तकनीकी सारांश: संरचित परिकल्पना स्थानों (Structured Hypothesis Spaces) पर तर्क करने के लिए क्वांटम-प्रेरित ट्रेस-संवर्धित साक्ष्य चयन

1. समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) ने सामान्य विशेषज्ञ परीक्षाओं पर मानव-स्तर या उससे बेहतर प्रदर्शन हासिल किया है, लेकिन वे कानून जैसे विशिष्ट, साक्ष्य-गहन क्षेत्रों में नाजुक बने हुए हैं। इन डोमेन में, त्रुटियां विश्व ज्ञान की कमी से नहीं, बल्कि साक्ष्यों के बीच सूक्ष्म अंतर और सहायक तथ्यों के असंगत अनुप्रयोग से उत्पन्न होती हैं।

सुधार के लिए प्रचलित दृष्टिकोण कई चेन-ऑफ-थॉट (CoT) ट्रेस को सैंपल करना और उन्हें बहुमत वोट (majority vote) के माध्यम से एकत्रित करना है। हालांकि, साक्ष्य-गहन कार्यों के लिए बहुमत वोट मौलिक रूप से त्रुटिपूर्ण है क्योंकि यह इस बात की परवाह किए बिना सबसे लोकप्रिय उत्तर को प्राथमिकता देता है कि अंतर्निहित साक्ष्य कितने मजबूत हैं। यह दृष्टिकोण उन सही उत्तरों को खोजने में विफल रहता है जो उच्च-गुणवत्ता वाले साक्ष्यों द्वारा समर्थित हैं लेकिन ट्रेस की अल्पसंख्या (minority) में दिखाई देते हैं (जिसे "नॉइजी मेजोरिटी" या शोर युक्त बहुमत की समस्या कहा जाता है)। इसके अलावा, फ्रंटियर मॉडल्स अक्सर अंतर्निहित पूर्वाग्रह (जैसे, स्थिति पूर्वाग्रह/position bias) प्रदर्शित करते हैं जो सरल एकत्रीकरण से कम नहीं होते हैं।

यह शोध पत्र तर्क देता है कि रीजनिंग फ्रैगमेंट (तर्क के अंशों) का चयन करना एक स्पष्ट संयोजन अनुकूलन समस्या (combinatorial optimization problem) के रूप में माना जाना चाहिए, न कि एक सांख्यिकीय वोटिंग अभ्यास के रूप में। लक्ष्य साक्ष्य अंशों के एक ऐसे उपसमुच्चय (subset) की पहचान करना है जो लोकप्रियता (frequency) के बजाय गुणवत्ता मेट्रिक्स (प्रासंगिकता, विशिष्टता, विशिष्टता/distinctiveness) के आधार पर किसी परिकल्पना का अधिकतम समर्थन करता हो, जिससे अच्छी तरह से समर्थित अल्पसंख्यक परिकल्पनाएं शोर युक्त बहुमत को ओवरराइड कर सकें।

2. कार्यप्रणाली: EP-HUBO फ्रेमवर्क

लेखक EP-HUBO (एविडेंस पूल हायर-ऑर्डर बाइनरी ऑप्टिमाइजेशन) पेश करते हैं, जो एक चार-चरणीय पाइपलाइन है जिसे रीजनिंग फ्रैगमेंट को एकत्रित करने के लिए डिज़ाइन किया गया है जबकि अल्पसंख्यक-लेकिन-सही परिकल्पनाओं को संरक्षित किया जाता है। इस फ्रेमवर्क को एक हायर-ऑर्डर अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (HUBO) समस्या के रूप में तैयार किया गया है, जिसे शास्त्रीय (classical) और क्वांटम हार्डवेयर दोनों पर हल किया जा सकता है।

चरण 1: स्थानीय ट्रेस जनरेशन (Local Trace Generation)

एक छोटा, ओपन-वेट लोकल LLM (जैसे, Qwen3.5-35B या OSS-20B) प्रति प्रश्न $N$ स्वतंत्र CoT ट्रेस उत्पन्न करता है। यह चरण लागत-कुशल है और प्रारंभिक ट्रेस जनरेशन के लिए फ्रंटियर मॉडल्स के उच्च API खर्चों से बचता है।

