💬 NLP

RICE-PO: Turning Retrieval Interactions into Credit Signals for Reasoning Agents

यह शोध पत्र RICE-PO का प्रस्ताव करता है, जो एक क्रिटिक-मुक्त (critic-free) पॉलिसी ऑप्टिमाइज़ेशन फ्रेमवर्क है जो उच्च-अनिश्चितता वाले निष्पादनीय कार्यों (high-uncertainty executable actions) को एंकर के रूप में उपयोग करके रिट्रीवल इंटरैक्शन को स्थानीयकृत लर्निंग सिग्नल्स में परिवर्तित करता है ताकि लेटेंट रीजनिंग स्टेप्स को क्रेडिट असाइन किया जा सके, जिससे BRIGHT और BEIR जैसे बेंचमार्क पर इंटरैक्टिव रीजनिंग एजेंट्स के प्रशिक्षण में सुधार होता है।

मूल लेखक: Mingchen Li, Hansi Zeng, Zhuo Qian, Jiatan Huang, Hamed Zamani, Hong Yu

प्रकाशित 2026-05-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mingchen Li, Hansi Zeng, Zhuo Qian, Jiatan Huang, Hamed Zamani, Hong Yu

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 स्मार्ट रोबोट को एक बहुत ही पेचीदा सवाल का सही उत्तर ढूँढना सिखा रहे हैं। रोबोट केवल एक सर्च क्वेरी टाइप करके उम्मीद नहीं करता। इसके बजाय, वह एक जासूस की तरह काम करता है: वह खोजता है, जो उसे मिलता है उसे पढ़ता है, सोचता है कि क्या कमी है, एक नई सर्च क्वेरी लिखता है, और फिर से खोजता है। वह उत्तर मिलने तक इस लूप को दोहराता रहता है।

बड़ी समस्या जो यह पेपर हल करता है, वह यह है कि रोबोट को यह कैसे सिखाया जाए कि उसके कौन से कदम वास्तव में अच्छे थे।

समस्या: सोचने का "ब्लैक बॉक्स" (Black Box of Thinking)

इस जासूसी खेल में, रोबोट के पास दो प्रकार के मूव्स (moves) होते हैं:

"करने वाले" मूव्स (Executable): ये वे वास्तविक सर्च क्वेरीज़ हैं जो वह टाइप करता है। सर्च इंजन तुरंत रोबोट को बता सकता है, "अच्छा काम किया! उस क्वेरी ने 10 बेहतरीन लेख खोज निकाले," या "बुरा काम! उस क्वेरी को कुछ नहीं मिला।" इसे मापना आसान है।
"सोचने वाले" मूव्स (Latent): ये वे आंतरिक विचार हैं जो रोबोट क्वेरी टाइप करने से पहले मन में लाता है। वह सोच सकता है, "मुझे यह देखना चाहिए कि यह कब हुआ था," या "मुझे लेखक की पृष्ठभूमि की जांच करनी चाहिए।" सर्च इंजन इन विचारों को देख नहीं सकता। उसे केवल अंतिम क्वेरी दिखाई देती है।

क्रेडिट असाइनमेंट की दुविधा (The Credit Assignment Dilemma):
यदि रोबोट अंततः सही लेख ढूँढ लेता है, तो हमें कैसे पता चलेगा कि किस विचार ने इस सफलता में मदद की?

क्या "लेखक की जाँच करें" वाले विचार ने सफलता दिलाई?
या रोबोट बस अपनी अंतिम क्वेरी के साथ भाग्यशाली रहा, और उसके शुरुआती विचार वास्तव में गलत थे?

