llm-gemini 0.37 fügt Gemini 4 Hydrogen hinzu
Simon Willison veröffentlichte am 12. November llm-gemini 0.37 und ergänzte sein Entwicklerwerkzeug LLM um Unterstützung für Gemini 4 Hydrogen. Die Änderung macht Googles neues Modell über eine bestehende Oberfläche verfügbar, überlässt Entwicklern jedoch weiterhin die Entscheidung, für welche Aufgaben es geeignet ist.
Dieser Unterschied ist wichtig. Es handelt sich um ein Plugin-Release, also um eine Erweiterung, die eine bestehende Anwendung mit einem anderen Dienst verbindet. Weder wird ein separates Foundation Model eingeführt, noch kommt Googles Modell auf den Laptop eines Entwicklers. Hydrogen bleibt über Googles Programmierschnittstelle, die API, erreichbar, über die Software Modellantworten anfordern kann.
Die unmittelbare Spannung liegt zwischen leichterem Zugang und schwierigerer Auswahl. Hydrogen ergänzt Carbon und Argon innerhalb derselben Modellfamilie, während Google sie für unterschiedliche Aufgaben positioniert. Entwickler können diese Unterschiede nun über eine vertraute Oberfläche untersuchen. Sie benötigen jedoch weiterhin Belege dafür, dass eine schnellere oder günstigere Antwort ein akzeptables Ergebnis liefert. Das Release senkt den Aufwand für Experimente; es entscheidet das Experiment nicht.
Was llm-gemini 0.37 tatsächlich verändert
Die verifizierte Änderung besteht in der Modellverfügbarkeit innerhalb des Plugins, nicht in einem neuen Ausführungssystem oder einer automatischen Migration.
Die Hydrogen-Release-Notes des Projekts nennen die Ergänzung und zeigen den Befehl zur Modellauswahl: llm -m gemini-4-hydrogen. Damit ist eine konkrete Verbindung zwischen der Paketversion und Googles Modell belegt.
Dieser enge Umfang ist nützlich. Eine kurze Release-Note gibt Nutzern etwas Konkretes, das sie prüfen, reproduzieren und vom begleitenden Modell-Announcement unterscheiden können. Es gibt keinen Grund, die Versionsnummer als Beleg für umfassendere Verbesserungen in allen bestehenden Funktionen zu deuten.
Für etablierte Nutzer besteht die praktische Änderung in einem weiteren Ziel für Prompts. Ein Prompt ist die Anweisung samt unterstützenden Informationen, die an ein Modell gesendet wird. Seine Formulierung kann vertraut bleiben, während sich das ausgewählte Modell ändert, was einen ersten Vergleich leichter organisierbar macht.
Das garantiert kein identisches Verhalten. Eine gemeinsame Oberfläche standardisiert einen Teil der Interaktion, während der dahinterliegende Dienst weiterhin die Antwort bestimmt. Unterschiede beim Befolgen von Anweisungen, bei der Ausgabelänge und beim Umgang mit mehrdeutigen Anfragen bleiben relevant.
Die Dokumentation zum Gemini API access des Pakets verlangt Gemini-Zugangsdaten und führt Hydrogen als verfügbares Modell auf. Zugangsdaten identifizieren das Konto, das Anfragen stellt. Die Installation eines Open-Source-Pakets hebt weder die Zugangsvoraussetzungen des Anbieters noch geltende Abrechnungsbedingungen auf.
Damit wird auch Terminalzugriff von lokaler Inferenz getrennt, also von der Generierung von Antworten auf der Hardware des Nutzers. Ein lokal ausgeführter Befehl kann seine Anfrage an einen anderen Ort senden. Der Ort der Oberfläche belegt nicht, wo das Modell die Informationen verarbeitet.
Für Organisationen gehört diese Unterscheidung in die Einführungsentscheidung. Ein Entwickler, der öffentliche Beispieltexte bewertet, steht vor einer anderen Prüfung als jemand, der interne Dokumente übermittelt. Der Komfort des Plugins beantwortet keine Fragen zur zulässigen Datenverarbeitung.
Das Release sollte zudem nicht als Empfehlung verstanden werden, Carbon oder Argon zu ersetzen. Das Hinzufügen einer Modellauswahl schafft eine Option. Es belegt nicht, dass jede bestehende Arbeitslast zu dieser Option wechseln sollte.
