तकनीकी सारांश: StructAgent

समस्या विवरण

Large Language Models (LLMs) और Vision-Language Models (VLMs) में हालिया प्रगति ने डिजिटल एजेंटों को कंप्यूटर-उपयोग कार्यों को करने में सक्षम बनाया है। हालाँकि, वास्तविक दुनिया के कार्य अक्सर long-horizon होते हैं, जिनमें जटिल वर्कफ़्लो शामिल होते हैं जहाँ संदर्भ (context) निरंतर विकसित होता रहता है। जैसे-जैसे एजेंट इन कार्यों को निष्पादित करते हैं, वे एक कच्चा (raw) इंटरेक्शन इतिहास संचित करते हैं जिसमें तथ्यात्मक जानकारी, मध्यवर्ती संपादन (intermediate edits), विफल प्रयास और आंशिक रूप से पूर्ण निष्पादन शामिल होते हैं।

पहचाना गया मुख्य संकट यह है कि मौजूदा एजेंट आमतौर पर इस कच्चे, असंरचित इतिहास (unstructured history) पर कार्य करते हैं। जैसे-जैसे संदर्भ बढ़ता है, महत्वपूर्ण जानकारी दब जाती है, और वर्तमान कार्य की स्थिति अस्पष्ट हो जाती है। संरचना का यह अभाव एजेंटों के लिए निम्नलिखित कार्यों को कठिन बनाता है:

• कार्य की प्रगति की स्पष्ट कारण संबंधी समझ (causal understanding) बनाए रखना।
• असामान्य स्थितियों या मध्यवर्ती त्रुटियों का तुरंत पता लगाना।
• सटीक योजना बनाना और निष्पादन करना।
• पूरे इतिहास को फिर से चलाए बिना विफलताओं से उबरना।

परिणामस्वरूप, विश्वसनीय long-horizon निष्पादन सीमित है क्योंकि एजेंट शोर (noise) या स्वयं द्वारा रिपोर्ट किए गए लेकिन अपुष्ट पूर्णता के दावों से वैध प्रगति के बीच अंतर करने में संघर्ष करते हैं।

कार्यप्रणाली: StructAgent

इन चुनौतियोंों को संबोधित करने के लिए, लेखक StructAgent का प्रस्ताव करते हैं, जो एक स्टेट-केंद्रित ढांचा (state-centered framework) है जो कार्य प्रगति के एकीकृत कारण प्रतिनिधित्व (unified causal representation) के इर्द-गिर्द एजेंट की स्थिति और वर्कफ़्लो को स्पष्ट रूप से संरचित करता है। यह ढांचा दो पूरक घटकों से बना है:

1. एकीकृत एजेंट स्थिति (Unified Agent State)

कच्चे प्रक्षेपवक्र (trajectories) से प्रगति का अनुमान लगाने के बजाय, StructAgent एक संक्षिप्त, प्रकारित (typed) और ऑडिट योग्य स्थिति $s_t$ बनाए रखता है जो सभी मॉड्यूल के लिए एक साझा इंटरफ़ेस के रूप में कार्य करती है। स्थिति को इस प्रकार परिभाषित किया गया है:
$$s_t = (s_t^{req}, s_t^{val}, s_t^{ver})$$

• $s_t^{req}$ (आवश्यकताएं/Requirements): वर्तमान उप-लक्ष्य (subgoal) की आवश्यकताओं को संग्रहीत करता है, जो यह निर्दिष्ट करता है कि क्या हासिल किया जाना चाहिए और सत्यापनकर्ता (verifier) को क्या जांचना चाहिए।
• $s_t^{val}$ (उपयोगी मान/Useful Values): निष्पादन के दौरान खोजे गए स्थायी, उपयोगी मानों को संग्रहीत करता है (जैसे, फ़ाइल पथ, URL, चयनित संस्थाएं)।
• $s_t^{ver}$ (सत्यापित साक्ष्य/Verified Evidences): प्रोबिंग प्रक्रिया के दौरान सत्यापनकर्ता द्वारा एकत्र किए गए साक्ष्यों को संग्रहीत करता है, जिससे ऑडिटिंग और पुन: उपयोग की अनुमति मिलती है।

कारण-उन्मुख संक्रमण (Causality-Oriented Transitions): स्थिति संक्रमण (state transitions) कड़ाई से नियंत्रित होते हैं। एक आवश्यकता की स्थिति ($\sigma_{i,t}$) केवल एक verifier-backed निर्णय के आधार पर VERIFIED या INVALIDATED में बदल सकती है। यह सुनिश्चित करता है कि प्रगति अपडेट एजेंट की स्वयं की रिपोर्ट के बजाय सत्यापन योग्य साक्ष्यों पर आधारित हों।