यदि हम केवल रोबोट को अंतिम परिणाम के लिए "गोल्ड स्टार" देते हैं और उससे कहते हैं, "बहुत बढ़िया, तुमने जो भी सोचा वह सब सही था," तो रोबोट गलत सबक सीख सकता है। वह यह सोचकर शुरू कर सकता है, "ओह, मैं गलत था, लेकिन मुझे फिर भी गोल्ड स्टार मिला, इसलिए मैं इसी तरह करता रहूँगा।" इसे क्रेडिट मिसअसाइनमेंट (credit misassignment) कहा जाता है।

समाधान: RICE-PO (एक "स्मार्ट कोच")

लेखक एक नया प्रशिक्षण तरीका प्रस्तावित करते हैं जिसे RICE-PO कहा जाता है। केवल अंतिम परिणाम को देखने के बजाय, यह तरीका एक स्मार्ट कोच की तरह काम करता है जो रोबोट के अभ्यास सत्रों को देखता है और उसी क्षण फीडबैक देता है।

RICE-PO कैसे काम करता है, इसे एक सरल उदाहरण से समझते हैं:

1. "लड़खड़ाते क्षणों" को खोजना (Uncertainty Anchors)

कोच हर एक सेकंड तक नहीं देखता। इसके बजाय, कोच उन क्षणों को देखता है जहाँ रोबक अनिश्चित लगता है।

उदाहरण: कल्पना कीजिए कि रोबोट दो सर्च क्वेरी के बीच निर्णय लेने की कोशिश कर रहा है। एक है "क्योटो का इतिहास," और दूसरी है "नवीकरणीय ऊर्जा तकनीक।" यदि रोबोट बहुत आश्वस्त है, तो वह बस एक चुन लेता है। लेकिन यदि वह भ्रमित है और कई अलग-अलग, अजीब विकल्प बना रहा है, तो कोच कहता है, "ठीक है, यह एक महत्वपूर्ण क्षण है। आइए रुकते हैं और विश्लेषण करते हैं।"
पेपर में: वे इन उच्च-दांव वाले क्षणों को चुनने के लिए "एन्ट्रॉपी" (भ्रम का एक माप) का उपयोग करते हैं।

2. "क्या होता अगर?" सिमुलेशन (Local Counterfactuals)

एक बार जब कोच एक "लड़खड़ाते क्षण" की पहचान कर लेता है, तो वह केवल रोबोट के खत्म होने का इंतज़ार नहीं करता। वह एक त्वरित सिमुलेशन चलाता है।

उदाहरण: कोच कहता है, "ठीक है, तुम 'क्योटो' के बारे में सोच रहे थे। लेकिन क्या होता अगर, ठीक उसी क्षण में, तुमने 'टोक्यो' के बारे में सोचा होता? चलो मान लेते हैं कि तुमने ऐसा ही किया, देखो कि उस स्थिति में तुम कैसी सर्च क्वेरी लिखते, और चेक करते कि क्या उस क्वेरी को बेहतर परिणाम मिलते।"
पेपर में: वे एक ही इतिहास से कई "क्या होता अगर" वाली शाखाएँ (branches) बनाते हैं ताकि यह देख सकें कि क्या विचार को बदलने से वास्तव में सर्च परिणाम बदल जाता है।

3. "स्थिरता की जाँच" (Stability Check/Gated Propagation)

विचार को क्रेडिट देने से पहले कोच दो प्रश्न पूछता है:

प्रश्न A (प्रभाव - Influence): क्या उस विचार ने वास्तव में सर्च क्वेरी को बदला? (यदि रोबोट ने "क्योटो" बनाम "टोक्यो" सोचा लेकिन बिल्कुल वही क्वेरी लिखी, तो विचार का कोई महत्व नहीं था। कोई क्रेडिट नहीं।)
प्रश्न B (स्थिरता - Stability): क्या उस विचार का लाभ अंत तक बना रहा? (कभी-कभी एक विचार एक बेहतरीन सर्च क्वेरी की ओर ले जाता है, लेकिन फिर रोबोट अगला कदम बहुत खराब उठा लेता है जो सब कुछ बर्बाद कर देता है। यदि अंतिम परिणाम अगले कदम के कारण खराब है, तो हमें पहले विचार को क्रेडिट नहीं देना चाहिए।)
पेपर में: वे "रेसिड्यूअल स्टेबिलिटी" (residual stability) को मापते हैं। यदि स्थानीय इनाम (तत्काल खोज से प्राप्त) भविष्य के चरणों के बाद भी सुसंगत रहता है, तो कोच कहता है, "हाँ, यह विचार नायक था। इसे क्रेडिट दें!" यदि भविष्य के कदम इसे बिगाड़ देते हैं, तो कोच कहता है, "नहीं, अभी इस विचार को क्रेडिट न दें।"

