オントロジー増幅蒸留と文脈性監査による主権的企業言語モデルの研究：メカニズム実証とネガティブ結果を組み合わせた手法研究

データ居住規制の下で運営される金融機関には、自社の境界内で動作するテナント所有の言語モデルが必要です。最新の研究「Ontology-Amplified Distillation and Contextuality Auditing for Sovereign Enterprise Language Models」は、そのようなモデルの構築とガバナンスのためのメカニズムを提案しています。

この研究は、2つの関連するFAOSサブスタディから構成されています。最初の研究は、統計的検出力が限られたオントロジー増幅蒸留のメカニズム実証です。研究者らは、Qwen3.6-27B学生モデルを、フロンティア教師（GPT-5など）の軌跡による教師あり微調整と、オントロジーに基づく直接選好最適化（DPO）を通じてFoundation AgenticOSオントロジーに適応させました。トレーニングには47の合成英語クロスドメイン選好ペアのみを使用し、単一のApple M5 Maxで実行されました。テストでは、40件のベトナム語金融タスクのうち36件（正解率0.90）で正しく応答し、平均オントロジー用語カバレッジr_ontoは0.95（指標下限0.50）でした。注目すべきは、GPT-5ベースラインも同じタスクで36/40を達成したことです。しかし、ペア差の95%信頼区間は±4タスクに及び、この実験は学生モデルとフロンティアモデルの等価性を証明するには不十分であり、事前登録された「学生モデルがフロンティアを超える」という増幅予測を検証できませんでした。

2つ目の研究は、エンタープライズエージェントルーティングのための文脈性監査手法を統合したものです。独立したネガティブ結果パイロットでは、ローカルのQwen実行と明示的にラベル付けされたGemmaレプリケーションチェックの両方で、すべてのPhase 1.3グループの補正後の正準文脈性（Contextuality-by-Default）度がゼロでした。研究は、有益な信号は残差文脈性ではなく、直接的な影響と構成結合にあると指摘しています。

これら2つの研究は、オントロジーに基づくモデル構築メカニズムと、見解の相違が発生した際にプロンプト標準化、マルチエージェント合成、または人間によるレビューのどれをトリガーすべきかを判断するためのガバナンス診断ツールを提供します。しかし、著者らは、現在のエビデンスは展開可能性、安全性、優位性、統計的等価性、または文脈性に基づく正のルーティングルールを支持しないと明言しています。

この論文は15ページ、2つの図で構成され、規制産業向けのエンタープライズAIに厳密な科学的評価枠組みを提供しています。