💬 NLP

Learning When to Translate for Multilingual Reasoning

यह शोध पत्र Luar को प्रस्तुत करता है, जो एक लैंग्वेज अंडरस्टैंडिंग बाउंड्री-अवेयर रीइन्फोर्समेंट लर्निंग फ्रेमवर्क है जो रीजनिंग लैंग्वेज मॉडल्स को केवल तभी अंग्रेजी अनुवाद का चयनत्मक रूप से आह्वान करने में सक्षम बनाता है जब गैर-अंग्रेजी इनपुट के प्रति उनकी सीधी समझ अविश्वसनीय हो, जिससे अनावश्यक अनुवाद से बचते हुए उनके बहुभाषी तर्क प्रदर्शन में महत्वपूर्ण सुधार होता है।

मूल लेखक: Deokhyung Kang, Hyounghun Kim, Gary Geunbae Lee

प्रकाशित 2026-06-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Deokhyung Kang, Hyounghun Kim, Gary Geunbae Lee

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 "Learning When to Translate for Multilingual Reasoning" पेपर की एक सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ व्याख्या दी गई है।

बड़ी समस्या: "आत्मविश्वासी लेकिन अज्ञानी" AI

कल्पना कीजिए कि आपके पास एक शानदार गणित का ट्यूटर (AI) है जो समस्याओं को हल करने में जीनियस है, लेकिन केवल तभी जब सवाल अंग्रेजी में लिखे हों। यदि आप उनसे स्वाहिली या ज़ुलु में गणित का सवाल पूछते हैं, तो वे उसे हल करने की कोशिश तो करेंगे। कभी-कभी वे किस्मत से सही उत्तर का अनुमान लगा लेते हैं। लेकिन अक्सर, वे सवाल को पूरी तरह से गलत समझ लेते हैं।

डरावनी बात क्या है? जब वे भ्रमित होते हैं, तब भी वे इसे स्वीकार नहीं करते। वे अपनी आंतरिक विचार प्रक्रिया (reasoning trace) में कह सकते हैं, "मुझे नहीं पता कि इस शब्द का क्या अर्थ है," लेकिन फिर वे आत्मविश्वास के साथ एक ऐसा अंतिम उत्तर लिख देते हैं जो पूरी तरह से गलत होता है। यह उस छात्र की तरह है जो सवाल को समझता नहीं है लेकिन स्मार्ट दिखने के लिए उत्तर लिख देता है।

पुराने समाधान (और वे क्यों विफल रहे)

शोधकर्ताओं ने इसे ठीक करने के दो मुख्य तरीके आजमाए:

AI को अधिक भाषाएँ सिखाना: यह दुनिया की हर एक भाषा सिखाने की कोशिश करने जैसा है। यह महंगा है, धीमा है, और ट्यूटर अभी भी दुर्लभ या "कम-संसाधन" (low-resource) वाली भाषाओं में संघर्ष करता है।
सब कुछ अनुवाद करना: यह हर एक सवाल के लिए एक अनुवादक (translator) रखने जैसा है, भले ही वे अंग्रेजी में आसान सवाल हों। यह काम तो करता है, लेकिन यह समय और पैसे की बर्बादी है क्योंकि ट्यूटर अंग्रेजी को पहले से ही पूरी तरह जानता है।

नया समाधान: LUAR (एक "स्मार्ट स्विच")

लेखकों ने एक नई प्रणाली बनाई जिसे LUAR कहा जाता है। LUAR को एक स्मार्ट स्विच के रूप में सोचें जो यह जानता है कि "अनुवाद" का बटन कब दबाना है।

AI को हर भाषा सीखने के लिए मजबूर करने या सब कुछ अनुवाद करने के बजाय, LUAR AI को खुद से यह पूछना सिखाता है: "क्या मैं इस सवाल को खुद हल करने के लिए इसे पर्याप्त रूप से समझ पा रहा हूँ, या मुझे एक अनुवादक की आवश्यकता है?"

