Deep Interaction: An Efficient Human-AI Interaction Method for Large Reasoning Models
यह शोध पत्र "डीप इंटरेक्शन" (Deep Interaction) को प्रस्तुत करता है, जो एक कुशल मानव-AI इंटरेक्शन विधि है जो उपयोगकर्ताओं को लार्ज लैंग्वेज मॉडल्स में त्रुटिपूर्ण तर्क चरणों को सीधे संपादित करने और सुधारा गया 'चेन-ऑफ-थॉट' (Chain-of-Thought) को एक प्रॉम्प्ट में संकलित करने की अनुमति देता है, जिसके परिणामस्वरूप बेसलाइन दृष्टिकोणों की तुलना में सुधार सफलता दर में 25% की वृद्धि और टोकन में 40% की कमी आती 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 बुद्धिमान, लेकिन थोड़े जिद्दी रोबोट को एक कठिन पहेली सुलझाना सिखाने की कोशिश कर रहे हैं। यह रोबोट एक लार्ज लैंग्वेज मॉडल (LLM) है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसने इंटरनेट पर लगभग सब कुछ पढ़ लिया है और वह कहानियाँ लिख सकता है, गणित की समस्याओं को हल कर सकता है, और यहाँ तक कि एक इंसान की तरह व्यवहार भी कर सकता है। इन रोबोटों को बेहतर सोचने में मदद करने के लिए, वैज्ञानिकों ने "चेन-ऑफ-थॉट" (CoT) नामक एक तकनीक का आविष्कार किया। CoT को रोबोट से अपना काम "ज़ोर से दिखाने" के लिए कहने के रूप में समझें, जैसे कि एक छात्र अपने गणित के होमवर्क को केवल उत्तर का अनुमान लगाने के बजाय चरण-दर-चरण लिखकर दिखाता है। इसने रोबोटों को जटिल कार्यों में बहुत स्मार्ट बना दिया है।
हालाँकि, एक समस्या है। कभी-कभी, रोबोट अपने दस-चरणीय (ten-step) प्लान के तीसरे चरण में गलती कर देता है। पुराने तरीके में इसे ठीक करने के लिए, आपको रोबोट के साथ चैट करनी होगी, कहना होगा, "हे, तुमने तीसरे चरण में गलती की है," और उम्मीद करनी होगी कि वह सुनेगा। लेकिन अक्सर, रोबोट बस कहता है, "आप सही हैं, मैंने गलती की है," और फिर तुरंत अगले चरण में वही ठीक वही गलती दोबारा कर देता है, या वह भ्रमित हो जाता है और बाकी योजना को भूल जाता है। यह बिल्कुल वैसा ही है जैसे किसी दोस्त को गलत दिशा में चल रहे व्यक्ति को पीछे से चिल्लाकर रोकने की कोशिश करना; वे आपकी आवाज़ सुन तो सकते हैं, लेकिन वे गोल-गोल घूमते रहते हैं। यह किसी भी ऐसे व्यक्ति के लिए निराशाजनक है जो गंभीर काम, जैसे विज्ञान की समस्याओं को हल करने या सुरक्षा तर्क (safety logic) की जाँच करने के लिए AI का उपयोग करने की कोशिश कर रहा है।
यहीं पर एक नया विचार आता है जिसे डीप इंटरैक्शन (Deep Interaction) कहा जाता है। रोबोट के साथ चैट करके उसकी गलतियों को सुधारने के बजाय, यह तरीका प्रस्तावित करता है कि आप सीधे रोबोट की "सोचने की प्रक्रिया" को संपादित (edit) कर सकते हैं, जैसे आप कंप्यूटर पर एक दस्तावेज़ को संपादित करते हैं। कल्पना कीजिए कि रोबोट एक कहानी लिखता है, लेकिन आप एक गलत वाक्य को हाइलाइट करते हैं, उसे हटाते हैं, और वहीं सही वाक्य टाइप करते हैं। सिस्टम फिर आपके द्वारा संपादित किए गए संस्करण को लेता है, उसे साफ करता है, और रोबोट को उस सुधारात्मक बिंदु से कहानी जारी रखने के लिए कहता है। शोधकर्ताओं ने पाया कि यह "डायरेक्ट एडिट" (सीधे संपादन) विधि, पुराने "चैट और उम्मीद करो" वाले तरीके की तुलना में बहुत तेज़ और अधिक सटीक है। कठिन विज्ञान और गणित की समस्याओं पर अपने परीक्षणों में, इस नए तरीके ने सुधार सफलता दर (correction success rate) में 25% से अधिक का सुधार किया (बेसलाइन तरीकों की तुलना में सापेक्ष वृद्धि) और सफलतापूर्वक हल किए गए प्रश्नों के लिए बेसलाइन दृष्टिकोणों की तुलना में टोकन के उपयोग को लगभग 40% कम कर दिया।
"सिर्फ चैट करने" की समस्या
जब ये AI मॉडल गलती करते हैं, तो सामान्य समाधान एक बातचीत करना होता है। आप AI को बताते हैं, "वह चरण गलत है," और वह फिर से प्रयास करता है। लेकिन यह पेपर दिखाता है कि यह अक्सर विफल रहता है। AI यह मान सकता है कि वह गलत था, लेकिन फिर वह एक लूप में फंस जाता है, उसी गलती को दोहराता रहता है या एक नए, समान रूप से गलत रास्ते पर भटक जाता है। यह एक ऐसे GPS की तरह है जो बार-बार कहता है, "रूट रीकैलकुलेटिंग," लेकिन फिर आपको वापस उसी ट्रैफिक जाम में भेज देता है। लेखक तर्क देते हैं कि ऐसा इसलिए होता है क्योंकि AI पूरी बातचीत के इतिहास को याद रखने की कोशिश कर रहा है, जो अव्यवस्थित हो जाता है, या इसलिए क्योंकि वह वास्तव में तर्क को समझने के बजाय अपने प्रशिक्षण डेटा से पैटर्न को केवल याद कर रहा है।
