🤖 AI

Beyond Binary Edits Robust Multimodal Knowledge Editing with Adversarial Subspace Alignment

यह शोध पत्र एक सुदृढ़ अंतर्निहित बहु-मोडल ज्ञान संपादन ढांचे का प्रस्ताव करता है जो सुसंगत प्रतिकूल वेरिएंट उत्पन्न करने के लिए लेटेंट एडवर्सरियल रोबस्टिफिकेशन (Latent Adversarial Robustification) और इन प्रस्तुतियों के निम्न-रैंक संरेखण को लागू करने के लिए रैंक-प्रतिबंधित उप-स्थान शिक्षण (Rank-Constrained Subspace Learning) को पेश करके अर्थपूर्ण रूप से समतुल्य दृश्य और भाषाई विविधताओं में सामान्यीकरण को बढ़ाता है।

मूल लेखक: Haoyuan Wang, Xiaohao Liu, Jiajie Su, Jianmao Xiao, Chaochao Chen

प्रकाशित 2026-05-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haoyuan Wang, Xiaohao Liu, Jiajie Su, Jianmao Xiao, Chaochao Chen

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

एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) की कल्पना एक अत्यंत बुद्धिमान लाइब्रेरियन के रूप में करें जो किताबें पढ़ने और चित्रों को देखने का काम एक साथ कर सकता है। इस लाइब्रेरियन ने तथ्यों की एक विशाल मात्रा याद कर रखी है। कभी-कभी, लाइब्रेरियन एक तथ्य गलत बता देता है (जैसे, वे सोचते हैं कि एक विशिष्ट पिज्जा में जैतून (olives) हैं जबकि वास्तव में उसमें मशरूम हैं)।

नॉलेज एडिटिंग (Knowledge Editing) उस एक गलती को ठीक करने की प्रक्रिया है ताकि लाइब्रेरियन जो कुछ भी जानता है उसे भूले नहीं या थोड़े अलग तरीके से पूछे गए सवाल से भ्रमित न हो जाए।

लेख यह तर्क देता है कि मौजूदा सुधार विधियाँ बहुत "भंगुर" (brittle) हैं। वे एक ऐसे दर्जी की तरह हैं जो एक शर्ट पर एक विशिष्ट व्यक्ति के लिए बिल्कुल सही पैच सिलता है, लेकिन यदि आप उसी दर्जी से वही शर्ट किसी थोड़े लंबे व्यक्ति के लिए या शर्ट को अलग तरह से पहने हुए व्यक्ति के लिए ठीक करने को कहें, तो पैच निकल जाता है। वह सुधार केवल उस सटीक फोटो और वाक्य के लिए काम करता है जिसका उपयोग सुधार के दौरान किया गया था, और जब वाक्य को फिर से लिखा जाता है या चित्र को थोड़ा बदल दिया जाता है, तो यह विफल हो जाता है।

लेखक एक नई विधि प्रस्तावित करते हैं जिसे ASAM (एडवर्सरियल सबस्पेस अलाइनमेंट - Adversarial Subspace Alignment) कहा जाता है, ताकि ये सुधार "मजबूत" (robust) बन सकें ताकि सवाल या चित्र कैसे भी प्रस्तुत किए जाएं, वे टिके रहें। वे इसे दो मुख्य रचनात्मक रणनीतियों का उपयोग करके करते हैं:

1. "स्ट्रेस टेस्ट" (लेटेंट एडवर्सरियल रोबस्टिफिकेशन)

केवल लाइब्रेरियन को मूल गलत पिज्जा फोटो दिखाकर यह कहने के बजाय कि, "इसे ठीक करो," ASAM एक सख्त कोच की तरह कार्य करता है। यह मूल फोटो और वाक्य के एडवर्सरियल वेरिएंट्स (adversarial variants)—थोड़े बदले हुए, पुनर्गठित या "तनावपूर्ण" संस्करण—पैदा करता है।

