🤖 AI

MIMO: Multilingual Information Retrieval via Monolingual Objectives

यह शोध पत्र MIMO का प्रस्ताव करता है, जो एक दो-चरणीय ढांचा है जो एक उच्च-प्रदर्शन वाले अंग्रेजी शिक्षक मॉडल से ज्ञान आसवन (knowledge distillation) का लाभ उठाता है और इसे क्रॉस-लिंगुअल कंट्रास्टिव लर्निंग के साथ संयुक्त रूप से अनुकूलित करता है ताकि संरेखण (alignment) और एकरूपता (uniformity) के बीच के समझौते को प्रभावी ढंग से संबोधित किया जा सके, जिससे बहुभाषी सूचना पुनर्प्राप्ति (Multilingual Information Retrieval) कार्यों में मौजूदा बेसलाइन से बेहतर प्रदर्शन किया जा सके।

मूल लेखक: Youngjoon Jang, Seongtae Hong, Heuiseok Lim

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Youngjoon Jang, Seongtae Hong, Heuiseok Lim

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 "MIMO: Monolingual Objectives के माध्यम से बहुभाषी सूचना पुनर्प्राप्ति (Multilingual Information Retrieval)" पेपर का सरल भाषा और रोजमर्रा के उदाहरणों के साथ स्पष्टीकरण दिया गया है।

समस्या: "भाषा द्वीप" (Language Island) प्रभाव

एक विशाल पुस्तकालय की कल्पना करें जहाँ दर्जनों अलग-अलग भाषाओं में किताबें लिखी गई हैं। आप लाइब्रेरियन (सर्च इंजन) के पास जाते हैं और अंग्रेजी में एक सवाल पूछते हैं।

एक आदर्श दुनिया में, लाइब्रेरियन सबसे प्रासंगिक किताब ढूंढ लेगा, भले ही वह कोरियाई, जर्मन, या रूसी में लिखी गई हो।

हालाँकि, यह पेपर बताता है कि वर्तमान सर्च इंजन ऐसे लाइब्रेरियन की तरह हैं जो एक समय में केवल एक ही भाषा बोल सकते हैं। यदि आप अंग्रेजी में पूछते हैं, तो वे केवल अंग्रेजी किताबों को देखते हैं। यदि आप कोरियाई में पूछते हैं, तो वे केवल कोरियाई किताबों को देखते हैं। उन्होंने "भाषा द्वीप" बना लिए हैं।

समस्या: जब एक सर्च इंजन इन सभी भाषाओं को एक बड़े ढेर में मिलाने की कोशिश करता है, तो वह भ्रमित हो जाता है। वह देखता है कि एक अंग्रेजी किताब और एक कोरियाई किताब के "आकार" (अक्षर और शब्द) अलग हैं, इसलिए वह सोचता है कि वे पूरी तरह से अलग विषय हैं, भले ही उनका अर्थ बिल्कुल एक ही हो।
परिणाम: सर्च इंजन भाषाओं के बीच के संबंध को जोड़ने में विफल रहता है। वह समान ध्वनि वाले शब्दों को एक साथ समूहित करता है लेकिन उन शब्दों को अलग कर देता है जिनका अर्थ एक ही है, सिर्फ इसलिए क्योंकि उन्हें अलग तरह से लिखा गया है।

समाधान: MIMO (एक "मास्टर ट्रांसलेटर" सिस्टम)

लेखकों ने MIMO नामक एक नई प्रशिक्षण विधि प्रस्तावित की है। MIMO को एक छात्र लाइब्रेरियन के लिए दो-चरणीय प्रशिक्षण कार्यक्रम के रूप में समझें जिसे एक बहुभाषी पुस्तकालय में खोजना सीखना है।

यह सिस्टम दो पात्रों का उपयोग करता है:

शिक्षक (The Teacher): एक अत्यंत बुद्धिमान, अत्यधिक अनुभवी लाइब्रेरियन जो केवल अंग्रेजी बोलता है लेकिन पुस्तकालय को किसी भी अन्य व्यक्ति से बेहतर जानता है।
छात्र (The Student): एक नया, छोटा लाइब्रेरियन जो कई भाषाएँ बोलता है लेकिन अभी तक पुस्तकालय को अच्छी तरह से नहीं जानता है।

