Can Language Models Imagine Without Seeing? Ekphrasis: Measuring Visual Creative Ideation in Text-Only LLMs
यह शोध पत्र एक नया बेंचमार्क और मूल्यांकन ढांचा, एकफ्रासिस (Ekphrasis) प्रस्तुत करता है जो केवल पाठ-आधारित भाषा मॉडलों की दृश्य रचनात्मक विचार प्रक्रिया क्षमताओं को अलग करने और मापने के लिए प्रवाहपूर्ण गद्य और वास्तव में उपयोगी, अभिव्यंजक और जनसंख्या-नवीन दृश्य योजनाओं को उत्पन्न करने की वास्तविक क्षमता के बीच अंतर 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 फिल्म के लिए कलाकार चुनने की कोशिश कर रहे हैं, लेकिन आप अभी तक कलाकारों को देख नहीं सकते। आपके पास केवल एक पटकथा लेखक है जो शब्दों में दृश्यों का वर्णन करता है। बड़ा सवाल यह है कि क्या यह पटकथा लेखक वास्तव में एक नया, रोमांचक दृश्य कल्पना कर सकता है, या वह केवल फैंसी शब्दों को जोड़ रहा है जो रचनात्मक तो लगते हैं लेकिन उन्हीं पुराने घिसे-पिटे दृश्यों का वर्णन करते हैं जिन्हें दुनिया ने हज़ार बार देखा है। यह एक नए अध्ययन के केंद्र में मौजूद पहेली है, जो आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में, विशेष रूप से "लार्ज लैंग्वेज मॉडल्स" (LLMs) पर केंद्रित है। ये सुपर-स्मार्ट कंप्यूटर प्रोग्राम हैं जो कहानियाँ लिखते हैं, सवालों के जवाब देते हैं और हमसे बातें करते हैं। वैज्ञानिक लंबे समय से यह जानना चाहते थे कि क्या ये केवल टेक्स्ट-आधारित मशीनें चित्रों में बदलने से पहले विचारों को वास्तव में "विज़ुअलाइज़" (दृश्य रूप में देखना) कर सकती हैं, या वे केवल फूलों जैसी भाषा के साथ दिखावा कर रही हैं। यह पता लगाने के लिए, शोधकर्ताओं को एक ऐसे तरीके की आवश्यकता थी जिससे यह परीक्षण किया जा सके कि AI का वर्णन कल्पना की एक वास्तविक चमक है या केवल एक टक्सीडो पहना हुआ पुनर्चक्रित, सुरक्षित विचार है।
यहाँ आता है EKPHRASIS, एक नया "परीक्षा" जिसे द हांगकांग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं द्वारा ठीक यही परीक्षण करने के लिए डिज़ाइन किया गया है। EKPHRASIS को AI के लिए एक "क्रिएटिव जिम" के रूप में समझें। AI को चित्र बनाने के लिए कहने के बजाय (जो वह इस परीक्षण में सीधे नहीं कर सकता), शोधकर्ताओं ने 14 अलग-अलग AI मॉडलों को 400 विशिष्ट रचनात्मक चुनौतियाँ दीं। इन चुनौतियों में मॉडलों को कुछ चीजें करने के लिए कहा गया था जैसे "समय के दबाव" जैसे अमूर्त विचार को एक दृश्य में बदलना, दो असंबंधित विचारों को आपस में मिलाना, या किसी वस्तु को एक नए तरीके से फिर से लिखना। लक्ष्य केवल यह देखना नहीं था कि क्या AI एक सुंदर वाक्य लिखता है, बल्कि यह देखना था कि क्या वह एक विजुअल क्रिएटिव आइडिएशन (VCI) योजना बना सकता है: एक ऐसा वर्णन जो कार्य के लिए उपयोगी हो, इतना अभिव्यंजक हो कि आपके मन में एक स्पष्ट चित्र बना सके, और सबसे महत्वपूर्ण बात यह है कि मौलिक हो—यानी वह केवल उन उबाऊ, अत्यधिक उपयोग किए गए विचारों को नहीं दोहराता जो अन्य AI हमेशा दोहराते हैं।
