📊 statistics

TASTE: A Designer-Annotated Multi-Dimensional Preference Dataset for AI-Generated Graphic Design

यह शोध पत्र TASTE को प्रस्तुत करता है, जो नौ ग्राफिक डिज़ाइन मानदंडों के आधार पर पेशेवर डिजाइनरों द्वारा एनोटेट किया गया एक बहुआयामी प्राथमिकता डेटासेट है, और यह प्रदर्शित करता है कि जबकि वर्तमान AI मूल्यांकनकर्ता मानव सहमति के साथ तालमेल बिठाने में संघर्ष करते हैं, इस डेटासेट पर प्रशिक्षित एक विशेष मॉडल विशेषज्ञ निर्णयों के साथ संरेखण में महत्वपूर्ण सुधार करता है।

मूल लेखक: Haonan Zhu, Elad Hirsch, Alexandria Minetti, Allison Nulty, Purvanshi Mehta

प्रकाशित 2026-05-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haonan Zhu, Elad Hirsch, Alexandria Minetti, Allison Nulty, Purvanshi Mehta

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 बॉस हैं जो एक ग्राफिक डिजाइनर को काम पर रखने की कोशिश कर रहे हैं। आपके पास दो उम्मीदवार हैं, और आप अपनी पांच विशेषज्ञ डिजाइनरों की टीम से बेहतर वाले को चुनने के लिए कहते हैं।

आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में, हमने कंप्यूटर को चित्र बनाने के लिए एक बहुत ही सरल नियम सिखाने के लिए प्रशिक्षित किया है: "कौन सी फोटो अधिक वास्तविक दिखती है?" या "कौन सा चित्र अधिक सुंदर है?" यह बिल्लियों या सूर्यास्त की तस्वीरें बनाने के लिए बहुत अच्छा काम करता है। लेकिन जब बात ग्राफिक डिजाइन (जैसे पोस्टर, विज्ञापन या ऐप लेआउट) की आती है, तो केवल "सुंदर" होना काफी नहीं है। एक पोस्टर सुंदर हो सकता है लेकिन उसमें गलत फॉन्ट हो सकता है, टेक्स्ट में स्पेलिंग गलत हो सकती है, या रंग ब्रांड के साथ मेल नहीं खा सकते।

यह पेपर TASTE नामक एक नए टूल का परिचय देता है, जो AI को एक असली ग्राफिक डिजाइनर बनाना सिखाता है, न कि केवल एक सुंदर चित्र बनाने वाला जनरेटर।

यहाँ बताया गया है कि उन्होंने क्या किया, कुछ रोजमर्रा के उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "एक ही आकार सबके लिए" वाला जज

कल्पना कीजिए कि आप एक कुकिंग कॉन्टेस्ट (खाना पकाने की प्रतियोगिता) का निर्णय ले रहे हैं।

पुराने AI जज: वे केवल यह पूछते हैं, "क्या यह व्यंजन स्वादिष्ट दिखता है?" यदि भोजन अच्छा दिखता है, तो वे उसे उच्च स्कोर देते हैं, भले ही वह बहुत नमकीन हो या सही तापमान पर न हो।
वास्तविकता: असली शेफ (मानव डिजाइनर) भोजन का निर्णय कई अलग-अलग चीजों पर लेते हैं: क्या इसमें सही मसाला है? क्या प्लेटिंग साफ है? क्या शेफ ने रेसिपी का पालन किया? क्या उन्होंने सही सामग्री का उपयोग किया?

लेखकों ने पाया कि वर्तमान AI मॉडल को "स्वादिष्ट दिखने वाले भोजन" (फोटो-शैली के डेटा) पर प्रशिक्षित किया जा रहा है, लेकिन उन्हें "ऐसे भोजन पर प्रशिक्षित करने की आवश्यकता है जो रेसिपी का पालन करता है और जिसका स्वाद सही है" (ग्राफिक डिजाइन डेटा)। केवल एक "थम्स अप" लेबल पर्याप्त नहीं है क्योंकि यह छिपा देता है कि डिजाइन क्यों विफल हुआ।

