वाइब कोडिंग जब एआई की भूमिका बढ़ जाती है तो पीड़ित होती है

एक नए अध्ययन में पाया गया है कि वाइब कोडिंग में सुधार होता है जब मनुष्य निर्देश देते हैं, लेकिन जब एआई ऐसा करता है, तो यह गिर जाता है, और सबसे अच्छा हाइब्रिड सेटअप मनुष्यों को सबसे पहले रखता है, एआई को एक मध्यस्थ या न्यायाधीश के रूप में रखता है।

संयुक्त राज्य अमेरिका से नए शोध में, जिसमें यह देखा गया है कि जब एआई सिस्टम को वाइब कोडिंग को निर्देशित करने की अनुमति दी जाती है, न कि केवल मानव निर्देशों को निष्पादित करने के लिए, पाया गया है कि जब लार्ज लैंग्वेज मॉडल (एलएलएम) एक बड़ी दिशात्मक भूमिका निभाते हैं, तो परिणाम लगभग हमेशा खराब होते हैं।

हालांकि शोधकर्ताओं ने अपने मानव/एआई सहयोगी प्रयोगों के लिए ओपनएआई के जीपीटी-5 का उपयोग किया था, लेकिन बाद में उन्होंने पुष्टि की कि एंथ्रोपिक के क्लॉड ओपस 4.5 और गूगल जेमिनी 3 प्रो भी बढ़ती जिम्मेदारियों के साथ समान गिरावट की प्रवृत्ति के अधीन थे, यह कहते हुए कि ‘सीमित मानव भागीदारी लगातार प्रदर्शन में सुधार करती है’:

‘[मानव] प्रदान करते हैं विशिष्ट रूप से प्रभावी उच्च-स्तरीय मार्गदर्शन पुनरावृत्तियों के पार, [जबकि] एआई मार्गदर्शन अक्सर प्रदर्शन पतन की ओर ले जाता है। इसके अलावा, हम पाते हैं कि एक सावधानी से भूमिका आवंटन जो मानवों को दिशा के प्रभारी रखते हुए मूल्यांकन को एआई को सौंप देता है, हाइब्रिड प्रदर्शन में सुधार कर सकता है।’

एक नियंत्रित प्रयोगात्मक ढांचे का निर्माण किया गया था जिसमें एक पुनरावृत्ति कोडिंग कार्य शामिल था जिसमें एक संदर्भ छवि – जिसमें एक बिल्ली, कुत्ता, बाघ, पक्षी, हाथी, पेंगुइन, शार्क, ज़ेब्रा, गिरगिट, या पांडा की एक फोटो शामिल थी – को एसवीजी का उपयोग करके पुनः बनाना था, और उस पुनर्निर्माण का मूल्यांकन उस फोटो स्रोत के खिलाफ किया जाना था जिससे यह प्राप्त किया गया था:

मानव और एआई प्रतिभागियों को एक फोटोग्राफिक संदर्भ छवि के साथ-साथ एक एआई-जनित एसवीजी पुनर्निर्माण दिखाया गया था, और उन्हें यह रेट करने के लिए कहा गया था कि वे दोनों कितने समान थे एक सात-बिंदु स्केल पर। स्रोत – https://arxiv.org/pdf/2602.10473

प्रत्येक राउंड में, एक एजेंट ने एक कोड जनरेटर को मार्गदर्शन करने के लिए उच्च-स्तरीय प्राकृतिक भाषा निर्देश प्रदान किया, और दूसरे ने तय किया कि नए संस्करण को स्वीकार किया जाए या पिछले एक को वापस लिया जाए – एक संरचित लूप जो वास्तविक सहयोगी कार्य प्रवाह को दर्शाता है।

16 प्रयोगों में, 604 प्रतिभागियों और हजारों एपीआई कॉल के साथ, पूरी तरह से मानव-नेतृत्व वाले परीक्षण राउंड की तुलना पूरी तरह से एआई-नेतृत्व वाले राउंड से की गई, अन्यथा समान परिस्थितियों में।

विभिन्न मानव/एआई सहयोग प्रतिशत और प्रकारों द्वारा प्राप्त विभिन्न समाधान (स्रोत पत्र में एक बड़े चित्रण से लिया गया है, जिसे हम पाठक को संदर्भित करते हैं)।

