Ailin¹ startuje 15 września 2026. Zgłoś się już teraz po wczesny dostęp.

Wczesny dostęp
ailin¹

Inteligencja zbiorowa: nowa granica AI

107 175 modeli AI koordynuje się wewnątrz jednego modelu inteligencji zbiorowej.

Od indywidualnej AI do inteligencji zbiorowej

AI spędziło ostatnią erę na tworzeniu bardziej zdolnych modeli indywidualnych. Następna granica jest zbiorowa.

Różne modele wnoszą różne perspektywy i to nie jest tylko hasło: twierdzenie Condorceta o ławie przysięgłych oraz twierdzenie Honga i Page'a o predykcji przez różnorodność pokazują, że ustrukturyzowana różnorodność może przewyższyć samodzielną ekspertyzę. Ustrukturyzowane strategie zbiorowe wykorzystują te badania w praktyce: modele wnioskują niezależnie, weryfikują się krzyżowo i zbiegają do jednej audytowalnej odpowiedzi.

Celem nie są kolejne modele. Chodzi o to, by różne inteligencje lepiej ze sobą współpracowały.

To jest inteligencja zbiorowa. Ailin¹ już ją prowadzi.

Ailin¹ Collective: mechanizm stojący za deklaracją

Ailin¹ powstał z myślą o inteligencji zbiorowej. Routing, wykrywanie, orkiestracja i weryfikacja to mechanizmy, które jej służą. Korzystając z puli 107 175 wykrywalnych identyfikatorów modeli, każde zapytanie jest kierowane przez jedną z 32 zarejestrowanych strategii orkiestracji: pojedynczy model, gdy liczy się szybkość, kilka skoordynowanych modeli, które wnioskują, dyskutują i weryfikują się krzyżowo, gdy liczy się poprawność.

Odpowiedzi kolektywu zawierają historię decyzji. Ścieżka koordynacji pozostaje możliwa do sprawdzenia.

  • Jakie modele zostały uruchomione
  • Jaka strategia je koordynowała
  • Ile kosztował kolektyw
Buduj z inteligencją zbiorową

Udowodnione w starciu z czołówką, w pełni otwarcie

Przetestowaliśmy kolektyw w starciu z GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro i Grok 4.3, oceniając wyniki na podstawie obiektywnych, weryfikowanych maszynowo odpowiedzi, a nie gustu. W audytowalnym, odtwarzalnym eksperymencie kolektyw przewyższył wszystkie cztery modele. Sprawdź repozytorium.

⭐ Dołącz do 210 osób, które dały gwiazdkę na GitHub

Ailin¹ startuje 15 września 2026.

Dołącz przed ogólną dostępnością i pomóż kształtować pierwsze wydanie.

Wczesny dostęp

Ailin¹ Collective

Każde zapytanie przechodzi przez tę samą kaskadę routingu, zanim zostanie wywołany choćby jeden model. Kaskada ta może sięgać po strategie zbiorowe oparte na recenzowanych naukowo wynikach badań nad podejmowaniem decyzji grupowych, w tym na twierdzeniu Condorceta o ławie przysięgłych i twierdzeniu Honga i Page'a o predykcji przez różnorodność. Nazwij dokładnie to, czego chcesz, a zostanie to uwzględnione natychmiast. Nie mów nic, a kaskada zdecyduje za Ciebie.

Stan techniki to nie czarna skrzynka. To dwie dźwignie, które kontrolujesz.

Pięć aliasów obejmuje pełen zakres, od natychmiastowego pojedynczego modelu po konsensus pięciu modeli. Dwa niezależne pola wyznaczają granice: max_cost to sufit, quality_target to podłoga. Ustaw jedno, drugie albo oba. Ailin¹ Collective nigdy nie przekracza granicy, którą wyznaczysz.

Większość platform podaje Ci listę modeli i nazywa to wyborem. Ailin¹ daje Ci dwie niezależne dźwignie, a nie jeden suwak: jak dobra ma być odpowiedź i ile jesteś gotów za nią zapłacić.

  • Ogranicz wydatek i pozwól jakości znaleźć własny poziom.

  • Zagwarantuj podłogę i pozwól kosztowi podążać za zapotrzebowaniem.

  • Wyznacz dokładny korytarz między nimi.

