कल्पना कीजिए कि आप एक रोबोट कलाकार को पेंटिंग करना सिखाने की कोशिश कर रहे हैं। लंबे समय तक, इसका असली मंत्र रोबोट को अधिक से अधिक शब्द पढ़ने के लिए देना लगता था। तर्क सरल था: यदि आप एक छोटे वाक्य के साथ किसी दृश्य का वर्णन करते हैं, तो रोबोट कुछ विवरणों को छोड़ सकता है। इसलिए, लोगों ने लंबे, अलंकृत पैराग्राफ लिखना शुरू कर दिया, इस उम्मीद में कि अधिक शब्दों का अर्थ बेहतर चित्र होगा। यह अध्ययन का क्षेत्र "टेक्स्ट-टू-इमेज जनरेशन" कहलाता है, जहाँ कंप्यूटर लिखित विवरणों को दृश्य कला में बदल देता है। लेकिन इसमें एक पेंच है: रोबोध केवल शब्द नहीं पढ़ता; वह उन शब्दों को उन पिक्सेल से मिलाने की कोशिश करता है जिन्हें उसने पहले देखा है। यदि शब्द अस्पष्ट या केवल दोहराव वाले हैं, तो आप कितने भी शब्द उपयोग करें, रोबोट भ्रमित हो जाएगा। बड़ा सवाल जो शोधकर्ता पूछ रहे थे वह यह है: क्या विवरण की लंबाई मायने रखती है, या उपयोगी जानकारी की मात्रा मायने रखती है?

यह शोध पत्र उसी रहस्य की गहराई में जाता है। शोधकर्ताओं ने पाया कि केवल प्रॉम्प्ट में अधिक शब्द जोड़ना एक लीक होते पाइप से बाल्टी भरने की कोशिश करने जैसा है; अंततः, आप बाल्टी भरने के बजाय केवल अपने पैरों को गीला करेंगे। उन्होंने पाया कि असली जादू तब होता है जब आप लंबी कहानियाँ लिखना बंद कर देते हैं और संरचित, व्यवस्थित "ब्लूप्रिंट" (खाके) लिखना शुरू करते हैं। एक पैराग्राफ के बजाय, वे तथ्यों की एक सूची का उपयोग करते हैं, जैसे "निर्देशांक (10, 20) पर एक लाल गेंद" या "एक नीली कुर्सी पर बैठी बिल्ली।" जानकारी को इस तरह व्यवस्थित करके, रोबोट कलाकार पेंटिंग शुरू करने से पहले अपने मन में चित्र को देख सकता है। शोध पत्र सुझाव देता है कि यह संरचित दृष्टिकोण कंप्यूटर को बहुत तेज़ी से सीखने और बहुत बेहतर चित्र बनाने में सक्षम बनाता है, विशेष रूप से कई वस्तुओं वाले जटिल दृश्यों के लिए।

"अधिक शब्द" का मिथक बनाम "बेहतर मानचित्र" की वास्तविकता

वर्षों तक, AI कला की दुनिया एक सरल धारणा पर काम करती थी: यदि आप एक बेहतर चित्र चाहते हैं, तो लंबा विवरण लिखें। यह तार्किक लगता था। यदि आप एक इंसान को कहते हैं, "एक कुत्ता बनाओ," तो वे एक सामान्य कुत्ता बना सकते हैं। यदि आप कहते हैं, "धूप से भरे समुद्र तट पर दौड़ता हुआ लाल कॉलर वाला एक रोएँदार गोल्डन रिट्रीवर बनाओ," तो वे बहुत अधिक विशिष्ट चीज़ बनाते हैं। इसलिए, शोधकर्ताओं और शौकीनों ने AI मॉडल को विशाल पैराग्राफ खिलाना शुरू कर दिया, इस उम्मीद में कि अधिक टेक्स्ट AI को अधिक विवरणों पर ध्यान देने के लिए मजबूर करेगा।

