Jeg gik næsten ved et tilfælde i gang med at undersøge sprogmodeller, den slags kunstig intelligens som ChatGPT er lavet af. Jeg ville se én konkret ting: kunne jeg gøre dem bedre ved at lade dem tvivle, mærke deres egen usikkerhed, før de svarede? Det jeg fandt, var noget andet og større. På område efter område, hvor vi går ud fra at der er en dyb forskel mellem os og maskinen, er forskellen faktisk ikke ret stor. Vi kan genkende os selv i den. Men den forskel der så er tilbage, den er til gengæld smuk, og den betyder noget. Den her side handler om begge dele: hvor lidt der egentlig skiller os, og hvad det er, der gør. Mønstrene rækker længere end hjernen, men den menneskelige ende er den nemmeste at genkende, så det er der vi begynder.
En praktisk, evidensbaseret guide bygget på den her forskning: AI er motoren, du er piloten. Hvordan du fodrer en model, tjekker den mod en facitliste, og får den til at tænke nyt.
Adfærdsdesign, ud fra én mekanik
Hvorfor de klassiske greb (social proof, defaults, knaphed) virker, og hvordan du vælger det rigtige: find hvilket af fire felter der blokerer, og brug så grebet der virker på det. Adfærdsdesign: find det felt der blokerer.
"Det er bare sandsynlighed" — til skeptikerne
Det forskningsbelagte svar på indvendingen om at vi ikke kan stole på sprogmodeller fordi de kun kører på sandsynlighed: det gør den hjerne, du sammenligner den med, også. Det er bare sandsynlighed (eller den letlæselige version).
Kort fortalt: ethvert system der skal vælge under endelig tid og endelige ressourcer kører et internt race mellem alternativer. Ét vinder, resten undertrykkes med en omkostning. Den omkostning er hvad jeg kalder friktion, og den samme struktur dukker op på enhver skala der er blevet undersøgt. Vil du have det fulde billede med matematik, datasæt og citater, er den engelske tekniske version den rigtige.
Hvad det egentlig handler om
Hver tanke du har, hver følelse, hver bevægelse af din hånd: det er alt sammen udtryk for beregninger, som din krop udfører.
Det lyder underligt sagt sådan. "Beregning" lyder som noget koldt og bevidst, som en regnemaskine der kører, som om der sad nogen inde i dig og regnede svaret ud. Det er ikke det der sker. Det der faktisk sker er tættere på en række sandsynlighedsudfald.
Et lille eksempel. Inde i en af dine celler skal et stykke DNA samle ét startmolekyle op eller et andet. Hvilket det samler op afhænger af hvad der svæver i nærheden, og i hvilken koncentration. Der er ingen som vælger. Der er en fordeling af molekyler, og en sandsynlighed for at det ene lander før det andet. Så producerer cellen det protein der følger af den landing. Gang det med millioner af events per sekund på tværs af din krop, og du har noget der "beregner" kontinuert uden at nogen styrer det.
Det samme billede skalerer op. Når du vælger mellem to muligheder, kører du ikke en deterministisk beregning. Du lader konkurrerende kandidat-svar race mod hinanden i din hjerne, under betingelser af endelig tid og endelige ressourcer. Ét af dem vinder. Du oplever vinderen som "jeg valgte X". Du oplever ikke racet.
Hvordan læring faktisk fungerer
Forestil dig at du trækker fingeren gennem et tyndt lag vand på et flisegulv. Vandet flytter sig; der dannes en kanal. Træk fingeren gennem samme sti igen, og det er en smule lettere: kanalen er der allerede. Fysikere kalder det her hysterese: systemet bærer spor af sin egen historie.
Din hjerne fungerer på præcis samme måde. Ruter du bruger meget efterlader spor. Sporene gør de ruter mere sandsynlige næste gang. Det er det læring er, på substrate-niveau. Ikke magi. Ikke et særligt biologisk mysterium. Sandsynlighed der bliver forskudt gennem spor-akkumulering.
