💬 NLP

Evo-Bench: Can Language Models Improve Agent Harness?

यह शोध पत्र Evo-Bench प्रस्तुत करता है, जो भाषा मॉडलों की अपने ऑपरेटिंग हार्नेस को स्वायत्त रूप से विकसित करने की अंतर्निहित क्षमता को अलग करने और मूल्यांकन करने के लिए डिज़ाइन किया गया पहला बेंचमार्क है, जो महत्वपूर्ण प्रदर्शन लाभ और हस्तांतरणीय तर्क संरचनाओं को प्रकट करता है और अत्यधिक विशिष्ट वर्कफ़्लो की आवश्यकता वाले कार्यों में डोमेन-विशिष्ट चुनौतियों को उजागर करता है।

मूल लेखक: Lisheng Huang, Chen Yang, Hao Zhou, Huatong Song, Zongchao Chen, Ran Le, Yang Song, Wayne Xin Zhao, Tao Zhang

प्रकाशित 2026-08-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lisheng Huang, Chen Yang, Hao Zhou, Huatong Song, Zongchao Chen, Ran Le, Yang Song, Wayne Xin Zhao, Tao Zhang

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 आपने अभी-अभी एक सुपर-स्मार्ट रोबोट दिमाग बनाया है। यह लगभग किसी भी अन्य व्यक्ति से बेहतर पढ़ सकता है, लिख सकता है और पहेलियाँ सुलझा सकता है। लेकिन इसमें एक पेंच है: यह दिमाग एक प्रतिभाशाली लेकिन अनाड़ी शेफ की तरह है। इसके पास सभी सामग्रियाँ (ज्ञान) तो हैं, लेकिन खाना बनाने के लिए कोई रेसिपी (निर्देश) नहीं है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इस "रेसिपी" को एजेंट हार्नेस (agent harness) कहा जाता है। यह उन नियमों, उपकरणों और वर्कफ़्लो का समूह है जो एआई को यह बताते हैं कि अपने दिमाग का उपयोग काम पूरा करने के लिए कैसे किया जाए—जैसे कि वेब पर सर्च करना, स्प्रेडशीट को एडिट करना या रिपोर्ट लिखना।

लंबे समय तक, इंसान ही ये रेसिपी लिखते रहे हैं, उन्हें बेहतर बनाने के लिए सावधानीपूर्वक उनमें बदलाव करते रहे हैं। लेकिन क्या होगा अगर एआई खुद अपनी रेसिपी लिख सके? क्या होगा अगर हमें एआई को उसकी गलतियों को सुधारने के लिए बताने के बजाय, एआई खुद अपनी विफलताओं को देख सके, यह पता लगा सके कि क्या गलत हुआ, और बेहतर बनने के लिए अपने निर्देशों को फिर से लिख सके? यह वह बड़ा सवाल है जो वैज्ञानिक पूछ रहे हैं: क्या एआई वास्तव में खुद को एक बेहतर कार्यकर्ता बनाने के लिए खुद को सिखा सकता है, या इसे बस एक इंसान के हाथ पकड़ने की ज़रूरत है? यह पेपर सीधे उसी रहस्य में उतरता है, और यह परीक्षण करता है कि क्या एआई अपने स्वयं के भाग्य का स्वामी बनने के लिए अपना खुद का "ऑपरेटिंग सिस्टम" विकसित कर सकता है।

द ग्रेट एआई सेल्फ-इम्प्रूवमेंट एक्सपेरिमेंट (महान एआई आत्म-सुधार प्रयोग)

मिलिए Evo-Bench से, जो विशेष रूप से यह परीक्षण करने के लिए डिज़ाइन किया गया पहला "जिम" है कि क्या एआई अपने सॉफ़्टवेयर को अपग्रेड कर सकता है। इसे एक वीडियो गेम की तरह समझें जहाँ पात्र केवल अनुभव अंक (experience points) प्राप्त करके लेवल अप नहीं करता; इसके बजाय, पात्र को अधिक शक्तिशाली बनने के लिए अपने स्वयं के कोड को फिर से लिखने की अनुमति दी जाती है। शोधकर्ताओं ने तीन अलग-अलग प्रकार के "मिशनों" के साथ एक नियंत्रित वातावरण तैयार किया: सर्च (Search) (इंटरनेट पर जानकारी ढूँढना), ऑफिस (Office) (जटिल दस्तावेज़ों और स्प्रेडशीट का प्रबंधन करना), और जनरल (General) (जटिल, खुले अंत वाले कार्यों का मिश्रण संभालना)।

