COMFYCLAW: Self-Evolving Skill Harnesses for Image Generation Workflows
यह शोधपत्र COMFYCLAW को प्रस्तुत करता है, जो एक स्व-विकसित (self-evolving) एजेंटिक फ्रेमवर्क है जो निर्माण को टाइप किए गए ग्राफ संपादन (typed graph editing) के रूप में मानकर, मरम्मत के लिए विजन-लैंग्वेज मॉडल सत्यापनकर्ता का उपयोग करके, और पिछले निष्पादन डेटा को प्रगतिशील रूप से प्रकट होने वाली कौशल लाइब्रेरी में संकुचित (distill) करके इमेज जनरेशन वर्कफ़्लो को बढ़ाता है ताकि एजेंट की विश्वसनीयता और प्रदर्शन में महत्वपूर्ण सुधार किया जा सके।
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 अपने एक दोस्त के विवरण के आधार पर एक बहुत ही विशिष्ट, जटिल केक बनाने की कोशिश कर रहे हैं। आप केवल यह लिखकर नहीं छोड़ देते कि "एक केक बनाओ"; बल्कि आपको पूरी रेसिपी शून्य से बनानी होती है, सही ओवन चुनना, बैटर को मिलाना, तापमान सेट करना और उसे सजाना भी शामिल है। यदि केक जल जाता है या फ्रॉस्टिंग का रंग गलत हो जाता है, तो आपको यह पता लगाना होगा कि क्यों हुआ और दोबारा प्रयास करने से पहले रेसिपी को ठीक करना होगा।
यह बिल्कुल वैसा ही है जैसा COMFYCLAW करता है, लेकिन केक बनाने के बजाय, यह कंप्यूटरों के लिए इमेज जनरेशन वर्कफ्लो (image generation workflows) बनाता है।
यहाँ इसका एक सरल विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:
1. समस्या: "वन-ऑफ" शेफ (The "One-Off" Chef)
आमतौर पर, जब कोई AI एक इमेज बनाने की कोशिश करता है, तो वह एक ऐसे शेफ की तरह व्यवहार करता है जो एक बार भोजन बनाने के बाद सब कुछ भूल जाता है। यदि आप "छह नीले डोनट्स" मांगते हैं और AI पांच बनाता है, तो वह अगली बार बस वाक्य को फिर से लिखने की कोशिश कर सकता है। उसे यह याद नहीं रहता कि उसने गिनती में गलती क्यों की या डोनट्स अजीब क्यों दिखे। यह एक ऐसे शेफ की तरह है जो टोस्ट जलाता रहता है क्योंकि उसने कभी टोस्टर की सेटिंग्स को एडजस्ट करना नहीं सीखा।
2. समाधान: "स्व-विकसित" मास्टर शेफ (The "Self-Evolving" Master Chef)
COMFYCLAW एक ऐसा सिस्टम है जो AI को एक मास्टर शेफ में बदल देता है जिसके पास सीखे गए सबक की एक कुकबुक (cookbook of lessons learned) होती है। इसके तीन मुख्य भाग हैं:
वर्कशॉप (द हार्नेस - The Workshop/The Harness):
केवल एक वाक्य लिखने के बजाय, AI एक विजुअल वर्कशॉप (जिसे ComfyUI कहा जाता है) में काम करता है। इसे एक बड़े बोर्ड की तरह समझें जिस पर लेगो (Lego) ब्लॉक्स लगे हों। प्रत्येक ब्लॉक प्रक्रिया का एक चरण है (जैसे, "रंग जोड़ें," "आकार बदलें," "टेक्सचर जोड़ें")। AI इन ब्लॉक्स को आपस में जोड़ सकता है, उन्हें इधर-उधर रख सकता है, या उन्हें बदलकर नया रूप दे सकता है। यह AI को केवल प्रॉम्प्ट टाइप करने की तुलना में बहुत अधिक नियंत्रण देता है।इंस्पेक्टर (द वेरीफायर - The Inspector/The Verifier):
वर्कफ्लो बनाने और इमेज बनाने के बाद, दूसरा AI (एक विज़न-लैंग्वेज मॉडल) एक सख्त इंस्पेक्टर की तरह काम करता है। वह तस्वीर और मूल अनुरोध को देखता है।- उदाहरण: यदि आपने "लाल मैट पर एक बिल्ली" मांगी थी, और बिल्ली नीले मैट पर है, तो इंस्पेक्टर केवल यह नहीं कहेगा कि "गलत है।" वह कहेगा, "मैट नीला है, लाल नहीं। साथ ही, बिल्ली के तीन के बजाय चार पैर हैं।"
