के बीच मुकाबला देखता है और प्रत्येक जोड़ी के लिए विजेता घोषित करता है।
3. "स्कोरबोर्ड" (ब्रैडली-टेरी एकत्रीकरण - Bradley–Terry Aggregation)
कई जोड़ियों की तुलना करने के बाद, AI केवल जीत की गिनती नहीं करता है। यह एक विशेष गणितीय सूत्र (जिसे ब्रैडली-टेरी कहा जाता है) का उपयोग करके एक वैश्विक रैंकिंग बनाता है।
- उपमा: फुटबॉल लीग टेबल की कल्पना करें। यदि टीम A, टीम B को हराती है, और टीम B, टीम C को हराती है, तो गणित जानता है कि टीम A संभवतः टीम C से अधिक मजबूत है, भले ही वे आपस में न खेले हों। यह 20 समाधानों का एक विश्वसनीय "लीडरबोर्ड" बनाता है।
4. "विकास" (उत्परिवर्तन और चयन - Mutation and Selection)
यहीं असली जादू होता है। सिस्टम केवल विजेता को चुनकर रुक नहीं जाता। यह कई दौरों (पीढ़ियों) में समाधानों को विकसित करता है।
- निचला 25% (हारने वाले): सबसे खराब समाधानों को कचरे में डाल दिया जाता है।
- ऊपरी 25% (कुलीन/एलीट): सबसे अच्छे समाधानों को सुरक्षित रखा जाता है, लेकिन उन्हें सुधारने का मौका भी मिलता है।
- मध्यम 75% (उत्परिवर्तक/म्यूटेटर्स): AI "आलोचनाओं" (वे कारण जिनसे एक समाधान दूसरे से बेहतर बना) का उपयोग करता है और उन आलोचनाओं के आधार पर समाधानों को फिर से लिखता है।
- उपमा: कल्पना कीजिए कि एक कोच खिलाड़ियों से बात कर रहा है। केवल यह कहने के बजाय कि "आपने अच्छा किया," कोच कहता है, "आप इसलिए हारे क्योंकि आपकी दौड़ने की गति बहुत धीमी थी।" खिलाड़ी फिर उस विशिष्ट फीडबैक का उपयोग अपनी रणनीति बदलने के लिए करते हैं। यदि फीडबैक सुझाव देता है कि एक पूरी तरह से नए दृष्टिकोण की आवश्यकता है, तो AI समाधान को पूरी तरह से फिर से लिख सकता है।
5. "अंतिम मुकाबला" (Final Showdown)
इस "टूर्नामेंट और प्रशिक्षण" लूप के कुछ राउंड के बाद, सिस्टम शेष शीर्ष समाधानों के बीच एक अंतिम, बहुत विस्तृत तुलना करता है ताकि सबमिट करने के लिए एक एकल सबसे अच्छा उत्तर चुना जा सके।
यह एक बड़ी बात क्यों है?
- "चीट शीट" की आवश्यकता नहीं: आमतौर पर, यह जानने के लिए कि AI सही है या नहीं, आपको एक मानव या कंप्यूटर प्रोग्राम की आवश्यकता होती है जो उत्तर की जाँच करे (एक "वेरिफायर")। OpenDeepThink को इसकी आवश्यकता नहीं है। यह AI द्वारा स्वयं के विरुद्ध स्वयं की तुलना करने के माध्यम से सबसे अच्छा उत्तर खोज लेता है।
- कठिन समस्याओं में बेहतर: इस शोध पत्र ने बहुत कठिन कोडिंग समस्याओं (जैसे प्रतिस्पर्धी प्रोग्रामिंग में) पर इसका परीक्षण किया। उन्होंने पाया कि इस पद्धति ने एक शीर्ष-स्तरीय AI (Gemini 3.1 Pro) को एक बहुत उच्च-स्तरीय विशेषज्ञ के रूप में प्रदर्शन करने में सक्षम बनाया, जिससे इसकी "कौशल रेटिंग" में 400 से अधिक अंकों की वृद्धि हुई।
- यह अपनी सीमाओं को जानता है: यह विधि उन विषयों पर बहुत अच्छा काम करती है जिनके स्पष्ट सही/गलत उत्तर होते हैं (जैसे गणित या कोडिंग)। हालाँकि, व्यक्तिपरक विषयों (जैसे निबंध लिखना या इतिहास पर चर्चा करना) पर, यह कभी-कभी बदतर हो जाती है। ऐसा इसलिए है क्योंकि "विचारों" की तुलना करना "तथ्यों" की तुलना करने से कठिन है। यदि रेफरी (AI) एक अच्छे विचार और एक बुरे विचार के बीच अंतर नहीं कर पाता है, तो पूरा सिस्टम भ्रमित हो जाता है।
लागत (The Cost)
इसका समझौता गति और लागत के साथ है। क्योंकि AI को 20 उत्तर उत्पन्न करने, जोड़ों में उनकी तुलना करने और उन्हें कई बार फिर से लिखने के लिए कहा जाता है, इसमें बहुत अधिक कंप्यूटिंग शक्ति और समय लगता है (उनके परीक्षण में प्रति समस्या लगभग 27 मिनट)। यह एक समस्या को हल करने के लिए केवल एक व्यक्ति को पूछने के बजाय, विशेषज्ञों की एक पूरी टीम और न्यायाधीशों के एक पैनल को काम पर रखने जैसा है।
संक्षेप में: OpenDeepThink AI तर्क (reasoning) को एक "सोलो स्प्रिंट" से बदलकर एक "टीम टूर्नामेंट" में बदल देता है। खुद के खिलाफ प्रतिस्पर्धा करके और तुलना के माध्यम से अपनी गलतियों से सीखकर, यह कठिन समस्याओं को अकेले की तुलना में बहुत बेहतर तरीके से हल करता 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।