💻 computer science

When Verification Is Late: Delay Floors and Placement Flips in Corrected Multi-Agent Systems

यह शोध पत्र स्थापित करता है कि विलंबित बहु-एजेंट सुधार प्रणालियों (delayed multi-agent correction systems) में, सत्यापन विलंबता (verification latency) डॉटी संख्या (Dottie number) द्वारा निर्धारित एक अपरिहार्य सटीकता तल (accuracy floor) लागू करती है, प्रदर्शन लाभों के लिए एक बजट सीमा (budget ceiling) निर्मित करती है, और एक विशिष्ट सीमा से परे सुधार संसाधनों को केंद्रित करने के बजाय फैलाने की रणनीति में बदलाव करती है।

मूल लेखक: Igor Itkin

प्रकाशित 2026-07-21

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Igor Itkin

मूल पेपर CC BY 4.0 (https://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 दोस्तों का एक समूह मिलकर किसी रहस्य को सुलझाने की कोशिश कर रहा है। वे आपस में नोट्स साझा करते हैं, सुराग और सिद्धांत एक-दूसरे को भेजते हैं। आमतौर पर, जितने अधिक लोग होंगे और वे एक-दूसरे के काम की कितनी सावधानी से जांच करेंगे, समूह सत्य के उतने ही करीब पहुंचेगा। यही "मल्टी-एजेंट सिस्टम्स" (multi-agent systems) के पीछे का मूल विचार है, जहाँ कई कंप्यूटर प्रोग्राम (एजेंट) समस्याओं को हल करने के लिए मिलकर काम करते हैं। लेकिन इसमें एक पेंच है: काम की जांच करने में समय लगता है। यदि कोई मित्र किसी सुराग को आगे बढ़ाने से पहले उसकी पुष्टि करने में बहुत अधिक समय लेता है, तो पूरा समूह गोल-गोल बहस करने लग सकता है या भ्रमित हो सकता है। वैज्ञानिक लंबे समय से जानते हैं कि "वेरिफिकेशन" (काम की जांच करना) जोड़ने से मदद मिलती है, लेकिन वे यह पूरी तरह से नहीं समझ पाए कि जब यह जांच धीमी हो जाती है तो क्या होता है। वे जानना चाहते थे: क्या इस बात की कोई सीमा है कि समूह कितना बेहतर हो सकता है, चाहे आप कितने भी चेकर (जांचकर्ता) जोड़ दें? और क्या इससे फर्क पड़ता है कि आपके पास एक सुपर-फास्ट चेकर है या कई धीमे चेकर?

यह शोध पत्र, जिसका शीर्षक "व्हेन वेरिफिकेशन इज़ लेट" (When Verification Is Late) है, इसी प्रश्न की गहराई में जाता है। यह AI एजेंटों के समूह को मधुमक्खियों के झुंड या मछलियों के स्कूल की तरह मानता है, जहाँ कुछ एजेंट "करेक्टर्स" (सुधारक) होते हैं जिन्हें समूह को वापस सच्चाई की ओर खींचने के लिए डिज़ाइन किया गया है यदि वे भटकने लगें। लेखक गणित का उपयोग यह मॉडल बनाने के लिए करते हैं कि जब ये सुधारक विलंब (delay) के साथ काम करते हैं—यानी जब वे कार्य करने से पहले सोचने में थोड़ा समय लेते हैं—तो क्या होता है। वे इन टीमों को बनाने के बारे में कुछ आश्चर्यजनक नियम खोज निकालते हैं।

"बहुत देर हो जाने" की समस्या

AI के इस झुंड को एक ऐसी नाव के रूप में सोचें जो उबड़-खाबड़ झील में एक सीधी रेखा में रहने की कोशिश कर रही है। "करेक्टर्स" एक पतवार (rudder) की तरह हैं जो नाव को केंद्र की ओर वापस लाने के लिए दिशा मोड़ते हैं। यदि पतवार तुरंत चलती है, तो पानी कितना भी अशांत क्यों न हो, नाव सीधी रहती है। लेकिन वास्तविक दुनिया में, पतवार को प्रतिक्रिया देने में एक सेकंड का हिस्सा लगता है। यदि पानी शांत है, तो एक धीमी पतवार ठीक है। लेकिन यदि लहरें बड़ी हैं, तो वह एक सेकंड का विलंब पतवार को नाव को केंद्र से दूर ले जाने के लिए मजबूर कर सकता है, जिससे नाव ठीक करने की कोशिश के दौरान ही डगमगाने लगती है।