इस प्रयोग में, उन्होंने विभिन्न एआई मॉडलों को निर्देशों का एक बुनियादी, सरल सेट (एक "सीड हार्नेस") और समय एवं कंप्यूटर पावर का एक सख्त बजट दिया। एआई का काम एक स्वायत्त इंजीनियर की तरह कार्य करना था: यह देखना कि वह कहाँ विफल हुआ, अनुमान लगाना कि क्यों, और फिर इसे ठीक करने के लिए अपने स्वयं के कोड को फिर से लिखना। उन्होंने केवल एआई को अनुमान लगाने के लिए नहीं छोड़ा; उन्होंने इसे अंतिम, गुप्त "इवैल्यूएशन" (मूल्यांकन) सेट का सामना करने से पहले एक "वैलिडेशन" (पुष्टि) सेट के कार्यों पर अपने सुधारों को साबित करने के लिए मजबूर किया। इसने यह सुनिश्चित किया कि एआई केवल उत्तरों को रट नहीं रहा है, बल्कि वास्तव में बेहतर उपकरण बनाना सीख रहा है।

परिणाम: प्रतिभा और गड़बड़ियों का एक मिला-जुला संगम

परिणाम उतार-चढ़ाव से भरे रहे। शीर्ष प्रदर्शन करने वाले एआई मॉडल, जैसे कि GPT-5.6 Sol और Claude Opus 4.8, ने दिखाया कि वे वास्तव में खुद को सुधारना सीख सकते हैं। वे अपने शुरुआती बिंदु से 16.6 अंक की भारी बढ़त हासिल करने में सफल रहे, और उन प्रणालियों के स्तर के बहुत करीब पहुँच गए जिन्हें बनाने में इंसानों ने सालों की इंजीनियरिंग की है।

हालाँकि, यह कहानी केवल "एआई की जीत" वाली सरल कहानी नहीं है। पेपर में पाया गया कि एआई की आत्म-सुधार की क्षमता इस बात पर बहुत अधिक निर्भर करती है कि वह क्या करने की कोशिश कर रहा है:

सर्च टास्क (Search Tasks): एआई यहाँ एक सुपरस्टार था। उसने वेब पर नेविगेट करने और अव्यवस्थित डेटा को साफ करने का तरीका इतनी अच्छी तरह से खोजा कि वह लगभग मानव विशेषज्ञों के बराबर पहुँच गया।
जनरल टास्क (General Tasks): इन व्यापक, रचनात्मक चुनौतियों में, एआई ने वास्तव में मानव-निर्मित प्रणालियों को पछाड़ दिया। उसने सोचने के ऐसे नए तरीके विकसित किए जिनके बारे में इंसानों ने नहीं सोचा था।
ऑफिस टास्क (Office Tasks): यह एआई का कमजोर पक्ष था। जब काम में बहुत विशिष्ट, कठोर वर्कफ़्लो की आवश्यकता थी (जैसे जटिल स्प्रेडशीट को संभालना), तो एआई संघर्ष करता रहा। वह आवश्यक सटीक चरणों को नहीं समझ सका, और अक्सर अटक गया या छोटी, दोहराव वाली गलतियाँ करता रहा।

"अर्ली सैचुरेशन" (शीघ्र संतृप्ति) का जाल

सबसे दिलचस्प खोजों में से एक वह घटना है जिसे लेखक "अर्ली सैचुरेशन" (early saturation) कहते हैं। कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है। वह कड़ी मेहनत करता है, पहली बार में ही एक शानदार स्कोर प्राप्त करता है, और फिर और अधिक अध्ययन करने का निर्णय लेता है। लेकिन बेहतर होने के बजाय, वह अधिक सोचने लगता है और गलती से अपने उत्तरों को और खराब कर देता है। पेपर सुझाव देता है कि कई एआई मॉडल बहुत जल्दी एक "स्वीट स्पॉट" पर पहुँच जाते हैं, एक बेहतरीन समाधान ढूंढ लेते हैं, लेकिन फिर बाद के दौरों में उसके साथ छेड़छाड़ करना जारी रखते हैं, जिससे अनजाने में वह चीज़ टूट जाती है जो काम कर रही थी। वे वास्तव में एक पूर्ण प्रणाली खोजने से पहले ही अपना समय या धैर्य खो देते हैं।

