Techniken des Schlussfolgerns

Zerlegt komplexe Probleme Schritt für Schritt in einzelne Zwischenschritte des Schlussfolgerns

Erkundet mehrere Denkpfade durch Verzweigung und Backtracking

Nichtlineares Schlussfolgern mit Gedanken als Knoten und Abhängigkeiten als Kanten

Verbindet Schlussfolgern mit Handeln durch den Einsatz externer Werkzeuge

Erzeugt mehrere Schlussfolgerungsbäume, um Vielfalt und Robustheit zu steigern

Selbstwahrnehmung sowie Überwachung von Qualität und Sicherheit des Schlussfolgerns

Weist Rechenressourcen dynamisch je nach Problemkomplexität zu

Erweitertes MCTS mit kontrastiver Reflexion für eine bessere Exploration

Schrittweise Zerlegung des Problems von einfachen zu komplexen Komponenten

Löst Probleme, indem ähnliche Muster aus bekannten Domänen gefunden und angewendet werden

Stellt explizite Ursache-Wirkungs-Beziehungen her und folgt ihnen

Leitet aus unvollständigen Beobachtungen die wahrscheinlichste Erklärung ab

Abstrahiert zu übergeordneten Prinzipien, bevor konkrete Probleme angegangen werden

Führt einen dynamischen Puffer wiederverwendbarer Denkmuster für analoges Schlussfolgern

Erzeugt eine Skelett-Gliederung und erweitert dann jeden Punkt parallel, um die Latenz zu senken und dabei die Struktur zu bewahren

Iteratives Schlussfolgern innerhalb eines kontinuierlichen latenten Raums ohne explizite Token-Generierung

Zieht mehrere unterschiedliche Chain-of-Thought-Pfade bei einer Temperatur ungleich null und aggregiert deren Endantworten per Mehrheits- oder konfidenzgewichteter Abstimmung. Da eine korrekte Antwort tendenziell über viele verschiedene Denkpfade erreicht wird, während sich einzelne Fehler verteilen, ist die Konsensantwort weitaus zuverlässiger als jede einzelne Greedy-Dekodierung.

Reduziert Halluzinationen, indem zunächst eine Basisantwort entworfen, eine Reihe von Verifikationsfragen dazu geplant und jede dieser Fragen unabhängig beantwortet wird, sodass die Prüfungen nicht durch den Entwurf verzerrt werden, und die endgültige Antwort anschließend allein anhand der verifizierten Fakten überarbeitet wird. Faktorisierte Verifikation, bei der die Prüfungen in getrennten Kontexten ablaufen, ist wirksamer, als das Modell seinen eigenen Entwurf erneut prüfen zu lassen, wobei es dazu neigt, seine eigenen Fehler zu wiederholen.

Bevor der Agent eine unterspezifizierte Anfrage plant oder umsetzt, entscheidet er zunächst, ob überhaupt nachgefragt werden soll (Ambiguitätserkennung), formuliert dann die möglichst informative Rückfrage (aufgefasst als erwarteter Informationsgewinn über die plausiblen Interpretationen) und legt sich erst danach auf einen Plan fest. Standard-LLMs erkennen Mehrdeutigkeit, wenn man sie ausdrücklich danach fragt, greifen aber weit überwiegend auf eine stille Antwort auf Basis einer einzigen Vermutung zurück; Nachfragen ist daher ein explizit antrainiertes oder per Prompt ausgelöstes Verhalten. Abzugrenzen von Mixed-Initiative-Interface-Mustern, bei denen es um den Wechsel der UI-Kontrolle geht, und vom Human-in-the-Loop, der eine bereits gewählte Aktion freigibt, statt die Absicht zu disambiguieren.