Att använda modeller från mer än en leverantör är inte obeslutsamhet. Det är samma princip som ligger bakom att ha en baslinje: två oberoende bedömningar avslöjar mer än en.
Var det används
Andrahandsbedömning på resonemang. När en metodfråga är svår ställs den till mer än en modell. Ger de olika svar är det en signal om att frågan är oklar formulerad eller att området är genuint omtvistat. Båda är värda att veta.
Codex för avgränsade uppgifter. Väl definierade implementationsuppdrag med tydliga acceptanskriterier: portera en funktion, täck ett gränsfall med test, rätta ett fel med känd reproduktion.
Kunskap om plattformen. Bygger ett uppdrag på OpenAI:s modeller är det rimligt att kunna dem på djupet. Det är en del av att kunna ge råd om LLM-integration utan att luta åt en leverantör av vana.
Varför flera leverantörer
Modellerna gör olika sorters fel. De har tränats olika, är avstämda olika, och har olika benägenhet att låta säkra när de inte är det.
I praktiken betyder det att en modell som är säker på något felaktigt sällan möter en annan som är lika säker på samma felaktighet. Oenighet är därför en användbar varningssignal, och den är gratis att få.
Det är samma resonemang som gäller för ensemblemodeller, och det gäller av samma skäl.
Vad det inte ersätter
Samma begränsning som för alla assistenter: de hjälper minst där arbetet är svårast. Att avgöra vilket beslut som ska förbättras, om datan bär frågan, och om ett resultat är för bra för att vara sant: det är omdöme, inte hämtning.
Er data
Samma villkor som för alla assistentverktyg. Kunddata går inte in i dem utan att ni bestämt det först, och normalfallet är att de används på kod och struktur snarare än på era datamängder. Se så jobbar jag.