Reading is not Reasoning: Bridging the Agentic Policy Gap in Vision-Text Compression
यह शोध पत्र CAPS को प्रस्तुत करता है, जो एक क्रॉस-मोडल एजेंटिक पॉलिसी सेल्फ-डिस्टिलेशन फ्रेमवर्क है जो एक मॉडल की अधिक शक्तिशाली टेक्स्ट-पॉलिसी का उपयोग करके उसके विज़ुअल-हिस्ट्री समकक्ष को सुपरवाइज़ करता है, जिससे टेक्स्ट-आधारित और विज़न-कंप्रेस्ड एजेंट हिस्टरी के बीच प्रदर्शन के अंतर को पाटकर निर्णय लेने की सटीकता में महत्वपूर्ण सुधार होता है और मेमोरी कॉन्टेक्स्ट लागत को भारी रूप से कम किया जाता 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
एक अत्यंत बुद्धिमान रोबोट जासूस की कल्पना करें जो एक रहस्य सुलझाने की कोशिश कर रहा है। अपना काम करने के लिए, उसे एक कंप्यूटर से बात करनी होती है, सवाल पूछने होते हैं, जवाब पढ़ने होते हैं, और फिर तय करना होता है कि आगे क्या करना है। लेकिन इसमें एक पेंच है: हर बार जब रोबोट एक कदम उठाता है, तो उसे वह सब कुछ याद रखना पड़ता है जो पहले हुआ था। यदि रहस्य लंबा है, तो उसकी "याददाश्त" बहुत विशाल हो जाती है, जैसे कि एक बैकपैक जिसे लगातार भारी पत्थरों से भरा जा रहा हो। अंततः, बैकपैक इतना भारी हो जाता है कि रोबोट धीमा चलने लगता है, उसे चलाने में अधिक पैसा खर्च होता है, और वह अपने ही विचारों में उलझकर गिर भी सकता है।
वैज्ञानिकों ने इसे हल करने के लिए उन सभी भारी टेक्स्ट यादों को एक एकल, सघन चित्र (dense picture) में सिकोड़ने की कोशिश की है। यह एक 100 पन्नों के उपन्यास को एक एकल, सूचना-युक्त कॉमिक बुक पेज में बदलने जैसा है। विचार यह है कि रोबोट उस चित्र को देख सके और कहानी को याद रख सके बिना भारी टेक्स्ट को ढोए। लेकिन एक समस्या है, रोबोट आमतौर पर शब्द पढ़ने के लिए प्रशिक्षित होते हैं, चित्रों के माध्यम से "सोचने" के लिए नहीं। जब वे एक किताब पढ़ने से बदलकर एक कॉमिक देखने लगते हैं, तो वे अक्सर भ्रमित हो जाते हैं। वे चित्र में लिखे शब्दों को तो पूरी तरह पढ़ सकते हैं, लेकिन वे उन शब्दों का उपयोग पहेली सुलझाने के लिए कैसे करें, यह भूल जाते हैं। वे पढ़ने में तो माहिर हो जाते हैं, लेकिन तर्क करने (reasoning) में कच्चे रह जाते हैं।
यही वह पहेली है जिसे सिटी यूनिवर्सिटी ऑफ हांगकांग और हुवावे टेक्नोलॉजीज की एक टीम ने सुलझाने का प्रयास किया। उन्होंने पाया कि केवल टेक्स्ट को छवियों में बदलना पर्याप्त नहीं है; रोबोट को चित्रों में "सोचना" भी सीखना होगा, न कि केवल उन्हें पढ़ना। उन्होंने पाया कि एक टेक्स्ट पढ़ने वाले रोबोट और एक इमेज पढ़ने वाले रोबोट के बीच का अंतर इसलिए नहीं है क्योंकि रोबोट शब्दों को देख नहीं पा रहा है (वह उन्हें बिल्कुल ठीक पढ़ सकता है); बल्कि इसलिए है क्योंकि रोबोट अपनी "कार्य योजना" (game plan) खो देता है। वह गलत निर्णय लेने लगता है, गलत सवाल पूछने लगता है, या बहुत जल्दी हार मान लेता है, भले ही उसके सामने सारी जानकारी मौजूद हो।
