🤖 machine learning

Streaming Knowledge Compilation: Proactive Materiality-Scored Pinning for Time-Evolving LLM Wikis

यह शोध पत्र स्ट्रीमिंग नॉलेज कंपाइलेशन (Streaming Knowledge Compilation) के लिए एक रूपरेखा प्रस्तुत करता है जो एक सीखे गए मटेरियलिटी सिग्नल (materiality signal) के आधार पर दस्तावेजों को सक्रिय रूप से पिन करके विकसित होते कॉर्पोरा (corpora) के लिए कुशल एलएलएम विकी (LLM wikis) बनाए रखता है, जिससे एक सिद्ध $O(\sqrt{T\log K})$ रिग्रेट बाउंड (regret bound) प्राप्त होता है और एक नवीन रिग्रेट-आधारित मूल्यांकन मीट्रिक के माध्यम से वित्त और विकिपीडिया डोमेन दोनों में स्थिर बेसलाइनों की तुलना में बेहतर प्रदर्शन प्रदर्शित होता है।

मूल लेखक: Juan M. Huerta

प्रकाशित 2026-06-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Juan M. Huerta

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

कल्पना कीजिए कि आपके पास एक शानदार, अत्यंत बुद्धिमान सहायक (एक AI) है जो दुनिया के बारे में बहुत कुछ जानता है, लेकिन उसकी याददाश्त सीमित है। वह एक बार में केवल एक निश्चित मात्रा में जानकारी ही अपने "वर्किंग ब्रेन" (कार्यशील मस्तिष्क) में रख सकता है।

आमतौर पर, जब आप इस सहायक से कोई प्रश्न पूछते हैं, तो वह या तो उस जानकारी पर निर्भर करता है जो वह पहले से जानता है (जो शायद पुरानी हो सकती है) या फिर वह किसी पुस्तकालय में जाकर एक किताब ढूँढता है, उसे पढ़ता है, और फिर आपको उत्तर देता है। इस पुस्तकालय की यात्रा में समय लगता है।

समस्या:
क्या होगा यदि आपके प्रतीक्षा करते समय दुनिया बदल जाए? वित्त (Finance) के क्षेत्र में, कोई कंपनी रातों-रात मुकदमे का सामना कर सकती है। विकिपीडिया में, एक बड़ी घटना वास्तविक समय में इतिहास को फिर से लिख सकती है। यदि आपके सहायक का "वर्किंग ब्रेन" पुराने तथ्यों से भरा है, तो वह नए प्रश्नों का सही उत्तर नहीं दे पाएगा।

यह शोध पत्र एक समाधान पेश करता है जिसे स्ट्रीमिंग नॉलेज कंपाइलेशन (Streaming Knowledge Compilation) कहा जाता है। इसे एक स्मार्ट, सक्रिय लाइब्रेरियन (पुस्तकालयाध्यक्ष) के रूप में समझें जो आपके पूछने का इंतज़ार नहीं करता है। इसके बजाय, वह एक लाइव न्यूज़ फीड देखता है, यह भविष्यवाणी करता है कि कौन सी कहानियाँ महत्वपूर्ण होने वाली हैं—इससे पहले कि आप उनके बारे में पूछें—और आपके सहायक के मस्तिष्क में पुराने तथ्यों को नए, महत्वपूर्ण तथ्यों से बदल देता है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. "मटेरियलिटी" सिग्नल: हीट डिटेक्टर (गर्मी पहचानने वाला यंत्र)

सबसे बड़ी चुनौती यह है कि न्यूज़ फीड बहुत विशाल है। आप सहायक के मस्तिष्क में सब कुछ नहीं डाल सकते; वहाँ पर्याप्त जगह नहीं है। आपको चुनाव करना होगा।

लेखकों ने एक "हीट डिटेक्टर" बनाया है (जिसे मटेरियलिटी सिग्नल कहा जाता है) जो हर नए लेख को स्कैन करता है और पूछता है: "क्या यह कहानी एक बड़ी प्रतिक्रिया पैदा करने वाली है?"