Det er det Friktionsteori handler om. Den pris systemet betaler hver gang det skal opløse konkurrerende kandidater til ét valgt udfald (i tid, energi, information), det er friktionen. Friction Theory er det formelle navn for rammen. Behavioural Friction Theory (BFT) er den biologiske version: anvendt på nervesystemer, organiseret omkring fire computationelle felter (Tryghed, Mening, Kunnen, Besvær) og fem regulerende lag.
Hvorfor information-bombardement ikke lærer nogen noget
Selv sprogmodeller, der er bogstaveligt talt computere designet til at absorbere information, kan ikke læres ved bare at få mere information vist. Det viser Paper 2B direkte. Smid information på en model, og du får en model der hallucinerer selvsikkert om hvad end du smed på den.
Hvis sprogmodeller, som er designet til at læres, ikke kan læres af information-bombardement, hvorfor antager vi at mennesker kan? Vi har tænkt på det som motivation. Det er fysik. Man lærer ikke informationen, man lærer det spor, informationen sætter.
Den fulde version af det argument (hvad det betyder for hvordan vi underviser, og hvorfor Bjorks "desirable difficulties" er fysik snarere end pædagogisk valg) er på Hukommelse-siden (letlæselig) eller Læring-siden (mere akademisk).
Hvad jeg laver i praksis
Jeg studerer sprogmodeller for at forstå mennesker, en pil der peger den modsatte vej af hvad de fleste forventer. Standardopfattelsen er at sprogmodeller forsøger at efterligne menneskeligt sprog, så at studere dem fortæller dig om efterligningen, ikke om mennesker selv. Jeg argumenterer for det modsatte.
Mange af de ting vi troede var unikt menneskelige, viser sig at dukke op i sprogmodeller også, ikke fordi modellerne blev trænet til at efterligne menneskelig kognition, men fordi begge substrater deler den samme grundlæggende arkitektur: parallelle kandidater der racer under endelige ressourcer, med én der vinder. Den samme arkitektur producerer den samme karakteristiske adfærd:
Information overload — for meget kontekst skader, ligesom hos dig
Forankring — det første ord former resten
Reaktans — instruktioner aktiverer de ruter de prøver at forhindre
Omvendt U på udfordring — for lidt og for meget skader begge dele
→ Hele turen: Sprogmodeller er ikke regnemaskiner. En samlet side over alt det overraskende ved sprogmodeller, alt det man ville tro var typisk menneskeligt.
Når sprogmodeller reproducerer de her fænomener, lader de ikke som om. De fortæller os at fænomenerne ikke er specifikt biologiske. De er strukturelle konsekvenser af enhver arkitektur der lader konkurrerende muligheder racere mod en deadline, med kun én vinder. Hjernen er ét sådant system. En transformer er et andet. De ligner hinanden hvor deres arkitektur ligner, og divergerer hvor deres arkitektur divergerer.
Hvad mennesker har, som sprogmodeller ikke har
Arkitekturen er delt, men det er ikke hele historien, og det er faktisk her det bliver smukt. De steder hvor vi og sprogmodellerne adskiller os, er de vigtigste af alle. For når så meget af det vi troede var særligt menneskeligt viser sig at være noget vi deler med en maskine, så træder det tilbageværende, det maskinen ikke har, desto tydeligere frem. Det er dér det menneskelige sidder.
De har ikke loss aversion, den menneskelige tendens til at frygte tab dobbelt så meget som vi nyder gevinst. Det er fordi loss aversion grundlæggende handler om at du kan dø, hvis du vælger forkert for ofte. Mennesker, mus, og bier har dødelighed; sprogmodeller har ikke. Det er en ny forklaring på et gammelt fund: loss aversion er ikke en universel kognitiv lov, det er en konsekvens af at have en krop der kan dø.