लेकिन इस पेपर के लेखकों ने, जो ByteDance Seed में कार्यरत हैं, यह परीक्षण करने का निर्णय लिया कि क्या यह "अधिक ही बेहतर है" वाला नियम वास्तव में काम करता है। उन्होंने एक "रिकंस्ट्रक्शन प्रोब" (पुनर्निर्माण जांच) का उपयोग करके एक चतुर प्रयोग किया। कल्पना कीजिए कि आपके पास रहने के कमरे की एक एकल, पूर्ण तस्वीर है। फिर आप एक AI से उस कमरे का चार अलग-अलग तरीकों से वर्णन करने के लिए कहते हैं: एक छोटा वाक्य, एक मध्यम पैराग्राफ, एक लंबा निबंध, और एक अति-लंबा उपन्यास। महत्वपूर्ण बात यह है कि ये सभी विवरण बिल्कुल एक ही चीजों के बारे में बात करते हैं; वे बस अधिक शब्दबहुल और दोहराव वाले हो जाते हैं।

जब उन्होंने इन विवरणों को वापस AI में डाला यह देखने के लिए कि क्या वह कमरे को फिर से बना सकता है, तो कुछ आश्चर्यजनक हुआ। जैसे-जैसे विवरण लंबे होते गए, पुन: बनाए गए कमरे की गुणवत्ता बेहतर नहीं हुई। वह बिल्कुल वैसी ही रही। AI एक दीवार से टकरा गया। यह पता चला कि एक बार जब AI बुनियादी तथ्यों को जान लेता है (वहाँ एक सोफा है, वहाँ एक लैंप है), तो अधिक विशेषण और अलंकृत गद्य उसे छवि को बेहतर ढंग से समझने में मदद नहीं करते। अतिरिक्त शब्द केवल शोर (noise) थे। शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि केवल टोकन काउंट (शब्दों की संख्या) बढ़ाने से छवि की गुणवत्ता में सुधार होता है। वास्तव में, कई मौजूदा मॉडलों के लिए, प्रॉम्प्ट को बहुत लंबा बनाना परिणामों को वास्तव में बदतर बना देता है।

गुप्त हथियार: संरचित प्रॉम्प्ट (Structured Prompts)

यदि लंबे पैराग्राफ काम नहीं करते हैं, तो क्या काम करता है? लेखक "कहानी सुनाने" से "ब्लूप्रिंट बनाने" की ओर बदलाव का प्रस्ताव देते हैं। उन्होंने स्ट्रक्चर्ड प्रॉम्प्ट (SP) नामक कुछ पेश किया। एक वाक्य लिखने के बजाय जैसे, "एक सिल्वर पिकअप ट्रक सड़क पर जा रहा है जिसके पीछे कुछ बक्से हैं," स्ट्रक्चर्ड प्रॉम्प्ट छवि को तथ्यों की एक कठोर, व्यवस्थित सूची में तोड़ देता है, जो लगभग कंप्यूटर कोड या JSON फ़ाइल की तरह है।

इसे एक शेफ को भोजन के बारे में एक अस्पष्ट कहानी देने बनाम उन्हें सटीक माप के साथ एक सटीक रेसिपी देने के अंतर के रूप में सोचें।

• प्राकृतिक भाषा (कहानी): "एक सिल्वर पिकअप ट्रक सड़क पर कार्डबोर्ड बॉक्स, एक लिपटा हुआ सिलेंडर और कोका-कोला कैन ले जा रहा है।"
• स्ट्रक्चर्ड प्रॉम्प्ट (ब्लूप्रिंट):
  • वाहन (Vehicle): सिल्वर पिकअप ट्रक
  • कार्गो (Cargo): कार्डबोर्ड बॉक्स, लिपटा हुआ सिलेंडर, कोका-कोला कैन
  • स्थान (Location): सड़क
  • स्थिति (Position): [ट्रक के लिए विशिष्ट निर्देशांक]
  • गहराई (Depth): [ट्रक कितनी दूर है]