Das ist der angemessene Maßstab für diese Nachricht: ein Kompatibilitätsupdate mit unmittelbarem Wert für Menschen, die LLM bereits verwenden. Seine Bedeutung liegt darin, eine direkte Bewertung zu ermöglichen, nicht darin zu behaupten, diese Bewertung sei bereits abgeschlossen.
Ein Team kann das Update daher als Einladung verstehen, Belege zu sammeln. Die nächste Entscheidung betrifft die Arbeit selbst: Was muss korrekt bleiben, welche Verzögerung ist akzeptabel und wer prüft das Ergebnis?
Leichterer Zugang verlagert die Entscheidung auf die Workflow-Verantwortlichen
Entwickler erhalten einen einfacheren Evaluierungspfad, während Workflow-Verantwortliche die Aufgabe übernehmen, akzeptable Ergebnisse zu definieren.
LLM ist ein Kommandozeilenwerkzeug und eine Python-Bibliothek, das heißt, es unterstützt sowohl Terminalinteraktionen als auch die Integration in Python-Programme. Seine Modellschnittstelle umfasst mehrere Anbieter und bietet Funktionen zum Speichern von Prompts und Antworten.
Diese gemeinsame Oberfläche schafft einen nützlichen Vergleichspunkt. Ein Entwickler muss nicht jedes Modell ausschließlich über dessen Consumer-Anwendung beurteilen. Der Workflow kann sich stattdessen auf dieselbe Eingabe, die erwartete Ausgabe und die Prüfkriterien konzentrieren.
Der Druck liegt bei der Person, die für das Ergebnis verantwortlich ist. Bei einer Engineering-Aufgabe könnte das die Person sein, die eine Codeänderung genehmigt. Bei Forschungsunterstützung könnte es der Analyst sein, der prüft, ob eine Zusammenfassung wichtige Einschränkungen bewahrt.
Man stelle sich ein hypothetisches Team vor, das technische Incident-Notizen in Entwürfe für Zusammenfassungen überführt. Eine kürzere Antwort könnte effizient wirken und zugleich die Unterscheidung zwischen einem beobachteten Fehler und einer vermuteten Ursache auslassen. Lesbarkeit allein würde keinen Erfolg belegen.
Dasselbe Problem tritt bei der Dokumentenklassifizierung auf. Ein Modell kann ein sauberes Kategorienlabel zurückgeben und das Dokument dennoch falsch interpretieren. Entscheidend ist, ob das Label die nächste Entscheidung unterstützt, einschließlich Fällen, in denen Unsicherheit sichtbar bleiben sollte.
Diese Beispiele veranschaulichen Evaluierungsanforderungen, keine verifizierten Hydrogen-Deployments. Sie zeigen, warum Modellzugang und Workflow-Bereitschaft getrennte Meilensteine sind. Das Release schafft Ersteren; jede Organisation muss Letzteren bestimmen.
Für bestehende LLM-Nutzer hilft die vertraute Oberfläche dabei, den Umfang eines Experiments einzugrenzen. Sie können das ausgewählte Modell untersuchen, ohne zugleich eine völlig andere Nutzererfahrung übernehmen zu müssen. Das erleichtert die Diskussion über Fehler, weil weniger begleitende Änderungen um Aufmerksamkeit konkurrieren.
Eine gemeinsame Oberfläche verändert auch den Wettbewerbsrahmen. Googles Modell konkurriert um dasselbe Aufgabenbudget wie Alternativen, die über LLM verfügbar sind, einschließlich der Claude-Modelle von Anthropic. Dieses Release liefert keine kontrollierten Belege für einen Gewinner unter diesen Anbietern.
Der nützliche Vergleich ist daher aufgabenspezifisch. Ein Modell, das für die Extraktion von Entwürfen gewählt wurde, ist nicht automatisch die beste Wahl für Architekturprüfungen. Selbst innerhalb derselben Organisation können unterschiedliche Aufgaben unterschiedliche Entscheidungen rechtfertigen.
Workflow-Verantwortliche müssen zudem zwischen einem akzeptablen Entwurf und einem freigegebenen Ergebnis unterscheiden. Eine Antwort, die jemandem beim Denken hilft, kann trotz nötiger Korrekturen nützlich sein. Eine Antwort, die in einen unbeaufsichtigten Prozess einfließt, benötigt einen strengeren Akzeptanzmaßstab.
