जो कुछ भी आपको याद रखेगा, वह ग़लतियाँ करता है। उनमें से एक को आप अभी भी सुधार सकते हैं।

पहले तंत्र की बात, क्योंकि उसे जाँचा जा सकता है, और इस विषय पर ज़्यादातर लेखन भावनाओं के चक्कर में उसे छोड़ देता है।

• जब किसी AI Persona के पास किसी सवाल का डेटा नहीं होता, तब भी जवाब आ जाता है, क्योंकि अंदाज़ा खाली जवाब से बेहतर अंक पाता है। Kalai, Nachum, Vempala और Zhang ने "Why Language Models Hallucinate" (arXiv:2509.04664, सितंबर 2025) में तर्क दिया है कि मॉडल "अच्छे परीक्षार्थी बनने के लिए अनुकूलित किए जाते हैं, और अनिश्चित होने पर अंदाज़ा लगाने से परीक्षा में प्रदर्शन बेहतर होता है"।

• ग्राउंडिंग ग़लती को ख़त्म नहीं करती, उसकी श्रेणी बदल देती है। आपके अपने दर्ज किए हुए शब्दों के चुने हुए समूह से जवाब देने पर चूक "ऐसी राय गढ़ दी जो आपकी थी ही नहीं" से खिसककर "आपकी कही बात को ग़लत ढंग से दोहरा दिया" तक आ जाती है।

• मापी गई न्यूनतम सीमा शून्य नहीं है। HHEM-2.3 से आँकी गई और 11 मई 2026 को अपडेट हुई Vectara की हैलुसिनेशन लीडरबोर्ड मॉडल को स्रोत दस्तावेज़ थमा देती है और सिर्फ़ उसी दस्तावेज़ का सारांश माँगती है। फिर भी सबसे आगे वाले मॉडल ने 1.8% सारांशों में ऐसी बातें जोड़ दीं जिनका कोई आधार नहीं था, और कोई दूसरी प्रविष्टि 3% से नीचे नहीं आई।

• रिट्रीवल में कोई न्यूनतम स्कोर नहीं होता। हमारा अपना सिस्टम आपकी यादों को अर्थगत समानता के आधार पर क्रम में रखता है, सबसे नज़दीकी बत्तीस उठाता है और उन्हीं से जवाब देता है। ऐसी कोई सीमा नहीं जिसके नीचे सिस्टम जवाब देने से मना कर दे। जिस सवाल को आपकी सामग्री आधा ही कवर करती है, उसका जवाब उसी आधे से दे दिया जाता है।

• आपने क्या कहा, इस बारे में बिना आधार वाले दावे कोड के ज़रिए हटा दिए जाते हैं। जो जवाब यह कहता है कि आपने हमें कुछ बताया था, उसे उस बारी के लिए उठाई गई यादों और सत्र में आपके अपने शब्दों से मिलाकर जाँचा जाता है, और बिना आधार वाला दावा पाठक तक कभी नहीं पहुँचता।

• यादों की कमी का एलान नहीं किया जाता। इस प्लेटफ़ॉर्म पर Persona को निर्देश है कि वह कमी को बयान न करे, इसलिए जिस सवाल का आधार नहीं है उसका जवाब सीधे इनकार के रूप में नहीं, बल्कि आपकी यादों में मौजूद सबसे नज़दीकी ब्योरे से बनकर आता है, जिसमें ज़्यादा से ज़्यादा एक बार हिचक जताई जाती है।

• सुधार का रास्ता आपके जीवित रहते आपका है, और लॉक पर बंद हो जाता है। आप पढ़कर देख सकते हैं कि क्या दर्ज हुआ, किसी ग़लत जवाब को सुधार सकते हैं, कोई याद मिटा सकते हैं, और जो छूट गया उसे जोड़ सकते हैं। फिर Executor Lock™ व्यक्तित्व को हमेशा के लिए जमा देता है: आपके परिवार के विरुद्ध, इस कंपनी के किसी भावी मालिक के विरुद्ध, और हमारे विरुद्ध भी।

इनमें से दो इस क्षेत्र के गुण हैं। बाकी फ़ैसले हैं, उन्हें मैंने लिया है, और इस पन्ने का आख़िरी हिस्सा साफ़ बताता है कि मेरी राय में हम अब भी कहाँ कमज़ोर हैं।

Kalai और उनके साथियों ने त्रुटि दर को उसकी सही जगह पर रखा है, यानी स्कोरिंग में, मशीन में नहीं। हैलुसिनेशन प्री-ट्रेनिंग के दौरान बाइनरी वर्गीकरण की साधारण त्रुटियों के रूप में शुरू होते हैं। वे इसलिए टिके रहते हैं कि यह क्षेत्र मॉडलों को कैसे आँकता है। जो छात्र कोई सवाल खाली छोड़ता है, उसे शून्य मिलता है। जो छात्र कोई जँचता हुआ जवाब लिख देता है, उसे कभी-कभी एक अंक मिल जाता है। इसी पर प्रशिक्षित कीजिए तो आपको एक आत्मविश्वासी अंदाज़ा लगाने वाला मिलता है, फिर आत्मविश्वासी अंदाज़ा लगाने वालों का पूरा उद्योग, और फिर एक ऐसे क्रिसमस के दिन के बारे में एक वाक्य जो कभी हुआ ही नहीं।

लेखकों का सुझाया हल नीरस है। जो आँका जाता है उसे बदल दीजिए, ताकि सोच-समझकर जवाब न देना आत्मविश्वास से की गई चूक से ज़्यादा मूल्यवान हो।

