Ha jelenleg két AI modell együttműködik az szöveges formában történik. Az algoritmusok kénytelenek emberi szövegként megformálni a gondolkodási metódusuk eredményeit, de ez egy lassú folyamat, ami közben fontos tényezők veszhetnek el. A kínai Tsinghua egyetem legutóbbi kutatási iratai egy új megoldásról mesélnek, ahol nincs szükség a nyelv használatára.
A Cache-to-Cache (C2C) nevű metodika lényege, hogy egy Fuser nevű program átadja az egyik nyílt forráskódú modellnek a másik által tárolt emlékeket és folyamatokat, majd a fogadó feldolgozza azokat, és így folytatja a munkát. Ez azonban jóval összetettebb, mint elsőre gondolnánk.
Minden modell máshogy tárolja az "emlékeket" előzményeket és fontos adatait, így szükség van szűrőkre, melyek megtalálják az adott folyamathoz leginkább szükséges foszlányokat. A szűrők megjelölik ezeket, a fogadó beépíti azokat a rendszerébe, és így folytatódik a munka. A kutatások szerint a feladatok így kétszer olyan gyorsan készülnek el, mintha az algoritmusok szövegben kommunikálnának. A pontosságuk 14,2 százalékot ugrik, ahhoz képest, mintha egyedül dolgoznának, és 3,1 és 5,4% közötti mértékben növekszik az olyan AI csoportokéhoz képest, melyek emberi nyelvet használnak.
A nagy akadálya a hatékonyságnak a zárt rendszerek helyzete. Nyílt forráskódú LLM-eknél összekapcsolni őket csak tanulása kérdése, de azok a chatbotok, amiket manapság használ a többség (ChatGPT, Gemini, Claude) erre nem lesz lehetőség. Azt ugyanis, hogy ezek a modellek hogyan tárolják az egyes elemeket hét lakat alatt őrzik, így ha csak a cégek össze nem fognak, lehetetlen lesz C2C-ben összekötni őket. A metódus viszont hasznos lesz majd otthoni laborokban, ahol az emberek maguknak futtatnak különböző AI ügynököket.
