अति उत्साही AI एजेंटों की छिपी लागत
आधुनिक कृत्रिम बुद्धिमत्ता एजेंट निर्णय लेने की एक बुनियादी कमजोरी से जूझ रहे हैं, जो परिचालन लागत बढ़ाती है और उपयोगकर्ताओं को निराश करती है। Alibaba के शोधकर्ताओं ने मौजूदा बड़े भाषा मॉडल में एक गंभीर मेटाकॉग्निटिव कमी की पहचान की है। ये सिस्टम यह भेद करने में कठिनाई महसूस करते हैं कि कब बाहरी टूल का इस्तेमाल करना जरूरी है और कब उनका आंतरिक ज्ञान पर्याप्त है। इसका नतीजा अनावश्यक API कॉल की ऐसी श्रृंखला है, जो प्रदर्शन धीमा करती है, तर्क की गुणवत्ता घटाती है और कंप्यूटिंग बजट पर बोझ डालती है।
विषय-सूची
मौजूदा एजेंटिक मॉडल को हर हाल में काम पूरा करने को प्राथमिकता देने के लिए प्रशिक्षित किया जाता है। इसी एकतरफा ध्यान से वह व्यवहार पैदा होता है जिसे डेवलपर "ट्रिगर-हैप्पी" कहते हैं: सिस्टम वेब सर्च, कोड निष्पादन या इमेज विश्लेषण टूल का सहारा अपने आप लेने लगते हैं, भले ही उपयोगकर्ता के सवाल में सारी जरूरी जानकारी मौजूद हो। Alibaba के शोध के अनुसार, यह दोहराव चिंताजनक स्तर तक पहुंच जाता है: सामान्य तैनाती में 98% तक टूल कॉल अनावश्यक साबित होते हैं। यह सिलसिला इसलिए बना रहता है क्योंकि प्रशिक्षण की प्रक्रिया सफलतापूर्वक काम पूरा करने को पुरस्कृत करती है, लेकिन संसाधनों के अक्षम इस्तेमाल पर कोई दंड नहीं देती।
हर अतिरिक्त API कॉल क्रमिक प्रोसेसिंग में देरी जोड़ती है, जो मिलकर स्पष्ट रूप से प्रतिक्रिया को धीमा कर देती है। उपयोगकर्ताओं को सुस्त जवाब मिलते हैं, जबकि संगठनों के बुनियादी ढांचे के बिल बढ़ जाते हैं। गति और लागत के अलावा, टूल का अत्यधिक इस्तेमाल तर्क की गुणवत्ता को भी सीधे नुकसान पहुंचाता है। बाहरी स्रोतों से की गई अनावश्यक पूछताछ मॉडल के कॉन्टेक्स्ट विंडो में बाहरी शोर जोड़ती है, जिससे सिस्टम की सुसंगत सोच बाधित होती है और सही निष्कर्ष पटरी से उतर सकते हैं। जब एजेंट बिना जरूरत इन शोरपूर्ण संकेतों पर निर्भर करते हैं, तो कंप्यूटिंग लागत बढ़ने के साथ अंतिम जवाब की गुणवत्ता भी गिरती है।
ऑप्टिमाइज़ेशन की गतिरोध स्थिति से बाहर
इस अक्षमता को दूर करने के पिछले प्रयासों में पारंपरिक रीइन्फोर्समेंट लर्निंग तरीके अपनाए गए, जिनमें सटीकता और दक्षता को एक ही रिवॉर्ड सिग्नल में मिला दिया गया। इस गुथे हुए तरीके से ऑप्टिमाइज़ेशन की ऐसी दुविधा पैदा होती है जिसका हल नहीं निकलता। टूल के इस्तेमाल पर बहुत कड़ा दंड मॉडल को जरूरी बाहरी कॉल से भी बचने पर मजबूर करता है, जिससे जटिल कामों में सटीकता घटती है। हल्का दंड सरल समस्याओं में होने वाली बर्बादी नहीं रोक पाता। साझा रिवॉर्ड संरचना अर्थ को अस्पष्ट बना देती है: तेज लेकिन गलत जवाब को धीमे लेकिन सही जवाब जितना ही श्रेय मिल सकता है। चूंकि सटीकता और दक्षता के प्रशिक्षण संकेत आपस में उलझ जाते हैं, मॉडल अपनी मूल तर्क क्षमता को नुकसान पहुंचाए बिना टूल का इस्तेमाल नियंत्रित करना नहीं सीख पाते।
