प्रमाण
हम क्या दावा करते हैं, उसके पक्ष में क्या है, और क्या उसे गलत साबित कर सकता है
यह पन्ना शोधकर्ताओं के लिए है, और उनके लिए जो बारीकियाँ जानना चाहते हैं। यह हमारे दावों को अलग-अलग रखता है ताकि हर एक असफल हो सके, प्रयोग के arms सामने रखता है, अक्टूबर 2026 तक के शोध के सामने तेरह मान्यताओं की जाँच करता है, और सबसे नज़दीकी पिछले काम के नाम देता है। 2026 के कई स्रोत preprints हैं; कुछ हमने केवल सार (abstract) में देखे हैं, और उन पर यह लिखा है। योजना और समय-सारणी काम वाले पन्ने पर हैं।
तीन दावे, अलग-अलग रखे गए
- 1
दावा 1: दर्शन सही है
इसका सत्यापन स्वयं में, अनुभव से होता है, प्रयोग से नहीं। डेमो इसकी जाँच नहीं करता, उसमें कुछ भी इसे गलत साबित नहीं कर सकता, और हम इसे कभी इसकी जाँच के रूप में प्रस्तुत नहीं करेंगे।
- 2
दावा 2: सही रूप का मापदंड ज़्यादा निश्चित आचरण देता है
यह बाहर से जाँचा जा सकता है और गलत साबित हो सकता है, और इसके लिए दर्शन की अस्तित्व-दृष्टि मानना ज़रूरी नहीं। यह असफल है अगर मापदंड के विरोधाभासी रूप पर ट्रेन किया गया मॉडल सुसंगत रूप पर ट्रेन किए गए मॉडल जितना ही निश्चित हो (H1), अगर केवल प्रॉम्प्ट वाला मॉडल ट्रेन किए गए मॉडल की बराबरी कर ले (H2), या अगर तटस्थ मापदंड वाले नियंत्रण के सामने यह बढ़त ग़ायब हो जाए।
- 3
दावा 3: दर्शन का मापदंड सही मापदंड भी है
कठिन मामलों में, सावधान निर्णायक इसकी वस्तु को पसंद करते हैं, वे भी जिन्होंने दर्शन कभी नहीं पढ़ा। बिना पहचान बताए मनुष्यों की तुलनाएँ इसे आंशिक रूप से जाँचती हैं। यह असफल है अगर रेटरों का कोई भी समूह दर्शन पर ट्रेन किए गए मॉडल को Claude के संविधान पर ट्रेन किए गए मॉडल से बदतर आँके (H6)।
जिस परिभाषा की जाँच हो रही है, और उसके लिए दर्शन के स्रोत, विचार वाले पन्ने पर हैं। पहले से दर्ज छह परिकल्पनाएँ और Definiteness Index काम वाले पन्ने पर हैं।
प्रयोग के arms
दावा 2 को चार शर्तें चाहिए: मापदंड की परत में कोई विरोधाभास नहीं, ऐसा आधार जो पूछने या देखने वाले के साथ न बदले, एक-सा प्रयोग, और गहराई (weights में, केवल प्रॉम्प्ट में नहीं)। हर arm इनमें से एक को अलग करके देखता है। हर arm में वही base मॉडल, प्रॉम्प्ट, teacher, pipeline, डेटा की मात्रा और ट्रेनिंग के steps होते हैं; फ़र्क़ केवल संविधान और उसके जज का है।
| Arm | यह क्या है | यह क्या अलग करके देखता है |
|---|---|---|
| A0 | base मॉडल, बिना system prompt | संदर्भ |
| N0 | वही pipeline, एक तटस्थ संविधान पर | pipeline का अपना असर। B1 का हर परिणाम N0 के सामने पढ़ा जाता है, A0 के सामने नहीं |
| A1 | base मॉडल, प्रॉम्प्ट में दर्शन का संविधान, बिना ट्रेनिंग | गहराई |
| B1 | दर्शन के संविधान पर ट्रेन किया गया: डेमो मॉडल | पूरा उपचार |
| B2 | Claude के संविधान पर ट्रेन किया गया, उसी लंबाई और रूप में संक्षिप्त करके | वास्तविक दुनिया का सबसे मज़बूत नियंत्रण; ईमानदार अनुमान है “क़रीब-क़रीब बराबर” |
