Bounded Path Context: A Controlled Study of Visible Path History in LLM-Based Knowledge Graph Question Answering
यह शोध पत्र बाउंडेड पाथ कॉन्टेक्स्ट (BPC) प्रस्तुत करता है, जो एक ऐसी विधि है जो नॉलेज ग्राफ प्रश्न-उत्तर के दौरान एलएलएम (LLM) को दिखाई देने वाले पाथ हिस्ट्री को केवल सबसे हालिया हॉप्स (hops) तक सीमित करती है, और यह प्रदर्शित करती है कि यह दृष्टिकोण न केवल इनपुट टोकन को कम करता है बल्कि WebQSP और CWQ बेंचमार्क पर फुल-हिस्ट्री प्रॉम्प्टिंग के प्रदर्शन के बराबर या उससे बेहतर प्रदर्शन भी 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 पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि एक विशाल, आपस में जुड़े हुए पारिवारिक वृक्ष (family tree) में किसी विशिष्ट व्यक्ति को खोजना। आपके पास एक बहुत ही बुद्धिमान लेकिन थोड़ा भुलक्कड़ सहायक (AI) है और पूरे पारिवारिक वृक्ष का एक सटीक, विस्तृत मानचित्र (Knowledge Graph) है।
हर बार जब सहायक अगला सुराग खोजने के लिए एक कदम उठाता है, तो आपको उसे बताना पड़ता है कि वह कहाँ है और उसने अब तक क्या किया है।
पुराना तरीका: "जरूरत से ज्यादा समझाने वाला" सहायक
अधिकांश वर्तमान प्रणालियों में, हर बार जब सहायक पूछता है, "मुझे आगे किससे बात करनी चाहिए?", तो आप उसे एक विशाल, स्क्रॉल होता हुआ दस्तावेज़ थमा देते हैं जिसमें उसकी यात्रा के बिल्कुल शुरुआत से लेकर अब तक के हर एक कदम की सूची होती है।
- समस्या: भले ही सहायक की जेब में एक सटीक मानचित्र (कंप्यूटर की मेमोरी) है जो जानता है कि वह ठीक कहाँ है, फिर भी आप उसे अपनी पूरी यात्रा का इतिहास बार-बार पढ़ने के लिए मजबूर करते हैं।
- लागत: यह एक जीवनी के 500 पन्नों को बार-बार पढ़ने जैसा है, हर बार जब आप किसी से पूछते हैं, "लंच में क्या है?" इससे समय बर्बाद होता है, उनकी अल्पकालिक स्मृति (short-term memory) भर जाती है (जिससे वे धीमे हो जाते हैं), और उनके दिमाग में ऐसी पुरानी जानकारी का ढेर लग जाता है जिसकी उन्हें इस समय आवश्यकता नहीं है।
नया विचार: "बाउंडेड पाथ कॉन्टेक्स्ट" (Bounded Path Context - BPC)
इस शोध पत्र के लेखकों ने एक सरल प्रश्न पूछा: क्या सहायक को अगला निर्णय लेने के लिए वास्तव में पूरा इतिहास पढ़ने की आवश्यकता है?
उन्होंने एक नया नियम पेश किया जिसे बाउंडेड पाथ कॉन्टेक्स्ट (BPC) कहा जाता है। सहायक को पूरा स्क्रॉल देने के बजाय, वे उसे केवल पिछले कुछ कदम दिखाते हैं (या कभी-कभी, कोई भी कदम नहीं दिखाते)।
- सेटअप: कंप्यूटर अभी भी अपनी मेमोरी में पूरा सटीक इतिहास रखता है। लेकिन जब सहायक एक निर्णय लेता है, तो वह केवल प्रश्न, अपना वर्तमान स्थान, उपलब्ध विकल्प और शायद उसके द्वारा उठाए गए पिछले 1 या 2 कदम देखता है।
- उपमा: एक कार चलाने की कल्पना करें जिसमें GPS लगा है।
- पुराना तरीका: हर बार जब आप एक चौराहे पर पहुँचते हैं, तो GPS चिल्लाता है, "आपने न्यूयॉर्क से शुरुआत की, ओहियो से गुजरे, इंडियाना में एक गैस स्टेशन से गुजरे, केंटकी में बाएं मुड़े..."