प्रतिभा की कीमत

पेपर ने इस आत्म-सुधार की कीमत पर भी नज़र डाली। यह पता चला है कि सर्वोत्तम परिणाम प्राप्त करना महंगा है। शीर्ष प्रदर्शन करने वाले एआई को इस प्रयोग के माध्यम से चलाने के लिए ** $500** से अधिक खर्च हुए, जबकि अन्य मॉडलों ने$ 40 से कम में अच्छे परिणाम हासिल किए। यह एक "पारेटो फ्रंटियर" (Pareto frontier) का सुझाव देता है—एक ट्रेड-ऑफ कर्व जहाँ आपको पूर्णता के अंतिम कुछ अंकों के लिए बहुत सारा पैसा खर्च करना पड़ता है।

निष्कर्ष

तो, क्या लैंग्वेज मॉडल्स अपने स्वयं के एजेंट हार्नेस में सुधार कर सकते हैं? हाँ, लेकिन सीमाओं के साथ। पेपर दिखाता है कि एआई खुले अंत वाले और सर्च-आधारित कार्यों के लिए खुद को फिर से आविष्कार करने में बहुत अच्छा हो रहा है, और कभी-कभी मानव इंजीनियरों को भी मात दे रहा है। लेकिन उन कार्यों के लिए जिनमें कठोर, विशिष्ट प्रक्रियाओं की आवश्यकता होती है, उसे अभी भी रास्ता दिखाने के लिए एक मानवीय हाथ की आवश्यकता है। शोधकर्ता निष्कर्ष निकालते हैं कि हालांकि हम वास्तविक एआई आत्म-विकास की पहली चिंगारी देख रहे हैं, लेकिन हम अभी तक वहाँ नहीं पहुँचे हैं। एआई एक प्रतिभाशाली प्रशिक्षु की तरह है जो एक नई कुकिंग तकनीक तो आविष्कार कर सकता है, लेकिन उसे प्याज काटने का सटीक तरीका बताने के लिए अभी भी एक मास्टर शेफ की आवश्यकता है। यह नया बेंचमार्क, Evo-Bench, हमें एक स्पष्ट मानचित्र देता है कि आज एआई कहाँ खड़ा है और कल उसे कहाँ जाने की आवश्यकता है।

तकनीकी सारांश: इवो-बेंच (Evo-Bench) – क्या भाषा मॉडल एजेंट हार्नेस (Harness) में सुधार कर सकते हैं?

समस्या विवरण

यद्यपि लार्ज लैंग्वेज मॉडल्स (LLMs) ने स्वायत्त एजेंटों (autonomous agents) को उन्नत किया है, वर्तमान मूल्यांकन काफी हद तक स्थिर कार्य समाधानों तक सीमित हैं जो निश्चित, मानव-निर्मित "हार्नेस" (वे कोड संरचनाएं जो तर्क, टूल उपयोग और मेमोरी को संचालित करती हैं) के भीतर काम करते हैं। एक महत्वपूर्ण सीमा हार्नेस इवोल्यूशन (harness evolution) है: एक एजेंट की अपने स्वयं के ऑपरेटिंग हार्नेस को स्वायत्त रूप से अनुकूलित करने की क्षमता। हालांकि, इस क्षमता का व्यवस्थित रूप से बेंचमार्किंग करना तीन विशिष्ट चुनौतियों के कारण कठिन है:

हार्नेस संवेदनशीलता (Harness Sensitivity): मानक बेंचमार्क अक्सर आधारभूत मॉडल (base model) की शक्ति से हार्नेस सुधारों को अलग करने में विफल रहते हैं, जिससे यह निर्धारित करना कठिन हो जाता है कि प्रदर्शन में वृद्धि बेहतर कोड से हुई है या स्मार्ट मॉडल से।
क्रॉस-स्प्लिट जनरलाइजेशन (Cross-Split Generalization): मौजूदा मूल्यांकन में कार्य-विशिष्ट ओवरफिटिंग (task-specific overfitting) का जोखिम होता है, जहाँ वैलिडेशन और इवैल्यूएशन स्प्लिट्स हार्नेस विविधताओं के प्रति संरेखित प्रतिक्रिया प्रदर्शित नहीं करते हैं।
लॉन्ग-होरिजन इवोल्यूशन (Long-Horizon Evolution): बहु-चरण पुनरावृत्ति परिशोधन (विफलता के निदान, सुधार के लिए परिकल्पना बनाना और कोड अपडेट करना) को बनाए रखने की क्षमता को कैप्चर करना कठिन बना हुआ है।

वर्तमान साहित्य में एक नियंत्रित वातावरण का अभाव है जो विषम डोमेन में लॉन्ग-होरिजन हार्नेस इंजीनियर के रूप में फाउंडेशन मॉडल्स की अंतर्निहित क्षमता का मूल्यांकन कर सके।

कार्यप्रणाली: इवो-बेंच (Evo-Bench)

इन चुनौतियोंों को संबोधित करने के लिए, लेखक इवो-बेंच (Evo-Bench) पेश करते हैं, जो मॉडल्स की अंतर्निहित हार्नेस-इवॉल्विंग क्षमताओं का मूल्यांकन करने के लिए डिज़ाइन किया गया पहला बेंचमार्क है। यह ढांचा एक नवीन हार्नेस-गाइडेड कंस्ट्रक्शन प्रोसेस और एक नियंत्रित मूल्यांकन प्रोटोकॉल का उपयोग करता है।

1. बेंचमार्क निर्माण ढांचा

इवो-बेंच का निर्माण एक दो-चरणीय प्रक्रिया का पालन करता है ताकि यह सुनिश्चित किया जा सके कि कार्य वास्तव में हार्नेस सुधारों के प्रति संवेदनशील हैं:

चरण 1: ऑक्सिलरी हार्नेस जनरेशन (Auxiliary Harness Generation): लेखक एक ऑक्सिलरी टास्क सेट (320 कार्य) एकत्र करते हैं जो अंतिम बेंचमार्क से अलग है। वे चार फ्रंटियर मॉडल्स (GLM-5.2, Claude-Opus-4.8, Claude-Sonnet-5, GPT-5.6-Sol) का उपयोग करके इन कार्यों पर स्वतंत्र इवोल्यूशन प्रयोग चलाते हैं ताकि विविध 12 प्रतिनिधि विकसित हार्नेस ( $H_{aux}$ ) उत्पन्न किए जा सकें।
चरण 2: हार्नेस-गाइडेड टास्क सिलेक्शन: पांच स्थापित बेंचमार्क (BrowseComp, HLE, GDPval, APEX-Agents, Claw-Eval) से उम्मीदवार कार्यों का $H_{aux}$ के विरुद्ध मूल्यांकन किया जाता है। कार्यों को हार्नेस संवेदनशीलता ($Sens(x)$) के आधार पर फ़िल्टर किया जाता है, जिसे किसी कार्य के स्कोर और हार्नेस की समग्र गुणवत्ता के बीच पियर्सन सहसंबंध (Pearson correlation) के रूप में परिभाषित किया गया है। केवल वे कार्य जिनका सकारात्मक संवेदनशीलता और उचित कठिनाई स्तर है, उन्हें चुना जाता है।
स्तरीकृत विभाजन (Stratified Splitting): अंतिम डेटासेट को वितरण संबंधी निरंतरता सुनिश्चित करने और ओवरफिटिंग को रोकने के लिए सेंसिटिविटी-अवेयर स्ट्रैटिफाइड स्प्लिटिंग का उपयोग करके एक दृश्यमान वैलिडेशन सूट ( $D_{val}$ , 160 कार्य) और एक विलगित इवैल्यूएशन सूट ( $D_{eval}$ , 448 कार्य) में विभाजित किया गया है।

