आर्टिफिशियल इंटेलिजेंस की दुनिया में, मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स के रूप में ज्ञात प्रणालियों का एक बढ़ता हुआ वर्ग है। ये शक्तिशाली कंप्यूटर हैं जो किसी छवि को देख सकते हैं, उसके अंदर के टेक्स्ट को पढ़ सकते हैं और जो वे देखते हैं उसके बारे में प्रश्न पूछ सकते हैं। वे इसमें उल्लेखनीय रूप से कुशल हैं, जो अक्सर एक ऐसे इंसान की तरह कार्य करते हैं जो किसी दस्तावेज़ पर एक नज़र डालता है और तुरंत उसका सामान्य अर्थ समझ जाता है। हालांकि, केवल एक दस्तावेज़ को देखने और वास्तव में उसे सटीकता के साथ पढ़ने के बीच एक महत्वपूर्ण अंतर बना हुआ है। जब कोई पृष्ठ छोटे अक्षरों, जटिल तालिकाओं, रंगीन चार्टों या जटिल आरेख (डायग्राम) से भरा होता है, तो ये मॉडल अक्सर उन विशिष्ट विवरणों को पकड़ने में विफल रहते हैं जो एक कठिन प्रश्न का उत्तर देने के लिए आवश्यक होते हैं। वे देख सकते हैं कि पृष्ठ वहां मौजूद है, लेकिन वे उस सटीक संख्या, नाम या संबंध को निकालने में विफल रहते हैं जो दृश्य शोर (विजुअल नॉइज़) के भीतर छिपा होता है। यह सीमा विशेष रूप से निराशाजनक है क्योंकि जानकारी कंप्यूटर के सामने ही मौजूद है; बस सिस्टम सही जगह पर पर्याप्त सावधानी से नहीं देख रहा है।

अमेज़न के शोधकर्ताओं ने इस समस्या को ठीक करने के लिए एक नया दृष्टिकोण विकसित किया है, जो इस विचार से दूर जाता है कि कंप्यूटर को एक ही बार में, तेज़ी से एक नज़र देखकर उत्तर देना चाहिए। इसके बजाय, उन्होंने Q-Guide नामक एक प्रणाली बनाई है, जो पढ़ने को एक धीमी, विचारशील प्रक्रिया के रूप में मानती है। पूरे दस्तावेज़ को एक साथ समझने के बजाय, यह प्रणाली एक सतर्क अन्वेषक की तरह कार्य करती है जो पहले प्रश्न को देखती है, यह पता लगाती है कि कौन सा साक्ष्य (एविडेंस) गायब है, और फिर उसे खोजने के लिए ज़ूम करती है या विशेष उपकरणों का उपयोग करती है। यह एक ऐसी विधि है जो जल्दी उत्तर पाने के बजाय सही जानकारी प्राप्त करने को प्राथमिकता देती है। लापता विवरणों को सक्रिय रूप से खोजने के लिए थोड़ा अतिरिक्त समय और कंप्यूटिंग शक्ति खर्च करके, यह प्रणाली उन समस्याओं को हल कर सकती है जो एक ही बार में काम करने वाले सबसे उन्नत मॉडलों को भी उलझा देती हैं।

