Self-Evolving Code-with-Image Reasoning
यह शोध पत्र "कोड-विद-इमेज" (Code-with-Image) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त स्व-विकसित ढांचा है जहाँ मल्टीमॉडल मॉडल जटिल पिक्सेल-स्तरीय कार्यों को हल करने के लिए कोड में विजुअल एल्गोरिदम को लागू करते हैं, और अपनी तर्क कौशल को पुनरावृत्ति से परिष्कृत करने और CwI-बेंच पर महत्वपूर्ण प्रदर्शन लाभ प्राप्त करने के लिए एक निष्पादन योग्य रिफ्लेक्शन लूप का उपयोग करते हैं।
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
जासूस की दुविधा: जब देखना ही काफी नहीं होता
कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में, लेकिन सुरागों को देखने के बजाय, आप एक एकल, उच्च-रिज़ॉल्यूशन वाली तस्वीर को घूर रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, मल्टीमॉडल मॉडल यही करते हैं: वे छवियों को देखते हैं और उनके बारेв में सवालों के जवाब देने की कोशिश करते हैं। लंबे समय तक, ये एआई जासूस "टूल्स" (उपकरणों) का उपयोग करना सीखकर बेहतर होते गए हैं। यदि कोई सुराग देखने के लिए बहुत छोटा है, तो वे ज़ूम करना सीखते हैं। यदि कोई टेक्स्ट धुंधला है, तो वे छवि को चमकाना सीखते हैं। इसे "छवियों के साथ सोचना" कहा जाता है। यह एक जासूस को आवर्धक लेंस (magnifying glass) और टॉर्च देने जैसा है।
हालाँकि, इसमें एक पेंच है। कुछ रहस्य केवल अधिक ध्यान से देखने से हल नहीं होते। कल्पना कीजिए कि एक ऐसी पहेली जहाँ आपको यह सटीक रूप से गिनना है कि एक विशिष्ट पैटर्न में कितने पिक्सेल हैं, या यह पता लगाना है कि एक छिपी हुई अंगूठी को किस सटीक कोण पर घुमाया गया था। कोई भी ज़ूम करना या ब्राइटनेस बढ़ाना आपकी आँखों से उत्तर को "देखने" में मदद नहीं करेगा। आपको इसकी गणना करनी होगी। यहीं पर सोचने का पुराना तरीका दीवार से टकरा जाता है। एआई पहेली को हल करने के चरणों का शब्दों में वर्णन तो कर सकता है, लेकिन शब्द एक तस्वीर पर गणित नहीं कर सकते। यह शोध पत्र उस अंतर को भरने के लिए आया है, जो एक सरल लेकिन गहरा सवाल पूछता है: क्या होगा अगर एआई केवल समाधान का वर्णन न करे, बल्कि वास्तव में समाधान को चलाने के लिए एक कंप्यूटर प्रोग्राम लिखे?
शोध पत्र का बड़ा विचार: सोचने के रूप में कोडिंग
यह शोध पत्र विज़ुअल पहेलियों को हल करने के लिए एआई का एक नया तरीका पेश करता है जिसे Code-with-Image कहा जाता है। एआई से केवल एक छवि को "देखने" और उत्तर का अनुमान लगाने के लिए कहने, या "क्रॉप" या "रोटेट" जैसे पहले से बने टूल्स की सूची देने के बजाय, शोधकर्ता उसे एक खाली कैनवास और एक पायथन इंटरप्रेटर (एक टूल जो कंप्यूटर कोड चलाता है) देते हैं। एआई का काम एक ऐसा प्रोग्राम लिखना है जो उत्तर खोजने के लिए सीधे छवि के पिक्सेल के साथ हेरफेर करे।
