30. Juli 2026
Vier Prüfer schlagen meist sechzehn Kopien
Ein neuer Ansatz lässt KI-Modelle mit vier verschiedenen Denkweisen parallel arbeiten. Warum das Gruppendenken knackt und wie du es nachbaust.
Transparenz
Alle Blogeinträge entstehen mit Hilfe von KI und werden von einem Menschen nachbearbeitet und geprüft.
Stell dir einen Ausschuss vor. Alle Mitglieder haben denselben Lebenslauf, denselben Blickwinkel und denselben blinden Fleck. Sie tagen sechzehn Mal. Und sechzehn Mal kommen sie zur gleichen plausiblen, falschen Antwort.
Das klingt nach Verwaltungssatire. Genau so scheitern viele KI-Systeme bei schweren Aufgaben: Sie denken mehrfach nach, aber immer in derselben Spur.
Ein Modell, das mehrmals denselben Fehler macht
Große Sprachmodelle sagen Text Wort für Wort voraus. Für einfache Fragen reicht das. Bei Aufgaben mit vielen Planungsschritten verliert sich eine einzelne Denkspur aber leicht.
Die übliche Gegenmaßnahme heißt Rechnen zur Testzeit. Das Modell darf länger nachdenken, bevor es antwortet. Eine bekannte Variante stellt dieselbe Frage mehrfach und lässt die Antworten abstimmen. Das hilft gegen Zufallsfehler, aber kaum gegen systematische Blindstellen.
Denn wer sechzehnmal denselben Hut trägt, bleibt sechzehnmal blind für denselben Winkel.
Der gemischte Ausschuss
Forscher von Google Cloud stellen in einem Paper vom 22. Juli 2026 einen anderen Ausschuss vor. Er heißt PoTRE und lässt vier Agenten parallel an derselben Frage arbeiten, aber mit verschiedenen Denkformen.
Der erste Agent lebt vom Widerspruch: Einer schlägt etwas vor, ein anderer reißt Löcher hinein, bis nur noch eine belastbare Antwort übrig bleibt. Der zweite plant in Etappen und holt einen Aufseher dazu, wenn die Gruppe im Kreis läuft. Der dritte erzeugt viele Kandidaten und filtert sie. Der vierte denkt schlicht Schritt für Schritt.
Darüber sitzt ein Vorsitzender. Er entscheidet nach Aufgabentyp, nicht nach Lautstärke. Bei festen Antwortformaten wählt er den stärksten Kandidaten. Bei offenen Gutachten fügt er belastbare Teile zusammen. Bei Regelaufgaben prüft er die Logik.
Warum vier und nicht einfach mehr vom Gleichen? Weil Fehler korrelieren. Wenn alle Agenten dieselbe Denkform teilen, verstärken sie dieselben Fehlschlüsse. Der Ausschuss braucht Mitglieder, die unterschiedlich scheitern.
Warum das im Betrieb zählt
Die Zahlen lassen aufhorchen. Auf Humanity's Last Exam, einem schweren akademischen Benchmark mit 2500 Fragen, erreicht PoTRE mit Gemini-3.1-Pro-Preview 49,92 Prozent Trefferquote. Das ist der beste veröffentlichte Wert der Studie.
Interessanter ist der Hebeleffekt: Das kleinere Gemini-3-Flash-Preview schlägt mit dem gemischten Ausschuss auf mehreren Tests das größere Gemini-3-Pro-Preview ohne diesen Aufbau. Hier ersetzt Architektur einen Teil der Rohmasse.
Auf ARC-AGI-2, einem Test für neue visuelle Regeln, verdoppelt Flash mit PoTRE seine Ausgangsleistung fast: von etwa 19 auf 38 Prozent. Der Spektrum-Agent wirkt im Schnitt schwächer, löst aber allein 14 Prozent der Aufgaben, an denen alle anderen scheitern. Er ist der Spezialist im Ausschuss: selten der Star, oft der Retter.
Weniger Stimmen, mehr Treffer
Mehr Agenten bedeuten nicht automatisch endlose Wartezeit. Sie laufen parallel. Die Antwort kommt, sobald das langsamste Mitglied fertig ist, nicht erst nach der Summe aller Laufzeiten.
Tokens sind die Abrechnungseinheit der Modelle, also die Textstücke, die hinein- und herausgehen. Gegen eine einfache Kettenantwort verbraucht der volle Ausschuss grob das Fünfzehnfache. Gegen Ensembles mit vielen gleichen Stichproben schneidet er trotzdem meist besser ab: ähnliche oder weniger Tokens, höhere Trefferquote. Eine Ausnahme gibt es: Bei Gemini-3.1-Pro-Preview auf ARC-AGI-2 liegen sechzehn gleiche Stichproben knapp vorn.
Man darf Mitglieder auch streichen. Je nach Fachgebiet verbessert gezieltes Weglassen die Genauigkeit sogar, weil der Vorsitzende weniger Störsignale bekommt. Die Studie erreicht bei passender Auswahl bis zu 85 Prozent weniger Tokens. Dieser Schnitt gilt aber nur für die jeweilige Domäne, nicht als Universalrezept.
Was du mitnimmst
Wenn dein System bei schweren Fragen immer wieder elegant falsch liegt, ist das Modell oft nicht einfach zu klein. Vielleicht tragen nur alle Prüfer denselben Hut.
Vier unterschiedlich denkende Mitglieder und ein Vorsitzender, der den Aufgabentyp kennt, schlagen meist sechzehn Kopien derselben Meinung. Das ist der Kern.