हालांकि मानव और एआई ने शुरुआती चरण में समान स्तर पर प्रदर्शन किया, लेकिन समय के साथ उनके ट्रेजेक्टरी अलग हो गए: जब मानव निर्देश देते थे और चयन निर्णय लेते थे, तो समानता स्कोर पुनरावृत्तियों के साथ बढ़े, स्थिर सहज सुधार के साथ; लेकिन जब एआई सिस्टम दोनों भूमिकाएं निभाते थे, तो प्रदर्शन में कोई निरंतर लाभ नहीं होता था, और अक्सर पुनरावृत्तियों के साथ गिर जाता था – यहां तक कि जब同一个 अंतर्निहित मॉडल का उपयोग कोड जनरेशन के लिए किया जाता था, और एआई को मानव प्रतिभागियों के समान जानकारी तक पहुंच प्राप्त थी:

प्रोलिक्सिटी प्रभाव

परिणामों से यह भी पता चला कि मानव निर्देश आमतौर पर छोटे और क्रिया-उन्मुख होते थे, जो वर्तमान छवि में अगले बदलाव पर ध्यान केंद्रित करते थे; इसके विपरीत, एआई निर्देश लंबे और विस्तृत विवरण वाले थे (जो जीपीटी-5 के लिए पैरामीट्राइज़ किया गया था), जो दृश्य विशेषताओं को विस्तार से बताते थे, न कि सुधार को प्राथमिकता देते थे:

लेकिन, जैसा कि नीचे दिए गए ग्राफ में देखा गया है, एआई निर्देशों पर सख्त शब्द सीमा लगाने से पैटर्न को उल्टा नहीं किया जा सका; यहां तक कि 10, 20 या 30 शब्दों तक सीमित एआई-नेतृत्व वाले श्रृंखला भी समय के साथ सुधार नहीं दिखा पाई:

मानव-नेतृत्व वाले श्रृंखला की तुलना में पूरी तरह से एआई-नेतृत्व वाले श्रृंखला और 10, 20 या 30 शब्दों तक सीमित एआई-नेतृत्व वाले श्रृंखला के लिए समानता रेटिंग, जो दिखाती है कि एआई प्रोम्प्ट्स को छोटा करने से प्रदर्शन में गिरावट को रोका नहीं जा सकता है।

हाइब्रिड प्रयोगों ने पैटर्न को स्पष्ट किया, जो दिखाता है कि थोड़ा मानव भागीदारी जोड़ने से परिणाम में सुधार होता है, पूरी तरह से एआई-नेतृत्व वाले सेटअप की तुलना में; हालांकि, प्रदर्शन आमतौर पर गिर जाता है क्योंकि एआई मार्गदर्शन का हिस्सा बढ़ जाता है:

जब भूमिकाएं अलग की गईं, तो मूल्यांकन और चयन को एआई को सौंपा जा सकता था với अपेक्षाकृत कम गुणवत्ता में कमी, लेकिन मानव उच्च-स्तरीय निर्देश को एआई मार्गदर्शन से बदलने से प्रदर्शन में गिरावट आई, जो दर्शाता है कि सबसे महत्वपूर्ण बात यह नहीं है कि कौन कोड उत्पन्न करता है, बल्कि यह है कि कौन दिशा निर्धारित और बनाए रखता है पुनरावृत्तियों के माध्यम से।

लेखक निष्कर्ष निकालते हैं:

‘बार-बार प्रयोगों में, मानव-नेतृत्व वाले कोडिंग में पुनरावृत्तियों के साथ सुधार हुआ, जबकि एआई-नेतृत्व वाले कोडिंग में अक्सर पतन हुआ,尽管 उन्हें समान जानकारी और समान कार्यान्वयन क्षमताएं मिलीं।

‘यह आज के एआई सिस्टम के संघर्ष को दर्शाता है जो पुनरावृत्तियों के माध्यम से सुसंगत उच्च-स्तरीय दिशा बनाए रखने में असमर्थ होते हैं, जो सफल वाइब कोडिंग के लिए आवश्यक होता है’

नया पत्र यहाँ है, जिसका शीर्षक है सहयोगी वाइब कोडिंग में मानव मार्गदर्शन का महत्व, और यह कॉर्नेल विश्वविद्यालय, प्रिंसटन विश्वविद्यालय, मैसाचुसेट्स प्रौद्योगिकी संस्थान, और न्यूयॉर्क विश्वविद्यालय के सात शोधकर्ताओं से आया है।

