🤖 machine learning

When Is Rank-1 Steering Cheap? Geometry, Granularity, and Budgeted Search

यह शोध पत्र तर्क देता है कि एक्टिवेशन स्टीयरिंग प्रभावकारिता में परिवर्तनशीलता मुख्य रूप से रैंक-1 समाधानों की अनुपस्थिति के बजाय खोज की कठिनाई (search difficulty) द्वारा संचालित होती है, जो GRACE फ्रेमवर्क का प्रस्ताव करता है जो इष्टतम स्टीयरिंग दिशाओं के लिए कुशल, ज्यामिति-जागरूक बजट वाली खोज (geometry-aware budgeted search) को निर्देशित करने के लिए प्रॉम्प्ट-बाउंड्री संरेखण और एक नए "कॉन्सेप्ट ग्रैनुलैरिटी" मीट्रिक का लाभ उठाता है।

मूल लेखक: John T. Robertson, Jianing Zhu, Haris Vikalo, Zhangyang Wang

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: John T. Robertson, Jianing Zhu, Haris Vikalo, Zhangyang Wang

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 आपके पास एक विशाल, अविश्वसनीय रूप से बुद्धिमान रोबोट (एक Large Language Model) है जो कहानियाँ लिख सकता है, सवालों के जवाब दे सकता है और समस्याओं को हल कर सकता है। कभी-कभी, आप इस रोबोट को एक निश्चित तरीके से कार्य करने के लिए प्रेरित करना चाहते हैं—शायद अधिक "हास्यपूर्ण" (humorous), अधिक "पेशेवर" (professional), या कम "असभ्य" (rude) होने के लिए।

इसे करने का एक लोकप्रिय तरीका है जिसे एक्टिवेशन स्टीयरिंग (Activation Steering) कहा जाता है। इसे ऐसे समझें जैसे आप इस रोबोट के मस्तिष्क के भीतर एक विशिष्ट "वॉल्यूम नॉब" (volume knob) ढूंढ रहे हों। यदि आप इस नॉब को सही दिशा में घुमाते हैं, तो रोबोट वैसा ही व्यवहार करने लगता है जैसा आप चाहते हैं।

हालाँकि, इस शोध पत्र (paper) के लेखकों ने पाया कि यह विधि एक जुआ खेलने जैसा है। कभी-कभी यह पूरी तरह से काम करती है; अन्य समय में, यह पूरी तरह विफल हो जाती है। मुख्य प्रश्न जो उन्होंने पूछा था, वह था: यह इतना अनिश्चित क्यों है?

यहाँ इस पेपर की कहानी है, जिसे सरल अवधारणाओं और उपमाओं (analogies) में विभाजित किया गया है।

1. समस्या: ऐसा नहीं है कि नॉब मौजूद नहीं है; बल्कि यह है कि हम इसे ढूंढ नहीं पा रहे हैं

कई शोधकर्ताओं का मानना था कि समस्या यह है कि कुछ व्यक्तित्व लक्षण (जैसे "बुरा होना" या "मजाकिया होना") रोबोट के मस्तिष्क में किसी एक एकल "नॉब" के रूप में मौजूद नहीं होते। उन्हें लगा कि रोबोट बहुत जटिल है और इसमें एक साधारण स्विच काम नहीं करेगा।

लेखक तर्क देते हैं: नहीं, नॉब शायद वहीं है। समस्या यह है कि उसे ढूंढना महंगा और कठिन है।

उपमा: कल्पना कीजिए कि आप एक विशाल, अंधेरे गोदाम में एक विशिष्ट कुंजी (key) की तलाश कर रहे हैं। आप जानते हैं कि कुंजी मौजूद है, लेकिन गोदाम में 100 अलग-अलग कमरे (layers) हैं और कुंजी किसी भी शेल्फ (coefficient) पर हो सकती है। यदि आप बस रैंडम तरीके से दराजें खोलना शुरू कर देते हैं, तो आप पूरा दिन बिता सकते हैं और शायद उसे कभी न ढूंढ पाएं। पेपर का तर्क है कि कुंजी वहीं है, लेकिन हमारी खोज पद्धति बहुत अनाड़ी (clumsy) है।

2. पहली खोज: गोदाम के लिए एक "फ्लैशलाइट" (Flashlight)

