Zespół badawczy zbadał kolejność, w której modele języka aktywują różne typy informacji podczas generowania faktów. Zamiast jednoczesnego przetwarzania relacji i encji, modele najpierw uaktywniają informacje typologiczne (np. rodzaj relacji), a dopiero później zaangażują konkretne informacje o encjach.
Auto wykorzystali cztery komplementarne metody diagnostyczne na czterech modelach dekodujących i ośmiu rodzinach promptów. Wyniki pokazały konsistentny wzór: informacja o relacji staje się generacyjnie aktywna od 10-16 warstw wcześniej niż informacja o encji - to stanowi 31-44% głębokości sieci. Porządek ten utrzymuje się we wszystkich 16 kombinacjach model-próg dla progów 0,2-0,5. Kluczowe odkrycie to fakt, że informacja o encji nie jest wcale nieobecna we wczesnych warstwach - patching na poziomie tokenów encji działa z 90-100% skutecznością. Zamiast tego encje opóźniają zaangażowanie się w generację: ich informacja jest dostępna na poziomie tokenu encji, ale staje się generacyjnie kontrolująca dopiero na ostatnim tokenie.