🤖 machine learning

CoMem: Context Management with A Decoupled Long-Context Model

CoMem एक नवीन ढांचा है जो $k$ -स्टेप-ऑफ एसिंक्रोनस पाइपलाइन और रिवॉर्ड-ड्रिवन ट्रेनिंग का उपयोग करके मेमोरी मैनेजमेंट को प्राथमिक एजेंट वर्कफ़्लो से अलग करता है, जिससे लंबे-कॉन्टेक्स्ट एजेंटिक कार्यों में उच्च प्रदर्शन बनाए रखते हुए इन्फरेंस लेटेंसी को काफी कम किया जाता है।

मूल लेखक: Yuwei Zhang, Chengyu Dong, Shuowei Jin, Changlong Yu, Hejie Cui, Hongye Jin, Xinyang Zhang, Hamed Bonab, Colin Lockard, Jianshu Chen, Zhenyu Shi, Jingbo Shang, Xian Li, Bing Yin

प्रकाशित 2026-06-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuwei Zhang, Chengyu Dong, Shuowei Jin, Changlong Yu, Hejie Cui, Hongye Jin, Xinyang Zhang, Hamed Bonab, Colin Lockard, Jianshu Chen, Zhenyu Shi, Jingbo Shang, Xian Li, Bing Yin

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

यहाँ COMEM पेपर का स्पष्टीकरण दिया गया है, जिसे सरल अवधारणाओं और रचनात्मक उपमाओं (analogies) के माध्यम से विभाजित किया गया है।

बड़ी समस्या: "ओवरलोडेड लाइब्रेरियन" (अतिभारित पुस्तकालयाध्यक्ष)

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान, सुपर-स्मार्ट लाइब्रेरियन (AI एजेंट) है जिसका काम जटिल पहेलियों को हल करना है, जैसे कि एक विशाल सॉफ़्टवेयर कोडबेस में बग्स (bugs) को ठीक करना। ऐसा करने के लिए, लाइब्रेरियन को अब तक की बातचीत के पूरे इतिहास और की गई हर कार्रवाई को पढ़ना पड़ता है।

जैसे-जैसे बातचीत लंबी होती जाती है (हजारों स्टेप्स), लाइब्रेरियन को हर जगह किताबों का एक बढ़ता हुआ ढेर (इंटरैक्शन हिस्ट्री) अपने साथ ले जाना पड़ता है।

बाधा (The Bottleneck): हर बार जब लाइब्रेरियन को कोई निर्णय लेने की आवश्यकता होती है, तो उसे सही पेज खोजने के लिए किताबों के इस विशाल ढेर को पलटना पड़ता है।
परिणाम: लाइब्रेरियन धीरे-धीरे धीमा होता जाता है। कंप्यूटर की भाषा में, इसे लेटेंसी (latency) कहा जाता है। कंप्यूटर की मेमोरी (बुकशेल्फ़) इतनी भर जाती है कि वह लाइब्रेरियन की गति के साथ तालमेल नहीं बिठा पाती, जिससे पूरा सिस्टम रुक (stall) जाता है।

समाधान: COMEM (द "डिकपल्ड" अप्रोच)

इस पेपर के लेखकों ने, COMEM, लाइब्रेरी को व्यवस्थित करने का एक चतुर नया तरीका प्रस्तावित किया है। भारी किताबों का ढेर मुख्य लाइब्रेरियन को ढोने के लिए मजबूर करने के बजाय, वे एक विशेष, तेज़ सहायक (मेमोरी मॉडल) को काम पर रखते हैं।

यह कैसे काम करता है, इसके चरण यहाँ दिए गए हैं:

1. श्रम का विभाजन (Division of Labor)

मुख्य लाइब्रेरियन (एजेंट मॉडल): यह बड़ा, शक्तिशाली दिमाग है जो अंतिम निर्णय लेता है। यह बहुत स्मार्ट है लेकिन भारी भार उठाने में धीमा है।
सहायक (मेमोरी मॉडल): यह एक छोटा, तेज़ और हल्का कार्यकर्ता है। इसका एकमात्र काम पुराने, भारी किताबों को पढ़ना और क्या हुआ, इसका एक छोटा, संक्षिप्त सारांश (summary) लिखना है।

