🤖 AI

SETA: Scaling Environments for Terminal Agents

यह शोध पत्र SETA को पेश करता है, जो सत्यापन योग्य टर्मिनल वातावरण उत्पन्न करने के लिए एक स्केलेबल फ्रेमवर्क है जो अपने प्रकार का सबसे बड़ा ओपन-सोर्स डेटासेट (SETA-Env) बनाता है, जिससे Qwen3-8B जैसे RL-प्रशिक्षित मॉडल टर्मिनल एजेंट बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करने में सक्षम होते हैं।

मूल लेखक: Qijia Shen, Zhiqi Huang, Vamsidhar Kamanuru, Aznaur Aliev, Jay Rainton, Ahmed Awelkair, Zhichen Zeng, Jiajun Li, Shi Dong, Yueming Yuan, Boyuan Ma, Qizheng Zhang, Jiwei Fu, Yuzhen Mao, Wendong Fan, Pi

प्रकाशित 2026-07-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qijia Shen, Zhiqi Huang, Vamsidhar Kamanuru, Aznaur Aliev, Jay Rainton, Ahmed Awelkair, Zhichen Zeng, Jiajun Li, Shi Dong, Yueming Yuan, Boyuan Ma, Qizheng Zhang, Jiwei Fu, Yuzhen Mao, Wendong Fan, Ping Nie, Philip Torr, Bernard Ghanem, Changran Hu, Jonathan Lingjie Li, Urmish Thakker, Guohao Li

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 सुपर-स्मार्ट रोबोट को कंप्यूटर का कमांड लाइन (वह टेक्स्ट-ओनली स्क्रीन जहाँ आप ls या cd जैसे कमांड टाइप करते हैं) इस्तेमाल करना सिखाने की कोशिश कर रहे हैं। यह एक जादूगर को मंत्र चलाने के लिए सिखाने जैसा है, जहाँ उसे केवल एक बहुत ही शाब्दिक (literal), बहुत ही सख्त जिन्न से फुसफुसाकर बात करने की अनुमति है। वह जिन्न (कंप्यूटर) बिल्कुल वही करता है जो आप उससे कहते हैं, लेकिन अगर आप एक सूक्ष्म विवरण भी चूक जाते हैं, तो मंत्र विफल हो जाता है और कमरा अंधेरा हो जाता है।

लंबे समय तक, इन "टर्मिनल एजेंटों" को सिखाना एक बुरा सपना रहा है। क्यों? क्योंकि आप किसी इंसान से यह नहीं कह सकते कि वे अपने द्वारा टाइप किए गए हर संभव कमांड को लिख दें। और यदि कोई रोबोट खुद के अभ्यास के लिए समस्याएं बनाने की कोशिश करता है, तो वह अक्सर ऐसे पहेलियाँ बनाता है जिन्हें हल करना असंभव होता है या जो वास्तव में कुछ उपयोगी नहीं सिखातीं। यह साइकिल चलाने के बारे में किसी ऐसे व्यक्ति द्वारा लिखी गई किताब पढ़ने जैसा है जिसने कभी साइकिल को छुआ तक नहीं।

यहाँ आता है SETA (स्केलिंग एनवायरनमेंट्स फॉर टर्मिनल एजेंट्स)। SETA को एक जादुई, स्व-अपडेट होने वाले "प्रशिक्षण जिम" के रूप में सोचें। इन रोबोट जादूगरों के लिए केवल ड्रिल की एक स्थिर सूची देने के बजाय, SETA एक पूरी दुनिया बनाता है जहाँ वे वास्तविक समय में अभ्यास कर सकते हैं, असफल हो सकते हैं और सीख सकते हैं।

दो-चरणीय जादू का खेल

शोधकर्ताओं ने SETA को दो चतुर पाइपलाइनों का उपयोग करके बनाया है जो एक मास्टर शेफ और उसके सहायक शेफ (sous-chef) की तरह मिलकर काम करते हैं:

