本体增强蒸馏与情境审计：面向主权企业语言模型的组合机制验证与负结果方法研究
该研究结合了本体增强蒸馏与情境审计两项方法，针对受数据居留规则约束的金融机构，提出租户自有语言模型的构建与治理方案。蒸馏实验表明，Qwen3.6-27B学生模型在40项越南语金融任务中达到36项正确，与GPT-5相当，但统计功效不足以证明等价；情境审计试点的结果表明残存情境性为零，直接影响与构造耦合才是有效信号。研究不支持当前模型的可部署性、安全性或优越性。
受数据居留法规约束的金融机构需要能在机构内部运行的租户自有语言模型。最新研究《Ontology-Amplified Distillation and Contextuality Auditing for Sovereign Enterprise Language Models》提出了一种结合本体增强蒸馏与情境审计的方法，旨在为这类模型提供构建与治理的机制。
该研究由两项独立但互补的FAOS子研究组成。第一项是低统计功效的本体增强蒸馏机制验证：研究者将Qwen3.6-27B学生模型通过监督微调（在GPT-5等前沿教师的轨迹上）和基于本体的直接偏好优化（DPO）适配至Foundation AgenticOS本体。训练仅使用47个合成英语跨领域偏好对，在单台Apple M5 Max上完成。测试阶段，模型在40项越南语金融任务中正确执行了36项（正确率0.90），平均本体术语覆盖率r_onto为0.95（指标下限0.50）。值得注意的是，GPT-5基线也在相同任务上达到36/40。然而，配对差值的95%置信区间跨越±4项任务，表明该实验不足以证明学生模型与前瞻模型等价，更无法验证预登记的“学生模型超越前沿”假设。
第二项研究整合了一种针对企业智能体路由的情境审计方法。在独立的负结果试点中，所有Phase 1.3组的校正典范情境度（Contextuality-by-Default）为零，无论是本地Qwen运行还是明确的Gemma复制检查。研究指出，有意义的信号来自直接影响和构造耦合，而非残存情境性。
两项研究共同构建了一个以本体为根基的模型构建机制与一个治理诊断工具：当模型输出出现明显分歧时，可据此决定是否需要提示标准化、多智能体合成或人工审核。但作者明确表示，当前证据不支持模型的可部署性、安全性、优越性、统计等价性，也不支持基于情境性的正向路由规则。
该论文以15页篇幅呈现，包含2张图表，综合了本体增强蒸馏与情境审计方法，为受监管行业的企业级AI提供了严肃的科学评估框架。