🤖 AI

Doomed from the Start: Early Abort of LLM Agent Episodes via a Recall-Controlled Probe Cascade

यह शोध पत्र एक रिकॉल-नियंत्रित प्रोब कैस्केड (recall-controlled probe cascade) प्रस्तुत करता है जो विफल होने वाले एपिसोड्स का पूर्वानुमान लगाने और उन्हें जल्दी रोकने के लिए LLM एजेंटों की हिडन स्टेट्स (hidden states) के हल्के विश्लेषण का लाभ उठाता है, जिससे उपयोगकर्ता द्वारा निर्दिष्ट वैश्विक सफलता दर की गारंटी देते हुए इन्फरेंस कंप्यूट (inference compute) को काफी कम किया जा सकता है।

मूल लेखक: Kai Ruan, Zihe Huang, Ziqi Zhou, Qianshan Wei, Xuan Wang, Hao Sun

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kai Ruan, Zihe Huang, Ziqi Zhou, Qianshan Wei, Xuan Wang, Hao Sun

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, लेकिन कभी-कभी अति-आत्मविश्वासी रोबोट सहायक को एक जटिल पहेली सुलझाने के लिए काम पर रख रहे हैं। यह रोबोट एक कंप्यूटर से बात करता है, एक चाल चलता है, फीडबैक का इंतज़ार करता है, और इस प्रक्रिया को कई बार दोहराता है। कभी-कभी, रोबोट अपनी पहली ही चाल में पहेली को गलत समझ लेता है। हो सकता है कि वह निर्देशों को गलत समझ गया हो या किसी लूप (loop) में फंस गया हो।

समस्या यह है कि रोबोट को पता नहीं चलता कि वह असफल हो रहा है। वह घंटों तक सोचता रहता है, बातें करता है और महंगी कंप्यूटर शक्ति (इन्फरेंस कंप्यूट) का उपयोग करता रहता है, और अंत में ही उसे एहसास होता है कि वह विफल हो गया है। तब तक, आपने बहुत सारा पैसा और समय बर्बाद कर दिया होता है।

यह शोध पत्र एक "स्मार्ट स्टॉप बटन" पेश करता है जो आपको लगभग तुरंत बता सकता है कि क्या रोबमा दूम (विफल होने वाला) है, ताकि आप प्लग खींच सकें और संसाधनों को बचा सकें।

यह कैसे काम करता है, इसे सरल अवधारणाओं में नीचे समझाया गया है:

1. "आंतरिक एकालाप" (Inner Monologue) बनाम "सार्वजनिक चेहरा" (Public Face)

आमतौर पर, यह देखने के लिए कि क्या कोई रोबोट विफल हो रहा है, आपको यह देखना पड़ता है कि वह क्या कहता है और क्या करता है (उसका व्यवहार)।

समस्या: शुरुआत में, एक विफल होता हुआ रोबोट भी एक सफल रोबोट की तरह ही आत्मविश्वासी और सामान्य दिखता है। कुछ राउंड (3 या 4 राउंड) बीतने के बाद ही वह स्पष्ट गलतियाँ करना, खुद को दोहराना, या "मैं यह नहीं कर सकता" कहना शुरू करता है। जब तक आप ये संकेत देखते हैं, रोबोट पहले ही अपने बजट का एक तिहाई हिस्सा खर्च कर चुका होता है।
खोज: शोधकर्ताओं ने पाया कि वे केवल उसके आउटपुट (व्यवहार) को देखने के बजाय, उसके आंतरिक मस्तिष्क गतिविधि (उसके छिपे हुए न्यूरल स्टेट्स) को झाँककर देख सकते हैं।
उपमा: एक पोकर खिलाड़ी की कल्पना करें। यदि आप केवल उनके चेहरे (व्यवहार) को देखते हैं, तो वे खराब हाथ होने पर भी शांत दिख सकते हैं। लेकिन यदि आप उनके हृदय गति और पुतली के फैलाव (आंतरिक संकेतों) को पढ़ सकें, तो आप तुरंत जान जाएंगे कि वे ब्लफ कर रहे हैं या घबरा रहे हैं। शोध पत्र दिखाता है कि रोबोट की "हृदय गति" (आंतरिक सक्रियता) उसके "चेहरे" (व्यवहार) द्वारा कोई संकेत दिखाने से बहुत पहले, यानी पहली ही चाल में विफलता को प्रकट कर देती है।

