💻 computer science

Rethinking Reward Supervision: Rubric-Conditioned Self-Distillation

यह शोध पत्र रूब्रिक-कंडीशन्ड सेल्फ-डिस्टिलेशन (Rubric-Conditioned Self-Distillation) का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो ऑन-पॉलिसी सेल्फ-डिस्टिलेशन को निर्देशित करने के लिए संरचित, सूक्ष्म-स्तरीय रूब्रिक्स का लाभ उठाता है, जिससे शोर वाले चेन-ऑफ-थॉट एनोटेशन और स्केलर रिवार्ड्स की सीमाओं को पार करते हुए GRPO और OPSD की तुलना में विज्ञान तर्क बेंचमार्क पर बेहतर प्रदर्शन प्राप्त किया जा सके।

मूल लेखक: Siyi Gu, Jialin Chen, Sophia Zhou, Arman Cohan, Rex Ying

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Siyi Gu, Jialin Chen, Sophia Zhou, Arman Cohan, Rex Ying

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 पेपर "Rethink Reward Supervision: Rubric-Conditioned Self-Distillation" का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

बड़ी समस्या: "तुम गलत हो, लेकिन मैं तुम्हें क्यों नहीं बता रहा कि क्यों"

कल्पना कीजिए कि आप एक कठिन गणित की परीक्षा दे रहे हैं। आप अपना पेपर जमा करते हैं, और शिक्षक उसे ग्रेड देते हैं।

पुराना तरीका (Reinforcement Learning): शिक्षक आपके अंतिम उत्तर को देखता है, देखता है कि वह गलत है, और आपको एक बड़ा लाल "F" (फेल) दे देता है। वे आपको यह नहीं बताते कि कहाँ गलती हुई। क्या आपने गलत फॉर्मूला इस्तेमाल किया? क्या स्टेप 3 में कोई गणितीय त्रुटि हुई? क्या आप यूनिट बदलना भूल गए? आप बस इतना जानते हैं कि परिणाम खराब है, इसलिए आपको अगले समय सुधारने के लिए अंदाज़ा लगाना पड़ता है। यह धीमा और निराशाजनक है।
"रेफरेंस" वाला तरीका (Standard Distillation): शिक्षक आपको एक "परफेक्ट" उत्तर कुंजी (answer key) देता है। वे कहते हैं, "इसे बिल्कुल ऐसे ही कॉपी करो।" लेकिन क्या होगा अगर किसी समस्या को हल करने के पाँच अलग-अलग सही तरीके हों? यदि आप थोड़ा अलग (लेकिन फिर भी सही) रास्ता चुनते हैं, तो शिक्षक भ्रमित हो सकता है और आपको अपना पूरा दृष्टिकोण बदलने के लिए कह सकता है क्योंकि वह उत्तर कुंजी जैसा नहीं दिखता।

नया समाधान: "रुब्रिक" कोच (The "Rubric" Coach)

लेखक एक नई विधि प्रस्तावित करते हैं जिसे RCSD (Rubric-Conditioned Self-Distillation) कहा जाता है। इसे एक "चेकलिस्ट (रुब्रिक)" के रूप में सोचें जो "F" या "उत्तर कुंजी" की जगह लेती है।

केवल "गलत" कहने के बजाय, शिक्षक आपके काम को स्टेप-दर-स्टेप ग्रेड करने के लिए एक चेकलिस्ट का उपयोग करता है।

चेकलिस्ट आइटम 1: क्या आपने सेल्सियस को केल्विन में बदला? (हाँ/नहीं)
चेकलिस्ट आइटम 2: क्या आपने सही गैस कांस्टेंट का उपयोग किया? (हाँ/नहीं)
चेकलिस्ट आइटम 3: क्या आपकी अंतिम यूनिट एटमॉस्फियर में है? (हाँ/नहीं)

इस पेपर का जादू यह है कि AI शिक्षक इस चेकलिस्ट का उपयोग केवल अंतिम स्कोर देने के लिए नहीं करता है। यह उत्तर लिखते समय छात्र की सोच को गाइड करने के लिए इस चेकलिस्ट का उपयोग करता है।