Aliasy routingu Ailin¹ Collective, to, co każdy z nich optymalizuje, typowy koszt oraz sytuacje, w których warto po niego sięgnąć
Alias Optymalizuje pod kątem Typowy koszt Kiedy stosować
ailin-auto Zrównoważone dopasowanie, ustalane przy każdym zapytaniu Normalny Domyślnie. Brak ograniczeń poza równowagą kosztu i jakości.
ailin-best Jakość, koszt bez ograniczeń Najwyższy Zadania krytyczne pod względem poprawności, w których koszt nie jest wiążącym ograniczeniem.
ailin-fast Opóźnienie, pojedynczy model Niski Ścieżki interaktywne z rygorystycznym budżetem opóźnienia.
ailin-economy Koszt, z egzekwowanym twardym sufitem Najniższy Praca w tle o dużym wolumenie
ailin-consensus Poprawność dzięki niezależnej weryfikacji krzyżowej Wyższy, całkiem celowo Cicha niepoprawność to tryb awarii, za którego wyeliminowanie płacisz.

Każda odpowiedź zwraca historię decyzji w polu ailin_metadata: strategy_used, models_used i cost_usd, dzięki czemu decyzję routingu można zweryfikować, zamiast przyjmować ją na wiarę.

Zapytanie: Twój dotychczasowy klient OpenAI, jedna zmieniona linia

from openai import OpenAI

client = OpenAI(
    base_url="https://api.ailin.one/v1",
    api_key="YOUR_KEY",
)

response = client.chat.completions.create(
    model="ailin-consensus",
    messages=[{"role": "user", "content": "..."}],
    extra_body={"max_cost": 0.15}
)

Odpowiedź

{
  "ailin_metadata": {
    "strategy_used": "ailin-consensus",
    "models_used": [
      "gpt-5.5-pro",
      "claude-opus-4.8",
      "gemini-3.1-pro"
    ],
    "final_decider_model_id": "claude-opus-4.8",
    "final_decider_role": "synthesizer",
    "cost_usd": 0.0842,
    "subcalls": [
      { "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
      { "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
      { "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
    ]
  }
}

Jak decyduje Ailin¹ Collective: kaskada routingu

Warstwowa kaskada oceniana od najszybszej warstwy. Każde zapytanie rozstrzyga się tak wcześnie, jak to bezpiecznie możliwe, więc proste zapytania kończą się szybko, a trudniejsze sięgają do głębszych warstw.

Przed kaskadą: cache semantyczny Niemal identyczny duplikat niedawnego zapytania natychmiast zwraca odpowiedź z cache. Triaż i wszystkie sześć warstw poniżej zostają wtedy całkowicie pominięte, nie tylko skrócone, lecz pominięte.

  1. Routing jawny

    Nazwałeś to: alias, model albo strategię, więc ta warstwa rozstrzyga zapytanie natychmiast. Zawsze wygrywa z każdą warstwą poniżej, a jeśli tego, co nazwałeś, faktycznie nie da się spełnić, zapytanie kończy się błędem wprost, zamiast po cichu spaść do czegoś innego.

  2. Triaż

    Dedykowany model odczytuje intencję i złożoność zadania i rekomenduje strategię, zanim uruchomi się jakikolwiek model kolektywu. To rzeczywista analiza, a nie odpytanie gotowej tabeli, więc wiąże się z własnym, realnym, choć niewielkim, wywołaniem.

  3. Archiwum konfiguracji

    Odblokowuje się po 5 zarejestrowanych wynikach

    Gdy dla danej niszy zadań zarejestrowanych zostanie co najmniej 5 wyników, Ailin¹ Collective wykorzystuje ponownie to, co już się sprawdziło, zamiast wyznaczać to na nowo.

    Nie pojedynczy wybór z czarnej skrzynki: bank elitarnych konfiguracji śledzonych w 6 osiach optymalizacji, jakość, efektywność kosztowa, szybkość, równowaga, niezawodność, jakość na token, dla tej niszy, dzięki czemu ponownie wykorzystywana strategia i zestaw modeli to te, które faktycznie wygrały w wymiarze istotnym dla Twojego zapytania.