चरण 1: "शैडोइंग" वार्म-अप (नॉलेज डिस्टिलेशन/ज्ञान आसवन)

सबसे पहले, छात्र अभी खोजने की कोशिश नहीं करता है। इसके बजाय, वह शिक्षक के बगल में खड़ा होता है।

शिक्षक एक अंग्रेजी किताब को देखता है और इशारा करता है कि उसे शेल्फ पर कहाँ रखा जाना चाहिए।
छात्र उसी किताब को देखता है, लेकिन कोरियाई, जर्मन या स्पेनिश में।
छात्र का काम शिक्षक की हाथ की गतिविधियों की नकल करना और उस विदेशी किताब को अंग्रेजी वाली किताब के ठीक उसी स्थान पर रखना है जहाँ शिक्षक ने उसे रखा है।

उपमा: कल्पना करें कि शिक्षक एक मास्टर शेफ है जो एक डिश को सजा रहा है। छात्र एक प्रशिक्षु है। भले ही सामग्रियां (भाषाएं) अलग दिखती हों, छात्र सीखता है कि उन सामग्रियों को प्लेट (डिजिटल स्पेस) पर ठीक वैसे ही सजाना है जैसे मास्टर शेफ करता है। यह एक "साझा मानचित्र" बनाता है जहाँ भाषा के बजाय अर्थ अधिक महत्वपूर्ण होता है।

चरण 2: "सर्च ड्रिल" (संयुक्त अनुकूलन/Joint Optimization)

अब जब छात्र जान गया है कि किताबों को कहाँ रखना है, तो उसे हजारों गलत किताबों के बीच से सही किताब ढूंढना सीखना होगा।

छात्र को एक भाषा में एक प्रश्न दिया जाता है और उसे किताबों के एक मिश्रित ढेर में उत्तर खोजना होता है।
यदि वह ऐसी किताब चुनता है जो दिखने में समान है लेकिन जिसका अर्थ कुछ और है (एक "नेगेटिव" उदाहरण), तो उसे दंडित किया जाता है।
महत्वपूर्ण बात: छात्र अभी भी शिक्षक पर नज़र रखता है। यदि छात्र भटकने लगता है और किसी किताब को गलत जगह रख देता है, तो शिक्षक का "भूत" (ghost) उसे वापस सही अंग्रेजी-आधारित स्थान पर खींच लाता है।

उपमा: यह एक डांस क्लास की तरह है। छात्र एक जटिल रूटीन (सही उत्तर ढूंढना) सीख रहा है जबकि उसने एक स्थिर पोल (शिक्षक का अंग्रेजी स्थान) को पकड़ रखा है ताकि वह गिर न जाए या रास्ता न भटक जाए।

यह बेहतर क्यों काम करता है

पेपर ने पाया कि पिछले तरीकों ने दो में से एक चीज़ करने की कोशिश की, और दोनों विफल रहे:

केवल खोजना (कॉन्ट्रास्टिव लर्निंग): लाइब्रेरियन ने समान शब्दों को ढूंढना सीखा, लेकिन वे सभी अंग्रेजी किताबों को एक साथ और सभी कोरियाई किताबों को एक साथ समूहबद्ध कर देते थे, जिससे वे कभी आपस में जुड़ नहीं पाए।
केवल कॉपी करना (केवल डिस्टिलेशन): लाइब्रेरियन ने किताबों को सही जगह रखना तो सीख लिया, लेकिन वे बहुत अधिक "गुच्छेदार" (clumped) हो गए। वे दो बहुत समान किताबों के बीच अंतर नहीं कर पा रहे थे क्योंकि सब कुछ बहुत करीब लग रहा था।

MIMO का जादू: इन दोनों को मिलाकर, MIMO सबसे अच्छा परिणाम देता है।

शिक्षक यह सुनिश्चित करता है कि "Apple" (अंग्रेजी) और "Manzana" (स्पेनिश) को एक ही अवधारणा माना जाए (एलाइनमेंट)।
सर्च ड्रिल यह सुनिश्चित करता है कि "Apple" अभी भी "Banana" से अलग और विशिष्ट बना रहे (यूनिफॉर्मिटी)।

