💬 NLP

Similarity Is Not Logic: Factored Inference for Dual-Encoder Vision-Language Models

यह शोध पत्र यह पहचानता है कि डुअल-एनकोडर विजन-लैंग्वेज मॉडल एक "बैग-ऑफ-कॉन्सेप्ट्स" समानता इंटरफ़ेस के कारण कंपोजिशनल रीजनिंग में विफल रहते हैं, और एक प्रशिक्षण-मुक्त विधि प्रस्तावित करता है जिसे LCSE (लॉजिक-कंस्ट्रेंड स्कोर एडिटिंग) कहा जाता है जो रिट्रीवल प्रदर्शन को बनाए रखते हुए तार्किक सटीकता में उल्लेखनीय सुधार करने के लिए साक्ष्य निष्कर्षण (एविडेंस एक्सट्रैक्शन) को बाधा निष्पादन (कंस्ट्रेंट एक्जीक्यूशन) से अलग करता है।

मूल लेखक: Sultan Alshehri, Zhantao Yang, Han Zhang, Marios Savvides

प्रकाशित 2026-07-28

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sultan Alshehri, Zhantao Yang, Han Zhang, Marios Savvides

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 रोबोट को दुनिया को "देखना" सिखाने की कोशिश कर रहे हैं, इसके लिए उसे लाखों तस्वीरें दिखा रहे हैं और शब्दों के साथ उनका वर्णन कर रहे हैं। यह विजन-लैंग्वेज मॉडल्स (VLMs) की दुनिया है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर छवियों को शब्दों के साथ मिलाना सीखते हैं। इन रोबोट्स के सीखने का सबसे लोकप्रिय तरीका एक साझा "मानचित्र" (map) बनाना है जहाँ समान चित्र और समान शब्द एक-दूसरे के करीब स्थित होते हैं। जब आप रोबोट से कोई प्रश्न पूछते हैं, तो वह बस आपके शब्दों और चित्रों के बीच की दूरी को मापता है ताकि सबसे अच्छा मिलान ढूँढा जा सके। यह "हॉट एंड कोल्ड" (गर्म और ठंडा) के विशाल खेल जैसा है, जहाँ रोबोट तब "हॉटर" (अधिक आश्वस्त) हो जाता है जब वह उन छवियों को पाता है जो आपके द्वारा टाइप किए गए शब्दों से मेल खाती हैं।

हालाँकि, इस सरल दूरी वाले खेल के साथ एक पेचीदा समस्या है। जबकि रोबोट व्यक्तिगत चीजों को पहचानने में बहुत अच्छा है—जैसे कि एक "कुत्ता" या एक "गेंद"—लेकिन जब आप उसे तर्क (logic) के साथ चीजों को जोड़ने के लिए कहते हैं, जैसे कि "एक कुत्ता लेकिन कोई गेंद नहीं" या "एक बिल्ली और एक पक्षी," तो वह अक्सर भ्रमित हो जाता है। रोबोट उन शब्दों को अनदेखा कर देता है जो "लेकिन नहीं" या "और" जैसे तर्क देते हैं और बस उन शब्दों को देखता है जिन्हें वह जानता है। यह ऐसा है जैसे रोबोट "बैग ऑफ वर्ड्स" (शब्दों की थैली) का खेल खेल रहा हो, जहाँ वह केवल यह गिनता है कि एक शब्द कितनी बार आया है, और वाक्य के नियमों को पूरी तरह से भूल जाता है। यह शोध पत्र इस बात की जांच करता है कि ऐसा क्यों होता है और रोबोट के पूरे मस्तिष्क को फिर से प्रशिक्षित किए बिना उसकी तर्कशक्ति को ठीक करने का एक चतुर तरीका प्रस्तावित करता है।

समस्या: रोबोट का "अवधारणाओं का थैला" (Bag of Concepts)

