LLM पेलिकन ऐसे क्यों दिखते हैं?
“एक पेलिकन जो साइकिल चला रहा है” का SVG बनाने वाला एक वायरल प्रॉम्प्ट अब इस बात का अनौपचारिक बेंचमार्क बन गया है कि बड़े भाषा मॉडल अस्पष्ट रचनात्मक कार्यों पर कितनी समान प्रतिक्रिया देते हैं। टिप्पणीकार नोट करते हैं कि अब अधिकांश सिस्टम लगभग एक जैसे, सामान्य दृश्य बनाते हैं — वही साइड व्यू, वही धूप वाला आसमान, वही एक्सेसरीज़ — और इसे साझा प्रशिक्षण डेटा तथा पोस्ट-ट्रेनिंग अलाइनमेंट तकनीकों से प्रेरित “mode collapse” का प्रमाण मानते हैं। कुछ लोग कोडिंग और व्यावसायिक ग्राफ़िक्स जैसे व्यावहारिक उपयोगों के लिए इस अनुरूपता का स्वागत करते हैं, जबकि अन्य को चिंता है कि यह नवाचार को समतल करती है, क्लिशे को मज़बूत करती है, और दिखाती है कि AI-सहायता प्राप्त रचना में मानव स्वाद और दिशा क्यों अब भी महत्वपूर्ण हैं।
प्रॉम्प्ट, पेलिकन बेंचमार्क, और “विविधता पतन”
- कई लोग नोट करते हैं कि अलग-अलग मॉडल “एक पेलिकन जो साइकिल चला रहा है” के लिए आश्चर्यजनक रूप से समान SVG देते हैं: साइड व्यू, बाएँ से दाएँ गति, धूप वाला आसमान, बादल, सामान्य सड़क/घास, स्कार्फ/हेलमेट, गति रेखाएँ।
- कुछ लोग इसे “LLM विविधता पतन” के प्रमाण के रूप में देखते हैं, जहाँ मॉडल अस्पष्ट प्रॉम्प्ट्स के लिए उसी सेंटरॉइड आउटपुट पर अभिसरित हो जाते हैं।
- अन्य लोग तर्क देते हैं कि यह अपेक्षित और यहाँ तक कि वांछनीय भी है: एक धुंधली माँग मिलने पर मॉडल को सबसे सांख्यिकीय रूप से सामान्य, पहचानने योग्य दृश्य चुनना चाहिए।
रचनात्मकता बनाम पूर्वानुमेयता
- एक पक्ष चाहता है कि मॉडल डिफ़ॉल्ट रूप से अधिक कल्पनाशील हों; नहीं तो AI-जनित डिज़ाइन, कोड, और लेखन सब एक जैसी फीकी समानता में बदल जाते हैं और नवाचार को दबा सकते हैं।
- दूसरा पक्ष पूर्वानुमेयता को प्राथमिकता देता है: एक साधारण प्रॉम्प्ट से कम-से-कम चौंकाने वाला, सामान्य परिणाम आना चाहिए (जैसे एक मानक PB&J या न्यूट्रल लैपटॉप आइकन), न कि कोई अजीब पुनर्व्याख्या।
- कई टिप्पणीकार इस बात पर ज़ोर देते हैं कि रोचक परिणामों के लिए समृद्ध प्रॉम्प्ट और क्रमिक दिशा-निर्देशन चाहिए; “सामान्य इन ⇒ सामान्य आउट।”
प्रशिक्षण, RLHF, और सिंथेटिक डेटा की भूमिका
- इस पर बहस कि क्या LLMs को केवल LLM-जनित डेटा पर प्रशिक्षित किया जा सकता है; जुड़े हुए काम से संकेत मिलता है कि मानव “सीड” डेटा + सिंथेटिक ऑगमेंटेशन पर भारी निर्भरता होती है, और मानव क्यूरेशन लगातार ज़रूरी रहता है।
- कुछ का दावा है कि RLHF/अलाइनमेंट और पोस्ट-ट्रेनिंग विविधता को संपीड़ित करते हैं, जिससे मॉडल एक ही शैली की ओर धकेले जाते हैं; कहा जाता है कि बेस मॉडल अधिक विविध होते हैं लेकिन कम “सेफ़” और अधिक हैलुसिनेशन-प्रवण होते हैं।
- चिंता है कि सिंथेटिक डेटा और अलाइनमेंट लूप्स का बढ़ना मॉडलों के बीच आउटपुट स्पेस को और संकरा कर देगा।
मानवों और शैली-समानता से तुलना
- बच्चों द्वारा घर या सामान्य दृश्य बनाने से तुलना: इंसान भी क्लिशे की ओर लौटते हैं, लेकिन मानव समूह अभी भी पेलिकन प्रॉम्प्ट पर वर्तमान मॉडलों से अधिक विविधता दिखाते हैं।
- देखे गए पक्षपात: बाएँ से दाएँ गति, आइकन-जैसी SVG शैली, सामान्य ट्रोप्स (टोकरी में मछली, समुद्रतट, स्कार्फ) प्रशिक्षण डेटा और व्यापक संस्कृति के पैटर्न को दर्शाते हैं।
- कॉर्पोरेट लोगो, UI, और इंटीरियर डिज़ाइन में भी इसी तरह की “एकरूपता” देखी जाती है; कुछ लोग LLMs को वास्तविक दुनिया में पहले से मौजूद अभिसरण को बढ़ाने वाला मानते हैं।
उपयोग के मामले और टूल्स
- कोड के लिए, mode collapse को एक विशेषता माना जाता है: सुसंगत, “बोरिंग” इम्प्लीमेंटेशन और मानक पैटर्न वांछनीय हैं।
- कला और डिज़ाइन के लिए, समानता एक बग है; सुझाए गए उपायों में शामिल हैं: बेहतर प्रॉम्प्ट, बाहरी रैंडमनेस/ब्रेनस्टॉर्म टूल्स, मल्टी-मॉडल सेटअप, और शैली को दिशा देने के लिए human-in-the-loop समीक्षक।