उन्होंने इसे एक दो-चरणीय "जिम" रूटीन का उपयोग करके प्रशिक्षित किया:

चरण 1: वार्म-अप (सुपरवाइज्ड फाइन-ट्यूनिंग)

सबसे पहले, उन्होंने AI को समस्याओं के उदाहरण दिखाए।

यदि AI ने अंग्रेजी का सवाल सही हल किया, तो उन्होंने कहा, "अच्छा काम किया, इसे जारी रखें।"
यदि AI एक स्वाहिली समस्या में संघर्ष कर रहा था लेकिन अनुवाद के बाद उसे पूरी तरह से हल कर लिया, तो उन्होंने कहा, "बहुत बढ़िया! अगली बार जब आप इस तरह की चीज़ देखें, तो अनुवादक को बुलाएँ।"
लक्ष्य: बस AI को इस विचार के साथ सहज बनाना कि जब वह फंस जाए तो अनुवादक को कैसे बुलाया जाए।

चरण 2: असली खेल (रीइन्फोर्समेंट लर्निंग)

यहीं असली जादू होता है। AI एक खेल खेलता है जहाँ उसे दो चीजों के आधार पर अंक मिलते हैं:

क्या आपने उत्तर सही दिया? (सबसे महत्वपूर्ण बात)।
क्या आपने अनुवादक का बुद्धिमानी से उपयोग किया?

बोनस: यदि AI सही उत्तर देता है और उसने एक कठिन भाषा के लिए अनुवादक को बुलाया (जहाँ वह आमतौर पर विफल रहता है), तो उसे एक बोनस अंक मिलता है।
पेनल्टी: यदि AI सही उत्तर देता है लेकिन एक आसान अंग्रेजी प्रश्न के लिए अनुवादक को बुलाया (जहाँ उसे मदद की आवश्यकता नहीं थी), तो उसके कुछ अंक कट जाते हैं।
शून्य: यदि वह गलत उत्तर देता है, तो उसे शून्य अंक मिलते हैं, चाहे उसने कुछ भी किया हो।

समय के साथ, AI एक सरल नियम सीख जाता है: "अनुवादक को तभी बुलाएँ जब मैं अपनी क्षमता से बाहर हो जाऊँ। यदि मैं इसे खुद संभाल सकता हूँ, तो समय बचाएँ।"

क्या हुआ?

परिणाम प्रभावशाली थे, विशेष रूप से उन भाषाओं के लिए जिन्हें AI ने पहले कभी नहीं देखा था (जैसे योरूबा और ज़ुलु)।

सटीकता (Precision): AI ने आसान अंग्रेजी सवालों का अनुवाद करना बंद कर दिया। इसने समय और संसाधनों की बचत की।
शक्ति (Power): जब इसका सामना वास्तव में एक कठिन भाषा से हुआ, तो इसने अनुवादक को बुलाया, और इसकी सटीकता आसमान छू गई।
सामान्यीकरण (Generalization): भले ही उन्हें केवल कुछ भाषाओं (अरबी, थाई, स्वाहिली) पर प्रशिक्षित किया गया था, AI ने "कब अनुवाद करना है" की अवधारणा को सीख लिया। इसलिए, जब उन्होंने पूरी तरह से नई भाषाओं (योरूबा, ज़ुलु) पर इसका परीक्षण किया, तो इसे स्वचालित रूप से अनुवादक को बुलाना पता था।

निष्कर्ष

यह पेपर दिखाता है कि हमें अपने AI को बहुभाषी (polyglot) बनाने की आवश्यकता नहीं है। इसके बजाय, हम इसे अपनी सीमाओं के प्रति ईमानदार होना सिखा सकते हैं।