- महत्वपूर्ण बात यह है कि वह बिल्डर को यह बताता है कि नीले मैट को ठीक करने के लिए किस विशिष्ट लेगो ब्लॉक को बदलना है।
कुकबुक (स्किल इवोल्यूशन - The Cookbook/Skill Evolution):
यही असली जादू है। जब AI कोई गलती करता है और उसे ठीक करता है, या जब वह कोई बेहतरीन ट्रिक सीख जाता है, तो COMFYCLAW उस अनुभव को बेकार नहीं जाने देता। वह इसे एक डिजिटल कुकबुक में एक "स्किल" (Skill) के रूप में लिख देता है।- परिदृश्य: AI सीखता है कि "छह डोनट्स" पाने के लिए, उसे लेगो बोर्ड पर एक विशिष्ट "काउंटिंग ब्लॉक" जोड़ने की आवश्यकता है।
- विकास (The Evolution): अगली बार जब आप "छह डोनट्स" मांगते हैं, तो AI शून्य से शुरुआत नहीं करता। वह अपनी कुकबुक खोलता है, "Six Donuts Skill" ढूंढता है, और उसे तुरंत उपयोग करता है। समय के साथ, कुकबुक इन पुन: प्रयोज्य ट्रिक्स से भर जाती है, जिससे AI अपने काम में तेज़ और बेहतर होता जाता है।
3. अभ्यास में यह कैसे काम करता है
पेपर में इस सिस्टम का परीक्षण चार अलग-अलग "चुनौतियों" (benchmarks) पर किया गया, जिसमें जटिल इमेज अनुरोध शामिल थे, जैसे "बिल्कुल छह बैगल्स के साथ एक कुत्ता" या "तीन कांच के सूअर"।
- COMFYCLAW के बिना: AI रेसिपी का अनुमान लगाने की कोशिश करता है, अक्सर संख्या सही करने या रंगों को सही करने में विफल रहता है। उसे बिना कुछ याद रखे बार-बार अनुमान लगाना और जांचना पड़ता है।
- COMFYCLAW के साथ: AI लेगो बोर्ड बनाता है, इंस्पेक्टर उसकी जांच करता है, और यदि वह विफल होता है, तो AI विशिष्ट ब्लॉक को ठीक करता है। फिर, वह उस सुधार को अपनी कुकबुक में लिख देता है। परीक्षण के अंत तक, AI ने 318 अद्वितीय कौशल (skills) विकसित कर लिए थे।
4. परिणाम
पेपर ने पाया कि:
- बेहतर इमेज: COMFYCLAW द्वारा बनाई गई इमेज विवरण के प्रति बहुत अधिक सटीक थीं (जैसे, वस्तुओं की सही संख्या प्राप्त करना) और अधिक वास्तविक दिखती थीं।
- मानवीय प्राथमिकता: जब मनुष्यों ने इमेज देखीं, तो उन्होंने COMFYCLAW द्वारा बनाई गई इमेज को उन सिस्टमों की तुलना में अधिक पसंद किया जो स्किल्स की कुकबुक नहीं रखते थे।
- वास्तविक सीखना: सिस्टम ने केवल उत्तरों को रटा नहीं; इसने प्रक्रियाओं (procedures) को सीखा। उदाहरण के लिए, इसने "एनीमे-स्टाइल" पात्रों को संभालने या किसी दृश्य में वस्तुओं को व्यवस्थित करने के विशिष्ट तरीके सीखे, जिन्हें वह भविष्य के किसी भी अनुरोध के लिए पुन: उपयोग कर सकता था।
संक्षेप में
COMFYCLAW एक ऐसा सिस्टम है जो AI को एक स्व-अपडेट होने वाली निर्देश पुस्तिका (instruction manual) देने जैसा है। हर प्रयास के बाद अपनी गलतियों को भूलने के बजाय, यह उनसे सीखता है, समाधान लिखता है, और हर बार बेहतर, अधिक जटिल इमेज बनाने के लिए उस ज्ञान का उपयोग करता है। यह एक बार के 'ट्रायल-एंड-एरर' (trial-and-error) की प्रक्रिया को निरंतर सुधार के चक्र में बदल देता 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।