फाई-४-रीजनिंग कैसे एआई रीजनिंग को फिर से परिभाषित करता है “बड़ा है बेहतर” मिथक को चुनौती देते हुए

माइक्रोसॉफ्ट की हालिया रिलीज़ फाई-४-रीजनिंग ने कृत्रिम बुद्धिमत्ता प्रणालियों को तर्क करने में सक्षम बनाने के लिए एक महत्वपूर्ण धारणा को चुनौती दी है। २०२२ में चेन-ऑफ-थॉट रीजनिंग की शुरुआत के बाद से, शोधकर्ताओं ने माना कि उन्नत तर्क करने के लिए बहुत बड़े भाषा मॉडल की आवश्यकता होती है जिसमें सैकड़ों अरबों पैरामीटर होते हैं। हालांकि, माइक्रोसॉफ्ट का नया १४-अरब पैरामीटर मॉडल, फाई-४-रीजनिंग, इस विश्वास को चुनौती देता है। डेटा-केंद्रित दृष्टिकोण का उपयोग करके और केवल गणनात्मक शक्ति पर निर्भर नहीं करके, मॉडल बड़े प्रणालियों के समान प्रदर्शन प्राप्त करता है। यह सफलता दिखाती है कि डेटा-केंद्रित दृष्टिकोण उन्नत तर्क मॉडल के प्रशिक्षण के लिए पारंपरिक एआई प्रशिक्षण के रूप में प्रभावी हो सकता है। यह उन्नत तर्क करने के लिए छोटे एआई मॉडल की संभावना को खोलता है जो डेटा को बेहतर बनाने और तर्क मॉडल को प्रशिक्षित करने के तरीके को बदलकर एआई विकासकों के लिए नए अवसर प्रदान करता है।

पारंपरिक तर्क परिदृश्य

चेन-ऑफ-थॉट रीजनिंग ने जटिल समस्याओं को हल करने के लिए कृत्रिम बुद्धिमत्ता में एक मानक बनाया है। यह तकनीक भाषा मॉडल को चरण-दर-चरण तर्क के माध्यम से मार्गदर्शन करती है, कठिन समस्याओं को छोटे, प्रबंधनीय चरणों में तोड़ देती है। यह मानव विचार की नकल करता है जो मॉडल को प्राकृतिक भाषा में “जोर से सोचने” के लिए प्रेरित करता है trước कि यह एक उत्तर देता है।

हालांकि, इस क्षमता के साथ एक महत्वपूर्ण सीमा आई। शोधकर्ताओं ने लगातार पाया कि चेन-ऑफ-थॉट प्रॉम्प्टिंग केवल तभी अच्छा काम करता है जब भाषा मॉडल बहुत बड़े होते हैं। तर्क क्षमता सीधे मॉडल के आकार से जुड़ी हुई लगती है, जिसमें जटिल तर्क कार्यों पर बड़े मॉडल बेहतर प्रदर्शन करते हैं। यह खोज बड़े तर्क मॉडल बनाने की प्रतियोगिता की ओर ले जाती है, जहां कंपनियां अपने बड़े भाषा मॉडल को शक्तिशाली तर्क इंजन में बदलने पर ध्यान केंद्रित करती हैं।

एआई मॉडल में तर्क क्षमता शामिल करने का विचार मुख्य रूप से बड़े भाषा मॉडल द्वारा संदर्भ-भीतर सीखने की क्षमता के अवलोकन से आया है। शोधकर्ताओं ने देखा कि जब मॉडल को चरण-दर-चरण समस्या समाधान के उदाहरण दिखाए जाते हैं, तो वे इस पैटर्न का पालन करना सीखते हैं जब नए समस्याओं का सामना करते हैं। यह विश्वास पैदा हुआ कि बड़े मॉडल जो विशाल डेटा पर प्रशिक्षित होते हैं, स्वाभाविक रूप से अधिक उन्नत तर्क विकसित करते हैं। मॉडल के आकार और तर्क प्रदर्शन के बीच मजबूत संबंध स्वीकृत ज्ञान बन गया। टीमों ने तर्क क्षमता को स्केल करने में विशाल संसाधनों का निवेश किया, मजबूत विश्वास के साथ कि गणनात्मक शक्ति उन्नत तर्क की कुंजी है।