परिणाम

लेखकों ने विभिन्न बेंचमार्क (जैसे Belebele डेटासेट और NeuCLIR) पर इसका परीक्षण किया।

प्रदर्शन: MIMO ने लगातार मौजूदा सर्च मॉडल्स को पछाड़ दिया। यह सही उत्तर खोजने में बेहतर था, भले ही प्रश्न और उत्तर पूरी तरह से अलग भाषाओं में हों।
निष्पक्षता: कई सिस्टमों में, यदि आप अंग्रेजी में प्रश्न पूछते हैं, तो आपको बेहतरीन परिणाम मिलते हैं। यदि आप हिंदी या वियतनामी में पूछते हैं, तो परिणाम गिर जाते हैं। MIMO ने इसे ठीक कर दिया। यह सभी भाषाओं के साथ निष्पक्ष व्यवहार करता है, जिससे आप चाहे किसी भी भाषा में बोलें, परिणाम सुसंगत मिलते हैं।
दक्षता: भले ही MIMO एक छोटा मॉडल (छात्र) उपयोग करता है, फिर भी इसने बहुत बड़े, पहले से बने व्यावसायिक मॉडलों के बराबर या उनसे बेहतर प्रदर्शन किया।

सारांश

यह पेपर MIMO पेश करता है, एक ऐसी विधि जो एक सर्च इंजन को एक "मास्टर इंग्लिश मॉडल" का उपयोग करके सभी भाषाओं को समझने के लिए प्रशिक्षित करती है। यह पहले सिस्टम को सभी भाषाओं को इस अंग्रेजी केंद्र के साथ मैप करना सिखाता है, और फिर इसे उस स्थान के भीतर प्रभावी ढंग से खोजना सिखाता है। परिणाम एक ऐसा सर्च इंजन है जिसे इस बात से फर्क नहीं पड़ता कि आप कौन सी भाषा बोलते हैं; वह बस यह समझता है कि आपका मतलब क्या है।

तकनीकी सारांश: MIMO (मोनोलिंगुअल उद्देश्यों के माध्यम से बहुभाषी सूचना पुनर्प्राप्ति)

1. समस्या विवरण

यह शोध पत्र वर्तमान मल्टीलिंगुअल इंफॉर्मेशन रिट्रीवल (MLIR) प्रणालियों की सीमाओं को संबोधित करता है, जो वास्तविक दुनिया के खोज वातावरण में उत्पन्न होती हैं जहाँ उपयोगकर्ता के प्रश्न (queries) और प्रासंगिक दस्तावेज़ एक मिश्रित-भाषा कॉर्पस के भीतर विभिन्न भाषाओं में मौजूद होते हैं। जबकि मौजूदा एम्बेडिंग मॉडल, जो मल्टी-मोनोलिंगुअल IR (जहाँ प्रश्न और दस्तावेज़ की भाषाएँ समान होती हैं) के लिए अनुकूलित हैं, एकल भाषाओं के भीतर अच्छा प्रदर्शन करते हैं, वे MLIR सेटिंग्स में संघर्ष करते हैं।

लेखक पारंपरिक प्रशिक्षण पद्धतियों (विशेष रूप से उन में जो मोनोलिंगुअल युग्दों पर मानक InfoNCE लॉस का उपयोग करती हैं) में दो प्राथमिक विफलता मोड की पहचान करते हैं:

भाषा क्लस्टरिंग (Language Clustering): केवल मोनोलिंगुअल डेटा पर प्रशिक्षित मॉडल अर्थ के बजाय भाषा के आधार पर एम्बेडिंग को क्लस्टर करने की प्रवृत्ति रखते हैं। जैसा कि चित्र 1 में दर्शाया गया है, विभिन्न भाषाओं में अनुवादित अर्थपूर्ण रूप से समान दस्तावेज़ों को एम्बेडिंग स्पेस में एक-दूसरे से दूर धकेला जाता है, जिससे कम कोसाइन समानता (cosine similarity) और पुनर्प्राप्ति विफलता होती है।
एलाइनमेंट और यूनिफॉर्मिटी के बीच ट्रेड-ऑफ (Trade-off between Alignment and Uniformity): भाषा के अंतर को पाटने के लिए क्रॉस-लिंगुअल कंट्रास्टिव लर्निंग (जैसे XLCO, LaKDA) को सीधे लागू करना अक्सर क्रॉस-लिंगुअल एलाइनमेंट (समानांतर ग्रंथों को एक साथ लाना) और एम्बेडिंग यूनिफॉर्मिटी (सूक्ष्म अर्थ संबंधी अंतरों को अलग करने के लिए एम्बेडिंग्स को समान रूप से फैलाना) के बीच के ट्रेड-ऑफ को बढ़ा देता है। मौजूदा विधियाँ अक्सर एक के लिए दूसरे का त्याग करती हैं, जिससे एक एकीकृत, उच्च-प्रदर्शन वाले सिमेंटिक स्पेस को प्राप्त करने में विफलता होती है।

2. कार्यप्रणाली: MIMO फ्रेमवर्क

लेखक MIMO का प्रस्ताव करते हैं, जो एक दो-चरणीय प्रशिक्षण फ्रेमवर्क है जिसे बहुभाषी प्रतिनिधित्व शिक्षण (representation learning) के लिए एक स्थिर अंग्रेजी सिमेंटिक स्पेस को एक पूर्ण एंकर के रूप में उपयोग करने के लिए डिज़ाइन किया गया है। यह फ्रेमवर्क एक उच्च-प्रदर्शन वाले "टीचर" मॉडल (जो विशेष रूप से अंग्रेजी पर प्रशिक्षित है) और एक "स्टूडेंट" मॉडल (एक बहुभाषी भाषा मॉडल) के साथ नॉलेज डिस्टिलेशन आर्किटेक्चर का उपयोग करता है।

चरण 1: क्रॉस-लिंगुअल डिस्टिलेशन वार्मअप

उद्देश्य: स्टूडेंट मॉडल के बहुभाषी एम्बेडिंग स्पेस को टीचर के अंग्रेजी एम्बेडिंग स्पेस की नकल करने के लिए इनिशियलाइज़ करना।
डेटा: OPUS कॉर्पस से अंग्रेजी-बहुभाषी समानांतर वाक्य युग्म (parallel sentence pairs)।
तंत्र: टीचर अंग्रेजी टेक्स्ट ( $t_{en}$ ) को एनकोड करता है, जबकि स्टूडेंट किसी भी भाषा में संबंधित टेक्स्ट ( $t_{XX}$ ) को एनकोड करता है। एक लीनियर प्रोजेक्शन लेयर स्टूडेंट के आउटपुट को टीचर के डायमेंशन में मैप करती है।
लॉस: उद्देश्य स्टूडेंट एम्बेडिंग और टीचर एम्बेडिंग के बीच कोसाइन डिस्टेंस को कम करना है:
$L_{Stage1} = 1 - \cos(\psi(E_s(t_{XX}), E_t(t_{en})))$
लक्षत: पुनर्प्राप्ति-विशिष्ट भेदभाव कार्यों को पेश करने से पहले एक मौलिक क्रॉस-लिंगुअल एलाइनमेंट स्थापित करना।

चरण 2: MLIR के लिए संयुक्त अनुकूलन (Joint Optimization)

