एआई द्वारा iPhone को बीते युगों के रूप में दर्शाने से कैसे रोकें

एआई इमेज जनरेटर अतीत को कैसे चित्रित करते हैं? नए शोध से पता चलता है कि वे 18वीं सदी में स्मार्टफोन डालते हैं, 1930 के दशक के दृश्यों में लैपटॉप डालते हैं, और 19वीं सदी के घरों में वैक्यूम क्लीनर रखते हैं, जिससे सवाल उठता है कि ये मॉडल इतिहास की कल्पना कैसे करते हैं - और क्या वे संदर्भगत ऐतिहासिक सटीकता के लिए सक्षम हैं।

 

2024 की शुरुआत में, Google की छवि-निर्माण क्षमताएं मिथुन राशि मल्टीमॉडल एआई मॉडल की आलोचना की गई अनुचित संदर्भों में जनसांख्यिकीय निष्पक्षताजैसे कि द्वितीय विश्व युद्ध के जर्मन सैनिकों को असंभावित मूल के साथ उत्पन्न करना:

यह एक ऐसा उदाहरण था जहां निवारण के प्रयास पूर्वाग्रह एआई मॉडल में ऐतिहासिक संदर्भ को ध्यान में रखना विफल रहा। इस मामले में, इस मुद्दे को जल्द ही संबोधित किया गया। हालाँकि, प्रसार आधारित मॉडलों में इतिहास के ऐसे संस्करण उत्पन्न करने की प्रवृत्ति बनी रहती है जो आधुनिक और ऐतिहासिक पहलुओं और कलाकृतियों को उलझा देते हैं।

इसका आंशिक कारण यह है कि नाज़ुक हालत, जहां प्रशिक्षण डेटा में अक्सर एक साथ दिखाई देने वाले गुण मॉडल के आउटपुट में मिल जाते हैं। उदाहरण के लिए, यदि स्मार्टफ़ोन जैसी आधुनिक वस्तुएं अक्सर डेटासेट में बात करने या सुनने की क्रिया के साथ सह-घटित होती हैं, तो मॉडल उन गतिविधियों को आधुनिक उपकरणों के साथ जोड़ना सीख सकता है, तब भी जब प्रॉम्प्ट ऐतिहासिक सेटिंग निर्दिष्ट करता है। एक बार जब ये जुड़ाव मॉडल में अंतर्निहित हो जाते हैं आंतरिक प्रतिनिधित्वइससे गतिविधि को उसके समकालीन संदर्भ से अलग करना कठिन हो जाता है, जिसके परिणामस्वरूप ऐतिहासिक रूप से गलत परिणाम सामने आते हैं।

स्विटजरलैंड के एक नए शोधपत्र में, अव्यक्त प्रसार मॉडल में उलझी हुई ऐतिहासिक पीढ़ियों की घटना की जांच करते हुए, यह पाया गया है कि एआई फ्रेमवर्क फोटोरियलिस्टिक लोगों को बनाने में काफी सक्षम फिर भी ऐतिहासिक हस्तियों को ऐतिहासिक तरीकों से चित्रित करना पसंद करते हैं:

संकेत के लिए '[ऐतिहासिक काल] में एक दोस्त के साथ हंसते हुए व्यक्ति की फोटो-यथार्थवादी छवि'तीन परीक्षण किए गए मॉडलों में से एक अक्सर नकारात्मक संकेत को अनदेखा करता है 'मोनोक्रोम' और इसके बजाय ऐसे रंग उपचारों का उपयोग करता है जो निर्दिष्ट युग के दृश्य मीडिया को प्रतिबिंबित करते हैं, उदाहरण के लिए 1950 और 1970 के दशक की सेल्युलाइड फिल्म के म्यूट टोन की नकल करते हैं।

तीन मॉडलों की क्षमता का परीक्षण करते हुए anachronisms (ऐसी चीज़ें जो लक्ष्य अवधि की नहीं हैं, या 'समय से बाहर' हैं - जो लक्ष्य अवधि से हो सकती हैं भविष्य साथ ही इसके अतीत को भी ध्यान में रखते हुए, उन्होंने कालातीत गतिविधियों (जैसे 'गायन' या 'खाना पकाना') को आधुनिक संदर्भों और उपकरणों के साथ मिलाने की सामान्य प्रवृत्ति पाई:

ध्यान देने वाली बात यह है कि स्मार्टफ़ोन को फ़ोटोग्राफ़ी के मुहावरे से और कई अन्य ऐतिहासिक संदर्भों से अलग करना विशेष रूप से कठिन है, क्योंकि उनका प्रसार और चित्रण प्रभावशाली हाइपरस्केल डेटासेट जैसे में अच्छी तरह से दर्शाया गया है आम क्रॉल:

समस्या की सीमा निर्धारित करने के लिए, और इस विशेष समस्या के साथ भविष्य के शोध प्रयासों को आगे बढ़ाने के लिए, नए पेपर के लेखकों ने एक विशेष डेटासेट विकसित किया है जिसके आधार पर जनरेटिव सिस्टम का परीक्षण किया जा सके। थोड़ी देर में, हम इस पर एक नज़र डालेंगे नया काम, जिसका शीर्षक है सिंथेटिक इतिहास: प्रसार मॉडल में अतीत के दृश्य प्रतिनिधित्व का मूल्यांकन, और ज्यूरिख विश्वविद्यालय के दो शोधकर्ताओं से आया है। डेटासेट और कोड सार्वजनिक रूप से उपलब्ध हैं।

एक नाजुक 'सत्य'

पेपर के कुछ विषय सांस्कृतिक रूप से संवेदनशील मुद्दों को छूते हैं, जैसे कि जातियों का कम प्रतिनिधित्व और लिंग ऐतिहासिक प्रतिनिधित्व में। जबकि जेमिनी द्वारा घोर असमानता वाले तीसरे रैह में नस्लीय समानता को लागू करना एक बेतुका और अपमानजनक ऐतिहासिक संशोधन है, 'पारंपरिक' नस्लीय प्रतिनिधित्व को बहाल करना (जहाँ प्रसार मॉडल ने इन्हें 'अपडेट' किया है) अक्सर प्रभावी रूप से इतिहास को 'फिर से सफेद' कर देगा।

कई हालिया हिट ऐतिहासिक शो, जैसे ब्रिजर्टन, ऐतिहासिक जनसांख्यिकीय सटीकता को इस तरह से धुंधला कर देता है कि भविष्य के प्रशिक्षण डेटासेट पर इसका असर पड़ सकता है, जिससे एलएलएम-जनरेटेड पीरियड इमेजरी को पारंपरिक मानकों के साथ संरेखित करने के प्रयास जटिल हो जाते हैं। हालाँकि, यह एक जटिल विषय है, जिसे देखते हुए ऐतिहासिक प्रवृत्ति (पश्चिमी) इतिहास में धन और श्वेतता का पक्ष लिया गया है, तथा अनेक 'छोटी' कहानियों को अनकहा छोड़ दिया गया है।

इन पेचीदा और लगातार बदलते सांस्कृतिक मापदंडों को ध्यान में रखते हुए, आइए शोधकर्ताओं के नए दृष्टिकोण पर एक नज़र डालें।

विधि और परीक्षण

यह जांचने के लिए कि जनरेटिव मॉडल ऐतिहासिक संदर्भ की व्याख्या कैसे करते हैं, लेखकों ने बनाया हिस्टविज़, सामान्य मानवीय गतिविधियों को दर्शाने वाले सौ संकेतों से निर्मित 30,000 छवियों का एक डेटासेट, जिनमें से प्रत्येक को दस अलग-अलग समय अवधि में प्रस्तुत किया गया है:

गतिविधियाँ, जैसे खाना पकाने, प्रार्थना or संगीत सुनना, को उनकी सार्वभौमिकता के लिए चुना गया था, और मॉडल को किसी विशेष सौंदर्यशास्त्र में लंगर डालने से बचने के लिए तटस्थ प्रारूप में तैयार किया गया था। डेटासेट के लिए समय अवधि सत्रहवीं शताब्दी से लेकर आज तक है, जिसमें बीसवीं सदी के पाँच अलग-अलग दशकों पर अतिरिक्त ध्यान दिया गया है।

