LLM 알고리즘적 증명

이 연구는 LLM을 토큰 입력에서 출력 분포까지 이어지는 계산 과정으로 보고, 각 단계의 변수·차원·연산·초기값·학습 규칙이 왜 필요한지 추적한다. 현재 공개 범위는 토크나이저, 임베딩 공간, 계수 C와 출력 방향의 정의다. 계수 C는 임시 표기이며, 대상 모델·수식·차원·단위·측정 절차를 먼저 특정한 뒤 검증한다. 축소 모델이나 시각화의 계산 일치는 설명 도구의 검증이다. 이를 실제 대형 모델 전체의 의미 회로나 인과 구조를 증명한 결과로 확대하지 않는다.

현재 확정된 것은 연구 방법의 경계다. 구조 설명, 수치 재현, 개입에 따른 변화, 인과적 증명은 서로 다른 수준의 주장으로 기록해야 한다. 실제 모델별 변수와 알고리즘의 필연성은 아직 검증 중이며 보편적 결론으로 공개하지 않는다.

동일한 기능을 만드는 대안적 변수 설정과 현재 설정을 어떤 기준으로 비교할 것인가? 토큰 분할의 변화와 임베딩 공간의 거리·방향 변화 중 무엇이 출력 차이를 설명하는가? 축소 모델에서 확인한 계산 관계를 실제 모델로 확장할 때 어떤 불변량과 반례를 요구할 것인가?