💻 computer science

OSEF: One-Step Evidence Fusion for Cross-Video Scene Procedure Planning

यह शोध पत्र क्रॉस-वीडियो सीन प्रोसीजर प्लानिंग (CVSPP) को प्रस्तुत करता है, जो एक नया कार्य है जिसमें मॉडलों को प्रासंगिक वीडियो साक्ष्य खोजने और साथ ही कार्यों की योजना बनाने की आवश्यकता होती है, और वन-स्टेप एविडेंस फ्यूजन (OSEF) का प्रस्ताव देता है, जो नियोजन के लिए सभी संभावित साक्ष्यों को एक सॉफ्ट लैटिस में संलयित करके हार्ड सिलेक्शन से बचने का एक तरीका है, जिससे एक नए स्थापित ग्यारह-स्रोत बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।

मूल लेखक: Zhentong Ye, Lei Zhang, Sijia Zhou, Yingda Yu, Yuehan Shi, Jiaqi Xuan, Shuaiwu Dong, Guanchao Tong, Meimei Zhang, Bin Li

प्रकाशित 2026-08-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhentong Ye, Lei Zhang, Sijia Zhou, Yingda Yu, Yuehan Shi, Jiaqi Xuan, Shuaiwu Dong, Guanchao Tong, Meimei Zhang, Bin 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 रोबोट को कॉफी का एक बेहतरीन कप बनाना सिखाने की कोशिश कर रहे हैं। आप केवल यह नहीं चाहते कि रोबोट को चरण पता हों; आप चाहते हैं कि वह एक वीडियो देखे, यह पता लगाए कि कौन सा विशिष्ट वीडियो इसे करने का सही तरीका दिखाता है, और वह सटीक क्षण ढूँढे जब बरिस्ता पानी डालता है, और फिर खुद निर्देश लिखे। यह वीडियो सीन प्रोसीजर प्लानिंग (Video Scene Procedure Planning) की दुनिया है। यह आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर यह समझने की कोशिश करते हैं कि एक शुरुआती दृश्य (जैसे कच्ची सामग्री) को एक लक्ष्य दृश्य (जैसे तैयार भोजन) में कैसे बदला जाए, यह देखकर कि वीडियो में क्या हो रहा है।

लंबे समय तक, शोधकर्ताओं ने कंप्यूटर को "सही" वीडियो और उसके सटीक शुरू और अंत के समय दिए। यह ऐसा था जैसे रोबोट को कुकबुक का सही पन्ना थमाकर कहना, "इसे पढ़ो।" लेकिन वास्तविक दुनिया में, यदि आप सर्च इंजन से "कॉफी कैसे बनाएं" के लिए पूछते हैं, तो वह आपको एक आदर्श वीडियो नहीं देता; वह आपको दस अलग-अलग वीडियो की एक सूची देता है। कुछ बहुत अच्छे हैं, कुछ बहुत खराब हैं, और कुछ एक ही चरणों को दिखाते हैं लेकिन अलग-अलग किचन में फिल्माए गए हैं। बड़ी चुनौती यह है: आप कंप्यूटर को इस उलझी हुई सूची में से सही वीडियो चुनने, उस वीडियो के सही हिस्से को खोजने और फिर चरणों की योजना बनाने के लिए कैसे सिखा सकते हैं, और वह भी बिना भ्रमित हुए? यह पेपर इसी उलझी हुई, वास्तविक दुनिया की समस्या को हल करता है।

समस्या: "गलत रेसिपी" का जाल

लेखक एक नया, अधिक कठिन खेल पेश करते हैं जिसे क्रॉस-वीडियो सीन प्रोसीजर प्लानिंग (CVSPP) कहा जाता है। इसे एक कुकिंग शो चैलेंज की तरह समझें जहाँ होस्ट आपको एक व्यंजन का विवरण देता है ("कच्चे आलू से शुरू करें, सुनहरे फ्राइज़ पर समाप्त करें") और चार अलग-अलग कुकिंग वीडियोों का एक ढेर देता है। आपका काम है:

वह एक वीडियो चुनें जो वास्तव में फ्राइज़ बनाने का तरीका दिखाता है।
उस वीडियो के भीतर वह विशिष्ट क्लिप खोजें जहाँ फ्राइंग (तलना) हो रही है।
चरण-दर-चरण रेसिपी लिखें।

