Planning with the Views via Scene Self-Exploration
यह शोध पत्र ViewSuite प्रस्तुत करता है, जो एक 3D बेंचमार्क है जो यह दर्शाता है कि विजन-लैंग्वेज मॉडल मल्टी-टर्न प्लानिंग के लिए व्यू-एक्शन ट्रांसफॉर्मेशन को कंपोज़ करने में संघर्ष करते हैं, और एक व्यू ग्राफ डिस्टिलेशन के साथ एक इटरेटिव सेल्फ-एक्सप्लोरेशन फ्रेमवर्क प्रस्तावित करता है जो स्पार्स रिवार्ड्स को दूर करके और GPT-4o जैसे अग्रणी मॉडलों से आगे निकलकर प्लानिंग परफॉरमेंस को महत्वपूर्ण रूप से बढ़ाता 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 विशाल, अपरिचित घर में हैं जिसमें हजारों कमरे हैं, और कोई आपको किसी एक कमरे के एक विशिष्ट कोने की फोटो थमाता है। आपका लक्ष्य उस घर में घूमना, चारों ओर देखना और तब तक ढूंढना है जब तक कि आप उस सटीक स्थान पर न पहुँच जाएँ और कह न सकें, "मैं यहाँ हूँ।"
यह वह चुनौती है जिसे VIEWSUITE पेपर हल करता है, लेकिन एक इंसान के बजाय, वे AI Vision-Language Models (VLMs)—स्मार्ट कंप्यूटर जो तस्वीरें देख सकते हैं और टेक्स्ट पढ़ सकते हैं—का परीक्षण कर रहे हैं।
यहाँ उनकी खोज और इसे ठीक करने के तरीके की कहानी है, जिसे सरल भाषा में समझाया गया है:
1. समस्या: "एक-कदम" वाला जीनियस बनाम "लंबी-हाइकिंग" का संघर्ष
शोधकर्ताओं ने पाया कि ये AI मॉडल वास्तव में एक-कदम की सोच (one-step thinking) में काफी अच्छे होते हैं।
- परीक्षण: यदि आप AI को एक कमरे की तस्वीर दिखाते हैं और कहते हैं, "यदि मैं दो बार दाईं ओर मुड़ता हूँ, तो मुझे क्या दिखाई देगा?" तो AI आमतौर पर नई तस्वीर का सही अनुमान लगा लेता है।
- विफलता: लेकिन यदि आप उससे पूछते हैं, "इस विशिष्ट फोटो को खोजने के लिए घर के माध्यम से रास्ता बनाओ," तो AI तुरंत खो जाता है। वह मुड़ना तो जानता है, लेकिन वह रास्ता प्लान (plan a route) नहीं कर सकता। यह एक ऐसे व्यक्ति की तरह है जो एक एकल कदम उठाना तो जानता है, लेकिन यदि उसे एक गंतव्य तक 10-कदम की यात्रा की योजना बनाने के लिए कहा जाए, तो वह चक्कर खाकर भ्रमित हो जाता है।
पेपर इसे "प्लानिंग गैप" (Planning Gap) कहता है। AI हिलने-डुलने के नियमों (बाएं मुड़ना, आगे बढ़ना) को समझता है, लेकिन वह उन्हें एक लंबी अवधि की योजना में जोड़ने में विफल रहता है।
2. वातावरण: एक डिजिटल "पॉइंट क्लाउड" भूलभुलैया
इसका परीक्षण करने के लिए, टीम ने VIEWSUITE बनाया।
- एक वास्तविक घर के 3D मैप की कल्पना करें, जो लाखों छोटे बिंदुओं (जैसे धूल के डिजिटल बादल) से बना है।
- AI के पास कोई शरीर नहीं है; वह इस बादल में तैरता हुआ केवल एक "कैमरा" है। वह आगे, पीछे, ऊपर, नीचे जा सकता है और घूम सकता है।
- लक्ष्य इस बादल में नेविगेट करके एक लक्षित (target) फोटो से मेल खाना है।
3. असफल प्रयास: "बस और मेहनत करो" क्यों काम नहीं आया
टीम ने AI को सिखाने के लिए मानक तरीकों का उपयोग किया, जो बिल्कुल वैसा ही है जैसे आप किसी कुत्ते को इनाम देकर प्रशिक्षित करते हैं:
- डायरेक्ट रीइन्फोर्समेंट लर्निंग (Direct Reinforcement Learning): उन्होंने AI को इधर-उधर भटकने दिया। यदि वह लक्ष्य के करीब पहुँच जाता, तो उसे एक "इनाम" (रिवॉर्ड) मिलता।
