Simorgh at SemEval-2026 task 7: Region-Aware Hybrid Retrieval for Low-Resource Cultural Reasoning in Multilingual Question Answering
यह शोध पत्र सिमरघ (Simorgh) प्रस्तुत करता है, जो एक क्षेत्र-जागरूक हाइब्रिड रिट्रीवल सिस्टम है जो 30 भाषाओं में सांस्कृतिक रूप से आधारित बहुभाषी प्रश्न-उत्तर को बेहतर बनाने के लिए क्षेत्रीय ह्यूरिस्टिक्स के साथ लेक्सिकल और डेंस सिमेंटिक मैचिंग को जोड़ता है, जो शुद्ध पैरामीट्रिक इन्फरेंस की तुलना में बेहतर क्रॉस-लिंगुअल स्थिरता प्रदर्शित करता है और डेटा असंतुलन के कारण बनी निरंतर प्रदर्शन अंतराल को रेखांकित 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 आपके पास एक सुपर-स्मार्ट विश्वकोश रोबोट (एक लार्ज लैंग्वेज मॉडल) है जिसने इंटरनेट पर मौजूद लगभग सब कुछ पढ़ लिया है। यदि आप उससे पूछते हैं, "न्यूयॉर्क में लोग थैंक्सगिविंग पर क्या खाते हैं?" तो वह इसका सटीक उत्तर देता है क्योंकि उसने इसके बारे में लाखों लेख पढ़े हैं। लेकिन यदि आप उससे पूछते हैं, "इथियोपिया के एक छोटे से गाँव में शादी मनाने का पारंपरिक तरीका क्या है?" तो वह गलत अनुमान लगा सकता है, मनगढ़ंत बातें बना सकता है, या बहुत ही सामान्य उत्तर दे सकता है। ऐसा इसलिए है क्योंकि रोबोट का "दिमाग" ज्यादातर पश्चिमी देशों और अंग्रेजी बोलने वालों की जानकारी से भरा हुआ है, जिससे वह कई अन्य संस्कृतियों के बारे में अनभिज्ञ रह जाता है।
आपके द्वारा साझा किया गया शोध पत्र, जिसका शीर्षक "Simorgh at SemEval-2026 task 7" है, तेब्रीज़ विश्वविद्यालय के शोधकर्ताओं की एक टीम की रिपोर्ट है जिन्होंने इस "अंध बिंदु" (blind spot) को ठीक करने की कोशिश की। उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है:
समस्या: "एक ही आकार सबके लिए" वाला रोबोट (The "One-Size-Fits-All" Robot)
शोधकर्ताओं ने पाया कि ये एआई रोबंतु सामान्य ज्ञान में तो बहुत अच्छे हैं लेकिन "सांस्कृतिक सामान्य ज्ञान" (cultural common sense) के मामले में बहुत खराब हैं। यदि आप उनसे इथियोपिया, इंडोनेशिया या ईरान जैसी जगहों के रोजमर्रा के जीवन के बारे में पूछते हैं, तो वे अक्सर भ्रमित हो जाते हैं (hallucinate) या रूढ़ियों (stereotypes) पर निर्भर हो जाते हैं। यह एक ऐसे शेफ से पूछने जैसा है जो केवल इतालवी खाना बनाना जानता है और उससे एक पारंपरिक थाई व्यंजन बनाने को कहा जाए; वह सही सामग्री तो इस्तेमाल कर सकता है लेकिन स्वाद पूरी तरह से गलत हो सकता है क्योंकि उसने उस विशिष्ट व्यंजन का अध्ययन नहीं किया है।
समाधान: एक "सांस्कृतिक जासूस" प्रणाली (A "Cultural Detective" System)
केवल रोबोट को सब कुछ याद रखने के लिए कहने के बजाय, टीम ने एक दो-चरणीय प्रणाली बनाई ताकि वह सही उत्तर खोजने में मदद कर सके। इसे जवाब देने से पहले रोबोट को एक आवर्धक लेंस (magnifying glass) और एक स्थानीय गाइड देने के रूप में समझें।
चरण 1: हाइब्रिड सर्च (आवर्धक लेंस - The Magnifying Glass)
रोबोट के उत्तर देने से पहले, सिस्टम सुराग खोजने के लिए दस्तावेजों के एक पुस्तकालय में जाता है। लेकिन यह केवल शब्दों के सटीक मिलान की तलाश नहीं करता है। यह एक "हाइब्रिड" दृष्टिकोण का उपयोग करता है:
- कीवर्ड हंटर (BM25): यह सटीक शब्दों को खोजता है। यदि प्रश्न "चाय" (tea) के बारे में है, तो यह "tea" शब्द वाले दस्तावेज़ ढूंढता है।
- अर्थ समझने वाला (Semantic Similarity): यह भाव या अर्थ को समझता है। यह जानता है कि "chai" और "tea" आपस में संबंधित हैं, भले ही शब्द अलग हों।