Das Plugin-Update macht diese Unterscheidung dringlicher, weil sich Experimente leichter beginnen lassen. Sobald ein überzeugendes Ergebnis erscheint, liegt es nahe, seine Nutzung auszuweiten. Klare Verantwortlichkeiten verhindern, dass aus einem informellen Versuch eine ungeprüfte Abhängigkeit wird.
Die Modellwahl hängt von abgeschlossener Arbeit ab
Der praktische Wert eines Modells hängt vom Aufwand ab, der erforderlich ist, um ein akzeptables Ergebnis zu erzielen, einschließlich Korrektur und Prüfung.
Ein niedrigerer Nutzungstarif führt nicht automatisch zu geringeren Gesamtkosten der Arbeitslast. Tokens, die Einheiten zur Messung von Modelleingabe und -ausgabe, erfassen nur einen Teil der Aktivitäten, die für den Abschluss einer Aufgabe erforderlich sind.
Eine Antwort kann weniger Tokens verbrauchen, weil sie knapp und korrekt ist. Sie kann aber auch weniger Tokens verbrauchen, weil sie eine Anforderung ausgelassen hat. Diese Ergebnisse sehen in einem Nutzungsprotokoll ähnlich aus, bis jemand das Resultat prüft.
Auch das Gegenteil ist möglich. Eine längere Antwort kann nützliche Analyse enthalten oder mehr Material schaffen, das ein Prüfer untersuchen muss. Das Ausgabenvolumen wird erst bedeutsam, wenn es mit den Anforderungen der Aufgabe verbunden wird.
Das ist der zentrale Mechanismus hinter dem Auswahlproblem. Teams kaufen keine abstrakte Antwort; sie benötigen ein Ergebnis, das die Arbeit voranbringt. Der umgebende Prozess bestimmt, ob die scheinbare Effizienz eines Modells dieser Anforderung standhält.
Bei einer hypothetischen Codewartungsaufgabe umfasst der Abschluss mehr als das Generieren einer Änderung. Die Änderung muss das Problem beheben und das erwartete Verhalten bewahren. Ein schneller Patch, der umfangreiche Nacharbeit erfordert, verlagert Aufwand auf den Prüfer.
Bei einer Dokumentenzusammenfassung bedeutet Abschluss, die wesentlichen Fakten und Grenzen der Quelle zu bewahren. Ein eleganter Absatz, der Gewissheit übertreibt, scheitert anders als ein unvollständiger Absatz. Beide Fehler sind relevant, selbst wenn die Antwort schnell eintrifft.
Menschliche Prüfung macht diese Abwägungen sichtbar. Prüfer sollten wissen, ob sie sachliche Richtigkeit, Vollständigkeit, Formatierung oder alle diese Dimensionen kontrollieren. Andernfalls kann ein Modell erfolgreich erscheinen, weil die Bewertung sein schwächstes Verhalten nie untersucht hat.
Auch die Vergleichsbedingungen sind wichtig. Werden Prompt, Ausgangsmaterial und Akzeptanzstandard zwischen Modellen verändert, lassen sich Ergebnisse nur schwer interpretieren. Ein nützlicher Test hält diese Bedingungen nachvollziehbar und dokumentiert bewusste Änderungen.
Das bedeutet nicht, dass jedes Modell dauerhaft identische Anweisungen benötigt. Einige Modelle reagieren besser auf bestimmte Formulierungen. Es bedeutet, dass die Anpassung von Prompts Teil der Arbeit ist und bei der Bewertung des Ergebnisses berücksichtigt werden sollte.
Ein Team, das eine AI knowledge base aufbaut, steht vor einem verwandten Problem. Nützliche Generierung hängt davon ab, dass relevantes Quellenmaterial verfügbar ist und genügend Kontext erhalten bleibt, um die Antwort zu überprüfen.
Die Modellauswahl kann fehlende Belege nicht ausgleichen. Wenn der Input eine kritische Einschränkung nicht enthält, sollte die Bewertung dieses Problem von einem Versagen des Modells unterscheiden, Informationen zu nutzen, die es tatsächlich erhalten hat.
Die praktische Konsequenz ist einfach: Vergleichen Sie abgeschlossene Arbeit, nicht die isolierte Antwortgeschwindigkeit. Die neue Modelloption ist wertvoll, wenn sie einem Team hilft, seine Anforderungen mit vertretbarem Aufwand zu erfüllen, statt lediglich eine attraktive erste Antwort zu erzeugen.
Googles Workflow-Ansatz geht über das Plugin hinaus
Googles vorgeschlagene Arbeitsteilung ist umfassender als die Fähigkeit, die durch dieses Kompatibilitätsrelease belegt wird.
