量子化は言語モデルのメタ認知的な幾何学を再形成する

要旨: モデルの量子化は、LLMにおけるドメイン・レベルのメタ認知効率を一様に低下させるのではなく、むしろ再構成（リストラクチャリング）することを報告する。Llama-3-8B-Instructを同一の3,000問についてQ5_K_Mおよびf16精度で評価したところ、4つの知識ドメインにまたがるM比（M-ratio）プロファイルはフォーマット間で相関していないことが分かった（Spearmanのrho = 0.00）。芸術・文学は、最も監視が不十分な状態（M-ratio = 0.606 at Q5_K_M）から、最も監視が良好な状態（1.542 at f16）へ移行する。地理は、監視が良好（1.210）から、監視が不十分（0.798）へ移行する。しかし、Type-2 AUROCプロファイルはフォーマット間で完全に安定している（rho = 1.00）。これは、再構成が基底の識別（ディスクリミネーション）信号ではなく、M比の正規化に局在していることを示す。この知見は、ドメイン条件付きトレーニングによりメタ認知を改善しようとする事前登録済みの試みによって得られた。診断された弱いドメインに対して信頼度増幅（confidence-amplification）SFTを処方し、予算を一致させた無関係（agnostic）および誤った処方の対照群を用意した。4つの確証的仮説はいずれも帰無であった（10,000回のブートストラップ再標本、seed = 42）。トレーニングは信頼度分布を成功裏に形作り、科学におけるNLPギャップを0.076から0.152へと2倍にしたが、meta-d'は改善しなかった。これは、診断プロファイルがフォーマット間で転移しなかったためである。ドメイン・レベルのM比プロファイルに依存する任意のシステムには、推論フォーマットに関する未検討の依存が存在する。AUROC_2を用いるシステムの方が安全である。すべてのコード、事前登録、試験レベルのデータを公開する。