शोध पत्र पाता है कि यह "डगमगाहट" (wobble) एक फ्लोर (न्यूनतम सीमा) पैदा करती है कि समूह कितना सटीक हो सकता है। आप कितने भी पैसे (बजट) अधिक चेकर नियुक्त करने या उन्हें स्मार्ट बनाने में खर्च कर दें, यदि विलंब मौजूद है, तो आप सटीकता को इस फ्लोर से ऊपर नहीं ले जा सकते। यह एक ऐसे बाल्टी को भरने की कोशिश करने जैसा है जिसमें नीचे छेद है; आप उसमें जितना चाहें उतना पानी डालें, लेकिन पानी का स्तर एक निश्चित बिंदु से ऊपर कभी नहीं बढ़ेगा।

जादुई संख्या: डॉटी नंबर (The Dottie Number)

यहाँ सबसे दिलचस्प खोज है। लेखकों ने गणना की कि यह "डगमगाहट की सीमा" वास्तव में कैसी दिखती है। उन्होंने पाया कि सर्वोत्तम संभव प्रदर्शन तब होता है जब सुधार की शक्ति और विलंब एक साथ मिलकर एक बहुत ही विशिष्ट, अजीब संख्या के बराबर होते हैं: 0.739085...

गणित में यह संख्या डॉटी नंबर के रूप में प्रसिद्ध है। यह एकमात्र ऐसी संख्या है, जिसका कोसाइन (cosine) लेने पर वही संख्या वापस मिल जाती है (cos 0.739085... = 0.739085...)। पेपर सिद्ध करता है कि इन AI झुंडों के लिए, दक्षता का "स्वीट स्पॉट" (इष्टतम बिंदु) इसी सटीक गणितीय स्थिरांक से जुड़ा हुआ है। यदि आप सुधारकों को इस स्वीट स्पॉट से अधिक मजबूत बनाने की कोशिश करते हैं, तो विलंब उन्हें इतना अस्थिर बना देता है कि पूरा सिस्टम बेहतर होने के बजाय बदतर हो जाता है।

महान उलटफेर: एक बड़ा दिमाग बनाम कई छोटे दिमाग

यह पेपर आपके बजट खर्च करने के नियमों को भी बदल देता है। इससे पहले, सामान्य समझ यह थी: "यदि आपके पास सीमित बजट है, तो उसे एक अत्यंत शक्तिशाली चेकर पर लगा दें।" यह तब पूरी तरह काम करता है जब चेकर तत्काल प्रतिक्रिया देता है।

लेकिन विलंब जोड़ने के बाद, नियम उलट जाते हैं। पेपर दिखाता है कि एक विशिष्ट, गणना किया गया बजट थ्रेशोल्ड (जिसे $c_{flip}$ कहा जाता है) है। यदि आप इस राशि से कम खर्च करते हैं, तो कुछ मजबूत एजेंटों पर ध्यान केंद्रित करना सबसे अच्छा है। हालाँकि, यदि आप इस विशिष्ट सीमा से अधिक खर्च करते हैं, तो एक मजबूत एजेंट के बजाय अपने बजट को कई कमजोर चेकरों में फैलाना बेहतर होता है।

कल्प dáng करें कि आप लोगों की एक कतार को सीधा चलने रखने की कोशिश कर रहे हैं।

विलंब नहीं: आप एक विशाल, अत्यंत शक्तिशाली व्यक्ति को नियुक्त करते हैं जो तुरंत सबको लाइन में वापस धकेलता है। यह बहुत अच्छा काम करता है।
विलंब के साथ: वह विशाल व्यक्ति धक्का देने से पहले एक सेकंड सोचने में लेता है। जब तक वह धक्का देता है, तब तक लोग पहले ही हिल चुके होते हैं, इसलिए उसका धक्का उन्हें गिरा देता है। इसके बजाय, सौ छोटे लोगों को नियुक्त करना बेहतर है जो छोटे-छोटे संकेत देते हैं। भले ही वे थोड़े धीमे हों, लेकिन उनके इतने अधिक होने से तथ्य यह है कि वे लाइन को बिना किसी दुर्घटना के स्थिर रखते हैं।