"शेफ" (SETA-Synth): यह हिस्सा इंटरनेट से असली दुनिया की रेसिपी लेने के लिए बाहर जाता है। यह उन जगहों को देखता है जहाँ वास्तविक इंसान समस्याओं को हल करते हैं, जैसे Stack Overflow (जहाँ लोग पूछते हैं "मैं इस टूटे हुए कोड को कैसे ठीक करूँ?") या Kaggle (जहाँ डेटा वैज्ञानिक अपने वर्कबुक्स साझा करते हैं)। यह इन वास्तविक जीवन की पहेलियों को लेता है और उन्हें एक मानकीकृत "प्रशिक्षण वातावरण" में बदल देता है। यह एक अस्त-व्यस्त, वास्तविक दुनिया की रसोई की आपदा को एक साफ, सुरक्षित अभ्यास रसोई में बदलने जैसा है जिसका लक्ष्य स्पष्ट है: "स्टोव को ठीक करें ताकि सूप जले नहीं।"
- महत्वपूर्ण जाँच: सिस्टम केवल रोबोट शेफ पर भरोसा नहीं करता है। यह एक "नो-ऑप" (no-op) टेस्ट चलाता है (कुछ नहीं करता और जाँचता है कि क्या रसोई अभी भी सुरक्षित है) और एक "ओरेकल" (oracle) टेस्ट चलाता है (क्या आदर्श समाधान काम करता है?)। यदि रोबोट का समाधान विफल हो जाता है, तो एक विशेष "ट्रैजेक्टरी जज" (Trajectory Judge) हस्तक्षेप करता है। यह जज एक सख्त रेफरी की तरह है जो देखता है कि रोबोट क्यों विफल हुआ। यदि रोबोट इसलिए विफल हुआ क्योंकि पहेली ही खराब थी (एक डिज़ाइन दोष), तो उस पहेली को कचरे में फेंक दिया जाता है। यदि वह इसलिए विफल हुआ क्योंकि रोबोट को बस अधिक अभ्यास की आवश्यकता थी, तो पहेली वहीं रहती है।
"सहायक शेफ" (SETA-Evol): यह अनुकूलन योग्य (adaptive) हिस्सा है। कल्पना कीजिए कि आप एक रोबोट को प्रशिक्षित कर रहे हैं। यदि पहेलियाँ बहुत आसान हैं, तो रोबोट ऊब जाएगा और कुछ नहीं सीखेगा। यदि वे बहुत कठिन हैं, तो वह हार मान लेगा। SETA-Evol देखता है कि रोबोट कैसा प्रदर्शन कर रहा है।
- यदि रोबोट किसी कार्य में महारत हासिल कर रहा है (इसे 100% समय हल कर रहा है), तो सिस्टम इसे अधिक चरणों या पेचीदा मामलों को जोड़कर कठिन बना देता है।
- यदि रोबोट फंसा हुआ है और विफल हो रहा है, तो सिस्टम एक चरण हटाकर या संकेत देकर इसे आसान बना देता है।
- यदि रोबोट ठीक कर रहा है लेकिन उसे विविधता की आवश्यकता है, तो सिस्टम संदर्भ (context) को बदल देता है। शायद वह एक लिनक्स सर्वर को ठीक कर रहा था; अब, वह एक विंडोज सर्वर को ठीक कर रहा है, लेकिन तर्क (logic) वही है। यह रोबोट को तेज और अनुकूलनीय बनाए रखता है।

परिणाम: एक रोबोट जो वास्तव में सीखता है

टीम ने इस सिस्टम को परीक्षण में डाला। उन्होंने Qwen3-8B (एक रोबोट मस्तिष्क जिसमें 8 बिलियन "न्यूरॉन्स" हैं) नामक एक मॉडल लिया और इस नए जिम का उपयोग करके उसे प्रशिक्षित किया।