डेटा-केंद्रित दृष्टिकोण को समझना

डेटा-केंद्रित एआई का उदय “बड़ा है बेहतर” मानसिकता को चुनौती देता है। यह दृष्टिकोण मॉडल वास्तुकला से दूर ले जाकर ध्यान केंद्रित करता है और एआई प्रणालियों को प्रशिक्षित करने के लिए उपयोग किए जाने वाले डेटा को सावधानीपूर्वक इंजीनियर करने पर। डेटा को निश्चित इनपुट के रूप में नहीं मानकर, डेटा-केंद्रित पद्धति डेटा को सामग्री के रूप में देखती है जिसे एआई प्रदर्शन को बढ़ाने के लिए सुधारा और अनुकूलित किया जा सकता है।

इस क्षेत्र के एक नेता, एंड्रू एनजी, डेटा गुणवत्ता में सुधार के लिए व्यवस्थित इंजीनियरिंग अभ्यास बनाने की वकालत करते हैं न कि केवल कोड को समायोजित करने या मॉडल को स्केल करने पर। यह दर्शन मानता है कि डेटा गुणवत्ता और क्यूरेशन अक्सर मॉडल के आकार से अधिक महत्वपूर्ण होते हैं। डेटा-केंद्रित दृष्टिकोण अपनाने वाली कंपनियां दिखाती हैं कि छोटे, अच्छी तरह से प्रशिक्षित मॉडल बड़े लोगों को बेहतर प्रदर्शन कर सकते हैं यदि उन्हें उच्च-गुणवत्ता, सावधानीपूर्वक तैयार किए गए डेटासेट पर प्रशिक्षित किया जाता है।

डेटा-केंद्रित दृष्टिकोण एक अलग प्रश्न पूछता है: “हम अपने डेटा में सुधार कैसे कर सकते हैं?” बजाय “हम मॉडल को कैसे बड़ा बना सकते हैं?” इसका अर्थ है बेहतर प्रशिक्षण डेटासेट बनाना, डेटा गुणवत्ता में सुधार करना, और व्यवस्थित डेटा इंजीनियरिंग विकसित करना। डेटा-केंद्रित एआई में, ध्यान किसी विशिष्ट कार्य के लिए डेटा को प्रभावी बनाने के लिए क्या बनाता है, न कि बस अधिक एकत्र करने पर है।

यह दृष्टिकोण छोटे लेकिन शक्तिशाली एआई मॉडल को प्रशिक्षित करने में बड़ी आशा दिखाता है जो छोटे डेटासेट और बहुत कम गणना का उपयोग करते हैं। माइक्रोसॉफ्ट के फाई मॉडल इस दृष्टिकोण का एक अच्छा उदाहरण हैं। ये मॉडल पाठ्यपुस्तकों से बनाए गए डेटासेट का उपयोग करके पाठ्यक्रम सीखने के माध्यम से प्रशिक्षित किए जाते हैं, जो मुख्य रूप से बच्चों के सीखने के तरीके से प्रेरित होते हैं। शुरू में, मॉडल आसान उदाहरणों पर प्रशिक्षित किया जाता है, जिन्हें बाद में कठिन उदाहरणों से बदल दिया जाता है। माइक्रोसॉफ्ट ने अपने पेपर “टेक्स्टबुक्स आर यू नीड” में विस्तार से बताया है कि उन्होंने पाठ्यपुस्तकों से डेटासेट कैसे बनाया। यह फाई-३ को भाषा समझ, सामान्य ज्ञान, ग्रेड स्कूल गणित समस्याओं और चिकित्सा प्रश्नों के उत्तर जैसे कार्यों में जीमा और जीपीटी ३.५ जैसे मॉडल को पार करने में मदद करता है।

हालांकि डेटा-केंद्रित दृष्टिकोण की सफलता के बावजूद, तर्क आम तौर पर बड़े एआई मॉडल की एक विशेषता बनी हुई है। यह इसलिए है क्योंकि तर्क जटिल पैटर्न और ज्ञान की आवश्यकता होती है जिसे बड़े पैमाने पर मॉडल अधिक आसानी से पकड़ लेते हैं। हालांकि, यह विश्वास हाल ही में फाई-४-रीजनिंग मॉडल के विकास द्वारा चुनौती दी गई है।

