本體增強蒸餾與情境審計：面向主權企業語言模型的組合機制驗證與負結果方法研究
該研究結合了本體增強蒸餾與情境審計兩項方法，針對受資料居留規則約束的金融機構，提出租戶自有語言模型的構建與治理方案。蒸餾實驗表明，Qwen3.6-27B學生模型在40項越南語金融任務中達到36項正確，與GPT-5相當，但統計功效不足以證明等價；情境審計試點的結果表明殘存情境性為零，直接影響與構造耦合才是有效訊號。研究不支援當前模型的可部署性、安全性或優越性。
受資料居留法規約束的金融機構需要能在機構內部執行的租戶自有語言模型。最新研究《Ontology-Amplified Distillation and Contextuality Auditing for Sovereign Enterprise Language Models》提出了一種結合本體增強蒸餾與情境審計的方法，旨在為這類模型提供構建與治理的機制。
該研究由兩項獨立但互補的FAOS子研究組成。第一項是低統計功效的本體增強蒸餾機制驗證：研究者將Qwen3.6-27B學生模型透過監督微調（在GPT-5等前沿教師的軌跡上）和基於本體的直接偏好最佳化（DPO）適配至Foundation AgenticOS本體。訓練僅使用47個合成英語跨領域偏好對，在單臺Apple M5 Max上完成。測試階段，模型在40項越南語金融任務中正確執行了36項（正確率0.90），平均本體術語覆蓋率r_onto為0.95（指標下限0.50）。值得注意的是，GPT-5基線也在相同任務上達到36/40。然而，配對差值的95%置信區間跨越±4項任務，表明該實驗不足以證明學生模型與前瞻模型等價，更無法驗證預登記的“學生模型超越前沿”假設。
第二項研究整合了一種針對企業智慧體路由的情境審計方法。在獨立的負結果試點中，所有Phase 1.3組的校正典範情境度（Contextuality-by-Default）為零，無論是本地Qwen執行還是明確的Gemma複製檢查。研究指出，有意義的訊號來自直接影響和構造耦合，而非殘存情境性。
兩項研究共同構建了一個以本體為根基的模型構建機制與一個治理診斷工具：當模型輸出出現明顯分歧時，可據此決定是否需要提示標準化、多智慧體合成或人工稽核。但作者明確表示，當前證據不支援模型的可部署性、安全性、優越性、統計等價性，也不支援基於情境性的正向路由規則。
該論文以15頁篇幅呈現，包含2張圖表，綜合了本體增強蒸餾與情境審計方法，為受監管行業的企業級AI提供了嚴肅的科學評估框架。