  4. Granica koszt / jakość / opóźnienie

    Odblokowuje się po 3 zarejestrowanych wynikach

    Optymalizuje ten wieloczynnikowy kompromis (jakość, koszt, szybkość, wskaźnik powodzenia) bezpośrednio, gdy zgromadzi się już wystarczająca historia, nawet zanim potwierdzi się dokładne dopasowanie do niszy.

  5. Wyuczona preferencja strategii

    Odblokowuje się po 5 zarejestrowanych wynikach

    Algorytm Thompson Sampling waży strategie według ich rzeczywistych, zmierzonych wyników w czasie, dopracowując domyślne ustawienia samej kaskady, a przy tym przeprowadza własny audyt: jeśli jego łączny zmierzony wskaźnik nagrody spadnie poniżej 95% najlepszego zarejestrowanego dotąd stanu, algorytm automatycznie przywraca cały wyuczony stan do tego najlepszego znanego punktu.

  6. Heurystyka zapasowa

    Jeśli żadna z warstw powyżej nie rozstrzygnie zapytania, deterministyczna heurystyka punktowa wybiera strategię na podstawie typu zadania, złożoności i dostępnej puli modeli. Rozstrzyganie strategii zawsze kończy się decyzją, zapisaną w strategy_used.

Po kaskadzie: bramka nadzoru kosztów Niezależnie od tego, co wybrały warstwy od 1 do 6, o ile nie kierowałeś zapytania jawnie, ostatnia kontrola może jeszcze obniżyć kosztowny wybór kolektywu z powrotem do pojedynczego modelu, gdy szacowany zysk nie przekracza ustalonego progu. Tylko jawne zapytanie pomija również tę kontrolę.

Warstwy od 3 do 5 odblokowują się niezależnie od siebie, w miarę jak dla danej niszy zadań gromadzi się historia użycia: od 3 zarejestrowanych wyników dla granicy koszt/jakość/opóźnienie, aż po 5 dla archiwum konfiguracji i wyuczonej preferencji strategii. Do tego czasu decyzję podejmuje deterministyczna, audytowalna heurystyka z warstwy 6, gdy warstwy 1 i 2 nie rozstrzygną sprawy same.

32 strategie, oparte na badaniach naukowych

Dziesiątki sposobów na to, by modele myślały razem, a każdy z nich jest audytowalny. Różne problemy zyskują na różnych formach wnioskowania zbiorowego.

Żadna z nich nie powstała ad hoc. Każda strategia w katalogu odpowiada konkretnemu, nazwanemu wynikowi z badań nad koordynacją lub decyzjami zbiorowymi, a nie wewnętrznemu domysłowi przebranemu za naukę.

  • consensus

    Twierdzenie Condorceta o ławie przysięgłych (1785): głosowanie większościowe wśród 3 do 5 modeli, z progiem różnorodności, dzięki któremu zgoda nie może wynikać z klonowanego rozumowania.

  • diversity-ensemble

    Twierdzenie Honga i Page'a o predykcji przez różnorodność (PNAS, 2004): buduje zespół, który z samej konstrukcji maksymalizuje różnorodność w wielu wymiarach.

  • debate

    Modele ścierają się w ustrukturyzowanych rundach z moderatorem.

  • swarm-explore

    Równoległa eksploracja, wybierana automatycznie przez triaż do otwartych zadań projektowych i architektonicznych.

  • stigmergic-refinement

    Zbieżność poprzez wspólny artefakt zamiast głosowania, wybierana automatycznie przez triaż do pisania o wysokiej złożoności.

  • expert-panel

    Niezależny przegląd wielu ról, zanim odpowiedź trafi do Ciebie, adresowalny bezpośrednio przy zapytaniach wymagających intensywnej weryfikacji.

  • tri-role-collective

    Planner, Solver, Auditor: deterministyczny automat stanów, a nie wytrenowany koordynator, który strukturalnie blokuje sytuację, w której Auditor byłby tym samym modelem lub tym samym przebiegiem wnioskowania, który przed chwilą jako Solver wygenerował odpowiedź.

  • +25 kolejnych strategii

To nie Ty wybierasz model. Robi to Ailin¹ Collective.

Prostota, gdy zadanie jest proste. Głębia, gdy nie jest. Ty wyznaczasz granice, Ailin¹ Collective decyduje w ich obrębie, a jedno pole zawsze go nadpisuje.