इस शोध पत्र के लेखकों ने पाया कि मानक AI मॉडल, जो जटिल वाक्यों को समझने के लिए पर्याप्त स्मार्ट होने चाहिए, वास्तव में एक बहुत ही शाब्दिक और थोड़े भ्रमित लाइब्रेरियन (पुस्तकालयाध्यक्ष) की तरह व्यवहार कर रहे हैं। कल्पना कीजिए कि आप इस लाइब्रेरियन से "बिना ड्राइवर वाली लाल कार" के बारे में एक किताब मांगते हैं। ड्राइवर रहित कार खोजने के बजाय, लाइब्रेरियन आपको ड्राइवर वाली लाल कार की किताब थमा देता है, क्योंकि लाइब्रेरियन "लाल" और "कार" शब्दों पर इतना केंद्रित है कि वह "बिना" शब्द को पूरी तरह से अनदेखा कर देता है।

तकनीकी शब्दों में, ये मॉडल एक "स्केलर सिमिलरिटी" (scalar similarity) स्कोर का उपयोग करते हैं। इस स्कोर को एक एकल संख्या के रूप में समझें जो आपको बताती है कि एक छवि किसी पाठ से कितनी अच्छी तरह मेल खाती है। शोध पत्र दिखाता है कि जब आप विचारों के संयोजन (जैसे "A और न कि B") के लिए पूछते हैं, तो मॉडल वास्तव में तर्क की गणितीय गणना नहीं करता है। इसके बजाय, यह "A" के साक्ष्य और "B" के साक्ष्य का औसत निकाल देता है। यह एक स्मूदी बनाने जैसा है: यदि आप "स्ट्रॉबेरी लेकिन बिना केले के" मांगते हैं, तो मॉडल बस स्ट्रॉबेरी और केले को आपस में मिला देता है और आपको एक मिश्रण दे देता है, क्योंकि वह सोचता है कि "नहीं" का निर्देश भी मिलाने के लिए एक अन्य सामग्री है, न कि एक सामग्री को हटाने का नियम।

शोधकर्ताओं ने यह परीक्षण करने के लिए इसे आजमाया कि क्या मॉडल विशिष्ट तार्किक नियमों को खोजने में सक्षम है, जैसे कि "छाता और कोई व्यक्ति नहीं।" भले ही मॉडल ने तस्वीर में स्पष्ट रूप से एक व्यक्ति को देखा था, फिर भी उसने उस तस्वीर को एक अच्छा मिलान बताया क्योंकि क्वेरी में "व्यक्ति" शब्द मौजूद था। मॉडल व्यक्ति को देखने में विफल नहीं हुआ था; वह व्यक्ति को बाहर करने के लिए वाक्य के तर्क का उपयोग करने में विफल रहा था।

जांच: तर्क क्यों विफल होता है

यह जानने के लिए कि ऐसा क्यों होता है, लेखकों ने मॉडल के मस्तिष्क की "सर्जरी" की। उन्होंने मॉडल द्वारा पढ़े जाने वाले टेक्स्ट के अंदर झाँका यह देखने के लिए कि क्या तर्क वाले शब्द (जैसे "नहीं" या "और") वास्तव में वाक्य के अर्थ को बदल रहे हैं। उन्होंने पाया कि तर्क वहां था, टेक्स्ट के भीतर छिपा हुआ था, लेकिन अंतिम स्कोर बदलने के लिए बहुत कमजोर था।

कल्पना कीजिए कि टेक्स्ट एम्बेडिंग (वाक्य का डिजिटल प्रतिनिधित्व) एक भारी बॉक्स ले जाने वाली दो लोगों की टीम है। एक व्यक्ति "अवधारणाओं" (संज्ञा जैसे "कुत्ता" या "कार") का प्रतिनिधित्व करता है, और दूसरा "तर्क" (जैसे "और" या "नहीं") का प्रतिनिधित्व करता है। शोध पत्र में पाया गया कि "अवधारणा" वाला व्यक्ति एक विशालकाय व्यक्ति है, जबकि "तर्क" वाला व्यक्ति एक छोटा बच्चा है। जब वे दोनों बॉक्स को धकेलने का निर्णय लेते हैं, तो विशालकाय व्यक्ति इतना जोर से धक्का देता है कि छोटे बच्चे का धक्का पूरी तरह से अनदेखा कर दिया जाता है। परिणाम? बॉक्स अवधारणाओं की दिशा में बढ़ता है, और तर्क इस भीड़ में खो जाता है।

