Crayotter: Learning Long-Horizon Video Editing Agents via Group-Relative Preference Backpropagation
यह शोध पत्र Crayotter का परिचय देता है, जो एक 9B वीडियो एडिटिंग एजेंट है जिसे Group-Relative Preference Backpropagation (GRPB) के माध्यम से प्रशिक्षित किया गया है, जो व्यक्तिपरक दीर्घकालिक संपादन फीडबैक को क्रमिक तुलनाओं में परिवर्तित करके सिमेंटिक सेगमेंट के बीच प्रभावी रूप से क्रेडिट को पुनर्वितरित करता है, जिससे यह AgenticVBench जैसे बेंचमार्क पर प्रोप्रायटरी सिस्टम से बेहतर प्रदर्शन करता 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 रोबोट को फिल्म निर्देशक बनना सिखा रहे हैं। आप उसे वीडियो क्लिप्स का एक ढेर और एक सरल निर्देश देते हैं: "एक शानदार स्पोर्ट्स हाईलाइट रील बनाओ।" रोबोट को बहुत सारा काम करना होगा: उसे सही क्लिप्स ढूंढनी होंगी, उन्हें काटना होगा, एक टाइमलाइन में व्यवस्थित करना होगा, संगीत जोड़ना होगा और अंतिम फ़ाइल एक्सपोर्ट करनी होगी। यह कई चरणों वाली एक लंबी प्रक्रिया है। समस्या यह है कि आप अंतिम फिल्म को केवल अंत में ही देख पाते हैं। यदि फिल्म उबाऊ है, तो आप आसानी से यह नहीं बता सकते कि किस विशिष्ट चरण में गलती हुई। क्या उसने गलत क्लिप्स चुनीं? क्या उसने उन्हें बहुत छोटा काट दिया? या क्या उसने उन्हें बस गलत क्रम में व्यवस्थित किया? आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "लॉन्ग-होरिज़न" (long-horizon) समस्या कहा जाता है। यह किसी को केक बनाना सिखाने जैसा है जहाँ आप उसे केवल तब बताते हैं कि "इसका स्वाद खराब है" जब वह पूरा केक खा चुका होता है। आपको एक ऐसा तरीका चाहिए जिससे आप उन विशिष्ट चरणों को श्रेय (या दोष) दे सकें जिनकी वजह से परिणाम आया है, भले ही वह परिणाम व्यक्तिपरक (subjective) हो—यानी एक ही वीडियो के अलग-अलग संस्करणों को अलग-अलग लोग पसंद कर सकते हैं।
यह शोध पत्र इन AI संपादकों को सिखाने का एक नया तरीका पेश करता है, जिसे Crayotter कहा जाता है। शोधकर्ताओं ने महसूस किया कि रोबोट को पूरे वीडियो के लिए एक एकल "स्कोर" देने के बजाय, उन्हें बस यह पूछना चाहिए: "एक ही वीडियो के दो अलग-अलग संस्करणों में से, कौन सा बेहतर है?" एक ही शुरुआती सामग्री से बनाए गए वीडियो की तुलना करके, AI एक स्पष्ट रैंकिंग सीख सकता है। लेकिन पेचीदा बात अभी भी यह है कि इस लंबी प्रक्रिया में AI ने अच्छे या बुरे निर्णय कहाँ लिए। लेखक एक विधि प्रस्तावित करते हैं जिसे Group-Relative Preference Backpropagation (GRPB) कहा जाता है। इसे एक स्मार्ट रेफरी के रूप में सोचें जो केवल खेल के अंत में "अच्छा काम किया!" या "बुरा काम किया!" नहीं चिल्लाता। इसके बजाय, यह पूरे टीम के प्रदर्शन को देखता है, यह पता लगाता है कि जीत में किसने योगदान दिया, और उन विशिष्ट खिलाड़ियों (या इस मामले में, विशिष्ट संपादन चरणों) को श्रेय देता है जो सबसे अधिक मायने रखते थे, साथ ही यह भी सुनिश्चित करता है कि किसी भी चरण को बहुत अधिक श्रेय या बहुत अधिक दोष न मिले।
समस्या: वीडियो संपादन का "ब्लैक बॉक्स"
जब एक AI वीडियो संपादित करने की कोशिश करता है, तो वह निर्णयों की एक लंबी श्रृंखला से गुजरता है। वह फुटेज का विश्लेषण करता है, क्लिप चुनता है, टाइमलाइन बनाता है और अंतिम उत्पाद तैयार करता है। समस्या यह है कि अंतिम वीडियो की गुणवत्ता—कहानी का प्रवाह कैसा है, गति सही महसूस हो रही है या नहीं, या शैली अनुरोध से मेल खाती है या नहीं—केवल उन सभी निर्णयों के बाद ही दिखाई देती है।