Nigdy nie musisz rozstrzygać, czy zapytanie wymaga jednego modelu, czy pięciu. Każde zapytanie przechodzi przez Ailin¹ Collective, tę samą kaskadę routingu, która stoi za ailin-auto, zanim zostanie wywołany choćby jeden model. Wiesz dokładnie, czego chcesz? Nazwij to: alias taki jak ailin-fast, konkretny model albo strategy: "single", a Ailin¹ Collective uszanuje to natychmiast, bez negocjacji i bez dodatkowego opóźnienia. Nie mów nic, a kaskada sama odczyta zadanie i dobierze pasujący do niego kształt. Uruchomienie pojedynczego modelu przez Ailin¹ nie jest planem awaryjnym ani gorszą opcją. To pełnoprawna ścieżka, po którą Ailin¹ Collective sięga bez przerwy i całkiem celowo.

Pojedynczy model

Jeden spójny głos od początku do końca. Niższy koszt, niższe opóźnienie i dokładnie tak samo dostępny jak alternatywa.

ailin-fast

Kolektyw wielu modeli

Niezależni proponenci pracujący równolegle, wzajemnie weryfikowani i uzgadniani przez syntezator, zanim zobaczysz jedną odpowiedź, dzięki czemu rozbieżności są wychwytywane, zanim do Ciebie dotrą, a nie po fakcie.

ailin-consensus

A co z pracą kreatywną i refaktoryzacją?

W zadaniach obiektywnie weryfikowalnych, sprawdzanych maszynowo, a nie na podstawie gustu, to właśnie kolektyw wygrywa. W otwartej pracy kreatywnej to pojedynczy, dobrze dobrany model wygrywa równie wyraźnie. Właśnie dlatego istnieje triaż: kaskada nie uśrednia między typami zadań, tylko je rozróżnia. Praca kreatywna domyślnie trafia do pojedynczego modelu. Praca weryfikowalna trafia do kolektywu.

Zadania weryfikowalne 97%

dokładności (37 na 38), wobec 68 do 82% dla pojedynczych modeli czołowych. Weryfikator ani razu nie przepuścił błędnej odpowiedzi w trzech pełnych rundach.

Nie wybierasz między prostotą a dokładnością, ucząc się na pamięć, kiedy sięgnąć po którą. Mówisz to, co wiesz, Ailin¹ Collective uzupełnia resztę, a możliwość nadpisania decyzji jest zawsze oddalona dokładnie o jedno pole.

Buduj z inteligencją zbiorową ⭐ Postaw gwiazdkę Collective Intelligence na GitHub

Tysiące modeli. Aktywują się tylko te właściwe.

Przewagą jest kolektyw

Przełomem nie jest dostęp do większej liczby modeli. Liczy się to, co dzieje się wtedy, gdy różne inteligencje mogą ze sobą współpracować. Ailin¹ zamienia wykrywany na bieżąco ekosystem 107 175 identyfikatorów modeli w kolektyw, a następnie aktywuje tylko ten podzbiór, którego potrzebuje dana strategia.

107 175 wykrywalnych identyfikatorów modeli. To, co się uruchamia, dobierane jest ze względu na różnorodność, a nie po to, by zawyżać liczbę.

  • Zawsze aktualny

    Nowo opublikowany model jest indeksowany w tym samym cyklu wykrywania, w którym się pojawia, bez oczekiwania na cykl wydawniczy.

  • Pełne spektrum

    Tekst, obraz, dźwięk i osadzenia w tym samym katalogu, za tym samym punktem końcowym.

Dlaczego inteligencja staje się potężniejsza, gdy staje się zbiorowa

AI zostało zbudowane wokół pojedynczych modeli. Jej następna granica jest zbiorowa. Pojedyncze modele potrafią być niezwykle zdolne, ale każdy z nich wciąż odzwierciedla własną architekturę, historię treningu, martwe punkty i tryby awarii. Inteligencja zbiorowa pozwala niezależnym modelom wnosić różne perspektywy, kwestionować założenia, specjalizować się, porównywać alternatywy i weryfikować wyniki tam, gdzie pozwala na to zadanie. To, co następuje, nie jest listą życzeń. To pięć mechanizmów, które już działają produkcyjnie, a nie plan rozwoju.