In seiner Hydrogen workflow announcement positioniert Google Hydrogen für ausführungsorientierte Arbeit. Carbon und Argon beschreibt das Unternehmen als Optionen für tiefergehendes Schlussfolgern und schwierige Architekturentscheidungen.
Google beschreibt auch Workflows, die Modelle kombinieren. In einer solchen Anordnung kann ein Modell bei der Planung helfen, während ein anderes stärker abgegrenzte Aufgaben ausführt. Dies sind Googles Produktbehauptungen und vorgesehene Einsatzbereiche, nicht Belege dafür, dass das Plugin die gesamte Anordnung implementiert.
Ein agentischer Workflow ist ein Prozess, in dem ein Modell Werkzeuge nutzt, um Schritte in Richtung eines Ziels zu unternehmen. Ein solcher Prozess umfasst mehr als das Generieren von Text. Er erfordert auch Entscheidungen über Berechtigungen, Zwischenergebnisse und darüber, wann gestoppt werden soll.
Eine Modellauswahl adressiert nur einen Teil dieses Systems. Sie legt fest, welches Modell eine Anfrage erhält. Sie definiert nicht eigenständig, welche Aufgaben delegiert werden sollten oder wie ein anderes Modell das Ergebnis bewerten soll.
Diese Unterscheidung ist wichtig, weil Planung und Ausführung nicht bei jeder Aufgabe klar getrennt sind. Eine scheinbar routinemäßige Änderung kann eine unklare Anforderung aufdecken. An diesem Punkt braucht die Ausführung einen Weg, die Mehrdeutigkeit an die Person zurückzugeben, die für die Entscheidung verantwortlich ist.
Ein hypothetischer Dokumentationsworkflow macht das Problem greifbar. Eine Planungsphase könnte eine Zusammenfassung einer Funktionsänderung anfordern. Beim Entwurf könnte die Ausführungsphase entdecken, dass die Quelldokumente hinsichtlich der Verfügbarkeit widersprüchlich sind.
Ein erfolgreiches System würde diesen Konflikt zur Überprüfung beibehalten. Ein erfolgloses System könnte ihn durch Raten auflösen und so ein saubereres Dokument erzeugen, dabei jedoch seine faktische Grundlage schwächen. Delegation beseitigt nicht die Notwendigkeit eines expliziten Umgangs mit Unsicherheit.
Auch die Verifikation benötigt einen unabhängigen Maßstab. Ein anderes Modell zu fragen, ob eine Antwort plausibel wirkt, ist etwas anderes als die Antwort mit dem Quellenmaterial abzugleichen. Übereinstimmung zwischen generierten Antworten reicht nicht aus, um Genauigkeit zu belegen.
Diese Überlegungen entkräften Googles vorgeschlagene Aufteilung des Workflows nicht. Sie benennen die operative Arbeit, die nötig ist, um sie sinnvoll nutzbar zu machen. Ein Team muss Aufgabenabgrenzungen und Eskalationsregeln definieren, bevor die Aufteilung verlässlich wird.
Dieselbe Logik gilt beim Vergleich von Anbietern. Ein Workflow mit Modellen verschiedener Unternehmen benötigt weiterhin einheitliche Akzeptanzkriterien. Die Kombination von Marken schafft nicht automatisch unabhängige Verifikation oder besseres Urteilsvermögen.
Für Leser, die llm-gemini 0.37 bewerten, liegt die wichtige Grenze zwischen Zugang und Orchestrierung, also der Koordination mehrerer Modellschritte. Das Release bestätigt den Zugang zu Hydrogen. Jedes größere System benötigt weiterhin ein eigenes Design, Belege und Verantwortlichkeit.
Das ordnet die Nachricht angemessen ein und bewahrt zugleich ihre Relevanz. Eine überschaubare Integration kann ein aussagekräftiges Experiment ermöglichen, ohne dass ihr jede im Launch des zugrunde liegenden Modells beschriebene Fähigkeit zugeschrieben wird.
Ein Pelikanvergleich ist ein nützlicher Test, kein Ranking
Willisons Illustrationsversuch zeigt sichtbare Unterschiede, kann jedoch keine allgemeine Leistung über nicht verwandte Aufgaben hinweg belegen.
In seinem Pelikanvergleich vergleicht Willison Zeichnungen, die von Hydrogen, Carbon und Argon erzeugt wurden. Die Beispiele von Hydrogen wirken schlichter, während die begleitenden Beobachtungen Unterschiede bei Zeit- und Output-Verbrauch hervorheben.
