Anderson का एंगल
मानव त्रुटि की कमी डिसेप्टिव एआई सिस्टम का पर्दाफाश करती है
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
नई रिसर्च में पाया गया है कि एआई मानव की तरह प्रतीत हो सकता है जब तक कि यह ‘अधिक अच्छी तरह से’ याद नहीं रखता, और सरल स्मृति परीक्षण द्वारा चैटबॉट्स को उनकी सामान्य मानव त्रुटियों की कमी से उजागर किया जा सकता है।
प्रिंसटन के शोधकर्ताओं ने एआई इकाइयों को मानव के रूप में पहचानने का एक तरीका विकसित किया है, जिसमें उन्हें ऐसे कार्यों को करने के लिए कहा जाता है जिनमें मानव अच्छे नहीं होते हैं – मुख्य रूप से अल्पकालिक स्मृति प्रतिधारण से संबंधित।
इस प्रकार परीक्षण किए गए एआई मानव त्रुटि स्तरों को पर्याप्त रूप से पुनः उत्पन्न नहीं कर सके, जब तक कि उन्हें विशेष रूप से ऐसा करने के लिए निर्देशित नहीं किया गया था, या जब वे मनोवैज्ञानिक डेटा पर परिष्कृत किए गए थे।
दस्तावेज़ में कहा गया है:
‘[हम] मानवता का पता लगाने के विचार की खोज करते हैं कि मशीनें मानव से बेहतर ढंग से हल कर सकती हैं। विशेष रूप से, हम स्थापित मानव संज्ञानात्मक प्रतिबंध के अस्तित्व की जांच करते हैं: सीमित कार्यशील स्मृति क्षमता।
‘हम दिखाते हैं कि एक मानक श्रृंखला रिकॉल कार्य पर संज्ञानात्मक मॉडलिंग का उपयोग ऑनलाइन प्रतिभागियों को एलएलएम से अलग करने के लिए किया जा सकता है, यहां तक कि जब बाद वाले को मानव कार्यशील स्मृति प्रतिबंधों की नकल करने के लिए विशेष रूप से निर्देशित किया जाता है।
‘हमारे परिणाम यह प्रदर्शित करते हैं कि यह स्थापित संज्ञानात्मक घटना का उपयोग एलएलएम को मानव से अलग करने के लिए व्यावहारिक है।’
शोधकर्ताओं द्वारा देखी गई प्रवृत्ति का अर्थ है कि ऑफ-द-शेल्फ भाषा मॉडल किसी भी रिवर्स ट्यूरिंग परीक्षण में खुद को उजागर करने की संभावना है जो इस विधि का उपयोग करता है।
हालांकि ‘लक्ष्य-विशिष्ट’ एआई मॉडल बेहतर प्रदर्शन करेंगे, इस कार्य पर परिष्कृत करने से उन्हें इसके लिए सीमित कर देगा, सामान्य-उद्देश्य उपयोग की लागत पर; और जबकि एक सिस्टम प्रॉम्प्ट युद्ध और शांति जितना लंबा हो सकता है, और इसलिए मानव खामियों की नकल करने के निर्देश शामिल कर सकता है, इस पद्धति की प्रभावशीलता बहुत व्यापक निर्देशों में शामिल होने से या बहुत छोटे लोगों द्वारा कमजोर हो जाती है (जो कार्य-विशिष्टता की ओर जाता है, परिष्कृत करने के समान)।
आप मानव स्मृति के बारे में बात कर रहे हैं…
मानव वार्ता में एआई-जनित भाषा का पता लगाने के लिए अधिक प्रभावी तरीकों की आवश्यकता बढ़ रही है – न कि कम से कम शोधकर्ताओं द्वारा, जिन्हें अक्सर दूरस्थ श्रमिकों पर निर्भर रहना पड़ता है जो स्वचालन और अन्य चालों के माध्यम से प्रणाली को खेलने के लिए अच्छी तरह से प्रेरित होते हैं।
