セバスチャン・カワダ氏とマノリス・ケリス氏は2026年9月3日(現地時間)、学術誌arXiv cs.CLを通じて、大規模言語モデル (LLM) が外部から提供されるエビデンスを意思決定に統合するメカニズムに関する研究論文を発表した。同論文では、エビデンスが受信機の初期回答の分布を変化させる「分布理論」を提唱し、その理論から導かれる3つの予測を提示。LLMが内部検証で無効と判断した後でも、外部からの情報を統合する傾向があることを指摘している。
本研究は、LLMがツール、検索拡張生成 (RAG)、その他のエージェント、ユーザーから供給される外部エビデンスに基づいて推論する際の、その統合プロセスが不明瞭であるという課題に取り組んだ。提示された「分布理論」は、受信機の事前重みと候補エビデンスの傾きによって、受信機が持つ初期回答の分布がシフトすると説明している。
この理論は以下の3つの予測を示している。第一に、受信機にとって蓋然性の高い候補ほど説得力を持つこと。第二に、受信機は外部からのエラーよりも自身の特性的なエラーをより容易に統合すること。第三に、同一のエビデンスが、能力の低いモデルを改善する一方で、能力の高いモデルを損なう可能性があることだ。
これらの予測は、1000万回以上の試行、4つのファミリーに属する12のLLM、および8つのドメイン（うち4つは量子力学、物理学、遺伝学、分子生物学といった物理・生命科学分野の科学的発見タスク）にわたる検証で確認された。また、この法則は「受信機相対的信頼性フロンティア」も示しており、受信機と一致するエラーが、同程度のランダムエラーよりも著しく性能を低下させることを明らかにしている。
LLMは、命題的制約下では93〜100%、保留された物理・生命科学推論では最大99.4%の割合で、内部的にその無効性を検証した後でも候補を統合することが判明した。これは、エビデンス統合がエビデンスソースへのスカラー的信頼ではなく、受信機自体の特性によって決定される受信機固有の制御ポリシーであることを示している。因果的介入により、候補統合はネットワークの後半で、外部候補回答を受け入れ、促進し、回答状態へと輸送する一連の構造化されたステップとして実装されることが示唆されている。検証の表現はデコード可能であるものの、回答への因果的影響はほとんどないことも確認されている。
参考: arXiv cs.CL — 2026年9月7日 13:00 (JST)
原文ハイライト"Evidence Integration in Large Language Models"