LLM एजेंटों का निष्पादन नियंत्रण: प्रगति का आकलन और रोकने का अधिकार जनरेटर के बाहर रखने से एक-तिहाई टोकन बचते हैं
प्रीप्रिंट उस स्थिति का वर्णन करता है जिसमें भाषा एजेंट लक्ष्य प्राप्त करने के बाद भी कम उपयोगी सुधार और जाँच जारी रखता है, और इसकी वजह एक ऐसे स्व-सुदृढ़ीकरण चक्र को बताता है जिसमें सृजन, प्रगति का मूल्यांकन और रुकने का निर्णय अलग-अलग नहीं होते। अनिश्चितता को ध्यान में रखने वाला प्रस्तावित वैश्विक नियंत्रण स्तर सफलता दर को लगभग 96.6% पर बनाए रखता है और साथ ही टोकन की औसत खपत 36.4% घटाता है, हालाँकि निष्कर्ष अभी यांत्रिक सिमुलेशन पर आधारित हैं।
LLM Parkinsonism क्या है
LLM Parkinsonism शब्द एक संकीर्ण, गैर-नैदानिक रूपक के तौर पर पेश किया गया है। यह उस स्थिति का वर्णन करता है जिसमें किसी कार्य के लिए कार्रवाइयों का महत्व घटने के बावजूद उन्हें लगातार जारी रखा जाता है।
इस व्यवहार के संकेत:
- एजेंट मूल लक्ष्य हासिल करने के बाद भी काम करता रहता है;
- कम महत्व वाले सुधार करता है;
- बार-बार जाँच शुरू करता है;
- खुद पैदा की गई जटिलता को ठीक करता है।
निष्कर्ष: यह रूपक नियंत्रण की विफलता की ओर इशारा करता है, न कि किसी नैदानिक समानता की ओर।
एक ही लूप में आत्म-नियंत्रण समस्या को क्यों बढ़ाता है
लेखक समस्या को केवल अगले टोकन की ऑटोरिग्रेसिव भविष्यवाणी से नहीं जोड़ते। इसकी एक वजह चार कार्यों का एक ही लूप में केंद्रित होना भी है।
- सुझाव तैयार करना;
- कार्य-क्षेत्र की व्याख्या करना;
- प्रगति का आकलन करना;
- रुकने का अधिकार।
ऐसा लूप आत्म-सुदृढ़ीकरण के साथ काम करता है। आकलन, निर्माण और रुकना एक-दूसरे को प्रभावित करते हैं।
निष्कर्ष: आत्म-सुदृढ़ीकरण को तोड़ने के लिए कुछ कार्यों को जनरेटर से बाहर रखना ज़रूरी है।
Global Executive Control: जनरेटर से बाहर क्या रखा जाता है
Global Executive Control (GEC) v0.2 अनिश्चितता को ध्यान में रखने वाला एक नियंत्रण आर्किटेक्चर है। यह कार्रवाई तैयार करने को परियोजना-स्तर के नियंत्रण से अलग करता है।
जनरेटर से बाहर रखे जाते हैं:
- कार्य-क्षेत्र;
- साक्ष्य;
- संसाधनों की खपत;
- रुकना।
परियोजना-स्तर के नियंत्रण को रुकने का अधिकार और प्रगति का आकलन मिलता है। जनरेटर कार्रवाइयों के लिए ज़िम्मेदार होता है।
निष्कर्ष: व्यावहारिक कसौटी यह है कि प्रगति का आकलन और रुकना, जनरेशन लूप के बाहर होना चाहिए।
माप क्या दिखाते हैं
बेंचमार्क में तुलनीय उम्मीदवारों और 40,000 टोकन की साझा सीमा के साथ 24,000 एपिसोड शामिल थे। तीन विकल्पों की तुलना की गई।
| नियंत्रण विकल्प | सख्त लक्ष्य में सफलता |
|---|---|
| पहले उम्मीदवार के साथ आधारभूत विकल्प | 67.42% |
| उम्मीदवारों के सेट के साथ स्थानीय नियंत्रण | 96.53% |
| GEC | 96.57% |
कार्रवाई के कई विकल्पों तक पहुँच, सफलता में हुई अधिकांश बढ़ोतरी को समझाती है। GEC ने सफलता दर बनाए रखी और टोकन का औसत उपयोग घटाया।
- टोकन का औसत उपयोग: 19,782 से घटकर 12,574 (36.4%);
- 40,000 टोकन की अधिकतम सीमा के भीतर पूरा होने तक टोकन की सीमित औसत संख्या: 16,136 से घटकर 13,114 (18.7%)।
