Konsens- & Differenz-Engine
Ein klarer Blick darauf, wie consens.io Modellantworten zusammenführt, Uneinigkeit prüft und das Ergebnis in einem separaten Prüfdurchgang kontrolliert.
consens.io Konsens
Eine Frage · 6 Modelle Was ist der längste Fluss der Welt?
Der Nil gilt üblicherweise als längster Fluss, doch der Amazonas hat einen glaubwürdigen Anspruch. Nach gängiger Konvention liegt der Nil mit etwa 6650 km vorn Ob der Amazonas ihn überholt, hängt davon ab, wo man seine Mündung ansetzt, und eine umstrittene Vermessung von 2007 setzt sie weiter draußen an als die meisten Nachschlagewerke.
Markierungen zeigen Übereinstimmung und Uneinigkeit der Modelle, keinen Faktencheck. Für den Zusammenhang öffne die Originalantworten der Modelle.
So funktioniert es
Die Antwortmodelle antworten unabhängig voneinander, die von dir gewählte Konsens-Engine schreibt die Synthese, und zwei Prüfer analysieren die Unterschiede und die Abdeckung jedes Satzes.
Das Backend authentifiziert den Nutzer, prüft Tarif und Nutzungsregeln, begrenzt vom Client gesendeten Text und verlangt mindestens zwei einbezogene Modellantworten.
stream_consensus()
stream_differences()
consensus_response + differences_data + Metadaten zu Nutzung und Teilen
Die Oberfläche macht aus diesen Daten einen lesbaren Konsens, markiert die verankerten Passagen direkt im Text und hält Übereinstimmungswert, Widerspruchseinträge und den Hinweis des Prüfers daran fest.
Zur Wahl stehen OpenAI, Claude, Gemini, Mistral, DeepSeek, Grok, Kimi, GLM, Meta Muse und Qwen. Die gewählten Familien bekommen denselben Prompt, und ihre Originalantworten bleiben getrennt erhalten – die Synthese ersetzt also nie die Rohbelege.
Die Engine, die du in der Auswahlliste festlegst, liest nur die einbezogenen Antworten, ignoriert ausgeschlossene und schreibt eine Antwort, die Gemeinsamkeiten bewahrt und nötige Vorbehalte nennt.
Der Differenz-Prüfer arbeitet die inhaltlichen Streitpunkte heraus. Parallel geht der Abdeckungs-Prüfer die nummerierten Sätze durch und hält für jeden fest, welche Modelle ihn stützen, ihm widersprechen oder gar nicht auf ihn eingegangen sind. Beide laufen als eigene Aufrufe nach der Synthese, und das Prüfmodell kann aus derselben Familie stammen wie die Engine.
Die finale Payload enthält Konsenstext, Übereinstimmungswert, Zähler je Aussage, Widerspruchseinträge mit ihren Ankern und Prüfer-Metadaten, damit jede strittige Passage genau dort markiert werden kann, wo sie steht.
Rollen der Modelle
Der Ablauf ist bewusst aufgeteilt. Das Modell, das den Konsens schreibt, entscheidet nicht allein darüber, ob der Konsens verlässlich ist.
Antwortebene
Das sind die Quellantworten. Sie werden parallel abgefragt, dir direkt angezeigt und dann an den Konsens-Schritt übergeben, sofern sie nicht ausgeschlossen sind.
Syntheseebene
Dieses Modell liest die einbezogenen Quellantworten und schreibt die zusammengeführte Antwort. Wähle ein Preset (Alltag, Offene Modelle, Hohe Qualität) oder über „Eigene“ ein bestimmtes Modell. Standard- und Pro-Engines sind beide möglich.
Analyseebene
Der Differenz-Prüfer arbeitet die Widersprüche heraus; der Abdeckungs-Prüfer gehört zum selben Durchgang, hat aber nur eine eng umrissene Aufgabe und läuft deshalb auf einem günstigeren Modell: ein Urteil für jeden Satz, keiner darf ausgelassen werden. Beide folgen derselben Prüfer-Reihenfolge, zuerst OpenAI, dann Gemini.
Differenz-Engine
Steht der Konsenstext, startet consens.io einen eigenen Analysedurchgang. Er schreibt die Antwort nicht um, sondern erklärt, wie die Quellmodelle sie stützen, einschränken oder ihr widersprechen.
Verwendet werden nur Modellantworten, die nicht leer und nicht ausgeschlossen sind. Jede Antwort wird vor der Analyse gekürzt und dann neutral benannt, etwa Modell A, Modell B und Modell C.
