From Seeing to Thinking: Decoupling Perception and Reasoning Improves Post-Training of Vision-Language Models
यह शोध पत्र यह प्रदर्शित करता है कि विज़ुअल परसेप्शन (दृश्य धारणा), विज़ुअल रीजनिंग (दृश्य तर्क) और टेक्स्टुअल रीजनिंग (पाठ्य तर्क) के लिए विज़न-लैंग्वेज मॉडल के पोस्ट-ट्रेनिंग को अलग-अलग चरणों में विभाजित करना—विशेष रूप से सुदृढीकरण शिक्षण (रीइन्फोर्समेंट लर्निंग) के माध्यम से परसेप्शन अनुकूलन को प्राथमिकता देना—अत्यधिक रीजनिंग ट्रेसेस की आवश्यकता को कम करते हुए धारणा और तर्क दोनों की सटीकता में महत्वपूर्ण सुधार करता 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 जटिल गणितीय समस्या को हल करने की कोशिश कर रहे हैं, लेकिन समस्या कागज के एक टुकड़े पर लिखी है जहाँ एक महत्वपूर्ण संख्या पर धब्बा (smudge) लगा हुआ है।
यदि आप गणित के बारे में अधिक "सोचने" की कोशिश करेंगे, तो आप केवल एक अधिक आत्मविश्वासी, लेकिन पूरी तरह से गलत उत्तर प्राप्त करेंगे। आप यह समझाने के लिए एक लंबा, विस्तृत निबंध लिख सकते हैं कि उत्तर 50 क्यों है, जबकि धुंधली संख्या का अर्थ वास्तव में यह था कि उत्तर 5 होना चाहिए।
यह बिल्कुल वही है जो पेपर "From Seeing to Thinking" तर्क देता है कि वर्तमान AI मॉडल (Vision-Language Models) के साथ हो रहा है जो छवियों को देखते हैं और फिर उनके बारे में तर्क करने की कोशिश करते हैं।
यहाँ उनकी खोज और समाधान का विवरण दिया गया है, जिसे सरल उपमाओं (analogies) का उपयोग करके समझाया गया है:
समस्या: "आत्मविश्वासी लेकिन गलत" AI
पेपर पाता है कि जब ये AI मॉडल विजुअल कार्यों (जैसे ज्यामिति या चार्ट पढ़ना) में विफल होते हैं, तो यह शायद ही कभी इसलिए होता है क्योंकि वे गणित या तर्क नहीं कर सकते। यह इसलिए होता है क्योंकि वे शुरुआत में सही ढंग से "देख" नहीं पाते हैं।
- उपमा: कल्पना कीजिए कि एक जासूस अपराध को सुलझाने की कोशिश कर रहा है। यदि जासूस संदिग्ध के जूते का आकार पहचानने में गलती करता है (Perception Error), तो कोई भी शानदार जासूसी कार्य (Reasoning) मामले को हल नहीं कर पाएगा। वास्तव में, जासूस गलत जूते के आकार के बारे में जितना अधिक "सोचेगा", वह उतना ही लंबा, भ्रमित करने वाला रिपोर्ट लिखेगा जो गलत निष्कर्ष की ओर ले जाएगा।
- निष्कर्ष: लेखकों ने कई विफल AI प्रयासों का विश्लेषण किया और पाया कि 87% त्रुटियां एक साधारण विजुअल गलती (जैसे नंबर को गलत पढ़ना या आकार को गलत समझना) से शुरू हुईं। एक बार जब AI ने यह गलती कर दी, तो "लंबे समय तक सोचना" इसे ठीक नहीं कर सका; इसने केवल AI को अपनी गलती पर अड़े रहने के लिए प्रेरित किया।
समाधान: एक तीन-चरणीय प्रशिक्षण शिविर (Three-Step Training Camp)
वर्तमान में, अधिकांश AI प्रशिक्षण सब कुछ मिला देता है: यह मॉडल को एक साथ देखने, पढ़ने और सोचने के लिए सिखाता है। लेखक कहते हैं कि यह एक ही सबक में कार चलाने, इंजन ठीक करने और मानचित्र नेविगेट करने को सिखाने जैसा है। यह बहुत अव्यवस्थित है।
इसके बजाय, वे एक "स्टेज्ड ट्रेनिंग" (Staged Training) दृष्टिकोण का प्रस्ताव देते हैं, जो सीखने की प्रक्रिया को तीन अलग-अलग चरणों में विभाजित करता है:
- चरण 1: आँखें (विजुअल परसेप्शन - Visual Perception)
- लक्ष्य: AI को यह सिखाना कि चित्र में क्या है उसका सटीक वर्णन कैसे किया जाए, बिना अभी कोई समस्या हल करने की कोशिश किए।
- विधि: उन्होंने RL (Reinforcement Learning) नामक एक विशेष प्रकार के प्रशिक्षण का उपयोग किया। इसे एक सख्त कोच के रूप में सोचें जो AI को केवल तभी "थम्स अप" देता है जब वह एक विवरण (जैसे "वहाँ 7 स्ट्रीटलैंप हैं") को सही ढंग से पहचानता है और गलत अनुमान लगाने या भ्रमित होने पर "थम्स डाउन" देता है। उन्होंने पाया कि यह पुराने तरीके (SFT) की तुलना में बहुत बेहतर था, जिसमें केवल AI को कैप्शन के साथ चित्र दिखाए जाते थे, जो बिना विवरणों के परीक्षण के कहानी की किताब पढ़ने जैसा है।
- चरण 2: मस्तिष्क (टेक्स्टुअल रीजनिंग - Textual Reasoning)
- लक्ष्य: AI को शब्दों का उपयोग करके तार्किक रूप से सोचना सिखाना, लेकिन बिना किसी छवि के।
- उपमा: यह एक छात्र को डायग्राम देने से पहले व्हाइटबोर्ड पर गणित के सवाल सिखाने जैसा है।
- चरण 3: एकीकरण (विजुअल रीजनिंग - Visual Reasoning)
- लक्ष्य: अब जब AI की "अच्छी आँखें" और "प्रशिक्षित मस्तिष्क" हैं, तो उसे विजुअल पहेलियों को हल करने के लिए जोड़ना।
यह क्रम क्यों महत्वपूर्ण है?