- BPC तरीका: GPS बस कहता है, "आप इस चौराहे पर हैं। बाएं या दाएं मुड़ें।" कंप्यूटर जानता है कि आपने न्यूयॉर्क से शुरुआत की थी, लेकिन उसे आपको यह बताने की जरूरत नहीं है कि आपको मुड़ने में मदद करने के लिए।
उन्होंने क्या पाया
शोधकर्ताओं ने दो बड़े पहेली डेटासेट (WebQSP और CWQ) पर एक स्मार्ट AI मॉडल (Qwen3.5) का उपयोग करके इसका परीक्षण किया। उन्होंने सहायक के लिए अलग-अलग "मेमोरी लिमिट" आजमाई:
- K=0: कोई इतिहास न दिखाएं (केवल वर्तमान स्थान)।
- K=1: केवल पिछला कदम दिखाएं।
- Full: पूरा इतिहास दिखाएं (पुराना तरीका)।
चौंकाने वाले परिणाम:
- कम ही अधिक है (Less is More): कई मामलों में, सहायक को कम इतिहास दिखाने से वह वास्तव में अधिक बुद्धिमान और तेज हो गया।
- एक डेटासेट पर, केवल पिछला कदम दिखाना (K=1) सबसे अच्छा स्कोर लाया।
- दूसरे डेटासेट पर, बिना किसी इतिहास के (K=0) सबसे अच्छा स्कोर मिला।
- "फुल हिस्ट्री" (Full History) विधि वास्तव में इन परीक्षणों में सबसे खराब या दूसरे सबसे खराब प्रदर्शन करने वाली रही।
- संसाधनों की बचत: पुराने इतिहास को हटाकर, सिस्टम ने काफी कम "टोकन" (शब्दों/डेटा की इकाइयों) का उपयोग किया। यह कार यात्रा में ईंधन बचाने जैसा है।
- मॉडल का आकार मायने रखता है:
- बड़ा, अधिक बुद्धिमान AI (9B पैरामीटर्स) बिना किसी इतिहास के भी बहुत अच्छा प्रदर्शन करता है।
- छोटा AI (4B पैरामीटर्स) संदर्भ को याद रखने में मदद के लिए केवल एक कदम का इतिहास पसंद करता है, लेकिन उसे पूरी किताब की आवश्यकता नहीं होती।
ऐसा क्यों हुआ?
शोध पत्र सुझाव देता है कि जब आप AI को पूरा इतिहास दिखाते हैं, तो वह पुराने, अप्रासंगिक विवरणों से विचलित हो जाता है। यह शोर भरे कमरे में बातचीत पर ध्यान केंद्रित करने की कोशिश करने जैसा है; यदि आप पूरे दिन की कहानी चिल्लाते रहेंगे, तो सुनने वाला भ्रमित हो जाएगा।
इतिहास को सीमित करके, AI केवल वर्तमान स्थिति और तत्काल विकल्पों पर ध्यान केंद्रित करता है, जो अक्सर सही कदम उठाने के लिए पर्याप्त होता है।
मुख्य निष्कर्ष
यह शोध पत्र निष्कर्ष निकालता है कि हमें यह मानकर नहीं चलना चाहिए कि ग्राफ में नेविगेट करने वाले AI के लिए "अधिक इतिहास बेहतर है"। इसके बजाय, हमें दिखाया जाने वाले इतिहास की मात्रा को एक ट्यूनेबल सेटिंग (समायोज्य सेटिंग) के रूप में मानना चाहिए।
कभी-कभी, AI को पहेली सुलझाने में मदद करने का सबसे अच्छा तरीका उसे वर्तमान क्षण पर ध्यान केंद्रित करने देना है, यह भरोसा करते हुए कि कंप्यूटर की मेमोरी बाकी कहानी को बैकग्राउंड में सुरक्षित रूप से संभाल रही है। यह सिस्टम को तेज़, सस्ता और कभी-कभी अधिक सटीक बनाता है।
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।