🤖 AI

Decomposing how prompting steers behavior

यह शोध पत्र एक नेस्टेड ज्यामितीय अपघटन ढांचे (nested geometric decomposition framework) को प्रस्तुत करता है जो यह प्रकट करता है कि प्रॉम्प्टिंग किस प्रकार बड़े भाषा और विजन-लैंग्वेज मॉडलों के आंतरिक निरूपणों (internal representations) को रूपांतरित करके उन्हें निर्देशित करती है, यह प्रदर्शित करते हुए कि एफाइन रूपांतरण (affine transformations)—विशेष रूप से क्रॉस-डायमेंशनल लीनियर मिक्सिंग—निर्देशित कार्य संरचनाओं से मेल खाने और लक्षित व्यवहारों को पुनः प्राप्त करने के लिए निरूपणों को पुनर्गठित करने का मुख्य तंत्र हैं।

मूल लेखक: Fan L. Cheng, Nikolaus Kriegeskorte

प्रकाशित 2026-06-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fan L. Cheng, Nikolaus Kriegeskorte

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

एक लार्ज लैंग्वेज मॉडल (LLM) या विजन-लैंग्वेज मॉडल (VLM) की कल्पना एक विशाल, जटिल फैक्ट्री के रूप में करें। इस फैक्ट्री के अंदर, कच्चा माल (जैसे कि बिल्ली की एक तस्वीर या एक उदास कहानी के बारे में एक वाक्य) कन्वेयर बेल्टों (मॉडल की परतों) की एक श्रृंखला के माध्यम से बहता है। जैसे-जैसे वे आगे बढ़ते हैं, सामग्रियों को प्रोसेस किया जाता है, उन्हें नया आकार दिया जाता है और व्यवस्थित किया जाता है।

आमतौर पर, फैक्ट्री के उत्पादन को बदलने के लिए, आपको मशीनों को फिर से बनाना पड़ता है (मॉडल को रिट्रेन करना)। लेकिन प्रॉम्प्टिंग (prompting) एक मैनेजर की तरह है जो फैक्ट्री के फर्श पर आकर एक नया निर्देश चिल्लाता है: "रंग के आधार पर छाँटना बंद करो, अब आकार के आधार पर छाँटो!" मशीनें नहीं बदलती हैं, लेकिन आउटपुट अचानक बदल जाता है।

यह शोध पत्र एक सरल लेकिन गहरा प्रश्न पूछता है: मैनेजर की एक चीख वास्तव में कन्वेयर बेल्ट पर रखी वस्तुओं को कैसे पुनर्व्यवस्थित करती है ताकि वे अलग तरह से छाँट सकें?

यहाँ उनकी खोज का विवरण दिया गया है, रोजमर्रा के उपमाओं (analogies) का उपयोग करते हुए:

1. प्रयोग: "जादुई मानचित्र" (The Magic Map)

शोधकर्ताओं ने वस्तुओं का एक सेट लिया (जैसे 1,000 अलग-अलग छवियां) और उन्हें दो अलग-अलग निर्देशों के साथ मॉडल को दिखाया:

प्रॉम्प्ट A: "क्या इस तस्वीर में लोग हैं?" (हाँ/नहीं उत्तर)।
प्रॉम्प्ट B: "इस तस्वीर में कितने लोग हैं?" (एक संख्यात्मक उत्तर)।

उन्होंने मॉडल की "आंतरिक अवस्था" (कन्वेयर बेल्ट पर वस्तुओं की व्यवस्था) को विभिन्न गहराइयों पर देखा। उन्होंने पाया कि प्रॉम्प्ट A के लिए वस्तुओं का आकार, प्रॉम्प्ट B की तुलना में अलग था।

इसके बाद उन्होंने पूछा: "क्या हम एक सरल मानचित्र बना सकते हैं जो 'हाँ/नहीं' वाली व्यवस्था को 'गिनती' वाली व्यवस्था में बदल सके?"