2. "गेट्स का झरना" (The Cascade of Gates - सुरक्षा चेकपॉइंट्स)

आप रोबोट को केवल एक चाल के बाद नहीं रोक सकते, क्योंकि कभी-कभी रोबोट एक छोटी गलती करता है लेकिन फिर संभल जाता है। यदि आप इसे बहुत जल्दी रोक देते हैं, तो आप अनजाने में एक जीतने वाले खेल को खत्म कर सकते हैं।

इसलिए, लेखकों ने एक "कैस्केड ऑफ गेट्स" बनाया है।

सेटअप: एक गलियारे की कल्पना करें जिसमें रोबोट की यात्रा की शुरुआत में 6 सुरक्षा चेकपॉइंट्स (गेट्स) रखे गए हैं।
नियम: प्रत्येक चेकपॉइंट पर, एक हल्का स्कैनर रोबोट की आंतरिक मस्तिष्क गतिविधि की जांच करता है।
- यदि स्कैनर कहता है, "यह रोबोट निश्चित रूप से विफल होने वाला है," तो रोबोट को तुरंत रोक दिया जाता है। आप यात्रा की शेष लागत बचा लेते हैं।
- यदि स्कैनर कहता है, "यह ठीक हो सकता है," तो रोबोट को अगले चेकपॉइंट तक जाने की अनुमति दी जाती है।
जादू: सिस्टम को इस तरह डिज़ाइन किया गया है कि चेकपॉइंट्स मिलकर काम करते हैं। वे केवल व्यक्तिगत रूप से जांच नहीं करते; वे एक "बजट" साझा करते हैं कि उन्हें कितने अच्छे रोबोटों को गलती से रोकने की अनुमति है। लक्ष्य अधिक से अधिक बुरे रोबोटों को रोकना है, जबकि यह गारंटी देना है कि कम से कम 90% (या 95%, आदि) अच्छे रोबोट सभी गेट्स से सफलतापूर्वक गुजर जाएं।

3. "रिकॉल बजट" (The Recall Budget - सुरक्षा जाल)

शोधकर्ताओं को एक पेचीदा गणितीय समस्या को हल करना था: प्रत्येक गेट कितना सख्त होना चाहिए?

यदि प्रत्येक गेट बहुत सख्त है, तो आप पहले ही गेट पर एक अच्छे रोबोट को रोक सकते हैं।
यदि प्रत्येक गेट बहुत ढीला है, तो आप बुरे रोबोटों पर पैसा बर्बाद करते हैं।
समाधान: उन्होंने एक "सर्च" का उपयोग करके सही मिश्रण खोजा। उन्होंने निर्णय लिया, "हम पहले कुछ गेटों पर बहुत सख्त होंगे (जहाँ हम सबसे अधिक पैसा बचा सकते हैं), और बाद के गेटों पर बहुत उदार होंगे।"
परिणाम: इस "वितरित बजट" (distributed budget) दृष्टिकोण ने परीक्षण किए गए एक मॉडल के लिए 47% कंप्यूटर शक्ति बचाई, जो एक एकल "स्टॉप बटन" द्वारा प्राप्त की जा सकने वाली बचत से लगभग दोगुना है।

4. "ईमानदारी का प्रमाण पत्र" (The Honesty Certificate - अपनी सीमाओं को जानना)

यह शोध पत्र एक व्यावहारिक चिंता को भी संबोधित करता है: "हमें कैसे पता चलेगा कि यह सिस्टम गलती से हमारे सबसे अच्छे रोबोटों को नहीं रोक देगा?"