लेखकों को एहसास हुआ कि इससे पहले कि आप खोजना शुरू करें, आप रोबोट के बोलने से ठीक पहले उसके "विचारों" (thoughts) को देख सकते हैं (प्रॉम्प्ट बाउंड्री पर)।

उपमा: कल्पना कीजिए कि जब रोबोट किसी विशिष्ट विषय (जैसे "खाना बनाना") के बारे में सोच रहा होता है, तो उसका मस्तिष्क एक विशिष्ट पैटर्न में चमकता है। यदि आप रोबोट के बोलने से पहले इस पैटर्न को देखते हैं, तो आप देख सकते हैं कि गोदाम का कौन सा कमरा कुंजी रखने के लिए सबसे अधिक संभावित है।
परिणाम: इस "फ्लैशलाइट" (जिसे वे प्रॉम्प्ट-बाउंड्री अलाइनमेंट कहते हैं) का उपयोग करके, वे उन 60% कमरों को छोड़ सके जिनकी उन्हें जांच करने की आवश्यकता नहीं थी। इसने बिना किसी प्रभावशीलता को खोए, खोजने की प्रक्रिया को बहुत तेज़ और सस्ता बना दिया।

3. दूसरी खोज: कुछ अवधारणाएं "आकार बदलने वाली" (Shapeshifters) होती हैं

फ्लैशलाइट के साथ भी, कुछ अवधारणाओं को नियंत्रित करना अभी भी कठिन था। क्यों?

लेखकों ने एक नया विचार पेश किया जिसे कॉन्सेप्ट ग्रैनुलैरिटी (Concept Granularity) कहा जाता है।

लो ग्रैनुलैरिटी (स्थिर): "गणित" की अवधारणा की कल्पना करें। कोई भी व्यक्ति सवाल पूछे या उसे कैसे भी प्रस्तुत करे, रोबोट का मस्तिष्क गणित के बारे में लगभग एक ही दिशा में सोचता है। यह एक ठोस, भारी पत्थर की तरह है। इसे नियंत्रित करना आसान है।
हाई ग्रैनुलैरिटी (अस्थिर): "हास्य" (Humor) की अवधारणा की कल्पना करें। एक व्यक्ति के लिए एक संदर्भ में जो बात मजेदार है, वह दूसरे संदर्भ में अपमानजनक हो सकती है। रोबोट का मस्तिष्क विशिष्ट प्रश्न के आधार पर अपनी दिशा बदल देता है। यह धुएं के बादल को नियंत्रित करने की कोशिश करने जैसा है; इसका आकार बदलता रहता है।
परिणाम: यदि कोई अवधारणा "हाई ग्रैनुलैरिटी" (बदलने वाली) है, तो कोई भी एकल नॉब हर स्थिति में पूरी तरह से काम नहीं करेगा। लेखकों ने पाया कि यदि कोई अवधारणा "शिफ्टिंग" (shifty) है, तो आप खोजने में अधिक समय खर्च करेंगे, और फिर भी, आपको पूर्ण परिणाम नहीं मिलेंगे। यह खोज में कोई त्रुटि (bug) नहीं है, बल्कि यह उस अवधारणा की अपनी विशेषता (feature) है।

4. समाधान: GRACE (स्मार्ट मैकेनिक)

लेखकों ने GRACE (Granularity- and Representation-Aware Concept Engineering) नामक एक वर्कफ़्लो बनाया। GRACE को एक स्मार्ट मैकेनिक के रूप में समझें जो कार को ठीक करने की कोशिश करने से पहले यह निदान (diagnose) करता है कि कार शुरू क्यों नहीं हो रही है।

GRACE तीन चीजें जाँचता है:

क्या शोर खराब निर्देशों से आ रहा है? (शायद रोबोट भ्रमित है क्योंकि दिए गए उदाहरण असंगत थे)।
- समाधान: उदाहरणों को साफ करें।
क्या सिग्नल बहुत कमजोर या बहुत तेज है? (शायद एक उदाहरण इतना जोर से चिल्ला रहा है कि वह दूसरों को दबा रहा है)।
- समाधान: उदाहरणों के वॉल्यूम को संतुलित करें।
क्या अवधारणा ही बहुत ज्यादा बदलने वाली है? (High Granularity)।
- समाधान: यह स्वीकार करें कि एक एकल नॉब हर चीज़ के लिए पूरी तरह से काम नहीं करेगा। एक "परफेक्ट" एकल दिशा खोजने में समय बर्बाद न करें; इसके बजाय, अपने खोज बजट का उपयोग उन हिस्सों पर करें जिन्हें सुधारा जा सकता है।

