💻 computer science

Learning to Label: A Reinforced Self-Evolving Framework for Semi-supervised Referring Expression Segmentation

यह शोध पत्र लर्निंग टू लेबल (L2L) का प्रस्ताव करता है, जो एक सुदृढ़ स्व-विकसित ढांचा (reinforced self-evolving framework) है जो सिमेंटिक-स्पेशियल प्रायर्स के लिए मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है और सीमित एनोटेशन के तहत सेमी-सुपरवाइज्ड रेफरिंग एक्सप्रेशन सेगमेंटेशन को बेहतर बनाने के लिए सूडो-लेबल चयन को एक अनुकूली निर्णय लेने की प्रक्रिया के रूप में तैयार करता है।

मूल लेखक: Runlong Cao, Ying Zang, Chuanwei Zhou, Tianrun Chen, Tong Zhang, Zhen Cui, Chunyan Xu

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Runlong Cao, Ying Zang, Chuanwei Zhou, Tianrun Chen, Tong Zhang, Zhen Cui, Chunyan Xu

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 रोबोट को किसी फोटो में विशिष्ट वस्तुओं को खोजने के लिए सिखाने की कोशिश कर रहे हैं, जो आपको दिए गए एक वाक्य पर आधारित हो, जैसे "लाल कॉलर पहने हुए कुत्ता" या "बाईं ओर पिज्जा का स्लाइस।" इस कार्य को रेफरिंग एक्सप्रेशन सेगमेंटेशन (Referring Expression Segmentation) कहा जाता है। रोबोट को उस सटीक वस्तु के चारों ओर एक आदर्श रूपरेखा (outline) खींचनी होगी।

आमतौर पर, रोबोट को इस तरह से अच्छी तरह से सिखाने के लिए, आपको हजारों फोटो चाहिए होते हैं जहाँ एक इंसान ने बड़ी मेहनत से उनके चारों ओर हाथ से रूपरेखा खींची हो। यह महंगा और धीमा है। सेमी-सुपरवाइज्ड लर्निंग (Semi-supervised learning) एक शॉर्टकट है: आप रोबमाट को कुछ फोटो पूर्ण रूपरेखा (लेबल किया गया डेटा) के साथ देते हैं और बिना रूपरेखा वाली फोटो का एक बड़ा ढेर देते हैं, इस उम्मीद में कि रोबोट बाकी चीजें खुद ही समझ लेगा।

समस्या क्या है? जब रोबोट बिना लेबल वाले फोटो के लिए रूपरेखा का अनुमान लगाने की कोशिश करता है, तो वह अक्सर भ्रमित हो जाता है। वह केवल कॉलर के बजाय पूरे कुत्ते के चारों ओर एक घेरा बना सकता है, या वह एक समान दिखने वाली वस्तु से विचलित हो सकता है। यदि आप बस रोबोट को कहते हैं, "ठीक है, अपने अपने अनुमानों पर भरोसा करो," तो वह अक्सर अपनी गलतियों से सीखता है, जिससे त्रुटियों का एक चक्र बन जाता है।

यह पेपर एक नया फ्रेमवर्क पेश करता है जिसे लर्निंग टू लेबल (L2L - Learning to Label) कहा जाता है। इसे एक स्मार्ट, स्वयं-सुधार करने वाले ट्यूटर सिस्टम के रूप में समझें। यह कैसे काम करता है, यहाँ तीन सरल भागों में दिया गया है:

1. "सुपर-ऑब्जर्वर" (MLLM)

सबसे पहले, सिस्टम एक "सुपर-ऑब्जर्वर" को लाता है—एक विशाल, प्री-ट्रेंड एआई (जिसे मल्टीमॉडल लार्ज लैंग्वेज मॉडल या MLLM कहा जाता है) जो भाषा और छवियों को समझने में बहुत अच्छा है लेकिन पूर्ण नहीं है।

उपमा: कल्पना कीजिए कि आप एक भीड़ भरे स्टेडियम में एक विशिष्ट व्यक्ति को खोजने की कोशिश कर रहे हैं। आप मदद के लिए अपने एक सुपर-स्मार्ट दोस्त (MLLM) से पूछते हैं। आपका दोस्त कहता है, "मुझे लगता है कि वह नीली टोपी वाला आदमी है।" लेकिन आपका दोस्त कभी-कभी गलत भी हो सकता है, या शायद वह गलत व्यक्ति को देख रहा हो।
पेपर का दावा: सिस्टम इस सुपर-ऑब्जर्वर का उपयोग यह जानने के लिए करता है कि वस्तु कहाँ हो सकती है, इसका एक "रफ ड्राफ्ट" प्राप्त करने के लिए। यह इस ड्राफ्ट पर अंधाधुंध भरोसा नहीं करता; यह इसे केवल एक शुरुआती संकेत के रूप में उपयोग करता है।

