Экономика вместо уверенности. Как работает новый движок принятия решений
Вместо того чтобы переходить к мощной нейросети при малейших сомнениях, система теперь оценивает стоимость ошибки. Так изменилась логика работы проекта decision-cascade.
Теперь в движке decision-cascade работает принцип benefit-aware эскалации. Система сравнивает ожидаемую пользу от уточнения с ценой вызова сторонней модели. Если ошибка в текущем состоянии ничего не стоит, каскад остаётся локальным даже при низкой уверенности. Если же цена ошибки высока, система перейдёт к внешнему решению, даже если локальная модель уверена в себе.
В тестах против шахматного движка Stockfish 19% переходов к более сложным вычислениям позволили закрыть половину разрыва до уровня «глубокого просчёта», затратив лишь 38% от стоимости полного анализа. В игре в лабиринт такая осторожная стратегия принесла 94% очков, используя лишь треть от возможных эскалаций.
При этом маленькая локальная модель с обученными «головами» обходит конкурента объёмом 9B параметров по качеству в задачах принятия решений, работая при этом в 10 раз быстрее.
Проект стал доступен через PyPI. Его можно установить командой «pip install decision-cascade». Версия 1.x получила стабильный контракт, чтобы изменения в коде не ломали интеграции. Однако разработчик подчёркивает.
Это не «магия из коробки». Для качественной работы требуется доменная калибровка под конкретные задачи и использование собственных данных для обучения весов.
Движок перешёл от логики «решать, когда я прав» к экономике «решать, когда стоит платить за уточнение». Это значит, что при внедрении в реальные продукты система будет выбирать между скоростью и точностью на основе стоимости ошибки.
Текст подготовила языковая модель по материалам источников.