AI को एक "अनुवादक उपकरण" देकर और उसे यह सिखाकर कि उस उपकरण का उपयोग कब करना है, हमें दोनों तरफ का सर्वश्रेष्ठ मिलता है: आसान कार्यों के लिए सीधे तर्क (direct reasoning) की गति और कठिन कार्यों के लिए अनुवाद की सटीकता। यह एक ड्राइवर को यह सिखाने जैसा है कि धूप वाले हाईवे पर गाड़ी चलाने और बर्फ के तूफान में स्नो टायर लगाने के बीच कब स्विच करना है, बजाय इसके कि उन्हें हर समय स्नो टायर पहनने के लिए मजबूर किया जाए।

तकनीकी सारांश: LUAR – बहुभाषी तर्क के लिए कब अनुवाद करना है, यह सीखना

समस्या विवरण

रीजनिंग लैंग्वेज मॉडल्स (RLMs) ने मध्यवर्ती रीजनिंग ट्रेसेस (reasoning traces) उत्पन्न करके जटिल तर्क कार्यों पर मजबूत क्षमता प्रदर्शित की है। हालांकि, वे बहुभाषी परिवेश में, विशेष रूप से कम-संसाधन वाली भाषाओं (low-resource languages) के लिए, महत्वपूर्ण प्रदर्शन अंतराल (performance gaps) दिखाते हैं। हालिया अध्ययन संकेत देते हैं कि ये अंतराल अक्सर तर्क क्षमता की कमी के कारण नहीं, बल्कि गैर-अंग्रेजी इनपुट को प्रोसेस करते समय भाषा समझ (language understanding) की विफलता के कारण होते हैं।

हालांकि गैर-अंग्रेजी इनपुट को अंग्रेजी में अनुवाद करना इन समझ संबंधी विफलताओं को कम कर सकता है, लेकिन हर क्वेरी का अंधाधुंध अनुवाद करना अक्षम और अनावश्यक है, क्योंकि RLMs अक्सर मूल भाषा से विश्वसनीय रूप से तर्क कर सकते हैं। मुख्य चुनौती यह सक्षम करना है कि RLMs केवल तभी चयनात्मक रूप से अनुवाद का आह्वान (selectively invoke translation) करें जब उनका मूल इनपुट के प्रति सीधा बोध अविश्वसनीय हो, बिना किसी बाहरी डिटेक्टर पर निर्भर हुए जो विलंबता (latency) बढ़ाता है या मॉडल को शून्य से भाषा समझ को फिर से सीखने की आवश्यकता पड़े।

कार्यप्रणाली: LUAR फ्रेमवर्क

लेखक LUAR (Language Understanding Boundary-aware Reinforcement Learning) प्रस्तावित करते हैं, जो एक दो-चरणीय प्रशिक्षण ढांचा है जो RLMs को यह पहचानने के लिए सिखाता है कि उनकी भाषा-समझ की सीमाएं कहाँ हैं और केवल आवश्यकता होने पर ही बाहरी अनुवादक का आह्वान करें।

1. परिणाम-आधारित सीमा अनुमान (Outcome-Based Boundary Estimation)

LUAR एक क्वेरी को तब अपनी भाषा-समझ की सीमा से बाहर मानता है यदि अंग्रेजी अनुवाद तक पहुंच मॉडल की उसे हल करने की क्षमता में पर्याप्त सुधार करती है। इसे अनुभवजन्य रूप से इस प्रकार अनुमानित किया जाता है:

डायरेक्ट रीजनिंग (मूल भाषा) के माध्यम से $N/2$ रिस्पॉन्स सैंपलिंग करना।
ट्रांसलेटर-ऑगमेंटेड रीजनिंग (ट्रेस में एक संदर्भ अंग्रेजी अनुवाद को पूर्व में जोड़कर) के माध्यम से $N/2$ रिस्पॉन्स सैंपलिंग करना।
शुद्धता अंशों (correctness fractions) $d_{acc}(q)$ और $t_{acc}(q)$ की गणना करना।
एक ट्रांसलेशन-उपयोगिता लेबल $u(q) = 1$ असाइन करना यदि $t_{acc}(q) \ge d_{acc}(q) + \delta$ (जहाँ $\delta=0.5$ ), जो दर्शाता है कि अनुवाद फायदेमंद है।

