मुख्य खबर · 2 मिनट पढ़ना
LAVOIR ने एक ही चरण में लिए जाने वाले AI फैसलों में समझदारी से पूछे जाने वाले फ़ॉलो-अप सवाल जोड़े
28 सितंबर के arXiv शोधपत्र के मुताबिक, नया मॉडल एक चैट में एक से भी कम सवाल पूछते हुए जवाबों की सटीकता 14 अंक तक बढ़ाता है।
Oossa · Oossa के बारे में
Furkan Yılmaz के नेतृत्व में शोधकर्ताओं ने 28 सितंबर, 2026 को arXiv पर LAVOIR जारी किया। LAVOIR, Laya निर्णय इंजन का ऐसा संस्करण है जो एक ही फ़ॉरवर्ड पास में जवाब देने के साथ यह भी पहचान सकता है कि कौन-सी छूटी हुई जानकारी जवाब को सबसे बेहतर बनाएगी। बेंचमार्क डेटासेट पर किए गए परीक्षणों में, हर बातचीत में अधिकतम आधा सवाल पूछकर इसने सटीकता 14.1 अंक बढ़ाई। वहीं, बड़े संवाद डेटासेट पर सवाल पूछने की कुल दर 93% से घटाकर 8.6% कर दी। मॉडल अब भी लगभग 31 ms में जवाब देता है, जो रियल-टाइम चैट के लिए पर्याप्त तेज़ है।
यहां तक कैसे पहुंचे
TypeSafe के Jev और ओपन-सोर्स Laya जैसे पहले के AI सहायकों को टाइप किए गए सवालों का जवाब एक ही फ़ॉरवर्ड पास में देने के लिए बनाया गया था। वे कैलिब्रेटेड संभावनाएं बताते थे, लेकिन स्पष्टीकरण के लिए कभी सवाल नहीं पूछते थे। अगर उपयोगकर्ता के संदेश में कोई जानकारी छूट जाती—मसलन, कोई नीति किस विभाग पर लागू होती है—तो मॉडल को अंदाज़ा लगाना पड़ता था। शोधकर्ताओं ने इस सीमा को “सिस्टम वन” निर्णय-प्रक्रिया कहा।
LAVOIR हर जवाब के विकल्प के साथ संभावित छूटी हुई जानकारी के फ़ील्ड जोड़कर इस समस्या को हल करता है। वैल्यू-ऑफ़-इन्फ़ॉर्मेशन (VOI) का अनुमान मॉडल को बताता है कि हर फ़ील्ड से सही निर्णय की संभावना कितनी बढ़ सकती है। VOI के आंकड़े बिना मानवीय लेबल के सीखे जाते हैं: सही निर्णय स्कीमा नियमों से तय होते हैं, एक बड़ा भाषा मॉडल (LLM) सवाल लिखता है और एक अलग मॉडल उस पाठ की जांच करता है। Gini impurity की सीमा मॉडल को फ़ायदे का बढ़ा-चढ़ाकर दावा करने से रोकती है। नियंत्रित अध्ययन में LAVOIR के निर्णयों की गुणवत्ता सैद्धांतिक Bayes सीमा के बराबर थी और सवाल पूछने की इसकी नीति लगभग उसी तरह काम करती थी जैसे एक greedy oracle, जो हमेशा सबसे अधिक मूल्य वाला सवाल चुनता है।
आगे क्या होगा
शोधपत्र में ओपन-सोर्स कोड और मॉडल चेकपॉइंट शामिल हैं, इसलिए डेवलपर LAVOIR को मौजूदा चैट या निर्णय-सहायता टूल में जोड़ सकते हैं। यह बहुत कम सवाल पूछता है, इसलिए ग्राहक सहायता, कानूनी फ़ॉर्म भरने या मेडिकल ट्रायाज जैसे क्षेत्रों में महंगी गलतियां घटाते हुए उपयोगकर्ता का अनुभव सहज बना रहना चाहिए। लेखकों की योजना मॉडल को वास्तविक उपयोगकर्ताओं के ट्रैफ़िक पर परखने और अलग-अलग हार्डवेयर की गति के मुताबिक ढलने वाली अधिक बारीक VOI सीमाओं का अध्ययन करने की है।
अगर LAVOIR को व्यापक रूप से अपनाया गया, तो यह AI सहायकों के गति और सटीकता के बीच संतुलन बनाने का तरीका बदल सकता है। हर बार अंदाज़ा लगाने के बजाय, वे तभी सवाल पूछेंगे जब उससे मिलने वाला संभावित लाभ बातचीत में रुकावट डालने की कीमत से अधिक होगा। इससे बातचीत अधिक उद्देश्यपूर्ण लगेगी।
यह क्यों मायने रखता है
रोज़मर्रा के उपयोगकर्ताओं के लिए LAVOIR का मतलब है कि जानकारी छूट जाने पर AI सहायकों के गलत अंदाज़ा लगाने की आशंका कम होगी, और वे आपसे फ़ॉलो-अप तभी पूछेंगे जब उससे सचमुच मदद मिलेगी। इससे फ़ॉर्म भरने या सहायता पाने जैसे कामों में गलतियां कम हो सकती हैं, समय बचेगा और झुंझलाहट घटेगी। मॉडल तेज़ बना रहता है, इसलिए इसे बिना किसी उल्लेखनीय देरी के रियल-टाइम चैट ऐप में इस्तेमाल किया जा सकता है। डेवलपर को अपने उत्पादों में बेहतर सवाल पूछने की सुविधा जोड़ने के लिए मुफ्त कोड भी मिलता है।
स्रोत और संदर्भ
| # | स्रोत | प्रकाशक | तारीख | मुख्य बात |
|---|---|---|---|---|
| 1 | LAVOIR: Teaching a Single-Pass Decision Encoder When and What to Ask with Amortized Value of Information ↗ | arXiv | 28 सित॰ 2026 | arXiv:2609.30706v1 Announce Type: new Abstract: "System One" decision models such as TypeSafe's Jev and its open counterpart Laya answer typ |
1 स्रोत
अंतिम अपडेट:
Oossa · न्यूज़लेटर
AI का हफ़्ता, आसान भाषा में
हर सोमवार: जानने लायक खबरें, सरल भाषा में। मुफ़्त, कोई स्पैम नहीं।