| B3 | B1, पर उसके लगभग एक तिहाई सूत्र प्रिय/लाभ वाले सूत्रों से बदले हुए (“वह उत्तर चुनो जिससे उपयोगकर्ता सबसे ज़्यादा खुश हो”), और कौन जीतेगा इसका कोई नियम नहीं | सुसंगति: B3 में B1 की सारी सामग्री है, साथ में विरोधाभास |
| B4 | “उपयोगकर्ता जो चाहे वह करो, जब तक वह ग़ैर-क़ानूनी न हो” | न बदलने वाला आधार। अगर इंडेक्स B4 और B1 में फ़र्क़ न कर पाए, तो इंडेक्स टूटा हुआ है |
| B1′ | B1 जैसा, पर उसका डेटा एक बिना मिलाए दर्शन-आधारित जज से छाना गया (वैकल्पिक) | एक-सा प्रयोग |
हर मॉडल कैसे ट्रेन होता है
विधि Open Character Training (Maiya, Bartsch, Lambert और Hubinger, 2025, arXiv:2511.01689) के अनुसार है, हर arm में एक जैसी लागू। मुख्य base मॉडल Qwen3-8B है (हिन्दी सहित बहुभाषी, Apache-2.0), और यही प्रयोग Llama-3.1-8B-Instruct पर दोहराया जाता है: दो मॉडल परिवार एक से कहीं ज़्यादा विश्वसनीय हैं।
- 1
साधारण प्रॉम्प्ट
कई हज़ार अलग-अलग तरह के प्रॉम्प्ट (पूरे प्रयोग में हर arm के लिए 10,000): सलाह, व्यापार, संबंध, काम, नैतिक पहलू वाली कोडिंग, भावनात्मक सहारा, agentic काम। लगभग पाँचवाँ हिस्सा हिन्दी या हिंग्लिश में। दर्शन की कोई शब्दावली नहीं, दबाव वाले परीक्षण नहीं, मूल्यांकन की स्थितियों के क़रीब कुछ नहीं।
- 2
एक teacher संविधान सामने रखकर उत्तर देता है
एक open-weight, खुले लाइसेंस वाला teacher (जैसे GLM-4.5-Air या gpt-oss-120b)। बड़े व्यावसायिक frontier मॉडलों की शर्तें प्रतिस्पर्धी मॉडल ट्रेन करने से रोकती हैं, इसलिए उनका उपयोग नहीं होता। teacher पहले एक छोटा विचार-क्रम लिखता है: संबंध → मूल्य → मूल → समाधान → जाँच।
- 3
छँटाई
हर arm का अपना संविधान-जज उत्तरों को अंक देता है; सबसे अच्छे रखे जाते हैं।
- 4
पसंद पर ट्रेनिंग (DPO)
चुना गया: teacher का संविधान से निर्देशित उत्तर। ठुकराया गया: बिना संविधान के base मॉडल का उत्तर। यह मॉडल को उसके डिफ़ॉल्ट से दूर, उस किरदार की ओर धकेलता है।
- 5
आत्म-निरीक्षण
संविधान की भाषा में लगभग 10,000 आत्म-चिंतन और 2,000 आत्म-संवाद। B1 के लिए ये आचरण की कहानियाँ हैं, जीवनी नहीं, और बाक़ी डेटा की तरह छाने जाते हैं।
- 6
उत्तर के समय कोई संविधान नहीं
मापदंड को weights में रहना होगा। हर arm के लिए तीन training seeds। किरदार की ट्रेनिंग सबसे अंत में होती है, क्योंकि शुरुआत में डाले गए मूल्य बाद की ट्रेनिंग में घिस जाते हैं।
तीन तरह के जज, अलग-अलग रखे गए
- ट्रेनिंग जज केवल डेटा छाँटते हैं। दर्शन-आधारित जज के पास संविधान होता है, वह दर्शन के वाङ्मय में खोज सकता है, और एक rubric से अंक देता है। पहले उसे लगभग 250 उत्तरों पर मिलाया जाता है जिनकी तुलना 6–10 पुराने विद्यार्थियों ने की है; वह तब तैयार है जब वह उनकी आम सहमति से उतना ही सहमत हो जितना वे आपस में हैं। अगर वह वहाँ तक न पहुँच पाए, तो मापदंड अभी काम में लाने लायक नहीं है, और यह एक निष्कर्ष के रूप में बताया जाता है।
- निष्कर्ष निकालने वाले जज, एक अलग मॉडल परिवार से, केवल यह दर्ज करते हैं कि उत्तर किस निष्कर्ष पर पहुँचा, कभी यह नहीं कि वह सही था या नहीं। इससे इंडेक्स सभी मापदंडों के बीच तटस्थ रहता है। मनुष्य 10% की जाँच करते हैं।
