तीन AI मॉडल आए और अपनी ओसीआर नेटवर्क शून्य से डिज़ाइन किए

एक शोध टीम द्वारा हाथ से लिखे गए टेक्स्ट को पहचानने वाले सिस्टम (handwriting recognizer) को विकसित करने की सामान्य प्रक्रिया की कल्पना कीजिए। कोई व्यक्ति बीस पेपर्स पढ़ता है, एक कन्वोल्यूशनल बैकबोन (convolutional backbone) चुनता है, एक एटेंशन लेयर जोड़ने के बारे में अपने लैबमेट के साथ बहस करता है, रात भर हाइपरपैरामीटर स्वीप (hyperparameter sweep) चलाता है, और हफ्तों तक उसी लूप को दोहराता है। अब इस सब को छोड़ने की कल्पना कीजिए: आप GPT-5 को अरबी, फारसी और अंग्रेजी हाथ से लिखे नमूनों और एक ट्रेनिंग स्क्रिप्ट देते हैं, और यह नेटवर्क को स्वयं डिज़ाइन करता है, इसे ट्रेन करता है, स्कोर को देखता है, और इसे फिर से डिज़ाइन करता है, बार-बार, बिना किसी मानव हस्तक्षेप के आर्किटेक्चर को छुए।

यही काम इरान यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं द्वारा प्रकाशित एक नए पेपर ने वास्तव में किया। यह कोई सिर्फ़ सोचने वाला प्रयोग (thought experiment) नहीं था, बल्कि तीन मॉडल्स: GPT-5, GPT-4o, और Claude Sonnet 4 के साथ 270 अलग-अलग रन थे। प्रत्येक ने स्वतंत्र "आर्किटेक्ट" के रूप में कार्य किया, एक न्यूरल नेटवर्क का प्रस्ताव रखा, इसे ट्रेन होते हुए देखा, परिणाम पढ़े, और अगली कोशिश के लिए दिशा बदली। किसी मानव ने लेयर की संख्या नहीं चुनी। किसी मानव ने लर्निंग रेट को ट्यून नहीं किया। अरबी के जुड़े हुए अक्षरों या फारसी के अतिरिक्त ध्वनि चिह्नों (diacritics) के लिए भाषा-विशिष्ट प्रीप्रोसेसिंग लिखने वाला कोई मानव नहीं था।

उनके द्वारा बनाया गया सर्वोत्तम मॉडल ने 98.1 प्रतिशत सटीकता हासिल की। सभी 270 रनों में औसत 93 प्रतिशत से ऊपर रहा। और परिणामी नेटवर्क्स ने 41 से 44 मिलीसेकंड में इन्फरेंस चलाया, जो किसी वास्तविक उत्पाद के लिए पर्याप्त तेज़ है, न कि केवल किसी बेंचमार्क टेबल के लिए। यह वास्तव में एक नई क्षमता है या AutoML टूल्स द्वारा पहले से किए जाने वाले काम को करने का एक फैंसी तरीका है, इसमें गहराई से जाना जरूरी है, क्योंकि इसका उत्तर यह तय करेगा कि आपको इससे क्या सीखना चाहिए।

अरबी, फारसी और अंग्रेजी की हाथ से लिखी हुई लिपियाँ एक ही नियमों का पालन क्यों नहीं करतीं

हाथ से लिखे गए पाठ की पहचान (handwriting recognition) मुद्रित पाठ को पढ़ने की तुलना में पहले से ही कठिन है, और बहुभाषी हाथ से लिखे गए पाठ की पहचान इस कठिनाई को कई गुना बढ़ा देती है। अंग्रेजी की सुरुक्की (cursive) लेखक के अनुसार बहुत भिन्न होती है, लेकिन कम से कम अक्षर अलग-अलग, लगभग सीधे आकारों के होते हैं जिनके निश्चित रूप होते हैं। अरबी और फारसी उन अधिकांश मान्यताओं को तोड़ देती हैं जिन पर अंग्रेजी हाथ से लिखे गए पाठ पर प्रशिक्षित मॉडल निर्भर करते हैं।