वित्त में: डिटेक्टर असामान्य स्टॉक अस्थिरता (volatility) को देखता है। यदि कोई समाचार लेख ऐसा है जिससे स्टॉक की कीमत उछल सकती है या गिर सकती है, तो वह "हॉट" (गर्म) है।
विकिपीडिया में: डिटेक्टर असामान्य संपादन गति (edit speed) को देखता है। यदि किसी पेज को कम समय में सैकड़ों लोगों द्वारा पागलों की तरह संपादित किया जा रहा है, तो वह "हॉट" है।

यदि कोई लेख "हॉट" है, तो सिस्टम उसे पिन कर देता है (याद रखता है)। यदि वह "कोल्ड" (ठंडा) है (यानी सिर्फ एक उबाऊ रूटीन अपडेट है), तो उसे जगह बनाने के लिए बाहर निकाल दिया जाता है।

2. "प्रोएक्टिव" कदम: पूछने से पहले अनुमान लगाना

पारंपरिक सिस्टम आपके पूछने का इंतज़ार करते हैं, यह महसूस करते हैं कि वे उत्तर नहीं जानते, और फिर अपनी मेमोरी को अपडेट करने जाते हैं। इस पेपर का सिस्टम प्रोएक्टिव (सक्रिय) है।

यह भविष्यवाणी करता है कि क्योंकि एक स्टॉक अस्थिर है, इसलिए आप जल्द ही इसके बारे में पूछेंगे। इसलिए, यह आपके प्रश्न टाइप करने से पहले ही मेमोरी को अपडेट कर देता है। यह एक मौसम ऐप की तरह है जो आपको भीगने का इंतज़ार करने के बजाय, घर से बाहर निकलने से पहले ही छाता लेने की सलाह देता है।

3. "स्मार्ट स्वैप": अनावश्यकता से बचना

सिस्टम इस बात को लेकर भी चतुर है कि वह क्या रखता है। कल्पना कीजिए कि आपके पास एक टेक कंपनी के बारे में न्यूज़ फीड है।

लेख A: "टेक कंपनी X की अर्निंग रिपोर्ट खराब रही।"
लेख B: "टेक कंपनी X के शेयर 10% गिरे।"

ये दोनों एक ही कहानी हैं। यदि सिस्टम दोनों को रखता है, तो यह जगह बर्बाद करता है। लेखकों ने एक स्टेट-अवेयर स्कोरर (State-Aware Scorer) बनाया है। यह देखता है कि सहायक के मस्तिष्क में पहले से क्या मौजूद है। यदि मस्तिष्क में पहले से ही "खराब अर्निंग" वाली कहानी है, तो सिस्टम समझ जाता है कि "शेयर गिरावट" वाली कहानी अनावश्यक (redundant) है और इसे कम स्कोर देता है ताकि इसे पिन न किया जाए। यह केवल उस नई जानकारी को रखता है जो मूल्य जोड़ती है।

4. दो प्रयोग: वित्त और विकिपीडिया

टीम ने यह साबित करने के लिए कि यह हर जगह काम करता है, इसे दो बहुत अलग दुनिया में टेस्ट किया:

फाइनेंस टेस्ट: उन्होंने स्टॉक मार्केट डेटा का उपयोग किया। उन्होंने एक फ्रीज किए गए AI मॉडल पर एक छोटा "हेड" प्रशिक्षित किया ताकि यह भविष्यवाणी की जा सके कि कौन सी खबर स्टॉक अस्थिरता का कारण बनेगी।
- परिणाम: सिस्टम सफलतापूर्वक भविष्यवाणी करने में सफल रहा कि कौन सी खबर "हॉट" थी (रैंकिंग में 72.8% सटीकता)।
- ट्विस्ट: जब उन्होंने अंतिम उत्तरों का परीक्षण किया, तो AI जज (एक अन्य AI) भ्रमित हो गया। क्योंकि AI जज पहले से ही बड़ी कंपनियों के बारे में बहुत कुछ जानता था, इसलिए वह कभी-कभी अपडेट न किए गए AI के "आत्मविश्वास से भरे लेकिन गलत" उत्तरों को, अपडेट किए गए सिस्टम के "तथ्यात्मक रूप से सही लेकिन बिखरे हुए" उत्तरों की तुलना में अधिक पसंद करता था। इससे उन्हें यह सीखने को मिला कि सफलता को मापने के लिए केवल यह पूछना कि "क्या इसने सही स्कोर प्राप्त किया?" बेहतर नहीं है, बल्कि रिग्रेट एनालिसिस (Regret Analysis) (यह मापना कि एक आदर्श संस्करण की तुलना में सिस्टम कितना खराब प्रदर्शन करता है) एक बेहतर तरीका है।
विकिपीडिया टेस्ट: उन्होंने विकिपीडिया संपादन (edits) का उपयोग किया।
- परिणाम: यहाँ, सिस्टम पूरी तरह से काम कर गया। क्योंकि AI जज को नई, ब्रेकिंग न्यूज़ के संपादन के बारे में पता नहीं था, इसलिए नए तथ्यों वाले सिस्टम ने बहुत अधिक स्कोर प्राप्त किया। इसने पुष्टि की कि यह सिस्टम वास्तव में तब काम करता है जब जानकारी वास्तव में नई होती है।