Koszt bliski pojedynczemu modelowi, gdy to się liczy

W zadaniach, które może sprawdzić maszyna, deterministyczny weryfikator natychmiast akceptuje poprawną odpowiedź i skraca resztę procesu kolektywu, dzięki czemu koszt w tych zadaniach jest znacznie bliższy kosztowi pojedynczego modelu niż kosztowi pełnego kolektywu, dokładnie tam, gdzie przewaga kolektywu pod względem dokładności jest największa.

Odporność

Awaria jednego dostawcy nigdy nie staje się Twoją awarią. Kolektyw samodzielnie omija zdegradowane modele i awarie, a każda odpowiedź nadal niesie historię decyzji: jaka strategia została uruchomiona, jakie modele i ile to kosztowało.

Różnorodność w samej konstrukcji

Dostawca, architektura i cel treningu są celowo rozdzielane dzięki selekcji typu round-robin, dzięki czemu kolejne modele w jednym przebiegu nigdy nie dzielą tego samego dostawcy. To twierdzenie Honga i Page'a o predykcji przez różnorodność wbudowane w warstwę routingu, a nie nadzieja, że różne dane treningowe przypadkiem będą się przydatnie nie zgadzać. Ujawnia to martwe punkty, ale nie obiecuje ich wyeliminować.

Mniejsza zależność od jednego dostawcy

Kolektyw obejmuje wielu dostawców, więc plan rozwoju, cennik ani polityka żadnego pojedynczego dostawcy nie decydują samodzielnie o kształcie Twojego produktu.

Dynamiczna specjalizacja

Właściwy specjalista do właściwego zadania: wnioskowanie, kod, widzenie komputerowe, długi kontekst czy niskie opóźnienia, wybierany w czasie rzeczywistym dla każdego zapytania.

Najczęściej zadawane pytania

Konkretne odpowiedzi, z polem, plikiem lub liczbą stojącą za każdą z nich.

Integracja & podstawy

Tak. Podstawowa powierzchnia API (chat/completions, responses, embeddings, models) jest kompatybilna w trybie drop-in, z dodatkowym blokiem ailin_metadata, który niesie historię decyzji. Skieruj istniejącego klienta na punkt końcowy Ailin¹, podmień nagłówek uwierzytelniania i ten sam kształt zapytania zadziała.

Zbudowany z myślą o inteligencji zbiorowej, i to jest konkretne stwierdzenie inżynierskie, a nie hasło reklamowe. Routing decyduje, dokąd trafia zapytanie; orkiestracja odtwarza sekwencję, którą sam napisałeś; inteligencja zbiorowa to warstwa, która określa, jak wiele modeli wnioskuje, weryfikuje się krzyżowo i syntetyzuje wynik razem, przy czym routing, orkiestracja i weryfikacja to mechanizmy, które jej służą. Te mechanizmy wywodzą się z nazwanych badań: twierdzenia Honga i Page'a o predykcji przez różnorodność (PNAS, 2004), twierdzenia Condorceta o ławie przysięgłych (1785) oraz współczynnika inteligencji zbiorowej „c” autorstwa Woolley et al. (Science, 2010). Jedna ze strategii nosi nawet nazwę na jego cześć w kodzie źródłowym: diversity-ensemble występuje w nim jako „Diversity Ensemble (Page Theorem)”. Zapytanie aktywuje kilka modeli w ramach jednej z tych strategii, a następnie zwraca jedną odpowiedź wraz z historią decyzji o tym, jak do niej doszło.

Żywy katalog obejmuje 107 175 identyfikatorów modeli, wykrywanych na bieżąco i oznaczanych według możliwości u dziesiątek dostawców, a nie statyczną listę, którą ktoś edytuje ręcznie. Pojedyncze zapytanie nigdy nie dotyka ich wszystkich: każda strategia zbiorowa aktywuje tylko ten podzbiór, którego wymaga, nigdy całego katalogu.

Ailin¹ Collective & strategie

ailin-auto (zrównoważona opcja domyślna, decyzję podejmuje kaskada), ailin-best (jakość przede wszystkim, koszt bez ograniczeń), ailin-fast (opóźnienie przede wszystkim, pojedynczy model), ailin-economy (koszt przede wszystkim, z egzekwowanym twardym sufitem), ailin-consensus (poprawność dzięki niezależnej weryfikacji krzyżowej). Zacznij od ailin-auto. Po inny sięgnij tylko wtedy, gdy wiesz coś, czego nie wie router.

