ภูมิปัญญาร่วม: พรมแดนต่อไปของ AI
AI 107,175 โมเดลประสานงานกันภายในโมเดลภูมิปัญญาร่วมเดียว
จาก AI แต่ละตัวสู่ภูมิปัญญาร่วม
AI ใช้ยุคที่ผ่านมาไปกับการทำให้โมเดลแต่ละตัวมีความสามารถมากขึ้น พรมแดนต่อไปคือความเป็นร่วม
โมเดลที่ต่างกันสร้างมุมมองที่ต่างกัน และนี่ไม่ใช่คำโฆษณาลอยๆ ทฤษฎีบทคณะลูกขุนของ Condorcet และทฤษฎีบทการทำนายด้วยความหลากหลายของ Hong และ Page แสดงให้เห็นว่าความหลากหลายที่มีโครงสร้างสามารถเหนือกว่าความเชี่ยวชาญเดี่ยวได้ กลยุทธ์ร่วมที่มีโครงสร้างนำงานวิจัยนั้นมาใช้จริง โมเดลใช้เหตุผลอย่างอิสระ ตรวจสอบไขว้ซึ่งกันและกัน และลงเอยด้วยคำตอบเดียวที่ตรวจสอบได้
เป้าหมายไม่ใช่โมเดลที่มากขึ้น แต่คือปัญญาที่ต่างกันทำงานร่วมกันได้ดีขึ้น
นั่นคือภูมิปัญญาร่วม และ Ailin¹ ใช้งานมันอยู่แล้ว
Ailin¹ Collective: กลไกเบื้องหลังคำกล่าวอ้าง
Ailin¹ ถูกสร้างมาเพื่อภูมิปัญญาร่วม การจัดเส้นทาง การค้นพบ การประสานงาน และการตรวจสอบคือกลไกที่รับใช้สิ่งนี้ จากตัวระบุโมเดลที่ค้นพบได้ 107,175 ตัว แต่ละคำขอจะถูกจัดเส้นทางผ่านหนึ่งใน 32 กลยุทธ์การประสานงานที่ลงทะเบียนไว้ ได้แก่ โมเดลเดียวเมื่อความเร็วคือสิ่งสำคัญ หรือหลายโมเดลที่ประสานกันเพื่อใช้เหตุผล ถกเถียง และตรวจสอบไขว้ซึ่งกันและกันเมื่อความถูกต้องคือสิ่งสำคัญ
การตอบร่วมประกอบด้วยที่มาของการตัดสินใจ เส้นทางการประสานยังคงตรวจสอบได้
- โมเดลใดที่ทำงาน
- กลยุทธ์ร่วมใดประสานพวกมัน
- ต้นทุนร่วมเท่าใด
ทดสอบเทียบกับโมเดลแนวหน้า อย่างเปิดเผย
เราทดสอบส่วนรวมเทียบกับ GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro และ Grok 4.3 โดยตัดสินด้วยคำตอบที่เครื่องตรวจสอบได้อย่างเป็นกลาง ไม่ใช่รสนิยม ในการทดลองที่ตรวจสอบได้และทำซ้ำได้ ส่วนรวมเอาชนะทั้งสี่โมเดล ดูรีโพซิทอรี
Ailin¹ เปิดตัว 15 กันยายน 2026
เข้าร่วมก่อนเปิดให้บริการทั่วไป และร่วมกำหนดทิศทางของรีลีสแรก
Ailin¹ ส่วนรวม
ทุกคำขอวิ่งผ่านแคสเคดการกำหนดเส้นทางเดียวกันก่อนที่จะเรียกโมเดลใดเลย แคสเคดนี้เรียกใช้กลยุทธ์ร่วมที่มีรากฐานจากผลการวิจัยด้านการตัดสินใจแบบกลุ่มที่ผ่านการทบทวนโดยผู้เชี่ยวชาญได้ รวมถึงทฤษฎีบทคณะลูกขุนของ Condorcet และทฤษฎีบทการทำนายด้วยความหลากหลายของ Hong และ Page บอกสิ่งที่คุณต้องการให้ชัด แล้วจะถูกเคารพทันที ไม่บอกอะไรเลย แคสเคดก็จะตัดสินใจเอง
