SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification
यह शोध पत्र SEER को प्रस्तुत करता है, जो फ्रोजन विजन-लैंग्वेज मॉडल्स (Vision-Language Models) के लिए एक ट्रेनिंग-फ्री इन्फरेंस-टाइम इंटरफेस है, जो स्पष्ट सब्जेक्ट/ऑब्जेक्ट भूमिकाओं और पूरक ज्यामितीय संदर्भ (geometric context) के साथ क्वेरी-विशिष्ट एविडेंस व्यूज़ का निर्माण करके स्थानिक संबंध वर्गीकरण (spatial relation classification) में सुधार करता है, जिससे अस्पष्ट ग्लोबल व्यूज़ या गलत इंस्टेंस चयन के कारण होने वाली त्रुटियों को काफी कम किया जा सकता 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 पहेली सुलझाने की कोशिश कर रहे हैं जहाँ दो टुकड़ों को पूरी तरह से एक साथ फिट होना है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, "विज़न-लैंग्वेज मॉडल्स" (VLMs) होते हैं—सुपर-स्मार्ट कंप्यूटर दिमाग जो एक तस्वीर देख सकते हैं और उसके बारे में सवाल पढ़ सकते हैं। वे वस्तुओं को पहचानने में बहुत अच्छे हैं; यदि आप उन्हें बिल्ली और कुत्ते की फोटो दिखाते हैं, तो वे जानते हैं कि कौन सा क्या है। लेकिन असली पेच यहाँ है: जब आप उनसे पूछते हैं, "क्या बिल्ली कुत्ते के बाईं ओर (left) है?", तो वे कभी-कभी भ्रमित हो जाते हैं। वे जानवरों को सही पहचान तो लेते हैं, लेकिन उनकी स्थिति को आपस में बदल देते हैं, या वे किताबों में जो उन्होंने सुना है उसके आधार पर अनुमान लगा लेते हैं बजाय इसके कि वे वास्तव में क्या देख रहे हैं। यह एक ऐसे छात्र की तरह है जो "बाएं" और "दाएं" की परिभाषा तो जानता है, लेकिन नक्शा देखते समय गलत दिशा में इशारा करता रहता है। वैज्ञानिक इस बात को ठीक करने में रुचि रखते हैं क्योंकि यदि ये AI दिमाग स्थानिक संबंधों (spatial relationships) को नहीं समझ सकते, तो वे कारों को चलाने, रोबोट को नेविगेट करने या जटिल आरेख (diagrams) को सुरक्षित रूप से पढ़ने में हमारी मदद नहीं कर पाएंगे।
यहाँ SEER आता है, इन AI दिमागों के लिए एक चतुर नया तरीका, जिसमें उन्हें कुछ भी नया सिखाने की आवश्यकता नहीं है। SEER को एक "स्पॉटलाइट और लेबल" प्रणाली के रूप में सोचें। AI को पूरी उलझी हुई तस्वीर को घूरने और अनुमान लगाने देने के बजाय, SEER पहले चुपचाप उन दो विशिष्ट चीजों को खोज लेता है जिनके बारे में प्रश्न पूछ रहा है (जैसे बिल्ली और कुत्ता)। फिर, यह उन दो वस्तुओं के लिए विशेष रूप से ज़ूम-इन किया गया दृश्य बनाता है। यह विषय (subject) के चारों ओर एक लाल बॉक्स और वस्तु (object) के चारों ओर एक नीला बॉक्स बनाता है, और उन्हें स्पष्ट रूप से "विषय" (Subject) और "वस्तु" (Object) के रूप में लेबल करता है। यह प्रक्रिया के दौरान संभावित उत्तरों (जैसे "बाएं" या "दाएं") को छिपा देता है ताकि AI यह तय करने के लिए कि उसे कहाँ देखना है, उत्तर विकल्पों पर निर्भर न रहे। AI को केवल उन दो वस्तुओं के साफ, लेबल वाले दृश्य पर ध्यान केंद्रित करने के लिए मजबूर करके, SEER AI को बेहतर निर्णय लेने में मदद करता है। शोधकर्ताओं ने पाया कि इस सरल "पुनः केंद्रित और लेबल" विधि ने AI को स्थानिक संबंधों को सही ढंग से समझने में काफी बेहतर बना दिया, जिससे विभिन्न परीक्षणों में इसकी सटीकता औसतन लगभग 4% बढ़ गई।
