एखाद्या भाषा मॉडेलला "strawberry" या शब्दात किती अक्षरे आहेत असे विचारा. बहुधा ते चुकीचे उत्तर देईल. ते दहा म्हणू शकते. ते अकराचा अंदाज लावू शकते. ते पूर्ण आत्मविश्वासाने उत्तर देईल, तरीही ते चुकीचे असेल. त्याच मॉडेलला कर्जावरील चक्रवाढ व्याज मोजायला सांगा, किंवा दोन मोठ्या संख्यांची बेरीज करायला सांगा, किंवा दोन तारखांमधील कामकाजाचे दिवस मोजायला सांगा, आणि तुम्हाला अनेकदा एक पटण्यासारखे उत्तर मिळेल, परंतु त्यातील अंक थोडे, धोकादायकपणे चुकीचे असतील.
असे घडते कारण मोठे भाषा मॉडेल्स मानवाप्रमाणे संख्यांचा विचार करत नाहीत. ते टोकन्स (tokens)चा अंदाज लावतात. एक टोकन हा पूर्ण शब्द, शब्दाचा भाग किंवा एक अंक असू शकतो. जेव्हा मॉडेल "strawberry" पाहते, तेव्हा ते रांगेत लावलेली आठ स्वतंत्र अक्षरे पाहत नाही. ते केवळ काही तुकडे (chunks) पाहते. त्याला अक्षरे मोजण्याचे कधीही शिकवले गेले नाही, फक्त पुढचा मजकुराचा तुकडा कोणता असेल याचा अंदाज लावण्याचे शिकवले गेले आहे. हीच मर्यादा अंकगणित लागू होते. मॉडेलकडे कोणतेही अंतर्गत कॅल्क्युलेटर नसते. त्यामध्ये 'कॅरी लॉजिक' (carry logic) नसते. त्याला स्थानिक किमतीची (place value) कोणतीही खरी समज नसते. जेव्हा ते 148 ला 279 ने गुणते, तेव्हा ते गुणाकार करत नसते. ते प्रशिक्षणादरम्यान पाहिलेल्या समान अभिव्यक्तींशी पॅटर्न-मॅचिंग करत असते आणि अंकांची कोणती मालिका पुढे येईल याचा अंदाज लावत असते. लहान बेरजेसाठी हा पॅटर्न काम करण्यासाठी पुरेसा मजबूत असतो. परंतु ज्यामध्ये अचूकतेची गरज असते, तिथे हा अंदाज शेवटी चुकत जातो.
दोन कामे, एक बॉट
मानक प्रॉम्प्टिंग पद्धती एकाच प्रणालीला एकाच वेळी दोन अतिशय भिन्न गोष्टी करण्यास सांगतात. पहिले, समस्येचे तर्क (logic) समजून घेणे. दुसरे, अचूक गणित करणे. पहिले काम करण्यात मॉडेल खरोखरच प्रभावी आहे. ते शब्दातील समस्या वाचू शकते, व्हेरिएबल्स (variables) काढू शकते, संबंधांची मांडणी करू शकते आणि उपायाचा मार्ग ठरवू शकते. पण त्यानंतर त्याला स्वतःचे कॅल्क्युलेटर बनावे लागते. तिथेच ही साखळी विस्कळीत होते. तिसऱ्या टप्प्यातील एक चुकीचा अंक त्यानंतरच्या प्रत्येक टप्प्यावर परिणाम करतो. तर्क स्वतः परिपूर्ण असू शकतो, तरीही अंतिम उत्तर चुकीचे येते कारण मॉडेलने चुकीची बेरीज केली असते.
प्रोग्राम-एडेड लँग्वेज मॉडेल्स (Program-Aided Language Models), किंवा PAL, हे काम विभागून ही समस्या सोडवतात. मॉडेलला थेट उत्तर विचारण्याऐवजी, तुम्ही त्याला एक प्रोग्राम विचारता.
ही प्रक्रिया प्रत्यक्षात कशी काम करते ते पहा. तुम्ही समस्या मांडता. मॉडेल तर्क समजून घेते, व्हेरिएबल्स परिभाषित करते आणि अल्गोरिदमची रचना करते. त्यानंतर, स्वतः निकाल मोजण्याऐवजी, ते एक लहान स्क्रिप्ट लिहिते, सहसा Python मध्ये. ती स्क्रिप्ट एका खऱ्या कोड इंटरप्रिटरकडे (code interpreter) सोपवली जाते. इंटरप्रिटर तर्क कार्यान्वित करतो आणि अचूक, निश्चित (deterministic) निकाल देतो. मॉडेल गणिताचे वर्णन करते. Python गणित करते.
प्रत्यक्ष वापरातील एक्झिक्युटेबल रिझनिंग (Executable Reasoning)
PAL ला 'एक्झिक्युटेबल रिझनिंग' समजा. जर एखादी स्क्रिप्ट समस्या सोडवू शकत असेल, तर मॉडेलला ती स्क्रिप्ट लिहू द्या.