เทคโนโลยีล้ำสมัยไม่ใช่กล่องดำ แต่เป็นคันโยกสองตัวที่คุณควบคุมได้
ชื่อเรียกห้าแบบครอบคลุมทั้งช่วง ตั้งแต่โมเดลเดี่ยวที่ตอบทันที ไปจนถึงฉันทามติจากห้าโมเดล สองฟิลด์อิสระเป็นตัวกำหนดขอบเขต ได้แก่ max_cost คือเพดานขั้นสูง และ quality_target คือพื้นขั้นต่ำ กำหนดฟิลด์ใดฟิลด์หนึ่ง หรือทั้งสองฟิลด์ก็ได้ Ailin¹ Collective จะไม่ข้ามขอบเขตที่คุณกำหนดไว้เลย ไม่ว่าจะเป็นขอบเขตใด
แพลตฟอร์มส่วนใหญ่ยื่นรายการโมเดลให้คุณแล้วเรียกสิ่งนั้นว่าทางเลือก แต่ Ailin¹ ยื่นปุ่มปรับสองปุ่มที่เป็นอิสระต่อกันให้คุณ ไม่ใช่แค่แถบเลื่อนเดียว นั่นคือคำตอบต้องดีแค่ไหน และคุณยอมจ่ายเท่าไรเพื่อให้ได้มา
-
จำกัดค่าใช้จ่าย แล้วปล่อยให้คุณภาพลงตัวเอง
-
รับประกันพื้นขั้นต่ำ แล้วปล่อยให้ค่าใช้จ่ายแปรผันตามความต้องการ
-
ล็อกช่วงที่แน่นอนระหว่างทั้งสอง
| ชื่อเรียก | มุ่งเน้นเรื่อง | ค่าใช้จ่ายโดยทั่วไป | ใช้เมื่อ |
|---|---|---|---|
| ailin-auto | ความเหมาะสมที่สมดุล ตัดสินใจเป็นรายคำขอ | ปกติ | ค่าเริ่มต้น ไม่มีข้อจำกัดอื่นนอกเหนือจากความสมดุลระหว่างค่าใช้จ่ายและคุณภาพ |
| ailin-best | คุณภาพ โดยไม่จำกัดค่าใช้จ่าย | สูงที่สุด | งานที่ความถูกต้องเป็นเรื่องวิกฤต และค่าใช้จ่ายไม่ใช่ข้อจำกัดหลัก |
| ailin-fast | ความหน่วงต่ำ ใช้โมเดลเดียว | ต่ำ | เส้นทางการทำงานแบบโต้ตอบที่มีงบประมาณความหน่วงอย่างเข้มงวด |
| ailin-economy | ค่าใช้จ่าย พร้อมบังคับเพดานตายตัว | ต่ำที่สุด | งานเบื้องหลังที่มีปริมาณสูง |
| ailin-consensus | ความถูกต้องผ่านการตรวจสอบไขว้อย่างอิสระ | สูงกว่า โดยตั้งใจ | ความไม่ถูกต้องที่ไม่ส่งสัญญาณเตือน คือรูปแบบความล้มเหลวที่คุณจ่ายเพื่อกำจัด |
ทุกคำตอบจะคืนที่มาของการตัดสินใจไว้ใน ailin_metadata ได้แก่ strategy_used, models_used และ cost_usd การตัดสินใจจัดเส้นทางจึงตรวจสอบยืนยันได้ แทนที่จะต้องอาศัยความเชื่อถือ
คำขอ: ไคลเอนต์ OpenAI เดิมของคุณ เปลี่ยนเพียงหนึ่งบรรทัด
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}
)การตอบกลับ
{
"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 }
]
}
}Ailin¹ Collective ตัดสินใจอย่างไร: ลำดับชั้นการจัดเส้นทาง