इस कार्य के पीछे का मूल विचार यह है कि धारणा (परसेप्शन) स्वयं प्रश्न द्वारा निर्देशित होनी चाहिए। पारंपरिक प्रणालियों में, एक दस्तावेज़ को एक बार प्रोसेस किया जाता है, और मॉडल उस आधार पर उत्तर देता है जो उसने पहली नज़र में पकड़ लिया होता है। यह सरल दस्तावेज़ों के लिए ठीक है, लेकिन यह तब विफल हो जाता है जब उत्तर किसी मानचित्र पर एक छोटे लेबल या एक घने टेबल के किसी विशिष्ट सेल पर निर्भर करता है। Q-Guide प्रणाली एक लूप पेश करके इसे बदल देती है जहाँ कंप्यूटर खुद से पूछता है कि उसे क्या जानने की आवश्यकता है। यदि प्रश्न किसी चार्ट के विशिष्ट मान के बारे में है, तो प्रणाली उस चार्ट की ओर अपना ध्यान केंद्रित करती है, संख्याओं को स्पष्ट रूप से पढ़ने के लिए ज़ूम करती है, और उत्तर देने से पहले जानकारी को सत्यापित करती है। यह पृष्ठ के एक एकल, निश्चित दृश्य पर निर्भर नहीं है। इसके बजाय, यह टेक्स्ट को रिकवर करने, दृश्य विवरणों का निरीक्षण करने या दस्तावेज़ के लेआउट को समझने के लिए विभिन्न उपकरणों का आह्वान कर सकता है, केवल उस विशिष्ट प्रश्न के लिए आवश्यक उपकरणों का ही उपयोग करता है।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने दो बहुत ही अलग प्रकार की चुनौतियों पर इस प्रणाली का मूल्यांकन किया। पहला था आठ अलग-अलग प्रकार के दस्तावेजों से लिए गए अस्सी प्रश्नों का एक संग्रह, जिसमें व्यावसायिक रिपोर्ट, इंजीनियरिंग ड्राइंग, मानचित्र और वैज्ञानिक पोस्टर शामिल थे। ये दस्तावेज़ कठिन बनाने के लिए डिज़ाइन किए गए थे, जिनमें सूक्ष्म टेक्स्ट से लेकर जटिल स्थानिक संबंध (स्पेशियल रिलेशनशिप) तक सब कुछ शामिल था। दूसरा कार्य जापानी मांगा कॉमिक्स के एक संग्रह से संबंधित था, जहाँ प्रणाली को कई पृष्ठों में उनके दृश्य स्वरूप और नाम के मिलान के माध्यम से एक विशिष्ट पात्र की पहचान करनी थी। दोनों ही मामलों में, शोधकर्ताओं ने Q-Guide की तुलना मानक विधियों से की जहाँ मॉडल केवल एक बार छवि को देखता है, और अन्य जटिल प्रणालियों से भी जो समस्या को कई चरणों में तोड़ने का प्रयास करती हैं।

परिणामों ने धीमे, विचारशील दृष्टिकोण के लिए एक स्पष्ट लाभ दिखाया। दस्तावेज़ परीक्षण पर, Q-Guide ने 65.0 प्रतिशत की सटीकता प्राप्त की, जो कि सर्वोत्तम मानक विधि (जिसने केवल 38.8 प्रतिशत प्राप्त किया) की तुलना में एक महत्वपूर्ण सुधार है। इसने उन अन्य उन्नत प्रणालियों को भी पछाड़ दिया जो सहयोग करने के लिए कई एजेंटों का उपयोग करती थीं, जिन्होंने केवल 40.0 प्रतिशत प्राप्त किया। इंजीनियरिंग ड्राइंग और विज्ञान पोस्टर जैसी विशिष्ट श्रेणियों में यह सुधार और भी अधिक स्पष्ट था, जहाँ प्रणाली ने 90.0 प्रतिशत सटीकता प्राप्त की। यह सुझाव देता है कि छवि के सही भाग पर ध्यान केंद्रित करने की क्षमता, अधिक जटिल आंतरिक तर्क या आभासी एजेंटों की बड़ी टीम होने की तुलना में कहीं अधिक मूल्यवान है। मांगा कार्य पर भी, प्रणाली ने अपने प्रतिस्पर्धियों से बेहतर प्रदर्शन किया, मानक टेक्स्ट रीडिंग के साथ 32.4 प्रतिशत मामलों में पात्रों की सही पहचान की, और पूर्ण टेक्स्ट डेटा प्रदान किए जाने पर यह बढ़कर 53.7 प्रतिशत हो गया। यह इंगित करता है कि प्रणाली की ताकत केवल यह नहीं है कि वह टेक्स्ट को कितनी अच्छी तरह पढ़ सकती है, बल्कि यह है कि वह सही साक्ष्य कैसे एकत्र करती है।

सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि योजना या नियंत्रण के अधिक स्तर जोड़ने से कोई मदद नहीं मिली। शोधकर्ताओं ने परीक्षण किया कि क्या सिस्टम को रणनीति बनाने के लिए एक "प्लानर" या रास्ता तय करने के लिए एक "राउटर" देने से प्रदर्शन में सुधार होगा। उन्होंने पाया कि ये अतिरिक्त परतें वास्तव में चीजों को बदतर बनाती हैं या उनका कोई प्रभाव नहीं पड़ता है। सबसे सफल संस्करण एक सरल, संक्षिप्त लूप था जहाँ सिस्टम बस यह देखता था कि क्या गायब है, खोजने के लिए एक उपकरण चुनता था, और प्रक्रिया को दोहराता था। जैसे-जैसे सिस्टम को अधिक विचारशील कदम उठाने की अनुमति दी गई, सटीकता बढ़ती गई, लेकिन यह देखने और जाँचने के दो या तीन दौरों के बाद स्थिर हो गई। यह सुझाव देता है कि इन समस्याओं को हल करने की कुंजी तर्क प्रक्रिया को अधिक जटिल बनाना नहीं है, बल्कि देखने की क्रिया को अधिक सावधानीपूर्वक और लक्षित बनाना है।