2. "मानचित्रों" के पांच स्तर (The Nested Decomposition)

इसका उत्तर खोजने के लिए, उन्होंने पांच अलग-अलग प्रकार के गणितीय "मानचित्रों" (परिवर्तन/transformations) का परीक्षण किया, जो सबसे सरल से शुरू होकर अधिक जटिल होते गए। इन्हें किताबों के ढेर को पुनर्व्यवस्थित करने के विभिन्न तरीकों के रूप में सोचें:

ट्रांसलेशन (The Slide - खिसकाना): बस किताबों के पूरे ढेर को मेज पर एक नई जगह पर खिसका देना, बिना किताबों को छुए।
रिजिड + यूनिफॉर्म स्केलिंग (The Rigid Move - कठोर गति): ढेर को हिलाना और शायद पूरी चीज़ को थोड़ा बड़ा या छोटा करना, लेकिन किताबों को एक-दूसरे के सापेक्ष बिल्कुल उसी आकार में रखना।
रिजिड + एक्सिस स्केलिंग (The Stretch - खिंचाव): ढेर को हिलाना और विशिष्ट दिशाओं में खींचना (जैसे कि एक रबर शीट को क्षैतिज रूप से खींचना लेकिन लंबवत नहीं)।
एफाइन (The Mix - मिश्रण): हिलना, खींचना और मिलाना। यह किताबों को लेने और उन्हें आपस में मिलाने जैसा है। यह "ऊपरी" किताब को लेकर "बगल वाली" किताब के साथ मिलाकर एक नई स्थिति बनाना है।
नॉनलीनियर (The Warp - मोड़ना): मेज को ही मोड़ देना, किताबों को जटिल और अप्रत्याशित तरीकों से मरोड़ देना।

3. बड़ी खोज: यह ज्यादातर एक "मिश्रण" (Mix) है

शोधकर्ताओं ने पाया कि:

"स्लाइड" (Translation) अधिकांश भारी काम करता है। केवल आंतरिक अवस्था को एक नई जगह पर ले जाना (स्लाइड करना) बदलाव के एक बड़े हिस्से की व्याख्या करता है।
लेकिन "मिश्रण" (Affine) असली गुप्त मंत्र है। स्लाइड करने से मदद तो मिलती है, लेकिन मॉडल को नए कार्य को पूरी तरह से समझने के लिए अपने आंतरिक फीचर्स को मिलाने (mix) की वास्तव में आवश्यकता होती है (क्रॉस-डायमेंशनल लीनियर मिक्सिंग)।
"मोड़ना" (Nonlinear) आवश्यक नहीं है। आश्चर्यजनक रूप से, उन्हें बदलाव को समझाने के लिए जटिल, घुमावदार गणित की आवश्यकता नहीं पड़ी। एक बार जब हमने "मिश्रण" (Affine) जोड़ दिया, तो मॉडल के व्यवहार को लगभग पूरी तरह से पुनः प्राप्त कर लिया गया। जटिल, गैर-रेखीय (non-linear) चीजों ने बहुत अधिक मूल्य नहीं जोड़ा।

उपमा: कल्पना करें कि आपके पास लेगो (LEGO) का एक बॉक्स है जिससे एक किला बनाया गया है (प्रॉम्प्ट A)। आप इसे एक अंतरिक्ष यान (स्पेसशिप) में बदलना चाहते हैं (प्रॉम्प्ट B)।

आपको प्लास्टिक को पिघलाने की आवश्यकता नहीं है (Nonlinear)।
आपको केवल बॉक्स को कमरे में दूसरी जगह खिसकाने की आवश्यकता नहीं है (Translation)।
आपको किले को खोलना होगा, कुछ टुकड़ों को खींचना होगा, और नए ढांचे में ईंटों को पुनर्व्यवस्थित/मिलाना होगा। इस शोध पत्र ने पाया कि यह "पुनर्व्यवस्था और मिश्रण" ही कैसे प्रॉम्प्ट काम करते हैं, इसका मुख्य तंत्र है।

4. "कारण" परीक्षण (The "Causal" Test): क्या वह मानचित्र वास्तव में काम करता है?