इसे इस तरह सोचें: पुराने तरीके में, यदि आप एक एआई से पूछते, "इस तस्वीर में कितने लाल बिंदु हैं?", तो वह बिंदुओं का वर्णन करने या उन्हें हाइलाइट करने के लिए किसी टूल का उपयोग करने की कोशिश कर सकता है। Code-with-Image में, एआई को एक स्क्रिप्ट लिखनी होगी जो कहती है, "हर पिक्सेल पर जाओ, जाँचो कि क्या वह लाल है, उसे गिनो, और कुल संख्या प्रिंट करो।" प्रोग्राम ही तर्क (reasoning) है। यदि कोड सही है, तो उत्तर सही है। यदि कोड गलत है, तो उत्तर गलत है। यह चुनौती को "देखने" से बदलकर "बनाने" में बदल देता है।
समस्या: एआई वर्णन कर सकता है, लेकिन कर नहीं सकता
शोधकर्ताओं ने पाया कि यहाँ तक कि सबसे स्मार्ट एआई मॉडल भी संघर्ष करते हैं। उन्होंने CwI-Bench (Code-with-Image Bench) नामक एक विशाल बेंचमार्क का परीक्षण किया, जिसमें 30 अलग-अलग प्रकार की विज़ुअल पहेलियाँ शामिल हैं। ये पहेलियाँ इस तरह डिज़ाइन की गई हैं कि आप केवल उन्हें देखकर उत्तर नहीं पा सकते; आपको पिक्सेल पर बहु-चरणीय गणना करनी होगी।
जब एआई ने केवल शब्दों का उपयोग करके इन पहेलियों को हल करने की कोशिश की (यहाँ तक कि अपने "सोचने" वाले मोड के साथ भी), तो वह बुरी तरह विफल रहा। उदाहरण के लिए, शीर्ष-स्तरीय मॉडल, GPT-5.6-luna, 30% से भी कम उत्तर सही दे पाया। वह चरणों का पूरी तरह से वर्णन कर सकता था ("मुझे छवि को घुमाना चाहिए और पिक्सेल गिनने चाहिए"), लेकिन वह वास्तव में गणित नहीं कर सका। यह एक ऐसे शेफ की तरह था जो रेसिपी का विवरण तो पूरी तरह से दे सकता है लेकिन खाना बना नहीं सकता।
हालाँकि, जब शोधकर्ताओं ने एआई को एक पायथन इंटरप्रेटर दिया और उसे समस्या को हल करने के लिए कोड लिखने को कहा, तो स्कोर बढ़ गया। GPT-5.6-luna की सटीकता बढ़कर 43% हो गई। ओपन-सोर्स मॉडल Qwen3.5-27B 12.6% से बढ़कर 32.6% हो गया। कोड ने एआई को वास्तव में इमेज डेटा को प्रोसेस करने की अनुमति दी, जिससे यह एक अनुमान लगाने वाले खेल से गणना में बदल गया।
गुप्त सूत्र: खुद को डीबग करना सिखाना
लेकिन यहाँ एक ट्विस्ट है: कोड लिखने की क्षमता के साथ भी, एआई अभी भी गलतियाँ करता है। वह एक ऐसा प्रोग्राम लिखेगा जो सही दिखता है लेकिन उसमें एक छोटी, अदृश्य त्रुटि है—जैसे एक अतिरिक्त पिक्सेल गिन लेना या रोटेशन के लिए गलत संख्या का उपयोग करना। एआई कोड चलाएगा, गलत उत्तर प्राप्त करेगा, और फिर बस एक नया प्रोग्राम लिखने की कोशिश करेगा, अक्सर वही गलती दोबारा करता है।
इसे ठीक करने के लिए, लेखकों ने एक "स्व-विकसित" लूप बनाया जिसे Self-Reflection over Executable Reasoning कहा जाता है। यह कहानी का सबसे दिलचस्प हिस्सा है। कल्पना कीजिए कि एआई एक परीक्षा देने वाला छात्र है। जब वह एक प्रश्न गलत करता है, तो केवल आगे बढ़ने के बजाय, उसे मजबूर किया जाता है:
- अपने असफल टेस्ट को देखना: अपने द्वारा लिखे गए कोड और मिले गलत उत्तर को पढ़ना।
- एक सिमुलेशन चलाना: यह देखने के लिए कि वह कहाँ टूटा, कोड को एक सुरक्षित "सैंडबॉक्स" में फिर से चलाना।
- बग को ठीक करना: गलती को सुधारने के लिए कोड को एडिट करना।
- सबक को सहेजना: यदि सुधार काम करता है, तो सुधारा गया कोड एक लाइब्रेरी में एक "कौशल" (टेक्स्ट का एक टुकड़ा) के रूप में सहेज लें।
