Modelle, die Reasoning ausschließlich im Tokenraum abbilden, müssten diese enorme Varianz an Fallkonstellationen explizit im Training oder in der nachträglichen Bewertung abdecken. Der dafür notwendige Aufwand wäre exorbitant – nicht als Kritik an Modellen oder dem Tokenraum per se, sondern als strukturelle Limitierung, im Angesicht der kombinatorischen Komplexität realer Prozesse. Es fehlt eine explizite Ebene für funktional-normative Identitäten.
Was wäre, wenn man die funktional-normative Identität von Gedanken aus dem Tokenraum heraus verlagern würde?
Die reale Komplexität lässt sich in der praktischen Anwendung kaum realisieren.
Wortfolgen verdichtet zu Gedanken mit funktionaler Identität, expliziten State, etc.
Beide Verfahren leisten, wofür sie entworfen wurden — aber sie sind nicht darauf ausgelegt, reasoning-intensive, policy-gerahmte Aufgaben mit hoher Fallvarianz systematisch zu beherrschen.
Kein entweder oder sondern sowohl als auch; also Dual-Space dynamisch gekoppelt.
Ex-Ante Alignment (EAA):
Muster und Regeln werden über Training vorab eingeprägt.
Post-Hoc Alignment (PHA):
Ergebnisse werden nachträglich korrigiert, gefiltert oder begrenzt.
In hochvariablen Prozesslandschaften führt dies zwangsläufig zu wachsendem Aufwand, steigender Komplexität und sinkender Zuverlässigkeit.
Es ist stattdessen ein dediziertes Objekt im Reasoning-Prozess, das im Rahmen unserer Arbeiten fünf klar definierte Eigenschaften hat:
1. Textuelle Herkunft:
Es wird aus sprachlichen/tokenbasierten Inhalten erzeugt, ist aber nicht auf sie reduzierbar.
2. Funktional-normative Identität:
Es besitzt eine zweckbezogene, regelgeleitete Bedeutung, die über Semantik
hinausgeht.
Prozessführung muss deswegen aktiv sein, weil es für klassisches ML nicht zugänglich / praktikabel ist.
„Durch diese de facto Nicht-Zugänglichkeit (oder „Kaum-Zugänglichkeit“) für maschinelles Lernen haben wir Gedankenketten daher als einen sequenziellen, aktiv gesteuerten Prozessfluss betrachtet und uns Gedanken darüber gemacht, was eine solche Steuer-Logik leisten können muss.“
Diese Architektur:
Und die Architektur selbst besteht aus den modular gekapselten Funktionsblöcken.
Diese Architektur ist robust, skalierbar & xyz.
👉 Verweis: Architekturebene im Technical Whitepaper
Cognitive Conclusion Models:
Sie ersetzen unstrukturierte Ein-Schritt-Vorhersagen durch einen kontrollierten, validierten reasoning-Prozess.
Damit eignen sie sich besonders für High-Value-Prozesse, in denen Entscheidungen Tragweite haben.
