SCOUT: Unlocking Enhanced Spatial Reasoning via Structured Chain-of-Thought and Multi-Objective Process Reward
यह शोधपत्र SCOUT का प्रस्ताव करता है, जो एक ढांचा है जो एक संरचित 3D चेन-ऑफ-थॉट दृष्टिकोण को एक नवीन मल्टी-ऑब्जेक्टिव प्रोसेस-रिवॉर्ड रीइन्फोर्समेंट लर्निंग एल्गोरिदम और एक समर्पित डेटासेट के साथ जोड़ता है ताकि विजन-लैंग्वेज मॉडल्स की स्थानिक तर्क क्षमताओं को महत्वपूर्ण रूप से बढ़ाया जा सके, जिससे जटिल कार्यों पर GPT-4o से बेहतर प्रदर्शन प्राप्त होता 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 रोबोट को एक बिखरे हुए कमरे में रास्ता खोजना सिखा रहे हैं। आप उसे एक कुर्सी और एक मेज की तस्वीर दिखा सकते हैं, लेकिन अगर रोबोट केवल एक सपाट ड्राइंग देखता है, तो उसे लग सकता है कि कुर्सी मेज के ठीक बगल में है, भले ही वास्तव में मेज उसके तीन फीट पीछे हो। यह कई वर्तमान "विज़न-लैंग्वेज मॉडल्स" (VLMs) की एक बड़ी समस्या है—ऐसे सुपर-स्मार्ट AI जो तस्वीरों को देख सकते हैं और टेक्स्ट पढ़ सकते हैं। वे वस्तुओं को पहचानने में बेहतरीन हैं, लेकिन वे अक्सर स्थानिक तर्क (spatial reasoning) में संघर्ष करते हैं, जो कि यह समझने की क्षमता है कि चीजें 3D स्पेस में कहाँ हैं, वे कितनी दूर हैं, और गहराई में वे एक-दूसरे से कैसे संबंधित हैं।
इसे ठीक करने के लिए, वैज्ञानिकों ने दो मुख्य तरकीबें आजमाई हैं। पहली है सुपरवाइज्ड फाइन-ट्यूनिंग (SFT), जो एक छात्र को एक हजार बार किताब पढ़ने के लिए मजबूर करके उसे रटाने जैसा है। यह ठीक काम करती है, लेकिन छात्र केवल उत्तर रट सकता है बिना वास्तव में तर्क को समझे, इसलिए जब परीक्षा के प्रश्न बदलते हैं, तो वह भ्रमित हो जाता है। दूसरी तरकीब है रीइन्फोर्समेंट लर्निंग (RL), जहाँ AI प्रयास और त्रुटि (trial and error) से सीखता है, और उसे एक "रिवॉर्ड" (जैसे कि एक डिजिटल कुकी) तभी मिलता है जब वह अंतिम उत्तर सही देता है। समस्या यहाँ यह है कि AI को यह नहीं पता चलता कि उसके सोचने की प्रक्रिया के किस चरण ने उसे वह कुकी दिलाई। क्या उसने गहराई सही समझी? क्या उसने वस्तुओं को सही ढंग से गिना? या उसने केवल किस्मत से सही उत्तर का अनुमान लगा लिया? यह जाने बिना कि कौन सा चरण अच्छा था, AI अपनी विशिष्ट तर्क कौशल में सुधार नहीं कर सकता।
यहीं पर SCOUT नामक एक नया पेपर आता है। शोधकर्ताओं चाहते थे कि AI 3D में "देखना" और समस्याओं को इंसान की तरह चरण-दर-चरण सोचना सीखे। उन्होंने एक ऐसा सिस्टम बनाया जो AI को अपनी सोच को एक संरचित कहानी में तोड़ने के लिए मजबूर करता है: पहले दृश्य का वर्णन करना, फिर गहराई और वस्तुओं की स्थिति को मापना, और अंत में उन मापों का उपयोग करके पहेली को हल करना। उन्होंने एक नया तरीका भी बनाया जिससे वे केवल अंतिम उत्तर के लिए ही नहीं, बल्कि सोचने की प्रक्रिया के हर चरण के लिए "कुकीज़" (रिवॉर्ड) दे सकें। ऐसा करने से, उन्होंने एक ऐसा मॉडल बनाया जो केवल अनुमान नहीं लगाता; वह वास्तव में भौतिक दुनिया को समझता है।