यह कैसे काम करता है: दो चरणों वाला ट्रेनिंग कैंप

पेपर AI को सिखाने के लिए दो चरणों वाली प्रक्रिया का वर्णन करता है:

चरण 1: "रुब्रिक राइटर" को प्रशिक्षित करना

सबसे पहले, AI को यह सीखना होगा कि किसी विशिष्ट समस्या के लिए एक अच्छी चेकलिस्ट कैसे लिखी जाए।

परिदृश्य: कल्पना कीजिए कि एक मास्टर शेफ (शिक्षक) के पास एक आदर्श रेसिपी और एक सूची है कि क्या चीज़ किसी व्यंजन को महान बनाती है (रुब्रिक)। एक छात्र (विद्यार्थी) केवल सामग्री (प्रश्न) देख पाता है।
कार्य: छात्र केवल सामग्री को देखकर यह अंदाज़ा लगाने की कोशिश करता है कि व्यंजन को अच्छा बनाने वाली चेकलिस्ट क्या होगी। मास्टर शेफ फिर छात्र के अंदाज़ को देखता है और कहता है, "तुमने यह मिस कर दिया कि सॉस को इमल्सीफाई करने की आवश्यकता है," या "तुम नमक का उल्लेख करना भूल गए।"
परिणाम: छात्र किसी भी नई रेसिपी के लिए उच्च गुणवत्ता वाली चेकलिस्ट लिखना सीख जाता है, बिना हर बार मास्टर शेफ के हाथ पकड़ने के।

चरण 2: "रुब्रिक कोच"

अब जब छात्र अच्छी चेकलिस्ट लिख सकता है, तो वे समस्याओं को हल करना सीखने के लिए उनका उपयोग करते हैं।

परिदृश्य: छात्र एक समस्या का समाधान तैयार करता है।
ट्विस्ट: शिक्षक छात्र के समाधान को लिखते समय देखता है। लेकिन केवल अंतिम उत्तर देखने के बजाय, शिक्षक उस चेकलिस्ट को देखता है जिसे छात्र ने चरण 1 में लिखा था।
मार्गदर्शन: यदि छात्र एक ऐसा स्टेप लिखने वाला होता है जो चेकलिस्ट आइटम का उल्लंघन करता है (जैसे, "मैं यूनिट कन्वर्जन को छोड़ने जा रहा हूँ"), तो शिक्षक उसे धीरे से टोकता है: "रुको, तुम्हारी चेकलिस्ट कहती है कि यूनिट कन्वर्जन 'अनिवार्य' है। तुम्हें अभी उस विशिष्ट शब्द को ठीक करने की आवश्यकता है।"
लाभ: छात्र अंतिम परिणाम मिलने और बुरा ग्रेड मिलने का इंतज़ार करने के बजाय तुरंत विशिष्ट त्रुटियों को ठीक करना सीख जाता है।

यह बेहतर क्यों है (द "क्रेडिट असाइनमेंट" समस्या)

पुराने तरीकों में, यदि कोई छात्र प्रश्न गलत करता है, तो AI को यह नहीं पता चलता कि किस विशिष्ट शब्द या स्टेप के कारण विफलता हुई। यह एक कोच की तरह चिल्लाने जैसा है, "तुमने बुरा खेला!" बिना यह बताए कि क्वार्टरबैक ने गेंद बहुत ऊँची फेंकी थी।

RCSD के साथ, चेकलिस्ट एक आवर्धक लेंस (magnifying glass) की तरह काम करती है। यह AI को बताती है कि तर्क का कौन सा हिस्सा कमजोर है।

पुराना तरीका: "आपका पूरा निबंध 5/10 है।"
RCSD: "आपका परिचय बहुत अच्छा है, आपके दूसरे पैराग्राफ में एक तथ्यात्मक त्रुटि है, और आपका निष्कर्ष बहुत छोटा है। इन तीन विशिष्ट चीजों को ठीक करें।"

परिणाम: स्मार्ट, तेज़ और अधिक लचीला

लेखकों ने विज्ञान और तर्क संबंधी समस्याओं (जैसे भौतिकी, रसायन विज्ञान और सामान्य विज्ञान के प्रश्न) पर इसका परीक्षण किया।