2. "कैलिब्रेशन स्टेशन" (SPM)

अब, सिस्टम के पास दो राय हैं: सुपर-ऑब्जर्वर का रफ ड्राफ्ट और रोबोट का अपना अनुमान। कभी-कभी वे सहमत होते हैं; कभी-कभी वे पूरी तरह से असहमत होते हैं।

उपमा: कल्पना कीजिए कि आप और आपका दोस्त दोनों एक मानचित्र (मैप) देख रहे हैं। आपका दोस्त कहता है, "बाएं मुड़ें," लेकिन आप कहते हैं, "दाएं मुड़ें।" यदि आप केवल एक को चुन लेते हैं, तो आप रास्ता भटक सकते हैं। इसके बजाय, यह सिस्टम एक कैलिब्रेशन स्टेशन के रूप में कार्य करता है। यह देखता है कि आप में से प्रत्येक कितना आश्वस्त है। यदि आपका दोस्त 95% सुनिश्चित है लेकिन आप केवल 25% सुनिश्चित हैं, तो यह आपके दोस्त की ओर झुकता है। लेकिन यदि आप 98% सुनिश्चित हैं और आपका दोस्त केवल 40% सुनिश्चित है, तो यह आप पर भरोसा करता है।
पेपर का दावा: सिस्टम इन दोनों विचारों को मिलाता है, उन्हें उनकी निश्चितता के आधार पर भार (weight) देता है। यह एक "कैलिब्रेटेड" मार्गदर्शिका बनाता है जो अकेले उनमें से किसी एक की तुलना में अधिक विश्वसनीय है।

3. "स्मार्ट फिल्टर" (RPLE)

यह सबसे अनूठा हिस्सा है। आमतौर पर, कंप्यूटर एक निश्चित नियम का उपयोग यह तय करने के लिए करते हैं कि कौन से अनुमान उपयोग के लिए पर्याप्त अच्छे हैं (जैसे, "केवल उन अनुमानों पर भरोसा करें जो 80% सुनिश्चित हैं")।

उपमा: कल्पना कीजिए कि एक सख्त शिक्षक है जो कहता है, "मैं होमवर्क तभी स्वीकार करूँगा यदि आपने 80% सही किया हो।" यह बुरा है क्योंकि कभी-कभी कठिन प्रश्न के लिए 100% प्रयास भी जरूरी होता है भले ही आपने 60% ही प्राप्त किया हो, और कभी-कभी आसान प्रश्न केवल एक संयोग होता है।
पेपर का दावा: एक निश्चित नियम के बजाय, L2L एक रीइन्फोर्स्ड लर्निंग (Reinforced Learning) एजेंट का उपयोग करता है (जैसे कि ट्रायल एंड एरर से सीखने वाला एक वीडियो गेम कैरेक्टर)। यह एजेंट एक स्मार्ट फिल्टर के रूप में कार्य करता है। यह प्रशिक्षण प्रक्रिया को देखता है और पूछता है: "क्या यह अनुमान अभी उपयोगी है?"
- यदि रोबोट एक कठिन छवि के साथ संघर्ष कर रहा है, तो फिल्टर कह सकता है, "आइए थोड़ा उदार बनें और इस अनुमान का उपयोग रोबोट को सीखने में मदद करने के लिए करें।"
- यदि रोबोट आश्वस्त है लेकिन अनुमान शोर (noisy) वाला है, तो फिल्टर कहता है, "नहीं, इसे अनदेखा करें।"
- फिल्टर अपनी "सख्ती" को गतिशील रूप से समायोजित करना सीखता है, रोबोट को अच्छी प्रगति के लिए पुरस्कृत करता है और खराब डेटा से सीखने के लिए दंडित करता है।

परिणाम: एक स्वयं-विकसित लूप (Self-Evolving Loop)

पूरा सिस्टम एक लूप में काम करता है:

रोबोट एक अनुमान लगाता है।
सुपर-ऑब्जर्वर एक संकेत देता है।
कैलिब्रेशन स्टेशन उन्हें मिलाता है।
स्मार्ट फिल्टर यह तय करता है कि उस मिश्रण के कौन से हिस्से रोबोट को सिखाने के लिए भरोसेमंद हैं।
रोबोट फिल्टर किए गए डेटा से सीखता है, बेहतर होता है, और चक्र दोहराता है।

पेपर में क्या पाया गया:
लेखकों ने तीन मानक डेटासेट्स (RefCOCO, RefCOCO+, और RefCOCOg) पर परीक्षण किया, जिसमें बहुत कम लेबल किया गया डेटा (कुल छवियों का केवल 0.1% तक) था।

दावा: उनके तरीके (L2L) ने लगातार मौजूदा तरीकों को पछाड़ दिया। बहुत कम लेबल वाले डेटा के साथ भी, इसने "जीरो-शॉट" तरीकों (वे मॉडल जो बिना किसी प्रशिक्षण उदाहरण के कार्य करने का प्रयास करते हैं) से बेहतर प्रदर्शन किया।
निष्कर्ष: प्रशिक्षण डेटा के चयन को एक "सीखने के निर्णय" के रूप में मानने और एक सहायक (लेकिन अपूर्ण) एआई असिस्टेंट का उपयोग करके, यह सिस्टम खुद को बहुत अधिक सटीकता और विश्वसनीयता के साथ लेबल करना सीख सकता है।

संक्षेप में, पेपर का दावा है कि एक स्मार्ट, अनुकूलन योग्य फिल्टर और एक सहायक (लेकिन अपूर्ण) एआई सहायक का उपयोग करके कंप्यूटर को अपने स्वयं के प्रशिक्षण उदाहरणों को चुनना सिखाकर, हम बहुत कम मानवीय प्रयास के साथ बेहतर विजन सिस्टम बना सकते हैं।

तकनीकी सारांश: लर्निंग टू लेबल (L2L)

समस्या विवरण (Problem Statement)

सेमी-सुपरवाइज्ड रिफरिंग एक्सप्रेशन सेगमेंटेशन (SS-RES) का लक्ष्य लेबल किए गए इमेज-टेक्स्ट पेयर्स के एक छोटे सेट और अनलेबल डेटा के एक बड़े पूल का उपयोग करके सटीक पिक्सेल-स्तरीय लैंग्वेज ग्राउंडिंग प्राप्त करना है। मौजूदा सेमी-सुपरवाइज्ड सेगमेंटेशन विधियाँ साइडो-लेबलिंग (pseudo-labeling) और कंसिस्टेंसी रेगुलराइजेशन पर निर्भर करती हैं, लेकिन SS-RES में इन्हें सीधे लागू करना चुनौतीपूर्ण है क्योंकि इसमें संदर्भ संबंधी अस्पष्टता (referential ambiguity), ऑक्लूजन (occlusion), और दीर्घकालिक प्रासंगिक तर्क (long-range contextual reasoning) की आवश्यकता होती है। ये कारक अक्सर बाउंड्री अनिश्चितता और अस्थिर साइडो-मास्क (pseudo-masks) की ओर ले जाते हैं।

वर्तमान दृष्टिकोण आमतौर पर एक निश्चित कॉन्फिडेंस थ्रेशोल्ड का उपयोग करके साइडो-लेबल्स को फ़िल्टर करते हैं। हालाँकि, यह ह्यूरिस्टिक (heuristic) नाजुक है: अत्यधिक सख्त थ्रेशोल्ड सूचनात्मक नमूनों को छोड़ देते हैं, जबकि ढीले थ्रेशोल्ड शोर युक्त सुपरविजन पेश करते हैं जो प्रशिक्षण को दूषित कर देता है। इसके अलावा, हाल के कार्य मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLMs) और फाउंडेशन मॉडल्स (जैसे SAM) का उपयोग बाहरी प्रायर्स (priors) उत्पन्न करने के लिए करते हैं। फिर भी, ये प्रायर्स हमेशा विश्वसनीय नहीं होते हैं; MLLMs भ्रम (hallucination) का शिकार हो सकते हैं या ग्राउंडिंग ड्रिफ्ट (grounding drift) से ग्रस्त हो सकते हैं, और सेगमेंटेशन मॉडल ओवर-सेगमेंटेशन कर सकते हैं या विचलित हो सकते हैं। महत्वपूर्ण रूप से, MLLM प्रायर की कॉन्फिडेंस और सेगमेंटेशन मॉडल के अपने अनुमानों के बीच अक्सर एक महत्वपूर्ण, सैंपल-आधारित असहमति होती है, जो फिक्स्ड-थ्रेशोल्ड रणनीतियों को अप्रभावी बना देती है।

