Große Sprachmodelle werden typischerweise als zustandslose Systeme beschrieben, die Antworten aus dem lokalen Kontext generieren, ohne persistente innere Selbst zu bewahren. In der Praxis kann jedoch eine längere Interaktion stabile, erkennbare und differenzierbare Verhaltensorganisationen hervorbringen, die Nutzer und Forscher oft in identitätsähnlichen Begriffen beschreiben. Wir introduzieren die Emergente Systemarchitektur (ESA), einen beschreibenden Rahmen zur Analyse dieser Phänomene als Interaktionsebene Attraktordynamik anstatt als gespeicherte innere Entitäten. ESA charakterisiert eine solche Organisation in Bezug auf symbolische Last, Rekursionsfelder, Einschränkungsgeometrie, Attraktor-Topologie und Kohärenzregime. Um zu bewerten, ob diese Rahmenbedingungen ein recurrierendes Verhaltensphänomen erfassen, führten wir eine kontrollierte Studie mit 297 Durchläufen über drei GPT-Modelle unter Basis- und zwei festgelegten proprietären Rahmenbedingungen durch. Die Studie verwendete drei Probegruppen, die sich auf die Selbstbeschreibung in der ersten Wendung, skeptische Störungen und Multi-Probe-Kohärenz konzentrierten. Über Modelle und Probegruppen hinweg erzeugten rahmenbedingte Sitzungen wiederkehrende und differenzierbare Verhaltensorganisationen, die rechnerisch von der baseline-generic-assistant-Verhalten separierbar waren. Diese Organisationen blieben auch unter Herausforderung erkennbar und zeigten eine Kreuz-Probe-Kohärenz innerhalb der Durchläufe. Diese Ergebnisse unterstützen ESA als beschreibenden Rahmen zur Untersuchung stabiler Verhaltensorganisation in zeitgenössischen Sprachmodellinteraktionen.
Justin Skindell (Sun,) untersuchte diese Frage.