Soweit zum Ausschuss. Ab hier geht es um parallele Aufrufe, Aggregationsregeln und eine Orchestrierungsskizze. Wenn du keine Agentenpipeline betreibst, kannst du hier aufhören.
So sieht der parallele Lauf aus
Alle vier Mitglieder starten gleichzeitig. Niemand wartet auf den anderen. Erst danach entscheidet der Vorsitzende.
type TaskType = "constrained" | "open-ended" | "rule-based";
type Candidate = {
agent: "debate" | "planning" | "spectrum" | "direct";
answer: string;
rationale: string;
} | null;
async function potre(query: string, taskType: TaskType): Promise<string> {
const [debate, planning, spectrum, direct] = await Promise.all([
adversarialRefinement(query), // bis 5 Runden, sonst Enthaltung
hierarchicalPlanning(query), // Planer → Executor → Verifier (+ Overseer)
spectrumSearch(query, { n: 8 }),
directChain(query),
]);
const pool: Candidate[] = [debate, planning, spectrum, direct]
.filter((c): c is NonNullable<Candidate> => c !== null);
switch (taskType) {
case "constrained":
return selectBestCandidate(query, pool); // HLE-Stil: eine Antwort wählen
case "open-ended":
return qualitativeSynthesis(query, pool); // PRBench: Argumente mergen
case "rule-based":
return neuroSymbolicVerify(query, pool); // ARC: Logik/Code prüfen
}
}Was jedes Mitglied wirklich tut
Der Widerspruchs-Agent braucht einen harten Abschluss. Nur mit explizitem STATUS: APPROVED geht eine Antwort weiter. Nach fünf Runden ohne Freigabe kommt null. Der Ausschuss lässt Unsicheres lieber weg, als es mitzuschleppen.
Der Planungs-Agent zerlegt die Aufgabe in zwei bis drei Teilziele, führt sie aus und prüft das Ergebnis. Bleibt die Spur stecken, verwirft der Overseer die Hypothese und fordert eine neue Strategie. Denselben Bug noch einmal zu polieren, bringt schließlich nichts.
Der Spektrum-Agent startet acht Kandidaten mit Temperatur über null. Bei prüfbaren Regeln fliegen falsche Ausführungen heraus, dann greift die Mehrheitswahl. Bei offenen Fragen urteilt ein Richter-Modell.
Der Direkt-Agent bleibt die Nulllinie: Zero-Shot-Kette bei offenen Fragen, Few-Shot dort, wo Beispiele die Aufgabe erst definieren.
Welche Aggregation wohin gehört
| Aufgabentyp | Typisches Feld | Vorsitzenden-Regel |
|---|---|---|
constrained |
kurze/geschlossene Antworten (HLE) | Kandidaten vergleichen, eine wählen |
open-ended |
Gutachten, Finanzurteil (PRBench) | belastbare Argumente zusammenführen |
rule-based |
Muster/Code (ARC-AGI-2) | Regeln und Ausführung prüfen |
Die Studie zeigt auch den Engpass: Der Ausschuss erzeugt oft genug richtige Spuren, doch der Vorsitzende greift nicht immer die richtige. Bei HLE Open-Book mit Gemini-3.1-Pro-Preview, über den vollen Satz von 2500 Fragen, liegt die Oracle-Grenze bei 64,60 Prozent und die realisierte Trefferquote bei 58,40 Prozent. Die Lücke entsteht bei der Auswahl, nicht bei der Breite.
Was du weglassen darfst
| Domäne | Oft verzichtbar | Effekt laut Studie |
|---|---|---|
| räumliche Regeln (ARC-AGI-2) | Planungs-Agent | etwa 85 Prozent weniger Tokens, Trefferquote steigt |
| Text und Mathe (HLE) | Spektrum-Agent | über 50 Prozent weniger Tokens, Trefferquote bleibt nah |
| HLE, maximale Trefferquote | Direkt-Agent | Vollausschuss wird übertroffen, weil weniger Störsignale |
Dieser Schnitt überträgt sich nicht. Was bei ARC hilft, kann HLE schwächen und umgekehrt. Für unbekannte Aufgaben bleibt der volle Ausschuss die robustere Grundeinstellung.
Flash mit Suche erreicht auf dem text-only-HLE-Teil 55,28 Prozent und liegt damit vor ReThinker (52,2) und Yunque DeepResearch (51,7), obwohl beide schwerere Modelle nutzen. In diesem Test schlägt parallele Breite sequentielle Tiefe.
Was du jetzt tun solltest
- Nimm eine harte Aufgabe, bei der dein System elegant falsch liegt, und starte zwei Spuren mit klar verschiedenen Rollen statt acht gleichen Stichproben.
- Baue Enthaltung ein: keine Freigabe, kein Kandidat im Pool.
- Wähle die Aggregation nach Ausgabeformat, nicht nach Bauchgefühl.
- Miss Tokens und Trefferquote gegen Self-Consistency mit derselben Budgetgrenze.
- Streiche danach das Mitglied, das in deiner Domäne kaum Spezialfälle rettet.
Das Paper erschien 2026 in TMLR. Die Gewichte und Prompts stecken in der Auswertung, nicht in einem fertigen Produkt. Der Ausschuss-Gedanke lässt sich trotzdem heute bauen: vier Rollen, ein paralleler Start und ein Vorsitz, der den Aufgabentyp kennt.