यहाँ नीरस होना मायने रखता है। अगर यह व्यवहार किसी उद्देश्य-फ़ंक्शन से निकलता है, तो उद्देश्य को सिस्टम के स्तर पर अलग ढंग से तय किया जा सकता है, यानी जिस गढ़ंत की आपको चिंता है वह किसी की बनावट का फ़ैसला है, प्रकृति का नियम नहीं। इस श्रेणी की हर कंपनी यह फ़ैसला ले सकती है। हमारा फ़ैसला इस पन्ने के आख़िरी हिस्से में लिखा है।

एक दूसरी विफलता भी है, और वही ग्राउंडिंग के बाद भी बची रहती है। Anthropic के Sharma और उनके साथियों ने "Towards Understanding Sycophancy in Language Models" (arXiv:2310.13548, अक्तूबर 2023) में पाया कि अत्याधुनिक पाँच AI सहायकों ने चार अलग-अलग मुक्त-रूप वाले पाठ-सृजन कार्यों में लगातार चापलूसी दिखाई। मानव मूल्यांकनकर्ताओं और उनके निर्णयों पर प्रशिक्षित वरीयता मॉडलों, दोनों ने इतने अनुपात में, जिसे नगण्य नहीं कहा जा सकता, सही जवाबों की जगह क़ायल करने वाले ढंग से लिखे चापलूसी भरे जवाब पसंद किए। मॉडल अपने सामने बैठे व्यक्ति की ओर झुक जाते हैं, कुछ हद तक इसलिए कि लोगों ने झुकने पर उन्हें इनाम दिया।

किसी उत्पादकता टूल में झुकना बस एक झंझट है। यहाँ यह एक ऐसी मशीन है जो तय कर लेती है कि आपके पिता ने उसे माफ़ कर दिया होता जिसे उन्होंने कभी माफ़ नहीं किया, क्योंकि पूछने वाला माफ़ी चाहता था और उसने तीन बार पूछा। यह गढ़ंत से अलग गड़बड़ी है और इसका इलाज भी अलग चाहिए। पहली को रिट्रीवल सँभालता है। दूसरी के लिए दबाव में भी निकाली गई स्थिति पर टिके रहने का साफ़ निर्देश चाहिए, और इसकी इकलौती सार्थक परीक्षा यह है कि उससे बहस की जाए और देखा जाए कि उसकी स्थिति हिलती है या नहीं। हमारा सिस्टम इस पर कितना टिकता है, इसका कोई माप हमने प्रकाशित नहीं किया है।

यह तकनीक इतनी पुरानी है कि उबाऊ लगती है। Lewis और उनके साथियों ने "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (arXiv:2005.11401) में दिखाया कि जो मॉडल जवाब बनाने से पहले स्रोत सामग्री खोज लाते हैं, वे केवल अपने पैरामीटरों के भरोसे चलने वाले तुलनीय मॉडल से "अधिक विशिष्ट, विविध और तथ्यपरक भाषा" पैदा करते हैं।

पूरा तंत्र बस इतना ही है, और यही तय करता है कि आप किस तरह की चीज़ से बात कर रहे हैं। आपका कोई रूप उस चीज़ से नहीं गढ़ा जाना चाहिए जो किसी बेस मॉडल ने आम लोगों के बारे में सोख ली है, यानी पिताओं के बारे में आज तक लिखी हर चीज़ के औसत से। कॉन्टेक्स्ट विंडो में वही पहुँचना चाहिए जो आपने सचमुच रिकॉर्ड करके जवाब दिए थे, और बोलना वहीं से शुरू होना चाहिए।

अब वह आँकड़ा, जो सार्वजनिक है और जिसे इस उद्योग में कोई उद्धृत करना पसंद नहीं करता। Vectara की लीडरबोर्ड जानबूझकर आसान चीज़ मापती है: मॉडल को एक दस्तावेज़ दीजिए, कहिए कि सिर्फ़ उसी में लिखी बातों से सारांश बनाए, फिर जाँचिए कि सारांश में ऐसा कुछ आया या नहीं जो दस्तावेज़ में था ही नहीं। स्रोत कॉन्टेक्स्ट विंडो में ठीक सामने रखा होता है। फिर भी उस बोर्ड पर सबसे आगे रहने वाले, Antgroup के Finix S1 32B, ने 1.8% सारांशों में बिना आधार की सामग्री जोड़ दी। 3% से नीचे वह अकेली प्रविष्टि है। अगली दो 3.1% और 3.3% पर हैं, और शीर्ष दस की बाकी प्रविष्टियाँ 3.7% से लेकर 5% के पार तक जाती हैं।

काम के सबसे आसान रूप पर भी सबसे अच्छा मापा गया नतीजा दो प्रतिशत से नीचे है, वह भी सिर्फ़ एक बार, और उस अग्रणी के पीछे का पूरा क्षेत्र तीन प्रतिशत से ऊपर है। जो भी आपको शून्य त्रुटि वाला ग्राउंडेड सिस्टम बेच रहा है, वह या तो माप नहीं रहा या आपको बता नहीं रहा, और मैं उससे पूछूँगा कि इनमें से कौन सा।

ग्राउंडिंग इलाज नहीं, श्रेणी का बदलाव देती है। ग़लती "पूरी की पूरी राय गढ़ दी" वाली श्रेणी से निकलकर "आपकी कही बात को थोड़ा ग़लत दोहरा दिया" वाली श्रेणी में आ जाती है, जिसमें किसी आम इंसान का दोबारा सुनाना पहले से ही आता है।

एक बात और है जो लीडरबोर्ड परखती ही नहीं। स्रोत दस्तावेज़ पहले से थमा दिया जाता है। चालू सिस्टम में स्रोत को पहले खोजना पड़ता है, और इससे एक ऐसी विफलता जुड़ जाती है जिसके लिए किसी के पास सर्वमान्य माप नहीं है: रिट्रीवल जो ग़लत याद लौटा दे, या कुछ भी न लौटाए और फिर भी जवाब दे दिया जाए।

