🤖 AI

The Deterministic Horizon: When Extended Reasoning Fails and Tool Delegation Becomes Necessary

यह शोध पत्र प्रदर्शित करता है कि डिकोडर-ओनली (decoder-only) LLMs एक आर्किटेक्चरल "डिटरमिनिस्टिक होराइजन" (लगभग 19-31 चरण) का सामना करते हैं जहाँ सूचना-सैद्धांतिक अटेंशन बॉटलनैक्स (information-theoretic attention bottlenecks) के कारण विस्तारित चेन-ऑफ-थॉट (chain-of-thought) तर्क विफल हो जाता है, जिससे डिटरमिनिस्टिक स्टेट-ट्रैकिंग कार्यों पर उच्च सटीकता प्राप्त करने के लिए टूल-डेलीगेटेड हाइब्रिड दृष्टिकोणों की ओर बदलाव आवश्यक हो जाता है।

मूल लेखक: Dongxin Guo, Jikun Wu, Siu Ming Yiu

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dongxin Guo, Jikun Wu, Siu Ming Yiu

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 "The Deterministic Horizon" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: "मानसिक ब्लैकबोर्ड" की सीमा (The Mental Blackboard Limit)

कल्पना कीजिए कि आप एक जटिल पहेली हल करने की कोशिश कर रहे हैं, जैसे कि स्लाइडिंग टाइल गेम या कोई बहु-चरणीय गणित की समस्या। आपके पास एक "मानसिक ब्लैकबोर्ड" है जहाँ आप हर चाल के बाद पहेली की वर्तमान स्थिति को लिखते हैं।

यह पेपर तर्क देता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) का ब्लैकबोर्ड टूटा हुआ है।

लंबे समय से, हम सोचते थे कि यदि हम इन AI मॉडल्स को बस "ज़्यादा गहराई से सोचने" (जिसे चेन-ऑफ-थॉट कहा जाता है) और "ज़्यादा कदम उठाने" के लिए कहें, तो वे कठिन समस्याओं को हल करने में बेहतर हो जाएंगे। यह पेपर कहता है: नहीं।

यदि किसी कार्य के लिए कई चरणों में सटीक विवरणों को याद रखने की आवश्यकता है (जैसे कि एक कंप्यूटर प्रोग्राम या एक सख्त लॉजिक पहेली), तो AI का मस्तिष्क वास्तव में जितना लंबा वह सोचता है, उतना ही धुंधला (fog up) होने लगता है। एक निश्चित बिंदु के बाद, सोचने के चरणों को बढ़ाने से मदद नहीं मिलती; इससे AI भ्रमित (hallucinate) होने लगता है और गलत उत्तर देता है।

"डिटरमिनिस्टिक होराइजन" (The Deterministic Horizon)

लेखक इस सीमा को डिटरमिनिस्टिक होराइजन कहते हैं। इसे हाईवे पर दिखने वाली "कोहरे की रेखा" (fog line) की तरह समझें।

कोहरे की रेखा से पहले (चरण 1–20): AI स्पष्ट रूप से देख सकता है। वह पहेली की स्थिति को पूरी तरह से ट्रैक कर सकता है।
कोहरे की रेखा पर (चरण 20–30): AI भ्रमित होने लगता है। वह दो नंबरों को आपस में बदल सकता है या कोई नियम भूल सकता है।
कोहरे की रेखा के परे (चरण 30+): AI अंधेरे में गाड़ी चला रहा है। वह अब पहेली को ट्रैक नहीं कर रहा है; वह केवल अनुमान लगा रहा है। वह समस्या को "सोचने" की जितनी अधिक कोशिश करेगा, सच्चाई से पूरी तरह भटकने की उतनी ही अधिक संभावना होगी।

पेपर ने पाया कि अधिकांश मॉडल्स के लिए, यह होराइजन लगभग 19 से 31 चरणों के आसपास होता है। यदि किसी समस्या के लिए इससे अधिक चरणों की आवश्यकता है, तो AI की आंतरिक "सोचने" की प्रक्रिया टूट जाती है।

ऐसा क्यों होता है? (अटेंशन बॉटलनेक - The Attention Bottleneck)