पेपर के दावों का सारांश

बदलाव: हमें यह नहीं पूछना चाहिए कि "क्या इस अवधारणा की एक स्टीयरिंग दिशा है?" बल्कि हमें यह पूछना चाहिए कि "उस दिशा को ढूंढना कितना सस्ता है?"
शॉर्टकट: आप रोबोट के बोलने से पहले उसके मस्तिष्क को देखकर यह अनुमान लगा सकते हैं कि स्टीयरिंग दिशा कहाँ छिपी है। इससे बहुत सारा समय बचता है।
सीमा: कुछ अवधारणाएं स्वाभाविक रूप से "शिफ्टिंग" (high granularity) होती हैं। इनके लिए, एक एकल स्टीयरिंग दिशा कभी भी पूर्ण नहीं होगी, चाहे आप कितनी भी खोज करें।
वर्कफ़्लो: खोजने के दायरे को सीमित करने के लिए "फ्लैशलाइट" का उपयोग करें, और यह जानने के लिए कि कब रुकना है और "पर्याप्त अच्छे" परिणाम को स्वीकार करना है, "ग्रैनुलैरिटी" की जांच का उपयोग करें।

यह पेपर क्या दावा नहीं करता है:

यह दावा नहीं करता है कि यह चिकित्सा निदान (medical diagnoses) या क्लिनिकल उपयोगों के लिए काम करता है।
यह दावा नहीं करता है कि यह AI को सामान्य अर्थों में "सुरक्षित" बनाएगा, केवल यह कि यह विशिष्ट व्यवहारों को नियंत्रित करना अधिक कुशल बनाता है।
यह सुझाव नहीं देता है कि हाई-ग्रैनुलैरिटी अवधारणाएं "टूटी हुई" हैं; यह केवल कहता है कि उन्हें एक साधारण स्विच के साथ नियंत्रित करना कठिन है।

संक्षेप में, यह पेपर हमें सिखाता है कि स्टीयरिंग नॉब खोजने के लिए दीवार पर सिर पटकना कैसे बंद करें, और इसके बजाय हमें उन नॉब्स को खोजने का नक्शा देता है जिन्हें घुमाना आसान है, जबकि हमें यह भी बताता है कि कौन से नॉब बहुत अधिक डगमगाने वाले हैं जिन्हें पूरी तरह से घुमाना असंभव है।

तकनीकी सारांश: रैंक-1 स्टीयरिंग कब सस्ता होता है? ज्यामिति, सूक्ष्मता (Granularity), और बजटित खोज

समस्या विवरण

एक्टिवेशन स्टीयरिंग (Activation steering) बड़े भाषा मॉडलों (LLMs) को बिना पुन: प्रशिक्षण के, रेसिडुअल स्ट्रीम में हस्तक्षेप करके नियंत्रित करने का एक हल्का तंत्र प्रदान करता है। हालाँकि, इसकी प्रभावशीलता विभिन्न अवधारणाओं (concepts) के बीच अत्यधिक असमान है। पूर्ववर्ती कार्य अक्सर इस परिवर्तनशीलता को 'प्रतिनिधित्व संबंधी व्यवहार्यता' (representational feasibility) के रूप में देखते हैं—यह विचार कि कुछ अवधारणाओं को सक्रियता स्थान (activation space) में एक एकल दिशा द्वारा कैप्चर करना संभव ही नहीं है।

यह शोध पत्र तर्क देता है कि मुख्य बाधा एक उपयोगी रैंक-1 दिशा का अस्तित्व नहीं है, बल्कि उसे खोजने की अनुकूलन कठिनाई (optimization difficulty) है। व्यावहारिक स्टीयरिंग में दो हाइपरपैरामीटरों पर खोज करना शामिल है: हस्तक्षेप परत ( $\ell$ ) और स्टीयरिंग गुणांक ( $\alpha$ )। लेखक तर्क देते हैं कि खोज का परिदृश्य अक्सर महंगा होता है क्योंकि:

प्रभावी हस्तक्षेप परतें अवधारणा-निर्भर होती हैं, जिससे निश्चित-परत मूल्यांकन रणनीतियाँ भ्रामक हो जाती हैं।
"सर्वश्रेष्ठ" स्टीयरिंग दिशा, उस कंट्रास्टिव एक्टिवेशन (contrastive activations) के अनुमान शोर (estimation noise) या संरचनात्मक विषमता से बाधित हो सकती है जिसका उपयोग वेक्टर बनाने के लिए किया जाता है।

मूल समस्या को पुनर्गठित किया गया है: रंक-1 स्टीयरिंग कब सस्ता और स्थिर होता है? यह शोध पत्र उच्च-उपयोगिता वाले हस्तक्षेपों को प्राप्त करने के लिए आवश्यक खोज बजट को कम करने और यह निदान करने का प्रयास करता है कि बेहतर खोज रणनीतियों के बावजूद कुछ अवधारणाएँ स्टीयर करने में कठिन क्यों बनी रहती हैं।

कार्यप्रणाली (Methodology)

1. प्रॉम्प्ट-बाउंड्री अलाइनमेंट: एक ज्यामितीय पूर्ववर्ती (Geometric Prior)

लेखक रैंक-1 स्टीयरिंग को एक बजट-बाधित अनुकूलन समस्या के रूप में औपचारिक रूप देते हैं। खोज को निर्देशित करने के लिए, वे प्रॉम्प्ट-बाउंड्री अलाइनमेंट ( $A_c(\ell)$ ) पेश करते हैं, जो किसी भी स्टीयरिंग खोज से पहले कंट्रास्टिव एक्टिवेशन से गणना की गई एक ज्यामितीय सांख्यिकी है।

परिभाषा: एक दिए गए कॉन्सेप्ट $c$ और लेयर $\ell$ के लिए, $A_c(\ell)$ यूनिट-नॉर्मलाइज्ड डिफरेंस वेक्टर्स ( $v^{(p,q)}_\ell = h_\ell(x^+) - h_\ell(x^-)$ ) का औसत पेयरवाइज कोसाइन सिमिलरिटी (pairwise cosine similarity) है, जिसकी गणना अंतिम प्रॉम्प्ट टोकन पर की जाती है।
परिकल्पना: उच्च अलाइनमेंट वाली परतें प्रॉम्प्ट जोड़ों के बीच एक सुसंगत दिशात्मक संकेत दर्शाती हैं, जो यह भविष्यवाणी करती हैं कि प्रभावी स्टीयरिंग हस्तक्षेप कहाँ उभर सकते हैं।
अनुप्रयोग: सभी परतों की खोज करने के बजाय, लेखक $A_c(\ell)$ का उपयोग परतों को रैंक करने और खोज स्थान को सीमित करने (जैसे, शीर्ष-15 परतें) के लिए करते हैं।

2. कॉन्सेप्ट ग्रैनुलैरिटी (Concept Granularity)

अनुकूलन कठिनाई और प्रदर्शन सीमा (performance ceilings) की परिवर्तनशीलता को समझाने के लिए, लेखक कॉन्सेप्ट ग्रैनुलैरिटी ( $G_c$ ) पेश करते हैं। यह मेट्रिक अलाइनमेंट को विषमता के दो स्रोतों में विभाजित करता है:

प्रश्न-के-भीतर सहमति ( $\gamma_c$ ): एक ही इनपुट प्रश्न के लिए विभिन्न प्रॉम्प्ट जोड़ों के बीच सहमति।
क्रॉस-क्वेश्चन सहमति ( $\lambda_c$ ): विभिन्न इनपुट प्रश्नों के माध्यम से प्रॉम्प्ट जोड़ों के बीच सहमति।
परिभाषा: $G_c(\ell) = \gamma_c(\ell) / A_c(\ell)$ $G_{c} (ℓ) = γ_{c} (ℓ) / A_{c} (ℓ)$ ।
- कम ग्रैनुलैरिटी ( $G_c \approx 1$ ): दिशाएँ वैश्विक रूप से सुसंगत हैं; प्रॉम्प्ट स्थानीय स्तर पर और विभिन्न प्रश्नों के बीच सहमत हैं।
- उच्च ग्रैनुलैरिटी ( $G_c \gg 1$ ): प्रॉम्प्ट एक विशिष्ट प्रश्न के भीतर स्थानीय रूप से सहमत होते हैं, लेकिन सहमत दिशा विभिन्न प्रश्नों के बीच व्यवस्थित रूप से घूमती (rotate) है।
निहितार्थ: उच्च ग्रैनुलैरिटी का अर्थ है कि एक एकल वैश्विक वेक्टर विविध संदर्भों के लिए एक खराब समझौता है, जिससे बेहतर खोज रणनीति के बावजूद, निम्नतम-प्राप्त उपयोगिता और धीमी अभिसरण (convergence) दर होती है।