इस सीमा को पार करने के लिए Alibaba के शोधकर्ताओं ने Hierarchical Decoupled Policy Optimization यानी HDPO विकसित किया। यह फ्रेमवर्क ऑप्टिमाइज़ेशन को दो स्वतंत्र चैनलों में बांटता है। सटीकता चैनल मॉडल के सभी प्रयासों में काम की शुद्धता को अधिकतम करता है। दक्षता चैनल निष्पादन को किफायती बनाने पर ध्यान देता है। दोनों संकेतों की गणना अलग-अलग होती है और वे केवल अंतिम लॉस की गणना के चरण में मिलते हैं। खास बात यह है कि दक्षता का रिवॉर्ड सटीकता पर निर्भर रहता है। गलत जवाब को तेज गति या कम टूल इस्तेमाल करने का कोई श्रेय नहीं मिलता, जिससे मॉडल तेज लेकिन गलत होना नहीं सीखता।
यह अलगाव एक अंतर्निहित संज्ञानात्मक पाठ्यक्रम बनाता है, जो शैक्षिक प्रगति की तरह काम करता है। शुरुआती प्रशिक्षण में सटीकता पर जोर रहता है, जबकि मॉडल बुनियादी तर्क और ज्ञान हासिल करता है। क्षमता बढ़ने और मॉडल के लगातार सही जवाब देने पर दक्षता का संकेत स्वाभाविक रूप से अधिक प्रभावी होता जाता है। इस व्यवस्था में सिस्टम पहले काम हल करना सीखता है, फिर अनावश्यक और महंगी API कॉल से बचकर आत्मनिर्भरता बढ़ाता है। इससे वे ग्रेडिएंट टकराव खत्म होते हैं जिनमें सटीकता और दक्षता के लक्ष्य एक-दूसरे को निष्प्रभावी कर सकते हैं, और दोनों लक्ष्यों के लिए एक साथ स्पष्ट प्रशिक्षण संकेत मिलते हैं।
Metis आर्किटेक्चर के भीतर
शोध दल ने HDPO लागू करके Metis बनाया, जो एक मल्टीमॉडल तर्क एजेंट है और इन सिद्धांतों को व्यवहार में दिखाता है। Metis, Qwen3-VL-8B-Instruct विज़न-लैंग्वेज आधार मॉडल पर काम करता है और इसमें Python कोड निष्पादन, टेक्स्ट सर्च तथा इमेज सर्च की क्षमताएं हैं। इसके अपेक्षाकृत छोटे, 8 अरब पैरामीटर वाले आकार की तुलना बड़े प्रतिस्पर्धी मॉडलों से होती है और यह दिखाता है कि दक्षता के लाभ, कच्चे आकार के फायदे पर भारी पड़ सकते हैं।
