From Symbolic to Geometric: Enabling Spatial Reasoning in Large Language Models
यह शोध पत्र स्पेशियल लैंग्वेज मॉडल (SLM) को प्रस्तुत करता है, जो एक नवीन मल्टीमॉडल फ्रेमवर्क है जो स्थानिक स्थानों को एक प्रथम-श्रेणी की मोडैलिटी के रूप में मानकर प्रतीकात्मक पैटर्न मिलान के स्थान पर मूल ज्यामितीय तर्क को प्रतिस्थापित करता है, जिससे एक समर्पित प्रशिक्षण डेटासेट और एक नए मूल्यांकन बेंचमार्क के उपयोग के माध्यम से स्थानिक तर्क कार्यों पर मौजूदा LLMs से काफी बेहतर प्रदर्शन करता है।
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
समस्या: "नक्शा पढ़ने वाला" रोबोट बनाम "वास्तविक दुनिया" का नेविगेटर
कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान रोबोट (एक लार्ज लैंग्वेज मॉडल, या LLM) है जिसने दुनिया की हर किताब, नक्शा विवरण और यात्रा ब्लॉग पढ़ रखा है। यदि आप उससे पूछते हैं, "क्या पेरिस फ्रांस में है?" तो वह सही उत्तर देगा क्योंकि उसने अपने प्रशिक्षण डेटा से इस तथ्य को याद कर लिया है।
हालाँकि, यह शोध पत्र तर्क देता है कि रोबोट वास्तव में स्थानिक तर्क (spatial reasoning) करने में खराब है। यह उस छात्र की तरह है जिसने गणित के टेस्ट के उत्तर रट लिए हैं लेकिन उसे वास्तव में गणित करना नहीं आता।
- वर्तमान दोष (प्रतीकात्मक तर्क - Symbolic Reasoning): जब आप रोबोट से पूछते हैं, "बिंदु A से बिंदु B तक कितनी दूरी है?" या "क्या ये दो आकार आपस में टकरा रहे हैं?", तो वह उन शब्दों के आधार पर अनुमान लगाने की कोशिश करता है जो उसने पहले देखे हैं। यह दो शहरों के बीच की दूरी का अनुमान केवल उनके नामों के आधार पर लगाने जैसा है, बजाय इसके कि वे एक नक्शे पर कहाँ स्थित हैं।
- परिणाम: रोबोट अक्सर भ्रमित जानकारी (hallucinations) देता है, उन नई जगहों के बारे में उलझ जाता है जिन्हें उसने किताबों में नहीं देखा है, या सटीक ज्यामिति (जैसे कि एक अजीब आकार वाले बहुभुज का क्षेत्रफल मापना) वाले कार्यों में विफल हो जाता है। वह स्थान (space) को शब्दों की एक सूची की तरह मानता है, न कि एक भौतिक वास्तविकता की तरह।
समाधान: "स्पेशियल लैंग्वेज मॉडल" (SLM)
लेखकों ने एक नया प्रकार का AI बनाया जिसे SLM (स्पेशियल लैंग्वेज मॉडल) कहा जाता है। इसे ऐसे समझें जैसे आपने रोबोट को ऐसे चश्मे दे दिए हों जो उसे सीधे ज्यामिति देखने की अनुमति देते हैं, बजाय इसके कि वह केवल उसके विवरण को पढ़े।
रोबोट को "पार्क 34.05° N, 118.24° W पर है" जैसा टेक्स्ट खिलाने के बजाय, SLM रोबोट को एक गणितीय "फिंगरप्रिंट" (एक वेक्टर) देता है जो उस पार्क के वास्तविक आकार और स्थान का प्रतिनिधित्व करता है।
उपमा:
- पुराना तरीका (प्रतीकात्मक): आप एक सुरक्षा गार्ड को अपने दोस्त का वर्णन करते हैं कि, "वह लंबा है, लाल टोपी पहनता है, और 5वीं स्ट्रीट पर रहता है।" गार्ड को यह अनुमान लगाने के लिए संघर्ष करना पड़ता है कि आपका मतलब किससे है।
- नया तरीका (ज्यामितीय/SLM): आप गार्ड को अपने दोस्त की एक फोटो थमा देते हैं। गार्ड को अनुमान लगाने की आवश्यकता नहीं है; वह देख सकता है कि वह व्यक्ति वास्तव में कौन है और दूसरों के सापेक्ष कहाँ खड़ा है।
उन्होंने इसे कैसे बनाया
