प्रेज़ेंटेशन संपादन को नियंत्रित संचालन के रूप में: EditPPT फ़्रेमवर्क और DeckEdit-Bench बेंचमार्क

8 नवम्बर 202620 बार देखा गया

लेखक स्लाइड संपादन को विशिष्ट ऑब्जेक्ट, अनुमत कार्रवाइयों और इस जाँच में बाँटते हैं कि असंबंधित सामग्री अछूती रही है, न कि कोड के मुक्त रूप से निर्माण में। गुणवत्ता मापने के लिए DeckEdit-Bench बनाया गया (28 मानव-निर्मित प्रस्तुतियों पर 183 कार्य), और पाँच आधारभूत मॉडलों पर बहु-एजेंट प्रणाली EditPPT, 97% से अधिक सामग्री सुरक्षित रखते हुए 66.7–74.9% कार्यों में सफल होती है।

प्रेज़ेंटेशन संपादन को नियंत्रित संचालन के रूप में: EditPPT फ़्रेमवर्क और DeckEdit-Bench बेंचमार्क

स्लाइड संपादन एक सीमित ऑपरेशन के रूप में

स्लाइडों को विश्वसनीय रूप से संपादित करने के लिए निर्धारित ऑब्जेक्ट्स में सटीक बदलाव करना और प्रस्तुति के बाकी हिस्से को सुरक्षित रखना ज़रूरी है। इस काम के लेखक संपादन को एक संरचित, सीमित बदलाव के रूप में देखने का सुझाव देते हैं। खुली शैली में कोड जनरेट करने से मॉडल को स्वतंत्रता मिलती है, लेकिन आस-पास के तत्वों के सुरक्षित रहने की गारंटी नहीं मिलती।

संपादन अनुरोध को तीन हिस्सों में बाँटा जाता है:

  • वे ऑब्जेक्ट्स जिनमें बदलाव करना है;
  • उन ऑब्जेक्ट्स पर लागू किए जाने वाले ऑपरेशन;
  • प्रस्तुति की वह स्थिति जिसे सुरक्षित रखना है।

यह विश्लेषण काम शुरू होने से पहले उसकी सीमाएँ तय करता है। मॉडल को «स्लाइड ठीक करो» जैसा सामान्य निर्देश नहीं, बल्कि लक्ष्यों और बाधाओं का एक ठोस समूह मिलता है। इससे अनचाहे बदलावों का जोखिम घटता है।

व्यावहारिक मानदंड: संपादन से पहले लक्षित ऑब्जेक्ट्स, ऑपरेशन और सुरक्षित रखी जाने वाली स्थिति को स्पष्ट रूप से दर्ज करना चाहिए। इसके बिना यह जाँचना संभव नहीं कि निर्देश पूरा हुआ या नहीं और कहीं अनावश्यक आकृतियों में बदलाव तो नहीं हुआ।

DeckEdit-Bench इरादतन और अनचाहे बदलावों में फ़र्क कैसे करता है

मूल्यांकन के लिए लेखकों ने DeckEdit-Bench बनाया। इस बेंचमार्क में मनुष्यों द्वारा बनाई गई 28 प्रस्तुतियों पर संपादन के 183 कार्य शामिल हैं। लक्षित ऑब्जेक्ट्स और सुरक्षित रखे जाने वाले ऑब्जेक्ट्स को आकृति के स्तर पर लेबल किया गया है। इरादतन और अनचाहे बदलावों का मूल्यांकन मुख्य रूप से नियतात्मक नियमों से किया जाता है।

बेंचमार्क दो तरह के बदलावों को दर्ज करता है: इरादतन और अनचाहे। इस विभाजन से सिर्फ़ संपादन के नतीजे ही नहीं, बल्कि उसके दुष्प्रभावों की भी जाँच की जा सकती है।

मूल्यांकन की संरचना को इस तरह दिखाया जा सकता है:

किसका मूल्यांकन किया जाता हैमूल्यांकन की संरचना
कार्यों का समूहमनुष्यों द्वारा बनाई गई 28 प्रस्तुतियों पर 183 कार्य
लेबलिंगआकृति के स्तर पर लक्षित ऑब्जेक्ट्स और सुरक्षित रखे जाने वाले ऑब्जेक्ट्स
बदलावइरादतन और अनचाहे, मुख्य रूप से नियतात्मक नियम