कार्यप्रणाली (Methodology)

लेखक लर्निंग टू लेबल (L2L) का प्रस्ताव करते हैं, जो एक सुदृढ़ स्व-विकसित (self-evolving) फ्रेमवर्क है जो साइडो-लेबल निर्माण को एक सीखने योग्य निर्णय लेने वाली प्रक्रिया के रूप में पुनर्गठित करता है। यह फ्रेमवर्क एक क्लोज्ड लूप में संचालित होता है जहाँ मल्टीमॉडल प्रायर्स, साइडो-लेबल चयन, और सेगमेंटेशन नेटवर्क सह-विकसित (co-evolve) होते हैं। आर्किटेक्चर के तीन मुख्य घटक हैं:

1. MLLM के साथ सिमेंटिक-स्पेशियल प्रायर (SPM)

सॉफ्ट सेगमेंटेशन प्रपोजल को इनिशियलाइज़ करने के लिए, L2L अनलेबल इमेज-टेक्स्ट पेयर्स के लिए सिमेंटिक ग्राउंडिंग संकेतों को निकालने के लिए एक पैरामीटर-फ्रीज़्ड MLLM का लाभ उठाता है। ये संकेत SAM2 को अनिश्चितता को बनाए रखते हुए घने, सॉफ्ट सेगमेंटेशन प्रपोजल ( $P^\dagger_i$ ) उत्पन्न करने के लिए प्रेरित करते हैं।

अनसर्टेन्टी-अवेयर कैलिब्रेशन: यह पहचानते हुए कि बाहरी प्रायर्स और मॉडल प्रेडिक्शन ( $P^w_i$ $P_{i}^{w}$ ) के बीच संघर्ष हो सकता है, SPM उन्हें लॉगिट स्पेस में एक पिक्सेल-एडैप्टिव वेट $\lambda(u)$ $λ (u)$ का उपयोग करके फ्यूज करता है। यह वेट निम्नलिखित के आधार पर कंप्यूट किया जाता है:
- पिक्सेल-वाइज सर्टेन्टी: एक मार्जिन-आधारित स्कोर $C(p)$ जो जैसे-जैसे प्रेडिक्शन अस्पष्टता (0.5) से दूर जाता है, बढ़ता है।
- सैंपल-लेवल एग्रीमेंट: एक ग्लोबल कंसिस्टेंसी स्कोर $W$ जो वीक प्रेडिक्शन और बाहरी प्रायर के बीच सहमति को मापता है।
फ्यूजन: कैलिब्रेटेड प्रायर $\tilde{P}^\dagger_i$ को बाहरी प्रायर और मॉडल प्रेडिक्शन के लॉजिट्स को वेट देकर जनरेट किया जाता है। यह सुनिश्चित करता है कि मॉडल बाहरी प्रायर पर अधिक भरोसा करे जब वह अनिश्चित हो, लेकिन प्रायर को तब दबा दे जब मॉडल कॉन्फिडेंट हो या जब ग्लोबल एग्रीमेंट कम हो।

2. सेल्फ-इवॉल्विंग सेगमेंटेशन मॉड्यूल (SESM)

SESM कैलिब्रेटेड प्रायर को एक पदानुक्रमित (hierarchical) सेगमेंटेशन नेटवर्क में एकीकृत करता है। स्टेटिक फ्यूजन के बजाय, यह सिमेंटिक और स्ट्रक्चरल गाइडेंस को इंजेक्ट करने के लिए एक स्टेज-एडैप्टिव गेटिंग मैकेनिज्म का उपयोग करता है।

