سامانه‌های آبشاری مدل‌های زبانی بزرگ (LLM) مدل‌هایی با اندازه‌های مختلف را هماهنگ می‌کنند تا دقت، هزینه و انصراف در مواجهه با ابهام را مدیریت کنند. رویکردهای سنتی با پرسش‌های مبهم دست‌وپنجه نرم می‌کنند. این روش‌ها اغلب به‌اشتباه به مدل‌های پرهزینه‌تر ارجاع می‌دهند.
کاسکید‌دیبیت این محدودیت را برطرف می‌کند. این سامانه استدلال چندعاملی (Multi-Agent Deliberation) را مستقیماً در مرز ارجاع هر سطح قرار می‌دهد. مسیریاب‌های مبتنی بر اطمینان (Confidence-Based Routers) گروه‌های عاملی سبک‌وزن را تنها برای موارد نامطمئن فعال می‌کنند. اجماع داخلی ابهام‌ها را بدون نیاز به ارتقای پرهزینه حل می‌کند.
این سامانه استنتاج تک‌مدلی را با استدلال چندعاملی انتخابی در مقیاس‌های مختلف مدل ترکیب می‌کند. کارشناسان انسانی به‌عنوان آخرین چاره باقی می‌مانند. این طراحی محاسبه زمان آزمایش (Test-Time Compute) را بر اساس دشواری پرسش پویا می‌کند.
کاسکید‌دیبیت در پنج معیار سنجش (Benchmark) در حوزه‌های علم، پزشکی و دانش عمومی عملکرد بهتری نسبت به آبشارهای تک‌مدلی قوی و سامانه‌های چندعاملی مستقل دارد. بهینه‌ساز آستانه آنلاین ضروری بوده و دقت را ۲۰.۹۸ تا ۵۲.۳۳ درصد بهبود می‌بخشد. این بهینه‌ساز سازگاری کشسان با توزیع‌های واقعی را ممکن می‌سازد.
پژوهش نشان می‌دهد تخصیص هوشمند منابع استدلال، نه صرفاً افزودن مدل‌های بیشتر، نتایج کارآمدتر و دقیق‌تری ارائه می‌دهد. با به تعویق انداختن ارجاع‌های پرهزینه از طریق اجماع داخلی، معماری هزینه‌های عملیاتی را کاهش می‌دهد و استانداردهای عملکرد بالا را حفظ می‌کند. کار آینده بر کاربردها در حوزه‌های تخصصی نیازمند استدلال دقیق در ابهام متمرکز خواهد بود.
گفتگو