स्कोर: प्रशिक्षण से पहले, रोबोट टर्मिनल-बेंच 2.0 नामक एक मानक परीक्षण पर कठिन टर्मिनल चुनौतियों में केवल 3.6% को हल कर सकता था। SETA के साथ प्रशिक्षण के बाद, यह 12% पर पहुँच गया। यह 3.3 गुना सुधार है!
तुलना: यह परिणाम इस आकार के (8 बिलियन पैरामीटर्स) किसी भी रोबोट के लिए सबसे अच्छा है जिसे रीइन्फोर्समेंट लर्निंग (प्रयास और त्रुटि से सीखना) का उपयोग करके रिपोर्ट किया गया है। यह बड़े, प्रोप्रायटरी मॉडल्स के करीब भी पहुँच गया।
ट्रांसफर: उन्होंने इसे एक अलग, अधिक शक्तिशाली रोबोट DeepSeek-V4-Flash पर भी आज़माया। भले ही यह रोबोट पहले से ही काफी अच्छा था, SETA प्रशिक्षण ने इसे बढ़ावा दिया, इसकी सफलता दर को 40% से बढ़ाकर 43% कर दिया। यह सुझाव देता है कि प्रशिक्षण केवल एक विशिष्ट रोबोट के लिए एक ट्रिक नहीं है; यह टर्मिनल कौशल सिखाने का एक वास्तविक तरीका है।

SETA क्या नहीं है

यह महत्वपूर्ण है कि यह पेपर क्या दावा नहीं करता है। लेखक बहुत सावधान हैं कि वे यह न कहें कि उन्होंने टर्मिनल एजेंटों को "हल" कर दिया है।

उन्होंने यह नहीं कहा कि यह हर रोबोट के लिए काम करता है। उन्होंने कुछ विशिष्ट रोबोटों (Qwen और DeepSeek) पर इसका परीक्षण किया।
उन्होंने यह नहीं कहा कि यह सभी कंप्यूटर इंटरफेस के लिए काम करता है। यह विशेष रूप से टेक्स्ट-आधारित कमांड लाइन के लिए है, स्क्रीन पर आइकन क्लिक करने या माउस का उपयोग करने के लिए नहीं।
उन्होंने यह दावा नहीं किया कि डेटा एकदम सही है। उन्होंने स्पष्ट रूप से उल्लेख किया है कि उन्हें "टूटी हुई" पहेलियों को फ़िल्टर करना पड़ा और सिस्टम इस बात पर निर्भर करता है कि रोबलेट अपने काम को सत्यापित करने में कितना सक्षम है।

मुख्य निष्कर्ष (The Takeaway)

पेपर सुझाव देता है कि यदि आप एक रोबोट को कंप्यूटर विजार्ड बनने के लिए सिखाना चाहते हैं, तो आप उसे केवल एक पाठ्यपुस्तक नहीं दे सकते। आपको उसके लिए एक ऐसा जिम बनाना होगा जहाँ व्यायाम कठिन होते जाएं जैसे-जैसे वह मजबूत होता जाए, और जहाँ प्रत्येक अभ्यास की जाँच की जाए कि वह वास्तव में हल करने योग्य है या नहीं।

वास्तविक दुनिया की मानवीय समस्याओं को एक ऐसे सिस्टम के साथ जोड़ने के साथ जो लगातार कठिनाई को समायोजित करता है, SETA ने 4,500 से अधिक सत्यापित प्रशिक्षण वातावरणों का डेटासेट बनाया। यह कोई जादुई छड़ी नहीं है जो रातोंरात रोबोटों को पूर्ण बना देती है, बल्कि यह एक शक्तिशाली नया उपकरण है जो बताता है कि हम रोबोट लर्निंग को एक ऐसे तरीके से स्केल कर सकते हैं जो वास्तव में काम करता है। रोबोट ने केवल उत्तरों को रटा नहीं; उसने सीखा कि कंप्यूटर टर्मिनल की अव्यवस्थित, अप्रत्याशित वास्तविकता के माध्यम से कैसे सोचा जाए।

तकनीकी सारांश: SETA: टर्मिनल एजेंटों के लिए स्केलेबल एनवायरनमेंट (Scaling Environments for Terminal Agents)

समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग तेजी से उन एजेंटों के रूप में किया जा रहा है जो वेब और ग्राफिकल यूजर इंटरफेस (GUIs) सहित विविध इंटरफेस के साथ इंटरैक्ट करते हैं। इनमें से, टर्मिनल कमांड लाइन एक टेक्स्ट-आधारित, सामान्य-उद्देश्य वाला इंटरफेस है जो सिस्टम ऑपरेशंस, डेटा साइंस और मशीन लर्निंग कार्यों को कवर करता है। हालांकि, टर्मिनल एजेंटों के प्रशिक्षण (training) को स्केल करना एक महत्वपूर्ण बाधा बना हुआ है। सॉफ्टवेयर इंजीनियरिंग एजेंटों के विपरीत, जो GitHub पुल रिक्वेस्ट जैसे प्राकृतिक पर्यवेक्षण संकेतों (supervision signals) पर निर्भर करते हैं, टर्मिनल कार्यों में ग्राउंडेड पर्यवेक्षण का अभाव होता है। इसके अलावा, मौजूदा दृष्टिकोण विविध कार्य निर्देशों, निष्पादन योग्य वातावरण (executable environments) और विश्वसनीय सत्यापन तर्क (verification logic) को एक साथ संश्लेषित करने में संघर्ष करते हैं। महत्वपूर्ण रूप से, वर्तमान विधियों में अक्सर एडेप्टिव डिफिकल्टी कंट्रोल (adaptive difficulty control) की कमी होती है, जिसके परिणामस्वरूप डेटा वितरण संश्लेषण स्रोत (synthesis source) की ओर झुका रहता है, न कि उस "प्रोडक्टिव RL ज़ोन" की ओर जहाँ कार्य चुनौतीपूर्ण होते हुए भी मॉडल के लिए सीखने योग्य होते हैं।

कार्यप्रणाली (Methodology)

लेखक SETA (Scaling Environments for Terminal Agents) का प्रस्ताव करते हैं, जो Reinforcement Learning (RL) के लिए सत्यापन योग्य (verifiable) टर्मिनल वातावरण उत्पन्न करने के लिए डिज़ाइन किया गया एक स्केलेबल फ्रेमवर्क है। यह फ्रेमवर्क एक एकीकृत सत्यापन तंत्र (unified verification mechanism) साझा करते हुए दो क्रमिक पाइपलाइनों के माध्यम से संचालित होता है:

1. SETA-Synth: सोर्स-एडेप्टिव सिंथेसिस (Source-Adaptive Synthesis)

यह पाइपलाइन विविध, मानव-सत्यापित स्रोतों को मानकीकृत, सत्यापन योग्य टर्मिनल वातावरण में परिवर्तित करती है।

स्रोत (Sources): यह कम्युनिटी Q&A प्लेटफॉर्म (Stack Overflow, Unix & Linux StackExchange), डेटा साइंस नोटबुक (Kaggle), और क्यूरेटेड कमांड डेटासेट्स (NL2Bash) से डेटा एकत्र करता है।
आर्किटेक्चर (Architecture): यह एक Idea Agent का उपयोग करके एक सोर्स-एडेप्टिव आर्किटेक्चर का उपयोग करता है, जो कच्चे स्रोत उदाहरणों को एक एकीकृत मध्यवर्ती ड्राफ्ट स्पेसिफिकेशन में बदल देता है। यह एजेंट प्रारूप भिन्नताओं को संभालने के लिए सोर्स-विशिष्ट एडेप्टर का उपयोग करता है जबकि एक सामान्य टास्क-डिज़ाइन फ्रेमवर्क को बनाए रखता है।
इंस्टैंशिएशन (Instantiation): एक Datapoint Agent फिर इन ड्राफ्ट्स को पूर्ण वातावरण में इंस्टैंशिएट करता है, जिसमें Dockerfiles, ग्राउंड-ट्रुथ सॉल्यूशन स्क्रिप्ट्स (solve.sh), टेस्ट सूट्स (test_state.py, test.sh), और टास्क निर्देश उत्पन्न किए जाते हैं।
सत्यापन (Verification): पाइपलाइन एक SWE-bench-शैली के सत्यापन प्रोटोकॉल को लागू करती है:
- No-op Test: यह सुनिश्चित करता है कि एजेंट के हस्तक्षेप के बिना वातावरण विफल हो जाए।
- Oracle Test: पुष्टि करता है कि ग्राउंड-ट्रुथ सॉल्यूशन सभी टेस्ट पास करता है।
- Post-Rollout Verification: एक अलग Trajectory Judge Agent 100% रोलआउट विफलता दर वाले कार्यों का ऑडिट करता है ताकि वास्तविक कठिनाई और व्यवस्थित डिज़ाइन दोषों (जैसे, टेस्ट में अनकहे कन्वेंशन) के बीच अंतर किया जा सके, और डेटासेट प्रदूषण को रोकने के लिए बाद वाले को हटा दिया जाता है।

