← नवीनतम पेपर
💬 NLP

Bridging the Agent-World Gap: Text World Models for LLM-based Agents

यह शोध पत्र LLM-आधारित एजेंटों के लिए टेक्स्ट वर्ल्ड मॉडल्स (TWMs) की व्यवस्थित रूप से समीक्षा करता है, जिसमें एक औपचारिक ढांचा स्थापित किया गया है जो उनके आधारों, निर्माण प्रतिमानों, योजना और प्रशिक्षण में अनुप्रयोगों, और मूल्यांकन विधियों को वर्गीकृत करता है ताकि एजेंटों और उनके संवादात्मक पाठ्य वातावरण के बीच के अंतर को पाटने के लिए भविष्य के अनुसंधान का मार्गदर्शन किया जा सके।

मूल लेखक: Yixia Li, Hongru Wang, Peng Lai, Zhiwen Ruan, He Zhu, Youxin Zhu, Ganlong Zhao, Minda Hu, Yun Chen, Sibei Yang, Peng Li, Jeff Z. Pan, Jia Pan, Guanhua Chen, Yang Liu, Guanbin Li

प्रकाशित 2026-06-09
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Yixia Li, Hongru Wang, Peng Lai, Zhiwen Ruan, He Zhu, Youxin Zhu, Ganlong Zhao, Minda Hu, Yun Chen, Sibei Yang, Peng Li, Jeff Z. Pan, Jia Pan, Guanhua Chen, Yang Liu, Guanbin Li

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 "ब्रिजिंग द एजेंट-वर्ल्ड गैप: टेक्स्ट वर्ल्ड मॉडल्स फॉर एलएलएम-बेस्ड एजेंट्स" (Bridging the Agent-World Gap: Text World Models for LLM-based Agents) पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी समस्या: "रिएक्टिव रोबोट" (प्रतिक्रियाशील रोबोट)

कल्पना कीजिए कि आपके पास एक बहुत ही स्मार्ट, बातूनी रोबोट (एक AI एजेंट) है जो वेब ब्राउज़ कर सकता है, कोड लिख सकता है, या आपसे बात कर सकता है। अभी, अधिकांश रोबोट "रिएक्टिव पैरट्स" (प्रतिक्रियाशील तोते) की तरह हैं। जब वे कोई वेबपेज देखते हैं, तो वे अगले क्लिक का अनुमान लगाते हैं। जब वे कोड की एक लाइन देखते हैं, तो वे अगले सुधार का अनुमान लगाते हैं। उन्हें वास्तव में यह नहीं पता होता कि उस क्रिया को करने से क्या होगा। वे बस वही अनुमान लगाते हैं जो उन्होंने पहले देखा है।

यदि रोबोट किसी लिंक पर क्लिक करता है, तो उसे यह नहीं पता होता कि वह लिंक एक नए पेज पर ले जाएगा, 404 एरर दिखाएगा, या लॉगिन स्क्रीन पर ले जाएगा। वह बस अंदाज़ा लगाता है। यही "एजेंट-वर्ल्ड गैप" है। रोबोट उस दुनिया के नक्शे के बिना काम कर रहा है जिसमें वह मौजूद है।

समाधान: "टेक्स्ट वर्ल्ड मॉडल" (Text World Model)

यह पेपर एक समाधान पेश करता है जिसे टेक्स्ट वर्ल्ड मॉडल (TWM) कहा जाता है। इसे टेक्स्ट-आधारित कार्यों के लिए एक "क्रिस्टल बॉल" (भविष्य दिखाने वाला गोला) या "फ्लाइट सिम्युलेटर" के रूपட்டாக समझें।

सिर्फ अगले कदम का अनुमान लगाने के बजाय, एजेंट इस "क्रिस्टल बॉल" का उपयोग करके पूछता है: "यदि मैं इस बटन पर क्लिक करता हूँ, तो अगली स्क्रीन कैसी दिखेगी? यदि मैं यह कोड चलाता हूँ, तो क्या यह क्रैश हो जाएगा या काम करेगा?"