AI का मस्तिष्क धुंधला क्यों हो जाता है? पेपर इसके लिए अटेंशन एंट्रॉपी (Attention Entropy) की अवधारणा का उपयोग करता है।

कल्पना कीजिए कि AI एक लाइब्रेरियन है जो एक विशाल लाइब्रेरी में एक विशिष्ट पुस्तक खोजने की कोशिश कर रहा है।

छोटी खोज: यदि लाइब्रेरी छोटी है, तो लाइब्रेरियन आसानी से याद रख सकता है कि पुस्तक कहाँ है।
लंबी खोज: जैसे-जैसे लाइब्रेरी विशाल होती जाती है और लाइब्रेरियन को अब तक देखी गई हर पुस्तक के स्थान को याद रखना पड़ता है, उसकी याददाश्त खिंचने लगती है।

AI के संदर्भ में, मॉडल सही शब्दों पर ध्यान केंद्रित करने के लिए "अटेंशन" का उपयोग करता है। जैसे-जैसे रीजनिंग चेन लंबी होती जाती है, मॉडल को पिछले चरणों को और अधिक याद रखना पड़ता है। पेपर गणितीय रूप से सिद्ध करता है कि मॉडल का "अटेंशन मैकेनिज्म" एक साथ इतनी सारी जानकारी नहीं रख सकता। यह हवा में 50 अलग-अलग गेंदों को संभालने की कोशिश करने जैसा है; अंततः, आप एक भी गिरा देंगे। एक बार जब आप एक गेंद गिरा देते हैं (एक छोटी सी गलती करते हैं), तो तर्क की पूरी श्रृंखला ढह जाती है।

"सिम्प्लिसिटी बायस" बनाम "डिकोहेरेंस" (The "Simplicity Bias" vs. "Decoherence")

एक प्रतिस्पर्धी सिद्धांत था जिसने कहा था कि AI लंबे कार्यों में इसलिए विफल होता है क्योंकि वह "आलसी" है (वह छोटे उत्तर पसंद करता है)। लेखक इसे सिम्प्लिसिटी बायस कहते हैं।

यह पेपर उस सिद्धांत को गलत साबित करता है। उन्होंने दिखाया कि भले ही आप:

AI को लंबे समय तक सोचने के लिए मजबूर करें।
AI को विशेष रूप से लंबे, सही उदाहरणों पर प्रशिक्षित करें।

...फिर भी, एक बार जब वह "कोहरे की रेखा" पार कर लेता है, तो AI विफल हो जाता है।

उदाहरण: ऐसा नहीं है कि AI आलसी है; बल्कि यह है कि AI सूचना को संभालने में शारीरिक रूप से अक्षम है। यह एक ऐसे व्यक्ति से 100-अंकों की संख्या याद रखने के लिए कहने जैसा है जिसकी याददाश्त केवल 10-अंकों के फोन नंबर तक सीमित है। "ज़्यादा कोशिश करने" से हार्डवेयर की सीमा ठीक नहीं होगी।

समाधान: कैलकुलेटर को पेन सौंपना (Handing the Pen to a Calculator)

यदि AI का मस्तिष्क 30 चरणों के बाद टूट जाता है, तो हमें क्या करना चाहिए?

पेपर टूल डेलीगेशन (Tool Delegation) का सुझाव देता है। AI से पूरे कैलकुलेशन को अपने दिमाग में करने के लिए कहने के बजाय, हमें AI को एक मैनेजर के रूप में काम करने देना चाहिए।

AI का काम: समस्या को समझना और यह तय करना कि किस टूल का उपयोग करना है।
टूल का काम: वास्तविक भारी काम करना (जैसे कि कैलकुलेटर, कोड इंटरप्रेटर, या सर्च इंजन)।

परिणाम:

AI अकेले सोचने पर: कठिन, बहु-चरणीय कार्यों पर केवल 24–42% बार सही उत्तर देता है।
AI + टूल्स: सही उत्तर 86–94% बार देता है।

