SearchEyes: Towards Frontier Multimodal Deep Search Intelligence via Search World Simulation
SearchEyes एक एकीकृत सिम्युलेटेड सर्च वर्ल्ड पेश करता है जो एक टाइप्ड नॉलेज ग्राफ पर आधारित है जो पर्सेप्शन-नॉलेज चेन्स और हॉप-एंकोर्ड पॉलिसी ऑप्टिमाइजेशन के माध्यम से डेटा, एनवायरनमेंट और रिवॉर्ड सिग्नल्स को एकीकृत करता है, जिससे बाहरी इंजनों या अलग रिवॉर्ड मॉडल्स पर निर्भर हुए बिना मल्टीमॉडल सर्च एजेंट्स में स्टेट-ऑफ-द-आर्ट मल्टी-हॉप रीजनिंग प्रदर्शन सक्षम होता है।
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 बुद्धिमान रोबोट को एक जटिल रहस्य सुलझाना सिखाने की कोशिश कर रहे हैं। रोबोट को एक तस्वीर देखनी होगी, कुछ दस्तावेज़ पढ़ने होंगे और उत्तर खोजने के लिए कड़ियों को जोड़ना होगा। यह वही है जिसे पेपर में "मल्टीमॉडल सर्च एजेंट" (multimodal search agent) कहा गया है।
हालाँकि, इस पेपर के लेखकों ने, SearchEyes, पाया कि जिस तरह से हम आमतौर पर इन रोबोटों को सिखाते हैं वह त्रुटिपूर्ण है। यह किसी को नक्शा, कार और ड्राइविंग टेस्ट देकर गाड़ी चलाना सिखाने जैसा है, लेकिन यह सुनिश्चित करना कि उन तीनों का आपस में कोई मेल ही न हो।
- नक्शा (प्रशिक्षण डेटा/Training Data): आप उन्हें प्रश्नों और उत्तरों की एक सूची देते हैं, लेकिन आप "कैसे करें" वाले चरणों को फेंक देते हैं।
- कार (वातावरण/Environment): आप उन्हें एक वास्तविक, अप्रत्याशित सार्वजनिक सड़क (वास्तविक इंटरनेट) पर गाड़ी चलाने देते हैं जहाँ ट्रैफिक लाइट बदल सकती है या सड़क गायब हो सकती है।
- टेस्ट (पुरस्कार/Rewards): आप उन्हें केवल अंत में "बहुत अच्छा" या "बुरा हुआ" बताते हैं। यदि उन्होंने स्टेप 1 में गलती की, लेकिन स्टेप 10 में वे भाग्यशाली रहे, तो भी उन्हें "बहुत अच्छा" मिल जाता है। वे कभी नहीं सीख पाते कि वे कहाँ गलत हुए थे।
SearchEyes इसे ठीक करने के लिए एक परफेक्ट, स्व-निहित सिमुलेशन बनाता है जहाँ नक्शा, कार और टेस्ट सभी एक ही ब्लूप्रिंट से बने होते हैं।
उन्होंने इसे कैसे किया, यहाँ सरल उपमाओं का उपयोग करके बताया गया है:
1. ब्लूप्रिंट: एक "टाइप्ड" नॉलेज ग्राफ (Typed Knowledge Graph)
अव्यवस्थित, वास्तविक इंटरनेट के बजाय, टीम ने तथ्यों का एक विशाल, व्यवस्थित पुस्तकालय बनाया जिसे नॉलेज ग्राफ कहा जाता है। इसे दुनिया की जानकारी का एक विशाल पारिवारिक वृक्ष (family tree) समझें, लेकिन सख्त नियमों के साथ:
- प्रत्येक व्यक्ति (entity) की एक फोटो, एक जीवनी और संबंधों की एक सूची होती है।
- वे केवल उन्हीं "प्रसिद्ध" लोगों को रखते हैं जिनके पास तीनों (फोटो, जीवनी और संबंध) मौजूद हैं ताकि रोबोट फोटो देखने और टेक्स्ट पढ़ने दोनों का अभ्यास कर सके।
2. प्रशिक्षण कोर्स: "परसेप्शन-नॉलेज चेन्स" (Perception-Knowledge Chains - PKC)
रोबोट को प्रशिक्षित करने के लिए, उन्होंने केवल रैंडम प्रश्न नहीं लिखे। उन्होंने परसेप्शन-नॉलेज चेन्स (PKC) नामक एक विशेष रेसिपी का उपयोग किया।
- उपमा: कल्पना कीजिए कि एक स्कैवेंजर हंट (खजाने की खोज) है जहाँ आपको एक फोटो देखने और एक सुराग पढ़ने के बीच बारी-बारी से काम करना है।
