संख्यात्मक सीमाएँ और सुधार तकनीकें हाइपरबोलिक पदानुक्रम की विशेषताओं के संरक्षण को निर्धारित करती हैं
यह कार्य विश्लेषण करता है कि मैनिफोल्ड पर बाधा की संतुष्टता, अंकगणितीय सटीकता और सामान्यीकरण किस तरह प्राप्त किए जा सकने वाले अवस्थाओं को सीमित करते हैं और इस प्रकार प्रभावित करते हैं कि आत्मसात की गई संरचना के कौन-से साक्ष्य मॉडल में बने रहते हैं। इससे यह निष्कर्ष निकलता है कि संख्यात्मक सीमाओं और सुधारों का अलग से हिसाब रखे बिना, सहेजे गए फ़्लैट चेकपॉइंट को निष्क्रिय ज्यामिति का प्रमाण नहीं माना जा सकता।

अतिपरवलयिक पदानुक्रम की शर्त के रूप में संख्यात्मक कार्यान्वयन
अतिपरवलयिक ज्यामिति पदानुक्रम को ऐसी सटीकता से दर्शाती है, जिसकी बराबरी समान आयाम वाला यूक्लिडीय स्थान नहीं कर सकता। अतिपरवलयिक भाषा मॉडल इस ज्यामिति को अडैप्टर तक सीमित करते हैं या ट्रांसफ़ॉर्मर को फिर से डिज़ाइन करते हैं। जारी किए गए अतिपरवलयिक vision-language चेकपॉइंट्स के एक स्वतंत्र ऑडिट में पदानुक्रम के निष्क्रिय तंत्र पाए गए। इस नतीजे को ज्यामिति या उद्देश्य फ़ंक्शन के बारे में साक्ष्य के रूप में देखा गया।
मुख्य बिंदु:
- ज्यामिति पदानुक्रम का निरूपण तय करती है।
- भाषा मॉडल में ज्यामिति शामिल करने के दो तरीके हैं: अडैप्टर और ट्रांसफ़ॉर्मर को फिर से डिज़ाइन करना।
- ऑडिट जारी किए गए चेकपॉइंट्स को कवर करता है।
- ऑडिट के नतीजे की दो तरह से व्याख्या की जा सकती है: ज्यामिति या उद्देश्य फ़ंक्शन।
निष्कर्ष: विशेषताओं के संरक्षित रहने की जाँच संख्यात्मक कार्यान्वयन के साथ करनी चाहिए, केवल चुनी गई ज्यामिति के आधार पर नहीं।
बहुरूपता की बाधा और दोहरी सटीकता की सीमा
बहुरूपता तय करने वाली बाधा, एक साथ बढ़ने वाले दो पदों का अंतर है। इकाई वक्रता और तापमान पर बिना क्लैम्प की गई map के लिए, यह किसी भी मापे गए फ़ॉर्मैट में पूरी नहीं होती। इनमें दोहरी सटीकता भी शामिल है। यह उल्लंघन उन नॉर्म पर होता है जो मानक भाषा मॉडल सबसे गहरी परतों में उत्पन्न करते हैं। यह पहले प्राप्त अनुमान की सीमा से परे है।
जाँचने के लिए महत्वपूर्ण बातें:
- गणना का फ़ॉर्मैट: इसमें दोहरी सटीकता भी शामिल है।
- वक्रता और तापमान: इकाई वक्रता और तापमान।
- सबसे गहरी परतों द्वारा उत्पन्न नॉर्म।
- बाधा में दोनों बढ़ते पदों का अनुपात।
निष्कर्ष: गहरी परतों के नॉर्म को ध्यान में रखे बिना बाधा की जाँच करने से उसके व्यवहार का पता नहीं चलता। मानदंड यह है कि मॉडल द्वारा उत्पन्न नॉर्म पर बाधा के पूरा होने को मापा जाए।

नॉर्म की सीमा और रेडियल संवेदनशीलता
एक आम सुधार नॉर्म पर सीमा लगाना है। जहाँ यह लागू होती है, वहाँ यह उपयोग में आने वाली map को रेडियल संवेदनशीलता से वंचित कर देती है। map का बाधा पूरी करना रेडियल संवेदनशीलता की गारंटी नहीं देता। यह तरीका रेडियल संवेदनशीलता वापस नहीं लाता।
मुख्य बिंदु:
- नॉर्म की सीमा map को बाधा पूरी करने योग्य बनाती है।
- सीमा लागू होने वाले क्षेत्र में रेडियल संवेदनशीलता नहीं रहती।
- बाधा पूरी करना और रेडियल संवेदनशीलता map के अलग-अलग गुण हैं।
- यह तरीका आम है, लेकिन रेडियल संवेदनशीलता को बनाए नहीं रखता।
निष्कर्ष: नॉर्म की सीमा को पर्याप्त सुधार नहीं माना जा सकता। मानदंड यह है कि केवल बाधा पूरी होने की नहीं, बल्कि map की रेडियल संवेदनशीलता की जाँच की जाए।
