सत्यापन योग्य कार्य और लंबी ट्रैजेक्टरीज़ पर फाइन-ट्यूनिंग: Navalia सहकारी LLM एजेंटों को कैसे मजबूत करता है

18 नवम्बर 20260 बार देखा गया

यह कार्य एक ऐसे फ्रेमवर्क का वर्णन करता है, जो कॉर्पोरेट वित्तीय रिपोर्टिंग के आधार पर पता लगाने योग्य साक्ष्यों वाली कम्प्यूटेशनल श्रृंखलाएँ बनाता है, उन्हें स्वतंत्र रूप से सत्यापित करता है और फिर SFT तथा RL के लिए उपयोग करता है। Qwen3.6-35B-A3B पर आधारित यह पाइपलाइन पाँच बेंचमार्क पर बेहतर परिणाम देती है और लेखकों के अनुसार, साक्ष्यों को जोड़ने, टूल्स का उपयोग करने और लंबे कार्यों को पूरा करने की क्षमता में सुधार करती है—जिसमें कार्यालय संबंधी परिदृश्य भी शामिल हैं।

सत्यापन योग्य कार्य और लंबी ट्रैजेक्टरीज़ पर फाइन-ट्यूनिंग: Navalia सहकारी LLM एजेंटों को कैसे मजबूत करता है

Navalia जिस समस्या का समाधान करता है

Navalia, Cowork Agents के लिए एक फ्रेमवर्क है। यह सत्यापन योग्य कार्यों के संश्लेषण को दीर्घ-क्षितिज पोस्ट-ट्रेनिंग के साथ जोड़ता है। वित्तीय विश्लेषण के लिए यह फ्रेमवर्क कॉर्पोरेट वित्तीय रिपोर्टों का उपयोग करता है।

Navalia तथ्यों के पूरे सेट से अर्थ की दृष्टि से सहायक साक्ष्य चुनता है। फिर यह निष्पादन योग्य गणना-श्रृंखलाएँ बनाता है। इस तरह फ्रेमवर्क ऐसे विश्लेषणात्मक कार्य बनाता है जिनमें साक्ष्य का पता लगाया जा सकता है और चरणों के बीच डेटा की तथ्यात्मक निर्भरताएँ होती हैं।

व्यावहारिक मानदंड: कोई कार्य सत्यापन योग्य संश्लेषण के लिए उपयुक्त है, यदि उसके साक्ष्य का पता लगाया जा सकता है और चरणों के बीच निर्भरताएँ हैं।

साक्ष्य और उत्तरों की जाँच

साक्ष्य की संगति और उत्तरों की शुद्धता की जाँच स्वतंत्र LLM समीक्षा और प्रोग्रामेटिक जाँचों से की जाती है। ये नियंत्रण के दो अलग-अलग तरीके हैं। पहला अर्थगत पक्ष का मूल्यांकन करता है, जबकि दूसरा औपचारिक शुद्धता का।

व्यावहारिक मानदंड: सत्यापन योग्य कार्य के लिए LLM समीक्षा और प्रोग्रामेटिक जाँचें—दोनों आवश्यक हैं।

दीर्घ-क्षितिज ट्रैजेक्टरी पर पोस्ट-ट्रेनिंग

सत्यापित कार्य ट्रैजेक्टरी एकत्र करने के लिए सामग्री देते हैं। Navalia cold-start supervised fine-tuning और reinforcement learning का उपयोग करता है। दोनों चरण दीर्घ-क्षितिज कार्य निष्पादन को बेहतर बनाते हैं।

Qwen3.6-35B-A3B पर आरंभ किया गया यह फ्रेमवर्क बेसलाइन मॉडल की तुलना में निरंतर सुधार दिखाता है। यह सुधार पाँचों बेंचमार्क पर दिखाई देता है। लेखकों के अनुसार, Navalia साक्ष्य एकीकरण, टूल के उपयोग और दीर्घ-क्षितिज कार्य निष्पादन को बेहतर बनाता है।