यह सिद्ध करने के लिए कि यह केवल एक संयोग नहीं था, उन्होंने मॉडल पर एक "सर्जरी" की:

उन्होंने मॉडल को "हाँ/नहीं" वाले प्रॉम्प्ट के साथ एक छवि दी।
एक विशिष्ट परत (layer) पर, उन्होंने प्रक्रिया को रोक दिया।
उन्होंने उस आंतरिक अवस्था को लिया और उस पर अपना "मिक्सिंग मैप" (Mixing Map) लागू किया।
उन्होंने मॉडल को प्रोसेसिंग पूरी करने दी।

परिणाम: मॉडल अचानक "गिनती" वाले उत्तर देने लगा, भले ही तकनीकी रूप से अभी भी उससे "हाँ/नहीं" वाला प्रश्न पूछा जा रहा था! इसने सिद्ध कर दिया कि ज्यामितीय परिवर्तन (मानचित्र) ही व्यवहार परिवर्तन का कारण (cause) है।

5. अलग-अलग मॉडल, अलग-अलग रणनीतियाँ

ठीक वैसे ही जैसे अलग-अलग फैक्ट्रियों के अलग-अलग मैनेजर होते हैं, अलग-अलग AI मॉडल अलग-अलग रणनीतियों का उपयोग करते हैं:

OPT-2.7B शुरुआती चरणों में "खिंचाव" और "मिश्रण" (जटिल रूपांतरण) पर बहुत अधिक निर्भर लगता है।
Llama3 और Qwen3 शुरुआती चरणों में अधिक "स्लाइड" (Translation) पर निर्भर लगते हैं, शायद एक विशिष्ट "इंस्ट्रक्शन कोड" का उपयोग करते हैं जो डेटा को सही जगह पर ले जाने के लिए बस उसे खिसका देता है।

सारांश

यह शोध पत्र निष्कर्ष निकालता है कि जब आप किसी AI को नया निर्देश देते हैं, तो उसे अपने मस्तिष्क को मौलिक रूप से फिर से लिखने या जटिल, घुमावदार गणित करने की आवश्यकता नहीं होती है। इसके बजाय, यह मुख्य रूप से अपनी आंतरिक समझ को एक नई जगह पर खिसकाता (slide) है और नए कार्य के अनुकूल होने के लिए अपने फीचर्स को एक सीधी रेखा के तरीके से मिलाता (mix) है (Affine transformation)।

यह हमें एक स्पष्ट, ज्यामितीय चित्र देता है कि AI मॉडल निर्देशों को कैसे "सुनते" हैं: वे अनिवार्य रूप से अपनी आंतरिक डेटा की एक परिष्कृत, बहु-चरणीय पुनर्व्यवस्था कर रहे हैं, और अब हम सटीक रूप से माप सकते हैं कि उस पुनर्व्यवस्था में कितना हिस्सा एक साधारण स्लाइड है और कितना एक जटिल मिश्रण।

तकनीकी सारांश: प्रॉम्प्टिंग व्यवहार को कैसे निर्देशित करता है, इसका विखंडन (Decomposing how prompting steers behavior)

समस्या विवरण (Problem Statement)

निर्देश प्रॉम्प्ट (Instruction prompts) लार्ज लैंग्वेज मॉडल्स (LLMs) और विजन-लैंग्वेज मॉडल्स (VLMs) को वेट अपडेट के बिना, इन्फरेंस के समय अपने व्यवहार को बदलने में सक्षम बनाते हैं। हालांकि यह स्थापित है कि प्रॉम्प्ट्स आंतरिक निरूपणों (internal representations) को पुनर्गठित करते हैं, लेकिन इस रूपांतरण की विशिष्ट यांत्रिक प्रकृति अभी भी अस्पष्ट है। मौजूदा साहित्य ने इन परिवर्तनों को स्केलर मेट्रिक्स (जैसे, रिप्रेजेंटेशनल सिमिलैरिटी, मैनिफोल्ड कैपेसिटी) के माध्यम से वर्णित किया है या यह प्रदर्शित किया है कि इंजीनियर किए गए कम-जटिलता वाले ऑपरेटर्स (जैसे, एडिटिव वेक्टर्स, रोटेशन्स) व्यवहार को निर्देशित कर सकते हैं। हालाँकि, इस बात को समझने में एक अंतराल है कि जब एक निर्देश बदलता है, तो स्वाभाविक रूप से किस गणितीय रूपांतरण वर्ग (class of mathematical transformation) का उपयोग होता है। विशेष रूप से, यह अज्ञात है कि क्या प्रॉम्प्ट-प्रेरित परिवर्तन सरल ट्रांसलेशन (translations), रिजिड ट्रांसफॉर्मेशन (rigid transformations), एफाइन मिक्सिंग (affine mixing), या जटिल नॉन-लीनियैरिटीज़ (nonlinearities) द्वारा सबसे अच्छी तरह समझाए जा सकते हैं, और क्या ये रूपांतरण देखे गए व्यवहारिक बदलावों को कारणवश (causally) संचालित करते हैं।