लेखकों ने यह भी जाँच की कि क्या केवल मॉडल को फिर से प्रशिक्षित करना (उसे नए उदाहरण सिखाना) इस समस्या को ठीक कर देगा। उन्होंने पाया कि हजारों "नहीं" और "नहीं" के उदाहरणों पर मॉडल को प्रशिक्षित करने के बाद भी, मॉडल संघर्ष करता रहा। यह एक ऐसे व्यक्ति को सिखाने जैसा है जो स्वाभाविक रूप से बाएं हाथ का उपयोग करता है, उसे केवल अधिक अभ्यास देकर दाएं हाथ से लिखने के लिए प्रशिक्षित करना; अंतर्निहित मांसपेशी स्मृति (मॉडल कैसे स्कोर को जोड़ता है) ही वास्तविक बाधा है, न कि अभ्यास की कमी।

समाधान: फैक्टर्ड इन्फरेंस (Factored Inference) और LCSE

चूंकि मॉडल की आंतरिक "तर्क मांसपेशी" इस समस्या को ठीक करने के लिए बहुत कमजोर है, इसलिए लेखकों ने फैक्टर्ड इन्फरेंस (Factored Inference) नामक एक नई रणनीति प्रस्तावित की। मॉडल को एक ही बार में सारा गणित करने के लिए कहने के बजाय, उन्होंने काम को दो अलग-अलग चरणों में विभाजित करने का निर्णय लिया:

साक्ष्य निष्कर्षण (Evidence Extraction): पहले, स्थिर (बिना बदले हुए) मॉडल से व्यक्तिगत अवधारणाओं की पहचान करने के लिए कहें। "क्या वहां एक कुत्ता है? हाँ, 90% निश्चित। क्या वहां एक बिल्ली है? हाँ, 80% निश्चित।"
प्रतिबंध निष्पादन (Constraint Execution): फिर, उन नंबरों को लें और मॉडल के बाहर तर्क की गणितीय गणना करें। यदि उपयोगकर्ता ने "कुत्ता लेकिन कोई बिल्ली नहीं" कहा है, तो सिस्टम "कुत्ता" स्कोर लेता है और "बिल्ली" स्कोर को घटा देता है (या "कोई बिल्ली नहीं" का प्रतिनिधित्व करने के लिए बिल्ली के स्कोर को उलट देता है) और उन्हें सख्त तर्क नियमों का उपयोग करके जोड़ता है।

इसे सामान्य वाक्यों को संभालने की मॉडल की क्षमता को बिगाड़े बिना काम करने के लिए, उन्होंने LCSE (लॉजिक-कन्स्ट्रेंड स्कोर एडिटिंग - Logic-Constrained Score Editing) नामक एक विधि पेश की। LCSE को एक स्मार्ट संपादक के रूप में समझें। यह मॉडल के मूल उत्तर को सुनता है, लेकिन यदि वाक्य में कोई तर्क नियम (जैसे "नहीं" या "और") है, तो संपादक हस्तक्षेप करता है और अंतिम स्कोर को थोड़ा सा बदल देता है ताकि तर्क काम कर सके। यदि वाक्य सरल है, तो संपादक स्कोर को वैसा ही छोड़ देता है। इस तरह, मॉडल अपना मूल "व्यक्तित्व" और रिट्रीवल कौशल बनाए रखता है, लेकिन अंततः तर्क के नियमों का पालन करता है।

परिणाम: तर्क में एक बड़ी छलांग

इस नए तरीके के परिणाम प्रभावशाली थे। लेखकों ने अपने सिस्टम का परीक्षण एक नए बेंचमार्क पर किया जिसे उन्होंने FACTOR-Bench नाम दिया, जो विशेष रूप से यह परीक्षण करने के लिए बनाया गया है कि क्या कोई मॉडल तर्क को समझता है।