विधि

प्रयोगों के लिए, एक मानव प्रशिक्षक ने जीपीटी-5 द्वारा उत्पन्न एक जानवर की फोटो देखी, साथ ही साथ उस जानवर के लिए सबसे अच्छा एसवीजी पुनर्निर्माण प्रयास। फिर उन्होंने कोड जनरेटर को एक करीबी मेल खाने के लिए प्राकृतिक भाषा निर्देश लिखे:

इस प्रकार, प्रत्येक राउंड में जनरेटर एक नई एसवीजी उत्पन्न करेगा, जो परीक्षण के लिए एक पुनरावृत्ति लूप प्रदान करेगा कि मार्गदर्शन का प्रभाव समय के साथ कैसे जमा होता है। लक्ष्य दस जीपीटी-5 द्वारा उत्पन्न जानवर छवियां थीं, जो विभिन्न आकारों और बनावटों को कवर करती थीं ताकि सुधार या त्रुटियां आसानी से पता लगाई जा सकें:

<img class="size-full wp-image-254931" src="https://www.unite.ai/wp-content/uploads/2026/02/figure-1-1.jpg" alt="अध्ययन में उपयोग किए गए वाइब कोडिंग कार्य प्रवाह की योजना। ए) में, एक मानव प्रशिक्षक एक फोटोग्राफिक संदर्भ छवि के साथ-साथ अब तक का सबसे अच्छा एसवीजी उत्पन्न देखता है और कोड जनरेटर के लिए अगले एसवीजी का उत्पादन करने के लिए प्राकृतिक भाषा निर्देश लिखता है; बी) में, एक मानव चयनकर्ता नई एसवीजी की तुलना पिछले एक से करता है और तय करता है कि कौन सा संस्करण संदर्भ छवि से बेहतर मेल खाता है, trước कि वह अगले राउंड के निर्देश के लिए चयनित एसवीजी को आगे बढ़ाता है। सी) में, स्वतंत्र मानव मूल्यांकनकर्ता प्रत्येक उत्पन्न एसवीजी की समानता का मूल्यांकन करते हैं इसके संदर्भ छवि के साथ, जो समग्र प्रदर्शन का मूल्यांकन करने के लिए उपयोग किए जाने वाले स्कोर प्रदान करते हैं।

एक मानव चयनकर्ता ने प्रत्येक नई एसवीजी की तुलना पिछले एक से की और या तो इसे स्वीकार किया या अस्वीकार कर दिया, जो पुनरावृत्तियों के माध्यम से संदर्भ छवि के साथ प्रक्रिया को संरेखित रखता था। इस बेसलाइन सेटअप में, एक ही मानव दोनों भूमिकाएं निभाता था।

गुणवत्ता को मापने के लिए, स्वतंत्र मानव मूल्यांकनकर्ताओं ने प्रत्येक उत्पन्न एसवीजी की समानता का मूल्यांकन किया इसके संदर्भ छवि के साथ। सोलह प्रयोगों में, 120 लोगों ने 4,800 मूल्यांकन किए। सभी प्रयोग प्सीनेट ढांचे पर चलाए गए, जो एक पोर्टल है जो मानवों और एआई सिस्टम के बीच संरचित परस्पर क्रिया को समायोजित करने के लिए डिज़ाइन किया गया है।

अध्ययन में 604 मूल अंग्रेजी भाषी भाग लेंगे, जो 4,800 एपीआई कॉल के माध्यम से कोड जनरेशन और 5,327 एपीआई कॉल के माध्यम से निर्देश के परीक्षण करेंगे। हालांकि जीपीटी-5 मुख्य मॉडल था, छोटे तुलनात्मक बैच एंथ्रोपिक के क्लॉड ओपस 4.5 और गूगल जेमिनी 3 प्रो के साथ बनाए गए थे, जिनमें से प्रत्येक ने 280 क्वेरी संभाली थी।

परिणाम

वाइब कोडिंग के तीस राउंड चलाए गए, प्रत्येक में पंद्रह बार मूल दस संदर्भ छवियों को संपादित किया गया। इन्हें करने के लिए 45 मानव प्रतिभागियों का चयन किया गया, जिनमें से प्रत्येक ने दस पुनरावृत्तियों के माध्यम से दोनों भूमिकाएं निभाईं, मानव-नेतृत्व वाले राउंड में:

प्रत्येक मोड़ में, एक ही प्रतिभागी ने पहले वर्तमान और पिछले एसवीजी के बीच चयन किया, और फिर अगले राउंड के निर्देश लिखे। एक दूसरे संस्करण ने मानव निर्णयों को जीपीटी 5 को एपीआई कॉल से बदल दिया, जबकि सेटअप के बाकी हिस्सों को अपरिवर्तित रखा। सभी मामलों में, प्रशिक्षक और चयनकर्ता भूमिकाएं कोड जनरेटर को सादी भाषा के साथ प्रेरित करती हैं।

एक प्रतिनिधि बहु-राउंड वाइब कोडिंग उदाहरण दिखाता है कि प्रक्रिया समय के साथ कैसे अलग हो जाती है; जब मानव दोनों भूमिकाएं निभाते हैं, तो एसवीजी आउटपुट पुनरावृत्तियों के माध्यम से स्थिर रूप से सुधारता है, प्रत्येक राउंड में संदर्भ छवि के करीब पहुंचता है:

एक संदर्भ छवि के लिए मानव-नेतृत्व वाले (ऊपर) और एआई-नेतृत्व वाले (नीचे) वाइब कोडिंग के लिए प्रगति का एक उदाहरण, जो दिखाता है कि मानव दोनों भूमिकाओं में सुधार होता है, और एआई दोनों भूमिकाओं में ठहराव या विचलन होता है।

इसके विपरीत, एआई-नेतृत्व वाले संस्करण में, शुरुआती राउंड में कभी-कभी मुख्य दृश्य विशेषताओं को पकड़ लेते थे, लेकिन बाद के प्रयास उन लाभों पर बने नहीं रह पाते थे, और कुछ मामलों में लक्ष्य से दूर हो जाते थे:

अंतिम पुनरावृत्ति से अंतिम आउटपुट, मानव-नेतृत्व वाले मोड़ (ऊपरी पंक्ति) की तुलना एआई-नेतृत्व वाले श्रृंखला (नीचे की पंक्ति) के साथ, एक ही संदर्भ छवियों के सेट के माध्यम से। मानव-नेतृत्व वाले परिणाम मूल जानवरों के करीब मेल खाते हैं, जबकि एआई-नेतृत्व वाले परिणाम दृश्य विकृतियों या प्रमुख विशेषताओं के नुकसान को प्रदर्शित करते हैं।

आगे बढ़ने वाले रुझानों को मात्रात्मक रूप से मापने के लिए, अंतिम छवियों को स्वतंत्र मानव रेटर्स को दिखाया गया और संदर्भ चित्रों के साथ समानता के लिए स्कोर किया गया। शुरुआती राउंड में, मानव-नेतृत्व वाले और एआई-नेतृत्व वाले रन ने लगभग समान स्कोर किया; लेकिन पंद्रहवें राउंड तक, अंतर स्पष्ट था, जिसमें मानव-चुनी हुई छवियों को लक्ष्यों के बहुत करीब रेट किया गया था। समय के साथ, मानव स्कोर स्थिर रूप से बढ़े, जिसमें एआई की तुलना में 27.1% का सबसे बड़ा सापेक्ष लाभ था।

मानव-नेतृत्व वाले और एआई-नेतृत्व वाले वाइब कोडिंग के लिए पुनरावृत्तियों के माध्यम से औसत समानता स्कोर, जो दिखाता है कि मानव दोनों भूमिकाओं में स्थिर लाभ होता है, और जीपीटी 5 द्वारा नेतृत्व किया जाता है तो एक स्थिर गिरावट होती है।

इस बात को सुनिश्चित करने के लिए कि उभरने वाले रुझान एक साथ कई मानव प्रतिभागियों की सामूहिक शक्ति के कारण नहीं थे, शोधकर्ताओं ने दस अतिरिक्त लोगों को एकल रूप से काम करने के लिए भर्ती किया, प्रत्येक ने तीन राउंड खुद चलाए – और परिणामों में सुधार हुआ, जो दिखाता है कि लाभ एक सामूहिक प्रयास का परिणाम नहीं था:

बड़ा चित्र

हालांकि, अगर जीपीटी-5 ने स्वयं आउटपुट का मूल्यांकन किया, तो क्या यह स्वीकार करेगा कि मानव परिणाम बेहतर थे? मानव और एआई रेटिंग आमतौर पर एक ही दिशा में चलती थीं, इसलिए मॉडल अच्छे और बुरे के बीच अंतर बता सकता था, लेकिन लगातार एआई-उत्पन्न छवियों को मानव द्वारा की तुलना में उच्च रेटिंग देता था:

‘विशेष रूप से, हमने पूछा कि क्या एआई एजेंट यह पहचानेंगे कि उनके स्वयं के आउटपुट मानव द्वारा उत्पन्न लोगों से कमतर हैं, या इसके बजाय अपनी स्वयं की रचनाओं के लिए प्राथमिकता दिखाएंगे, जो एक संभावित संरेखण समस्या को इंगित करेगा।’

जैसा कि यह निकला, वास्तव में एक संरेखण समस्या है*:

‘एआई मूल्यांकनकर्ताओं ने एआई-उत्पन्न [आउटपुट] को उच्च रेटिंग दी। ये निष्कर्ष सुझाव देते हैं कि देखे गए प्रदर्शन अंतर मानव और एआई के बीच प्रतिनिधित्व में असंगति से उत्पन्न हो सकते हैं।’

मानव और एआई दोनों के मार्गदर्शन को व्यक्त करने के तरीके में असंगतियां स्पष्ट हो गईं, जैसा कि नीचे दिए गए आंकड़े में देखा गया है:

कोडिंग कार्य के दौरान मानव और एआई द्वारा दिए गए निर्देशों की तुलना। ‘ए’ दिखाता है कि मानव संक्षिप्त, सीधे निर्देश लिखते हैं, जबकि एआई लंबे, विस्तृत विवरण लिखता है। ‘बी’ निर्देशों को मैप करता है, जो दिखाता है कि मानव प्रोम्प्ट एक साथ क्लस्टर होते हैं, जबकि एआई प्रोम्प्ट जानवर द्वारा अलग हो जाते हैं। ‘सी’ ट्रैक करता है कि एआई निर्देशों की लंबाई को सीमित करने से इसके खराब परिणामों को ठीक नहीं किया जा सकता है; और ‘डी’ दिखाता है कि मानव एआई की तुलना में अधिक विविध और संतुलित मार्गदर्शन प्रदान करते हैं, यहां तक कि जब शब्द सीमा लगाई जाती है।

मानव निर्देश आमतौर पर संक्षिप्त और स्पष्ट थे, जो अगले संपादन के लिए सामान्य सुझाव प्रदान करते थे; इसके विपरीत, एआई निर्देश घने और विस्तृत थे, जो छाया, बनावट, प्रकाश या शारीरिक विवरण जैसी दृश्य विशेषताओं पर ध्यान केंद्रित करते थे – जो अलग-अलग रूप से समझ में आते हैं, लेकिन मॉडल के लिए उपयोगी अगले चरण प्रदान नहीं करते हैं (और जो एलएलएम के चारों ओर संदर्भ लंबाई के मुद्दों से परिचित लोगों के लिए परिचित होंगे, अर्थात उन्हें परियोजना के विकास और विकास के रूप में ‘बड़ा चित्र’ बनाए रखने में परेशानी होती है)।

इस बात को देखने के लिए कि कम शब्दों वाले निर्देश सुधार ला सकते हैं या नहीं, जीपीटी-5 को 10, 20 या 30 शब्दों प्रति निर्देश तक सीमित किया गया था; लेकिन यहां तक कि इन संकुचित निर्देशों ने भी कोई सुधार नहीं दिखाया (ऊपर दिए गए ग्राफ के नीचे दाएं हिस्से में देखा गया है):

संयुक्त प्रयास

यह देखने के लिए कि जब मानव और एआई साझा नियंत्रण करते हैं, तो शोधकर्ताओं ने विभिन्न मानव और एआई इनपुट मिश्रण के साथ कोडिंग कार्य चलाए, जो मुख्य रूप से मानव से लेकर मुख्य रूप से एआई तक थे:

प्रत्येक हाइब्रिड मिश्रण ने पूरी तरह से एआई नियंत्रण से बेहतर प्रदर्शन किया, इसलिए थोड़ा मानव मार्गदर्शन परिणाम में सुधार लाया:

विभिन्न मानव/एआई मिश्रणों के साथ हाइब्रिड कोडिंग सेटअप। (ए) दिखाता है कि मानव और एआई ने प्रत्येक कोडिंग चरण के लिए प्रशिक्षक और चयनकर्ता के रूप में कैसे बारी-बारी से काम किया; (बी) दिखाता है कि अधिक मानव भागीदारी ने उच्च गुणवत्ता वाले परिणामों को जन्म दिया, जबकि अधिक एआई इनपुट ने स्कोर को कम कर दिया; और (सी) एक स्थिर गिरावट को दर्शाता है अंतिम आउटपुट की गुणवत्ता में मानव भागीदारी के हिस्से के रूप में कमी के साथ, जो पुष्टि करता है कि अधिक सुसंगत मानव दिशा ने बेहतर परिणाम उत्पन्न किए।