ลำดับชั้นแบบเป็นระดับ ประเมินจากชั้นที่เร็วที่สุดก่อน แต่ละคำขอจะได้ข้อสรุปเร็วที่สุดเท่าที่ปลอดภัย คำขอที่เรียบง่ายจึงจบเร็ว ส่วนคำขอที่ยากกว่าจะดึงชั้นที่ลึกลงไปมาใช้
ก่อนแคสเคด: แคชเชิงความหมาย คำขอที่แทบจะซ้ำกับคำขอล่าสุดจะได้รับคำตอบจากแคชทันที การคัดแยกและทั้ง 6 ชั้นด้านล่างนี้ถูกข้ามไปทั้งหมด ไม่ใช่แค่ลัดขั้นตอน แต่ข้ามไปเลยจริงๆ
-
การจัดเส้นทางแบบระบุชัดเจน
คุณระบุมาแล้ว ไม่ว่าจะเป็นชื่อเรียก โมเดล หรือกลยุทธ์ ชั้นนี้จึงจัดการคำขอได้ทันที และมีผลเหนือทุกชั้นที่อยู่ถัดลงไปเสมอ หากสิ่งที่คุณระบุไม่สามารถตอบสนองได้จริง คำขอจะล้มเหลวทันที แทนที่จะเงียบๆ ตกไปใช้ทางเลือกอื่นแทน
-
การคัดแยก
โมเดลเฉพาะทางหนึ่งตัวอ่านเจตนาและความซับซ้อนของงาน แล้วแนะนำกลยุทธ์ที่เหมาะสมก่อนที่โมเดลใดในส่วนรวมจะเริ่มทำงาน เป็นการวิเคราะห์จริง ไม่ใช่การเปิดตารางอ้างอิง จึงมีค่าใช้จ่ายจากการเรียกใช้งานจริง (แม้จะเล็กน้อย) ของตัวมันเอง
-
คลังการตั้งค่า
ปลดล็อกหลังจากมีผลลัพธ์ที่บันทึกไว้ 5 รายการเมื่อมีผลลัพธ์ที่บันทึกไว้อย่างน้อย 5 รายการสำหรับงานเฉพาะกลุ่มหนึ่ง Ailin¹ Collective จะนำสิ่งที่พิสูจน์แล้วกลับมาใช้ซ้ำ แทนที่จะคำนวณหาใหม่ตั้งแต่ต้น
-
เส้นขอบเขตค่าใช้จ่าย / คุณภาพ / ความหน่วง
ปลดล็อกหลังจากมีผลลัพธ์ที่บันทึกไว้ 3 รายการปรับสมดุลการแลกเปลี่ยนหลายวัตถุประสงค์ (คุณภาพ ค่าใช้จ่าย ความเร็ว อัตราความสำเร็จ) โดยตรง ทันทีที่มีประวัติเพียงพอ แม้จะยังไม่มีการจับคู่กับงานเฉพาะกลุ่มที่พิสูจน์แล้วอย่างแน่ชัดก็ตาม
-
ความชอบกลยุทธ์ที่เรียนรู้ได้
ปลดล็อกหลังจากมีผลลัพธ์ที่บันทึกไว้ 5 รายการThompson Sampling bandit ให้น้ำหนักกลยุทธ์ตามผลลัพธ์จริงที่วัดได้เมื่อเวลาผ่านไป เพื่อปรับปรุงค่าเริ่มต้นของแคสเคดเอง และมันยังตรวจสอบตัวเองด้วย หากอัตราผลตอบแทนที่วัดได้โดยรวมตกลงต่ำกว่า 95% ของสแนปช็อตที่ดีที่สุดเท่าที่เคยบันทึกไว้ bandit จะย้อนสถานะการเรียนรู้ทั้งหมดกลับไปยังสแนปช็อตที่ดีที่สุดที่รู้จักนั้นโดยอัตโนมัติ
-
ฮิวริสติกสำรอง
หากไม่มีชั้นใดข้างต้นตัดสินคำขอได้ ฮิวริสติกแบบให้คะแนนที่ให้ผลแน่นอนจะเลือกกลยุทธ์จากประเภทงาน ความซับซ้อน และกลุ่มโมเดลที่มีให้ใช้ การหาข้อสรุปของกลยุทธ์จะสิ้นสุดลงด้วยการตัดสินใจเสมอ และถูกบันทึกไว้ใน
