ফাইন-টিউনিং ছাড়াই উৎসের SQL উপস্থাপনার মাধ্যমে LLM-এর হ্যালুসিনেশন যাচাই করা

9 নভেম্বর 2026১৬ প্রদর্শন

এই গবেষণায় যাচাই করা হয়েছে, হ্যালুসিনেশন শনাক্তকরণে তত্ত্বাবধান ছাড়াই উৎসের সঙ্গে সংযোগ স্থাপনের জন্য LLM কি একটি মৌলিক প্রতীকী দক্ষতা—উৎস নথি থেকে SQL ডেটাবেস তৈরি—ব্যবহার করতে পারে। RAGTruth ও DiaHalu-তে এই নিউরো-সিম্বলিক পাইপলাইনটি সরাসরি পূর্বাভাসের চেয়ে বেশি নির্ভুল এবং অত্যাধুনিক পদ্ধতিগুলোর সঙ্গে তুলনীয়, অথচ বিষয়ভিত্তিক সূক্ষ্ম-টিউনিংয়ের প্রয়োজন হয় না।

ফাইন-টিউনিং ছাড়াই উৎসের SQL উপস্থাপনার মাধ্যমে LLM-এর হ্যালুসিনেশন যাচাই করা

হ্যালুসিনেশন শনাক্তকরণের কাজ

হ্যালুসিনেশন হলো ভাষা মডেলের এমন আউটপুট, যা বাস্তবে ভুল বা উৎস দ্বারা সমর্থিত নয়। LLM-এর যুক্তি-প্রক্রিয়ার অস্বচ্ছতার কারণে এ ধরনের আউটপুট শনাক্ত করা কঠিন। মডেলের আউটপুট কেন ভুল হতে পারে, তা স্পষ্ট নয়।

এই নিবন্ধে তত্ত্বাবধান ছাড়া হ্যালুসিনেশন শনাক্তকরণ নিয়ে গবেষণা করা হয়েছে। এই পদ্ধতিতে মডেলের অভ্যন্তরীণ আত্মবিশ্বাসের বদলে উৎসের সঙ্গে আউটপুট যাচাই করা হয়। উপসংহার: যাচাইয়ের জন্য একটি বাহ্যিক ভিত্তি প্রয়োজন—উৎস নথি।

উৎসের উপস্থাপনা হিসেবে SQL ডেটাবেস

লেখকেরা ভাষা মডেলকে উৎস নথির ভিত্তিতে একটি SQL ডেটাবেস তৈরি করার দায়িত্ব দেওয়ার প্রস্তাব করেন। ডেটাবেসটি উৎসের তথ্যের একটি কাঠামোবদ্ধ উপস্থাপনা হয়ে ওঠে। এরপর উৎস ও তৈরি করা উত্তর সম্পর্কে যুক্তি করতে ডেটাবেসটি ব্যবহার করা হয়।

উপসংহার: SQL উপস্থাপনা যাচাইকে ডেটা কোয়েরির আওতায় নিয়ে আসে।

যাচাইয়ের নিউরোসিম্বলিক পাইপলাইন

হ্যালুসিনেশন শনাক্তকরণের পাইপলাইনটি নির্মিত ডেটাবেসের ওপর ভিত্তি করে তৈরি। এটি নিউরোসিম্বলিক যাচাই সম্ভব করে। পাইপলাইনটি ভাষা মডেল এবং SQL ডেটাবেসের সঙ্গে প্রতীকী অপারেশনের সমন্বয় ঘটায়। উৎস ও তৈরি করা উত্তরের ভিত্তিতে যাচাই করা হয়।

উপসংহার: কোয়েরির মাধ্যমে যাচাইয়ের ধাপটি স্পষ্ট ও পুনরুৎপাদনযোগ্য হয়ে ওঠে।

সরাসরি পূর্বাভাসের সঙ্গে তুলনা

RAGTruth এবং DiaHalu ডেটাসেটে এই পদ্ধতি সরাসরি পূর্বাভাসকে ছাড়িয়ে যায়। এটি হ্যালুসিনেশন শনাক্তকরণের অগ্রসর পদ্ধতিগুলোর সঙ্গে প্রতিদ্বন্দ্বিতা করে। এই পদ্ধতিতে বিষয়-নির্দিষ্ট ফাইন-টিউনিংয়ের প্রয়োজন হয় না। এটি LLM-এর আগে থেকেই থাকা নিম্নস্তরের সাধারণ সক্ষমতার ওপর নির্ভর করে।

| মানদণ্ড | সরাসরি পূর্বাভাস | SQL ডেটাবেসভিত্তিক পদ্ধতি | | কী ব্যবহার করে | LLM সরাসরি মূল্যায়ন দেয় | উৎসের ভিত্তিতে SQL ডেটাবেস এবং নিউরোসিম্বলিক যাচাই | | বিষয়-নির্দিষ্ট ফাইন-টিউনিং | উল্লেখ করা হয়নি | প্রয়োজন হয় না | | RAGTruth এবং DiaHalu-তে ফলাফল | SQL পদ্ধতির চেয়ে পিছিয়ে | সরাসরি পূর্বাভাসকে ছাড়িয়ে যায় এবং অগ্রসর পদ্ধতিগুলোর সঙ্গে প্রতিদ্বন্দ্বিতা করে |

উপসংহার: SQL পদ্ধতি উৎসের ওপর নির্ভরযোগ্য, যাচাইযোগ্য ভিত্তি দেয়। নিবন্ধটি GroundLM EMNLP 2026 Workshop-এ গৃহীত হয়েছে।

