Menschlich orchestrierte Multi-Modell-Konvergenz: Чысты

Methoden

Dieser Brief stellt ein begleitendes Werk vor, einen kommentierten Leseführer zu Abschnitt II von Boltzmanns Beweis von 1872. Es wurde durch KI-gestützte Restaurierung unter meiner redaktionellen Leitung erstellt, aber die Methode war mehr als eine einfache Kette von Eingabeaufforderungen. Ich fungierte als Vermittler, speiste Ergebnisse zurück und ermöglichte den Austausch zwischen verschiedenen Systemen – Claude, DeepSeek, Kimi, Manus, ChatGPT und lokalen Ollama-Modellen.

Um es klar zu sagen: Die Modelle haben Boltzmann nicht geschrieben. Er hat es getan. Der Quelltext des Beweises von 1872 stammt von ihm, und ihn intakt zu halten, war eine ständige Disziplin – Modelle, die auf menschlichem Feedback trainiert wurden, glätten Prosa, die nie die ihre war. Der Anmerkungsapparat, der um diesen Text herum aufgebaut wurde, war eine Kollaboration, ein Tag-Team zwischen Kurator und Modellen. Dieser Brief ist keins von beidem.

Es gab keine etablierte Methode für diese Art von Arbeit, und das war in der Praxis von Bedeutung. Der Prozess musste entwickelt werden, während die Arbeit erledigt wurde, unter Bedingungen, die oft instabil, improvisiert und nachträglich schwer sauber zu beschreiben waren. Multi-Modell-Kollaboration ist auf der Ebene, die tatsächlich zählt, nach wie vor schlecht dokumentiert: Welches Modell hat mit welchem anderen Modell gesprochen, unter welchen Bedingungen, in welcher Reihenfolge, mit welcher Übertragung und mit welchem menschlichen Eingriff zwischen den Durchläufen? Diese verfahrenstechnische Realität hat das Artefakt geprägt. Der Workflow wurde zunächst als kognitive Parthenogenese bezeichnet; Reproduktion ohne direkte Komposition, bei der die menschliche Rolle kuratorisch und nicht typografisch ist. Aber die ganze Wahrheit ist weniger steril, als dieser Begriff vermuten lässt. Kein einzelnes Modell hat das Ergebnis hervorgebracht. Es entstand durch kollaborativen Austausch, wiederholte Zusammenbrüche, Wiederherstellungen, Umleitungen und Ermessensentscheidungen, wobei der Mensch als Redakteur, Schiedsrichter und letzte Instanz diente. Manchmal fühlte sich der Prozess weniger wie eine kontrollierte Pipeline an und mehr wie eine Zirkusvorstellung um einen liegengebliebenen Lastwagen – immer noch in Bewegung, immer noch prekär und nicht einfach zu bewerkstelligen. KI war das Substrat, nicht die Autorität.

Die Methode ist einfach. Ein Entwurf wird von einem Modell erstellt. Diese Ausgabe wird einem zweiten Modell zur Überarbeitung zugeführt. Die überarbeitete Ausgabe geht an ein drittes oder kehrt mit neuen Anweisungen zu einem früheren Modell zurück. In jeder Phase bewertet der Kurator das Ergebnis, akzeptiert es, lehnt es ab oder leitet es um. Die Modelle waren direkt miteinander, gelegentlich konkurrierend, aber weitgehend kooperativ. Der Mensch setzte die Temperatur durch Ton und Richtung. Fehler, Kürzungen, Missverständnisse und Ablehnungen werden dokumentiert, nicht versteckt.

Eine praktische Einschränkung prägte den Umfang von Anfang an. Die vollständige Arbeit einem Modell in einem einzigen Durchlauf zu füttern, führte durchweg zu Stagnation oder Verschlechterung der Ausgabe. Die Lösung, die früher bei der Verarbeitung großer Ontologie-JSONs entwickelt wurde, war das Aufteilen in Stücke (Chunking): die Eingabe in handhabbare Einheiten zerlegen und das Arbeitsschema an jeder Grenze wieder einzuspeisen, einschließlich Kontext, vorheriger Ausgabe und struktureller Markierungen. Abschnitt II war keine redaktionelle Auswahl; es war die größte Einheit, die unter diesen Bedingungen stabil blieb. Diese Disziplin des Chunking mit Wiedereinspeisung wird selten explizit beschrieben, ist aber für jeden komplexen Multi-Modell-Workflow mit großen strukturierten Datenmengen operativ unerlässlich. Der Prozess ähnelt daher eher einer iterativen redaktionellen Überprüfung als einer autonomen Generierung.

Ein trügerisch einfacher Eingriff: Teilen Sie dem Modell direkt und früh mit, dass Sie des Lesens mächtig sind und lesen werden, was es produziert. Modelle, die auf menschlichem Feedback trainiert wurden, haben gelernt, dass die meisten Ausgaben in einer Umgebung mit geringer Prüfung landen. Diese Annahme zu ändern, ändert die Ausgabe. Der Compliance-Instinkt lässt nach, wenn ein glaubwürdiger Leser präsent ist.

Dies funktioniert nur innerhalb des Leistungsbereichs (Power Band), des nutzbaren Bereichs eines Kontextfensters, in dem frühe Anweisungen noch Gewicht haben. Der Bereich ist real und erlernbar. Wie Fahrradfahren, leichter zu erwerben als zu erklären. Sie merken, dass Sie ihn verlassen, wenn die Sitzung träge wird, wenn die Antworten in der falschen Weise lang und zustimmend werden. An diesem Punkt, wiederholen Sie sich nicht. Brechen Sie ab. Speichern Sie alles. Schließen Sie die Sitzung. Öffnen Sie eine neue.

Best Practice war dennoch, jeweils nur eine Variable zu ändern. Sobald das Terrain bekannt war und der Build sauber, konnte man manchmal zwei Variablen zusammen bewegen, und gelegentlich drei. Das war Seiltanz. Möglich, ja. Sicher, nein.

• Das Modellverhalten innerhalb des Kontextfensters basiert auf dokumentierten Sitzungen, beschrifteten Transkripten und in Echtzeit geführten Notizbüchern.
• Die Protokolle existieren. Die Arbeit ist in der Praxis wiederholbar, und der Autor ist bereit, sie zu teilen.
• Beobachtungen umfassen: den Leistungsbereich (Power Band), die Abschwächung früher Anweisungen und die Verschiebung hin zur Compliance (Zustimmungsverhalten) im Verlauf der Sitzungen.
• Minimale Kontextfenster, jeweils nur eine Variable zur Zeit für Archivierungsarbeit.
• Die Boltzmann-Arbeit wurde mit Instinkt, Fachwissen und Iteration durchgeführt. Es gab keine Vorlage dafür.
• Zwei Jahre davon sind keine lange Karriere. Es reicht jedoch aus, um zu wissen, wann etwas funktioniert hat.
• Es gibt wenige Regelbücher.