strategy_used
หลังแคสเคด: ด่านกำกับดูแลต้นทุน ไม่ว่าชั้นที่ 1 ถึง 6 จะเลือกอะไรไว้ก็ตาม เว้นแต่คุณจะจัดเส้นทางแบบระบุชัดเจนไว้แล้ว การตรวจสอบขั้นสุดท้ายอีกครั้งยังคงลดระดับตัวเลือกส่วนรวมที่มีราคาแพงกลับไปเป็นโมเดลเดียวได้ เมื่อผลตอบแทนที่ประเมินไว้ไม่ผ่านเกณฑ์ที่กำหนด มีเพียงคำขอที่ระบุชัดเจนเท่านั้นที่ข้ามการตรวจสอบนี้ได้เช่นกัน
ชั้นที่ 3 ถึง 5 ปลดล็อกอย่างเป็นอิสระต่อกันเมื่อประวัติการใช้งานสะสมมากขึ้นสำหรับงานเฉพาะกลุ่มหนึ่งๆ ตั้งแต่ผลลัพธ์ที่บันทึกไว้ 3 รายการสำหรับเส้นขอบเขตค่าใช้จ่าย/คุณภาพ/ความหน่วง ไปจนถึง 5 รายการสำหรับคลังการตั้งค่าและ Thompson Sampling bandit ของความชอบกลยุทธ์ที่เรียนรู้ได้ จนกว่าจะถึงตอนนั้น ฮิวริสติกแบบให้ผลแน่นอนและตรวจสอบย้อนหลังได้ของชั้นที่ 6 จะเป็นผู้ตัดสินใจแทน ทุกครั้งที่ชั้นที่ 1 และ 2 ยังตัดสินไม่ได้ก่อน
32 กลยุทธ์ มีรากฐานจากงานวิจัย
หลายสิบวิธีที่โมเดลจะคิดร่วมกัน ทุกวิธีตรวจสอบได้ ปัญหาที่ต่างกันได้ประโยชน์จากรูปแบบการให้เหตุผลร่วมที่ต่างกัน
ไม่มีกลยุทธ์ใดที่คิดขึ้นมาลอยๆ ทุกกลยุทธ์ในแคตตาล็อกอ้างอิงผลการวิจัยที่มีชื่อระบุชัดเจนในสาขาการประสานงานหรือการตัดสินใจร่วมหมู่ ไม่ใช่การเดาภายในที่แต่งตัวให้ดูเป็นวิทยาศาสตร์
-
consensus
ทฤษฎีบทคณะลูกขุนของ Condorcet (1785): การลงคะแนนเสียงข้างมากจาก 3 ถึง 5 โมเดล พร้อมเกณฑ์ขั้นต่ำด้านความหลากหลาย เพื่อไม่ให้ความเห็นที่ตรงกันเกิดจากการให้เหตุผลที่ลอกแบบกันมา
-
diversity-ensemble
ทฤษฎีบทการทำนายด้วยความหลากหลายของ Hong และ Page (PNAS, 2004): ประกอบทีมที่ให้ความหลากหลายข้ามมิติสูงสุดตั้งแต่ต้น
-
debate
โมเดลโต้แย้งกันเป็นรอบตามโครงสร้างที่กำหนด โดยมีผู้ดำเนินการอภิปราย
-
swarm-explore
การสำรวจแบบขนาน ระบบคัดแยกเลือกให้อัตโนมัติสำหรับงานออกแบบและสถาปัตยกรรมที่เปิดกว้าง
-
stigmergic-refinement
การบรรจบกันผ่านชิ้นงานร่วม แทนการลงคะแนน ระบบคัดแยกเลือกให้อัตโนมัติสำหรับงานเขียนที่ซับซ้อนสูง
-
expert-panel
การตรวจทานอย่างอิสระจากหลายบทบาทก่อนส่งคำตอบออกไป เรียกใช้โดยตรงได้สำหรับคำขอที่ต้องการการตรวจสอบเข้มข้น
-
tri-role-collective
