💻 computer science

AMR-SD: Asymmetric Meta-Reflective Self-Distillation for Token-Level Credit Assignment

यह शोध पत्र एसिमेट्रिक मेटा-रिफ्लेक्टिव सेल्फ-डिस्टिलेशन (AMR-SD) का प्रस्ताव करता है, जो एक नवीन ढांचा है जो सुकराती संकेतों (Socratic hints) में नैदानिक संकेतों को संकुचित करके और स्पार्स, सटीक एडवांटेज मॉड्यूलेशन प्राप्त करने के लिए कॉज़ल इंफॉर्मेशन गेन को लागू करके LLM सुदृढीकरण शिक्षण (reinforcement learning) में टोकन-स्तरीय क्रेडिट असाइनमेंट बाधा को दूर करता है, जिससे प्रशिक्षण पतन (training collapse) को रोका जा सकता है और जटिल तर्क बेंचमार्क पर मौजूदा बेसलाइन की तुलना में महत्वपूर्ण रूप से बेहतर प्रदर्शन किया जा सकता है।

मूल लेखक: Zhenlin Wei, Pu Jian, Yingzhuo Deng, Xiaohan Wang, Jiajun Chai, Zhexin Hu, Wei Lin, Shanbin Zhang, Guojun Yin

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhenlin Wei, Pu Jian, Yingzhuo Deng, Xiaohan Wang, Jiajun Chai, Zhexin Hu, Wei Lin, Shanbin Zhang, Guojun Yin

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 प्रतिभाशाली लेकिन थोड़े भ्रमित छात्र (AI) को जटिल पहेलियाँ, जैसे उन्नत गणित की समस्याएँ या वैज्ञानिक रहस्य, हल करना सिखा रहे हैं। आप चाहते हैं कि छात्र केवल अंतिम उत्तर ही न सीखे, बल्कि यह भी सीखे कि हर एक चरण के माध्यम से कैसे सोचा जाए।

यह शोध पत्र एक नई शिक्षण पद्धति पेश करता है जिसे AMR-SD (असिमेट्रिक मेटा-रिफ्लेक्टिव सेल्फ-डिस्टिलेशन) कहा जाता है। इसे समझने के लिए कि यह क्यों विशेष है, आइए पुराने तरीकों की समस्याओं को देखें।

समस्या: "एक ही आकार सबके लिए" वाला ग्रेड

अतीत में, जब AI मॉडल अपनी गलतियों से सीखने की कोशिश करते थे, तो वे GRPO नामक एक विधि का उपयोग करते थे। कल्पना कीजिए कि एक शिक्षक 10 पन्नों के निबंध का ग्रेड दे रहा है। यदि निबंध को कुल मिलाकर "A" ग्रेड मिलता है, तो शिक्षक निबंध के प्रत्येक शब्द को एक स्वर्ण स्टार देता है। यदि इसे "F" मिलता है, तो वह प्रत्येक शब्द पर लाल "X" लगा देता है।

यह अनुचित है। हो सकता है कि छात्र ने बीच में एक शानदार, तार्किक वाक्य लिखा हो, लेकिन क्योंकि अंतिम उत्तर गलत था, उस शानदार वाक्य को भी दंडित किया जाता है। इसके विपरीत, अंत में की गई एक किस्मत वाली तुक्काबाजी को भी उतना ही पुरस्कृत किया जाता है जितना कि एक कठिन तार्किक निष्कर्ष को। इसे क्रेडिट असाइनमेंट बॉटलनेक कहा जाता है: AI यह नहीं बता पाता कि किन विशिष्ट शब्दों ने मदद की और किन ने नुकसान पहुँचाया।

पुराना "स्व-शिक्षण" जाल

इसे ठीक करने के लिए, शोधकर्ताओं ने सेल्फ-डिस्टिलेशन का प्रयास किया। यह ऐसा है जैसे छात्र खुद को खुद ही पढ़ा रहा हो। छात्र एक उत्तर लिखता है, फिर "शिक्षक" (जो वास्तव में वही छात्र है, लेकिन एक चीट शीट के साथ) उसके काम को ग्रेड देता है।