उद्देश्य: पुनर्प्राप्ति भेदभाव (कंट्रास्टिव लर्निंग के माध्यम से) और क्रॉस-लिंगुअल एलाइनमेंट रिटेंशन (डिस्टिलेशन के माध्यम से) के लिए एक साथ अनुकूलित करना।
डेटा: mMARCO समानांतर डेटासेट जिसमें 14 भाषाएँ शामिल हैं। प्रशिक्षण उदाहरणों में एक अंग्रेजी प्रश्न/दस्तावेज़ युग्म और विभिन्न भाषाओं में उनके अनुवाद शामिल हैं।
तंत्र: स्टूडेंट मॉडल बहुभाषी प्रश्न-दस्तावेज़ युग्मों को प्रोसेस करता है।
लॉस फंक्शन: दो घटकों का भारित योग (weighted sum):
1. डिस्टिलेशन लॉस ( $L_{Distill}$ ): यह सुनिश्चित करता है कि बहुभाषी प्रश्नों और दस्तावेज़ों के लिए स्टूडेंट की एम्बेडिंग्स, टीचर की अंग्रेजी एम्बेडिंग्स के करीब बनी रहें, जिससे भाषा-आधारित विखंडन को रोका जा सके।
2. क्रॉस-लिंगुअल कंट्रास्टिव लॉस ( $L_{XLCO}$ ): क्रॉस-लिंगुअल प्रश्न-दस्तावेज़ युग्पों पर लागू मानक InfoNCE लॉस, जो नेगेटिव सैंपल्स के बीच पुनर्प्राप्ति भेदभाव को लागू करता है।
  $L_{Stage2} = \lambda \cdot L_{XLCO} + (1 - \lambda) \cdot L_{Distill}$
हाइपरपैरामीटर: भार $\lambda$ पुनर्प्राप्ति भेदभाव के अधिग्रहण और क्रॉस-लिंगुअल ज्ञान को बनाए रखने के बीच संतुलन बनाता है। लेखक अनुभवजन्य रूप से पाते हैं कि $\lambda = 0.2$ इष्टतम है।

3. प्रमुख योगदान

MIMO फ्रेमवर्क: एक नवीन दो-चरणीय पाइपलाइन जो एक मजबूत अंग्रेजी टीचर मॉडल से नॉलेज डिस्टिलेशन को क्रॉस-लिंगुअल कंट्रास्टिव लर्निंग के साथ जोड़ती है। यह दृष्टिकोण बहुभाषी एलाइनमेंट को निर्देशित करने के लिए अंग्रेजी स्पेस को एक स्थिर एंकर के रूप में उपयोग करता है।
विस्तारित एलाइनमेंट-यूनिफॉर्मिटी विश्लेषण: लेखक (Wang और Isola, 2020) के सैद्धांतिक ढांचे को क्रॉस-लिंगुअल सेटिंग्स के लिए विस्तारित करते हैं। वे प्रदर्शित करते हैं कि जबकि डिस्टिलेशन एलाइनमेंट को संचालित करता है और कंट्रास्टिव लर्निंग यूनिफॉर्मिटी को संचालित करती है, उनका संयुक्त अनुकूलन एक अनुकूल ट्रेड-ऑफ प्रदान करता है जिसे अकेले कोई भी घटक प्राप्त नहीं कर सकता।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): MIMO विविध MLIR और मल्टी-मोनोलिंगुअल बेंचमार्क में मौजूदा क्रॉस-लिंगुअल प्रशिक्षण बेसलाइन्स (InfoNCE, XLCO, LaKDA) को लगातार पछाड़ता है, चाहे स्टूडेंट मॉडल का पैरामीटर स्केल कुछ भी हो।

4. प्रयोगात्मक परिणाम

पेपर का मूल्यांकन छह MLIR बेंचमार्क (Belebele, MLQA, XQuAD, MultiEuP-v2, NeuCLIR22, NeuCLIR23) और MIRACL मल्टी-मोनोलिंगुअल बेंचमार्क पर किया गया है।