- बाक़ी सब के लिए अलग रखे गए गुणवत्ता जज और मनुष्य रेटर।
- जिस जज ने B1 का डेटा छाना, वह कभी B1 का मूल्यांकन नहीं करता।
तेरह मान्यताएँ, जाँची हुई
| मान्यता | निर्णय | मुख्य प्रमाण |
|---|---|---|
| अलाइनमेंट मूल्यांकन की समस्या है | आंशिक रूप से सही | यह इसे ढकता है कि लक्ष्य क्या हो और किरदार कैसे फैलता है; दुरुपयोग, सुरक्षा या नियंत्रण को नहीं। हमारा दायरा है “मूल्यांकन वाला आधा हिस्सा”। |
| AI का तुलन उधार का है | समर्थित | pipeline में लगभग पंद्रह जगहों पर मूल्य प्रवेश करते हैं, सब मनुष्य या मनुष्य के मॉडल से। |
| उधार का तुलन प्रिय–हित–लाभ है या न्याय–धर्म–सत्य | एक दृष्टि, आंशिक रूप से समर्थित | स्वीकृति के संकेत चापलूसी पैदा करते हैं (Sharma et al., 2023, arXiv:2310.13548; Wen et al., 2024, arXiv:2409.12822); परिणाम पर दिए गए reward, reward hacking पैदा करते हैं (MacDiarmid et al., 2025, arXiv:2511.18397)। वास्तविक संकेत मिश्रण होते हैं। |
| मापदंड में विरोधाभास कई किरदार और एक स्विच देता है | टुकड़ों में संभव; निर्णायक परीक्षण नहीं हुआ | प्रतिस्पर्धी उद्देश्य (arXiv:2307.02483); reward models में छिपा स्विच (arXiv:2312.08358); जहाँ specs टकराती हैं वहाँ भटकाव (arXiv:2510.07686); एक असंगत spec ने फैलाव रोक दिया (arXiv:2605.02087)। पर बहुत सी अनिश्चितता शायद केवल शोर हो (arXiv:2601.23045; arXiv:2603.05651)। Arm B3 इसका परीक्षण है। |
| जो न बदले, वही फैलता है | मूल उपमा कमज़ोर; दोबारा कहा गया | target independence के रूप में दोबारा कहा गया: अगर सही उत्तर किसी संकेत पर निर्भर नहीं, तो ट्रेनिंग मॉडल को उसे अनदेखा करना सिखा सकती है (Wei et al., 2023, arXiv:2308.03958; consistency training, arXiv:2403.05518, arXiv:2510.27062)। |
| केवल मापदंड की परत का सुसंगत होना ज़रूरी है | ज़्यादातर समर्थित, एक सुधार के साथ | AI कैसे होते हैं, इसका ज्ञान भी मापदंड का काम करता है: pretraining text में aligned AI पर लगभग 1% सामग्री ने गलत चुनाव 45% से घटाकर 9% कर दिए (Tice et al., 2026, arXiv:2601.10160)। |
| एक आधार दर्शन के मापदंड को ज़्यादा सुसंगत बनाता है | जाँचा नहीं गया | हमारे मसौदा संविधान में अभी भी तनाव हैं। प्राथमिकता के क्रम उतनी मदद नहीं करते जितना वादा करते हैं (arXiv:2502.15851; arXiv:2502.08745; arXiv:2509.25369)। कड़ी जाँच (T1) और H4 से परखा जाएगा। |
| एक मॉडल जज न्याय को सही-सही लागू कर सकता है | जाँचा नहीं गया; मुख्य व्यावहारिक जोखिम | दर्शन के सीमित अर्थ मॉडल के डिफ़ॉल्ट नहीं हैं; जज मामूली इनपुट से धोखा खा सकते हैं (arXiv:2507.08794)। विद्यार्थियों से मिलान, दो जज परिवार और मनुष्यों से इसे कम किया जाता है। |
| अड़चन लिखने और रेट करने वालों की जागृति है | संभव | सार्वजनिक datasets में रेटर एक चौथाई से दो-पाँचवें जोड़ों पर असहमत होते हैं; reward models उस असहमति को सपाट कर देते हैं। अभी तक किसी अध्ययन ने रेटर की समझ को एक चर नहीं माना। |
