व्यक्तिगत मार्ग: कैसे ChatPlanner LLM की मदद से यात्रियों की इच्छाओं को ध्यान में रखता है
नया ChatPlanner फ्रेमवर्क फाइन-ट्यून की गई भाषा मॉडल को RAG के साथ जोड़ता है ताकि बोलचाल की प्राथमिकताओं को पहचाना जा सके और उन्हें मार्ग गणना में शामिल किया जा सके। प्रयोगों में, सिस्टम ने सामान्य प्लानर्स की तुलना में अधिक उपयुक्त विकल्प खोजे और कम्प्यूटेशनल रूप से व्यावहारिक बना रहा।

"समझने वाला" प्लानर क्यों ज़रूरी है
हर यात्री अपने तरीके से मार्ग चुनता है। किसी के लिए मुख्य बात जल्दी पहुँचना होती है, किसी के लिए कम ट्रांसफ़र करना, तो कोई जानबूझकर बसों से बचता है या पैदल चलने की दूरी कम करना चाहता है। मानक नेविगेशन ऐप्स आमतौर पर केवल कुछ अवैयक्तिक विकल्प देते हैं, जो समय या कीमत के आधार पर क्रमबद्ध होते हैं। व्यक्तिगत प्राथमिकताएँ इस दौरान पर्दे के पीछे रह जाती हैं।
इस स्थिति को बदलने का प्रस्ताव ChatPlanner फ्रेमवर्क देता है, जिसे arXiv:2606.15315 प्रीप्रिंट में वर्णित किया गया है। लेखक — टिंगटिंग यांग, चेनहाओ ज़्यू और जून चेन — ने एक ऐसा दृष्टिकोण विकसित किया है जिसमें उपयोगकर्ता अपनी इच्छाओं को सामान्य शब्दों में समझाता है, और सिस्टम उन्हें मार्ग की आवश्यकताओं में बदल देता है। यह शास्त्रीय रूटिंग की सीमाओं को काफी विस्तारित करता है: यात्री के साथ संवाद उतना ही महत्वपूर्ण इनपुट सिग्नल बन जाता है जितना कि समय-सारणी और परिवहन का नक्शा।
समाधान बड़े भाषा मॉडल के इर्द-गिर्द बनाया गया है और इसे पहले ही Transportation Research Part C जर्नल में प्रस्तुत किया जा चुका है। कार्य के पाठ से ऐसा लगता है कि यह सिर्फ एक और चैटबॉट नहीं है: मॉडल सीधे मार्ग खोज की अनुकूलन तर्क को प्रभावित करता है।
समाधान की वास्तुकला
ChatPlanner के केंद्र में एक संवाद इंटरफ़ेस है जो प्राकृतिक भाषा में अनुरोधों को संसाधित करता है। उपयोगकर्ता कुछ ऐसा लिख सकता है जैसे "मुझे जल्दी चाहिए, लेकिन मेट्रो के बिना" या "मुझे लंबे इंतज़ार से नफरत है"। फ्रेमवर्क का कार्य केवल शब्दों को पहचानना नहीं है, बल्कि उनसे रूटिंग पैरामीटर निकालना भी है: समय, ट्रांसफ़र की संख्या, यात्रा के तरीकों और अन्य विशेषताओं के अनुसार प्राथमिकताएँ।
इसके लिए दो तंत्रों का संयोजन उपयोग किया जाता है:
- बारीक ट्यून की गई LLM — संरचित आउटपुट के लिए ज़िम्मेदार है और प्राथमिकताओं के विशिष्ट पैटर्न को पहचानने के लिए प्रशिक्षित है। यह "समझती है" कि इच्छाएँ आमतौर पर कैसे व्यक्त की जाती हैं और उन्हें एक समान प्रारूप में लाती है।
- Retrieval-Augmented Generation (RAG) — अनुरोध में प्रासंगिक संदर्भ जोड़ता है। यह अस्पष्ट या बोलचाल की अभिव्यक्तियों को हल करने में मदद करता है, साथ ही निरंतर आकलनों को अधिक सटीक रूप से कैलिब्रेट करता है — उदाहरण के लिए, ट्रांसफ़र के प्रति नापसंदगी की डिग्री।