सिस्टम के साथ एक गणितीय गारंटी (प्रमाण पत्र) आती है जो कहती है, "हमारे पास उपलब्ध डेटा के आधार पर, हम वादा करते हैं कि हम सफल रोबोटों के X% से अधिक को नहीं रोकेंगे।"
सावधानी: शोध पत्र अपनी सीमाओं के बारे में ईमानदार है। यह कहता है, "यदि आप 99% सटीक गारंटी चाहते हैं, तो आपको हमारे पास मौजूद डेटा से कहीं अधिक डेटा की आवश्यकता होगी। हमारे वर्तमान डेटा के साथ, हम केवल 97% सटीकता का वादा कर सकते हैं।"
उपमा: यह मौसम के पूर्वानुमान जैसा है। यदि आपके पास 100 दिनों का डेटा है, तो आप 90% सटीकता के साथ बारिश की भविष्यवाणी आत्मविश्वास से कर सकते हैं। लेकिन यदि आप 99.9% सटीकता के साथ भविष्यवाणी करने की कोशिश करते हैं, तो आपको यह स्वीकार करना होगा, "मेरे पास अभी इतना डेटा नहीं है कि मैं वह वादा कर सकूँ।" शोध पत्र इंजीनियरों को बताता है कि उन्हें अपने वादे करने के लिए कितने डेटा की आवश्यकता है।

परिणामों का सारांश

गति: सिस्टम विफलता का पता पहले ही राउंड में लगा लेता है, जबकि रोबोट के व्यवहार को देखने में 3-4 राउंड लगते हैं।
बचत: विफल होने वाले रोबोटों को जल्दी रोककर, उन्होंने सफल रोबोटों के 90% को उनके कार्य पूरा करने देने के साथ-साथ, कंप्यूटिंग लागत का लगभग आधा (47%) बचा लिया।
दक्षता: रोबोट के आंतरिक "मस्तिष्क तरंगों" का उपयोग करना उसके "व्यवहार" को देखने से कहीं बेहतर था। व्यवहार को मस्तिष्क स्कैन में जोड़ने से कोई मदद नहीं मिली; मस्तिष्क स्कैन पहले से ही सब कुछ जानता था जो उसका व्यवहार अंततः प्रकट करने वाला था।

संक्षेप में, यह शोध पत्र हमें सिखाता है कि कैसे AI एजेंटों के लिए एक "स्मार्ट अर्ली-वार्निंग सिस्टम" बनाया जाए जो उनके आंतरिक विचारों को सुनकर पैसे बचा सके, बिना उन कर्मचारियों को गलती से हटाए जो वास्तव में अच्छा काम कर रहे थे।

तकनीकी सारांश: शुरुआत से ही बर्बाद (Doomed from the Start): रिकॉल-नियंत्रित प्रोब कैस्केड के माध्यम से LLM एजेंट एपिसोड का शीघ्र गर्भपात (Early Abort)

समस्या विवरण

बहु-चरणीय कार्यों (जैसे वेब नेविगेशन, टूल उपयोग) को हल करने वाले बड़े भाषा मॉडल (LLM) एजेंट अक्सर उन पथों (trajectories) के प्रति प्रतिबद्ध हो जाते हैं जो "विफलता के लिए अभिशप्त" (doomed to fail) होते हैं। हालांकि, ये एजेंट अक्सर तब तक पर्याप्त अनुमानित कंप्यूट (inference compute) का उपभोग करना जारी रखते हैं जब तक कि विफलता बाहरी व्यवहार (जैसे टाइमआउट या गलत आउटपुट) के माध्यम से दृश्यमान न हो जाए।

तीन प्राथमिक बाधाएं ऐसे एपिसोड के शीघ्र पता लगाने और उन्हें रोकने (abort) में बाधा डालती हैं:

सिग्नल विलंबता (Signal Latency): शुरुआती दौर में विफलता के व्यवहारिक साक्ष्य (पुनरावृत्ति, त्रुटियां) दुर्लभ होते हैं। केवल दृश्य व्यवहार पर निर्भर रहने वाले स्कोरर पहले दौर में संयोग से थोड़ा ही बेहतर प्रदर्शन करते हैं और केवल तीसरे-चौथे दौर के आसपास सूचनात्मक होते हैं, तब तक काफी मात्रा में सुधारा जात्मक कंप्यूट (recoverable compute) खर्च हो चुका होता है।
नियंत्रणीय हानि (Controllable Harm): किसी भी अबॉर्ट पॉलिसी को "फॉल्स अबॉर्ट" (उन एपिसोड को समाप्त करना जो सफल हो सकते थे) की दर पर गारंटी देनी चाहिए। तैनाती में कार्य पुरस्कार (task reward) को चुपचाप नष्ट करना अस्वीकार्य है; चिकित्सकों को इस जोखिम को पोस्ट-हॉक (घटना के बाद) देखने के बजाय a priori (पूर्व में) सीमित करने की आवश्यकता है।
अनुक्रमिक जाँचों में संचित जोखिम (Accumulating Risk in Sequential Checks): एजेंट एपिसोड में अनुक्रमिक निर्णय बिंदु शामिल होते हैं। भले ही व्यक्तिगत जाँचों में फॉल्स-अबॉर्ट दर कम हो, एक सफल प्रक्षेपवक्र (trajectory) के सभी जाँचों से जीवित रहने की संभावना संचयी होती है। प्रति-राउंड गारंटी स्वचालित रूप से उस एपिसोड-स्तरीय गारंटी में नहीं बदलती जो तैनाती के लिए आवश्यक है।

कार्यप्रणाली (Methodology)

लेखक एक रिकॉल-नियंत्रित अबॉर्ट कैस्केड (Recall-Controlled Abort Cascade) का प्रस्ताव करते हैं, जो एक प्रणाली है जो एजेंट की आंतरिक अवस्थाओं (internal states) की निगरानी करती है ताकि विफलता का पूर्वानुमान लगाया जा सके और सख्त रूप से वैश्विक सफलता रिकॉल (global success recall) को नियंत्रित करते हुए अभिशप्त एपिसोड को जल्दी रोका जा सके।

1. आंतरिक अवस्था प्रोब (Internal State Probes)

दृश्य व्यवहार पर निर्भर रहने के बजाय, प्रणाली एजेंट के आंतरिक हिडन एक्टिवेशन (internal hidden activations) पर हल्के लीनियर प्रोब का उपयोग करती है।

फीचर एक्सट्रैक्शन: प्रत्येक दौर $r$ में, एजेंट द्वारा उत्पन्न किए गए अंतिम टोकन के रेसिडुअल-स्ट्रीम हिडन स्टेट को निकाला जाता है।
मॉडल विशिष्टता: Llama-3.2-3B के लिए, लेयर 14 का उपयोग किया जाता है; Qwen-2.5-7B के लिए, लेयर 20 का उपयोग किया जाता है (AUC स्वैप के माध्यम से निर्धारित)।
स्कोरर: एक लॉजिस्टिक रिग्रेशन मॉडल ( $f_r$ ) प्रत्येक दौर में इन एक्टिवेशन के आधार पर अंततः होने वाली विफलता ( $1-y$ ) की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है।
समय का लाभ (Timing Advantage): ये प्रोब पहले दौर में ही उच्च विभेदक शक्ति (AUC) दिखाते हैं, जो व्यवहार-मात्र स्कोरर के चरम प्रदर्शन (जो राउंड 3-4 तक चरम पर पहुँचते हैं) से मेल खाता है या उससे बेहतर होता है।

2. अबॉर्ट कैस्केड आर्किटेक्चर (The Abort Cascade Architecture)