प्रशिक्षण प्रक्रिया में दो चरणों वाला कठोर तरीका अपनाया गया है, जिसका मकसद बुनियादी क्षमता और बेहतर दक्षता, दोनों स्थापित करना है। पहले चरण में सावधानी से चुने गए डेटा के जरिए सुपरवाइज़्ड फाइन-ट्यूनिंग से शुरुआती मॉडल तैयार किया जाता है। शोधकर्ताओं ने सार्वजनिक रूप से उपलब्ध, टूल-संवर्धित मल्टीमॉडल ट्रैजेक्टरी जुटाईं, फिर निष्पादन विफलताओं या फीडबैक में विसंगतियों वाले कम गुणवत्ता के उदाहरण हटाने के लिए कड़ी छंटाई की। उन्होंने प्रशिक्षण से ऐसे सभी नमूने हटा दिए जिन्हें आधार मॉडल बिना टूल के हल कर सकता था, ताकि डेटासेट में केवल वास्तविक रणनीतिक टूल इस्तेमाल के मामले रहें। Google Gemini 3.1 Pro ने स्वचालित निर्णायक की भूमिका निभाकर जांचा कि बचे हुए उदाहरणों में टूल का इस्तेमाल जरूरत के कारण हुआ था, आदत के कारण नहीं।
दूसरे चरण में HDPO फ्रेमवर्क के जरिए रीइन्फोर्समेंट लर्निंग लागू की जाती है। इस चरण में Metis को कई दौर वाले संवादों से गुजारा जाता है, जहां उसे तय करना होता है कि बाहरी टूल इस्तेमाल करना है या नहीं। प्रशिक्षण डेटा में खराब विज़ुअल या अर्थ की अस्पष्टता वाले प्रॉम्प्ट शामिल नहीं किए जाते, जो सीखने के संकेत को भ्रमित कर सकते हैं। सार्थक ग्रेडिएंट बनाने के लिए एल्गोरिदम को सही और गलत जवाबों की तुलना करनी होती है, इसलिए दल ने ऐसे बेहद आसान काम हटा दिए जिनमें मॉडल हमेशा सफल होता है, और ऐसे अत्यधिक कठिन काम भी जिनमें वह लगातार विफल रहता है। इस छंटाई से ऑप्टिमाइज़ेशन के दौरान उपयोगी प्रशिक्षण संकेत मिलते रहते हैं और ऐसे सपाट ग्रेडिएंट क्षेत्र नहीं बनते जिनमें मॉडल सुधार नहीं कर सकता।
98% बर्बादी से रणनीतिक सटीकता तक
मूल्यांकन के नतीजे दिखाते हैं कि टूल का कुशल इस्तेमाल और उच्च सटीकता परस्पर पूरक लक्ष्य हैं, एक-दूसरे के विरोधी नहीं। Metis ने HRBench और V*Bench समेत विज़ुअल परसेप्शन तथा दस्तावेज़ समझने वाले डेटासेटों पर और WeMath तथा MathVista जैसे कठिन गणितीय तर्क कार्यों पर अत्याधुनिक प्रदर्शन किया। खास बात यह है कि 8 अरब पैरामीटर वाले Metis ने विज़ुअल और तर्क, दोनों तरह के बेंचमार्क पर 30 अरब पैरामीटर वाले कहीं बड़े एजेंटिक मॉडल Skywork-R1V4 को पीछे छोड़ दिया। बहुत कम कंप्यूटिंग संसाधनों में काम करते हुए यह प्रदर्शन क्षेत्र के लिए नए मानक स्थापित करता है।
मात्रात्मक सुधारों के साथ परीक्षण में व्यवहार में गुणात्मक बदलाव भी दिखे। एक प्रयोग में शोधकर्ताओं ने संग्रहालय के एक साइनबोर्ड की तस्वीर दिखाकर पूछा कि बीच के टेक्स्ट में क्या लिखा है। सामान्य एजेंटिक मॉडल बिना जरूरत तस्वीर को काटने और प्रोसेस करने के लिए अपने आप Python स्क्रिप्ट लिखने लगे, जिससे देरी और जटिलता बढ़ी। Metis ने पहचान लिया कि मूल इनपुट में टेक्स्ट साफ पढ़ा जा सकता है, इसलिए उसने बाहरी टूल का इस्तेमाल पूरी तरह छोड़ दिया और एक ही इन्फरेंस चरण में काम पूरा कर दिया। यह यांत्रिक रूप से टूल पर निर्भर रहने के बजाय वास्तविक विज़ुअल समझ दिखाता है।