2. "के-स्टेप-ऑफ" पाइपलाइन (रिले रेस)

पुराने तरीके में, लाइब्रेरियन को अगला कदम उठाने से पहले सहायक द्वारा सारांश पूरा करने का इंतज़ार करना पड़ता था। इससे एक कतार बन जाती थी।

COMEM एक रिले रेस (Relay Race) सिस्टम पेश करता है:

सहायक बैकग्राउंड में, k स्टेप्स पहले के इतिहास का सारांश तैयार करता है।
जब सहायक सारांश लिख रहा होता है, तब मुख्य लाइब्रेरियन सबसे हालिया नोट्स और पिछले सारांश का उपयोग करके अपना काम जारी रखता है।
जब तक लाइब्रेरियन को नए सारांश की आवश्यकता होती है, तब तक सहायक उसे पहले ही पूरा कर चुका होता है।
जादू: सारांश बनाने में लगने वाला समय "छिप" जाता है क्योंकि यह तब होता है जब लाइब्रेरियन पहले से ही काम में व्यस्त होता है। लाइब्रेरियन को कभी भी रुककर इंतज़ार नहीं करना पड़ता।

3. "सफिशिएंट स्टैटिस्टिक्स" ट्रेनिंग (सहायक को सिखाना)

आप पूछ सकते हैं: "क्या होगा अगर सहायक बहुत अधिक सारांश बना दे और महत्वपूर्ण विवरण भूल जाए?"

इसे ठीक करने के लिए, लेखकों ने केवल सहायक को "अच्छी अंग्रेजी" लिखना नहीं सिखाया। उन्होंने इसे एक रिवॉर्ड सिस्टम (पुरस्कार प्रणाली) का उपयोग करके प्रशिक्षित किया:

उन्होंने सहायक को एक लंबा इतिहास दिखाया।
फिर उन्होंने मुख्य लाइब्रेरियन से पूछा: "यदि आपके पास पूरा इतिहास होता तो आप क्या करते?" (सही उत्तर)।
फिर, उन्होंने लाइब्रेरियन से पूछा: "यदि आपके पास केवल सहायक का सारांश होता तो आप क्या करते?"
लक्ष्य: सहायक को पुरस्कार तभी मिलता है जब लाइब्रेरियन सारांश के साथ भी बिल्कुल वही निर्णय लेता है जो वह पूरे इतिहास के साथ लेता।
यह सहायक को केवल "सफिशिएंट स्टैटिस्टिक्स" (पर्याप्त सांख्यिकी) रखने के लिए प्रशिक्षित करता है—यानी न्यूनतम आवश्यक जानकारी जो सही चुनाव करने के लिए जरूरी है—जबकि फालतू की बातों को हटा देता है।

परिणाम: तेज़ और स्मार्ट

पेपर ने इस सिस्टम का परीक्षण एक वास्तविक दुनिया की चुनौती पर किया: SWE-Bench, जिसमें सॉफ़्टवेयर बग्स को ठीक करना शामिल है (एक बहुत लंबा, जटिल कार्य)।

गति: COMEM ने मानक पद्धति की तुलना में सिस्टम को 1.4x से 2.08x तेज़ बनाया। कुछ उच्च-तनाव वाली स्थितियों में (जब कई कार्य एक साथ चल रहे हों), यह लगभग 5x तेज़ था।
प्रदर्शन: सारांशों का उपयोग करने के बावजूद, सिस्टम ने लगभग उतने ही बग्स हल किए जितने कि उस धीमे, भारी सिस्टम ने हल किए थे जो सब कुछ पढ़ता है।
स्केलेबिलिटी (Scalability): आप एक साथ जितने अधिक कार्य चलाते हैं, COMEM उतना ही बेहतर प्रदर्शन करता है। यह सिस्टम को मेमोरी के कारण "जाम" होने से रोकता है।

निचोड़ (The Bottom Line)