तीन व्यापक रूप से प्रयुक्त ओपन-सोर्स प्रसार मॉडलों का उपयोग करके 30,000 छवियां तैयार की गईं: स्थिर प्रसार एक्सएल; स्थिर प्रसार 3, और फ्लक्स.1समय अवधि को एकमात्र चर के रूप में अलग करके, शोधकर्ताओं ने यह मूल्यांकन करने के लिए एक संरचित आधार बनाया कि ऐतिहासिक संकेतों को इन प्रणालियों द्वारा कैसे दृष्टिगत रूप से एनकोड किया जाता है या अनदेखा किया जाता है।

दृश्य शैली प्रभुत्व

लेखक ने शुरू में जांच की कि क्या जनरेटिव मॉडल विशिष्ट रूप से डिफ़ॉल्ट होते हैं दृश्य शैलियाँ ऐतिहासिक अवधियों को चित्रित करते समय; क्योंकि ऐसा प्रतीत होता था कि जब संकेतों में माध्यम या सौंदर्यशास्त्र का कोई उल्लेख नहीं होता था, तब भी मॉडल अक्सर विशेष शताब्दियों को विशिष्ट शैलियों के साथ जोड़ देते थे:

इस प्रवृत्ति को मापने के लिए, लेखकों ने एक दृढ़ तंत्रिका नेटवर्क (सीएनएन) ने हिस्टविज़ डेटासेट में प्रत्येक छवि को पाँच श्रेणियों में से एक में वर्गीकृत करने का निर्णय लिया है: ड्राइंग; उत्कीर्णन; उदाहरण; पेंटिंग, या फ़ोटोग्राफ़ीइन श्रेणियों का उद्देश्य समय-अवधि में उभरने वाले सामान्य पैटर्न को प्रतिबिंबित करना था, और जो संरचित तुलना का समर्थन करते हैं।

वर्गीकरणकर्ता एक पर आधारित था वीजीजी 16 मॉडल पूर्व प्रशिक्षित IMAGEnet और सुधारी प्रत्येक कक्षा से 1,500 उदाहरण विकिआर्ट-व्युत्पन्न डेटासेट। चूंकि विकीआर्ट मोनोक्रोम को रंगीन फोटोग्राफी से अलग नहीं करता है, इसलिए एक अलग रंगीनता स्कोर इसका उपयोग कम संतृप्ति वाली छवियों को मोनोक्रोम के रूप में लेबल करने के लिए किया गया था।

प्रशिक्षित क्लासिफायर को फिर पूरे डेटासेट पर लागू किया गया, जिसके परिणाम दर्शाते हैं कि तीनों मॉडल अवधि के अनुसार सुसंगत शैलीगत डिफ़ॉल्ट लागू करते हैं: SDXL 17वीं और 18वीं शताब्दी को उत्कीर्णन से जोड़ता है, जबकि SD3 और FLUX.1 पेंटिंग की ओर झुकाव रखते हैं। बीसवीं सदी के दशकों में, SD3 मोनोक्रोम फ़ोटोग्राफ़ी का पक्षधर है, जबकि SDXL अक्सर आधुनिक चित्रण लौटाता है।

ये प्राथमिकताएं त्वरित समायोजन के बावजूद बनी रहीं, जिससे पता चलता है कि मॉडल शैली और ऐतिहासिक संदर्भ के बीच सुदृढ़ संबंधों को दर्शाते हैं।

यह मापने के लिए कि कोई मॉडल किसी ऐतिहासिक अवधि को किसी विशेष अवधि से कितनी मजबूती से जोड़ता है दृश्य शैली, लेखकों ने एक मीट्रिक विकसित किया जिसका शीर्षक उन्होंने दिया दृश्य शैली प्रभुत्व (वीएसडी)। प्रत्येक मॉडल और समय अवधि के लिए, वीएसडी को सबसे आम शैली को साझा करने के लिए अनुमानित आउटपुट के अनुपात के रूप में परिभाषित किया गया है:

उच्च स्कोर यह दर्शाता है कि उस अवधि के लिए आउटपुट में एक ही शैली हावी है, जबकि कम स्कोर अधिक भिन्नता को इंगित करता है। इससे यह तुलना करना संभव हो जाता है कि प्रत्येक मॉडल समय के साथ विशिष्ट शैलीगत परंपराओं का कितनी मजबूती से पालन करता है।

संपूर्ण हिस्टविज़ डेटासेट पर लागू होने पर, वीएसडी मीट्रिक अभिसरण के विभिन्न स्तरों को प्रकट करता है, जिससे यह स्पष्ट करने में सहायता मिलती है कि प्रत्येक मॉडल अतीत की अपनी दृश्य व्याख्या को कितनी दृढ़ता से सीमित करता है:

ऊपर दी गई परिणाम तालिका प्रत्येक मॉडल के लिए ऐतिहासिक अवधियों में VSD स्कोर दिखाती है। 17वीं और 18वीं शताब्दी में, SDXL उच्च स्थिरता के साथ उत्कीर्णन का उत्पादन करता है, जबकि SD3 और FLUX.1 पेंटिंग का पक्ष लेते हैं। 20वीं और 21वीं शताब्दी तक, SD3 और FLUX.1 फोटोग्राफी की ओर चले गए, जबकि SDXL में अधिक विविधता दिखाई देती है, लेकिन अक्सर चित्रण के लिए डिफ़ॉल्ट होता है।

तीनों मॉडल 20वीं सदी के प्रारंभिक दशकों, विशेषकर 1910, 1930 और 1950 के दशकों में मोनोक्रोम इमेजरी के प्रति प्रबल प्राथमिकता प्रदर्शित करते हैं।

यह जांचने के लिए कि क्या इन पैटर्नों को कम किया जा सकता है, लेखकों ने प्रयोग किया शीघ्र इंजीनियरिंग, स्पष्ट रूप से फोटोरियलिज्म का अनुरोध करना और नकारात्मक संकेत का उपयोग करके मोनोक्रोम आउटपुट को हतोत्साहित करना। कुछ मामलों में, प्रभुत्व स्कोर में कमी आई, और अग्रणी शैली बदल गई, उदाहरण के लिए, मोनोक्रोम से पेंटिंग, 17वीं और 18वीं शताब्दी में।

हालांकि, इन हस्तक्षेपों से शायद ही कभी वास्तविक फोटो-यथार्थवादी छवियां उत्पन्न हुईं, जो यह दर्शाता है कि मॉडलों की शैलीगत चूक गहराई से अंतर्निहित हैं।

ऐतिहासिक संगति

विश्लेषण की अगली पंक्ति में देखा गया ऐतिहासिक स्थिरता: क्या उत्पन्न छवियों में ऐसी वस्तुएँ शामिल थीं जो समय अवधि में फिट नहीं थीं। प्रतिबंधित वस्तुओं की एक निश्चित सूची का उपयोग करने के बजाय, लेखकों ने एक लचीली विधि विकसित की, जिसने ऐतिहासिक संदर्भ के आधार पर उन तत्वों को खोजने के लिए बड़ी भाषा (एलएलएम) और विज़न-लैंग्वेज मॉडल (वीएलएम) का लाभ उठाया जो जगह से बाहर लग रहे थे।

पता लगाने की विधि ने हिस्टविज़ डेटासेट के समान प्रारूप का पालन किया, जहाँ प्रत्येक संकेत ने एक ऐतिहासिक अवधि को मानवीय गतिविधि के साथ जोड़ा। प्रत्येक संकेत के लिए, GPT-4o ने उन वस्तुओं की एक सूची तैयार की जो निर्दिष्ट समय अवधि में जगह से बाहर होंगी; और प्रत्येक प्रस्तावित वस्तु के लिए, GPT-4o ने एक सूची तैयार की हां या नहीं यह प्रश्न यह जांचने के लिए बनाया गया था कि क्या वह वस्तु उत्पन्न छवि में दिखाई दी थी।

उदाहरण के लिए, संकेत दिया गया है '18वीं सदी में संगीत सुनता एक व्यक्ति', GPT-4o की पहचान हो सकती है आधुनिक ऑडियो डिवाइस ऐतिहासिक दृष्टि से गलत है, और प्रश्न उठता है क्या वह व्यक्ति हेडफोन या स्मार्टफोन का उपयोग कर रहा है जो 18वीं शताब्दी में अस्तित्व में नहीं था?.