प्रणाली पहले $R_g$ दौरों (जैसे, राउंड 1–6) में एक "गेट" लगाती है।

तंत्र: दौर $r$ में, प्रोब स्कोर $f_r(x)$ की तुलना थ्रेशोल्ड $\tau_r$ से की जाती है। यदि स्कोर $\tau_r$ से अधिक हो जाता है, तो एपिसोड को रोक दिया जाता है, जिससे शेष कंप्यूट ( $C - c_r$ ) बच जाता है।
कैलिब्रेशन (प्रति-राउंड): थ्रेशोल्ड एक कैलिब्रेशन स्प्लिट पर क्लोपर-पियर्सन (Clopper–Pearson) लोअर कॉन्फिडेंस बाउंड का उपयोग करके सेट किए जाते हैं। एक चुने हुए प्रति-राउंड रिकॉल बजट $t_r$ के लिए, $\tau_r$ वह न्यूनतम थ्रेशोल्ड है जो यह सुनिश्चित करता है कि सफल एपिसोड के जीवित रहने की दर का लोअर बाउंड $\ge t_r$ है। यह प्रत्येक गेट के लिए एक डिस्ट्रीब्यूशन-फ्री गारंटी प्रदान करता है।
वैश्विक बाधा (बजट खोज): चूंकि प्रति-राउंड गारंटी गुणात्मक रूप से संयोजित (compose) नहीं होती हैं, इसलिए रिकॉल बजट का वेक्टर $\mathbf{t} = (t_1, \dots, t_{R_g})$ $t = (t_{1}, \dots, t_{R_{g}})$ एक हाइपरपैरामीटर के रूप में माना जाता है।
- सिस्टम एक अलग वैलिडेशन स्प्लिट पर कंप्यूट बचत को अधिकतम करने के लिए इष्टतम $\mathbf{t}$ की खोज करता है।
- खोज एक वैश्विक रिकॉल लक्ष्य $\rho^\star$ (सफल एपिसोड का वह हिस्सा जो सभी गेट्स से जीवित रहता है) के अधीन है।
- दो रणनीतियाँ सुनिश्चित करती हैं कि वैश्विक लक्ष्य पूरा हो:
  1. मार्जिन (डिफ़ॉल्ट): यह आवश्यक है कि देखा गया वैलिडेशन रिकॉल $\rho^\star + \delta$ (जहाँ $\delta=0.02$ ) से अधिक हो ताकि सिलेक्शन बायस को अवशोषित किया जा सके।
  2. सर्टिफिकेट: वैलिडेशन सेट से गणना किए गए ग्लोबल रिकॉल के औपचारिक क्लोपर-पियर्सन लोअर बाउंड का उपयोग करता है, जो एक डिस्ट्रीब्यूशन-फ्री, a priori सत्यापन योग्य गारंटी प्रदान करता है।

3. प्रयोगात्मक सेटअप (Experimental Setup)

पर्यावरण: TextCraft (AgentGym सूट), एक टेक्स्ट-आधारित क्राफ्टिंग वातावरण।
एजेंट: Llama-3.2-3B और Qwen-2.5-7B।
डेटा: प्रति एजेंट 800 एपिसोड (100 कार्य, 8 एपिसोड/कार्य)।
बेसलाइन: सिंगल-गेट पॉलिसी (केवल एक दौर में रोकना) और यूनिफॉर्म बजट एलोकेशन।

मुख्य परिणाम (Key Results)

1. आंतरिक अवस्थाओं की भविष्य कहने वाली शक्ति (Predictive Power of Internal States)

शीघ्र पता लगाना: आंतरिक एक्टिवेशन पर प्रोब पहले दौर में उच्च AUC प्राप्त करते हैं, जबकि व्यवहार-मात्र स्कोरर लगभग संयोग के बराबर होते हैं। प्रोब दौर 2 में चरम पर पहुँचता है, जबकि व्यवहार स्कोरर दौर 3-4 में चरम पर पहुँचता है।
व्यवहार की अतिरेकता (Redundancy of Behavior): व्यवहारिक फीचर्स को प्रोब में जोड़ने से प्रदर्शन में कोई लाभ नहीं होता है, जो इंगित करता है कि हिडन स्टेट्स में पहले से ही विफलता के सभी प्रासंगिक संकेत मौजूद हैं जो दृश्य व्यवहार में होते हैं।

2. कंप्यूट बचत और रिकॉल नियंत्रण (Compute Savings and Recall Control)

90% वैश्विक रिकॉल लक्ष्य पर:

Qwen-2.5-7B: अनुमानित कंप्यूट में 47.1% ± 10.3% की बचत करता है।
Llama-3.2-3B: अनुमानित कंप्यूट में 37.2% ± 8.8% की बचत करता है।
तुलना: ये बचत बेस्ट सिंगल-गेट पॉलिसी की तुलना में 1.6–1.7× अधिक है।
प्राप्त रिकॉल: कैस्केड हर कॉन्फ़िगरेशन में अपने वैश्विक रिकॉल लक्ष्य को पूरा करता है (विचलन $\le 0.027$ ), जो पुष्टि करता है कि जोखिम नियंत्रण प्रभावी है और यह पोस्ट-हॉक ट्यूनिंग का परिणाम नहीं है।