हालाँकि, इसमें एक बड़ी खामी थी। यदि शिक्षक के पास चीट शीट (सही, कच्चा उत्तर) उनके सामने है, तो वे "सब कुछ जानने वाले" बन जाते हैं। वे कह सकते हैं, "खैर, जाहिर है कि उत्तर 42 है, इसलिए आपने जो कुछ भी लिखा वह गलत ही होगा यदि वह 42 नहीं था।" इससे छात्र केवल चीट शीट को रटने लगता है बजाय तर्क करने के। अंततः, छात्र भ्रमित हो जाता है, सोचना बंद कर देता है, और सीखने की प्रक्रिया ढह जाती है।

नया समाधान: AMR-SD

लेखक AMR-SD प्रस्तावित करते हैं, जो तीन चतुर तरीकों से खेल को बदल देता है:

1. "सुक्रेटिक कोच" (मेटा-रिफ्लेक्शन)

शिक्षक को कच्चे चीट शीट (सही उत्तर) को देखने देने के बजाय, AMR-SD शिक्षक को पहले यह बताने के लिए मजबूर करता है कि क्या सही हुआ या क्या गलत हुआ, एक छोटा, सहायक नोट लिखें।

यदि छात्र ने सही किया: शिक्षक एक "संकेत" (Hint) लिखेगा जैसे, "बहुत अच्छा! आपने समस्या को दो भागों में विभाजित करना याद रखा।"
यदि छात्र ने गलत किया: शिक्षक एक "आलोचना" (Critique) लिखेगा जैसे, "आप उस चरण को भूल गए जहाँ संख्याओं को स्वतंत्र होना चाहिए था।"

शिक्षक फिर छात्र के काम को ग्रेड देने के लिए केवल इस छोटे नोट का उपयोग करता है। यह एक कोच की तरह है जो उत्तर देने के बजाय संकेत देता है। यह छात्र को केवल समाधान रटने से रोकता है और उन्हें तर्क को समझने के लिए मजबूर करता है।

2. "स्पॉटलाइट" (कॉज़ल इंफॉर्मेशन गेन)

एक बार जब शिक्षक संकेत या आलोचना दे देता है, तो सिस्टम को यह तय करने की आवश्यकता होती है कि छात्र के निबंध के किन विशिष्ट शब्दों को स्वर्ण स्टार या लाल "X" मिलना चाहिए।

सिस्टम कॉज़ल इंफॉर्मेशन गेन (CIG) नामक एक मीट्रिक का उपयोग करता है। इसे एक स्पॉटलाइट की तरह समझें।
यदि छात्र ने एक ऐसा शब्द लिखा जिसके बारे में "हिंट-टीचर" को अत्यधिक संभावना थी, लेकिन छात्र अनिश्चित था, तो स्पॉटलाइट उस शब्द पर तेज चमकती है, कहती है, "यह एक बेहतरीन चाल है! ऐसा और करें!"
यदि छात्र आत्मविश्वास के साथ गलत था, तो स्पॉटलाइट कहती है, "रुकिए! यह रास्ता बुरा है।"

महत्वपूर्ण बात यह है कि यह स्पॉटलाइट असिमेट्रिक है। यह छोटे, शोर वाले गलतियों (चैटर को फ़िल्टर करने) को अनदेखा करने के बारे में बहुत सख्त है, लेकिन जब यह वास्तव में किसी शानदार या वास्तव में भयानक चाल को पाती है, तो यह बहुत मुखर हो जाती है। यह सुनिश्चित करता है कि छात्र महत्वपूर्ण क्षणों से सीखे, न कि छोटे, भ्रमित करने वाले क्षणों से।

3. "फेडिंग ट्रेनिंग व्हील्स" (टेम्पोरल एनीलिंग)

प्रशिक्षण के बिल्कुल शुरुआत में, छात्र को बहुत मदद की आवश्यकता होती है, इसलिए "संकेतों" और "आलोचनाओं" का भारी उपयोग किया जाता है। लेकिन जैसे-जैसे छात्र स्मार्ट होता जाता है, शिक्षक के संकेत दोहराव वाले या थोड़े गलत भी हो सकते हैं क्योंकि छात्र बुनियादी बातें सीख चुका होता है।

AMR-SD एक शेड्यूल शामिल करता है जो समय के साथ संकेतों की आवाज़ को धीरे-धीरे कम करता जाता है।
अंततः, छात्र अपने स्वयं के आंतरिक तर्क और अंतिम परिणाम (क्या उन्होंने उत्तर सही पाया?) पर अधिक भरोसा करता है, न कि शिक्षक की निरंतर फुसफुसाहट पर। यह छात्र को शिक्षक पर निर्भर होने से रोकता है और यह सुनिश्चित करता है कि वे लंबे समय में समस्याओं को स्वयं हल कर सकें।