2. SETA-Evol: एडेप्टिव इवोल्यूशन (Adaptive Evolution)

यह पाइपलाइन प्रशिक्षण मॉडल के प्रदर्शन के आधार पर कठिनाई और श्रेणी वितरण को एडेप्टिव रूप से नया आकार देकर डेटासेट का विस्तार करती है।

रणनीति चयन (Strategy Selection): एक विशिष्ट कार्य पर मॉडल की पास रेट ( $r$ $r$ ) के आधार पर, SETA-Evol एक इवोल्यूशन ऑपरेटर चुनता है:
- कठिनाई वृद्धि ( $d_1$ ): आसान कार्यों ( $r > 0.5$ ) के लिए, यह बाधाएं (constraints), एज केसेस, या मल्टी-स्टेप डिपेंडेंसी जोड़ता है ताकि कार्यों को प्रोडक्टिव फ्रंटियर की ओर धकेला जा सके।
- कॉन्टेक्स्ट शिफ्ट ( $b_1$ ): मध्यम-कठिनाई वाले कार्यों ( $r \in (0, 0.5]$ ) के लिए, यह डोमेन या टूलसेट को बदल देता है (उदाहरण के लिए, sklearn को caret से, या systemd को init.d से बदलना) जबकि विविधता बढ़ाने के लिए कठिनाई को बरकरार रखता है।
- कठिनाई में कमी ( $d_1$ ): कठिन कार्यों ( $r \approx 0$ ) के लिए, यह स्टेप्स या एज केसेस को हटाकर कार्य को सरल बनाता है ताकि इसे सीखने योग्य बनाया जा सके।
पुनरावृत्ति प्रक्रिया (Iterative Process): विकसित (evolved) कार्यों को सिंथेसाइज किए गए कार्यों की तरह ही कठोर सत्यापन पाइपलाइन से गुजरना पड़ता है, जिससे उच्च-गुणवत्ता वाले डेटा का निरंतर स्केलिंग सुनिश्चित होता है।

मुख्य योगदान (Key Contributions)

SETA-Synth पाइपलाइन: एक नवीन संश्लेषण विधि जो प्रति-स्रोत एडेप्टर का उपयोग करके और ऑरेकल वेरिफिकेशन द्वारा छूटे हुए दोषों को पकड़ने के लिए पोस्ट-रोलआउट ट्राजेक्टरी जज का उपयोग करके विविध, मानव-सत्यापित स्रोतों में टर्मिनल वातावरण जनरेशन को ग्राउंड करती है।
SETA-Evol फ्रेमवर्क: एक कठिनाई-एडेप्टिव इवोल्यूशन सिस्टम जो प्रशिक्षण मॉडल की क्षमता सीमा (capability frontier) के अनुसार कार्य की कठिनाई को कैलिब्रेट करता है, जिससे वितरण को प्रोडक्टिव RL ज़ोन की ओर स्थानांतरित किया जाता है और कॉन्टेक्स्टुअल विविधता बढ़ाई जाती है।
SETA-Env डेटासेट: अब तक का सबसे बड़ा ओपन-सोर्स सत्यापन योग्य टर्मिनल RL डेटासेट, SETA-Env का रिलीज, जिसमें 14 श्रेणियों (जैसे, सिस्टम एडमिनिस्ट्रेशन, मशीन लर्निंग, डेटा प्रोसेसिंग) में 4,567 वातावरण शामिल हैं।
स्टेट-ऑफ-द-आर्ट परिणाम: टर्मिनल बेंचमार्क्स पर RL-प्रशिक्षित मॉडल्स का उपयोग करके महत्वपूर्ण प्रदर्शन लाभ का प्रदर्शन।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने SETA-Env पर ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO) का उपयोग करके Qwen3-8B और DeepSeek-V4-Flash को प्रशिक्षित करके अपने फ्रेमवर्क का मूल्यांकन किया।