3. GRACE वर्कफ़्लो

लेखक GRACE (Granularity- and Representation-Aware Concept Engineering) प्रस्तावित करते हैं, जो एक नैदानिक वर्कफ़्लो है जो स्टीयरिंग से पहले उपचार (remedies) चुनने के लिए एक्टिवेशन सांख्यिकी का उपयोग करता है:

निदान (Diagnose): अलाइनमेंट प्रोफाइल और ग्रैनुलैरिटी की गणना करें।
उपचार (Remedy):
- मैग्निट्यूड आउटलेयर्स (Magnitude Outliers): यदि मैग्निट्यूड वेरिएंस अधिक है, तो मानक DiffMeans के बजाय Unit-Mean निर्माण (वेक्टर्स को औसत करने से पहले नॉर्मलाइज करना) का उपयोग करें।
- प्रॉम्प्ट-पेयर विषमता: यदि प्रॉम्प्ट जोड़े अलग-अलग क्लस्टर बनाते हैं (सिमिलरिटी हीटमैप द्वारा पता लगाया गया), तो केवल सबसे बड़े सुसंगत उपसमुच्चय (subset) को औसत करने के लिए Clustering का उपयोग करें।
- रिप्रेजेंटेशनल फ्रैगमेंटेशन: यदि प्रॉम्प्ट-बाउंड्री और रिस्पॉन्स-एवरेज अलाइनमेंट प्रोफाइल सह-संबंधित नहीं हैं, तो केवल प्रॉम्प्ट-बाउंड्री परतों तक सीमित रहने के बजाय दोनों वेरिएंट्स के शीर्ष परतों के Union का उपयोग करें।
खोज (Search): प्रतिबंधित खोज स्थान पर ज्यामिति-निर्देशित बेयसियन ऑप्टिमाइज़ेशन (Tree-structured Parzen Estimator, TPE) लागू करें।

मुख्य परिणाम

खोज दक्षता (Search Efficiency)

ज्यामिति-निर्देशित खोज: प्रॉम्प्ट-बाउंड्री अलाइनमेंट द्वारा रैंक की गई शीर्ष-15 परतों तक खोज को सीमित करने से तीन मॉडल परिवारों (Gemma2-2B, Gemma3-27B, Llama3.3-70B) में सर्वश्रेष्ठ-प्राप्त उपयोगिता तक पहुँचने के लिए आवश्यक परीक्षणों की संख्या ( $T_{95}$ ) औसतन 39.8% कम हो गई।
प्रदर्शन संरक्षण: इस खोज लागत में कमी के साथ अंतिम उपयोगिता में नगण्य हानि (+0.16 का औसत परिवर्तन) हुई, और वास्तव में 58% रन में प्रदर्शन में सुधार हुआ। सबसे बड़े लाभ सबसे बड़े मॉडल (Llama3.3-70B) पर देखे गए, जहाँ $T_{95}$ में 42.7% की गिरावट आई।

ग्रैनुलैरिटी और प्रदर्शन

भविdtता (Predictive Power): कॉन्सेप्ट ग्रैनुलैरिटी अनुकूलन कठिनाई और प्रदर्शन सीमाओं, दोनों का एक मजबूत भविष्यवक्ता है।
- कठिनाई के साथ सहसंबंध: उच्च ग्रैनुलैरिटी अभिसरण के लिए आवश्यक परीक्षणों की संख्या के साथ सहसंबंधित है ( $r = 0.44, p < 0.001$ )।
- उपयोगिता के साथ सहसंबंध: उच्च ग्रैनुलैरिटी सर्वश्रेष्ठ-प्राप्त स्टीयरिंग उपयोगिता के साथ नकारात्मक रूप से सहसंबंधित है ( $r = -0.46, p < 0.001$ )।
विघटन (Decomposition): ANOVA विश्लेषण पुष्टि करता है कि "प्रश्न प्रभाव" (संदर्भ-निर्भर दिशात्मक रोटेशन) दिशात्मक भिन्नता के ~42% के लिए जिम्मेदार है, जो उच्च-ग्रैनुलैरिटी अवधारणाओं को एकल-वेक्टर रैंक-1 स्टीयरिंग के लिए मौलिक रूप से कठिन बनाता है।

