शायद, रोबोट के लिए सबसे कठिन कार्यों में से एक यह समझना है कि इंसान को मदद की ज़रूरत है, और जब सब कुछ सामान्य रूप से चल रहा हो तो हस्तक्षेप न करना। Theory-of-Mind और मूर्त AI (embodied AI) के प्रतिच्छेदन पर बना एक नया बेंचमार्क ठीक इसी की जाँच करने का प्रस्ताव रखता है: एजेंट को स्वयं हस्तक्षेप करने का क्षण चुनना चाहिए, न कि केवल किसी और की स्थिति की 'सैद्धांतिक' समझ प्रदर्शित करनी चाहिए।
प्रश्नों से कार्यों की ओर
मूर्त एजेंटों के लिए मौजूदा ToM-बेंचमार्क अक्सर एक ही पैटर्न पर बनाए जाते हैं: एजेंट को एक दृश्य दिखाया जाता है, और फिर उससे किसी इंसान के विश्वासों और इरादों के बारे में प्रश्न पूछे जाते हैं, या उसे परिदृश्य स्तर पर अगली कार्रवाई की भविष्यवाणी करने के लिए कहा जाता है। ऐसे परीक्षण बदलते परिवेश के साथ वास्तविक समय में बातचीत करने की क्षमता की तुलना में पूर्व-विश्लेषण (post-hoc) तर्क का अधिक मूल्यांकन करते हैं। इस बीच, यह निरंतर धारणा और समय पर प्रतिक्रिया ही है जो एक उपयोगी सहायक को 'परीक्षा में सही उत्तर देने वाले' एल्गोरिदम से अलग करती है।
सटीक हस्तक्षेप का बंद लूप
नया MindHelper चैलेंज इस कार्य को एक बंद लूप में बदल देता है। एजेंट को लगातार परिवेश का निरीक्षण करना चाहिए, दृश्य में प्रत्येक व्यक्ति के बारे में अलग-अलग विश्वास बनाए रखना चाहिए, यह समझना चाहिए कि व्यक्ति वास्तव में कब कठिनाई का सामना कर रहा है, और केवल उसी क्षण एक विशिष्ट क्रिया करनी चाहिए। इसका दूसरा पहलू भी उतना ही महत्वपूर्ण है: यदि हस्तक्षेप की आवश्यकता नहीं है, तो एजेंट को चुप रहना चाहिए और कुछ भी नहीं करना चाहिए।
आधार के रूप में पिछला रोबोट-केंद्रित दृष्टिकोण MindPower लिया गया है, जिसमें तर्क 'धारणा से क्रिया तक' के सिद्धांत पर चलता है। हालाँकि, नए परिदृश्य में यह पर्याप्त नहीं है: न केवल यह सही ढंग से तय करना आवश्यक है कि क्या करना है, बल्कि यह भी सही ढंग से तय करना आवश्यक है कि क्या बिल्कुल करना चाहिए। यह डिज़ाइन बेंचमार्क को वास्तविक दुनिया की बातचीत के करीब लाता है, जहाँ अत्यधिक मदद उसकी अनुपस्थिति से कम परेशान करने वाली नहीं हो सकती।
MindClaw कैसे काम करता है
ऐसी चुनौती को हल करने के लिए, लेखक MindClaw फ्रेमवर्क का प्रस्ताव करते हैं, जिसमें तीन घटक जुड़े होते हैं:
- अभिनेता की विश्वास तालिका — एक संरचना जहाँ वर्तमान क्षण में किसी विशिष्ट व्यक्ति के लक्ष्यों और ज्ञान के बारे में धारणाएँ संग्रहीत की जाती हैं।
- मूर्त संज्ञानात्मक कौशल — क्षमताओं का एक समूह जो एजेंट को न केवल तर्क करने, बल्कि परिवेश में शारीरिक क्रियाएँ करने में भी सक्षम बनाता है।
- ट्रिगर-आधारित संज्ञानात्मक डिस्पैचर — एक तंत्र जो मुख्य प्रश्न का उत्तर देता है: क्या हस्तक्षेप का कारण बना? डिस्पैचर या तो क्रिया शुरू करता है, या एजेंट को अवलोकन मोड में छोड़ देता है।
वास्तुकला एक 'संज्ञानात्मक पंजे' की याद दिलाती है: यह जानकारी को पकड़ती है, उसे विश्वासों के रूप में बनाए रखती है, और केवल तभी छोड़ती है जब पास में रोबोट के लिए कोई वास्तविक कार्य हो।
प्रयोगों ने क्या दिखाया
परिणाम काफी संकेतक हैं। MindClaw फ्रेमवर्क 36.63% सटीक हस्तक्षेप और 14.36% कार्य-समाधान सटीकता प्राप्त करता है। तुलना के लिए, प्रत्यक्ष VLM-बेसलाइन, जो प्रस्तावित वास्तुकला का उपयोग नहीं करते हैं, केवल 12.05% और 3.80% दिखाते हैं। दूसरे शब्दों में, हस्तक्षेप की गुणवत्ता में लगभग तीन गुना और कार्यों की सफलता में लगभग चार गुना का अंतर है।
यह पुष्टि करता है कि विश्वासों का एक स्पष्ट मॉडल और क्रियाओं के लिए एक अलग ट्रिगर होने से एजेंट को दृश्य-भाषा मॉडल के 'कच्चे' उपयोग की तुलना में उल्लेखनीय लाभ मिलता है। विशेष रूप से मूल्यवान यह है कि सफलता को उत्तरों की सटीकता से नहीं, बल्कि बंद लूप में सही व्यवहार से मापा जाता है: रोबोट को तब भी उतना ही सही होना चाहिए जब वह मदद करता है, और तब भी जब वह किनारे पर रहता है।
कार्य की स्थिति
नए बेंचमार्क के विवरण वाला प्रीप्रिंट arXiv पर पहचानकर्ता 2606.01063 के तहत प्रकाशित हुआ है। लेखकों के अनुसार, यह पेपर CVPR 2026 में प्रस्तुत पहले के MindPower कार्य का विस्तारित संस्करण है, और इसके साथ प्रयोगों का एक अतिरिक्त सेट भी है। v3 के रूप में चिह्नित वर्तमान संस्करण को 24 अगस्त 2026 को अपडेट किया गया था, और परियोजना अभी भी विकास की प्रक्रिया में है। इसलिए, यह संभावना है कि निकट भविष्य में इस दिशा में स्पष्टीकरण और नए परिणामों की उम्मीद की जानी चाहिए।