रोबोट को देखने का यह नया तरीका सिखाने के लिए, शोधकर्ताओं को तीन नई चीजें बनानी पड़ीं:
एक नई भाषा (इंटरलीव्ड ग्राउंडिंग - Interleaved Grounding): उन्होंने रोबोट से बात करने का एक विशेष तरीका विकसित किया। केवल "लॉन्ग बीच" लिखने के बजाय, वे
<NAME> <PHRASE> <GEO>लिखते।<GEO>वाला हिस्सा वह जगह है जहाँ वे लॉन्ग बीच का गणितीय "फिंगरप्रिंट" डालते हैं। यह रोबोट को केवल नाम के बजाय आकार और स्थान को देखने के लिए मजबूर करता है।एक नई पाठ्यपुस्तक (स्पेशियल इंस्ट्रक्शन डेटासेट): कोई मौजूदा पाठ्यपुस्तक नहीं थी जो रोबोट को इन गणितीय फिंगरप्रिंट्स का उपयोग करके ज्यामिति करना सिखा सके। इसलिए, लेखकों ने 30,000 अभ्यास समस्याओं वाली एक नई "पाठ्यपुस्तक" लिखी। उन्होंने जटिल प्रश्नों को छोटे, तार्किक चरणों (जैसे कि "चेन ऑफ थॉट") में तोड़ दिया ताकि रोबक केवल उत्तरों को ही नहीं, बल्कि मापने और तुलना करने की प्रक्रिया को भी सीख सके।
एक नया परीक्षण (SpatialEval): उन्होंने यह परीक्षण करने के लिए एक नया एग्जाम बनाया कि क्या रोबोट ने वास्तव में सीखा है। पुराने परीक्षणों के विपरीत जो केवल सामान्य ज्ञान पूछते थे, यह टेस्ट रोबोट को कच्चे निर्देशांक (coordinates) देता है और उससे दूरियां मापने, आकारों के आपस में जुड़ने की जांच करने, या निकटतम वस्तु खोजने के लिए कहता है।
क्या हुआ? (परिणाम)
शोधकर्ताओं ने नए SLM की शीर्ष-स्तरीय रोबोट्स (जैसे GPT-4 और Llama) के साथ तुलना करने के लिए परीक्षणों की एक श्रृंखला चलाई, जिन्हें पुराने "केवल शब्द-आधारित" तरीके का उपयोग करने के लिए मजबूर किया गया था।
- सटीकता (Accuracy): पुराने रोबोट ज्यामिति में बहुत खराब थे। जब उनसे दूरियों या क्षेत्रों को मापने के लिए पूछा जाता था, तो वे बेतरतीब ढंग से अनुमान लगाते थे। नया SLM काफी अधिक सटीक था, और अक्सर गणित को सही करता था क्योंकि वह वास्तव में ज्यामिति को "देख" रहा था।
- सामान्यीकरण (Generalization): पुराने रोबोट उन स्थानों के बारे में पूछे जाने पर विफल हो जाते थे जिनके बारे में उन्होंने किताबों में नहीं पढ़ा था। नया SLM अनदेखी जगहों को भी संभाल सकता था क्योंकि वह केवल स्थानों के नामों को नहीं, बल्कि स्थान के नियमों को समझता था।
- गति और दक्षता (Speed & Efficiency): पुराने रोबोट अक्सर साधारण गणित करने के लिए भी पन्ने भर के टेक्स्ट लिखने की कोशिश करते थे, जिसमें बहुत समय लगता था और बहुत अधिक कंप्यूटर शक्ति खर्च होती थी। नया SLM गणित को आंतरिक रूप से और तुरंत करता था, जिससे बहुत कम कंप्यूटर संसाधनों का उपयोग होता था।
निष्कर्ष
यह शोध पत्र निष्कर्ष निकालता है कि AI को भौतिक दुनिया के बारे में वास्तव में बुद्धिमान बनाने के लिए, हम इसे केवल अधिक किताबें खिलाकर काम नहीं चला सकते। हमें इसे स्थान को ज्यामिति के रूप में समझना सिखाना होगा।
स्थान को एक "प्राथमिक नागरिक" (डेटा का एक प्राथमिक प्रकार, जैसे टेक्स्ट या इमेज) के रूप में मानकर, न कि केवल वाक्य में एक शब्द के रूप में, नया SLM दुनिया के बारे में उसी तरह तर्क कर सकता है जैसे इंसान करते हैं: आकार, दूरी और स्थिति को सीधे समझकर, न कि केवल शब्दावली के आधार पर अनुमान लगाकर।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।