कंपाइलर डायग्नोस्टिक्स पर आधारित Lean 4 में रणनीतियों की सीमित मरम्मत
एक चरण-दर-चरण मॉड्यूल पेश किया गया है, जो अस्वीकृत रणनीति को छोड़ने के बजाय, सुधारक मॉडल को Lean की त्रुटि के आधार पर उसे अधिकतम R बार सुधारने का निर्देश देता है; K उम्मीदवारों के साथ इससे हल की गई समस्याओं का अनुपात बढ़ता है। LeanDojo और Lean Workbook पर किए गए प्रयोगों से पता चलता है कि यह बढ़ोतरी मुख्यतः निष्पादन की सतही विफलताओं को ठीक करने से आती है, जिसकी कीमत खोज में लगने वाला अधिक समय है।

सीमित टैक्टिक मरम्मत क्या बदलती है
यह लेख Lean 4 में टैक्टिक की सीमित मरम्मत पर चर्चा करता है। मूल तरीका केवल टैक्टिक के नमूने पर निर्भर करता है और असफल चरण को छोड़ देता है। सीमित मरम्मत चरण को बनाए रखती है और कंपाइलर के निदान के आधार पर उसे सुधारती है। इससे खोज चुनी हुई दिशा नहीं खोती।
| तरीका | असफल टैक्टिक के साथ कार्रवाई | आधार |
|---|---|---|
| केवल नमूना लेना | चरण छोड़ देता है | टैक्टिक के उम्मीदवार |
| सीमित मरम्मत | चरण को उसी जगह सुधारती है | कंपाइलर का त्रुटि संदेश |
व्यावहारिक मानदंड: मरम्मत उम्मीदवारों के नमूने लेने की प्रक्रिया को पूरक बनाती है, उसका स्थान नहीं लेती।
कंपाइलर के निदान के साथ खोज का चरण कैसे काम करता है
खोज के चरण में एक सीमित ऑनलाइन मॉड्यूल काम करता है।
- खोज K टैक्टिक उम्मीदवार चुनती है।
- मॉडल असफल टैक्टिक को अधिकतम R बार सुधारता है।
- यह विधि कंपाइलर का त्रुटि संदेश पहले से प्रशिक्षित सुधार मॉडल को देती है।
- मॉडल अस्वीकृत चरण को छोड़ने के बजाय उसी जगह सुधारता है।

व्यावहारिक मानदंड: कंपाइलर का निदान चरण में स्थानीय बदलाव के लिए इनपुट का काम करता है।
K और R बजट
बजट दो पैरामीटर से तय होता है। K एक चरण में टैक्टिक उम्मीदवारों की संख्या सीमित करता है। R असफल टैक्टिक के सुधारों की संख्या सीमित करता है। मूल्यांकन में K = 1, 3, 5, 8 की जाँच की गई।
| पैरामीटर | भूमिका | मूल्यांकन क्या दिखाता है |
|---|---|---|
| K | एक चरण में टैक्टिक उम्मीदवारों की संख्या | 1, 3, 5, 8 मानों की जाँच की गई |
| R | असफल टैक्टिक के सुधारों की अधिकतम संख्या | मरम्मत से समय बढ़ता है, लेकिन अतिरिक्त प्रमाण मिलते हैं |
सुधार से निष्पादन का समय बढ़ता है, लेकिन अतिरिक्त प्रमाण खोजे जा सकते हैं। सीमित नमूने के साथ इसका सबसे अधिक लाभ मिलता है। इसका प्रभाव घटता जाता है: सुधार का पहला प्रयास कुल बढ़त का 84–96% देता है।
व्यावहारिक मानदंड: सीमित नमूने के साथ मरम्मत सबसे अधिक लाभ देती है, और अतिरिक्त सुधारों का प्रभाव घटता जाता है।
मूल्यांकन क्या दिखाता है