जैसा कि एआई ने प्रक्रिया में अधिक भूमिका निभाई, प्रदर्शन गिर गया, जिसमें सबसे अच्छे परिणाम देखे गए जब मानव अधिकांश राउंड का नेतृत्व करते थे, और सबसे कमजोर जब एआई अधिकांश राउंड का नेतृत्व करता था। इनमें से कोई भी मिश्रित सेटअप पुनरावृत्तियों के साथ सुधार जारी नहीं रख पाया, जो सुझाव देता है कि मानव दिशा तब सबसे अच्छा काम करती है जब यह स्थिर और निरंतर होती है, न कि अवसरवादी:

भूमिका उलट

अध्ययन ने यह भी देखा कि क्या यह मायने रखता है कौन क्या करता है इन प्रकार के कार्यों में, और इसके लिए परीक्षण किया:

जब दोनों काम मानव द्वारा किए गए, तो गुणवत्ता बनी रही; लेकिन जब एक मानव ने निर्देश दिए और कोई संस्करण के बीच नहीं चुना, तो गुणवत्ता खराब हो गई:

वाइब कोडिंग में भूमिका विभाजन के लिए परीक्षण: (ए) में, चयनकर्ता भूमिका को हटाने से गुणवत्ता में गिरावट आई, यहां तक कि जब एक मानव ने निर्देश दिया; (बी) में, मानव चयनकर्ता को एआई से बदलने से गुणवत्ता में थोड़ी गिरावट आई, लेकिन पूरी तरह से चयन को हटाने की तुलना में इतनी गंभीर नहीं थी।

जब एआई ने निर्देश दिया, तो चयन चरण को छोड़ने से कोई फर्क नहीं पड़ा, क्योंकि इसके आउटपुट दोनों ही स्थिर रहे; लेकिन जब मानव ने निर्देश दिया और एआई ने परिणामों के बीच चयन किया, तो गुणवत्ता पूरी तरह से मानव-नेतृत्व वाले सेटअप के करीब रही।

इसके विपरीत नहीं था: एआई को निर्देश देने और मानव को विकल्प चुनने के लिए कहने से कमजोर परिणाम मिले, जो सुझाव देता है कि मानव रचनात्मक मार्गदर्शन अभी भी आवश्यक है, जबकि विकल्पों के बीच चयन करने का काम एआई को सौंपा जा सकता है बिना बहुत अधिक नुकसान के:

लेखक निष्कर्ष निकालते हैं:

‘[उच्च-स्तरीय] विचार उत्पादन और निर्देश मानव योगदान हैं जो महत्वपूर्ण हैं, जबकि मूल्यांकन और चयन अक्सर एआई को सौंपे जा सकते हैं बिना प्रदर्शन में कमी के।

‘यह एक व्यावहारिक डिज़ाइन सिद्धांत को सुझाव देता है हाइब्रिड सिस्टम के लिए: मानव को दिशा निर्धारित करना चाहिए, जबकि एआई मूल्यांकन और कार्यान्वयन का समर्थन कर सकता है।’

निष्कर्ष

यह देखना बाकी है कि सुधारित और/या बढ़े हुए संदर्भ खिड़कियां इस प्रकार के कार्यों में एलएलएम के प्रदर्शन को कैसे प्रभावित करेंगी। जिस दिन ‘एलएलएम-विस्मृति’ मानव-एआई सहयोग का एक दैनिक समस्या नहीं रह जाएगा, वह एक दिन होगा जो उत्सव और चिंता दोनों का कारण हो सकता है, क्योंकि समस्या जो एआई हल करने का प्रयास कर रहा है, वास्तव में लोग हैं।

फिर भी, लेखकों का काम यह भी स्पष्ट करता है कि मानव और एआई के बीच आंतरिक और महत्वपूर्ण असहमति हैं गुणवत्ता के संबंध में, जो उपभोक्ताओं द्वारा एक अविस्मरणीय मानव अवधारणा के रूप में निर्धारित की जा सकती है।

* लेखकों के इनलाइन संदर्भों को हाइपरलिंक में बदलने का मेरा रूपांतरण।

पहली बार शुक्रवार, 13 फरवरी, 2026 को प्रकाशित।