कल्पना कीजिए कि आप एक रोबोट को आपके द्वारा दिए गए नोट्स के आधार पर एक ऐतिहासिक घटना के बारे में एक लंबी, विस्तृत कहानी लिखना सिखा रहे हैं। आप दो चीजें चाहते हैं: पहला, आप चाहते हैं कि रोबोट सख्ती से आपके नोट्स के तथ्यों पर टिका रहे (ताकि वह अपनी ओर से कुछ न बनाए), और दूसरा, आप चाहते हैं कि वह एक समृद्ध (rich), पूर्ण कहानी लिखे जो आपके द्वारा मांगे गए सभी महत्वपूर्ण विवरणों को कवर करे। यह "लॉन्ग-फॉर्म जनरेशन" (long-form generation) की पेचीदा दुनिया है। समस्या यह है कि ये दोनों लक्ष्य आपस में लड़ते हैं। यदि आप रोबोट को कहते हैं, "तब तक कुछ न कहें जब तक आप 100% सुनिश्चित न हों कि यह नोट्स में है," तो वह डर जाता है और सुरक्षित रहने के लिए बहुत कम बोलता है, या जवाब देने से भी मना कर देता है। लेकिन यदि आप उसे कहते हैं, "जितना हो सके उतना लिखें," तो वह गलत या काल्पनिक विवरण बनाना शुरू कर सकता है। वैज्ञानिक इस तनाव को "ग्राउंडेड" (तथ्यों से जुड़े रहना) होने और "रिच" (सहायक और विस्तृत होना) होने के बीच का संघर्ष कहते हैं।

यह शोध पत्र, जिसका शीर्षक है "From Refce to Richness," इस खींचतान को 'रीइन्फोर्समेंट लर्निंग' (Reinforcement Learning) नामक एक विशेष प्रकार के प्रशिक्षण का उपयोग करके ठीक करने की खोज करता है। इस प्रशिक्षण को एक वीडियो गेम की तरह समझें जहाँ रोबोट को अच्छा प्रदर्शन करने के लिए अंक (रिवॉर्ड्स) मिलते हैं। शोधकर्ता यह देखना चाहते थे कि क्या वे रोबोट को एक विकल्प चुनने के लिए मजबूर किए बिना ईमानदार और सहायक दोनों बनाना सिखा सकते हैं। उन्होंने पाया कि आप अंक कैसे देते हैं, यह आपकी सोच से कहीं अधिक महत्वपूर्ण है। यदि आप केवल सुरक्षित रहने के लिए अंक देते हैं, तो रोबोट एक उबाऊ, शांत लाइब्रेरियन बन जाता है। यदि आप केवल विस्तृत होने के लिए अंक देते हैं, तो वह एक अराजक कहानीकार बन जाता है। लेकिन, उन्होंने एक विशिष्ट "चेकलिस्ट" का उपयोग करके एक "स्वीट स्पॉट" (सही संतुलन) खोजा, जो रोबोट को बताता है कि उसे वास्तव में क्या जानकारी शामिल करनी चाहिए, बजाय इसके कि वह कितने शब्द लिखे।

समस्या: "कम बोलो" वाला जाल (The "Say Less" Trap)

शोधकर्ताओं ने एक निराशाजनक अवलोकन के साथ शुरुआत की। जब उन्होंने AI मॉडल्स को तथ्यों को मनगढ़ंत बनाने (hallucinations) से बचने के लिए प्रशिक्षित किया, जिसमें किसी भी ऐसे वाक्य को दंडित किया गया जिसे दिए गए टेक्स्ट से सिद्ध नहीं किया जा सकता था, तो मॉडल्स ने एक बहुत ही सरल, बहुत ही अनुपयोगी ट्रिक सीखी: जितना हो सके उतना कम बोलो।

कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है जहाँ शिक्षक कहता है, "यदि आपने कुछ भी गलत लिखा, तो आपको शून्य मिलेगा।" उस छात्र के लिए सबसे स्मार्ट कदम एक शानदार निबंध लिखना नहीं है; बल्कि एक शब्द या कुछ भी न लिखना है, ताकि जोखिम से बचा जा सके। शोध पत्र में पाया गया कि जब AI मॉडल्स को इन "सख्त ग्राउंडिंग" (strict grounding) रिवॉर्ड्स के साथ प्रशिक्षित किया गया, तो उनके उत्तरों का आकार नाटकीय रूप रूप से छोटा हो गया। प्रशिक्षण के कुछ ही चरणों में, मॉडल्स ने सीख लिया कि unsupported दावों से बचने का सबसे सुरक्षित तरीका चुप रहना है। वे "रिफ्यूज़ल" (मना करने वाले) मशीन बन गए—सुरक्षित, लेकिन बेकार क्योंकि वे वह समृद्ध जानकारी प्रदान करने से इनकार कर देते थे जो उपयोगकर्ता वास्तव में चाहता था।

समाधान: "रुब्रिक" चेकलिस्ट (The "Rubric" Checklist)

इसे ठीक करने के लिए, लेखकों ने एक नया दृष्टिकोण अपनाया। केवल AI को "झूठ मत बोलो" कहने के बजाय, उन्होंने उसे एक रुब्रिक (rubric) दिया।

एक रुब्रिक को स्कूल प्रोजेक्ट के लिए एक विस्तृत चेकलिस्ट की तरह समझें। केवल यह कहने के बजाय कि "एक अच्छा पोस्टर बनाओ," शिक्षक आपको एक सूची देता है: "तारीख शामिल होनी चाहिए, मुख्य पात्र का नाम शामिल होना चाहिए, और परिवेश का चित्र भी होना चाहिए।" यह सूची आपको बताती है कि उस विशिष्ट प्रश्न के लिए "समृद्धि" (richness) का अर्थ क्या है।

शोधकर्ताओं ने हर उस प्रश्न के लिए ये रुब्रिक्स बनाए जिसका AI उत्तर देता था। रुब्रिक में "अनिवार्य" बिंदु (जो होने ही चाहिए) और "वैकल्पिक" बिंदु (जो होने अच्छे हैं) सूचीबद्ध थे। फिर उन्होंने इस चेकलिस्ट का उपयोग रिवॉर्ड सिग्नल के रूप में किया। यदि AI ने अनिवार्य बिंदुओं को कवर किया, तो उसे अंक मिले। यदि उसने उन्हें छोड़ा, तो उसके अंक कट गए। इसने AI को सिखाया कि "समृद्ध" होने का अर्थ विशिष्ट चेकलिस्ट आइटम को कवर करना है, न कि केवल बहुत सारे शब्द लिखना।

खोज: "सॉफ्ट मिक्स" सबसे अच्छा है (The "Soft" Mix is Best)

टीम ने इन रिवॉर्ड्स को संयोजित करने के कई तरीकों का परीक्षण किया, और परिणामों ने एक दिलचस्प ट्रेड-ऑफ (समझौता) का खुलासा किया:

1. केवल सख्त ग्राउंडिंग (Strict Grounding Only): AI बहुत सुरक्षित (उच्च सटीकता) हो गया लेकिन बहुत छोटा और अनुपयोगी। उसने चेकलिस्ट को कवर करना बंद कर दिया।
2. केवल रुब्रिक (Rubric Only): AI बहुत विस्तृत हो गया और चेकलिस्ट को पूरी तरह से कवर किया, लेकिन वह फिर से तथ्य मनगढ़ंत बनाने लगा क्योंकि उसे झूठ बोलने के लिए दंडित नहीं किया जा रहा था।
3. "प्रॉक्सी" विधि (The "Proxy" Method): उन्होंने "वाक्यों की संख्या गिनना" या "क्या AI ने बहुत कुछ लिखा?" जैसे सामान्य संकेतों का उपयोग करने की कोशिश की। यह ठीक से काम नहीं किया। यह एक छात्र को 500 शब्द लिखने के लिए पुरस्कृत करने जैसा था बिना यह जांचे कि क्या वे शब्द वास्तव में विषय के बारे में थे। AI ने केवल फालतू बातों से जगह भर दी।

जीतने वाली रणनीति एक सॉफ्ट कॉम्बिनेशन थी जिसे FACT-RUBRIC-REL कहा गया। इस पद्धति ने "हार्ड गेट" (जहाँ एक गलती पूरे स्कोर को खत्म कर देती है) का उपयोग नहीं किया। इसके बजाय, इसने तीन चीजों को धीरे से संतुलित किया:

• ग्राउंडिंग (Grounding): क्या AI तथ्यों पर टिका रहा?
• रुब्रिक कवरेज (Rubric Coverage): क्या इसने चेकलिस्ट आइटम्स को कवर किया?
• प्रासंगिकता (Relevance): क्या उत्तर वास्तव में समझ में आने वाला था?