यदि आप केवल AI को अंत में एक संख्या देते हैं (जैसे, "यह वीडियो 10 में से 7 है"), तो यह भ्रमित करने वाला है। क्या यह 7 इसलिए है क्योंकि AI ने खराब क्लिप चुनीं? या इसलिए कि संगीत बहुत तेज़ था? या इसलिए कि कार्य वास्तव में बहुत कठिन था? विभिन्न संपादन कार्यों के लिए "अच्छे" वीडियो के अलग-अलग नियम होते हैं, इसलिए विभिन्न कार्यों के स्कोर की तुलना करना सेब की तुलना संतरे से करने जैसा है।
शोध पत्र का तर्क है कि हमें एक आदर्श वैश्विक स्कोर (global score) की गणना करने की कोशिश नहीं करनी चाहिए। इसके बजाय, हमें तुलनाओं पर ध्यान केंद्रित करना चाहिए। यदि AI एक ही स्पोर्ट्स रील के तीन अलग-अलग संस्करण बनाता है, तो हम आसानी से कह सकते हैं, "संस्करण C, संस्करण A से बेहतर है, और संस्करण A, संस्करण B से बेहतर है।" यह एक अस्पष्ट, व्यक्तिपरक भावना को एक स्पष्ट, तार्किक क्रम में बदल देता है।
समाधान: GRPB और "लैग्ड" (Lagged) क्रेडिट सिस्टम
लेखक Group-Relative Preference Backpropagation (GRPB) पेश करते हैं। यह कैसे काम करता है, इसके लिए एक मनोरंजक उपमा देखें:
एक कुकिंग प्रतियोगिता की कल्पना करें जहाँ तीन टीमों (टीम A, टीम B और टीम C) को बिल्कुल समान सामग्री दी जाती है और उनसे स्टू (stew) बनाने के लिए कहा जाता है। एक जज तीनों को चखता है और उन्हें रैंक करता है: टीम C विजेता है, टीम A दूसरे स्थान पर है, और टीम B हारने वाली टीम है।
पुराने तरीकों में, जज केवल जीतने वाली टीम को एक बड़ा ट्रॉफी और हारने वाली टीम को भागीदारी का रिबन दे सकता है। लेकिन इससे शेफ को यह नहीं पता चलता कि उन्होंने क्या सही या गलत किया। क्या टीम C इसलिए जीती क्योंकि उन्होंने प्याज बेहतर तरीके से काटा? या इसलिए कि उन्होंने मसाले सही समय पर डाले?
GRPB एक सुपर-स्मार्ट कोच की तरह है जो खेल का विश्लेषण करता है।
- समूह (The Group): यह केवल उन टीमों की तुलना करता है जिन्होंने बिल्कुल समान सामग्री (वही अनुरोध और स्रोत क्लिप) का उपयोग किया है।
- जीरो-सम गेम (The Zero-Sum Game): यह रैंकिंग को एक जीरो-सम गेम की तरह मानता है। यदि टीम C जीतती है, तो वह अंक प्राप्त करती है, और अन्य अंक खो देते हैं। कमरे में कुल अंक हमेशा शून्य होते हैं।
- लैग्ड एलोकेटर (The Lagged Allocator): यह सबसे चतुर हिस्सा है। कोच केवल अंतिम स्टू को देखकर अनुमान नहीं लगाता। यह एक "लैग्ड" (पिछली अवस्था पर आधारित) प्रणाली का उपयोग करता है। यह इस बैच के लिए श्रेय देने का निर्णय लेने के लिए पिछले कुकिंग लेसन्स (पाठों) को देखता है। यह कोच को अपनी तत्काल प्रतिक्रियाओं से भ्रमित होने से रोकता है। यह पिछले सप्ताह लिखे गए रूब्रिक के आधार पर टेस्ट ग्रेड करने वाले शिक्षक जैसा है, न कि उस रूब्रिक जैसा जिसे उसने ग्रेड देते समय अभी लिखा हो।
- सेगमेंट-लेवल क्रेडिट (Segment-Level Credit): पूरी टीम को एक स्कोर देने के बजाय, GRPB कुकिंग प्रक्रिया को खंडों में तोड़ता है: "काटना," "पकाना," "मसाले डालना।" यह पता लगाता है कि किस विशिष्ट खंड ने जीत या हार में सबसे अधिक योगदान दिया। यदि टीम C ने प्याज पूरी तरह से काटा, तो उस विशिष्ट चरण को श्रेय मिलता है। यदि टीम B ने लहसुन जला दिया, तो उस विशिष्ट चरण को दोष मिलता है।
