सेल्फ-वेरिफाइंग लूप: Kimi K2.6 के साथ ऑटोपायलट पर 300 एजेंट्स, 4,000 स्टेप्स और 5 लाइव डेटा फीड्स

अधिकांश एजेंट सर्वोच समूह आपको आत्मविश्वास से भरा कचरा थमा देते हैं। यह अपने काम की स्वयं जाँच करता है, जो विफल होता है उसे फेंक देता है, और तब तक दोबारा चलता है जब तक कि हर संख्या किसी स्रोत से जुड़ न जाए।

• 300 समानांतर एजेंट
• 4,000 चरण प्रति रन
• 5 लाइव डेटा फ़ीड
• 3 सत्यापन पास ताकि शून्य त्रुटि हो

एजेंट सर्वोच समूह का गंदा रहस्य यह है कि अधिक एजेंटों का अर्थ आमतौर पर अधिक आत्मविश्वासपूर्ण बकवास होता है।

300 एजेंटों को किसी शोध कार्य पर लगाएँ और वे निश्चित रूप से तेज़ी से वापस आएँगे। वे पुराने आँकड़ों, आधी-अधूरी कल्पित उद्धरणों, और तीन ऐसी कंपनियों के साथ भी वापस आएँगे जो मौजूद ही नहीं हैं। गति कभी कठिन हिस्सा नहीं थी। भरोसा था।

इसलिए मैंने सर्वोच समूह को फिनिश लाइन मानना बंद कर दिया और इसे एक लूप का एक चरण बना दिया। Opus 4.8 काम की योजना बनाता है और, अधिक महत्वपूर्ण बात, उसकी जाँच करता है। Kimi K2.6 सर्वोच समूह निष्पादित करता है। फिर Opus प्रत्येक आउटपुट को उसके स्रोत के विरुद्ध सत्यापित करता है, जो भी विफल होता है उसे फेंक देता है, और उन कार्यों को दोबारा चलाने के लिए वापस भेज देता है। लूप तभी रुकता है जब कुछ भी विफल न हो।

इसका परीक्षण करने के लिए मैंने लूप को एक ऐसा काम दिया जो भ्रम (हैलुसिनेशन) को किसी भी चीज़ से अधिक कठोरता से दंडित करता है: EV बाजार में 100 कंपनियों का विश्लेषण करें और एक तुलना मैट्रिक्स के साथ एक शोध-ग्रेड रिपोर्ट तैयार करें, जिसमें प्रत्येक आंकड़ा एक लाइव स्रोत से जुड़ा हो।

एक सर्वोच समूह आपको गति देता है। एक लूप आपको वह गति देता है जिस पर आप वास्तव में भरोसा कर सकते हैं। अंतर सत्यापन चरण है, और यह सब कुछ बदल देता है।

गायब टुकड़ा (The Missing Piece)

कच्चे सर्वोच समूहों पर भरोसा क्यों नहीं किया जा सकता

बिना सत्यापनकर्ता के एक सर्वोच समूह में बिल्कुल एक गुणवत्ता सेटिंग होती है: जो कुछ भी सबसे खराब एजेंट ने उत्पन्न किया। यदि 97 एजेंट अपनी कंपनी को सही ढंग से पकड़ते हैं और 3 चुपचाप एक राजस्व आंकड़े की कल्पना करते हैं, तो आपकी तैयार रिपोर्ट में तीन बारूदी सुरंगें होंगी और वह एक आदर्श रिपोर्ट के समान दिखेगी। आपको पता नहीं चलेगा कि कौन सी तीन हैं जब तक कि वह किसी मीटिंग में विस्फोट न कर दे।

यही कारण है कि "बस और एजेंट जोड़ो" का स्तर ठहर जाता है। मात्रा आउटपुट और त्रुटि गणना दोनों को समान दर से बढ़ाती है। अधिक हाथ, अधिक गलतियाँ, और किसी की जाँच न करने की वही कमी।

लूप सत्यापन को वास्तविक दाँतों वाला एक प्रथम श्रेणी का चरण बनाकर इसे ठीक करता है। Opus 4.8 प्रत्येक एजेंट के आउटपुट को उस लाइव स्रोत के विरुद्ध वापस पढ़ता है जिसका उसने उपयोग करने का दावा किया था। एक संख्या जो मेल नहीं खाती, अस्वीकार कर दी जाती है। एक उद्धरण जो हल नहीं होता, अस्वीकार कर दिया जाता है। जो कुछ भी अस्वीकार किया जाता है वह कतार में वापस चला जाता है और फिर से चलता है। जब तक वह जाँच में उत्तीर्ण नहीं हो जाता, कुछ भी नहीं भेजा जाता।

