Naukowcy z arXiv opublikowali badanie pokazujące, że duże modele językowe często dają różne odpowiedzi na tę samą decyzję w różnych uruchomieniach i mogą zmienić zdanie, gdy ich poprzednia odpowiedź pojawi się ponownie jako kontekst. Zespół zaproponował rozwiązanie w postaci Cognitive Kernel Model (CKM), warstwy wymuszającej stan na poziomie promptu, która nie dodaje nowych zdolności modelowi, ale zmusza go do jawnego śledzenia, jakie informacje wykorzystuje przed podjęciem decyzji.
CKM działa poprzez podzielenie wszystkich informacji na trzy kategorie: Fakty (dane dane lub weryfikowalne), Heurystyki (wnioskowane lub założone) i Emocje (oceny lub sygnały priorytetów). Model musi utrzymywać ustrukturyzowany stan S_t = {F_t, H_t, E_t} aktualizowany przez funkcję przejścia. Badanie obejmowało 37 403 obserwacje z 26 modelów LLM od czterech głównych dostawców testowanych na koreańskojęzycznych scenariuszach decyzyjnych dotyczących dwuznaczności, konfliktów etycznych, alokacji zasobów i obsługi błędów.
Wyniki są obiecujące: CKM zmniejsza zmienność powtarzanych odpowiedzi z efektem wielkości g=1.09, persystencja stanu obniża wskaźnik zmiany decyzji o 82 procent w nowszych modelach (g=1.52), a efekt nie wynika jedynie z formatowania JSON. Zaobserwowano też, że losowość wewnętrzna przy ustalonych stanach anchor jest znikoma, a przewaga metody rośnie przy wyższej stochastyczności próbkowania (g=2.87 przy temperaturze 0.7). To badanie sugeruje, że wiele przypadków niespójności w modelach AI można poprawić poprzez strukturalne wymuszenie świadomości kontekstu, bez konieczności retrainingu.