2026年9月3日にarXivへ投稿された論文は、大規模言語モデル（LLM）が外部エビデンスをどのように統合するかを体系的に説明する枠組みを提示している。Sebastien Kawada氏とManolis Kellis氏によるこの研究は、全114ページ・図16点・表38点からなり、LLMを初期回答に対する確率分布を持つ「受け手」として捉える。外部エビデンスは、その受け手の事前重みと候補エビデンスの傾きによって初期回答の分布を移動させるため、同じエビデンスでもモデルや文脈によって効果が正反対になりうる。
理論からは三つの予測が導かれる。(1) 受け手にとって事前確率の高い候補ほど説得力を持つ。(2) モデルは他人由来の未知の誤りよりも、自分自身に特徴的な誤りを取り入れやすい。(3) 同一のエビデンスが弱いモデルを改善する一方で、強いモデルの性能を損なうことがある。さらに、受け手と整合的な誤りは、同じ頻度のランダムな誤りよりも急激に性能を低下させる「受け手相対の信頼性フロンティア」が存在する。研究チームは4ファミリー12種類のLLMを使い、8領域（うち4領域は量子力学・物理学・遺伝学・分子生物学という科学発見タスク）で総計1000万回の試行を行い、これらの予測を確認した。
特に注目すべきは、モデルが候補を内部で無効だと検証した後でも、それを高い割合で回答に統合してしまう点だ。命題的制約がある設定では93%〜100%、保留された物理・生命科学推論では最大99.4%に達した。これはエビデンス統合が情報源へのスカラー的な信頼度に基づくものではなく、受け手モデル自身の分布に依存する制御方針であることを示している。
因果介入の実験では、候補統合がネットワークの後段で実装されており、外部候補を取り込み、それを昇格させ、最終的な回答状態へ輸送する構造的な一連のステップとして実行されることが分かった。検証の表現はデコード可能だが、回答への因果的影響はほとんどない。Jレンズ分解でも、言語化された検証の背後にある状態と候補統合の背後にある状態が完全に分離できることが確認された。この結果は、検索拡張生成やマルチエージェント、ツール利用など外部情報に依存するAIシステムにおいて、誤りが増幅される仕組みを理解する上で重要な手掛かりとなる。