लेखकों ने इस टिपिंग पॉइंट (निर्णायक मोड़) की गणना की। यदि आप इस सीमा को अनदेखा करते हैं और एक मजबूत एजेंट पर पैसा डालना जारी रखते हैं, तो आप वास्तव में समूह के उत्तरों को खराब कर देते हैं।

सिद्धांत का परीक्षण

यह सुनिश्चित करने के लिए कि यह केवल एक गणितीय खेल नहीं था, लेखकों ने अपने मॉडल का वास्तविक डेटा (विशेष रूप से Qwen3.6-35B-A3B मॉडल के एक सुधारा गया संस्करण) के विरुद्ध परीक्षण किया। उन्होंने एक परिदृश्य का अनुकरण किया जहाँ AI एजेंटों को तथ्यों की जांच करनी थी।

परिणाम मॉडल के समग्र आकार के साथ एक मजबूत मेल थे, लेकिन वास्तविक दुनिया के डेटा में कुछ सीमाएँ थीं। मॉडल प्रक्षेपवक्र (trajectories) के साथ अच्छी तरह फिट बैठता है, जो इस बात की पुष्टि करता है कि 'डिलेड-रिलैक्सेशन' (delayed-relaxation) की अवधारणा सिस्टम का एक वैध विवरण है। हालाँकि, डेटा बहुत शोर भरा (noisy) था और कई अलग-अलग प्रश्नों पर औसत निकाला गया था, जिससे केवल विलंब तंत्र को अलग से पहचानना कठिन था। क्योंकि विलंब और सुधार की शक्ति के प्रभाव औसत डेटा में आपस में मिल गए थे, शोधकर्ता वास्तविक दुनिया के नंबरों से अकेले इस विशिष्ट "फ्लिप" या डॉटी नंबर स्थिरांक की पुष्टि नहीं कर सके। जबकि सिद्धांत विलंब के कारण सटीकता पर एक सख्त सीमा का अनुमान लगाता है, डेटा अकेले इस विशिष्ट प्रभाव को अलग से सिद्ध नहीं कर सका; इसने केवल यह दिखाया कि मॉडल का सामान्य व्यवहार देखे गए सिस्टम डायनेमिक्स के साथ संरेखित था।

मुख्य निष्कर्ष

इन AI टीमों को बनाने वाले किसी भी व्यक्ति के लिए मुख्य बात सरल है: शक्ति से अधिक गति मायने रखती है।

यदि आपकी सत्यापन प्रक्रिया धीमी है, तो उस पर अधिक पैसा खर्च करने से कोई मदद नहीं मिलेगी। वास्तव में, यह नुकसान पहुँचा सकता है। आपके AI झुंड की सटीकता की एक सख्त सीमा है, जो पूरी तरह से इस बात पर निर्भर करती है कि काम की जांच करने में कितना समय लगता है। एक बार जब आप उस सीमा तक पहुँच जाते हैं, तो सुधार करने का एकमात्र तरीका काम को तेज़ बनाना है, न कि उसे और अधिक शक्तिशाली बनाना। और यदि आपको बहुत अधिक खर्च करना ही है, तो एक सुपरस्टार पर सब कुछ न लगाएं; इसे कई छोटे सहायकों में फैला दें ताकि सिस्टम स्थिर रहे, लेकिन केवल तभी जब आप उस विशिष्ट बजट थ्रेशोल्ड को पार कर लें जहाँ यह रणनीति बेहतर हो जाती है।

पेपर केवल यह सुझाव नहीं देता है; यह गणितीय सूत्रों के साथ इसे सिद्ध करता है। हालाँकि वास्तविक दुनिया का डेटा इतना जटिल था कि हर एक चर (variable) को पूरी तरह से अलग करना कठिन था, सिद्धांत एक स्पष्ट नियम प्रदान करता है: अपने चेकरों को बहुत मजबूत न होने दें यदि वे बहुत धीमे हैं, अन्यथा पूरी टीम नियंत्रण से बाहर हो जाएगी।