यह मॉडल वास्तविक क्रिया करने से पहले ही टेक्स्ट (वेबपेज, कोड आउटपुट, या उपयोगकर्ता का उत्तर) की भविष्य की स्थिति की भविष्यवाणी करता है। यह एजेंट को आगे की योजना बनाने, तेजी से सीखने और अपने काम की जांच करने की अनुमति देता है।

हम इन क्रिस्टल बॉल्स को कैसे बनाते हैं? (निर्माण/Construction)

पेपर इन सिम्युलेटर्स को बनाने के तीन मुख्य तरीके बताता है, जिन्हें वह "पैराडाइम्स" (paradigms) कहता है:

  1. "मेमोराइज़र" (सीखने पर आधारित - Learning-Based):
    कल्पना कीजिए कि हजारों उदाहरणों को दिखाकर एक छात्र को सिखाना कि "क्रिया A के परिणामस्वरूप परिणाम B हुआ।" हम एक बड़े AI को इन उदाहरणों पर प्रशिक्षित करते हैं जब तक कि वह पैटर्न को याद न कर ले।
  • उपमा: यह उस छात्र की तरह है जिसने हर पाठ्यपुस्तक पढ़ ली है और कहानी के अगले पन्ने की भविष्यवाणी कर सकता है क्योंकि उसने पहले भी ऐसी कहानियाँ देखी हैं।
  • फायदे: यदि डेटा अच्छा है, तो यह बहुत सटीक होता है।
  • नुकसान: इसे प्रशिक्षित करना महंगा हो सकता है और यदि स्थिति बहुत नई है, तो यह "हैलुसिनेट" (मनगढ़ंत बातें बनाना) कर सकता है।
  1. "कंसल्टेंट" (प्रॉम्प्ट-आधारित - Prompt-Based):
    AI को फिर से प्रशिक्षित करने के बजाय, हम बस उससे भविष्य की कल्पना करने के लिए विनम्रता से पूछते हैं (प्रॉम्प्ट का उपयोग करके)। हम उसे भविष्य का अनुमान लगाने में मदद करने के लिए चैट में ही कुछ नियम या कुछ उदाहरण दे सकते हैं।
  • उपमा: यह एक जानकार मित्र से पूछने जैसा है, "हे, यदि मैं X करता हूँ, तो आमतौर पर क्या होता है?" बिना उसे काम पर रखे या उसके दिमाग को बदले।
  • फायदे: शुरू करने के लिए तेज़ और आसान।
  • नुकसान: यदि आपके मित्र को आपके खेल के विशिष्ट नियम नहीं पता हैं, तो वह गलत अनुमान लगा सकता है।
  1. "आर्किटेक्ट" (प्रोग्रामेटिक/कोड-आधारित - Programmatic/Code-Based):
    यहाँ, AI भविष्य का अनुमान नहीं लगाता; वह भविष्य को सिम्युलेट करने के लिए एक कंप्यूटर प्रोग्राम (कोड) लिखता है। कोड एक कंप्यूटर पर चलता है, इसलिए परिणाम 100% वास्तविक और सत्यापन योग्य होता है।
  • उपमा: यह अनुमान लगाने के बजाय कि क्या एक पुल भार सह पाएगा, AI एक पुल का डिजिटल मॉडल बनाता है और उस पर भौतिकी (physics) का परीक्षण करता है।
  • फायदे: कोई अनुमान नहीं, कोड के नियमों के भीतर 100% सटीक।
  • नुकसान: मानव बातचीत जैसी अव्यवस्थित, वास्तविक दुनिया की चीजों के लिए इसे बनाना कठिन है।

हम इन क्रिस्टल बॉल्स का उपयोग कैसे करते हैं? (अनुप्रयोग/Application)

पेपर बताता है कि एजेंट इन मॉडल्स का उपयोग दो अलग-अलग समय पर करते हैं:

1. प्रशिक्षण के दौरान (The "Practice Field")