2. दो-चरणीय प्रशिक्षण प्रक्रिया

चरण I: ट्रांसलेटर-कॉल सुपरवाइज्ड फाइन-ट्यूनिंग (SFT)

लक्ष्य: मॉडल के एक्शन स्पेस को ट्रांसलेटर कॉल शामिल करने के लिए वार्म-अप करना।
प्रक्रिया: मॉडल को डायरेक्ट या ट्रांसलेटर-ऑगमेंटेड मोड से लिए गए सही रिस्पॉन्स पर फाइन-ट्यून किया जाता है।
चयन नियम: एक "सॉफ्ट" नियम का उपयोग करके प्रशिक्षण लक्ष्य मोड ( $m(q)$ ) का चयन किया जाता है: यदि $t_{acc}(q) > d_{acc}(q)$ , तो मॉडल को ट्रांसलेटर-ऑगमेंटेड ट्रेस पर प्रशिक्षित किया जाता है; अन्यथा, एक डायरेक्ट ट्रेस पर। यह मॉडल को अभी तक सख्त सीमा लागू किए बिना दोनों रीजनिंग पथों से परिचित कराता है।

चरण II: बाउंड्री-अवेयर ऑनलाइन रीइन्फोर्समेंट लर्निंग (GRPO)

लक्ष्य: यह तय करने के लिए अनुकूलित करना कि कब ट्रांसलेटर को कॉल किया जाए।
प्रक्रिया: मॉडल को ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO) का उपयोग करके प्रशिक्षित किया जाता है।
रिवॉर्ड फंक्शन: एक बाउंड्री-अवेयर रिवॉर्ड $r(q, y_i)$ $r (q, y_{i})$ को परिभाषित किया गया है जो कार्य की शुद्धता और ट्रांसलेटर-कॉल निर्णयों को संयुक्त रूप से स्कोर करता है:
- सही + उपयोगी कॉल ( $u(q)=1$ ): रिवॉर्ड $1 + \gamma$ (बोनस)।
- सही + कोई कॉल नहीं: रिवॉर्ड $1$ (बेस)।
- सही + अनावश्यक कॉल ( $u(q)=0$ ): रिवॉर्ड $1 - \gamma$ (पेनल्टी)।
- गलत/अमान्य: रिवॉर्ड $0$।
यह मॉडल को केवल तभी ट्रांसलेटर कॉल करने के लिए प्रोत्साहित करता है जब वह अनुभवजन्य रूप से एक सही उत्तर की उच्च संभावना की ओर ले जाता है, जबकि वहां कॉल करने से बचता है जहाँ डायरेक्ट रीजनिंग पर्याप्त है।

मुख्य योगदान

बहुभाषी तर्क पर एक नया दृष्टिकोण: पेपर बहुभाषी तर्क अंतराल को भाषा-समझ की सीमाओं के रूप में पुनर्गठित करता है, यह प्रस्तावित करता है कि RLMs को यह पहचानने के योग्य होना चाहिए कि वे अपनी सीमाओं से बाहर कब जा रहे हैं, बजाय इसके कि केवल सामान्य बहुभाषी समझ में सुधार किया जाए।
LUAR फ्रेमवर्क: एक दो-चरणीय प्रशिक्षण पाइपलाइन (SFT + Boundary-Aware GRPO) का परिचय जो अनुवाद आह्वान के निर्णय को सीधे रीजनिंग ट्रेस के भीतर समाहित करता है, जिससे अलग से बाहरी डिटेक्टरों की आवश्यकता समाप्त हो जाती है।
चयनात्मक अनुवाद नीति: यह प्रदर्शित करना कि RLMs एक ऐसी नीति सीख सकते हैं जो ट्रांसलेटर कॉल्स को उन कम-संसाधन वाली भाषाओं पर केंद्रित करती है जहाँ डायरेक्ट रीजनिंग विफल होती है, जबकि उच्च-संसाधन वाली भाषाओं के लिए डायरेक्ट रीजनिंग को सुरक्षित रखती है।