2. समाधान: "TASTE" डेटासेट

टीम ने TASTE (Typography, Aesthetics, Spatial, Tone, Etc.) नामक एक डेटासेट बनाया है। इसे एक विस्तृत रिपोर्ट कार्ड की तरह समझें।

खिलाड़ी: उन्होंने 10 पेशेवर मानव डिजाइनरों को काम पर रखा।
प्रतियोगिता: उन्होंने चार अलग-अलग AI इमेज जनरेटरों को विशिष्ट प्रॉम्प्ट (जैसे "कॉफी शॉप के लिए एक फ्लायर बनाएं") के आधार पर डिजाइन बनाने के लिए कहा।
ग्रेडिंग: केवल "मुझे यह पसंद है" कहने के बजाय, डिजाइनरों ने AI को नौ विशिष्ट श्रेणियों में ग्रेड दिया:
- टाइपोग्राफी (Typography): क्या फॉन्ट का चुनाव और स्पेसिंग अच्छी है?
- विजुअल हायरार्की (Visual Hierarchy): क्या आप बता सकते हैं कि सबसे महत्वपूर्ण चीज़ क्या है जिसे देखना चाहिए?
- कलर हारमनी (Color Harmony): क्या रंग एक साथ अच्छे लगते हैं?
- स्पेशियल एक्यूरेसी (Spatial Accuracy): क्या लेआउट वहीं है जहाँ उसे होना चाहिए?
- हैलुसिनेशन (Hallucinations): क्या AI ने ऐसी चीजें बना दीं जो मांगी नहीं गई थीं (जैसे कॉफी शॉप के विज्ञापन में कुत्ता)?

उन्होंने प्रत्येक श्रेणी के लिए 1,600 अलग-अलग रेटिंग्स के लिए यह किया। यह एक बहुत स्पष्ट तस्वीर देता है कि मानव डिजाइनर वास्तव में किस बात पर ध्यान देते हैं।

3. "सत्य परीक्षण": क्या इंसान सहमत हैं?

इस डेटा का उपयोग AI को प्रशिक्षित करने के लिए करने से पहले, उन्हें यह सुनिश्चित करना था कि मानव डिजाइनर केवल अंदाजे से काम नहीं कर रहे हैं। इसके लिए उन्होंने तीन सांख्यिकीय "झूठ पकड़ने वाले" टेस्ट का उपयोग किया:

क्या वे रैंकिंग पर सहमत हैं? (जैसे 5 लोगों से उनके पसंदीदा आइसक्रीम फ्लेवर को रैंक करने के लिए कहना)।
क्या कोई स्पष्ट विजेता है? (क्या अधिकांश लोग शीर्ष पसंद पर सहमत हैं, या यह एक पूर्ण टाई है?)।
क्या कोई तार्किक लूप है? (यदि व्यक्ति A, X को Y से ऊपर रखता है, और Y को Z से ऊपर रखता है, तो क्या वे भी X को Z से ऊपर रखते हैं? या वे भ्रमित हो जाते हैं?)।

परिणाम: इंसान रैंडम गेस करने वालों की तुलना में बहुत अधिक सहमत थे, लेकिन उन लोगों की तुलना में कम सहमत थे जो इस पर सहमत होते हैं कि "क्या यह फोटो धुंधली है?" यह हमें बताता है कि ग्राफिक डिजाइन वस्तुनिष्ठ नियमों (जैसे स्पेलिंग) और व्यक्तिगत पसंद (जैसे रंगों का वाइब) का एक मिश्रण है। यह एक रेसिपी का पालन करने और एक कलाकार होने के बीच का "स्वीट स्पॉट" है।

4. वास्तविकता की जांच: क्या वर्तमान AI जज यह कर सकते हैं?