यह अपने दिमाग में 12-अंकों की संख्याओं को गुणा करने की कोशिश करने वाले इंसान (जो गलतियों के प्रति संवेदनशील है) बनाम कैलकुलेटर का उपयोग करने वाले इंसान (जो पूरी तरह सटीक है) के बीच का अंतर है।

रोज़मर्रा की ज़िंदगी के लिए मुख्य बातें

ज़्यादा सोचना ≠ बेहतर उत्तर: सख्त, तार्किक कार्यों (जैसे कोडिंग, गणित, या रेसिपी का पालन करना) के लिए, AI को लंबे समय तक "सोचने" के लिए कहना अक्सर उसे और खराब बना देता है।
सीमा वास्तविक है: एक हार्ड सीलिंग (लगभग 20-30 चरण) है जहाँ AI की आंतरिक स्मृति विफल हो जाती है।
हाइब्रिड (मिश्रित) सबसे अच्छा है: AI का उपयोग करने का सबसे स्मार्ट तरीका इसे "रणनीति" तय करने वाला "दिमाग" बनने देना है, लेकिन सटीक, चरण-दर-चरण काम करने के लिए इसे बाहरी "टूल्स" (जैसे कोड या कैलकुलेटर) का उपयोग करने देना है।

संक्षेप में: AI से कैलकुलेटर बनने के लिए न कहें। इसे वह व्यक्ति बनने के लिए कहें जिसे पता हो कि कौन सा कैलकुलेटर इस्तेमाल करना है।

तकनीकी सारांश: द डिटरमिनिस्टिक होराइजन (The Deterministic Horizon)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लार्ज लैंग्वेज मॉडल (LLM) तर्क (reasoning) के प्रचलित प्रतिमान (paradigm) को चुनौती देता, जो यह मानता है कि विस्तारित विचार-प्रक्रिया (लंबी चेन-ऑफ-थॉट, या CoT) अनिवार्य रूप से सटीकता में सुधार करती है। जबकि हालिया कार्य (जैसे, Wu et al., 2026) लंबे तर्क श्रृंखलाओं में प्रदर्शन की गिरावट को "सिम्प्लिसिटी बायस" (Simplicity Bias - संक्षिप्त आउटपुट के प्रति प्राथमिकता जिसे प्रशिक्षण के माध्यम से सुधारा जा सकता है) का परिणाम मानते हैं, यह शोध पत्र तर्क देता है कि डिटरमिनिस्टिक स्टेट-ट्रैकिंग कार्यों (deterministic state-tracking tasks) के लिए, यह विफलता व्यवहारिक नहीं, बल्कि संरचनात्मक (architectural) है।

डिटरमिनिस्टिक डोमेन में (जैसे, सॉफ्टवेयर डिबगिंग, औपचारिक सत्यापन, अनुक्रमिक योजना), शुद्धता बाइनरी होती है; स्टेट ट्रैकिंग में एक भी विचलन पूर्ण विफलता का कारण बनता है। लेखक देखते हैं कि अत्याधुनिक तर्क मॉडल स्टेट-स्पेस डिकोहेरेंस (State-Space Decoherence) प्रदर्शित करते हैं: जैसे-जैसे तर्क की गहराई बढ़ती है, संचित त्रुटियां मॉडल की आंतरिक स्थिति (internal state) को वास्तविक सत्य (ground truth) से पूरी तरह से अलग कर देती हैं। ओपन-एंडेड जनरेशन के विपरीत जहाँ "काफी हद तक सही" होना पर्याप्त होता है, इन कार्यों के लिए सटीक ट्रैकिंग की आवश्यकता होती है, जो डिकोडर-ओनली अटेंशन मैकेनिज्म की मौलिक सीमाओं को उजागर करता है।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

2.1 सैद्धांतिक योगदान (Theoretical Contributions)

लेखक सूचना सिद्धांत (information theory) और अटेंशन मैकेनिक्स पर आधारित एक सैद्धांतिक ढांचा स्थापित करते हैं:

