Gagasan bahawa keputusan latihan yang serupa boleh menghasilkan hasil yang sangat berbeza sudah menunjukkan betapa rapuhnya metrik tunggal Sebuah model boleh kelihatan sama semasa latihan dan tetap berkelakuan berbeza dalam amalan Kekangan yang sama muncul semula pada peringkat sistem Meningkatkan model sahaja tidak menjamin sistem yang boleh dipercayai Inferens AI moden bukan lagi satu langkah tunggal ia adalah proses berstruktur Model yang lebih kecil menghasilkan draf model yang lebih besar mengesahkannya dan penerimaan bergantung pada sejauh mana mereka sejajar Prestasi dibentuk oleh interaksi ini bukan semata-mata oleh kekuatan satu model Kelajuan dan kejituan saling berkaitan Kelajuan penghasilan bergantung pada seberapa kerap draf diterima dan seberapa konsisten mereka dengan model akhir Kecekapan datang daripada keselarasan antara komponen-komponen Pada masa yang sama, konsistensi dalaman tetap menjadi cabaran Sebuah model boleh menghasilkan output yang tepat sambil gagal memperbaharui kepercayaannya secara koheren Apa yang ia ramalkan bagaimana ia memperbaharui dan apa yang akhirnya ia lakukan tidak selalu sepadan Ini mencipta jenis kegagalan yang berbeza bukan kesilapan yang jelas tetapi ketidakkonsistenan di sepanjang langkah-langkah Di luar inferens, terdapat juga persoalan pengiraan Beberapa beban kerja memerlukan sumber yang berbeza dan pengagihan seragam menyebabkan ketidakefisienan Penghalaan dan pengagihan mula menjadi penting Permintaan perlu disesuaikan dengan jenis pengiraan yang tepat bukan sekadar dilaksanakan di mana-mana Di sepanjang semua ini, coraknya jelas Prestasi tidak lagi ditakrifkan oleh satu model sahaja Ia muncul daripada bagaimana draf, pengesahan, penarikan kesimpulan dan pengagihan saling bersatu Soal sebenar berubah bukan hanya seberapa baik modelnya tetapi sama ada sistem tetap sejajar di setiap langkah Kerana dalam AI moden yang penting bukan hanya outputnya tetapi proses yang menghasilkannya @ritualnet