Das Experiment verwendet SVG, ein Textformat zur Beschreibung von Vektorgrafiken. Dadurch ist die Aufgabe für generierten Code und visuelle Interpretation relevant. Zugleich erhalten Leser eine leicht zugängliche Möglichkeit, die von den Modellen erzeugten Ergebnisse zu prüfen.
Die Einschränkung ist ebenso konkret. Eine Pelikanzeichnung misst weder faktische Zusammenfassung noch Repository-Wartung oder Dokumentenextraktion. Die Leistung bei diesen Aufgaben benötigt Belege, die aus eben diesen Aufgaben stammen.
Auch innerhalb der visuellen Generierung ist mehr Detail nicht automatisch besser. Eine reduzierte Illustration könnte für eine Icon-Anforderung geeignet sein. Eine reich dekorierte Szene könnte zu einem anderen Briefing passen. Die ursprüngliche Anweisung und der beabsichtigte Einsatz bestimmen, welche Eigenschaften zählen.
Deshalb sind informelle Tests vor allem als Generatoren für Fragen nützlich. Ein unerwartetes Ergebnis weist auf etwas hin, das sich zu testen lohnt. Es liefert keine universelle Erklärung dafür, warum sich das Modell so verhalten hat.
Für Entwickler besteht die produktive Reaktion darin, den relevanten Fehlermodus zu identifizieren. Wurde eine Anweisung ausgelassen? War die Komposition unvollständig? Hat das Modell das angeforderte Objekt missverstanden? Jede Antwort führt zu einer anderen Evaluierungsfrage.
Die allgemeine Aussage, ein Modell sei intelligenter, würde diese Unterschiede verdecken. Sie würde Nutzer außerdem dazu ermutigen, Vertrauen auf Arbeiten zu übertragen, die das Experiment nie untersucht hat. Eine enge Beobachtung wird weniger nützlich, wenn ihre Interpretation zu weit gefasst wird.
Dieselbe Skepsis sollte auch auf überzeugende Demonstrationen angewendet werden. Ein erfolgreicher Entwurf kann zeigen, dass ein Modell dieses Beispiel bewältigt hat. Er belegt nicht, dass das Modell jedes Dokument derselben Kategorie zuverlässig verarbeitet.
Ein Benchmark ist eine standardisierte Bewertung, doch seine Relevanz hängt weiterhin davon ab, was er misst. Leser sollten prüfen, ob die Aufgaben des Benchmarks ihrer eigenen Arbeit ähneln und ob seine Erfolgskriterien ihre Anforderungen widerspiegeln.
Es gibt zudem einen Unterschied zwischen Modellfähigkeit und Plugin-Verhalten. Ein Modell kann eine Funktion unterstützen, die ein bestimmter Client nicht verfügbar macht. Umgekehrt kann der Umgang eines Clients mit Eingaben die Erfahrung beeinflussen, ohne das zugrunde liegende Modell zu verändern.
Für das llm-gemini-Update spricht das dafür, den vollständigen Weg von der Anfrage bis zum geprüften Ergebnis zu betrachten. Nutzer sollten vermeiden, jeden Erfolg oder Misserfolg allein dem Modell zuzuschreiben, wenn sich auch die umgebende Konfiguration geändert hat.
Willisons Experiment bleibt gerade deshalb nützlich, weil seine Ergebnisse konkret sind. Leser können die Unterschiede erkennen und entscheiden, welche Fragen weiterverfolgt werden sollten. Eine verantwortungsvolle Interpretation hält diese Fragen an die Belege gebunden, statt sie in ein allgemeines Ranking umzuwandeln.
Worauf nach der Hydrogen-Integration zu achten ist
Die nächsten Belege sollten Plugin-Kompatibilität, Aufgabenqualität und eine nachhaltige Nutzung im Workflow miteinander verbinden.
Das erste Signal ist, wie sich die Integration nach ihrem ersten Release entwickelt. Nachfolgende Release Notes und reproduzierbare Fehlerberichte können klären, ob Nutzer modellspezifische Probleme erleben. Entscheidend sind dokumentierte Verhaltensweisen unter bekannten Bedingungen.
Dazu gehört Klarheit darüber, welche Optionen über den Client funktionieren. Anbieterfähigkeiten und Client-Unterstützung können sich unabhängig voneinander entwickeln. Eine in einer Modellankündigung genannte Funktion sollte nicht über jede Integration hinweg als verfügbar angenommen werden.