परिणाम

इस तरीके का उपयोग करने से रोबोट बहुत तेज़ी से सीखता है।

पुराना तरीका: "तुमने सही उत्तर ढूँढ लिया! बहुत बढ़िया।" (रोबोट भ्रमित हो जाता है कि वास्तव में क्या काम आया)।
RICE-PO तरीका: "तुम यहाँ भ्रमित थे, लेकिन तुम्हारे विशिष्ट विचार ने एक बेहतर सर्च क्वेरी बनाई, और वह लाभ अंत तक बना रहा। वह विशिष्ट विचार बहुत अच्छा था। दोबारा ऐसा ही करना।"

यह क्यों महत्वपूर्ण है

पेपर ने दो बड़े डेटासेट्स (BRIGHT और BEIR) पर इसका परीक्षण किया, जो पेचीदा सवालों की विशाल लाइब्रेरी की तरह हैं।

उन्होंने पाया कि RICE-PO ने रोबोट को (यहाँ तक कि छोटे, सस्ते रोबोटों को भी) पिछले तरीकों की तुलना में बेहतर उत्तर खोजने में मदद की।
उन्होंने सिद्ध किया कि रोबोट को क्या करना है यह बताने के लिए आपको एक बहुत महंगे "जज" AI की आवश्यकता नहीं है। खोज प्रक्रिया की संरचना ही (यह तथ्य कि क्वेरीज़ को टेस्ट किया जा सकता है) रोबोट को वह सारा फीडबैक प्रदान करती है जिसकी उसे आवश्यकता है।

संक्षेप में: RICE-PO एक ऐसा तरीका है जिससे AI एजेंटों को उनके अपने खोज इतिहास से सीखने के लिए प्रशिक्षित किया जाता है, जिसमें सावधानीपूर्वक यह जांचा जाता है कि क्या उनके विचारों ने वास्तव में उनकी सफलता का कारण बने, बजाय इसके कि केवल अंतिम स्कोर के आधार पर अनुमान लगाया जाए।

तकनीकी सारांश: RICE-PO

समस्या विवरण

यह शोध पत्र तर्क-गहन पुनर्प्राप्ति (reasoning-intensive retrieval) के लिए भाषा एजेंटों को प्रशिक्षित करने में आने वाली क्रेडिट-असाइनमेंट चुनौती (credit-assignment challenge) को संबोधित करता है। पारंपरिक वन-शॉट पुनर्प्राप्ति के विपरीत, आधुनिक एजेंट पुनरावृत्ति लूप (iterative loops) में संलग्न होते हैं जहाँ वे साक्ष्यों पर तर्क करते हैं, प्रश्नों को पुनर्गठित करते हैं और फिर से खोज करते हैं। इस प्रक्रिया में एक मौलिक विषमता मौजूद है:

निष्पादन योग्य क्रियाएं (Executable Actions): उत्पन्न सारांश या प्रश्न सीधे रिट्रीवर को सबमिट किए जा सकते हैं और मानक मेट्रिक्स (जैसे, NDCG@10) का उपयोग करके मूल्यांकित किए जा सकते हैं।
सुप्त तर्क क्रियाएं (Latent Reasoning Actions): आंतरिक तर्क चरण (जैसे, थॉट ट्रेसेस) सीधे निष्पादित या मापने योग्य नहीं होते हैं। वे केवल बाद की निष्पादन योग्य क्रियाओं को आकार देकर अप्रत्यक्ष रूप से पुनर्प्राप्ति को प्रभावित करते हैं।

मौजूदा सुदृढीकरण शिक्षण (Reinforcement Learning - RL) विधियाँ अक्सर परिणाम-स्तर के पुरस्कारों (outcome-level rewards) पर निर्भर करती हैं (पूरे प्रक्षेपवक्र/trajectory का अंतिम पुनर्प्राप्ति स्कोर)। यह दृष्टिकोण अविश्वसनीय है क्योंकि एक सफल अंतिम परिणाम बाद के सुधार चरणों के कारण हो सकता है न कि प्रारंभिक तर्क के कारण, जिससे क्रेडिट का गलत असाइनमेंट (credit misassignment) होता है। इसके अलावा, कई विधियाँ सीखे गए क्रिटिक्स या प्रोसेस रिवॉर्ड मॉडल पर निर्भर करती हैं, जो गणनात्मक रूप से महंगे और प्रशिक्षित करने में कठिन होते हैं। मुख्य समस्या यह है कि बिना किसी बाहरी जज या व्यापक रोलआउट के, केवल पुनर्प्राप्ति लूप के भीतर उपलब्ध इंटरेक्शन सिग्नल्स का लाभ उठाकर, सुप्त तर्क चरणों को क्रेडिट कैसे दिया जाए।