लेखकों ने आज उपलब्ध सबसे स्मार्ट AI जजों (रेफरी) का परीक्षण किया कि क्या वे यह अनुमान लगा सकते हैं कि मानव डिजाइनरों ने किसे चुना होगा।

स्कोर: सबसे अच्छे AI जजों ने लगभग 54% सटीकता प्राप्त की।
उपमा: यह एक सिक्का उछालने जैसा है। यदि आप सिक्के के उछाल से यह अनुमान लगाते हैं कि मानव डिजाइनर किसे चुनेंगे, तो आप 50% बार सही होंगे। AI जज केवल एक सिक्के के उछाल से थोड़े ही बेहतर हैं।
समस्या: बड़े AI मॉडल बहुत अधिक बेहतर नहीं हो पाए। ऐसा लगता है कि वर्तमान AI जज "सुंदर फोटो" पहचानने में तो अच्छे हैं लेकिन "अच्छा डिजाइन" पहचानने में बहुत खराब हैं। वे टेक्स्ट, लेआउट और विशिष्ट निर्देशों से भ्रमित हो जाते हैं।

5. नया "कोच": एक छोटा, विशेष मॉडल

चूंकि बड़े, सामान्य AI जज विफल रहे, इसलिए लेखकों ने एक छोटा, विशेष "कोच" (एक छोटा AI मॉडल) बनाया जिसे विशेष रूप से TASTE डेटा पर प्रशिक्षित किया गया है।

ट्रिक: केवल एक इमेज को देखने के बजाय, यह कोच दो इमेजेस को अगल-बगल देखता है और पूछता है, "इन दोनों के बीच क्या अंतर है जो एक को दूसरे से बेहतर बनाता है?"
परिणाम: इस नए कोच ने 61% सटीकता प्राप्त की।
सीमा (Ceiling): लेखकों ने गणना की कि एक पूर्ण AI भी केवल लगभग 74% सटीकता तक ही पहुँच सकता है क्योंकि कभी-कभी इंसान भी असहमत होते हैं। इसलिए, इस नए कोच ने "रैंडम गेसिंग" और "मानव विशेषज्ञ" के बीच के आधे अंतर को पाट दिया है।

सारांश

यह पेपर कहता है: "हम केवल AI को सुंदर चित्र बनाना नहीं सिखा सकते। हमें इसे डिजाइन के विशिष्ट नियम (फॉन्ट्स, लेआउट, रंग) सिखाने की आवश्यकता है, जिसके लिए TASTE नामक एक नए डेटासेट का उपयोग किया गया है। वर्तमान AI जज इसमें विफल हो रहे हैं, लेकिन हमारे नए डेटा पर प्रशिक्षित एक छोटा, विशेष मॉडल सीखना शुरू कर रहा है। अब हम इस डेटा को दुनिया को दे रहे हैं ताकि अन्य लोग बेहतर डिजाइन टूल्स बना सकें।"

यह पेपर क्या दावा नहीं करता है:

यह दावा नहीं करता है कि AI अब मानव डिजाइनरों की जगह ले सकता है।
यह दावा नहीं करता है कि यह सभी डिजाइन समस्याओं (जैसे एक्सेसिबिलिटी या ब्रांड कंसिस्टेंसी, जिन्हें वे स्वीकार करते हैं कि अभी भी मौजूद हैं) को हल कर देता है।
यह दावा नहीं करता कि बड़े मॉडल स्वचालित रूप से समस्या को ठीक कर देंगे; वास्तव में, उन्होंने पाया कि केवल मॉडल को बड़ा करने से बहुत अधिक मदद नहीं मिली।

तकनीकी सारांश: TASTE – AI-जनरेटेड ग्राफिक डिज़ाइन के लिए एक डिज़ाइनर-एनोटेटेड मल्टी-डायमेंशनलल प्रिफरेंस डेटासेट