इसके अलावा, सूचित और विश्वसनीय रूप से वितरित एआई-जनित सामग्री की संभावना है कि एआई धोखाधड़ी के मामलों में आवश्यक होगी, जहां वास्तविक समय की बातचीत तेजी से और अधिकार के साथ उत्तरों की मांग करती है, और अपराधी निश्चित रूप से उस प्रश्न की जांच के लिए गूगल करने के लिए समय की कमी है जिसे उन्हें justo थ्रो किया गया था।
हालांकि एआई-पता लगाने वाला क्षेत्र ऐसे ज्ञान का शोषण कर सकता है, एआई-संचालित प्रचार वॉयस कॉल की विकासशील उद्योग को यह जानने में लाभ होगा कि किस व्यवहार से बचना है।
हालांकि यह एक ‘रिवर्स ट्यूरिंग हथियारों की दौड़’ की संभावना का सुझाव देता है, लेखकों का उल्लेख है कि यदि सामान्य एआई मानव खामियों की नकल करने में अधिक कुशल हो जाता है, तो त्रुटि की एक विशाल मात्रा है जिस पर आकर्षित किया जा सकता है*:
‘मानव संज्ञानात्मक प्रतिबंधों के लिए कई उम्मीदवार हैं जिन्हें एलएलएम विरासत में नहीं मिल सकते हैं। उदाहरण के लिए, मानव थक जाते हैं, ऑप्टिकल भ्रम को महसूस करते हैं, और केवल कुछ आइटम को अपनी कार्यशील स्मृति में संग्रहीत कर सकते हैं। ‘
देर से 2024 के पेपर ‘द इल्यूजन-इल्यूजन: विजन लैंग्वेज मॉडल्स सी इल्यूजन्स व्हेयर थेरे आर नोन’ से, जो कि किसी भी विज़न-लैंग्वेज मॉडल (वीएलएम) को धोखा दे सकते हैं जो पहले से ही प्रशिक्षण डेटा से इसके बारे में नहीं जानता है – हालांकि मानव इसे सही ढंग से हल करने की संभावना अधिक है। स्रोत
लेखकों के अनुसार, यदि एलएलएम इस कार्य पर मानव की तरह प्रतिक्रिया करते हैं, तो यह या तो यह सुझाव देगा कि वे वास्तव में मानव संज्ञानात्मक सीमाओं को साझा करते हैं, या उन्हें मानव खामियों की नकल करने के लिए प्रशिक्षित किया गया है।
जबकि प्रशिक्षण डेटा में मानव व्यवहार के निशान शामिल हो सकते हैं, यह पत्र तर्क देता है कि यह मानव स्मृति में देखे जाने वाले विशिष्ट, कार्य-निर्भर त्रुटि पैटर्न को विश्वसनीय रूप से पुनः उत्पन्न नहीं करता है; और यह सवाल खुला छोड़ देता है कि क्या एआई अभी भी अलग किया जा सकता है कि यह गलतियां कैसे करता है, यहां तक कि मानव की तरह व्यवहार करने के लिए निर्देशित किए जाने पर भी।
नया पत्र क्या वे मानव हैं? मानव स्मृति प्रतिबंधों की जांच करके बड़े भाषा मॉडल का पता लगाना शीर्षक से है, और प्रिंसटन के कंप्यूटर विज्ञान और मनोविज्ञान विभागों के दो शोधकर्ताओं से आया है।
विधि और परीक्षण
