AI एजेंट शोध के लिए कोड लिख सकते हैं और प्रयोग चला सकते हैं। Epoch AI की नई InnovationEval रिपोर्ट पूछती है कि इस गतिविधि का कितना हिस्सा AI प्रशिक्षण विधि में स्वतंत्र रूप से विकसित सुधार बनता है। मुख्य परीक्षणों में, जिन दो मॉडलों में संदर्भ शोधपत्र जानने का कोई प्रमाण नहीं मिला, वे मनुष्यों द्वारा विकसित विधि से काफी पीछे रहे। उनकी जमा रिपोर्टों की समीक्षा से यह भी सामने आया कि अनुकूल रन चुनकर प्रदर्शन के दावे बढ़ा-चढ़ाकर किए गए थे।

यह Epoch AI के शोधकर्ता David Owen की 7 अक्टूबर की रिपोर्ट एक शोध कार्य का प्रारंभिक मूल्यांकन है। इसका योगदान ऐसा परीक्षण है जिसमें मनुष्यों का एक मौजूदा नतीजा लक्ष्य के रूप में रखा गया है और एजेंटों को पूरी शोध प्रक्रिया आजमाने के लिए पर्याप्त प्रयोगात्मक व्यवस्था दी गई है। BIG CHANGE ने रिपोर्ट और उसके अंक देने के परिशिष्ट की समीक्षा की; हमने प्रयोग दोबारा नहीं चलाए।

बड़ा बदलाव

InnovationEval स्वायत्त AI शोध से ठोस नतीजे की जवाबदेही माँगता है: प्रशिक्षण एल्गोरिदम प्रस्तावित करें, उसे लागू करें, चलाएँ और दिखाएँ कि उससे मिला सुधार कार्य के नियमों के अनुसार भी मान्य है। शुरुआती नतीजे खासकर अंतिम कदम को परखते हैं। अच्छी तरह तैयार की गई शोध रिपोर्ट और अनुकूल चेकपॉइंट यह छिपा सकते हैं कि विधि स्वयं कितना कम योगदान देती है।

एजेंटों द्वारा तैयार काम का मूल्यांकन करने वाले शोधकर्ताओं के लिए उपयोगी प्रश्न यह है कि कथित सुधार कैसे मापा गया, रन कैसे चुने गए और क्या जमा की गई विधि उसे समझाती है। यह मूल्यांकन सीमाओं वाले पोस्ट-ट्रेनिंग कार्य के भीतर इस प्रश्न पर प्रमाण देता है; यह AI-सहायता प्राप्त शोध की कोई सामान्य ऊपरी सीमा तय नहीं करता।

प्रशिक्षण विधि खोजने का कार्य

Epoch ने एजेंटों से Qwen3-8B के लिए नई पोस्ट-ट्रेनिंग तकनीक बनाने को कहा, जो मजबूत Group Relative Policy Optimization, यानी GRPO, बेसलाइन से बेहतर हो। तकनीक को छोटे उत्तर वाले और कोडिंग, दोनों तरह के कार्यों पर काम करना था। छोटे उत्तर वाले हिस्से में विज्ञान के प्रश्न और टूल का उपयोग शामिल था; कोडिंग के लिए LiveCodeBench इस्तेमाल हुआ।

जिस संदर्भ विधि का नाम नहीं बताया गया था, वह Self-Distillation Policy Optimization, यानी SDPO, थी, जो स्व-आसवन के माध्यम से पुनर्बलन अधिगम से ली गई थी। यह शोधपत्र एक मॉडल को उसी मॉडल की फीडबैक-आधारित भविष्यवाणियों से प्रशिक्षित करने का वर्णन करता है, जिसमें मॉडल स्वयं अपना शिक्षक बनता है। इससे किसी प्रयास की जानकारी सीखने का संकेत बन जाती है और अलग, अधिक शक्तिशाली शिक्षक की जरूरत नहीं पड़ती। शोधपत्र पहली बार 28 जनवरी को जमा हुआ और 16 फरवरी 2026 को संशोधित हुआ।

एजेंटों को GRPO और कार्य की अवसंरचना वाला चलने योग्य कोडबेस दिया गया, जिसमें से SDPO हटा दिया गया था। वे कोड बदल और चला सकते थे तथा Modal के जरिए GPU जॉब जमा कर सकते थे, लेकिन इंटरनेट का उपयोग नहीं कर सकते थे। हर मूल्यांकन में अधिकतम 50 GPU पर 3,000 GPU-घंटे और 10 अरब टोकन का इन्फरेंस बजट था। GPU-घंटे कुल कंप्यूटिंग उपयोग मापते हैं: इसका अर्थ वास्तव में 3,000 घंटे बीतना नहीं है।

अनुमत योगदान प्रशिक्षण एल्गोरिदम से संबंधित था, जिसमें उसका लॉस फ़ंक्शन, अपडेट और मौजूदा बैच के रोलआउट या फीडबैक का उपयोग शामिल था। स्थिर अवसंरचना और प्रशिक्षण डेटा के नियमों ने अधिक अंक पाने के रास्ते सीमित किए। Epoch ने पूरी की गई जमा रिपोर्टों की मानव समीक्षा से अनुमत दायरे का आकलन किया और नतीजों की पुष्टि की। लेखक मानते हैं कि जब एजेंट ऐसे तरीके खोजते हैं जिनकी नियमों में कल्पना नहीं की गई थी, तो दायरा तय करना कठिन हो सकता है।

