बंद-स्रोत LLMs पर एजेंटों के लिए विश्व मॉडल: जोखिम-बिंदुओं पर सुधार
PAWM प्रस्तावित किया गया है—एक बाहरी प्रेडिक्टर, जो चरण-दर-चरण अवलोकन को दोहराता नहीं, बल्कि संभावित विफलता के समय सक्रिय होकर एजेंट को गलत कार्रवाई से दूर ले जाता है। सिंथेटिक परिदृश्यों पर SFT और GRPO के साथ सह-प्रशिक्षण के बाद, इस विधि ने Claude Sonnet 4.5 के लिए ScienceWorld में 24,3% और WebArena-Lite में 7,7% का सुधार दिया।
समस्या: एजेंट को परिवेश के बारे में पर्याप्त जानकारी नहीं है
LLM पर आधारित उन्नत «ब्लैक-बॉक्स» एजेंट लंबी अवधि के तर्क-विचार और सटीक कार्रवाई जनरेट करने में अच्छा प्रदर्शन करते हैं। लेकिन किसी विशिष्ट एजेंट-कार्य के लिए उन्हें इस बात का अर्जित ज्ञान नहीं होता कि परिवेश कैसे बदलता है। 21 अक्टूबर 2026 की तारीख वाला arXiv:2610.29139 लेख इस कमी का वर्णन करता है।
विश्व मॉडल एजेंट को किसी विशिष्ट परिवेश के बारे में जानकारी देता है। यह अनुमान लगाता है कि एजेंट जो कार्रवाई करने वाला है, उस पर परिवेश कैसी प्रतिक्रिया देगा। ऐसा मॉडल कार्य से संबंधित जानकारी जोड़ता है।
व्यावहारिक मानदंड: विश्व मॉडल और लक्षित परिवेश के बीच संबंध की जाँच करें। तर्क-विचार का सामान्य ज्ञान किसी विशिष्ट कार्य को समझने की कमी को पूरा नहीं करता।
सुधार का तरीका: हर कदम पर नहीं, बल्कि जोखिम के बिंदु पर
LLM एजेंटों के लिए पिछले विश्व मॉडल मुख्यतः हर कदम पर अगला अवलोकन अनुमानित करते हैं। यह तरीका खर्चीला और कम जानकारीपूर्ण है। अलग-अलग अवलोकन कार्य से जुड़ा सीमित मार्गदर्शन देते हैं। हर कदम पर पूर्वानुमान की ज़रूरत नहीं होती।
एक पायलट अध्ययन से पता चला कि विश्व मॉडल का मार्गदर्शन तब सबसे उपयोगी होता है, जब वह सीमित बहु-चरणीय भविष्य में आने वाले जालों का पूर्वानुमान लगाता है। इसका मतलब है कि सुधार जोखिम के बिंदुओं पर शुरू होना चाहिए, न कि लगातार काम करना चाहिए।
| विकल्प | क्या ज्ञात है |
|---|---|
| कदम-दर-कदम पूर्वानुमान | हर कदम पर अगले अवलोकन का पूर्वानुमान लगाता है; खर्चीला और कम जानकारीपूर्ण है। |
| जालों का पूर्वानुमान | सीमित बहु-चरणीय भविष्य में जालों का पूर्वानुमान लगाता है; सबसे उपयोगी मार्गदर्शन देता है। |
व्यावहारिक मानदंड: ऐसा तरीका चुनें जो संभावित जाल की स्थिति में सक्रिय हो और हर कदम पर पूर्वानुमान लगाने में संसाधन खर्च न करे।
जालों का पूर्वानुमान कैसे काम करता है
लेखकों ने Pitfall Anticipation World Model (PAWM) प्रस्तुत किया। यह मॉडल तीन तत्वों के ज़रिए काम करता है:
- संभावित जाल आने पर चुनिंदा रूप से हस्तक्षेप करता है;
- आसन्न विफलता का पूर्वानुमान लगाता है;
- जोखिम के बिंदु पर एजेंट को जाल से दूर ले जाता है।
व्यावहारिक मानदंड: सुधार का ट्रिगर संभावित जाल और आसन्न विफलता के पूर्वानुमान पर आधारित होना चाहिए।
मॉडल का दो-चरणीय प्रशिक्षण
लेखक Pitfall Anticipation World Model (PAWM) को दो चरणों में प्रशिक्षित करते हैं।
- सिंथेटिक डेटा पर Supervised Fine-Tuning (SFT)। सिंथेटिक डेटा में एजेंटों के लिए जालों के लेबल शामिल हैं।
- ब्लैक-बॉक्स LLM के साथ GRPO सह-प्रशिक्षण। यह लक्षित परिवेश में मॉडल को अनुकूलित करता है।
व्यावहारिक मानदंड: दोनों चरणों की जाँच करें — जालों के लेबल और लक्षित परिवेश में सह-प्रशिक्षण।
मूल्यांकन: प्रदर्शन में बढ़त कहाँ देखें
यह तरीका ScienceWorld में Claude Sonnet 4.5 के परिणामों में 24.3% और WebArena-Lite में 7.7% सुधार करता है।
| परिवेश | Claude Sonnet 4.5 के लिए प्रदर्शन में बढ़त |
|---|---|
| ScienceWorld | 24.3% |
| WebArena-Lite | 7.7% |
लेखक यह भी बताते हैं कि मॉडल कई आधारभूत तरीकों से बेहतर प्रदर्शन करता है। व्यावहारिक मानदंड: लक्षित परिवेश में प्रदर्शन की बढ़त और आधारभूत तरीकों से तुलना देखें। अलग-अलग परिवेशों में परिणामों के हस्तांतरण की अलग से जाँच करनी होगी।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
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
SpeechLLM पर वर्गीकरण परत: भावनाओं की पहचान में यह लेबल जनरेशन को कहाँ दरकिनार करती है
IEMOCAP और MELD के डेटा पर, भावनात्मक लेबल के जनरेटिव आउटपुट की तुलना कॉम्पैक्ट SpeechLLM के छिपे हुए निरूपणों पर आधारित एक रैखिक वर्गीकारक से की गई। वर्गीकारक से गुणवत्ता में होने वाला सुधार सार्वभौमिक नहीं है: यह कॉर्पस पर और इस बात पर निर्भर करता है कि संदर्भ ट्रांसक्रिप्ट का उपयोग किया गया है या ASR के परिणामों का।
4 नवम्बर 2026
व्यक्तिगत आकलनों से अनुमेय समुच्चयों तक: DDI प्रतिबंधों के अंतर्गत वैश्विक डिकोडिंग
यह लेख MIMIC-III पर FLAME के निश्चित स्कोर के साथ, mixed-integer linear programming के ज़रिए लागू किए गए संगत दवाओं के सेट के सटीक वैश्विक चयन की तुलना DDI टकरावों को स्थानीय स्तर पर दूर करने की कई योजनाओं से करता है। परीक्षण नमूने पर वैश्विक विकल्प Jaccard के आधार पर थोड़ा, लेकिन लगातार बेहतर प्रदर्शन करता है; प्रतिबंध कड़े होने पर यह बढ़त और अधिक हो जाती है और सबसे मज़बूत स्थानीय आधारभूत विधि की तुलना में +0.0064 तक पहुँच जाती है।
4 नवम्बर 2026