पुराना तरीका: मौजूदा सर्वोत्तम मॉडल (यहाँ तक कि वे भी जिन्हें निषेध/negation समझने के लिए विशेष रूप से प्रशिक्षित किया गया था) लगभग 73.2% तर्क संबंधी प्रश्नों को सही ढंग से हल कर पाए।
नया तरीका (LCSE): लेखकों की विधि, जिसमें उन्हीं मूल मॉडलों का उपयोग किया गया लेकिन उनके नए "संपादक" के साथ, सटीकता में उछाल के साथ 85.5% तक पहुँच गई।
और भी बेहतर: जब उन्होंने SigLIP 2 नामक एक नए, अधिक शक्तिशाली मॉडल पर इस पद्धति को लागू किया, तो सटीकता बढ़कर 90.7% हो गई।

उन्होंने NegBench नामक एक अलग चुनौती पर भी इसका परीक्षण किया, जो "नहीं" और "नहीं" वाले प्रश्नों पर केंद्रित है। मानक मॉडल केवल 27.2% सही था, लेकिन LCSE के साथ, यह सुधरकर 65.2% हो गया। महत्वपूर्ण रूप से, तर्क में इस भारी सुधार ने सामान्य खोजों के लिए मॉडल की क्षमता को नुकसान नहीं पहुँचाया; इसने मानक इमेज रिट्रीवल के लिए समान उच्च प्रदर्शन बनाए रखा।

यह क्यों मायने रखता है

यह शोध पत्र सुझाव देता है कि समस्या यह नहीं है कि AI मॉडल "देखने" या "पढ़ने" में पर्याप्त कुशल नहीं हैं; बल्कि समस्या यह है कि जटिल कार्यों के लिए जानकारी को संयोजित करने का उनका तरीका मौलिक रूप से त्रुटिपूर्ण है। "देखने" (अवधारणाओं को खोजने) को "सोचने" (तर्क नियमों को लागू करने) से अलग करके, हम इन मॉडल्स को शून्य से फिर से बनाए बिना बहुत अधिक स्मार्ट बना सकते हैं। यह एक याद दिलाता है कि कभी-कभी, एक स्मार्ट रोबोट को ठीक करने का सबसे अच्छा तरीका उसे अधिक तथ्य सिखाना नहीं है, बल्कि उसे उन तथ्यों के लिए एक बेहतर कैलकुलेटर देना है जो वह पहले से जानता है।

तकनीकी सारांश: समानता तर्क नहीं है: डुअल-एनकोडर विजन-लैंग्वेज मॉडल्स के लिए फैक्टर्ड इन्फरेंस (Factored Inference)

1. समस्या विवरण (Problem Statement)

डुअल-एनकोडर विजन-लैंग्वेज मॉडल्स (VLMs), जैसे कि CLIP और SigLIP, छवियों और टेक्स्ट को एक साझा एम्बेडिंग स्पेस में मैप करने के लिए एक स्केलर समानता इंटरफेस (आमतौर पर कोसाइन सिमिलैरिटी या डॉट प्रोडक्ट) का उपयोग करते हैं। हालांकि यह ज़ीरो-शॉट रिट्रीवल के लिए अत्यधिक प्रभावी है, लेकिन यह इंटरफेस तार्किक ऑपरेटरों (निषेध/negation, संयोजन/conjunction, वियोजन/disjunction) से जुड़ी कंपोजिशनल बाधाओं (compositional constraints) को पूरा करने में विफल रहता है।

मुख्य समस्या एक इंटरफेस-स्तरीय "बैग-ऑफ-कॉन्सेप्ट्स" (Bag-of-Concepts) प्रभाव है। जब किसी क्वेरी में तार्किक ऑपरेटर होते हैं (जैसे, "छतरी और कोई व्यक्ति नहीं"), तो स्केलर समानता स्कोर व्यक्तिगत अवधारणाओं के साक्ष्य के मीन पूलिंग (mean pooling) का अनुमान लगाता है, न कि तार्किक ऑपरेटर को निष्पादित करता है। इसके परिणामस्वरूप:

निषेध (Negation) विफल होता है: "कोई व्यक्ति नहीं" जैसी क्वेरी अक्सर उन छवियों को रिट्रीव करती है जिनमें व्यक्ति होता है क्योंकि समानता स्कोर अवधारणा की उपस्थिति को ट्रैक करता है, न कि उसकी अनुपस्थिति को।
संयोजन (Conjunction) अस्थिर है: "A और B" जैसी क्वेरी अक्सर केवल A या केवल B वाली छवियों को रिट्रीव करती हैं।
अपवर्जन (Exclusion) विफल होता है: उन क्वेरीज़ जो अवधारणाओं को बाहर करने का लक्ष्य रखती हैं (जैसे, "न तो A और न ही B"), व्यवस्थित रूप से उन छवियों को रिट्रीव करती हैं जिनमें वे अवधारणाएं मौजूद होती हैं।

लेखक इस विफलता का कारण टेक्स्ट एम्बेडिंग्स में ऑपरेटर-निर्भर जानकारी की कमी (जो मौजूद है लेकिन कमजोर है) को नहीं, बल्कि निष्पादन तंत्र (execution mechanism) को मानते हैं: डॉट-प्रोडक्ट स्कोरिंग साक्ष्य को इस तरह से एकत्रित करती है कि वह ऑपरेटर सेमेantics (अर्थ) को दबा देती है, जिससे यह तार्किक संरचना की परवाह किए बिना एक सॉफ्ट मीन-पूलिंग ऑपरेशन की तरह व्यवहार करती है।

2. कार्यप्रणाली: फैक्टर्ड इन्फरेंस और LCSE

पेपर फैक्टर्ड इन्फरेंस (Factored Inference) का प्रस्ताव करता है, जो साक्ष्य निष्कर्षण (evidence extraction) को बाधा निष्पादन (constraint execution) से अलग करता है। एक मिश्रित क्वेरी की समग्र समानता पर निर्भर रहने के बजाय, यह विधि प्रत्येक अवधारणा के लिए परमाणु साक्ष्य (atomic evidence) निकालती है और तार्किक ऑपरेटरों को बाहरी रूप से निष्पादित करती है।

2.1. लॉजिक-कंस्ट्रेंड स्कोर एडिटिंग (LCSE)

प्राथमिक योगदान LCSE है, जो एक ट्रेनिंग-फ्री विधि है जो मानक रिट्रीवल प्रदर्शन को बनाए रखते हुए तार्किक बाधाओं को लागू करने के लिए एक फ्रोजन (frozen) VLM के समानता स्कोर को संशोधित करती है। इस प्रक्रिया में चार चरण शामिल हैं:

पार्सिंग (Parsing): एक क्वेरी को विजुअल कॉन्सेप्ट्स ( $c_i$ ), उनकी ध्रुवीयता (उपस्थिति/अनुपस्थिति, $n_i$ ), और तार्किक ऑपरेटर ( $o$ ) में विभाजित किया जाता है।
साक्ष्य निष्कर्षण (Evidence Extraction): फ्रोजन VLM छवि और प्रत्येक परमाणु अवधारणा वाक्यांश को स्वतंत्र रूप से एनकोड करता है ताकि उपस्थिति स्कोर ( $p_i$ ) उत्पन्न किया जा सके। इन स्कोर्स को सिग्मॉइड फंक्शन का उपयोग करके रॉ सिमिलैरिटी से प्रोबेबिलिटी में कैलिब्रेट किया जाता है।
बाधा निष्पादन (Constraint Execution):
- ध्रुवीयता समायोजन (Polarity Adjustment): निषेधित अवधारणाओं के लिए, स्कोर को उल्टा ( $1 - p_i$ ) कर दिया जाता है।
- एकत्रीकरण (Aggregation): समायोजित स्कोर्स को पावर मीन ( $M_\gamma$ ) का उपयोग करके एकत्रित किया जाता है।
  - संयोजन ( $A \land B$ ) के लिए $\gamma < 0$ (min के करीब) का उपयोग किया जाता है।
  - वियोजन ( $A \lor B$ ) के लिए $\gamma \gg 1$ (max के करीब) का उपयोग किया जाता है।
  - यह समग्र स्कोर के अंतर्निष्ट मीन-पूलिंग को सत्य-कार्यात्मक एकत्रीकरण (truth-functional aggregation) से बदल देता है।
स्कोर एडिटिंग (LCSE चरण): उस समग्र जानकारी (दृश्य संदर्भ, शैली, स्थानिक लेआउट) के नुकसान को रोकने के लिए, जिसे परमाणु अवधारणा स्कोर्स द्वारा कैप्चर नहीं किया गया है, यह विधि मूल समग्र स्कोर ( $s_{hol}$ ) पर एक हल्का सुधार लागू करती है:
$s_{LCSE} = s_{hol} + \frac{1}{\beta} \left( \text{logit}(p_{logic}) - \text{logit}(p_{soft}) \right)$
जहाँ $p_{logic}$ संकलित बाधा स्कोर है, और $p_{soft}$ अवधारणा स्कोर्स का सरल माध्य है। यह टर्म समग्र स्कोर को केवल तभी एडजस्ट करती है जब तार्किक ऑपरेटर के लिए नॉन-मीन एकत्रीकरण (जैसे, सख्त संयोजन या निषेध) की आवश्यकता होती है। यदि कोई ऑपरेटर मौजूद नहीं है, तो सुधार शून्य हो जाता है, और विधि मानक समग्र रिट्रीवल पर डिफ़ॉल्ट हो जाती है।

