टेस्ट-टाइम कंप्यूट स्केलिंग
टेस्ट-टाइम कंप्यूट स्केलिंग का अर्थ है किसी मॉडल को किसी प्रश्न का उत्तर देते समय अधिक सोचने और गणना करने का समय देना, न कि केवल प्रशिक्षण के दौरान इसे बड़ा करना।
सिंहावलोकन
It is the breakthrough behind 'reasoning models' that can solve hard math and coding problems by deliberating before responding.
गहरा गोता
वर्षों से, एआई प्रगति का मतलब स्केलिंग प्रशिक्षण था: अधिक डेटा, अधिक पैरामीटर, अधिक प्रीट्रेनिंग गणना। परीक्षण-समय गणना स्केलिंग एक दूसरी धुरी जोड़ती है, अनुमान पर अधिक गणना खर्च करती है। तुरंत उत्तर देने के बजाय, एक तर्क मॉडल विचारों की एक लंबी आंतरिक श्रृंखला उत्पन्न करता है, चरणों की खोज करता है, काम की जाँच करता है और पीछे हटता है। तकनीकों में विस्तारित विचार-श्रृंखला, कई उम्मीदवार समाधानों का नमूना लेना और सर्वोत्तम (आत्म-स्थिरता या सर्वोत्तम-एन) चुनना, और एक सत्यापनकर्ता या इनाम मॉडल द्वारा निर्देशित ट्री-शैली खोज शामिल है। OpenAI के o1 और o3, DeepSeek-R1, और Claude की विस्तारित सोच ने इसे लोकप्रिय बना दिया: जैसे ही आप मॉडल को 'लंबे समय तक सोचने' देते हैं, प्रतिस्पर्धा गणित और प्रोग्रामिंग पर सटीकता तेजी से बढ़ती है, जहां त्वरित उत्तर विफल हो जाता है, वहां समस्याओं पर शुद्धता के लिए विलंबता और लागत का व्यापार होता है।
तकनीकी अंतर्दृष्टि
मॉडल को उपयोगी तर्क टोकन उत्पन्न करने के लिए सुदृढीकरण सीखने के साथ प्रशिक्षित किया जाता है, फिर अनुमान पर आप एक 'सोच बजट' आवंटित करते हैं। अधिक टोकन इसे समस्याओं को विघटित करने, अपनी त्रुटियों को पकड़ने और स्वयं-सत्यापन करने देते हैं। बेस्ट-ऑफ-एन सैंपलिंग और सत्यापनकर्ता-निर्देशित खोज समानांतर गणना जोड़ते हैं: कई प्रयास उत्पन्न करते हैं, उन्हें स्कोर करते हैं, विजेता को बनाए रखते हैं। महत्वपूर्ण रूप से, उदार परीक्षण-समय की गणना वाले छोटे मॉडल बहुत बड़े मॉडल से मेल खा सकते हैं जो तुरंत उत्तर देते हैं, लागत वक्र को नया आकार देते हैं।
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।
टेस्ट-टाइम कंप्यूट स्केलिंग का भविष्य
परीक्षण-समय की गणना अब प्रशिक्षण के साथ-साथ एक प्राथमिक स्केलिंग लीवर है। अनुकूली बजट की अपेक्षा करें जहां मॉडल यह तय करता है कि कठिनाई के आधार पर कितना कठिन सोचना है, लंबी श्रृंखलाओं को छोटी श्रृंखलाओं में आसवन के माध्यम से सस्ता तर्क, और 'एजेंट' लूप जो टूल कॉल और वेब खोजों के साथ सोच को जोड़ते हैं। जैसे-जैसे अनुमान हार्डवेयर में सुधार होता है, वैज्ञानिक अनुसंधान, सॉफ्टवेयर इंजीनियरिंग और जटिल योजना जैसे उच्च जोखिम वाले कार्यों के लिए जानबूझकर किया गया तर्क डिफ़ॉल्ट बन जाएगा, जबकि त्वरित लुकअप तेज और सस्ता रहेगा।
वास्तविक विश्व कार्यान्वयन
OpenAI के o1 और o3 मॉडल ओलंपियाड-स्तर की गणित समस्याओं के माध्यम से चरण दर चरण सोचते हैं, AIME और प्रतियोगिता बेंचमार्क पर त्वरित-उत्तर मॉडल को नाटकीय रूप से मात देते हैं।
डीपसीक-आर1 ने लंबी श्रृंखला-विचार तर्क सिखाने के लिए सुदृढीकरण सीखने का उपयोग किया, अतिरिक्त अनुमान गणना से बड़े सटीकता लाभ का खुले तौर पर प्रदर्शन किया।
Claude का विस्तारित सोच मोड डेवलपर्स को एक टोकन बजट निर्धारित करने देता है ताकि मॉडल उत्तर देने से पहले जटिल कोडिंग या विश्लेषण कार्यों पर अधिक समय तक विचार कर सके।
अल्फ़ाकोड और इसी तरह के सिस्टम परीक्षण के समय हजारों उम्मीदवार कार्यक्रमों का नमूना लेते हैं, फिर प्रतिस्पर्धी प्रोग्रामिंग चुनौतियों को हल करने के लिए उन्हें फ़िल्टर और रैंक करते हैं।
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 Test-Time Compute Scaling 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
परीक्षण-समय वृद्धि
अक्सर पूछे जाने वाले प्रश्नों
What is Test-Time Compute Scaling?
टेस्ट-टाइम कंप्यूट स्केलिंग का अर्थ है किसी मॉडल को किसी प्रश्न का उत्तर देते समय अधिक सोचने और गणना करने का समय देना, न कि केवल प्रशिक्षण के दौरान इसे बड़ा करना। यह 'तर्क मॉडल' के पीछे की सफलता है जो प्रतिक्रिया देने से पहले विचार-विमर्श करके कठिन गणित और कोडिंग समस्याओं को हल कर सकता है।
'परीक्षण-समय गणना' से क्या तात्पर्य है?
परीक्षण-समय (अनुमान-समय) गणना उत्तर उत्पन्न करते समय किया गया कार्य है, जो पूर्व-प्रशिक्षण के दौरान उपयोग की गई गणना से अलग है।
O1 जैसे तर्कशील मॉडल अतिरिक्त परीक्षण-समय गणना का उपयोग कैसे करते हैं?
वे अंतिम प्रतिक्रिया देने से पहले विस्तारित चरण-दर-चरण तर्क, खोज और समाधान की जांच करते हैं।
परीक्षण-समय गणना स्केलिंग का मुख्य व्यापार-बंद क्या है?
किसी मॉडल को लंबे समय तक सोचने देने से कठिन समस्याओं पर सटीकता में सुधार होता है लेकिन प्रतिक्रिया समय और कम्प्यूटेशनल लागत बढ़ जाती है।
'बेस्ट-ऑफ़-एन' नमूनाकरण क्या है?
बेस्ट-ऑफ-एन समानांतर में कई समाधान प्रयास उत्पन्न करता है और सबसे मजबूत, परीक्षण-समय स्केलिंग का एक रूप बनाए रखने के लिए स्कोरर या सत्यापनकर्ता का उपयोग करता है।
परीक्षण-समय गणना को एक नया 'स्केलिंग अक्ष' क्यों माना जाता है?
वर्षों तक स्केलिंग का मतलब बड़ा प्रशिक्षण रन था; परीक्षण-समय की गणना अनुमान पर अधिक गणना करके, क्षमता को बढ़ावा देने का दूसरा तरीका जोड़ती है।