परिणाम

इस पद्धति का परीक्षण कठिन कार्यों पर किया गया जैसे:

विज्ञान: रसायन विज्ञान, भौतिकी, जीव विज्ञान।
गणित: कठिन प्रतियोगितात्मक समस्याएँ (जैसे AIME और HMMT)।
टूल्स: समस्याओं को हल करने के लिए सॉफ़्टवेयर टूल का उपयोग करना।

परिणाम:

स्थिरता: अन्य विधियों के विपरीत जो मजबूत शुरुआत करती हैं और फिर गिर जाती हैं (लेट-स्टेज कोलैप्स), AMR-SD समय के साथ बेहतर और अधिक स्थिर होता जाता है।
सटीकता: AI ने अधिक गहराई से तर्क करना सीखा। इसने केवल उत्तर नहीं रटे; इसने अपनी तार्किक त्रुटियों को पहचानना सीखा।
दक्षता: AI ने "बड़बड़ाना" (बिना सोचे-समझे बहुत अधिक बोलना) बंद कर दिया और अधिक स्पष्ट रूप से सोचना शुरू कर दिया, जिससे सही रास्ता तेजी से मिला।

सारांश में

AMR-SD एक मास्टर कोच की तरह है जो छात्र को उत्तर कुंजी देने से इनकार करता है। इसके बजाय, कोच एक छोटा, स्मार्ट नोट लिखता है कि कोई चाल क्यों अच्छी या बुरी थी। छात्र इन नोट्स को सुनने, केवल सबसे महत्वपूर्ण पाठों पर ध्यान केंद्रित करने और अंततः खुद को कोचिंग देने के लिए सीखता है। यह एक ऐसे AI की ओर ले जाता है जो न केवल स्मार्ट है, बल्कि जटिल समस्याओं को हल करते समय अधिक स्थिर और विश्वसनीय भी है।

तकनीकी सारांश: AMR-SD

समस्या विवरण (Problem Statement)

जटिल तर्क कार्यों (complex reasoning tasks) के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) का संरेखण (alignment) तेजी से 'वेरिफिएबल रिवॉर्ड्स के साथ रीइन्फोर्समेंट लर्निंग' (RLVR) पर निर्भर हो रहा है। मानक एल्गोरिदम, जैसे कि ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO), स्पार्स सीक्वेंस-लेवल आउटकम्स से एडवांटेज का अनुमान लगाते हैं, लेकिन वे पूरे रोलआउट के भीतर सभी टोकन पर एक समान एडवांटेज स्केलर लागू करते हैं। यह एक गंभीर क्रेडिट-असाइनमेंट बॉटलनेक (credit-assignment bottleneck) पैदा करता है, जहाँ महत्वपूर्ण तार्किक निष्कर्षों और सतही शैलीगत विकल्पों को समान रिवॉर्ड सिग्नल प्राप्त होते हैं, जिससे तर्क संबंधी कार्यों का अनुकूलन (optimization) बाधित होता है।

इस समस्या के समाधान के लिए, समुदाय ने ऑन-पॉलिसी सेल्फ-डिस्टिलेशन (OPD) की खोज की है, जहाँ मॉडल विशेषाधिकार प्राप्त जानकारी (जैसे कि ग्राउंड-ट्रुथ सॉल्यूशंस) के आधार पर स्वयं का शिक्षक (teacher) बनता है। हालाँकि, मौजूदा दृष्टिकोणों में तीन प्राथमिक सीमाएँ हैं:

सूचना रिसाव और ओवर-कंडीशनिंग (Information Leakage and Over-Conditioning): शिक्षक को सीधे रॉ ऑरेकल सॉल्यूशंस के संपर्क में लाने से ओवर-कंडीशन्ड डिस्ट्रीब्यूशन और निहित उत्तर रिसाव (implicit answer leakage) होता है, जो छात्र (student) की अंतर्निहित चिंतन क्षमताओं को कम करता है।
सिग्नल डैम्पिंग (Signal Dampening): क्योंकि विशेषाधिकार प्राप्त संदर्भ (privileged context) शिक्षक के आउटपुट डिस्ट्रीब्यूशन को विशिष्ट ऑरेकल टोकन की ओर सीमित कर देता है, इसलिए छात्र द्वारा उत्पन्न टोकन के लिए शिक्षक की संभावनाएँ अक्सर व्यवस्थित रूप से कम होती हैं। इसके कारण निरंतर स्केलिंग मल्टीप्लायर्स मुख्य रूप से 1 से कम होते हैं, जो प्राथमिक रिवॉर्ड सिग्नल को कमजोर (dampen) कर देते हैं।
विलंबित-चरण पतन (Late-Stage Collapse): सूचना विषमता (information asymmetry) और सिग्नल डैम्पिंग का संयोजन अक्सर प्रशिक्षण के अंतिम चरणों में प्रशिक्षण पतन (training collapse) की ओर ले जाता है, जहाँ मॉडल सामान्यीकरण करने या स्थिर होने में विफल रहता है।