Wenn spätere Updates konkrete Kompatibilitätsprobleme beheben, stärkt dies das Vertrauen in die Zugangsschicht. Wenn Probleme weiterhin schwer reproduzierbar oder erklärbar bleiben, haben Teams mehr Gründe, den Einsatz zu begrenzen. Keines der beiden Ergebnisse belegt die allgemeine Intelligenz des Modells.
Das zweite Signal ist die wiederholte Bewertung anhand repräsentativer Arbeit. Teams sollten nach Ergebnissen suchen, die schwierige Fälle einschließen, statt nur nach Beispielen, die ausgewählt wurden, weil sie überzeugend wirken. Fehler verdienen dieselbe Sichtbarkeit wie Erfolge.
Bei einer Zusammenfassungsaufgabe bedeutet dies, Auslassungen und unbelegte Aussagen neben der Lesbarkeit zu untersuchen. Beim Programmieren bedeutet es, zu prüfen, ob die Änderung die Aufgabe erfüllt und das erwartete Verhalten bewahrt. Unterschiedliche Arbeiten erfordern unterschiedliche Belege.
Wiederholte Ergebnisse würden dafür sprechen, Hydrogen eine klar definierte Rolle zuzuweisen. Uneinheitliche Ergebnisse würden das Vertrauen in eine breite Einführung schwächen, ließen aber weiterhin Raum für engere Einsatzbereiche. Die Entscheidung sollte der beobachteten Grenze der Zuverlässigkeit folgen.
Hier wird auch der Unterschied zwischen erstem Output und akzeptierter Arbeit messbar. Ein Modell, das einen attraktiven Entwurf erzeugt, kann dennoch erhebliche Korrekturen erfordern. Eine weniger aufwendige Antwort kann vorzuziehen sein, wenn sie jede Anforderung direkt erfüllt.
Das dritte Signal ist die nachhaltige Nutzung nach dem Evaluierungszeitraum. Der Wert eines Workflows wird deutlicher, wenn Nutzer ihn unter gewöhnlichen Bedingungen weiterhin wählen. Dazu gehören Fristen, mehrdeutige Eingaben und der Aufwand für die Prüfung von Ergebnissen.
Fortgesetzte Nutzung allein ist jedoch kein Qualitätsbeweis. Teams müssen auch wissen, warum das Modell weiterhin ausgewählt wird. Gewohnheit, Bequemlichkeit und eine unveränderte Standardeinstellung können eine Wahl aufrechterhalten, die nicht mehr zur Arbeit passt.
Belege für eine nachhaltige Nutzung werden aussagekräftiger, wenn sie mit Prüfergebnissen kombiniert werden. Bleiben Korrekturen überschaubar und Anforderungen erfüllt, stärkt dies den Fall für die Rolle des Modells. Wenn Nutzer wiederholt vorhersehbare Fehler umgehen müssen, schwächt es ihn.
Diese Signale richten die Aufmerksamkeit auf die durch das Release ermöglichte Entscheidung. Das Plugin macht Hydrogen über einen vertrauten Weg verfügbar. Kompatibilitätsbelege zeigen, ob dieser Weg funktioniert, während die Aufgabenevaluierung zeigt, ob es hilfreich ist, ihn zu nutzen.
Für Entwickler, die llm-gemini 0.37 in Erwägung ziehen, empfiehlt sich der Start mit einer realen Aufgabe, deren Ergebnis überprüft werden kann. Bewahren Sie Quellenmaterial, Anweisungen und Akzeptanzkriterien zusammen auf, damit Vergleiche nachvollziehbar bleiben. Dokumentieren Sie, was korrigiert werden musste, einschließlich Auslassungen, die eine polierte Antwort leicht verdeckt. Vergleichen Sie den Aufwand, der nötig ist, um ein freigegebenes Ergebnis zu erreichen, statt die erste Antwort als fertiges Produkt zu behandeln. Wenn Hydrogen zu dieser Aufgabe passt, weisen Sie ihm eine klare Rolle zu und bewahren Sie die Bedingungen hinter der Entscheidung. Wenn nicht, nutzen Sie die Erkenntnisse, um ein engeres Experiment zu definieren. Welche wiederkehrende Aufgabe würde den klarsten Beleg dafür liefern, dass eine weitere Modelloption Ihre Arbeit verbessert?



