Sakana AI stellt TreeQuest vor: Ein spielverändernder Ansatz für Multi-Modell-LLM-Zusammenarbeit

Wenn Sie glauben, bei KI ginge es nur darum, immer größere Modelle zu entwickeln, wird Sakana AI diese Vorstellung auf den Kopf stellen. Das in Tokio ansässige Start-up hat gerade TreeQuest vorgestellt, eine clevere neue Methode, mit der Teams aus großen Sprachmodellen (LLMs) zusammenarbeiten können – ähnlich wie ein Orchester unter der Leitung eines Dirigenten, anstatt sich auf einen einzigen Solisten zu verlassen, der die ganze Arbeit erledigt.

Was ist also das Geheimnis? TreeQuest greift auf eine Technik aus der Welt der spielenden KI zurück – die Monte-Carlo-Baumsuche (MCTS), dieselbe Strategie, die auch AlphaGo antreibt. Doch statt eines Schachbretts oder Go-Steinen nutzt TreeQuest diesen Ansatz, um mehrere LLMs in Echtzeit zu koordinieren: Es wählt für jeden Teil eines Problems das beste “Leitmodell” aus und lässt die anderen dort mitwirken, wo ihre Stärken am dringendsten benötigt werden. Anstatt sich auf die Antwort eines einzelnen Modells zu beschränken, betrachtet TreeQuest die Problemlösung als Teamarbeit und trifft bei jedem Schritt gemeinsame Entscheidungen.

Und die Ergebnisse sind beachtlich. Laut den Tests von Sakana AI übertrafen die von TreeQuest koordinierten Modellgruppen die besten einzelnen LLMs bei einer Reihe von Benchmarks um solide 30%. Dazu gehören anspruchsvolle Aufgaben wie knifflige Logikrätsel, das Generieren von Computercode und das Beantworten komplexer, mehrstufiger Fragen – Bereiche, in denen LLMs oft ins Straucheln geraten, wenn sie alleine arbeiten. Anstatt dass ein Modell ins Stocken gerät, könnte ein anderes mit einer unvollkommenen Antwort weiterarbeiten und das Team so zu einer korrekten Lösung führen.

Warum sollte das für jemanden außerhalb des Labors von Bedeutung sein? Wenn es Ihnen daran liegt, KI erschwinglicher und effizienter zu machen – sei es in der Wirtschaft, in der Forschung, bei Verbrauchertechnologie oder so ziemlich allem, was intelligente Software nutzt –, bietet TreeQuest einen faszinierenden Ansatz. Die Kombination der Stärken kleinerer oder spezialisierter Modelle könnte zu einer besseren Leistung bei geringerem Rechenaufwand führen und so den teuren Wettlauf um die endlose Skalierung eines einzigen Modells umgehen. Mit anderen Worten: Zusammenarbeit statt roher Rechenkraft.

TreeQuest steckt zwar noch in den Kinderschuhen, doch der Ansatz von Sakana AI findet in der Branche bereits Beachtung. Das Unternehmen plant, die Methode weiter zu verbessern, zu untersuchen, wie sie mit anderen KI-Systemen interagiert, und herauszufinden, wie weit das Konzept “Viele Köpfe, eine Aufgabe” reichen kann. Sollten sie damit Erfolg haben, könnten KI-Entwickler Teamarbeit bald als ein Kernprinzip bei der Entwicklung der fortschrittlichsten Modelle betrachten, anstatt stets nach den größtmöglichen Modellen zu streben.

Lesen Sie hier den vollständigen Artikel: VentureBeat.