कार्यप्रणाली: AMR-SD (Methodology: AMR-SD)

लेखक एसिमेट्रिक मेटा-रिफ्लेक्टिव सेल्फ-डिस्टिलेशन (AMR-SD) का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जिसे क्रेडिट-असाइनमेंट बॉटलनेक को हल करने और सूचना रिसाव एवं सिग्नल डैम्पिंग को रोकने के लिए डिज़ाइन किया गया है। यह विधि तीन क्रमिक चरणों के माध्यम से कार्य करती है:

1. मेटा-रिफ्लेक्शन के माध्यम से सोक्रेटिक रीस्कोरिंग (Socratic Rescoring via Meta-Reflection)

शिक्षक को सीधे रॉ ग्राउंड-ट्रुथ सॉल्यूशंस के आधार पर कंडीशन करने के बजाय, AMR-SD एक मेटा-रिफ्लेक्शन (Meta-Reflection) चरण पेश करता है। मॉडल प्रक्षेपवक्र (trajectory) के परिणाम के आधार पर संक्षिप्त, प्राकृतिक भाषा वाले "सोक्रेटिक" लक्ष्यों को उत्पन्न करता है:

हिंट्स (Hints): सफल प्रक्षेपवक्रों के लिए, मॉडल एक संकेत (hint) उत्पन्न करता है जो अंतिम उत्तर प्रकट किए बिना अंतर्निहित तर्क सिद्धांतों को संकुचित (distill) करता है।
क्रिटिक्स (Critiques): विफल प्रक्षेपवक्रों के लिए, मॉडल एक लक्षित आलोचना उत्पन्न करता है जो तार्किक या सिंटैक्टिक विचलन का निदान करता है।
तंत्र (Mechanism): ये रिफ्लेक्शन, डायग्नोस्टिक स्रोतों (वेरिफायर आउटकम्स, पीयर रोलआउट्स) और टोकन-रीस्कोरिंग शिक्षक के बीच एक लो-बैंडविड्थ बॉटलनेक के रूप में कार्य करते हैं। यह शिक्षक को रॉ ऑरेकल ट्रेसेस देखने से रोकता है, जिससे ओवर-कंडीशनिंग और उत्तर रिसाव को कम किया जा सके, जबकि आवश्यक मार्गदर्शन सुरक्षित रहे।

2. कॉज़ल इंफॉर्मेशन गेन (CIG) का परिमाणीकरण

इन रिफ्लेक्शन्स को टोकन-लेवल एडवांटेज मॉड्यूलेशन में बदलने के लिए, लेखक कॉज़ल इंफॉर्मेशन गेन (CIG) पेश करते हैं। CIG, संदर्भ-जागरूक सोक्रेटिक शिक्षक (रिफ्लेक्शन के आधार पर कंडीशन किया गया) और छात्र पॉलिसी के बीच पॉइंटवाइज लॉग-लाइक्लीहुड अनुपात को मापता है:
$ICIG_t = \log \left( \frac{\pi_{\theta_{sg}}(a_t | s_t, c_i)}{\pi_{\theta}(a_t | s_t)} \right)$
जहाँ $c_i$ उत्पन्न किया गया रिफ्लेक्शन है। संख्यात्मक स्थिरता और बाउंडेड लिप्सचिट्ज़ निरंतरता (Lipschitz continuity) सुनिश्चित करने के लिए, इस मान को $[-\kappa, \kappa]$ रेंज में सममित रूप से क्लैंप किया जाता है।