उपमा: कल्पना करें कि आप किसी को "पिज्जा" पहचानना सिखा रहे हैं। यदि आप उन्हें केवल पेपरोनी पिज्जा की एक फोटो दिखाते हैं, तो वे शायद उस विशिष्ट रोशनी और कोण को याद कर लेंगे। ASAM उस फोटो को लेने, उसे हिलाने, बैकग्राउंड बदलने और विवरण को बदलकर "एक गोल, चीज़ वाला फ्लैटब्रेड जिसमें टॉपिंग्स हैं" कहने जैसा है, जबकि मूल अर्थ वही रहता है।
लक्ष्य: मॉडल को इन "स्ट्रेस टेस्ट" से तुरंत निपटने के लिए मजबूर करके, सिस्टम तथ्य के वास्तविक सार (यह एक पिज्जा है) को सीखता है, न कि केवल मूल त्रुटि के विशिष्ट पिक्सेल या शब्दों को याद करता है।

2. "लो-रैंक सबस्पेस" (रैंक-कंस्ट्रेंड सबस्पेस लर्निंग)

एक बार जब मॉडल का स्ट्रेस-टेस्ट कई विविधताओं के साथ हो जाता है, तो ASAM मॉडल के आंतरिक "मस्तिष्क" को इन सभी विभिन्न संस्करणों को एक ही चीज़ मानने के लिए मजबूर करता है।

उपमा: सोचिए कि मॉडल की आंतरिक स्मृति एक विशाल, अस्त-व्यस्त कमरे की तरह है जहाँ "पिज्जा" के हर संस्करण को अलग-अलग ढेरों में फेंक दिया गया है। ASAM एक नियम पेश करता है: "चाहे आप पिज्जा का वर्णन कैसे भी करें, ये सभी विचार एक ही, संकीर्ण शेल्फ (shelf) पर सिमट जाने चाहिए।"
तंत्र: यह सुनिश्चित करने के लिए एक गणितीय ट्रिक (जिसे सिंगुलर वैल्यू डिकंपोजिशन कहा जाता है) का उपयोग करता है कि पिज्जा के बारे में पूछने के सभी अलग-अलग तरीके मॉडल के मस्तिष्क में बिल्कुल एक ही "दिशा" की ओर इशारा करें। यह एक साझा सिमेंटिक कोर (shared semantic core) बनाता है। भले ही इनपुट अलग दिखे, आंतरिक प्रतिनिधित्व समान रहता है, जिससे उत्तर सुसंगत रहता है।

3. "एसिमेट्रिक फ्लो" (Asymmetric Flow)

लेख में एक और तरीका भी बताया गया है जिससे मॉडल को अपडेट करते समय सावधानी बरती जाती है ताकि चीजें खराब न हों।

उपमा: पिज्जा के तथ्य को ठीक करते समय, मॉडल को पिज्जा के बारे में अपनी राय बदलने की आवश्यकता होती है, लेकिन इसे गलती से यह नहीं बदलना चाहिए कि "कार" या "बिल्ली" क्या है। ASAM अपडेट के लिए एक वन-वे स्ट्रीट (एकतरफा रास्ता) का उपयोग करता है: यह नए ज्ञान को "पिज्जा शेल्फ" में धकेलता है बिना "कार" या "बिल्ली" के शेल्फ को परेशान किए।

परिणाम

लेखकों ने मानक बेंचमार्क (जैसे विजुअल क्वेश्चन अनस्विंग और इमेज कैप्शनिंग के बारे में तथ्यों को ठीक करना) पर इनका परीक्षण किया।

विश्वसनीयता (Reliability): मॉडल विशिष्ट तथ्य को सही ढंग से ठीक करता है (लक्ष्य पर 100% सफलता)।
लोकैलिटी (Locality): मॉडल असंबंधित तथ्यों को नहीं भूलता (वह अभी भी जानता है कि कार क्या है)।
जनरैलिटी (Generality - बड़ी जीत): यहीं ASAM चमकता है। जब मॉडल को एक अलग फोटो या पुनर्गठित वाक्य का उपयोग करके पिज्जा के बारे में पूछा जाता है, तो वह अभी भी सही उत्तर देता है। पिछली विधियाँ अक्सर यहाँ विफल हो जाती थीं, क्योंकि वे नए प्रश्न को एक पूरी तरह से अलग समस्या मानती थीं।