GEC ने कार्य पूरा होने से पहले मापे गए विचलन को खत्म किया और अनावश्यक जटिलता को तेज़ी से घटाया। प्रति चक्र अधिकतम 500 कृत्रिम नियंत्रण टोकन जोड़ने पर भी नियंत्रण के अतिरिक्त खर्चों के प्रति संवेदनशीलता अनुकूल बनी रही।
निष्कर्ष: सफलता में मुख्य बढ़ोतरी उम्मीदवारों के सेट से आती है; GEC इसके साथ टोकन की बचत और जटिलता पर नियंत्रण जोड़ता है।
नियंत्रण चुनने के व्यावहारिक मानदंड
पाँच शर्तें जाँचनी चाहिए:
- प्रगति का बाहरी आकलन जनरेटर से अलग हो;
- रुकने का अधिकार जनरेशन लूप के बाहर हो;
- कार्रवाई के कई उम्मीदवार उपलब्ध हों;
- संसाधनों की खपत का हिसाब रखा जाए;
- अनिश्चितता को ध्यान में रखा जाए।
निष्कर्ष: अगर ये कार्य जनरेटर के भीतर ही रहते हैं, तो कम महत्व वाले सुधारों और अतिरिक्त टोकन का जोखिम बना रहता है।
सीमाएँ और आगे क्या जाँचना है
नतीजे यांत्रिक सिमुलेशन से प्राप्त हुए हैं। लेखकों का मानना है कि वे कार्य-क्षेत्र, साक्ष्य, संसाधनों की खपत और रुकने के स्पष्ट नियंत्रण का समर्थन करते हैं।
सीमाएँ:
- वास्तविक मॉडलों पर जाँच अब भी ज़रूरी है;
- यांत्रिक सिमुलेशन ऐसी जाँच की जगह नहीं ले सकते।
निष्कर्ष: आर्किटेक्चर का सिद्धांत तर्कसंगत लगता है, लेकिन जाँच के बिना इन आँकड़ों को वास्तविक LLM पर लागू नहीं किया जा सकता।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
इंटरैक्टिव XR विकास में कोडिंग एजेंटों का मूल्यांकन: GenXR-Bench के निष्कर्ष
GenXR-Bench प्रकाशित किया गया है—इंटरैक्टिव XR विकास में coding एजेंटों के एंड-टू-एंड मूल्यांकन के लिए 112 विशेषज्ञ कार्यों का एक सेट: सुविधाओं को बेहतर बनाने और दोषों को ठीक करने से लेकर उपभोक्ता उपकरणों पर व्यवहार की जाँच के साथ ऐप्लिकेशन बनाने तक। परीक्षण किए गए दस मॉडलों में सर्वश्रेष्ठ परिणाम 50,9% Pass@1 रहा; बार-बार सामने आने वाली विफलताओं में सेंसर की असिंक्रोनस घटनाओं को संभालना, वस्तुओं को वास्तविक स्थान से जोड़ना और भौतिक संदर्भ में अंतःक्रिया को समझना शामिल हैं।
5 नवम्बर 2026
स्केलर पुरस्कार से पारेतो फ्रंट तक: बहु-उद्देश्यीय रीइन्फोर्समेंट लर्निंग के साथ RTL का LLM संश्लेषण
एक भाषा मॉडल को एक ही डिज़ाइन के बजाय क्षेत्रफल, विलंबता और ऊर्जा खपत के बीच अलग-अलग समझौतों वाले RTL उम्मीदवारों का एक सेट तैयार करने के लिए प्रशिक्षित करने का तरीका प्रस्तावित किया गया है; इनाम की गणना पारेतो फ्रंट के हाइपरवॉल्यूम में प्रत्येक उम्मीदवार के योगदान के आधार पर की जाती है। RTLLM v2 पर, PPA अनुकूलन के बिना मूल संस्करण की तुलना में सापेक्ष हाइपरवॉल्यूम 13,3 प्रतिशत अंक और एकल-उद्देश्यीय सुदृढीकरण सीखने की तुलना में 14,4 प्रतिशत अंक बढ़ा।
5 नवम्बर 2026
मेडिकल LLMs दिशानिर्देशों में संशोधन के बारे में जान लेते हैं, लेकिन अक्सर पुराने नियमों के अनुसार जवाब देते हैं
1709 नैदानिक दिशानिर्देशों में हुए बदलावों पर ChronoEvo के अध्ययन से पता चलता है: मुख्य मॉडल में 90,8% उत्तरों ने नए बदलाव को दर्ज किया, लेकिन केवल 58,5% ने उसे पूरी तरह लागू किया; 32,3 प्रतिशत अंकों का यह अंतर 14 मॉडलों में बना रहा। अपडेट को अधिक प्रमुखता देने से भी नए नियमों को नैदानिक दिशानिर्देश में पूरी तरह शामिल करने में कोई महत्वपूर्ण बढ़ोतरी नहीं हुई।
4 नवम्बर 2026