💬 NLP

Only Ask What You Don't Know: Grounded Delta Planning for Efficient Multi-step RAG

यह शोध पत्र ग्राउंडेड डेल्टा प्लानिंग RAG (GDP-RAG) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो प्रारंभिक पुनर्प्राप्ति (retrieval) में योजनाओं को आधार प्रदान करके और गणना को केवल सूचनात्मक अंतराल (information gaps) पर केंद्रित करके मल्टी-हॉप प्रश्न उत्तर देने की दक्षता और सटीकता में सुधार करता है, जिससे मौजूदा विधियों की तुलना में काफी कम लागत के साथ अत्याधुनिक प्रदर्शन प्राप्त होता है।

मूल लेखक: Wei-Chieh Chou, Xuanjun Chen, Jian-Ren Lin, Claire Lin, Hung-yi Lee, Jyh-Shing Roger Jang

प्रकाशित 2026-06-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wei-Chieh Chou, Xuanjun Chen, Jian-Ren Lin, Claire Lin, Hung-yi Lee, Jyh-Shing Roger Jang

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 आप एक जटिल रहस्य को सुलझाने की कोशिश कर रहे हैं, जैसे कि यह पता लगाना कि जार से कुकी किसने चुराई। आपके पास मदद के लिए किताबों का एक विशाल पुस्तकालय (इंटरनेट) है, लेकिन आप एक साथ सभी किताबें नहीं पढ़ सकते।

वर्तमान में अधिकांश AI सिस्टम इसे हल करने के दो तरीकों में से एक का उपयोग करते हैं, और दोनों में समस्याएँ हैं:

"चरण-दर-चरण" जासूस (The "Step-by-Step" Detective): वे एक प्रश्न पूछते हैं, एक किताब पढ़ते हैं, फिर एक और प्रश्न पूछते हैं, फिर एक और किताब पढ़ते हैं, और इसी तरह। समस्या यह है कि वे अक्सर कागजों के ढेर से भ्रमित हो जाते हैं, या वे जांच के शुरुआती चरण में ही एक छोटी सी गलती कर देते हैं जो पूरी जांच को खराब कर देती है।
"अति-योजनाकार" (The "Over-Planner"): वे किसी भी किताब को देखने से पहले एक विशाल, कठोर योजना लिखते हैं। वे पाँच अलग-अलग किताबें देखने की योजना बना सकते हैं, भले ही उत्तर पहली किताब में ही मिल गया हो जिसे उन्होंने उठाया था। इससे समय और पैसा बर्बाद होता है।

नया समाधान: "ग्राउंडेड डेल्टा प्लानिंग" (Grounded Delta Planning - GDP-RAG)

इस शोध पत्र के लेखक एक स्मार्ट तरीके से काम करने का प्रस्ताव देते हैं। वे इसे "ग्राउंडेड डेल्टा प्लानिंग" कहते हैं। इसे एक "पहले जाँच करें, केवल वही पूछें जिसकी आवश्यकता है" की रणनीति के रूप में सोचें।

यह कैसे काम करता है, यहाँ एक सरल उपमा दी गई है:

1. "त्वरित नज़र" (प्रारंभिक रिट्रीवल - Preliminary Retrieval)

जासूस द्वारा एक भी प्रश्न लिखने से पहले, वे कुछ प्रासंगिक किताबें उठाने के लिए पुस्तकालय की अलमारियों का एक त्वरित, व्यापक स्कैन करते हैं।

क्यों? ताकि वे शून्य से शुरुआत न करें। वे जानते हैं कि कौन सी जानकारी पहले से ही मेज पर रखी है।

2. "अंतराल खोजने वाला" (डेल्टा प्लानिंग - Delta Planning)

सब कुछ खोजने के लिए योजना बनाने के बजाय, जासूस उन किताबों को देखता है जिन्हें उसने अभी उठाया है और पूछता है: "क्या गायब है?"