यह विधि जाँचे गए सभी K = 1, 3, 5, 8 मानों पर हल की गई समस्याओं का अनुपात बढ़ाती है। सापेक्ष बढ़त 32% तक पहुँचती है। LeanDojo बेंचमार्क के 1 990 प्रमेयों के उपसमूह में 82 अधिक प्रमेय हल किए गए। Lean Workbook बेंचमार्क पर हल की गई समस्याओं का अनुपात लगभग दोगुना हो गया। कोई प्रतिगमन नहीं हुआ।
व्यावहारिक मानदंड: जाँचे गए K बजटों पर मरम्मत से हल की गई समस्याओं के अनुपात में बढ़त मिलती है; मूल्यांकन इन सीमाओं से आगे नहीं जाता।
मरम्मत कहाँ मदद करती है और कहाँ नहीं
बढ़त का लगभग पूरा हिस्सा टैक्टिक निष्पादन की उथली विफलताओं से आता है। यह बढ़त संरचनात्मक त्रुटियों, जैसे प्रकारों के बेमेल होने, से लगभग जुड़ी नहीं है।
| विफलता का प्रकार | बढ़त से संबंध |
|---|---|
| टैक्टिक निष्पादन की उथली विफलता | बढ़त का मुख्य स्रोत |
| संरचनात्मक त्रुटि, जैसे प्रकारों का बेमेल होना | बढ़त से लगभग कोई संबंध नहीं |
व्यावहारिक मानदंड: मरम्मत का लक्ष्य टैक्टिक निष्पादन की उथली विफलताएँ हैं, संरचनात्मक त्रुटियाँ नहीं।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
Genesis Steering विधि: फ़ाइन-ट्यूनिंग के लिए उपयोग किए गए डेटा पर एक्टिवेशन स्टीयरिंग
यह विधि फ़ाइन-ट्यूनिंग डेटा में मौजूद कंट्रास्टिव उदाहरणों से नियंत्रण वेक्टर निकालती है और, उनके अनुपलब्ध होने पर, मेंबरशिप इन्फ़रेंस के ज़रिए संभावित प्रशिक्षण नमूने चुनकर एक प्रॉक्सी डेटासेट तैयार करती है। सैद्धांतिक भाग निर्णय सीमा की ओर इष्टतम विस्थापन और प्रॉक्सी डेटा के आधार पर अनुमान का वर्णन करता है; अनुभवजन्य रूप से, Tülu-3-8B के आंतरिक डेटा का प्रभाव बाहरी डेटासेट की तुलना में अधिक स्पष्ट है, जबकि Llama-3.1-8B-Instruct पर MIA-प्रॉक्सी की उपयोगिता दिशा-विस्थापनों के अनुपात से सीमित है।
16 नवम्बर 2026
विरल विशेषज्ञों के साथ इन-कॉन्टेक्स्ट सारणीबद्ध शिक्षण: कॉम्पैक्ट OrionMoE-Small-v1.0
टैब्युलर कार्यों के लिए एक कॉम्पैक्ट बेस मॉडल प्रस्तुत किया गया है, जो पैरामीटर को फ़ाइन-ट्यून किए बिना लेबल वाली संदर्भ तालिका के आधार पर नए अवलोकनों की भविष्यवाणी करता है। डेटासेट और फ़ीचर प्रस्तुतियों के आधार पर विशेषज्ञों का अनुकूल चयन प्रतिस्पर्धी परिणाम देता है, विशेष रूप से कम संदर्भ और उच्च आयाम की स्थिति में।
15 नवम्बर 2026
अविश्वसनीय भविष्यवाणियों वाली प्रोफ़ाइलों के लिए कॉवेरिएट शिफ्ट की स्थानीय खोज
लेख एक नैदानिक पाइपलाइन का वर्णन करता है, जो पहले मॉडल के कम आत्मविश्वास वाले व्याख्यायोग्य रोगी समूहों की पहचान करती है और फिर इन समूहों के भीतर हानिकारक सहचर-परिवर्तन की मौजूदगी की जाँच करती है। तीन क्लिनिकल कार्यों और तीन कृत्रिम उपसमूह बदलावों के साथ MIMIC-IV पर किए गए प्रयोगों में, इस दृष्टिकोण ने उम्र-संबंधी बदलाव का पता लगाने में मदद की, जो समेकित मूल्यांकन में मुश्किल से दिखाई देता था।
15 नवम्बर 2026