2. संरचित वर्कफ़्लो (Structured Workflow)

यह ढांचा एक निश्चित निष्पादन लूप पर कार्य करता है: Planner $\rightarrow$ Actor $\rightarrow$ Verifier $\rightarrow$ State Update।

• Planner: अगले उप-लक्ष्य ($g_t$) का चयन करने के लिए वर्तमान स्थिति को पढ़ता है। इसे कच्चे इतिहास से प्रगति को पुनर्गठित करने की आवश्यकता नहीं होती है।
• Actor: वातावरण में उप-लक्ष्य को निष्पादित करने का प्रयास करता है, जिससे एक एक्शन ट्रेस ($\tau_t$) उत्पन्न होता है।
• Verifier: यह जाँचता है कि क्या लक्षित उप-लक्ष्य ने संरचित और एजेंटिक प्रोबिंग (जैसे, फ़ाइलों, शेल आउटपुट, एप्लिकेशन अवस्थाओं की जाँच करना) का उपयोग करके वैध प्रगति की है। यह सत्यापित करने, अमान्य करने या स्थिति को अपरिवर्तित छोड़ने के लिए एक निर्णय ($d_t$) आउटपुट करता है।
• Memory: स्थिति-आधारित सहायता प्रदान करता है, जो पुन: प्रयोज्य अनुभवों के आधार पर उप-लक्ष्य या एक्शन पैटर्न का सुझाव देता है।

सक्षम की गई प्रमुख क्षमताएं

• प्रगति चेकपॉइंटिंग (Progress Checkpointing): स्थिति का इतिहास एक स्व-निहित, मानव-पठनीय स्नैपशॉट के रूप में कार्य करता है, जिससे एजेंट पूरे इंटरेक्शन इतिहास को फिर से चलाए बिना निष्पादन को फिर से शुरू कर सकते हैं।
• लक्षित विफलता रिकवरी (Targeted Failure Recovery): जब प्रगति रुक जाती है, तो सिस्टम सत्यापित साक्ष्यों (जैसे, साक्ष्य की कमी, विरोधाभासी आवश्यकताएं) का उपयोग करके समस्या का निदान करता है और विशिष्ट हस्तक्षेप (replanning, retrying, या human takeover) चुनता है, न कि जेनेरिक रिट्राय।
• टूल-समर्थित निष्पादन (Tool-Supported Execution): आवर्ती पैटर्न को पुन: प्रयोज्य प्रक्रियाओं में संक्षिप्त किया जाता है। एक्टर इन टूल्स को कॉल कर सकता है, लेकिन परिणाम तभी स्थिति में दर्ज किए जाते हैं जब उन्हें सत्यापित किया जाता है।

प्रमुख योगदान

1. एकीकृत स्थिति (Unified State): एक संक्षिप्त, प्रकारित और ऑडिट योग्य स्थिति प्रतिनिधित्व का परिचय जो कार्य प्रगति के साझा दृश्य के साथ योजना, क्रिया और सत्यापन प्रदान करता है।
2. संरचित वर्कफ़्लो (Structured Workflow): एक योजना-क्रिया-सत्यापन लूप का डिज़ाइन जहाँ केवल verifier-backed निर्णय ही प्रगति को कमिट, संरक्षित या अमान्य कर सकते हैं।
3. व्यापक अनुभवजन्य सत्यापन (Broad Empirical Validation):esthesia): यह प्रदर्शन करना कि यह ढांचा विविध LLM और VLM बैकबोन पर long-horizon कंप्यूटर-उपयोग कार्यों में प्रदर्शन में सुधार करता है और विभिन्न डोमेन (डेस्कटॉप, वेब, और Minecraft) में सामान्यीकृत होता है।

प्रयोगात्मक परिणाम

OSWorld-Verified (डेस्कटॉप)

इस ढांचे का मूल्यांकन OSWorld-Verified पर किया गया था, जो long-horizon कंप्यूटर उपयोग के लिए एक बेंचमार्क है। StructAgent ने विभिन्न बैकबोन पर लगातार सुधार दिखाया:

• Qwen3.5-9B: सफलता दर को 27.0% (सिंगल मॉडल) से बढ़ाकर 46.9% किया।
• Qwen3.5-27B: सफलता दर को 31.6% से बढ़ाकर 62.2% किया।
• MiniMax-M3: 78.9% के साथ एक नया ओपन-सोर्स स्टेट-ऑफ-द-आर्ट प्राप्त किया, जो 75.2% के सिंगल-मॉडल बेसलाइन से बेहतर है।
• डोमेन प्रदर्शन: लाभ "Office" कार्यों (स्प्रेडशीट्स, दस्तावेज़) में सबसे अधिक स्पष्ट थे जहाँ टिकाऊ मध्यवर्ती स्थितियाँ और फ़ाइल-आधारित जाँच उपलब्ध हैं। क्रॉस-एप्लिकेशन कार्य चुनौतीपूर्ण रहे लेकिन मजबूत बैकबोन के साथ उनमें भी सुधार देखा गया।

सामान्यीकरण (Generalization)

• Web (Mind2Web): StructAgent वेब वातावरण में सामान्य हुआ, जिसने 47.3% (Qwen3.5-9B) और 52.3% (Qwen3.5-27B) प्राप्त किया, जो पुनरुत्पादित बेसलाइन से बेहतर है। लाभ सूचना-खोज कार्यों में सबसे मजबूत थे जहाँ प्रगति को URL और पेज स्टेट के माध्यम से ट्रैक किया जा सकता है।
• Minecraft: डेस्कटॉप साक्ष्य स्रोतों को इन्वेंट्री-आधारित सत्यापन से बदलकर इस ढांचे को Minecraft में स्थापित किया गया। इसने 76% टास्क-वेटेड औसत सफलता दर (Optimus-1 के 59% के मुकाबले) प्राप्त की, जो दर्शाता है कि स्टेट-अपडेट अनुशासन डोमेन-अज्ञेय (domain-agnostic) है।

विश्लेषण

• सत्यापन की गुणवत्ता (Verification Quality): विजुअल-ओनली वेरिफिकेशन की तुलना में संरचित सत्यापन ने रिकॉल को 0.67 से बढ़ाकर 0.81 कर दिया, मुख्य रूप से उन वास्तविक पूर्णताओं को रिकवर करके जो अंतिम स्क्रीनशॉट में अदृश्य थीं (जैसे, फ़ाइल अस्तित्व, कमांड आउटपुट)।
• विफलता मोड (Failure Modes): विफल प्रक्षेपवक्रों के विश्लेषण से पता चला कि त्रुटियां प्लैनर (30%), वेरिफायर (30%), और एक्टर (33%) में वितरित हैं, जो यह संकेत देता है कि long-horizon विश्वसनीयता के लिए केवल एक्टर को स्केल करने के बजाय सिस्टम-व्यापी सुधारों की आवश्यकता है।

महत्व और दावे

यह पेपर तर्क देता है कि अमूर्तता (abstraction) का उद्देश्य एक ऐसा सिमेंटिक स्तर बनाना है जहाँ कोई "पूर्णतः सटीक" (Edsger W. Dijkstra को उद्धृत करते हुए) हो सके। StructAgent इसे शोर भरे इतिहास पर निरंतर जनरेशन से हटकर एक स्पष्ट कारण संरचना (causal structure) की ओर बढ़कर प्राप्त करता है।

लेखक दावा करते हैं कि:

1. पारदर्शिता और नियंत्रण: verifier-backed स्टेट ट्रांज़िशन को लागू करके, एजेंट की प्रगति पारदर्शी, ऑडिट योग्य और नियंत्रणीय हो जाती है।
2. मजबूती (Robustness): यह ढांचा लक्षित विफलता रिकवरी और साक्ष्य-आधारित कार्य पूर्णता को सक्षम बनाता है, जिससे भंगुर (brittle) स्वयं-रिपोर्ट किए गए "DONE" दावों पर निर्भरता कम होती है।
3. सामान्यीकरण (Generality): स्टेट-केंद्रित प्रतिमान विशिष्ट मॉडल स्केल या डेस्कटॉप वातावरण से बंधा नहीं है; यह साक्ष्य स्रोत को अनुकूलित करके वेब ब्राउज़र और गेम वातावरण (Minecraft) में प्रभावी रूप से सामान्य होता है।

यह कार्य long-horizon विश्वसनीयता के लिए एक सिस्टम-लेवल समाधान के रूप में खुद को स्थापित करता है, जो यह सुझाव देता है कि कार्य प्रगति को ही संरचित करना अंतर्निहित भाषा मॉडलों को बेहतर बनाने जितना ही महत्वपूर्ण है।