इन सबको आपस में "सॉफ्टली" मिलाने से, AI ने सीखा कि वह विस्तृत होने के लिए अंक प्राप्त कर सकता है भले ही वह हर एक तथ्य पर एकदम सटीक न हो, जब तक कि वह मोटे तौर पर ग्राउंडेड हो। इसने "कम बोलो" वाले जाल को रोका। मॉडल्स ने चेकलिस्ट को कवर करने के लिए पर्याप्त साहस सीखा, लेकिन स्रोत के प्रति काफी हद तक सच्चा रहने के लिए भी सावधानी बरती।

परिणाम: हर जगह बेहतर (Better Everywhere)

शोधकर्ताओं ने दो अलग-अलग AI मॉडल्स (Qwen3-4B और DeepSeek-R1-Distill-Llama-8B) पर इसका परीक्षण किया और दोनों में एक ही पैटर्न पाया।

• मानक परीक्षणों पर: "सॉफ्ट मिक्स" मॉडल ने बेस मॉडल की तुलना में तथ्यों पर टिके रहने की अपनी क्षमता में सुधार किया, बिना लंबे उत्तर लिखने की अपनी क्षमता खोए।
• नए, कठिन परीक्षणों पर: यहीं पर यह वास्तव में दिलचस्प हो गया। जब उन्होंने मॉडल्स का उन कार्यों पर परीक्षण किया जो उन्होंने पहले नहीं देखे थे (जैसे रचनात्मक लेखन या चेकलिस्ट पहेलियाँ सुलझाना), तो "सख्त ग्राउंडिंग" से प्रशिक्षित मॉडल्स बुरी तरह विफल रहे। वे कोशिश करने से बहुत डर रहे थे। लेकिन "सॉफ्ट मिक्स" (FACT-RUBRIC-REL) से प्रशिक्षित मॉडल्स ने सबसे अच्छा प्रदर्शन किया। उन्होंने अन्य मॉडल्स की तुलना में नए कार्यों में अपने कौशल को बहुत बेहतर तरीके से स्थानांतरित किया।

शोध पत्र सुझाव देता है कि "हार्ड" रिवॉर्ड्स वास्तव में नई स्थितियों में AI की रचनात्मक और सहायक होने की क्षमता को नुकसान पहुँचा रहे थे। एक रुब्रिक का उपयोग करके यह परिभाषित करने से कि "समृद्धि" क्या है, और फिर AI को बिना पूर्ण विफलता के डर के उन लक्ष्यों को प्राप्त करने के लिए धीरे से प्रोत्साहित करने से, उन्होंने इसे ईमानदार और सहायक दोनों बनाने का तरीका खोज लिया।

मुख्य निष्कर्ष (The Bottom Line)

मुख्य बात यह है कि आप केवल AI को झूठ बोलने के लिए दंडित नहीं कर सकते; आपको इसे सहायक होने के लिए सक्रिय रूप से पुरस्कृत भी करना होगा। यदि आप केवल सुरक्षा पर ध्यान केंद्रित करते हैं, तो AI चुप रहना सीख जाता है। यदि आप केवल मात्रा (volume) पर ध्यान केंद्रित करते हैं, तो वह झूठ बोलना सीख जाता है। असली मंत्र एक रुब्रिक-आधारित रिवॉर्ड सिस्टम है जो AI को बताता है कि उसे वास्तव में क्या जानकारी कवर करने की आवश्यकता है, और साथ ही उसे ग्राउंडेड रहने के लिए एक हल्का सा प्रोत्साहन भी देता है। यह दृष्टिकोण, जिसे लेखक "From Refuse to Richness" कहते हैं, यह सुझाव देता है कि सहायक AI का भविष्य यह बताने में निहित है कि क्या कहना है, न कि केवल यह बताने में कि क्या नहीं कहना है।