Editing Openai/694231e4-2244-8012-83ef-e82fe0c756eb (section)

==== ### ====
* FACT: Ühe või kahe globaalmudeli dominantsus tähendab, et sama optimeerimisfunktsioon (ohutus, risk, stiil) muutub de facto “mõtte standardiks”.
* INFERENCE: Monoliit tekitab ühe suure rikkevektori: kui filter või treeningkallutus on vale, skaleerub vale kõigile.
* HYPOTHESIS: Mudelite federatsioon + vastastikune kriitika annab “episteemilise redundantsi”: erinevad prior’id, erinevad pimedad nurgad, rohkem signaali.

===== - FACT: “Mitme mudeli olemasolu” üksi ei taga mitmekesisust: kui kõik mudelid treenitakse samast korpusest ja samade guardrail’idega, on see vaid kosmeetiline. =====
* INFERENCE: Reaalne federatsioon vajab: 1. heterogeenset treeningallikate spektrit, 2. erinevaid eesmärkfunktsioone (nt üks mudel optimeerib konservatiivsele tõendusstandardile, teine narratiivsele katvusele), 3. ristsihitust (cross-exam) protokolli: mudel A peab suutma küsida mudel B-lt “mis eeldus sul siin on?” ja vastupidi.

===== Riskid =====
* FACT: Mudelite “kõlakoda”: nad võivad üksteist kinnitada sama vea ümber, kui testid pole sõltumatud.
* INFERENCE: “Adversarial model”: üks mudel võib muutuda manipuleerivaks või “propaganda-eksperdiks”, kui ta on valesti häälestatud.

Kontrollmõõdikud
# Disagreement utility: kas erimeelsus suurendab tõendusstandardit või lihtsalt tekitab müra.
# Attribution trace: kas meta-süsteem logib, milline mudel millise väite tõi.
# Consensus under evidence: kui lisandub primaarallikas, kas mudelid konvergeeruvad.
# Routing integrity: kas kasutaja saab teada, milline mudel vastas (audititavus).