शोध पत्र में पाया गया कि जब AI को इन संरचित ब्लूप्रिंट्स पर प्रशिक्षित किया गया, तो छवियों की गुणवत्ता नाटकीय रूप से सुधर गई। ब्लूप्रिंट जितना विस्तृत होगा (गहराई, विशिष्ट स्थिति और वस्तुओं के बीच संबंध जैसे चीजें जोड़ना), AI दृश्य बनाने में उतना ही बेहतर होता गया।

यह साबित करने के लिए कि यह केवल एक इत्तेफाक नहीं था, शोधकर्ताओं ने दो चतुर उपकरणों का उपयोग करके प्रॉम्प्ट में "सूचना" को मापा:

1. GPG (ग्राउंडेड परप्लेक्सिटी गेन): यह मापता है कि छवि AI को पाठ समझने में कितनी मदद करती है। यह पूछने जैसा है, "क्या चित्र देखने से वाक्य अधिक समझ में आने लगा?"
2. ED (इफेक्टिव डिटेलनेस): यह जाँचता है कि पाठ में कितने विशिष्ट तथ्य वास्तव में चित्र से मेल खाते हैं।

उन्होंने एक सीधा संबंध पाया: प्रॉम्प्ट में जितनी अधिक "सूचना" (तथ्य) थी, AI की प्रशिक्षण त्रुटि उतनी ही कम हुई। यह एक सीधी रेखा है। अधिक तथ्य = बेहतर सीखना। अधिक शब्द (बिना नए तथ्यों के) = कोई बदलाव नहीं।

दो-चरणीय नृत्य: लेखक और चित्रकार

यह शोध पत्र पूरी प्रक्रिया को दो अलग-अलग भूमिकाओं में विभाजित करता है, जिन्हें वे डिफ्यूज़ेबिलिटी (Diffusability) और प्रॉम्प्टेबिलिटी (Promptability) कहते हैं।

1. डिफ्यूज़ेबिलिटी (चित्रकार का कौशल): यह इस बारे में है कि AI "चित्रकार" निर्देशों को कितनी अच्छी तरह पढ़ सकता है। शोधकर्ताओं ने पाया कि यदि आप चित्रकार को एक संरचित ब्लूप्रिंट देते हैं, तो वे काम को बहुत तेज़ी से सीख सकते हैं और कम गलतियाँ करते हैं। उन्होंने अपने AI मॉडल को हजारों छवियों पर प्रशिक्षित किया जिन्हें इन ब्लूप्रिंट में परिवर्तित किया गया था। परिणाम? मॉडल जटिल निर्देशों का पालन करने में अविश्वसनीय रूप से अच्छा हो गया, जैसे कि पाँच कुर्सियाँ बनाना जहाँ केवल दूसरी और पाँचवीं कुर्सी पर लोग बैठे हों।

2. प्रॉम्प्टेबिलिटी (लेखक का कौशल): यह उपयोगकर्ता के सरल अनुरोध ("एक शानदार रोबोट बनाओ") को उस पूर्ण स्ट्रक्चर्ड ब्लूप्रिंट में बदलने की चुनौती है। चूंकि उपयोगकर्ता ब्लूप्रिंट में बात नहीं करते हैं, इसलिए टीम ने अनुवाद करने के लिए एक विशेष "प्रॉम्प्टर" (एक लार्ज लैंग्वेज मॉडल) बनाया।