यदि किताबें उन्हें पहले ही बता देती हैं कि "कुकी कुत्ते द्वारा ली गई थी," तो उन्हें कुत्ते के बारे में पूछने की आवश्यकता नहीं है।
वे केवल डेल्टा (∆) के लिए प्रश्न लिखते हैं—वह विशिष्ट जानकारी जो अभी भी गायब है।
परिणाम: वे उन प्रश्नों को छोड़ देते हैं जिन्हें पूछने की उन्हें आवश्यकता नहीं है। यह एक पेड़ की छंटाई करने जैसा है; आप मृत शाखाओं (अनावश्यक प्रश्नों) को काट देते हैं ताकि पेड़ तेजी से और अधिक मजबूती से बढ़ सके।

3. "कंकाल योजना" (Skeletal Trajectory)

जासूस एक बहुत ही छोटी, संक्षिप्त योजना लिखता है। लेकिन असली चतुराई यहाँ है: हर प्रश्न जो वे पूछते हैं, उसके बगल में वे एक छोटा सा नोट जोड़ते हैं, "मैं अपनी त्वरित नज़र से X को पहले से ही जानता हूँ।"

यह सुनिश्चित करता है कि जैसे- जैसे वे जांच में गहराई तक जाते हैं, वे उन तथ्यों को न भूलें जो उन्हें शुरुआत में मिले थे। यह पूरी कहानी को आपस में जोड़े रखता है।

4. "दोहरा-जाँच" लूप (The "Double-Check" Loop)

एक बार जब वे अपने विशिष्ट प्रश्न पूछना शुरू करते हैं, तो वे केवल पहले उत्तर पर भरोसा नहीं करते। वे तीन-चरणीय लूप का उपयोग करते हैं:

कार्य (Act): प्रश्न पूछें और उत्तर प्राप्त करें।
समीक्षा (Review): यह सुनिश्चित करने के लिए कि वह उत्तर सत्य है, नए साक्ष्यों के विरुद्ध उसकी दोबारा जाँच करें।
अपडेट (Update): यदि उन्हें कुछ नया मिला है, तो वे अगले चरण के लिए अपनी योजना में बदलाव करते हैं।

यह एक बड़ी बात क्यों है?
शोध पत्र ने तीन कठिन पहेली डेटासेट्स (HotpotQA, 2WikiMultiHopQA, और MuSiQue) पर इस पद्धति का परीक्षण किया। यहाँ उन्हें क्या मिला:

कठिन नहीं, बल्कि स्मार्ट: इस नई पद्धति ने उच्चतम सटीकता (60.63%) प्राप्त की, जो अन्य सभी विधियों से बेहतर है। इसने पहेलियों को बेहतर ढंग से सुलझाया।
सस्ता: क्योंकि इसने कम प्रश्न पूछे और कम अनावश्यक पन्ने पढ़े, इसे चलाने की लागत अगली सर्वश्रेष्ठ विधि (PAR-RAG) की तुलना में 22% कम और एक जटिल विधि (KnowTrace) की तुलना में 68% कम थी।
कोई समझौता नहीं: आमतौर पर, आपको सटीक होने या सस्ता होने में से किसी एक को चुनना पड़ता है। इस पद्धति ने दोनों होने का प्रबंधन किया—यह सबसे सटीक और सबसे कुशल दोनों थी।

संक्षेप में:
कल्पना कीजिए कि आप खाना बना रहे हैं।

पुराने तरीके या तो हर सेकंड सूप को चखते रहते हैं (बहुत धीमे) या आपके फ्रिज में क्या है, यह देखने से पहले 50 सामग्रियों की रेसिपी लिखते हैं (फिजूलखर्ची)।
GDP-RAG पहले फ्रिज में देखता है, देखता है कि उसके पास पहले से क्या है, और फिर केवल उन सामग्रियों के लिए रेसिपी लिखता है जो उसके पास नहीं हैं। वे तेजी से खाना बनाते हैं, कम पैसा खर्च करते हैं, और भोजन का स्वाद भी बेहतर होता है।

शोध पत्र निष्कर्ष निकालता है कि केवल "लापता हिस्सों" (डेल्टा) पर ध्यान केंद्रित करके और योजना को पहले से मौजूद साक्ष्यों पर आधारित करके, AI बिना सटीकता खोए बहुत अधिक कुशलता से जटिल, बहु-चरणीय समस्याओं को हल कर सकता है।

तकनीकी सारांश: कुशल बहु-चरणीय RAG के लिए ग्राउंडेड डेल्टा प्लानिंग (Grounded Delta Planning)