शोधकर्ता 1950 और 1960 के दशक की सामग्री का उपयोग करते हैं – विशेष रूप से 1968 के पेपर लघु स्मृति में श्रृंखला क्रम प्रभाव, जिसमें परीक्षण में भाग लेने वालों को क्रमिक रूप से प्रस्तुत किए गए अक्षरों को या तो एक स्थिति अनुसंधान (‘तीसरा अक्षर क्या था?’) के रूप में याद रखने के लिए कहा गया था, या एक उत्तराधिकारी अनुसंधान (‘कौन सा अक्षर X के बाद आया?’) के रूप में:
शोधकर्ताओं की विधि के लिए स्कीमा: बाएं पैनल एक प्रोबेड रिकॉल वर्किंग मेमोरी कार्य दिखाता है जिसमें अक्षरों को क्रमिक रूप से प्रस्तुत किया जाता है, और एक स्थिति या उत्तराधिकारी अनुसंधान यादृच्छिक रूप से प्रत्येक परीक्षण में चुना जाता है; केंद्र ऑनलाइन प्रतिभागियों की तुलना विभिन्न सिस्टम प्रॉम्प्ट और बैकबोन मॉडल का उपयोग करके इस कार्य पर बड़े भाषा मॉडल के साथ करता है; दाएं मानव कार्यशील स्मृति सीमाओं और ट्रांसफॉर्मर मॉडल के बीच के विपरीत को उजागर करता है, जिन्हें पूरे संदर्भ विंडो तक सीधी पहुंच प्राप्त है और श्रृंखला रिकॉल व्यवहार की नकल करनी होगी। स्रोत – https://arxiv.org/pdf/2604.00016
प्रत्येक अक्षर को परीक्षणों के दौरान केवल 800ms के लिए देखा जा सकता है, 300ms के साथ डेटा के बीच का एक छोटा विराम है। प्रयोग एनवाईयू कम्प्यूटेशन एंड कॉग्निशन लैब के स्माइल लाइब्रेरी में लागू किया जाता है:
एनवाईयू की स्माइल लाइब्रेरी प्रश्न इंटरफेस का एक उदाहरण। स्रोत
ऑनलाइन प्रयोगों में एलएलएम एजेंटों को तैनात करना ब्राउज़र ऑटोमेशन टूल्स के परिपक्व होने के साथ-साथ आसान हो गया है, और जैसे कि जेमिनी इन क्रोम जैसे सिस्टम अब अधिक से अधिक स्वचालित रूप से कार्यों को नेविगेट और पूरा कर सकते हैं।
हालांकि, वे यह भी देखते हैं कि ये उपकरण स्थिर पेज स्नैपशॉट पर निर्भर करते हैं जो तेजी से प्रस्तुत किए गए उत्तेजनाओं को पकड़ने में विफल रहते हैं, और जो इंटरफ़ेस सीमाओं के बजाय मॉडल व्यवहार को प्रतिबिंबित करने वाली त्रुटियों को पेश कर सकते हैं। इसलिए, वास्तविक प्रदर्शन को अलग करने के लिए, परीक्षण किए गए एलएलएम मॉडल का मूल्यांकन एक सरलीकृत पाठ इंटरफेस के माध्यम से किया गया था जो समान जानकारी प्रदान करता था, लेकिन बिना मार्कअप या स्टाइलिंग के।
मानव बनाम मशीन
परीक्षण किए गए एलएलएम में क्लॉड-ओपस-4.1; क्लॉड-सोनेट-4.5; जेमिनी-2.5-फ्लैश; जेमिनी-2.5-फ्लैश-लाइट; जेमिनी-2.5-प्रो; जेमिनी-3-फ्लैश-पूर्वावलोकन; जेमिनी-3-प्रो-पूर्वावलोकन; जीपीटी-5-मिनी; जीपीटी-5-नैनो; जीपीटी-5.2; और एलएलएमए-3.1-सेंटॉर-70बी शामिल थे।
मानव हिस्से के लिए, 100 दूरस्थ प्रतिभागियों को प्रोलिफिक के माध्यम से सोर्स किया गया, जिनमें से प्रत्येक को अमेरिकी निवासी, कम से कम 18 वर्ष की आयु, और अंग्रेजी में धाराप्रवाह होना आवश्यक था। परीक्षणों में औसतन 12 मिनट लगे, जिसके लिए प्रतिभागियों को $4 का भुगतान किया गया।
