Više AI tokova može nadmašiti jedan najbolji, ali izbor odgovora i trošak odlučuju ishod

Ključne činjenice

Dodatna izvršavanja mogu otkriti tačne odgovore koje najbolji pojedinačni workflow propušta, ali troše više računarskih resursa i uvode uverljive distraktore koji otežavaju konačni izbor.

Više pokušaja zato nije besplatno poboljšanje: može povećati pokrivenost, ali istovremeno otežati selekciju.

Problem je formulisan kao izbor portfolija workflow-a u kome se istovremeno određuju broj izvršavanja i raspodela pokušaja između tipova workflow-a.

Time se kvalitet odgovora i računarski trošak optimizuju u istom modelu.

Evaluacija obuhvata različite tipove zadataka kako bi se proverilo ponašanje portfolio pristupa van jednog uskog benchmarka.

Autori proučavaju model u kome se pokreće više izvršavanja različitih workflow-a, a konačni odgovor bira tek nakon uvida u njihove izlaze.

Ključni deo problema zato nije samo koje tokove pokrenuti, već i koliko dobro selektor ume da prepozna najbolji izlaz.

Za konačne skupove workflow-a rad daje egzaktne formulacije, relaksacije linearnog programiranja, postupke nasumičnog zaokruživanja i izračunljive sertifikate performansi.

Autori tako nude više nivoa rešavanja problema, od egzaktne optimizacije do praktičnijih aproksimacija.

Za velike implicitne klase workflow-a autori izvode konačno-dimenzioni dual i elipsoidni metod sa pricing oracle-om koji traži workflow-e sa visokom ponderisanom tačnošću umanjenom za ponavljajući računarski trošak.

Cilj je da se veliki prostor mogućih workflow-a pretražuje bez eksplicitnog nabrajanja svakog kandidata.

Pod slabim uslovom, metod prema radu daje skoro optimalno rešenje relaksacije uz polinomno mnogo poziva oracle-u.

To je teorijska garancija za skaliranje optimizacionog pristupa u većim prostorima workflow-a.

Autori predstavljaju okvir za projektovanje portfolija agentic AI workflow-a kada izbor konačnog odgovora nije savršen i računarski trošak nije zanemarljiv.

Rad posmatra više različitih načina rešavanja istog zadatka kao portfolio iz kojeg sistem na kraju mora da izabere jedan odgovor.

Autori kvalitet selektora sažimaju kroz odds-lift indeks i izvode granice za vrednost raznovrsnosti workflow-a.

U modelu korist od više različitih tokova zavisi i od toga koliko selektor može da iskoristi razlike među njihovim izlazima.

Rad navodi da izbor workflow-a sa najboljim prosečnim rezultatom može biti suboptimalan jer različiti workflow-i mogu uspevati na različitim instancama.

Zbog toga autori ne tretiraju prosečno najbolji tok kao automatski najbolju produkcionu strategiju.

U radu arXiv:2609.18126v1 autori polaze od toga da agentic AI sistemi isti zadatak mogu rešavati kroz različite workflow-e koji se razlikuju po strategiji rezonovanja, strukturi provere i računarskom trošku.

Takve razlike znače da jedan workflow ne mora biti najbolji na svakoj pojedinačnoj instanci.