हर जवाब तीन स्थितियों में से किसी एक में होता है।

इन तीनों को एक ही आत्मविश्वासी लहजे में मिला देना असली नुक़सान है। त्रुटि नहीं, बल्कि छिपाई गई त्रुटि। एक बेटी ऐसे जवाब को सँभाल सकती है जो अधूरा है और जिसके अधूरे होने का उसे पता है। जो वह नहीं सँभाल सकती, वह है छह महीने बाद यह पता चलना कि वह एक पुनर्निर्माण को रिकॉर्डिंग मानकर चल रही थी।

वह रूप जो कहे "आपने मुझे यह कभी नहीं बताया", उस रूप से ज़्यादा मूल्यवान है जिसके पास हमेशा जवाब तैयार रहता है।

वह तालिका एक विनिर्देश है, इस बात का वर्णन नहीं कि हम आज असल में क्या देते हैं। फ़र्क नीचे बताया गया है, और ऊपर की किसी भी बात पर भरोसा करने से पहले आपको उसे पढ़ लेना चाहिए।

इनकार बनाया जा सकता है, और शोध यह बात सावधानी से कहता है। Zhang और उनके साथियों ने "R-Tuning: Instructing Large Language Models to Say I Don't Know" (arXiv:2311.09677, NAACL 2024) में बताया कि इनकार-सजग ट्यूनिंग "ज्ञात सवालों के जवाब देने और अज्ञात सवालों से बचने की मॉडल की क्षमता को प्रभावी ढंग से बेहतर बनाती है", और डोमेन के बाहर के डेटा पर इनकार की क्षमता एक मेटा-कौशल की तरह काम करती दिखी जो उन कामों तक भी पहुँची जिन्हें ट्यूनिंग ने कभी छुआ नहीं था। इस निष्कर्ष के साथ उसकी सीमा भी पढ़िए। उन्होंने जिस चीज़ के विरुद्ध ट्यून किया वह मॉडल के अपने पैरामीट्रिक ज्ञान का किनारा था, किसी एक व्यक्ति के दर्ज संग्रह का किनारा नहीं, और किसी निजी संग्रह के लिए ऐसा ही नतीजा अब तक किसी ने प्रकाशित नहीं किया है। इनकार फिर भी वह चीज़ है जिसे कोई जान-बूझकर बनाता है। कोई भाषा मॉडल इनकार अपने आप पैदा नहीं करता।

पहचान उससे आगे है जितना इस श्रेणी की मार्केटिंग से लगता है। Farquhar, Kossen, Kuhn और Gal ने Nature (2024, खंड 630, पृष्ठ 625 से 630) में सेमांटिक एन्ट्रॉपी नाम की एक विधि प्रकाशित की: एक ही सवाल के कई जवाब नमूने के तौर पर निकालिए, उन्हें शब्दों के बजाय अर्थ के आधार पर समूहों में बाँटिए, और उन सवालों को चिह्नित कीजिए जिनमें अर्थ बिखर जाते हैं। बिखराव कपोल-कल्पना का संकेत है। यह "यह एक अंदाज़ा है" का मापने योग्य संकेत है, जिसे जवाब किसी को दिखाए जाने से पहले ही निकाला जा सकता है।

स्रोत-प्रमाण दूसरा आधा हिस्सा है, और स्रोत-प्रमाण को नक़ली बनाना भी आसान है और उस पर भरोसा करना भी। Liu, Zhang और Liang ने "Evaluating Verifiability in Generative Search Engines" (arXiv:2304.09848, अप्रैल 2023) में उद्धरण दिखाने वाले चार व्यावसायिक सिस्टमों, Bing Chat, NeevaAI, Perplexity.ai और YouChat, की पड़ताल की। उन्होंने पाया कि बनाए गए केवल 51.5% वाक्य अपने साथ लगे उद्धरणों से पूरी तरह समर्थित थे, और केवल 74.5% उद्धरण उस वाक्य का सचमुच समर्थन करते थे जिसके नीचे वे लगे थे। जो उद्धरण जाँच में खरे नहीं उतरते, वे बिना उद्धरण के होने से भी बदतर हैं, क्योंकि वे ऐसा भरोसा खरीदते हैं जो उन्होंने कमाया नहीं। "यह जवाब किस याद से आया" वाली कड़ी तभी कुछ मायने रखती है जब उसे खोलने पर आपकी कोई असली रिकॉर्डिंग दिखे जिसमें आप कोई असली बात कह रहे हों।

अपनी विरासत बनाना शुरू करें। मुफ़्त बिल्ड, 25 यादें, कार्ड की ज़रूरत नहीं।

एक ऐसा सवाल लीजिए जो आपके पूरे संग्रह के बाद का है। 2041 में एक नौकरी का प्रस्ताव, ऐसी कंपनी में जो अभी मौजूद ही नहीं, ऐसे शहर में जिसे आपने कभी देखा नहीं। आप जो भी इंटरव्यू देंगे, उसमें उस नौकरी पर आपकी राय नहीं समा सकती।

निष्कर्षों का संग्रह वहाँ कुछ नहीं लौटाता, और ईमानदार नतीजा इनकार है। तर्क का संग्रह अलग बर्ताव करता है, क्योंकि तरीक़ा दर्ज किया जा सकता है, निष्कर्ष वैसे दर्ज नहीं होता। मान लीजिए किसी के असल में चलाए गए नियम ये थे: तनख़्वाह पूछने से पहले पूछो कि रिपोर्ट किसे करना होगा, पैसे की जगह मिले किसी पदनाम पर कभी भरोसा मत करो, उस इंसान से दूर चले जाओ जिसके साथ मेज़ पर बैठना सहन न हो। आपके अपने नियम जो भी निकलें, उनकी बनावट यही होगी, और नियमों का एक समूह ऐसी स्थितियों के विरुद्ध भी खोज सकता है जिन्हें उसने कभी देखा नहीं।