शोधकर्ताओं ने यह भी खोजा कि यह प्रणाली विभिन्न अंतर्निहित कंप्यूटर मॉडलों पर अच्छी तरह से काम करती है। उन्होंने क्लाउड (Claude) भाषा मॉडल के तीन अलग-अलग संस्करणों का उपयोग करके Q-Guide का परीक्षण किया, जो सबसे शक्तिशाली से लेकर थोड़े कम सक्षम संस्करणों तक विस्तृत थे। हर मामले में, Q-Guide पद्धति ने मानक प्रॉम्प्टिंग की तुलना में परिणामों में सुधार किया। यह सिद्ध करता है कि लाभ इस रणनीति से आता है कि सिस्टम साक्ष्य कैसे एकत्र करता है, न कि उस विशिष्ट 'मस्तिष्क' की क्षमताओं से जिसका वह उपयोग कर रहा है। भले ही टेक्स्ट रीडिंग टूल्स (उपकरण) पूर्ण न हों, फिर भी सिस्टम ने उन तरीकों से बेहतर प्रदर्शन किया जिनके पास पूर्ण टेक्स्ट था लेकिन उनमें ध्यान केंद्रित करने की क्षमता की कमी थी। यह इस बात पर प्रकाश डालता है कि इन कार्यों में बाधा अक्सर भाषा को समझने में विफलता नहीं, बल्कि सही विवरण को देखने में विफलता है।

अपनी सफलता के बावजूद, यह प्रणाली पूर्ण नहीं है। यह उन प्रश्नों के साथ सबसे अधिक संघर्ष करती है जिनमें मानचित्र शामिल होते हैं, जहाँ उत्तर किसी मार्ग का अनुसरण करने या एक स्थानिक लेआउट को समझने पर निर्भर करता है जिसे उपकरण पूरी तरह से प्रस्तुत नहीं कर सकते। सिस्टम मानचित्र पर टेक्स्ट को पढ़ सकता है और रंगों को देख सकता है, लेकिन यह उनके बीच के संबंधों को आसानी से नेविगेट नहीं कर सकता। यह भविष्य के सुधार के लिए एक स्पष्ट क्षेत्र की ओर संकेत करता है: ऐसे उपकरण विकसित करना जो मानचित्र लेआउट को नेविगेबल संरचनाओं में बदल सकें। इसी तरह, जबकि यह कॉमिक्स में पात्रों को मिलाने में बहुत प्रभावी था, यह कभी-कभी तब संघर्ष करता था जब कई पात्र बहुत समान दिखते थे। ये शेष चुनौतियाँ सुझाव देती हैं कि इस क्षेत्र में अगला कदम दुनिया को समझने के अधिक जटिल नियम बनाना नहीं, बल्कि दुनिया को देखने के समृद्ध तरीके बनाना है।

अंततः, यह कार्य प्रदर्शित करता है कि कंप्यूटरों के लिए जटिल दस्तावेजों को वास्तव में पढ़ने के लिए, उन्हें धीमा होना होगा। एक ही बार में, तेज़ी से एक पृष्ठ को प्रोसेस करने का पुराना तरीका दुनिया की अव्यवस्थित, विस्तृत वास्तविकता के लिए अपर्याप्त है। सिस्टम को यह तय करने के लिए थोड़ा अतिरिक्त समय देने की अनुमति देकर कि उसे आगे क्या देखना है, और उसे जो वह देखता है उसे ज़ूम करने और सत्यापित करने के उपकरण देकर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो काफी अधिक विश्वसनीय है। निष्कर्ष बताते हैं कि दृश्य कार्यों में आर्टिफिशियल इंटेलिजेंस के लिए आगे का रास्ता आवश्यक रूप से मॉडलों को स्मार्ट या अधिक जटिल बनाना नहीं है, बल्कि उन्हें अधिक विचारशील पर्यवेक्षक बनना सिखाना है, यह सुनिश्चित करना कि उनके पास किसी प्रश्न का उत्तर देने से पहले सही साक्ष्य उपलब्ध हों।