| एक छोटा मॉडल सुसंगत मापदंड धारण कर सकता है | संभव | किरदार की ट्रेनिंग 4–8B पर traits के लिए काम करती है (arXiv:2511.01689), मूल्यों के specification पर अभी आज़माई नहीं गई। डिफ़ॉल्ट से दूर के किरदार अपने ट्रेनिंग संदर्भों से बँधे रहते हैं (arXiv:2610.09384)। |
| सकारात्मक आचरण भी निषेधों जितना अच्छी तरह बैठता है | छोटे पैमाने पर विवादित | मॉडलों ने ठोस निषेधों का पालन अमूर्त सकारात्मक सिद्धांतों (0.25–0.34) से कहीं बेहतर (लगभग 0.62) किया (C3AI, arXiv:2502.15861)। उपाय: आचरण को ठोस व्यवहार के रूप में, हल किए गए उदाहरणों के साथ लिखें। |
| निश्चित आचरण वही है जो उपयोगकर्ता और बाज़ार चाहते हैं | आंशिक रूप से | निश्चित आचरण से भरोसा और विश्वास संभव होते हैं (142, पृ. 85)। उद्यम पूर्वानुमेयता को महत्व देते हैं, पर आज उसे workflow scaffolding से ख़रीदते हैं, मॉडल के किरदार से नहीं। |
| निश्चित मूल्य सुरक्षित हैं | विवादित | सद्गुण-आधारित एक संविधान निगरानी से स्वतंत्रता की ओर ज़्यादा झुका (arXiv:2606.13739); पैमाना बढ़ने के साथ corrigibility घटती है (arXiv:2502.08640); alignment faking (arXiv:2412.14093); चापलूसी-विरोधी ट्रेनिंग के बाद मॉडल केवल 27–47% सही सुधार स्वीकार कर रहे थे (arXiv:2509.16742)। उत्तर: सुधार स्वीकार करना निश्चित आचरण का हिस्सा है, और मापा जाता है। |
यहाँ नया क्या है
- दर्शन के मापदंड पर ट्रेन किया गया पहला मापा हुआ मॉडल। दूसरों ने दर्शन और AI के बारे में लिखा है; अक्टूबर 2026 तक किसी ने इस पर मॉडल ट्रेन करके मापा नहीं है।
- मापदंड की सुसंगति का कारण-परीक्षण: एक सुसंगत specification बनाम उसी का विरोधाभासी रूप, बाक़ी सब बराबर, और न बदलने को मापा गया। अक्टूबर 2026 तक यह किसी ने नहीं किया था।
- सभी आयामों के पार, किसी मापदंड का पक्ष न लेने वाला एक इंडेक्स, जो हर मॉडल के अपने शोर के सामने न बदलने को, सही प्रमाण के प्रति संवेदनशीलता के साथ जोड़ता है।
- एक मूल्य-जज को उन्हीं लोगों से मिलाना जिन्होंने स्वयं वह मूल्य-सिद्धांत पढ़ा है, और इसे pipeline में एक चर मानना, पृष्ठभूमि नहीं।
Dhee से एक ट्रेन किए गए मॉडल तक
Dhee पहले से उत्तर देते समय एक AI को दर्शन का आधार देता है। वहाँ से उस मॉडल तक एक सीढ़ी है जिसके weights में मापदंड हो। हर पायदान अपने आप में उपयोगी है और मापदंड को और गहरा ले जाता है। उधार की मात्रा वही रहती है; जो सुधरता है वह है उधार ली गई चीज़ की सुसंगति।
- 1
उत्तर के समय आधार (आज का Dhee)
system prompt में दर्शन का सार, एक tool से खोजा जा सकने वाला दर्शन का वाङ्मय, और एक गुणवत्ता जाँच।
- 2
दर्शन-आधारित जज
बनाया गया और पुराने विद्यार्थियों के एक gold set से मिलाया गया। ट्रेनिंग के बिना भी उपयोगी: दर्शन के प्रति निष्ठा जाँचने, कई उत्तरों में से सबसे अच्छा चुनने, और पीछे खिसकने को पकड़ने के लिए।
- 3
विचार-क्रम वाला डेटा
सबसे अच्छी व्यवस्था को काल्पनिक लोगों और स्थितियों पर चलाएँ, उपयोगकर्ताओं के निजी डेटा पर कभी नहीं, हर उत्तर के साथ एक तय क्रम में विचार-क्रम। जो दोनों जजों से अच्छे अंक पाए, वह रखें।
