GM! 今天的LLMs被设计得非常自信。它们生成完整的段落，提供经过润色的回答，但没有任何内置的方法来验证每个部分。

这就像信任一个非常有说服力的人，但他从不出示收据。

与其尝试微调完美的模型，他们假设每个模型有时都会出错。因此，他们通过设计使其可验证。

首先，他们将输出分解为原子索赔。

假设一个#AI给你这个陈述：“比特币是最广泛持有的加密货币，由中本聪在2008年创建。”

Mira并不将其视为一个陈述。它将其分解为独立的、可验证的声明：

→ “比特币是最广泛持有的加密货币”

→ “比特币是由中本聪创建的”

→ “比特币是在2008年创建的”

这些都可以由网络独立进行事实核查。一个可能是主观的，比如你如何定义最广泛持有的，另一个是事实性的，比如谁创造了它，另一个是关于时间的，比如它是什么时候制作的。

这就是二元化的力量，将模糊的人工智能输出转化为清晰、可验证的声明，而不依赖于模型的感觉。

然后他们将这些索赔发送到一个去中心化的验证者网络中，但没有任何一个节点看到完整的输入。
这就是分布式验证。每个节点检查一个片段，保护隐私并确保信任不成为瓶颈。

现在，如何让这些验证者保持诚实？→ 让他们进行质押。

每个节点都有参与的利益。如果它验证了一个幻觉，它就会受到惩罚。这就是验证的证明，将推理转化为真实的经济工作，而不仅仅是投机。

最后是实际的共识：每个模型必须几乎完全一致。不是51%。

Mira要求在独立训练的模型之间达成几乎一致的协议。

所以，米拉建立了一个协议，让多个不完美的代理相互进行经济和数学检查，直到只有真相存活，而不是信任一个拥有所有答案的天才模型。

这是一个共识机器，用于让现实扩展信任。