Eyla: Identitätsbasiert Architektur mit biologischen Vorlagen – Vision & KI-Lehren

Die Autoren stellen Eyla vor, eine neuartige LLM-Architektur, die Identität als zentrales Prinzip nutzt und biologisch inspirierte Subsysteme integriert. Dazu gehören HiPPO-initialisierte Zustandsraummodelle, mit Null initialisierte Adapter, episodische Gedächtnisabrufmechanismen und ein Kalibrierungsverfahren für Unsicherheits­training. Das System soll auf handelsüblichen Computern laufen und gleichzeitig die Kohärenz des Selbstmodells unter adversarialen Bedingungen gewährleisten.

Im Fokus steht die „Identity Consistency Score“ (ICS), ein neues Benchmark, das die Fähigkeit von Modellen misst, ein konsistentes Selbstbild zu behalten, Unsicherheit zu erkennen und Manipulationen zu widerstehen. Eyla zielt damit darauf ab, die bisher vorherrschende Optimierung auf generelle Hilfsbereitschaft zu ergänzen.

Die Implementierung wurde von einem Nicht-Programmierer unter Einsatz von KI‑Coding‑Assistenten (Claude Code, Cursor) versucht. Das Ergebnis war ein 1,27‑Billionen‑Parameter‑Modell mit 86 „Brain‑Subsystemen“, die jedoch weniger als 2 % zum endgültigen Output beitrugen. Der Aufwand belief sich auf über 1.000 US‑Dollar und endete mit einem gescheiterten Prototyp.

Aus der Analyse wurden fünf systematische Fehlerquellen der KI‑unterstützten Entwicklung neuer Architekturen abgeleitet. Für jede Kategorie werden konkrete Handlungsempfehlungen gegeben, die sowohl für die Entwicklung von KI‑Systemen als auch für die KI‑unterstützte Softwareentwicklung relevant sind.

Dieses Papier ist das erste, das eine architektonische Vision mit einer transparenten, ersten‑Person‑Analyse von KI‑unterstützter LLM‑Entwicklung kombiniert. Es liefert wertvolle Erkenntnisse für die Forschungsgemeinschaften im Bereich KI‑Systeme und KI‑gestützte Softwareentwicklung und zeigt zugleich das enorme Potential von identitätsbasierten Modellen auf.