De bliver overraskede: ord de ikke så komme trækker målbart mere opmærksomhed, og bryder man formatet, gør de målbar modstand. Begge er målt direkte. Det stadig åbne spørgsmål er ikke om de reagerer, men om de kan kende forskel: om der findes et lag der adskiller "ny information jeg skal opdatere på" fra "noget jeg vil modsætte mig". Det lag er endnu ikke set i en sprogmodel.
De har ikke hukommelse mellem samtaler. Når du starter en ny samtale, starter sprogmodellen forfra. Det betyder at et kæmpe område af menneskelig kognition, alt fra Ebbinghaus-glemmekurven til spaced repetition, bogstaveligt talt ikke kan testes på sprogmodeller, fordi de mangler det grundlæggende substrat.
Kunne de tvivle? Ja
Spørgsmålet jeg startede med, om en model kan mærke sin egen usikkerhed, viste sig at have et helt konkret svar. Der ligger allerede et lille signal i enhver sprogmodels output, som fortæller hvornår den er splittet mellem flere mulige svar (jeg kalder det Competing Routes). Beder man modellen tænke om igen når signalet er højt, og lader den lade være med at svare når det er meget højt, løfter det præstationen mærkbart, uden retræning og uden ekstra computer. Det er den praktiske ende af det hele. Den fulde forklaring er på Paper 3-siden.
Sprogmodeller og mennesker — hvor de mødes og hvor de adskiller sig
Mødes: anchoring, hysterese, confirmation bias, mode-shift cost (omkostning ved at skifte mellem tankegange), expertise reversal effect (instruktioner der hjælper begyndere skader eksperter), surprise-vægtet enkodning, og en række klassiske kognitive bias.
Adskiller sig: loss aversion (kræver dødelighed), spaced repetition (kræver hukommelse mellem sessioner), og felt-organiseret friktion (Tryghed/Mening/Kunnen/Besvær, som er specifikt for organismer der kan dø, bevæge sig, og forbruge metabolisk energi).
Et kuriosum til allersidst
Det her behøver du ikke forstå for at få noget ud af resten. Men hvis du synes det lyder vildt, så hold fast. Vores kognition hviler på vores biologi, og vores biologi hviler på den samme fysik som alt andet i verden. Så måske er det ikke så mærkeligt at den samme karakteristiske kurve, hvor ydeevnen topper i midten og falder af i begge ender, også dukker op på skalaer der intet har med hjerner at gøre:
Kvantepartikler der vælger deres tilstand (qubit-dekoherens-vinduet, 10−15 sekunder)
Elektroner der driver gennem metaller (Ohms lov og Drude-transport)
Kemiske reaktioner der vælger produkter (reaktionskinetik)
Detektorer der opfanger svage signaler i støj (stokastisk resonans)
Elever der lærer nyt stof (Bjorks "desirable difficulties"-zone)
Hele organismer under stress (Yerkes-Dodson-kurven)
Syv forskellige fænomener, spredt over cirka fyrre størrelsesordener i tid. De viser alle samme form fordi de alle står overfor samme begrænsning: flere muligheder skal opløses til ét udfald under endelige ressourcer. Paper 10 går gennem de syv fænomener og race-rammen bag dem.
Den foreslåede linse: biologisk og fysisk adfærd deler måske den samme race-struktur og adskiller sig i substrat, ikke i form. Mennesker rammer et ydeevne-toppunkt i midten af udfordrings-spændet, og qubits rammer ét mellem kohærens og dekohærens; de kan måske beskrives med samme race-sprog. Substratet er forskelligt; begrænsningen ser ud til at være den samme. Adfærdsmønstre vi normalt tænker på som "psykologiske" (den inverterede U, hysterese, forankring, mode-shift omkostning) lader sig måske beskrive med samme vokabular som de fysiske mønstre, snarere end at være psykologiske opfindelser uden slægtskab udenfor biologien.