संक्षेप में: यह लेख AI मॉडल को नए तथ्य "सिखाने" का एक तरीका प्रस्तुत करता है, जिसमें उन्हें एक ही विचार के कई विविधताओं के साथ स्ट्रेस-टेस्ट किया जाता है और फिर उनके आंतरिक मस्तिष्क को उन सभी विविधताओं को एक एकल, स्थिर अवधारणा में समाहित करने के लिए मजबूर किया जाता है। यह ज्ञान अपडेट को मजबूत बनाता है, जिसका अर्थ है कि यह तब भी काम करता है जब दुनिया उस तथ्य को थोड़े अलग तरीके से प्रस्तुत करती है।

तकनीकी सारांश: बाइनरी संपादन से परे: एडवर्सरियल सबस्पेस अलाइनमेंट के साथ सुदृढ़ मल्टीमॉडल ज्ञान संपादन

1. समस्या की परिभाषा

मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLMs) को अपनी मौजूदा क्षमताओं को कम किए बिना तथ्यात्मक ज्ञान को अपडेट करने के लिए कुशल तंत्रों की आवश्यकता होती है। जबकि इंट्रिन्सिक नॉलेज एडिटिंग (KE) मॉडल के मापदंडों (parameters) को सीधे संशोधित करके स्थायी और सुदृढ़ अपडेट प्रदान करता है, वर्तमान विधियाँ सीमित सामान्यता (limited generality) से ग्रस्त हैं। विशेष रूप से, मौजूदा दृष्टिकोण अक्सर विजुअल या भाषाई विविधताओं (जैसे पुनर्गठित पाठ या परिवर्तित इमेज बैकग्राउंड) के मामले में समान रूप से अर्थपूर्ण इनपुट पर संपादन को प्रसारित करने में विफल रहते हैं।

यह शोध पत्र तीन मुख्य चुनौतियों की पहचान करता है जो सुदृढ़ मल्टीमॉडल संपादन में बाधा डालती हैं:

स्केलेबल सिमेंटिक सुपरविजन का अभाव: सरल सुपरवाइज्ड ऑब्जेक्टिव्स के माध्यम से सामान्यता को विश्वसनीय रूप से लागू नहीं किया जा सकता क्योंकि अर्थपूर्ण रूप से समान इनपुट अक्सर उच्च-आयामी, घुमावदार मैनिफोल्ड्स (manifolds) के दूरस्थ क्षेत्रों में स्थित होते हैं। मौजूदा विधियाँ सीमित नमूनों के आसपास स्थानीयकृत विरूपण (localized deformations) करती हैं, जिससे संकीर्ण सिमेंटिक प्रभाव क्षेत्र बनते हैं।
कठोर बाइनरी एडिटिंग स्कोप: अधिकांश विधियाँ "इन-स्कोप" (संपादित) और "आउट-ऑफ-स्कोप" (ज्ञान से बाहर) के बीच एक स्थिर, बाइनरी सीमा मानती हैं। यह सिमेंटिक संबद्धता की निरंतर प्रकृति का सरलीकरण करता है, जिससे मॉडल संपादन के दायरे को सीखने योग्य सीमाओं के बजाय हार्ड निर्णयों के रूप में देखते हैं, जिससे डिस्ट्रीब्यूशन शिफ्ट के तहत त्रुटिपूर्ण निर्णय होते हैं।
अविश्वसनीय सिमेंटिक एंकरिंग: वर्तमान विधियाँ पैरामीटर अपडेट को व्यक्तिगत नमूनों से जोड़ देती हैं, जिससे मॉडल आकस्मिक विजुअल पैटर्न या भाषाई आर्टिफैक्ट्स पर ओवरफिट हो जाता है। यह सामान्यीकरण की सीमा को प्रतिबंधित करता है और पुनर्गठित इनपुट के प्रति सुदृढ़ता को सीमित करता है।

लक्ष्य सुदृढ़ ज्ञान संपादन (Robust Knowledge Editing) प्राप्त करना है, जिसे इस प्रकार परिभाषित किया गया है कि एक मॉडल $f_\theta$ को इस तरह अपडेट किया जाए कि ज्ञान इकाई $K_i$ (अर्थपूर्ण रूप से समान इनपुट युग्मों का एक सेट) के लिए, अपडेटेड मॉडल $f_{\theta'}$ सभी $(x_v, x_t) \in K_i$ के लिए सही लक्ष्य $y^*$ का सटीक अनुमान लगाए, जबकि आउट-ऑफ-स्कोप ज्ञान पर भविष्यवाणियों को सुरक्षित रखे।

