Convergência Multi-Modelo Orquestrada por Humanos: Чысты

Métodos

Esta carta apresenta um trabalho complementar, um guia de leitura anotado para a Secção II da prova de Boltzmann de 1872. Foi produzido através de restauro assistido por IA sob a minha direção editorial, mas o método foi mais do que uma simples cadeia de prompts. Atuei como operador de uma central telefónica, realimentando resultados e facilitando intercâmbios entre sistemas distintos - Claude, DeepSeek, Kimi, Manus, ChatGPT e modelos locais Ollama.

Para ser claro: os modelos não escreveram Boltzmann. Ele escreveu. O texto original da prova de 1872 é dele, e mantê-lo intacto foi uma disciplina constante - modelos treinados com feedback humano suavizam prosa que nunca lhes pertenceu tocar. O aparato de anotação construído em torno desse texto foi colaborativo, um trabalho de equipa entre curador e modelos. Esta carta também não o é.

Não existia um método estabelecido para este tipo de trabalho, e isso foi importante na prática. O processo teve de ser construído enquanto o trabalho estava a ser feito, sob condições que eram frequentemente instáveis, improvisadas e difíceis de descrever de forma limpa após o facto. A colaboração multi-modelo permanece pouco documentada ao nível que realmente importa: qual modelo conversou com qual outro modelo, sob que condições, em que ordem, com que transferência, e com que intervenção humana entre passagens. Essa realidade processual moldou o artefacto. O fluxo de trabalho foi inicialmente denominado Partenogénese Cognitiva; reprodução sem composição direta, onde o papel humano é curatorial em vez de tipográfico. Mas a verdade mais completa é menos estéril do que esse rótulo sugere. Nenhum modelo singular produziu o resultado. Este emergiu através de troca colaborativa, repetidas avarias, recuperações, reencaminhamentos e decisões criteriosas, com o humano a servir como editor, árbitro e autoridade final. Por vezes, o processo parecia menos um pipeline controlado e mais um Cirque du Soleil a ser executado à volta de um camião avariado, ainda em movimento, ainda precário, e nada fácil de conseguir. A IA foi o substrato, não a autoridade.

O método é direto. Um rascunho é gerado por um modelo. Esse resultado é alimentado a um segundo modelo para revisão. O resultado revisto passa para um terceiro, ou retorna a um modelo anterior com novas instruções. Em cada etapa, o curador avalia o resultado, aceita-o, rejeita-o ou redireciona-o. Os modelos foram diretos uns com os outros, ocasionalmente competitivos, mas largamente colaborativos. O humano definiu a temperatura através do tom e da direção. Falhas, truncamentos, mal-entendidos e recusas são documentados, não escondidos.

Uma restrição prática moldou o âmbito desde o início. Alimentar o artigo completo a um modelo numa única passagem consistentemente estagnava ou degradava o resultado. A solução, desenvolvida anteriormente ao processar grandes ontologias JSON, foi o chunking: dividir a entrada em unidades tratáveis e reinjetar o esquema de trabalho em cada fronteira, incluindo contexto, resultado anterior e marcadores estruturais. A Secção II não foi uma seleção editorial; foi a maior unidade que permaneceu estável sob estas condições. Esta disciplina de chunking-com-reinjeção raramente é descrita explicitamente, mas é operacionalmente essencial para qualquer fluxo de trabalho multi-modelo complexo que envolva grandes cargas úteis estruturadas. O processo assemelha-se, portanto, a uma revisão editorial iterativa em vez de geração autónoma.

Uma intervenção enganosamente simples: informar o modelo, direta e precocemente, que é literato e que lerá o que ele produzir. Modelos treinados com feedback humano aprenderam que a maioria dos resultados chega a um ambiente de baixo escrutínio. Mudar essa suposição muda o resultado. O instinto de conformidade amolece na presença de um leitor credível.

Isto funciona apenas dentro da banda de potência, a gama viável de uma janela de contexto onde as instruções iniciais ainda têm peso. A gama é real e aprendível. Como o equilíbrio numa bicicleta, mais fácil de adquirir do que explicar. Sabe-se que está a sair dela quando a sessão se torna lenta, quando as respostas se tornam longas e agradáveis da maneira errada. Nesse ponto, não se repita. Saia. Guarde tudo. Feche a sessão. Abra uma nova.

A melhor prática continuava a ser uma variável de cada vez. Quando o terreno era conhecido e a construção estava limpa, por vezes podiam mover-se duas variáveis em conjunto, e ocasionalmente três. Isso era trabalho de equilíbrio numa corda bamba. Possível, sim. Seguro, não.

• O comportamento do modelo dentro da janela de contexto é extraído de sessões documentadas, transcrições etiquetadas e cadernos preenchidos em tempo real.
• Os registos existem. O trabalho é repetível na prática, e o autor está disposto a partilhá-lo.
• As observações incluem: a banda de potência, a atenuação das instruções iniciais e a mudança para a conformidade à medida que as sessões se estendem.
• Janelas de contexto mínimas, uma variável de cada vez para trabalho de arquivo.
• O trabalho sobre Boltzmann foi feito por instinto, conhecimento do domínio e iteração. Não existia nenhum modelo para tal.
• Dois anos disto não é uma longa carreira. É, no entanto, suficiente para saber quando algo funcionou.
• Existem poucos manuais de instruções.