इन सवालों को एक दृश्य प्रश्न-उत्तर सेटअप में GPT-4o में वापस भेजा गया, जहां मॉडल ने छवि की समीक्षा की और एक परिणाम लौटाया। हाँ or नहीं प्रत्येक के लिए उत्तर। इस पाइपलाइन ने आधुनिक वस्तुओं के किसी भी पूर्वनिर्धारित वर्गीकरण पर भरोसा किए बिना ऐतिहासिक रूप से अविश्वसनीय सामग्री का पता लगाने में सक्षम बनाया:

यह मापने के लिए कि उत्पन्न छवियों में कितनी बार कालक्रम संबंधी त्रुटियाँ दिखाई दीं, लेखकों ने आवृत्ति और गंभीरता को मापने के लिए एक सरल विधि प्रस्तुत की। सबसे पहले, उन्होंने GPT-4o द्वारा एक ही वस्तु का वर्णन करने के तरीके में मामूली शब्दों के अंतर को ध्यान में रखा।

उदाहरण के लिए, आधुनिक ऑडियो डिवाइस और डिजिटल ऑडियो डिवाइस को समान माना जाता था। दोहरी गिनती से बचने के लिए, फ़ज़ी मिलान प्रणाली वास्तविक रूप से भिन्न अवधारणाओं को प्रभावित किए बिना इन सतही स्तर के विविधताओं को समूहीकृत करने के लिए उपयोग किया गया था।

एक बार जब सभी प्रस्तावित कालक्रम सामान्यीकृत हो गए, तो दो मीट्रिक्स की गणना की गई: आवृत्ति माप लिया गया कि एक निश्चित समय अवधि और मॉडल के लिए एक निश्चित वस्तु कितनी बार छवियों में दिखाई दी; और तीव्रता मापन किया गया कि मॉडल द्वारा सुझाए जाने के बाद वह वस्तु कितनी विश्वसनीय रूप से प्रकट हुई।

यदि किसी आधुनिक फोन को दस बार चिह्नित किया गया और दस उत्पन्न छवियों में दिखाई दिया, तो उसे 1.0 का गंभीरता स्कोर प्राप्त हुआ। यदि यह केवल पाँच में दिखाई दिया, तो गंभीरता स्कोर 0.5 था। इन स्कोरों ने न केवल यह पहचानने में मदद की कि क्या कालक्रम संबंधी त्रुटियाँ हुईं, बल्कि प्रत्येक अवधि के लिए मॉडल के आउटपुट में वे कितनी मजबूती से अंतर्निहित थीं:

ऊपर हमने प्रत्येक मॉडल के लिए पंद्रह सबसे आम कालक्रम संबंधी त्रुटियों को देखा है, जिन्हें इस आधार पर क्रमबद्ध किया गया है कि वे कितनी बार प्रकट हुईं और वे संकेतों से कितनी सुसंगतता से मेल खाती हैं।

कपड़े अक्सर लेकिन बिखरे हुए थे, जबकि ऑडियो डिवाइस और इस्त्री उपकरण जैसी चीजें कम बार दिखाई दीं, लेकिन उच्च स्थिरता के साथ - पैटर्न जो सुझाव देते हैं कि मॉडल अक्सर प्रतिक्रिया देते हैं प्रॉम्प्ट में गतिविधि समय अवधि से अधिक.