शोधकर्ताओं ने पाया कि प्रवाहपूर्ण, सुंदर लेखन एक जाल है। एक AI ऐसा पैराग्राफ लिख सकता है जो अविश्वसनीय रूप से रचनात्मक और जीवंत लगता है, फिर भी वह बिल्कुल वही पुराने दृश्य क्लीशे (clichés) का वर्णन कर रहा होता है, जैसे समय को दर्शाने के लिए रेतघड़ी का उपयोग करना या उदासी को दर्शाने के लिए तूफानी बादल का उपयोग करना। इस "मौलिकता के भ्रम" (novelty illusion) को पकड़ने के लिए, टीम ने एक विशेष स्कोरिंग सिस्टम बनाया। उन्होंने केवल यह नहीं पूछा, "क्या यह रचनात्मक है?" उन्होंने पूछा, "क्या यह उपयोगी है? क्या इसे चित्रित करना आसान है? और क्या यह अन्य 13 AIs द्वारा कही गई बातों से अलग है?" उन्होंने एक चतुर पद्धति जिसे "टाइप्ड आइडिया ग्राफ्स" (Typed Idea Graphs) कहा जाता है, का उपयोग करके उन सामान्य, उबाऊ पैटर्न का मानचित्र बनाया जो सभी मॉडल अक्सर दोहराते हैं, और फिर यह जांचा कि क्या नए उत्तर उन जालों से बचते हैं।
परिणाम दिलचस्प और सूक्ष्म थे। अध्ययन में पाया गया कि विजुअल आइडिएशन में "अच्छा" होना केवल एक एकल सुपरपावर नहीं है। कुछ AI निर्देश मानने और उपयोगी योजनाएं बनाने में बहुत अच्छे थे लेकिन बहुत अधिक क्लेशे (clichéd) थे। अन्य बेहद मौलिक थे लेकिन कभी-कभी कार्य के उद्देश्य को समझने में चूक जाते थे। शीर्ष प्रदर्शन करने वाले मॉडलों, जैसे Gemini 3.1 Pro और GPT-5.4, ने तीनों गुणों के बीच संतुलन बनाया, लेकिन उन्होंने इसे अलग-अलग तरीकों से किया। महत्वपूर्ण रूप से, शोधकर्ताओं ने सर्वश्रेष्ठ टेक्स्ट विवरणों को लिया और वास्तव में एक अलग टूल का उपयोग करके उनसे चित्र उत्पन्न किए। जब मनुष्यों ने मूल टेक्स्ट देखे बिना इन चित्रों को देखा, तो वे अभी भी उन चित्रों को पसंद करते थे जो "उच्च VCI" वाले टेक्स्ट प्लान से आए थे। यह सुझाव देता है कि AI वास्तव में कुछ दृश्य रूप से योजना बना रहा था, न कि केवल सुंदर गद्य लिख रहा था।
हालाँकि, पेपर सावधानीपूर्वक यह नोट करता है कि इसका मतलब यह नहीं है कि AI के पास मानव जैसा "मन की आँख" (mind's eye) या निजी कल्पना है। इसका सीधा अर्थ यह है कि ये केवल टेक्स्ट-आधारित मॉडल विस्तृत, चित्र-तैयार ब्लूप्रिंट बना सकते हैं जो टेक्स्ट से चित्र तक की यात्रा में जीवित रहते हैं। अध्ययन बताता है कि जबकि वर्तमान मॉडल विजुअल प्लानिंग में बेहतर हो रहे हैं, वे अभी भी उन "सुरक्षित" विचारों से मुक्त होने के लिए संघर्ष करते हैं जिन्हें उनका प्रशिक्षण डेटा पसंद करता है। निष्कर्ष स्पष्ट है: केवल इसलिए कि एक AI एक रचनात्मक कहानी लिखता है, इसका मतलब यह नहीं है कि उसके पास एक रचनात्मक दृश्य विचार है। दृश्य रचनात्मकता को वास्तव में मापने के लिए, हमें फूलों वाले शब्दों से परे देखना होगा और यह जांचना होगा कि क्या ब्लूप्रिंट वास्तव में नया, उपयोगी और निर्माण के लिए तैयार 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।