चरण 2: साक्ष्य पूलिंग और फ्रैगमेंट स्कोरिंग

ट्रेस को उनके निकाले गए अंतिम उत्तर के आधार पर साक्ष्य पूल्स ($P_\ell$) में समूहीकृत किया जाता है। प्रत्येक पूल में वे रीजनिंग फ्रैगमेंट शामिल होते हैं जो एक विशिष्ट परिकल्पना के साथ समाप्त होने वाले ट्रेसेस से प्राप्त होते हैं।

• फ्रैगमेंट निष्कर्षण (Fragment Extraction): फ्रैगमेंट को नियतात्मक नियमों और गुणवत्ता फिल्टर (जैसे, न्यूनतम शब्द गणना, एंटिटी की उपस्थिति) का उपयोग करके रॉ टेक्स्ट से पार्स किया जाता है।
• गुणवत्ता स्कोरिंग: एक स्थानीय LLM प्रत्येक फ्रैगमेंट को तीन आयामों पर स्कोर करता है:
  1. प्रासंगिकता ($r_i$): प्रश्न से संबंध।
  2. विशिष्टता ($s_i$): ठोस तथ्यों, कानूनों या नामित संस्थाओं की उपस्थिति।
  3. विशिष्टता/Distinctiveness ($d_i$): तार्किक योगदान जो अन्य फ्रैगमेंट द्वारा निहित नहीं है।
• वेटिंग (Weighting): महत्वपूर्ण रूप से, ये वेट्स लोकप्रियता से स्वतंत्र हैं। वे पिछले QUBO-आधारित दृष्टिकोणों (जैसे, QCR-LLM) के विपरीत, जो फ्रैगमेंट फ्रीक्वेंसी को प्राथमिक गुणांक के रूप में उपयोग करते थे, फ्रैगमेंट की आवृत्ति पर निर्भर नहीं करते हैं।

चरण 3: HUBO अनुकूलन

प्रत्येक साक्ष्य पूल के लिए, सिस्टम एक HUBO समस्या को हल करता है ताकि फ्रैगमेंट के एक उपसमुच्चय ($S_\ell$) का चयन किया जा सके जो एक ऊर्जा फलन $H_\ell(x_\ell)$ को कम करता है:
$$H_\ell(x_\ell) = \sum w^{(1)}_i x_i + \sum w^{(2)}_{ij} x_i x_j + \sum w^{(3)}_{ijk} x_i x_j x_k$$

• 1-body terms ($w^{(1)}$): गुणवत्ता स्कोर ($r, s, d$) से प्राप्त होते हैं।
• 2-body terms ($w^{(2)}$): विरोधाभासों को दंडित करते हैं और फ्रैगमेंट के बीच समर्थन को पुरस्कृत करते हैं।
• 3-body terms ($w^{(3)}$): सामंजस्य (coherence) को पुरस्कृत करते हैं और परिकल्पना को कमजोर करने वाले तत्वों को दंडित करते हैं।
• बाधाएं (Constraints): अनुकूलन एक कार्डिनैलिटी बाधा ($\|x\|_1 = K$) के अधीन है, जहाँ $K$ को इंट्रा-पूल फ्रैगमेंट विविधता (Jaccard distance) के आधार पर गतिशील रूप से समायोजित किया जाता है।
• सॉल्वर (Solver): इस समस्या को शास्त्रीय हार्डवेयर पर सिमुलेटेड एनीलिंग (SA) या क्वांटम कंप्यूटिंग इंक (QCi) के Dirac-3 फोटोनिक एंट्रॉपी-क्वांटम मशीन का उपयोग करके हल किया जाता है। Dirac-3 उच्च-क्रम के पदों को बिना क्वाड्राटाइजेशन ओवरहेड के सीधे हल करने की अनुमति देता है, जो D-Wave जैसे गेट-बेस्ड या एनीलिंग हार्डवेयर के लिए आवश्यक होता है।

चरण 4: फ्रंटियर अधिनिर्णय (Frontier Adjudication)

एक शक्तिशाली फ्रंटियर LLM (जैसे, Claude Sonnet 4.6 या Opus 4.6) को एक एकल कॉल की जाती है। मॉडल को प्रश्न, सभी विकल्प, और प्रत्येक उम्मीदवार उत्तर के लिए HUBO-चयनित साक्ष्य उपसमुच्चय, उनके संबंधित परिकल्पना लेबल के साथ, दिया जाता है। फ्रंटियर मॉडल एक अधिनिर्णायक (adjudicator) के रूप में कार्य करता है, जो उस विकल्प का चयन करता है जो अनुकूलित साक्ष्य समूह द्वारा सबसे दृढ़ता से समर्थित है।