समाधान: "विचारों" को संपादित करना
लेखक डीप इंटरअैक्शन का प्रस्ताव करते हैं, एक ऐसी प्रणाली जो AI के तर्क चरणों को एक ड्राफ्ट दस्तावेज़ की तरह मानती है। यह कैसे काम करता है, इसे सरल शब्दों में यहाँ दिया गया है:
- ड्राफ्ट: AI एक समाधान उत्पन्न करता है जिसमें चेन-ऑफ-थॉट (उसकी चरण-दर-चरण तर्क प्रक्रिया) होती है।
- संपादन (Edit): यदि आप कोई गलती देखते हैं, तो आप केवल चैट बॉक्स में संदेश नहीं टाइप करते हैं। इसके बजाय, आप AI के तर्क के टेक्स्ट को सीधे संपादित करते हैं। आप एक गलत चरण को हटा सकते हैं, एक संख्या बदल सकते हैं, या एक लॉजिक गैप को ठीक कर सकते हैं, ठीक वैसे ही जैसे आप वर्ड प्रोसेसर में "ट्रैक चेंजेस" का उपयोग करते हैं।
- सफाई (Cleanup): सिस्टम इतना स्मार्ट है कि वह जानता है कि आपने क्या बदला है। यह आपके संपादन को हाइलाइट करता है, आपके द्वारा हटाए गए हिस्सों को निकाल देता है, और किसी भी भ्रमित करने वाले बचे हुए टेक्स्ट को साफ कर देता है। यह विशिष्ट संख्याओं को भी मास्क (छिपा) देता है ताकि AI केवल पुराने गलत नंबरों को याद न कर ले।
- पुनरारंभ (Restart): सिस्टम आपके संपादित संस्करण को लेता है और उसे AI को एक नए निर्देश के रूप में फीड करता है: "यहाँ सुधारा गया रास्ता है; कृपया यहाँ से आगे बढ़ें।"
उन्होंने क्या पाया
शोधकर्ताओं ने कठिन समस्याओं पर इस पद्धति का परीक्षण किया, जिसमें हाई स्कूल और विश्वविद्यालय स्तर के गणित, भौतिकी, रसायन विज्ञान और जीव विज्ञान के प्रश्न शामिल थे। उन्होंने अपने "डीप इंटरैक्शन" तरीके की तुलना मानक "चैट-आधारित" सुधार पद्धति से की।
- बेहतर सफलता: नए तरीके ने चैट करने के मुकाबले सुधार सफलता दर में 25% से अधिक का सुधार किया। उदाहरण के लिए, विज्ञान के कठिन प्रश्नों के एक सेट पर, मानक चैट विधि कुछ प्रयासों के बाद लगभग 72% बार सही उत्तर प्राप्त करती थी, जबकि डीप इंटरैक्शन ने लगभग 86% बार इसे सही किया।
- तेज़ और सस्ता: क्योंकि AI को एक लंबे, अव्यवस्थित बातचीत के इतिहास को फिर से पढ़ने की आवश्यकता नहीं होती है, इसलिए यह उन प्रश्नों के लिए लगभग 40% कम टोकन (टेक्स्ट की इकाइयाँ जिन्हें AI प्रोसेस करता है) का उपयोग करता है जिन्हें वह अंततः सही ढंग से हल करता है। यह प्रक्रिया को बहुत अधिक कुशल बनाता है।
- विभिन्न मॉडलों पर कार्य करता है: उन्होंने छोटे से लेकर बड़े तक कई अलग-अलग AI मॉडलों पर इसका परीक्षण किया। हर मामले में, तर्क चरणों को सीधे संपादित करने की क्षमता ने मॉडल को केवल बात करने की तुलना में बेहतर प्रदर्शन करने में मदद की।
यह क्यों मायने रखता है
यह पेपर सुझाव देता है कि जटिल कार्यों के लिए जहाँ AI को सटीक होने की आवश्यकता होती है, जैसे कि गणितीय समीकरण को हल करना या सुरक्षा परिदृश्य का विश्लेषण करना, केवल उससे बात करना पर्याप्त नहीं है। हमें उसके सोचने के तरीके को सीधे "स्टीयर" (नियंत्रित) करने के एक तरीके की आवश्यकता है। AI को उसके तर्क चरणों को संपादित करने की अनुमति देकर, हम उसे "आप सही हैं, मैंने गलती की है" और उसके बाद उसी गलती को दोहराने के लूप में फंसे बिना, उसकी गलतियों से दूर ले जा सकते हैं।
लेखक नोट करते हैं कि यह पद्धति इस बात पर निर्भर करती है कि मनुष्य गलती को पहचानने में सक्षम हो। यदि मनुष्य को नहीं पता कि क्या गलत है, तो वे उसे ठीक नहीं कर सकते। साथ मिलकर, यदि कोई मनुष्य AI को गलत सुधार देता है, तो AI उस गलत रास्ते पर भी चल सकता है। लेकिन जो उपयोगकर्ता विषय के विशेषज्ञ हैं—जैसे छात्र, शिक्षक या विशेषज्ञ—उनके लिए यह "डीप इंटरैक्शन" AI के साथ सहयोग करने का एक शक्तिशाली नया तरीका प्रदान करता है, जो एक निराशाजनक बातचीत को एक उत्पादक संपादन सत्र में बदल देता 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।