COMEM को AI के लिए एक स्मार्ट ट्रैफिक कंट्रोलर के रूप में समझें। AI को बहुत अधिक कार्गो (माल) ढोने के कारण ट्रैफिक में फंसने देने के बजाय, COMEM उस कार्गो को छोटे, तेज़ डिलीवरी बाइक्स (मेमोरी मॉडल) के बेड़े पर उतार देता है जो ट्रक के समानांतर चलते हैं। ट्रक अपनी पूरी गति से चलता रहता है, जबकि बाइक बैकग्राउंड में भारी काम संभालती है, यह सुनिश्चित करती है कि ड्राइवर के पास हमेशा नवीनतम मैप हो और उसे कभी रुकना न पड़े।

यह AI एजेंटों को बहुत लंबे, जटिल कार्यों को बिना धीमा या महंगा हुए संभालने की अनुमति देता है, जिससे वे वास्तविक दुनिया के उपयोग के लिए बहुत अधिक व्यावहारिक बन जाते हैं।

तकनीकी सारांश: COMEM - एक डीकप्ल्ड लॉन्ग-कॉन्टेक्स्ट मॉडल के साथ कॉन्टेक्स्ट मैनेजमेंट

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सॉफ़्टवेयर इंजीनियरिंग या वैज्ञानिक खोज जैसे दीर्घकालिक कार्यों (long-horizon tasks) के लिए डिप्लॉय किए जाने वाले लार्ज लैंग्वेज मॉडल (LLM) एजेंटों के दौरान आने वाली गंभीर कम्प्यूटेशनल लेटेंसी और मेमोरी बॉटलनेक्स को संबोधित करता है। जबकि आधुनिक LLMs स्वाभाविक रूप से लाखों टोकन तक के कॉन्टेक्स्ट विंडो स्वीकार कर सकते हैं, ऑनलाइन एजेंट इन्फरेंस के दौरान उनका उपयोग करना अत्यधिक महंगा है।

मुख्य समस्या ऑटो-रिग्रेसिव डिकोडिंग स्टेज (auto-regressive decoding stage) में निहित है। जैसे-जैसे इंटरैक्शन हिस्ट्री ( $\tau$ ) बढ़ती है, की-वैल्यू (KV) कैश फुटप्रिंट रैखिक रूप से बढ़ता जाता है। प्रीफिल स्टेज के विपरीत, जो कंप्यूट-बाउंड और पैरेललाइज़ेबल है, डिकोडिंग स्टेज मेमोरी-बाउंड होती है। हर जनरेट किए गए टोकन के लिए संपूर्ण KV कैश को फेच करना GPU के हाई बैंडविड्थ मेमोरी (HBM) को सैचुरेट कर देता है, जिससे उच्च लेटेंसी उत्पन्न होती है जो यूजर एक्सपीरियंस को खराब करती है और सिस्टम थ्रूपुट को सीमित करती है।

मौजूदा समाधान दो श्रेणियों में आते हैं जिनकी अपनी सीमाएं हैं:

कॉन्टेक्स्ट रिडक्शन (Context Reduction): स्लाइडिंग-विंडो अटेंशन जैसी रणनीतियां दूरस्थ डिपेंडेंसीज को याद रखने की क्षमता का बलिदान देती हैं, जबकि रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) अक्सर उच्च-स्तरीय प्रक्रियात्मक अवस्थाओं (procedural states) को कैप्चर करने में विफल रहता है, जिससे तर्क खंडित (fragmented reasoning) हो जाता है।
सिस्टम-लेवल ऑप्टिमाइज़ेशन: PagedAttention, स्पार्स अटेंशन, और KV कैश क्वांटाइजेशन जैसी तकनीकें थ्रूपुट में सुधार करती हैं लेकिन हर डिकोडिंग स्टेप पर एक विशाल, स्थिर इंटरैक्शन हिस्ट्री पर पुनः ध्यान देने (re-attending) की रेडंडेंसी को समाप्त नहीं करती हैं। अंततः, ये ऑप्टिमाइज्ड इंजन भी तब एक "लेटेंसी वॉल" से टकरा जाते हैं जब इंटरैक्शन ट्रेसेस अनिश्चित काल के लिए बढ़ते जाते हैं।

2. कार्यप्रणाली: COMEM फ्रेमवर्क (Methodology: The COMEM Framework)