बेहतर स्कोर: इस "रुब्रिक कोच" विधि से प्रशिक्षित AI ने पुराने "लाल F" वाले तरीके या "उत्तर कुंजी कॉपी करने" वाले तरीके से प्रशिक्षित AI की तुलना में उच्च स्कोर प्राप्त किया।
कम दोहराव: AI ने उन चीजों को दोबारा कैलकुलेट करने में समय बर्बाद नहीं किया जिन्हें उसने पहले ही सही कर लिया था। इसने केवल उन विशिष्ट चरणों पर ध्यान केंद्रित किया जिनमें उसे गलती हो रही थी।
"उत्तर कुंजी" की आवश्यकता नहीं: सिस्टम ने अपनी स्वयं की चेकलिस्ट बनाना सीख लिया, जिसका अर्थ है कि यह खुले अंत वाले प्रश्नों (open-ended questions) को भी संभाल सकता है जहाँ केवल एक एकल "सही" उत्तर नहीं होता, जब तक कि उत्तर मानदंडों को पूरा करता हो।

सारांश उपमा (Summary Analogy)

मानक AI प्रशिक्षण: एक ड्राइविंग इंस्ट्रक्टर की तरह जो केवल तब हॉर्न बजाता है जब आप दुर्घटनाग्रस्त होते हैं। आप दुर्घटना से बचना सीखते हैं, लेकिन आप सुचारू रूप से गाड़ी चलाना नहीं सीखते।
RCSD: एक ड्राइविंग इंस्ट्रक्टर की तरह जो ड्राइविंग नियमों की एक चेकलिस्ट रखता है। जैसे-जैसे आप गाड़ी चलाते हैं, वे आपके कंधे को धीरे से थपथपाते हैं और कहते हैं, "अपना शीशा देखें," या "आप रेखा के बहुत करीब जा रहे हैं," इससे पहले कि आप कोई गलती करें। आप केवल दुर्घटनाओं से बचने के बजाय, अच्छी ड्राइविंग के सिद्धांतों को सीखते हैं।

पेपर यह निष्कर्ष निकालता है कि AI की सोच को स्टेप-दर-स्टेप गाइड करने के लिए इन विस्तृत चेकलिस्टों (रुब्रिक्स) का उपयोग करके, हम अधिक स्मार्ट, अधिक विश्वसनीय रीजनिंग मॉडल बना सकते हैं जिसके लिए हर एक स्टेप के लिए महंगे मानव शिक्षकों की आवश्यकता नहीं होती।

तकनीकी सारांश: रिवॉर्ड सुपरविजन का पुनर्मूल्यांकन: रूब्रिक-कंडीशन्ड सेल्फ-डिस्टिलेशन

समस्या विवरण

रीजनिंग लैंग्वेज मॉडल्स (LLMs) का पोस्ट-ट्रेनिंग वर्तमान में दो प्रतिमानों (paradigms) पर अत्यधिक निर्भर है, जिनमें से दोनों सूक्ष्म फीडबैक प्रदान करने में महत्वपूर्ण सीमाओं से ग्रस्त हैं:

वेरिफिएबल रिवार्ड्स के साथ रीइन्फोर्समेंट लर्निंग (RLVR): GRPO जैसे तरीके आमतौर पर मूल्यांकन संबंधी फीडबैक को एक स्पार्स (sparse), स्केलर सिग्नल (जैसे, बाइनरी करेक्टनेस या एक एकल स्कोर) में संकुचित कर देते हैं। हालांकि यह सत्यापन योग्य कार्यों के लिए प्रभावी है, लेकिन यह दृष्टिकोण इस बात को अस्पष्ट कर देता है कि कोई ट्राजेक्टरी (trajectory) क्यों सफल या विफल हुई, जिससे एक "क्रेडिट-असाइनमेंट बॉटलनेक" उत्पन्न होता है जहाँ मॉडल सही और गलत मध्यवर्ती रीजनिंग स्टेप्स के बीच अंतर नहीं कर पाता है।
ऑन-पॉलिसी सेल्फ-डिस्टिलेशन (OPSD): ये तरीके स्पार्स रिवार्ड्स के स्थान पर टीचर मॉडल से प्राप्त डेंस, टोकन-लेवल गाइडेंस का उपयोग करते हैं। हालाँकि, मौजूदा दृष्टिकोण टीचर को एक सिंगल प्रिविलेज्ड रेफरेंस ट्राजेक्टरी (एक विशिष्ट गोल्ड सॉल्यूशन) पर कंडीशन करते हैं। यह सुपरविजन को एक विशिष्ट रीजनिंग पाथ तक सीमित कर देता है, जो इस बात पर अत्यधिक जोर देता है कि उत्तर कैसे दिया जाना चाहिए और वैध वैकल्पिक डेरिवेशंस के स्पेस को अनदेखा कर देता है। इसके अतिरिक्त, यदि स्टूडेंट उस एकल पथ से थोड़ा भी विचलित होता है, तो टीचर स्थानीय सुधार के बजाय वैश्विक संशोधन (global revision) को प्रोत्साहित कर सकता है।