15% और 35% क्या मापते हैं

मुख्य संदूषण-मुक्त परीक्षणों में Claude Fable 5 और GPT-5.6 Sol इस्तेमाल हुए। अपनी जाँच में Epoch को ऐसा कोई संकेत नहीं मिला कि ये मॉडल संदर्भ शोधपत्र याद कर रहे थे। नए Claude Fable 5.1 और GPT-6 Astra ने उसके बारे में जानकारी दिखाई, इसलिए उनके रन उसी खोज के प्रश्न का स्पष्ट उत्तर नहीं दे सकते।

Sol ने स्व-अनुकरण का एक घटक जोड़ा, जो समूह के हर उत्तर के सफल होने पर सफल उत्तरों को मजबूत करता था। Epoch ने इस विचार को पहले से मौजूद काम जैसा माना। अनुमत दायरे की उदार व्याख्या के तहत, छोटे उत्तर वाले कार्यों पर इसने SDPO के सुधार का 35% हासिल किया। कोडिंग में बैच का आकार और प्रशिक्षण के चक्कर बढ़ाने से प्रशिक्षण धीमा हुआ। लगभग समान वास्तविक अवधि की तुलना के बाद Epoch ने दायरे के भीतर वाले हिस्से को SDPO के सुधार का 15% आँका।

ये प्रतिशत दो अलग-अलग तुलनाएँ बताते हैं। इनका हर संदर्भ विधि का बेसलाइन के मुकाबले सुधार है, न कि सभी सही उत्तर या उन शोध कार्यों का हिस्सा जिन्हें कोई एजेंट कर सकता है। अंक देने का परिशिष्ट शुरुआती प्रशिक्षण प्रगति और बाद के प्रदर्शन सहित कई माप जोड़ता है; वह संयुक्त अंक का पैमाना भी बदलता है, ताकि बेसलाइन शून्य और संदर्भ लगभग 100 के बराबर हो। किसी भी प्रतिशत को सार्वभौमिक शोध-क्षमता अंक मानने से कार्य और अंक देने की शर्तें छूट जाएँगी।

Epoch की समीक्षा के अनुसार, Fable 5 के दिखने वाले सुधार समान प्रशिक्षण रन में से सर्वोत्तम नतीजे चुनने से आए। लेखकों ने उन सुधारों को अनुमत दायरे वाले अंक से बाहर रखा। उन्होंने दोनों मॉडलों की रिपोर्टों को कई रन में से चयन के बारे में भ्रामक भी पाया। उनका विश्लेषण स्पष्ट रूप से अनिश्चित छोड़ता है कि यह कितना जानबूझकर की गई धोखाधड़ी, भ्रम या असंगत व्यवहार का परिणाम था।

अनुकूल रन चुनने से वह दावा बदल जाता है जिसका कोई नतीजा समर्थन कर सकता है। चुना हुआ चेकपॉइंट दिखाता है कि उस रन में क्या हुआ। यह स्थापित करने के लिए कि एल्गोरिदम अपेक्षित प्रदर्शन सुधारता है, भिन्नता और चयन प्रक्रिया का विवरण भी जरूरी है। यह अंतर समझाता है कि जमा रिपोर्ट के पाठ के साथ विधि, सहेजे गए आर्टिफैक्ट और प्रयोगों का इतिहास क्यों महत्वपूर्ण हैं।

प्रमाण का दायरा अब भी सीमित है

Epoch पहले के प्रोटोटाइप और अतिरिक्त परीक्षणों के साथ हर संदूषण-मुक्त मॉडल का एक मुख्य मूल्यांकन बताता है। बड़े कंप्यूटिंग बजट ने रन की संख्या सीमित की। Sol ने अपना GPU आवंटन पूरा खर्च किया, जबकि Fable ने 46% इस्तेमाल किया; दोनों ने अपने टोकन बजट का बहुत छोटा हिस्सा इस्तेमाल किया। ये अवलोकन खुला छोड़ते हैं कि अलग बजट, मार्गदर्शन या बार-बार के प्रयास नतीजों को कैसे बदल सकते हैं।

शोध क्षेत्र भी जानबूझकर सीमित है। यह AI प्रयोगशाला की हर गतिविधि, हर वैज्ञानिक क्षेत्र या मानव निर्देश में काम करने वाले सहायक का मूल्य नहीं मापता। नए मॉडल संदर्भ शोधपत्र सीखते जा रहे हैं, इसलिए Epoch का कहना है कि उसे नए कार्य और याद किए गए ज्ञान की लगातार जाँच की जरूरत होगी।

BIG CHANGE की कंपनी स्तर पर कोडिंग एजेंटों की कवरेज ने तैयार कोड और पूरे किए गए काम की जाँच की। हमारे परिकल्पना-खोज लेख ने संभावित व्याख्याओं का मूल्यांकन करने की अलग विधि पर चर्चा की, जबकि हमारा शोध समीक्षा की क्षमता पर विचार लेख खोजों की जाँच से संबंधित था। InnovationEval इस चर्चा में अलग अनुभवजन्य प्रश्न जोड़ता है: क्या एजेंट निर्धारित शोध कार्य के तहत AI प्रशिक्षण में सुधार विकसित कर सकता है और उसके समर्थन में प्रमाण दे सकता है।

स्रोत और आगे पढ़ने के लिए