प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन Qwen3-4B और Qwen3-8B पर 10 विविध भाषाई परिवारों के PolyMath (गणितीय तर्क) और MMLU-ProX-Lite (STEM तर्क) बेंचमार्क के माध्यम से किया गया।

प्रदर्शन लाभ: LUAR ने स्टैंडर्ड GRPO, प्रॉम्प्ट-आधारित विधियों (Self-Assessment, Native Tool Use), बाहरी डिटेक्टर-आधारित विधियों (Selective Translation) और अन्य ट्रेनिंग-आधारित बेसलाइन्स (Boundary-SFT, Q-ALIGN, TAPO) को पछाड़ दिया।
- Qwen3-4B पर, LUAR ने 54.39% की औसत सटीकता प्राप्त की (केवल 20.3% उदाहरणों का अनुवाद करते हुए), जो बेस मॉडल (44.93%) और फुल-ट्रांसलेशन बेसलाइन (55.39% के साथ 100% अनुवाद लागत) से काफी बेहतर है।
- Qwen3-8B पर, LUAR ने 70.46% औसत सटीकता प्राप्त की।
मोड चयन: LUAR ने उच्चतम मोड-सिलेक्शन मैक्रो-F1 प्राप्त किया, जो दर्शाता है कि इसने सही ढंग से पहचाना कि अनुवाद कब उपयोगी था।
सामान्यीकरण (Generalization): मॉडल सफलतापूर्वक अनदेखी कम-संसाधन वाली भाषाओं (Yoruba, Zulu) के लिए सामान्यीकृत हुआ, जिससे इन भाषाओं पर सटीकता में काफी सुधार हुआ (जैसे, Qwen3-4B के लिए Yoruba पर 56.27% और Zulu पर 87.20%), जहाँ डायरेक्ट रीजनिंग सबसे कमजोर थी।
दक्षता: LUAR ने बेस मॉडल (11.77s) और बाहरी चयनात्मक अनुवाद (14.09s) की तुलना में कम इन्फरेंस लेटेंसी (9.32s) प्रदर्शित की, जिसका श्रेय अनुवाद से बचने के कारण छोटे रीजनिंग ट्रेसेस को जाता है।

महत्व और दावे

पेपर का दावा है कि LUAR बहुभाषी तर्क के लिए एक चयनात्मक दृष्टिकोण प्रदान करता है, जिससे RLMs यह सीखने में सक्षम होते हैं कि अनुवाद का आह्वान केवल तभी करें जब उनकी प्रत्यक्ष समझ अविश्वसनीय हो। यह दृष्टिकोण:

बिना बड़े लक्षित-भाषा डेटा की आवश्यकता के, उच्च-संसाधन और कम-संसाधन भाषाओं के बीच के अंतर को कम करता है।
उन इनपुट्स को अनुवादित न करके अनावश्यक ओवरहेड से बचता है जिन्हें मॉडल पहले से ही समझ सकता है।
अनदेखी भाषाओं के लिए प्रभावी ढंग से सामान्यीकरण करता है, जो यह सुझाव देता है कि सीखा गया नीति (policy) विशिष्ट प्रशिक्षण भाषाओं पर ओवरफिट होने के बजाय एक मजबूत सिग्नल कैप्चर करता है।

लेखक निष्कर्ष निकालते हैं कि भाषा समझ को एक बाउंडरी कंडीशन के रूप में मानना जिसे टूल उपयोग (अनुवाद) के माध्यम से पहचाना और उस पर कार्य किया जा सकता है, मजबूत बहुभाषी तर्क मॉडल बनाने के लिए एक आशाजनक दिशा है। वे भाषा परिवारों के कवरेज और कार्यों के दायरे (वर्तमान में गणित और STEM पर केंद्रित) के संबंध में सीमाओं को नोट करते हैं, जो भविष्य के कार्य का सुझाव देते हैं कि इस बाउंड्री-अवेयर नीति को व्यापक तर्क कार्यों तक विस्तारित किया जा सकता है।