अटेंशन बॉटलनेक थ्योरम (Attention Bottleneck Theorem): शोध पत्र डिकोडर-ओनली ट्रांसफॉर्मर में स्टेट ट्रैकिंग के लिए एक सूचना-सैद्धांतिक क्षमता सीमा (information-theoretic capacity bound) व्युत्पन्न करता है। यह प्रस्तावित करता है कि ऑटो-रिग्रेसिव अटेंशन को प्रत्येक चरण में एक निश्चित-क्षमता वाले चैनल के माध्यम से ऐतिहासिक स्टेट जानकारी को कंप्रेस करना चाहिए। इसकी क्षमता इस प्रकार सीमित है:
$|S_{track}| \leq c(\delta, \rho_{max}) \cdot 2^{H \cdot \log_2(L/H) \cdot d_h^{1/2}}$
जहाँ $H$ हेड्स की संख्या है, $L$ कॉन्टेक्स्ट लेंथ है, और $d_h$ हेड डायमेंशन है। यह सुझाव देता है कि हालांकि आर्किटेक्चर के आकार के साथ क्षमता बढ़ती है, लेकिन सटीक स्टेट ट्रैकिंग के लिए आवश्यक प्रति-चरण सूचना प्रवाह एक बॉटलनेक (bottleneck) बनाता है।
कॉन्टेक्स्ट-डिपेंडेंट एरर मॉडल (Context-Dependent Error Model): उन मॉडलों के विपरीत जो निरंतर प्रति-चरण त्रुटि मानकर चलते हैं, लेखक एक त्रुटि दर $\epsilon(d)$ प्रस्तावित करते हैं जो अटेंशन एंट्रॉपी प्रसार के कारण गहराई के साथ बढ़ती है:
$\epsilon(d) = \epsilon_0 + \gamma \frac{d}{L_{eff}}$
जहाँ $L_{eff}$ "प्रभावी डिकोहेरेंस लंबाई" (effective decoherence length) है (अनुभवजन्य रूप से $\approx 10^2$ स्टेप्स, जो कच्चे कॉन्टेक्स्ट विंडो $L$ से बहुत कम है)। यह सुपर-एक्सपोनेंशियल क्षय (super-exponential decay) की ओर ले जाता है:
$P(\text{correct at depth } m) \leq \exp\left(-m\epsilon_0 - \frac{\gamma m(m+1)}{2L_{eff}}\right)$
द डिटरमिनिस्टिक होराइजन ( $d^*$ ): सफलता की संभावना को एक लक्षित थ्रेशोल्ड $\alpha$ से नीचे गिराने वाली गहराई के लिए समाधान निकालकर, लेखक एक "डिटरमिनिस्टिक होराइजन" को परिभाषित करते हैं। प्राथमिक मॉडल सूट के लिए, $d^* \in [19, 31]$ है। इस गहराई के बाद, शुद्ध न्यूरल रीजनिंग, मॉडल के पैमाने (scale) के बावजूद, अविश्वसनीय हो जाती है।
फाइन-ट्यूनिंग अपर बाउंड (Fine-Tuning Upper Bound): शोध पत्र सिद्ध करता है कि फाइन-ट्यूनिंग इस आर्किटेक्चरल सीलिंग को पार नहीं कर सकती। यदि $d > d^*$ , तो एक फाइन-ट्यून्ड मॉडल की सटीकता इस सीमा द्वारा बंधी होती है:
$Acc_{fine-tune} \leq Acc_{baseline} + O\left(\frac{d^*}{d}\right)$
यह लेखकों के "डिकोहेरेंस" परिकल्पना को "सिम्प्लिसिटी बायस" से अलग करता है, जो प्रशिक्षण के माध्यम से रिकवरेबल प्रदर्शन लाभों की भविष्यवाणी करता है।

2.2 प्रयोगात्मक डिजाइन (Experimental Design)

अध्ययन 12 मॉडलों (GPT-4o, Claude-4.5, o3, DeepSeek-R1, और ओपन-वेट Llama/Qwen वेरिएंट सहित) का 8 कार्य डोमेन में मूल्यांकन करता है:

सिंथेटिक (Synthetic): परम्यूटेशन पजल्स, फाइनाइट स्टेट ऑटोमेटा (FSA) सिमुलेशन, अरिथमेटिक चेन्स, सर्किट ट्रेसिंग, और कोड वेरिएबल ट्रैकिंग।
रियल-वर्ल्ड (Real-World): SWE-Bench (मल्टी-फाइल स्टेट ट्रैकिंग), WebArena (सेशन स्टेट नेविगेशन), और SQL-Multi (मल्टी-टेबल जॉइन्स)।

