N-Way Self-Evaluating Deliberation: Neue Architektur vereint heterogene Agenten
Das N-Way Self-Evaluating Deliberation (NSED) ist ein neues Runtime Mixture-of-Models (MoM)-Protokoll, das aus einer Vielzahl unterschiedlicher Expertenagenten emergente Composite‑Modelle bildet. Im Gegensatz zu klassis…
- Das N-Way Self-Evaluating Deliberation (NSED) ist ein neues Runtime Mixture-of-Models (MoM)-Protokoll, das aus einer Vielzahl unterschiedlicher Expertenagenten emergente…
- Im Gegensatz zu klassischen Mixture-of-Experts, die auf statische Gateways setzen, nutzt NSED einen Dynamic Expertise Broker.
- Dieser optimiert die Modellauswahl als Variante des Rucksackproblems und ordnet Modelle anhand von Live‑Telemetrie und Kosten zu funktionalen Rollen.
Das N-Way Self-Evaluating Deliberation (NSED) ist ein neues Runtime Mixture-of-Models (MoM)-Protokoll, das aus einer Vielzahl unterschiedlicher Expertenagenten emergente Composite‑Modelle bildet.
Im Gegensatz zu klassischen Mixture-of-Experts, die auf statische Gateways setzen, nutzt NSED einen Dynamic Expertise Broker. Dieser optimiert die Modellauswahl als Variante des Rucksackproblems und ordnet Modelle anhand von Live‑Telemetrie und Kosten zu funktionalen Rollen.
Auf der Ausführungsebene wird Deliberation als Macro‑Scale Recurrent Neural Network (RNN) formalisiert. Ein semantischer Forget‑Gate führt den Konsenszustand zurück, sodass iterative Verfeinerungen möglich sind, ohne dass der VRAM proportional wächst.
Zu den Kernkomponenten gehören ein Orchestrierungsnetzwerk für vertrauenslose N‑zu‑N Peer‑Review, eine Quadratic‑Voting‑Aktivierungsfunktion für nichtlineare Konsensbildung und ein feedback‑gesteuertes Zustandsupdate.
Empirische Tests auf AIME 2025 und LiveCodeBench zeigen, dass Ensembles kleinerer Modelle (unter 20 B Parameter) die Leistung von 100 B+ Modellen erreichen oder übertreffen. Damit eröffnet NSED einen neuen Effizienzrahmen für Hardware‑Arbitrage. Zusätzlich demonstriert die DarkBench‑Sicherheitsserie, dass Peer‑mediierte Korrekturen Sycophancy‑Scores deutlich senken.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.