समस्या: AI जो गहराई को नहीं "देख" सकता
कल्पना कीजिए कि आप एक कुत्ते और एक गेंद की फोटो देख रहे हैं। एक सामान्य AI कह सकता है, "वहाँ एक कुत्ता और एक गेंद है।" लेकिन यदि आप पूछते हैं, "क्या गेंद कुत्ते की तुलना में कैमरे के अधिक करीब है?", तो एक मानक AI गलत हो सकता है क्योंकि वह एक सपाट 2D इमेज देख रहा है। उसके पास गहराई की अंतर्निहित समझ नहीं है।
इसे ठीक करने के पिछले प्रयासों में खामियां थीं। कुछ तरीकों ने AI को लाखों उदाहरण दिखाकर सिखाने की कोशिश की (SFT), लेकिन AI ने भौतिकी के नियमों को सीखने के बजाय केवल पैटर्न रट लिए। अन्य तरीकों ने रीइन्फोर्समेंट लर्निंग का उपयोग किया, लेकिन वे केवल अंत में रिवॉर्ड देते थे। यह एक गणित के टेस्ट को ग्रेड देने जैसा है और केवल अंतिम संख्या के लिए अंक देना, यह अनदेखा करना कि क्या छात्र ने सही नंबर जोड़े थे या उसने केवल अनुमान लगाया था। AI को यह नहीं पता चलता था कि वह गहराई मापने में अच्छा था या अंतिम अनुमान के साथ केवल भाग्यशाली था।
समाधान: SCOUT की "संरचित सोच" (Structured Thinking)
SCOUT के पीछे के शोधकर्ताओं ने खेल बदलने का फैसला किया। उन्होंने केवल AI को स्वतंत्र रूप से बात करने की अनुमति नहीं दी; उन्होंने उसे सोचने के लिए एक सख्त टेम्पलेट दिया।
SCOUT को एक अपराध स्थल की जांच करने वाले जासूस के रूप में सोचें। AI को केवल अनुमान चिल्लाने की अनुमति नहीं है। उसे एक विशिष्ट स्क्रिप्ट का पालन करना होगा:
- कैप्शन (The Caption): सबसे पहले, वह पूरे दृश्य का साधारण भाषा में वर्णन करता है।
- दृश्य (The Scene): इसके बाद, वह एक लेजर स्कैनर की तरह कार्य करता है। वह प्रत्येक वस्तु की पहचान करता है, उसके चारों ओर एक बॉक्स (बाउंडिंग बॉक्स) बनाता है, और अनुमान लगाता है कि वह कितनी दूर है (गहराई)।
- विश्लेषण (The Analysis): फिर, वह उन मापों का उपयोग गणित करने के लिए करता है। "कुत्ता 2.5 मीटर की गहराई पर है, गेंद 1.5 मीटर पर है। इसलिए, गेंद अधिक करीब है।"
- उत्तर (The Answer): अंत में, वह उत्तर देता है।
यह संरचना AI को पहेली को हल करने की कोशिश करने से पहले दुनिया को वास्तव में "मापने" के लिए मजबूर करती है।
असली मंत्र: श्रेय वहीं दें जहाँ वह बनता है
SCOUT का असली जादू केवल टेम्पलेट नहीं है; बल्कि यह है कि वे AI को बेहतर बनने के लिए कैसे सिखाते हैं। उन्होंने एक विशेष रीइन्फोर्समेंट लर्निंग पद्धति का उपयोग किया जो एक बहुत ही सख्त कोच की तरह कार्य करती है।
पुराने तरीकों में, यदि AI अंतिम उत्तर सही देता था, तो उसे रिवॉर्ड मिलता था। यदि वह गलत होता था, तो उसे कुछ नहीं मिलता था। SCOUT इसे बदलकर हर हिस्से के लिए रिवॉर्ड देकर बदल देता है जो जासूस के काम का हिस्सा है:
- क्या आपने वस्तुओं को सही ढंग से पहचाना? (ग्राउंडिंग रिवॉर्ड)
- क्या आपने गहराई को सटीक रूप से मापा? (डेप्थ रिवॉर्ड)