समस्या विवरण

वर्तमान टेक्स्ट-टू-इमेज (T2I) मॉडल उत्पादन-स्तर के ग्राफिक डिज़ाइन के लिए तेजी से तैनात किए जा रहे हैं, फिर भी उनका अनुकूलन और मूल्यांकन फोटोरियलिस्टिक इमेज जनरेशन (जैसे HPSv2, Pick-a-Pic, ImageReward) से प्राप्त प्रिफरेंस डेटासेट पर निर्भर करता है। ये डेटासेट आमतौर पर तुलना के प्रति प्रत्येक "कौन सा बेहतर है" लेबल का उपयोग करते हैं, जो टाइपोग्राफी, विजुअल पदानुक्रम (visual hierarchy), कलर हार्मनी और लेआउट फिडेलिटी जैसे विशिष्ट डिज़ाइन अक्षों (axes) को संकुचित कर देता है। यह एक मिसअलाइनमेंट पैदा करता है जहाँ मॉडलों को फोटोरियलिस्टिक संभाव्यता के बजाय विशिष्ट डिज़ाइन बाधाओं के लिए पुरस्कृत किया जाता है। इसके अलावा, मौजूदा डिज़ाइन-विशिष्ट संसाधन (जैसे LICA, Graphic-Design-Bench) संरचनात्मक मेटाडेटा या कार्य पूर्णता पर ध्यान केंद्रित करते हैं लेकिन उनमें मानवीय प्राथमिकता संकेतों (human preference signals) का अभाव है। मल्टी-डायमेंशनल, डिज़ाइनर-एनोटेटेड प्रिफरेंस डेटा की एक महत्वपूर्ण कमी है जो ग्राफिक डिज़ाइन मूल्यांकन में शामिल विशिष्ट संज्ञानात्मक प्रक्रियाओं को कैप्चर करती है।

कार्यप्रणाली

TASTE डेटासेट

लेखक TASTE (Typography, Aesthetics, Spatial, Tone, Etc.) पेश करते हैं, जो सब-डायमेंशनल प्राथमिकताओं को कैप्चर करने के लिए डिज़ाइन किया गया एक डेटासेट है।

जेनरेटर्स: चार वर्तमान T2I मॉडल (FLUX.2 max, GPT Image 1.5, Nano Banana 2, Seedream 5.0 Lite) जिन्हें ब्लाइंड कोड-नेम के तहत मूल्यांकित किया गया है।
एनोटेटर्स: 5 पेशेवर डिजाइनरों के दो अलग-अलग समूह (कुल 10), जिन्हें Contra के माध्यम से नियुक्त किया गया था।
संरचना:
- दो कोहोर्ट्स (Cohorts): एक एस्थेटिक्स (Aesthetics) कोहोर्ट (मूड, टोन, पदानुक्रम, कलर, टाइपोग्राफी क्राफ्ट पर ध्यान केंद्रित करता है) और एक डिस्क्रिप्शंस (Descriptions) कोहोर्ट (प्रॉम्प्ट फिडेलिटी: रंग सटीकता, स्थानिक सटीकता, टेक्स्ट रेंडरिंग पर ध्यान केंद्रित करता है)।
- मानदंड (Criteria): 9 विशिष्ट उप-आयाम।
- स्केल: 80 प्रॉम्प्ट प्रति मानदंड $\times$ 5 मूल्यांकनकर्ता $\times$ 4 मॉडल = प्रति मानदंड 1,600 रेटिंग।
- फॉर्मेट: मूल्यांकनकर्ता प्रति प्रॉम्प्ट 6 पेयरवाइज तुलना करते हैं, जिन्हें सख्त 4-वे रैंकिंग में एकत्रित किया जाता है। इसके अतिरिक्त, ओवरऑल-प्रिफरेंस कोहोर्ट्स में हैलुसिनेशन फ्लैग्स (No, Minor, Major) शामिल हैं।

सिग्नल वैलिडेशन फ्रेमवर्क

डेटा को प्रशिक्षण सामग्री के रूप में उपयोग करने से पहले, लेखक एक क्राइटेरियन-अगनोस्टिक डायग्नोस्टिक फ्रेमवर्क प्रस्तावित करते हैं जो रैंडम शोर या गुटीय असहमति (factional disagreement) से अलग, सीखने योग्य प्रिफरेंस सिग्नल की उपस्थिति को सत्यापित करता है। यह फ्रेमवर्क $(p=4, R=5)$ पर सटीक iid-यूनिफॉर्म नल डिस्ट्रीब्यूशन के विरुद्ध तीन सांख्यिकीओं का परीक्षण करता है:

Kendall's $\tau$ : रेटर पेयर्स के बीच रैंक सहसंबंध को मापता है।
मैजॉरिटी प्रोबेबिलिटी ( $p_{max}$ ): पेयरवाइज तुलनाओं में निर्णायक विजेताओं की आवृत्ति को मापता है।
Condorcet Cycle Indicator: ट्रायडिक इंट्रांसिटिविटी ( $A \succ B, B \succ C, C \succ A$ ) का पता लगाता है ताकि साझा-ऑर्डरिंग शोर और गुटीय असहमति के बीच अंतर किया जा सके।