फाई-४-रीजनिंग की सफलता रणनीति

फाई-४-रीजनिंग दिखाता है कि डेटा-केंद्रित दृष्टिकोण का उपयोग छोटे तर्क मॉडल को प्रशिक्षित करने के लिए कैसे किया जा सकता है। मॉडल को ओपेनएआई के ओ३-मिनी के साथ बनाए गए सावधानीपूर्वक चुने गए “सिखाने योग्य” प्रॉम्प्ट और तर्क उदाहरणों पर आधारित फाई-४ मॉडल को पर्यवेक्षित फाइन-ट्यूनिंग द्वारा बनाया गया था। ध्यान गुणवत्ता और विशिष्टता पर था, न कि डेटासेट के आकार पर। मॉडल को लगभग १.४ मिलियन उच्च-गुणवत्ता वाले प्रॉम्प्ट का उपयोग करके प्रशिक्षित किया जाता है, न कि अरबों सामान्य प्रॉम्प्ट का। शोधकर्ताओं ने विभिन्न कठिनाई स्तरों और तर्क प्रकारों को कवर करने के लिए उदाहरणों को फिल्टर किया, विविधता सुनिश्चित की। इस सावधानीपूर्वक क्यूरेशन ने प्रत्येक प्रशिक्षण उदाहरण को उद्देश्यपूर्ण बना दिया, मॉडल को विशिष्ट तर्क पैटर्न सिखाने के बजाय केवल डेटा की मात्रा बढ़ाने के।

पर्यवेक्षित फाइन-ट्यूनिंग में, मॉडल को पूर्ण तर्क प्रदर्शन के साथ प्रशिक्षित किया जाता है जिसमें पूरी सोच प्रक्रिया शामिल है। ये चरण-दर-चरण तर्क श्रृंखला मॉडल को तार्किक तर्क बनाने और समस्याओं को व्यवस्थित रूप से हल करने के लिए सिखाती हैं। मॉडल की तर्क क्षमता को और बढ़ाने के लिए, इसे लगभग ६,००० उच्च-गुणवत्ता वाली गणित समस्याओं पर पुनरावृत्ति सीखने के साथ और परिष्कृत किया जाता है जिनमें सत्यापित समाधान होते हैं। यह दिखाता है कि फोकस्ड पुनरावृत्ति सीखने की छोटी मात्रा भी अच्छी तरह से क्यूरेटेड डेटा पर लागू होने पर तर्क में काफी सुधार कर सकती है।

अपेक्षाओं से परे प्रदर्शन

परिणाम इस डेटा-केंद्रित दृष्टिकोण की प्रभावशीलता को साबित करते हैं। फाई-४-रीजनिंग डीपसीक-आर१-डिस्टिल-एलएलएमए-७०बी जैसे बहुत बड़े ओपन-वेट मॉडल को पार करता है और लगभग पूरे डीपसीक-आर१ के बराबर प्रदर्शन करता है, जो कि बहुत छोटा है। एआईएमई २०२५ परीक्षण (एक यूएस मैथ ओलंपियाड योग्य) पर, फाई-४-रीजनिंग डीपसीक-आर१ को पार करता है, जिसमें ६७१ अरब पैरामीटर हैं।

इन लाभों से परे गणित, वैज्ञानिक समस्या समाधान, कोडिंग, एल्गोरिदम, योजना, और स्थानिक कार्यों में सुधार होता है। सावधानीपूर्वक डेटा क्यूरेशन से होने वाले सुधार सामान्य बेंचमार्क में अच्छी तरह से स्थानांतरित होते हैं, जो यह सुझाव देते हैं कि यह विधि मूलभूत तर्क कौशल बनाती है, न कि कार्य-विशिष्ट ट्रिक्स।

फाई-४-रीजनिंग उन्नत तर्क के लिए विशाल गणना की आवश्यकता की धारणा को चुनौती देता है। १४-अरब पैरामीटर मॉडल सावधानीपूर्वक क्यूरेटेड डेटा पर प्रशिक्षित होने पर बहुत बड़े मॉडल के प्रदर्शन को मेल खा सकता है। यह दक्षता सीमित संसाधनों वाले तर्क एआई को तैनात करने के लिए महत्वपूर्ण परिणाम है।

एआई विकास के लिए निहितार्थ

फाई-४-रीजनिंग की सफलता एआई तर्क मॉडल के निर्माण में एक बदलाव का संकेत देती है। टीमें अब मॉडल के आकार में वृद्धि पर ध्यान केंद्रित करने के बजाय डेटा गुणवत्ता और क्यूरेशन में निवेश करके बेहतर परिणाम प्राप्त कर सकती हैं। डेटा-केंद्रित विधि नए शोध मार्ग खोलती है। भविष्य के कार्य बेहतर प्रशिक्षण प्रॉम्प्ट खोजने, समृद्ध तर्क प्रदर्शन बनाने और यह समझने पर केंद्रित हो सकते हैं कि कौन से डेटा तर्क में सबसे अधिक मदद करते हैं। ये दिशाएं बड़े मॉडल बनाने से अधिक उत्पादक हो सकती हैं।