कार्यप्रणाली (Methodology)

लेखक एक नेस्टेड ज्योमेट्रिक डीकंपोजिशन फ्रेमवर्क (nested geometric decomposition framework) पेश करते हैं ताकि यह विश्लेषण किया जा सके कि प्रॉम्प्ट्स रिप्रेजेंटेशनल ज्योमेट्री को कैसे नया आकार देते हैं। मुख्य दृष्टिकोण प्रॉम्प्टिंग को कंटेंट के लिए रिप्रेजेंटेशनल मैनिफोल्ड के रूपांतरण के रूप में मानने पर आधारित है जो प्रॉम्प्ट का पालन करता है।

1. नेस्टेड ज्योमेट्रिक पदानुक्रम (Nested Geometric Hierarchy)

एक दिए गए मॉडल, लेयर, डेटासेट और प्रॉम्प्ट के जोड़े (सोर्स प्रॉम्प्ट $A$ और टारगेट प्रॉम्प्ट $B$ ) के लिए, लेखक अनुक्रमिक रूप से अधिक अभिव्यंजक, स्टिमुलस-इनवेरिएंट मैप्स $f: \mathbb{R}^D \to \mathbb{R}^D$ को फिट करते हैं, जो $A$ की हिडन स्टेट्स को $B$ के साथ संरेखित (align) करते हैं। पदानुक्रम में पांच सख्त नेस्टेड ट्रांसफॉर्मेशन क्लास शामिल हैं:

ट्रांसलेशन ( $F_T$ ): एक साधारण मीन शिफ्ट ( $x + b$ )।
यूनिफॉर्म स्केलिंग के साथ रिजिड ट्रांसफॉर्मेशन ( $F_{O_u}$ ): रोटेशन/रिफ्लेक्शन और यूनिफॉर्म स्केलिंग ( $b + c(x-a)Q$ )।
एक्सिस-वाइज़ स्केलिंग के साथ रिजिड ट्रांसफॉर्मेशन ( $F_{O_a}$ ): संरेखित अक्षों (aligned axes) के स्वतंत्र स्केलिंग की अनुमति देता है ($b + (x-a)QD$)।
एफाइन ट्रांसफॉर्मेशन ( $F_L$ ): सामान्य लीनियर मिक्सिंग प्लस ट्रांसलेशन ( $b + (x-a)M$ )।
नॉनलीनियर ट्रांसफॉर्मेशन ( $F_N$ ): एक साझा मल्टी-लेयर परसेप्ट्रॉन (MLP) ( $b + g_\theta(x-a)$ )।

2. मूल्यांकन मेट्रिक्स (Evaluation Metrics)

फ्रेमवर्क होल्ड-आउट स्टिमुलि पर इन तीन प्रकार के मापों का उपयोग करके इन रूपांतरणों का मूल्यांकन करता है:

इन्क्रीमेंटल एक्सप्लेंड वेरिएंस ( $\Delta R^2$ ): नेस्टेड श्रृंखला में पिछले स्तर के ऊपर पिछले स्तर की तुलना में लक्षित प्रॉम्प्ट के निरूपण में समझाया गया अतिरिक्त वेरिएंस।
रिप्रेजेंटेशनल ज्योमेट्री मेट्रिक्स: लक्षित कार्य के RDM के साथ रूपांतरित रिप्रेजेंटेशनल डिसिमिलैरिटी मैट्रिक्स (RDM) के बीच स्पीयरमैन कोरिलेशन, और क्लस्टर सेपरेशन को मापने के लिए सिलुएट स्कोर।
कॉज़ल इंटरवेंशन (Causal Intervention): फिट किए गए मैप को एक सिंगल लेयर पर सोर्स प्रॉम्प्ट की हिडन स्टेट पर लागू किया जाता है, जिससे मूल स्टेट को बदल दिया जाता है। मॉडल फिर फॉरवर्ड पास जारी रखता है। परिणामी आउटपुट का मूल्यांकन टारगेट प्रॉम्प्ट के ग्राउंड ट्रुथ के विरुद्ध रेलेवेंस (लक्षित एट्रिब्यूट को संबोधित करना) और एक्यूरेसी (उत्तर की शुद्धता) के लिए किया जाता है।