प्रसंस्करण का परिणाम विभिन्न मानदंडों पर प्राथमिकता स्कोर का एक सेट बन जाता है। ये स्कोर फिर सार्वजनिक परिवहन रूटिंग एल्गोरिदम के उद्देश्य फ़ंक्शन में एकीकृत होते हैं। दूसरे शब्दों में, LLM तैयार मार्ग को दोहराता नहीं है, बल्कि उसके निर्माण में सक्रिय रूप से भाग लेता है, अनुकूलन को विशिष्ट यात्री के अनुसार ढालता है।

प्रशिक्षण: व्यक्तित्व और संदर्भ
मॉडल को सीखने के लिए कुछ देने के लिए, लेखकों ने आठ व्यक्तित्व और पाँच संदर्भों वाले डेटासेट बनाए। व्यक्तित्व — ये विभिन्न प्राथमिकताओं और आदतों वाले यात्रियों के सामान्यीकृत प्रकार हैं: उदाहरण के लिए, एक छात्र जिसके लिए कीमत महत्वपूर्ण है, सीमित गतिशीलता वाला एक बुजुर्ग व्यक्ति, या एक व्यावसायिक यात्री जो हर मिनट को महत्व देता है। संदर्भ विशिष्ट स्थितियों का वर्णन करते हैं — हवाई अड्डे की यात्रा, भीड़ का समय, भ्रमण यात्रा इत्यादि।
ऐसी मार्किंग केवल प्रशिक्षण के लिए ही महत्वपूर्ण नहीं है। इसका उपयोग मूल्यांकन के मानक मानदंड — "रूब्रिक्स" स्थापित करने के लिए किया जाता है, जिनसे सिस्टम के उत्तरों की तुलना की जाती है। इसके लिए धन्यवाद, कोई वस्तुनिष्ठ रूप से न्याय कर सकता है कि फ्रेमवर्क ने संवाद से प्राथमिकताओं और मार्ग के मापदंडों को कितनी सही ढंग से निकाला।
प्रयोग और परिणाम
दृष्टिकोण की कार्यक्षमता की पुष्टि करने के लिए, शोधकर्ताओं ने चार प्रयोग किए। उनमें से प्रत्येक ने एक अलग पहलू की जाँच की:
- समाधानों की व्यवहार्यता — क्या सिस्टम हमेशा वास्तविक, व्यवहार्य मार्ग सुझाता है।
- सूचना निष्कर्षण — रूटिंग मापदंडों और प्राथमिकताओं को कितनी सटीकता से पहचाना जाता है।
- समाधान सेट की गुणवत्ता और पूर्णता — फ्रेमवर्क कितने उपयुक्त विकल्प बनाता है और वे कितने अच्छे हैं।
- विलंबता और कम्प्यूटेशनल व्यवहार्यता — क्या सिस्टम स्वीकार्य समय में उत्तर दे पाता है।
परिणामों से पता चला कि ChatPlanner लगातार व्यवहार्य समाधान उत्पन्न करता है। बारीक ट्यूनिंग ने आवश्यक आउटपुट संरचना दी और सिस्टम को प्राथमिकताओं के सामान्य पैटर्न सीखने की अनुमति दी। RAG ने, बदले में, विशिष्ट अनुरोध का संदर्भ प्रदान किया — इसकी मदद से गलत और बोलचाल की अभिव्यक्तियों से निपटना और आकलनों को सही ढंग से कैलिब्रेट करना संभव हुआ। सबसे अच्छी सटीकता दोनों दृष्टिकोणों के संयुक्त उपयोग से प्राप्त होती है: सूचना निष्कर्षण न केवल अधिक सटीक होता है, बल्कि रूब्रिक के अनुरूप भी होता है।
विषयगत अध्ययनों में, फ्रेमवर्क ने यात्रियों की विभिन्न इच्छाओं को पूरा करने वाले और यात्रा के विभिन्न पहलुओं को छूने वाले समाधान खोजे। साथ ही, ऐसे मार्ग मौजूदा प्लानरों द्वारा छोड़ दिए गए थे। इसके अलावा, ChatPlanner ने अधिक विकल्प दिए, जिससे उपयोगकर्ता को सार्थक चयन मिलता है।

प्रदर्शन