शर्तें (Conditions):

C1: अनकन्स्ट्रेंड न्यूरल CoT।
C2: डेप्थ-लिमिटेड CoT (ओरेकल ऑप्टिमल लेंथ)।
C3: टूल-इंटीग्रेटेड रीजनिंग (सटीक सॉल्वर जैसे BFS को सौंपना)।
C4: स्पष्ट लंबाई प्रोत्साहन (लंबी श्रृंखलाओं के लिए प्रॉम्प्टिंग)।
C5: ऑप्टिमल-लेंथ ट्रेसेस पर फाइन-ट्यूनिंग।

मैट्रिक्स (Metrics):

स्टेट-स्पेस जैकार्ड (SSJ): इसे प्रिसिजन (precision) और रिकॉल (recall) में विभाजित किया गया है ताकि कैपेबिलिटी फेल्योर (काल्पनिक अवस्थाओं में विचरना, जहाँ दोनों मेट्रिक्स घटते हैं) और प्रेफरेंस फेल्योर (सही पथों को छोटा करना, जहाँ प्रिसिजन उच्च रहता है) के बीच अंतर किया जा सके।
अटेंशन एंट्रॉपी (Attention Entropy): ओपन-वेट मॉडल्स में सीधे मापा गया ताकि एंट्रॉपी वृद्धि और सटीकता ह्रास के बीच सहसंबंध देखा जा सके।

3. मुख्य परिणाम (Key Results)

3.1 टूल डेलीगेशन बनाम न्यूरल रीजनिंग (Tool Delegation vs. Neural Reasoning)

टूल-इंटीग्रेटेड रीजनिंग (C3) सभी मॉडलों और डोमेन में न्यूरल CoT (C1) से लगातार बेहतर प्रदर्शन करती है।

सटीकता (Accuracy): टूल डेलीगेशन 86–94% सटीकता प्राप्त करता है, जबकि न्यूरल CoT 24–42% पर स्थिर (plateau) हो जाता है।
दक्षता (Efficiency): टूल डेलीगेशन, अनकन्स्ट्रेंड CoT की तुलना में सही-समाधान-प्रति-लागत में 4.2–4.7× सुधार प्रदान करता है।
सार्वभौमिकता (Universality): प्रदर्शन का अंतर सामान्य-उद्देश्य वाले, रीजनिंग-विशेषज्ञ और ओपन-वेट मॉडलों में सुसंगत है, जो एक आर्किटेक्चरल न कि प्रशिक्षण-विशिष्ट सीमा का सुझाव देता है।

3.2 प्रेफरेंस मैनिपुलेशन की विफलता (Failure of Preference Manipulation)

प्रॉम्प्टिंग (C4): मॉडलों को "जितनी आवश्यकता हो उतने कदम उठाने" के लिए प्रोत्साहित करने से नगण्य लाभ (<2%) मिलता है, जो सिम्प्लिसिटी बायस परिकल्पना का खंडन करता है।
फाइन-ट्यूनिंग (C5): ऑप्टिमल-लेंथ ट्रेसेस पर फाइन-ट्यूनिंग करने से केवल **<5%** सुधार (विशेष रूप से Llama-3.1-8B पर 3.2%) मिलता है, जो प्रेफरेंस-आधारित सिद्धांतों द्वारा अनुमानित >30% रिकवरी से बहुत कम है। डिटरमिनिस्टिक होराइजन ( $d^*$ ) के परे इसका लाभ पूरी तरह से समाप्त हो जाता है।

3.3 डिकोहेरेंस के प्रमाण (Evidence of Decoherence)

