Lösung einer Million-Schritte-LLM-Aufgabe ohne Fehler

papers.abstract

Große Sprachmodelle (LLMs) haben bemerkenswerte Durchbrüche in den Bereichen logisches Denken, Erkenntnisgewinnung und Werkzeugnutzung erzielt, doch die Verkettung dieser Fähigkeiten zu erweiterten Prozessen in einer Größenordnung, wie sie routinemäßig von Menschen, Organisationen und Gesellschaften ausgeführt werden, blieb bisher unerreicht. Die Modelle weisen eine anhaltende Fehlerrate auf, die eine Hochskalierung verhindert: So zeigten beispielsweise jüngste Experimente im Benchmark-Bereich "Türme von Hanoi", dass der Prozess nach spätestens einigen hundert Schritten unweigerlich entgleist. Obwohl die LLM-Forschung daher oft noch an Aufgaben mit relativ wenigen abhängigen logischen Schritten gemessen wird, richtet sich die Aufmerksamkeit zunehmend auf die Fähigkeit (oder Unfähigkeit) von LLMs, langreichweitige Aufgaben zu bewältigen. Dieses Papier beschreibt MAKER, das erste System, das eine Aufgabe mit über einer Million LLM-Schritten fehlerfrei löst und prinzipiell weit über dieses Niveau hinaus skaliert. Der Ansatz beruht auf einer extremen Zerlegung einer Aufgabe in Teilaufgaben, die jeweils von spezialisierten Mikroagenten bearbeitet werden können. Der durch die Zerlegung erreichte hohe Modularitätsgrad ermöglicht eine Fehlerkorrektur in jedem Schritt durch ein effizientes Multi-Agenten-Abstimmungsverfahren. Diese Kombination aus extremer Zerlegung und Fehlerkorrektur macht die Skalierung möglich. Die Ergebnisse deuten somit darauf hin, dass massiv zerlegte agentenbasierte Prozesse (MDAPs) anstelle einer kontinuierlichen Verbesserung aktueller LLMs einen Weg zur effizienten Lösung von Problemen auf der Ebene von Organisationen und Gesellschaften bieten könnten.

English

LLMs have achieved remarkable breakthroughs in reasoning, insights, and tool use, but chaining these abilities into extended processes at the scale of those routinely executed by humans, organizations, and societies has remained out of reach. The models have a persistent error rate that prevents scale-up: for instance, recent experiments in the Towers of Hanoi benchmark domain showed that the process inevitably becomes derailed after at most a few hundred steps. Thus, although LLM research is often still benchmarked on tasks with relatively few dependent logical steps, there is increasing attention on the ability (or inability) of LLMs to perform long range tasks. This paper describes MAKER, the first system that successfully solves a task with over one million LLM steps with zero errors, and, in principle, scales far beyond this level. The approach relies on an extreme decomposition of a task into subtasks, each of which can be tackled by focused microagents. The high level of modularity resulting from the decomposition allows error correction to be applied at each step through an efficient multi-agent voting scheme. This combination of extreme decomposition and error correction makes scaling possible. Thus, the results suggest that instead of relying on continual improvement of current LLMs, massively decomposed agentic processes (MDAPs) may provide a way to efficiently solve problems at the level of organizations and societies.

Lösung einer Million-Schritte-LLM-Aufgabe ohne Fehler

Solving a Million-Step LLM Task with Zero Errors

papers.abstract

Support