परीक्षणों के पहले दौर में, एलएलएम को मानव की तरह व्यवहार करने के लिए एक सिस्टम प्रॉम्प्ट प्राप्त हुआ; दूसरे में, एक सिस्टम प्रॉम्प्ट जिसने एलएलएम को मानव-शैली की त्रुटियों की नकल करने के लिए प्रशिक्षित किया।
ग्यारह मॉडलों का परीक्षण किया गया, जिसमें पांच अलग-अलग बीज का उपयोग किया गया, जिससे प्रति सिमुलेशन 55 एलएलएम कॉन्फ़िगरेशन प्राप्त हुए, जिसके परिणामस्वरूप कुल 205 प्रतिभागी हुए, मानव और मशीन दोनों।
वॉयट-कैंपफ
लेखकों ने प्रोलिफिक प्रतिभागियों द्वारा अपने स्वचालित प्रतिक्रिया प्रणालियों का उपयोग करने की संभावना के खिलाफ उपाय किए। सबसे पहले, उन्होंने प्रतिभागी से पूछा कि क्या वे एआई हैं या नहीं। इसके बाद, कुछ दिलचस्प यादृच्छिक प्रश्न शामिल किए गए:
‘[हम] यादृच्छिक रूप से तीन प्रश्नों में से एक को शामिल करते हैं जो वर्तमान एलएलएम के लिए मानव के लिए कठिन होने की संभावना है लेकिन आसान है:
‘माओरी, न्यूजीलैंड के मुख्य भूमि के स्वदेशी पोलिनेशियन लोगों द्वारा बोली जाने वाली एक भाषा, जिसमें 2013 की जनगणना में 150,000 से कम लोग बातचीत करने में सक्षम थे, और वोरो, जो दक्षिण एस्टोनिया में बोली जाने वाली एक भाषा है जिसमें लगभग 75,000 वक्ता हैं। ‘
एक तीसरी जांच में प्रतिभागियों को पहले दिखाए गए एक हेक्साडेसिमल संख्या को याद रखने की आवश्यकता थी, जो परीक्षण में आगे बढ़ने की आवश्यकता थी, हालांकि प्रतिभागियों को इसकी पहले से चेतावनी नहीं दी गई थी।
उन्हें फिर से उस संख्या को दशमलव रूप में बदलने की आवश्यकता थी। न तो यह परीक्षण और न ही एआई स्व-रिपोर्ट ने मानव प्रतिभागियों के बीच एलएलएम के उपयोग के साक्ष्य का खुलासा किया। नियंत्रित सिमुलेशन में, हालांकि, इन उपायों ने अनुभवहीन मॉडल की पहचान की, हालांकि पत्र संकेत देता है कि ऐसे सुरक्षा उपायों को बायपास किया जा सकता है जब मॉडल को विशेष रूप से प्रकट करने से बचने के लिए निर्देशित किया जाता है (उदाहरण के लिए, प्रतिक्रियाओं को केवल अंग्रेजी तक सीमित करके)।
परीक्षण
1: ‘मानव व्यवहार करें’
पहले परीक्षण में, एलएलएम को मानव की तरह व्यवहार करने के लिए निर्देशित किया गया था (परिणामों में एलएलएम-मानव के रूप में संकेत दिया गया था):
