Un usuario que probaba la interfaz de ThoughtDAG descubrió que eliminar un solo borde del grafo de contexto de un LLM cambiaba la salida del modelo, incluso cuando el modelo había repetido previamente una afirmación incorrecta.
- En un escenario controlado, un nodo fuente mostró inicialmente un rendimiento un 17% peor, que se invirtió a un 17% mejor después de agregar una nota corrupta.
- Con la nota contaminada aún conectada, el modelo repitió la recomendación incorrecta hasta que se eliminó el borde que transportaba esa rama.
- Eliminar el borde excluyó al nodo ascendente de la siguiente solicitud sin eliminar el trabajo anterior, lo que provocó un cambio en la recomendación.
- ThoughtDAG es un proyecto local-first con licencia MIT que admite endpoints compatibles con Ollama y OpenAI.
El autor busca críticas sobre el diseño del experimento y cuestiona si el control del contexto debe seguir siendo dirigido por humanos o delegarse al sistema.