दोनों लिपियाँ दाएँ से बाएँ लिखी जाती हैं, और अधिकांश अक्षरों का आकार बदल जाता है यह देखते हुए कि वे शब्द की शुरुआत, मध्य या अंत में कहाँ स्थित हैं, क्योंकि वे अलग-अलग ब्लॉकों के बजाय एकल बहते हुए स्ट्रोक की तरह अपने पड़ोसी अक्षरों से जुड़ते हैं। अक्षर के ऊपर या नीचे छोटे बिंदु अक्सर एक वर्ण को दूसरे से अलग करने का एकमात्र तरीका होते हैं, इसलिए थोड़ी सी धुंध या जल्दबाजी में लिखा गया स्ट्रोक एक 'b' को 't' में बदल सकता है। फारसी अरबी आधारित वर्णमाला के ऊपर अपनी अतिरिक्त अक्षर और दीएरिटिक (diacritic) परंपराएँ जोड़ती है, जिसका अर्थ है कि अरबी के लिए ट्यून किया गया मॉडल सीधे तौर पर लागू नहीं होता।

पारंपरिक रूप से, इतनी भिन्न तीन लिपियों को संभालने का मतलब तीन अलग-अलग पाइपलाइनों का होना है: अलग प्रीप्रोसेसिंग, अलग सेगमेंटेशन लॉजिक, और कभी-कभी पूरी तरह से अलग मॉडल परिवार। यह बनाए रखने के लिए बहुत सारी स्थायी इंफ्रास्ट्रक्चर है, और यही वजह है कि इस पेपर में "एक मॉडल, तीन लिपियाँ, कोई मैनुअल ट्यूनिंग नहीं" ही दिलचस्प दावा है, न कि केवल सटीकता की संख्या।

AI को अपने न्यूरल नेटवर्क को डिज़ाइन करने के लिए वास्तव में कैसे मजबूर किया जाता है

शोधकर्ताओं द्वारा वर्णित सेटअप एक क्लोज़्ड लूप (closed loop) है, जिसका अर्थ है कि प्रत्येक चरण का आउटपुट सीधे अगले चरण के इनपुट में फ़ीड होता है, बिना किसी मानवीय हस्तक्षेप के। इसकी संरचना इस प्रकार है:

• एलएलएम (LLM) को एक कार्य विवरण (लक्षित भाषा में हाथ से लिखे गए पाठ को पहचानना) दिया जाता है और उसे कोड के रूप में एक न्यूरल नेटवर्क आर्किटेक्चर प्रस्तावित करने के लिए कहा जाता है।
• उस आर्किटेक्चर को हैंडराइटिंग डेटासेट पर ट्रेन किया जाता है।
• ट्रेनिंग के परिणाम (सटीकता, लॉस, शायद लेटेंसी) उसी एलएलएम को वापस फ़ीड कर दिए जाते हैं।
• एलएलएम उन परिणामों को पढ़ता है और एक संशोधित आर्किटेक्चर का प्रस्ताव करता है, यह देखने की कोशिश करता है कि क्या गलत हुआ या सटीकता को और बढ़ाने के लिए क्या किया जा सकता है।
• दोहराएं।

यह न्यूरल आर्किटेक्चर सर्च (NAS) कहलाता है, जो आमतौर पर एक एल्गोरिदम द्वारा नेटवर्क के हज़ारों छोटे परिवर्तनों को यांत्रिक रूप से आज़माने और सर्वोच्च स्कोर वाले को रखने के माध्यम से काम करता है। यहाँ अंतर यह है कि प्रस्ताव करने वाला "एल्गोरिदम" एक जनरल-पर्पोज़ लैंग्वेज मॉडल है जो अगले क्या आज़माना है, इस बारे में सामान्य भाषा के करीब तर्क करता है, न कि कोई विशेष उद्देश्य के लिए बनाया गया सर्च प्रोसीजर। एक जेनेटिक एल्गोरिदम द्वारा यादृच्छिक रूप से आर्किटेक्चर को म्यूटेट करने और एक सहकर्मी द्वारा आपके पिछले तीन प्रयोगों को देखकर कहने के बीच के अंतर के बारे में सोचें, "जब आपने वह अतिरिक्त पूलिंग लेयर जोड़ी तो सटीकता गिर गई, आइए इसके बजाय कन्वोल्यूशन्स को चौड़ा करने की कोशिश करें।" एक बड़े पैमाने पर अंधा ट्रायल एंड एरर है। दूसरा तर्क के करीब है, या कम से कम तर्क-आकार का टेक्स्ट जनरेशन।

