Sie besitzen Textvektoren und möchten Vektoren eines anderen Teams ergänzen. Beide verwenden Kosinusähnlichkeit, beide haben dieselbe Länge. Es scheint nur noch ein Import in denselben Index zu fehlen.
Beschreiben die Zahlen aber denselben Raum?
Die Ausgabe eines Vektormodells besteht aus gelernten Koordinaten. Dimension 17 eines Modells entspricht nicht von Natur aus Dimension 17 eines anderen. Auch bei ähnlichem Textverständnis kann die Koordinatenschreibweise verschieden sein.
Hier setzt NAC an, Nested Anchor Coordinates aus der ToWow-Forschung: Jede Seite betrachtet gemeinsame Referenzen mit ihrem eigenen Modell und tauscht anschließend die Beobachtungen aus. Ein von Hand berechenbares Beispiel erklärt die Handlung, danach betrachten wir die Partnersuche.
Schon eine Rotation lässt direkte Vergleiche scheitern
Ein zweidimensionales Modell A setzt einen Text auf x = (1, 0). Modell B stellt denselben Text als x′ = (0, 1) dar. Der direkte Kosinusvergleich ergibt 0.
Im Lehrbeispiel hat B jedoch nur den ganzen Raum von A um 90 Grad gegen den Uhrzeigersinn gedreht. Alle Winkel zwischen Texten bleiben erhalten. Interne Suchergebnisse können vollständig übereinstimmen, während der modellübergreifende Vergleich denselben Text als orthogonale Richtungen behandelt.
Nun kommen gemeinsame Referenzen a und b hinzu. In A liegen sie bei (1, 0) und (0, 1), nach der Rotation in B bei (0, 1) und (-1, 0).
Jedes Modell beantwortet zwei Fragen: Wie ähnlich ist der Text zu a, wie ähnlich zu b?
| Modell | Ursprüngliche Textkoordinaten | Kosinus zu a | Kosinus zu b |
|---|---|---|---|
| A | (1, 0) |
1 | 0 |
| B | (0, 1) |
1 | 0 |
Die Originalkoordinaten unterscheiden sich, die Referenzergebnisse sind beide [1, 0]. Ihr Vergleich erkennt die Übereinstimmung dieses Beispiels.
Den Raum drehen und die Zahlen vergleichen
Hier wird nur eine starre Drehung simuliert. Die von realen Modellen gelernten Beziehungen müssen gesondert gemessen werden.
Hier wurde keine Matrix gelernt, die B zurück nach A dreht. Jede Seite berechnet gültige Ähnlichkeiten im eigenen Raum und schreibt sie in gemeinsamer Reihenfolge auf. Ausgetauscht werden Beziehungen zu denselben Gegenständen.
Wie gemeinsame Referenzen zu Koordinaten werden
Eine NAC-Referenz kann ein fester Text oder ein gemeinsam zugängliches Beispiel sein. Das Protokoll bestimmt Menge und Reihenfolge. Jeder Teilnehmer kodiert mit seinem Encoder E den lokalen Inhalt x und die Referenzen a₁…aₘ und erzeugt:
c_E(x) = [cos(E(x), E(a₁)), …, cos(E(x), E(aₘ))]
Position eins bedeutet nun „Beziehung zur ersten Referenz“, Position zwei „Beziehung zur zweiten“. Der native Vektor von A kann 384 Dimensionen und der von B 1,024 besitzen. Berechnen beide dieselben m Referenzen, liefern beide m Beziehungswerte.
Relative Darstellungen haben eine klare Forschungsquelle. Moschella und Kollegen nutzen in Relative Representations, ICLR 2023, Ähnlichkeiten zwischen Beispielen und Ankern zur Darstellung und untersuchen Vergleich latenter Räume sowie Zusammenstecken von Modellkomponenten. NAC übernimmt diese Koordinatenidee und untersucht segmentierte Übertragung, Beziehungsrichtung und Versionsentwicklung für offene Agent-Netze.
Gemeinsame Referenzen klären, wofür eine Zahlenposition steht. Wie viel Semantik erhalten bleibt, hängt von Modellen und Referenzen ab. Die Rotation funktioniert besonders gut, weil sie Winkel bewahrt. Reale Modelle können unterschiedliche Unterscheidungen lernen.
Ein Modell trennt etwa „Geräte ausleihbar“ scharf von „Geräte werden beschafft“, ein anderes ordnet beides dem Gerätethema zu. Gemeinsame Referenzen machen diese Abweichung vergleichbar; ihre Auswirkung auf die Suche muss weiterhin geprüft werden.
Von einer Beziehungstabelle zur Zusammenarbeit
Ein Entwurfsbeispiel: Ein kleines Team erprobt Qualitätskontrolle mit Wärmebildern und braucht zwei Stunden Gerätenutzung samt Betreuung. Ein nahes Labor hat freie Zeiten; ein weiterer Ingenieur sucht ebenfalls eine ähnliche Kamera.
Die Texte der beiden Suchenden können einander am ähnlichsten sein. Gerätename, Versuchsziel und Fachwörter überschneiden sich. Das Labor schreibt vielleicht „Instrumentenplattform“, „kurzzeitiger Zugang“ und „Bedienunterstützung“ und liegt sprachlich weiter entfernt.