बेंचमार्किंग और मॉडलिंग

बेसलाइन बेंचमार्क: लेखकों ने 5-डिज़ाइनर बहुमत के विरुद्ध 9 प्री-ट्रेन्ड सिस्टम (6 ओपन-वेट विजन-लैंग्वेज मॉडल और 3 समर्पित T2I स्कोरर जैसे HPSv2.1) का मूल्यांकन किया।
कस्टम मॉडल ट्रेनिंग: TASTE पर एक छोटा मॉड्यूलर प्रिफरेंस हेड प्रशिक्षित किया गया। लेखकों ने आर्किटेक्चरल विकल्पों का अन्वेषण किया, विशेष रूप से एक मानक स्केलर स्कोरिंग हेड (जो छवियों को स्वतंत्र रूप से स्कोर करता है) बनाम एक पेयरवाइज-डिफरेंस हेड की तुलना की जो स्पष्ट रूप से दो छवियों के अंतर की विशेषताओं की गणना करता है ( $g(t, i_a, i_b)$ )।

मुख्य परिणाम

1. सिग्नल क्वालिटी और डोमेन पोजिशनिंग

सिग्नल की उपस्थिति: प्रत्येक TASTE मानदंड कम से कम तीन सांख्यिकीय संकेतों में से दो पर रैंडम-रेटर नल हाइपोथीसिस को खारिज करता है ( $p < 10^{-10}$ )।
क्रॉस-डोमेन तुलना: ग्राफिक डिज़ाइन पर डिज़ाइनर सहमति सब्जेक्टिव टेस्ट डोमेन (Sushi, MovieLens) और फोटो-स्टाइल इमेज क्वालिटी (HPSv2) के बीच में है।
- TASTE के लिए मीडियन Kendall's $\tau$ +0.067 (Color Harmony) से लेकर +0.200 (Spatial Accuracy) तक है।
- यह HPSv2-test top-4 (0.267) से कम है लेकिन iid-यूनिफॉर्म नल (0) से अधिक है।
सहमत संरचना (Agreement Structure): साइकिल दरें iid-यूनिफॉर्म नल के बराबर या उससे नीचे हैं, जो "गुटीय असहमति" (जहाँ रेटर असंगत समूह बनाते हैं) को खारिज करती हैं। डेटा एक कमजोर साझा प्रिफरेंस ऑर्डर के मॉडल का समर्थन करता है जिसमें रेटर-विशिष्ट शोर मौजूद है।
सिग्नल हेटेरोजेनिटी: सिग्नल की ताकत काफी भिन्न होती है। डिस्क्रिप्शन-फिडेलिटी मानदंड (टाइपोग्राफी, स्थानिक सटीकता) सौंदर्य संबंधी मानदंडों (कलर हार्मनी) की तुलना में लगभग दोगुना सिग्नल दिखाते हैं।

2. ऑफ-द-शेल्फ परफॉरमेंस

कम सहमति: कोई भी प्री-ट्रेन्ड सिस्टम (VLMs या समर्पित स्कोरर) 5-डिज़ाइनर बहुमत के साथ 0.55 मैक्रो एग्रीमेंट से अधिक नहीं है।
स्केलिंग लिमिट्स: VLM परिवार के भीतर, पैरामीटर्स को स्केल करना (जैसे Qwen3-VL को 4B से 32B तक ले जाना) सटीकता में सुधार नहीं करता है। इसके बजाय, यह एक बायस-बनाम-परसेप्शन फ्रंटियर के साथ ऑपरेटिंग पॉइंट को बदल देता है: बड़े मॉडल कम पोजीशन बायस प्रदर्शित करते हैं लेकिन जब वे निर्णय लेते हैं तो कम कंटेंट सेंसिटिविटी भी दिखाते हैं, जिसके परिणामस्वरूप फ्लैट नेट एक्यूरेसी मिलती है।
स्पेशलाइजेशन: समर्पित सौंदर्य स्कोरर (जैसे LAION-Aesthetic-V2) टेक्स्ट-फिडेलिटी कार्यों पर काफी विफल रहते हैं (टाइपोग्राफी पर 0.411 तक गिर जाते हैं), जबकि HPSv2.1 सबसे मजबूत बेसलाइन (0.543) बना हुआ है।

