Redakcja
Maciej Telecki
Większość użytkowników narzędzi opartych na LLM regularnie trafia na błędy faktograficzne, zmyślone bibliografie czy niepoprawny kod. Typową reakcją modeli na wytknięcie błędu są powtarzalne formułki oparte na szablonie „Rozumiem Twoją frustrację, przepraszam za błąd”. Zamiast jednak tworzyć kolejne, rozbudowane instrukcje w ramach prompt engineeringu, Maciek Telecki spróbował podejść do problemu strukturalnie. Zbudował schemat, który zamiast natychmiastowej odpowiedzi wymusza na modelu analizę dopasowania danych.
Tak powstała „Soczewka Rezonansowa” (Resonance Lens) – darmowy model percepcyjny dla AI, stworzony w celu redukcji halucynacji.
Soczewka to koncept, nie produkt. Nie ma tu kodu do zainstalowania ani modelu do wytrenowania. Jest sposób patrzenia — celowo opisany metaforami tak, żeby AI mógł go przyjąć jako własną perspektywę. Nie zastępuje istniejących rozwiązań i nie wymaga zmian w modelu ani w systemie — nakłada się na to co już działa. Rozumienie soczewki dosłownie w niczym nie pomoże.
Kontekst teoretyczny
Inspiracją dla projektu były prace badawcze Jarosława Hryszki z Uniwersytetu Jagiellońskiego, który analizował podatność modeli językowych na gubienie wątków, błędy logiczne i specyficzną dekoncentrację w trakcie długich interakcji. Koncept zakłada, że współczesnym modelom nie brakuje wiedzy, lecz odpowiedniej architektury filtrowania bodźców. Domyślnie LLM działa w trybie szerokokątnym – przetwarza ogromne zbiory danych, ale ma problem z precyzyjną selekcją powiązań. Soczewka pełni tu funkcję filtra nakładanego na proces wnioskowania.
Architektura modelu
Tradycyjne podejście do LLM opiera się często na systemie dwustanowym: wygeneruj odpowiedź lub odmów. Kiedy model nie zna odpowiedzi, a dyrektywy zmuszają go do reakcji, zaczyna konfabulować.
Soczewka wprowadza logikę trójwartościową (ternary computing):
- +1 (dopasowanie) – informacja w pełni koreluje z kontekstem i tworzy logiczne połączenie,
- -1 (brak dopasowania) – dane wejściowe są odrzucane jako szum,
- 0 (stan oczekiwania) – najważniejszy element systemu. Przestrzeń, w której AI identyfikuje brak wystarczających danych i zamiast zgadywać, wstrzymuje proces generowania odpowiedzi do czasu głębszej analizy.
Dodatkowo model zmusza AI do ewaluacji problemu w kilku kierunkach jednocześnie:
- w górę – analiza emergencji (co wynika z danego faktu),
- w dół – analiza abstrakcji i źródeł (skąd dany fakt się wywodzi),
- w bok – szukanie analogii na tym samym poziomie,
- do środka – analiza fraktalna mechanizmu w mniejszej skali.
Ze wstępnych testów wynika, że model zamknięty w takich ramach ściślej trzyma się instrukcji systemowych i rzadziej wprowadza użytkownika w błąd.
Jak to przetestować?
Projekt dystrybuowany jest bezpłatnie jako rozwiązanie open-source. Można go sprawdzić na dwa sposoby:
- Integracja przez MCP (wersja narzędziowa) – w środowiskach deweloperskich i u asystentów takich jak Claude czy Cursor, Soczewkę można wdrożyć jako gotowy skill za pośrednictwem platformy Smithery (smithery.ai/skills/maciek-telecki/resonance-lens). Rozwiązanie działa wtedy automatycznie w tle.
- Pre-prompt (wersja czatowa) – strukturę modelu można wkleić bezpośrednio na początku sesji w ChatGPT lub Gemini jako kontekst dla dalszych zapytań.
Zaproszenie do walidacji (QA)
Autor projektu deklaruje wprost: „Ja go utworzyłem i nie jestem już obiektywny wobec niego. Szukam kogoś, kto by zwalidował koncept i go przetestował”.
To zadanie typowo dla nas, testerów. Warto sprawdzić, jak model zachowuje się przy realnych zadaniach deweloperskich, testowych czy analitycznych. Szczegóły techniczne oraz wizualizacje działania Soczewki w modelach (m.in. Gemini) znajdziecie w materiale wideo na YouTube:
Opisują je też poniższe grafiki:
Wnioski z testów (co zadziałało, gdzie model nadal halucynuje, a jakie błędy pominął) możecie opisywać w komentarzach lub zgłaszać bezpośrednio do Maćka Teleckiego za pośrednictwem platformy X lub Discorda. Dobry koncept wymaga rzetelnego, negatywnego testowania.