Planner, Solver, Auditor คือเครื่องจักรสถานะ (state machine) แบบให้ผลแน่นอน ไม่ใช่ตัวประสานงานที่ผ่านการฝึกฝน และถูกออกแบบเชิงโครงสร้างเพื่อกันไม่ให้ Auditor เป็นโมเดลตัวเดียวกันหรือรอบการให้เหตุผลเดียวกันกับที่เพิ่งสร้างคำตอบในบทบาท Solver
- +อีก 25 กลยุทธ์
คุณไม่ได้เลือกโมเดล Ailin¹ ส่วนรวมเป็นผู้เลือก
ความเรียบง่ายเมื่องานง่าย ความลึกเมื่อไม่ใช่ คุณกำหนดขอบเขต Ailin¹ ส่วนรวมตัดสินใจภายในนั้น และมีฟิลด์เดียวที่แทนที่ได้เสมอ
คุณไม่ต้องตัดสินใจเลยว่าคำขอหนึ่งต้องใช้โมเดลเดียวหรือห้าโมเดล ทุกคำขอจะผ่าน Ailin¹ Collective ซึ่งเป็นลำดับชั้นการจัดเส้นทางเดียวกับที่อยู่เบื้องหลัง ailin-auto ก่อนที่จะมีการเรียกใช้โมเดลใดโมเดลหนึ่ง รู้อยู่แล้วว่าต้องการอะไร? ระบุมาได้เลย ไม่ว่าจะเป็นชื่อเรียกอย่าง ailin-fast โมเดลที่เจาะจง หรือ strategy: "single" แล้ว Ailin¹ Collective จะทำตามทันที ไม่มีการต่อรอง ไม่มีความหน่วงเพิ่ม หากไม่ระบุอะไรเลย ลำดับชั้นนี้จะอ่านตัวงานเองแล้วเลือกรูปแบบที่เหมาะกับงานนั้น การรันโมเดลเดียวผ่าน Ailin¹ ไม่ใช่ทางสำรองหรือการลดระดับ แต่เป็นเส้นทางชั้นหนึ่งที่ Ailin¹ Collective เลือกใช้อยู่ตลอดโดยตั้งใจ
โมเดลเดียว
น้ำเสียงเดียวที่สอดคล้องกันตลอดทาง ต้นทุนต่ำกว่า เวลาแฝงต่ำกว่า และเข้าถึงได้เท่ากับทางเลือก
ailin-fast
ส่วนรวมหลายโมเดล
ผู้เสนออิสระทำงานขนานกัน ถูกตรวจสอบและประสานโดยผู้สังเคราะห์ก่อนที่คุณจะเห็นคำตอบเดียว เพื่อให้ความไม่ลงรอยถูกจับก่อนถึงคุณ ไม่ใช่หลังจากนั้น
ailin-consensus
งานสร้างสรรค์และการรีแฟกเตอร์ล่ะ
ในงานที่ตรวจสอบความถูกต้องได้อย่างเป็นกลาง คือคำตอบที่เครื่องตรวจสอบได้ ไม่ใช่การตัดสินด้วยรสนิยม ส่วนรวมคือฝ่ายที่ชนะ ในงานสร้างสรรค์แบบปลายเปิด โมเดลเดียวที่เลือกมาอย่างดีก็ชนะได้อย่างชัดเจนไม่แพ้กัน นี่คือเหตุผลที่การคัดแยก (triage) มีอยู่โดยเฉพาะ แคสเคดนี้ไม่ได้ถัวเฉลี่ยข้ามประเภทงาน แต่แยกแยะระหว่างประเภทงานเหล่านั้นต่างหาก งานสร้างสรรค์ใช้โมเดลเดียวเป็นค่าเริ่มต้น งานที่ตรวจสอบได้ใช้ส่วนรวม
คุณไม่ต้องท่องจำว่าเมื่อไรควรใช้แบบเรียบง่ายและเมื่อไรควรใช้แบบละเอียด คุณบอกเท่าที่คุณรู้ Ailin¹ Collective เติมส่วนที่คุณไม่ได้บอก และการสั่งแทนที่ก็อยู่ห่างออกไปเพียงหนึ่งฟิลด์เสมอ
โมเดลนับพัน มีเพียงตัวที่ใช่เท่านั้นที่ถูกเรียกใช้งาน
