Мульти-модельный консенсус
4 LLM-провайдера × 2-stage deliberation — disagreement rate 28% выявляет ошибки, которые single-model пропускает
Архитектор и единственный разработчик
3 мес · solo
- Python
- asyncio
- OpenAI API
- Anthropic API
- Google GenAI
- DeepSeek API
Multi-model board — provider voting config
Развернуть разбор ↓
Что не работает
Когда критическое бизнес-решение принимает одна LLM, ошибки неизбежны: галлюцинации, предвзятость к собственным паттернам, отсутствие самопроверки. В A/B тесте на 150 решениях single-model давал 22% ложных одобрений — каждое 5-е решение было ошибочным.
Архитектурный подход
Панель из 4 независимых провайдеров (OpenAI o4-mini, Claude Opus + thinking, Gemini 2.5 Pro + thinking, DeepSeek Reasoner) оценивает параллельно. Решение принимается кворумом ≥3/4. Во втором раунде модели видят аргументы друг друга и уточняют позицию. Disagreement rate между моделями ~28% — именно в этих случаях consensus предотвращает ошибки.
Архитектор и единственный разработчик
Полностью спроектировал и реализовал архитектуру: выбор 4 провайдеров с разными сильными сторонами (reasoning tokens, thinking blocks), протокол кворума ≥3/4, 2-stage deliberation с обменом аргументами, механизм отказоустойчивости MIN_PROVIDERS=2. Провёл A/B тест: 150 решений single-model vs consensus — ложные одобрения снизились с 22% до 13%.