लेखकों ने व्यावहारिक प्रयोज्यता पर विशेष ध्यान दिया। विलंबता माप पुष्टि करते हैं कि फ्रेमवर्क कम्प्यूटेशनल रूप से व्यवहार्य है: भारी भाषा मॉडल और अतिरिक्त RAG तंत्रों की भागीदारी के बावजूद, सिस्टम वास्तविक समय में काम कर सकता है। यह इस पक्ष में एक महत्वपूर्ण तर्क है कि यह दृष्टिकोण प्रयोगशाला में नहीं रहेगा, बल्कि वास्तविक यात्रा योजना सेवाओं का आधार बन सकता है।
निष्कर्ष
ChatPlanner पर शोध — एक नए प्रतिमान की ओर एक कदम है, जिसमें प्राकृतिक भाषा की समझ और परिवहन अनुकूलन अब अलग-अलग मौजूद नहीं हैं। यात्री से मापदंडों के स्पष्ट निर्धारण की माँग करने के बजाय, सिस्टम स्वयं उन्हें बातचीत से निकालता है। संवाद अनुकूलन प्रक्रिया का एक पूर्ण हिस्सा बन जाता है, और मार्ग खोज — एक व्यक्तिगत सेवा।
फिलहाल यह एक वैज्ञानिक विकास है, लेकिन इसके परिणाम ठोस दिखते हैं: fine-tuning और RAG का संयोजन उच्च सटीकता प्राप्त करने की अनुमति देता है, और प्रदर्शन स्वीकार्य बना रहता है। संभवतः, ऐसे इंटरफ़ेस जल्द ही शहरी परिवहन ऐप्स में दिखाई देंगे, और मार्ग का चयन कॉन्सियर्ज के साथ बातचीत जितना स्वाभाविक हो जाएगा।

अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं
यह अध्ययन जाँचता है कि क्या सीखने योग्य गतिशीलता मॉडल में भौतिक नियमों को शामिल करना उचित है: प्रक्षेप पथों से निकाले गए और ग्रोबनर आधारों के माध्यम से विहित रूप में लाए गए अपरिवर्तक पूर्वानुमानों में मामूली सुधार देते हैं, लेकिन निदान में प्रभावी साबित होते हैं—वे उल्लंघित बाधा का स्थान निर्धारित करने और विशिष्ट गलत पैरामीटर की पहचान करने में सक्षम बनाते हैं।
10 नवम्बर 2026
AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ
यह फ्रेमवर्क LLM एजेंटों के व्यवहार का आकलन अंतिम निर्णय के आधार पर नहीं, बल्कि अहम बिंदुओं पर जोखिम के प्रति उनकी प्रतिक्रिया के आधार पर करता है: टूल-कॉल की ट्रैजेक्टरी बीच में रोक दी जाती हैं, जिसके बाद मॉडल को अपना तर्क और कार्रवाई जारी रखनी होती है, जबकि LLM जजों का एक पैनल जोखिम की पहचान, कदम की प्रकृति और उसकी सुरक्षा का विश्लेषण करता है। R-Judge की 157 ट्रैजेक्टरी से संकलित 1249 कार्यों में, 20 मॉडलों में सुरक्षित रास्ता न होने पर असुरक्षित कार्रवाइयाँ बढ़ जाती हैं, और निष्पादन से पहले निगरानी हटाने पर शुरुआत में सुरक्षित रहे 52,3% मामले असुरक्षित हो जाते हैं।
10 नवम्बर 2026
चेर्न–साइमन रिज़र्वॉयर की स्मृति: संयोजकता की स्वायत्त गतिशीलता और घनत्व का परिवहन
यह लेख बताता है कि रिज़र्वॉयर इनपुट संकेतों का इतिहास घनत्व वितरण और ज्यामितीय स्वतंत्रता की डिग्रियों—दोनों में कैसे बनाए रखता है। चार तंत्रों की तुलना से पता चलता है कि धारा एक अलग संयोजकता घटक बनाती है, जो घनत्व की बाद की प्रतिक्रिया को बदलती है, जबकि सभी मापे गए लक्षणों को शामिल करने से पल्स के क्रम को डिकोड करने में थोड़ा सुधार होता है।
10 नवम्बर 2026