प्रशिक्षण में कठोर बाधाएँ और अंकगणितीय सुधार
पहले से तय किए गए एक परीक्षण में, अधिक कठोर बाधा के कारण लॉरेंज़ प्रणाली को सपाट प्रणाली की तुलना में विलंबित संरचना के मामले में अधिक कीमत चुकानी पड़ी। छह विशेषज्ञ प्रणालियों में 20,951,552 प्रशिक्षण प्रस्तुतियों के दौरान संरचनात्मक प्रशिक्षण हुआ। प्रकाशित नुस्खे के उद्देश्य फ़ंक्शन को अपरिवर्तित रखते हुए किए गए युग्मित रन में दो बदलावों की जाँच की गई। शुरुआती स्केल सुधार हटाने से हर अपडेट रुक गया। एकल-सटीकता क्षेत्रों को हटाने से प्रशिक्षण के शुरुआती चरण में प्राप्त रेडियस बढ़ गया।
| बदलाव या स्थिति | देखा गया प्रभाव |
|---|---|
| अधिक कठोर बाधा | लॉरेंज़ प्रणाली को सपाट प्रणाली की तुलना में विलंबित संरचना के मामले में अधिक कीमत चुकानी पड़ी |
| शुरुआती स्केल सुधार हटाना | हर अपडेट रुक गया |
| एकल-सटीकता क्षेत्र हटाना | प्रशिक्षण के शुरुआती चरण में प्राप्त रेडियस बढ़ गया |
| संरचनात्मक प्रशिक्षण | छह विशेषज्ञ प्रणालियों में 20,951,552 प्रशिक्षण प्रस्तुतियों के दौरान हुआ |
निष्कर्ष: बाधा की कठोरता और अंकगणितीय सुधार उन स्थितियों को बदलते हैं जहाँ तक कोई रन पहुँचता है। ज्यामितियों की तुलना समान अंकगणितीय स्थितियों में करनी चाहिए।
विशेषताओं के संरक्षित रहने का व्यावहारिक मानदंड
अंकगणित गणना योग्य क्षेत्र को सीमित करता है। इस क्षेत्र के भीतर, उद्देश्य फ़ंक्शन के साथ-साथ अंकगणित और उसके सुधार भी काम करते हैं। वे तय करते हैं कि कौन-से रन रिकॉर्ड में बने रहते हैं और रास्ते में किन स्थितियों तक पहुँचते हैं। केवल सपाट चेकपॉइंट का बचा रहना इस बात का प्रमाण नहीं है कि ज्यामिति निष्क्रिय है।
जाँच के मानदंड:
- गहरी परतों के नॉर्म पर बहुरूपता की बाधा के पूरा होने को मापें।
- सटीकता के फ़ॉर्मैट को ध्यान में रखें, जिसमें दोहरी सटीकता भी शामिल है।
- नॉर्म की सीमा लगाने के बाद map की रेडियल संवेदनशीलता जाँचें।
- शुरुआती स्केल सुधार और एकल-सटीकता क्षेत्रों का रिकॉर्ड रखें।
- अपरिवर्तित उद्देश्य फ़ंक्शन और समान अंकगणितीय स्थितियों वाले रनों की तुलना करें।
निष्कर्ष: अतिपरवलयिक पदानुक्रम की विशेषताओं के संरक्षित रहने की पुष्टि, उन अंकगणितीय स्थितियों की जाँच से होती है जिनमें मॉडल की स्थितियाँ प्राप्त की गईं। केवल ज्यामिति का प्रकार और संरक्षित चेकपॉइंट इसकी पुष्टि नहीं करते।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
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?
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
AffordanceWAM: दृश्य पूर्वानुमान और मैनिपुलेटर नियंत्रण के बीच मध्यस्थ के रूप में अफ़ॉर्डेंस
यह कार्य एक जनरेटिव मॉडल का वर्णन करता है, जो मानव वीडियो का उपयोग करके बिना क्रिया एनोटेशन और रीटार्गेटिंग के अंतःक्रियाओं की विविधता बढ़ाते हुए, भविष्य के RGB अवलोकनों, स्केलर फ़ील्ड्स और अफ़ॉर्डेंस हीटमैप्स तथा रोबोट के सतत कमांड्स का एक साथ पूर्वानुमान लगाता है। RoboCasa, CALVIN ABC→D और वास्तविक दुनिया के कार्यों पर, यह दृष्टिकोण केवल-RGB और केवल-रोबोट डेटा वाले बेसलाइन की तुलना में लगातार बेहतर प्रदर्शन करता है।
9 नवम्बर 2026