ROMA

ROMA modelliert jede Aufgabe als Knoten, der ausführen, sich in Teilaufgaben teilen oder die Arbeit seiner Kinder zusammenführen kann. Dieselbe Entscheidungslogik läuft auf jeder Ebene, der Baum wächst also so tief, wie das Problem es verlangt. Diese Rekursion ist der Kern der Idee und das, was ein einzelnes Framework sowohl eine kurze Frage als auch einen Auftrag mit Dutzenden Teilen bewältigen lässt.

Der Atomizer entscheidet, ob eine Aufgabe klein genug ist, um sie direkt zu lösen. Der Planner zerlegt den Rest in geordnete Teilaufgaben. Der Executor löst jeden atomaren Teil und ruft bei Bedarf Werkzeuge auf. Der Aggregator führt die Kind-Ergebnisse zu einer Antwort für die Elternaufgabe zusammen, nicht zu einem rohen Schub. Ein optionaler Verifier prüft diese Endantwort gegen das ursprüngliche Ziel, bevor sie rausgeht.

Jeder Knoten protokolliert seine Eingaben und Ausgaben, der ganze Lauf ist also im Nachhinein einsehbar. Sie sehen, wie sich das Reasoning entfaltet hat, wo ein Prompt abgedriftet ist und welcher Agent ein schwaches Ergebnis lieferte. Diese Spur macht Debugging und Prompt-Feintuning praktikabel und ist der Hauptunterschied zu Frameworks, die ihre internen Schritte verbergen.

Jeder Knoten kann auf einem anderen Modell, Anbieter oder einer anderen Strategie laufen, und Sie hängen Werkzeuge an oder tauschen Agenten, ohne den Rest des Baums anzufassen. Die Kits decken Dateien, einen Taschenrechner, Codeausführung über E2B, Websuche, Krypto-Daten und jeden MCP-Server ab. Die Vorhersagestrategien von DSPy, von Chain-of-Thought bis ReAct und CodeAct, stehen als Optionen bereit.

Wenn zwei Geschwister-Teilaufgaben nicht voneinander abhängen, führt ROMA sie gleichzeitig aus, was große Aufträge schnell hält. Diese Agenten-Orchestrierung lässt außerdem eine Person an jedem Knoten eingreifen, um Fakten zu prüfen, Kontext zu ergänzen oder den Plan zu bestätigen, bevor der Lauf weitergeht.

Sentient baute ROMA Search auf dem Framework und maß es auf SEAL-0, einem harten Teil des SEALQA-Benchmarks für Reasoning über mehrere Quellen. Laut Sentient erreicht es 45,6 % Genauigkeit, vor Kimi Researcher mit 36 % und mehr als dem Doppelten der 19,8 % von Gemini 2.5 Pro, womit es zum Start den Stand der Technik markierte.

Der Schnellstart läuft ganz ohne Datenbank, was zum Experimentieren passt. Für echte Deployments ergänzt eine Docker-Konfiguration PostgreSQL für Persistenz und Kontrollpunkte, einen FastAPI-Server mit interaktiver Doku, MLflow zur Versuchsverfolgung und einen S3-kompatiblen Speicher für große Ausgaben.