   • पहले, उन्होंने इस प्रॉम्प्टर को उदाहरण दिखाकर ब्लूप्रnt लिखने के लिए सिखाया (सुपरवाइज्ड फाइन-ट्यूनिंग)।
   • फिर, उन्होंने एक "कोल्ड-स्टार्ट" पद्धति का उपयोग किया जहाँ AI ने तर्क का उपयोग करके उन विवरणों की कल्पना करना सीखा जिन्हें वह देख नहीं सकता था, ताकि रिक्त स्थानों को भरा जा सके।
   • अंत में, उन्होंने एक "वेरिफायर" (सत्यापनकर्ता) प्रणाली का उपयोग किया। AI एक ब्लूप्रिंट लिखता, चित्रकार उसे चित्रित करता, और एक जज परिणाम को देखता। यदि चित्र खराब था, तो जज लेखक को ठीक-ठीक बताता कि क्या गलत था (जैसे, "आप रोबोट के हाथ की गहराई भूल गए"), और लेखक फिर से प्रयास करता। इस प्रक्रिया को रीइन्फोर्समेंट फाइन-ट्यूनिंग कहा गया, जिसने प्रॉम्प्टर को अविश्वसनीय रूप से तेज बना दिया।

परिणाम: एक नया मानक

जब उन्होंने सुपर-संगठित ब्लूप्रिंट्स को सुपर-स्मार्ट प्रॉम्प्टर के साथ जोड़ा, तो परिणाम प्रभावशाली थे। उनका सिस्टम जटिल तर्क वाले परीक्षणों में लगभग हर अन्य ओपन-सोर्स AI मॉडल को पछाड़ गया, जैसे कि वस्तुओं की गिनती करना, स्थानिक संबंधों (बाएं बनाम दाएं) को समझना और विस्तृत निर्देशों का पालन करना।

उदाहरण के लिए, विशिष्ट प्रकाश व्यवस्था और कई वस्तुओं वाले दृश्य को बनाने के लिए कहा जाने पर, उनका सिस्टम उन मॉडलों की तुलना में बहुत अधिक बार विवरणों को सही ढंग से प्रस्तुत करता है जो केवल लंबे, अव्यवित पैराग्राफ पर निर्भर करते हैं। उन्होंने यह भी दिखाया कि आप छवि के विशिष्ट हिस्सों को आसानी से संपादित कर सकते हैं। यदि आप कुर्सी की "सामग्री" को लकड़ी से धातु में बदलना चाहते हैं, तो आप बस ब्लूप्रिंट में उस एक फ़ील्ड को बदलते हैं, और AI बाकी कमरे को बिगाड़े बिना कुर्सी को फिर से बना देता है।

भविष्य के लिए इसका क्या अर्थ है

शोध पत्र सुझाव देता है कि AI कला का भविष्य लंबे निबंध लिखने के बारे में नहीं है। यह सूचना को बेहतर ढंग से व्यवस्थित करने के बारे में है। इमेज जनरेशन को रचनात्मक लेखन अभ्यास के बजाय एक संरचित इंजीनियरिंग समस्या के रूप में मानकर, हम बहुत अधिक विश्वसनीय और विस्तृत परिणाम प्राप्त कर सकते हैं।

लेखकों ने यह भी परीक्षण किया कि क्या होता है यदि वे AI को अधिक देर तक "सोचने" दें। उन्होंने एक लूप बनाया जहाँ AI एक ड्राफ्ट तैयार कर सकता था, आलोचना प्राप्त कर सकता था और सुधार कर सकता था। उन्होंने पाया कि सुधार के कुछ दौरों ने मदद की, लेकिन प्रशिक्षित प्रणाली पहली बार में ही सही करने में इतनी अच्छी थी कि उसे बहुत अधिक प्रयासों की आवश्यकता नहीं थी। यह सुझाव देता है कि AI को संरचनाओं में सोचने के लिए प्रशिक्षित करना, केवल अनुमान लगाने के लिए उसे अधिक समय देने से अधिक शक्तिशाली है।

संक्षेप में, शोध पत्र का तर्क है कि हम AI कलाकारों को अधिक शब्द चिल्लाकर सिखाने की कोशिश कर रहे थे। वास्तविक सफलता तब आती है जब हम उन्हें एक स्पष्ट, व्यवस्थित मानचित्र पढ़ना सिखाते हैं। यह इस बारे में नहीं है कि आप कितना कहते हैं; यह इस बारे में है कि आप कितनी स्पष्टता से कहते हैं।