लेखकों ने पाया कि प्रशिक्षण का क्रम महत्वपूर्ण है।
- सही तरीका: पहले आँखें बनाएं, फिर मस्तिष्क, फिर उन्हें मिलाएं।
- गलत तरीका: यदि आप AI को स्पष्ट रूप से देखना सीखने से पहले जटिल विजुअल पहेलियाँ हल करना सिखाते हैं, तो वह भ्रमित हो जाता है। यह एक बच्चे को शतरंज के मोहरों के हिलने का तरीका सिखाने से पहले शतरंज खेलना सिखाने जैसा है। पेपर ने दिखाया कि इस क्रम को उलटने से AI वास्तव में देखने और सोचने दोनों में और खराब हो गया।
परिणाम: स्मार्ट और तेज़
जब लेखकों ने अपने मॉडलों को इस नए "स्टेज्ड" तरीके से प्रशिक्षित किया, तो परिणाम प्रभावशाली थे:
- बेहतर सटीकता: मॉडल विजुअल मैथ और वास्तविक दुनिया के धारणा परीक्षणों में काफी बेहतर हो गए।
- कम सोचने का समय: यह सबसे आश्चर्यजनक हिस्सा है। क्योंकि मॉडलों की "आँखें अच्छी" थीं, उन्हें सही उत्तर पाने के लिए बहुत अधिक "सोचने" की आवश्यकता नहीं पड़ी।
- उपमा: खराब आँखों वाला मॉडल समस्या को बार-बार पढ़ता रहता है, छवि की जाँच करता है और अपने विचारों को फिर से लिखता रहता है क्योंकि वह अनिश्चित होता है। अच्छी आँखों वाला मॉडल उत्तर को तुरंत देख लेता है और एक संक्षिप्त, स्पष्ट समाधान लिखता है।
- डेटा: उनके मॉडलों ने पुराने मिश्रित तरीके के मुकाबले 1.5% अधिक सटीकता हासिल की और 20% कम "सोचने का समय" (छोटे टेक्स्ट रिस्पॉन्स) का उपयोग किया।
बड़ी तस्वीर: सीखने का एक नया तरीका
लेखक एक नया कॉन्सेप्ट भी पेश करते हैं जिसे "कैपेबिलिटी करिकुलम" (Capability Curriculum) कहा जाता है।
- पुराना तरीका: AI को आसान समस्याओं पर प्रशिक्षित करना, फिर मध्यम, फिर कठिन (कठिनाई-आधारित)।
- नया तरीका: AI को विशिष्ट कौशलों पर एक निश्चित क्रम में प्रशिक्षित करना (Perception Logic Reasoning)।
- जादू: उन्होंने पाया कि ये दोनों तरीके तब सबसे अच्छा काम करते हैं जब उन्हें मिला दिया जाता है। यह एक ऐसे स्कूल की तरह है जो विषयों (गणित, फिर विज्ञान) के आधार पर कक्षाएं आयोजित करता है और उन विषयों के भीतर पाठों को आसान से कठिन की ओर व्यवस्थित करता है। दोनों करने से AI को सर्वश्रेष्ठ परिणाम मिले।
संक्षेप में: छवियों के बारे में "सोचने" के लिए AI को बेहतर बनाने के लिए, हमें पहले यह सुनिश्चित करना होगा कि वह उन्हें वास्तव में सही ढंग से "देख" सके। इन कौशलों को अलग करने और उन्हें सही क्रम में प्रशिक्षित करके, हमें ऐसे मॉडल मिलते हैं जो न केवल स्मार्ट हैं बल्कि कुशल भी हैं, जो सरल विजुअल गलतियों पर अत्यधिक सोचने के जाल से बचते हैं।
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।