लेखक COMEM प्रस्तावित करते हैं, जो मेमोरी मैनेजमेंट को प्राथमिक एजेंट वर्कफ्लो से अलग (decouple) करता है। एक ही बड़े मॉडल को हिस्ट्री कंप्रेशन और पॉलिसी जनरेशन दोनों संभालने के लिए मजबूर करने के बजाय, COMEM लॉन्ग-कॉन्टेक्स्ट प्रोसेसिंग को एक समर्पित, लाइटवेट समराइजेशन मॉडल पर ऑफलोड करता है।

2.1 आर्किटेक्चरल डीकप्लिंग (Architectural Decoupling)

सिस्टम दो अलग-अलग घटकों से बना है:

मेमोरी मॉडल ( $f$ ): एक नेटिव लॉन्ग-कॉन्टेक्स्ट मॉडल जिसका पैरामीटर काउंट कम है और डिकोडिंग मैकेनिज्म हल्का है। इसकी भूमिका लंबी अवधि की हिस्ट्री ( $\tau_{<t}$ ) को एक संक्षिप्त लेटेंट समरी स्टेट ( $s_t$ ) में कंप्रेस करना है।
एजेंट मॉडल ( $\pi$ ): एक अधिक सक्षम, बड़ा मॉडल जो संकुचित सारांश (compressed summary) और हालिया रॉ इंटरैक्शंस के एक शॉर्ट-टर्म बफर के आधार पर एक्शन जेनरेट करता है।

औपचारिक रूप से, एजेंट की पॉलिसी को इस प्रकार परिभाषित किया गया है:
$a_t \sim \pi(a_t | s_t, C_t; \theta_\pi)$
जहाँ $s_t = f(\tau_{<t-k})$ संकुचित सारांश है और $C_t$ हाल के $k$ रॉ टर्न्स को दर्शाता है।

2.2 $k$ -स्टेप-ऑफ एसिंक्रोनस पाइपलाइन ( $k$ -step-off Asynchronous Pipeline)

एजेंट को मेमोरी मॉडल द्वारा हिस्ट्री कंप्रेस करने के दौरान खाली (idle) बैठने से रोकने के लिए, COMEM एक $k$ -स्टेप-ऑफ एसिंक्रोनस पाइपलाइन पेश करता है:

लैगिंग समरी (Lagging Summary): मेमोरी मॉडल बैकग्राउंड में चलता है, जो एजेंट से $k$ स्टेप्स पीछे रहता है।
ओवरलैप (Overlap): जबकि मेमोरी मॉडल स्टेप $t$ तक की हिस्ट्री को कंप्रेस कर रहा है, एजेंट सबसे हालिया उपलब्ध सारांश ( $s_{t-k}$ ) को हाल के रॉ इंटरैक्शंस के बफर के साथ जोड़कर स्टेप $t+1$ से $t+k$ को निष्पादित करना जारी रखता है।
कैश मैनेजमेंट (Cache Management): जब नया सारांश उपलब्ध होता है, तो एजेंट का KV कैश इनवैलिडेट कर दिया जाता है, और एक फुल अनकैच्ड प्रीफिल (uncached prefill) किया जाता है। चक्र के अगले $k-1$ स्टेप्स के लिए, एजेंट कैश किए गए प्रीफिक्स का पुन: उपयोग करता है, जिससे नगण्य ओवरहेड होता है।

यह डिज़ाइन लॉन्ग-कॉन्टेक्स्ट कंप्रेशन के भारी काम को एसिंक्रोनस रूप से होने की अनुमति देता है, जिससे कॉन्टेक्स्ट प्रोसेसिंग की लेटेंसी छिप (mask) जाती है।

2.3 रिवॉर्ड-ड्रिवन ट्रेनिंग (GRPO)

मानक समराइजेशन मॉडल अक्सर उन "सफीशिएंट स्टैटिस्टिक्स" (sufficient statistics) को कैप्चर करने में विफल रहते हैं जो इष्टतम एजेंट निर्णय लेने के लिए आवश्यक होते हैं। इसे संबोधित करने के लिए, लेखक ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइज़ेशन (GRPO) का उपयोग करके एक ट्रेनिंग रणनीति पेश करते हैं।