2. कार्यप्रणाली: ASAM फ्रेमवर्क

लेखकों ने ASAM (एडवर्सरियल सबस्पेस अलाइनमेंट) प्रस्तावित किया है, जो एक ऐसा फ्रेमवर्क है जिसे संपादित ज्ञान को एक सुसंगत सिमेंटिक कॉन्सेप्ट के रूप में आंतरिक बनाने के लिए डिज़ाइन किया गया है जो मल्टीमॉडल विविधताओं में स्थिर रहता है। ASAM तीन कसकर जुड़े हुए घटकों के माध्यम से रिप्रेजेंटेशन स्तर पर कार्य करता है:

2.1 लेटेंट एडवर्सरियल रोबस्टिफिकेशन (LAR)

स्केलेबल सुपरविजन की कमी (चुनौती 1) को संबोधित करने के लिए, ASAM LAR पेश करता है, जो एक ग्रेडिएंट-संचालित तंत्र है जो संयुक्त विजन-लैंग्वेज लेटेंट स्पेस के भीतर विविध, अर्थपूर्ण रूप से सुसंगत एडवर्सरियल वेरिएंट्स उत्पन्न करता है।

तंत्र: एक एडिट रिक्वेस्ट के लिए लेटेंट एम्बेडिंग्स $z = [e_v, e_t]$ देते हुए, LAR क्रॉस-एन्ट्रॉपी लॉस के सापेक्ष इनपुट के संबंध में ग्रेडिएंट की गणना करता है: $g_z = \nabla_z \mathcal{L}_{ce}(f_\theta(z), y^*)$ ।
जेनरेशन: यह एक इनर मैक्सिमाइजेशन समस्या को हल करता है ताकि $\epsilon$ के भीतर एक सिमेंटिक विचलन बजट रहते हुए ऐसे पेर्टर्बेशन्स $\delta^*$ खोजे जा सकें जो लॉस को अधिकतम करते हैं:
$\delta^* = \arg \max_{\|\delta\| \le \epsilon} \mathcal{L}_{ce}(f_\theta(z + \delta), y^*)$
परिणाम: यह $n$ एडवर्सरियल वेरिएंट्स $\{z^*_1, \dots, z^*_n\}$ उत्पन्न करता है जो मॉडल के वर्तमान मापदंडों को चुनौती देते हैं, जिससे बाहरी सुपरविजन पर निर्भर किए बिना संपादित कॉन्सेप्ट के आसपास के सिमेंटिक पड़ोस का प्रभावी ढंग से विस्तार होता है।

2.2 रैंक-कंस्ट्रेंड सबस्पेस लर्निंग (RCSL)

अविश्वसनीय सैंपल एंकरिंग (चुनौती 3) को रोकने और निरंतरता लागू करने के लिए, ASAM RCSL प्रस्तावित करता है।

मुख्य अंतर्दृष्टि: सुदृढ़ सामान्यीकरण के लिए एक निरंतर, अनुकूलन योग्य सीमा सीखने की आवश्यकता होती है जहाँ सभी एडवर्सरियल वेरिएंट्स एक साझा सिमेंटिक कोर की ओर अभिसरित (converge) हों, न कि व्यक्तिगत नमलों को पूर्ण पॉजिटिव के रूप में मानें।
कार्यान्वयन: RCSL यह सुनिश्चित करता है कि सभी वेरिएंट्स (मूल और एडवर्सरियल) के हिडन स्टेट्स एक लो-रैंक रिप्रेजेंटेशन सबस्पेस के भीतर संरेखित (align) हों।
गणितीय सूत्र: मान लीजिए कि $H_s$ , $\ell_2$ -नॉर्मलाइज्ड हिडन स्टेट्स का मैट्रिक्स है। ग्राम मैट्रिक्स $G = H_s H_s^\top$ पेयरवाइज समानता को कैप्चर करता है। पूर्ण संरेखण का अर्थ है $G = \mathbf{1}\mathbf{1}^\top$ , जो कि एक रैंक-1 मैट्रिक्स है।
ऑब्जेक्टिव: $H_s$ पर सिंगुलर वैल्यू डीकंपोजिशन (SVD) का उपयोग करते हुए, यह विधि एक अलाइनमेंट लॉस को कम करती है जो प्रमुख सिंगुलर वैल्यू ( $\sigma_1$ ) के सापेक्ष माध्यमिक सिंगुलर वैल्यूज ( $\sigma_{j>1}$ ) को दबा देता है:
$\mathcal{L}_{align} = -\log \left( \frac{\exp(\sigma_1/\tau)}{\sum_{j=1}^{n+1} \exp(\sigma_j/\tau)} \right)$
यह सभी एडवर्सरियल रिप्रेजेंटेशन्स को एक एकल साझा सिमेंटिक एक्सिस की ओर धकेलता है।