कार्यप्रणाली: RICE-PO

लेखक RICE-PO (रिट्रीवल-इंटरेक्शन क्रेडिट एस्टीमेशन फॉर पॉलिसी ऑप्टिमाइज़ेशन) प्रस्तावित करते हैं, जो एक क्रिटिक-मुक्त (critic-free) ढांचा है जो पुनर्प्राप्ति अंतःक्रियाओं को स्थानीयकृत शिक्षण संकेतों में परिवर्तित करता है। यह विधि इस धारणा पर कार्य करती है कि निष्पादन योग्य सारांश प्रत्यक्ष फीडबैक प्रदान करते हैं, जिसे विशिष्ट स्थितियों के तहत पूर्ववर्ती सुप्त तर्क स्पैन (latent reasoning spans) तक चुनिकी रूप से प्रसारित किया जा सकता है।

यह ढांचा तीन मुख्य चरणों से बना है:

1. अनिश्चितता-निर्देशित एंकर चयन (Uncertainty-Guided Anchor Selection)

प्रत्येक चरण का मूल्यांकन करने के बजाय, एजेंट उन महत्वपूर्ण निर्णय बिंदुओं की पहचान करता है जहाँ क्रेडिट असाइनमेंट की सबसे अधिक आवश्यकता होती है।

तंत्र: सिस्टम कई सैंपल किए गए प्रक्षेपपथों (trajectories) में निष्पादन योग्य सारांश क्रियाओं के टोकन-स्तरीय एंट्रॉपी (token-level entropy) की गणना करता है।
चयन: यह उच्चतम एंट्रॉपी (उच्च अनिश्चितता) वाले शीर्ष- $K$ सारांश कार्यों का चयन करता है। ये स्थानीय काउंटरफैक्चुअल अनुमान के लिए "एंकर" के रूप में कार्य करते हैं, जिससे कंप्यूटेशनल संसाधनों को उन संदिग्ध निर्णय बिंदुओं पर केंद्रित किया जा सके जहाँ पॉलिसी का चुनाव परिणाम को महत्वपूर्ण रूप से प्रभावित करता है।

2. स्थानीय काउंटरफैक्चुअल ब्रांचिंग (Local Counterfactual Branching)

प्रत्येक चयनित एंकर बिंदु के लिए, विधि पुनर्प्राप्ति परिणाम पर तर्क क्रिया के प्रभाव का अनुमान लगाने के लिए स्थानीय शाखाएं (branches) बनाती है।

ब्रांच निर्माण: एक ही इंटरेक्शन हिस्ट्री से, एजेंट $K$ वैकल्पिक तर्क स्पैन ( $z_t$ ) और उनके संगत सारांश क्रियाएं ( $s_t$ ) उत्पन्न करता है।
प्रभाव अनुमान: यह इन शाखाओं में पुनर्प्राप्ति पुरस्कारों के विचरण ( $\hat{\sigma}^2_t$ ) की गणना करता है। उच्च विचरण इंगित करता है कि सुप्त तर्क क्रिया, उसके बाद की निष्पादन योग्य सारांश की गुणवत्ता को दृढ़ता से प्रभावित करती है।
अवशिष्ट स्थिरता अनुमान (Residual Stability Estimation): शाखाओं को पूर्ण प्रक्षेपवक्र गहराई तक बढ़ाया जाता है ताकि अंतिम पुरस्कार की गणना की जा सके। अवशिष्ट प्रभाव (residual effect) ( $\text{ResVar}_t = \text{Var}(R_T - r_t)$ ) के विचरण की गणना की जाती है। कम विचरण यह दर्शाता है कि बाद के इंटरेक्शन चरण वर्तमान तर्क-सारांश जोड़ी द्वारा स्थापित स्थानीय पुरस्कार अंतर को उलटते नहीं हैं।