3. एसिमेट्रिक टोकन-लेवल एडवांटेज मॉड्यूलेशन

मुख्य नवाचार यह है कि CIG को कैसे लागू किया जाता है। निरंतर रूप से एडवांटेज को स्केल करने के बजाय, AMR-SD एक एसिमेट्रिक, ReLU-गेटेड थ्रेशोल्ड ( $\tau$ ) का उपयोग करता है:

स्पर्सिटी (Sparsity): यह तंत्र एक सख्त गेटकीपर के रूप में कार्य करता है। यह बेसलाइन एनवायर्नमेंटल रिवॉर्ड को डिफ़ॉल्ट रूप से सुरक्षित रखता है और केवल तभी समायोजन ट्रिगर करता है जब CIG सिग्नल थ्रेशोल्ड $\tau$ से अधिक हो जाता है।
एसिमेट्री (Asymmetry): मॉड्यूलेशन को अलग-अलग गुणांकों ( $\lambda$ $λ$ हिंट्स के लिए, $\gamma$ $γ$ क्रिटिक्स के लिए) का उपयोग करके सकारात्मक और नकारात्मक रोलआउट्स के लिए अलग किया गया है।
- सफल रोलआउट्स ( $A_i \ge 0$ ) के लिए, एडवांटेज को केवल तभी बढ़ाया जाता है जब छात्र ने शिक्षक से कम प्रदर्शन किया हो ( $CIG_t > \tau$ )।
- विफल रोलआउट्स ( $A_i < 0$ ) के लिए, दंड (penalty) को केवल तभी बढ़ाया जाता है जब छात्र त्रुटिपूर्ण रूप से अत्यधिक आत्मविश्वासी (over-confident) था ( $CIG_t < -\tau$ )।
टेम्पोरल एनीलिंग (Temporal Annealing): प्रशिक्षण के अंतिम चरणों में खराब रिफ्लेक्शन सिग्नल्स के प्रति ओवरफिटिंग को रोकने के लिए, मॉड्यूलेशन गुणांक ( $\lambda, \gamma$ ) को शून्य तक रैखिक रूप से कम (decay) किया जाता है, जिससे अनुकूलन का ध्यान पूरी तरह से शुद्ध एनवायर्नमेंटल रिवॉर्ड की ओर स्थानांतरित हो जाता है।

प्रमुख योगदान (Key Contributions)

मेटा-रिफ्लेक्शन प्रतिमान (Meta-Reflection Paradigm): एक स्व-जनित रिफ्लेक्शन बॉटलनेक (हिंट्स/क्रिटिक्स) का परिचय जो सीधे ग्राउंड-ट्रुथ कंडीशनिंग की जगह लेता है। यह सूचना विषमता को कम करता है और विशेषाधिकार प्राप्त सूचना स्रोतों को त्याग बिना टोकन-लेवल क्रेडिट सिग्नल्स के अंशांकन (calibration) में सुधार करता है।
कॉज़ल इंफॉर्मेशन गेन (CIG): एक नया मीट्रिक जिसे एक एसिमेट्रिक, थ्रेशोल्ड-गेटेड (ReLU) तंत्र के साथ जोड़ा गया है। यह स्पार्स, सटीक टोकन-लेवल एडवांटेज मॉड्यूलेशन को सक्षम बनाता है जो बेसलाइन रीइन्फोर्समेंट सिग्नल को संरक्षित करते हुए डिस्ट्रीब्यूशनल नॉइज़ को फ़िल्टर करता है।
AMR-SD फ्रेमवर्क: एक पूर्ण प्रशिक्षण फ्रेमवर्क जो मेटा-रिफ्लेक्शन, CIG और टेम्पोरल एनीलिंग को एकीकृत करता है। यह मजबूत लॉन्ग-होरिजन स्थिरता प्राप्त करता है और पूर्ववर्ती सेल्फ-डिस्टिलेशन विधियों में देखे गए गंभीर पॉलिसी पतन (policy collapse) को सफलतापूर्वक रोकता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने Qwen3-8B और Qwen2.5-7B-Instruct बैकबोन का उपयोग करके वैज्ञानिक तर्क, गणितीय तर्क और टूल-यूज़ बेंचमार्क पर AMR-SD का मूल्यांकन किया।

