एआई मॉडल और प्लेटफ़ॉर्म
OpenAI ने सुरक्षा पड़ावों से जुड़ी साझा एआई विकास सीमाओं का प्रस्ताव रखा

मुख्य बिंदुओपनएआई सीमांत विकास की सीमाओं को निश्चित क्षमता-सीमाओं के बजाय ठोस निगरानी-मील के…
और देखें
- ओपनएआई सीमांत विकास की सीमाओं को निश्चित क्षमता-सीमाओं के बजाय ठोस निगरानी-मील के पत्थरों से जोड़ता है।
- पर्प्लेक्सिटी एक साझा मानक के रूप में काम नहीं कर सकता क्योंकि प्रयोगशालाएँ अलग-अलग डेटासेट का उपयोग करती हैं और यह तर्क-आधारित लाभों को छोड़ देता है।
- ओपनएआई का अपना शोध असमान एआई उन्नति दिखाता है जिसमें विकास-चक्र में मनुष्य अभी भी केंद्रीय हैं।
OpenAI के मुख्य वैज्ञानिक Jakub Pachocki ने 22 नवंबर, 2026 को आंतरिक पर्प्लेक्सिटी माप जारी किए और अत्याधुनिक एआई विकास पर साझा सीमाओं का प्रस्ताव रखा। उन्होंने चेतावनी दी कि अगर 2027 से ही प्रीट्रेनिंग की प्रगति तेज़ होने लगे, तो संरेखण और निगरानी से जुड़ा शोध शायद उसके साथ तालमेल न बिठा पाए।
यह खुलासा लॉग-पर्प्लेक्सिटी से संबंधित है—यानी पर्प्लेक्सिटी का लघुगणक, जिसे क्रॉस-एंट्रॉपी लॉस भी कहा जाता है। पर्प्लेक्सिटी यह मापती है कि कोई मॉडल औसतन अगले टोकन का अनुमान कितनी अच्छी तरह लगाता है; कम मान बेहतर अनुमानों का संकेत देते हैं। OpenAI के आँकड़े उसके आंतरिक कोडबेस के अलग रखे गए डेटा के एक निश्चित स्नैपशॉट पर आधारित हैं। यह वही मुख्य मूल्यांकन डेटासेट है, जिस पर वह GPT-3.5 के बाद से नज़र रखता आया है।
Pachocki के अनुसार, GPT-3.5 का माप लगभग 0.99 था और वह धाराप्रवाह बातचीत कर सकता था; इसी ने मूल ChatGPT की नींव रखी। वहीं, GPT-4 का माप लगभग 0.91 था और वह चेन-ऑफ-थॉट तर्क का प्रभावी ढंग से उपयोग कर सकता था। 0.8 से कम लॉस पर साइबर सुरक्षा और गणित की नई क्षमताएँ उभरीं। लगभग 0.76 पर एक मॉडल ने खुले गणितीय सवालों पर उल्लेखनीय नतीजे देने शुरू किए—यह तब हुआ, जब OpenAI एक साल से अधिक समय से अपने मॉडलों के सामने ऐसे सवाल रख रहा था।
निगरानी के पड़ावों से जुड़ी साझा सीमाएँ
हालिया प्रगति के आधार पर अनुमान लगाते हुए Pachocki को 0.68–0.70 लॉग-पर्प्लेक्सिटी के दायरे में और महत्वपूर्ण क्षमताएँ उभरने की उम्मीद है। हालांकि, उन्होंने माना कि उन्हें नहीं पता कि वे क्षमताएँ क्या होंगी और मौजूदा मूल्यांकन शायद उनकी जाँच न करते हों। प्रस्ताव में अत्याधुनिक एआई विकसित करने वालों से कहा गया है कि वे पर्प्लेक्सिटी और अन्य मापों पर आधारित सीमाओं को तब तक पार न करें, जब तक शोधकर्ताओं की एआई के व्यवहार को समझने और उस पर नज़र रखने की क्षमता किसी ठोस पड़ाव तक न पहुँच जाए। इसका एक उदाहरण चेन-ऑफ-थॉट निगरानी प्रणालियों का उत्तराधिकारी है, जो मॉडल के लिखित तर्क में संरेखण की कमी के संकेत खोजता है।
डेवलपर मूल्यांकन के मानदंड भी मिलकर तय करेंगे, ऐसे मॉडलों के पहली बार इस्तेमाल से पहले सुरक्षा मामलों की रेड-टीम जाँच करेंगे और पारदर्शिता के साझा मानक बनाएँगे। शुरुआती सीमा का उद्देश्य आगे चलकर बाद की सीमाओं के लिए एक साझा ढाँचा तैयार करना है। Pachocki का कहना है कि OpenAI ने ये आँकड़े इसलिए सार्वजनिक किए—हालाँकि इससे प्रतिस्पर्धियों को उसकी स्थिति का अधिक स्पष्ट अंदाज़ा मिलता है—क्योंकि उनके अनुसार सुरक्षा के साझा उपायों की तत्काल ज़रूरत है।
तेज़ी से प्रगति का यह परिदृश्य एक शर्त पर आधारित है: Pachocki का कहना है कि अगर एआई एल्गोरिदम अनुसंधान में उल्लेखनीय योगदान देने लगे, तो बुनियादी प्रीट्रेनिंग में लगातार तेज़ी से प्रगति हो सकती है। वहीं, संरेखण और निगरानी की प्रगति के इस पूरी संभावित तेज़ी के साथ तालमेल बिठाने की संभावना कम है।