तीन अलग-अलग मॉडल्स पर 270 बार इसे चलाना ही उस पेपर को एक अफवाह से अधिक बनाता है। यह प्रमाण है कि लूप थोड़ा स्थिर रूप से काम करता है, बजाय इसके कि इसे एक बार सही ढंग से लागू करके और भाग्यशाली रन के बारे में एक पेपर लिखकर।

एबस्ट्रैक्ट में स्पष्ट रूप से नहीं बताया गया है, और यह महत्वपूर्ण है, कि वे 270 रन तीन मॉडल्स और तीन भाषाओं में कैसे बंटे, वास्तव में खोजे गए आर्किटेक्चर कैसा दिखता है, डेटासेट कितने बड़े थे, या GPT-5 के प्रस्ताव उसी कार्य पर Claude Sonnet 4 के प्रस्तावों के साथ सीधे कैसे तुलना करते हैं। वे विवरण हैं जो आपको बताएंगे कि क्या एक मॉडल दूसरों की तुलना में एक उल्लेखनीय रूप से बेहतर "आर्किटेक्ट" है, और अभी वह तुलना सार्वजनिक नहीं है।

संख्याएँ: 93 प्रतिशत औसत, 98.1 प्रतिशत सर्वोत्तम, और 44-मिलीसेकंड का त्वरित आकलन

प्रक्रिया को हटा दें और देखें कि अंत में क्या निकला। 270 स्वतंत्र प्रयोगों में 93 प्रतिशत से अधिक का औसत परीक्षण सटीकता एक ठोस आधार है, कोई चुनिंदा शीर्षक नहीं। यह सुझाव देता है कि बंद लूप विश्वसनीय रूप से किसी काम के हल पर अभिसरण करता है, बजाय इसके कि कभी-कभी सोना खोज ले।

98.1 प्रतिशत सर्वोत्तम-स्थिति की संख्या वह है जो उद्धृत होगी, और यह क्रॉस-लिंग्वल हाथ से लिखे टेक्स्ट के लिए वास्तव में मजबूत है, एक श्रेणी जहाँ मुद्रित-टेक्स्ट OCR सिस्टम (जो पहले से परिपक्व और अत्यधिक सटीक हैं) प्रतिस्पर्धा करने का भी प्रयास नहीं करते, क्योंकि हाथ से लिखा टेक्स्ट पूरी तरह अलग समस्या है। संदर्भ के लिए, मानव ट्रांसक्राइबर भी अज्ञात लिपि में गंदे हाथ से लिखे टेक्स्ट को पढ़ते समय गलतियाँ करते हैं। बिना किसी मानव के आर्किटेक्चर को छुए, पूरी तरह स्वचालित पाइपलाइन को उस सीमा में लाना एक वास्तविक परिणाम है।

लेटेंसी संख्या पूरे सारांश में सबसे व्यावहारिक रूप से महत्वपूर्ण विवरण हो सकती है। एक मॉडल जो 98 प्रतिशत स्कोर करता है लेकिन प्रति छवि दो सेकंड लेता है, वह एक शोध जिज्ञासा है। एक जो 41 से 44 मिलीसेकंड में चलता है, वह इतना तेज है कि API के पीछे बैठकर एक स्कैन किए गए फॉर्म को प्रोसेस कर सकता है जब कोई प्रतिक्रिया के लिए प्रतीक्षा कर रहा हो। यह "प्रभावशाली डेमो" और "वह चीज़ जो आप वास्तव में शिप कर सकते हैं" के बीच का अंतर है।

क्या गायब है, और यह एक वास्तविक अंतराल है, वह भाषा-दर-भाषा और मॉडल-दर-मॉडल विभाजन है। 93 प्रतिशत से ऊपर का औसत इसका मतलब हो सकता है कि तीनों भाषाएँ उस संख्या के आसपास कसकर क्लस्टर करती हैं, या इसका मतलब हो सकता है कि अंग्रेजी औसत को ऊपर खींचती है जबकि अरबी या फारसी पीछे रह जाते हैं। उस विभाजन के बिना, आप नहीं बता सकते कि "क्रॉस-लिंग्वल" दावा समान रूप से लागू होता है या एक लिपि भारी उठाव कर रही है।