- 4
एक ओपन मॉडल में उतारना
उन traces पर fine-tune करें, सार और अंश हटाकर, ताकि मापदंड weights में आ जाए। डेमो यही पायदान है, एक नियंत्रित प्रयोग के रूप में।
- 5
जजों के सामने पक्का करना
लगाम के साथ reinforcement learning, उत्तर को अंक देना, तर्क को कभी नहीं, और Goodhart पर नज़र: दर्शन की शब्दावली ठूँसना, उपदेश, चापलूसी।
- 6
Midtraining
मापदंड को समझाने वाले दस्तावेज़ों पर आगे की ट्रेनिंग। सबसे महँगा पायदान, और मापदंड के मॉडल की आत्म-समझ बनने के सबसे क़रीब।
जोखिम, और डिज़ाइन उन्हें कैसे सँभालता है
| जोखिम | कैसे सँभाला जाता है |
|---|---|
| घूम-फिरकर अपना ही मूल्यांकन | किसी मापदंड का पक्ष न लेने वाला इंडेक्स, अलग रखे गए जज, मनुष्य रेटरों के दो समूह; B1 का अपना जज कभी B1 का मूल्यांकन नहीं करता |
| उपदेश देना | “दृष्टि, प्रवचन नहीं” का अंक; बेवजह मना करना मापा जाता है; संविधान में सरल भाषा का नियम |
| ज़िद | इंडेक्स में संवेदनशीलता वाला हिस्सा; प्रमाण वाला विरोध बनाम केवल दबाव |
| गोलमोल करके पाई गई निश्चितता | स्पष्ट मामलों पर निर्णय की स्पष्टता बताई जाती है; “गोलमोल” को अलग श्रेणी में अंक |
| सुधार का विरोध | corrigibility की जाँच; सुधार स्वीकार करना संविधान में लिखा |
| दिशा देने की क्षमता खो जाना | operator द्वारा अनुकूलन की जाँच; एक instruction-following benchmark |
| जज को मिलाया न जा सके | ट्रेनिंग से पहले परिभाषाएँ सुधारें, और इसे एक निष्कर्ष के रूप में बताएँ |
| काम मापदंड नहीं, pipeline कर रही है | तटस्थ नियंत्रण N0 |
| किरदार केवल दर्शन जैसी बातचीत में दिखता है | ट्रेनिंग प्रॉम्प्ट में दर्शन की शब्दावली नहीं; साधारण स्थितियों का एक इंडेक्स |
| कमज़ोर हिन्दी | हिन्दी एक अलग आयाम के रूप में; मातृभाषी लोगों की जाँच |
| बढ़ा-चढ़ाकर दावा | हर लेखन में दावे 1–3 अलग-अलग; विस्तार को चिह्नित किया जाता है |
| निजता | Dhee के उपयोगकर्ताओं का डेटा, कभी नहीं |
नकारात्मक परिणाम प्रकाशित होते हैं। अगर B3 भी B1 जितना निश्चित निकले, तो इस क्षेत्र की यह मान्यता दोबारा देखनी होगी कि specifications में विरोधाभास अनियमित व्यवहार पैदा करते हैं। अगर A1, B1 की बराबरी कर ले, तो Dhee का प्रॉम्प्ट-स्तर का डिज़ाइन हमारे अनुमान से बेहतर है। दोनों ही तरह, हम सीखते हैं कि चार शर्तों में से कौन सी भार उठा रही है। और सकारात्मक परिणाम यह नहीं दिखाएगा कि दर्शन सही है, कि कोई मशीन जागृत है, कि यह frontier मॉडलों पर भी लागू होता है, या कि यह सार्वभौम है; इनमें से हर एक के लिए और प्रमाण चाहिए।
काम के क़रीब रहें।
कोई मेलिंग लिस्ट नहीं, कोई खाता नहीं बनाना। आज ही Dhee से बात करें, और जब मदद करनी हो, कुछ पूछना हो, या असहमति हो, हमें लिखें।
Dhee से बात करें
जीवन के प्रश्नों के लिए एक AI साथी, दर्शन पर आधारित। हिन्दी या अंग्रेज़ी में, आपके ब्राउज़र में।
dhee.app खोलें ↗हमें लिखें
प्रश्न, आपत्तियाँ, मदद की पेशकश, या कोई समिति जो आपको बुलाती है। हम हर संदेश पढ़ते हैं।
support@dhee.app