5. "रिग्रेट" की गारंटी

लेखकों ने यह साबित करने के लिए भारी गणित का उपयोग किया कि उनका सिस्टम कुशल है। उन्होंने दिखाया कि भले ही उनका "हीट डिटेक्टर" परफेक्ट न हो (यानी वह गलतियाँ करे), फिर भी सिस्टम समय के साथ अच्छा प्रदर्शन करेगा।

वे इसे रिग्रेट (Regret) कहते हैं। इसे "छूटे हुए अवसर की लागत" के रूप में समझें।

यदि आपके पास एक परफेक्ट ओरेकल (एक जादुई क्रिस्टल बॉल) होता जो बिल्कुल जानता कि कौन सी खबर महत्वपूर्ण है, तो वह कितना बेहतर करता?
यह पेपर साबित करता है कि उनके सिस्टम के "छूटे हुए अवसर" बहुत धीमी गति से (sub-linearly) बढ़ते हैं। इसका मतलब है कि जैसे-जैसे समय बीतता है, उनका स्मार्ट, प्रोएक्टिव लाइब्रेरियन बिना परफेक्ट हुए, जादुई क्रिस्टल बॉल के लगभग बराबर प्रदर्शन करने लगता है।

सारांश रूपक (Metaphor)

कल्पना कीजिए कि आप एक कार चला रहे हैं जिसमें डैशबोर्ड स्क्रीन सीमित है।

पुराना तरीका: आप गड्ढा देखने तक प्रतीक्षा करते हैं, फिर मैप देखने के लिए देखते हैं कि क्या कोई रास्ता बदलना चाहिए। आप पहले गड्ढे से टकरा जाते हैं।
इस पेपर का तरीका: आपके पास एक सेंसर है जो सड़क पर गड्ढे बनने का पता लगाता है। इससे पहले कि आप गड्ढा देखें, सिस्टम स्वचालित रूप से आपकी स्क्रीन पर मैप को बदलकर वहां का वैकल्पिक रास्ता दिखा देता है।
सावधानी: सेंसर 100% परफेक्ट नहीं है; कभी-कभी यह पानी के गड्ढे को बड़ा गड्ढा समझ लेता है। लेकिन सिस्टम इतना स्मार्ट है कि वह समझ जाता है, "ओह, मेरे पास इस सड़क के लिए पहले से ही एक वैकल्पिक रास्ता है," ताकि वह डुप्लिकेट मैप पर स्क्रीन की जगह बर्बाद न करे।

यह पेपर निष्कर्ष निकालता है कि यह "स्ट्रीमिंग नॉलेज कंपाइलेशन" एक शक्तिशाली, सामान्य तरीका है जिससे AI सहायकों को वित्त, समाचार और विज्ञान जैसी तेजी से बदलने वाली दुनिया में अपडेट रखा जा सकता है, जो एक एकल, कुशल एल्गोरिदम का उपयोग करता है जो आपके द्वारा दिए गए किसी भी "हीट डिटेक्टर" के अनुकूल हो जाता है।