इसके उलट, जब Metis को एक जटिल चार्ट दिखाया गया, जिसमें छोटे सबप्लॉट में रेखाएं एक-दूसरे पर चढ़ रही थीं, और उससे किसी खास डेटा बिंदु पर दूसरी सबसे ऊंची रेखा पहचानने को कहा गया, तो उसने सही समझा कि उसका मूल रिज़ॉल्यूशन विज़ुअल ब्योरे पहचानने के लिए पर्याप्त नहीं है। पूरी तस्वीर देखकर अंदाजा लगाने के बजाय उसने Python का इस्तेमाल करके सिर्फ उस खास हिस्से को काटा और बड़ा किया, जिससे जरूरी सटीकता मिली। यह व्यवहार दिखाता है कि कोड का इस्तेमाल सटीकता बढ़ाने वाले औजार के रूप में केवल तभी किया जाता है जब विज़ुअल सबूत वास्तव में अस्पष्ट हों, न कि हर इनपुट के लिए डिफॉल्ट विकल्प के तौर पर।
अधिक समझदार एजेंटों का आर्थिक पक्ष
AI उत्पाद बनाने वाले स्टार्टअप और उद्यमों के लिए Metis की सफलता सीधे टिकाऊ यूनिट इकॉनॉमिक्स में तब्दील हो सकती है। OpenAI, Anthropic या Google के लोकप्रिय API पर चलने वाले मौजूदा AI एजेंट केवल अनावश्यक कॉल के कारण हर महीने हजारों डॉलर खर्च कर सकते हैं। शोध में दिखाए गए 98% से 2% के अनुपात के आधार पर, API इस्तेमाल पर हर महीने 10,000 डॉलर खर्च करने वाला स्टार्टअप फिजूल टूल कॉल हटाकर संभावित रूप से यह खर्च 9,600 डॉलर घटा सकता है। जब उत्पाद न्यूनतम व्यवहार्य उत्पाद के चरण से आगे बढ़कर हजारों सक्रिय उपयोगकर्ताओं वाले प्रोडक्शन माहौल में पहुंचते हैं, तो ये बचत बेहद अहम हो जाती है।
सीधी लागत बचत के अलावा, देरी घटने से उपयोगकर्ता अनुभव में प्रतिस्पर्धी लाभ मिलता है। उपभोक्ता और B2B, दोनों तरह के उत्पाद तेज प्रतिक्रिया से लाभान्वित होते हैं, जिसका उपयोगकर्ता प्रतिधारण और जुड़ाव के मापदंडों से मजबूत संबंध है। जैसे-जैसे सक्रिय उपयोगकर्ताओं की संख्या सैकड़ों से हजारों तक पहुंचती है, अनावश्यक API कॉल से पैदा हुई क्रमिक रुकावटें मिलकर पूरे सिस्टम के प्रदर्शन को गिरा देती हैं। शुरुआती विकास में ठीक चलने वाला उत्पाद दक्षता सुधारों के बिना प्रोडक्शन ट्रैफिक के दबाव में अक्सर चरमरा जाता है, और यह संकट ठीक उसी समय पैदा होता है जब विकास तेज होता है।
लैटिन अमेरिका और अन्य उभरती अर्थव्यवस्थाओं जैसे कीमत के प्रति संवेदनशील उपभोक्ताओं वाले बाजारों में परिचालन दक्षता ही कारोबार की टिकाऊ क्षमता तय करती है। जो कंपनियां अनावश्यक कंप्यूटिंग पर पूंजी खर्च करने वाले प्रतिस्पर्धियों के मुकाबले स्वस्थ मार्जिन बनाए रखती हैं, उन्हें टिकाऊ प्रतिस्पर्धी बढ़त मिलती है। शोध का संकेत है कि ऐसे माहौल में जहां कोई भी स्टार्टअप समान आधार मॉडल हासिल कर सकता है, दक्षता प्रतिस्पर्धा में सबसे अहम अंतर बन जाती है। यह स्थिति उन संगठनों के पक्ष में जाती है जो HDPO जैसे फ्रेमवर्क के साथ बुद्धिमान कैशिंग, कॉन्फिडेंस थ्रेशहोल्ड और रणनीतिक मॉडल चयन लागू करते हैं।
