Small Reasoning Models are Instruction Followers in Function Calling
यह शोध पत्र इंस्ट्रक्शन-फॉलोड फंक्शन कॉलिंग (IFFC) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो फंक्शन-कॉलिंग लॉजिक को एक छोटे, इंस्ट्रक्शन-फॉलोइंग मॉडल को सौंप देता है ताकि नेटिव या प्रॉम्प्ट-आधारित दृष्टिकोणों की तुलना में, विशेष रूप से रीजनिंग-ओरिएंटेड LLMs के लिए, क्वांटाइजेशन के तहत बेहतर सटीकता और मजबूती प्राप्त की जा सके।
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
आर्टिफिशियल इंटेलिजेंस की तेजी से बदलती दुनिया में, एक बदलाव आ रहा है जहाँ कंप्यूटर केवल टेक्स्ट जेनरेट करने से हटकर ऐसे सिस्टम की ओर बढ़ रहे हैं जो कार्य करने में सक्षम हैं। ये नए सिस्टम, जिन्हें अक्सर "एजेंटिक" (agentic) मॉडल कहा जाता है, बाहरी दुनिया तक पहुँच बनाकर समस्याओं को हल करने के लिए डिज़ाइन किए गए हैं। वे यह काम टूल्स (जैसे मौसम संबंधी ऐप्स या कैलकुलेटर) का चयन करके और किसी प्रश्न का उत्तर देने से पहले जानकारी जुटाने के लिए उनका उपयोग करके करते हैं। लंबे समय तक, केवल सबसे शक्तिशाली और महंगे कंप्यूटर मॉडल ही इन कार्यों को करने के लिए भरोसेमंद माने जाते थे। उन्हें इन टूल्स से बात करने के लिए एक विशिष्ट, कठोर आंतरिक भाषा के साथ बनाया गया था, जिसे 'नेटिव फंक्शन कॉलिंग' (native function calling) नामक एक विधि कहा जाता है। हालाँकि, जैसे-जैसे तकनीक परिपक्व हुई है, शोधकर्ताओं ने बहुत छोटे और अधिक कुशल कंप्यूटर मॉडलों की ओर देखना शुरू कर दिया है। ये संक्षिप्त मॉडल स्मार्टफोन और लैपटॉप जैसे रोजमर्रा के उपकरणों पर चलाना आसान बनाते हैं, जिससे बेहतर गोपनीयता और कम लागत मिलती है, लेकिन ऐतिहासिक रूप से वे बाहरी टूल्स का सही ढंग से उपयोग करने के लिए आवश्यक सख्त और जटिल नियमों के साथ संघर्ष करते रहे हैं।
ईरान के विश्वविद्यालयों के एक शोध दल ने इस धारणा को चुनौती दी है कि इन छोटे मॉडलों को सफल होने के लिए बड़े मॉडलों के समान कठोर नियमों का पालन करना ही होगा। उनके हालिया कार्य में, उन्होंने पाया कि छोटे मॉडल वास्तव में बहुत बेहतर प्रदर्शन करते हैं जब उनसे एक सरल बातचीत के माध्यम से टूल्स का उपयोग करने के लिए कहा जाता है, बजाय इसके कि उन्हें एक विशेष, तकनीकी कमांड संरचना के माध्यम से उपयोग किया जाए। उन्होंने पाया कि जब एक छोटे मॉडल के साथ एक स्पष्ट निर्देशों का पालन करने वाले सहायक की तरह व्यवहार किया जाता है, तो वह एक विशिष्ट मशीन कोड बोलने के लिए मजबूर होने की तुलना में बहुत कम गलतियाँ करता है। इस अंतर्दृष्टि ने उन्हें एक नया सिस्टम बनाने की ओर प्रेरित किया जो दो अलग-अलग मॉडलों के बीच काम को विभाजित करता है। एक छोटा, तेज़ मॉडल एक निर्णय लेने वाले (decision-maker) के रूप में कार्य करता है, जो उपयोगकर्ता की बात सुनता है और यह तय करता है कि क्या किसी टूल की आवश्यकता है। यदि किसी टूल की आवश्यकता होती है, तो यह छोटा मॉडल प्राकृतिक भाषा के निर्देशों का उपयोग करके उस अनुरोध को संभालता है। मुख्य, बड़ा मॉडल फिर उस जानकारी को लेता है और उपयोगकर्ता के लिए अंतिम उत्तर तैयार करता है।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण विभिन्न छोटे मॉडलों का उपयोग करके किया, जिनमें से कुछ में केवल एक बिलियन पैरामीटर्स (जो मॉडल के आकार और जटिलता का एक माप है) थे। उन्होंने अपने नए तरीके की तुलना उन मानक तरीकों से की जिनसे आमतौर पर इन मॉडलों को टूल्स का उपयोग करने के लिए सिखाया जाता है। परिणाम चौंकाने वाले थे। इस नए सिस्टम ने, जिसे उन्होंने 'इंस्ट्रक्शन-फॉलोड फंक्शन कॉलिंग' (Instruction-Followed Function Calling) नाम दिया, बड़े कॉम्पैक्ट मॉडलों (जैसे 4-बिलियन-पैरामीटर Qwen-3) को विशाल प्रोप्रायटरी बेसलाइन्स जैसे GPT-5.2 और Claude 4.5 Sonnet से भी