- क्या आपका तर्क समझ में आने योग्य था? (रीजनिंग कंसिस्टेंसी रिवॉर्ड)
- क्या आपने नियमों का पालन किया? (फॉर्मेट रिवॉर्ड)
एक बास्केटबॉल खिलाड़ी को देखते हुए एक कोच की कल्पना करें। केवल गेंद बास्केट में जाने पर ही तालियाँ बजाने के बजाय, कोच तब भी ताली बजाता है जब खिलाड़ी अच्छा ड्रिबल करता है, सही पास देता है, और सही पोजीशन लेता है। इस तरह, खिलाड़ी यह सीखता है कि जीतना कैसे है, न कि केवल यह कि वह जीत गया। SCOUT इस "मल्टी-ऑब्जेक्टिव" रिवॉर्ड सिस्टम का उपयोग यह सिखाने के लिए करता है कि गहराई और तर्क के साथ सटीक होना अंतिम उत्तर प्राप्त करने जितना ही महत्वपूर्ण है।
उन्होंने क्या पाया: परिणाम
टीम ने अपने नए AI मॉडल्स, जिन्हें SCOUT-3B और SCOUT-7B नाम दिया गया है (संख्याएं मॉडल के आकार को दर्शाती हैं), का परीक्षण किया। उन्होंने इन्हें GPT-4o सहित अन्य शीर्ष AI मॉडल्स के खिलाफ खड़ा किया।
परिणाम प्रभावशाली थे। स्थानिक समझ के सामान्य परीक्षणों पर, SCOUT-3B मॉडल ने अपने बेस वर्जन की तुलना में 16.85% का सुधार किया। इससे भी आश्चर्यजनक रूप से, बड़े SCOUT-7B मॉडल ने स्थानिक तर्क कार्यों पर GPT-4o को 4.28% के अंतर से पीछे छोड़ दिया। यह एक बड़ी बात है क्योंकि GPT-4o एक विशाल, प्रोप्राइटरी मॉडल है जो आमतौर पर मानक निर्धारित करता है।
शोधकर्ताओं ने यह भी पाया कि भले ही उन्होंने AI को केवल एकल छवियों पर प्रशिक्षित किया था, मॉडल इतना स्मार्ट था कि उसने जो सीखा था उसे वीडियो और कई छवियों पर लागू किया। यह एक बच्चे को सपाट ड्राइववे पर साइकिल चलाना सिखाने और फिर उन्हें ढलान पर बिना गिरे साइकिल चलाते हुए देखने जैसा है। मॉडल ने दिखाया कि वह नई, अधिक जटिल स्थितियों में 3D स्पेस की अपनी समझ को लागू कर सकता है।
यह क्यों मायने रखता है
यह पेपर सुझाव देता है कि AI को वास्तव में भौतिक दुनिया को समझाने की कुंजी केवल मॉडल्स को बड़ा बनाना या उन्हें अधिक डेटा खिलाना नहीं है। यह उन्हें सोचना कैसे है यह सिखाने के बारे में है। AI को गहराई को स्पष्ट रूप से मापने और एक तार्किक श्रृंखला का पालन करने के लिए मजबूर करके, और उस प्रक्रिया के हर चरण को पुरस्कृत करके, SCOUT एक ऐसा मॉडल बनाता है जो स्थानिक तर्क में बहुत बेहतर है।
लेखक सावधानी से नोट करते हैं कि यह एक महत्वपूर्ण कदम है, लेकिन यह कोई पूर्ण समाधान नहीं है। उनका मॉडल अभी भी विशिष्ट प्रशिक्षण डेटा और संरचित प्रारूपों पर निर्भर करता है। हालाँकि, परिणाम AI की अगली पीढ़ी की ओर एक स्पष्ट मार्ग दिखाते हैं—ऐसे सिस्टम जो केवल चित्र "देखते" नहीं हैं, बल्कि वास्तव में उनके भीतर की 3D दुनिया को समझते हैं। चाहे वह रोबोट को बिखरे हुए कमरे में नेविगेट करने में मदद करना हो या सेल्फ-ड्राइविंग कारों को पैदल यात्री से दूरी समझने में मदद करना हो, इस तरह की स्थानिक बुद्धिमत्ता कई वास्तविक दुनिया के अनुप्रयोगों के लिए गायब कड़ी 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।