3. मुख्य योगदान

1. एविडेंस-पूल HUBO फ्रेमवर्क: शोध पत्र एक ट्रेस-संवर्धित समस्या प्रारूप को परिभाषित करता है जहाँ साक्ष्य चयन एक संरचित संयोजन समस्या है। यह एक प्रति-परिकल्पना अनुकूलन रणनीति पेश करता है जो अल्पसंख्यक-लेकिन-सही परिकल्पनाओं को प्रभावी ढंग से प्रतिस्पर्धा करने की अनुमति देता है।
2. सैद्धांतिक विश्लेषण: लेखक एक सैद्धांतिक विश्लेषण प्रदान करते हैं जो सिद्ध करता है कि:
   • HUBO वेट्स ट्रेस पूल के आकार से स्वतंत्र हैं (फ्रीक्वेंसी-आधारित विधियों के विपरीत)।
   • प्रति-पूल अपघटन (per-pool decomposition) परम्यूटेशन इनवेरिएंस के तहत एक संयुक्त अनुकूलन के गणितीय रूप से समकक्ष है।
   • फ्रेमवर्क बहुमत वोट भविष्यवाणियों को पुनः प्राप्त कर सकता है यदि वेट्स को फ्रीक्वेंसी दर्शाने के लिए सेट किया जाए, लेकिन यह गुणवत्ता-आधारित चयन पर डिफ़ॉल्ट होता है।
   • यह विधि अधिनिर्णायक पूर्वाग्रहों (जैसे, स्थिति पूर्वाग्रह) को कम करने के लिए एक निचला स्तर (lower bound) प्रदान करती है।
3. अनुभवजन्य मूल्यांकन: अध्ययन दो कानूनी बेंचमार्क (MMLU-Pro Law और LEXam) पर दो अलग-अलग स्थानीय ट्रेस जनरेटर और दो फ्रंटियर अधिनिर्णायकों का उपयोग करके EP-HUBO का मूल्यांकन करता है।

4. प्रयोगात्मक परिणाम

MMLU-Pro Law (कॉमन लॉ) पर प्रदर्शन

• बहुमत वोट (MV) बनाम: EP-HUBO, MV की तुलना में काफी बेहतर प्रदर्शन करता है। Opus अधिनिर्णायक और Qwen-35B ट्रेसेस के साथ, इसने +12.6 प्रतिशत अंक (pp) की वृद्धि हासिल की। OSS-20B ट्रेसेस के साथ, यह लाभ +27.9 pp था।
• ज़ीरो-शॉट (ZS) बनाम: EP-HUBO, प्रत्यक्ष फ्रंटियर कॉल्स की तुलना में मापने योग्य लाभ प्रदान करता है। Opus के साथ, इसने Qwen-35B ट्रेसेस के साथ ZS सटीकता में +1.5 pp और OSS-20B ट्रेसेस के साथ +0.7 pp का सुधार किया।
• HUBO परिशुद्धता (Precision): HUBO की परिशुद्धता (ZS के साथ असहमति के कुल मामलों में जीत का अनुपात) अधिकांश कॉन्फ़िगरेशन के लिए 50% से अधिक थी, जो इंगित करता है कि जब HUBO ज़ीरो-शॉट मॉडल के साथ असहमत होता है, तो इसके सही होने की संभावना अधिक होती है।

LEXam (स्विस/अंतर्राष्ट्रीय कानून) पर प्रदर्शन

LEXam एक लो-कंटैमिनेशन बेंचमार्क है जिसमें फ्रंटियर मॉडल्स के लिए सीमित प्रशिक्षण डेटा है।

• पूर्वाग्रह शमन: ज़ीरो-शॉट Claude Sonnet 4.6 ने एक गंभीर स्थिति पूर्वाग्रह (position bias) दिखाया, जिसने प्रश्न "E" को 87.7% बार चुना (बनाम ~13% ग्राउंड ट्रुथ), जिसके परिणामस्वरूप 22.3% सटीकता मिली।
• EP-HUBO प्रभाव: साक्ष्य का चयन करके, EP-HUBO ने इस पूर्वाग्रह को कम किया। Qwen-35B ट्रेसेस के साथ, HUBO+Sonnet ने 42.5% सटीकता प्राप्त की (ZS Sonnet की तुलना में +20.2 pp का लाभ) जिसमें 92.0% की HUBO परिशुद्धता थी।
• बहुमत वोट (MV) बनाम: LEXam पर, MV अक्सर कमजोर था क्योंकि स्थानीय मॉडल्स के लिए यह डोमेन कठिन था। OSS-20B ट्रेसेस के साथ, Opus के माध्यम से EP-HUBO ने MV पर +23.2 pp का सुधार दिखाया।