तकनीकी सारांश: समय-विकसित होने वाले LLM विकी के लिए स्ट्रीमिंग ज्ञान संकलन (Streaming Knowledge Compilation)

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र मौजूदा LLM विकी प्रणालियों की सीमा को संबोधित करता है, जो कुशल अनुमान (inference) के लिए ज्ञान को पूर्व-भरे गए KV कैश में संकलित करते हैं लेकिन एक स्थिर संग्रह (static corpus) मानकर चलते हैं। वित्त और वास्तविक समय के विश्वकोशों जैसे उच्च-मूल्य वाले डोमेन में, सूचना परिदृश्य निरंतर विकसित होता रहता है। मौलिक चुनौती स्ट्रीमिंग नॉलेज कंपाइलेशन (Streaming Knowledge Compilation) है: दस्तावेजों के एक निरंतर प्रवाह, एक निश्चित टोकन बजट और भविष्य के प्रश्नों (queries) को ध्यान में रखते हुए, जो डेटा अंतर्ग्रहण (ingestion) के समय अज्ञात होते हैं, एक संकलित विकी को कैसे बनाए रखा जाए जो पूर्ण दूरदर्शिता वाले एक ऑफलाइन ओरेकल (offline oracle) के विरुद्ध संचयी पछतावा (cumulative regret) को कम करे?

मुख्य कठिनाई यह तय करने में है कि बिना किसी प्रश्न के ज्ञान अंतराल (knowledge gap) को उजागर होने की प्रतीक्षा किए, प्रतिदिन आने वाले सैकड़ों दस्तावेजों में से किन को एक निश्चित बजट के भीतर शामिल किया जाना चाहिए। यह शोध पत्र इसे एक बजट-बाधित ऑनलाइन अनुकूलन समस्या के रूप में औपचारिक रूप देता है जहाँ लक्ष्य एक ऐसे ओरेकल विकी के विरुद्ध 'रिग्रेट' (regret) को कम करना है, जिसे भविष्य की उच्च-सामग्री वाली घटनाओं (high-materiality events) का पूर्ण ज्ञान हो।

2. कार्यप्रणाली: ऑनलाइन WiCER (Methodology: Online WiCER)

लेखक Online WiCER पेश करते हैं, जो मूल WiCER (जो Counterexample-Guided Abstraction Refinement, CEGAR से प्रेरित है) के प्रतिक्रियाशील "Compile–Evaluate–Refine" लूप को एक सक्रिय, भविष्यवाणी-संचालित प्रक्रिया में बदल देता है।

मुख्य घटक:

सामग्री संकेत (Materiality Signal - $\phi_t$ ): यह ढांचा एक डोमेन-विशिष्ट संकेत $\phi_t(k, n) \in [0, 1]$ $ϕ_{t} (k, n) \in [0, 1]$ पर निर्भर करता है जो समय $t$ $t$ पर एंटिटी $k$ $k$ के लिए एक दस्तावेज़ $n$ $n$ के सूचनात्मक महत्व को स्कोर करता है। यह संकेत क्वेरी प्रासंगिकता के लिए एक सरोगेट (surrogate) के रूप में कार्य करता है, जिससे प्रश्नों के आने से पहले ही सक्रिय रूप से 'पिनिंग' (pinning) संभव हो पाती है।
- वित्त इंस्टेंशिएशन (Finance Instantiation): असामान्य स्टॉक अस्थिरता (Abnormal Volatility Ratio, AVR), जिसे स्टॉक की 5-दिवसीय अग्रिम वास्तविक अस्थिरता (realized volatility) और क्रॉस-सेक्शनल मार्केट औसत के अनुपात के रूप में परिभाषित किया गया है।
- विकिपीडिया इंस्टेंशिएशन (Wikipedia Instantiation): असामान्य संपादन अनुपात (Abnormal Edit Ratio, AER), जिसे एक एंटिटी की संपादन गति और क्रॉस-सेक्शनल औसत के अनुपात के रूप में परिभाषित किया गया है।
स्टेट-अवेयर मार्जिनल रिग्रेट स्कोरर (State-Aware Marginal Regret Scorer): तथ्यों को अलग-थलग स्कोर करने के बजाय, सिस्टम एक फ्रोजन LLM बैकबोन पर एक रिग्रेशन हेड का उपयोग करके वर्तमान पिन किए गए तथ्यों के सेट को देखते हुए एक उम्मीदवार तथ्य के मार्जिनल अपेक्षित रिग्रेट रिडक्शन का अनुमान लगाता है। यह अतिरेक (redundancy) को ध्यान में रखता है; यदि कोई तथ्य पहले से मौजूद पिन किए गए तथ्यों द्वारा कवर किया गया है, तो उसका मार्जिनल मूल्य गिर जाता है।
पिन चयन और निष्कासन (Pin Selection and Eviction):
- चयन (Selection): एक ग्रीडी एल्गोरिदम उन तथ्यों का चयन करता है जो टोकन बजट के तहत मार्जिनल रिग्रेट रिडक्शन को अधिकतम करते हैं। सैद्धांतिक रूप से, यदि विकी गुणवत्ता सबमॉड्यूलर (submodular) है, तो यह इष्टतम सेट का $(1 - 1/e)$ सन्निकटन (approximation) प्राप्त करता है।
- निष्कासन (Eviction): एक डिके-वेटेड (decay-weighted) प्रायोरिटी क्यू पिन बजट को प्रबंधित करती है। पिन समय के साथ क्षय (decay) होते हैं ( $\exp(-\lambda \cdot \Delta t)$ ), जिससे यह सुनिश्चित होता है कि पुराने उच्च-स्कोर वाले तथ्यों को नए आयोजनों के लिए जगह बनाने हेतु निकाल दिया जाए।
संकलन (Compilation): सिस्टम दैनिक आधार पर वृद्धिशील अपडेट (incremental updates) करता है और पिन किए गए तथ्यों को नैरेटिव संरचना में एकीकृत करने के लिए आवधिक अंतराल ( $T_r$ ) पर पूर्ण पुनर्संयोजन (full recompilation - मूल WiCER एल्गोरिदम का उपयोग करके) करता है।
प्रेडिक्टिव CEGAR (Predictive CEGAR): यह ढांचा "Predictive CEGAR" को औपचारिक रूप देता है, जहाँ "काउंटरएग्जेंपल्स" (ज्ञान अंतराल) को प्रतिक्रियात्मक रूप से विफल QA प्रोब्स के माध्यम से खोजने के बजाय स्ट्रीम (जैसे, उच्च अस्थिरता) से अनुमानित किया जाता है।

सैद्धांतिक गारंटी (Theoretical Guarantees):
शोध पत्र $O(\sqrt{T} \log K)$ का एक संचयी रिग्रेट बाउंड सिद्ध करता है। यह बाउंड एक निष्कासन रिग्रेट टर्म और एक प्रेडिक्शन एरर टर्म ( $\epsilon = E[|\phi_t - \hat{\phi}_t|]$ ) में विभाजित है। महत्वपूर्ण बात यह है कि रिग्रेट बाउंड डोमेन-अज्ञेयवादी (domain-agnostic) है; एकमात्र डोमेन-विशिष्ट मात्रा सामग्री संकेत (materiality signal) की भविष्यवाणी की त्रुटि है।

3. प्रयोगात्मक परिणाम (Experimental Results)

इस ढांचे को दो डोमेन में स्थापित किया गया: वित्त (76k लेख, 39 S&P 500 कंपनियां) और विकिपीडिया (25 एंटिटीज, 50k–200k संपादन)।

वित्त डोमेन (Finance Domain):

