The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows
यह शोध पत्र ReASearch को प्रस्तुत करता है, जो एक एकीकृत ढांचा (unified framework) है जहाँ एक एकल तर्क-संचालित एजेंट (reasoning-driven agent) प्रॉम्प्ट्स, प्रोग्राम्स और एमएल वर्कफ़्लो के संपूर्ण अनुकूलन (optimization) की प्रक्रिया को स्वायत्त रूप से प्रबंधित करता है, जो प्रभावी रूप से जटिल खोज नीतियों (search policies) को आत्मसात करता है और विविध कार्यों में विशिष्ट प्रणालियों (specialized systems) 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 पहेली सुलझाना, कविता लिखना या किसी वीडियो गेम के पात्र को जीतने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "ऑप्टिमाइज़ेशन" (optimization) कहा जाता है। आमतौर पर, इंसान किनारे पर खड़े एक सख्त कोच की तरह काम करते हैं। वे एक कठोर खेल योजना तैयार करते हैं: "इसे आजमाओ, फिर उसे आजमाओ, और फिर यदि यह विफल हो जाए, तो वापस जाओ और कुछ और आजमाओ।" रोबोट (एक लार्ज लैंग्वेज मॉडल) केवल एक खिलाड़ी है, जो बड़े बदलाव करने के लिए आदेशों का आँख मूंदकर पालन करता है, जबकि मानव कोच बड़ी रणनीति तय करता है। लेकिन क्या होगा अगर रोबोट खुद भी कोच बन सके? क्या होगा अगर वह स्कोरबोर्ड देख सके, यह समझ सके कि वह क्यों हारा, खेल के नियमों को बदलने का निर्णय ले सके, या यहाँ तक कि यह महसूस कर सके कि वह फंस गया है और उसे एक बिल्कुल नए दृष्टिकोण की आवश्यकता है—यह सब अपने आप कर सके? यह शोध ठीक इसी प्रश्न की खोज करता है: क्या एक एकल, बुद्धिमान AI एजेंट, बिना किसी मानव-लिखित स्क्रिप्ट के, सर्वोत्तम समाधान की अपनी खोज को प्रबंधित करना सीख सकता है?
COLM 2026 कॉन्फ्रेंस में प्रकाशित इस अध्ययन के पीछे के शोधकर्ताओं ने ReASearch नामक एक नई प्रणाली पेश की है। इसे केवल एक हथौड़े के बजाय रोबोट को एक स्विस आर्मी नाइफ (Swiss Army knife) देने के रूप में समझें। अतीत में, AI ऑप्टिमाइज़र एक निश्चित कन्वेयर बेल्ट वाली फैक्ट्री असेंबली लाइन की तरह थे: एक मानव-डिज़ाइन किए गए एल्गोरिदम ने तय किया कि अगले उम्मीदवार समाधान का परीक्षण कैसे किया जाए, कितना समय दिया जाए, और कब हार मान ली जाए। AI का एकमात्र काम वर्तमान समाधान में एक छोटा सा बदलाव करना था। ReASearch इस पटकथा को उलट देता है। यह AI एजेंट को उपकरणों का एक सेट देता है—जैसे कोड चलाने के लिए एक पायथन इंटरप्रेटर, पिछली गलतियों को याद रखने के लिए एक मेमोरी फ़ाइल, और प्रयोग चलाने की क्षमता—और फिर एजेंट को सब कुछ तय करने देता है। एजेंट खुद से पूछता है: "क्या मुझे पहले एक छोटे नमूने पर इस विचार का परीक्षण करना चाहिए? क्या मैंने अभी वही गलती दोबारा की? क्या मुझे अपने वर्तमान प्लान को फेंक देना चाहिए और पहले आजमाए गए एक बेहतर प्लान पर वापस जाना चाहिए?" एजेंट केवल अनुमान नहीं लगा रहा है; वह प्रक्रिया के माध्यम से तर्क दे रहा है, और आगे बढ़ते हुए एक रणनीति बना रहा है।
टीम ने इस "सेल्फ-कोचिंग" (स्व-कोचिंग) एजेंट का परीक्षण 14 अलग-अलग चुनौतियों पर किया, जिनमें टेक्स्ट प्रॉम्प्ट्स को स्मार्ट बनाने से लेकर, गणितीय पहेलियों को हल करने के लिए कंप्यूटर प्रोग्राम विकसित करने, और यहाँ तक कि मशीन लर्निंग ट्रेनिंग वर्कफ़्लो को अनुकूलित करने तक शामिल थे। परिणाम आश्चर्यजनक रूप से मजबूत थे। कई मामलों में, ReASearch उन विशिष्ट प्रणालियों को भी पछाड़ गया जिन्हें मानव विशेषज्ञों द्वारा विशिष्ट, हार्ड-कोडेड नियमों के साथ बनाया गया था। उदाहरण के लिए, "सर्कल पैकिंग" (एक वर्ग के भीतर वृत्तों को यथासंभव कसकर फिट करना) नामक एक कार्य में, एजेंट ने ऐसे समाधान खोज निकाले जो मानव द्वारा खोजे गए अब तक के सर्वश्रेष्ठ परिणामों से भी बेहतर थे। अन्य कार्यों में, इसने प्रदर्शन में 2% से लेकर भारी 40% तक का सुधार किया।
सबसे दिलचस्प बात यह है कि एजेंट ने यह कैसे किया। शोधकर्ताओं ने पाया कि एजेंट स्वाभाविक रूप से एक अनुभवी वैज्ञानिक या शतरंज के ग्रैंडमास्टर की तरह व्यवहार करने लगा, भले ही उसे ऐसा करने के लिए कोई नहीं कहा गया था। उसने किसी विचार को पूरी तरह अपनाने से पहले उसे "दोबारा जांचना" शुरू कर दिया। जब एक नया रास्ता बंद गली में ले गया, तो उसने समाधान के पहले के, सुरक्षित संस्करणों पर "वापस जाने" (revert) की कला सीखी। उसने एक ही गलतियों को दोहराने से बचने के लिए "सीखे गए सबक" की एक डायरी रखना शुरू कर दिया। सबसे प्रभावशाली बात यह है कि उसने यह समझ लिया कि कभी-कभी किसी समस्या को हल करने के लिए दो अलग-अलग तकनीकों को मिलाना आवश्यक होता है, जो एक ऐसी खोज है जिसके लिए आमतौर पर गहरे मानवीय अंतर्ज्ञान की आवश्यकता होती है। यह शोध पत्र सुझाव देता है कि जब आप एक AI को सही उपकरण देते हैं और उसे प्रक्रिया के माध्यम से तर्क करने देते हैं, तो वह उन जटिल खोज रणनीतियों को आत्मसात कर सकता है जिन्हें हम पहले मानव-डिज़ाइन किए गए एल्गोरिदम द्वारा प्रबंधित करने की आवश्यकता वाला समझते थे। यह स्पष्ट है कि ऑप्टिमाइज़र को एक अलग, कठोर नियंत्रक होने की आवश्यकता नहीं है; ऑप्टिमाइज़र स्वयं एजेंट हो सकता 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।