वास्तविक दुनिया में जाने से पहले, एजेंट को अभ्यास करने की आवश्यकता होती है।

  • सिम्युलेटर: एजेंट को वास्तविक वेबसाइट पर टेस्ट करने के बजाय (जो टूट सकती है या धीमी हो सकती है), हम उसे "क्रिस्टल बॉल" में अभ्यास करने देते हैं। वह एक सेकंड में लाखों अलग-अलग क्लिक आज़मा सकता है।
  • यूजर सिम्युलेटर: कभी-कभी एजेंट को बात करने की आवश्यकता होती है। चूंकि हम वास्तविक मनुष्यों को 24/7 रोबोट के साथ चैट करने के लिए नहीं कह सकते, इसलिए वर्ल्ड मॉडल इंसान होने का नाटक करता है। यह एक ग्राहक या बॉस की तरह व्यवहार करता है ताकि एजेंट सीख सके कि उन्हें कैसे संभालना है।

2. वास्तविक समय के उपयोग के दौरान (The "Look-Ahead")

जब एजेंट वास्तव में कोई कार्य कर रहा होता है, तो वह कार्य करने से पहले सोचने के लिए मॉडल का उपयोग करता है।

  • शैलो लुकअहेड (Shallow Lookahead): "यदि मैं यहाँ क्लिक करता हूँ, तो क्या होता है? ठीक है, यह अच्छा लग रहा है। चलो, इसे करते हैं।" (जैसे शतरंज में एक कदम आगे की जांच करना)।
  • डीप ट्री सर्च (Deep Tree Search): "यदि मैं यहाँ क्लिक करता हूँ, तो उपयोगकर्ता X कह सकता है, फिर मुझे Y करना चाहिए..." (जैसे पूरे शतरंज के खेल की योजना बनाना)।
  • वेरिफायर (The Verifier): एजेंट एक अनुमान लगाता है, लेकिन "सेंड" बटन दबाने से पहले, वह क्रिस्टल बॉल से पूछता है: "क्या आप सुनिश्चित हैं कि इससे सिस्टम क्रैश नहीं होगा?" यदि मॉडल कहता है "नहीं, यह बुरा है," तो एजेंट अपना विचार बदल लेता है।

हमें कैसे पता चलता है कि वे काम करते हैं? (मूल्यांकन/Evaluation)

पेपर बताता है कि इन मॉडल्स की जांच करना पेचीदा है।

  • "क्या यह मेल खाता था?" टेस्ट: क्या मॉडल ने ठीक अगले स्क्रीन की भविष्यवाणी की? (कभी-कभी यह बहुत सख्त होता है; एक थोड़ा अलग विवरण भी सही हो सकता है)।
  • "क्या इसने मदद की?" टेस्ट: क्या इस मॉडल का उपयोग करने से वास्तव में एजेंट को कार्य पूरा करने में बेहतर मदद मिली?
  • "फेक बनाम रियल" की समस्या: एक बड़ी समस्या यह है कि यदि हम एजेंट का परीक्षण करने के लिए एक नकली इंसान (सिम्युलेटर) का उपयोग करते हैं, तो नकली इंसान बहुत दयालु या बहुत अनुमानित हो सकता है। पेपर चेतावनी देता है कि हमें यह सुनिश्चित करने की आवश्यकता है कि हमारे सिम्युलेटर्स यथार्थवादी हों, अन्यथा हम सोच सकते हैं कि हमारा रोबोट वास्तव में जितना स्मार्ट है उससे कहीं अधिक स्मार्ट है।

सारांश

यह पेपर AI एजेंटों की एक नई पीढ़ी के लिए एक मार्गदर्शिका है। यह तर्क देता है कि AI के लिए वेब ब्राउज़ करने या सॉफ्टवेयर लिखने जैसे कार्यों में महारत हासिल करने के लिए, उसे केवल प्रतिक्रिया देना बंद करना होगा और सिमुलेशन (अनुकरण) करना शुरू करना होगा। एक "टेक्स्ट वर्ल्ड मॉडल" बनाकर, हम AI को भविष्य की कल्पना करने, सुरक्षित रूप से अभ्यास करने और अपने काम की जांच करने का एक तरीका देते हैं, जिससे वह एक रिएक्टिव पैरट से एक रणनीतिक योजनाकार (strategic planner) में बदल जाता है।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💬 cs.CL →