व्यापक रूप से, यह एआई को लोकतांत्रिक बनाने में मदद कर सकता है। यदि छोटे मॉडल जो क्यूरेटेड डेटा पर प्रशिक्षित होते हैं बड़े मॉडल को मेल खा सकते हैं, तो उन्नत एआई अधिक विकासकर्ताओं और संगठनों के लिए उपलब्ध हो जाता है। यह एआई को अपनाने और नवाचार को उन क्षेत्रों में तेज कर सकता है जहां बहुत बड़े मॉडल व्यावहारिक नहीं हैं।

तर्क मॉडल का भविष्य

फाई-४-रीजनिंग तर्क मॉडल विकास के लिए एक नया मानक स्थापित करता है। भविष्य की एआई प्रणालियां सावधानीपूर्वक डेटा क्यूरेशन के साथ वास्तुकला सुधारों को संतुलित करेंगी। यह दृष्टिकोण स्वीकार करता है कि डेटा गुणवत्ता और मॉडल डिजाइन दोनों महत्वपूर्ण हैं, लेकिन डेटा में सुधार तेजी से और अधिक लागत प्रभावी लाभ प्रदान कर सकता है।

यह विशेषज्ञता वाले तर्क मॉडल को भी सक्षम बनाता है जो डोमेन-विशिष्ट डेटा पर प्रशिक्षित होते हैं। सामान्य-उद्देश्य वाले दिग्गजों के बजाय, टीमें विशिष्ट क्षेत्रों में उत्कृष्टता प्राप्त करने वाले फोकस्ड मॉडल बना सकती हैं जो लक्षित डेटा क्यूरेशन के माध्यम से। यह विशिष्ट उपयोगों के लिए अधिक कुशल एआई बनाएगा।

जैसे-जैसे एआई आगे बढ़ता है, फाई-४-रीजनिंग से मिली सीख तर्क मॉडल प्रशिक्षण से परे एआई विकास को प्रभावित करेगी। डेटा क्यूरेशन द्वारा आकार सीमाओं को पार करने की सफलता सुझाव देती है कि भविष्य की प्रगति मॉडल नवाचार के साथ स्मार्ट डेटा इंजीनियरिंग को जोड़ने में निहित है, न कि केवल बड़े आर्किटेक्चर बनाने में।

नीचे की रेखा

माइक्रोसॉफ्ट का फाई-४-रीजनिंग उन्नत एआई तर्क के लिए बहुत बड़े मॉडल की आवश्यकता की सामान्य धारणा को चुनौती देता है। इसके बजाय, यह मॉडल एक डेटा-केंद्रित दृष्टिकोण का उपयोग करता है जिसमें उच्च-गुणवत्ता वाले और सावधानीपूर्वक चुने गए प्रशिक्षण डेटा होते हैं। फाई-४-रीजनिंग में केवल १४ अरब पैरामीटर हैं, लेकिन यह कठिन तर्क कार्यों पर बहुत बड़े मॉडल के समान प्रदर्शन करता है। यह दिखाता है कि बेहतर डेटा पर ध्यान केंद्रित करना मॉडल के आकार को बढ़ाने से अधिक महत्वपूर्ण है।

यह नया प्रशिक्षण तरीका उन्नत तर्क एआई को अधिक कुशल और उन संगठनों के लिए उपलब्ध बनाता है जिनके पास बड़े कम्प्यूटिंग संसाधन नहीं हैं। फाई-४-रीजनिंग की सफलता एआई विकास की एक नई दिशा की ओर संकेत करती है, जो डेटा गुणवत्ता में सुधार, स्मार्ट प्रशिक्षण, और सावधानीपूर्वक इंजीनियरिंग पर केंद्रित है, न कि केवल मॉडल को बड़ा बनाने पर।

यह दृष्टिकोण एआई को तेजी से आगे बढ़ाने, लागत को कम करने और अधिक लोगों और कंपनियों को शक्तिशाली एआई टूल का उपयोग करने की अनुमति देने में मदद कर सकता है। भविष्य में, एआई संभवतः बेहतर मॉडल को बेहतर डेटा के साथ जोड़कर विकसित होगा, जिससे उन्नत एआई विशिष्ट क्षेत्रों में उपयोगी हो जाएगा।