इसके अलावा, जबकि रूब्रिक्स (संरचित मूल्यांकन मानदंड) स्केलर स्कोर की तुलना में गुणवत्ता का एक समृद्ध और व्याख्या योग्य प्रतिनिधित्व प्रदान करते हैं, पिछले कार्यों में इस संरचना को अक्सर ऑप्टिमाइजेशन के दौरान एक एकल स्केलर रिवॉर्ड में एकत्रित करके त्याग दिया गया है।

कार्यप्रणाली: रूब्रिक-कंडीशन्ड सेल्फ-डिस्टिलेशन (RCSD)

लेखक रूब्रिक-कंडीशन्ड सेल्फ-डिस्टिलेशन (RCSD) का प्रस्ताव करते हैं, जो एक ऐसा ढांचा है जो रूब्रिक्स को ऑन-पॉलिसी सेल्फ-डिस्टिलेशन के लिए प्रिविलेज्ड, स्ट्रक्चर्ड टीचर-साइड सुपरविजन के रूप में मानता है। रूब्रिक फीडबैक को एक स्केलर में बदलने के बजाय, RCSD क्राइटेरिया-लेवल रूब्रिक जानकारी के आधार पर टीचर को स्टूडेंट के अपने सैंपल्ड ट्राजेक्टरीज पर डेंस, टोकन-लेवल गाइडेंस प्रदान करने के लिए कंडीशन करता है।

यह फ्रेमवर्क दो चरणों वाली पाइपलाइन के माध्यम से संचालित होता है:

चरण I: रूब्रिक जनरेटर को सीखना

इंस्टेंस-विशिष्ट रूब्रिक्स प्राप्त करने की उच्च लागत को संबोधित करने के लिए, लेखक एक समर्पित रूब्रिक जनरेटर को प्रशिक्षित करते हैं।

टीचर पॉलिसी: उपयुक्त मूल्यांकन मानदंडों का अनुमान लगाने के लिए प्रश्न ( $x$ ) और एक रेफरेंस उत्तर ( $y^\star$ ) को प्रिविलेज्ड इनपुट के रूप में प्राप्त करती है।
स्टूडेंट पॉलिसी: केवल प्रश्न ( $x$ ) को देखती है और एक रूब्रिक ( $r$ ) उत्पन्न करना सीखती है जो टीचर के मानदंडों का अनुमान लगाता है।
उद्देश्य: स्टूडेंट को टीचर के टोकन डिस्ट्रीब्यूशन से मैच करने के लिए ऑन-पॉलिसी डिस्टिलेशन के माध्यम से प्रशिक्षित किया जाता है, जो स्टूडेंट के अपने सैंपल्ड रूब्रिक ट्राजेक्टरी के साथ होता है। यह इंस्टेंस-विशिष्ट मानदंडों के जेनरेशन को एक पुन: प्रयोज्य मॉडल में एमोर्टाइज (amortize) करता है।

चरण II: रूब्रिक-कंडीशन्ड रीजनिंग

प्रशिक्षित रूब्रिक जनरेटर का उपयोग रीजनिंग मॉडल को गाइड करने के लिए किया जाता है।

