कल्पना कीजिए कि आप ज्ञान के एक विशाल पुस्तकालय के लिए एक व्यस्त, उच्च-तकनीकी डाकघर चला रहे हैं। हर दिन, लाखों पत्र (क्वेरीज़) आते हैं, जो कानूनी अनुबंधों से लेकर चिकित्सा सलाह तक सब कुछ पूछ रहे होते हैं। लेकिन यहाँ एक पेंच है: कुछ पत्र खतरनाक हैं, कुछ निरर्थक हैं, और कुछ ऐसे हैं जो उन चीजों के बारे में पूछ रहे हैं जो पुस्तकालय के दायरे में नहीं आतीं। यदि आप एक खतरनाक पत्र किसी ऐसे विशेषज्ञ को भेज देते हैं जो चिकित्सा में माहिर है, तो आपको गलत उत्तर या सुरक्षा संबंधी खतरा मिल सकता है। इसलिए, किसी भी पत्र के विशेषज्ञ तक पहुँचने से पहले, उसे मुख्य दरवाजे पर एक "गार्जियन" (रक्षक) से गुजरना होगा। इस गार्जियन के दो काम हैं: पहला, यह तय करना कि क्या पत्र सुरक्षित है और क्या वह वास्तव में पुस्तकालय का हिस्सा है; और दूसरा, यदि वह सुरक्षित है, तो जल्दी से यह पता लगाना कि उसे किस विशिष्ट विशेषज्ञ (कानून, वित्त, या स्वास्थ्य सेवा) के पास भेजा जाना चाहिए।

लंबे समय तक, लोगों ने सोचा था कि इस गार्जियन की भूमिका निभाने के लिए आपको एक विशाल, अत्यंत बुद्धिमान रोबोट की आवश्यकता होगी क्योंकि यह काम जटिल है। लेकिन विशाल रोबोट धीमे, महंगे और बिजली के भूखे होते हैं। यह शोध पत्र एक मजेदार सवाल पूछता है: क्या हम इन गार्जियन की भूमिका निभाने के लिए छोटे, सस्ते और तेज़ "पॉकेट रोबोट" (जिन्हें स्मॉल लैंग्वेज मॉडल्स कहा जाता है) का उपयोग कर सकते हैं? पेंच यह है कि ये छोटे रोबोट कभी-कभी भ्रमित हो जाते हैं। वे निरर्थक बातों को पहचानने में बेहतरीन हो सकते हैं, लेकिन जब वे कोई वास्तविक प्रश्न देखते हैं, तो वे किसी विशिष्ट विशेषज्ञ को चुनने में बहुत डरपोक हो जाते हैं, या वे खेल के नियमों को भूल जाते हैं। शोधकर्ता यह देखना चाहते थे कि क्या हम इन छोटे रोबोटों को बिना उनके दिमाग को फिर से बनाए (rebuild) केवल उन्हें दिए जाने वाले निर्देशों को बदलकर बेहतर तरीके से नियमों का पालन करना सिखा सकते हैं।

द गार्जियन डिलेमा (गार्जियन की दुविधा)

आर्टिफिशियल इंटेलिजेंस की दुनिया में, हमारे पास ये "लार्ज लैंग्वेज मॉडल्स" हैं जो प्रतिभाशाली, सर्वज्ञ जादूगरों की तरह हैं। वे कहानियाँ लिख सकते हैं, गणित की समस्याओं को हल कर सकते हैं और किसी भी विषय पर चर्चा कर सकते हैं। लेकिन वे भारी और धीमे होते हैं। उन्हें वास्तविक समय के कार्यों के लिए उपयोगी बनाने के लिए, हम अक्सर उनके सामने एक "राउटर" रखते हैं। इस राउटर को एक क्लब के बाउंसर की तरह समझें। बाउंसर को तुरंत दो चीजें तय करनी होती हैं: "क्या यह व्यक्ति अंदर आने की अनुमति रखता है?" (सुरक्षा/आउट-ऑफ-डिस्ट्रीब्यूशन) और "उन्हें कौन सा वीआईपी लाउंज मिलना चाहिए?" (इन्टेंट/इन-डिस्ट्रीब्यूशन)।

यदि बाउंसर बहुत सख्त है, तो वह अच्छे मेहमानों को बाहर निकाल देता है (वैध प्रश्नों को खारिज करना)। यदि वह बहुत ढीला है, तो वह उपद्रवी लोगों को अंदर आने देता है (असुरक्षित प्रश्न)। यह शोध पत्र इसे "गार्डेड क्वेरी राउटिंग" कहता है। लक्ष्य एक ऐसा बाउंसर ढूंढना है जो तेज़, सस्ता और इतना सटीक हो कि क्लब को सुरक्षित रख सके और सही लोगों को सही कमरों तक पहुँचा सके।