बेंचमार्क एक साथ दो नतीजों की जाँच करता है: क्या निर्देश पूरा हुआ और क्या ज़रूरी ऑब्जेक्ट्स सुरक्षित रहे। यह तरीका उपयोगी संपादन को दुष्प्रभाव वाले बदलाव से अलग करता है। व्यावहारिक मानदंड: संपादन के मूल्यांकन में लक्षित ऑब्जेक्ट में बदलाव की पुष्टि के साथ-साथ उसके सुरक्षित रहने की जाँच भी शामिल होनी चाहिए।

EditPPT की संरचना: एजेंट, टूल और जाँच

EditPPT एक मल्टी-एजेंट फ़्रेमवर्क है। यह संपादन से पहले लक्षित ऑब्जेक्ट्स तय करता है। हर विशेषीकृत एजेंट को पहले से तय किए गए 37 टूल्स के एक उपसमूह तक सीमित रखा जाता है। काम पूरा होने के बाद फ़्रेमवर्क जाँचता है कि निर्देश पूरा हुआ या नहीं और ज़रूरी ऑब्जेक्ट्स सुरक्षित रहे या नहीं। असफल बदलावों को ठीक किया जाता है या वापस पलट दिया जाता है।

काम के चरण:

  1. संपादन से पहले लक्षित ऑब्जेक्ट्स तय करना।
  2. विशेषीकृत एजेंट को पहले से तय किए गए 37 टूल्स के एक उपसमूह तक सीमित रखना।
  3. निर्देश के पालन और ज़रूरी ऑब्जेक्ट्स के सुरक्षित रहने की जाँच करना।
  4. असफल बदलावों को ठीक करना या वापस पलट देना।

टूल्स के समूह को सीमित करने से एजेंट के लिए उपलब्ध कार्रवाइयों का दायरा घट जाता है। जाँच और बदलाव को वापस पलटने की सुविधा काम पूरा होने के बाद नियंत्रण जोड़ती है। व्यावहारिक मानदंड: विश्वसनीय संपादन के लिए सिर्फ़ मॉडल नहीं, बल्कि बदलावों को लागू करने पर सीमाएँ भी ज़रूरी हैं।

पाँच बेस मॉडल पर नतीजे

पाँच बेस मॉडल पर EditPPT की Task Success दर 66.7–74.9% है। वहीं Preservation 97% से ऊपर रहती है। ये नतीजे दिखाते हैं कि संपादन कार्य पूरे करते हुए फ़्रेमवर्क प्रस्तुति की सामग्री को सुरक्षित रखता है।

विशिष्ट कार्यों पर फ़ाइन-ट्यून न किए गए खुले 27B मॉडल के साथ, Task Success में EditPPT, Claude Code with Sonnet 5 के करीब पहुँचता है। साथ ही, यह मूल प्रस्तुति को बेहतर ढंग से सुरक्षित रखता है। यह तुलना इसलिए महत्वपूर्ण है क्योंकि खुले मॉडल को विशिष्ट कार्यों पर फ़ाइन-ट्यून नहीं किया गया था।

स्थितिTask SuccessPreservation
EditPPT के साथ पाँच बेस मॉडल66.7–74.9%97% से ऊपर
EditPPT के साथ फ़ाइन-ट्यून न किया गया खुला 27B मॉडलClaude Code with Sonnet 5 के करीब पहुँचता हैमूल प्रस्तुति को बेहतर ढंग से सुरक्षित रखता है

लेखकों का निष्कर्ष है कि स्लाइड संपादन की विश्वसनीयता सिर्फ़ मॉडल के आकार पर नहीं, बल्कि बदलावों को लागू करने पर लगी सीमाओं पर भी निर्भर करती है। व्यावहारिक मानदंड: तरीका चुनते समय सिर्फ़ मॉडल का आकार नहीं, बल्कि सीमाएँ लागू करने और जाँच करने की व्यवस्था भी देखनी चाहिए।

प्रस्तुति संपादन के व्यावहारिक मानदंड

फ़्रेमवर्क और बेंचमार्क संपादन की व्यवस्था के लिए कई मानदंड देते हैं। इनके लिए खुली शैली में कोड जनरेट करने की ज़रूरत नहीं होती और ये स्पष्ट सीमाओं पर आधारित हैं।

मानदंड:

  • संपादन शुरू होने से पहले लक्षित ऑब्जेक्ट्स तय हों;
  • सुरक्षित रखे जाने वाले ऑब्जेक्ट्स अलग से दर्ज हों;
  • एजेंट टूल्स के सीमित समूह के साथ काम करे;
  • निर्देश के पालन के लिए नतीजे की जाँच हो;
  • प्रस्तुति की सामग्री सुरक्षित रहने की अलग से जाँच हो;
  • असफल बदलावों को ठीक किया जाए या वापस पलट दिया जाए।

ये मानदंड टूल्स के मूल्यांकन और प्रक्रिया बनाने, दोनों पर लागू होते हैं। मुख्य निष्कर्ष: संपादन की विश्वसनीयता नियंत्रित ऑपरेशनों और सामग्री सुरक्षित रहने की जाँच पर निर्भर करती है। मॉडल का आकार महत्वपूर्ण है, लेकिन वह बदलावों को लागू करने पर लगी सीमाओं की जगह नहीं ले सकता।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
उम्मीदवारों का सत्यापन उन्हें उत्पन्न करने से अधिक महँगा है: LLM-आधारित भेद्यता खोज के विरुद्ध प्रलोभन
समाचार

उम्मीदवारों का सत्यापन उन्हें उत्पन्न करने से अधिक महँगा है: LLM-आधारित भेद्यता खोज के विरुद्ध प्रलोभन

इस काम में एजेंट-आधारित दोष खोज की लागत संबंधी विषमता का विश्लेषण किया गया है: संस्करण बनाना सस्ता है, जबकि पहुँच-योग्यता विश्लेषण, निष्पादन और PoC के ज़रिए उनकी पुष्टि करने में अधिकांश बजट खर्च होता है। इसलिए सत्यापन को रक्षा का एक स्वतंत्र लक्ष्य बनाया जा सकता है। प्रस्तावित RedHerring—रिपॉज़िटरी के अनुरूप ढाली गई, सीलबंद प्रमाणपत्र वाली decoy—ने समान लागत पर 33 OSS-Fuzz परियोजनाओं में पाई गई वास्तविक कमज़ोरियों की संख्या 38.7–60.4% तक घटा दी; एजेंट को चेतावनी देने के बाद भी यह गिरावट 37.2% पर बनी रही।

9 नवम्बर 2026
बिना फ़ाइन-ट्यूनिंग के स्रोतों के SQL व्यू के ज़रिए LLM के भ्रमों की जाँच
समाचार

बिना फ़ाइन-ट्यूनिंग के स्रोतों के SQL व्यू के ज़रिए LLM के भ्रमों की जाँच

यह काम जाँचता है कि क्या LLM मतिभ्रम का पता लगाने के लिए बिना पर्यवेक्षण के स्रोत से जोड़ने हेतु एक बुनियादी प्रतीकात्मक कौशल—स्रोत दस्तावेज़ों के आधार पर SQL डेटाबेस बनाना—का उपयोग कर सकता है। RAGTruth और DiaHalu पर यह न्यूरो-सिम्बॉलिक पाइपलाइन सीधे भविष्यवाणी करने से अधिक सटीक साबित होती है और अत्याधुनिक तरीकों के बराबर प्रदर्शन करती है, जबकि इसके लिए डोमेन-विशिष्ट फ़ाइन-ट्यूनिंग की आवश्यकता नहीं होती।

9 नवम्बर 2026
MathAdv: मशीन-निर्मित प्रमाणों की अंतिम सटीकता के पीछे क्या छिपा है?
समाचार

MathAdv: मशीन-निर्मित प्रमाणों की अंतिम सटीकता के पीछे क्या छिपा है?

गणित के 13 स्नातक और स्नातकोत्तर विषयों के कार्यों का यह नैदानिक ​​समूह Lean 4 में स्वचालित प्रमेय-प्रमाणन प्रणालियों का मूल्यांकन केवल अंतिम परिणाम के आधार पर नहीं, बल्कि विषय पर उनकी पकड़, अनौपचारिक तर्क की गुणवत्ता और शर्तों को नए शब्दों में प्रस्तुत किए जाने पर उनकी मजबूती के आधार पर भी करता है। घटक-वार विश्लेषण से पता चलता है कि किसी समस्या को औपचारिक रूप में बदलना अब भी सबसे बड़ी बाधा है, और सफलता गणित के क्षेत्र तथा समस्या को प्रस्तुत करने के तरीके पर बहुत अधिक निर्भर करती है।

9 नवम्बर 2026
प्रेज़ेंटेशन संपादन को नियंत्रित संचालन के रूप में: EditPPT फ़्रेमवर्क और DeckEdit-Bench बेंचमार्क