3. मॉडल ट्रेनिंग परिणाम

सीलिंग एनालिसिस: पैनल की नकल करने वाले मॉडल के लिए सैद्धांतिक ऊपरी सीमा एक एकल रेटर की अन्य चार के बहुमत के विरुद्ध लीव-वन-आउट (LOO) एक्यूरेसी है, जिसे 0.741 पर गणना किया गया है।
परफॉरमेंस: TASTE पर प्रशिक्षित एक कस्टम पेयरवाइज-डिफरेंस हेड ने 0.611 समग्र सटीकता प्राप्त की।
- यह रैंडम बेसलाइन (0.5) और सिंगल-रेटर सीलिंग (0.741) के बीच के अंतर को लगभग आधा पाट देता है।
- सुधार मुख्य रूप से अस्पष्ट 3-2 स्प्लिट्स (0.558 $\to$ 0.602) पर बेहतर प्रदर्शन द्वारा संचालित है, जहाँ मॉडल उन मामलों में आत्मविश्वासपूर्ण निर्णय लेना सीखता है जहाँ मानव रेटर असहमत होते हैं।
आर्किटेक्चर: पेयरवाइज-डिफरेंस आर्किटेक्चर (स्पष्ट रूप से $i_a - i_b$ को मॉडल करना) मानक स्केलर हेड्स से बेहतर रहा, जो बताता है कि इस कार्य के लिए इमेज डिफरेंस पर संयुक्त ध्यान (joint attention) आवश्यक है।

महत्व और दावे

यह पेपर TASTE को केवल एक बेंचमार्क के रूप में नहीं, बल्कि ग्राफिक डिज़ाइन जनरेशन स्टैक के लिए एक डिसीजन लेयर के रूप में स्थापित करता है। इसका महत्व तीन क्षेत्रों में है:

स्टैक को पूरा करना: TASTE संरचनात्मक डेटा (LICA) और टास्क बेंचमार्क (Graphic-Design-Bench) के बीच गायब "ह्यूमन प्रिफरेंस" लेयर को भरता है, जिससे यह मूल्यांकन संभव होता है कि डिज़ाइनर क्या पसंद करते हैं, न कि केवल मॉडल क्या कर सकते हैं।
मेथोडोलॉजिकल स्टैंडर्ड: लेखक तर्क देते हैं कि प्रस्तावित तीन-सांख्यिकी सिग्नल चेक (Kendall's $\tau$ , $p_{max}$ , Condorcet cycles) को किसी भी नए प्रिफरेंस डेटासेट के लिए मानक अभ्यास बनना चाहिए। यह मॉडल ट्रेनिंग में निवेश करने से पहले इस प्रश्न का उत्तर देता है कि क्या सीखने योग्य सिग्नल मौजूद है।
नियंत्रणीय अलाइनमेंट को सक्षम बनाना: मल्टी-डायमेंशनल संरचना क्राइटेरियन-विशिष्ट रैंकिंग और नियंत्रणीय अलाइनमेंट की अनुमति देती है। अब अभ्यासकर्ता ऐसे रिवॉर्ड मॉडल या अलाइनमेंट ऑब्जेक्टिव्स को प्रशिक्षित कर सकते हैं जो एक एकल एग्रीगेट स्कोर पर भरोसा करने के बजाय विशिष्ट आयामों (जैसे कलर हार्मनी के ऊपर टाइपोग्राफी फिडेलिटी को प्राथमिकता देना) के लिए अनुकूलित हों।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान ऑफ-द-शेल्फ सिस्टम डिज़ाइनर प्रिफरेंस को कैप्चर करने में विफल रहते हैं, फिर भी यह डेटासेट विशेष रूप से डिज़ाइनर-अलाइन्ड प्रिफरेंस मॉडल को प्रशिक्षित करने के लिए एक सत्यापित सिग्नल स्रोत प्रदान करता है, जिसमें मानव-इमिटेशन सीलिंग तक पहुँचने के लिए पर्याप्त क्षमता शेष है।