3. मुख्य योगदान

बाधा विफलता का यांत्रिक विश्लेषण (Mechanistic Analysis of Constraint Failure): लेखक टेक्स्ट एम्बेडिंग्स का "स्पैन-रेसिडुअल डिकंपोजिशन" प्रदान करते हैं, जो यह दर्शाता है कि जबकि ऑपरेटर-निर्भर संकेत रेसिडुअल घटक में मौजूद होते हैं, वे मानक डॉट-प्रोडक्ट स्कोरिंग के तहत प्रभाव डालने के लिए बहुत कमजोर या मिसअलाइन्ड होते हैं। स्पैन घटक (जो अवधारणा साक्ष्य द्वारा संचालित होता है) मीन-पूलिंग का अनुमान लगाता है, जिससे विफलता होती है।
ट्रेनिंग-फ्री इंटरफेस (LCSE): एक विधि जो एनकोडर्स को फिर से प्रशिक्षित किए बिना परमाणु साक्ष्य पर स्पष्ट रूप से बूलियन बाधाओं को निष्पादित करती है। यह मानक रिट्रीवल व्यवहार को भी सुरक्षित रखती है जहाँ बाधाएं लागू नहीं होती हैं।
FACTOR-Bench: एक नया बेंचमार्क जो ऑपरेटर-कॉन्ट्रास्टिव कैप्शन पेयर्स (समान अवधारणाएं, भिन्न ऑपरेटर) का उपयोग करके बूलियन ऑपरेटर सेमेantics का परीक्षण करने के लिए डिज़ाइन किया गया है, जिसमें वैलिडेटेड ग्राउंड-ट्रुथ कॉन्सेप्ट प्रेजेंस/एब्सेंस शामिल है।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक मूल्यांकन जो दिखाता है कि LCSE तार्किक बाधाओं पर फाइन-ट्यून्ड बेसलाइन को काफी पीछे छोड़ देता है, जबकि मानक ज़ीरो-शॉट रिट्रीवल प्रदर्शन को बनाए रखता है।

4. प्रयोगात्मक परिणाम

लेखकों ने CLIP और SigLIP 2 बैकबोन का उपयोग करके FACTOR-Bench, NegBench, और मानक रिट्रीवल रिटेंशन कार्यों पर LCSE का मूल्यांकन किया।