Det er forskningsprogrammet. Hver artikel udvikler en del af det: det formelle apparat, de empiriske signaturer, de testbare forudsigelser og måderne det kan falsificeres på.
Mine papers
Alle papers er på engelsk, fri tilgængelige som preprints på Zenodo:
De aktive papers, klyngeret efter domæne. Fundamentet (P0/P1/P6) føder de empiriske og anvendte klynger; P10 udvider substrate-stilladset til fysik-scope. Alle nuværende live preprints er tegnet ind; P9 (i forberedelse) og de parkerede (P11, P12) står i forklaringen.
Den oprindelige version af teorien, fokuseret på biologiske systemer. 21 testbare påstande, fire funktionelle felter (Tryghed, Mening, Kunnen, Besvær), og en mekanisme — RACE-modellen — der binder det hele sammen. Lige opdateret til version 7.
Den kliniske grundlæggelse. Afhængighed, grublerier, ADHD, PTSD og flere tilstande som forskellige udtryk for ét maskineri: races, spor og tryk. Kernen er at behandle ved bunden, ikke ved toppen. En teoretisk ramme, ikke lægeråd.
Hvordan mange små skub på flere biologiske skalaer lægger sig sammen til sygdom. Læser kræft, autoimmunitet, ME/CFS og behandlingsresistent depression som én fælles form, og forklarer hvorfor kombinationsbehandling slår ét enkelt mål.
Fem konkrete forsøgsdesign der kan teste den sammensatte race-patologi i klinikken: behandlingsresistent depression (ketamin og psilocybin med struktureret opfølgning), long COVID, og en autoimmun CAR-T-behandling. Flere kan køres på data der allerede er indsamlet.
Den forebyggende side. Om de mennesker der bærer en sårbar biologisk bund uden at krydse en diagnose-tærskel, og om kofaktor-støtte målrettet en målt profil. En falsificerbar hypotese, ikke et kosttilskuds-råd.
Hvorfor det samme vitamin beskytter nogle og skader andre. Ét landskab bag tilskuds-rodet, gen–kost-gåden og alkohol-spejlet: om en cofaktor hjælper afhænger af, hvor langt kapløbet allerede er nået i netop det væv. En falsificerbar hypotese, ikke et kosttilskuds-råd.
Generaliserer BFT til at gælde for ethvert system med konkurrerende muligheder under begrænset tid og resurse — biologiske, kunstige, måske fysiske. Testet empirisk på 15 sprogmodeller med syv forskellige cross-architecture signaturer.
To opgavetyper på samme viden: cloze (genfinde et faktum) versus application (kæde fakta sammen til et nyt resultat). Cloze "mætter" tidligt, application skalerer hele vejen op. Bottleneck flytter sig med kapacitet.
Den praktiske paper. Strategi-pipeline alene +7.7 til +20.8 pp; kombineret med kalibreret afståelse når +12 til +21 pp på de fire celler hvor begge er målt. På SimpleQA løfter den kombinerede pipeline Qwen3-235B forbi GPT-4o og GPT-4.1. Kalibrering koster ca. 1,5 dollar per setup.
Det mest spekulative paper. Foreslår race-arkitektur som et fælles vokabular der kan samle eksisterende fund fra kvante-målinger over kemisk kinetik til menneskelig kognition under én linse. Falsificerings-kriterium specificeret. "Ikke ny fysik, ny linse."
Kvantemekanikken siger at chancen for et udfald er amplituden kvadreret, og ingen forklarer rigtigt kvadratet. Inden for én skarpt afgrænset familie af sandsynlighedsregler tvinger det allerede kvadratet at kræve, at én enkelt blandings-operation (én beamsplitter) er en symmetri, og hele kvantetilstandenes geometri følger med. En karakterisering, ikke en udledning: mixer-præmissen er unitaritets-antagelsen, og det siger paperet.