सामग्री भविष्यवाणी (Materiality Prediction): एक फ्रोजन Llama 3.1 8B बैकबोन पर प्रशिक्षित एक लाइटवेट क्लासिफिकेशन हेड ने असामान्य अस्थिरता की भविष्यवाणी करने के लिए स्ट्रिक्ट टेम्पोरल स्प्लिट पर 0.728 का AUROC प्राप्त किया। मॉडल ने सफलतापूर्वक उन लेखों की पहचान की जो 1.49 $\times$ अधिक वास्तविक अग्रिम अस्थिरता से जुड़े थे।
स्कोरर आर्किटेक्चर: एक हाइब्रिड दृष्टिकोण (जीरो-शॉट प्रॉम्प्टिंग + लीनियर क्लासिफिकेशन हेड) ने दिखाया कि क्लासिफिकेशन हेड ने अकेले ही विभेदक संकेत (discriminative signal) को कैप्चर किया, जबकि जीरो-शॉट पथ मुख्य रूप से अस्पष्ट मामलों के लिए एक लो-लेटेंसी राउटर के रूप में कार्य करता है।
एंड-टू-एंड QA: मूल्यांकन ने एक महत्वपूर्ण कन्फाउंड (confound) प्रकट किया: जब एक LLM-एज़-जज (वही बैकबोन) का उपयोग पोस्ट-ट्रेनिंग तथ्यों पर उत्तरों का मूल्यांकन करने के लिए किया गया, तो "No Wiki" बेसलाइन अक्सर उच्चतम स्कोर करती थी क्योंकि जज का झुकाव तथ्यात्मक रूप से ग्राउंडेड लेकिन विशिष्ट विकी सामग्री के बजाय प्रवाहपूर्ण, आत्मविश्वासी पैरामीट्रिक प्रतिक्रियाओं की ओर था।
रिग्रेट विश्लेषण: QA स्कोर के कन्फाउंड के बावजूद, मैच किए गए जोड़ों (matched pairs) पर रिग्रेट विश्लेषण ने दिखाया कि Online WiCER ओरेकल के विरुद्ध -20.0 के संचयी रिग्रेट (औसत -0.12/स्टेप) पर अभिसरण (converge) करता है। लेखक इस नकारात्मक चिह्न को एल्गोरिथम की श्रेष्ठता के रूप में नहीं, बल्कि LLM-जज कन्फाउंड के प्रमाण के रूप में व्याख्या करते हैं (जज द्वारा ओरेकल के घने, विशिष्ट तथ्यों को दंडित किया गया)।

विकिपीडिया डोमेन (Wikipedia Domain):

सामग्री संकेत: असामान्य संपादन अनुपात (AER) संकेत के रूप में कार्य करता है।
रिग्रेट विश्लेषण: इस डोमेन में, LLM-जज कन्फाउंड अनुपस्थित था (बैकबोन के पास विशिष्ट 2024–2025 संपादनों का पैरामीट्रिक ज्ञान नहीं था)। यहाँ, समृद्ध संदर्भ ने लगातार स्कोर में सुधार किया। Online WiCER ने ओरेकल के विरुद्ध +16.0 का संचयी रिग्रेट (औसत +0.13/स्टेप) दिखाया। सकारात्मक चिह्न पुष्टि करता है कि एल्गोरिदम ने सफलतापूर्वक ओरेकल का पीछा किया, जिसका अंतर वित्त अस्थिरता भविष्यवक्ता की तुलना में शोर वाले AER सिग्नल के कारण था।
तुलना: FIFO (केवल हालिया डेटा-आधारित) बेसलाइन ने विकिपीडिया में ओरेकल के लगभग समान प्रदर्शन किया, जो यह सुझाव देता है कि उच्च-संपादन-वेग वाली एंटिटीज के लिए, हालिया डेटा (recency) एक मजबूत प्रॉक्सी है, हालांकि AER सिग्नल ने एक सिद्धांत-आधारित, डोमेन-अज्ञेयवादी चयन तंत्र प्रदान किया।

दक्षता (Efficiency):
सिस्टम ने कमोडिटी हार्डवेयर (Apple M4) पर उच्च थ्रूपुट प्रदर्शित किया, जो प्रति घंटा 30,000 लेखों से अधिक की दर से लेखों को प्रोसेस करता है, जो वित्तीय समाचार फीड की पीक स्ट्रीम दर से 63 $\times$ अधिक है। स्टेट-अवेयर स्कोरर ने फ्रोजन बैकबोन फॉरवर्ड पास के ऊपर नगण्य विलंबता (सिंगल डॉट प्रोडक्ट) जोड़ी।

4. मुख्य योगदान (Key Contributions)