बेहतर प्रदर्शन करने की अनुमति दी, जिन्हें आमतौर पर स्वर्ण मानक (gold standard) माना जाता है। उदाहरण के लिए, उनके नए तरीके का उपयोग करने वाले Qwen-3 4B मॉडल ने टूल उपयोग के एक कठिन परीक्षण के नॉन-लाइव इवैल्यूएशन सबसेट पर 94.1% की सटीकता प्राप्त की, जो पारंपरिक तरीकों का उपयोग करने वाले उसी मॉडल के प्रदर्शन से काफी अधिक थी। जबकि सबसे छोटे परीक्षण किए गए मॉडल (0.6B) कुछ श्रेणियों में बहुत बड़े प्रोप्रायटरी दिग्गजों से पीछे रहे, इस ढांचे ने प्रदर्शित किया कि विशेष, तर्क-क्षम लघु मॉडल, कठोर टूल परिभाषाओं के संरचनात्मक बोझ को हटा देने पर विशाल प्रणालियों के बराबर या उनसे अधिक प्रदर्शन कर सकते हैं।
उनकी खोज का एक प्रमुख हिस्सा यह समझना था कि ये मॉडल कैसे सोचते हैं। शोधकर्ताओं ने पाया कि जो मॉडल उत्तर देने से पहले किसी समस्या के बारे में "सोचने" के लिए डिज़ाइन किए गए हैं, वे तत्काल प्रतिक्रिया देने वाले मॉडलों की तुलना में कहीं अधिक विश्वसनीय हैं। जब इन रीजनिंग मॉडल्स (तर्क करने वाले मॉडलों) को यह तय करने का कार्य दिया गया कि किस टूल का उपयोग करना है, तो वे अपनी गलतियों को स्वयं सुधार सके और उच्च सटीकता के साथ जटिल निर्देशों का पालन कर सके। यह विशेष रूप से तब सच साबित हुआ जब इन मॉडलों को छोटे उपकरणों पर चलाने के लिए संकुचित (compress) किया गया। आमतौर पर, मॉडल को छोटा करने या उसे कम शक्तिशाली हार्डवेयर पर चलाने से उसका प्रदर्शन तेजी से गिर जाता है। हालाँकि, शोधकर्ताओं ने पाया कि उनका नया तरीका अविश्वसनीय रूप से मजबूत था। यहाँ तक कि जब मॉडलों को बहुत कम मेमोरी का उपयोग करने के लिए सिकोड़ा गया, तब भी प्राकृतिक भाषा निर्देश पद्धति का उपयोग करने वाले मॉडलों ने अपनी उच्च सटीकता बनाए रखी। यह सुझाव देता है कि तर्क करने और बातचीत का पालन करने की क्षमता, एक कठोर तकनीकी प्रारूप को याद करने की तुलना में टूल के उपयोग के लिए एक अधिक स्थिर आधार है।
अध्ययन ने वर्तमान में कई सिस्टमों के निर्माण के तरीके में एक खामी को भी उजागर किया। अक्सर, एक ही बड़े मॉडल से सब कुछ करने की अपेक्षा की जाती है: उपयोगकर्ता को समझना, यह तय करना कि किस टूल का उपयोग करना है, और अंतिम उत्तर लिखना। शोधकर्ताओं ने दिखाया कि यह दृष्टिकोण अक्सर मॉडल को भ्रमित कर देता है, क्योंकि टूल्स के जटिल विवरण बातचीत के साथ मिल जाते हैं। कार्यों को अलग करके, उनका नया सिस्टम बातचीत को स्वच्छ रखता है। छोटा मॉडल यह समझने का भारी काम संभालता है कि किस टूल का उपयोग करना है, और मुख्य मॉडल पूरी तरह से उपयोगकर्ता से बात करने पर ध्यान केंद्रित करता है। यह अलगाव सिस्टम को एक साथ बहुत अधिक जानकारी से अभिभूत होने से बचाता है। शोधकर्ताओं ने प्रदर्शित किया कि यह तरीका वास्तविक दुनिया के परिदृश्यों में भी अच्छी तरह काम करता है जहाँ गति और गोपनीयता महत्वपूर्ण है, जैसे कि कार के डैशबोर्ड या होम असिस्टेंट में, जहाँ डेटा को दूर स्थित सर्वर पर भेजना संभव नहीं होता।
अंततः, यह कार्य आर्टिफिशियल इंटेलिजेंस को रोजमर्रा के उपकरणों पर ले जाने के लिए एक नया मार्ग सुझाता है। यह दिखाता है कि हमें जटिल कार्यों को करने के लिए विशाल, ऊर्जा-खपत करने वाले कंप्यूटरों पर निर्भर रहने की आवश्यकता नहीं है। इसके बजाय, हम छोटे मॉडलों से काम करने के तरीके को बदलकर—उन्हें कोड निष्पादित करने वाली मशीनों के बजाय निर्देशों का पालन करने वाले बुद्धिमान सहायकों के रूप में मानकर—हम ऐसे परिणाम प्राप्त कर सकते हैं जो अत्यधिक सटीक और कुशल दोनों हैं। निष्कर्ष संकेत देते हैं कि व्यक्तिगत, निजी और उत्तरदायी आर्टिफिशियल इंटेलिजेंस का भविष्य बड़े मॉडल बनाने में नहीं, बल्कि हमारे पास मौजूद छोटे मॉडलों का अधिक स्मार्ट तरीके से उपयोग करने में निहित 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।