एआई को बेहतर वीडियो समीक्षा देने के लिए सिखाना

जबकि बड़े दृष्टि-भाषा मॉडल (LVLMs) कंप्यूटर दृष्टि साहित्य में कुछ अधिक जटिल या चुनौतीपूर्ण प्रस्तुतियों की व्याख्या में सहायक हो सकते हैं, एक क्षेत्र है जहां वे कमजोर हैं: किसी भी वीडियो उदाहरणों के मेरिट और विषयगत गुणवत्ता का निर्धारण करना जो नए पत्रों के साथ आते हैं*।

यह एक महत्वपूर्ण पहलू है, क्योंकि वैज्ञानिक पत्र अक्सर प्रेरक पाठ या दृश्यों के माध्यम से उत्साह पैदा करने का लक्ष्य रखते हैं – या दोनों।

लेकिन वीडियो सिंथेसिस से संबंधित परियोजनाओं के मामले में, लेखकों को वास्तविक वीडियो आउटपुट दिखाना होगा या जोखिम होगा कि उनका काम खारिज कर दिया जाएगा; और यह उन प्रदर्शनों में है कि बोल्ड दावों और वास्तविक दुनिया के प्रदर्शन के बीच का अंतर सबसे अधिक बार स्पष्ट होता है।

मैंने पुस्तक पढ़ी, लेकिन फिल्म नहीं देखी

वर्तमान में, अधिकांश लोकप्रिय एपीआई-आधारित बड़े भाषा मॉडल (LLMs) और बड़े दृष्टि-भाषा मॉडल (LVLMs) वीडियो सामग्री का सीधे विश्लेषण नहीं करेंगे किसी भी तरह से, गुणात्मक या अन्यथा। इसके बजाय, वे केवल संबंधित प्रतिलिपि – और, शायद, टिप्पणी थ्रेड और अन्य सख्ती से पाठ-आधारित सहायक सामग्री का विश्लेषण कर सकते हैं।

GPT-4o, Google Gemini और Perplexity के विविध आपत्तियां, जब उनसे सीधे वीडियो विश्लेषण करने के लिए कहा गया, प्रतिलिपि या अन्य पाठ-आधारित स्रोतों के संदर्भ के बिना।

हालांकि, एक एलएलएम अपनी वीडियो देखने में असमर्थता को छुपा सकता है या नकार सकता है, जब तक कि आप उन्हें इसके बारे में नहीं पूछते:

एक नए शोध पत्र के साथ जुड़े वीडियो का विषयगत मूल्यांकन प्रदान करने के लिए कहा गया, और एक वास्तविक राय को नकली बनाने के बाद, ChatGPT-4o अंततः स्वीकार करता है कि यह वास्तव में वीडियो को सीधे देख नहीं सकता है।

हालांकि मॉडल जैसे ChatGPT-4o मल्टीमॉडल हैं, और वे कम से कम व्यक्तिगत फोटो (जैसे वीडियो से निकाली गई एक फ्रेम, ऊपर दी गई छवि देखें) का विश्लेषण कर सकते हैं, इसमें कुछ मुद्दे हैं:

दूसरा, कई, यदि अधिकांश उत्पन्न वीडियो के मुद्दों में एक कालिक पहलू होने की संभावना है जो एक फ्रेम ग्रैब में完全 खो जाता है – और इसलिए व्यक्तिगत फ्रेमों की जांच करना कोई उद्देश्य नहीं रखती है।

अंत में, एलएलएम केवल पाठ-आधारित ज्ञान को अवशोषित करने के आधार पर एक ‘मूल्य निर्णय’ दे सकता है, जैसे कि गहरे नकली छवियों या कला इतिहास के संबंध में:

फेकवीएलएम परियोजना एक विशेषज्ञ बहुस्तरीय दृष्टि-भाषा मॉडल के माध्यम से लक्षित गहरे नकली पता लगाने की पेशकश करती है। स्रोत: https://arxiv.org/pdf/2503.14905