3. प्रयोगात्मक सेटअप (Experimental Setup)

मॉडेल्स: तीन LLMs (OPT-2.7B, Llama3-8B-Instruct, Qwen3-8B) और तीन VLMs (BLIP-2, LLaVA-OneVision, Qwen3-VL)।
डेटासेट्स: छह डेटासेट्स (तीन टेक्स्ट: EmotionalStory, WritingStyle, Number; तीन इमेज: EmoSet, StyleTransfer, COCO) जिनमें क्रॉस- और विदिन-एट्रिब्यूट प्रॉम्प्ट तुलनाओं के लिए फैक्टोरियल एट्रिब्यूट स्ट्रक्चर है।
प्रॉम्प्ट पेयर्स: छह समूह जो क्रॉस-एट्रिब्यूट (जैसे, टॉपिक $\to$ इमोशन) से लेकर अप्रासंगिक सोर्स प्रॉम्प्ट्स तक विस्तृत हैं।

मुख्य परिणाम (Key Results)

1. प्रॉम्प्टिंग टास्क स्ट्रक्चर की ओर ज्योमेट्री को नया आकार देता है

प्रॉम्प्ट-प्रेरित रिप्रेजेंटेशनल परिवर्तन लेयर डेप्थ के साथ लगभग मोनोटोनिक रूप से बढ़ते हैं। महत्वपूर्ण रूप से, टारगेट प्रॉम्प्ट की रिप्रेजेंटेशनल ज्योमेट्री टास्क स्ट्रक्चर के साथ तेजी से संरेखित होती जाती है (RDM कोरिलेशन और सिलुएट स्कोर द्वारा मापा गया), जो गहरे लेयर्स में सोर्स प्रॉम्प्ट से स्पष्ट रूप से अलग हो जाती है।

2. लो-कॉम्प्लेक्सिटी मैप्स अधिकांश वेरिएंस की व्याख्या करते हैं

सभी मॉडल्स और डेटासेट्स में, ट्रांसलेशन प्रॉम्प्ट-प्रेरित रिप्रेजेंटेशनल परिवर्तन का सबसे बड़ा हिस्सा रखता है, जो शुरुआती लेयर्स में हावी रहता है। यूनिफॉर्म स्केलिंग के साथ रिजिड ट्रांसफॉर्मेशन अगला महत्वपूर्ण योगदान प्रदान करते हैं।

एफाइन ट्रांसफॉर्मेशन पहले ऐसे टियर हैं जो टारगेट प्रॉम्प्ट की टास्क ज्योमेट्री को लगभग पूरी तरह से रिकवर करते हैं और संबंधित व्यवहारिक सहमति (behavioral agreement) उत्पन्न करते हैं।
नॉनलीनियर ट्रांसफॉर्मेशन सबसे मजबूत रिकवरी प्रदान करते हैं लेकिन एफाइन मैप्स की तुलना में घटते प्रतिफल (diminishing returns) दिखाते हैं; एक्सिस-स्केल्ड रिजिड से एफाइन तक का जंप, एफाइन से नॉनलीनियर तक के जंप की तुलना में अधिक महत्वपूर्ण है।

