Zespół badaczy zaprezentował nowe podejście do szkolenia specjalizowanych modeli językowych dla regulowanych instytucji finansowych, które muszą utrzymywać dane wewnątrz swoich granic systemowych. Wykorzystali destylację wiedzy - technikę przenoszenia umiejętności z większego modelu (nauczyciela) do mniejszego (studenta) - wzmocnioną przez ontologię biznesową Foundation AgenticOS.
Model Qwen3.6-27B przeszedł fine-tuning na bazie 47 syntetycznych par preferencji dotyczących finansów, a trening odbył się na sprzęcie dostępnym każdej instytucji - na laptopie Apple M5 Max. Wyniki na 40 wietnamskich zadaniach z domeny finansowej pokazały, że destylowany model osiągnął identyczną wydajność co model graniczny GPT-5: oba prawidłowo ugruntowały 36 z 40 zadań, z pokryciem terminów ontologii na poziomie 0,95. To oznacza, że instytucje mogą uzyskać wydajność porównywalną z najlepszymi modelami frontowymi bez konieczności wysyłania danych do zewnętrznych dostawców.
Jednak badanie ma istotne ograniczenia. Autorzy zaznaczają, że wyniki nie mają mocy statystycznej do potwierdzenia równoważności między modelami - przedział ufności wyniku wynosi Plus-minus cztery zadania. W drugiej części pracy zespół zbadał nową metodę audytu kontekstualności dla routingu agentów w systemach korporacyjnych i odkrył nieoczekiwane problemy. Test wskazał zerowe wartości dla wskaźnika Contextuality-by-Default we wszystkich grupach fazy 1.3, sugerując, że ta metoda może wymagać istotnych poprawek zanim będzie przydatna w praktyce.