SSJ विश्लेषण: गहराई बढ़ने के साथ प्रिसिजन और रिकॉल दोनों एक साथ घटते हैं, जो पुष्टि करता है कि मॉडल काल्पनिक स्टेट स्पेस में विचरते हैं (कैपेबिलिटी फेल्योर), न कि केवल सही पथों को छोटा करते हैं (प्रेफरेंस फेल्योर)।
अटेंशन एंट्रॉपी: अटेंशन एंट्रॉपी और सटीकता के बीच एक मजबूत नकारात्मक सहसंबंध ( $r \approx -0.74$ ) मौजूद है, जो इस यांत्रिक परिकल्पना की पुष्टि करता है कि अटेंशन का प्रसार (dilution) स्टेट डिकोहेरेंस का कारण बनता है।
क्रॉस-मॉडल सहसंबंध: विभिन्न संगठनों के मॉडलों में विफलता पैटर्न में उच्च सहसंबंध ( $r = 0.81–0.91$ ) साझा आर्किटेक्चरल बाधाओं को दर्शाता है।

3.4 स्केलिंग लॉज़ (Scaling Laws)

डिटरमिनिस्टिक होराइजन आर्किटेक्चरल पैरामीटर्स के साथ स्केल होता है। ओपन-वेट मॉडल्स पर अनुभवजन्य सत्यापन दिखाता है कि $d^* \propto \sqrt{d_h \cdot H}$ । बड़े मॉडल (जैसे, 70B) होराइजन को $d^* \approx 28$ तक बढ़ाते हैं, जबकि छोटे मॉडल (जैसे, 8B) $d^* \approx 19–20$ पर रहते हैं।

4. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि यह एजेंटिक सिस्टम में कब शुद्ध न्यूरल रीजनिंग को हाइब्रिड दृष्टिकोणों के लिए छोड़ देना चाहिए, इसके लिए एक सिद्धांत-आधारित सीमा प्रदान करता है।

आर्किटेक्चरल लिमिट: प्राथमिक योगदान यह पहचानना है कि डिकोडर-ओनली ट्रांसफॉर्मर स्टेट-ट्रैकिंग क्षमता के लिए एक सूचना-सैद्धांतिक सीमा का सामना करते हैं। यह प्रशिक्षण की कमी नहीं है, बल्कि ऑटो-रिग्रेसिव अटेंशन की एक मौलिक बाधा है।
सिम्प्लिसिटी बायस का खंडन: परिणाम इस धारणा को खारिज करते हैं कि विस्तारित रीजनिंग की विफलताएं केवल छोटे आउटपुट की प्राथमिकता के कारण हैं। भले ही मॉडलों को लंबे समय तक तर्क करने के लिए मजबूर या फाइन-ट्यून किया जाए, वे "स्टेट-स्पेस डिकोहेरेंस" के कारण विफल होते हैं।
व्यावहारिक दिशानिर्देश: लेखक एक परिनियोजन दिशानिर्देश (deployment guideline) प्रस्तावित करते हैं: उन कार्यों के लिए जिनमें सटीक स्टेट ट्रैकिंग की आवश्यकता होती है जो डिटरमिनिस्टिक होराइजन ( $d^* \in [19, 31]$ ) से परे है, सिस्टम को टूल डेलीगेशन पर डिफॉल्ट होना चाहिए। यह कोड एजेंट्स, मल्टी-स्टेप प्लानिंग और औपचारिक सत्यापन पर लागू होता है।
लागत और सुरक्षा: $d^*$ के परे विस्तारित न्यूरल रीजनिंग पर निर्भर रहना न केवल अप्रभावी है, बल्कि कंप्यूट और कार्बन की बर्बादी भी है। इसके अलावा, सुरक्षा-महत्वपूर्ण डोमेन में, शोध पत्र तर्क देता है कि इस होराइजन के परे टूल वेरिफिकेशन के बिना स्वायत्त निर्णय लेना असुरक्षित है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि जबकि उथले (shallow) डिटरमिनिस्टिक कार्यों ( $d < d^*$ ) के लिए विस्तारित रीजनिंग फायदेमंद है, यह होराइजन के बाद सुपर-एक्सपोनेंशियल रूप से घटती है। समाधान बेहतर प्रशिक्षण या प्रॉम्प्टिंग नहीं है, बल्कि सटीक स्टेट ट्रैकिंग को संभालने के लिए बाहरी उपकरणों का आर्किटेक्चरल एकीकरण है।