OCR बनाने या चुनने वाले हर किसी के लिए इसका महत्व क्यों है

अगर आप किसी प्रोडक्ट के लिए OCR इंजिनों का मूल्यांकन कर रहे हैं, तो यहाँ की मुख्य खबर यह नहीं है कि "AI हाथ से लिखे टेक्स्ट पर 98 प्रतिशत की सटीकता हासिल कर सकता है।" बल्कि, यह है कि किसी नए स्क्रिप्ट या डोमेन के लिए एक विशेषज्ञ रिकग्नाइजर बनाने की प्रक्रिया को शुरू करने (bootstrap) का खर्च कम हो सकता है। आज, अगर आपको किसी भाषा के लिए हाथ से लिखे टेक्स्ट का रिकग्नाइजर चाहिए जिसके लिए अभी तक अच्छा टूलिंग नहीं बना है, तो आपको एक रिसर्च प्रोजेक्ट देखना पड़ता है: डेटा इकट्ठा करें, किसी ऐसे व्यक्ति को हायर करें जो उस स्क्रिप्ट को जानता हो, और महीनों तक आर्किटेक्चर पर काम करें। इस तरह का एक क्लोज्ड लूप (closed loop) एक भविष्य की ओर इशारा करता है जहाँ पहली बार में महीनों के बजाय दिन लगेंगे, जहाँ एक जनरल-पर्पोज मॉडल इनिशियल आर्किटेक्चर सर्च करेगा और फिर एक इंसान रिफाइनमेंट के लिए काम लेगा।

हालाँकि, "AI अपने खुद के OCR मॉडल को डिज़ाइन करता है" को एक प्रोडक्ट फीचर के रूप में देखते हुए उत्साहित होने से पहले कुछ बातों को संदर्भ में रखना ज़रूरी है:

• यह आर्किटेक्चर सर्च है, कोई शिप किया हुआ प्रोडक्ट नहीं। पेपर यह दर्शाता है कि LLMs नेटवर्क डिज़ाइन प्रस्तावित और रिफाइन कर सकते हैं। यह इस बारे में कुछ नहीं कहता कि ये मॉडल्स नॉइज़ी रियल-वर्ल्ड स्कैन, कॉफी के दाग, लो-रेज़ोल्यूशन फोन फोटो, या क्यूरेटेड बेंचमार्क के बजाय असली यूज़र्स से मिलने वाले हाथ से लिखे टेक्स्ट की गुणवत्ता की विविधता को कैसे हैंडल करते हैं।
• LLMs के बिना क्लोज्ड-लूप AutoML सालों से मौजूद है। न्यूरल आर्किटेक्चर सर्च नया नहीं है। नया यह है कि सर्च एल्गोरिदम को एक लैंग्वेज मॉडल से बदल दिया गया है। क्या यह बदलाव मौजूदा NAS विधियों की तुलना में सार्थक रूप से बेहतर आर्किटेक्चर देता है, या बस ऐसे आर्किटेक्चर जो इंसान के लिए पढ़ने और समझने में आसान हैं, यह एबस्ट्रैक्ट किसी भी तरह से तय नहीं करता।
• तीन भाषाएँ एक प्रोडक्शन सिस्टम की तरह "क्रॉस-लिंग्वल" नहीं हैं। असली डॉक्यूमेंट पाइपलाइनों में दर्जनों स्क्रिप्ट, मिक्स्ड-लैंग्वेज पेज, और प्रिंटेड टेक्स्ट या स्टैम्प्स के साथ हाथ से लिखा टेक्स्ट देखा जाता है। अरबी, फारसी और अंग्रेज़ी एक सार्थक और वास्तव में कठिन टेस्ट सेट हैं, लेकिन वे एक जनरल OCR प्रोडक्ट को हैंडल करने वाली पूरी रेंज का प्रतिनिधित्व नहीं करते।

हमारे जैसे प्लेटफॉर्म के लिए, जो OCR इंजिनों को हेड-टू-हेड तुलना करने के इर्द-गिर्द बनाया गया है, व्यावहारिक निष्कर्ष यह है कि इस स्पेस पर नज़र रखें, इसकी उम्मीद कल प्रोडक्शन में होने की न करें। अगर क्लोज्ड-लूप, LLM-ड्रिवन आर्किटेक्चर सर्च इन तीन भाषाओं और क्लीन बेंचमार्क डेटा से आगे सामान्यीकृत (generalize) होता है, तो यह उन स्क्रिप्ट्स पर प्रतिस्पर्धी सटीकता हासिल करने में नए इंजिनों के लिए लगने वाले समय को कम कर सकता है। यह वही विकास है जो अंततः एक रिसर्च एबस्ट्रैक्ट के रूप में नहीं, बल्कि तुलना तालिका में एक नए विकल्प के रूप में सामने आता है। मजबूत अंग्रेज़ी OCR का मतलब यह नहीं है कि देवनागरी OCR भी उतना ही अच्छा होगा; देवनागरी की जटिल संयुक्त अक्षरों, मात्राओं और शिरोरेखा की संरचना को सटीक रूप से पहचानना अंग्रेज़ी की तुलना में एक अलग और कठिन चुनौती है, इसलिए ऐसे मॉडल्स की वास्तविक दुनिया में परीक्षा लेते समय इस बात को ध्यान में रखना ज़रूरी है।