लूप

चार चरण, साफ होने तक चलते रहना

पूरी प्रणाली एक रेखा नहीं, बल्कि एक चक्र है। प्रत्येक आधा केवल वही करता है जिसमें वह सबसे अच्छा है, और चक्र तब तक घूमता रहता है जब तक सत्यापन चरण के पास अस्वीकार करने के लिए कुछ नहीं बचता।

वह चौथा चरण पूरा विचार है। एक सामान्य सर्वोच समूह चरण 1 से 3 एक बार चलाता है और आपको परिणाम, त्रुटियों और सब कुछ के साथ सौंप देता है। लूप तब तक रुकने से इनकार करता है जब तक कुछ भी गलत है।

रन

लूप को अपनी गलतियाँ पकड़ते हुए देखना

यहाँ वह प्रॉम्प्ट है जो मैंने Opus 4.8 को दिया। नीचे दी गई चेकलिस्ट पर ध्यान दें। वह चेकलिस्ट वह है जिसका उपयोग सत्यापन चरण बाद में खराब काम को अस्वीकार करने के लिए करता है, इसलिए यह पूरे प्रॉम्प्ट का सबसे महत्वपूर्ण हिस्सा है।

1# भूमिका: काम की योजना बनाएं, फिर हर परिणाम को सत्यापित करें।
2
3लक्ष्य: 100 EV-बाजार कंपनियों पर शोध करें।
4आउटपुट: तुलना मैट्रिक्स + शोध रिपोर्ट, हर
5        आंकड़ा एक लाइव स्रोत से जुड़ा हो।
6
7प्रति-कंपनी चेकलिस्ट (इसके विरुद्ध सत्यापित करें):
8- राजस्व + मार्जिन लाइव फ़ीड से लिया गया
9- स्रोत URL संलग्न और हल करने योग्य
10- आंकड़ा स्रोत से सहनशीलता के भीतर मेल खाता है
11- कोई फ़ील्ड खाली नहीं छोड़ी गई
12
13# सर्वोच समूह चलने के बाद, हर कंपनी की जाँच करें।
14# जो भी विफल हो, उसे अस्वीकार करें। उन्हें वापस भेजें। दोहराएँ।

Opus ने 100 शोध कार्यों की योजना बनाई, प्रति कंपनी एक, और उन्हें Kimi K2.6 सर्वोच समूह को सौंप दिया। पहला पास मिनटों में वापस आ गया। फिर दिलचस्प हिस्सा शुरू हुआ।

पहले सत्यापन पास पर, Opus ने 100 में से 12 कंपनियों को अस्वीकार कर दिया। कुछ का राजस्व आंकड़ा उस फ़ीड से मेल नहीं खाता था जिसका उन्होंने हवाला दिया था। दो ने एक ऐसे स्रोत का हवाला दिया जो हल नहीं हुआ। एक ने मार्जिन फ़ील्ड खाली छोड़ दिया। अंतिम रिपोर्ट में इनमें से कोई भी स्पष्ट नहीं होता। ये सभी गलत होते।

वे 12 अपने अस्वीकृति कारण के साथ कतार में वापस चले गए। दूसरा पास: 3 अभी भी विफल रहे। तीसरा पास: शून्य। लूप अपने आप रुक गया, क्योंकि अस्वीकार करने के लिए कुछ नहीं बचा था।

एक कच्चा सर्वोच समूह उन 12 त्रुटियों को भेज देता और इसे पूर्ण घोषित कर देता। लूप ने उन सभी को पकड़ लिया, बिना मेरे एक भी पंक्ति पढ़े।

पाँच लाइव फ़ीड ही कारण हैं कि सत्यापन अस्पष्ट के बजाय सख्त हो सकता है। रिपोर्ट में हर आंकड़ा Binance, Yahoo Finance, World Bank, IMF, या लाइव स्टॉक मार्केट की ओर इशारा करता है। जब Opus सत्यापित करता है, तो वह मॉडल से यह नहीं पूछ रहा है कि क्या वह आत्मविश्वास महसूस करता है। वह दावा किए गए नंबर की तुलना वास्तविक फ़ीड से कर रहा है। यही शोध-ग्रेड और आत्मविश्वासपूर्ण लगने के बीच का अंतर है।

