Team av språkmodeller følger lovene for distribuert databehandling, viser studie i PNAS

Image: "Thirty-five rowers on a long racing pirogue in Laos" by Basile Morin (CC BY-SA 4.0) via Wikimedia Commons, recoloured.
Flere-agent-oppsett bygget på store språkmodeller sprer seg raskt, men de fleste settes sammen ved prøving og feiling. En ny studie i *PNAS* undersøker om klassisk teori for distribuert databehandling kan forutsi når team av språkmodeller hjelper, hvor mange agenter man bør bruke og hvilken arkitektur man bør velge. Svaret er at skaleringen av slike team følger lovene for distribuert databehandling, bestemt av oppgavens struktur.
Å utforme team av språkmodeller med teori for distribuerte systemer
Forskere kobler i økende grad flere språkmodeller sammen: én agent skriver utkast, en annen kritiserer, en tredje sammenstiller. Fordelen er tydelig, siden enkeltmodeller har harde begrensninger når det gjelder resonnering, hukommelse og ytelse. Det som har manglet, er en prinsipiell måte å avgjøre når et team faktisk slår en enkeltmodell, hvor mange agenter det lønner seg å betale for, og om agentene bør rapportere til en koordinator eller kommunisere direkte med hverandre.
Ifølge Mieczkowski, Collins, Sucholutsky, Vélez og Griffiths (*PNAS*, 2026) kan svaret hentes fra informatikken. Forfatterne behandler et team av språkmodeller som et distribuert system, et sett prosessorer som deler opp arbeid og utveksler meldinger, og bruker dette formelle rammeverket til å utlede prediksjoner om hvordan oppgavestruktur og teamarkitektur bør påvirke ytelsen. Deretter tester de prediksjonene empirisk på team av språkmodeller, i stedet for å justere teamdesign fra sak til sak.
Resultatene stemmer med teorien på to punkter. For det første følger gevinsten ved å legge til agenter klassiske skaleringslover for distribuert databehandling, og hvor langt et team med nytte kan vokse, avhenger av oppgavens struktur. (I klassisk distribuert databehandling skalerer arbeid som lar seg dele rent opp i uavhengige deler, svært annerledes enn arbeid med sekvensielle avhengigheter.) For det andre viser sentraliserte team (med en koordinerende agent) og desentraliserte team (likeverdige agenter som kommuniserer direkte) de asymmetriske svakhetene som teorien for distribuerte systemer forutsier, slik at ingen av utformingene er bedre i alle tilfeller.
Artikkelen posisjonerer distribuert databehandling som et generativt rammeverk, ett som gir testbare, kvantitative prediksjoner om atferden til team av språkmodeller i stedet for etterpåklokskap. Denne innrammingen er samtidig studiens viktigste avgrensning. Prediksjonene er bare så gode som koblingen mellom en reell forskningsoppgave og de formelle oppgavestrukturene teorien dekker, og sammendraget hevder ikke at alle flere-agent-arbeidsflyter passer inn i disse strukturene. Lesere som anvender rammeverket på uryddige, åpne oppgaver som litteratursyntese eller kvalitativ koding, må selv vurdere om det passer.
Hvorfor det betyr noe: Mange forskergrupper bygger nå agentbaserte arbeidsflyter for koding av data, screening av litteratur eller simulerte deltakere, og kostnadene øker for hver agent som legges til. Studien gir et begrepsapparat for å planlegge slike arbeidsflyter før de kjøres: spør hvor parallell oppgaven egentlig er, forvent avtagende avkastning der trinnene avhenger av hverandre, og velg mellom koordinatorbasert og likeverdig (peer-to-peer) utforming ut fra hvilken feiltype du kan leve med. For samfunnsforskere som studerer KI, er den også en påminnelse om at eldre teorier om koordinering kan forklare nye maskinkollektiver.
Kilde: Mieczkowski, E., Collins, K. M., Sucholutsky, I., Vélez, N. & Griffiths, T. L. (2026). Language model teams as distributed systems. *Proceedings of the National Academy of Sciences*. Les originalartikkelen. Uavhengig redaksjonell oppsummering av tredjepartsforskning.





Kommentarer