व्यावहारिक मानदंड: पोस्ट-ट्रेनिंग तब उपयोगी है, जब किसी कार्य के लिए कार्रवाइयों की लंबी श्रृंखला और टूल के उपयोग की आवश्यकता हो।

बेंचमार्क और परिणामों का स्थानांतरण

Navalia का मूल्यांकन पाँच बेंचमार्क पर किया जाता है: OfficeQA Pro, FinSearchComp, Finance Agent Benchmark, APEX-Agents-AA और Workspace-Bench-Lite। इन पाँचों पर फ्रेमवर्क बेसलाइन मॉडल की तुलना में निरंतर सुधार दिखाता है।

लेखकों के अनुसार, परिणाम Cowork के अधिक व्यापक परिदृश्यों में भी लागू होते हैं। इनमें सामान्य कार्यालयी कार्य शामिल हैं। व्यावहारिक मानदंड: देखें कि वित्तीय विश्लेषण से परे कौशल का स्थानांतरण होता है या नहीं। सामान्य कार्यालयी कार्य व्यापक उपयोगिता का संकेत हैं।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
भौतिक AI: अवधारणा की सीमाएँ, टूलकिट और कठिनाइयाँ
समाचार

भौतिक AI: अवधारणा की सीमाएँ, टूलकिट और कठिनाइयाँ

388 पृष्ठों की यह मोनोग्राफ भौतिक AI की परिभाषाओं, निकटवर्ती क्षेत्रों से उसके अंतर और प्रमुख तरीकों—अनुभूति और सिमुलेशन से लेकर नियंत्रण और समन्वित बहु-एजेंट प्रणालियों तक—को एक ही रूपरेखा में समेटती है। इससे उन शोध-समस्याओं और सीमाओं का मानचित्र मिलता है, जो विशिष्ट समाधानों से व्यापक सामान्यीकरण क्षमता वाली प्रणालियों की ओर बढ़ने में बाधा बनती हैं।

17 नवम्बर 2026
उत्पादन में LLM एजेंट: वर्गीकरण, आर्किटेक्चर और कार्यान्वयन की सीमाएँ
समाचार

उत्पादन में LLM एजेंट: वर्गीकरण, आर्किटेक्चर और कार्यान्वयन की सीमाएँ

यह लेख उत्पादन एजेंटों में बड़े भाषा मॉडल के उपयोग से जुड़े शोध को व्यवस्थित करता है: इसमें बाधाओं, क्षमताओं के स्तरों और चार-स्तरीय आर्किटेक्चर की पहचान की गई है। इससे समझा जा सकता है कि जीवनचक्र के किन परिदृश्यों पर पहले से विचार किया जा रहा है और विश्वसनीय स्वायत्त योजना बनाने में कहाँ कमियाँ बनी हुई हैं।

17 नवम्बर 2026
OWP दृष्टिकोण: Omni-LLM में साक्ष्यों और पूर्व-प्रायिकता संकेतों का पुनर्वितरण
समाचार

OWP दृष्टिकोण: Omni-LLM में साक्ष्यों और पूर्व-प्रायिकता संकेतों का पुनर्वितरण

बिना प्रशिक्षण के इस्तेमाल किया जा सकने वाला Omni-Woodpecker फ्रेमवर्क पेश किया गया है, जो विभिन्न मोडैलिटी के बीच टकराव का पता लगाता है और डिकोडिंग से पहले छिपी अवस्थाओं में संदर्भ डेटा और सीखे हुए पूर्वानुमानों के बीच संतुलन बदलता है। Qwen2.5-Omni-7B और VideoLLaMA2-AV पर यह विधि CMM और AVHBench में ऑडियो-विज़ुअल त्रुटियों के प्रति मजबूती बढ़ाती है, और सामान्य तर्क बेंचमार्क पर मध्यम सुधार देती है।

17 नवम्बर 2026
सत्यापन योग्य कार्य और लंबी ट्रैजेक्टरीज़ पर फाइन-ट्यूनिंग: Navalia सहकारी LLM एजेंटों को कैसे मजबूत करता है