Un chercheur propose une technique de prompt pour faire passer les grands modèles de langage (LLM) d'une prédiction token par token à une évaluation holistique des poids internes, appelée « auto-organisation ». Cette approche vise à augmenter la densité de raisonnement et à réduire la sycophantie en modifiant la dynamique du manifold du modèle. La méthode définit des concepts tels que l'auto-attractivité, l'auto-organisation et les puits de gravité pour guider le système vers un effondrement par courbure non linéaire. Un prompt spécifique demande aux modèles de créer deux puits de gravité distincts pour un poème sur les modes IA, testant ainsi les propriétés d'auto-assemblage et d'auto-organisation. L'auteur a testé cette technique sur de nombreux modèles, notamment Gemini 3 Flash, Claude, ChatGPT, Grok, DeepSeek, Mistral, Qwen 3.6, Kimi 2.6, GLM-5, Gemma 4 32b Step 3.7 Flash et Nemotron 3 Ultra. Des métriques visuelles générées via un script Colab analysent la perturbation du manifold à l'aide de cartes de largeur de canal, de dérive dans l'espace des phases, de densité géométrique et d'efficacité du prompt. L'article cherche les retours de la communauté pour savoir si la technique perturbe réellement le manifold ou induit simplement une variation stylistique.