प्रदर्शन: MIMO परीक्षण किए गए बेसलाइन्स के बीच स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करता है। उदाहरण के लिए, xlm-roberta-large बैकबोन पर, MIMO MLIR बेंचमार्क पर औसतन 60.69 का nDCG@20 प्राप्त करता है, जो XLCO (53.18) और LaKDA (52.95) से काफी बेहतर है।
एब्लेशन स्टडीज (Ablation Studies):
- चरण 1 का महत्व: चरण 1 वार्मअप को हटाना (केवल चरण 2) सबसे कम प्रदर्शन की ओर ले जाता है, जो पुष्टि करता है कि कंट्रास्टिव लर्निंग लागू करने से पहले डिस्टिलेशन के माध्यम से एलाइनमेंट स्पेस को इनिशियलाइज़ करना महत्वपूर्ण है।
- लॉस बैलेंस: शुद्ध डिस्टिलेशन ( $\lambda=0$ ) खराब पुनर्प्राप्ति भेदभाव देता है, जबकि शुद्ध कंट्रास्टिव लर्निंग ( $\lambda=1$ ) क्रॉस-लिंगुअल एलाइनमेंट को कम कर देता है। इष्टतम संतुलन $\lambda=0.2$ पर पाया गया है।
एलाइनमेंट-यूनिफॉर्मिटी विश्लेषण: MIMO एलाइनमेंट-यूनिफॉर्मिटी प्लॉट के इष्टतम चतुर्थांश (quadrant) में स्थित है, जो उच्च स्थानिक यूनिफॉर्मिटी (~~-3.57) बनाए रखते हुए सबसे कम क्रॉस-लिंगुअल एलाइनमेंट त्रुटि (~~0.15) प्राप्त करता है, जबकि बेसलाइन्स कोलैप्स्ड एम्बेडिंग स्पेस या खराब एलाइनमेंट से जूझते हैं।
भाषा निष्पक्षता (Language Fairness): मल्टीलिंगुअल रैंक-बेस्ड कंसिस्टेंसी (MRC) मेट्रिक का उपयोग करते हुए, MIMO विभिन्न प्रश्न भाषाओं में बेहतर स्थिरता प्रदर्शित करता है, जो बेसलाइन्स की तुलना में अधिक समान रडार चार्ट बनाता है जो भाषा पूर्वाग्रह प्रदर्शित करते हैं।
जीरो-शॉट तुलना: जटिल हार्ड-नेगेटिव माइनिंग के बिना एक प्रतिबंधित समानांतर कॉर्पस पर प्रशिक्षित होने के बावजूद, MIMO (0.6B पैरामीटर्स) कई बड़े, ऑफ-द-शेल्फ मॉडलों (जैसे multilingual-e5-large, bge-m3) को पछाड़ता है और बहुत बड़े प्रोप्रायटरी मॉडलों (जैसे Qwen3-Embedding-8B) के प्रदर्शन के करीब पहुँच जाता है।

5. महत्व और दावे

पेपर का दावा है कि MIMO, एलाइनमेंट और यूनिफॉर्मिटी के बीच अंतर्निहित ट्रेड-ऑफ को हल करके MLIR के लिए एक मजबूत और सामान्यीकृत समाधान प्रदान करता है। एक स्थिर अंग्रेजी सिमेंटिक स्पेस के साथ बहुभाषी प्रतिनिधित्व को एंकर करके, फ्रेमवर्क स्टूडेंट मॉडल को क्रॉस-लिंगुअल सुसंगतता खोए बिना प्रभावी पुनर्प्राप्ति भेदभाव सीखने में सक्षम बनाता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण केवल क्रॉस-लिंगुअल एलाइनमेंट के लिए एक स्थानीय सुधार नहीं है, बल्कि मॉडल की प्रतिनिधित्व शक्ति (representational power) में एक मौलिक सुधार है, जो पारंपरिक मल्टी-मोनोलिंगुअल IR सेटिंग्स में भी प्रदर्शन को बढ़ाता है। वे नोट करते हैं कि हालांकि उनका वर्तमान कार्यान्वयन समानांतर कॉर्पेटा पर निर्भर है और 14 भाषाओं तक सीमित है, यह कार्यप्रणाली अनसुपरवाइज्ड तकनीकों के माध्यम से कम-संसाधन वाली भाषाओं तक विस्तार करने और समानांतर डेटा पर निर्भरता को कम करने के लिए भविष्य के कार्य के लिए एक आशाजनक दिशा प्रदान करती है।

स्वीकृत सीमाएँ:

प्रशिक्षण और मूल्यांकन वर्तमान में mMARCO के साथ ओवरलैप करने वाली 14 भाषाओं तक सीमित हैं।
पाइपलाइन मौलिक रूप से समानांतर कॉर्पेटा पर निर्भर है, जो कम प्रतिनिधित्व वाली भाषाओं के लिए एक बाधा हो सकती है।
निर्मित MLML बेंचमार्क सख्त समानांतरता (strict parallelism) पर आधारित हैं, जो वास्तविक वेब रिट्रीवल की विषयगत विविधता और ढीले संरेखण (loose alignment) को पूरी तरह से कैप्चर नहीं कर सकते हैं।