2. मूल्यांकन प्रोटोकॉल

डोमेन: बेंचमार्क तीन डोमेन को कवर करता है: सर्च (वेब नेविगेशन), ऑफिस (दस्तावेज़ प्रसंस्करण), और जनरल (विविध एजेंट कार्य)।
प्रक्रिया: एक निश्चित पॉलिसी मॉडल ( $\pi$ ) एक परिवर्तनीय पॉलिसी हार्नेस ( $H_t$ ) का उपयोग करके कार्यों को निष्पादित करता है। एक इवोलवर ( $E$ ), जो एक निश्चित "इवॉल्व हार्नेस" के माध्यम से कार्य करता है, विफलता के पैटर्न का निरीक्षण करता है, परिकल्पनाएँ बनाता है और $H_t$ को संपादित करता है।
सीमाएँ: प्रक्रिया को एक संसाधन बजट (पुनरावृत्ति, समय, चरण) द्वारा सीमित किया जाता है। इवोलवर केवल प्रक्रिया के दौरान $D_{val}$ तक ही पहुँच सकता है; $D_{eval}$ को फ्रीज किए गए हार्नेस ( $H_T$ ) के अंतिम मूल्यांकन के लिए सुरक्षित रखा गया है।
मेट्रिक्स:
- ओवरऑल स्कोर: होल्ड-आउट $D_{eval}$ पर प्रदर्शन।
- एनीटाइम वैलिडेशन स्कोर: इवोल्यूशन बजट के दौरान अब तक के सर्वश्रेष्ठ वैलिडेशन प्रदर्शन का औसत, जो इवोल्यूशनरी प्रक्रिया की दक्षता को मापता है।

मुख्य योगदान

इवो-बेंच (Evo-Bench): एक नवीन बेंचमार्क जो सर्च, ऑफिस और जनरल डोमेन में निष्पादन योग्य कोड हार्नेस को स्वायत्त रूप से परिष्कृत करने की मॉडल्स की अंतर्निहित क्षमता का मूल्यांकन करता है, जो स्टेटिक टास्क सॉल्विंग से आगे बढ़ता है।
हार्नेस-गाइडेड कंस्ट्रक्शन फ्रेमवर्क: एक कार्यप्रणाली जो हार्नेस-संवेदनशील कार्यों की पहचान करने के लिए ऑक्सिलरी-टास्क इवोल्यूशन का उपयोग करती है और मजबूत क्रॉस-सुइट जनरलाइजेशन सुनिश्चित करने के लिए सेंसिटिविटी-अवेयर स्ट्रैटिफाइड स्प्लिटिंग का उपयोग करती है।
हार्नेस इवोल्यूशन का व्यवस्थित विश्लेषण: नौ फ्रंटियर और ओपन-वेट मॉडल्स का एक व्यापक मूल्यांकन, जो प्रदर्शन लाभ, टेम्पोरल विसंगतियों (जैसे, प्रारंभिक संतृप्ति) और विकसित संरचनाओं की हस्तांतरणीयता (transferability) को रेखांकित करता है।

प्रयोगात्मक परिणाम

लेखकों ने एक CodeAct सीड हार्नेस और एक मानव-निर्मित "आर्टिफिशियल हार्नेस" बेसलाइन के विरुद्ध नौ मॉडल्स (GPT-5.6-Sol, Claude Opus 4.8, GLM-5.2, Qwen3.7-Max, और अन्य सहित) का मूल्यांकन किया।

