研究者らは、Amplitude Gating (AG) を提案した。これは学習済みの重み方向を保持しつつ、小さなフォーマットや引数のエラーを修正することで、大規模言語モデルの構造化出力を改善する破壊的でない推論時の手法である。

  • AGはP1/P2/P3および分岐固有のサイト全体にわたる微細な介入システムを定義し、組み合わせオラクルの余力と学習済みゲートを分離するプロトコルを通じて評価された。
  • Qwen3.5-9Bにおいて、カテゴリレベルの学習済みゲートはツール/構造化/エージェント性能を38.66%から42.92%に改善し、Hermes関数呼び出しタスクでは約+7.6ポイント向上した。
  • Qwen3-8Bにおいて、Hermes JSONモードは+11.36ポイント向上した。
  • Qwen2.5-7Bはオラクルの余力を保持しているが、現在の学習済みゲートはそれを捉えられておらず、デプロイにはモデル固有のルーティングが必要であることを示している。
  • 比較により、エントロピーAGもニュートン-シュルツ窓付きAGも、モデル間で一様に優位であるわけではないことが示された。

これらの結果は、ツール構造化推論が安全なFFNレベル最適化の最も信頼性の高い対象であることを特定したが、より広範なクロスモデル評価が依然として必要である。