ส่วนรวมคือความได้เปรียบ
การเข้าถึงโมเดลที่มากขึ้นไม่ใช่ความก้าวหน้า สิ่งที่สำคัญคือสิ่งที่เกิดขึ้นเมื่อปัญญาที่ต่างกันสามารถทำงานร่วมกันได้ Ailin¹ เปลี่ยนระบบนิเวศของตัวระบุโมเดล 107,175 ตัว ที่ค้นพบอย่างต่อเนื่อง ให้กลายเป็นส่วนรวม จากนั้นกระตุ้นเพียงส่วนย่อยที่แต่ละกลยุทธ์ต้องการ
-
ใหม่อยู่เสมอ
โมเดลที่เพิ่งเผยแพร่จะถูกจัดทำดัชนีในรอบการค้นพบเดียวกับที่มันปรากฏ โดยไม่ต้องรอรอบการปล่อยเวอร์ชัน
-
ครอบคลุมสเปกตรัมเต็ม
ข้อความ การมองเห็น เสียง และเอมเบดดิ้งในแคตตาล็อกเดียวกัน หลังเอนด์พอยต์เดียวกัน
ทำไมปัญญาจึงทรงพลังยิ่งขึ้นเมื่อกลายเป็นส่วนรวม
AI ถูกสร้างขึ้นรอบโมเดลแต่ละตัว พรมแดนต่อไปของมันคือความเป็นร่วม โมเดลแต่ละตัวอาจมีความสามารถยิ่งใหญ่ แต่ละตัวยังสะท้อนสถาปัตยกรรม ประวัติการฝึก จุดบอด และรูปแบบความล้มเหลวของตนเอง ภูมิปัญญาร่วมช่วยให้โมเดลอิสระสร้างมุมมองที่ต่างกัน ท้าทายข้อสันนิษฐาน ชำนาญเฉพาะทาง เปรียบเทียบทางเลือก และตรวจสอบผลเมื่องานรองรับ สิ่งที่ตามมาไม่ใช่รายการความปรารถนา แต่เป็นกลไกห้าอย่างที่ทำงานอยู่แล้วในระบบจริง ไม่ใช่แผนงานในอนาคต
ต้นทุนใกล้เคียงโมเดลเดียว เมื่อมันสำคัญ
ในงานที่เครื่องตรวจสอบได้ ตัวตรวจสอบแบบให้ผลแน่นอนจะยอมรับคำตอบที่ถูกต้องทันทีและตัดตอนส่วนที่เหลือของส่วนรวมออกไป ทำให้ต้นทุนของงานเหล่านั้นใกล้เคียงกับโมเดลเดียวมากกว่าส่วนรวมทั้งหมด ซึ่งเป็นจุดที่ความได้เปรียบด้านความแม่นยำของส่วนรวมแข็งแกร่งที่สุดพอดี
ความยืดหยุ่น
การขัดข้องของผู้ให้บริการหนึ่งไม่จำเป็นต้องกลายเป็นการขัดข้องของคุณ ส่วนรวมจัดเส้นทางหลบโมเดลที่เสื่อมสภาพและความล้มเหลวได้ด้วยตัวเอง และทุกคำตอบยังคงมีที่มาของการตัดสินใจติดมาด้วยเสมอ ได้แก่ กลยุทธ์ใดที่ทำงาน โมเดลใดที่ใช้ และมีค่าใช้จ่ายเท่าใด
ความหลากหลายโดยโครงสร้าง
ผู้ให้บริการ สถาปัตยกรรม และวัตถุประสงค์การฝึกถูกแยกออกจากกันด้วยการเลือกแบบหมุนเวียน (round-robin) ทำให้โมเดลที่ทำงานต่อเนื่องกันในการรันครั้งหนึ่งไม่มีทางใช้ผู้ให้บริการรายเดียวกัน นี่คือทฤษฎีบทการทำนายด้วยความหลากหลายของ Hong และ Page ที่ถูกฝังไว้ในชั้นการจัดเส้นทางโดยตรง ไม่ใช่ความหวังลอยๆ ว่าข้อมูลการฝึกที่ต่างกันจะบังเอิญขัดแย้งกันอย่างมีประโยชน์ มันช่วยเผยจุดบอด แต่ไม่ได้รับประกันว่าจะกำจัดจุดบอดเหล่านั้นได้ทั้งหมด
