← नवीनतम पेपर
💻 computer science

Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning

यह शोध पत्र पर्सीव-टू-रीज़न (P2R) का प्रस्ताव करता है, जो एक एकीकृत ढांचा है जो सूक्ष्म दृश्य तर्क (fine-grained visual reasoning) को विशिष्ट धारणा (perception) और तर्क (reasoning) चरणों में अलग करता है, जिसे विभिन्न मॉडल पैमानों और उच्च-रिज़ॉल्यूशन बेंचमार्क पर प्रदर्शन को महत्वपूर्ण रूप से बढ़ाने के लिए एक भूमिका-जागरूक सुदृढीकरण शिक्षण रणनीति (PRA-GRPO) द्वारा संवर्धित किया गया है।

मूल लेखक: Hongxing Li, Xiufeng Huang, Dingming Li, Wenjing Jiang, Zixuan Wang, Haolei Xu, Hanrong Zhang, Haiwen Hong, Longtao Huang, Hui Xue, Weiming Lu, Jun Xiao, Yueting Zhuang, Yongliang Shen

प्रकाशित 2026-07-02
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Hongxing Li, Xiufeng Huang, Dingming Li, Wenjing Jiang, Zixuan Wang, Haolei Xu, Hanrong Zhang, Haiwen Hong, Longtao Huang, Hui Xue, Weiming Lu, Jun Xiao, Yueting Zhuang, Yongliang Shen

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 बहुत ही कठिन पहेली सुलझाने की कोशिश कर रहे हैं, लेकिन तस्वीर बहुत बड़ी है और सबसे महत्वपूर्ण सुराग एक भीड़ भरे दृश्य के बीच में कहीं छिपा हुआ एक छोटा सा धब्बा है।

यह वही समस्या है जिसे Perceive-to-Reason (P2R) आर्टिफिशियल इंटेलिजेंस (AI) के लिए हल करने की कोशिश कर रहा है।

समस्या: "भूसे के ढेर में सुई" (The Needle in a Haystack)

वर्तमान AI मॉडल (विज़न-लैंग्वेज मॉडल्स) एक तस्वीर को देखने और एक सामान्य उत्तर देने में बहुत अच्छे हैं। लेकिन जब सवाल के लिए किसी सूक्ष्म विवरण को खोजने की आवश्यकता होती—जैसे कि एक हाई-रेज़ोल्यूशन फोटो में एक छोटा सा साइन पढ़ना या दूर स्थित किसी वस्तु पर एक विशिष्ट रंग को पहचानना—तो वे अक्सर भटक जाते हैं।

इसे 50,000 लोगों से भरे स्टेडियम में अपने एक विशिष्ट दोस्त को खोजने की कोशिश करने जैसा समझें।

  • पुराने AI तरीके उस व्यक्ति की तरह हैं जो बस पूरी भीड़ को घूरता है और अनुमान लगाता है, "मुझे लगता है कि वे वहाँ हैं!" या बिना किसी योजना के बेतरतीब ढंग से ज़ूम इन और ज़ूम आउट करता है। वे अक्सर सूक्ष्म विवरणों को मिस कर देते हैं क्योंकि वे सब कुछ एक साथ करने की कोशिश करते हैं।
  • पेपर का अंतर्दृष्टि (Insight): शोधकर्ताओं ने महसूस किया कि AI इसलिए विफल हो रहा था क्योंकि वह सोच (reason) नहीं पा रहा था, बल्कि वह सही ढंग से देख (perceive) नहीं पा रहा था। वह गणित की समस्या को हल करने की कोशिश कर रहा था, इससे पहले कि वह नंबरों को ढूँढ पाता।

समाधान: जासूस और न्यायाधीश (The Detective and The Judge)

यह पेपर AI को प्रशिक्षित करने का एक नया तरीका प्रस्तावित करता है जिसे Perceome-to-Reason कहा जाता है। सब कुछ एक बड़े दिमाग के विस्फोट में करने के बजाय, वे काम को दो अलग-अलग भूमिकाओं में विभाजित करते हैं, जैसे कि दो लोगों की एक टीम:

  1. परसीवर (The Perceiver - जासूस):