इसे ठीक करने के लिए, टीम ने एक चतुर प्रशिक्षण विधि विकसित की जिसे CAPS (क्रॉस-मोडल एजेंटिक पॉलिसी सेल्फ-डिस्टिलेशन) कहा जाता है। इसे एक मास्टर शेफ (टेक्स्ट पढ़ने वाला रोबोट) द्वारा एक प्रशिक्षु (इमेज पढ़ने वाला रोबोट) को खाना बनाना सिखाने की तरह समझें। मास्टर शेफ केवल प्रशिक्षु को सामग्री नहीं दिखाता; शेफ प्रशिक्षु को खाना बनाते हुए देखता है और कहता है, "हे, जब तुम सामग्रियों की इस तस्वीर को देखो, तो तुम्हें प्याज को इस तरह काटना चाहिए, न कि उस तरह।" प्रशिक्षु मास्टर की निर्णय लेने की प्रक्रिया की नकल करना सीखता है, भले ही मास्टर एक रेसिपी बुक देख रहा हो और प्रशिक्षु सामग्रियों की एक फोटो देख रहा हो।
टीम ने इनका परीक्षण दो बहुत अलग प्रकार के खेलों पर किया: एक सर्च इंजन क्विज़ जहाँ रोबोट को ऑनलाइन उत्तर खोजने होते हैं, और एक वर्चुअल घर जहाँ रोबोट को वस्तुओं को इधर-उधर रखना होता है। उन्होंने पाया कि उनकी नई विधि, CAPS, ने इमेज-रीडिंग रोबोट को बहुत अधिक स्मार्ट बना दिया। वह केवल चित्रों को पढ़ने में बेहतर नहीं हुआ; वह उनके साथ तर्क करने (reasoning) में भी बेहतर हो गया। रोबोट सही चुनाव करने लगा, सही सवाल पूछने लगा, और सही समय पर रुकने लगा, बिल्कुल उस टेक्स्ट-रीडिंग रोबोट की तरह।
परिणाम प्रभावशाली थे। सर्च क्विज़ पर, इस नई विधि ने पिछले तरीकों की तुलना में रोबोट की सफलता दर में लगभग 5% का सुधार किया। वर्चुअल हाउस गेम में, सुधार और भी बड़ा था, जो 15% से अधिक उछल गया। लेकिन सबसे अच्छी बात क्या थी? रोबोट अभी भी वही सुपर-लाइट "कॉमिक बुक" बैकपैक ले जा रहा था। उसने समस्याओं को तेजी से सुलझाया और बहुत कम कंप्यूटर मेमोरी का उपयोग किया—कुछ मामलों में मेमोरी लागत को 83% तक कम कर दिया।
टीम ने दिखाया कि आपको एक भारी, धीमे मेमोरी और एक तेज़, हल्की मेमोरी के बीच चुनाव करने की आवश्यकता नहीं है। रोबोट को प्रो की तरह सोचने के लिए सिखाकर, भले ही वह चित्रों को देख रहा हो, आप दोनों दुनियाओं का सर्वश्रेष्ठ प्राप्त कर सकते हैं: एक ऐसा रोबोट जो अविश्वसनीय रूप से स्मार्ट और अत्यंत कुशल दोनों है। उन्होंने सिद्ध किया कि समस्या यह नहीं थी कि रोबोट संकुचित इतिहास (compressed history) को "पढ़" नहीं पा रहा था; समस्या यह थी कि उसे उसके साथ "तर्क" करना सीखना था। और CAPS के साथ, उन्होंने आखिरकार उसे वही करना सिखा दिया।
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।