Domyślnie decyduje Ailin¹, poprzez kaskadę routingu Ailin¹ Collective: najpierw routing jawny, jeśli coś wskazałeś, a potem triaż, jeśli tego nie zrobiłeś. Możesz nadpisać dowolną warstwę, przypinając bezpośrednio model, alias lub strategię, i ten wybór zawsze wygrywa. Większość integracji nigdy tego nie potrzebuje.

Warstwowa kaskada oceniana od najszybszej warstwy: routing jawny, jeśli coś nazwałeś; triaż, który klasyfikuje zadanie i przypisuje mu strategię; archiwum konfiguracji, które wykorzystuje ponownie to, co historycznie sprawdzało się w tej konkretnej niszy zadań; granica koszt/jakość/opóźnienie, która optymalizuje ten kompromis bezpośrednio; oraz wyuczona preferencja strategii (algorytm Thompson Sampling), która waży strategie według rzeczywistych wyników w czasie. Te trzy środkowe warstwy potrzebują co najmniej 5 zarejestrowanych wyników dla danej niszy, zanim się aktywują; do tego czasu decyzję podejmuje deterministyczna, audytowalna heurystyka zapasowa, ta sama heurystyka, która zabezpiecza każdą warstwę powyżej niej, jeśli żadna z nich nie rozstrzygnie zapytania.

W silniku orkiestracji zarejestrowane są 32, od pojedynczego wyroutowanego modelu po roje dziewięciu agentów badających problem równolegle. Około 11 jest dziś osiągalnych automatycznie; pozostałe są dostępne wyłącznie po jawnym wskazaniu i działają w pełni w chwili, gdy je nazwiesz. Możesz też zaadresować dowolną z tych 32 bezpośrednio jako <strategy>:<tier>, na przykład consensus:large, ustalając dokładny mechanizm i próg cenowy.

W otwartym pisaniu kreatywnym i refaktoryzacji kodu nasze własne porównania strategii (na małej próbie) pokazują, że pojedynczy silny model zdecydowanie wygrywa z pełnym kolektywem. W zadaniach obiektywnie weryfikowalnych to porównanie się odwraca: zweryfikowana strategia konsensusu uzyskała wynik 37 na 38 (97%), wobec 68 do 82% dla pojedynczych modeli czołowych testowanych obok niej. Ailin¹ domyślnie nie narzuca konsensusu takim zapytaniom i w żadną stronę nie zamyka Cię we własnym domyśle: jedno pole daje Ci pojedynczy, spójny głos (ailin-fast, strategy: "single"), a to samo jedno pole daje Ci niezależną weryfikację wielomodelową (expert-panel, tri-role-collective), jeśli tego właśnie naprawdę chcesz.

Koszt & rozliczalność

Tak, przy każdym zapytaniu. max_cost twardo ogranicza wydatek, zanim jakikolwiek model zostanie wywołany; jeśli szacowany koszt strategii, która miałaby zostać uruchomiona, go przekracza, zapytanie kończy się błędem 400 strategy_budget_exceeded zamiast po cichu przepalać budżet. quality_target to sparowana z nim podłoga. Każda odpowiedź raportuje realną liczbę: ailin_metadata.cost_usd, wraz z rozbiciem na pozycje. Strategie wielomodelowe kosztują wymiernie więcej niż pojedynczy model. W zadaniach, które może sprawdzić maszyna (ekstrakcja ustrukturyzowana, matematyka, kod z testami, faktograficzne pytania i odpowiedzi), ta premia w większości znika: gdy uruchamia się deterministyczny mechanizm skracający zweryfikowanej strategii, nasz najnowszy benchmark modeli czołowych zmierzył koszt kolektywu na poziomie około $2.98/Mtok, czyli mniej więcej 100x taniej niż niezweryfikowana ścieżka kolektywu i w tym samym rzędzie wielkości co ceny pojedynczego modelu.