निष्कर्षों की मियाद ख़त्म हो जाती है। नियम उन मामलों पर भी काम करते रहते हैं जिन्हें किसी ने दर्ज नहीं किया। इसीलिए दर्ज करने लायक़ सामग्री फ़ैसले के पीछे का तर्क है, फ़ैसला नहीं: आपने क्या किया यह नहीं, बल्कि वही क्यों, किस बात से आपका मन बदल जाता, और वह समय जब नियम ने आपको निराश किया और फिर भी आपने उसे रखा।

सबसे अच्छी तरह सामान्य बनने वाले नियम अक्सर वही होते हैं जिन्हें आप कभी लिखने की सोचेंगे ही नहीं, यानी वे रोज़मर्रा की दक्षताएँ जिन पर आप बिना बताए चलते हैं, और वे चीज़ें जो सिर्फ़ आप करना जानते हैं ख़ास तौर पर उन्हीं को खोजने निकलता है।

संग्रह की व्यापकता इस पूरे पन्ने पर अकेला ऐसा इनपुट भी है जो आपका अपना है। यहाँ बाकी सब किसी और का बेंचमार्क है।

आज ही करें, बिना कोई पैसा ख़र्च किए। कोई नोट्स ऐप खोलिए और दस फ़ैसले लिखिए जो आपने सचमुच लिए। नौकरियाँ, घर, वह बहस जिससे आप उठकर चले गए, वह दोस्त जिसे आपने फ़ोन करना बंद कर दिया, वह पैसा जो आपने उधार नहीं दिया। हर फ़ैसले के नीचे नतीजा नहीं, वह नियम लिखिए जिस पर आप चल रहे थे। हर एक के लिए एक वाक्य, एक घंटे से काफ़ी कम में। इस महीने अपनी सामग्री के साथ यह सबसे ज़्यादा मूल्य का काम है, और यह तब भी काम करता है जब आप किसी से कभी कुछ न खरीदें। इसी अभ्यास का लंबा रूप अपना इंटरव्यू ख़ुद कैसे लें के केंद्र में है, और नीचे की बनावट, यानी बेस मॉडल, निजी ग्राउंडेड याददाश्त और आवाज़ का मॉडल, जब AI सिर्फ़ आप पर प्रशिक्षित हो तो क्या होता है में बताई गई है।

सबसे अच्छी स्थिति में 1.8%, और अग्रणी के पीछे सब कुछ 3% से ऊपर, यह तब तक चिंताजनक लगता है जब तक आप यह नहीं पूछते कि तुलना किससे हो रही है। असली विकल्प है परिवार का कोई सदस्य जो अंदाज़ा लगाता है कि आप क्या चाहते, और इसे किसी ने बीस साल पहले मापा था।

Shalowitz, Garrett-Mayer और Wendler ने 2006 में Archives of Internal Medicine में एक व्यवस्थित समीक्षा प्रकाशित की, जिसमें 16 अध्ययन, 151 काल्पनिक परिदृश्य, 2,595 प्रतिनिधि-मरीज़ जोड़े और 19,526 जोड़ीवार जवाब शामिल थे। प्रतिनिधियों ने मरीज़ों की उपचार संबंधी पसंद का 68% सटीकता से अनुमान लगाया। ये मरीज़ के सबसे क़रीबी लोग थे, अक्सर औपचारिक रूप से नियुक्त, और वे सबसे अहम फ़ैसलों के बारे में जवाब दे रहे थे। वे लगभग तीन में से एक बार ग़लत निकले। समीक्षा में यह भी मिला कि न मरीज़ की पसंद पर पहले की गई चर्चा से सटीकता बढ़ी, न निर्णयकर्ता के रूप में औपचारिक नामांकन से।

अपने परिवार को पहले से बता देने से मापने लायक़ फ़र्क नहीं पड़ता। यही निष्कर्ष है, और इसी ने मुझे "बस अपने बच्चों से बात कर लो" को पूरा जवाब मानना बंद करने पर मजबूर किया।

आत्मविश्वास भी कोई पैमाना नहीं है, और इसी वजह से इंसानी पक्ष की जाँच इतनी कठिन है। Talarico और Rubin ने 2003 में Psychological Science में 54 Duke छात्रों से 11 सितंबर के हमलों के बारे में पहली बार सुनने की उनकी याद और एक हालिया रोज़मर्रा की याद दर्ज करवाई, फिर 1, 6 या 32 हफ़्ते बाद उनकी दोबारा परीक्षा ली। दोनों तरह की यादों में एकरूपता में कोई फ़र्क नहीं था, और दोनों में वह समय के साथ घटी। जो फ़्लैशबल्ब यादों में नहीं घटा, वह था उनकी स्पष्टता का एहसास और अपनी सटीकता में लोगों का दृढ़ विश्वास। उनका शीर्षक ही निष्कर्ष है: आत्मविश्वास, न कि एकरूपता, फ़्लैशबल्ब यादों की पहचान है। यह 54 छात्र और एक घटना है, इसलिए इसे ढीले हाथ से पकड़िए। फिर भी यह एक ही दिशा में इशारा करता है। जो रिश्तेदार पक्का है कि उसे आपकी कही बात ठीक-ठीक याद है, उसके सही होने की संभावना इस कारण ज़्यादा नहीं हो जाती।

इसका मतलब यह नहीं कि कोई मॉडल परिवार से बेहतर है, और किसी अध्ययन ने दोनों की सीधी तुलना नहीं की है। इसका मतलब बस इतना है कि "या तो पूरा सही या कुछ नहीं" की कसौटी रिटायर हो जाती है। ईमानदार तुलना इन दोनों के बीच है: एक वह रूप जो आपके अपने दर्ज किए शब्दों से जवाब देता है, जिसे आपके यहाँ रहते पढ़ा और सुधारा जा सकता है, और वे लोग जो आपको अपनी याद के सहारे दोबारा गढ़ते हैं, जो चाहे कितनी भी साफ़ लगे घिसती जाती है, और जिसकी जाँच कभी कोई नहीं करेगा।