- स्टेप 1 (परसेप्शन): "इस आदमी की फोटो देखो। वह कौन है?" (रोबोट को छवि से व्यक्ति की पहचान करनी होगी)।
- स्टेप 2 (नॉलेज): "अब, देखें कि वह किस टीम के लिए खेला था।" (रोबोट को टेक्स्ट खोजना होगा)।
- स्टेप 3 (परसेप्शन): "उस स्टेडियम की फोटो ढूंढें जहाँ वह टीम खेलती है।"
- जादू: सिस्टम इन प्रश्नों को स्वचालित रूप से उत्पन्न करता है लेकिन बैकग्राउंड में एक "चीट शीट" (तथ्यों का सटीक पथ) छिपा कर रखता है। यह सुनिश्चित करता है कि रोबोट पहेली को हल करने के लिए लंबी, बहु-चरणीय प्रक्रिया का पालन करे, न कि तुरंत उत्तर का अनुमान लगाए।
3. ड्राइविंग सिम्युलेटर: एक "स्व-निहित सर्च वर्ल्ड" (Self-Contained Search World)
वास्तविक दुनिया में, यदि आप सर्च इंजन से कुछ पूछते हैं, तो परिणाम कल बदल सकते हैं। SearchEyes की दुनिया में, "सर्च इंजन" वास्तव में उनके द्वारा बनाए गए पुस्तकालय का एक विशाल, प्री-लोडेड डेटाबेस है।
- लाभ: यह 100% पुनरुत्पादित (reproducible) है। यदि रोबोट "क्रिस्टियानो रोनाल्डो" खोजता है, तो उसे हमेशा ठीक वही शीर्ष 5 परिणाम मिलेंगे। यह वास्तविक इंटरनेट की अराजकता को हटा देता है, जिससे रोबोट टूटे हुए लिंक या बदलती वेबसाइटों से विचलित हुए बिना खोजने के तर्क को सीख सकता है।
4. कोच: "हॉप-एंकोर्ड" फीडबैक (Hop-Anchored Feedback - HaPO)
यह सबसे महत्वपूर्ण नवाचार है। सामान्य प्रशिक्षण में, कोच केवल अंत में कहता है "आपने उत्तर सही दिया!"
- समस्या: यदि रोबोट ने वहां तक पहुँचने के लिए 10 कदम उठाए, तो कोच को यह नहीं पता होता कि कौन सा कदम शानदार था और कौन सा केवल एक तुक्का था।
- SearchEyes का समाधान: क्योंकि उन्होंने "चीट शीट" (तथ्यों का सटीक पथ) रखी है, वे एक ऐसे कोच की तरह कार्य कर सकते हैं जो हर कदम पर नज़र रखता है।
- "स्टेप 3 में स्टेडियम की फोटो खोजने के लिए बहुत बढ़िया!"
- "ओह, आपने स्टेप 2 में गलत टीम चुनी। चलिए इसे फिर से प्रयास करते हैं।"
- रूपक: पूरी परीक्षा को एक स्कोर के साथ ग्रेड करने के बजाय, वे हर एक प्रश्न के लिए एक ग्रेड देते हैं। यह रोबोट को बहुत तेज़ी से सीखने में मदद करता है क्योंकि उसे पता होता है कि कहाँ सुधार करना है।
परिणाम
जब उन्होंने इस नई पद्धति (SearchEyes) का छह अलग-अलग कठिन परीक्षणों (चित्रों और टेक्स्ट से संबंधित) पर परीक्षण किया:
- इसने उन सभी ओपन-सोर्स रोबोटों को पछाड़ दिया जो यही काम करने की कोशिश करते हैं।
- उनके छोटे रोबोट (27 बिलियन "ब्रेन सेल्स") ने बड़ी टेक कंपनियों के बहुत बड़े, महंगे रोबोटों से बेहतर प्रदर्शन किया।
- इसने साबित कर दिया कि रोबोट को एक संरचित, चरण-दर-चरण प्रशिक्षण दुनिया और सटीक फीडबैक देकर, आपको शानदार परिणाम प्राप्त करने के लिए विशाल सुपरकंप्यूटर की आवश्यकता नहीं है।
संक्षेप में: SearchEyes ने रोबोटों को अराजक वास्तविक इंटरनेट में फेंककर सिखाने की कोशिश करना बंद कर दिया। इसके बजाय, उन्होंने एक परफेक्ट, नियंत्रित ट्रेनिंग जिम बनाया जहाँ रोबोट विशिष्ट कौशल का अभ्यास करता है, हर चाल पर ग्रेड प्राप्त करता है, और अविश्वसनीय दक्षता के साथ जटिल दृश्य रहस्यों को सुलझाना सीखता 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।