FACTOR-Bench सटीकता:
- LCSE (CLIP): इसने 85.5% सटीकता प्राप्त की, जो सर्वश्रेष्ठ फाइन-ट्यून्ड बेसलाइन (NegationCLIP 73.2%) से काफी बेहतर है।
- LCSE (SigLIP 2): इसने 90.7% सटीकता प्राप्त की, जो यह दर्शाता है कि बेहतर परमाणु साक्ष्य बेहतर बाधा निष्पादन की ओर ले जाता है।
- निषेध हैंडलिंग (Negation Handling): NegBench MCQ पर, LCSE ने CLIP के लिए 56.2% (NegCLIP-NegFull) से बढ़कर 60.3% और SigLIP 2 के लिए 27.2% से 65.2% तक सुधार किया।
रिट्रीवल रिटेंशन (Retrieval Retention): फाइन-ट्यून्ड मॉडल्स के विपरीत जो अक्सर मानक रिट्रीवल को कम कर देते हैं (Rank Correlation $\rho \approx 0.63\text{--}0.85$ ), LCSE मानक रिट्रीवल प्रदर्शन को लगभग पूरी तरह से सुरक्षित रखता है ( $\rho = 0.999$ CLIP के लिए, R@5 अपरिवर्तित)।
स्तरीकृत विश्लेषण (Stratified Analysis): LCSE का प्रदर्शन लाभ परमाणु साक्ष्य की गुणवत्ता के साथ बढ़ता है। जब अवधारणा पहचान विश्वसनीय होती है (AUC > 0.90), तो LCSE 90.4% सटीकता तक पहुँच जाता है, जबकि समग्र स्कोरिंग केवल 57.8% ही प्राप्त करती है।
एब्लेशन (Ablation): यह विधि विभिन्न बैकबोन और एकत्रीकरण रणनीतियों में काम करती है। "स्कोर एडिटिंग" घटक महत्वपूर्ण है; इसे हटाने पर (केवल फैक्टर्ड स्कोरिंग का उपयोग करने पर) प्राकृतिक भाषा क्वेरीज़ पर रिट्रीवल घट जाता है जिनमें स्पष्ट ऑपरेटर नहीं होते हैं।

5. महत्व और दावे

पेपर का दावा है कि VLMs की कंपोजिशनल लॉजिक को संभालने में विफलता मुख्य रूप से एक इंटरफेस-लेवल बॉटलनैक (कैसे स्कोर साक्ष्य को एकत्रित करते हैं) है, न कि एक रिप्रेजेंटेशन-लेवल विफलता (क्या एनकोडर्स दर्शाते हैं)।

सीमित दायरा (Modest Scope): लेखक स्पष्ट रूप से कहते हैं कि उनका विश्लेषण और विधि विजुअल कॉन्सेप्ट्स पर बूलियन ऑपरेटरों (एक से दो अवधारणाएं, कुछ 3-4 अवधारणाओं के विस्तार के साथ) पर मान्य है। वे सभी कंपोजिशनल रीजनिंग (जैसे, एट्रिब्यूट बाइंडिंग, संबंध, गिनती) को हल करने का दावा नहीं करते हैं, लेकिन सुझाव देते हैं कि यदि विश्वसनीय परमाणु साक्ष्य उपलब्ध है, तो फैक्टर्ड इन्फरेंस का सिद्धांत विस्तारित हो सकता है।
व्यावहारिक प्रभाव (Practical Impact): यह विधि एक ट्रेनिंग-फ्री समाधान प्रदान करती है जिसे मौजूदा फ्रोजन VLMs पर लागू किया जा सकता है ताकि फाइन-ट्यूनिंग की अस्थिरता या डेटा आवश्यकताओं के बिना संरचित क्वेरी और फ़िल्टरिंग सक्षम की जा सके।
सीमाएँ (Limitations): यह दृष्टिकोण बूलियन संरचना को पार्स करने की क्षमता (LLM पार्सर द्वारा संभाला गया, जिसकी सटीकता उच्च है) और अंतर्निहित एनकोडर की परमाणु अवधारणा पहचान की गुणवत्ता पर निर्भर करता है। यदि एनकोडर किसी अवधारणा को विश्वसनीय रूप से नहीं पहचान सकता है, तो बाहरी निष्पादन शुद्धता को पुनः प्राप्त नहीं कर सकता है।

संक्षेप में, पेपर तर्क देता है कि "समानता तर्क नहीं है" और यह साक्ष्य निष्कर्षण को तार्किक बाधा निष्पादन से अलग करने के लिए फैक्टर्ड इन्फरेंस का प्रस्ताव करता है, जिससे मानक VLM की मजबूत ज़ीरो-शॉट रिट्रीवल क्षमताओं को बनाए रखते हुए तार्किक कार्यों पर उच्च सटीकता प्राप्त होती है।