Schreibzeit-Gating: 100 % Genauigkeit bei 8:1 Ablenkungsraten

In der Welt der KI‑Sprachmodelle hat die Art und Weise, wie Wissen gespeichert wird, lange Zeit die Genauigkeit beeinträchtigt. Traditionelle Retrieval‑Augmented‑Generation‑Systeme sammeln sämtliche Inhalte, ohne sie zu filtern, was im Laufe der Zeit zu einer zunehmenden Rauschbelastung führt. Parametrische Modelle hingegen komprimieren Wissen in Gewichten und lassen keine selektiven Aktualisierungen zu.

Biologisch inspiriert, setzt das neue Konzept des Schreibzeit‑Gatings einen Filter ein, der neue Wissensobjekte anhand zusammengesetzter Salienz‑Scores bewertet – darunter die Reputation der Quelle, Neuheit und Zuverlässigkeit. Gleichzeitig werden Versionsketten beibehalten, sodass frühere Zustände archiviert bleiben, anstatt gelöscht zu werden.

Bei einer realen LLM‑Evaluierung ohne Zugriff auf Qualitätslabels erzielte das Schreibzeit‑Gating eine beeindruckende Genauigkeit von 100 % im Vergleich zu lediglich 13 % bei ungefilterten Speicherungen. Besonders bemerkenswert ist die Leistung bei steigenden Ablenkungsraten: Bei einem Verhältnis von 8:1 zwischen Ablenkungen und relevanten Daten fällt die Genauigkeit von Self‑RAG (Read‑Time‑Filtering) auf 0 %, während das Schreibzeit‑Gating konstant 100 % hält.

Die Ergebnisse wurden auf verschiedenen Datensätzen bestätigt – von 20 Wikipedia‑Entitäten über prozedural generierte Pharmadaten bis hin zu 2026 arXiv‑Papers. Der Vorteil des Gatings wächst mit der Reduktion parametrierter Speicherunterstützung: +25 Punkte für Wikipedia, +48 Punkte für neuere arXiv‑Papers und +65 Punkte für prozedurale Daten ohne Trainingswissen.

Signal‑Ablation-Tests zeigen, dass die Methode nicht von orakellinktem Metadaten abhängt. Zudem erreicht das Schreibzeit‑Gating die gleiche Genauigkeit wie Self‑RAG, jedoch bei einem ein­ne­f­ter‑neun‑fachen geringeren Abfrage‑Kosten.