🤖 AI

CoRE: Consensus Rewards via Equilibrium for Test-Time Reinforcement Learning

यह शोध पत्र CoRE को प्रस्तुत करता है, जो एक टेस्ट-टाइम सुदृढीकरण शिक्षण (reinforcement learning) विधि है जो भंगुर बहुमत मतदान (majority voting) को रिप्लिकेटर डायनेमिक्स (replicator dynamics) से प्राप्त ग्राफ-आधारित सर्वसम्मति पुरस्कारों (consensus rewards) से प्रतिस्थापित करती है ताकि श्रेणीबद्ध, स्व-पर्यवेक्षित संकेत प्रदान किए जा सकें जो विविध मॉडलों और बेंचमार्क में सटीकता और अभिसरण गति में सुधार करते हैं।

मूल लेखक: Ambuj Mehrish, Sebastiano Vascon

प्रकाशित 2026-08-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ambuj Mehrish, Sebastiano Vascon

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 एक ऐसी दुनिया है जहाँ एक सुपर-स्मार्ट रोबोट एक पेचीदा पहेली को हल करना सीखने की कोशिश कर रहा है, लेकिन वहाँ कोई नहीं है जो उसे बता सके कि उसने सही उत्तर दिया है या नहीं। यह आधुनिक AI मॉडल्स का दैनिक जीवन है जब वे नए, बिना लेबल वाले सवालों का सामना करते हैं। सीखने के लिए, इन मॉडल्स को आमतौर पर एक शिक्षक की आवश्यकता होती है जो कहे, "अच्छा काम किया!" या "फिर से कोशिश करो!" जो सही उत्तर कुंजी (answer key) के आधार पर हो। लेकिन क्या होता है जब कोई उत्तर कुंजी मौजूद ही न हो? यहीं पर टेस्ट-टाइम रीइन्फोर्समेंट लर्निंग (Test-Time Reinforcement Learning) नामक एक क्षेत्र काम आता है। यह एक चतुर तकनीक है जहाँ AI एक ही समस्या के कई अलग-अलग प्रयास (जिन्हें "रोल-आउट्स" कहा जाता है) करके खुद को सिखाने की कोशिश करता है और फिर अपने ही काम को देखकर यह समझने की कोशिश करता है कि उसे किस पर विश्वास करना चाहिए।

इसे करने का मानक तरीका एक कक्षा के मतदान जैसा है। यदि AI 64 अलग-अलग उत्तर उत्पन्न करता है, तो यह बस उन्हें गिनता है। यदि 35 ने "42" कहा और 29 ने "17" कहा, तो AI मान लेता है कि "42" ही सत्य है क्योंकि उसे सबसे अधिक वोट मिले हैं। इसके बाद वह हर उस प्रयास को पुरस्कृत करता है जिसने "42" कहा और बाकी को दंडित करता है। यह अधिकांश समय अच्छा काम करता है, लेकिन इसमें एक घातक दोष है: यह एक भाग्यशाली अनुमान को एक शानदार, तर्कपूर्ण समाधान के समान ही मानता है, और इस संभावना को अनदेखा कर देता है कि "बहुमत" आत्मविश्वास के साथ गलत भी हो सकता है। यदि बुद्धिमान, आत्मविश्वासी प्रयासों का एक छोटा समूह "17" कहता है, जबकि एक बड़ा, भ्रमित समूह "42" चिल्ला रहा है, तो मतदान प्रणाली उस स्मार्ट अल्पसंख्यक समूह को कुचल देगी। यह शोध पत्र पूछता है: क्या हम AI के लिए खुद को सुनने का एक स्मार्ट तरीका बना सकते हैं, जो केवल इस पर नहीं कि कितने लोग सहमत हैं, बल्कि इस पर ध्यान दे कि उनके उत्तर कैसे सहमत हैं?

