UNIBROWSE: A Data-to-Agent Framework for Multimodal BrowseComp
यह शोधपत्र UNIBROWSE को प्रस्तुत करता है, जो एक नवीन डेटा-टू-एजेंट फ्रेमवर्क है जो तीनों मल्टीमॉडल ब्राउज़िंग सूचना-प्रवाह पैटर्नों को कवर करने वाला व्यापक प्रशिक्षण डेटा उत्पन्न करता है और एक 35B-स्केल के एजेंट को प्रशिक्षित करने के लिए एक्सप्लोरेशन-अवेयर रीइन्फोर्समेंट लर्निंग का उपयोग करता है, जो मल्टीमॉडल BrowseComp बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करता है और अपने बेस मॉडल तथा अग्रणी क्लोज्ड-सोर्स एजेंटों दोनों से काफी बेहतर प्रदर्शन करता 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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन केवल एक नोटपैड पर कुछ सुराग पढ़ने के बजाय, आपको उत्तर खोजने के लिए एक लाइब्रेरी, एक फोटो एल्बम और एक लाइव न्यूज़ फीड के बीच कूदना पड़ता है। यही एक "मल्टीमॉडल ब्राउज़कंप" (Multimodal BrowseComp) कार्य है: एक अत्यंत कठिन पहेली जहाँ एक AI एजेंट को टेक्स्ट पढ़ना, चित्रों को देखना और समाधान खोजने के लिए सर्च टूल्स का उपयोग करना होता है, जो केवल एक वेबपेज पर मौजूद नहीं है।
लंबे समय तक, हम जिन AI जासूसों को प्रशिक्षित कर रहे थे, वे थोड़े एकतरफा थे। वे टेक्स्ट के सुराग पढ़ने या एक तस्वीर देखने और फिर उत्तर खोजने के लिए टेक्स्ट पढ़ने में माहिर थे (जैसे किसी कुत्ते की फोटो देखकर यह खोजना कि "इसकी नस्ल क्या है?")। लेकिन वे इसके विपरीत काम करने में बहुत खराब थे: यानी टेक्स्ट पढ़कर यह पता लगाना कि उन्हें चित्र में क्या ढूँढना है (जैसे किसी अजीब इमारत के विवरण को पढ़ना और फिर उसके आकार की पुष्टि करने के लिए फोटो खोजना)।
बड़ी खोज: "यूनिब्राउज़" (UniBrowse) जासूस
इस शोध के पीछे के शोधकर्ताओं ने, पेकिंग यूनिवर्सिटी की एक टीम ने, UNIBROWSE नामक एक नया प्रशिक्षण तंत्र बनाया है। इसे एक सुपर-स्मार्ट ट्रेनिंग कैंप की तरह समझें जो अंततः AI एजेंटों को तीनों प्रकार के सुरागों को संभालने के लिए सिखाता है:
- केवल टेक्स्ट (Text-only): केवल तथ्यों को पढ़ना और उन्हें जोड़ना।
- इमेज-टू-टेक्स्ट (Image-to-Text): एक फोटो से शुरू करना और उसकी कहानी ढूंढना।
- टेक्स्ट-टू-इमेज (Text-to-Image): पहले एक कहानी पढ़ना, फिर यह साबित करने के लिए मिलान करने वाला फोटो खोजना कि वह सच है।
इससे पहले, अधिकांश ट्रेनिंग कैंप केवल पहले दो प्रकारों को कवर करते थे। लेखक तर्क देते हैं कि तीसरे प्रकार (Text-to-Image) को अनदेखा करने से AI "अल्प-प्रशिक्षित" (undertrained) रह जाता है, विशेष रूप से उन वास्तविक दुनिया के परिदृश्यों के लिए जहाँ आपको किसी तथ्य को विजुअल रूप से सत्यापित करने की आवश्यकता होती है। उन्होंने यह भी देखा कि पिछले तरीके ऐसे थे जैसे किसी शहर में बिना सोचे-समझे घूमना (जिससे बहुत सारे शोर और गलत मोड़ आते हैं) या केवल एक आदर्श, नकली मानचित्र को देखना (जो वास्तविक दुनिया से मेल नहीं खाता)। UNIBROWSE इसे ठीक करता है क्योंकि यह एक ठोस "मानचित्र" (नॉलेज ग्राफ) से शुरू होता है लेकिन फिर AI को यह सुनिश्चित करने के लिए वास्तविक इंटरनेट से लाइव, रियल-टाइम साक्ष्य जुटाने के लिए भेजता है कि सुराग असली हैं।
"एक्सप्लोरेशन" फ़िल्टर: फालतू चीजों को हटाना