2.3 एसिमेट्रिक ग्रेडिएंट फ्लो

कठोर बाइनरी स्कोप (चुनौती 2) को कम करने के लिए, ASAM एसिमेट्रिक ग्रेडिएंट फ्लो का उपयोग करता है।

तंत्र: मूल हिडन स्टेट $\hat{h}_0$ एक सिमेंटिक एंकर के रूप में कार्य करता है और अलाइनमेंट लॉस $\mathcal{L}_{align}$ से डिटैच (detached) है। केवल एडवर्सरियल वेरिएंट्स $\{\hat{h}_i\}_{i=1}^n$ अलाइनमेंट ऑब्जेक्टिव के माध्यम से ग्रेडिएंट्स को आगे बढ़ाते हैं।
प्रभाव: यह सुनिश्चित करता है कि सुदृढ़ता विविध इनपुट्स को मूल सिमेंटिक्स के साथ संरेखित करने के लिए एडिटिंग लेयर के मापदंडों को अनुकूल रूप से अपडेट करके प्राप्त की जाती है, न कि मूल रिप्रेजेंटेशन को विकृत करके।
कुल ऑब्जेक्टिव: अंतिम ऑप्टिमाइजेशन विश्वसनीयता, लोकैलिटी और अलाइनमेंट को जोड़ता है:
$\mathcal{L}_{total} = \mathcal{L}_{rel} + \mathcal{L}_{loc} + \beta \mathcal{L}_{align}$

3. मुख्य योगदान

फ्रेमवर्क प्रस्ताव: सुदृढ़ मल्टीमॉडल नॉलेज एडिटिंग के लिए एक एडवर्सरियल सबस्पेस अलाइनमेंट फ्रेमवर्क के रूप में ASAM का परिचय, जो सैंपल-सेंट्रिक अपडेट से आगे बढ़ता है।
लेटेंट एडवर्सरियल रोबस्टिफिकेशन (LAR): ग्रेडिएंट-संचालित पेर्टर्बेशन के माध्यम से विविध, सुसंगत लेटेंट वेरिएंट्स उत्पन्न करने के लिए एक नवीन विधि, जो संपादन के लिए स्केलेबल सिमेंटिक सुपरविजन को सक्षम बनाती है।
रैंक-कंस्ट्रेंड सबस्पेस लर्निंग (RCSL): लो-रैंक सिमेंटिक अलाइनमेंट और एडैप्टिव बाउंड्री शेपिंग को लागू करने के लिए सिंगुलर वैल्यू-आधारित ऑब्जेक्टिव्स का उपयोग करने वाली एक तकनीक, जो कठोर एडिटिंग स्कोप और अविश्वसनीय सैंपल एंकरिंग को दूर करती है।
अनुभवजन्य सत्यापन: ASAM की जेनेरैलिटी, रिलायबिलिटी और लोकैलिटी के मामले में मौजूदा विधियों पर श्रेष्ठता प्रदर्शित करने वाले व्यापक प्रयोग।

4. प्रयोगात्मक परिणाम

लेखकों ने BLIP2-OPT और MiniGPT-4 को बैकबोन के रूप में उपयोग करते हुए MMEdit बेंचमार्क (एडिटिंग VQA और एडिटिंग इमेज कैप्शन को कवर करते हुए) पर ASAM का मूल्यांकन किया।