GRACE की प्रभावशीलता

हटाने योग्य शोर (Removable Noise): निदान ने सफलतापूर्वक उन विशिष्ट (मॉडल, कॉन्सेप्ट) जोड़ों की पहचान की जहाँ अनुमान त्रुटियाँ (मैग्निट्यूड आउटलेयर्स, प्रॉम्प्ट असहमति, फ्रैगमेंटेशन) कठिनाई का प्राथमिक स्रोत थीं। संबंधित उपचार (Unit-Mean, Clustering, Union search) लागू करने से महत्वपूर्ण लाभ हुआ (जैसे, Gemma2-2B पर golden_gate_centric के लिए Unit-Mean के माध्यम से +6.54 उपयोगिता)।
सीमाएँ: ये उपचार उच्च ग्रैनुलैरिटी द्वारा निर्धारित प्रदर्शन सीमा को पार करने में विफल रहे। उच्च-ग्रैनुलैरिटी वाली अवधारणाएँ अनुमान त्रुटि के बजाय अपने आंतरिक क्रॉस-कॉन्टेक्स्ट रोटेशन के कारण निर्धारित सीमा के करीब ही रहीं, जो पुष्टि करता है कि उनकी कठिनाई अनुमान त्रुटि के बजाय अंतर्निहित है।

महत्व और दावे

यह शोध पत्र एक्टिवेशन स्टीयरिंग अनुसंधान के प्रतिमान (paradigm) में बदलाव का दावा करता है:

"रैंक-1 कब विफल होता है?" से "रंक-1 कब सस्ता होता है?" तक: लेखक तर्क देते हैं कि रैंक-1 स्टीयरिंग अक्सर व्यवहार्य होता है लेकिन उसे खोजना महंगा होता है। केंद्रीय चुनौती अनुकूलन लागत है, न कि प्रतिनिधित्व की असंभवता।
ज्यामिति एक क्रियाशील पूर्ववर्ती के रूप में: एक्टिवेशन ज्यामिति (विशेष रूप से प्रॉम्प्ट-बाउंड्री अलाइनमेंट) केवल एक वर्णनात्मक उपकरण नहीं है, बल्कि एक व्यावहारिक पूर्ववर्ती है जो स्टीयरिंग के लिए आवश्यक कम्प्यूटेशनल बजट को काफी कम कर सकता है।
नैदानिक के रूप में ग्रैनुलैरिटी: कॉन्सेप्ट ग्रैनुलैरिटी उन अवधारणाओं के बीच अंतर करती है जो ठीक करने योग्य अनुमान शोर के कारण कठिन हैं और जो अंतर्निहित क्रॉस-कॉन्टेक्स्ट रोटेशन के कारण कठिन हैं। यह चिकित्सकों को यह निदान करने की अनुमति देता है कि क्या कोई अवधारणा रैंक-1 स्टीयरिंग के प्रयास के लायक है या उसे अधिक जटिल, संदर्भ-अनुकूलित विधियों की आवश्यकता है।
व्यावहारिक वर्कफ़्लो (GRACE): यह पेपर एक ठोस, ट्रेनिंग-फ्री वर्कफ़्लो प्रदान करता है जो प्रमुख कठिनाई के स्रोत का निदान करके और उसके अनुसार अनुकूलन प्रयास आवंटित करके रैंक-1 स्टीयरिंग को अधिक विश्वसनीय और कुशल बनाता है।

लेखक निष्कर्ष निकालते हैं कि जबकि उच्च-ग्रैनुलैरिटी अवधारणाओं को भविष्य में टोकन-स्तरीय या संदर्भ-अनुकूलित स्टीयरिंग विधियों की आवश्यकता हो सकती है, वर्तमान रैंक-1 स्टीयरिंग परिदृश्य को खोज को निर्देशित करने और वेक्टर निर्माण के लिए ज्यामितीय निदानों का लाभ उठाकर महत्वपूर्ण रूप से सुधारा जा सकता है।