পদ্ধতি বেছে নেওয়ার ব্যবহারিক মানদণ্ড

পদ্ধতি বেছে নেওয়ার মানদণ্ডে কয়েকটি শর্ত রয়েছে:

  • উৎস নথি থাকতে হবে;
  • উৎসের ভিত্তিতে SQL ডেটাবেস তৈরি করা সম্ভব হতে হবে;
  • বিষয়-নির্দিষ্ট ফাইন-টিউনিংয়ের প্রয়োজন হবে না;
  • উৎস ও তৈরি করা উত্তরের ভিত্তিতে যাচাই হতে হবে।

এই পদ্ধতি LLM-এর নিম্নস্তরের প্রতীকী সক্ষমতার ওপর নির্ভর করে, যেমন SQL। উপসংহার: যাচাই যখন উৎসের ওপর নির্ভর করে এবং বিষয়-নির্দিষ্ট ফাইন-টিউনিংয়ের প্রয়োজন হয় না, তখন এই পদ্ধতি উপযুক্ত।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
MathAdv: মেশিন-উৎপন্ন প্রমাণের চূড়ান্ত নির্ভুলতার আড়ালে কী লুকিয়ে আছে
সংবাদ

MathAdv: মেশিন-উৎপন্ন প্রমাণের চূড়ান্ত নির্ভুলতার আড়ালে কী লুকিয়ে আছে

গণিতের ১৩টি বিশ্ববিদ্যালয় ও স্নাতকোত্তর শাখার কাজ নিয়ে তৈরি এই ডায়াগনস্টিক সেটটি Lean 4-এ মেশিন প্রুফ সিস্টেমকে শুধু চূড়ান্ত ফলাফলের ভিত্তিতে নয়, বিষয়জ্ঞান, অনানুষ্ঠানিক যুক্তির গুণমান এবং শর্তাবলি নতুনভাবে উপস্থাপন করা হলে তা সামাল দেওয়ার সক্ষমতার ভিত্তিতেও মূল্যায়ন করে। উপাদানভিত্তিক বিশ্লেষণে দেখা যায়, কোনো সমস্যাকে আনুষ্ঠানিক রূপে রূপান্তর করা এখনও প্রধান বাধা; আর সাফল্য গণিতের শাখা ও সমস্যা উপস্থাপনের পদ্ধতির ওপর অনেকটাই নির্ভর করে।

9 নভেম্বর 2026
AffordanceWAM: দৃশ্য পূর্বাভাস ও ম্যানিপুলেটর নিয়ন্ত্রণের মধ্যস্থতাকারী হিসেবে অ্যাফোর্ড্যান্সগুলি
গবেষণা

AffordanceWAM: দৃশ্য পূর্বাভাস ও ম্যানিপুলেটর নিয়ন্ত্রণের মধ্যস্থতাকারী হিসেবে অ্যাফোর্ড্যান্সগুলি

এই কাজটিতে এমন একটি জেনারেটিভ মডেলের বর্ণনা দেওয়া হয়েছে, যা একই সঙ্গে ভবিষ্যতের RGB পর্যবেক্ষণ, স্কেলার ফিল্ড ও অ্যাফোর্ড্যান্সের হিটম্যাপ এবং রোবটের অবিচ্ছিন্ন কমান্ড পূর্বাভাস দেয়। অ্যাকশন অ্যানোটেশন ও রিটার্গেটিং ছাড়াই মানুষের ভিডিও ব্যবহার করে এটি পারস্পরিক ক্রিয়ার বৈচিত্র্য বাড়ায়। RoboCasa, CALVIN ABC→D এবং বাস্তব কাজগুলোতে, শুধু RGB ও শুধু রোবটের ডেটার ওপর ভিত্তি করে তৈরি বেসলাইনগুলোর তুলনায় এই পদ্ধতি ধারাবাহিকভাবে ভালো ফল দেয়।

9 নভেম্বর 2026
নিয়ন্ত্রিত অপারেশন হিসেবে প্রেজেন্টেশন সম্পাদনা: EditPPT ফ্রেমওয়ার্ক এবং DeckEdit-Bench বেঞ্চমার্ক
সংবাদ

নিয়ন্ত্রিত অপারেশন হিসেবে প্রেজেন্টেশন সম্পাদনা: EditPPT ফ্রেমওয়ার্ক এবং DeckEdit-Bench বেঞ্চমার্ক

লেখকেরা কোডের অবাধ জেনারেশনের বদলে স্লাইড সম্পাদনাকে নির্দিষ্ট অবজেক্ট, অনুমোদিত কার্যকলাপ এবং বাইরের বিষয়বস্তু অপরিবর্তিত রয়েছে কি না তা যাচাই করার ভিত্তিতে বিশ্লেষণ করেছেন। গুণমান পরিমাপের জন্য তৈরি করা হয়েছে DeckEdit-Bench (মানুষের তৈরি 28টি প্রেজেন্টেশনে 183টি কাজ), আর পাঁচটি বেস মডেলে মাল্টি-এজেন্ট পদ্ধতি EditPPT 97%-এর বেশি বিষয়বস্তু অক্ষত রেখে 66,7–74,9% কাজ সফলভাবে সম্পন্ন করে।

8 নভেম্বর 2026
ফাইন-টিউনিং ছাড়াই উৎসের SQL উপস্থাপনার মাধ্যমে LLM-এর হ্যালুসিনেশন যাচাই করা