ट्रिकी हिस्सा यह है कि चारों वीडियो "खाना बनाने" के बारे में हो सकते हैं, और वे दिखने में भी बहुत समान हो सकते हैं। यदि आप गलत वीडियो चुनते हैं (शायद वह जिसमें केक बेक किया जा रहा है) या गलत क्लिप चुनते हैं (शायद वह हिस्सा जहाँ आलू धोए जा रहे हैं, न कि तले जा रहे हैं), तो आपकी रेसिपी निरर्थक होगी।

पिछले तरीकों ने इसे "अनुमान लगाओ और जाँचो" (guess and check) खेलकर हल करने की कोशिश की। वे एक वीडियो चुनते थे, कहते थे, "ठीक है, यही वह है!" और फिर चरणों की योजना बनाने की कोशिश करते थे। लेकिन अगर उन्होंने शुरुआत में ही गलत वीडियो चुन लिया, तो पूरा प्लान ढह जाता। यह पेरिस जाने के लिए नक्शा ढूँढने की कोशिश करने जैसा है जब आपने गलती से लंदन का नक्शा चुन लिया हो; आप नक्शे को कितनी भी अच्छी तरह से पढ़ लें, आप कभी एफिल टॉवर तक नहीं पहुँच पाएंगे। लेखक तर्क देते हैं कि इस "कठिन चुनाव" को बहुत जल्दी करना एक घातक गलती है।

समाधान: OSEF (वन-स्टेप एविडेंस फ्यूजन)

इसे ठीक करने के लिए, टीम ने एक नया सिस्टम बनाया जिसे OSEF (वन-स्टेप एविडेंस फ्यूजन) कहा जाता है। एक एकल वीडियो चुनने और बाकी को त्याग देने के बजाय, OSEF अंतिम क्षण तक सभी वीडियो को मिश्रण में रखता है।

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं ऐसे जासूस हैं। पहले संदिग्ध को गिरफ्तार करने के बजाय, आप चारों संदिग्धों को कमरे में रखते हैं। आप सुरागों ( "शुरुआत" और "लक्ष्य" विवरण) को देखते हैं और पूछते हैं: "संदिग्ध A कहानी में कितनी अच्छी तरह फिट बैठता है? संदिग्ध B के बारे में क्या?" आप केवल एक को नहीं चुनते; आप हर एक वीडियो के हर एक क्षण के लिए एक "स्कोरबोर्ड" बनाते हैं।

फिर, OSEF एक विशेष "अनुवादक" (जिसे टोकन-ग्लोबल एडैप्टर कहा जाता है) का उपयोग करके इस पूरे स्कोरबोर्ड को प्लानिंग ब्रेन (योजना बनाने वाले मस्तिष्क) को खिलाता है। यह एक शेफ को एक विशाल, पारदर्शी शीट देने जैसा है जो हर वीडियो से हर संभावित चरण को दिखाती है, और यह भी बताती है कि उसके सही होने की कितनी संभावना है। शेफ फिर पूरी तस्वीर देख सकता है और निर्णय ले सकता है, "आह, वीडियो 1 में फ्राइंग वाला चरण सबसे अच्छा दिखता है, लेकिन वीडियो 2 में चॉपिंग वाला चरण अधिक स्पष्ट है।"

सभी विकल्पों को "सॉफ्ट" और उपलब्ध रखकर, सिस्टम गलत वीडियो पर बहुत जल्दी लॉक होने के जाल से बच जाता है। यह योजना प्रक्रिया को खुद को सुधारने की अनुमति देता है, भले ही शुरुआती अनुमान कि कौन सा वीडियो सबसे अच्छा है, थोड़ा गलत क्यों न हो।

उन्होंने क्या पाया

लेखकों ने अपने नए तरीके का परीक्षण एक विशाल बेंचमार्क के विरुद्ध किया जिसे उन्होंने बनाया था, जिसमें 11 विभिन्न स्रोतों (जैसे कुकिंग, DIY और क्लीनिंग) के निर्देशात्मक वीडियो शामिल थे। उन्होंने 14 अलग-अलग परीक्षण परिदृश्यों के साथ एक "स्कोरबोर्ड" बनाया।