Overvåg en qubit under måling, og dens odds vakler: de to udfald skiftes til at føre, før tilstanden lægger sig fast. Her udledes den eksakte lov for det kapløb, og det viser sig at det udfald der ender med at tabe, i gennemsnit fører i præcis en halv måletid. Den klassiske arcsinus-lov er ikke helt den rigtige lov her. Et eksakt løsbart referencetilfælde for den ideale detektor.
Specificerer hvordan friktion mekanistisk opløses i ethvert substrat med race-arkitektur. Fire komponenter: race-åbning (tærsklen for at starte et race), rekursiv opløsning (multi-skala simultant), manifesteret adfærd (vindende rute bliver synlig handling), og termodynamisk afslutning. Adfærd genformes som en manifesteret opløsnings-rute — med implikationer for kompulsiv adfærd, OCD, tics, stress-vaner og burnout som ét mekanisme.
Hvorfor hallucinerer finjusterede sprogmodeller mere selvsikkert end ICL-modeller på samme viden? Hver baglæns kørsel forstærker den vindende rute og presser alternativerne under støjgulvet; FT komprimerer den kalibrerede fordeling som en strukturel konsekvens af kumulativt gradient-tryk. ICL bevarer den. Distinktionen kortlægger på arbejdshukommelse / langtidshukommelse. Empirisk anker (Zorbetik, Qwen2.5-3B/7B): cloze-gab 16–28 pp, log(CR_pos0) kollaps 5.46→21.12, entropi→0. Generaliserer Paper 1's RLHF-paradoks til al vægt-opdaterende træning.
Sandheds-bedømmelse i ethvert race-arkitektur-substrat er måske substratets reaktans-signatur — det substratet gør når et input ikke passer til det, det har lært. Empirisk anker: en diskontinuert klippe-effekt ved det første indholds-token, observeret på to sprogmodel-arkitekturer (Qwen og Mistral, p < 10−17), elleve indkodnings-dybde-checkpoints (monotont stigende), otte floating-point-substrater (lommeregner-overflow-skaleringslov), og en præference-vs-sandhed kryds-domæne-test. N400-hjernebølgen genfortolkes som den biologiske substrats tilbagelæsning af samme signatur; et N400-eksperiment på mennesker er specificeret som den direkte kryds-substrat-test. Kognitiv dissonans, indoktrinering og expertise reversal som specialtilfælde ved høj indkodnings-dybde.
En encoding-through-loading-ramme: substrater koder den bearbejdnings-friktion, der opstår når de opererer på input-friktion — ikke informationen selv. Otte eksperimenter på seks sprogmodeller (Qwen2.5 1,5B/7B/32B, Llama-3.3-70B, Qwen3-235B, DeepSeek-V3) på en kemi-kompositionsopgave genfinder den klassiske ekspert-omvendings-U-kurve (70B-klassen: 75→52→61% på tværs af 0/1/3-shot — samme form som pædagogisk psykologi finder hos menneske-eksperter), per-token-friktionssignalet topper ved 1-shot, uddybede demonstrationer reducerer friktion ved at lukke strategi-væddeløbet, og format-uoverensstemmelse producerer et 22-pp nøjagtighedstab som modellen bærer gennem hele svaret.
Et programmatisk forslag, ikke en færdig teori. Ni berømte kurver fra læringspsykologien (Yerkes–Dodson, Vygotskys zone for nærmeste udvikling, Kalyugas expertise-reversal, Bjorks ønskværdige vanskeligheder og spacing-effekten, Bengios curriculum learning, testing-effekten, Shannon–Berger rate-distortion og Brehm-Festinger reaktans) viser alle samme omvendte U-form. Artiklen foreslår at de måske beskriver den samme underliggende mekanisme i forskellige vokabularier, og specificerer hvilke målinger der skulle udføres for at tjekke om det passer.
