LLM Council сейчас действительно выглядит как один из самых удачных паттернов для работы с ИИ. Идея простая, но сильная - вместо того чтобы доверять одному ответу одной модели, вы собираете несколько независимых мнений, заставляете их критиковать друг друга и только потом синтезируете итог. На фоне роста сложности запросов это уже не игрушка, а вполне рабочий способ повысить качество ответов. Но у этой схемы есть важный предел. Если просто собрать несколько ответов в одном и том же семействе моделей, реального разнообразия может оказаться меньше, чем кажется. Именно здесь и появляется смысл подхода - он не просто повторяет LLM Council, а добавляет к нему ещё два слоя, которые делают систему заметно сильнее для серьёзных задач. Почему обычный совет моделей не всегда спасает Идея использовать несколько моделей вместо одной звучит очевидно, но на практике всё сложнее. Модели часто обучены на похожих данных, оптимизированы под похожие паттерны и в итоге склонны выдавать очень близкие по духу ответы. Формально это разные системы, но по поведению они могут быть удивительно похожи. Ещё одна проблема - self-preference bias. Когда одна и та же модель оценивает ответы, сгенерированные ей же, она не всегда может честно отличить качество от собственного стиля. Получается парадокс. Модель может считать свой ответ лучшим просто потому, что он похож на её собственный шаблон мышления. Для реальных решений это опасно, потому что создаёт иллюзию объективности там, где её на самом деле нет. Что сделал Леман Оле Леман пошёл по более лёгкому пути - он перестроил совет внутри Claude и заменил четыре модели на пять стилей мышления. Для мозгового штурма это действительно удобно. Вы не платите за доступ к нескольким разным системам, но получаете несколько аналитических линз, которые помогают посмотреть на проблему под разными углами. Это хороший вариант, если стоит задача быстро сгенерировать идеи, собрать гипотезы или устроить первичный разбор. Но у этого решения есть ограничение - стили мышления не равны настоящему модельному разнообразию. Один и тот же базовый интеллект, даже с разными рамками, всё равно остаётся одним и тем же интеллектом. Почему одного семейства мало Если задача - не просто придумать идеи, а принять серьёзное решение, лучше опираться на действительно разные модели. Не потомуч то одна обязательно умнее другой, а потому, что каждая лучше видит свои слепые зоны. GPT, Claude, Gemini и Grok могут по-разному трактовать один и тот же запрос, по-разному расставлять акценты и по-разному ошибаться. Когда разные системы независимо отвечают на один вопрос, а потом анонимно рецензируют друг друга, исчезает зависимость от одной логики или одного стиля. Финальный ответ становится не просто усреднением, а результатом столкновения подходов. Это особенно полезно там, где нужен не красивый текст, а надёжное решение. Зачем добавлять Verbalized Sampling Третий слой в подходе - Verbalized Sampling. Его смысл в том, чтобы вытаскивать не только самые типичные ответы модели, но и более редкие варианты из хвостов распределения. Проще говоря, модель перестаёт выдавать только самый безопасный и средний ответ и начинает показывать более широкий спектр возможных решений. Это особенно важно для креативных и исследовательских задач. Если модель слишком сглажена, она быстро становится предсказуемой и начинает повторять одни и те же шаблоны. Verbalized Sampling помогает вернуть разнообразие без отдельного дообучения. В результате можно получить больше нестандартных, но всё ещё качественных ответов. Как выглядит сильная схема Если собрать всё вместе, получается довольно мощный стек. Сначала мультимодельное разнообразие, когда несколько независимых систем дают свои ответы. Потом - кастомные линзы анализа, которые помогают посмотреть на задачу в нужном направлении. И сверху - Verbalized Sampling, который увеличивает ширину возможных вариантов ответа. Такой подход уже не похож на обычный чат с ИИ. Это ближе к мини-аналитическому контуру, где разные интеллектуальные агенты не просто отвечают, а спорят, фильтруют и расширяют пространство решений. Для бизнеса, стратегии, ресёрча и сложных product-задач это намного полезнее, чем один красивый ответ от одной модели. Что выбирать на практике Если нужен быстрый мозговой штурм, достаточно советов в стиле Лемана. Это просто, быстро и удобно. Но если решение влияет на деньги, продукт, риск или стратегию, лучше использовать мультимодельный стек: разные модели, разные линзы и механизм, которые возвращают разнообразие мышления. Именно в этом, похоже, и заключается главный сдвиг. В 2026 году уже недостаточно просто спросить нейросеть. Гораздо ценнее уметь построить систему, которая будет спорить сама с собой, не залипает в одном паттерне и не выдаст один и тот же ответ в разной упаковке.