यहाँ नंबर क्या कहते हैं:

बड़ी जीत: छह सबसे विश्वसनीय परीक्षण परिदृश्यों (जिन्हें "नेटिव सेल्स" कहा जाता है) पर, OSEF ने हर एक में पहला स्थान प्राप्त किया।
सुधार: चार विशिष्ट परीक्षणों में जहाँ वीडियो बहुत समान थे (सेम-टास्क), OSEF ने पिछले सर्वोत्तम तरीकों की तुलना में सटीक सही वीडियो और सटीक सही योजना प्राप्त करने की सफलता दर में 2.9 से 10.7 प्रतिशत अंक का सुधार किया।
सीक्रेट सॉस: लेखकों ने पाया कि सबसे बड़ा उछाल वीडियो चुनने के लिए फैंसी नए गणित से नहीं आया, बल्कि उस इंटरफेस से आया जिसने सभी वीडियो विकल्पों को प्लानर के देखने के लिए खुला रखा। यह "टोकन-ग्लोबल" दृष्टिकोण ही था जिसने अंतर पैदा किया।
सीमाएँ: सिस्टम अभी भी संघर्ष करता है जब वीडियो बहुत छोटे होते हैं या लेबल अव्यवस्थित होते हैं। पांच परिवर्तित परीक्षण परिदृश्यों में, सिस्टम का प्रदर्शन सबसे सामान्य उत्तर (मेजोरिटी-सीक्वेंस फ्लोर) का अनुमान लगाने से बेहतर नहीं था, जो बताता है कि इस प्रकार के अव्यवस्थित डेटा के लिए, समस्या अभी भी बहुत कठिन है।

यह क्यों महत्वपूर्ण है

यह पेपर दिखाता है कि जब हम कंप्यूटर को वास्तविक दुनिया के वीडियो के ढेर से सीखने के लिए कहते हैं, तो हम उन्हें तुरंत एक एकल, कठिन विकल्प चुनने के लिए मजबूर नहीं कर सकते। इसके बजाय, हमें उन्हें एक समय में सभी संभावनाओं को अपने मन में रखने की अनुमति देनी चाहिए, जिससे अंतिम निर्णय पूरी तस्वीर से उभर सके।

लेखक सावधानी से नोट करते हैं कि हालांकि यह एक महत्वपूर्ण कदम है, लेकिन यह कोई जादुई छड़ी नहीं है। सिस्टम अभी भी प्री-प्रोसेस्ड वीडियो फीचर्स और नियत (deterministic) क्वेरीज़ पर निर्भर करता है, और यह अभी भी भ्रमित हो सकता है यदि वीडियो बहुत समान हों या डेटा बहुत शोर भरा (noisy) हो। हालाँकि, यह साबित करके कि "विकल्प खुले रखना" "जल्दी विजेता चुनने" से बेहतर काम करता है, उन्होंने AI शोधकर्ताओं को मशीनों को मानव निर्देश वीडियो के अराजक, अद्भुत ढेर से सीखने के लिए सिखाने का एक नया, अधिक मजबूत तरीका दिया है।

तकनीकी सारांश: OSEF: क्रॉस-वीडियो सीन प्रोसीजर प्लानिंग के लिए वन-स्टेप एविडेंस फ्यूजन (One-Step Evidence Fusion)

1. समस्या परिभाषा: क्रॉस-वीडियो सीन प्रोसीजर प्लानिंग (CVSPP)

यह शोध पत्र मौजूदा वीडियो सीन प्रोसीजर प्लानिंग (VSPP) में एक अंतराल को संबोधित करता है। पारंपरिक VSPP सिस्टम यह मान लेते हैं कि स्टार्ट सीन से गोल सीन में बदलने वाले एक्शन सीक्वेंस की भविष्यवाणी करने के लिए सही एविडेंस वीडियो और टेम्पोरल विंडो इनपुट के रूप में प्रदान की गई है। हालांकि, व्यावहारिक परिदृश्यों में, सही एविडेंस उपलब्ध नहीं होता है; सिस्टम को प्लानिंग करने से पहले एक कैंडिडेट सेट से सही वीडियो को खोजना (retrieve) और प्रासंगिक टेम्पोरल विंडो को स्थानीयकृत (localize) करना होता है।

