मुख्य खबर · 2 मिनट पढ़ना
नई नियंत्रण प्रणाली स्वायत्त AI एजेंटों के फालतू कदम घटाती है
शोधकर्ताओं ने Global Executive Control नाम की एक संचालन परत प्रस्तावित की है, जो सफलता दर ऊंची रखते हुए टोकन का इस्तेमाल एक-तिहाई कम करती है।
Oossa · Oossa के बारे में
Dongsheng Xiao के नेतृत्व वाली एक टीम ने 28 सितंबर, 2026 को एक शोधपत्र जारी किया, जिसमें उन्होंने “LLM Parkinsonism” नाम की समस्या का वर्णन किया। इस शब्द का मतलब ऐसे AI एजेंटों से है, जो काम पूरा होने के बाद भी उसे करते रहते हैं—कम उपयोगी बदलाव जोड़ते हैं और अपने काम की बार-बार जांच करते हैं। लेखकों का कहना है कि ऐसा इसलिए होता है क्योंकि जिस लूप से कार्रवाइयां बनती हैं, वही तय करता है कि कब रुकना है। इसका समाधान Global Executive Control (GEC) v0.2 नाम की नई संरचना है, जो कार्रवाई तैयार करने को परियोजना-स्तर की निगरानी से अलग करती है।
यहां तक कैसे पहुंचे
बड़े भाषा मॉडल (LLM) योजना बना सकते हैं, कोड लिख सकते हैं और टूल इस्तेमाल कर सकते हैं, लेकिन अक्सर उनमें रुकने का स्पष्ट संकेत नहीं होता। परीक्षणों में, एक ही सबसे अच्छे अनुमान वाली योजना पर चलने वाले बेसलाइन एजेंट ने कठिन लक्ष्यों में 67% सफलता हासिल की। जब उसी परीक्षण में मॉडल को संभावित कार्रवाइयों के एक समूह में से चुनने की अनुमति दी गई, तो सफलता बढ़कर 96.5% हो गई। शोधकर्ताओं का तर्क है कि मॉडल को कई विकल्प देना ही इस सुधार का सबसे बड़ा कारण है, लेकिन इससे प्रक्रिया में टोकन का इस्तेमाल भी बढ़ता है—टोकन वे बुनियादी इकाइयां हैं, जिन्हें मॉडल टेक्स्ट संसाधित करते समय इस्तेमाल करता है।
नई संरचना क्या करती है
GEC अनिश्चितता को ध्यान में रखने वाली एक संचालन परत जोड़ता है, जो एजेंट की प्रगति पर नजर रखती है और तय करती है कि काम कब पूरा हो चुका है। 24,000 एपिसोड और 40,000 टोकन की सीमा वाले एक बेंचमार्क में, GEC ने संभावित कार्रवाइयों के समूह वाले तरीके की 96.5% सफलता दर बरकरार रखी, जबकि औसत टोकन इस्तेमाल 19,782 से घटाकर 12,574 कर दिया—यानी 36% की कमी। इसने टोकन की सीमा तक पहुंचने पर किसी काम को पूरा करने के लिए जरूरी औसत टोकन भी 16,136 से घटाकर 13,114 कर दिए, यानी 18.7% की बचत। लेखकों के मुताबिक, हर चक्र में संचालन के अतिरिक्त चरणों में करीब 500 सिंथेटिक टोकन लगते हैं, फिर भी यह तरीका कुशल है।
आगे क्या
शोधपत्र में कहा गया है कि सिमुलेशन से दायरे, साक्ष्य, संसाधनों के इस्तेमाल और रुकने के फैसले पर स्पष्ट नियंत्रण रखने के फायदे दिखते हैं, लेकिन वास्तविक दुनिया में इसकी जांच अभी बाकी है। भविष्य में GEC को ऐसे सक्रिय एजेंटों पर परखने की संभावना है, जो बाहरी टूल या उपयोगकर्ताओं के साथ काम करते हैं। अगर यह तरीका कारगर साबित होता है, तो डेवलपर इसी तरह की नियंत्रण परत चैटबॉट, कोड लिखने वाले सहायकों और अन्य स्वायत्त AI सेवाओं में जोड़ सकते हैं, ताकि बेकार की प्रोसेसिंग से बचा जा सके और सिस्टम पूरे हो चुके काम पर जरूरत से ज्यादा समय न लगाएं।
यह क्यों मायने रखता है
आम उपयोगकर्ताओं के लिए बेहतर नियंत्रण का मतलब है कि AI सहायक काम जल्दी पूरा करेंगे और कम कंप्यूटिंग शक्ति इस्तेमाल करेंगे, जिससे लागत और ऊर्जा की खपत घट सकती है। डेवलपर ऐसे अधिक समझदार एजेंट बना सकते हैं, जो काम पूरा होते ही रुक जाएं और अनावश्यक अतिरिक्त कदमों या उलझाने वाले जवाबों से बचें। यह तरीका AI के व्यवहार पर नियंत्रण रखने का एक अधिक स्पष्ट रास्ता भी देता है, जो इन टूल के ज्यादा आम होने के साथ उनकी सुरक्षा और भरोसेमंद इस्तेमाल के लिए उपयोगी है।
स्रोत और संदर्भ
| # | स्रोत | प्रकाशक | तारीख | मुख्य बात |
|---|---|---|---|---|
| 1 | LLM Parkinsonism: Executive-Control Failure, Token-Inefficient Persistence, and an Uncertainty-Aware Global Executive Control Architecture for Autonomous Language-Model Agents ↗ | arXiv | 28 सित॰ 2026 | arXiv:2609.30662v1 Announce Type: new Abstract: Large language models (LLMs) can plan, use tools, write code, and execute long-horizon workf |
1 स्रोत
अंतिम अपडेट:
Oossa · न्यूज़लेटर
AI का हफ़्ता, आसान भाषा में
हर सोमवार: जानने लायक खबरें, सरल भाषा में। मुफ़्त, कोई स्पैम नहीं।