यह नहीं कहा जा रहा है कि एक एलएलएम वीडियो से सीधे जानकारी प्राप्त नहीं कर सकता है; उदाहरण के लिए, YOLO जैसे सहायक एआई सिस्टम का उपयोग करके, एक एलएलएम वीडियो में वस्तुओं की पहचान कर सकता है – या यह सीधे कर सकता है यदि यह एक औसत से अधिक बहुस्तरीय कार्यों के लिए प्रशिक्षित किया गया हो।

लेकिन एक एलएलएम केवल तभी वीडियो का विषयगत मूल्यांकन कर सकता है (अर्थात, ‘यह वास्तविक नहीं लगता’) जब यह एक हानि फ़ंक्शन-आधारित मीट्रिक लागू करता है जो मानव राय को अच्छी तरह से प्रतिबिंबित करने के लिए जाना जाता है, या जो सीधे मानव राय से सूचित किया जाता है।

हानि फ़ंक्शन गणितीय उपकरण हैं जो प्रशिक्षण के दौरान मॉडल की भविष्यवाणियों को सही उत्तरों से कितनी दूर है, इसके उपाय के लिए उपयोग किए जाते हैं। वे मॉडल के प्रशिक्षण को मार्गदर्शन करने वाली प्रतिक्रिया प्रदान करते हैं: त्रुटि जितनी अधिक होगी, हानि उतनी ही अधिक होगी। जैसे-जैसे प्रशिक्षण आगे बढ़ता है, मॉडल अपने पैरामीटर को इस हानि को कम करने के लिए समायोजित करता है, धीरे-धीरे अपनी सटीक भविष्यवाणी करने की क्षमता में सुधार करता है।

हानि फ़ंक्शन मॉडल के प्रशिक्षण को नियंत्रित करने और एल्गोरिदम को कैलिब्रेट करने के लिए दोनों उपयोग किए जाते हैं जो एआई मॉडल के आउटपुट का मूल्यांकन करने के लिए डिज़ाइन किए गए हैं (जैसे कि एक जनरेटिव वीडियो मॉडल से सिम्युलेटेड फोटोरियलिस्टिक सामग्री का मूल्यांकन)।

सशर्त दृष्टि

मीट्रिक / हानि फ़ंक्शन में से सबसे लोकप्रिय में से एक फ्रेचेट इन्सेप्शन दूरी (FID) है, जो उत्पन्न छवियों की गुणवत्ता का मूल्यांकन करने के लिए उनके वितरण (जो यहाँ ‘छवियों को दृश्य विशेषताओं द्वारा कैसे फैलाया जाता है या समूहीकृत किया जाता है‘ का अर्थ है) और वास्तविक छवियों के बीच की समानता को मापता है।

विशेष रूप से, एफआईडी (माध्य और सहसंबंध का उपयोग करके) दोनों सेटों से निकाले गए विशेषताओं के बीच सांख्यिकीय अंतर की गणना करता है। एक कम एफआईडी स्कोर इंगित करता है कि उत्पन्न छवियां वास्तविक छवियों के समान हैं, जो बेहतर दृश्य गुणवत्ता और विविधता को दर्शाता है।

हालांकि, एफआईडी मूल रूप से तुलनात्मक और स्वयं-संदर्भित है। इसे दूर करने के लिए, बाद के सशर्त फ्रेचेट दूरी (सीएफडी, 2021) दृष्टिकोण एफआईडी से भिन्न है कि यह उत्पन्न छवियों की तुलना वास्तविक छवियों से करता है, और एक स्कोर का मूल्यांकन करता है जो यह देखता है कि दोनों सेट कितनी अच्छी तरह से एक अतिरिक्त स्थिति को पूरा करते हैं, जैसे कि एक (अनिवार्य रूप से विषयगत) वर्ग लेबल या इनपुट छवि।