3. गेटेड क्रेडिट प्रोपेगेशन (Gated Credit Propagation)

क्रेडिट को सारांश से तर्क स्पैन तक तभी प्रसारित किया जाता है जब सिग्नल को विश्वसनीय माना जाता है।

गेटिंग स्थितियां: प्रसार तब होता है यदि:
1. प्रभाव उच्च है: $\hat{\sigma}^2_t \geq \tau_{var}$ (तर्क विकल्प सारांश के पुनर्प्राप्ति स्कोर को महत्वपूर्ण रूप से बदल देता है)।
2. अवशिष्ट स्थिरता उच्च है: $\text{ResVar}_t \leq \tau_{res}$ (स्थानीय पुरस्कार अंतर भविष्य के चरणों में बना रहता है)।
एडवांटेज गणना:
- निष्पादन योग्य टोकन: स्थानीय काउंटरफैक्चुअल पुनर्प्राप्ति स्कोर के आधार पर एक स्टेप-लेवल एडवांटेज ( $A^{sum}_t$ ) प्राप्त करते हैं।
- तर्क टोकन: एक गेटेड एडवांटेज ( $A^{think}_t$ ) प्राप्त करते हैं। यदि गेटिंग स्थितियां पूरी होती हैं, तो वे सारांश एडवांटेज को विरासत में लेते हैं; अन्यथा, वे मानक प्रक्षेपवक्र-स्तरीय एडवांटेज बनाए रखते हैं।
अनुकूलन (Optimization): इन टोकन-स्तरीय एडवांटेजों का उपयोग पॉलिसी को अपडेट करने के लिए PPO-शैली के क्लिप्ड ऑब्जेक्टिव में किया जाता है, जिससे सीखे गए क्रिटिक या बाहरी रिवॉर्ड मॉडल की आवश्यकता समाप्त हो जाती है।

मुख्य योगदान

अवलोकनीयता-जागरूक क्रेडिट असाइनमेंट (Observability-Aware Credit Assignment): यह शोध पत्र पुनर्प्राप्ति में निष्पादन योग्य और सुप्त क्रियाओं के बीच अंतर करने वाला एक दृष्टिकोण पेश करता है, जो यह दिखाता है कि निष्पादन योग्य सारांश सीधे फीडबैक एंकर के रूप में कार्य कर सकते हैं जबकि सुप्त तर्क के लिए चयनात्मक बैकवर्ड प्रोपेगेशन की आवश्यकता होती है।
क्रिटिक-मुक्त ढांचा: RICE-PO पुनर्प्राप्ति एजेंटों के लिए सूक्ष्म पर्यवेक्षण प्राप्त करने के लिए एजेंट-पर्यावरण अंतःक्रिया के विषमता का लाभ उठाता है, जिसमें सीखे गए क्रिटिक्स, प्रोसेस रिवॉर्ड मॉडल, या मानव एनोटेशन की आवश्यकता नहीं होती है। यह अनिश्चितता-ट्रिगर काउंटरफैक्चुअल मूल्यांकन और अवशिष्ट-स्थिरता गेटिंग का उपयोग करता है।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक प्रयोग दर्शाते हैं कि तर्क-गहन और सामान्य पुनर्प्राप्ति कार्यों पर प्रॉम्प्ट-आधारित एजेंटों और समूह-आधारित RL बेसलाइन्स (GRPO, GiGPO, HGPO, Tree-GRPO) की तुलना में निरंतर सुधार होता है।

प्रयोगात्मक परिणाम

विधि का मूल्यांकन BRIGHT (12 तर्क-गहन कार्यों) और BEIR (5 सामान्य पुनर्प्राप्ति डेटासेट्स) पर NDCG@10 मेट्रिक का उपयोग करके किया गया।