उद्देश्य: मेमोरी मॉडल को फंक्शनल इक्विवेलेंस (functional equivalence) पर आधारित रिवॉर्ड को मैक्सिमाइज करने के लिए प्रशिक्षित किया जाता है, न कि टेक्स्ट क्वालिटी पर।
मैकेनिज्म: एजेंट मॉडल ( $\pi$ ) फ्रीज रहता है। एक कैंडिडेट सारांश $s$ के लिए, एजेंट एक एक्शन $\hat{a}_t$ जेनरेट करता है। रिवॉर्ड $R(s)$ , फुल-कॉन्टेक्स्ट एजेंट द्वारा जेनरेट किए गए ग्राउंड-ट्रुथ एक्शन $a^*_t$ और $\hat{a}_t$ के बीच की समानता है।
परिणाम: यह मेमोरी मॉडल को केवल उस जानकारी को डिस्टिल करने के लिए मजबूर करता है जो एजेंट के लिए फुल-कॉन्टेक्स्ट पॉलिसी को रिकवर करने हेतु आवश्यक है, जिससे बिना महंगे ऑनलाइन एनवायरनमेंट इंटरैक्शन के अप्रासंगिक शोर (noise) को हटाया जा सके।

2.4 सैद्धांतिक विश्लेषण (Theoretical Analysis)

पेपर नेट लेटेंसी रिडक्शन सुनिश्चित करने के लिए फुल कॉन्टेक्स्ट ( $L_{full}$ ) के सापेक्ष सारांश लंबाई ( $L_{sum}$ ) के लिए एक सैद्धांतिक बाउंड प्रदान करता है। डिकोडिंग स्पीडअप को सारांश के एक-बार के प्रीफिलिंग कॉस्ट को एमॉर्टाइज (amortize) करना चाहिए। व्युत्पन्न असमानता (derived inequality) बताती है कि विशिष्ट हाई-थ्रूपुट सेटिंग्स (जैसे, A100 पर Qwen3-32B) के लिए, स्पीडअप प्राप्त करने के लिए सारांश की लंबाई फुल कॉन्टेक्स्ट लंबाई के ~23% से कम होनी चाहिए।

3. मुख्य योगदान (Key Contributions)

डीकप्ल्ड आर्किटेक्चर: एक फ्रेमवर्क जो मेमोरी मैनेजमेंट को रीजनिंग से अलग करता है, जिससे कुशल हिस्ट्री कंप्रेशन के लिए स्पेशलाइज्ड, लाइटवेट मॉडल्स का उपयोग संभव होता है।
एसिंक्रोनस इन्फरेंस: एक नवीन $k$ -स्टेप-ऑफ पाइपलाइन जो मेमोरी समराइजेशन को एजेंट एक्जीक्यूशन के साथ ओवरलैप करती है, प्रभावी रूप से कॉन्टेक्स्ट प्रोसेसिंग लेटेंसी को मास्क करती है।
फंक्शनल एलाइनमेंट: एजेंट के निर्णय लेने की जरूरतों के साथ मेमोरी मॉडल को अलाइन करने के लिए GRPO का उपयोग करने वाली एक ट्रेनिंग पद्धति, जो यह सुनिश्चित करती है कि संकुचित सारांश पर्याप्त सांख्यिकी (sufficient statistics) को कैप्चर करे।
एम्पिरिकल वैलिडेशन: स्टेट-ऑफ-द-आर्ट लॉन्ग-कॉन्टेक्स्ट बेसलाइन्स के मुकाबले प्रतिस्पर्धी प्रदर्शन बनाए रखते हुए महत्वपूर्ण लेटेंसी रिडक्शन प्रदर्शित करने वाले व्यापक प्रयोग।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन तीन एजेंट बैकबोन्स: DeepSWE (32B), Qwen3-Coder-Max (480B), और GLM-4.7 (355B) का उपयोग करके SWE-Bench-Verified पर किया गया।