लेखक क्रॉस-वीडियो सीन प्रोसीजर प्लानिंग (CVSPP) को एक बेंचमार्क्ड कार्य के रूप में पेश करते हैं जहाँ एक मॉडल को प्राप्त होता है:

एक लीगल क्वेरी (legal query): एक उत्तर-संशोधित (answer-redacted) टेक्स्ट विवरण जो स्टार्ट-गोल ट्रांज़िशन को दर्शाता है (जैसे, "start: कच्चे आलू; goal: सुनहरे फ्राइज़ परोसे गए") बिना वीडियो आईडी, टाइमस्टैम्प या एक्शन सीक्वेंस को प्रकट किए।
एक कैंडिडेट सेट ( $K$ वीडियो), प्रत्येक को $M$ टेम्पोरल सेल्स में विभाजित किया गया है।

मॉडल को एक साथ निम्नलिखित कार्य करने चाहिए:

सही सहायक वीडियो को रिट्रीव (Retrieve) करना।
उस वीडियो के भीतर प्रासंगिक टेम्पोरल विंडो को लोकलाइज (Localize) करना।
स्टार्ट और गोल अवस्थाओं के बीच क्रमबद्ध क्लोज्ड-सेट एक्शन सीक्वेंस की प्लानिंग (Plan) करना।

इस कार्य को दो जुड़े हुए चुनौतियों द्वारा परिभाषित किया गया है:

सेम-टास्क एविडेंस एम्बिग्युटी (Same-task Evidence Ambiguity): कई कैंडिडेट वीडियो एक ही नाममात्र की प्रक्रिया को लगभग समान चरणों और पड़ोसी विंडोज़ के साथ प्रदर्शित कर सकते हैं, जिससे केवल टास्क-नाम आधारित कंडीशनिंग अपर्याप्त हो जाती है।
रिट्रीवल-टू-प्लान एरर प्रोपेगेशन (Retrieval-to-Plan Error Propagation): मानक "रिट्रीव-देन-प्लान" कैस्केड में, गलत वीडियो या विंडो का प्रारंभिक हार्ड सिलेक्शन (hard selection) प्लानर को एक गलत सीन चेन पास कर देता है, जिससे प्लानिंग लॉस अपूरणीय रूप से विफल हो जाता है।

2. कार्यप्रणाली: वन-स्टेप एविडेंस फ्यूजन (OSEF)

इन चुनौतियोंों को संबोधित करने के लिए, लेखक वन-स्टेप एविडेंस फ्यूजन (OSEF) प्रस्तावित करते हैं, जो एक ऐसा फ्रेमवर्क है जो अपरिवर्तनीय एविडेंस कमिटमेंट (irreversible evidence commitment) को टाल देता है। प्लानिंग से पहले एक एकल वीडियो चुनने और विंडो क्रॉप करने के बजाय, OSEF सभी कैंडिडेट सेल्स को स्कोर करता है और पूरे सॉफ्ट एविडेंस रिप्रेजेंटेशन को एक सिंगल डिफरेंशिएबल पाथ में प्लानर को फीड करता है।

आर्किटेक्चर के तीन मुख्य घटक हैं:

क्वेरी-कंडीशन्ड एविडेंस लैटिस (Query-Conditioned Evidence Lattice):
- मॉडल लीगल क्वेरी $q$ के विरुद्ध प्रत्येक सेल $(k, m)$ को $K \times M$ कैंडिडेट लैटिस में स्कोर करता है।
- एक पैरामीटर-फ्री सिमेट्रिक लिफ्ट वैध क्लोज्ड इंटरवल्स $(i \le j)$ का निर्माण करता है ताकि स्कोर का एक लैटिस $H_\theta(q, k, i, j)$ बन सके।
- इस लैटिस का 'argmax' मूल्यांकन के लिए रिपोर्ट किए गए वीडियो और लोकलाइज्ड स्पैन को निर्धारित करता है, लेकिन प्लानर पाथ सभी $K \times M$ सेल्स को बनाए रखता है।
टोकन-ग्लोबल एविडेंस-टू-प्लान (E2P) अडैप्टर:
- यह घटक सेल-लेवल सिग्नल्स के नुकसान को रोकता है जो मानक पूलिंग में होता है।
- यह पूरे $K \times M$ लैटिस को फ्लैट करता है (बिना क्रॉप किए) और इसे एक सिंगल-लेयर ट्रांसफॉर्मर एनकोडर के माध्यम से प्रोसेस करता है।
- $2T$ लर्नड एंडपॉइंट क्वेरीज (जो प्रत्येक $T$ स्टेप के लिए स्टार्ट और गोल स्टेट्स का प्रतिनिधित्व करती हैं) लैटिस के सभी सेल्स के साथ क्रॉस-अटेंड करती हैं।
- यह एक सीन-स्टेट चेन टेंसर ( $B \times T \times 2 \times d_v$ ) उत्पन्न करता है जहाँ प्रत्येक कैंडिडेट का एविडेंस प्लानर के लिए उपलब्ध रहता है, भले ही हार्ड 'argmax' सिलेक्शन गलत हो।
गोल-कंडीशन्ड प्लानर (Goal-Conditioned Planner):
- एक थ्री-लेयर ट्रांसफॉर्मर स्टेट पेयर्स को प्रति-स्टेप एक्शन लॉजिट्स में मैप करता है।
- लीगल क्वेरी दो तंत्रों के माध्यम से प्लानर को कंडीशन करती है: स्टेट टोकन्स पर एक FiLM-स्टाइल एफाइन स्केल/शिफ्ट और अटेंशन के लिए एक विशिष्ट प्रीपेंडेड टोकन के रूप में।
- एक शेयर्ड हेड $T$ स्टेप्स को डिकोड करता है।

ट्रेनिंग ऑब्जेक्टिव:
मॉडल जॉइंट-कैस्केड सुपरविजन (Joint-Cascade Supervision) का उपयोग करता है। लॉस ( $L_{JC}$ ) सॉफ्ट ग्लोबल चेन ( $\hat{S}$ ) से उत्पन्न प्लान के क्रॉस-एन्ट्रॉपी लॉस को रिट्रीवल प्रोबेबिलिटी $p_k$ द्वारा भारित व्यक्तिगत कैंडिडेट चेन्स ( $S_k$ ) के लॉस के भारित योग के साथ जोड़ता है। यह प्लानिंग लॉस को एविडेंस रिप्रेजेंटेशन को नया आकार देने की अनुमति देता है।

3. बेंचमार्क निर्माण

लेखकों ने 11 इंस्ट्रक्शनल वीडियो स्रोतों (3 नेटिव प्लानिंग बेंचमार्क: COIN, CrossTask, NIV; और 8 कन्वर्टेड स्रोत जैसे YouCook2, Ego4D, आदि) से एक बेंचमार्क बनाया है।

लीगल क्वेरी ऑडिट: एक "फेल-क्लोज्ड" गेट सुनिश्चित करता है कि क्वेरी में कोई ग्राउंड-ट्रुथ लीकेज न हो (कोई वीडियो आईडी, टाइमस्टैम्प या एक्शन सीक्वेंस नहीं)।
नेगेटिव रोल्स: बेंचमार्क में विशिष्ट विफलता मोड का परीक्षण करने के लिए टाइप किए गए नेगेटिव रोल्स शामिल हैं: गलत वीडियो (WV), गलत विंडो (WO), और गलत टास्क (WA)।
मेट्रिक्स:
- एविडेंस एक्सिस: एग्जैक्ट-वीडियो R@1, MRR, और स्पैन-IoU।
- प्लान एक्सिस: प्रति-स्टेप मीन एक्यूरेसी (MAcc) और एग्जैक्ट-सीक्वेंस सक्सेस (PLAN-SR)।
- फुल मेट्रिक: FULL-SR, वीडियो को सही ढंग से रिट्रीव करने, विंडो को लोकलाइज करने और सटीक एक्शन सीक्वेंस को एक साथ प्रेडिक्ट करने की संभावना।

4. मुख्य परिणाम

पेपर नौ एडेप्टेड प्लानर फैमिली (जिसमें लेटेंट, ग्राफ, जेनेरेटिव और डिस्क्रीट-सीक्वेंस प्लानर्स शामिल हैं) के विरुद्ध 14 सोर्स-होराइजन सेल्स में OSEF का मूल्यांकन करता है।