प्रशिक्षण का नया दृष्टिकोण
HDPO फ्रेमवर्क टूल-संवर्धित लर्निंग को देखने के शोधकर्ताओं के नजरिए में वैचारिक बदलाव का प्रतिनिधित्व करता है। पहले के तरीके मुख्य रूप से मॉडल को सही ढंग से टूल कॉल करना सिखाने पर केंद्रित थे और निर्णय क्षमता के मुकाबले तकनीकी दक्षता को ज्यादा महत्व देते थे। Alibaba की टीम बाहरी टूल से पूरी तरह परहेज कब करना है, इस बारे में मेटाकॉग्निटिव समझ विकसित करने की वकालत करती है। इसके लिए ऐसे प्रशिक्षण डेटा की जरूरत है जो केवल तकनीकी निष्पादन के बजाय रणनीतिक संयम को साफ तौर पर दिखाए, एक ऐसा पहलू जिसे पुराने डेटासेट ने काफी हद तक नजरअंदाज किया।
डेटा छंटाई की प्रक्रिया मौजूदा टूल-संवर्धित डेटासेट में आम गंभीर खामियों को दूर करती है। सार्वजनिक रूप से उपलब्ध अधिकांश डेटासेट में शोरपूर्ण ट्रैजेक्टरी होती हैं, जिनसे मॉडल रणनीतिक रूप से नहीं, बल्कि आदतन टूल इस्तेमाल करना सीखते हैं। बाहरी मदद के बिना हल होने वाले उदाहरण छांटकर और स्वचालित निर्णायकों से जरूरत की पुष्टि कराकर, शोधकर्ताओं ने ऐसा प्रशिक्षण माहौल बनाया जो सोच-समझकर टूल से परहेज करने को पुरस्कृत करता है। यह तरीका ReAct जैसे फ्रेमवर्क से अलग है, जो दोहरे चैनल वाले स्पष्ट ऑप्टिमाइज़ेशन के बिना तर्क और कार्रवाई को जोड़ता है, और Meta Toolformer से भी, जो परिचालन दक्षता के बजाय टूल इस्तेमाल सीखने पर जोर देता है।
HDPO से बना अंतर्निहित पाठ्यक्रम पेशेवर शिक्षा में इंसानी सीखने के पैटर्न जैसा है। नए एजेंट पहले काम सही ढंग से करना सीखते हैं, ताकि उपलब्ध संसाधनों का इस्तेमाल करके समस्याएं भरोसेमंद तरीके से हल कर सकें। क्षमता मजबूत होने पर सिस्टम स्वाभाविक रूप से दक्षता सुधारने की ओर बढ़ता है: वह परिचित समस्याओं को सीधे हल करना सीखता है और बाहरी टूल का इस्तेमाल सिर्फ नई या जटिल किनारे की स्थितियों के लिए रखता है। यह प्रगति उन सिस्टमों की नाजुकता से बचाती है जिन्हें दोनों लक्ष्यों पर एक साथ प्रशिक्षित किया जाता है, जहां दक्षता की पाबंदियों का दबाव पड़ने पर अक्सर सटीकता घट जाती है।
ओपन सोर्स पहुंच और वैश्विक प्रभाव