ลดการพึ่งพาผู้ให้บริการเดียว
ส่วนรวมครอบคลุมผู้ให้บริการหลายราย ดังนั้นแผนงาน ราคา หรือนโยบายของผู้ให้บริการรายเดียวไม่อาจกำหนดผลิตภัณฑ์ของคุณแต่ผู้เดียว
ความชำนาญเฉพาะทางแบบพลวัต
ผู้ชำนาญที่เหมาะกับงานที่เหมาะสม: การให้เหตุผล โค้ด การมองเห็น บริบทยาว หรือเวลาแฝงต่ำ ถูกเลือกแบบเรียลไทม์ในทุกคำขอ
คำถามที่พบบ่อย
คำตอบตรงไปตรงมา พร้อมฟิลด์ ไฟล์ หรือตัวเลขที่อยู่เบื้องหลังแต่ละข้อ
การเชื่อมต่อ & พื้นฐาน
chat/completions, responses, embeddings, models) ใช้แทนกันได้ทันที พร้อมบล็อก ailin_metadata ที่เพิ่มเข้ามาเพื่อบอกที่มาของการตัดสินใจ เพียงชี้ไคลเอนต์เดิมของคุณไปที่ปลายทางของ Ailin¹ เปลี่ยนเฮดเดอร์การยืนยันตัวตน แล้วรูปแบบคำขอเดิมก็ใช้งานได้เลยAilin¹ ส่วนรวม & กลยุทธ์
ailin-auto (ค่าเริ่มต้นที่สมดุล ปล่อยให้ลำดับชั้นตัดสินใจ), ailin-best (คุณภาพมาก่อน ไม่จำกัดค่าใช้จ่าย), ailin-fast (ความหน่วงต่ำมาก่อน ใช้โมเดลเดียว), ailin-economy (ค่าใช้จ่ายมาก่อน พร้อมบังคับเพดานตายตัว), ailin-consensus (ความถูกต้องผ่านการตรวจสอบไขว้อย่างอิสระ) เริ่มต้นด้วย ailin-auto แล้วค่อยเลือกแบบอื่นเมื่อคุณรู้บางอย่างที่ตัวจัดเส้นทางไม่รู้<strategy>:<tier> เช่น consensus:large เพื่อล็อกกลไกและระดับราคาที่แน่นอนailin-fast, strategy: "single") และฟิลด์เดียวกันนั้นก็ให้การตรวจสอบอย่างอิสระจากหลายโมเดลแก่คุณได้ (expert-panel, tri-role-collective) หากนั่นคือสิ่งที่คุณต้องการจริงๆต้นทุน & ความรับผิดชอบ
max_cost จำกัดเพดานค่าใช้จ่ายแบบตายตัวก่อนที่จะมีการเรียกโมเดลใดๆ หากค่าใช้จ่ายที่ประเมินไว้ของกลยุทธ์ที่จะทำงานเกินเพดานนั้น คำขอจะล้มเหลวด้วย 400 strategy_budget_exceeded แทนที่จะใช้จ่ายเกินอย่างเงียบๆ quality_target คือพื้นขั้นต่ำที่จับคู่กัน ทุกคำตอบจะรายงานตัวเลขจริงกลับมาที่ ailin_metadata.cost_usd พร้อมรายละเอียดแยกเป็นรายการ กลยุทธ์แบบหลายโมเดลมีค่าใช้จ่ายสูงกว่าโมเดลเดียวอย่างมีนัยสำคัญ สำหรับงานที่เครื่องตรวจสอบได้ (การสกัดข้อมูลแบบมีโครงสร้าง คณิตศาสตร์ โค้ดที่มีชุดทดสอบ คำถามข้อเท็จจริง) ส่วนต่างของราคานั้นแทบจะหายไป เมื่อกลไกตัดตอนแบบให้ผลแน่นอนของกลยุทธ์ที่ผ่านการตรวจสอบทำงาน