- क्षेत्रीय बोनस (गुप्त नुस्खा - The Secret Sauce): यह टीम का विशेष तरीका है। यदि उन्हें मिला दस्तावेज़ प्रश्न के उसी क्षेत्र से है, तो वे उसे एक "बोनस स्कोर" देते हैं।
- उपमा: कल्पना कीजिए कि आप "केसर वाले चावल" (Saffron Rice) के लिए रेसिपी ढूंढ रहे हैं। यदि आपको ईरान से कोई रेसिपी मिलती है, तो आप किसी अन्य देश की रेसिपी की तुलना में उस पर अधिक भरोसा करेंगे, भले ही सामग्री समान दिखती हो। यह सिस्टम स्थानीय स्रोतों को प्राथमिकता देता है।
यह सिस्टम शीर्ष 5 सबसे सहायक दस्तावेज़ों को चुनने के लिए इन स्कोरों को जोड़ता है।
चरण 2: संरचित क्विज़ (स्थानीय गाइड - The Structured Quiz)
एक बार जब सिस्टम के पास शीर्ष 5 दस्तावेज़ आ जाते हैं, तो वह रोबोट को स्वतंत्र रूप से "चैट" करने की अनुमति नहीं देता है। इसके बजाय, यह एक सख्त, संरचित प्रॉम्प्ट बनाता है:
- यह प्रश्न के ठीक ऊपर 5 सबसे अच्छे दस्तावेज़ों को चिपका देता है।
- यह रोबोट को एक बहुविकल्पीय प्रश्न (A, B, C, या D) देता है।
- रोबोट (विशेष रूप से Qwen3-14B नामक मॉडल) को एक "सांस्कृतिक तर्क विशेषज्ञ" (cultural reasoning expert) के रूप में कार्य करने के लिए कहा जाता है।
एक लंबा पैराग्राफ लिखने के बजाय, रोबोट उन चार अक्षरों (A, B, C, D) को देखता है और उस विकल्प को चुनता है जो उसके द्वारा अभी पढ़े गए दस्तावेजों के आधार पर सबसे अधिक सही होने की संभावना रखता है। यह उत्तर देने की प्रक्रिया को तेज़ बनाता है और रोबोट को बिना सोचे-समझे बोलने या प्रारूपण (formatting) की त्रुटियां करने से रोकता है।
उन्हें क्या मिला
टीम ने इस प्रणाली का परीक्षण BLEnD पर किया, जो भोजन, खेल, परिवार और छुट्टियों जैसे विषयों पर 30 अलग-अलग भाषाओं में प्रश्नों का एक विशाल डेटा बैंक है।
- अच्छी खबर: यह प्रणाली केवल रोबोट को अपने आप अनुमान लगाने देने की तुलना में बहुत बेहतर काम करती है। "क्षेत्रीय बोनस" और सर्च सिस्टम का उपयोग करके, रोबotong अधिक स्थिर और सटीक हो गया, विशेष रूप से विभिन्न भाषाओं के बीच चलते समय।
- बुरी खबर: रोबोट अभी भी उन भाषाओं के साथ संघर्ष करता है जिनका इंटरनेट पर बहुत कम डेटा उपलब्ध है (जैसे अम्हारिक्, हौसा या सुंदरसे)। यदि लाइब्रेरी में खोजने के लिए अच्छे स्थानीय दस्तावेज़ ही नहीं हैं, तो "आवर्धक लेंस" के बावजूद, रोबोट फंस जाता है।
- सीमा (Limitation): यह प्रणाली मौजूदा दस्तावेज़ों को खोजने पर निर्भर करती है। यदि सांस्कृतिक ज्ञान कहीं ऐसा नहीं लिखा गया है जिसे सिस्टम ढूंढ सके, तो रोबोट उसे आविष्कार नहीं कर सकता। साथ भी, क्योंकि रोबोट "क्वांटाइज्ड" (मेमोरी बचाने के लिए संकुचित) है, इसलिए वह सूक्ष्म अंतर (nuance) खो सकता है, जिससे वह बहुत जटिल भाषाओं के साथ थोड़ा कम सटीक हो सकता है।
निष्कर्ष (The Bottom Line)
शोधकर्ताओं ने दिखाया कि आप विभिन्न संस्कृतियों को समझने के लिए केवल एआई की याददाश्त पर भरोसा नहीं कर सकते। आपको उसे स्थानीय साक्ष्य खोजने और क्षेत्रीय स्रोतों को प्राथमिकता देने के लिए एक उपकरण देना होगा। हालांकि यह बहुत मदद करता है, लेकिन यह समस्या को पूरी तरह से ठीक नहीं कर सकता यदि इंटरनेट में पहले से ही किसी विशिष्ट संस्कृति के बारे में पर्याप्त जानकारी उपलब्ध न हो। टीम का सुझाव है कि भविष्य के एआई को अधिक विविध डेटा पर प्रशिक्षित करने की आवश्यकता है और उन्हें केवल वही जानने पर निर्भर रहने के बजाय सांस्कृतिक सुराग खोजने के स्मार्ट तरीकों का उपयोग करना चाहिए।
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।