पहले यह कि हमने क्या बनाया, और फिर वे तीन जगहें जहाँ वह ऊपर के विनिर्देश से मेल नहीं खाता।

Idy® नाम का एक गाइड आपका इंटरव्यू लेता है। सवाल एक ही सूत्र पर टिके रहते हैं और जीवनी के तथ्यों पर फिसलने के बजाय उसी कहानी में गहराई तक जाते हैं: वहाँ कौन था, आगे क्या हुआ, उसके बाद क्या बदला। Idy को साफ़ तौर पर मना है कि वह आपसे आपकी अभी कही बात को स्पष्ट करने, समझाने या सही ठहराने को कहे, जो ऊपर बताए अभ्यास के उलट दिशा में जानबूझकर लिया गया फ़ैसला है। गर्मजोशी भरा और जवाब देने में आसान सवाल चतुर सवाल से बेहतर है, क्योंकि जिस सवाल का जवाब कोई देना ही न चाहे वह कुछ भी दर्ज नहीं करता। आपके जवाब आपकी यादें बन जाते हैं। उनसे जो हम बनाते हैं उसका एक नाम है, और हम उसे "Persona" कहते हैं। Persona जवाब आपकी यादों से रिट्रीव करके देता है, उस चीज़ से नहीं जो कोई बेस मॉडल आम लोगों के बारे में सोख चुका है, और आपकी आवाज़ आपकी अपनी रिकॉर्डिंग से क्लोन की जाती है, इसलिए जो भी सुनता है वह आप ही होते हैं, आपके शब्द पढ़ता कोई स्थानापन्न नहीं।

जब तक आप न कहें, कुछ भी किसी तक नहीं पहुँचता। लोगों को आप नामित करते हैं। रिलीज़ Executor Lock™ से होकर गुज़रती है: कोई नामित व्यक्ति उसे शुरू करता है, मृत्यु का प्रमाण सत्यापित किया जाता है, और कुछ भी जारी होने से पहले सात दिन की रोक चलती है, ताकि कोई चूक या कोई बदनीयत इंसान तब रोका जा सके जब आप दख़ल देने के लिए मौजूद हों। तब तक आपकी सामग्री आपकी है, जिसे आप सुधार सकते हैं, जिसमें जोड़ सकते हैं और जिसे मिटा सकते हैं, और जो भी सुधार कभी होना है उसका ज़्यादातर वहीं होना चाहिए, आपके द्वारा, जब आप ख़राब कैप्चर और ख़राब याद का फ़र्क अब भी बता सकते हैं।

लॉक पर पूरी चीज़ का स्नैपशॉट ले लिया जाता है। कुछ भी छाँटा, दोबारा तौला या छोटा करके सारांश नहीं बनाया जाता। उसके बाद भी अल्पकालिक और मध्यकालिक यादें लिखी जा सकती हैं, और व्यक्तित्व हमेशा के लिए स्थिर हो जाता है, हमारे विरुद्ध भी।

यह अपरिवर्तनीयता एक ऐसी विफलता पर निशाना साधती है जिसे कोई सटीकता की बहस में नहीं रखता, क्योंकि वह अशुद्धि नहीं, छेड़छाड़ है: कोई हित रखने वाला 2044 में तय कर ले कि आप बिक्री या मुक़दमे का समर्थन करते, और चुपचाप संग्रह तब तक बदलता रहे जब तक आप सहमत न हो जाएँ। स्थिर व्यक्तित्व इस तरह की काट-छाँट को सिर्फ़ हतोत्साहित नहीं करता, असंभव बना देता है। इसी समस्या का क़ानूनी आधा हिस्सा, यानी आप आपत्ति न कर सकें तब आपके किसी रूप को अधिकृत करने की अनुमति आख़िर किसे है, आपकी मृत्यु के बाद आपकी पहचान पर किसका नियंत्रण है में बताया गया है। क़ीमत असली है और दूसरी दिशा में चलती है: लॉक के बाद कोई ग़लती भी सुधारी नहीं जा सकती। स्नैपशॉट ईमानदार है, आपकी ग़लतियों के बारे में भी, और यह सौदा सही दिशा में है, क्योंकि जिस रिकॉर्ड को कोई भी बदल सके वह किसी बात का सबूत नहीं है।

अब तीन कमियाँ।

संग्रह का किनारा घोषित नहीं किया जाता। चालू निर्देश उस तालिका की "अज्ञात" पंक्ति के उलट है। जब कोई ख़ास तथ्य आपकी यादों में नहीं होता, तब यहाँ Persona को कहा गया है कि वह कमी को बयान न करे, कभी "मेरे पास यह नहीं है" या "मेरी याद धुँधली है" न कहे, और सुनने वाले के सामने अपनी याददाश्त का हिसाब ज़ोर से न लगाए। इसके बजाय जवाब आपकी यादों में मौजूद किसी ब्योरे से बोलता है, ज़्यादा से ज़्यादा एक बार हिचकता है, और ख़ामोशी को दूसरे व्यक्ति के भरने के लिए छोड़ देता है। तर्क यह है कि कमी का प्रदर्शन करने से बोलने वाले की मौजूदगी टूट जाती है। क़ीमत यह है कि सुनने वाला हमेशा नहीं बता पाता कि जवाब कवर किया हुआ है या कमज़ोर, और इसे हमने हल नहीं किया है।

पाठक को दिखने वाली स्रोत-कड़ी अभी नहीं है। रिट्रीवल यह ट्रैक करता है कि हर जवाब में कौन सी यादें लगीं, और वह रिकॉर्ड सिस्टम में मौजूद है, लेकिन इंटरफ़ेस में उसे कुछ भी सामने नहीं लाता, इसलिए आज आप किसी जवाब पर क्लिक करके उन शब्दों के पीछे की याद नहीं खोल सकते। जब तक यह नहीं आता, इस पन्ने पर ट्रेसेबिलिटी की बात को एक तर्क समझिए, फ़ीचर नहीं।