टीचर पॉलिसी: प्रश्न ( $x$ ) और जेनरेट किए गए रूब्रिक ( $r$ ) को प्रिविलेज्ड कॉन्टेक्स्ट के रूप में प्राप्त करती है।
स्टूडेंट पॉलिसी: केवल प्रश्न ( $x$ ) को देखती है और एक रीजनिंग ट्राजेक्टरी ( $\hat{y}$ ) उत्पन्न करती है।
उद्देश्य: स्टूडेंट KL डाइवर्जेंस के बीच अंतर को कम करता है जो अपनी डिस्ट्रीब्यूशन और टीचर की डिस्ट्रीब्यूशन के बीच होता है, जहाँ टीचर रूब्रिक द्वारा कंडीशन किया गया है।
$\mathcal{L}_{reason} = \mathbb{E}_{\hat{y} \sim p_S} \left[ \sum_{t=1}^{|\hat{y}|} D_{KL} \left( p_T(\cdot \mid x, r, \hat{y}_{<t}) \parallel p_S(\cdot \mid x, \hat{y}_{<t}) \right) \right]$
मुख्य डिज़ाइन: एक एकल रेफरेंस उत्तर के बजाय रूब्रिक पर कंडीशन होकर, टीचर क्राइटेरिया-अवेयर गाइडेंस प्रदान करता है। यह ऑप्टिमाइजेशन सिग्नल को आंशिक शुद्धता के विभिन्न आयामों (जैसे, एक सही स्टेप के बाद एक लोकल एरर) के बीच अंतर करने की अनुमति देता है, बजाय इसके कि उन्हें एक एकल स्कोर या एक एकल रेफरेंस पाथ में संकुचित किया जाए। लेखक Forward KL डाइवर्जेंस का उपयोग करते हैं ताकि स्टूडेंट को रूब्रिक-कंडीशन्ड टीचर डिस्ट्रीब्यूशन के सपोर्ट को कवर करने के लिए प्रोत्साहित किया जा सके, जिससे वैध रीजनिंग पाथ्स के बीच विविधता बनी रहती है।

मुख्य योगदान

नया सुपरविजन इंटरफेस: RCSD रूब्रिक्स को केवल स्कोरिंग टूल्स के रूप में नहीं, बल्कि स्ट्रक्चर्ड सुपरविजन इंटरफेस के रूप में फिर से परिभाषित करता है जो ऑप्टिमाइजेशन के दौरान टोकन-लेवल लर्निंग को आकार देते हैं।
दो-चरणीय पाइपलाइन: लेखक स्वचालित रूप से टास्क-विशिष्ट रूब्रिक्स सीखने के लिए एक स्केलेबल तरीका (चरण I) पेश करते हैं, और फिर चरण II में रीजनिंग को गाइड करने के लिए इनका उपयोग करते हैं, जिससे डिस्टिलेशन फेज के दौरान मैनुअल रूब्रिक एनोटेशन या महंगे LLM-as-a-Judge रिवार्ड्स पर निर्भरता समाप्त हो जाती है।
क्राइटेरिया-अवेयर ऑन-पॉलिसी लर्निंग: मानक OPSD के विपरीत, जो एक सिंगल ट्राजेक्टरी पर कंडीशन होता है, RCSD क्राइटेरिया पर कंडीशन होता है, जो फाइन-ग्रेन्ड क्रेडिट असाइनमेंट को सक्षम बनाता है जो विशिष्ट लोकल एरर्स को दंडित करता है जबकि सही स्टेप्स को सुरक्षित रखता है, यहाँ तक कि स्टूडेंट के अपने सैंपल्ड ट्राजेक्टरीज पर भी।

प्रायोगिक परिणाम

इस पद्धति का मूल्यांकन विविध विज्ञान रीजनिंग बेंचमार्क्स पर किया गया, जिसमें वेरिफिएबल टास्क (GPQA-DIAMOND, SciBench, PIQA) और नॉन-वेरिफिएबल, ओपन-एंडेड टास्क (ResearchQA, RubricHub) शामिल हैं।