सिंगल एडिटिंग प्रदर्शन: ASAM ने विश्वसनीयता या लोकैलिटी से समझौता किए बिना एडिटिंग प्रतिमानों (जैसे, BLIP2 E-VQA पर WISE की जेनेरैलिटी को 84.80 से 93.97 तक सुधारना) में जेनेरैलिटी को लगातार बढ़ाया।
क्रमिक संपादन (Sequential Editing): लाइफलॉनग एडिटिंग परिदृश्यों (100 क्रमिक संपादन तक) में, ASAM ने WISE जैसे बेसलाइन्स को पछाड़ दिया, जो संपादन की संख्या बढ़ने के साथ जेनेरैलिटी में बढ़ता अंतर दिखाता है (जैसे, $n=100$ पर 34.90 बनाम 50.90), जो सिमेंटिक इंटरफेरेंस और एरर एक्यूमुलेशन के प्रति बेहतर प्रतिरोध का संकेत देता है।
मॉडल एगोस्टिकिज्म: फ्रेमवर्क ने विभिन्न MLLM बैकबोन (LLaVA और Qwen2VL सहित) में निरंतर सुधार प्रदर्शित किया, जो सुझाव देता है कि यह एक मॉडल-अग्नोस्टिक रिप्रेजेंटेशन स्तर पर कार्य करता है।
एब्लेशन स्टडीज:
- LAR बनाम पैराफ्रेसिंग: सतह-स्तर की पैराफ्रेसिंग (SimCSE) की तुलना में LAR-जेनरेटेड वेरिएंट्स ने महत्वपूर्ण जेनेरैलिटी लाभ प्रदान किए, जो मॉडल-विशिष्ट सिमेंटिक सेंसिटिविटी को उजागर करने की आवश्यकता को सिद्ध करता है।
- RCSL बनाम अन्य अलाइनमेंट्स: रैंक-कंस्ट्रेंड अलाइनमेंट ने कोसाइन सिमिलैरिटी और $\ell_2$ -नॉर्म कंस्ट्रेंट्स को पछाड़ दिया, जो यह प्रमाणित करता है कि एक साझा प्रिंसिपल सिमेंटिक दिशा को लागू करना सुदृढ़ आंतरिककरण के लिए महत्वपूर्ण है।
ओवरहेड: फ्रेमवर्क ने न्यूनतम मेमोरी ओवरहेड (~~0.8% BLIP2 के लिए) और एक प्रबंधनीय रनटाइम वृद्धि (~~5%) पेश की, जिसका श्रेय अतिरिक्त एडवर्सरियल एक्सप्लोरेशन को दिया गया है।

5. महत्व और दावे

यह पेपर एक महत्वपूर्ण प्रदर्शन अंतराल को संबोधित करने का दावा करता है: विश्वसनीयता (विशिष्ट तथ्य को ठीक करना) और जेनेरैलिटी (समान अर्थपूर्ण विविधताओं पर सुधार लागू करना) के बीच का ट्रेड-ऑफ।

सुदृढ़ता (Robustness): संपादन को एक भंगुर इंस्टेंस-लेवल मैपिंग के बजाय एक सुसंगत सिमेंटिक कॉन्सेप्ट के रूप में आंतरिक बनाकर, ASAM यह सुनिश्चित करता है कि संपादित ज्ञान विजुअल और भाषाई डिस्ट्रीब्यूशन शिफ्ट के तहत स्थिर रहे।
अनुकूलन योग्य सीमाएं (Adaptive Boundaries): यह विधि स्थिर, बाइनरी एडिटिंग स्कोप से हटकर सीखने योग्य, अनुकूलन योग्य सीमाओं की ओर बढ़ती है जो सिमेंटिक संबद्धता की निरंतर प्रकृति का सम्मान करती हैं।
व्यावहारिकता: फ्रेमवर्क को एक प्लग-एंड-प्ले ऑप्टिमाइजेशन मॉड्यूल के रूप में प्रस्तुत किया गया है जो मौजूदा लॉस-बेस्ड एडिटिंग मॉडल्स के साथ संगत है, जो प्रबंधनीय कंप्यूटेशनल लागत के साथ महत्वपूर्ण सुदृढ़ता लाभ प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण बड़े पैमाने के मॉडल्स के अधिक नियंत्रणीय, स्थिर और अनुमानित संशोधनों की सुविधा प्रदान करता है, जो वास्तविक दुनिया के परिदृश्यों के लिए आवश्यक है जहाँ ज्ञान तेजी से विकसित होता है या पोस्ट-हॉक सुधार की आवश्यकता होती है। भविष्य के कार्य को वीडियो-लैंग्वेज मॉडल्स और एम्बोडीड एजेंट्स जैसे व्यापक डोमेन तक विस्तारित करने का प्रस्ताव दिया गया है।