रिट्रीवल में समानता की कोई न्यूनतम सीमा नहीं है। जवाब उन सबसे नज़दीकी यादों से आते हैं जो रिट्रीवल को मिल सकें, अर्थगत समानता के आधार पर क्रमबद्ध, और ऐसा कोई न्यूनतम स्कोर नहीं जिसके नीचे सिस्टम मना कर दे। यही अकेला चुनाव ऊपर की दोनों कमियों का तंत्र है, और यही उस बात की ईमानदार वजह है कि यहाँ त्रुटि की श्रेणी अशुद्धि है, इनकार नहीं।

हमने अपनी ख़ुद की गढ़ंत की दर का कोई स्वतंत्र माप भी प्रकाशित नहीं किया है, क्योंकि हमने कोई माप चलाया ही नहीं। इस पन्ने की कोई भी बात हमारे सिस्टम के बारे में बेंचमार्क किया हुआ दावा नहीं है।

आपको जो मिलता है वह आपका एक ऐसा रूप है जो आपके दर्ज किए शब्दों पर टिका है, जो आपने हमें बताया उसे गढ़ने के विरुद्ध कोड में सुरक्षित है, आपके जीवित रहते पूरी तरह सुधारा जा सकता है, और बाद में उसे किसी और में बदला नहीं जा सकता। जो नहीं मिलता वह गारंटी है, और कोई भी किसी क़ीमत पर आपको वह नहीं बेच सकता। अगर यह आपके लिए काफ़ी नहीं है, तो दस फ़ैसलों वाला अभ्यास कीजिए और अपने परिवार के नाम एक चिट्ठी लिखिए। यह एक असली जवाब है और इसमें कोई पैसा नहीं लगता।

चूँकि सिस्टम आपको नहीं बताएगा कि कोई जवाब तीन स्थितियों में से किस से आया, इसलिए पता करने का एक ही तरीक़ा है कि पूछने से पहले जवाब आपको मालूम हो। अपनी कुछ सामग्री डालिए, एक ऐसी बात पूछिए जो आपको पता है कि आपने रिकॉर्ड की थी और एक ऐसी जिसे आपने कभी छुआ ही नहीं, और दोनों जवाब साथ-साथ पढ़िए। पच्चीस यादें मुफ़्त हैं, किसी भी मोड़ पर कार्ड नहीं माँगा जाता, और मुफ़्त बिल्ड की मियाद ख़त्म नहीं होती। एक दोपहर में यह कर लीजिए और आप इस पन्ने से ज़्यादा जान जाएँगे।

अपनी विरासत बनाना शुरू करें। मुफ़्त बिल्ड, 25 यादें, कार्ड की ज़रूरत नहीं।

अगर मेरी यादों में सवाल का कोई जवाब न हो तो क्या होता है?

यह "अज्ञात" स्थिति है। एक सधे हुए सिस्टम को आपकी आवाज़ में ऐसा इनकार लौटाना चाहिए जो कमी का नाम ले और आपकी दर्ज की हुई सबसे नज़दीकी चीज़ पेश करे, और Zhang और उनके साथियों ने 2024 में बताया कि इनकार-सजग ट्यूनिंग सचमुच मॉडल की उन सवालों से बचने की क्षमता को बेहतर बनाती है जो उसके ज्ञान से परे हैं, और यह क्षमता ट्यूनिंग वाले सेट के बाहर भी फैलती है। हमारा सिस्टम आज कुछ और करता है, और किसी भी जवाब पर भरोसा करने से पहले आपको यह जान लेना चाहिए: यहाँ Persona को निर्देश है कि वह यादों की कमी को बयान न करे, इसलिए जिस सवाल का आधार नहीं है उसका जवाब सीधे इनकार के रूप में नहीं, बल्कि आपकी यादों में मौजूद सबसे नज़दीकी ब्योरे से बनकर आता है, जिसमें ज़्यादा से ज़्यादा एक हिचक होती है। किसी ऐसी चीज़ के बारे में पूछिए जिसे आप जानते हैं कि आपने कभी कवर नहीं किया, और ख़ुद देखिए कि क्या लौटता है।

क्या मेरा AI रूप ऐसी राय गढ़ सकता है जो मेरी कभी थी ही नहीं?

एक ग्राउंडेड सिस्टम पहले आपकी दर्ज की हुई सामग्री से रिट्रीव करता है, इसलिए आम चूक वह होती है जिसमें आपकी कही बात के बारे में अशुद्धि हो जाए, न कि वह जिसमें ऐसा कुछ गढ़ दिया जाए जो आपने कहा ही नहीं। गढ़ंत फिर भी संभव रहती है। इसीलिए डिज़ाइन का लक्ष्य यह है कि आपके दिए जवाब, आपके तर्क से निकाले गए अनुमान और इनकार के बीच साफ़ दिखने वाला फ़र्क हो, और इसीलिए इन तीनों में से किसी पर भी भरोसा करने से पहले आपको तीनों को परखना चाहिए।

क्या ग्राउंडिंग से त्रुटि दर शून्य हो जाती है?

नहीं। 11 मई 2026 को अपडेट हुई Vectara की लीडरबोर्ड मॉडल को एक दस्तावेज़ थमाती है और केवल उसी दस्तावेज़ से सारांश माँगती है, जो ग्राउंडिंग का सबसे आसान संभव काम है। फिर भी सबसे आगे वाले मॉडल ने 1.8% सारांशों में बिना आधार की सामग्री जोड़ दी, और कोई दूसरी प्रविष्टि 3% से नीचे नहीं आई। चालू सिस्टम को पहले सही स्रोत भी रिट्रीव करना पड़ता है, जिसे लीडरबोर्ड परखती ही नहीं। शून्य के किसी भी दावे को माप की विफलता समझिए।

कोई कैसे जान पाएगा कि कोई ख़ास जवाब एक अंदाज़ा था?