इस तरह, सीएफआईडी यह देखता है कि छवियां कितनी अच्छी तरह से इरादित स्थितियों को पूरा करती हैं, न कि केवल उनकी वास्तविकता या आपसी विविधता को ही।

2021 सीएफडी आउटिंग से उदाहरण। स्रोत: https://github.com/Michael-Soloveitchik/CFID/

सीएफडी हाल के रुझान का पालन करता है जो मानव व्याख्या को हानि फ़ंक्शन और मीट्रिक एल्गोरिदम में बेक करता है। हालांकि इस तरह के मानव-केंद्रित दृष्टिकोण का मतलब है कि परिणामी एल्गोरिदम ‘सoulless’ या केवल यांत्रिक नहीं होगा, यह एक ही समय में कई मुद्दों को प्रस्तुत करता है: पूर्वाग्रह की संभावना; नए अभ्यासों के साथ एल्गोरिदम को अपडेट करने का बोझ; और बजटीय सीमाएं (कम मानव योगदानकर्ता निर्णय अधिक संदिग्ध बना देंगे, जबकि एक उच्च संख्या उपयोगी अपडेट को रोक सकती है लागत के कारण)।

सीएफ्रेड

यह हमें एक नए पत्र पर ले जाता है जो संयुक्त राज्य अमेरिका से प्रतीत होता है जो सशर्त फ्रेचेट दूरी (सीएफ्रेड) प्रदान करता है, जो मानव प्राथमिकताओं को बेहतर ढंग से प्रतिबिंबित करने के लिए डिज़ाइन किया गया एक नवीन दृष्टिकोण है जो दृश्य गुणवत्ता और पाठ-छवि संरेखण दोनों का मूल्यांकन करता है

नए पत्र से आंशिक परिणाम: "एक लिविंग रूम में एक सोफे और एक लैपटॉप कंप्यूटर के साथ एक लिविंग रूम" प्रॉम्प्ट के लिए विभिन्न मीट्रिक्स द्वारा छवि रैंकिंग (1-9)। हरा रंग शीर्ष मानव-रेटेड मॉडल (फ्लक्स.1-डेव) को हाइलाइट करता है, बैंगनी रंग निम्नतम (एसडीवी1.5) को हाइलाइट करता है। केवल सीएफ्रेड मानव रैंकिंग से मेल खाता है। कृपया पूर्ण परिणामों के लिए स्रोत पत्र देखें, जिन्हें हम यहां पुन: उत्पन्न करने के लिए जगह नहीं दे सकते हैं। स्रोत: https://arxiv.org/pdf/2503.21721

लेखकों का तर्क है कि मौजूदा मूल्यांकन विधियां, जैसे कि इन्सेप्शन स्कोर (आईएस) और एफआईडी, मानव निर्णय से खराब रूप से संरेखित हैं क्योंकि वे केवल छवि गुणवत्ता को मापते हैं और प्रॉम्प्ट के साथ छवियों का मेल नहीं रखते हैं:

‘उदाहरण के लिए, एक डेटासेट पर विचार करें जिसमें दो छवियां हैं: एक कुत्ते की और एक बिल्ली की, प्रत्येक को अपने संबंधित प्रॉम्प्ट के साथ जोड़ा गया है। एक आदर्श पाठ-से-छवि मॉडल जो इन मैपिंग को गलत तरीके से स्वैप करता है (अर्थात, कुत्ते के प्रॉम्प्ट के लिए एक बिल्ली और इसके विपरीत उत्पन्न करता है) शून्य एफआईडी तक पहुंच सकता है क्योंकि कुत्तों और बिल्लियों का समग्र वितरण बना रहता है, भले ही प्रॉम्प्ट के साथ मेल नहीं खाता हो। ‘

‘हम दिखाते हैं कि सीएफ्रेड बेहतर छवि गुणवत्ता मूल्यांकन और प्रॉम्प्ट पर सशर्तता को पकड़ता है और मानव प्राथमिकताओं के साथ बेहतर संबंध बनाता है।’