- परिणाम: यह अच्छी तरह से काम नहीं किया। AI बिना किसी दिशा के भटकता रहा। क्योंकि "इनाम" मिलना बहुत दुर्लभ था (सटीक स्थान ढूंढना कठिन है), AI कभी भी सही रास्ता नहीं सीख सका। यह किसी को घास के ढेर में सुई खोजने के लिए यह सिखाने जैसा था कि यदि वे सुई पकड़ लेंगे तभी उन्हें कुकी मिलेगी; वे कभी कुकी नहीं पा सकेंगे, इसलिए वे कभी सीख भी नहीं पाएंगे।
4. सफलता का सूत्र: "स्क्रैपबुक" रणनीति
टीम को समझ आया कि एक चतुर बात: जब AI विफल होता है, तब भी वह कुछ सीखता है।
- यदि AI बिंदु A से बिंदु B तक जाने की कोशिश करता है और चूक जाता है, तो भी वह सीख जाता है कि "बिंदु A, बिंदु B से जुड़ा हुआ है।"
- वे समझ गए कि हर एक प्रयास, चाहे वह सफल हो या नहीं, एक पहेली का हिस्सा है।
उन्होंने View Graph Distillation नामक एक प्रणाली बनाई। इसे इस प्रकार समझें:
- स्व-अन्वेषण (Self-Exploration): AI डिजिटल घर में घूमता है और हजारों रास्ते बनाता है।
- स्क्रैपबुक (View Graph): वे इन सभी भटकने वाले रास्तों को लेते हैं और उन्हें एक विशाल "स्क्रैपबुक" (ग्राफ) में चिपका देते हैं। यह स्क्रैपबुक मानचित्रित करती है कि हर कमरा दूसरे कमरे से कैसे जुड़ता है।
- डिस्टिलेशन (स्क्रैपबुक से सीखना): AI को केवल भाग्यशाली होने का इंतज़ार करने के बजाय, टीम इस स्क्रैपबुक से रास्ते लेती है और उन्हें पाठ (lessons) में बदल देती है।
- पुराना तरीका: "लक्ष्य को खोजो।" (बहुत कठिन, AI खो जाता है)।
- नया तरीका: "यहाँ स्क्रैपबुक से एक रास्ता है जो काम कर गया। यहाँ शुरुआत है, यहाँ अंत है, और बीच के चरण ये हैं। अब, तुम इसे करने की कोशिश करो।"
भटकने (अन्वेषण) और स्क्रैपबुक का अध्ययन करने (डिस्टिलेशन) के बीच लगातार स्विच करके, AI ने योजना बनाना सीख लिया।
5. परिणाम: खो जाने से लेकर मास्टर बनने तक
परिणाम नाटकीय थे:
- पहले: AI (Qwen2.5-VL-7B मॉडल का उपयोग करते हुए) केवल 2.5% बार सफल होता था। वह मूल रूप से केवल अनुमान लगा रहा था।
- बाद में: उनकी "स्क्रैपबुक" प्रशिक्षण पद्धति के साथ, सफलता बढ़कर 47.8% हो गई।
- तुलना: यह प्रशिक्षित AI इस विशिष्ट कार्य में उपलब्ध सबसे उन्नत व्यावसायिक मॉडलों (जैसे GPT-5.4 Pro और Gemini 3.1 Pro, जो केवल 18-21% तक पहुँचे) से भी बेहतर हो गया।
मुख्य निष्कर्ष
यह पेपर सिद्ध करता है कि AI मॉडल केवल जो वे देखते हैं उस पर प्रतिक्रिया देने के बजाय, 3D स्पेस में सक्रिय रूप से योजना (actively plan) बनाना सीख सकते हैं। सफलता का रहस्य केवल उन्हें अधिक डेटा देना नहीं था; बल्कि उन्हें अपनी गलतियों को मूल्यवान सबक के रूप में देखना सिखाना था। हर असफल प्रयास को एक संरचित मानचित्र (View Graph) में बदलकर, उन्होंने AI को दुनिया का मानसिक मानचित्र बनाने में मदद की, जिससे वह एक स्पष्ट योजना के साथ जटिल स्थानों में नेविगेट कर सका।
संक्षेप में: उन्होंने AI को अंधे होकर भटकने के बजाय, अपने ही "गलतियों के मानचित्र" को पढ़कर घर का रास्ता ढूँढना सिखाया।
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।