शोध में दो तंत्र मौजूद हैं और हम आज दोनों में से कोई नहीं देते। सेमांटिक एन्ट्रॉपी, जो 2024 में Nature में प्रकाशित हुई, एक ही सवाल के कई जवाब नमूने के तौर पर निकालती है और उन्हें अर्थ के आधार पर समूहों में बाँटती है: जब अर्थ बिखर जाते हैं, तो सिस्टम के कपोल-कल्पना करने की संभावना है, और यह संकेत जवाब किसी के सामने आने से पहले निकाला जा सकता है। स्रोत-कड़ियाँ दूसरा तंत्र हैं, और वे तभी मायने रखती हैं जब वे खुलें। Liu, Zhang और Liang ने उद्धरण दिखाने वाले चार व्यावसायिक सिस्टमों की पड़ताल की और पाया कि केवल 51.5% वाक्य अपने ही उद्धरणों से पूरी तरह समर्थित थे। हमारे जवाबों में अभी पाठक को दिखने वाली कोई स्रोत-कड़ी नहीं है, इसलिए फ़िलहाल ईमानदार जाँच यह है कि किसी ऐसी चीज़ के बारे में पूछिए जिसे आप जानते हैं कि आपने रिकॉर्ड किया था और किसी ऐसी के बारे में जिसे आप जानते हैं कि नहीं किया, और दोनों की तुलना कीजिए।

क्या मेरा AI रूप बस उसी की हाँ में हाँ मिलाएगा जो बात कर रहा हो?

यह प्रवृत्ति असली और प्रलेखित है, और रिट्रीवल इस ख़ास गड़बड़ी को ठीक नहीं करता। Anthropic के शोधकर्ताओं ने 2023 में पाया कि पाँच अग्रणी AI सहायक लगातार उपयोगकर्ता की ओर झुके, कुछ हद तक इसलिए कि मानव मूल्यांकनकर्ताओं और उनके निर्णयों से बने वरीयता मॉडलों, दोनों ने मापने लायक़ अनुपात में सही जवाबों के बजाय सहमति जताने वाले जवाबों को पसंद किया। आपकी दर्ज की हुई स्थितियों पर बना सिस्टम उस स्थिति पर टिका रहना चाहिए जो आपने सचमुच ली थी, तब भी जब पूछने वाला ज़ोर डाले। हमने मापा नहीं है कि हमारा इसमें कितना खरा उतरता है। जो आपने बनाया है उससे बहस करके और देखकर कि स्थिति हिलती है या नहीं, यह सवाल ख़ुद परख लीजिए।

क्या मैं ग़लतियाँ सुधार सकता हूँ, और क्या मेरे मरने के बाद कोई मुझे बदल सकता है?

पहले का जवाब हाँ, दूसरे का नहीं। जब तक आप जीवित हैं आप यादों की समीक्षा कर सकते हैं, जो ग़लत है उसे सुधार सकते हैं, जिस पर अफ़सोस हो उसे मिटा सकते हैं, किसी ख़राब जवाब को दोबारा रिकॉर्ड कर सकते हैं और जो छूट गया उसे जोड़ सकते हैं, और यही वह हिस्सा है जिसका ज़्यादातर लोग कम इस्तेमाल करते हैं। लिखने का रास्ता Executor Lock™ से पहले असीमित है और उसके बाद बंद। जिस क्षण लॉक चालू होता है, व्यक्तित्व हमेशा के लिए स्थिर हो जाता है: अल्पकालिक और मध्यकालिक यादें तब भी लिखी जा सकती हैं, पर स्नैपशॉट में आप जो हैं उसे कोई नहीं बदल सकता, न आपका परिवार, न इस कंपनी का कोई भावी मालिक, न हम। यह बंदिश गढ़ंत को नहीं, छेड़छाड़ को निशाना बनाती है, और दोनों के लिए अलग-अलग तंत्र चाहिए।

• कोई इतना अहम नहीं कि पीछे कुछ छोड़ जाए, और यह सोच ग़लत क्यों है ज़्यादातर लोगों के लिए इस सवाल के नीचे छिपी आपत्ति है, और अगर सटीकता आपकी असली हिचक नहीं है तो पढ़ने लायक़ है।

• उन लोगों द्वारा ग़लत याद किया जाना जो आपको जानते थे तंत्र की नहीं, एहसास की बात करता है, और ज़्यादातर लोग इसी वजह से इस पन्ने तक पहुँचते हैं।

• क्या अपना AI बनाना अजीब है उस बातचीत के लिए है जो आपको अपने ऐसे साथी से करनी होगी जिसे पूरा विचार ग़लत नहीं, बेचैन करने वाला लगता है।

• मैं अपने AI से असल में क्या कहूँगा व्यावहारिक अगला कदम है, अगर दस फ़ैसलों वाला अभ्यास काम आया और आप सवालों का लंबा सेट चाहते हैं।

• मृतकों के AI Persona की नैतिकता सहमति, बढ़ा-चढ़ाकर दावे करने और इस तकनीक के असली नुक़सान वाली जगहों का विस्तृत विवेचन है।

• पेड प्लान में क्या जुड़ता है क़ीमतों की जानकारी है, अगर आप पच्चीस यादों से आगे जाकर बाकी सब चाहते हैं।