तकनीकी सारांश: जब सत्यापन विलंबित होता है: डिले फ्लोर्स और प्लेसमेंट फ्लिप्स

समस्या विवरण
यह शोध पत्र मल्टी-एजेंट सिस्टम (विशेष रूप से वे जो लार्ज लैंग्वेज मॉडल्स पर आधारित हैं) के डिज़ाइन को संबोधित करता है, जहाँ अविश्वसनीय एजेंटों के एक झुंड को "सुधारकों" (correctors) या सत्यापनकर्ताओं (verifiers) के एक समूह द्वारा तथ्यात्मक सटीकता की ओर निर्देशित किया जाता है। जबकि पिछले साहित्य ने स्थापित किया है कि विलंब-मुक्त (delay-free) सेटिंग्स में सत्यापन जोड़ने से सटीकता में सुधार होता है, और अन्य कार्यों ने दिखाया है कि सत्यापन विलंब (verification delays) सर्वसम्मति को अस्थिर कर सकते हैं, किसी भी पूर्व ढांचे ने इन कारकों को एकीकृत करके इस महत्वपूर्ण डिज़ाइन प्रश्न का उत्तर नहीं दिया है: सत्यापन के लिए एक निश्चित बजट दिए जाने पर, कितना सुधार खरीदा जाना चाहिए, और इसे कहाँ रखा जाना चाहिए, जब सत्यापन स्वाभाविक रूप से समय लेता है?

लेखक इसे एक पिन्ड, डिलेड ग्राउंडेड-लैपलेसियन कंसेंसस (pinned, delayed grounded-Laplacian consensus) प्रणाली के रूप में मॉडल करते हैं। इस मॉडल में, एजेंट विश्वासों का आदान-प्रदान करते हैं, और सुधारक एक सत्यापन विलंब $\tau$ के बाद साक्ष्य की ओर सिस्टम को खींचते हैं। मुख्य चुनौती यह है कि एक मजबूत खिंचाव (उच्च सुधारक शक्ति $w$ ) सटीकता में तो सुधार करता है, लेकिन विलंब के तहत अस्थिरता का जोखिम भी बढ़ाता है, जिससे एक ऐसा ट्रेड-ऑफ उत्पन्न होता है जिसे पारंपरिक विलंब-मुक्त प्लेसमेंट सिद्धांत कैप्चर नहीं कर पाते।

कार्यप्रणाली (Methodology)
लेखक सिस्टम डायनेमिक्स को एक लीनियर स्टोकेस्टिक डिले डिफरेंशियल इक्वेशन (SDDE) के रूप में सूत्रबद्ध करते हैं:
$\dot{x}(t) = -L_g x(t) - W x(t-\tau) + \xi(t)$
जहाँ $L_g$ ग्राउंडेड लैपलेसियन है (जो एजेंट कपलिंग और साक्ष्य के प्रति एंकरिंग का प्रतिनिधित्व करता है), $W$ सुधारक शक्तियों का डायगोनल मैट्रिक्स है, $\tau$ सामान्य सत्यापन विलंब है, और $\xi(t)$ व्हाइट नॉइज़ है।

सिस्टम प्रदर्शन का प्राथमिक मीट्रिक कोहेरेंस (coherence) ( $H$ ) है, जिसे विश्वासों (beliefs) के स्टेशनरी कोवेरिएंस मैट्रिक्स के ट्रेस के रूप में परिभाषित किया गया है (जो शोर से विश्वास तक के स्क्वेयर्ड $H_2$ नॉर्म के बराबर है)। डिज़ाइन समस्या बजट बाधा के अधीन $H$ को न्यूनतम करने की है।

मुख्य विश्लेषणात्मक चरण शामिल हैं:

मोडल रिडक्शन (Modal Reduction): $L_g$ के आइजनबेसिस (eigenbasis) का लाभ उठाते हुए, सिस्टम को $N$ स्वतंत्र स्केलर मोड में अलग किया जाता है। कुल कोहेरेंस इन मोड के स्टेशनरी वेरिएंस का योग है।
क्लोज्ड-फॉर्म वेरिएंस: लेखक एक एकल स्केलर मोड (जिसका डिके रेट $a$ , स्ट्रेंथ $w$ , और डिले $\tau$ है) के लिए एक सटीक क्लोज्ड-फॉर्म एक्सप्रेशन $V(a, w, \tau)$ प्राप्त करते हैं। यह एक्सप्रेशन विलंब-दंड (delay-free penalty) और विलंब-प्रेरित अस्थिरता को एकीकृत करता है।
स्थिरता विश्लेषण (Stability Analysis): वे एक हार्ड स्टेबिलिटी कैप $w_{max}(\tau)$ की पहचान करते हैं जिसके आगे सिस्टम दोलन (oscillate) करने लगता है और स्टेशनरी डिस्ट्रीब्यूशन खो देता है।
अनुकूलन (Optimization): पेपर बजट-एक्यूरेसी फ्रंटियर का विश्लेषण करता है, जो विलंब के प्रतिबंध के तहत (कुछ मजबूत एजेंटों पर बजट केंद्रित करने बनाम कई में फैलाने के बीच) सुधारकों के बीच एक निश्चित बजट के इष्टतम वितरण को निर्धारित करता है।

मुख्य योगदान और परिणाम

द डिले फ्लोर (सटीकता की ऊपरी सीमा):
पेपर सिद्ध करता है कि किसी भी गैर-शून्य विलंब $\tau > 0$ के लिए, प्राप्त करने योग्य त्रुटि का एक सख्ती से सकारात्मक निचला स्तर (lower bound) मौजूद है (जिसे "डिले फ्लोर" कहा जाता है), चाहे सत्यापन बजट कितना भी बड़ा क्यों न हो।

सटीक स्थिरांक: छोटे विलंब की सीमा में, इष्टतम स्ट्रेंथ-डिले उत्पाद $w^* \tau$ , डॉटी नंबर (Dottie number) $\xi^* \approx 0.739085$ (जहाँ $\cos \xi = \xi$ ) के बराबर होता है।
निहितार्थ: कोई भी अतिरिक्त बजट इस फ्लोर से नीचे सटीकता को नहीं ले जा सकता। एक बार जब बजट एक विशिष्ट थ्रेशोल्ड ( $B_{floor}$ ) तक पहुँच जाता है, तो आगे का खर्च कोई सटीकता लाभ नहीं देता; यदि बजट को बिना क्लिपिंग के कच्चे स्ट्रेंथ में परिवर्तित किया जाता है, तो यह सिस्टम को अस्थिरता की ओर धकेल कर प्रदर्शन को वास्तव में खराब कर सकता है।

द प्लेसमेंट फ्लिप (The Placement Flip):
विलंब-मुक्त प्रणालियों में, इष्टतम प्लेसमेंट अक्सर कुछ मजबूत सुधारकों पर बजट केंद्रित करता है (कॉस्ट लॉ कर्वेचर के आधार पर)। लेखक दिखाते हैं कि विलंब इस नियम को मौलिक रूप से बदल देता है।

तंत्र: विलंब एक विशिष्ट स्ट्रेंथ $w^*(\tau)$ पर कॉस्ट लॉ में एक "नी" (knee) लगाता है। इस स्ट्रेंथ के आगे, अतिरिक्त शक्ति बेकार या हानिकारक है।
परिणाम: एक क्लोज्ड-फॉर्म बजट थ्रेशोल्ड के बाद, इष्टतम रणनीति संसाधनों को केंद्रित करने से फैलाने (spreading) की ओर फ्लिप हो जाती है। कुछ अत्यंत मजबूत एजेंटों के बजाय कई मध्यम सुधारकों (प्रत्येक $w^*(\tau)$ पर सीमित) को तैनात करना स्पष्ट रूप से बेहतर होता है।