    • काम: विशाल, हाई-रेज़ोल्यूशन वाली छवि और प्रश्न को देखना। उत्तर की चिंता किए बिना, बस उस विशिष्ट स्थान को खोजें जहाँ सुराग छिपा है।
    • क्रिया: यह प्रासंगिक क्षेत्र के चारों ओर एक बॉक्स बनाता है (जैसे, "लाल कुर्सी यहाँ है") और उस छोटे से हिस्से को काटकर निकाल लेता है।
    • उपमा: यह एक जासूस की तरह है जो अपराध स्थल का निरीक्षण कर रहा है, एक अकेले कीचड़ वाले पदचिह्न को ढूंढ रहा है, और उसे सबूत के बैग में रख रहा है।

  2. रीज़नर (The Reasonner - न्यायाधीश):

    • काम: केवल सबूत के बैग (काटे गए चित्र) और मूल चित्र (जिस पर बॉक्स बना है) को देखना। अब, प्रश्न का उत्तर दें।
    • क्रिया: यह अंतिम निर्णय लेने के लिए स्पष्ट, ज़ूम-इन किए गए दृश्य का उपयोग करता है।
    • उपमा: यह उस न्यायाधीश की तरह है जो यह तय करने के लिए कि क्या पदचिह्न संदिग्ध के जूते से मेल खाता है, केवल कीचड़ वाले पदचिह्न को देखता है। उन्हें अब बाकी के अस्त-व्यस्त अपराध स्थल की चिंता करने की ज़रूरत नहीं है।

गुप्त मंत्र: "PRA-GRPO"

आप पूछ सकते हैं, "आप AI को यह कैसे सिखाएंगे यदि आप इसे केवल अंत में 'सही' या 'गलत' बताते हैं?" (क्योंकि आपके पास कोई शिक्षक नहीं है जो यह बता सके कि बॉक्स कहाँ होना चाहिए)।

लेखकों ने एक प्रशिक्षण पद्धति विकसित की है जिसे PRA-GRPO कहा जाता है। इसे AI टीम के लिए एक विशेष कोचिंग ड्रिल के रूप में समझें:

  • ड्रिल: AI बारी-बारी से राउंड में अभ्यास करता है।
    • राउंड 1 (परसेप्शन फोकस): "जासूस" स्थान खोजने की कोशिश करता है। "न्यायाधीश" स्थिर (सीख नहीं रहा) रहता है। यदि जासूस सही स्थान ढूंढ लेता है, तो न्यायाधीश आसानी से उत्तर दे सकता है। AI को जासूस के लिए "अच्छा काम किया" का संकेत मिलता है।
    • राउंड 2 (रीज़निंग फोकस): "जासूस" स्थिर (जो उसने अभी सीखा है उसका उपयोग कर रहा है) है। "न्यायाधीश" उस स्थान के आधार पर उत्तर देने की कोशिश करता है। यदि न्यायाधीश सही उत्तर देता है, तो उसे "अच्छा काम किया" का संकेत मिलता है।
  • परिणाम: बारी-बारी से काम करके, AI सीखता है कि एक अच्छा जासूस न्यायाधीश के काम को आसान बनाता है, और एक अच्छा न्यायाधीश जासूस को बेहतर फीडबैक देता है। वे बिना किसी मानव द्वारा बॉक्स बनवाए, एक साथ काम करना सीख जाते हैं।

क्या हुआ?

शोधकर्ताओं ने विभिन्न आकारों के मॉडल्स (2 बिलियन, 4 बिलियन और 8 बिलियन "मस्तिष्क कोशिकाओं") पर इसका परीक्षण किया।

  • परिणाम: नया तरीका (P2R) सूक्ष्म विवरणों को खोजने और जटिल प्रश्नों के उत्तर देने में मूल मॉडल्स की तुलना में काफी बेहतर था।
  • प्रमाण: V-Star नामक एक टेस्ट पर, 4-बिलियन मॉडल 81.7% सही उत्तरों से बढ़कर 93.2% तक पहुँच गया। यह एक बहुत बड़ा सुधार है, विशेष रूप से उन कार्यों के लिए जहाँ उच्च-रेज़ोल्यूशन वाली छवियों में विवरण बहुत छोटे होते हैं।

सारांश

सरल शब्दों में, यह पेपर कहता है: "एक ही समय में सोचने और देखने की कोशिश न करें। पहले, चित्र के सही हिस्से को खोजें। फिर, उसके बारे में सोचें।"

सुराग को ढूँढने के कार्य को पहेली को सुलझाने के कार्य से अलग करके, और AI को इन कौशलों का अभ्यास करने के लिए बारी-बारी से प्रशिक्षित करके, कंप्यूटर उन छोटी चीजों को देखने में बहुत बेहतर हो जाता है जो मायने रखती हैं।

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 →