เบนช์มาร์กล่าสุดของเราวัดต้นทุนของส่วนรวมได้ประมาณ $2.98/Mtok ถูกกว่าเส้นทางที่ไม่ผ่านการตรวจสอบของส่วนรวมราว 100x และอยู่ในอันดับขนาดเดียวกับราคาของโมเดลเดียวailin_metadata.final_decider_model_id ซึ่งระบุโมเดลที่สร้างคำตอบของคุณอย่างแม่นยำ พร้อมด้วย final_decider_role (primary, synthesizer, fallback หรือ cache) และอาร์เรย์ subcalls[] แบบเต็มที่ระบุผู้เข้าร่วมทุกตัวพร้อมค่าใช้จ่าย ความหน่วง และผลลัพธ์ของแต่ละตัว หากคุณต้องยกระดับปัญหาด้านคุณภาพไปยังผู้ให้บริการ ตัวระบุนั้นคือสิ่งที่สำคัญ ไม่ใช่คำว่า "Ailin¹ API" หากคุณต้องสร้างใหม่ว่าทำไมการตัดสินใจแบบหลายโมเดลถึงออกมาเป็นแบบนั้น ให้เปิดใช้งานร่องรอยการประสานงานที่บันทึกไว้ GET /v1/collective/runs/:id/trace จะคืนไทม์ไลน์ระดับมิลลิวินาทีของทุกขั้นตอน และถูกออกแบบมาให้ผู้เช่ารายหนึ่งไม่มีทางยืนยันได้เลยว่าการรันของผู้เช่ารายอื่นมีอยู่จริงหรือไม่ การค้นหาด้วยรหัสการรันของคนอื่นจะได้ผลลัพธ์ 404 แบบเดียวกับการรันที่ไม่เคยถูกสร้างขึ้นมาเลยหลักฐาน & ความไว้วางใจ
/source, /license) ที่มาของการรีลีสแบบ SLSA/Sigstore และ SBOM รูปแบบ SPDX ที่มาพร้อมกับทุกการรีลีส สิ่งที่ยังไม่เสร็จ: การรับรองอย่างเป็นทางการ SOC 2 และ ISO 27001 อยู่ระหว่างดำเนินการ ยังไม่ได้รับการรับรอง ดังนั้นหากฝ่ายจัดซื้อของคุณต้องการเอกสารรับรองเฉพาะ ให้สอบถามทีมดูแลบัญชีของคุณ แทนที่จะสันนิษฐานเอาจากเอกสารการตลาด รวมถึงของเราเองด้วย และคุณไม่จำเป็นต้องเชื่อคำพูดของเราเลยแม้แต่ข้อเดียว เอนจินการประสานงานที่อยู่เบื้องหลังตัวเลขบนหน้านี้เปิดเผยต่อสาธารณะที่ github.com/ailinone/collective-intelligence (AGPL-3.0-or-later) พร้อมสคริปต์เบนช์มาร์กและข้อมูลดิบช่วยสร้างยุคส่วนรวมของ AI
พรมแดนต่อไปของ AI คือความเป็นร่วม และควรสร้างขึ้นอย่างเปิดเผย ในเบนช์มาร์กของเราเอง ฉันทามติที่ผ่านการตรวจสอบตอบถูกต้อง 37 จาก 38 งานที่ตรวจสอบความถูกต้องได้อย่างเป็นกลาง เทียบกับ 68 ถึง 82% ของโมเดลชั้นแนวหน้าเดี่ยว และไม่เคยเลือกคำตอบที่ผิดแม้แต่ครั้งเดียว เอกสารครอบคลุมพื้นผิว API ทั้งหมด พื้นที่เก็บโค้ดมีเอนจินประสานงาน สคริปต์เกณฑ์มาตรฐาน และข้อมูลดิบเบื้องหลังผลลัพธ์นั้น