Każda odpowiedź niesie ailin_metadata.final_decider_model_id, czyli dokładny model, który stworzył Twoją odpowiedź, a do tego final_decider_role (primary, synthesizer, fallback lub cache) i pełną tablicę subcalls[] wymieniającą każdego uczestnika wraz z jego kosztem, opóźnieniem i wynikiem. Jeśli eskalujesz problem z jakością do dostawcy, liczy się właśnie ten identyfikator, a nie „API Ailin¹”. Jeśli musisz odtworzyć, dlaczego decyzja wielomodelowa wypadła tak, a nie inaczej, włącz zapisywany ślad koordynacji: GET /v1/collective/runs/:id/trace zwraca oś czasu każdej fazy z dokładnością do milisekund, a mechanizm jest tak zbudowany, że jeden najemca nigdy nie może potwierdzić, że przebieg innego najemcy w ogóle istnieje: zapytanie o cudzy identyfikator przebiegu zwraca ten sam błąd 404, co przebieg, który nigdy nie został utworzony.

Dowody & zaufanie

W benchmarku złożonym z 10 obiektywnie weryfikowalnych zadań (odpowiedzi sprawdzalne maszynowo, a nie kwestia gustu), uruchomionym 38 razy, strategia konsensusu połączona z deterministycznym weryfikatorem odpowiadała poprawnie w 37 na 38 przypadków w naszej własnej ewaluacji, wobec 68 do 82% dla pojedynczych modeli czołowych testowanych obok niej (GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro, Grok 4.3). We wszystkich trzech rundach weryfikator ani razu nie wybrał obiektywnie błędnej odpowiedzi. Bez niego pozostałe strategie kolektywne wracają do tego samego przedziału co pojedyncze modele flagowe, więc przewaga wynika z weryfikatora, a nie z dodatkowych modeli. Zgłoszony wynik można przeliczyć na podstawie opublikowanych surowych wyników i skryptu weryfikującego. Uruchom go sam, zamiast wierzyć nam na słowo.

Nie, Twoje surowe prompty nie. Potok eksportu danych treningowych nigdy nie dotyka treści promptów: eksportuje wyłącznie zanonimizowane metadane operacyjne (użytą strategię, koszt, opóźnienie, wyniki jakości), z identyfikatorami śladu haszowanymi za pomocą SHA-256 z dodatkiem tajnego „pieprzu” (pepper) i skracanymi do 16 znaków, a identyfikatory Twojej organizacji i użytkowników są usuwane, zanim cokolwiek trafi do przygotowania. Jeśli ten „pieprz” nie jest skonfigurowany, zadanie eksportu odmawia uruchomienia zamiast eksportować niechronione dane.

Uwierzytelnianie, izolacja najemców, egzekwowanie limitów, routing filtrowany po możliwościach i śledzenie zapytań działają dziś przy każdym wywołaniu. To już działa, podobnie jak zgodność w łańcuchu dostaw i zgodność licencyjna: punkty końcowe zgodności z sekcją 13 AGPL (/source, /license), pochodzenie wydania SLSA/Sigstore oraz SBOM w formacie SPDX towarzyszą każdemu wydaniu. Czego jeszcze nie ma: formalnej certyfikacji. SOC 2 i ISO 27001 są w toku, nie certyfikowane, więc jeśli Twój dział zakupów potrzebuje konkretnego poświadczenia, zapytaj swój zespół obsługi klienta, zamiast wywnioskować je z materiałów marketingowych, także naszych. Nie musisz też wierzyć nam na słowo w żadnej z tych kwestii: silnik koordynacji stojący za liczbami na tej stronie jest publicznie dostępny pod adresem github.com/ailinone/collective-intelligence (AGPL-3.0-or-later), a skrypty benchmarku i surowe dane znajdują się w repozytorium.

Przekonaj się sam

Następna granica AI jest zbiorowa i powinna być budowana w pełni otwarcie. W naszym własnym benchmarku zweryfikowany konsensus poprawnie odpowiedział w 37 na 38 obiektywnie weryfikowalnych zadań, wobec 68 do 82% dla izolowanych modeli czołowych, i ani razu nie wybrał błędnej odpowiedzi. Dokumentacja obejmuje pełną powierzchnię API. Repozytorium zawiera sam silnik koordynacji, skrypty benchmarku i surowe dane stojące za tym wynikiem.

Wczesny dostęp Buduj z inteligencją zbiorową ⭐ Postaw gwiazdkę Collective Intelligence na GitHub