समस्या: AI का "विशाल धुंधलापन" (Giant Blur)
कल्पना कीजिए कि आप लोगों से भरे एक भीड़भाड़ वाले कमरे में हैं, और कोई आपसे पूछता है, "क्या लाल टोपी वाला व्यक्ति नीली शर्ट वाले व्यक्ति के बाईं ओर खड़ा है?" यदि आप केवल पूरे कमरे पर एक नज़र डालते हैं, तो आप गलत हो सकते हैं। शायद आप बाईं ओर बहुत दूर एक लाल टोपी देखते हैं और दाईं ओर बहुत दूर एक नीली शर्ट देखते हैं, लेकिन जिन विशिष्ट लोगों के बारे में प्रश्न पूछा गया है, वे वास्तव में बीच में एक-दूसरे के बिल्कुल पास खड़े हैं।
वर्तमान AI मॉडल अक्सर यही गलती करते हैं। वे वस्तुओं को देख सकते हैं, लेकिन वे छवि के "ग्लोबल व्यू" (वैश्विक दृश्य) में खो जाते हैं। वे इस पर भरोसा कर सकते हैं कि आमतौर पर क्या होता है (जैसे "बिल्लियाँ आमतौर पर बाईं ओर होती हैं") बजाय इसके कि वे वास्तव में चित्र के विशिष्ट स्थानों की जाँच करें। इसे "हैलुसिनेशन" (hallucination) या सही दृश्य साक्ष्य में "ग्राउंडिंग करने में विफलता" कहा जाता है। पेपर का तर्क है कि समस्या यह नहीं है कि AI "बाएं" या "दाएं" को समझने के लिए बहुत कम बुद्धिमान है, बल्कि यह है कि वह चित्र के गलत हिस्से को देख रहा है या बहुत अधिक बैकग्राउंड शोर (noise) से भ्रमित हो रहा है।
समाधान: SEER का "सेल्फ-ग्राउंडेड" टॉर्चलाइट
इस पेपर के लेखकों ने, जो चीन के इंस्टीट्यूट ऑफ कंप्यूटिंग टेक्नोलॉजी में कार्यरत हैं, SEER नामक एक विधि विकसित की है (Self-grounded Evidence for Entity-Relation Reasoning)। यह AI को एक टॉर्च और हाईलाइटर का जोड़ा देने जैसा है, लेकिन एक बहुत सख्त नियम के साथ: अभी उत्तर कुंजी (answer key) मत देखो।
यहाँ SEER चरण-दर-चरण कैसे काम करता है:
- "अंधा" खोज (The "Blind" Search): जब AI को "क्या मग किताब के बाईं ओर है?" जैसा प्रश्न मिलता है, तो SEER पहले AI से चित्र में मग और किताब को खोजने के लिए कहता है। महत्वपूर्ण बात यह है कि यह खोज के दौरान संभावित उत्तरों (बाएं, दाएं, ऊपर, नीचे) को छिपा देता है। यह AI को "बाएं" शब्द पर निर्भर होकर चित्र के बाईं ओर मग ढूंढ लेने से रोकता है, चाहे किताब वास्तव में कहाँ भी हो।
- "ज़ूम-इन" दृश्य (The "Zoom-In" View): एक बार जब AI मग और किताब को ढूंढ लेता है, तो SEER उन दोनों वस्तुओं को शामिल करते हुए एक छोटा चित्र काट लेता है। यह मग (विषय) के चारों ओर एक लाल बॉक्स और किताब (वस्तु) के चारों ओर एक नीला बॉक्स बनाता है। यह उन्हें स्पष्ट रूप से लेबल करता है।
- "भूमिका-स्पष्ट" जाँच (The "Role-Explicit" Check): अब, AI इस साफ, ज़ूम-इन किए गए चित्र को देखता है। वह देखता है: "ठीक है, लाल बॉक्स मग है, नीला बॉक्स किताब है। अब, क्या लाल बॉक्स नीले बॉक्स के बाईं ओर है?" क्योंकि बैकग्राउंड हट गया है और भूमिकाएँ लेबल की गई हैं, AI के भ्रमित होने की संभावना बहुत कम है।
- "दोहरा सत्यापन" (The "Double-Check" - वैकल्पिक): कभी-कभी, AI अभी भी अनिश्चित हो सकता है। SEER के पास "रेसिप्रोकल कंसिस्टेंसी" (reciprocal consistency) नामक एक शानदार ट्रिक है। यह भूमिकाओं को बदल देता है: "ठीक है, अब मान लें कि किताब विषय है और मग वस्तु है। क्या किताब मग के दाईं ओर है?" यदि AI का उत्तर दोनों दिशाओं में तर्कसंगत है (यदि A, B के बाईं ओर है, तो B को A के दाईं ओर होना चाहिए), तो यह उत्तर की पुष्टि करता है। यदि उत्तर विरोधाभासी हैं, तो इसे पता चल जाता है कि कुछ गलत है और यह फिर से प्रयास करता है।
