STEER: Risikokontrolle bei LLMs durch evolutionäre Qualitätsdiversität

Mit STEER (Steerable Tuning via Evolutionary Ensemble Refinement) wird die bislang fehlende Flexibilität von großen Sprachmodellen (LLMs) neu definiert. Das System ermöglicht es, die Risikoeinstellung eines Modells in Echtzeit zu steuern, ohne dass zusätzliche Trainingsschritte nötig sind.

STEER erzeugt zunächst eine vielfältige Population von „Personas“ – unterschiedliche Sprachprofile – indem es eine offline‑basierte, beschränkte Qualitäts‑ und Diversitätssuche anwendet. Diese Suche sorgt dafür, dass jede Persona ein breites Entscheidungsfeld abdeckt, während gleichzeitig Mindeststandards für Sicherheit, Logik und Stabilität eingehalten werden.

Im Einsatz wird ein einzelner, leicht verständlicher Kontrollparameter bereitgestellt. Dieser Parameter übersetzt einen vom Anwender festgelegten Risikoprozentsatz in die Auswahl einer passenden Persona. So lässt sich die Konservativität der Entscheidungen kontinuierlich anpassen, ohne die Leistungsfähigkeit des Modells zu beeinträchtigen.

In zwei klinischen Triage‑Benchmarks zeigte STEER eine deutlich größere Verhaltensabdeckung als herkömmliche Temperatur‑Sampling‑Methoden und statische Persona‑Ensembles. Im Vergleich zu einem etablierten Post‑Training‑Ansatz erzielte STEER eine wesentlich höhere Genauigkeit bei eindeutig dringenden Fällen, während die Kontrolle über mehrdeutige Entscheidungen gleichwertig blieb. Diese Ergebnisse unterstreichen STEER als ein sicherheitsorientiertes Paradigma, das Risikokontrolle ermöglicht, ohne die Fachkompetenz zu verlieren.