लेटेंसी सुधार: COMEM ने वैनिला लॉन्ग-कॉन्टेक्स्ट सॉल्यूशंस की तुलना में एंड-टू-एंड इन्फरेंस टाइम में 1.4x से 2.08x की स्पीडअप हासिल की।
- हाई कंकरेंसी (बैच साइज 256) के साथ GLM-4.7 पर, स्पीडअप 2.52x तक पहुँच गया।
- पीक पर-स्टेप स्पीडअप हाई कंकरेंसी लेवल पर 4.95x तक पहुँचा।
परफॉरमेंस प्रिजर्वेशन (Performance Preservation):
- DeepSWE बैकबोन पर, COMEM (GRPO) ने 41.0% रेजोल्यूशन रेट हासिल किया, जो फुल-कॉन्टेक्स्ट बेसलाइन (40.4%) से थोड़ा बेहतर है।
- बड़े मॉडल्स के लिए, रिवॉर्ड-ड्रिवन ट्रेनिंग ने बेस और SFT वेरिएंट की तुलना में प्रदर्शन को महत्वपूर्ण रूप से रिकवर किया, जिससे फुल-कॉन्टेक्स्ट अपर बाउंड के साथ गैप कम हो गया।
स्केलेबिलिटी: लेटेंसी गेन्स बढ़े हुए सिस्टम थ्रूपुट के साथ अनुकूल रूप से स्केल करते हैं। जबकि फुल-कॉन्टेक्स्ट बेसलाइन्स हाई कंकरेंसी के कारण KV कैश सैचुरेशन के चलते नॉन-लीनियर लेटेंसी विस्फोट का सामना करते हैं, COMEM लीनियर स्केलिंग बनाए रखता है।
संसाधन दक्षता: एक सिंगल 4B मेमोरी मॉडल सर्वर लगभग 300 कंकरेंट GLM-4.7 एजेंट इंस्टेंस को सपोर्ट कर सकता है, जो दर्शाता है कि आर्किटेक्चरल ओवरहेड स्केल पर नगण्य है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि COMEM एजेंट रीजनिंग और मेमोरी कंप्रेशन के स्वतंत्र ऑप्टिमाइज़ेशन के लिए एक मॉड्यूलर पथ प्रदान करता है। कंप्यूटेशनल बोझ को क्रिटिकल डिकोडिंग पाथ से एक पैरेलल बैकग्राउंड प्रोसेस में स्थानांतरित करके, COMEM एक बेहतर एफिशिएंसी-इफेक्टिवनेस ट्रेड-ऑफ प्राप्त करता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण:

डिप्लॉयमेंट बाधाओं को कम करता है: रियल-टाइम एप्लिकेशन्स में परिष्कृत एजेंटों को डिप्लॉय करने के लिए लेटेंसी और मेमोरी आवश्यकताओं को कम करता है, जिससे लॉन्ग-कॉन्टेक्स्ट क्षमताएं रिसोर्स-कंस्ट्रेंड हार्डवेयर पर भी सुलभ हो जाती हैं।
"ग्रीन AI" को सक्षम बनाता है: लॉन्ग-होरिज़न एजेंटिक कार्यों के लिए आवश्यक कम्प्यूटेशनल संसाधनों और ऊर्जा को काफी कम करता है, जिससे विशाल LLM इन्फरेंस का कार्बन फुटप्रिंट कम होता है।
मौजूदा तकनीक का पूरक है: यह फ्रेमवर्क स्पार्स अटेंशन जैसे आर्किटेक्चरल ऑप्टिमाइज़ेशन के ऑर्थोगोनल (orthogonal) है; COMEM में उपयोग किया जाने वाला अंडरलाइंग मेमोरी मॉडल और भी अधिक दक्षता के लिए ऐसी तकनीकों का उपयोग कर सकता है।

यह कार्य निष्कर्ष निकालता है कि मेमोरी मैनेजमेंट को डीकपल करना वर्तमान एजेंटिक सिस्टमों में निहित लेटेंसी दीवारों को पार करने के लिए एक व्यवहार्य और आवश्यक रणनीति है, जो उन्हें अत्यधिक कम्प्यूटेशनल लागतों के बिना जटिल, मल्टी-स्टेप समस्याओं को हल करने में सक्षम बनाती है।