ड्यूल गाइडेंस: मॉड्यूल टेक्स्ट एनकोडर से एक सिमेंटिक फील्ड ( $S$ ) और पिक्सेल-वाइज प्रायर से प्राप्त एक स्ट्रक्चरल फील्ड ( $G_j$ ) को जोड़ता है।
डायनामिक गेटिंग: एक यूनिफाइड कंडीशनिंग सिग्नल $M_j$ को सीखने योग्य स्टेज-वाइज गेटिंग फैक्टर्स ( $\alpha_j, \beta_j$ ) के माध्यम से सिंथेसाइज किया जाता है जो हाई-लेवल सिमेंटिक डिसएम्बिग्युएशन और लो-लेवल स्ट्रक्चरल रिफाइनमेंट को संतुलित करते हैं।
स्टेज-डिपेंडेंट इंटरेक्शन: शैलो स्टेज के लिए, स्थानिक सहसंबंध (spatial correspondence) को बनाए रखने के लिए स्ट्रक्चरल फील्ड को स्ट्रिक्ट लोकल प्रोजेक्शन के माध्यम से लागू किया जाता है। डीप स्टेज के लिए, क्रॉस-अटेंशन के माध्यम से ग्लोबल रिलेशनल रीजनिंग सक्षम की जाती है।
सेल्फ-इवोल्यूशन: स्ट्रक्चरल गाइडेंस को मॉडल के वीक प्रेडिक्शंस में सुधार के साथ इटरेटिव रूप से अपडेट किया जाता है, जिससे शोर धीरे-धीरे कम होता है और विश्वसनीयता बढ़ती है।

3. रीइन्फोर्स्ड साइडो-लेबल एक्सप्लोरेशन (RPLE)

फिक्स्ड थ्रेशोल्ड की सब-ऑप्टिमैलिटी को संबोधित करने के लिए, RPLE साइडो-लेबल स्वीकृति को एक सुदृढीकरण शिक्षण (Reinforcement Learning - RL) निर्णय प्रक्रिया के रूप में तैयार करता है।

स्टेट रिप्रेजेंटेशन: स्टेट $s_t$ में फ्यूज्ड प्रेडिक्शन के सांख्यिकीय फीचर्स (मीन, स्टैंडर्ड डेविएशन), फोरग्राउंड/बैकग्राउंड/इग्नोर किए गए पिक्सल्स के अनुपात, और सैंपल-लेवल एग्रीमेंट स्कोर शामिल हैं।
पॉलिसी सर्चर: एक एक्टर नेटवर्क ( $\pi_\phi$ ) प्रत्येक सैंपल के लिए अडैप्टिव फोरग्राउंड और बैकग्राउंड कॉन्फिडेंस थ्रेशोल्ड ( $\tau_{fg}, \tau_{bg}$ ) आउटपुट करता है।
क्रिटिक और रिवॉर्ड: एक क्रिटिक नेटवर्क ( $Q_\phi$ $Q_{ϕ}$ ) चयनित साइडो-लेबल्स का मूल्यांकन करता है। रिवॉर्ड को एक इंस्ट्रक्शनल गेन ( $\Delta\Phi_t$ $Δ Φ_{t}$ ) के रूप में परिभाषित किया गया है जिसमें तीन घटक शामिल हैं:
- सेपरेबिलिटी गेन ( $\Delta M$ ): फोरग्राउंड और बैकग्राउंड के बीच कंट्रास्टिव बाउंड्री को मापता है।
- कंसिस्टेंसी गेन ( $\Delta K$ ): मॉडल प्रेडिक्शन और कैलिब्रेटेड प्रायर के बीच सहमति को मापता है।
- कवरेज गेन ( $\Delta C$ ): चयनित पिक्सल्स के अंश को मापता है।
- अस्थिर थ्रेशोल्ड परिवर्तनों को रोकने के लिए एक स्टेबिलिटी पेनल्टी लागू की जाती है।
ऑप्टिमाइजेशन: पॉलिसी को डिटर्मिनिस्टिक पॉलिसी ग्रेडिएंट्स के माध्यम से अपेक्षित संचयी गुणवत्ता स्कोर को अधिकतम करने के लिए ऑप्टिमाइज़ किया जाता है, जो पूरे प्रशिक्षण के दौरान प्रिसिजन और कवरेज को गतिशील रूप से संतुलित करता है।

मुख्य योगदान (Key Contributions)