प्रदर्शन लाभ: शीर्ष मॉडल्स ने भारी पूर्ण लाभ प्राप्त किया। GPT-5.6-Sol और Claude Opus 4.8 ने क्रमशः 16.6 और 16.1 अंकों का सुधार किया, जिससे 46.3 और 45.8 प्राप्त हुआ। ये स्कोर मानव-निर्मित बेसलाइन (47.5) के बहुत करीब हैं।
डोमेन-विशिष्ट भिन्नता:
- सर्च: इवोल्यूशन अत्यधिक प्रभावी था; Claude Opus 4.8 ने +34.8 अंक प्राप्त किए, जो मानव बेसलाइन के लगभग बराबर है। मॉडल्स ने लापता वेब-नेविगेशन लॉजिक को सफलतापूर्वक सिंथेसाइज किया।
- जनरल: शीर्ष इवोलवर्स (जैसे, GPT-5.6-Sol, Qwen3.7-Max) ने मानव-निर्मित बेसलाइन को पछाड़ दिया, जिससे यह सिद्ध हुआ कि स्वायत्त रीजनिंग संरचनाएं इस डोमेन में मैनुअल डिज़ाइन से बेहतर हो सकती हैं।
- ऑफिस: मॉडल्स को संघर्ष करना पड़ा, जिसमें मामूली सुधार या मामूली गिरावट देखी गई। लेखक इसका श्रेय ऑफिस कार्यों के लिए आवश्यक अत्यधिक विशिष्ट प्रोसेसिंग वर्कफ़्लो की खोज की कठिनाई को देते हैं।
टेम्पोरल विसंगतियाँ (Temporal Anomalies): विश्लेषण ने प्रारंभिक संतृप्ति (early saturation) का खुलासा किया, जहाँ मॉडल्स तेजी से उच्च-गुणवत्ता वाली संरचनाओं की खोज करते हैं लेकिन बाद के राउंड में अक्सर हानिकारक संशोधन पेश करते हैं, जिससे समयपूर्व समाप्ति या प्रदर्शन में गिरावट आती है।
हस्तांतरणीयता (Transferability): विकसित हार्नेस ने मजबूत क्रॉस-पॉलिसी जनरलाइजेशन प्रदर्शित किया। विभिन्न पॉलिसी मॉडल्स (Qwen, DeepSeek, GLM) पर लागू होने पर, सिंथेसाइज्ड हार्नेस ने लगातार प्रदर्शन बढ़ाया, जो दर्शाता है कि वे एकल मॉडल की खामियों के बजाय ट्रांसफरेबल रीजनिंग स्ट्रक्चर के रूप में कार्य करते हैं।
लागत दक्षता: एक पारेटो फ्रंटियर विश्लेषण ने लागत और प्रदर्शन के बीच एक तीव्र लॉगरिदमिक ट्रेड-ऑफ दिखाया। जबकि शीर्ष-स्तरीय परिणामों के लिए पर्याप्त संसाधनों (जैसे, GPT-5.6-Sol के लिए >$500) की आवश्यकता थी, GLM-5.2 और Qwen3.7-Max जैसे मॉडल्स ने $40 से कम में मजबूत परिणाम प्राप्त किए।

महत्व और दावे

पेपर का दावा है कि इवो-बेंच आधारभूत मॉडल की शक्ति और स्टोकेस्टिक शोर से वास्तविक हार्नेस-इवॉल्विंग क्षमता को अलग करने के लिए एक कठोर, नियंत्रित ढांचा प्रदान करता है। परिणाम बताते हैं कि जबकि वर्तमान फ्रंटियर मॉडल्स में (विशेष रूप से सर्च और जनरल डोमेन में) स्वायत्त अनुसंधान इंजीनियर के रूप में कार्य करने की क्षमता है, वे अभी भी जटिल ऑफिस वर्कफ़्लो में गहरे सिस्टम-लेवल ऑप्टिमाइज़ेशन और दृढ़ता की कमी रखते हैं।

लेखक इवो-बेंच को स्व-विकसित (self-evolving) एजेंट आर्किटेक्चर में भविष्य के अनुसंधान को उत्प्रेरित करने के लिए एक आधारभूत परीक्षण स्थल के रूप में देखते हैं। उनका तर्क है कि कारण-आधारित विफलता पैटर्न (causal failure patterns) को एब्स्ट्रैक्ट करने और बड़े पैमाने पर आर्किटेक्चरल रिफैक्टरिंग को निष्पादित करने की क्षमता को मजबूत करके, भविष्य के मॉडल्स में हार्नेस इंजीनियरिंग में मानव विशेषज्ञों को लगातार पछाड़ने की क्षमता है। पेपर यह दावा नहीं करता है कि इसने स्व-सुधार (self-improvement) को हल कर दिया है, बल्कि यह इस विशिष्ट विकासवादी क्षमता को मापने और बेंचमार्क करने के लिए पहला व्यवस्थित मीट्रिक प्रदान करता है।