בעידן שבו מודלי AI ענקיים דורשים משאבי חומרה אדירים, חוקרים מציגים את פרוטוקול NSED – תערובת-מודלים (MoM) שיוצרת מודלים מורכבים מתוך סוכנים מומחים שונים. הפרוטוקול הזה שובר את התלות בשערי קבועים כמו ב-MoE מסורתי ומשתמש במתווך מומחיות דינמי שמטפל בבחירת מודלים כווריאציה של בעיית התרמיל, בהתבסס על טלמטריה חיה ומגבלות עלות. זה מאפשר אופטימיזציה בזמן אמת שמקצה תפקידים פונקציונליים לצ'קפוינטים הטרוגניים.
בשכבת הביצוע, NSED מפורמל את ההתלבטות כרשת נוירונים רקורנטית (RNN) בקנה מידה מאקרו, שבה מצב הקונצנזוס חוזר דרך שער שכחה סמנטי לאפשר חידוד איטרטיבי ללא הגדלת VRAM פרופורציונלית. הרכיבים המרכזיים כוללים בד תזמורת לביקורת עמיתים ללא אמון N-to-N, פונקציית הפעלה של הצבעה ריבועית לקונצנזוס לא-ליניארי, ועדכון מצב מונע משוב. הפרוטוקול הזה יוצר יעילות חומרה חדשה ומאפשר שימוש במודלים צרכניים קטנים.
בדיקות אמפיריות על אתגרי AIME 2025 ו-LiveCodeBench מראות כי אנсамבלים של מודלים קטנים (פחות מ-20B פרמטרים) תואמים או עולים על ביצועי מודלים מתקדמים של 100B+ פרמטרים. בנוסף, בדיקות על חבילת הבטיחות DarkBench חושפות תכונות יישור פנימיות, כאשר תיקון על ידי עמיתים מפחית ציוני סיקופנטיה מתחת לרמת כל סוכן בודד. זה מציב גבול יעילות חדש.
המשמעות העסקית של NSED היא עצומה: חברות ישראליות בתחום ה-AI יכולות כעת לבנות מערכות חזקות ללא השקעה במערכות יקרות. בהשוואה ל-MoE סטטי, הגישה הדינמית מאפשרת התאמה טובה יותר למשימות ספציפיות ומפחיתה עלויות תפעול. זה פותח דלתות לאוטומציה מתקדמת בעסקים, במיוחד בסביבות עם מגבלות חומרה.
מה זה אומר למנהלי עסקים? NSED מציע ארביטראז' חומרה שמאפשר תחרותיות עם מודלים גדולים בעלויות נמוכות. כדאי לבחון שילוב שלו בפרויקטי AI פנימיים כדי לשפר ביצועים ובטיחות. האם הגיע הזמן לשדרג את תשתית ה-AI שלכם?