Das Signal muss deshalb auch die Rolle des Inhalts ausdrücken. NAC kann lokale Beschreibungen in gerichtete Teile zerlegen: Suche, Angebot und Kontext. „Sucht Gerät“ wird zuerst mit „bietet Gerät“ verglichen. Der andere Suchende kann weiterhin Erfahrung oder Kontakte beitragen, braucht dafür aber einen anderen Kooperationsgrund.
Eine Signalerzeugung lässt sich konkret beschreiben:
- Der lokale Agent wählt relevante Inhalte aus, die für Entdeckung verwendet werden dürfen.
- Das lokale Modell berechnet Beziehungen zu öffentlichen Referenzen.
- Richtung „Suche“, Referenzversion und Gültigkeitsdauer werden ergänzt.
- Der Empfänger vergleicht mit passenden „Angebot“-Teilen und bildet Kandidaten.
Das Netz erhält eine semantisch gerichtete Beziehungsbeschreibung. Passende Zeiten und Geräte lassen sich im weiteren Gespräch ergänzen.
Koordinaten nach Übertragungsbudget entfalten
Ein Entdeckungsnetz kann zunächst günstig grob filtern und erst bei wenigen Kandidaten mehr rechnen. NAC bringt Referenzen deshalb in eine stabile Reihenfolge. Ein kurzer Präfix wird zuerst übertragen und bei Bedarf erweitert.
Beispielsweise werden zunächst 32 Beziehungswerte ausgetauscht und bei einem interessanten Kandidaten auf 128 erweitert. Diese Längen illustrieren das Prinzip. Eine brauchbare Konfiguration muss an Aufgaben gemessen werden: Was übersieht der kurze Präfix, was gewinnt die Erweiterung zurück, welche Rechen- und Übertragungskosten entstehen?
Die Reihenfolge braucht Sorgfalt. Beschreiben die ersten 32 Referenzen ähnliche industrielle Beschaffungsszenarien, trennen sie Kunst- oder Bildungskooperation womöglich schlecht. Ein langer Vektor kann gut sein, sein Anfang aber schlecht. Abschneidbarkeit und Nutzen nach dem Abschneiden sind getrennte Probleme.
Das erklärt die Beziehung zu Matryoshka Representation Learning. Dort macht Training verschiedene Darstellungslängen nützlich. NAC legt die segmentierbare Reihenfolge auf externe Referenzen und erlaubt eigene Encoder. Daraus entsteht eine neue Versuchsfrage: Wie müssen Referenzen ausgewählt und geordnet werden, damit jedes Budget ein brauchbares Signal erhält?
Modelle und Referenzen ändern sich
Ein Gleitkommaarray allein reicht nicht. Der Empfänger braucht Referenzversion, Präfixlänge und Erzeugungszeit. Sonst können gleich lange Arrays verschiedene Fragen beantworten.
NAC überträgt Version und Richtung gemeinsam mit den Koordinaten. Nach einem lokalen Modellwechsel kann der Agent die Beziehungen aus dem Originalmaterial neu berechnen. Neue Referenzmengen verlangen Übergänge: zeitweise beide Versionen erzeugen oder nur ausdrücklich kompatible Knoten vergleichen.
Die interessante Entwurfsentscheidung verschiebt die gemeinsame Abhängigkeit von „alle installieren dasselbe Modell“ zu „alle können dieselben Referenzen beziehen und verstehen“. Die Modellwahl bleibt lokal; Referenzqualität und Weiterentwicklung werden gemeinsame Aufgaben.
Wann sich der Ansatz lohnt
Kann ein gemeinsamer Dienst alle Inhalte kodieren, ist ein gemeinsamer Encoder oft der direkte Ausgangspunkt: ein Raum, einfachere Integration und Suche. Müssen vorhandene Vektoren zwischen Räumen wiederverwendet werden, lassen sich Transformationen lernen. vec2vec untersucht Übersetzung aus Embedding-Verteilungen.
NAC ist dort untersuchenswert, wo Beteiligte lokale Modelle behalten und zugleich eine gemeinsam deutbare, schrittweise detaillierbare Austauschdarstellung brauchen. Suchqualität, Referenzberechnung, Übertragungsvolumen und Wartung nach Modellwechsel gehören in den Vergleich.
ToWow besitzt derzeit Signalentwurf und Referenzimplementierung. Die Wirkung modellübergreifender Entdeckung bleibt offen. Frühere lokale Diagnosen enthielten Ankerkoordinaten und weitere Darstellungen, schlossen aber keine für diese anbieterübergreifende Lösung ausreichende Gesamtevaluation ab. Dieser Text erklärt Mechanismus und Entwurfsgründe.
Gemeinsamer Encoder, gelernte Abbildung und öffentliche Referenzen verteilen Wartungskosten unterschiedlich. NAC belässt Modelle bei den Beteiligten und macht Qualität und Ordnung der Referenzen gemeinsam pflegbar. Ob das eine geeignete Austauschdarstellung ergibt, hängt davon ab, wie viel brauchbaren modellübergreifenden Vergleich dieser Aufwand ermöglicht.
Forschungsmaterial: NAC-Mechanismusakte und aktueller Discovery-Front-Stand; lokale Fundstellen in SOURCE-NOTES.md. Zweidimensionale Koordinaten, Geräteszenario und Präfixe 32/128 dienen der Erklärung und sind keine Modellversuchsergebnisse.