यहाँ चालाकी भरा हिस्सा है: शोधकर्ताओं ने महसूस किया कि सभी अभ्यास प्रश्न समान नहीं होते। कुछ समस्याओं को हल करने का केवल एक ही उबाऊ तरीका होता है, जबकि अन्य एजेंटों को अलग-अलग रास्ते आज़माने, पीछे हटने और फिर से प्रयास करने के लिए मजबूर करते हैं।
इसे ठीक करने के लिए, उन्होंने "एक्सप्लोरेशन डिग्री" (exploration degree) नामक एक नया मीट्रिक बनाया। कल्पना कीजिए कि आप एक छात्र के होमवर्क को ग्रेड दे रहे हैं। यदि हर छात्र गणित के सवाल को बिल्कुल एक ही आसान तरीके से हल करता है, तो आप बहुत कुछ नहीं सीखते। लेकिन यदि कुछ छात्र शॉर्टकट अपनाते हैं, अन्य फंस जाते हैं और पीछे हटते हैं, और कुछ एक नया रास्ता खोज लेते हैं, तो वहीं वास्तविक सीखना होता है।
टीम ने इस "एक्सप्लोरेशन डिग्री" का उपयोग अपने डेटा को फ़िल्टर करने के लिए किया। उन्होंने उबाऊ, एक-रास्ते वाले प्रश्नों को हटा दिया और केवल शीर्ष 30% सबसे "एक्सप्लोरेटरी" (खोजपूर्ण) प्रश्नों को रखा। इसने उनके सुदृढीकरण लर्निंग (Reinforcement Learning - वह हिस्सा जहाँ AI ट्रायल और एरर से सीखता है) को बहुत अधिक कुशल बना दिया, जिससे ध्यान केवल उन पहेलियों पर केंद्रित हुआ जो वास्तव में एजेंट को गहराई से सोचना सिखाती हैं।
परिणाम: एक नया चैंपियन
इस पाइपलाइन का उपयोग करके, उन्होंने एक 35-बिलियन-पैरामीटर वाला AI एजेंट (एक बहुत बड़ा मस्तिष्क) बनाया। उन्होंने केवल अनुमान नहीं लगाया कि यह काम करेगा; उन्होंने इसे पांच अलग-अलग कठिन बेंचमार्क के खिलाफ मापा।
परिणाम प्रभावशाली थे। उनके नए एजेंट, UniBrowse ने इन परीक्षणों में औसतन 54.4 की सटीकता प्राप्त की।
- यह इसके बेस मॉडल (Qwen3.5-35B-A3B) की तुलना में 10.5 अंक की छलांग है, जो 43.9 से शुरू हुआ था।
- इसने कई प्रसिद्ध "क्लोज्ड-सोर्स" दिग्गजों (जैसे GPT-5 और Gemini-2.5 Pro) को हराया, जिन्होंने क्रमशः 42.9 और 44.8 स्कोर किया था।
- इसने Kimi K2.5 (50.8) जैसे अन्य ओपन-सोर्स मॉडलों को भी पछाड़ दिया।
वे क्या दावा नहीं करते
यह जानना महत्वपूर्ण है कि यह पेपर क्या नहीं कहता। लेखक सावधानी बरतते हुए नोट करते हैं कि हालांकि Uni-Browse सबसे अच्छा ओपन-सोर्स एजेंट है जिसे उन्होंने देखा है, फिर भी इसने अब तक के सबसे शक्तिशाली प्रोप्रायटरी सिस्टम (जैसे Gemini-3.1 Pro, जिसने 63.2 हासिल किया) को नहीं हराया है। वे यह भी स्वीकार करते हैं कि उनका एजेंट सार्वजनिक वेब ब्राउजिंग (टेक्स्ट और इमेज के साथ) तक सीमित है; यह अभी इंटरैक्टिव वेबसाइटों, वीडियो या मानचित्रों को नहीं संभाल सकता। वे सुझाव देते हैं कि इस शेष अंतर को पाटने के लिए बड़े मॉडल और बेहतर टूल्स की आवश्यकता हो सकती है, लेकिन वे ब्राउज़िंग की पूरी समस्या को हल करने का दावा नहीं करते हैं।
निष्कर्ष
तीनों प्रकार के सुरागों (टेक्स्ट, इमेज-टू-टेक्स्ट, और टेक्स्ट-टू-इमेज) को कवर करने वाले एक प्रशिक्षण तंत्र को बनाकर और उबाऊ अभ्यास समस्याओं को फ़िल्टर करके, UNIBROWSE टीम ने एक ऐसा AI एजेंट बनाया है जो इंटरनेट पर जटिल, बहु-चरणीय रहस्यों को सुलझाने में काफी बेहतर है। यह एक ठोस प्रगति है, जो साबित करती है कि आपके एजेंट को प्रशिक्षित करने का तरीका उतना ही मायने रखता है जितना कि उसका मस्तिष्क कितना बड़ा 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।