पत्र के परीक्षण यह दर्शाते हैं कि लेखकों के प्रस्तावित मीट्रिक, सीएफ्रेड, तीन बेंचमार्क डेटासेट (पार्टिप्रोम्प्ट्स, एचपीडीवी2, और सीओसीओ) पर एफआईडी, एफडीडीआईएनओवी2, सीएलआईपीएस्कोर, और सीएमएमडी की तुलना में मानव प्राथमिकताओं के साथ लगातार उच्च संबंध प्राप्त करता है।

概念 और विधि

लेखकों का उल्लेख है कि वर्तमान में पाठ-से-छवि मॉडल का मूल्यांकन करने के लिए मानव प्राथमिकता डेटा को इकट्ठा करने के लिए एक स्वर्ण मानक है, जो बड़े भाषा मॉडल (जैसे एलएमएसिस एरिना) के लिए उपयोग की जाने वाली विधियों के समान है।

उदाहरण के लिए, पार्टिप्रोम्प्ट्स एरिना 1,600 अंग्रेजी प्रॉम्प्ट का उपयोग करता है, जिसमें प्रतिभागियों को विभिन्न मॉडल से छवियों के जोड़े प्रस्तुत किए जाते हैं और उन्हें अपनी पसंदीदा छवि चुनने के लिए कहते हैं।

इसी तरह, टेक्स्ट-टू-इमेज एरिना लीडरबोर्ड उपयोगकर्ता तुलनाओं का उपयोग करके मॉडल आउटपुट के लिए ईएलओ स्कोर के माध्यम से रैंकिंग उत्पन्न करता है। हालांकि, इस तरह के मानव मूल्यांकन डेटा को इकट्ठा करना महंगा और धीमा है, जिससे कुछ प्लेटफ़ॉर्म – जैसे पार्टिप्रोम्प्ट्स एरिना – ने पूरी तरह से अपडेट बंद कर दिए हैं।

आर्टिफिशियल एनालिसिस इमेज एरिना लीडरबोर्ड, जो वर्तमान में अनुमानित नेताओं को जनरेटिव विज़ुअल एआई में रैंक करता है। स्रोत: https://artificialanalysis.ai/text-to-image/arena?tab=Leaderboard

हालांकि मानव प्राथमिकता डेटा पर प्रशिक्षित वैकल्पिक विधियां मौजूद हैं, उनकी प्रभावशीलता भविष्य के मॉडल का मूल्यांकन करने में अनिश्चित रहती है, क्योंकि मानव प्राथमिकताएं निरंतर विकसित होती रहती हैं। परिणामस्वरूप, स्वचालित मीट्रिक जैसे एफआईडी, सीएलआईपीएस्कोर, और लेखकों के प्रस्तावित सीएफ्रेड को मूल्यांकन उपकरण के रूप में महत्वपूर्ण बने रहने की संभावना है।

लेखकों का मानना है कि वास्तविक और उत्पन्न छवियां दोनों एक प्रॉम्प्ट पर सशर्त गाउसियन वितरण का पालन करती हैं, प्रत्येक को सशर्त माध्य और सहसंबंध द्वारा परिभाषित किया जाता है। सीएफ्रेड प्रॉम्प्ट के बीच इन सशर्त वितरण के बीच अपेक्षित फ्रेचेट दूरी को मापता है। यह सीधे सशर्त सांख्यिकी के संदर्भ में या अनशर्त सांख्यिकी के साथ प्रॉम्प्ट के साथ जुड़े क्रॉस-सहसंबंध को जोड़कर बनाया जा सकता है।

प्रॉम्प्ट को इस तरह शामिल करने से, सीएफ्रेड दोनों छवि की वास्तविकता और प्रॉम्प्ट के साथ इसकी संगति का मूल्यांकन कर सकता है।