समस्या विवरण (Problem Statement)

मल्टी-हॉप प्रश्नोत्तर (QA) रिट्रिवल-ऑगमेंटेड जनरेशन (RAG) प्रणालियों के लिए एक महत्वपूर्ण चुनौती बनी हुई है। मौजूदा दृष्टिकोण आम तौर पर दो श्रेणियों में आते हैं, जिनमें से दोनों की गंभीर सीमाएँ हैं:

स्टेप-वाइज विधियाँ (जैसे ReAct, Self-Ask): ये रिट्रिवल और रीजनिंग को गतिशील रूप से आपस में मिलाती हैं। हालांकि ये लचीली हैं, लेकिन ये कॉन्टेक्स्ट ओवरफ्लो के कारण "लॉस्ट-इन-द-मिडल" (lost-in-the-middle) की समस्या से ग्रस्त होती हैं और त्रुटि प्रसार (error propagation) को बढ़ा देती हैं, जहाँ शुरुआती गलतियाँ पूरी रीजनिंग प्रक्रिया में बढ़ती चली जाती हैं।
प्लान-आधारित विधियाँ (जैसे ReWOO, PlanRAG): ये निष्पादन से पहले सब-स्टेप्स को अलग करने और कैस्केडिंग त्रुटियों को कम करने के लिए एक स्थिर वैश्विक योजना (static global plan) का निर्माण करती हैं। हालाँकि, वे अक्सर योजना बनाने के लिए केवल पैरामीट्रिक ज्ञान पर निर्भर करती हैं, जिससे ओवर-प्लानिंग (पहले से उपलब्ध जानकारी के लिए अनावश्यक सब-क्वेरी उत्पन्न करना) या अंडर-प्लानिंग (आवश्यक निर्भरताओं को छोड़ देना) जैसी स्थितियाँ उत्पन्न होती हैं। इसके अलावा, कठोर योजनाओं का सख्ती से पालन करना दक्षता संबंधी समस्याएँ पैदा करता है क्योंकि प्रत्येक निष्पादन चरण की लागत काफी अधिक हो जाती है।

मुख्य चुनौती एक ऐसा ढांचा (framework) डिजाइन करने की है जो त्रुटि प्रसार और कॉन्टेक्स्ट ओवरफ्लो से बच सके, साथ ही अनावश्यक रीजनिंग स्टेप्स को समाप्त करके और यह सुनिश्चित करके कि कोई भी महत्वपूर्ण जानकारी छूटी नहीं है, कंप्यूटेशनल लागत को न्यूनतम कर सके।

कार्यप्रणाली: ग्राउंडेड डेल्टा प्लानिंग RAG (GDP-RAG)

लेखक GDP-RAG का प्रस्ताव करते हैं, जो एक प्लान-आधारित फ्रेमवर्क है जो प्लानिंग के प्रतिमान (paradigm) को एक पूर्ण रीजनिंग चेन बनाने के बजाय केवल इन्फॉर्मेशन डेल्टा ( $\Delta$ )—यानी प्रारंभिक रिट्रिवल के बाद बची हुई विशिष्ट जानकारी—को लक्षित करने की ओर स्थानांतरित करता है। यह फ्रेमवर्क तीन विशिष्ट चरणों के माध्यम से कार्य करता है:

1. प्लानिंग चरण (Grounded Delta Planning)

केवल पैरामीट्रिक ज्ञान का उपयोग करके क्वेरी को विघटित करने के बजाय, GDP-RAG पहले प्रासंगिक दस्तावेजों ( $D_{rel}$ ) को एकत्र करने के लिए प्रारंभिक रिट्रिवल (Preliminary Retrieval) करता है। इसके बाद प्लानर तीन डिज़ाइन विकल्पों के आधार पर एक स्केलेटल ट्राजेक्टरी ( $T_{skel}$ ) तैयार करता है:

ग्राउंडिंग (Grounding): प्लानर को $D_{rel}$ पर आधारित किया जाता है ताकि यह समझा जा सके कि कौन सी जानकारी पहले से ही उपलब्ध है।
गैप-अवेयर क्वेरी डिकम्पोजिशन (Gap-aware Query Decomposition): प्लानर को निर्देश दिया जाता है कि वह $D_{rel}$ में मौजूद जानकारी की पहचान करे और केवल शेष अंतराल ( $\Delta$ ) के लिए ही सब-क्वेरी उत्पन्न करे।
स्केलेटल ट्राजेक्टरी स्ट्रक्चर: आउटपुट टुपल्स $\langle (\theta_i, q_i) \rangle$ का एक अनुक्रम है, जहाँ $q_i$ छूटी हुई जानकारी के लिए एक सब-क्वेरी है, और $\theta_i$ (थॉट) उस चरण से संबंधित $D_{rel}$ के साक्ष्य (evidence) को कैप्चर करता है। यह ट्राजेक्टरी के दौरान साक्ष्यों को सुरक्षित रखता है, जिससे सूचना की हानि को रोका जा सकता है।

यह दृष्टिकोण तीन संरचनात्मक लाभ प्रदान करता है:

रीजनिंग-स्टेप कम्प्रेशन (Reasoning-step Compression): वे चरण जो $D_{rel}$ में पहले से मौजूद तथ्यों को रिट्रीव करने के लिए आवश्यक होते, उन्हें छोड़ दिया जाता है।
ओवर-प्लानिंग प्रूनिंग (Over-planning Pruning): काल्पनिक आवश्यकताओं के आधार पर उत्पन्न होने वाली अनावश्यक सब-क्वेरीज़ को समाप्त कर दिया जाता है क्योंकि प्लानर वास्तविक रिट्रीव किए गए दस्तावेजों के विरुद्ध धारणाओं (assumptions) को सत्यापित करता है।
अंडर-प्लानिंग रिफाइनमेंट (Under-planning Refinement): प्रारंभिक रिट्रिवल की व्यापक अर्थपूर्णता (semantics) उन निर्भरताओं को खोजने में मदद करती है जिन्हें संकीर्ण, लक्षित सब-क्वेरीज़ मिस कर सकती हैं।

2. ट्राजेक्टरी जनरेशन चरण

स्केलेटल प्लान को एक पुनरावृत्ति एक्ट-रिव्यू-अपडेट (Act-Review-Update) चक्र के माध्यम से निष्पादित किया जाता है (जो PAR-RAG से अनुकूलित है):

एक्ट (Act): विशिष्ट सब-क्वेरी $q_t$ के लिए दस्तावेज़ों को रिट्रीव करता है और सहायक साक्ष्य का हवाला देते हुए एक अनंतिम उत्तर $\hat{a}_t$ उत्पन्न करता है।
रिव्यू (Review): एक सत्यापन क्वेरी (verification query) का निर्माण करता है ताकि माध्यमिक रिट्रिवल किया जा सके, और $\hat{a}_t$ की नई साक्ष्यों के साथ क्रॉस-चेक करके तथ्यात्मक विसंगतियों को सुधारा जा सके।
अपडेट (Update): सत्यापित टुपल $(\theta_t, q_t, d_t, a_t)$ को ट्राजेक्टरी मेमोरी में दर्ज करता है और संचित साक्ष्यों के आधार पर अगली सब-क्वेरी $q_{t+1}$ को परिष्कृत करता है, जिससे रनटाइम अनुकूलनशीलता सुनिश्चित होती है।

3. आंसरिंग चरण (Answering Phase)

सिस्टम क्वेरी $Q$ को पूरी तरह से ग्राउंडेड और सत्यापित ट्राजेक्टरी $T$ के साथ एकीकृत करके अंतिम उत्तर $A$ का संश्लेषण करता है, यह सुनिश्चित करता है कि प्रतिक्रिया तार्किक रूप से सुसंगत है और पूरी तरह से रिट्रीव किए गए दस्तावेजों द्वारा समर्थित है।

मुख्य योगदान (Key Contributions)