मतपेटी की समस्या (The Problem with the Ballot Box)

कल्पना कीजिए कि जासूसों का एक समूह एक अपराध को सुलझाने की कोशिश कर रहा है। पुराने तरीके में ("बहुमत मत" विधि), वे बस हाथ उठाते हैं। यदि 60 जासूस बटलर की ओर इशारा करते हैं और 40 माली की ओर, तो बटलर दोषी है। लेकिन क्या होगा यदि वे 60 जासूस जो बटलर की ओर इशारा कर रहे हैं, सभी भ्रमित हैं, जबकि माली की ओर इशारा करने वाले 40 जासूस वास्तव में सुरागों को सही ढंग से पढ़ चुके हैं? मतदान प्रणाली स्मार्ट जासूसों को दंडित करेगी और भ्रमित लोगों को पुरस्कृत करेगी, जिससे पूरी टीम समय के साथ और मूर्ख होती जाएगी।

AI मॉडल्स के साथ बिल्कुल यही होता है जो मानक टेस्ट-टाइम रीइन्फोर्समेंट लर्निंग का उपयोग करते हैं। वे कई उत्तर उत्पन्न करते हैं, विजेताओं को गिनते हैं, और मान लेते हैं कि विजेता सही है। यदि AI एक व्यवस्थित गलती करता है जो लोकप्रिय भी है, तो वह उस गलती को ही पुख्ता (reinforce) कर देता है। यह एक टूटी हुई लोकतंत्र की तरह है जहाँ सबसे तेज़ आवाज़ जीत जाती है, भले ही वे बकवास चिल्ला रहे हों।

कोरे (CoRE): जासूसों की गोलमेज चर्चा

इस शोध पत्र के लेखक, अंबुज मेहरिश और सेबस्टियानो वास्कॉन, एक नई विधि प्रस्तावित करते हैं जिसे CoRE (Consensus Rewards via Equilibrium) कहा जाता है। केवल सिरों को गिनने के बजाय, CoRE AI के प्रयासों को संबंधों के एक जटिल जाल की तरह मानता है।

यह कैसे काम करता है, एक सरल उदाहरण के माध्यम से समझें:
कल्पimate करें कि AI के 64 प्रयास एक कमरे में बैठे लोग हैं।

ग्राफ (The Graph): केवल उत्तर चिल्लाने के बजाय, ये लोग कनेक्शन का एक विशाल जाल बनाते हैं। दो लोग तब जुड़े होते हैं जब उन्होंने एक ही उत्तर दिया हो। लेकिन यह कनेक्शन केवल "हाँ/ना" नहीं है। इसे इस आधार पर भारित (weighted) किया गया है कि उनकी तर्क प्रक्रिया कितनी समान थी (क्या उन्होंने एक ही तर्क का उपयोग किया?) और वे कितने आत्मविश्वासी थे (क्या वे निश्चितता के साथ बोले?)।
साम्यावस्था (The Equilibrium): सिस्टम फिर "रेप्लिकेटर डायनेमिक्स" नामक एक गणितीय सिमुलेशन चलाता है। इसे संगीत वाली कुर्सियों (musical chairs) के खेल के रूप में सोचें जहाँ वे लोग जो अपने आत्मविश्वासी, तार्किक पड़ोसियों द्वारा सबसे अधिक समर्थित होते हैं, खड़े होने लगते हैं और एक घनिष्ठ, मजबूत घेरा बनाना शुरू करते हैं। "डोमिनेंट सेट" वह समूह है जो आपसी समर्थन को सबसे अधिक थामे रखता है।
पुरस्कार (The Reward): विजेता के लिए सबको साधारण "पास" या "फेल" देने के बजाय, CoRE एक श्रेणीबद्ध स्कोर (graded score) देता है। यदि आपका उत्तर एक घनिष्ठ, आत्मविश्वासी, तार्किक घेरे का हिस्सा था, तो आपको उच्च पुरस्कार मिलता है। यदि आप एक कमजोर, भ्रमित समूह का हिस्सा थे, तो आपको कम पुरस्कार मिलता है। भले ही आप अल्पसंख्यक में थे, यदि आपका समूह सबसे सुसंगत और आत्मविश्वासी था, तो CoRE वास्तव में आपको विजेता के रूप में चुन सकता है।

उन्होंने क्या पाया

शोधकर्ताओं ने सात अलग-अलग AI मॉडल्स और पांच अलग-अलग गणित और विज्ञान बेंचमार्क पर इस नए "CoRE" तरीके का "बहुमत मत" (Majority Vote) पद्धति के विरुद्ध परीक्षण किया। उन्होंने परिणामों की वास्तविकता सुनिश्चित करने के लिए तीन अलग-अलग रैंडम सीड्स (मूल रूप से तीन अलग-अलग शुरुआती स्थितियाँ) के साथ प्रयोग किए।

परिणाम काफी उत्साहजनक थे:

बेहतर स्कोर: औसतन, CoRE का उपयोग करने वाले मॉडल्स ने बिना किसी लर्निंग के अपने शुरुआती बिंदु की तुलना में सटीकता में 21.7 अंक का सुधार किया। पुराने वोटिंग तरीके ने केवल 20.4 अंक का सुधार किया।
विवादित लड़ाइयों में जीतना: असली जादू तब हुआ जब उत्तर विभाजित थे। उन स्थितियों में जहाँ AI अनिश्चित था और "वोट" बहुत करीब था, CoRE वोटिंग पद्धति से 7.5 अंक तक बेहतर रहा। इसने सफलतापूर्वक उस "स्मार्ट अल्पसंख्यक" को बचा लिया जिसे वोटिंग प्रणाली अनदेखा कर देती।
तेजी से सीखना: CoRE केवल बेहतर ही नहीं हुआ; यह वहां तक जल्दी पहुँचा। यह वोटिंग पद्धति की तुलना में 54% से 70% कम चरणों में समान अंतिम सटीकता स्तर तक पहुँच गया। यह सुझाव देता है कि CoRE से मिलने वाले श्रेणीबद्ध, सूक्ष्म पुरस्कार AI को सीखने के लिए एक स्पष्ट, अधिक सहायक संकेत देते हैं।

"रिकवरी ज़ोन" (The Recovery Zone)

पेपर यह भी समझाता है कि यह कब सबसे अच्छा काम करता है। उन्होंने पाया कि एक विशिष्ट "रिकवरी ज़ोन" है। यदि AI इतना बुरा है कि वह समस्या को बिल्कुल हल नहीं कर सकता, या इतना अच्छा है कि सभी पूरी तरह सहमत हैं, तो CoRE पुराने वोटिंग तरीके की तरह ही काम करता है (जो कि ठीक है)। लेकिन उस बीच की स्थिति में—जहाँ सही उत्तरों का एक छोटा समूह, गलत लेकिन आत्मविश्वासी उत्तरों के एक बड़े समूह से लड़ रहा है—CoRE चमकता है।

लेखकों ने गणितीय रूप से दिखाया है कि यदि सही उत्तर गलतों की तुलना में थोड़े भी अधिक आत्मविश्वासी हैं, तो CoRE पासा पलट सकता है और सही उत्तर चुन सकता है, भले ही वह अल्पसंख्यक हो। यह एक बुद्धिमान न्यायाधीश की तरह है जो महसूस करता है कि ठोस सबूतों वाले 40 जासूस, उन 60 जासूसों की तुलना में अधिक भरोसेमंद हैं जिन्होंने केवल अनुमान लगाया था।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि हमें वोटिंग सिस्टम को पूरी तरह से छोड़ने की आवश्यकता नहीं है; CoRE वास्तव में वोटिंग को एक विशेष मामले के रूप में शामिल करता है। लेकिन इसमें "सामाजिक बुद्धिमत्ता" (social intelligence) की एक परत जोड़कर—यह देखकर कि उत्तर एक-दूसरे का समर्थन कैसे करते हैं और वे कितने आत्मविश्वासी हैं—हम एक भंगुर, सब-या-कुछ-नहीं वाले वोट को एक स्मार्ट, कैलिब्रेटेड रिवॉर्ड सिस्टम में बदल सकते हैं।

लेखक सावधानीपूर्वक नोट करते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ ठीक कर दे। यदि AI पूरी तरह से खो गया है (द "कॉम्पिटेंस फ्लोर"), तो CoRE शून्य से सही उत्तर पैदा नहीं कर सकता। लेकिन उन कठिन समस्याओं के लिए जहाँ AI लगभग सही है लेकिन भीड़ से भ्रमित हो जाता है, CoRE एक शांत, आत्मविश्वासी तर्क की आवाज़ सुनने का एक तरीका सुझाता है, न कि केवल सबसे तेज़ शोर की। यह एक साधारण गिनती को एक परिष्कृत संवाद में बदल देता है, जिससे AI मॉडल अपनी गलतियों से तेज़ी से और बेहतर तरीके से सीख पाते हैं।

तकनीकी सारांश: CoRE – टेस्ट-टाइम सुदृढीकरण शिक्षण (Reinforcement Learning) के लिए इक्विलिब्रियम के माध्यम से सर्वसम्मति पुरस्कार (Consensus Rewards)