3. मॉडल- और टास्क-विशिष्ट रूटिंग रणनीतियाँ

मॉडल अंतर: OPT-2.7B, Llama3 और Qwen3 की तुलना में रोटेशन, रिफ्लेक्शन और नॉनलीनियर कंपोनेंट्स पर अधिक निर्भर करता है, जो ऐसा प्रतीत होता है कि लो-डायमेंशनल "इंस्ट्रक्शन कोड्स" (ट्रांसलेशन द्वारा संचालित) का उपयोग करते हैं।
प्रॉम्प्ट पेयर अंतर: विशिष्ट प्रॉम्प्ट पेयर्स (जैसे, yes/no क्वेरीज) ओपन-एंडेड पेयर्स की तुलना में रोटेशन और एफाइन ट्रांसफॉर्मेशन पर अधिक निर्भर करते हैं।
डेप्थ डिपेंडेंस: ट्रांसलेशन शुरुआती लेयर्स में हावी रहता है, जबकि उच्च-जटिलता वाले टियर्स (एफाइन, नॉनलीनियर) मिड-टू-डीप लेयर्स में अधिक योगदान देते हैं।

4. कॉज़ल वैलिडेशन

कॉज़ल इंटरवेंशन पुष्टि करते हैं कि केवल हिडन स्टेट को ट्रांसलेट करने से व्यवहार को पर्याप्त रूप से निर्देशित किया जा सकता है। हालांकि, एफाइन ट्रांसफॉर्मेशन टारगेट रिप्रेजेंटेशनल ज्योमेट्री और उच्च व्यवहारिक सटीकता दोनों को रिकवर करने के लिए महत्वपूर्ण थ्रेशोल्ड हैं। यह सुझाव देता है कि क्रॉस-डायमेंशनल लीनियर मिक्सिंग, इंस्ट्रक्टेड टास्क की ओर रिप्रेजेंटेशन को पुनर्गठित करने के लिए एक प्रमुख तंत्र है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि यह प्रॉम्प्ट-प्रेरित रिप्रेजेंटेशनल परिवर्तनों को व्याख्या योग्य ज्योमेट्रिक कंपोनेंट्स में विघटित करने के लिए एक सामान्य ढांचा प्रदान करता है। प्राथमिक निष्कर्ष यह है कि इंस्ट्रक्शन प्रॉम्प्टिंग का प्रभाव काफी हद तक कंटेंट के रिप्रेजेंटेशन का एक एफाइन ट्रांसफॉर्मेशन है।

मैकेनिस्टिक इनसाइट: लेखक तर्क देते हैं कि जबकि ट्रांसलेशन "अधिकांश काम" (most of the work) करता है, रोटेशन और शीयरिंग (एफाइन कंपोनेंट्स) उस अवशेष संरचना (residual structured component) को ठीक करते हैं जो टास्क एलाइनमेंट के लिए आवश्यक है।
इंटरप्रिटेबिलिटी: प्रत्येक ट्रांसफॉर्मेशन टियर के योगदान को मापकर, यह फ्रेमवर्क बताता है कि मॉडल्स टास्क-रेलेवेंट स्ट्रक्चर को कैसे रूट करते हैं। यह सुझाव देता है कि नेचुरल प्रॉम्प्टिंग एक्टिवेशन स्पेस में लो-कॉम्प्लेक्सिटी ट्रांसफॉर्मेशन के माध्यम से लागू की जाती है, न कि जटिल नॉनलीनियर पुनर्गठन की आवश्यकता होती है।
सीमाएं: लेखक स्पष्ट रूप से नोट करते हैं कि उनका विश्लेषण ज़ीरो-शॉट इंस्ट्रक्शन प्रॉम्प्ट्स तक सीमित है और यह फ्यू-शॉट डेमोंस्ट्रेशन, सॉफ्ट प्रॉम्प्ट्स, या लंबे-कॉन्टेक्स्ट कंडीशनिंग का मूल्यांकन नहीं करता है। इंटरवेंशन एक सिंगल लेयर और टोकन तक ही सीमित है।

यह कार्य खुद को एक नए स्टीयरिंग ऑपरेटर को इंजीनियर करने की विधि के रूप में नहीं, बल्कि नेचुरल प्रॉम्प्टिंग की ज्योमेट्रिक प्रकृति को समझने के एक डायग्नोस्टिक टूल के रूप में प्रस्तुत करता है, जो यह सुझाव देता है कि प्रॉम्प्टिंग के परिचालन परिणाम (operational consequences) प्राथमिक ट्रांसलेशन के बाद के रेजिड्यूअल फाइन स्ट्रक्चर (रोटेशन और छोटे नॉनलीनियर हिस्से) में केंद्रित होते हैं।