फ्रेमवर्क प्रस्ताव: GDP-RAG एक ट्रेनिंग-फ्री, प्लान-आधारित मल्टी-स्टेप RAG फ्रेमवर्क है जो पहले रिट्रीव करता है और केवल सूचना डेल्टा के लिए योजना बनाता है, जिससे उत्तर की गुणवत्ता से समझौता किए बिना संक्षिप्त रीजनिंग ट्राजेक्टरीज प्राप्त होती हैं।
प्रदर्शन: व्यापक प्रयोगों से पता चलता है कि GDP-RAG तुलना की गई प्रणालियों में उच्चतम सटीकता प्राप्त करता है और साथ ही काफी कम कंप्यूटेशनल लागत बनाए रखता है।
एब्लेशन विश्लेषण (Ablation Analysis): लेखक पुष्टि करते हैं कि प्रत्येक डिज़ाइन विकल्प (प्रारंभिक रिट्रिवल, गैप-अवेयर निर्देश और स्केलेटल ट्राजेक्टरी) स्टेप एफिशिएंसी, लागत में कमी और उत्तर सटीकता में विशिष्ट योगदान देता है।

प्रयोगात्मक परिणाम (Experimental Results)

इस फ्रेमवर्क का मूल्यांकन GPT-4.1-mini का उपयोग करके तीन मल्टी-हॉप QA बेंचमार्क: HotpotQA, 2WikiMultiHopQA, और MuSiQue पर किया गया।

सटीकता (Accuracy): GDP-RAG ने 60.63% की उच्चतम समग्र सटीकता प्राप्त की, जिसने सबसे मजबूत बेसलाइन, PAR-RAG (58.20%) को 2.43 प्रतिशत अंक से पीछे छोड़ दिया। इसने HotpotQA (64.75% बनाम 62.79%) और MuSiQue (44.53% बनाम 42.70%) पर भी PAR-RAG से बेहतर प्रदर्शन किया।
दक्षता (Efficiency - Cost-of-Pass): प्राथमिक मीट्रिक, कॉस्ट-ऑफ-पास (एक सही उत्तर उत्पन्न करने की अपेक्षित लागत), GDP-RAG के लिए 0.51 थी। यह PAR-RAG (0.65) की तुलना में 22% कम और KnowTrace (1.57) की तुलना में 68% कम है।
पारेटो ऑप्टिमलिटी (Pareto Optimality): GDP-RAG प्रदर्शन स्पेस के "उच्च सटीकता, कम लागत" वाले कोने में स्थित है। किसी अन्य पद्धति ने उच्च सटीकता और कम लागत दोनों प्राप्त नहीं की। सस्ते तरीके (जैसे Standard RAG, IRCoT) सटीकता में 10-23 अंक पीछे रहे।
स्टेप रिडक्शन (Step Reduction): डायरेक्ट प्लानिंग की तुलना में GDP-RAG ने वैध रीजनिंग स्टेप्स को 61.0% (3,561 से घटाकर 1,388) कम कर दिया और 77.0% अनावश्यक स्टेप्स को हटा दिया।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि GDP-RAG प्लानिंग प्रक्रिया को मौलिक रूप से बदलकर वर्तमान मल्टी-हॉप RAG सिस्टम की बुनियादी अक्षमताओं को दूर करता है। प्रारंभिक रिट्रिवल के माध्यम से प्लानर को ग्राउंड करके, सिस्टम "अंधाधुंध" रीजनिंग स्टेप्स जेनरेट करने से बचता है, जो स्टेप-वाइज एरर प्रोपेगेशन और प्लान-आधारित ओवर-प्लानिंग दोनों की विशेषता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण विशेष रूप से अनसुलझे अंतरालों (unresolved gaps) पर ध्यान केंद्रित करके संक्षिप्त और विश्वसनीय रीजनिंग ट्राजेक्टरीज प्रदान करता है। परिणाम बताते हैं कि "ग्राउंडेड डेल्टा प्लानिंग" कार्यों की जटिलता के अनुकूल होने की अनुमति देती है, जिससे आवश्यक जानकारी के उच्च कवरेज को बनाए रखते हुए अतिरिक्त हॉप्स की लागत को कम किया जा सकता है। इस फ्रेमवर्क को एक मजबूत, ट्रेनिंग-फ्री समाधान के रूप में प्रस्तुत किया गया है जो LLMs में मल्टी-स्टेप रीजनिंग की आर्थिक दक्षता और तथ्यात्मक विश्वसनीयता दोनों में सुधार करता है।