Automatic Reasoning and Tool-use (ART)
एक फ्रेमवर्क जो chain-of-thought प्रॉम्प्टिंग को बाहरी टूल उपयोग के साथ जोड़ता है, जिससे LLMs स्वचालित रूप से मध्यवर्ती रीज़निंग चरण उत्पन्न कर सकते हैं और टूल्स को एक प्रोग्राम के रूप में कॉल कर सकते हैं।
ART क्या है?
Chain-of-Thought (CoT) प्रॉम्प्टिंग और टूल उपयोग को मिलाना LLMs के साथ कई कार्यों को संबोधित करने का एक मज़बूत और विश्वसनीय तरीका साबित हुआ है। इन तरीकों में आमतौर पर कार्य-विशिष्ट प्रदर्शनों को हाथ से तैयार करना और मॉडल जनरेशन के साथ टूल उपयोग की सावधानी से स्क्रिप्ट की गई इंटरलीविंग की आवश्यकता होती है।
Automatic Reasoning and Tool-use (ART) एक नया फ्रेमवर्क प्रस्तावित करता है जो एक फ्रोज़न LLM का उपयोग करके स्वचालित रूप से एक प्रोग्राम के रूप में मध्यवर्ती रीज़निंग चरण उत्पन्न करता है। ART पारंपरिक प्रॉम्प्टिंग से आगे जाता है और मॉडल को यह तय करने देता है कि अपनी रीज़निंग प्रक्रिया के दौरान बाहरी टूल्स का उपयोग कब और कैसे करना है।
ART को Paranjape et al. (2023) द्वारा प्रस्तुत किया गया था और यह अधिक स्वायत्त AI रीज़निंग की दिशा में एक महत्वपूर्ण कदम का प्रतिनिधित्व करता है। यह chain-of-thought प्रॉम्प्टिंग और टूल-ऑगमेंटेड भाषा मॉडल में पहले के काम पर निर्माण करता है।
ART कैसे काम करता है
ART एक संरचित प्रक्रिया का पालन करता है जो कार्य चयन, प्रोग्राम जनरेशन और टूल एकीकरण को जोड़ता है:
टास्क लाइब्रेरी से उदाहरण चुनें
एक नए कार्य को देखते हुए, ART एक पूर्व-निर्मित टास्क लाइब्रेरी से बहु-चरण रीज़निंग और टूल उपयोग के प्रदर्शन का चयन करता है। ये उदाहरण टेम्पलेट के रूप में काम करते हैं जो मॉडल को समान समस्याओं को विघटित करने का तरीका दिखाते हैं।
फ्रोज़न LLM के साथ प्रोग्राम चलाएं
परीक्षण समय पर, मॉडल एक रीज़निंग प्रोग्राम उत्पन्न करता है। यह जनरेशन को तब रोकता है जब बाहरी टूल कॉल किए जाते हैं (जैसे सर्च इंजन, कोड इंटरप्रेटर, या कैलकुलेटर), उनके आउटपुट को एकीकृत करता है, और फिर जनरेशन फिर से शुरू करता है।
गलतियाँ सुधारें (वैकल्पिक)
ART एक्सटेंसिबल है। मनुष्य रीज़निंग चरणों में गलतियाँ सुधार सकते हैं या टास्क और टूल लाइब्रेरी को अपडेट करके नए टूल जोड़ सकते हैं। यह निरंतर सुधार को सरल बनाता है।
मुख्य लाभ
- Zero-shot सामान्यीकरण: ART मॉडल को बिना कार्य-विशिष्ट प्रशिक्षण के, प्रदर्शनों से सामान्यीकृत करने, एक नए कार्य को विघटित करने और उचित स्थानों पर टूल का उपयोग करने के लिए प्रोत्साहित करता है।
- मानवीय एक्सटेंसिबिलिटी: जब मॉडल गलतियाँ करता है, तो मनुष्य रीज़निंग चरणों को सही कर सकते हैं या लाइब्रेरी में नए टूल जोड़ सकते हैं। यह निरंतर सुधार के लिए एक फीडबैक लूप बनाता है।
- टूल एकीकरण: ART बाहरी टूल कॉल (सर्च, कोड निष्पादन, गणना) को रीज़निंग श्रृंखला में सहजता से बुनता है, जिससे अधिक सटीक और आधारभूत परिणाम मिलते हैं।
- फ्रोज़न LLM: कोई फाइन-ट्यूनिंग आवश्यक नहीं। ART मॉडल के साथ यथावत काम करता है, जिसका अर्थ है कि इसे बिना रीट्रेनिंग के किसी भी सक्षम LLM पर लागू किया जा सकता है।
व्यवहार में ART
यहाँ एक सरलीकृत उदाहरण है कि एक शोध कार्य के लिए ART-स्टाइल प्रॉम्प्ट कैसा दिख सकता है:
TaskFind the population of Canada and France, then calculate the difference. Step 1: Search[SEARCH] “Population of Canada 2025” → Result: 40.1 million Step 2: Search[SEARCH] “Population of France 2025” → Result: 68.2 million Step 3: Calculate[CALC] 68.2 - 40.1 → Result: 28.1 million AnswerFrance has approximately 28.1 million more people than Canada.
भले ही आप ART को सीधे कभी लागू न करें, इस तकनीक को समझना आपको बेहतर प्रॉम्प्ट लिखने में मदद करता है। मूल अंतर्दृष्टि: कार्यों को चरणों में तोड़ना और यह जानना कि बाहरी टूल का उपयोग कब करना है—एक सिद्धांत है जिसे आप आज किसी भी AI इंटरैक्शन पर लागू कर सकते हैं।
ART का उपयोग कब करें
- कार्य जिनमें तथ्यात्मक खोजों के साथ कई रीज़निंग चरणों की आवश्यकता होती है
- वर्कफ़्लो जहाँ सटीकता मायने रखती है और मॉडल को बाहरी रूप से जानकारी सत्यापित करने की आवश्यकता होती है
- स्थितियाँ जहाँ आपको पुनरुत्पादन योग्य, संरचित रीज़निंग की आवश्यकता है जिसे मनुष्य ऑडिट और सुधार सकें
- AI एजेंट सिस्टम बनाना जिन्हें स्वायत्त रूप से यह तय करने की आवश्यकता है कि टूल कब कॉल करना है
आगे पढ़ें
ART और संबंधित तकनीकों में गहराई से जाने के लिए, इन संसाधनों का अन्वेषण करें:
- Prompt Engineering Guide: ART (मूल संदर्भ)
- Chain-of-Thought Prompting (आधारभूत तकनीक)
- ReAct: Reasoning + Acting (संबंधित दृष्टिकोण)