प्रदर्शन: RCSD ने बेंचमार्क्स पर सर्वश्रेष्ठ समग्र औसत स्कोर (70.6) प्राप्त किया। इसने बेस Qwen3-8B मॉडल को 4.7 अंक से पीछे छोड़ा, और औसतन GRPO को 1.0 अंक और OPSD को 0.9 अंक से पछाड़ दिया।
डोमेन विशिष्टता: लाभ रूब्रिक-आधारित और वैज्ञानिक रीजनिंग कार्यों (जैसे, ResearchQA पर +8.2 अंक, RubricHub पर +4.9 अंक) पर सबसे अधिक स्पष्ट थे, जहाँ स्केलर रिवार्ड्स अक्सर रिस्पॉन्स क्वालिटी को कैप्चर करने में विफल रहते हैं।
सामान्यीकरण (Generalization): विधि ने बिना किसी कैटास्ट्रोफिक फॉरगेटिंग के आउट-ऑफ-डोमेन मेडिकल बेंचमार्क्स (MedMCQA, PubMedQA) पर मजबूत सामान्यीकरण प्रदर्शित किया, जो सुझाव देता है कि सीखा गया क्राइटेरिया सामान्य रीजनिंग स्ट्रक्चर को कैप्चर करता है।
एब्लेशन स्टडीज (Ablation Studies):
- लॉस टाइप: पाया गया कि Forward KL सबसे प्रभावी ऑब्जेक्टिव था, जिसने उच्चतम औसत प्रदर्शन दिया और रिवर्स KL या JS डाइवर्जेंस की तुलना में उच्च स्टूडेंट एंट्रॉपी (विविधता) बनाए रखी।
- रूब्रिक सोर्स: स्टेज-I जनरेटर द्वारा जेनरेट किए गए रूब्रिक्स का उपयोग करने से ग्राउंड-ट्रुथ रेफरेंस रूब्रिक्स के उपयोग के प्रतिस्पर्धी परिणाम मिले, जो दो-चरणीय दृष्टिकोण की स्केलेबिलिटी को प्रमाणित करता है।
- मजबूती (Robustness): विधि डिग्रेडेड रूब्रिक इनपुट्स (जेनेरिक, नॉइजी, या कम) के साथ भी प्रभावी रही, हालांकि इंस्टेंस-विशिष्ट सीखे गए रूब्रिक्स ने सबसे मजबूत सुपरविजन प्रदान किया।

महत्व और दावे

पेपर का दावा है कि RCSD पोस्ट-ट्रेनिंग ओपन-एंडेड रीजनिंग मॉडल्स के लिए एक वेरिफायर-फ्री अप्रोच प्रदान करता है। ऑप्टिमाइजेशन के दौरान क्राइटेरिया-लेवल स्ट्रक्चर को संरक्षित करके और रूब्रिक्स को डेंस टोकन-लेवल गाइडेंस में बदलकर, यह विधि स्केलर रिवॉर्ड ऑप्टिमाइजेशन में निहित क्रेडिट-असाइनमेंट बॉटलनेक और रेफरेंस-कंडीशन्ड डिस्टिलेशन के पाथ-विशिष्ट बायस को संबोधित करती है।

लेखक तर्क देते हैं कि RCSD उन कार्यों के लिए विशेष रूप से महत्वपूर्ण है जहाँ उच्च-गुणवत्ता वाले रिस्पॉन्स को ऑटोमैटिक वेरिफिकेशन (एक्सैक्ट-मैच आंसर या यूनिट टेस्ट) या स्केलर आउटकम रिवार्ड्स द्वारा पूरी तरह से कैप्चर नहीं किया जा सकता है। यह सक्षम करके कि मॉडल यह सीख सके कि एक रिस्पॉन्स की क्या विशेषताएं होनी चाहिए (रूब्रिक्स के माध्यम से), न कि यह कि एक विशिष्ट सॉल्यूशन पाथ की नकल कैसे करनी है, RCSD अधिक लचीले और मजबूत रीजनिंग सुधारों की सुविधा प्रदान करता है। यह कार्य सुझाव देता है कि जटिल रीजनिंग कार्यों के लिए स्पार्स रिवार्ड्स और सिंगल-ट्राजेक्टरी डिस्टिलेशन दोनों की तुलना में स्ट्रक्चर्ड, मल्टी-डायमेंशनल फीडबैक एक बेहतर सुपरविजन सिग्नल है।