समस्या विवरण

टेस्ट-टाइम सुदृढीकरण शिक्षण (TTRL) का लक्ष्य मॉडल के अपने ही रोल-आउट्स (roll-outs) से पर्यवेक्षण (supervision) प्राप्त करके अनलेबल टेस्ट डेटा पर भाषा मॉडल की तर्क क्षमता में सुधार करना है। मानक दृष्टिकोण, बहुमत मतदान (Majority Voting), $N$ नमूनाकृत उत्तरों के सेट को एक मतपत्र बॉक्स की तरह मानता है: यह सबसे अधिक बार आने वाले उत्तर को एक छद्म-लेबल (pseudo-label) के रूप में पहचानता है और उस लेबल से मेल खाने वाले प्रक्षेप पथों (trajectories) को एक बाइनरी रिवॉर्ड (1 या 0) आवंटित करता है।

यह दृष्टिकोण तीन महत्वपूर्ण सीमाओं से ग्रस्त है:

भंगुर एकत्रीकरण (Brittle Aggregation): यह सही उत्तरों को खारिज कर देता है यदि वे अल्पसंख्यक हों, भले ही वे आंतरिक रूप से सुसंगत हों। इसके विपरीत, यह गलत बहुमत समूहों को पुरस्कृत करता है, जिससे व्यवस्थित त्रुटियों (systematic errors) के बढ़ने की संभावना बढ़ जाती है।
बाइनरी रिवॉर्ड (Binary Rewards): यह एक अच्छी तरह से समर्थित व्युत्पत्ति (derivation) और एक भाग्यशाली अनुमान के बीच अंतर करने में विफल रहता है, दोनों को समान रिवॉर्ड देता है।
समान प्रश्न भारण (Uniform Question Weighting): यह प्रत्येक प्रश्न को समान मानता है, चाहे रोल-आउट्स एक सुसंगत सर्वसम्मति बनाते हों या असंगत समाधानों का एक खंडित सेट।

मूल चुनौती एक ऐसा रिवॉर्ड सिग्नल निर्मित करने की है जो केवल वोटों की गिनती करने के बजाय, रीजनिंग पथों के बीच संबंधात्मक संरचना (relational structure) और पारस्परिक समर्थन (mutual support) को कैप्चर करे।

कार्यप्रणाली: CoRE

लेखक CoRE (Consensus Rewards via Equilibrium) प्रस्तावित करते हैं, जो एक विधि है जो बहुमत मतदान को एक ग्राफ-आधारित इक्विलिब्रियम दृष्टिकोण से बदल देती है। CoRE मानक TTRL की तरह ही समान $N$ रोल-आउट्स पर कार्य करता है, लेकिन परिष्कृत सिग्नल उत्पन्न करने के लिए उन्हें अलग तरह से संसाधित करता है।

1. रोल-आउट ग्राफ निर्माण

CoRE एक भारित ग्राफ $G=(V, E, \omega)$ का निर्माण करता है जहाँ नोड्स $N$ रोल-आउट्स का प्रतिनिधित्व करते हैं। किनारे (edges) एक एफिनिटी मैट्रिक्स $A'$ द्वारा परिभाषित होते हैं जो तीन सिग्नल्स को जोड़ता है:

उत्तर सहमति (Answer Agreement): एक हार्ड कर्नेल $K_{ans}$ यह सुनिश्चित करता है कि किनारे केवल उन्हीं रोल-आउट्स के बीच मौजूद हों जिनका निकाला गया उत्तर समान है।
रीज़निंग समानता (Reasoning Similarity): TF-IDF $n$ -gram वेक्टर्स के कोसाइन सिमिलरिटी पर आधारित एक सॉफ्ट कर्नेल $K_{rsn}$ , एक ही उत्तर वर्ग के भीतर संबंधों को मजबूत करता है।
कॉन्फिडेंस कैलिब्रेशन (Confidence Calibration): नोड वेट $w_i$ जनरेशन कॉन्फिडेंस (मीन टोकन लॉग-प्रोबेबिलिटी) से प्राप्त होते हैं। किनारों को एंडपॉइंट कॉन्फिडेंस के ज्यामितीय माध्य ( $\sqrt{w_i w_j}$ ) द्वारा स्केल किया जाता है, जिससे यह सुनिश्चित होता है कि उच्च-विश्वास वाले प्रक्षेप पथ एक-दूसरे को अधिक मजबूती से सुदृढ़ करते हैं।

अंतिम एफिनिटी मैट्रिक्स $A'$ ब्लॉक-डायगोनल है, जहाँ प्रत्येक ब्लॉक एक अद्वितीय उत्तर वर्ग के अनुरूप होता है।