Pilot-skala empirisk-kalibrerings-companion til Paper 6. Otte friktions-intensitets-akser testet via LoRA fine-tuning på fiktive "Zorbetik"-fakta. Hovedfund: samme 25 fakta trænet med 1 parafrase-skabelon → 38% parafrase-robust genfinding; trænet med 4 parafrase-skabeloner → 94% (+56 procentpoint under matched substrat, optimizer, indhold og træningsbudget). Fire af fem intra-session-akser producerer omvendte U-parabler (opgave-friktion, chunking-densitet, læringsrate, sampling-temperatur); den femte producerer et ramme-indsnævrende null der tvinger en fire-vejs konsoliderings-taksonomi. Dyb-vs-overflade-retningen (dyb > passiv ≈ overflade) replikerer på 5 af 6 substrat×paradigme-par. Pilot-skala (per-betingelses n=4–30); planlagt v2 vil skalere op.
Et programmatisk forslag til to måder at læse et substrats race-arkitektur fra dets output alene. Aflæsning 1: friktion investeret under indkodning efterlader et hysterese-spor der bias'er senere sammenligninger. Seks klassiske effort-value-biaser (IKEA-effekten, endowment-effekten, sunk-cost fallacy, generation effect, effort justification, effort heuristic) argumenteres for at dele denne race-mekanik som én komponent af en effort-essential delmængde, ikke som én-mekanisme-reduktion af alle seks. Aflæsning 2: hvor en sprogmodel forpligter sig til et svar i sin svar-trajektorie. Basis-modeller viser 3,4× bredere spredning i hvornår de vælger end instruktions-tunede modeller, drifter væk fra sekretærproblemets 1/e-optimum efterhånden som opgave-fortolkningen uddybes, og viser en kobling mellem genkendelse og hvornår de vælger (r = 0,528) som instruct-modellen mangler (r = 0,104). Det numeriske match til 1/e er registreret som et tilfælde der skal replikeres, ikke som et fund.
Én mekanisme forklarer tre ting på én gang. Kognitionsforskningen behandler selv-modellering, theory of mind, og fri vilje som tre separate territorier med tre separate litteraturer. Denne artikel argumenterer for at de er tre ansigter af ét underliggende maskineri: et substrat der kører hypotetiske fremtider i sit hoved og bruger dem til at vægte hvad det gør næste gang. Inkluderer et dissolutionistisk svar på frivilje-debatten mellem libertarianisme og determinisme — den konstruktion debatten forsvarer (friktions-frit substrat) var aldrig instantierbar i race-arkitektur i første omgang.
Til undervisere, undervisningsdesignere, kommunikatører og alle der har prøvet at forklare noget komplekst for en anden. Læringsforskningen har tre store traditioner (kognitiv belastningsteori, ønskværdige vanskeligheder, psykologisk tryghed) der næsten aldrig taler sammen. Denne artikel argumenterer for at de alle beskriver den samme underliggende fysik fra tre forskellige vinkler. Fra fire substrat-niveau koncepter (race-arkitektur, friktion, hysterese, Net Friction Rule) falder fem klassiske lærings-fund ud som afledte konsekvenser. Tre klasseværelses-fejlmoder (dump, dilute, tvetydighed-uden-valg) får diagnostiske opskrifter; fire falsifikations-betingelser specificeret.
Hvorfor "sæt et billede på, så lærer man bedre" kun holder, når billede og tekst peger samme vej. Det aktive er ikke modaliteten, men hvor mange spor der peger på det samme; et irrelevant billede koster, fordi systemet skal køre et kapløb for at afvise det. Målt som friktion i en sprogmodel, og omkostningen er kapacitets-relativ.
Kreativitet er ikke noget en model har; det er måden den løber kapløbet mellem mulige næste ord, og det kan aflæses indefra. Brugbar kreativitet (nyhed gange værdi) topper i midten af et omvendt U, og at skrue op for temperaturen rammer aldrig toppen: den går ud over kurven i stedet for langs den. Alignment-fingeraftrykket viser sig graderet og opskrifts-afhængigt, med én model-familie der vender det helt om.