एक ठोस उदाहरण घेऊया. तुम्हाला ₹50,000 च्या मुदत ठेवीवर (fixed deposit) वार्षिक 8.5 टक्के व्याजदर, त्रैमासिक चक्रवाढ (compounded quarterly), सात वर्षांसाठी असलेल्या रकमेची परिपक्वता रक्कम (maturity amount) मोजायची आहे. जर तुम्ही थेट भाषा मॉडेलला विचारले, तर ते कदाचित एक सूत्र लिहून देईल, त्यामध्ये मूल्ये भरून 'चेन ऑफ थॉट' (chain of thought) मध्ये निकाल मोजण्याचा प्रयत्न करेल. परंतु, बारकाईने पाहिल्यास तुम्हाला असे आढळू शकते की, त्याने व्याजदराचे चुकीचे विभाजन करून त्रैमासिक चक्रवाढ चुकीच्या पद्धतीने हाताळली आहे, किंवा एखाद्या मध्यवर्ती टप्प्यावर संख्या राऊंड ऑफ (round off) केली आहे आणि ती चूक पुढे नेली आहे. उत्तर पटण्यासारखे वाटते पण ते शेकडो रुपयांनी चुकीचे असते.
PAL सह, ही प्रक्रिया बदलते. तुम्ही मॉडेलला असा Python कोड तयार करण्यास सांगता जो principal = 50000, rate = 0.085, time = 7, आणि n = 4 परिभाषित करतो आणि नंतर amount = principal * (1 + rate/n) ** (n * time) मोजतो. मॉडेल तो कोड तयार करते. Python रनटाइम तो कार्यान्वित करतो. तुम्हाला प्रत्येक वेळी शेवटच्या दशांश अंकापर्यंत अचूक आकडा मिळतो. गुणाकारामध्ये कोणताही अंदाज नसतो, कोणताही हॅल्युसिनेटेड रिमेन्डर (hallucinated remainder) नसतो आणि कोणताही आत्मविश्वासाने केलेला राऊंडिंग एरर नसतो.
हाच नमुना तारखेच्या गणितालाही लागू होतो. आजपासून नेमके 120 कामकाजाचे दिवस (business days) सोडून कोणती तारीख येईल, असे मॉडेलला विचारा (शनिवार आणि रविवार वगळून). केवळ मजकूर देणारे मॉडेल पुढे मोजताना शनिवारी चुकू शकते. PAL दृष्टिकोन मॉडेलला datetime आणि calendar लॉजिक वापरून एक स्क्रिप्ट लिहून घेण्यास सांगतो आणि नंतर इंटरप्रिटरला अचूकपणे प्रक्रिया करू देतो. डेटा मॅनिप्युलेशनसाठीही हेच लागू होते. जर तुम्हाला एखादी विस्कळीत CSV फाईल पार्स (parse) करायची असेल, नेस्टेड JSON फिल्टर करायचे असेल किंवा जलद सांख्यिकीय रूपांतरण (statistical transform) करायचे असेल, तर मॉडेलने तर्क तयार करावा आणि इंटरप्रिटरने प्रक्रिया हाताळावी.
हे खरोखर महत्त्वाचे का आहे
गद्य उत्तरांकडून (prose answers) एक्झिक्युटेबल कोडकडे होणारे हे संक्रमण तीन व्यावहारिक फायदे देते.
Determinism. A language model asked the same question twice might vary its wording or change a digit. An interpreter returns the same output for the same input every time. That stability matters deeply in accounting, logistics, scheduling, and any engineering calculation where consistency is not optional.
Verifiability. When a model hands you three paragraphs of reasoning, you must read every sentence to hunt for the one wrong number. When it hands you a ten-line script, you can review the code. You can verify that the compound-interest formula is correct before the interpreter ever runs. You can inspect variable names, spot off-by-one errors, and even version-control the solution. The surface area for hidden mistakes shrinks dramatically.
Reliability. The model stays in its lane. It does what it was built to do: reason about structure, semantics, and problem decomposition. The machine does what it was built to do: compute accurately. This separation of concerns is exactly how reliable software is architected. Composition beats monolithic design.
Run It Like Untrusted Code
A word of caution is necessary. Generated code should be treated as untrusted input. The model might write a script with an infinite loop, an unnecessary network request, or a filesystem operation you did not ask for. Always execute these programs inside an isolated sandbox. Use containers with restricted privileges, serverless functions with no network access, or tightly controlled environments with limited CPU time and no persistent storage. Security is not a footnote here. It is part of the system design.
Where PAL Shines, and Where It Stops
PAL works beautifully for math, dates, and structured data manipulation. It removes the mechanical errors that plague text-only reasoning.
It does not, however, fix bad logic. If the model chooses the wrong formula,