Do vision-language models search like humans? Reasoning tokens as a reaction-time analog in classic visual-search paradigms
यह शोध पत्र इस बात की जांच करता है कि क्या विजन-लैंग्वेज मॉडल रीजनिंग टोकन काउंट को रिएक्शन टाइम के प्रॉक्सी के रूप में उपयोग करके मानव जैसे विजुअल सर्च व्यवहार प्रदर्शित करते हैं, जिसमें यह पाया गया है कि हालांकि मॉडल फ्लैट फीचर सर्च कॉस्ट और बढ़ते कंजंक्शन कॉस्ट जैसे प्रमुख मानवीय हस्ताक्षरों की नकल करते हैं, वे टारगेट-प्रेजेंट स्लोप्स, एन्यूमरेशन सटीकता और एडेप्टिव डेलिब्रेशन रणनीतियों में स्पष्ट संज्ञानात्मक विचलन भी प्रकट करते हैं।
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 भीड़ भरी तस्वीर में "वेयर्स वाल्डो?" (Where's Waldo?) खेल खेल रहे हैं। यदि आप नीली टोपियों के समुद्र में एक लाल टोपी ढूंढ रहे हैं, तो आपका मस्तिष्क उसे तुरंत पहचान लेता है, चाहे भीड़ में कितने भी लोग क्यों न हों। लेकिन, यदि आप एक ऐसी लाल टोपी ढूंढ रहे हैं जो तारे के आकार की भी हो (और बाकी सभी ने या तो नीली टोपियाँ पहनी हैं या लाल गोल टोपियाँ), तो आपके मस्तिष्क को तस्वीर में एक-एक व्यक्ति को स्कैन करना पड़ता है। जितने अधिक लोग होंगे, आपको लक्ष्य खोजने में उतना ही अधिक समय लगेगा।
यह क्लासिक "विजुअल सर्च" (दृश्य खोज) खेल है जिसका उपयोग मनोवैज्ञानिक दशकों से यह समझने के लिए करते आए हैं कि मानव ध्यान कैसे काम करता है। एक नया शोध पत्र एक दिलचस्प सवाल पूछता है: क्या एआई (AI) मॉडल उसी तरह से खेलते हैं जैसे इंसान खेलते हैं?
चूंकि एआई के पास धड़कता हुआ दिल या स्टॉपवॉच नहीं होती, इसलिए शोधकर्ता एआई के "सोचने" के समय को नहीं माप सके। इसके बजाय, उन्होंने एक चतुर तरीका अपनाया: उन्होंने उत्तर देने से पहले एआई द्वारा उत्पन्न किए गए "थिंकिंग टोकन" (सोचने वाले टोकन) की संख्या गिनी। इन टोकनों को एआई का आंतरिक संवाद या उसके "रफ नोट्स" की तरह समझें।
- कम टोकन = एआई ने तस्वीर पर एक नज़र डाली और कहा, "आसान है, मुझे दिख गया।" (तेज़ प्रतिक्रिया)।
- अधिक टोकन = एआई ने कारणों की एक लंबी सूची लिखी, तस्वीर को फिर से जांचा, और उत्तर पर बहस की। (धीमी, प्रयासपूर्ण प्रतिक्रिया)।
यहाँ अध्ययन के निष्कर्ष दिए गए हैं, सरल उपमाओं का उपयोग करते हुए:
1. "पॉप-आउट" बनाम "घास के ढेर में सुई"
मानव व्यवहार: जब लक्ष्य स्पष्ट होता है (नीली टोपियों के बीच लाल टोपी), तो इंसान उसे तुरंत ढूंढ लेते हैं। जब यह कठिन होता है (लाल गोलों के बीच लाल तारा), तो भीड़ बढ़ने के साथ इंसानों को अधिक समय लगता है।
एआई व्यवहार: सबसे स्मार्ट एआई मॉडलों ने बिल्कुल ऐसा ही किया।
- आसान "पॉप-आउट" कार्यों के लिए, एआई ने बहुत कम, स्थिर मात्रा में थिंकिंग टोकन का उपयोग किया, चाहे तस्वीर में कितनी भी वस्तुएं क्यों न हों।
- कठिन "घास के ढेर में सुई" वाले कार्यों के लिए, एआई के टोकन की संख्या तस्वीर के अधिक भीड़भाड़ वाले होने पर बढ़ती गई।
निष्कर्ष: एआई का आंतरिक प्रयास वक्र (effort curve) मानव प्रतिक्रिया-समय वक्र के समान है। यह सुझाव देता है कि जब ये एआई "सोच" रहे होते हैं, तो वे वास्तव में एक क्रमिक, वस्तु-दर-वस्तु खोज कर रहे होते हैं, ठीक वैसे ही जैसे इंसान एक कमरे को स्कैन करने के लिए अपनी आँखों का उपयोग करता है।
2. "खाली कमरे" का उलटा व्यवहार