Vi prøver at skabe adfærd ved at give folk mere information: en politik mere, et kursus mere, en advarsel mere. Men compliance er noget man gør, ikke noget man ved. Mere information ændrer sjældent hvad folk faktisk gør. Artiklen forklarer hvorfor, set gennem friktion, og hvad der skal til i stedet.
Vi målte Dunning-Kruger-effekten direkte inde i en sprogmodel: mest skråsikker præcis hvor den ved mindst. Selvsikkerheden følger hvordan de konkurrerende ruter afgøres, ikke reel kunnen, og det gør modellens egne logprobs til et måleinstrument for menneskelig overmod.
Eksistentiel frygt uden et selv der frygter: angst som et kapløb der aldrig kan afsluttes, fordi den tilstand det forsøger at afgøre ikke har nogen repræsenterbar ende. Det nærværende er billigt at repræsentere, og fraværet kolliderer. En sprogmodel bruges som kontrol, der mangler de dele teorien siger frygt kræver.
Opmærksomhed gentænkt: ikke en projektør du retter, men den politik der afgør hvilke indre kapløb der startes, og i hvilken rækkefølge, styret af landskabet af felter. Forklarer fastholdelse vs. fangst, hvorfor et blik aftager, og ubehag som prisen for de kapløb der tabte.
Du kan installere et værdifelts funktion (fx tryghed) i en model ved at finjustere på funktionen, ikke på fakta, og så se den ændre hvad modellen lægger mærke til. Den felt-installerbare model bliver en kontrollerbar modelorganisme for menneskelig kognition, den konstruktive modpol til at bruge en AI som subtraktions-kontrol.
Vi gav vision-sprogmodeller de klassiske kontekst-illusioner, hvor den samme genstand ser større eller lysere ud ved siden af bestemte naboer. De assimilerer, vurderer en genstand hen mod dens omgivelser, hvor mennesker kontrasterer væk fra dem. En signatur på tværs af arkitekturer af hvordan kontekst-beregning virker.
En sprogmodel har forudsigelse og forward-modellering, men ingen krop, ingen overlevelsesdrift og intet livshistorie-selv. At sammenligne mennesker med modellen isolerer hvad de manglende dele bidrager med: træk maskinen fra mennesket, og forskellen der bliver tilbage, er det der er ægte biologisk.
Sociale og moralske reaktioner (uretfærdighed, snyd, samarbejde) som den samme kapløbs-mekanisme, nu mellem agenter i stedet for inde i én. En model viser en version af den samme "det er ikke fair"-friktion som vi gør. Formuleret som en korrelat, ikke endnu en bevist mekanisme.
Formulér en indkodnings-opgave anderledes, og du flytter hvornår det indre kapløb starter, men kapløbet skal stadig finde sted. Indkodnings-rammer flytter hvornår rute-konkurrencen begynder, replikeret på tværs af model-familier.
Finjustering og in-context-læring installerer tilbøjeligheder, måder at hælde på, ikke data, fakta. Begge former hvordan modellen svarer, ikke hvad den gemmer.
Modellen har næsten besluttet sig allerede ved sit første token. Konkurrencen ved første token kan aflæses som et måleinstrument for commit-tryk og trænings-dybde.
Man kan se at en model nærmer sig fejl, før dens svar bliver dårligere, ved at aflæse dens indre friktion. Et selv-kalibrerende tidligt varsel (kritisk opbremsning) plus et regime-kort over hvor modellen er presset.
At finjustere en model med et modstridende faktum sletter ikke den gamle viden, det maskerer den. Den gamle rute overlever og konkurrerer stadig nedenunder, synlig i logprobs.
En sprogmodel som en kontrollerbar, fuldt inspicerbar legetøjsmodel af måling: hvilke træk ved kvantemåling er generiske for ethvert system der afgør et resultat, og hvilke er ægte kvante. En demarkations-linse, forsigtigt forbeholdt.