डेटा और परीक्षण

सीएफ्रेड मानव प्राथमिकताओं के साथ कितनी अच्छी तरह से संबंधित है, इसका मूल्यांकन करने के लिए, लेखकों ने एक ही प्रॉम्प्ट के साथ विभिन्न मॉडल से छवि रैंकिंग का उपयोग किया। उनका मूल्यांकन दो स्रोतों से आया:

लेखकों ने एरिना के बिखरे हुए डेटा बिंदुओं को एक डेटासेट में एकत्र किया; जहां वास्तविक छवि मानव मूल्यांकन में सबसे ऊपर नहीं थी, उन्होंने संदर्भ के रूप में शीर्ष-रेटेड छवि का उपयोग किया।

नए मॉडल का परीक्षण करने के लिए, उन्होंने सीओसीओ के प्रशिक्षण और मूल्यांकन सेटों से 1,000 प्रॉम्प्ट का नमूना लिया, जो एचपीडीवी2 के साथ ओवरलैप नहीं करता है, और नौ मॉडल का उपयोग करके छवियां उत्पन्न कीं। मूल सीओसीओ छवियों ने इस मूल्यांकन के हिस्से में संदर्भ के रूप में कार्य किया।

सीएफ्रेड दृष्टिकोण का मूल्यांकन चार सांख्यिकीय मीट्रिक्स के माध्यम से किया गया था:

लेखकों का टिप्पणी है:

‘सीएफ्रेड उच्चतम मानव प्राथमिकताओं के साथ जुड़ाव हासिल करता है, 0.97 की संबंध में पहुंचता है। सांख्यिकीय मीट्रिक्स में, सीएफ्रेड उच्चतम संबंध और एचपीएसवी2 (0.94) के साथ तुलनात्मक है, जो मानव प्राथमिकताओं पर स्पष्ट रूप से प्रशिक्षित है। ‘

‘हालांकि, सीएफ्रेड मानव प्राथमिकता प्रशिक्षण के बिना मानव मूल्यांकन के साथ तुलनात्मक या अधिक संबंध प्राप्त करता है। ‘

‘इन परिणामों से पता चलता है कि सीएफ्रेड विभिन्न मॉडल के बीच अधिक विश्वसनीय रैंकिंग प्रदान करता है, मानक स्वचालित मीट्रिक्स और मानव प्राथमिकता डेटा पर प्रशिक्षित मीट्रिक्स की तुलना में।’

मूल्यांकन किए गए सभी मीट्रिक्स में, सीएफ्रेड ने उच्चतम रैंक सटीकता (91.1%) हासिल की, जो मानव निर्णयों के साथ मजबूत संबंध को दर्शाता है।

एचपीएसवी2 ने 88.9% के साथ दूसरा स्थान हासिल किया, जबकि एफआईडी और एफडीडीआईएनओवी2 ने 86.7% के प्रतिस्पर्धी स्कोर उत्पन्न किए। हालांकि मानव प्राथमिकता डेटा पर प्रशिक्षित मीट्रिक्स ने मानव मूल्यांकन के साथ अच्छा संबंध दिखाया, सीएफ्रेड सबसे मजबूत और विश्वसनीय साबित हुआ।

नीचे हम दूसरे परीक्षण दौर के परिणाम देखते हैं, इस बार पार्टिप्रोम्प्ट्स एरिना पर, जिसमें एसडीएक्सएल; कैंडिंस्की 2; वुर्स्टचेन; और कर्लो वी1.0 शामिल हैं:

पार्टिप्रोम्प्ट पर मॉडल रैंकिंग और स्कोर सांख्यिकीय मीट्रिक्स (एफआईडी, एफडीडीआईएनओवी2, सीएलआईपीएस्कोर, सीएमएमडी, और सीएफ्रेड) और मानव प्राथमिकता-प्रशिक्षित मीट्रिक्स (एस्थेटिक स्कोर, इमेजरिवार्ड, और एमपीएस) का उपयोग करते हुए। सर्वोत्तम परिणाम बोल्ड में हैं, दूसरा सर्वश्रेष्ठ अंडरलाइन में है।