BRIGHT प्रदर्शन:
- एक 1.5B बैकबोन (DeepSeek-R1-Distill-Qwen-1.5B) का उपयोग करते हुए, RICE-PO ने 27.49 का औसत स्कोर प्राप्त किया, जो GRPO (24.98) से बेहतर था। (नोट: 14B मॉडल वाले Diver प्रॉम्प्टिंग बेसलाइन का औसत 37.20 था, लेकिन RICE-PO ने 1.5B GRPO बेसलाइन को काफी पीछे छोड़ दिया)।
- एक 4B बैकबोन (Qwen3-4B-Thinking-2507) का उपयोग करते हुए, RICE-PO ने 37.76 का सर्वश्रेष्ठ औसत स्कोर प्राप्त किया, जो GRPO, GiGPO, HGPO और Tree-GRPO को 1.15 से 1.45 अंकों के अंतर से पीछे छोड़ दिया।
- परिणाम संकेत देते हैं कि इंटरेक्शन सिग्नल्स से सीखना छोटे मॉडलों को केवल फिक्स्ड प्रॉम्प्टिंग या आउटकम-लेवल रिवॉर्ड्स पर निर्भर बड़े मॉडलों के साथ प्रतिस्पर्धा करने या उन्हें पछाड़ने की अनुमति देता है।
BEIR प्रदर्शन:
- RICE-PO ने 1.5B (65.66) और 3B (65.68) बैकबोन दोनों के लिए BEIR डेटासेट्स पर सर्वश्रेष्ठ औसत स्कोर प्राप्त किया, जो सभी RL बेसलाइन्स और मजबूत रीरैंकिंग मॉडलों से बेहतर है।
- हालांकि BRIGHT (कम तर्क तीव्रता के कारण) की तुलना में लाभ कम थे, निरंतरता यह सुझाव देती है कि यह विधि मल्टी-स्टेप रीजनिंग सेटिंग्स से परे सामान्यीकृत होती है।
एब्लेशन अध्ययन (Ablation Studies):
- गेटिंग मैकेनिज्म: प्रभाव और अवशिष्ट स्थिरता के आधार पर क्रेडिट प्रोपेगेशन को गतिशील रूप से गेट करने वाली विधि ने हमेशा प्रोपेगेट करने वाली या केवल अंतिम पुरस्कारों पर निर्भर रहने वाली रणनीतियों से बेहतर प्रदर्शन किया।
- ट्रिगरिंग: एंकर चयन के लिए एंट्रॉपी-आधारित ट्रिगरिंग ने अधिकांश कार्यों में रैंडम ट्रिगरिंग की तुलना में महत्वपूर्ण लाभ दिए।
- सिग्नल संयोजन: "प्रभाव" (स्थानीय संवेदनशीलता) और "प्रभाव" (डाउनस्ट्रीम स्थिरता) को संयोजित करना अकेले किसी भी सिग्नल का उपयोग करने की तुलना में बेहतर साबित हुआ।

महत्व और दावे

शोध पत्र का दावा है कि एजेंट-पर्यावरण अंतःक्रिया की संरचना स्वयं तर्क-आधारित पुनर्प्राप्ति एजेंटों को प्रशिक्षित करने के लिए उपयोगी पर्यवेक्षण प्रदान कर सकती है। पुनर्प्राप्ति अंतःक्रियाओं को केवल विरल (sparse), आउटकम-लेवल रिवॉर्ड्स के बजाय स्थानीयकृत लर्निंग सिग्नल्स के स्रोत के रूप में उपयोग करके, RICE-PO तर्क एजेंटों के अधिक कुशल और विश्वसनीय प्रशिक्षण को सक्षम बनाता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण महंगे क्रिटिक्स को प्रशिक्षित करने या बड़े मॉडलों पर निर्भर रहने के मुकाबले एक व्यावहारिक विकल्प प्रदान करता है। यह कार्य बहु-चरणीय भाषा प्रणाली अंतःक्रियाओं के विशिष्ट ढांचे, विशेष रूप से दृश्यमान निष्पादन योग्य क्रियाओं और सुप्त तर्क प्रक्रियाओं के बीच के अंतर को डिजाइन करने के महत्व को रेखांकित करता है। परिणाम बताते हैं कि प्रभावी ढंग से इंटरेक्शन सिग्नल्स का उपयोग करना, छोटे भाषा मॉडलों के साथ भी, तर्क-गहन पुनर्प्राप्ति में सुधार के लिए महत्वपूर्ण है।