Alibaba ने Metis और HDPO का प्रशिक्षण कोड उदार Apache 2.0 लाइसेंस के तहत जारी किया है, जिससे बिना प्रतिबंधों या रॉयल्टी के व्यावसायिक इस्तेमाल संभव है। इस ओपन दृष्टिकोण से स्टार्टअप मालिकाना समाधानों का इंतजार करने या महंगी पहुंच फीस देने के बजाय इस तकनीक को तुरंत अपना सकते हैं। हालांकि, चूंकि यह प्रकाशन अप्रैल 2026 का है, दस्तावेज़ीकरण और समुदाय का सहयोग अभी शुरुआती चरण में है। सही तरीके से लागू करने और अपनी जरूरत के मुताबिक ढालने के लिए काफी तकनीकी विशेषज्ञता की आवश्यकता होगी।
यह रिलीज ऐसे समय आई है जब AI एजेंट इकोसिस्टम में नए फीचर जोड़ने से आगे बढ़कर दक्षता सुधारने पर ध्यान दिया जा रहा है। LangChain और LlamaIndex जैसी कंपनियां अपने प्लेटफॉर्म में इसी तरह के ऑप्टिमाइज़ेशन जोड़ रही हैं, जबकि मालिकाना विकल्प अलग-अलग लागत संरचनाओं के साथ प्रबंधित समाधान देते हैं। स्पैनिश भाषी बाजारों और उभरती अर्थव्यवस्थाओं के डेवलपरों के लिए, ऐसे दक्षता फ्रेमवर्क जल्दी अपनाने से स्थानीय बुनियादी ढांचे की सीमाओं और कीमतों के प्रति संवेदनशीलता के अनुरूप प्रतिस्पर्धी उत्पाद बनाने के अवसर मिलते हैं।
शोध दल के सदस्यों ने जोर दिया कि शोरपूर्ण और अनावश्यक टूल कॉल खत्म करने से एक मापदंड के बदले दूसरे मापदंड का त्याग नहीं होता, बल्कि सटीकता सीधे बेहतर होती है। उनका निष्कर्ष कृत्रिम बुद्धिमत्ता के विकास में एक व्यापक बदलाव की ओर इशारा करता है: ऐसे सिस्टमों से आगे बढ़ना जो टूल के बार-बार इस्तेमाल से अपनी क्षमता दिखाते हैं, उन एजेंटों की ओर जो रणनीतिक संयम से अपना विवेक प्रदर्शित करते हैं। यह काम बताता है कि भविष्य का AI विकास हर टूल का इस्तेमाल करने के बजाय सोच-समझकर और चुनिंदा कार्रवाई को प्राथमिकता देगा।
मुख्य बातें
- Alibaba का Metis एजेंट HDPO फ्रेमवर्क का इस्तेमाल करके अनावश्यक AI टूल कॉल को 98% से घटाकर 2% करता है
- HDPO (Hierarchical Decoupled Policy Optimization) सटीकता और दक्षता को प्रशिक्षण के स्वतंत्र चैनलों में बांटता है
- 8 अरब पैरामीटर वाला Metis विज़ुअल और तर्क बेंचमार्क पर कहीं बड़े 30 अरब पैरामीटर वाले मॉडलों से बेहतर प्रदर्शन करता है
- रणनीतिक टूल इस्तेमाल से एक अंतर्निहित संज्ञानात्मक पाठ्यक्रम बनता है, जिसमें एजेंट दक्षता सुधारने से पहले सटीकता सीखते हैं
- फिजूल कॉल हटाकर स्टार्टअप अपने API बिल में संभावित रूप से 96% तक बचत कर सकते हैं
- Metis और HDPO का कोड बिना प्रतिबंध व्यावसायिक इस्तेमाल के लिए Apache 2.0 लाइसेंस के तहत जारी किया गया है
- यह फ्रेमवर्क मेटाकॉग्निटिव कमी को दूर करता है, जिसमें AI एजेंट यह नहीं पहचान पाते कि कब उनका आंतरिक ज्ञान पर्याप्त है और कब बाहरी टूल जरूरी हैं