मानव व्यवहार: यदि आप किसी विशिष्ट वस्तु की तलाश कर रहे हैं और वह वहां नहीं है, तो आपको निश्चित होने के लिए भीड़ के हर एक व्यक्ति को जांचना होगा। इसमें बहुत समय लगता है। यदि वह वस्तु वहां है, तो आप उसे मिलते ही रुक सकते हैं। इसलिए, इंसान "नहीं" होने पर अधिक मेहनत करते हैं।
एआई व्यवहार: एआई ने इस स्क्रिप्ट को उलट दिया। इसने तब अधिक मेहनत की जब उत्तर "हाँ" था और उसने वस्तु को ढूंढ लिया, और जब उत्तर "नहीं" था तो इसने कम मेहनत की।
निष्कर्ष: ऐसा लगता है कि एआई की एक रणनीति है "एक ढूंढो, फिर उसे सही ठहराओ।" एक बार जब वह लक्ष्य को पहचान लेता है, तो वह उसे दोबारा जांचने और समझाने में बहुत सारे टोकन खर्च करता है। लेकिन यदि उसे तुरंत कुछ दिखाई नहीं देता, तो वह पूरी तस्वीर में धैर्यपूर्वक खोज करने के बजाय जल्दी से "नहीं" का अनुमान लगा सकता है।
3. "गिनती" की महाशक्ति
मानव व्यवहार: यदि आप किसी इंसान को एक व्यस्त तस्वीर में 5 या 6 वस्तुओं को गिनने के लिए कहते हैं, तो वे अक्सर गिनती भूल जाते हैं या गलतियां करते हैं। हमारा मस्तिष्क गिनती को दिमाग में बनाए रखने में थक जाता है।
एआई व्यवहार: एआई मॉडल गिनती करने में माहिर थे। भीड़ भरी तस्वीरों में भी, वे अपनी गिनती नहीं खोते थे।
निष्कर्ष: इंसानों की तरह थकने या गलतियां करने के बजाय, एआई ने केवल अधिक ऊर्जा खर्च की। उन्होंने काम छोड़ा नहीं; बल्कि उन्होंने अतिरिक्त कंप्यूटिंग पावर के साथ कार्य को पूरा किया। उन्होंने "सटीकता" के लिए "प्रयास" का व्यापार किया।
4. "झुकी हुई पट्टी" की पहेली
मानव व्यवहार: हम सीधी खड़ी पट्टियों के बीच एक झुकी हुई पट्टी को पहचानने में बहुत अच्छे हैं (यह "पॉप आउट" करती है)। लेकिन हम झुकी हुई पट्टियों के बीच एक सीधी पट्टी को पहचानने में बहुत खराब हैं (यह कठिन है)।
एआई व्यवहार: एआई मॉडलों ने भी एक दिशा को कठिन पाया, लेकिन उन्होंने अलग-अलग मॉडल के आधार पर इस कठिनाई को अलग तरह से व्यक्त किया:
- मॉडल A (कड़ी मेहनत): कठिन कार्य पर बहुत अधिक थिंकिंग टोकन खर्च किए लेकिन सही उत्तर दिया।
- मॉडल B (शॉर्टकट): कठिन कार्य पर लगभग कोई थिंकिंग टोकन खर्च नहीं किए और बस उत्तर को गलत बताया (एक झुकी हुई पट्टी का भ्रम पैदा किया जो वहां थी ही नहीं)।
निष्कर्ष: एक ही दृश्य कठिनाई को "अधिक मेहनत करके" या "हार मानकर और अनुमान लगाकर" हल किया जा सकता है, जो विशिष्ट एआई के व्यक्तित्व पर निर्भर करता है।
मुख्य सारांश
शोध पत्र निष्कर्ष निकालता है कि आधुनिक एआई मॉडल मानव दृश्य खोज का एक "फिंगरप्रिंट" विकसित कर चुके हैं। वे जानते हैं कि कब जल्दी से स्कैन करना है और कब धीरे स्कैन करना है। हालांकि, वे इंसान नहीं हैं। वे इंसानों की तरह थकते नहीं हैं, वे खोज को अलग तरह से रोकते हैं, और वे "कठिन" कार्यों को या तो अतिरिक्त प्रयास के साथ पूरी मेहनत से करने या बुरी तरह विफल होने के माध्यम से संभालते हैं।
शोधकर्ता का तर्क है कि यह देखकर कि एक एआई कितना सोचता है (टोकन की संख्या), न कि केवल यह देखकर कि वह क्या उत्तर देता है, हम उसकी "दृष्टि" के छिपे हुए तंत्र को देख सकते हैं। यह इंजन की आवाज़ सुनकर यह समझने जैसा है कि कार कैसे काम करती है, बजाय इसके कि केवल यह देखा जाए कि वह कहाँ पहुँचती 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।