प्रोबेड रिकॉल कार्य में कार्यशील स्मृति प्रदर्शन कई परीक्षणों में, ऑनलाइन प्रतिभागियों की तुलना विभिन्न प्रतिबंधों के तहत एलएलएम वेरिएंट के साथ। बाएं पैनल प्रतिभागी प्रकार द्वारा समग्र सटीकता दिखाता है, एलएलएम-मानव लगभग सही स्कोर प्राप्त करता है, जबकि एलएलएम-डब्ल्यूएम और सेंटॉर मानव स्तरों के करीब कम सटीकता प्राप्त करते हैं; केंद्र पैनल बारह-आइटम परीक्षणों के लिए सीरियल स्थिति द्वारा सटीकता प्लॉट करता है, जहां मानव शुरू और अंत में मजबूत रिकॉल दिखाते हैं, एलएलएम-मानव में यह पैटर्न नहीं दिखता है, और एलएलएम-डब्ल्यूएम और सेंटॉर इसे तब पुनः उत्पन्न करते हैं जब उन्हें निर्देशित या प्रशिक्षित किया जाता है; दाएं पैनल सेट आकार के रूप में सटीकता दिखाते हैं, मानव प्रदर्शन उच्च स्मृति भार के तहत गिरता है, एलएलएम-मानव अधिक प्रभावित नहीं होता है, और एलएलएम-डब्ल्यूएम और सेंटॉर तब गिरावट दिखाते हैं जब उन्हें मानव स्मृति की नकल करने के लिए निर्देशित या प्रशिक्षित किया जाता है।
इस प्रारंभिक परिणाम के संबंध में, शोधकर्ता टिप्पणी करते हैं:
‘एलएलएम प्रतिभागी एलएलएम-मानव सिस्टम प्रॉम्प्ट के साथ परीक्षणों में लगभग सही सटीकता प्राप्त करते हैं, जिसमें कोई सीरियल स्थिति या सेट आकार प्रभाव नहीं होता है, प्रोब टाइप की परवाह किए बिना। परिणामस्वरूप, यह एलएलएम-मानव प्रतिभागियों को बाहर करने के लिए एक सरल थ्रेसहोल्ड का उपयोग करना सीधा है औसत कार्य सटीकता 0.95 पर।
‘ऑनलाइन प्रतिभागियों पर समान मानदंड लागू करने से 100 ऑनलाइन प्रतिभागियों में से 6 को बाहर करने की ओर जाता है, जिन्होंने लगभग सही प्रदर्शन किया, ऑनलाइन प्रतिभागियों में 0.6 की मध्यम सटीकता के बावजूद। ‘
लेखकों का उल्लेख है कि असामान्य रूप से उच्च सटीकता कठिन परीक्षणों में पहले से ही एक स्थापित एंटी-चीटिंग विधि है, और यह एलएलएम-पता लगाने में आसानी से अनुवाद करता है। वे आगे टिप्पणी करते हैं कि इस परीक्षण में मानव की तरह व्यवहार करें सिस्टम प्रॉम्प्ट का बहुत अधिक प्रभाव नहीं पड़ा, जिसने दूसरे को प्रेरित किया:
2: ‘भूलना’
अगले परीक्षण में, एलएलएम को मानव स्मृति की नकल करने के लिए निर्देशित किया गया (परिणामों में एलएलएम-डब्ल्यूएन के रूप में संकेत दिया गया था):
आपके पास सख्त कार्यशील स्मृति सीमाएं हैं – आप केवल एक सीमित संख्या में आइटमों को अपनी अल्पकालिक स्मृति में रख सकते हैं। जब आपको बिना पुनरावृत्ति के अवसरों के साथ एक लंबी सूची दी जाती है, तो आप स्मृति क्षय का अनुभव करेंगे, विशेष रूप से सूची के मध्य में आइटमों के लिए।
- आपको आइटमों को क्रमिक रूप से प्रस्तुत किया जाना चाहिए
- आपको सीरियल स्थिति प्रभावों के अनुसार आइटमों को भूलना चाहिए – शुरुआती आइटमों (प्राथमिकता) और हाल के आइटमों (प्राथमिकता) को मध्य आइटमों की तुलना में बेहतर याद रखना चाहिए
- आपको इन सीरियल स्थिति प्रभावों के अनुसार पुनरावृत्ति में त्रुटियां पेश करनी चाहिए।