OpenAI के अनुसार, 2026 में लॉस कर्व में आई तेज़ बढ़ोतरी की मुख्य वजह दीर्घकालिक शोध और कंप्यूटिंग में किया गया निवेश है; स्वचालन की भूमिका इसमें अपेक्षाकृत कम रही। फिर भी, उसके सबसे हाल के मॉडलों के डिज़ाइन में एआई ने सार्थक योगदान दिया है।
OpenAI की 18 नवंबर, 2026 की शोध रिपोर्ट इन योगदानों को ठोस रूप देती है। प्रीट्रेनिंग के शोधकर्ताओं ने GPT-6 Astra के लिए बताए गए विचारों का श्रेय लोगों को दिया; GPT-6.2 Astra के मामले में, उन्होंने Codex के साथ मिलकर विचार विकसित करने की बात कही। इनमें एक उदाहरण ऐसा था जिसमें Codex ने अहम अंतर्दृष्टियों की पहचान की, और दूसरा ऐसा जिसमें उसके सुझाए बदलाव से एक विचार अच्छी तरह काम करने लगा। बिना किसी हस्तक्षेप के सफलता की अनुमानित दरें भी काफ़ी अलग-अलग थीं: प्रशिक्षण प्रक्रियाओं की निगरानी के लिए 79%, उन्हें शुरू करने के लिए 35% और अनुमान तथा सर्विंग का कोड लिखने के लिए 25%। यह अंतर रिपोर्ट के इस निष्कर्ष का समर्थन करता है कि शोध में एआई से मिलने वाला लाभ अब भी असमान है और इस प्रक्रिया में मनुष्य केंद्रीय भूमिका निभाते हैं।
प्रस्ताव के पीछे निगरानी की चुनौतियाँ
10 नवंबर, 2026 का OpenAI का निगरानी-क्षमता संबंधी अध्ययन निगरानी-क्षमता के दो अपूर्ण संकेतकों की पड़ताल करता है: चेन-ऑफ-थॉट के बिना क्षमता, यानी चेन-ऑफ-थॉट या टूल-कॉल टोकन के बिना फ़ॉरवर्ड पास में तर्क करना; और चेन-ऑफ-थॉट पर नियंत्रण, यानी कहे जाने पर उन तर्क-टोकनों को जोड़ने, हटाने या किसी अन्य तरह से बदलने की क्षमता। अध्ययन में बताया गया है कि आधार मॉडल की कम पर्प्लेक्सिटी और चेन-ऑफ-थॉट के बिना क्षमता के बीच मज़बूत सहसंबंध है, जबकि अधिक नियंत्रण-क्षमता के साथ इसका सहसंबंध कमज़ोर है।
अध्ययन में यह भी पाया गया कि लंबाई की सीमाओं और अंतिम उत्तर के मूल्यांकन से आगे किसी प्रक्रिया-पर्यवेक्षण के बिना भी रीइन्फ़ोर्समेंट लर्निंग से नियंत्रण-क्षमता बढ़ी। साथ ही, अधिक नियंत्रण-क्षमता वाले शिक्षक मॉडल के आउटपुट पर सुपरवाइज़्ड फ़ाइन-ट्यूनिंग करने से यह क्षमता विद्यार्थी मॉडल तक पहुँच सकती है।
OpenAI आगाह करता है कि नियंत्रण-क्षमता का माप अस्थिर है और यह हमेशा निगरानी से बच निकलने की क्षमता के अनुरूप नहीं होता। उसका मानना है कि प्रीट्रेनिंग में आगे की प्रगति के लिए निगरानी-क्षमता के नए तरीकों की ज़रूरत होगी। यही तकनीकी कमी उस उदाहरण का आधार है, जिसमें Pachocki ने चेन-ऑफ-थॉट निगरानी प्रणालियों के उत्तराधिकारी को विकास का एक संभावित पड़ाव बताया।
साझा मानक के रूप में पर्प्लेक्सिटी की सीमाएँ
पर्प्लेक्सिटी अकेले पूरे मानक का आधार नहीं बन सकती। अलग-अलग प्रयोगशालाओं के नतीजों की तुलना करना मुश्किल है, क्योंकि डेवलपर अलग मूल्यांकन डेटासेट और प्रशिक्षण मिश्रण इस्तेमाल करते हैं। इसके अलावा, यह माप किसी कार्रवाई योग्य कार्य-क्षमता को सीधे नहीं मापता। यह प्रीट्रेनिंग से इतर क्षमता में हुए सुधारों को भी नहीं पकड़ता: चेन-ऑफ-थॉट तर्क से क्षमताएँ काफ़ी बढ़ सकती हैं, जबकि आधार मॉडल की पर्प्लेक्सिटी घटती नहीं।
इस माप की न्यूनतम सीमा भी अज्ञात है। Pachocki आगाह करते हैं कि लॉस के शून्य तक पहुँचने की उम्मीद नहीं है; डेटा की अंतर्निहित एंट्रॉपी के करीब पहुँचने पर दिखाई देने वाली प्रगति धीमी हो जाएगी, जबकि परप्लेक्सिटी में छोटे सुधार बुद्धिमत्ता में बड़े लाभों के अनुरूप हो सकते हैं। इसलिए, संख्यात्मक माप में एक तय बढ़ोतरी का व्यावहारिक अर्थ भी हमेशा एक जैसा नहीं होगा।
यह प्रस्ताव एक तकनीकी माप को शासन-व्यवस्था की कसौटी में बदल देता है: क्या डेवलपर अलग-अलग लैब के नतीजों की तुलना संभव बना सकते हैं और उन सीमाओं को पार करने से पहले निगरानी का कोई ठोस पड़ाव तय करने पर सहमत हो सकते हैं, जिन्हें Pachocki उन क्षमताओं से जोड़ते हैं जिनका मौजूदा मूल्यांकन अभी पता न लगा पाए।