यह सब बिना एआई को फिर से प्रशिक्षित किए या उसके मस्तिष्क को पुनर्गठित किए होता है। वह अपने स्वयं के विफलताओं से सीखता है। शोध पत्र दिखाता है कि यह "स्व-शिक्षण" लूप अविश्वसनीय रूप से शक्तिशाली है।
- GPT-5.6-luna मॉडल के लिए, इन स्व-विकसित कौशलों का उपयोग करने से इसकी सटीकता 43% से बढ़कर 67% हो गई।
- Qwen3.5-27B मॉडल के लिए, यह 32.6% से बढ़कर 55.9% हो गया।
यह क्यों मायने रखता है: कौशल जिन्हें आप कॉपी और पेस्ट कर सकते हैं
सबसे शानदार खोजों में से एक यह है कि ये "कौशल" केवल सादा टेक्स्ट हैं। वे एआई के दिमाग के अंदर बंद नहीं हैं। शोधकर्ताओं ने दिखाया कि वे एक बड़े, शक्तिशाली मॉडल (जैसे 27-बिलियन-पैरामीटर मॉडल) द्वारा सीखे गए कौशलों को एक बहुत छोटे, कमजोर मॉडल (9-बिलियन-पैरामीटर मॉडल) में ले जा सकते हैं।
छोटा मॉडल, जो अपने आप में इन समस्याओं को हल नहीं कर सकता था, केवल बड़े मॉडल द्वारा लिखे गए "रेफरेंस गाइड" को पढ़कर अचानक बहुत बेहतर हो गया।
- 9B मॉडल ने 27B मॉडल द्वारा विकसित कौशलों का उपयोग करके अपनी सटीकता 11.1% से बढ़ाकर 34.5% कर ली।
- और भी आश्चर्यजनक रूप से, ये कौशल विभिन्न प्रकार के एआई मॉडलों में काम करते हैं। एक मॉडल परिवार द्वारा सीखा गया कौशल दूसरे मॉडल परिवार को सुधारने में मदद करता है।
यह शोध पत्र क्या खारिज करता है
यह शोध पत्र स्पष्ट रूप से बताता है कि क्या काम नहीं करता है। यह तर्क देता है कि केवल एआई को टूल्स की एक सूची (जैसे "ज़ूम," "क्रॉप," या "सर्च") देने से इन विशिष्ट प्रकार की समस्याओं के लिए पर्याप्त नहीं है। एआई को शुरुआत से अपना एल्गोरिदम लिखना होगा। यह यह भी दिखाता है कि केवल शब्दों में अधिक "सोचना" मदद नहीं करता है; बाधा विचारों की कमी नहीं, बल्कि निष्पादन (execution) की कमी है। एआई एल्गोरिदम का वर्णन कर सकता है, लेकिन कोड चलाए बिना, वह पहेली को हल नहीं कर सकता।
निष्कर्ष
यह शोध पत्र सुझाव देता है कि उन विज़ुअल समस्याओं के लिए जिनमें सटीक गणना की आवश्यकता होती है, एआई के लिए सोचने का सबसे अच्छा तरीका कोड लिखना है। लेकिन वास्तविक सफलता यह है कि ये एआई मॉडल अपनी गलतियों को डीबग करके उस कोड को लिखने में बेहतर होने के लिए खुद को सिखा सकते हैं। उन्हें अपना कोड ठीक करने के लिए किसी मानव शिक्षक की आवश्यकता नहीं है; उन्हें बस एक सैंडबॉक्स चाहिए जिसमें वे इसे चला सकें, एक दर्पण चाहिए जहाँ वे देख सकें कि वे कहाँ विफल हुए, और फिर से प्रयास करने के लिए थोड़ा धैर्य चाहिए।
परिणाम मापे गए और विशिष्ट हैं: 30 टास्क फैमिली के एक बेंचमार्क पर, स्व-विकसित कौशलों ने शीर्ष मॉडलों के प्रदर्शन को 40 के दशक के निचले स्तर से बढ़ाकर 60 के दशक के उच्च स्तर (प्रतिशत सटीकता) तक पहुँचा दिया। हालाँकि शोध पत्र यह दावा नहीं करता कि यह हर विज़ुअल समस्या को हल कर देता है, लेकिन यह सिद्ध करता है कि उन कार्यों के लिए जहाँ उत्तर आँखों के निरीक्षण के बजाय पिक्सेल के गणित में छिपा होता है, कोडिंग ही कुंजी है, और आत्म-चिंतन (self-reflection) मास्टर की (master key) 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।