बड़ी तस्वीर

यह एक और DeepSeek पल है

रन से पीछे हटें, क्योंकि रणनीतिक तस्वीर ही असली कहानी है।

जबकि बंद प्रयोगशालाएँ एकल-एजेंट चैटबॉट भेजती हैं, एक खुली चीनी प्रयोगशाला जिसका मूल्य $20B है, ने ऐसा सर्वोच समूह भेजा है जो इस तरह के लूप को संभव बनाता है। उनका ओपन-वेट मॉडल, Kimi K2.6, वर्तमान में OpenRouter साप्ताहिक लीडरबोर्ड पर #1 पर है। उपयोग के अनुसार, यह अभी दुनिया में सबसे अधिक उपयोग किया जाने वाला LLM है।

और यह ठीक वहीं सबसे मजबूत है जहाँ सत्यापन सबसे अधिक मायने रखता है:

• वित्त और परामर्श। पेशेवर चार्ट, हीटमैप, बहु-वर्षीय रिपोर्ट विश्लेषण, डिफ़ॉल्ट रूप से McKinsey-ग्रेड आउटपुट।
• शैक्षणिक और शोध। LaTeX फ़ॉर्मूला रेंडरिंग, तुलना मैट्रिक्स के साथ साहित्य समीक्षाएँ, स्रोत से जुड़े उद्धरण।
• स्केल जो अन्य टूल को तोड़ देता है। एक ही पास में 200,000+ शब्दों का संदर्भ, 100-कंपनी डेटासेट, 100-स्लाइड डेक।
• पता लगाने योग्यता। हर डेटा पॉइंट एक क्लिक करने योग्य स्रोत से जुड़ा होता है। शोध-ग्रेड डिफ़ॉल्ट है, कोई सेटिंग नहीं।

इसे स्वयं चलाएँ

लूप, शुरू से अंत तक

आपको किसी प्रयोगशाला की आवश्यकता नहीं है। आपको दो हिस्सों की आवश्यकता है जो एक चक्र में जुड़े हों, और एक चेकलिस्ट जो सत्यापित करने के लिए पर्याप्त सख्त हो।

1{
2  "pass": 1,
3  "checked": 100,
4  "passed": 88,
5  "rejected": [
6    { "company":"co_041", "reason":"राजस्व != स्रोत" },
7    { "company":"co_067", "reason":"उद्धरण 404" },
8    { "company":"co_092", "reason":"मार्जिन खाली" }
9  ],
10  "action": "अस्वीकृत को पुनः कतारबद्ध करें -> सर्वोच समूह"
11}

एक फ्रेम में अंतर

कच्चा सर्वोच समूह

❌ एक बार चलता है, आपको परिणाम सौंपता है

❌ छिपी त्रुटियाँ रिपोर्ट के साथ भेजी जाती हैं

❌ गुणवत्ता सबसे खराब एजेंट के बराबर है

❌ आप हर पंक्ति का मैन्युअल ऑडिट करते हैं

❌ आत्मविश्वासपूर्ण, असत्यापित संख्याएँ

स्व-सत्यापन लूप

✔️ सत्यापन पास साफ होने तक चलता है

✔️ विफलताएँ स्वचालित रूप से पकड़ी और पुनः चलाई जाती हैं

✔️ गुणवत्ता चेकलिस्ट के बराबर है

✔️ आप कुछ भी ऑडिट नहीं करते, लूप ने कर दिया

✔️ हर आंकड़ा एक लाइव स्रोत से जुड़ा है

एक सर्वोच समूह आपको गति देता है। एक लूप आपको वह गति देता है जिस पर आप भरोसा कर सकते हैं।

एकल-एजेंट युग समाप्त हो रहा है, लेकिन सर्वोच समूह युग में एक ऐसी चीज़ है जिसका कोई उल्लेख नहीं करता: सत्यापन के बिना मात्रा सिर्फ तेज़ गलतियाँ हैं। जो लोग अगला युग जीतेंगे, वे सबसे अधिक एजेंट नहीं चला रहे हैं। वे वे चला रहे हैं जो अपने काम की जाँच करते हैं।