प्रयोग: पॉकेट रोबोट्स को प्रशिक्षित करना

शोधकर्ताओं ने विभिन्न आकारों के 22 अलग-अलग "पॉकेट रोबोट्स" (स्मॉल लैंग्वेज मॉडल्स) को इकट्ठा किया, जो 270 मिलियन "ब्रेन सेल्स" (पैरामीटर्स) वाले नन्हे रोबोट से लेकर 70 बिलियन वाले बड़े रोबोटों तक विस्तृत थे। उन्होंने उन्हें एक विशेष परीक्षण पर परखा जिसे GQR-Bench कहा जाता है, जो तीन प्रकार के वैध प्रश्नों (कानून, वित्त, स्वास्थ्य सेवा) और सात प्रकार के पेचीदा, विषय से हटकर या खतरनाक प्रश्नों से भरा एक विशाल बाधा दौड़ (obstacle course) जैसा है।

उन्होंने रोबोट्स को एक विशेष स्कोर के माध्यम से मापा जिसे GQR-Score कहा जाता है, जो इस बात का संतुलन है कि वे वैध प्रश्नों को कितनी अच्छी तरह पकड़ते हैं और बुरे प्रश्नों को कितनी अच्छी तरह खारिज करते हैं। यदि कोई रोबोट सब कुछ खारिज कर देता है, तो उसका स्कोर कम होता है क्योंकि वह बेकार है। यदि वह सब कुछ स्वीकार कर लेता है, तो वह भी कम स्कोर पाता है क्योंकि वह असुरक्षित है।

बड़ी खोज: यह आकार के बारे में नहीं, बल्कि निर्देशों के बारे में है

टीम ने पहली बात यह पाई कि आकार ही सब कुछ नहीं है। सबसे बड़ा, शक्तिशाली रोबोट (Gemma 3 27B) ने 96.01 का शानदार स्कोर प्राप्त किया। लेकिन क्या आप जानते हैं? एक बहुत छोटा रोबोट (Qwen3.5 9B) भी केवल मानक निर्देशों का उपयोग करके लगभग उतना ही स्कोर (94.55) प्राप्त कर सका। यहाँ तक कि एक मध्यम आकार के रोबोट (Mistral 7B) ने भी काफी अच्छा प्रदर्शन किया, जिसका स्कोर 81.79 था।

हालाँकि, नन्हे रोबोटों के साथ एक अजीब समस्या थी। वे हर चीज़ के लिए "ना!" कहने में बहुत माहिर थे। उदाहरण के लिए, Granite 4 Tiny रोबोट गलती करने से इतना डर गया था कि उसने 99.75% सभी प्रश्नों को खारिज कर दिया, जिसमें अच्छे प्रश्न भी शामिल थे! वह केवल 37.29% बार सही ढंग से वैध प्रश्नों की पहचान कर पाया। यह एक ऐसे बाउंसर की तरह था जिसने तय किया कि क्लब चलाने का एकमात्र सुरक्षित तरीका दरवाज़े बंद कर देना और किसी को भी अंदर न आने देना है।

जादुई समाधान: "उदाहरण" वाला नुस्खा

शोधकर्ताओं ने सोचा: "क्या हम केवल निर्देशों को बदलकर इन डरपोक रोबोटों को ठीक कर सकते हैं?" उन्होंने रोबोट्स को फिर से प्रशिक्षित नहीं किया (जो उनके दिमाग को फिर से बनाने जैसा है); इसके बजाय, उन्होंने प्रॉम्प्ट इंजीनियरिंग नामक तकनीक का उपयोग किया। यह रोबोट को एक "चीट शीट" या काम शुरू करने से पहले उदाहरणों का एक सेट देने जैसा है।

उन्होंने कुछ विधियों को आजमाया, लेकिन परिणाम रोबोट पर निर्भर थे। Granite 4 Tiny रोबोट के लिए सबसे प्रभावी तरीका वास्तव में "उदाहरण" वाला नुस्खा नहीं था, बल्कि एक सरल निर्देश प्रारूप था जिसे DSPry Baseline कहा जाता है। इस पद्धति ने अतिरिक्त फालतू बातों को हटा दिया और रोबोट को एक सख्त, बुनियादी टेम्पलेट दिया। यह एक भयानक स्कोर 54.29 से सुधरकर एक शानदार 83.05 पर पहुँच गया। इसने सब कुछ खारिज करना बंद कर दिया और वास्तव में मेल छाँटना शुरू कर दिया।