वैज्ञानिक तर्क और टूल यूज़: SciKnowEval बेंचमार्क (रसायन विज्ञान, भौतिकी, जीव विज्ञान, सामग्री) और ToolAlpaca पर, AMR-SD ने अभिसरण (convergence) के समय (स्टेप 75) उच्चतम या उच्चतम के करीब स्कोर प्राप्त किया। विशेष रूप से, इसने जीव विज्ञान कार्यों पर GRPO की तुलना में काफी बेहतर प्रदर्शन किया (Qwen3-8B पर GRPO के लिए 56.5 बनाम 63.7) और बेहतर स्थिरता प्रदर्शित की, जिससे RLSD और SDPO जैसे बेसलाइन्स में देखी गई प्रदर्शन गिरावट से बचा जा सका।
गणितीय तर्क: AIME 24/25, AMC 23, और HMMT बेंचमार्क पर, AMR-SD ने सबसे अच्छा औसत स्कोर (62.7) प्राप्त किया, जो GRPO (60.3) और RLSD (57.2) से बेहतर है। लाभ सबसे अधिक जटिल मल्टी-स्टेप कार्यों पर स्पष्ट थे (जैसे, GRPO पर HMMT पर +2.9), जो जटिल तर्क श्रृंखलाओं के लिए बेहतर सामान्यीकरण का सुझाव देते हैं।
प्रशिक्षण गतिशीलता (Training Dynamics): शुरुआती बढ़त के बाद पठार (plateau) या पतन दिखाने वाले बेसलाइन्स के विपरीत, AMR-SD एक विशिष्ट कन्वर्जेंस प्रोफाइल दिखाता है: यह कभी-कभी शुरुआती अभिसरण में पीछे रह जाता है (स्थिरता के लिए गति का त्याग करता है) लेकिन बेहतर लॉन्ग-रन ऑप्टिमाइजेशन प्राप्त करता है और SDPO में देखे गए गंभीर पॉलिसी पतन से बचता है।
एब्लेशन अध्ययन (Ablation Studies): मेटा-रफ्लेक्शन को हटाने (डायरेक्ट ग्राउंड-ट्रुथ कंडीशनिंग पर वापस जाने) से सटीकता में 3.8 अंक की कमी आई। CIG थ्रेशोल्ड या एसिमेट्रिक ReLU गेट को हटाने से भी प्रदर्शन गिर गया, जो स्पर्सिटी और दिशात्मक फ़िल्टरिंग की आवश्यकता की पुष्टि करता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि AMR-SD जटिल तर्क और एजेंटिक कार्यों पर LLMs को संरेखित करने के लिए एक अत्यधिक मजबूत और स्केलेबल समाधान प्रदान करता है। डिस्ट्रीब्यूशनल नॉइज़ को प्रभावी ढंग से फ़िल्टर करके और टेम्पोरल एनीलिंग का उपयोग करके, यह फ्रेमवर्क लॉन्ग-होरिजन स्थिरता की गारंटी देता है और लेट-स्टेज ट्रेनिंग कोलैप्स को रोकता है।

महत्वपूर्ण रूप से, लेखक तर्क देते हैं कि AMR-SD अनावश्यक वर्बोसिटी (verbosity) को कम करके तर्क दक्षता में सुधार करता है और महत्वपूर्ण संज्ञानात्मक अन्वेषण (जैसे, सेल्फ-करेक्शन मार्कर्स) को सफलतापूर्वक संरक्षित करता है। यह पुष्टि करता है कि रिफ्लेक्शन बॉटलनेक पेश करने से डायरेक्ट आंसर कंडीशनिंग की कमजोरियों को कम करने में मदद मिलती है, जो प्रशिक्षण स्थिरता को बेहतर आउट-ऑफ-डोमेन सटीकता में बदल देता है।

स्वीकृत सीमाएँ (Limitations Acknowledged):
लेखक नोट करते हैं कि AMR-SD की प्रभावशीलता मॉडल की स्व-जनित मेटा-रिफ्लेक्शन की गुणवत्ता पर निर्भर है। उन मॉडल्स के साथ जिनमें कमजोर अंतर्दृष्टि क्षमताएं हैं (जैसे, नॉन-थिंकिंग मोड मॉडल्स), रिफ्लेक्शन की गुणवत्ता विश्वसनीय CIG सिग्नल देने के लिए अपर्याप्त हो सकती है, जिससे यह विधि GRPO की तुलना में कम प्रदर्शन कर सकती है। इसके अतिरिक्त, मेटा-रिफ्लेक्शन चरण प्रशिक्षण रोलआउट के दौरान मध्यम इन्फरेंस ओवरहेड (inference overhead) पेश करता है।