यहां पत्र कहता है:

‘सांख्यिकीय मीट्रिक्स में, सीएफ्रेड मानव मूल्यांकन के साथ उच्चतम संबंध (0.73) प्राप्त करता है, एफआईडी और एफडीडीआईएनओवी2 दोनों 0.70 के संबंध तक पहुंचते हैं। इसके विपरीत, सीएलआईपी स्कोर मानव निर्णयों के साथ बहुत कम संबंध (0.12) दिखाता है। ‘

‘मानव प्राथमिकता-प्रशिक्षित श्रेणी में, एचपीएसवी2 मानव मूल्यांकन रुझानों को पकड़ने में सबसे प्रभावी है, उच्चतम संबंध (0.83) प्राप्त करता है, इसके बाद इमेजरिवार्ड (0.81) और एमपीएस (0.65) हैं। ये परिणाम यह दर्शाते हैं कि जबकि सीएफ्रेड एक मजबूत स्वचालित मीट्रिक है, एचपीएसवी2 पार्टिप्रोम्प्ट्स एरिना में मानव मूल्यांकन रुझानों को पकड़ने में सबसे प्रभावी है।’

अंत में, लेखकों ने सीओसीओ डेटासेट पर नौ आधुनिक पाठ-से-छवि मॉडल का मूल्यांकन किया:

मानव प्राथमिकता रैंकिंग को टेक्स्ट-टू-इमेज लीडरबोर्ड से ईएलओ स्कोर के रूप में प्राप्त किया गया था:

यादृच्छिक रूप से नमूने लिए गए सीओसीओ प्रॉम्प्ट पर मॉडल रैंकिंग स्वचालित मीट्रिक्स (एफआईडी, एफडीडीआईएनओवी2, सीएलआईपीएस्कोर, सीएमएमडी, और सीएफ्रेड) और मानव प्राथमिकता-प्रशिक्षित मीट्रिक्स (एस्थेटिक स्कोर, इमेजरिवार्ड, एचपीएसवी2, और एमपीएस) का उपयोग करते हुए। रैंक सटीकता 0.5 से कम होने से अधिक विवादित än संगत जोड़े का संकेत मिलता है, और सर्वोत्तम परिणाम बोल्ड में हैं, दूसरा सर्वश्रेष्ठ अंडरलाइन में है।

इस दौर के बारे में, शोधकर्ता कहते हैं:

‘सांख्यिकीय मीट्रिक्स (एफआईडी, एफडीडीआईएनओवी2, सीएलआईपी, सीएमएमडी, और हमारे प्रस्तावित सीएफ्रेड) में, केवल सीएफ्रेड मानव प्राथमिकताओं के साथ एक मजबूत संबंध (0.33) और एक गैर-तुच्छ रैंक सटीकता (66.67%) प्रदर्शित करता है। ‘यह परिणाम सीएफ्रेड को तीसरा सबसे जुड़ाव वाला मीट्रिक बनाता है, केवल मानव प्राथमिकता-प्रशिक्षित मीट्रिक्स इमेजरिवार्ड, एचपीएसवी2, और एमपीएस से पीछे है। ‘

‘नोट करने योग्य है कि अन्य सांख्यिकीय मीट्रिक्स मानव रैंकिंग के साथ कमजोर संबंध दिखाते हैं, और परिणामस्वरूप, रैंक सटीकता 0.5 से कम है, जो अधिक विवादित जोड़ों की तुलना में कम संगत जोड़ों का संकेत देता है। ‘

‘इन निष्कर्षों से पता चलता है कि सीएफ्रेड दृश्य विश्वास और प्रॉम्प्ट संगति दोनों के प्रति संवेदनशील है, और इसका मूल्यांकन करने के लिए एक व्यावहारिक, प्रशिक्षण-मुक्त विकल्प के रूप में जनरेटिव विज़ुअल एआई के लिए बेंचमार्किंग के लिए इसका मूल्य है।’