Terminal-Bench 2.0 प्रदर्शन:
- Qwen3-8B: RL-प्रशिक्षित मॉडल ने Terminal-Bench 2.0 पर 12% pass@1 प्राप्त किया, जो बेस मॉडल (3.6%) की तुलना में 3.3x सुधार है। यह 8B-स्केल RL-प्रशिक्षित मॉडल के लिए सर्वश्रेष्ठ रिपोर्ट किए गए परिणामों में से एक है, जो 120B-स्केल GPT-OSS-120B के प्रदर्शन के करीब है।
- DeepSeek-V4-Flash: SETA-Env पर प्रशिक्षण से pass@1 40% से बढ़कर 43% और pass@5 54% से बढ़कर 58% हो गया, जो दर्शाता है कि प्रशिक्षण सिग्नल विभिन्न मॉडल परिवारों में ट्रांसफर होता है।
सामान्यीकरण (Generalization): मॉडल ने CompileBench (6.7% $\to$ 40%) और CRUST-Bench (15% $\to$ 24%) सहित आस-पास के कोडिंग बेंचमार्क्स पर लाभ दिखाया, जो इंगित करता है कि टर्मिनल क्षमताएं इटरेटिव कंपाइलेशन और कोड ट्रांसलेशन कार्यों में सामान्यीकृत होती हैं।
व्यवहार संबंधी बदलाव (Behavioral Shift): विश्लेषण से पता चला कि RL-प्रशिक्षित मॉडल कमांड निष्पादित करने से पहले स्ट्रक्चर्ड रीजनिंग और प्लानिंग प्रदर्शित करते हैं, और ब्लाइंडली रिएक्ट करने के बजाय वास्तविक निष्पादन त्रुटियों (जैसे, Docker में sudo की कमी) के अनुकूल होते हैं।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि SETA टर्मिनल एजेंटों के लिए प्रशिक्षण वातावरण और लर्निंग सिग्नल उत्पन्न करने के लिए एक व्यावहारिक और स्केलेबल पाइपलाइन प्रदान करता है। एडेप्टिव डिफिकल्टी कंट्रोल और विविध सोर्स ग्राउंडिंग को एकीकृत करके, SETA-Env टर्मिनल एजेंटों के लिए उच्च-गुणवत्ता वाले प्रशिक्षण डेटा की कमी को दूर करता है।

लेखक इस बात पर जोर देते हैं कि उनके परिणाम दर्शाते हैं कि स्केलेबल एनवायरनमेंट सिंथेसिस, मजबूत सत्यापन के साथ मिलकर, इंटरैक्टिव सेटिंग्स में एजेंटिक सिस्टम के लिए RL ट्रेनिंग को प्रभावी ढंग से सपोर्ट कर सकता है। वे SETA-Env को टर्मिनल-आधारित एजेंट लर्निंग को आगे बढ़ाने के लिए एक मूल्यवान संसाधन के रूप में प्रस्तुत करते हैं, और नोट करते हैं कि यह डेटासेट अभी तक मजबूत प्रोप्रायटरी मॉडल्स द्वारा संतृप्त (saturated) नहीं हुआ है, जो भविष्य के अनुसंधान के लिए इसकी उपयोगिता को सुरक्षित रखता है।

सीमाएँ (Limitations): लेखक स्वीकार करते हैं कि उनका वैलिडेशन वर्तमान में दो मॉडल परिवारों (Qwen और DeepSeek) और विशिष्ट स्केल्स तक सीमित है। वे यह भी नोट करते हैं कि वातावरण टर्मिनल-आधारित इंटरैक्शन तक सीमित हैं, जो GUI और मल्टीमॉडल एक्सटेंशन को भविष्य के कार्यों के रूप में छोड़ देते हैं। इसके अतिरिक्त, वे संभावित दुरुपयोग (अनधिकृत सिस्टम एक्सेस) को रेखांकित करते हैं और कहते हैं कि वे सार्वजनिक, गैर-संवेदनशील स्रोतों से कार्य प्राप्त करके और सैंडबॉक्स्ड, सत्यापन योग्य वातावरण पर जोर देकर इसे कम करते हैं।