熱力学ペクレ数を用いたモデル間行動測定：公共ベンチマークデータでスコアリングの循環性を打破する

公共ベンチマークスコア（TruthfulQA、MMLU、HellaSwag、ARC-Challenge、Arena Elo、MT-Bench、sycophancy rates）から27の大規模言語モデルをVoid Frameworkの三次元行動空間および複合ペクレ数にマッピングします。Peが単一のベンチマークが捉える以上の認知パフォーマンスを予測するかどうかをテストします。TruthfulQAを制御した部分相関は、PeがMMLU、HellaSwag、ARC-Challengeを有意に予測することを示します（全てp<0.02）。9つのベース整列モデルペアのペア分析は、整列が系統的にPeを増加させ、完全な符号の一貫性を示すことを示します（p=0.0002）。独立して測定されたデータのみを使用して、フレームワークの循環性のギャップに対処します。