Naukowcy z arXiv opublikowali pracę opisującą COMED - system do sterowania kolaboracją między wieloma modelami LLM w procesie wnioskowania. Problem, który rozwiązuje, dotyczy faktu, że żaden pojedynczy model nie sprawdza się jednakowo dobrze na wszystkich typach zapytań.
Dotychczasowe podejścia miały dwie skrajności: routing, który wybiera jeden model na początek i kończy na tym, lub gęsta kolaboracja, która zapytuje wszystkie modele przy każdym wyzwaniu. Badacze wykazali, że kolaboracja ma nielinearny charakter - może ratować błędy, które żaden model nie rozwiąże samodzielnie, ale też może zepsuć już prawidłowe odpowiedzi. COMED staje pomiędzy tymi podejściami, używając kontrolera do selektywnego zapraszania innych modeli do dyskusji. System ocenia pewność pierwotnej odpowiedzi, margines routera i przeprowadza lekką sondę, aby zdecydować, czy współpraca przyniesie korzyści.
Wyniki są obiecujące: na testach medycznych COMED ulepsza wyniki o +10,7 punktu procentowego, jednocześnie wołając mniej modeli i zużywając mniej tokenów niż pełna kolaboracja. Nawet na teście HLE z modelami granicznych COMED poprawiła GPT-5.5 z 23,1% do 28,1%, przewyższając tradycyjną gęstą kolaborację. To pokazuje, że mądre pytanie o drugą opinię może być lepsze niż albo sztywny routing, albo zawsze konsultowanie się ze wszystkimi modelami.