एलएलएम में उलटा अभिशाप
उलटा अभिशाप एक आश्चर्यजनक विफलता मोड है जहां एक भाषा मॉडल जो सीखता है कि 'ए बी है' वह विश्वसनीय रूप से उत्तर नहीं दे सकता है 'बी ए है।' इससे पता चलता है कि एलएलएम तथ्यों को एक-दिशात्मक संघों के रूप में संग्रहीत करते हैं, न कि सममित ज्ञान के रूप में।
गहरा गोता
बर्गलुंड और सहकर्मियों द्वारा 2023 के पेपर में प्रलेखित, रिवर्सल श्राप से पता चलता है कि यदि एक मॉडल को 'टॉम क्रूज़ की मां मैरी ली फ़िफ़र है' पर प्रशिक्षित किया जाता है, तो यह अक्सर विफल हो जाता है जब पूछा जाता है कि 'मैरी ली फ़िफ़र का बेटा कौन है?' भले ही उत्तर तार्किक रूप से समान हो। यह प्रभाव सभी मॉडल आकारों में और ऐसे सैकड़ों तथ्यों पर फाइन-ट्यूनिंग के बाद भी बना रहता है। यह कोई मेमोरी गैप नहीं है: मॉडल ने जानकारी देखी है, लेकिन केवल एक क्रम में। क्योंकि प्रशिक्षण डेटा में सटीक शब्द क्रम पर अगली-टोकन भविष्यवाणी को अनुकूलित करता है, ए से बी तक का सांख्यिकीय लिंक स्वचालित रूप से बी से ए तक लिंक नहीं बनाता है। खोज ने उन धारणाओं को चुनौती दी है कि स्केल अकेले तथ्यों पर लचीला, मानव-समान तर्क पैदा करता है।
तकनीकी अंतर्दृष्टि
ट्रांसफॉर्मर पूर्व संदर्भ दिए गए अगले टोकन की भविष्यवाणी करके सीखते हैं, इसलिए ग्रेडिएंट अपडेट दिशात्मक मैपिंग 'ए फिर बी' को मजबूत करते हैं लेकिन 'बी फिर ए' को अछूता छोड़ देते हैं जब तक कि वह क्रम प्रशिक्षण में भी दिखाई न दे। दोनों दिशाएँ अलग-अलग भार पथों में रहती हैं। शोधकर्ताओं ने लॉग-संभावनाओं को मापकर इसकी पुष्टि की: एक आगे के तथ्य को सीखने के बाद, रिवर्स स्टेटमेंट की संभावना बेसलाइन के करीब रही, जिससे पता चला कि प्रशिक्षण के दौरान कोई अंतर्निहित तार्किक उलटा नहीं हुआ।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
एलएलएम में उत्क्रमण अभिशाप का भविष्य
अध्ययन के तहत शमन में द्विदिश डेटा संवर्द्धन (उल्टे वाक्यांशों को जोड़ना), प्रशिक्षण उद्देश्य जो दोनों दिशाओं में टोकन की भविष्यवाणी करते हैं, और पुनर्प्राप्ति प्रणाली शामिल हैं जो याद किए गए वजन पर भरोसा करने के बजाय सममित रूप से तथ्यों को देखते हैं। कुछ नए आर्किटेक्चर और रिवर्स-प्रीट्रेनिंग प्रयोग इस अंतर को कम करते हैं। उम्मीद करें कि अभिशाप कम हो जाएगा लेकिन गायब नहीं होगा, क्योंकि यह अगले-टोकन सीखने और वास्तविक दुनिया के संबंधों की सममित संरचना के बीच एक गहरे बेमेल को उजागर करता है।
वास्तविक विश्व कार्यान्वयन
एक चैटबॉट किसी सेलिब्रिटी के माता-पिता के बारे में सही-सही बताता है, लेकिन जब उससे उस माता-पिता के प्रसिद्ध बच्चे का नाम पूछा जाता है, तो वह असफल हो जाता है।
एक मॉडल का कहना है कि 'नौवें राष्ट्रपति विलियम हेनरी हैरिसन थे' फिर भी 'विलियम हेनरी हैरिसन किस नंबर के राष्ट्रपति थे' पर अटक गया।
एक कोडिंग सहायक जिसने फ़ंक्शन-टू-डिस्क्रिप्शन मैपिंग सीखी है, अकेले विवरण से फ़ंक्शन नाम पुनर्प्राप्त नहीं कर सकता है।
'ड्रग एक्स कंडीशन वाई का इलाज करता है' पर प्रशिक्षित एक मेडिकल क्यूए सिस्टम ड्रग एक्स को सूचीबद्ध करने में विफल रहता है जब उससे पूछा जाता है कि क्या कंडीशन वाई का इलाज करता है।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Reversal Curse in LLMs quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
ChatGPT और एलएलएम
अक्सर पूछे जाने वाले प्रश्नों
What is Reversal Curse in LLMs?
उलटा अभिशाप एक आश्चर्यजनक विफलता मोड है जहां एक भाषा मॉडल जो सीखता है कि 'ए बी है' वह विश्वसनीय रूप से उत्तर नहीं दे सकता है 'बी ए है।' इससे पता चलता है कि एलएलएम तथ्यों को एक-दिशात्मक संघों के रूप में संग्रहीत करते हैं, न कि सममित ज्ञान के रूप में।
उलटा अभिशाप क्या वर्णन करता है?
उलटा अभिशाप 'ए इज बी' पर प्रशिक्षण से यह अनुमान लगाने में विफलता है कि दोनों तार्किक रूप से समकक्ष हैं।
यंत्रवत रूप से उलटा अभिशाप क्यों घटित होता है?
क्योंकि प्रशिक्षण सटीक देखे गए क्रम में अगले टोकन की भविष्यवाणी को अनुकूलित करता है, रिवर्स मैपिंग को कभी भी सुदृढ़ नहीं किया जाता है जब तक कि यह प्रशिक्षण में भी प्रकट न हो।
क्या मॉडल का आकार बढ़ाने से उलटा अभिशाप विश्वसनीय रूप से ठीक हो जाता है?
मूल अध्ययन में पाया गया कि अभिशाप विभिन्न मॉडल आकारों में व्याप्त है, यह दर्शाता है कि केवल पैमाना इसका समाधान नहीं करता है।
कौन सा शमन सीधे उलटे अभिशाप को लक्षित करता है?
द्विदिशात्मक डेटा संवर्द्धन मॉडल को 'ए इज बी' और 'बी इज ए' दोनों के सामने उजागर करता है, जिससे गायब रिवर्स एसोसिएशन बनता है।
शोधकर्ताओं ने यह कैसे पुष्टि की कि मॉडल ने स्पष्ट रूप से विपरीत तथ्य नहीं सीखा है?
आगे के प्रशिक्षण के बाद उलटे कथन की संभावना बेसलाइन के करीब रही, जिससे पता चलता है कि कोई तार्किक उलटा नहीं हुआ था।