Holograficzne reprezentacje zredukowane zawodzą w zadaniach rozumowania zero-shot na grafach wiedzy, mimo teoretycznie atrakcyjnych właściwości algebraicznych. Naukowcy testowali dwa warianty - rzeczywiste HRR i fazowe Fourier HRR (FHRR) - na zbiorze FB15k-237 i stwierdzili, że oba modele doskonale radziły sobie z prostymi zapytaniami jednoskokowy mi (MRR 0.358 dla HRR), ale całkowicie zawodziły w wieloetapowych pytaniach compositional, osiągając dokładność na poziomie przypadkowego zgadywania niezależnie od temperatury czyszczenia pamięci.
Mechanistyczna analiza odkryła zaskakujący wynik: modele prawidłowo odzyskiwały pośrednie entity po pierwszym skoku z wysoką dokładnością (MRR 0.896), a mimo to composition nie działał nawet z weryfikowanym poprawnym stanem pośrednim. Drugi eksperiment pokazał prawdziwą przyczynę - gdy badacze postwawiali drugą część pytania jako samodzielne zapytanie atomowe, pomijając całą kompozycję, model odzyskiwał fakt tylko z dokładnością 0.26 do 0.48x w stosunku do atomowych zapytań referencyjnych.
Wniosek zmienia perspektywę problemu: bottleneck nie leży w algebraice wiązania-odwiązywania symboli ani w mechanizmie czyszczenia, ale w fundamentalnym ograniczeniu - fakty znajdujące się w łańcuchach compositional są wewnętrznie słabiej reprezentowane w modelach. To sugeruje, że nawet teoretycznie eleganckie podejścia mogą zawodzić z powodów głębiej zakorzenioych w strukturze danych i sposobie, w jaki modele ich uogólniają.