क्वांटम बनाम क्लासिकल सॉल्विंग

• LEXam: Dirac-3 क्वांटम सॉल्वर ने शास्त्रीय सिमुलेटेड एनीलिंग (SA) के प्रतिस्पर्धी परिणाम दिए। कुछ कॉन्फ़िगरेशन में (जैसे, Qwen-35B + Opus), क्वांटम सॉल्वर ने शास्त्रीय SA से थोड़ा बेहतर प्रदर्शन किया (+1.0 pp)।
• MMLU-Pro Law: क्वांटम सॉल्वर ने शास्त्रीय SA की तुलना में 5–8 pp का कम प्रदर्शन किया। लेखक इस कमी का श्रेय तीसरे क्रम के उद्देश्यों के लिए Dirac-3 की 135-वेरिएबल सीमा को देते हैं। जब फ्रैगमेंट पूल इस सीमा से अधिक हो गया, तो सिस्टम को इंटरैक्शन ग्राफ को ट्रंकेट (छोटा) करना पड़ा, जबकि क्लासिकल सॉल्वर पूर्ण, अनट्रंकेटेड HUBO परिदृश्य पर कार्य कर सका।

5. महत्व और दावे

शोध पत्र का दावा है कि EP-HUBO रीजनिंग फ्रैगमेंट को एकत्रित करने का एक सिद्धांतपूर्ण तरीका प्रदान करता है जो अल्पसंख्यक-लेकिन-सही परिकल्पनाओं को सुरक्षित रखता है, जो विशेष रूप से उन लो-कंटैमिनेशन डोमेन में मूल्यवान है जहाँ फ्रंटियर मॉडल्स ने अभी तक बेंचमार्क सामग्री को आत्मसात नहीं किया है।

• लोकप्रियता से अलगाव: मुख्य महत्व "क्या सबसे आम है" से बदलकर "क्या सबसे अच्छा समर्थित है" की ओर तर्क के तर्क को स्थानांतरित करने में निहित है, जिससे सिस्टम शोर युक्त बहुमत को ओवरराइड कर सकता है।
• पूर्वाग्रह का खुलासा: यह ढांचा फ्रंटियर मॉडल की विशिष्ट विशेषताओं, जैसे कि स्विस कानून के प्रश्नों पर Claude Sonnet में देखे गए गंभीर स्थिति पूर्वाग्रह को उजागर करता है और उसे कम करता है।
• क्वांटम उपयोगिता: यह कार्य प्रदर्शित करता है कि क्वांटम-प्रेरित HUBO सॉल्वर्स विशिष्ट डोमेन में शास्त्रीय विधियों के प्रतिस्पर्धी हो सकते हैं, बशर्ते हार्डवेयर बाधाओं (जैसे, वेरिएबल सीमाएं) का प्रबंधन किया जाए। हालांकि, लेखक क्वांटम लाभ के बारे में विनम्र हैं, यह नोट करते हुए कि यह वर्तमान में शास्त्रीय SA के तुल्य है और हार्डवेयर क्षमता द्वारा सीमित है।
• व्यावहारिक तैनाती: लेखक इस बात पर जोर देते हैं कि जबकि EP-HUבות सटीकता में सुधार करता है और पूर्वाग्रह को कम करता है, यह विनियमित क्षेत्रों में मानव-इन-द-लूप समीक्षा की आवश्यकता को समाप्त नहीं करता है, क्योंकि पारदर्शिता और चयनित साक्ष्य के ऑडिट लॉग महत्वपूर्ण सुरक्षा उपाय बने रहते हैं।

शोध पत्र निष्कर्ष निकालता है कि यह विधि तब सबसे प्रभावी होती है जब स्थानीय ट्रेस जनरेटर साक्ष्य के विविध पूल उत्पन्न करता है और फ्रंटियर अधिनिर्णायक (adjudicator) पर्याप्त रूप से मजबूत होता है कि वह अनुकूलित साक्ष्य का संश्लेषण कर सके, लेकिन इतना भी मजबूत नहीं कि उसने पहले ही बेंचमार्क सामग्री को याद कर लिया हो (लो-कंटैमिनेशन)।