Warum: Anonymisierung und gemischte Reihenfolge verringern im Prüfdurchgang Verzerrungen durch Anbieternamen und Position.
Der Differenz-Prüfer soll Karten zu den Unterschieden, den Schweregrad der Widersprüche, Prüfhinweise und das dem Konsens nächstliegende Modell liefern. Der Abdeckungs-Prüfer soll einen Eintrag pro Satz-ID mit einer Haltung jedes Modells liefern – und der Server weist eine Antwort zurück, in der eine ID fehlt, und fordert die fehlenden erneut an.
Typen: contradiction für unvereinbare Fakten oder Schlüsse, emphasis für einen anderen Schwerpunkt oder fehlenden Kontext.
Die Stufe des Prüfers richtet sich nach der gewählten Konsens-Engine: Ein Standard-Konsens nutzt einen Standard-Prüfer, ein Pro-Konsens versucht es mit einem Pro-Prüfer. Die Familie folgt einer festen Reihenfolge, zuerst OpenAI, dann Gemini – auch wenn die Engine zur selben Familie gehört.
Ausweichreihenfolge: erster Prüfer, neuer Versuch, dann die nächste verfügbare Familie; scheitert ein Pro-Versuch, kann ein Standard-Prüfer übernehmen.
JSON wird repariert, wo das sicher möglich ist, die Modellbezeichnungen werden wieder aufgelöst, Zitate mit den Originalantworten abgeglichen und nicht belegbare Zitate entfernt.
Ergebnis: Übereinstimmungswert, Stufe, Zahl der kritischen und der kleineren Widersprüche, Zahl der Schwerpunktunterschiede und Prüfer-Metadaten.
Strukturierte Payload
consensus_anchor: der wörtlichen Passage in der Konsensantwort, um die es bei der Uneinigkeit geht.Was du siehst
Du liest eine einzige Antwort. Wo der Prüfer eine bestätigte Uneinigkeit gefunden hat, ist die betroffene Passage direkt markiert, und die vollständige Analyse liegt einen Klick darunter.
Die meisten Modelle sind sich bei der Hauptempfehlung einig.
Die Antwort fasst die wiederholten Punkte zusammen und streicht doppelte Formulierungen Offen bleibt, wie belastbar die zugrunde liegenden Belege sind, denn die Quellen bewerten die Messqualität unterschiedlich.
Jeder prüfbare Satz wurde mit jedem Modell abgeglichen: Grün heißt gestützt, Gelb heißt, die Modelle sind gespalten, Rot markiert einen Widerspruch, und Grau heißt, sie wichen nur im Detail ab – oder zu wenige von ihnen sind überhaupt auf den Satz eingegangen. Dass Modelle übereinstimmen, ist kein Beweis.
Warum das hilft
Weniger blindes Vertrauen
Mit mehreren Modellfamilien im Blick fallen dir Schwachstellen leichter auf, bevor du nach einer Antwort handelst.
Mehr Aussagekraft
Mehrfach genannte Aussagen werden von Einzelaussagen getrennt, sodass du zuerst die stärksten Gemeinsamkeiten überfliegen kannst.
Klare Vorbehalte
Widersprüche werden nicht weggemittelt. Sie erscheinen als konkrete Punkte, die du ansehen oder prüfen kannst.
Häufige Fragen
Nein. Die Engine schreibt aus den einbezogenen Modellantworten eine Synthese. Übereinstimmung zählt, aber das Ergebnis ist eine lesbare Antwort mit Vorbehalten, keine einfache Abstimmung.
Ja. In der App wählst du ein Preset (Alltag, Offene Modelle oder Hohe Qualität) oder über „Eigene“ ein bestimmtes Konsensmodell. Ist die daraus folgende Engine eine Pro-Engine, versucht die Analyse der Unterschiede, einen Pro-Prüfer zu nutzen.
Nicht unbedingt. Der Prüfer folgt einer festen Reihenfolge (zuerst OpenAI, dann Gemini) und kann deshalb aus derselben Familie stammen wie die Konsens-Engine oder eine der Antworten. Er sieht die Antworten anonymisiert und gemischt, seine Zitate werden wörtlich mit ihnen abgeglichen, und der Übereinstimmungswert wird aus seinen Urteilen Satz für Satz ausgezählt, nicht als Note vergeben.
Das Backend zieht ein vollständiges JSON-Objekt heraus oder repariert es, wenn das sicher möglich ist. Lässt sich die Ausgabe trotzdem nicht auslesen, wird kein rohes JSON angezeigt.
Ausprobieren