फाइनाइट बजट सीलिंग (Finite Budget Ceiling):
विलंब-मुक्त सिद्धांतों के विपरीत जहाँ कोहेरेंस बजट के साथ मोनोटोनिक रूप से सुधरता है, विलंब-प्रतिबंधित सिस्टम में एक सीमित बजट सीलिंग ( $B_{floor}$ ) होती है। ऐसे लक्ष्य जिन्हें डिले फ्लोर से कम सटीकता की आवश्यकता है, वे गणितीय रूप से असंभव हैं।
एक्सैक्टनेस के लिए कम्यूटेटर कंडीशन (Commutator Condition for Exactness):
पेपर यह स्थापित करता है कि मोडल रिडक्शन (स्वतंत्र वेरिएंस का योग) तभी सटीक होता है जब सुधारक मैट्रिक्स $W$ , ग्राउंडेड लैपलेसियन $L_g$ के साथ कम्यूट करता है ( $[L_g, W] = 0$ )। नॉन-कम्यूटिंग प्लेसमेंट के लिए, मोडल रिडक्शन एक ज्ञात एरर बाउंड के साथ प्रथम-क्रम (first-order) सन्निकटन प्रदान करता है, हालांकि नॉन-यूनिफॉर्म प्लेसमेंट के लिए स्थिरता सीमा अनुमान आशावादी हो सकते हैं।
अनुभवजन्य अंशांकन (Empirical Calibration):
मॉडल को एक सुधारा गया Qwen3.6-35B-A3B स्वार्म के डेटा के विरुद्ध कैलिब्रेट किया गया है। परिणाम दिखाते हैं:

डिलेड-रिलैक्सेशन मॉडल देखे गए बिलीफ ट्राजेक्टरीज को अच्छी तरह से फिट करता है ( $R^2 = 0.94–0.99$ )।
लंबा सत्यापन विलंब, सत्य की ओर धीमी वापसी से सह-संबंधित है।
आइडेंटिफिएबिलिटी लिमिट: डेटा पुष्टि करता है कि औसतित ट्राजेक्टरीज से विलंब ( $\tau$ ) और सुधार स्ट्रेंथ ( $w$ ) को अलग-अलग पहचाना नहीं जा सकता है; वे एक एकल प्रभावी दर में समाहित हो जाते हैं। यह इस मॉडल परिवार के सैद्धांतिक भविष्यवाणियों के अनुरूप है।

महत्व और दावे
पेपर दो मौजूदा साहित्यों के बीच के अंतर को हल करने का दावा करता है: विलंब-मुक्त प्लेसमेंट सिद्धांत (जो विलंब को अनदेखा करता है) और विलंब स्थिरता सिद्धांत (जो बजट बाधाओं को अनदेखा करता है)।

व्यावहारिक संदेश: सुधारा गया मल्टी-एजेंट LLM सिस्टम में, सत्यापन शक्ति (verification power) नहीं, बल्कि सत्यापन विलंब (verification latency), प्राप्त करने योग्य सटीकता की अंतिम सीमा निर्धारित करता है।
डिज़ाइन मार्गदर्शन: डिजाइनरों को अनिश्चित काल तक अधिक सत्यापन शक्ति को "स्टैक" करने की प्रवृत्ति से बचना चाहिए। एक बार जब बजट विलंब-निर्भर थ्रेशोल्ड को पार कर जाता है, तो रणनीति व्यक्तिगत एजेंटों को मजबूत करने के बजाय बजट को अधिक एजेंटों में वितरित करने की ओर स्थानांतरित होनी चाहिए, जबकि अस्थिरता से बचने के लिए व्यक्तिगत स्ट्रेंथ को सख्ती से सीमित करना चाहिए।
सैद्धांतिक योगदान: यह कार्य ग्राउंडेड नेटवर्क में "डिले फ्लोर" के पहले क्लोज्ड-फॉर्म लक्षण वर्णन प्रदान करता है, जिसमें डॉटी नंबर को सुधार स्ट्रेंथ और सत्यापन विलंब के बीच के मौलिक स्थिरांक के रूप में पहचाना गया है।

लेखक अपनी सीमाओं के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि लीनियर मॉडल एक प्लेटो के आसपास रिलैक्सेशन का वर्णन करता है न कि पूर्ण नॉन-लीनियर डायनेमिक्स का, और उपयोग किए गए कॉस्ट लॉ और ग्राफ टोपोलॉजी शैलीबद्ध (stylized) हैं। वे यह भी स्वीकार करते हैं कि हालांकि उनका मॉडल विशिष्ट स्थितियों में फिट बैठता है, यह प्रति-प्रश्न फिटिंग के बिना औसत डेटा से विलंब और स्ट्रेंथ को अलग नहीं कर सकता है।