Kaivautuminen tuntevaan ROMAan @SentientAGI tulostaulukkoa tarkasteltaessa näyttää siltä, että myös kirjoituksen laatu on varsin tärkeä. Joten aion kirjoittaa ROMAsta, joka mielestäni ylpeilee Sentientin korkeimmalla teknologialla. 1. ROMA ei ole tekoälymalli. - ROMA on kehys, jossa useat tekoälyagentit johtavat luotettavimmat ja tarkimmat vastaukset kunkin agentin arvojen perusteella hierarkkisesti ja rekursiivisesti. Jos katsot Githet Readmea, näet yleensä koodin orgaanisen perussuhteen, ja syötät ja käytät tekoälymallien, kuten GPT:n ja Geminin, API-avainta, jonka tunnemme yleisesti. 2. Mitä järkeä siinä on? - Se on jaettu neljään rooliin: sumutin, toteuttaja, suunnittelija ja aggregaattori. Kun sille annetaan tehtävä, se päättää, käsitelläänkö sitä yhtenä vai useampana asiana (Atomizer), päättää, miten se ratkaistaan (Planner), suorittaa sen suunnitellusti (Executor) ja sitten aggregoi sen (Aggregator) ja palauttaa vastauksen. Lisäksi voit valita vaihtoehdoksi vastauksen tarkistamisen Verifierin kautta. 3. Käytetäänkö vain yhtä mallia? -Ei. Jos katsot Quickstart-koodia, ne kaikki määrittävät omat mallinsa, paitsi Executor. (esim. gpt-4o-mini, gemini-2.5-flash) Tällä tavalla näyttää siltä, että paras vastaus saadaan käyttämällä useita malleja yhden mallin sijaan. 4. Onko vastaus aina sama? - Tämäkään ei ole. Kunkin tekoälymallin suoritustulokset ovat erilaisia yksittäiselle tehtävälle, ja se riippuu siitä, miten parametreja säädetään eli miten hienosäätö tehdään. Esimerkiksi tyypillisimmän parametrin nimeltä Lämpötila arvo on 0-2, lähempänä 0 antaa johdonmukaisen vastauksen ja lähempänä 2:ta antaa erilaisia vastauksia kullekin kokeilulle. Loppujen lopuksi näyttää siltä, että suorituskyvyssä on suuri ero riippuen siitä, miten käyttäjä sen määrittää. Minulla oli äskettäin mahdollisuus kehittää tekoälyagentti sattumalta, ja kirjoitin sen, koska ajattelin, että se, mitä olin opiskellut jatkaessani tekoälyn käyttöä tuolloin, näyttää nyt tempulta, kun katson sarjan koodia :)