2. डोमिनेंट सेट एक्सट्रैक्शन हेतु रेप्लिकेटर डायनेमिक्स (Replicator Dynamics)

वोटों की गिनती करने के बजाय, CoRE रेप्लिकेटर डायनेमिक्स (RD) का उपयोग करके ग्राफ से एक डोमिनेंट सेट (Dominant Set - DS) निकालता है, जो एक विकासवादी गेम-थ्योरेटिक अनुकूलन प्रक्रिया है।

आरंभ (Initialization): सिस्टम सिमप्लेक्स के बैरीसेंटर (barycenter) से शुरू होता है, जहाँ प्रत्येक उत्तर वर्ग के आकार के आनुपातिक प्रारंभिक द्रव्यमान (mass) आवंटित किया जाता है (प्रभावी रूप से बहुमत मतदान से शुरुआत करना)।
डायनेमिक्स (Dynamics): सिस्टम द्विघात रूप (quadratic form) $x^\top A' x$ के आधार पर द्रव्यमान वितरण $x$ को पुनरावर्ती रूप से अपडेट करता है। यह प्रक्रिया एक स्थिर बिंदु $x^*$ पर अभिसरित होती है जहाँ द्रव्यमान सबसे अधिक पारस्परिक रूप से सहायक उपसमुच्चय (subset) पर केंद्रित होता है।
परिणाम (Outcome): $x^*$ का सपोर्ट (वे नोड्स जिनमें द्रव्यमान एक थ्रेशोल्ड से ऊपर है) सर्वसम्मति को परिभाषित करता है।

3. रिवॉर्ड जनरेशन

इक्विलिब्रियम अवस्था $x^*$ से, CoRE तीन अलग-अलग सिग्नल प्राप्त करता है:

परिष्कृत छद्म-लेबल ( $y^*$ ): वह उत्तर वर्ग जिसका इक्विलिब्रियम द्रव्यमान सबसे अधिक है। यह बहुलता वोट (plurality vote) से भिन्न हो सकता है यदि एक छोटा, अत्यधिक सुसंगत अल्पसंख्यक समूह प्रभावी उभरता है।
श्रेणीबद्ध रिवॉर्ड ( $R_i$ ): प्रत्येक रोल-आउट को सर्वसम्मति के प्रति उसकी एफिनिटी के अनुपात में एक निरंतर (continuous) रिवॉर्ड मिलता है, न कि बाइनरी 0/1 के रूप में।
कोहेसिवनेस गेट ( $w_q$ ): एक प्रश्न-स्तरीय स्केलर जो सर्वसम्मति की समग्र सुसंगतता को मापता है। यह गेट पॉलिसी अपडेट (GRPO) में लॉस फंक्शन को स्केल करता है, उन प्रश्नों को फ़िल्टर करता है जहाँ कोई विश्वसनीय सर्वसम्मति मौजूद नहीं है।

मुख्य योगदान

1. पद्धतिगत नवाचार

CoRE पहला टेस्ट-टाइम RL मेथड है जो रिवॉर्ड बनाने के लिए डोमिनेंट सेट एक्सट्रैक्शन का उपयोग करता है। यह रोल-आउट समूह को एक "मतपत्र बॉक्स" से बदलकर एक "ग्राफ" में बदल देता है, जिससे उन सुसंगत और आत्मविश्वासी सही अल्पसंख्यक समूहों को रिकवर करना संभव होता है जिन्हें संख्या बल पीछे छोड़ देता है। यह बिना किसी सहायक मॉडल या अतिरिक्त रोल-आउट के सीधे GRPO में एकीकृत हो जाता है।

2. सैद्धांतिक विश्लेषण

पेपर एक कठोर सैद्धांतिक ढांचा प्रदान करता है:

सामान्यीकरण (Generalization): सिद्ध किया गया है कि बहुमत मतदान CoRE का एक विशेष मामला है (जब रीज़निंग सिमिलरिटी को अनदेखा किया जाता है और कॉन्फिडेंस समान होता है)।
रिकवरी थ्रेशोल्ड (Recovery Threshold): एक ब्लॉक-वैल्यू विश्लेषण उस सटीक थ्रेशोल्ड को निकालता है जिस पर एक सही अल्पसंख्यक समूह एक गलत बहुलता (plurality) को पछाड़ सकता है। यह थ्रेशोल्ड क्लस्टर के आकार के अनुपात और उनकी आंतरिक सुसंगतता पर निर्भर करता है।
कॉन्फिडेंस मल्टीप्लिकेशन: विश्लेषण सिद्ध करता है कि कॉन्फिडेंस कैलिब्रेशन रिकवरी थ्रेशोल्ड को गुणात्मक रूप से कम (multiplicatively lowers) कर देता है। विशेष रूप से, यदि सही रोल-आउट्स गलत रोल-आउट्स की तुलना में अधिक आत्मविश्वासी हैं, तो एक अल्पसंख्यक के जीतने के लिए आवश्यक सुसंगतता, कॉन्फिडेंस गैप के साथ तेजी से (exponentially) घटती जाती है।

