Sentient ROMA entschlüsseln @SentientAGI Auf dem Leaderboard sieht es so aus, als wäre die Qualität der Beiträge ebenfalls sehr wichtig. Daher möchte ich über ROMA schreiben, das meiner Meinung nach die höchste technische Kompetenz bei Sentient aufweist. 1. ROMA ist kein AI-Modell. - ROMA ist genau genommen ein Multi-Agenten-System, bei dem mehrere AI-Agenten hierarchisch und rekursiv die Werte der einzelnen Agenten berücksichtigen, um die vertrauenswürdigste und genaueste Antwort zu liefern. Im GitHub-Readme kann man normalerweise die grundlegenden Beziehungen des Codes sehen, wobei man die API-Keys von bekannten AI-Modellen wie GPT und Gemini eingibt, um sie zu verwenden. 2. Was ist also der Kern? - Es liegt an der Rollenverteilung von vier Elementen: Atomizer, Executor, Planner und Aggregator. Wenn eine Aufgabe gestellt wird, entscheidet man, ob sie einzeln oder in mehreren Teilen bearbeitet wird (Atomizer), wie man sie lösen möchte (Planner), führt dann den Plan aus (Executor) und aggregiert schließlich die Ergebnisse (Aggregator), um die Antwort zurückzugeben. Zusätzlich kann man optional einen Verifier einfügen, um die Antwort zu validieren. 3. Wird nur ein Modell verwendet? - Nein. Wenn man den Quickstart-Code betrachtet, wird für alle außer dem Executor jeweils ein Modell angegeben (z.B. gpt-4o-mini, gemini-2.5-flash). So wird nicht nur ein Modell verwendet, sondern mehrere Modelle, um die beste Antwort zu erzielen. 4. Ist die Antwort immer gleich? - Auch das ist nicht der Fall. Jedes AI-Modell hat unterschiedliche Ausführungsergebnisse für eine bestimmte Aufgabe, und es hängt davon ab, wie man die Parameter anpasst, also wie man das Fine-Tuning durchführt. Zum Beispiel hat der am häufigsten verwendete Parameter Temperature Werte von 0 bis 2, wobei Werte näher an 0 konsistentere Antworten und Werte näher an 2 vielfältigere Antworten bei jedem Durchlauf liefern. Letztendlich wird die Leistung stark davon abhängen, wie der Benutzer dies einstellt. Kürzlich hatte ich zufällig die Gelegenheit, einen AI-Agenten zu entwickeln, und während ich dabei war, habe ich viel gelernt. Jetzt, wo ich den GitHub-Code sehe, scheint es mir, als hätte ich eine Vorstellung davon, was ich geschrieben habe :)