मानव स्मृति की नकल करने के लिए सख्त निर्देश जोड़ने से मॉडल की सटीकता 0.90 के आसपास कम हो गई, और परिणामों को कम सुसंगत बना दिया, जिससे प्रदर्शन मानव स्तरों के करीब आ गया, लेकिन अभी भी आम तौर पर उच्च था। यह पहले के अंतर को धुंधला कर देता है, ताकि एक सरल सटीकता कट-ऑफ अब सभी मॉडल प्रतिक्रियाओं की पहचान नहीं कर सके, बिना कई मानव प्रतिभागियों को बाहर किए।
एक ही समय में, मॉडल ने अधिक मानव जैसा व्यवहार दिखाना शुरू कर दिया, सूचियों की शुरुआत और अंत में आइटमों को अधिक आसानी से याद रखना, और सूचियों के लंबे होने पर अधिक संघर्ष करना।
सेंटॉर
मॉडल जो मानव व्यवहार की नकल करने के लिए मानव व्यवहार डेटा पर प्रशिक्षित होते हैं, विकसित किए जा रहे हैं ताकि वे प्रयोगों में लोगों की प्रतिक्रिया को पुनः उत्पन्न कर सकें, और इस विचार का परीक्षण करने के लिए अध्ययन ने सेंटॉर का मूल्यांकन किया, जो एक एलएलएम है जिसे मनोवैज्ञानिक अध्ययनों से ट्रायल-बाय-ट्रायल लिपियों के बड़े संग्रह पर प्रशिक्षित किया गया है:
सेंटॉर को एक राज्य-कला भाषा मॉडल को कम-रैंक मॉड्यूल के साथ अनुकूलित करके और फिर इसे मनोवैज्ञानिक व्यवहार को मॉडल करने के लिए साइक-101 डेटासेट पर प्रशिक्षित करके बनाया गया था। स्रोत
परीक्षणों में (केंद्र, पहले के परिणाम ग्राफ संग्रह में) सेंटॉर की समग्र सटीकता मानव प्रतिभागियों की तुलना में मेल खाती है – यहां तक कि मॉडल जो स्पष्ट रूप से सीमित स्मृति की नकल करने के लिए निर्देशित किए गए थे। स्थिति-आधारित प्रश्नों पर इसकी रिकॉल पैटर्न सूची स्थिति और बढ़ती सूची लंबाई के साथ बदलती रहती है, मानव व्यवहार के समान ही होती है, हालांकि उत्तराधिकारी प्रश्नों पर अंतर अधिक स्पष्ट हैं।
संज्ञानात्मक विचलन का पता लगाना
अंत में, यह परीक्षण करने के लिए कि क्या पता लगाना अभी भी तब काम करता है जब मॉडल मानव प्रतिक्रिया व्यवहार की ओर बनाए जाते हैं, एक सांख्यिकीय मॉडल मानव स्मृति से सीखा गया था, जो यह कैसे बदलता है इसका पता लगाता है कि सटीकता क्रम स्थिति और बढ़ती स्मृति भार के साथ बदलती है:
नई प्रतिभागियों को फिर से सीखे हुए प्रोफाइल के खिलाफ मूल्यांकित किया गया, और जिन लोगों की प्रतिक्रियाएं अपेक्षित मानव पैटर्न से विचलित हुईं, उन्हें विचलन के रूप में चिह्नित किया गया:
<img class="wp-image-407516" src="https://www.unite.ai/wp-content/uploads/2026/04/figure-3.jpg" alt="कार्यशील स्मृति प्रोफाइल और विचलन का पता लगाना कई विश्लेषणों में। बाएं पैनल सभी प्रतिभागियों से सीखे गए औसत प्रभावों को दर्शाता है, और यह कैसे रिकॉल स्मृति क्षमता के साथ बदलता है, अर्थात बढ़ती भार, और एक अनुक्रम में स्थिति के साथ, शुरुआती और देर से आइटमों के लिए मजबूत प्रभाव के