प्रयोगों ने क्या दिखाया
शोधकर्ताओं ने इस पद्धति का परीक्षण कई अलग-अलग डेटासेट्स पर किया, जो चित्र-और-प्रश्न के जोड़ों के विशाल संग्रह की तरह हैं। उन्होंने एक "फ्रोजन" (frozen) टेस्ट सेट का उपयोग किया, जिसका अर्थ है कि उन्होंने प्रयोग शुरू करने से पहले ही टेस्ट प्रश्न चुन लिए थे, ताकि वे गलती से अपने तरीके को उत्तर याद करने के लिए अनुकूलित न कर सकें।
- बड़ी जीत: एक टेस्ट सेट जिसे GQA-Train900 (जिसमें 900 अद्वितीय चित्र हैं) कहा जाता है, उस पर SEER ने केवल पूर्ण चित्र देखने की तुलना में AI की सटीकता में +3.94% का सुधार किया। यह सुनने में छोटा लग सकता है, लेकिन AI बेंचमार्क की दुनिया में, लगभग 4% की छलांग एक बहुत बड़ी बात है। इसका मतलब है कि AI ने 1,000 में से लगभग 40 अधिक प्रश्न सही किए।
- अलग-अलग मॉडल, समान सफलता: उन्होंने इसे अलग-अलग प्रकार के AI दिमागों (जैसे Qwen3 और InternVL3.5) पर आज़माया। हर एक मॉडल बेहतर हुआ। उदाहरण के लिए, EmbSpatial नामक एक अन्य टेस्ट पर, एक मॉडल में भारी +11.79% का सुधार हुआ।
- यह क्यों काम करता है: शोधकर्ताओं ने यह पता लगाने के लिए विशेष परीक्षण किए कि यह क्यों काम कर रहा था। उन्होंने पाया कि जादू केवल "ज़ूम करने" (इमेज क्रॉप करने) में नहीं था। यह लेबल में था। जब उन्होंने इमेज को क्रॉप किया लेकिन यह लेबल नहीं किया कि कौन विषय है और कौन वस्तु, तो AI में उतना सुधार नहीं हुआ। स्पष्ट "लाल बॉक्स = विषय" और "नीला बॉक्स = वस्तु" लेबल ही मुख्य कुंजी थे। इसने AI को वस्तुओं की विशिष्ट भूमिकाओं पर ध्यान देने के लिए मजबूर किया।
- यह क्या ठीक नहीं कर सका: यह विधि पूर्ण नहीं है। इसे "पर" (on) शब्द के साथ थोड़ा संघर्ष करना पड़ा (जैसे "कप मेज पर है"), क्योंकि बिना 3D गहराई के "पर" और "ऊपर" के बीच अंतर करना कठिन है। इसने भी बहुत अधिक मदद नहीं की जब AI को बाइनरी (binary) प्रश्नों पर "सही" या "गलत" का अनुमान लगाना था, जिससे पता चलता है कि यह ट्रिक तब सबसे अच्छा काम करती है जब चुनने के लिए विशिष्ट विकल्प मौजूद हों।
निष्कर्ष
SEER साबित करता है कि किसी समस्या को हल करने के लिए आपको हमेशा एक बड़ा, स्मार्ट या अधिक महंगा AI बनाने की आवश्यकता नहीं होती है। कभी-कभी, आपको बस AI को समस्या कैसे दिखाई जाती है, इसे बदलने की आवश्यकता होती है। खोज के दौरान उत्तरों को छिपाकर और फिर केवल प्रासंगिक वस्तुओं का एक साफ, लेबल वाला दृश्य प्रस्तुत करके, AI अनुमान लगाना बंद कर सकता है और वास्तव में देखना शुरू कर सकता है।
लेखक सावधानी बरतते हुए कहते हैं कि यह कोई जादुई छड़ी नहीं है जो हर स्थानिक समस्या को हल कर दे। AI को पहले से ही वस्तुओं को खोजने में सक्षम होना चाहिए। लेकिन जब वस्तुएं मिल जाती हैं, तो SEER एक सहायक मार्गदर्शक के रूप में कार्य करता है, यह सुनिश्चित करता है कि AI सही चीज़ को सही तरीके से देखे। यह एक याद दिलाता है कि स्मार्ट AI की दौड़ में, कभी-कभी सबसे अच्छा अपग्रेड एक बेहतर इंटरफ़ेस होता 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।