रैंकिंग प्रदर्शन: OSEफर सभी छह नेटिव सेल्स (COIN, CrossTask, NIV) पर प्रथम स्थान प्राप्त करता है जहाँ मेथड रैंकिंग वैध है।
प्रदर्शन लाभ: चार मैच किए गए सेम-टास्क सेल्स (COIN-T3/T4 और CrossTask-T3/T4) पर, OSEF एक एन्हांस्ड हार्ड-सिलेक्शन SOTA बेसलाइन की तुलना में FULL-SR में 2.9 से 10.7 प्रतिशत अंक का सुधार करता है।
कंपोनेंट एनालिसिस: एक एब्लेशन स्टडी से पता चलता है कि टोकन-ग्लोबल इंटरफेस (पूलिंग के बजाय सभी सेल्स को बनाए रखना) प्रदर्शन में सबसे बड़ा सिंगल इंक्रीमेंट है। सॉफ्ट पूलिंग अकेले अपर्याप्त है; लर्नड क्वेरीज के माध्यम से पूरे लैटिस को पढ़ने की क्षमता महत्वपूर्ण है।
विफलता मोड (Failure Modes):
- विशिष्ट स्रोतों के लिए डिस्टिंक्ट-टास्क कैंडिडेट पर रिट्रीवल लगभग सैचुरेटेड है (जैसे, NIV-T3 में R@1 99.20% तक पहुँचता है), लेकिन प्लानिंग अभी भी एक बाधा बनी हुई है।
- लोकलाइजेशन कमजोर है; एक सही प्लान का मतलब सही विंडो की गारंटी नहीं है (स्पैन-IoU कम होने पर भी FULL-SR उच्च रहता है)।
- कोर्स लेबल्स वाले कन्वर्टेड सोर्सेज (जैसे, CEgo, TACoS) पर, प्रदर्शन अक्सर "मेजोरिटी-सीक्वेंस फ्लोर" के करीब होता है, जो दर्शाता है कि ये सेल्स लेबल-डिजेनरेट स्ट्रेस टेस्ट हैं न कि रैंकिंग एविडेंस।

5. महत्व और दावे

यह पेपर दावा करता है कि यह रिट्रीवल, लोकलाइजेशन और प्लानिंग को एक उत्तर-संशोधित क्वेरी से एक साथ स्कोर करने वाला पहला बेंचमार्क है। इसका महत्व निम्नलिखित में है:

कपल्ड प्रॉब्लम को औपचारिक रूप देना: यह "सेम-टास्क एविडेंस एम्बिग्युटी" को "रिट्रीवल-टू-प्लान एरर प्रोपेगेशन" से स्पष्ट रूप से अलग करता है, और दिखाता है कि हार्ड सिलेक्शन कैस्केड नाजुक होते हैं।
सॉफ्ट फ्यूजन पेश करना: OSEF प्रदर्शित करता है कि पूरे कैंडिडेट लैटिस पर एविडेंस को "सॉफ्ट" रखना और उसे टोकन-ग्लोबल अडैप्टर के माध्यम से प्लानर को फीड करना, हार्ड-सिलेक्शन बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है।
बेंचमार्किंग ट्रांसफर: यह एक कठोर परीक्षण मंच प्रदान करता है कि मौजूदा VSPP प्लानर्स कैसे ट्रांसफर होते हैं जब एविडेंस प्रदान नहीं किया जाता है, जिससे पता चलता है कि अधिकांश विरासत प्राप्त (inherited) प्लानर्स विशिष्ट OSEF इंटरफेस के बिना विफल हो जाते हैं।

लेखक विनम्रतापूर्वक सीमाओं को नोट करते हैं: वर्तमान सेटअप फ्रोजन फीचर्स और डिटर्मिनिस्टिक क्वेरीज का उपयोग करता है, और लैटिस की लागत कैंडिडेट की संख्या ( $K$ ) के साथ बढ़ती है। उन्होंने निष्ठावान स्पैन डिकोडिंग और मजबूत बैकबोन्स को ओपन चैलेंजेस के रूप में पहचाना है। सप्लीमेंट्री पैकेज में मॉडल कंस्ट्रक्टर्स, इवैल्यूएशन कोड और प्रति-सेल ऑडिट शामिल हैं।