लेखकों ने यह भी इन्सेप्शन वी3 को एक बैकबोन के रूप में परीक्षण किया, जो साहित्य में इसकी व्यापकता को देखते हुए, और पाया कि यह ठीक से प्रदर्शन किया, लेकिन डीआईएनओवी2-एल / 14 और वीआईटी-एल / 16 जैसे ट्रांसफॉर्मर-आधारित बैकबोन से पिछड़ गया, जो मानव रैंकिंग के साथ अधिक संगत रूप से संरेखित होते हैं – और वे तर्क देते हैं कि यह आधुनिक मूल्यांकन सेटअप में इन्सेप्शन वी3 को बदलने का समर्थन करता है।

सीओसीओ डेटासेट पर वास्तविक मानव-व्युत्पन्न रैंकिंग के साथ मेल खाने वाली छवि बैकबोन की जीत दर।

निष्कर्ष

यह स्पष्ट है कि जबकि मानव-इन-द-लूप समाधान मीट्रिक और हानि फ़ंक्शन के विकास के लिए इष्टतम दृष्टिकोण हैं, इन योजनाओं के लिए आवश्यक पैमाने और अद्यतन की आवृत्ति उन्हें अभी भी व्यावहारिक बनाए रखेगी – शायद तब तक जब तक कि व्यापक सार्वजनिक भागीदारी मूल्यांकन में सामान्य रूप से प्रोत्साहित नहीं की जाती है; या, जैसा कि कैप्चा के मामले में हुआ है, लागू किया जाता है।

लेखकों की नई प्रणाली की विश्वसनीयता अभी भी मानव निर्णय के साथ इसके संरेखण पर निर्भर करती है, हालांकि कई अन्य हाल के मानव-भाग लेने वाले दृष्टिकोणों की तुलना में एक और स्तर पर; और सीएफ्रेड की वैधता तब तक बनी रहती है जब तक कि मानव प्राथमिकता डेटा में नहीं है, जो स्पष्ट रूप से ऐसा है (क्योंकि बिना इस बेंचमार्क के, यह दावा कि सीएफ्रेड मानव-जैसे मूल्यांकन को प्रतिबिंबित करता है, अप्रमाणित होगा)।

तर्कसंगत रूप से, हमारे वर्तमान मानदंडों को जनरेटिव आउटपुट में ‘वास्तविकता’ के लिए एक मीट्रिक फ़ंक्शन में अंकित करना एक दीर्घकालिक गलती हो सकती है, क्योंकि यह अवधारणा वर्तमान में नए जनरेटिव एआई प्रणालियों की नई लहर से हमला की जा रही है, और नियमित और महत्वपूर्ण संशोधन के लिए तैयार है।

* इस बिंदु पर मैं आमतौर पर एक उदाहरणात्मक चित्र उदाहरण शामिल करूंगा, शायद एक हालिया अकादमिक प्रस्तुति से; लेकिन यह दुर्भावनापूर्ण होगा – जो कोई भी अर्काइव के जनरेटिव एआई आउटपुट के माध्यम से 10-15 मिनट से अधिक समय बिताता है, उसने पहले से ही पूरक वीडियो का सामना किया होगा जिसकी विषयगत गुणवत्ता यह संकेत देती है कि संबंधित प्रस्तुति एक ऐतिहासिक पत्र के रूप में नहीं होगी।

† प्रयोगों में कुल 46 छवि बैकबोन मॉडल का उपयोग किया गया था, जिनमें से सभी ग्राफ़ किए गए परिणामों में शामिल नहीं थे। कृपया पत्र के परिशिष्ट में पूरी सूची के लिए संदर्भ लें; जिन लोगों को तालिकाओं और आंकड़ों में सूचीबद्ध किया गया है।

पहले प्रकाशित मंगलवार, 1 अप्रैल, 2025