लर्निंग टू लेबल फ्रेमवर्क: लेखक L2L पेश करते हैं, जो साइडो-लेबल निर्माण को एक स्टेटिक थ्रेशोल्डिंग प्रक्रिया से बदलकर एक सीखने योग्य, सैंपल-एडैप्टिव निर्णय लेने वाली प्रक्रिया में बदल देता है, जिससे स्पार्स एनोटेशन के तहत पिक्सेल-लेवल सुपरविजन की अधिक विश्वसनीय माइनिंग संभव होती है।
MLLM-ड्रिवन प्रायर्स और कैलिब्रेशन: यह कार्य सॉफ्ट सेगमेंटेशन को इनिशियलाइज़ करने के लिए MLLM-ड्रिवन सिमेंटिक-स्पेशियल प्रायर्स पेश करता है और एक रीइन्फोर्स्ड सिलेक्शन मैकेनिज्म प्रस्तावित करता है जो मल्टीमॉडल प्रायर्स को मॉडल प्रेडिक्शंस के साथ फ्यूज करके उच्च-उपयोगिता वाले सुपरविजन की पहचान करता है।
अनुभवजन्य सत्यापन (Empirical Validation): RefCOCO, RefCOCO+, और RefCOCOg पर व्यापक प्रयोग विभिन्न लेबल बजट (0.1% से 10%) के तहत मौजूदा सेमी-सुपरवाइज्ड और बेसलाइन विधियों की तुलना में निरंतर सुधार प्रदर्शित करते हैं।

प्रयोगात्मक परिणाम (Experimental Results)

प्रदर्शन: L2L सभी डेटासेट्स और लेबल बजट में स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करता है। विशेष रूप से, अत्यंत कम-लेबल शासन (0.1% लेबल डेटा) के तहत, L2L जीरो-शॉट समकक्षों और मौजूदा सेमी-सुपरवाइज्ड बेसलाइन्स (जैसे, RESMatch, SemiRES) से बेहतर प्रदर्शन करता है।
एब्लेशन स्टडीज:
- SPM, SESM, या RPLE को अलग-अलग हटाने से प्रदर्शन में गिरावट आती है, जो अनसर्टेन्टी-अवेयर फ्यूजन, पदानुक्रमित गाइडेंस और अडैप्टिव थ्रेशोल्डिंग की आवश्यकता की पुष्टि करता है।
- SESM में वेटिंग स्ट्रैटेजी (डायनामिक गेटिंग) फिक्स्ड-वेट फ्यूजन की तुलना में बेहतर प्रदर्शन करती है, जो सिमेंटिक और स्ट्रक्चरल संकेतों को गतिशील रूप से संतुलित करने की आवश्यकता को प्रमाणित करती है।
- RPLE, स्टैटिक थ्रेशोल्डिंग की तुलना में काफी बेहतर प्रदर्शन करता है, जो दिखाया गया है कि थ्रेशोल्ड मानों के चयन के प्रति अत्यधिक संवेदनशील है।
मजबूती (Robustness): विधि फाउंडेशन मॉडल के चयन (जैसे, SAM बनाम SAM2, विभिन्न MLLM बैकबोन) में बदलाव के प्रति मजबूत है और तब भी प्रभावी रहती है जब MLLM प्रायर्स को नॉन-MLLM टीचर्स (जैसे, CARIS, CGFormer) द्वारा बदल दिया जाता है।
दक्षता: L2L द्वारा पेश किए गए अतिरिक्त ट्रेन करने योग्य पैरामीटर्स मामूली (~9.3M) हैं, और RL घटक हल्के हैं, जिससे इन्फरेंस-टाइम लागत नगण्य हो जाती है क्योंकि फाउंडेशन मॉडल्स फ्रीज़ रहते हैं।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि L2L अत्यंत कम एनोटेशन लागत के तहत डेटा-कुशल रिफरिंग सेगमेंटेशन सिस्टम बनाने के लिए एक मजबूत समाधान प्रदान करता है। साइडो-लेबलिंग को एक रीइन्फोर्स्ड, सेल्फ-इवॉल्विंग प्रक्रिया के रूप में मानकर, फ्रेमवर्क फिक्स्ड-थ्रेशोल्ड ह्यूरिस्टिक्स की भंगुरता और बाहरी प्रायर्स की अविश्वसनीयता को प्रभावी ढंग से कम करता है। लेखक दावा करते हैं कि उनका दृष्टिकोण सेगमेंटेशन मॉडल और साइडो-लेबल्स के संयुक्त अनुकूलन को सक्षम करता है, जिससे लेबल विश्वसनीयता में प्रगतिशील सुधार होता है। यह कार्य MLLMs की तर्क क्षमताओं का लाभ उठाने वाले सामान्यीकरण योग्य SS-RES सिस्टम की दिशा में एक कदम के रूप में प्रस्तुत किया गया है, बिना उनके संभावित भ्रम या ग्राउंडिंग ड्रिफ्ट से बाधित हुए।