3. वितरित बजट का मूल्य (Value of Distributed Budgets)

रिकॉल बजट को कई दौरों में वितरित करना महत्वपूर्ण है।

इष्टतम रणनीति रिकॉल बजट को शुरुआती दौर (1–3) में आक्रामक रूप से खर्च करती है जहाँ अभिशप्त एपिसोड की पहचान की जा सकती है और अधिकांश कंप्यूट अनस्पेंट है, जबकि बाद के दौरों में गेट्स को अक्षम कर देती है जहाँ बहुत कम एपिसोड शेष रहते हैं।
यूनिफॉर्म एलोकेशन (दौरों में समान रूप से खर्च करना) खराब प्रदर्शन करता है, जो सख्त लक्ष्यों पर लगभग कुछ भी नहीं बचाता है।

4. सैंपल कॉम्प्लेक्सिटी और सर्टिफिकेशन (Sample Complexity and Certification)

पेपर उच्च रिकॉल लक्ष्यों को प्रमाणित करने के लिए डेटा आवश्यकताओं का वर्णन करता है।
113–115 सफल वैलिडेशन एपिसोड के साथ, सिस्टम **0.974** तक के लक्ष्यों को प्रमाणित कर सकता है।
0.98 और 0.99 के लक्ष्य उपलब्ध डेटा के साथ प्रमाणित नहीं किए जा सकते; सिस्टम रिकॉल गारंटी के उल्लंघन का जोखिम उठाने के बजाय "परहेज" (बचत नहीं करना) करता है। यह पारदर्शिता चिकित्सकों को यह समझने में सक्षम बनाती है कि उनका डेटा क्या समर्थन कर सकता है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि यह कार्य की सफलता को चुपचाप त्याग किए बिना, एजेंटिक LLM सिस्टम की अनुमान लागत (inference cost) को कम करने का एक व्यावहारिक और ईमानदार मार्ग प्रदान करता है। इसके प्राथमिक योगदान हैं:

शीघ्र भविष्यवाणियता (Early Predictability): यह प्रदर्शित करना कि LLM एजेंट की विफलता आंतरिक एक्टिवेशन से पहले इंटरैक्शन दौरों के भीतर ही अनुमानित की जा सकती है, जो व्यवहारिक मॉनिटर्स की तुलना में काफी पहले है।
नियंत्रित अबॉर्ट पॉलिसी (Controlled Abort Policy): पहली ऐसी अबॉर्ट पॉलिसी का प्रस्ताव करना जो कई अनुक्रमिक निर्णय बिंदुओं में एपिसोड-स्तरीय सफलता रिकॉल को नियंत्रित करती है। यह एक वैश्विक बाधा के तहत संयुक्त रूप से अनुकूलित बजटों के साथ प्रति-राउंड, डिस्ट्रीशन-फ्री गेट्स के माध्यम से प्राप्त किया जाता है।
दक्षता लाभ (Efficiency Gains): यह दिखाना कि कैस्केड आर्किटेक्चर रिकॉल लक्ष्यों का सख्ती से पालन करते हुए, कंप्यूट में 47.1% तक की बचत करता है (सिंगल-गेट बेसलाइन से 1.6–1.7× बेहतर)।
डेटा सीमाओं पर पारदर्शिता (Transparency on Data Limits): विशिष्ट रिकॉल वादों को प्रमाणित करने के लिए आवश्यक सैंपल कॉम्प्लेक्सिटी का एक औपचारिक लक्षण वर्णन प्रदान करना, जिससे चिकित्सक डेटा स्केल और उनके अबॉर्ट गारंटियों की कठोरता के बीच ट्रेड-ऑफ को समझ सकें।

लेखक इस बात पर जोर देते हैं कि इस पद्धति के लिए सहायक LLM पास या एजेंट की आत्म-रिपोर्ट्स पर भरोसा करने की आवश्यकता नहीं है, बल्कि यह आंतरिक एक्टिवेशन के नगण्य-लागत वाले रीड और कठोर सांख्यिकीय अंशांकन (calibration) पर निर्भर करती है।