3. अनुभवजन्य साक्ष्य (Empirical Evidence)

7 बैकबोन (Qwen, DeepSeek, Llama, Mistral) और 5 बेंचमार्क (AMC, AIME, MATH-500, MATH-L4/5, GPQA-Diamond) के साथ 42 मॉडल-बेंचमार्क कॉन्फ़िगरेशन पर मूल्यांकन किया गया:

प्रदर्शन: CoRE औसत रूप से सभी 42 मॉडल-बेंचमार्क सेल्स में अनट्रेन्ड बेस पर +21.7 पॉइंट्स की सटीकता में सुधार करता है, जो वोटिंग आधारित TTRL (+20.4 पॉइंट्स) से बेहतर है। विशेष रूप से, गणित-विशेषज्ञ मॉडल अकेले औसतन +25.0 पॉइंट्स का सुधार दिखाते हैं।
विवादित सर्वसम्मति (Contested Consensus): CoRE उन परिदृश्यों में वोटिंग की तुलना में +7.5 पॉइंट्स तक की बढ़त हासिल करता है जहाँ सहमति विवादित है (जैसे, MATH-L4/L5 सबसेट्स)।
सैंपल दक्षता (Sample Efficiency): CoRE वोटिंग बेसलाइन के अंतिम सटीकता पठार (accuracy plateau) तक वोटिंग की तुलना में 54–70% कम ऑप्टिमाइजेशन स्टेप्स में पहुँच जाता है।
एब्लेशन (Ablation): ग्राफ संरचना या कॉन्फिडेंस कैलिब्रेशन में से किसी एक को हटाने से प्रदर्शन बहुमत-वोट के स्तर तक गिर जाता है, जो पुष्टि करता है कि संरचनात्मक सुसंगतता और आत्मविश्वास के बीच तालमेल आवश्यक है।

महत्व और दावे

पेपर का दावा है कि सर्वसम्मति केवल गिनती नहीं है। रीजनिंग पथों के बीच पारस्परिक समर्थन को मॉडल करके, CoRE एक भंगुर वोटिंग तंत्र को एक कैलिब्रेटेड, श्रेणीबद्ध, स्व-पर्यवेक्षित (self-supervised) रिवॉर्ड सिग्नल में बदल देता है।

तंत्र (Mechanism): यह विधि "छोटे, सुसंगत और आत्मविश्वासी सही समूहों" से पर्यवेक्षण प्राप्त करके सफल होती है, जिन्हें वोट गणना मिस कर देती है।
परिचालन शासन (Operating Regimes): लाभ "मध्यवर्ती शासन" (intermediate regime) में केंद्रित हैं जहाँ एक सुसंगत सही अल्पसंख्यक मौजूद है लेकिन बहुलता नहीं है। "सैचुरेशन" शासन (लगभग सर्वसम्मत सही उत्तर) या "कॉम्पिटेंस फ्लोर" शासन (रैंडम गेसिंग) में, CoRE स्वाभाविक रूप से बहुमत मतदान के समान प्रदर्शन करता है, जिससे शोर (noise) के प्रति ओवरफिटिंग से बचा जा सके।
स्व-पर्यवेक्षण (Self-Supervision): CoRE प्रदर्शित करता है कि रोल-आउट्स को स्वतंत्र नमूनों के बजाय एक ग्राफ के रूप में मानने से अधिक सघन (dense) प्रशिक्षण सिग्नल मिलता है, जिससे छद्म-लेबल की गुणवत्ता और पॉलिसी अपडेट की दक्षता दोनों में सुधार होता है।

लेखक निष्कर्ष निकालते हैं कि CoRE एक मौलिक घटक के रूप में प्रतिनिधित्व करता है, जो टेस्ट-टाइम अनुकूलन में बाहरी पर्यवेक्षण के बिना असहमति को संभालने का एक सिद्धांत-आधारित तरीका प्रदान करता है।