- सेफ्टी कैप्स (Safety Caps): AI को बहुत उत्साहित या बहुत निराश होने से रोकने के लिए, सिस्टम किसी भी एकल चरण को मिलने वाले श्रेय या दोष पर "कैप" (सीमा) लगा देता है। यह एक "विश्वसनीयता गेट" (reliability gate) का भी उपयोग करता है, जिसका अर्थ है कि यह श्रेय देना तभी शुरू करता है जब इसे यकीन हो जाता है कि इसकी जजिंग प्रणाली सही ढंग से काम कर रही है।
उन्होंने क्या पाया
शोधकर्ताओं ने Crayotter नामक एक 9-बिलियन-पैरामीटर वाला AI मॉडल बनाया और इसे इसी नई विधि का उपयोग करके प्रशिक्षित किया। उन्होंने इसे वास्तविक संपादन कार्यों के साथ एक सिम्युलेटेड वातावरण में परीक्षण किया, जिसमें साधारण कट से लेकर जटिल, बहु-चरणीय संशोधन तक शामिल थे।
परिणामों ने दिखाया कि GRPB अन्य विधियों की तुलना में बेहतर काम करता है:
- बेहतर संपादन: GRPB-प्रशिक्षित मॉडल द्वारा बनाए गए वीडियो मानव न्यायाधीशों द्वारा मानक विधियों से प्रशिक्षित मॉडलों की तुलना में अधिक बार पसंद किए गए। एक ब्लाइंड टेस्ट में, GRPB मॉडल "बेस" मॉडल (मूल AI) के खिलाफ 67.1% बार जीता।
- स्मार्टर क्रेडिट: जब शोधकर्ताओं ने यह परीक्षण करने के लिए परीक्षण किया कि क्या AI जानता था कि उसने एक अच्छा वीडियो क्यों बनाया, तो GRPB विशिष्ट संपादन चरणों को पहचानने में बहुत बेहतर था जो महत्वपूर्ण थे। इसने अन्य विधियों के केवल 11.9% की तुलना में "विजेता" सेगमेंट को 20.8% बार सही ढंग से पहचाना।
- प्रो को मात देना: एक मानक बेंचमार्क जिसे AgenticVBench कहा जाता है, पर 9B Crayotter मॉडल ने परीक्षण किए गए सभी सिस्टमों में तीसरे स्थान पर कब्जा किया, और कई बड़ी टेक कंपनियों के महंगे, प्रोप्राइटरी सिस्टम को पीछे छोड़ दिया। इसने 15.7% का औसत स्कोर किया, जिसमें "रिपरपस" (Repurpose) कार्य पर विशेष रूप से मजबूत 23.0% का स्कोर रहा (जो वीडियो संपादन के बहुत करीब है)।
यह क्यों मायने रखता है
यह शोध पत्र बताता है कि जटिल, रचनात्मक कार्यों के लिए जहाँ "सही उत्तर" व्यक्तिपरक है, हमें एक पूर्ण स्कोर की आवश्यकता नहीं है। हमें बस अलग-अलग प्रयासों की तुलना करने और यह पता लगाने के की कौन से विशिष्ट चरणों ने बेहतर परिणाम दिया। इस तरह के सिस्टम का उपयोग करके जो समान प्रयासों की तुलना करता है, अपने स्वयं के निर्णय को विलंबित करता है ताकि पूर्वाग्रह से बचा जा सके, और प्रक्रिया के विशिष्ट हिस्सों को सावधानीपूर्वक श्रेय वितरित करता है, AI बहुत बेहतर संपादक बनना सीख सकता है।
लेखक सावधानीपूर्वक नोट करते हैं कि यह वीडियो संपादन जैसे कार्यों के लिए एक विशिष्ट समाधान है, जहाँ स्पष्ट चरण और वैकल्पिक परिणाम होते हैं। वे यह दावा नहीं करते कि यह हर AI समस्या को हल करता है, लेकिन वे दिखाते हैं कि इस प्रकार के "लॉन्ग-होरिज़न" रचनात्मक कार्यों के लिए, समस्या को स्थानीय, तुलनीय प्राथमिकताओं में तोड़ना मशीनों को यह सिखाने का एक शक्तिशाली तरीका है कि कैसे निर्माण किया जाए। उनके प्रयोगों का कोड और डेटा सार्वजनिक रूप से उपलब्ध है, जो दूसरों को अपने स्वयं के रचनात्मक AI प्रोजेक्ट्स पर इस "लैग्ड क्रेडिट" दृष्टिकोण को आज़माने के लिए आमंत्रित करता 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।