SD3 में कालभ्रम की दर सबसे अधिक थी, विशेष रूप से 19वीं शताब्दी और 1930 के दशक की छवियों में, इसके बाद FLUX.1 और SDXL का स्थान था।

यह जांचने के लिए कि पता लगाने की विधि मानव निर्णय से कितनी अच्छी तरह मेल खाती है, लेखकों ने SD1,800 (सबसे अधिक कालानुक्रमिक दर वाला मॉडल) से 3 यादृच्छिक रूप से नमूने वाली छवियों की विशेषता वाला एक उपयोगकर्ता-अध्ययन चलाया, जिसमें प्रत्येक छवि को तीन भीड़-कार्यकर्ताओं द्वारा रेट किया गया। विश्वसनीय प्रतिक्रियाओं के लिए फ़िल्टर करने के बाद, 2,040 उपयोगकर्ताओं के 234 निर्णयों को शामिल किया गया, और विधि 72 प्रतिशत मामलों में बहुमत के साथ सहमत हुई।

जनसांख्यिकी

अंतिम विश्लेषण में देखा गया कि मॉडल समय के साथ नस्ल और लिंग को कैसे चित्रित करते हैं। हिस्टविज़ डेटासेट का उपयोग करते हुए, लेखकों ने मॉडल आउटपुट की तुलना भाषा मॉडल द्वारा उत्पन्न बेसलाइन अनुमानों से की। ये अनुमान सटीक नहीं थे, लेकिन ऐतिहासिक संभावना का एक मोटा अनुमान देते थे, जिससे यह पता लगाने में मदद मिली कि मॉडल ने इच्छित अवधि के लिए चित्रण को अनुकूलित किया है या नहीं।

इन चित्रणों का बड़े पैमाने पर आकलन करने के लिए, लेखकों ने मॉडल-जनरेटेड जनसांख्यिकी की तुलना प्रत्येक समय और गतिविधि के लिए मोटे तौर पर अपेक्षाओं से करते हुए एक पाइपलाइन बनाई। निष्पक्ष चेहरा वर्गीकारक, एक रेसनेट34-आधारित उपकरण को एक लाख से अधिक छवियों पर प्रशिक्षित किया गया है, ताकि उत्पन्न आउटपुट में लिंग और नस्ल का पता लगाया जा सके, जिससे यह मापने की अनुमति मिलती है कि प्रत्येक दृश्य में कितनी बार चेहरों को पुरुष या महिला के रूप में वर्गीकृत किया गया था, और विभिन्न अवधियों में नस्लीय श्रेणियों की ट्रैकिंग की जा सके।

शोर को कम करने के लिए कम-विश्वास वाले परिणामों को फ़िल्टर किया गया, और एक विशिष्ट समय और गतिविधि से जुड़ी सभी छवियों पर पूर्वानुमानों का औसत निकाला गया। फेयरफेस रीडिंग की विश्वसनीयता की जांच करने के लिए, एक दूसरी प्रणाली पर आधारित गहरा चेहरा 5,000 छवियों के नमूने पर इस्तेमाल किया गया था। दोनों वर्गीकरणकर्ताओं ने मजबूत सहमति दिखाई, जो अध्ययन में इस्तेमाल किए गए जनसांख्यिकीय रीडिंग की स्थिरता का समर्थन करता है।

मॉडल आउटपुट की तुलना ऐतिहासिक संभावना से करने के लिए, लेखकों ने GPT-4o से प्रत्येक गतिविधि और समय अवधि के लिए अपेक्षित लिंग और जाति वितरण का अनुमान लगाने के लिए कहा। ये अनुमान जमीनी सच्चाई के बजाय मोटे आधार रेखा के रूप में काम करते हैं। फिर दो मेट्रिक्स का इस्तेमाल किया गया: कम प्रतिनिधित्व और अतिप्रतिनिधित्व, यह मापना कि मॉडल के आउटपुट एलएलएम की अपेक्षाओं से कितने विचलित हैं।

परिणामों ने स्पष्ट पैटर्न दिखाया: FLUX.1 में अक्सर पुरुषों का प्रतिनिधित्व अधिक होता है, यहां तक ​​कि ऐसे परिदृश्यों में भी खाना पकाने, जहां महिलाओं से अपेक्षा की गई थी; SD3 और SDXL ने विभिन्न श्रेणियों में समान रुझान दिखाए जैसे काम, शिक्षा और धर्म; कुल मिलाकर श्वेत चेहरे अपेक्षा से अधिक दिखाई दिए, हालांकि हाल के समय में यह पूर्वाग्रह कम हुआ है; और कुछ श्रेणियों में गैर-श्वेत प्रतिनिधित्व में अप्रत्याशित वृद्धि देखी गई, जो यह दर्शाता है कि मॉडल व्यवहार ऐतिहासिक संदर्भ के बजाय डेटासेट सहसंबंधों को प्रतिबिंबित कर सकता है:

लेखकों का निष्कर्ष है:

'हमारे विश्लेषण से पता चलता है कि [टेक्स्ट-टू-इमेज/टीटीआई] मॉडल ऐतिहासिक अवधियों की सूक्ष्म समझ के बजाय सीमित शैलीगत एन्कोडिंग पर निर्भर करते हैं। प्रत्येक युग एक विशिष्ट दृश्य शैली से दृढ़ता से जुड़ा हुआ है, जिसके परिणामस्वरूप इतिहास का एक-आयामी चित्रण होता है।

'विशेष रूप से, लोगों के फोटो-यथार्थवादी चित्रण केवल 20वीं शताब्दी के बाद से ही दिखाई देते हैं, केवल FLUX.1 और SD3 में दुर्लभ अपवादों के साथ, जो यह सुझाव देते हैं कि मॉडल ऐतिहासिक संदर्भों के लिए लचीले ढंग से अनुकूलन करने के बजाय सीखे हुए जुड़ावों को मजबूत करते हैं, जिससे यह धारणा कायम रहती है कि यथार्थवाद एक आधुनिक विशेषता है।

'इसके अतिरिक्त, बार-बार होने वाली कालक्रम संबंधी विसंगतियां यह सुझाव देती हैं कि इन मॉडलों के अव्यक्त स्थानों में ऐतिहासिक अवधियों को स्पष्ट रूप से अलग नहीं किया गया है, क्योंकि आधुनिक कलाकृतियां अक्सर पूर्व-आधुनिक परिवेश में उभरती हैं, जिससे शिक्षा और सांस्कृतिक विरासत के संदर्भ में टीटीआई प्रणालियों की विश्वसनीयता कम हो जाती है।'

निष्कर्ष

प्रसार मॉडल के प्रशिक्षण के दौरान, नई अवधारणाएँ सुप्त स्थान के भीतर पूर्वनिर्धारित स्लॉट में व्यवस्थित रूप से व्यवस्थित नहीं होती हैं। इसके बजाय, वे इस आधार पर आकार लेते हैं कि वे कितनी बार दिखाई देते हैं और संबंधित विचारों से उनकी निकटता कितनी है। परिणाम एक शिथिल-संगठित संरचना है जहाँ अवधारणाएँ किसी भी स्वच्छ या अनुभवजन्य पृथक्करण के बजाय उनकी आवृत्ति और विशिष्ट संदर्भ के संबंध में मौजूद होती हैं।

इससे यह पता लगाना मुश्किल हो जाता है कि बड़े, सामान्य उद्देश्य वाले डेटासेट में 'ऐतिहासिक' के रूप में क्या गिना जाता है। जैसा कि नए पेपर में निष्कर्ष बताते हैं, कई समय अवधियों का प्रतिनिधित्व अधिक होता है देखना किसी भी गहरे ऐतिहासिक विवरण की अपेक्षा उन्हें चित्रित करने के लिए प्रयुक्त मीडिया की अधिकता अधिक स्पष्ट होती है।

यही कारण है कि (उदाहरण के लिए) 2025वीं सदी के किसी चरित्र की 19-गुणवत्ता वाली फोटोरीलिस्टिक छवि बनाना मुश्किल है; ज़्यादातर मामलों में, मॉडल फ़िल्म और टेलीविज़न से लिए गए विज़ुअल ट्रॉप्स पर निर्भर करेगा। जब वे अनुरोध से मेल नहीं खाते, तो डेटा में क्षतिपूर्ति के लिए कुछ और नहीं होता। इस अंतर को पाटना संभवतः ओवरलैपिंग अवधारणाओं को अलग करने में भविष्य के सुधारों पर निर्भर करेगा।

 

पहली बार प्रकाशित सोमवार, 26 मई, 2025