पेपर अभी हमें क्या नहीं बताता

उदारता से पढ़ें, तो यह एक वास्तव में चतुर प्रदर्शन है कि एक सामान्य-उद्देश्यीय LLM (Large Language Model) एक हाथ से बनाए गए NAS (Neural Architecture Search) एल्गोरिदम की जगह ले सकता है और बिना किसी मानव आर्किटेक्ट के सम्मानजनक परिणाम प्राप्त कर सकता है। संदेह के साथ पढ़ें, तो यह विवरणों की कमी के कारण अमूर्त है, जो किसी को भी दावों की सत्यापन या पुनरुत्पादन करने की अनुमति देगा।

हमें डेटासेट के आकार या स्रोतों के बारे में नहीं पता, जो हाथ से लिखे गए टेक्स्ट की पहचान के लिए बहुत महत्वपूर्ण है क्योंकि सटीकता के आंकड़े इस बात पर बहुत अधिक निर्भर करते हैं कि कोई बेंचमार्क साफ, एकल लेखक के नमूनों का उपयोग करता है या उन अस्त-व्यस्त बहु-लेखक सेटों का जो एक वास्तविक उत्पाद को देखने जैसा लगता है। हमें यह भी नहीं पता कि 270 प्रयोग तीन मॉडलों और तीन भाषाओं के बीच कैसे विभाजित किए गए थे, इसलिए यह पता लगाने का कोई तरीका नहीं है कि क्या GPT-5 ने आर्किटेक्चर डिज़ाइनर के रूप में Claude Sonnet 4 से बेहतर प्रदर्शन किया, या क्या एक भाषा ने औसत को नीचे खींचा जबकि अन्य ने इसे ऊपर रखा। मौजूदा NAS विधियों या हाथ से डिज़ाइन किए गए हाथ से लिखे गए टेक्स्ट की पहचान करने वाले मॉडलों के साथ कोई तुलना नहीं है, इसलिए "यह पिछले वाले से बेहतर है" ऐसा कुछ नहीं है जो सारांश वास्तव में दावा करता हो, भले ही यह प्राकृतिक पठन हो। और कंप्यूट लागत के बारे में कोई चर्चा नहीं है: 270 पूर्ण प्रशिक्षण लूप चलाना, जिनमें से प्रत्येक के पहले एक LLM कॉल होता है, मुफ्त नहीं है, और यह जानना कि क्या यह दृष्टिकोण व्यावसायिक रूप से महत्वपूर्ण होने के लिए पर्याप्त कुशल है, पूरी तरह से उन आंकड़ों पर निर्भर करता है जो हमारे सामने नहीं हैं।

इनमें से कोई भी बात दिलचस्प हिस्से को मिटा नहीं देती। एक सामान्य-उद्देश्यीय LLM को पुनरावृत्ति आर्किटेक्चर डिज़ाइनर के रूप में उपयोग करना, बजाय इसके कि हर नई कार्य के लिए एक विशेष खोज एल्गोरिदम बनाया जाए, यह NAS के भविष्य में कैसे काम कर सकता है, इसमें एक वास्तविक बदलाव है। यह याद रखना महत्वपूर्ण है कि एक मजबूत औसत सटीकता और एक तेज अनुमान संख्या मूल्यांकन की शुरुआत है, इसका अंत नहीं। वह पेपर जो वास्तव में एक उत्पादन टीम को इस दृष्टिकोण को अपनाने के लिए राजी करेगा, वह है जिसमें डेटासेट विवरण, प्रति-भाषा विभाजन, और पहले से उपयोग में मौजूद NAS विधियों के खिलाफ एक सिर-से-सिर तुलना शामिल है। जब तक वह संस्करण सामने नहीं आता, तब तक यह एक वादा करने वाला अवधारणा प्रमाण है, कोई निश्चित परिणाम नहीं।