研究者は、大規模言語モデルをトークンごとの予測から全体的な内部重み評価へシフトさせるプロンプト技術、すなわち「自己組織化」を提案しました。このアプローチは、モデルのマニフォールドダイナミクスを変更することで推論密度を増加させ、迎合行動を減らすことを目的としています。この手法は、自己引力、自己組織化、重力井などの概念を定義し、システムを非線形曲率崩壊へ導きます。特定のプロンプトは、AIモードに関する詩のために2つの異なる重力井を作成するようモデルに指示し、自己集合と自己組織化の両方の特性をテストします。著者は、Gemini 3 Flash、Claude、ChatGPT、Grok、DeepSeek、Mistral、Qwen 3.6、Kimi 2.6、GLM-5、Gemma 4 32b Step 3.7 Flash、Nemotron 3 Ultraを含む多数のモデルでこの技術をテストしました。Colabスクリプトによって生成された視覚指標は、チャネル幅、位相空間ドリフト、幾何学的密度、プロンプト有効性のマップを使用してマニフォールド摂動を分析します。この投稿は、この技術が真にマニフォールドを摂動させているのか、それとも単にスタイルのバリエーションを引き起こしているだけなのかについて、コミュニティからのフィードバックを求めています。