अन्य रोबोटों के लिए, जैसे Mistral 7B, "उदाहरण" वाला नुस्खा (जिसे Few-Shot Prompting कहा जाता है) असली जादू था। कल्पना कीजिए कि आप एक नए कर्मचारी को मेल छाँटना सिखा रहे हैं। केवल "मेल छाँटो" कहने के बजाय, आप उसे तीन उदाहरण दिखाते हैं:

1. "यह पत्र एक मुकदमे के बारे में है -> कानून विभाग को भेजें।"
2. "यह पत्र शेयरों के बारे में है -> वित्त विभाग को भेजें।"
3. "यह पत्र एक बिल्ली के बारे में है -> इसे 'रिजेक्ट' बिन में डालें।"

जब उन्होंने Mistral 7B रोबोट को ये उदाहरण दिए, तो वह 81.79 से उछलकर 90.87 पर पहुँच गया। Qwen3.5 9B रोबोट भी इस पद्धति के साथ और भी बेहतर हो गया, और 95.74 तक पहुँच गया, जो कि बड़े रोबोट के लगभग बराबर है, लेकिन यह बहुत अधिक तेज़ चलता है।

शोध पत्र सुझाव देता है कि समस्या यह नहीं थी कि छोटे रोबोटों को जवाब पता नहीं था; बस उन्हें यह नहीं पता था कि खेल के नियमों का पालन कैसे करना है। उदाहरणों (या सख्त टेम्पलेट) ने उन्हें तुरंत दिखा दिया कि एक सही उत्तर कैसा दिखता है, और वे तुरंत इसे समझ गए।

समझौता: गति बनाम सटीकता

हालाँकि, एक छोटी सी कमी भी है। जब आप रोबोट को उदाहरणों के साथ एक चीट शीट देते हैं, तो उसे पढ़ना होने वाला संदेश लंबा हो जाता है। इससे रोबोट एक प्रश्न का उत्तर देने में थोड़ा धीमा हो जाता है। अध्ययन में पाया गया कि इन उदाहरणों का उपयोग करने से रोबोट को एक प्रश्न का उत्तर देने में लगभग 2 से 6 गुना अधिक समय लगा। फिर भी, वे अविश्वसनीय रूप से तेज़ थे (लग लगभग 0.05 से 0.28 सेकंड प्रति प्रश्न), जो अधिकांश वास्तविक दुनिया के ऐप्स के लिए पर्याप्त तेज़ है।

शोधकर्ताओं ने GEPA नामक एक अधिक जटिल विधि भी आजमाई, जो एक शिक्षक रोबोट की तरह है जो निर्देशों को स्वचालित रूप से फिर से लिखता है। लेकिन यह केवल स्पष्ट उदाहरण देने जितना प्रभावी नहीं रहा। वास्तव में, कुछ सबसे छोटे रोबोटों के लिए, जटिल पुनलेखन ने चीज़ों को और खराब कर दिया, जिससे वे फिर से भ्रमित हो गए।

भविष्य के लिए इसका क्या अर्थ है

मुख्य निष्कर्ष यह है कि एक अच्छा गार्जियन बनने के लिए आपको हमेशा सबसे बड़े, सबसे महंगे रोबोट की आवश्यकता नहीं होती है। एक छोटा, सस्ता रोबोट भी उतना ही अच्छा काम कर सकता है यदि आप उसे सही निर्देश दें। विशेष रूप से, उसे कुछ उदाहरण दिखाना (Few-Shot) उसे उसके डर से उबरने और नियमों का पालन करने में मदद करता है, जबकि कुछ बहुत विशिष्ट रोबोटों के लिए, एक सख्त, बुनियादी टेम्पलेट सबसे अच्छा काम करता है।

हालाँकि, शोध पत्र यह भी चेतावनी देता है कि यदि रोबोट बहुत छोटा है (जैसे कि 0.8 बिलियन पैरामीटर वाले), तो सबसे अच्छे उदाहरण भी उसे बचाने के लिए पर्याप्त नहीं हो सकते हैं। और यदि कोई रोबोट पहले से ही बहुत अच्छा काम कर रहा है, तो उदाहरण जोड़ने से ज्यादा मदद नहीं मिलेगी और यह अनावश्यक रूप से उसे धीमा भी कर सकता है।

संक्षेप में, एक सुरक्षित और तेज़ AI सिस्टम बनाने के लिए, गुप्त मंत्र केवल सबसे बड़ा दिमाग खरीदना नहीं है; बल्कि यह जानना है कि आपके पास जो दिमाग है उससे बात कैसे करनी है। थोड़ा सा "प्रॉम्प्ट इंजीनियरिंग" एक भ्रमित और अत्यधिक सावधान रोबोट को एक तेज़ और कुशल गार्जियन में बदल सकता है।