Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Автоматическая система Darmok без ошибок решила все семь кроссвордов Times Crossword Championship и в каждом раунде опередила участников. Финал она закончила за 6 минут 52 секунды — на 3 минуты 13 секунд раньше победителя среди людей. Хотя препринт Siddhartha Chatterjee не рецензирован и все числа получили сами авторы, работа показывает практический сдвиг: когда одной LLM уже хватает для обычного запроса, архитектуру приходится строить вокруг редких сбоев.
Правильный ответ нужно сохранить до конца раунда
В британском криптическом кроссворде подсказка одновременно содержит скрытое определение и набор операций над буквами: перестановку, удаление, соединение частей или игру на созвучии. Граница между определением и словесной конструкцией не отмечена, а естественная формулировка специально уводит от ответа.
Пересечения не дают полной страховки: в типичной сетке почти половину букв нельзя проверить другим словом. Турнир дополнительно ставит точность выше скорости. Одна неверная или пустая клетка портит проходящие через неё ответы, а неполная сетка уступает любой безошибочной независимо от времени.
Darmok поэтому не принимает первый правдоподобный вариант. Три модели независимо решают отдельные подсказки: gemini-3.1-pro-preview работает как основная, claude-fable-5 и gpt-5.6-sol — как параллельные места. Совпавшие ответы система фиксирует, после чего подставляет проверенные буквы из пересечений в более трудные подсказки и запускает их повторно.
Параллельно gpt-6-astra решает весь кроссворд целиком. Если после основных проходов остаются пробелы, система использует этот результат и поиск по словарю, но не позволяет резервным этапам переписывать уже подтверждённые слова. Такое правило сохраняет согласованное состояние сетки, даже когда ответы приходят асинхронно и в разном порядке.
Резерв пригодился в момент деградации основного API
На замороженной перед чемпионатом конфигурации Darmok собрал безошибочные сетки в 41 из 43 ежедневных запусков. Проверка охватывала стандартные кроссворды Times, турнирные задания и более сложные сетки Mephisto; систему развивали на ежедневных выпусках в течение пяти месяцев.
В спокойных условиях эта схема выглядела избыточной. Отдельные современные модели уже могли получить целую турнирную сетку одним запросом, а удаление резервных компонентов почти не меняло средний результат на тестовом наборе.
На финале основной API резко замедлился: скорость выдачи токенов упала на 72%, запросы упирались в тайм-ауты, а повторные попытки тоже часто не завершались. Вторичные модели независимо дали 13 ответов, не дожидаясь основной. Фоновое решение всей сетки закрыло ещё один путь отказа, пока поэтапная проверка собирала итоговый вариант.
Ежедневные запуски выявили те же классы проблем: задержки, сетевые ошибки, отказы по правилам безопасности и циклы рассуждений до исчерпания бюджета токенов. Обычный тест точности почти не замечает такие случаи, потому что они возникают редко. Для системы с жёстким сроком важен не средний успешный запрос, а способность закончить работу в худший день.
Командам стоит разделить качество модели и надёжность системы
Работа не означает, что каждой ИИ-функции нужны несколько дорогих моделей. В отключающих экспериментах одна модель с повторными проходами по пересечениям решила 461 из 463 подсказок — столько же, сколько полная конфигурация, хотя работала примерно на минуту дольше. Если продукт допускает повтор запроса, частичный ответ или ручную проверку, простая схема может остаться рациональной.
Планы меняются там, где результат должен быть целым, правильным и готовым к сроку: при обработке документов, выполнении многошагового процесса или подготовке действия во внешней системе. Для таких задач недостаточно выбрать модель по средней точности. Нужны независимые пути выполнения, жёсткие тайм-ауты, фиксация подтверждённого состояния и резервный процесс, который заполняет пробелы, но не разрушает уже согласованный результат.
Разные модели полезны здесь не как постоянный совет из нескольких голосов, а как защита от зависания одного поставщика или неудачного режима рассуждения. Такая избыточность может ничего не добавлять на обычном тесте и всё же определять, завершится ли редкий критический запуск.
Перенос вывода ограничивает сама задача: кроссворд даёт строгую структуру, пересекающиеся буквы и словарь, поэтому часть ответов можно проверять внешними правилами. В менее формализованном процессе согласие нескольких LLM не превращает ответ в факт. Архитектура Darmok прежде всего защищает доступность и целостность состояния; проверку смысла всё равно должен задавать продуктовый контур.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