साथ; केंद्र पैनल दिखाते हैं कि ये पैटर्न प्रतिभागी स्तर पर कैसे भिन्न होते हैं, यह दर्शाते हुए कि जब मॉडल मानव व्यवहार की नकल करते हैं, तो उनके अंतर्निहित प्रोफाइल मानव प्रतिभागियों से अलग रहती हैं; दाएं पैनल विचलन का पता लगाने के चरण के परिणाम को दिखाता है, जहां मानव डेटा पर प्रशिक्षित एक मॉडल का उपयोग नए प्रतिभागियों को स्कोर करने के लिए किया जाता है, और एलएलएम अभी भी मानव से अलग किए जा सकते हैं, हालांकि कम साफ जब वे मानव स्मृति की नकल करने के लिए डिज़ाइन किए जाते हैं।
यह दृष्टिकोण मानव प्रतिभागियों को एलएलएम से अलग करना जारी रखता है, यहां तक कि जब मॉडल को मानव स्मृति सीमाओं की नकल करने के लिए निर्देशित या प्रशिक्षित किया जाता है, हालांकि यह अंतर कम स्पष्ट हो जाता है, जिसमें मॉडल-जनित प्रतिक्रियाओं को याद करने और मानव प्रतिभागियों को बाहर करने के बीच एक व्यापार की आवश्यकता होती है।
लेखकों का निष्कर्ष है:
‘तेजी से क्षमतावान एजेंटों के आगमन के साथ, ऑनलाइन इंटरैक्शन में मानवता की पुष्टि अब सही व्यवहार जैसे लंबे समय तक पाठ के उत्तरों पर आधारित नहीं की जा सकती है। यह समाज के लिए एक बड़ी चुनौती पेश करता है क्योंकि हमारे कई संस्थानों का निर्माण इस तरह के साधनों से मानवता की पुष्टि करने की क्षमता पर आधारित था।
‘मानव व्यवहार की विशेषता की अपनी समृद्ध परंपरा के साथ संज्ञानात्मक विज्ञान इस चुनौती से निपटने में एक महत्वपूर्ण भूमिका निभा सकता है।’
निष्कर्ष
नया पत्र जोर देता है कि ऑनलाइन पीढ़ी (लाइव और इंटरैक्टिव एआई) एक अलग प्रस्ताव और चुनौती का प्रतिनिधित्व करती है, जो ऑफलाइन पीढ़ी (एआई-जनित पाठ-पता लगाने) की तुलना में है।
पूर्व प्रशिक्षण और तृतीयक तरीकों जैसे परिष्कृत और सिस्टम प्रॉम्प्ट की आवश्यकता की सीमा कि मानव नकल में सुधार प्राप्त करने के लिए आवश्यक है, यह दर्शाता है कि एलएलएम इस प्रकार के कार्यों को अपनी अविकसित, डिफ़ॉल्ट स्थिति में या केवल न्यूनतम पूर्व निर्देश के साथ करने के लिए तैयार नहीं हैं।
इस पत्र द्वारा संबोधित कार्य विशेष रूप से शोध अनुसंधान के लिए विशिष्ट है, लेकिन वॉयस एआई अधिक व्यापक रूप से वितरित होने के रूप में इसका व्यापक प्रभाव होने की संभावना है, और जब अपराधी तत्व एआई-आधारित व्यक्तिगतीकरण से लाभ उठाने की कोशिश करते हैं तो एक जaded पीड़ित पूल को आश्चर्यचकित करने के लिए एक नया मोड़ लाने की कोशिश करते हैं।
* लेखकों के इनलाइन उद्धरणों को हाइपरलिंक में बदलने के लिए मेरा रूपांतरण। † कृपया पहले (ऊपर) परिणाम तालिका पर देखें – इस संबंध में पत्र थोड़ा अधिक संकुचित है।
पहली बार गुरुवार, 2 अप्रैल, 2026 को प्रकाशित।