स्ट्रीमिंग नॉलेज कंपाइलेशन का औपचारिक रूप: अज्ञात भविष्य के प्रश्नों के साथ एक स्ट्रीमिंग कॉर्पस के विरुद्ध बजट-बद्ध विकी बनाए रखने की समस्या को परिभाषित करना।
Online WiCER एल्गोरिदम: सामग्री-स्कोर वाले चयन, डिके-वेटेड निष्कासन और आवधिक पुनर्संयोजन का उपयोग करने वाला एक सक्रिय पिनिंग एल्गोरिदम।
स्टेट-अवेयर मार्जिनल स्कोरर: एक फ्रोजन बैकबोन पर एक रिग्रेशन हेड जो गैर-अतिरेक (non-redundant) तथ्यों को चुनने के लिए वर्तमान पिन सेट पर आधारित है, जिसमें $(1-1/e)$ सबमॉड्यूलर सन्निकटन गारंटी है।
रिग्रेट डिकम्पोजिशन थ्योरम: एक $O(\sqrt{T} \log K)$ रिग्रेट बाउंड सिद्ध करना जहाँ एकमात्र डोमेन-विशिष्ट टर्म सामग्री संकेत की भविष्यवाणी की त्रुटि है।
प्रेडिक्टिव CEGAR: काउंटरएग्जेंपल्स की प्रतिक्रियात्मक खोज से लेकर सक्रिय ज्ञान अंतराल की भविष्यवाणी तक CEGAR प्रतिमान का विस्तार करना।
मेथडोलॉजिकल फाइंडिंग: यह प्रदर्शित करना कि "LLM-as-judge" मूल्यांकन पोस्ट-ट्रेनिंग तथ्यों पर कन्फाउंड होता है, जिससे संकलित ज्ञान प्रणालियों के लिए मैच किए गए जोड़ों पर रिग्रेट विश्लेषण को एक विश्वसनीय मीट्रिक के रूप में स्थापित किया गया।

5. महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि स्ट्रीमिंग नॉलेज कंपाइलेशन एक सामान्य समस्या है जो किसी भी ऐसे डोमेन में लागू होती है जहाँ ज्ञान अंतराल की भविष्यवाणी स्ट्रीमिंग संकेतों (जैसे, वित्त, क्लिनिकल साहित्य, कानूनी फाइलिंग) से की जा सकती है। इसका महत्व निम्नलिखित में निहित है:

सक्रियता (Proactivity): प्रतिक्रियात्मक अपडेट (प्रश्न की विफलता की प्रतीक्षा करना) से सक्रिय रखरखाव (उच्च-मूल्य वाली घटनाओं की भविष्यवाणी करना) की ओर बदलाव।
डोमेन अज्ञेयवाद (Domain Agnosticism): एल्गोरिदम और सैद्धांतिक गारंटी विशिष्ट सामग्री संकेत ( $\phi_t$ ) से स्वतंत्र हैं।
सैद्धांतिक आधार (Theoretical Grounding): क्वेरी अनिश्चितता के तहत काम करने वाले सिस्टम के लिए औपचारिक अभिसरण गारंटी और रिग्रेट बाउंड प्रदान करना।
व्यावहारिक व्यवहार्यता (Practical Viability): यह प्रदर्शित करना कि एक एकल फ्रोजन LLM बैकबोन ज्ञान कंपाइलर और सामग्री स्कोरर दोनों के रूप में कार्य कर सकता है, जो वास्तविक समय की स्ट्रीम के लिए उच्च थ्रूपुट और कम विलंबता प्राप्त करता है।

लेखक विनम्र रहते हुए सीमाओं को नोट करते हैं, जैसे कि सामग्री भविष्यवाणी की अंतर्निहित अपूर्णता (ब्लैक स्वान घटनाओं को मिस करना), सह-संबंधित संकटों के दौरान क्रॉस-सेक्शनल नॉर्मलाइजेशन का संभावित विरूपण, और वर्तमान में विशिष्ट डोमेन संकेतों पर निर्भरता। वे यह दावा नहीं करते कि यह सिस्टम एक ट्रेडिंग टूल है, बल्कि एक ज्ञान क्यूरेशन तंत्र है।