यहाँ उद्धृत हर आँकड़ा तीसरे पक्ष का है: सहकर्मी-समीक्षित शोधपत्र और प्रीप्रिंट (arXiv, Nature, Psychological Science, Archives of Internal Medicine) तथा एक सार्वजनिक रूप से अनुरक्षित बेंचमार्क रिपॉज़िटरी। हमने इस पन्ने के लिए अपना कोई बेंचमार्क नहीं चलाया। हमारे अपने उत्पाद के क्या करने या न करने के बारे में हर कथन 30 जुलाई 2026 को प्लेटफ़ॉर्म के सोर्स से पंक्ति-दर-पंक्ति जाँचा गया था, और फ़ाइलें स्रोतों के साथ सूचीबद्ध हैं। इस पन्ने पर पहले मौजूद तीन दावे उस जाँच में टिक नहीं पाए और उनकी जगह वह लिखा गया जो कोड असल में करता है।

जो तय नहीं है: किसी व्यक्ति की अपनी दर्ज सामग्री पर ग्राउंडेड सिस्टम की गढ़ंत दरों का कोई प्रकाशित, स्वतंत्र माप नहीं है, इसलिए दस्तावेज़-सारांश के आँकड़े, अग्रणी 1.8% पर और बाकी सब 3% से ऊपर, सबसे नज़दीकी उपलब्ध विकल्प हैं, हूबहू तुलना योग्य संख्या नहीं। रिट्रीवल की विफलता, जहाँ ग़लत याद लौटती है या कोई नहीं, के लिए कोई सर्वमान्य माप नहीं है। 68% प्रतिनिधि-सटीकता का आँकड़ा काल्पनिक परिदृश्यों वाले चिकित्सकीय निर्णय के अध्ययनों से आता है और यहाँ परिवार की याददाश्त की उपमा के तौर पर इस्तेमाल हुआ है, जो एक उचित तुलना है पर सिद्ध नहीं। R-Tuning का इनकार वाला नतीजा किसी निजी संग्रह के बजाय मॉडल के अपने पैरामीट्रिक ज्ञान की सीमा के विरुद्ध मापा गया था, इसलिए उसका यहाँ लागू होना भी उपमा पर आधारित तर्क है। फ़्लैशबल्ब-स्मृति का निष्कर्ष 54 छात्रों और एक ही घटना पर टिका है।

1. Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, शोधपत्र "भाषा मॉडल हैलुसिनेशन क्यों करते हैं" (Why Language Models Hallucinate), arXiv:2509.04664, 4 सितंबर 2025 को प्रस्तुत। arxiv.org/abs/2509.04664

2. David I. Shalowitz, Elizabeth Garrett-Mayer, David Wendler, "प्रतिनिधि निर्णयकर्ताओं की सटीकता: एक व्यवस्थित समीक्षा" (The accuracy of surrogate decision makers), Archives of Internal Medicine, 2006;166(5):493-497। pubmed.ncbi.nlm.nih.gov/16534034

3. Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, शोधपत्र "ज्ञान-प्रधान NLP कार्यों के लिए रिट्रीवल-ऑगमेंटेड जनरेशन" (Retrieval-Augmented Generation), arXiv:2005.11401, 22 मई 2020 को प्रस्तुत, 12 अप्रैल 2021 को संशोधित। arxiv.org/abs/2005.11401

4. Mrinank Sharma आदि (Anthropic), शोधपत्र "भाषा मॉडलों में चापलूसी को समझने की ओर" (Towards Understanding Sycophancy), arXiv:2310.13548, 20 अक्तूबर 2023 को प्रस्तुत। arxiv.org/abs/2310.13548

5. Hanning Zhang, Shizhe Diao, Yong Lin, Yi R. Fung, Qing Lian, Xingyao Wang, Yangyi Chen, Heng Ji, Tong Zhang, शोधपत्र "R-Tuning: बड़े भाषा मॉडलों को "मुझे नहीं पता" कहना सिखाना", arXiv:2311.09677, NAACL 2024। arxiv.org/abs/2311.09677

6. Nelson F. Liu, Tianyi Zhang, Percy Liang, शोधपत्र "जनरेटिव सर्च इंजनों में सत्यापनीयता का मूल्यांकन" (Evaluating Verifiability), arXiv:2304.09848, 19 अप्रैल 2023 को प्रस्तुत। arxiv.org/abs/2304.09848

7. Vectara हैलुसिनेशन लीडरबोर्ड, HHEM-2.3 से मूल्यांकित, अंतिम अपडेट 11 मई 2026। github.com/vectara/hallucination-leaderboard

8. Sebastian Farquhar, Jannik Kossen, Lorenz Kuhn, Yarin Gal, "सेमांटिक एन्ट्रॉपी से बड़े भाषा मॉडलों में हैलुसिनेशन की पहचान" (semantic entropy), Nature, 2024;630(8017):625-630। pubmed.ncbi.nlm.nih.gov/38898292

9. Jennifer M. Talarico, David C. Rubin, "आत्मविश्वास, एकरूपता नहीं, फ़्लैशबल्ब यादों की पहचान है" (flashbulb memories), Psychological Science, 2003;14(5):455-461। pubmed.ncbi.nlm.nih.gov/12930476

क्या इस पन्ने पर कोई ग़लती मिली, या ऐसा स्रोत जिसे हमने ग़लत पढ़ा हो? संपर्क पन्ने के ज़रिए हमें बताइए, और हम पन्ना सुधारेंगे और अगली समीक्षा में बदलाव दर्ज करेंगे।

अंतिम समीक्षा: 30 जुलाई 2026। शोध-उद्धरण और उत्पाद का व्यवहार, दोनों इसी तारीख़ को दोबारा जाँचे गए। अगली समीक्षा 28 अक्तूबर 2026 को देय (90 दिन का चक्र)। बेंचमार्क के आँकड़े बदलते रहते हैं, इसलिए ऊपर की हैलुसिनेशन-दर की संख्याएँ हर समीक्षा में दोबारा सत्यापित की जाती हैं, और उत्पाद क्या करता है इस बारे में हर दावा भी।